肖小平，李晶晶，张超，周光辉，杨雄军

1.湖南省计量检测研究院，湖南 长沙 410014 2.西安交通大学 机械工程学院，陕西 西安 710049

随着制造业自动化和智能化的快速发展，提高制造效率、降低成本和减少资源浪费成为各企业的共同目标。精准预测零件加工能耗与表面粗糙度(常用Ra表示)已成为当前智能车间绿色制造的主要研究热点。目前对零件粗糙度和能耗的预测方法众多，如正交试验[1]、遗传算法[2]、BP 神经网络[3]、回归模型[4-5]、支持向量机[6]等。上述关于粗糙度、能耗的预测模型大多将切削参数作为自变量，其他因素以系数方式影响计算结果。但在实际加工过程中，同一规格的刀具仍存在着因磨损状况不同而导致的切削参数差异，其磨损状况对粗糙度和能耗等有着不可忽视的影响。

ANN 因其在处理随机数据、非线性数据等方面的自学习、自适应优势而被广泛应用于预测、分类等研究。Paturi 等[7]以切削参数为自变量，利用回归模型和ANN 预测AISI 52 100 钢硬车削过程中的表面粗糙度。Kant 等[8]结合实际加工实验，研究了ANN 对能耗的预测能力。Gupta 等[9]提出了用ANN 和支持向量回归相结合的车削参数优化方法。Sangwan[10]和Kumar 等[11]提出了一种将ANN 和遗传算法相结合的方法对车削加工参数进行优化。从上述研究可以看出，使用ANN 模型考虑加工参数和加工性能之间的非线性关系，对预测实际加工过程中表面加工质量和切削能耗时，比传统经验模型更具优势。基于以上分析与思考，本文从切削过程出发，考虑……