| 规律在机床上也不一定能展开研究，如对大厚度加工的研究、深小孔或易产生破坏性的电弧放电等，相比而言，仿真试验不仅成本低，而且安全可靠。
由于计算机仿真具有上述的一系列优点，我们在电火花加工工艺效果的预测及工艺参数的优化以及如何利用仿真技术研究电火花加工机理等方面展开了一定的研究。
2 EDM加工速度、表面粗糙度等加工性能的预测及优化
要对加工速度、表面粗糙度进行预测，以及实现加工参数的优化，首先要建立加工速度表面粗糙度等模型。建模的方法一般线性回归、微分方程、神经网络等方法。目前常用的EDM建模方法是利用回归理论建立电火花加工速度模型或表面粗糙度模型，如Anand Srinivas［3］、M.kishi［4］、Y.S.Liao［8］等人利用多目标优化与回归分析研究了WEDM的加工速度、表面粗糙度等指标与电极丝直径、工件厚度以及脉宽等参数之间的关系。回归分析的优点在于计算速度快、可以得出一个明确的数学公式。为了提高模型的回归精度，一般还需要加入变量的高阶量以及自变量之间的组合因子，因此当自变量的个数较多时，回归方程的形式就难以确定。
由于回归分析存在上述缺点，电火花加工的理论模型又难于建立，人们开始将目光转向神经网络等现代建模方法。根据神经网络的基本理论，任一连续函数都可以用一个三层网络结构来模拟。只要给出适当的网络结构，通过对样本数据的学习确定网络各层单元之间的权值关系后，网络模型就可以得到确立，以后若有新的样本数据，可通过网络再学习功能使网络适应新的样本，而不用重新建立模型。和线性回归相比较，神经网络不仅具有自学习功能，而且对自变量的数量不敏感，也不存在线性回归中的自变量的阶次的确定和自变量之间的组合问题，因此在自变量较多的情况下用神经网络建模显得更为合适，而电火花加工正属于这种情况。和EDM成形加工相比，WEDM影响参数要少得多，易于采用各种手段方法对之进行研究，用神经网络等理论研究WEDM加工过程中各种影响参数对加工性能的影响已成为当前的一个热点。如Y.S.Tarng［6］与T.A.Spedding等人［5、7］用神经网络对WEDM加工过程建立加工速度和表面粗糙度模型，然后用模拟退火算法优化加工参数，仿真结果与实验数据较为一致。
对EDM成形加工的影响参数比WEDM更多，难度也要更大一些，目前针对EDM成形加工的工艺建模研究也甚为少见。我们通过分析认为影响EDM成形加工性能的因素主要为：峰值电流Ip、脉宽Ton、脉间Tpff、加工时间Tdn、抬刀时间Tup，而加工性能主要体现在加工速度和表面粗糙度，因此可以建立电火花成形加工工艺模型如图2所示，而下表为利用该模型得到的预测结果及实验数据对比表。
图2 电火花成形加工神经网络模型
预测结果与原始数据表
峰值
电流
I/A
脉
宽
t/μs
脉
间
t/μs
抬
刀
t/μs
加
工
t/s
Ra/μm
MRR(mm3/min)
实验
值
预测
值
误差
(%)
实验
值
预测
值
误差
(%)
2.5
20
15
3
4
6
5.39
10.2
0.25
0.28
12.0
3.5
60
40
3
4
8
7.78
2.7
0.75
0.73
2.7
6.0
80
40
3
4
12
11.75
2.1
2.60
2.44
6.2
6.5
80
40
3
4
13
12.53
3.6
3.20
3.10
3.1
6.5
20
15
3
4
10
10.11
11.0
2.80
3.00
7.1
69.5
250
60
2
5
75
76.62
2.16
230.00
228.59
0.6
93.5
6
24
2
5
18
18.06
0.3
16.02
16.26
1.5
115.2
6
24
2
5
16
上一篇： ｜ 下一篇：
相关新闻：
无相关新闻 |
