袁 磊，曾莎莎

（1.海南大学机电工程学院，海南 海口 570228；2.武汉大学动力与机械学院，湖北 武汉 430072）

1 引言

切削是机械制造加工过程中重要的加工方法之一。整个切削加工的过程中，表面粗糙度受到各种加工参数，如主轴转速、进给速度与切削深度的影响[1-2]，同时影响着零件表面的可靠性、耐磨性、疲劳强度、密封性、导热性和传动精度等[3-4]，因此表面粗糙度是评定零件表面粗糙状况、反映零件质量优劣的一项重要指标[5]。

为了达到精确的表面粗糙度常常需要额外的生产成本，许多学者希望利用预测的方式来降低成本，且同时提高产品质量。文献[6]采用回归神经网络发展预测决策系统提高预测表面粗糙度的精确度。文献[7]采用人工神经网络对硬切EN24T 钢表面粗糙度进行预测，回归系数高于0.997。文献[8]采用人工神经网络预测AISI1040 镗削加工表面粗糙度，误差仅有3.47%。文献[9]采用电火花线切割加工航空合金Inconel825 的表面粗糙度预测，平均误差是6.38%。文献[10]采用神经网络预测AA7039 与Al2O3增强复合材料铣削加工的表面粗糙度与切削力，得到的均方根误差分别为2.25%和6.66%。文献[11]采用神经网络预测Ti-6Al-4V ELI alloy 铣削的表面粗糙度，网络的均方误差与相关系数分别为0.002、0.9824，均优于反应曲面法。文献[12]采用神经网络法研究合金钢电火花切削加工中的工艺参数对材料去除率和表面粗糙度的影响。得到总体平均预测误差为0.773%。

在神经网络中需要输入因子才能得到所需的预测值，但是输入因子过多或者是过少皆可……