In recent years, there has been a significant increase in the utilization of Al/SiC particulate composite materials in engineering fields, and the demand for accurate machining of such composite materials has grown accordingly. In this paper, a feed-forward multi-layered artificial neural network (ANN) roughness prediction model, using the Levenberg-Marquardt backpropagation training algorithm, is proposed to investigate the mathematical relationship between cutting parameters and average surface roughness during milling Al/SiC particulate composite materials. Milling experiments were conducted on a computer numerical control (CNC) milling machine with polycrystalline diamond (PCD) tools to acquire data for training the ANN roughness prediction model. Four cutting parameters were considered in these experiments: cutting speed, depth of cut, feed rate, and volume fraction of SiC. These parameters were also used as inputs for the ANN roughness prediction model. The output of the model was the average surface roughness of the machined workpiece. A successfully trained ANN roughness prediction model could predict the corresponding average surface roughness based on given cutting parameters, with a 2.08% mean relative error. Moreover, a roughness control model that could accurately determine the corresponding cutting parameters for a specific desired roughness with a 2.91% mean relative error was developed based on the ANN roughness prediction model. Finally, a more reliable and readable analysis of the influence of each parameter on roughness or the interaction between different parameters was conducted with the help of the ANN prediction model.

近年来，在工程领域中对Al / SiC颗粒复合材料的利用已经显着增加，并且对这种复合材料进行精确加工的需求也相应地增长。本文提出了一种使用Levenberg-Marquardt反向传播训练算法的前馈多层人工神经网络（ANN）粗糙度预测模型，以研究铣削Al / SiC颗粒时切削参数与平均表面粗糙度之间的数学关系。复合材料。在具有多晶金刚石（PCD）工具的计算机数控（CNC）铣床上进行铣削实验，以获取用于训练ANN粗糙度预测模型的数据。在这些实验中考虑了四个切削参数：切削速度，切削深度，进料速度和SiC的体积分数。这些参数还用作ANN粗糙度预测模型的输入。该模型的输出是机加工工件的平均表面粗糙度。一个成功训练的ANN粗糙度预测模型可以根据给定的切削参数预测相应的平均表面粗糙度，平均相对误差为2.08％。此外，基于ANN粗糙度预测模型，开发了一种粗糙度控制模型，该模型可以准确地确定特定的所需粗糙度对应的切削参数，平均相对误差为2.91％。最后，借助ANN预测模型，对每个参数对粗糙度或不同参数之间的相互作用的影响进行了更可靠，更易读的分析。这些参数还用作ANN粗糙度预测模型的输入。该模型的输出是机加工工件的平均表面粗糙度。一个成功训练的ANN粗糙度预测模型可以根据给定的切削参数预测相应的平均表面粗糙度，平均相对误差为2.08％。此外，基于ANN粗糙度预测模型，开发了一种粗糙度控制模型，该模型可以准确地确定特定的所需粗糙度对应的切削参数，平均相对误差为2.91％。最后，借助ANN预测模型，对每个参数对粗糙度或不同参数之间的相互作用的影响进行了更可靠，更易读的分析。这些参数还用作ANN粗糙度预测模型的输入。该模型的输出是机加工工件的平均表面粗糙度。一个成功训练的ANN粗糙度预测模型可以根据给定的切削参数预测相应的平均表面粗糙度，平均相对误差为2.08％。此外，基于ANN粗糙度预测模型，开发了一种粗糙度控制模型，该模型可以准确地确定特定的所需粗糙度对应的切削参数，平均相对误差为2.91％。最后，借助ANN预测模型，对每个参数对粗糙度或不同参数之间的相互作用的影响进行了更可靠，更易读的分析。该模型的输出是机加工工件的平均表面粗糙度。一个成功训练的ANN粗糙度预测模型可以根据给定的切削参数预测相应的平均表面粗糙度，平均相对误差为2.08％。此外，基于ANN粗糙度预测模型，开发了一种粗糙度控制模型，该模型可以准确地确定特定的所需粗糙度对应的切削参数，平均相对误差为2.91％。最后，借助ANN预测模型，对每个参数对粗糙度或不同参数之间的相互作用的影响进行了更可靠，更易读的分析。该模型的输出是机加工工件的平均表面粗糙度。一个成功训练的ANN粗糙度预测模型可以根据给定的切削参数预测相应的平均表面粗糙度，平均相对误差为2.08％。此外，基于ANN粗糙度预测模型，开发了一种粗糙度控制模型，该模型可以准确地确定特定的所需粗糙度对应的切削参数，平均相对误差为2.91％。最后，借助ANN预测模型，对每个参数对粗糙度或不同参数之间的相互作用的影响进行了更可靠，更易读的分析。一个成功训练的ANN粗糙度预测模型可以根据给定的切削参数预测相应的平均表面粗糙度，平均相对误差为2.08％。此外，基于ANN粗糙度预测模型，开发了一种粗糙度控制模型，该模型可以准确地确定特定的所需粗糙度对应的切削参数，平均相对误差为2.91％。最后，借助ANN预测模型，对每个参数对粗糙度或不同参数之间的相互作用的影响进行了更可靠，更易读的分析。一个成功训练的ANN粗糙度预测模型可以根据给定的切削参数预测相应的平均表面粗糙度，平均相对误差为2.08％。此外，基于ANN粗糙度预测模型，开发了一种粗糙度控制模型，该模型可以准确地确定特定的所需粗糙度对应的切削参数，平均相对误差为2.91％。最后，借助ANN预测模型，对每个参数对粗糙度或不同参数之间的相互作用的影响进行了更可靠，更易读的分析。基于ANN粗糙度预测模型开发了91％的平均相对误差。最后，借助ANN预测模型，对每个参数对粗糙度或不同参数之间的相互作用的影响进行了更可靠，更易读的分析。基于ANN粗糙度预测模型开发了91％的平均相对误差。最后，借助ANN预测模型，对每个参数对粗糙度或不同参数之间的相互作用的影响进行了更可靠，更易读的分析。