專利名稱：一種重型機床切削參數(shù)的優(yōu)化方法
技術(shù)領(lǐng)域：
本發(fā)明涉及機床的加工參數(shù)優(yōu)化方法，特別是一種重型機床切削加工中最佳切削參數(shù)的優(yōu)化方法，屬于機械加工工藝領(lǐng)域。
背景技術(shù)：
重型數(shù)控機床主要用于大型、特大型零部件加工，是為國防軍工、航天航空、船舶、 能源(發(fā)電)、冶金等主要工業(yè)支柱產(chǎn)業(yè)以及國家重點工程項目服務(wù)。重型機床的成本及所希望的服役期都較大區(qū)別于普通機床，因此，為了充分地利用重型機床的加工特性，合理選擇切削用量是金屬切削加工過程中一個很重要的環(huán)節(jié)，特別是當前高速發(fā)展的經(jīng)濟對加工制造業(yè)有了更新更高的要求，隨著新材料、新技術(shù)、新工藝的不斷涌現(xiàn)，工藝參數(shù)優(yōu)化研究在朝著高性能、高功能、高智能方向發(fā)展。而當前，隨著數(shù)控機床的普及與使用，切削過程中加工參數(shù)的設(shè)置更顯的靈活和精確。特別是近代隨著新工藝和材料等科學(xué)的發(fā)展，對機床的加工特性有更具有不同于傳統(tǒng)意義的要求，這樣，合適的加工參數(shù)對于保證加工質(zhì)量、降低加工成本和提高生產(chǎn)效率都具有重要的意義。但機床在使用一段時間后，會出現(xiàn)零部件的磨損、老化、腐蝕等造成機床加工精度衰退、加工質(zhì)量差等現(xiàn)象，原來的加工工藝參數(shù)已經(jīng)不適應(yīng)機床當前的固有特性和工作狀態(tài)，需要根據(jù)目前的機床工作狀態(tài)來重新優(yōu)化選擇加工工藝參數(shù)。通過優(yōu)化重型機床加工過程的工藝參數(shù)組合來達到提高機床加工性能的目的。通過合適的簡化模型，利用恰當?shù)姆治龇椒ǖ玫絽?shù)的最佳組合，為加工參數(shù)的合理選擇提供了科學(xué)的方法，同時避免了查手冊或經(jīng)驗選擇參數(shù)的局限性。當前對于切削參數(shù)優(yōu)化的實現(xiàn)方法有基于試驗、基于優(yōu)化算法與專家系統(tǒng)、基于有限元分析、基于機械動力學(xué)等，但基于上述方法對工藝參數(shù)優(yōu)化的求解往往有些局限性， 比如試驗法依托生產(chǎn)實際，切合實際需要，但效率低、勞動量大、成本高；優(yōu)化算法及專家系統(tǒng)效率高，試驗少，但對模型和算法本身的依賴程度高；有限元分析可以達到虛擬仿真效果，并獲得技術(shù)指標多，但較多依賴理論和經(jīng)驗；機械動力學(xué)基于理論和實驗，可達到精度高，但數(shù)據(jù)處理復(fù)雜。根據(jù)前文可知，切削參數(shù)優(yōu)化是一個多目標多約束過程，工程中針對這類問題常采用的處理方式是利用懲罰函數(shù)法把有約束問題變?yōu)闊o約束問題，采用權(quán)重疊加法把多目標問題轉(zhuǎn)化為單目標問題，經(jīng)過這樣轉(zhuǎn)化可以獲得一個目標評價函數(shù)，而且在求解這一過程中設(shè)計一個高效高性能的優(yōu)化算法直接關(guān)系到結(jié)果的精度。遺傳算法(簡稱GA)，主要思想是模仿生物進化過論與遺傳學(xué)，由Michigan大學(xué)的J. Holland教授1975年提出，本算法是一種全局優(yōu)化算法，具有很強的全局搜索能力，簡單通用、魯棒性強、適于并行處理，理論成熟等優(yōu)點，但算法效率有待提高，特別是后期易陷入局部最優(yōu)解。Eberhart和Kennedy早在1995年共同提出的粒子群算法,其基本思想是受他們早期對許多鳥類的群體行為進行建模和仿真研究結(jié)果的啟發(fā)。每一個粒子代表需要優(yōu)化的變量集合，而重型機床切削優(yōu)化的變量集合一般包括主軸轉(zhuǎn)速、進給速度、切削深度等。粒子群算法原理簡單、搜索速度快，但前期容易“早熟”。根據(jù)“No Free Lunch”理論兩種算法在某類問題的求解中性能會有差異，但對所有問題集兩種算法的平均性能應(yīng)該是相同的。因此將兩種算法融合在一起，取長補短，以實現(xiàn)全局優(yōu)化的目的。

發(fā)明內(nèi)容
本發(fā)明針對現(xiàn)有技術(shù)中存在的問題，提出一種重型機床切削參數(shù)的優(yōu)化方法，利用混合粒子群方式選擇出最優(yōu)的切削參數(shù)，解決目前的優(yōu)化方法效率低、精度不高的問題。實現(xiàn)本發(fā)明的目的所采用的具體技術(shù)方案為一種重型機床切削參數(shù)的優(yōu)化方法，具體包括如下步驟(I)根據(jù)重型機床切削過程建立目標評價函數(shù)，同時，以額定功率、最大進給力、最大扭矩以及切削參數(shù)范圍作為約束，根據(jù)該目標評價函數(shù)和約束，確定出切削參數(shù)優(yōu)化模型。目標評價函數(shù)為多目標的評價函數(shù)，其中目標包括加工工時、加工成本、加工質(zhì)量和加工穩(wěn)定性。(2)利用所述的切削優(yōu)化模型和約束，獲得最佳切削參數(shù)集合和最優(yōu)的評價函數(shù)值，具體為(2. I)將重型機床切削優(yōu)化模型中的目標函數(shù)和約束轉(zhuǎn)換成一個單目標函數(shù)，即目標評價函數(shù)。(2. 2)根據(jù)所述目標評定函數(shù)以及機床參數(shù)利用混合粒子群對切削優(yōu)化模型進行求解，得到重型機床的最佳切削參數(shù)集合和相應(yīng)的評價函數(shù)值，完成切削參數(shù)的優(yōu)化。對重型機床切削優(yōu)化模型進行求解的具體過程為(2.2. I)設(shè)定粒子種群數(shù)，隨機初始化粒子，并根據(jù)所述目標評價函數(shù)，求出每一個粒子的評價函數(shù)值，并由此確定初始粒子種群的個體極值和全局極值；(2. 2. 2)確定粒子進化代數(shù)，并根據(jù)進化代數(shù)進行進化，即進行粒子的速度和位置更新；(2. 2. 3)根據(jù)目標評價函數(shù)，判定當前粒子群中的最優(yōu)極值和全體極值；并判別迭代次數(shù)，當?shù)螖?shù)達到最大迭代次數(shù)時繼續(xù)步驟(2. 2. 4)，否則轉(zhuǎn)到步驟(2. 2. 2)；(2.2.4)輸出最優(yōu)粒子的全局最優(yōu)位置和最優(yōu)解。本發(fā)明所述步驟(2. 2. 2)中，根據(jù)進化代數(shù)值選擇不同的進化策略進行進化，具體為進化代數(shù)值為偶數(shù)代時，用遺傳算子對粒子進行位置和速度更新，進化代數(shù)值為奇數(shù)代時，用粒子飛行算子進行粒子的速度和位置更新。本發(fā)明所述步驟(2. 2. 2)進行進化后，如果進化后的粒子在搜索最優(yōu)解過程中的聚集程度小于預(yù)先設(shè)定的閥值時，在粒子種群中的隨機選擇一部分粒子進行高斯變異處理。本發(fā)明根據(jù)機床加工過程的實際情況，提出以加工工時、加工成本、加工質(zhì)量和加工穩(wěn)定性為優(yōu)化目標的模型，采用混合遺傳和粒子群優(yōu)化方法對模型進行求解，以適應(yīng)切削優(yōu)化模型的非線性、多極值、多目標、多約束的特點。本發(fā)明在解決優(yōu)化問題的效率和精度上都達到了一定的高度，可以用于重型機床的切削參數(shù)優(yōu)化。


圖I是切削參數(shù)優(yōu)化的流程框架圖。
圖2是混合粒子群優(yōu)化的原理圖。圖3是混合粒子群優(yōu)化的流程圖。圖4表面粗糙度的計算示例圖。圖5機床切削穩(wěn)定性極限圖。圖6機床動態(tài)特性參數(shù)擬合曲線圖。圖7切削模型參數(shù)擬合曲線圖。具體實施方法以下結(jié)合附圖對本發(fā)明作進一步的說明。本發(fā)明的切削參數(shù)優(yōu)化方法具體包括如下步驟1.根據(jù)重型機床切削過程建立重型機床的切削參數(shù)優(yōu)化模型首先，根據(jù)重型機床切削過程建立包括加工工時、加工成本、加工質(zhì)量和加工穩(wěn)定 性的多目標評價函數(shù)，同時，以額定功率、最大進給力、最大扭矩，切削參數(shù)范圍作為約束， 根據(jù)該多目標評價函數(shù)和約束，確定出切削參數(shù)優(yōu)化模型。其中，各目標的建立過程如下(1. 1)加工工時tw tw = tm+th+tot ；
權(quán)利要求
1.一種重型機床切削參數(shù)的優(yōu)化方法，具體包括如下步驟(I. D根據(jù)重型機床切削過程建立多目標評價函數(shù)，同時，以額定功率、最大進給力、最大扭矩以及切削參數(shù)范圍作為約束，根據(jù)該多目標評價函數(shù)和約束，確定出重型機床的切削參數(shù)優(yōu)化模型；(I. 2)利用所述的切削參數(shù)優(yōu)化模型和約束，獲得最佳切削參數(shù)集合和最優(yōu)的評價函數(shù)值，具體為(1.2. I)將重型機床切削優(yōu)化模型中的多目標評價函數(shù)和約束轉(zhuǎn)換成一個單目標評價函數(shù)；(I. 2. 2)根據(jù)所述單目標評價函數(shù)以及機床參數(shù)利用混合粒子群對所述切削優(yōu)化模型進行求解，得到重型機床的最佳切削參數(shù)集合和相應(yīng)的評價函數(shù)值，完成切削參數(shù)的優(yōu)化。
2.根據(jù)權(quán)利要求I所述的重型機床切削參數(shù)的優(yōu)化方法，其特征在于，所述的步驟 (1.2.2)中，對重型機床切削優(yōu)化模型進行求解的具體過程為(2. I)設(shè)定粒子種群數(shù)，隨機初始化粒子，并根據(jù)所述單目標評價函數(shù)，求出每一個粒子的評價函數(shù)值，并由此確定初始粒子種群的個體極值和全局極值；(2. 2)確定粒子進化代數(shù)，并根據(jù)進化代數(shù)進行進化，即進行粒子的速度和位置更新；(2. 3)根據(jù)所述單目標評價函數(shù)判定當前粒子群中的最優(yōu)極值和全體極值，并判別迭代次數(shù)，當?shù)螖?shù)達到設(shè)置的迭代次數(shù)時繼續(xù)步驟(2. 4)，否則轉(zhuǎn)到步驟(2. 2)循環(huán)執(zhí)(2. 4)輸出最優(yōu)粒子的全局最優(yōu)位置和最優(yōu)解，即得到機床的的最佳切削參數(shù)集合和相應(yīng)的評價函數(shù)值。
3.根據(jù)權(quán)利要求2所述的重型機床切削參數(shù)的優(yōu)化方法，其特征在于，所述步驟(2.2) 中，根據(jù)進化代數(shù)值選擇不同的進化策略進行進化，具體為若進化代數(shù)值為偶數(shù)代時，用遺傳算子對粒子進行位置和速度更新；若進化代數(shù)值為奇數(shù)代時，用粒子飛行算子進行粒子的速度和位置更新。
4.根據(jù)權(quán)利要求1-3之一所述的重型機床切削參數(shù)的優(yōu)化方法，其特征在于，所述步驟(2. 2)進行進化后，如果進化后的粒子在搜索最優(yōu)解過程中的聚集程度小于預(yù)先設(shè)定的閥值，則在粒子種群中隨機選擇一部分粒子進行高斯變異處理。
5.根據(jù)權(quán)利要求1-4之一所述的重型機床切削參數(shù)的優(yōu)化方法，其特征在于，所述的多目標評價函數(shù)中的目標包括加工工時、加工成本、加工質(zhì)量和加工穩(wěn)定性。
全文摘要
本發(fā)明公開了一種重型機床切削參數(shù)的優(yōu)化方法，包括(1)建立機床切削加工的切削優(yōu)化模型，獲取機床技術(shù)參數(shù)，并根據(jù)獲取的參數(shù)確定優(yōu)化模型中的約束；(2)利用切削優(yōu)化模型和約束，獲得最佳切削參數(shù)集合和最優(yōu)的評價函數(shù)值，具體為(2.1)將重型機床切削優(yōu)化模型中的目標函數(shù)和約束轉(zhuǎn)換成一個單目標函數(shù)，即目標評價函數(shù)(2.2)利用混合粒子群對切削優(yōu)化模型進行求解，得到重型機床的最佳切削參數(shù)集合和相應(yīng)的評價函數(shù)值。本發(fā)明提出以加工工時、加工成本、加工質(zhì)量和加工穩(wěn)定性為優(yōu)化目標，同時根據(jù)使用的機床的加工性能參數(shù)來建立優(yōu)化模型，適用于重型機床的切削參數(shù)優(yōu)化。
文檔編號G06F17/50GK102609591SQ20121003521
公開日2012年7月25日 申請日期2012年2月16日 優(yōu)先權(quán)日2012年2月16日
發(fā)明者吳軍, 熊堯, 王遠航, 鄧超, 邵新宇, 馬超 申請人:華中科技大學(xué)