基于广义回归神经网络与未变形磨屑的螺旋锥齿轮磨削力预测研究

针对螺旋锥齿轮磨削过程中工艺参数选择不合理导致的效率低下与齿面烧伤问题，研究人员结合广义回归神经网络（GRNN）与未变形磨屑理论，建立了磨削力预测模型。通过动态磨粒数量集成与三维仿真，实现了磨削力分量的精准预测（最大标准差3.3260），为工艺优化提供了科学依据，显著提升了加工效率与质量。

　　

螺旋锥齿轮作为汽车、航空等领域动力传递的关键部件，其齿面加工精度直接影响传动系统性能。然而，传统磨削工艺依赖经验公式，难以区分切削力与摩擦力，导致参数选择盲目——过小的磨削力降低效率，过大的摩擦力引发齿面烧伤。更棘手的是，现有模型受限于特定工艺，缺乏普适性。如何科学预测磨削力并优化参数，成为亟待突破的“卡脖子”难题。

针对这一挑战，中国国家自然科学基金支持的研究团队在《Engineering Applications of Artificial Intelligence》发表成果，创新性地将广义回归神经网络（GRNN）与未变形磨屑理论结合，构建了螺旋锥齿轮磨削力全参数预测体系。研究通过三大关键技术实现突破：首先，基于单磨粒力学模型与动态磨粒数量集成，建立未变形磨屑几何参数的磨削力数学模型；其次，利用双面展成法设计齿轮毛坯几何尺寸，通过三维布尔运算获取磨屑参数；最后，采用GRNN预测非仿真齿轮的磨屑参数，结合少量实验数据标定切削力系数k_c与摩擦系数，实现磨削力的高效计算。

Grinding force based on generalized regression neural network
研究团队建立了磨削力预测流程框架，通过GRNN直接预测未变形磨屑长度l_c和平均截面积Q?，替代传统复杂的齿轮设计计算与三维仿真，将计算效率提升80%以上。

Prediction of grinding force coefficient
通过变生成运动速度的磨削实验，标定了切削刃分布指数α、切削力综合系数k_c等关键参数，实验数据验证了系数预测模型的可靠性，摩擦分量占比可精确量化至±5%以内。

Prediction of grinding force for spiral bevel gear
将GRNN预测的磨屑参数与实验标定系数代入数学模型，最终磨削力预测值与实验值的最大标准偏差仅3.3260，显著优于传统经验公式的15%-20%误差范围。

Conclusion
该研究首次实现螺旋锥齿轮磨削力的全参数预测，突破传统模型无法区分切削/摩擦力的局限。GRNN的应用使工艺参数选择从经验驱动转向数据驱动，避免齿面烧伤的同时提升加工效率30%以上。这套“理论建模+智能预测+实验标定”的方法体系，为复杂曲面零件精密加工提供了普适性解决方案。

值得注意的是，研究团队特别强调未变形磨屑平均截面积Q?对计算效率的优化作用，以及GRNN在简化齿轮设计流程中的核心价值。这项成果不仅解决了螺旋锥齿轮制造的痛点，其方法论更可推广至航空发动机叶片等高性能零件的精密加工领域，具有显著的工程应用前景。