田景海，陈江义，陈瑛琳，杨布尧

（郑州大学机械工程学院，河南 郑州 450001）

1 引言

表面粗糙度对于车削工件来说是一个非常重要的质量评定指标，直接反映工件加工质量的好坏。在对工件进行车削加工之前，准确预测加工后的表面粗糙度，有助于实现车削工艺编制的自动化和智能化。

在车削工件表面粗糙度的预测方面，前人已经做了大量的工作，提出了一些基于人工神经网络（ANN）和数学模型的预测方法。文献[1]训练的ANN 模型最大预测误差不超过5%，文献[2]分析了机床、刀具、材料等方面影响粗糙度的因素，并介绍了各个影响因素的建模方法。文献[3]借助BP 神经网络建立粗糙度预测模型，并通过MATLAB 图形用户界面设计了表面粗糙度预测软件。文献[4]利用人工神经网络，以车刀刀尖半径、接近角、前角、刀具悬伸长度作为输入，表面粗糙度Ra为输出，模型预测结果与测量数据相当接近。文献[5]将BP 神经网络与多元回归模型测试结果进行了对比，实验证明BP 神经网络预测精度远远高于回归模型预测结果。文献[6]以切削三要素及三个正交轴的振动信号作为神经网络输入，预测结果准确度可达到91.17%。文献[7]利用MATLAB TM接口实现表面粗糙度的预测，结果表明ANN 算法效率及准确率都很高。文献[8]比较了神经网络不同隐含层层数和节点数所能达到的预测准确度。

上述预测技术有些是基于作者自己开发的ANN 模型，有些基于MATLAB 平台提供的工具箱，两种方法各有缺点。自主开发ANN 模型工作量大，且通用性较差，MATLAB 提供的工具箱使用起来灵活性不足，机器学习框架的出现解决了这些问题。……