一种机械加工能量效率的切削参数优化方法
【专利摘要】本发明公开了一种机械加工能量效率的切削参数优化方法，包括以下步骤：根据数控机床切削过程建立数控机床的切削参数优化模型，根据数控机床的性能和加工要求建立切削参数优化模型的约束条件，利用改进的多目标教与学优化算法分别求解上述步骤建立的切削参数优化模型和切削参数优化模型的约束条件，得到优化后的切削参数，其中算法中的科目成绩为数控机床的切削速度v、进给速度为f、切削深度为ap，学员X为拥有这三个科目成绩(v,f,ap)的个体，即X＝(v,f,ap)，班级为学员数量为NP的群体，其中NP是随机整数。本发明能够高效地考虑加工能耗去优化机械加工切削参数，由此解决切削参数优化过程中现存的技术问题。
【专利说明】一种机械加工能量效率的切削参数优化方法
【技术领域】
[0001] 本发明属于机械切削加工领域，更具体地，涉及一种机械加工能量效率的切削参 数优化方法。
【背景技术】
[0002] 数控技术是当今先进制造装备行业的核心技术，在数控加工过程中切削参数的合 理选择可节约能耗和资源、提高生产效率，从而提升企业经济效益和增强竞争力。然而，目 前我国多数数控加工企业还凭经验、参考手册、通过试切来选择切削参数，往往难以实现加 工能量效率最优化。随着现代智能优化算法、切削理论、数学建模和模型分析方法的不断发 展完善，通过优化切削参数提高加工效率、减少能量消耗成为研究的热点。在切削参数优化 模型上也有新的研究，除了将加工成本和工时作为优化目标外，更关注于机床的能耗研究。 然而，均是从整个机床加工能耗作为目标进行研究，能耗随时间的增加而增加，不可避免地 与生产率或者加工时间重复考虑。另外，对于切削参数优化的算法均采用元启发式算法，这 些算法的参数设置对求解结果有较大影响。而且，现有技术在模型求解时，极少采用基于非 支配解排序的多目标算法（如多目标教与学优化算法）求解切削参数优化问题。
【发明内容】
[0003] 针对现有技术的以上缺陷或改进需求，本发明提供了一种机械加工能量效率的切 削参数优化方法，其目的在于，更高效且更好地考虑加工能耗去优化机械加工切削参数，由 此解决切削参数优化过程中现存的技术问题。
[0004] 为实现上述目的，按照本发明的一个方面，提供了一种机械加工能量效率的切削 参数优化方法，包括以下步骤：
[0005] (1)根据数控机床切削过程建立数控机床的切削参数优化目标函数；
[0006] (2)根据数控机床的性能和加工要求建立切削参数优化模型的约束条件；
[0007] (3)利用改进的多目标教与学优化算法求解步骤（1)和（2)建立的切削参数优化 模型，得到优化后的切削参数，其中算法中的科目成绩为数控机床的切削速度V、进给速度 f、切削深度\，学员X为拥有这三个科目成绩（v，f，ap)的个体，即X= (v，f，ap)，班级为学 员数量为NP的群体，其中NP是随机整数。
[0008] 优选地，步骤（1)具体包括以下子步骤：
[0009] (1-1)根据数控机床刀具的切削速度V、进给速度f、以及切削深度ap建立数控机 床加工过程中的能量消耗目标函数：
[0010]
【权利要求】
1. 一种机械加工能量效率的切削参数优化方法，其特征在于，包括以下步骤： (1) 根据数控机床切削过程建立数控机床的切削参数优化目标函数； (2) 根据数控机床的性能和加工要求建立切削参数优化模型的约束条件； (3) 利用改进的多目标教与学优化算法求解步骤（1)和（2)建立的切削参数优化模型， 得到优化后的切削参数，其中算法中的科目成绩为数控机床的切削速度V、进给速度f、切 削深度ap，学员X为拥有这三个科目成绩（v，f，ap)的个体，即X= (v，f，ap)，班级为学员数 量为NP的群体，其中NP是随机整数。
2. 根据权利要求1所述的切削参数优化方法，其特征在于，步骤（1)具体包括以下子步 骤： (1-1)根据数控机床刀具的切削速度V、进给速度f、以及切削深度Elp建立数控机床加 工过程中的能量消耗目标函数：
其中P为总功率损耗，a为负载功率损耗的比例系数，Vkpk2为空载功率的拟合系 数，m、n、t为切削功率的经验模型的指数，k为切削功率经验模型的系数，d为工件切削直 径。 (1-2)根据数控机床刀具的切削速度V、进给速度为f、以及切削深度Elp建立数控机床 加工过程中的加工效率目标函数：
其中trt为换刀时间，N为主轴转速，T为数控车床的刀具寿命，y+△为刀具的入切量和 超切量，Itl为工件的粗略切削长度，1为切削实际长度。
3. 根据权利要求2所述的切削参数优化方法，其特征在于，步骤（2)包括以下子步骤： (2-1)确定数控机床切削速度V的约束条件： Vmin^V^Vmax, 其4
转速N则是由机床性能决定的； (2-2)确定数控机床进给速度f?的约束条件： fmin^f^fmax 其中？_和分别为数控机床的最小进给量和最大进给量； (2-3)确定数控机床切削深度ap的约束条件： ^pmin ^ ^ ^pmax 其中apmin和ap_分别为数控机床的最小背吃刀量和最大背吃刀量； (2-4)确定数控机床功率P。的约束条件：
其中Pcmx为数控机床的最大有效切削功率，n为数控机床的传动系数； (2-5)确定数控机床切削力Fx的约束条件： Fx=YVufba\< FmaxS数控机床的最大主切削力，a、b、c为数控机床切削力的经验模型的指数，Y为数 控机床切削力的经验模型的系数； (2-6)确定数控机床的加工工件表面粗糙度的约束条件：
其中Rmax为数控机床的最大加工表面的粗糙度，rE为数控车刀的刀尖圆弧半径。
4.根据权利要求3所述的切削参数优化方法，其特征在于，步骤（3)包括以下子步骤： (3-1)对班级中学员的科目成绩进行初始化： <=<+_(1(0，1>(.<-<)，其中」_为学员的序号，1为科目成绩的序号，且」_ = 1，2,…，NP,i= 1，2, 3,其中xf和#分别表示第i个科目成绩的上下限，x/为第j个学员 的第i科目成绩。 (3-2)将初始化后的各学员的科目成绩带入步骤（1)提出的两个目标函数进行评价， 以得到NP组评价值，评价值中包括各个学员的加工能量消耗值和加工时间效率值； (3-3)从NP组评价值中找出加工能量消耗最小的一个评价值Pmin和加工时间效率最高 的一个评价值TMin作为一组目标评价组合，并根据NP组评价值和目标评价组合分别计算第 j个学员的相对误差平方和RE^计算公式如下：
(3-4)将步骤（3-3)中获得的最小RE值所对应的学员作为老师Xteacto，班级中各学员 根据老师Xteaehe,和所有学员各科目的平均值mean之间的差异性difference进行学习，以 得到新学员Xnrat，具体采用以下公式： Xjnew = X^difference difference=rand(0, 1) ? (Xteacher-TF?mean) 其中TF表示教学因子，且：
其中为第j个学员的第i个科目对应的教学因子，Xteacto^为Xteacto所对应的第i个科目值。 (3-5)将步骤（3-4)获得的新学员足^和旧学员f进行合并后，进行非支配解排序，排 序完成后选取前NP个学员组成新的班级； (3-6)在步骤（3-5)获得的新的班级中随机选取一个学员，对该学员与班级中剩余学 员中的任一个进行差异性学习，以形成新的班级：
其中Iiw和f表示学员j向学员h学习后和学习前； (3-7)对步骤（3-6)获得的新的班级中的每一个学员进行自学，其自学方式为：
若自学后得到学员的评价值较自学前的评价值优，则用其替换自学前该学员的各科目 值，否则保留自学前该学员的科目值，从而形成新的班级。 (3-8)循环以上步骤（3-2)至（3-7)，直至达到预置的迭代次数为止，从而得到新的班 级； (3-9)对步骤（3-8)得到的班级学员对应的评价值进行非支配解排序，并选取排序为1 的评价值组成非支配解集； (3-10)对步骤（3-9)得到的非支配解进行分段处理，采用层次分析法对分段处理结果 进行决策，以获得最终的切削参数组合。
5. 根据权利要求4所述的切削参数优化方法，其特征在于，步骤（3-5)中，只有当一个 学员的数控机床加工过程中的能量消耗和加工时间均小于另一学员时，该学员才被另一个 学员支配，否则该学员为非支配解。
6. 根据权利要求4所述的切削参数优化方法，其特征在于，步骤（3-6)中，若学习后的 评价值较优则将其与学习前的各科目值替换掉，以形成新的学员群体。
7. 根据权利要求4所述的切削参数优化方法，其特征在于，预置的迭代次数为100至 1000 次。
【文档编号】G05B19/418GK104267693SQ201410487219
【公开日】2015年1月7日 申请日期:2014年9月22日 优先权日:2014年9月22日
【发明者】周志恒, 张超勇, 邵新宇, 罗敏, 刘红奇, 毛新勇, 谢阳, 黄拯滔, 林文文, 金亮亮 申请人:华中科技大学