王俊成，邹 斌

(山东大学机械工程学院，济南 250061)

0 引言

由于金属切削过程中切削力的影响因素很多，很难建立一个包含所有影响因素的完整切削力预测模型。幸运的是，神经网络技术的发展为解决这一问题提供了一个很好的思路。神经网络模型可以方便地从数据集中学习一组输入输出参数之间的隐式关系，并有效地捕捉它们之间的非线性关系，对加工过程中切削力的预测具有重要意义。在切削数据充足的情况下，神经网络可以用来预测切削力，而不必考虑各种影响因素对切削力的影响。

神经网络最常用的方法是在加工信息和加工结果之间建立一个综合预测模型[1-2]。Jurkovic Z等[3]比较了神经网络、支持向量机和多项式回归三种机器学习方法在高速车削加工中的性能；研究表明，三种方法在不同参数和范围内各有优缺点。Vaishnav S等[4]利用铣削力模型生成的数据集训练神经网络模型预测瞬时切削力，验证了模型的有效性。此外，神经网络在机械加工领域的研究也取得了许多成果[5-6]。Salimiasl A等[7]介绍了SAE4140钢车削过程刀具磨损在线监测的几种方法，包括人工神经网络、模糊逻辑和最小二乘法；结果表明，神经网络对刀具磨损的预测更为精确，但在实验数据较少的情况下，模糊逻辑更为精确。由于实际加工过程中加工周期长、材料成本高、机床维护成本高，获取大量数据样本往往意味着较高的经济和时间成本，这限制了神经网络在加工领域的应用。……