赵明利，宋士杰，李博涵

(河南理工大学大学 机械与动力工程学院，河南 焦作 454000)

0 引 言

Al2O3工程陶瓷具有耐高温、耐高压、高强度等优良特性，广泛应用于航空航天、特种机械、医疗设备等行业[1]。但该陶瓷脆性大、加工周期长、加工参数不易控制，普通磨削加工效率较低，而且加工质量较差。研究发现，在普通磨削加工过程中加入超声振动后，可以有效提高加工效率和加工质量。[2-4]表面粗糙度是陶瓷表面质量的重要衡量指标之一，影响工件使用寿命和性能[5-6]，因此本文进行超声辅助磨削Al2O3工程陶瓷试验，并对加工后的表面粗糙度进行预测研究。

黄吉东等[7]通过建立外圆纵向磨削表面粗糙预测模型对工件表面粗糙度进行在线预测，预测结果误差相对较小；A.M.Zain 等[8]建立了基于神经网络对端面铣削加工表面粗糙度进行预测的模型，试验表明，3-1-1结构的神经网络模型的预测效果最佳，缺点是训练样本集较大；支持向量机(support vector machine,SVM)模型适用于解决小样本、高维数、非线性的问题，具有良好的泛化能力，但其预测能力受内部参数影响较大，所以许多研究者提出将粒子群算法(PSO)[9-10]、布谷鸟搜索算法(CS)[11-12]等运用到SVM的参数优化上，并取得了良好的应用效果；灰狼算法(GWO)[13]具备良好的稳定性和快速收敛性，但该算法在参数寻优过程中易陷入局部最优，从而影响 SVM 模型的预测性能。

为了提高表面粗糙度的预测精度，本文针对传统灰狼优化算法容易陷入局部最优的缺点，提出一种新的收敛因子a的计算方法从而改进灰狼优化算法(IGWO)，并对支持向量机(SVM)进行参数寻优，进而建立IGWO-SVM表面粗糙度预测模型。……