珩磨缸套表面粗糙度预测及多目标优化研究

为了对粗珩阶段缸套内孔表面粗糙度R_(k)粗糙度集中的R_(k)、R_(pk)和R_(vk)进行预测,进而对粗珩加工参数进行优化,以珩磨压力(P)、珩磨头旋转速度(V_(R))和往复速度(V_(Re))为决定因素,R_(k)粗糙度集为目标响应,进行多目标优化.建立基于广义回归神经网络(Generalized regression neural network,GRNN)与响应曲面法(Response surface methodology,RSM)的粗糙度预测模型,并采用三因素三水平的全因子珩磨试验进行验证,结果表明所建立模型的预测结果与试验结果具有很好的一致性.GRNN预测模型决定系数R^(2)的均值为0.959,RSM多元回归预测模型决定系数R^(2)的均值为0.963,与RSM所建立的多元回归预测模型相比,GRNN预测模型在预测R_(k)和R_(pk)时,预测精度更高,预测误差更小,R^(2)分别提高了0.025和0.020,在预测R_(vk)时RSM多元回归模型更优,R^(2)提高了0.057.进一步结合响应曲面法分析了3个决定因素对粗糙度的影响显著性并进行了排序,对于R_(k):V_(Re)>P>V_(R);对于R_(pk):P>V_(Re)>V_(R);对于R_(vk):P>V_(Re)>V_(R).结合多元回归模型与NSGA-Ⅱ(Non-dominated Sorting Genetic AlgorithmⅡ)优化算法进行多目标优化,获得Pareto最优解的Pareto前沿.

基于GRNN的珩磨缸套表面3D粗糙度图像检测方法

活塞-缸套系统是内燃机重要的摩擦副之一,活塞-缸套的表面质量影响着活塞-缸套系统的摩擦学性能,进而直接影响整机的服役性能。针对磨缸套表面2D粗糙度参数的局限性与表面粗糙度非接触检测方法研究,提出一种基于广义回归神经网络(GRNN)的珩磨缸套表面3D粗糙度图像检测方法。通过运用灰度共生矩阵(GLCM)提取缸套表面图像的纹理特征参数,并分析纹理特征参数与3D粗糙度间的相关性。以图像纹理特征参数作为输入,分别采用GRNN和多元回归分析(MRA)建立3D粗糙度检测模型,通过与试验检测结果对比验证了模型的准确性。GRNN检测模型获得的可决系数R²均值(0.962)优于MRA检测模型,且均方误差MSE均值(0.07)更小,与试验检测结果对比可知,采用GRNN建立的磨缸套3D粗糙度检测模型具有更高的精度,与实测3D粗糙度的相对误差均值为7.9%。所建立的3D粗糙度检测模型具有较高的检测精度。

基于分块迭代函数系统的缸套表面织构的分形表征

表面织构的物理特征是影响活塞组件-缸套系统摩擦学特性和织构减摩效应的关键因素。为了准确有效地描述活塞组件-缸套系统减摩织构的物理特征,提出一种基于曲波变换和分块迭代函数系统(Partitioned iterated function system,PIFS)的减摩织构物理特征的定量表征方法。从活塞组件-缸套系统减摩织构表面的灰度图像出发,运用离散曲波变换方法对减摩织构表面的灰度图像在各个方向上进行多尺度分离。研究与减摩织构物理特征相关的灰度图像信息的分块迭代函数系统分形描述方法,通过计算减摩织构物理特征的分形维数,并与差分盒维数(differential box-counting,DBC)方法计算得到的分形维数进行对比,验证PIFS方法的有效性。结果表明,与差分盒维数方法计算得到的分形维数相比,针对不同网纹织构和不同形状组合、截面尺寸以及深度的凹坑织构,PIFS方法计算得到的分形维数能够更为敏感和有效地反映减摩织构物理特征的变化。