砂帶磨削是砂帶這一特殊形式的磨削工具，借助于張緊機構(gòu)使之張緊，和驅(qū)動輪使之高速運動，并在一定壓力作用下，使砂帶與工件表面接觸以實現(xiàn)磨削加工的整個過程。

       砂帶磨削是木質(zhì)材料加工技術(shù)中尤為重要的一項。砂光機占木材加工設備總數(shù)的4％左右，而磨削加工占木質(zhì)材料切削加工的30％左右，磨削能耗占總加工能耗的15％ ～25％。

       磨削的主要目的是定厚（尺寸校準）、去除人造板表面的預固化層等，對木質(zhì)材料產(chǎn)品的加工精度、表面質(zhì)量和膠合質(zhì)量具有至關重要的作用。

       目前關于木質(zhì)材料磨削加工的理論不足，磨削工藝參數(shù)和動力配置不合理，從而導致磨削加工能耗高、產(chǎn)品質(zhì)量差及磨削機械設計不合理等問題，急需木質(zhì)材料磨削加工理論研究指導實際磨削生產(chǎn)，以提高材料利用率和產(chǎn)品質(zhì)量，降低生產(chǎn)能耗。

       磨削參數(shù)及木材性質(zhì)都影響磨削力和磨削功率，且木材砂帶磨削過程的變異性較大。用常規(guī)回歸分析法建立經(jīng)驗模型較為困難，適用范圍較窄，需要建立廣泛適用的數(shù)據(jù)模型。

       磨削加工包括滑擦、耕犁和切削3個過程。當工件上的壓力非常小時，磨粒只會擦拭工件表面；當壓力略有增加，砂帶磨削開始耕犁和切削木制品表面?；?、耕犁和切削的比例反映了單位面積砂帶參與磨削磨粒的量，不同的比例也會導致磨削能耗發(fā)生變化?？梢酝ㄟ^合理配置磨削參數(shù)，增加磨削過程中有效切削的比重。但在實際生產(chǎn)中，切削階段只能通過間接的方式測定。磨削力是磨削加工中最基本的輸出信號，幾乎影響所有磨削現(xiàn)象。

       本研究從磨削力做功出發(fā)，采用磨削功率利用率μ（即磨削力做功功率Pst占整個磨削功率Ps的百分比）來間接反映磨削能耗利用效率。

       磨削力包括滑擦、耕犁和切削階段所產(chǎn)生的力，所以磨削力做功基本可以體現(xiàn)磨削過程中材料的彈塑性變形以及切除材料的耗能。若磨削功率利用率大，則可間接說明磨削力做功主要作用于切削階段，即產(chǎn)生材料切除，而滑擦與耕犁階段的磨削熱占總能耗的比例??；若磨削功率利用率小，則可間接說明磨削力做功主要作用于滑擦和耕犁階段，即磨削熱和空氣阻力、噪聲等其他能耗占總能耗的比例大。

       綜上，北京林業(yè)大學應俊華，羅斌等重點研究不同磨削工藝參數(shù)對實際材料去除效率的影響，體現(xiàn)為磨削力做功在整個磨削能耗中的占比，從而優(yōu)化磨削工藝參數(shù)，指導實際生產(chǎn)，提升能源利用效率。

       1 材料與方法

       1.1　試驗材料

       1.2　試驗方法

       1.3　測試方法

       2 結(jié)果與分析

       2.1　砂帶磨削參數(shù)對砂光機空轉(zhuǎn)功率的影響

       對影響砂光機在空轉(zhuǎn)時有功功率（以下簡稱為空轉(zhuǎn)功率）的磨削參數(shù)進行方差分析可知，各參數(shù)對空轉(zhuǎn)功率的影響順序為V＞U＞Ts＞G，砂帶速度和進給速度對空轉(zhuǎn)功率有高度顯著影響，而砂帶磨料粒度和磨削深度與空轉(zhuǎn)功率的相關性不大。對空轉(zhuǎn)功率的直觀分析見圖6。由圖6可知，空轉(zhuǎn)功率隨著砂帶速度和進給速度的增加基本呈線性增加，且增加最明顯的是砂帶速度。改變砂帶速度和進給速度時，空轉(zhuǎn)功率的水平極差分別為0.331和0.069kW，水平極差之比約為5。空轉(zhuǎn)功率的變化規(guī)律反映了試驗所用砂光機的部件電機能耗，即砂帶轉(zhuǎn)動電機功率大于試件進給電機功率。此外，砂帶速度對空轉(zhuǎn)功率的影響較大也與其引起的風阻較大有關，砂帶轉(zhuǎn)動時受到的空氣阻力（f）滿足空氣阻力公式：

       式中：C是阻力系數(shù)，Pa是空氣密度，S是物體有效橫截面積，v是物體移動速度，此處與砂帶速度相同。由式（4）可知，空氣阻力與砂帶速度呈二次方的關系，砂帶速度越大，受到的空氣阻力越大，能量損耗越大。而磨料粒度和磨削深度對空轉(zhuǎn)功率無影響，側(cè)面反映了試驗結(jié)果的穩(wěn)定性和可靠性。

       2.2　砂帶磨削參數(shù)對楊木和紅松Psf和μ的影響

       砂帶磨削參數(shù)對楊木和紅松Psf和μ的影響正交試驗方差分析見表2。由表2可知，4個因素都是高度顯著影響Psf的因素，順序為U＞Ts＞V＞G。磨削參數(shù)對μ影響的大小順序為Ts＞G＞V＞U，其中，G和V為顯著影響因素，提高砂帶磨削木質(zhì)材料的功率利用率，主要從改變Ts、G和V的大小出發(fā)。Ts和G對Psf和μ均為高度顯著影響，這反映了砂帶磨削木質(zhì)材料的影響規(guī)律，隨著Ts的增加，磨削總量增加，每齒切削量增加，磨削力增大，磨削力做功功率增大。而G可反映磨料粒度和磨粒數(shù)目，直接影響每齒切削量，進而影響磨削力，對整個磨削過程的磨削力做功功率產(chǎn)生高度顯著影響。磨削參數(shù)U和V都是Psf的高度顯著影響因素，且僅改變U，對Psf影響最大；此外，U可以影響單位時間內(nèi)磨削木質(zhì)材料的長度，改變U就可改變單位時間內(nèi)的磨削量，影響磨粒每齒切削量，進而影響磨削力和Psf的大小。根據(jù)式（1），V的增大會導致Psf增大， 但是V的增大也會使單位時間內(nèi)磨削木材的總磨粒增多，參與切削的磨粒數(shù)目增加，每齒切削量減少，磨削力減小，從而使Psf值減小。因此，V對Psf的影響小于U。

       順紋磨削時，Ps和G是影響μ的主要因素，V和U則對μ幾乎沒有影響。楊木順紋磨削時，Ts是μ的高度顯著影響因素；而紅松順紋磨削時，Ts的F值只是接近顯著影響因素。斜紋磨削時，楊木斜紋的不同磨削參數(shù)F值大多比紅松斜紋磨削時大。楊木斜紋磨削時，Ts和V是高度顯著影響因素，G和U是顯著因素；紅松斜紋磨削時，Ts和G是高度顯著影響因素，V是顯著因素，U對μ無影響。橫紋磨削時，2種木材的Ts都為高度顯著影響因素；楊木的G為顯著影響因素，紅松的G則對μ無影響；紅松與楊木相比，改變磨削參數(shù)U和V時，紅松對μ的影響更小。μ在楊木順紋、斜紋和橫紋磨削時得到的總數(shù)據(jù)中的極差分別為0.148，0.195和0.158；在紅松順紋、斜紋和橫紋磨削時分別為0.149，0.183和0.168。因此，改變磨削參數(shù)時，μ的總改變量從大到小依次為楊木斜紋、紅松斜紋、紅松橫紋、楊木橫紋、紅松順紋、楊木順紋。對于同種木材，μ值的變化量：斜紋＞橫紋＞順紋。楊木磨削時，μ的改變量略大于紅松。紅松的密度和表面硬度都比楊木大，且紋理排列更單一，同種磨削參數(shù)磨削時，硬度和密度更小的木材μ 值的變化量更大。磨削參數(shù)對Psf影響的直觀分析圖見圖7。由圖7可知，Psf的值隨各參數(shù)值的增大而增大。G對Psf值的影響，除順紋磨削時僅有60目1個拐點；斜紋及橫紋磨削時分別在60和100目都有2個拐點。隨著U的增大，Psf逐漸增大，且增大的速度也逐漸增加。隨著磨削參數(shù)V和Ts的增加，Psf基本呈直線增大。在不同紋理時的最大值不同，楊木順紋、斜紋和橫紋磨削時的Psf最大值分別為0.34，0.26和0.24kW；紅松順紋、斜紋和橫紋磨削時的Psf最大值分別為0.35，0.32和0.23kW。磨削力做功功率大小順序為順紋、斜紋、橫紋。磨削參數(shù)對μ影響的直觀分析見圖8。由圖8可知，隨著磨削參數(shù)Ts的增加，μ呈下降趨勢；Ｇ增大時，μ的值也基本呈下降趨勢，斜紋和橫紋磨削時，在60和100目處有2個拐點，紅松順紋磨削時僅有100目1個拐點，楊木順紋磨削時則無拐點；磨削參數(shù)Ｕ增加時，μ呈先減小后增大的凹形；磨削參數(shù)Ｖ增加時，μ基本呈上升趨勢。這表明順紋磨削時，采用40目砂帶更有利于提高磨削功率的利用率，而斜紋和橫紋磨削時采用60目砂帶更優(yōu)。采用高速磨削可提高磨削功率的利用率，使用最高進給速度或最低進給速度可稍微提高μ值；在同樣的磨削條件下，隨著Ts的增加，μ在整體上呈降低趨勢，Ts越大，實際磨削深度與設定厚度偏差越大。此外，磨削不同的樹種，在不同紋理方向下，最高磨削效率都不相同。根據(jù)各紋理方向下的μ數(shù)據(jù)匯總，楊木順紋、斜紋和橫紋磨削時的μ平均值分別為0.425，0.442和0.510，紅松順紋、斜紋和橫紋磨削時的μ平均值分別為0.366，0.542和0.420。磨削效率的高低順序為紅松斜紋、楊木橫紋、楊木斜紋、楊木順紋、紅松橫紋、紅松順紋。楊木磨削效率順序（橫紋＞斜紋＞順紋） 與前人研究結(jié)果相同，而紅松則為斜紋＞橫紋＞順紋。紅松斜紋磨削效率更高，這是因為針葉材的紋理相比楊木這類闊葉材更通直。對各磨削參數(shù)下μ的直觀分析，可得最佳功率利用率（高磨削效率）的磨削方案為：磨削深度0.1mm，砂帶速度10.74m/s，進給速度5.16m/min，磨料粒度60目，楊木橫紋磨削，紅松斜紋磨削。經(jīng)計算，平均功率利用率45％，最大功率利用率78％，最小功率利用率21％。

       2.3　楊木砂帶磨削參數(shù)的BP（back propagation）神經(jīng)網(wǎng)絡建模　　

       本研究采用單隱層的BP神經(jīng)網(wǎng)絡系統(tǒng)對楊木的紋理、磨削參數(shù)與Psf和μ2種表征量之間的非線性關系建立仿真模型，該中間層神經(jīng)元數(shù)目（隱層節(jié)點數(shù)）可以根據(jù)kolmogorov定理選擇：

       式中：m是隱層節(jié)點數(shù)；n是輸入節(jié)點數(shù)；l是輸出節(jié)點數(shù)；a是1～10間的常數(shù)。具有單隱層的BP神經(jīng)網(wǎng)絡可以映射所有連續(xù)函數(shù)，只有當學習不連續(xù)函數(shù)時才需要2個隱層。因此，本試驗選用單隱層的BP神經(jīng)網(wǎng)絡。增加隱層節(jié)點數(shù)，網(wǎng)絡從樣本中獲得信息的能力會有所提高；但如果隱層節(jié)點數(shù)過多，網(wǎng)絡又可能把樣本中非規(guī)律性的內(nèi)容（如噪聲）記牢，反而降低了泛化能力，也會使訓練時間增加。當樣本數(shù)固定時，較少的隱層節(jié)點數(shù)可能無法表達所有的樣本規(guī)律。當樣本數(shù)目過少時，有較多隱層節(jié)點數(shù)的神經(jīng)網(wǎng)絡得不到有效訓練。經(jīng)過反復測試，本試驗的隱層最終選用3節(jié)點。輸入層（Ｇ、Ｕ、Ｖ、Ts和λ）是五維的向量，所以輸入層為五節(jié)點。輸出2個結(jié)果（Psf和μ）為二維，所以輸出層為兩節(jié)點。BP神經(jīng)網(wǎng)絡的基本架構(gòu)和調(diào)用函數(shù)通過以下代碼完成：

       其中，“threshold”規(guī)定輸入向量的最小值（0）和最大值（1），“tansig” 為網(wǎng)絡中間層傳遞函數(shù)tansig（），輸出層傳遞函數(shù)為對數(shù)函數(shù)logsig（），訓練函數(shù)為trainlm（）。木質(zhì)材料磨削過程影響結(jié)果比較復雜，適當增加訓練次數(shù)和減小學習速率，可以提高訓練準確度。網(wǎng)絡訓練次數(shù)設置為1000次，學習速率設置為0.01，訓練目標誤差為0.001（0.1％），訓練代碼如下：

       將歸一化后的試驗參數(shù)和結(jié)果輸入到代碼中，得到訓練代碼并訓練。進行BP神經(jīng)網(wǎng)絡預測，然后繪制預報誤差曲線，訓練代碼如下：

       BP神經(jīng)網(wǎng)絡的模擬結(jié)果見圖9。由圖9a可知，設置期望誤差為0.001，實際1000次訓練后可得均方誤差為0.004 692 8；圖9b顯示了神經(jīng)網(wǎng)絡輸出值與目標值（T）之間的擬合結(jié)果，可知：擬合結(jié)果的置信度約為92％，可以滿足預測的基本要求；圖9c為預測時網(wǎng)絡輸出結(jié)果與原數(shù)據(jù)的模擬誤差值，可以看出，最大誤差約為7％。

       模擬值與測量值的結(jié)果比較見表３。表３ 中Psf和μ表示測量值，Psf２和μ２表示模擬值。Psf的最大相對誤差為10.1％，平均誤差為6.4％；μ的最大相對誤差為12.6％，平均誤差為8.3％，完全可以滿足砂帶磨削楊木時Psf和μ的預測需要。本次預測時間小于2s，因此，BP神經(jīng)網(wǎng)絡系統(tǒng)減少了分析計算時間。由于木材材質(zhì)本身的各向異性和多孔性，磨削結(jié)果跟金屬等材料有很大區(qū)別，木材磨削中有測量結(jié)果誤差大和數(shù)據(jù)噪聲大等缺點，因此，建立Psf和μ的理論與經(jīng)驗模型較難。而BP神經(jīng)網(wǎng)絡具有良好的非線性映射能力、泛化能力和容錯能力，可以滿足木質(zhì)材料磨削的實際建模和預測。

       結(jié) 論

       １）磨削參數(shù)對Psf的影響順序為Ｕ＞Ts＞Ｖ＞Ｇ，且都為高度顯著影響因素，對μ的影響順序為Ts＞Ｇ＞Ｖ＞Ｕ，Ts為高度顯著影響因素，G和V為顯著影響因素。因此，提高砂帶磨削木質(zhì)材料的功率利用率，主要考慮改變Ts、G和V3個磨削參數(shù)。

       ２）Ts和G是影響Psf和μ的高度顯著影響因素，Ts的影響最大，G次之。木材紋理對μ的影響，楊木磨削時從大到小依次為橫紋、斜紋、順紋，而紅松則為斜紋、橫紋、順紋。

       ３）最佳功率利用率（高磨削效率）的磨削方案為：磨削深度0.1mm，砂帶速度10.74m/s，進給速度5.16m/min，磨料粒度60 目，楊木橫紋磨削，紅松斜紋磨削。平均功率利用率45％，最大功率利用率78％，最小功率利用率21％。

       ４）采用BP神經(jīng)網(wǎng)絡建立楊木的Psf和μ仿真模型，擬合結(jié)果的置信度約為92％，實際預測中Psf的平均誤差為6.4％，μ的平均誤差為8/3％，可以滿足預測的基本要求。

       該文發(fā)表于《林業(yè)工程學報》2019年第3期。