7] 式中：--工序的切削时间；
[0158] tct一一换刀一次所消耗的时间；
[0159] T--刀具耐用度；
[0160] tn/T--换刀次数；
[0161] tot--换刀过程之外的辅助时间。
[0162] 工序的切削时间为
[0164] 刀具耐用度公式为
[0166] 式中：CT--系数，与工件材料、切削条件以及刀具本身相关；
[0167] X，y，u，w，q-一指数，分别代表各铣削用量对刀具耐用度的影响程度。
[0168] 由以上关系式可以推导出零件加工过程的时间函数为
[0170] 式中：d是刀具直径，Z为刀齿数，tet是换刀一次所消耗的时间，C τ是系数，与工件 材料、切削条件以及刀具本身相关，X，y，u，w，q为指数，分别代表各铣削用量对刀具耐用度 的影响程度，是换刀过程之外的辅助时间。
[0171] 对多目标问题进行求解时，几个目标同时实现最优往往是很难的，而不同的优化 目标的具有不同的量纲和意义，例如本发明优化的机床加工过程的能耗和时间。在这种情 况下，化多为少是优化中常用的一种技巧，即将多目标优化问题通过合理的方法转换为单 目标优化问题。赋权值法是解决该问题是经常用到的一种方法。本发明的优化目标是车床 加工的能耗最小和加工时间最短，具体方法是将能耗和时间进行归一化后再加权求和，并 另加权求和后的值最小。对应的单目标优化函数为
[0173] 式中：wJP w 2是权重系数，且w Aw2= 1。V c是切削速度，f t是每齿进给量，a p是切 削深度，是切削深度，t/是经过归一化处理的时间函数，是经过归一化处理的能耗目 标函数。
[0174] 由于时间函数1与能耗目标函数E量纲不同，两者不能进行求和运算，可对两个 模型归一化处理，具体处理方法如下
[0177] 式中：t:为归一化处理后的零件加工过程的时间函数；t _"和t w_是仅对加工时 间优化的最小和最大值。笔为归一化处理后的切削总能耗；E,&_和E 是仅对加工能 耗优化的最小和最大值。
[0178] 归一化后的单目标优化函数模型为
[0180] 4)以归一化处理后的零件加工过程的时间函数t/和切削总能耗遽的加权和为优 化目标，采用改进的遗传算法对优化目标进行求解，获得最优的切削参数。
[0181] 优化过程中，按照遗传算法的操作步骤进行多次的迭代寻优，直至满足结束条件 时，如图4所示，为遗传算法的赋权值优化步骤。
[0182] 轮盘赌选择策略随机的对个体进行选择，有利于保持种群个体的随机性，避免优 化过程中遗传算法出现局部最优解。锦标赛选择策略将种群个体中的劣解淘汰，保证了遗 传算法的优化效率。针对以上两种选择策略，提出一种锦标赛-轮盘赌的选择方法，既可以 保证算法的搜索效率，又可以提高种群的多样性。首先是要用锦标赛选择法对种群个体中 的劣解进行淘汰，在淘汰的过程中淘汰率的设定影响遗传散发的有效性。如果淘汰率太高， 选择出的大部分个体就会被淘汰，那么遗传算法就很有可能陷入局部收敛；如果淘汰率的 设定太低，那么锦标赛-轮盘赌的选择策略就会跟轮盘赌的选择策略基本相同。
[0183] 所以采用锦标赛-轮盘赌选择方法进行种群选择操作，锦标赛-轮盘赌选择方法 的具体步骤如下：
[0184] 步骤4. 1、设种群的数量为h，计算每个种群单位C,的相对适应度R,，j = {1，2，···， h}；
[0185] 步骤4. 2、根据每个单位的相对适应度1^对C ,进行排序，设定淘汰率，淘汰相对适 应度低的单位；
[0186] 步骤4. 3、在[0, R]范围内随机产生h组随机数，按照轮盘赌的方法，与产生的随 机数相对应的相对适应度的个体即为选中的个体，其中R为步骤4. 2中未被淘汰个体的相 对适应度的和。
[0187] 假设原始种群的规模为7,求出各个种群单位的相对适应度R1，如图5_(a)所示； 按照相对适应度的大小进行排序后，设置一定的淘汰率，如25 %，则会淘汰CjP (：5这两个个 体，如图5-(b)所示；最后，采用轮盘赌选择方法对剩余的个体进行选择，如图5-(c)所示， 新的种群个体为C 6、C6、C3、C3、C7、C 4、(：4和C 1D
[0188] 5)采用优化后所获得的切削参数对工件进行切削加工。
[0189] 在赋权值优化过程中，选取种群的大小为30。其中，切削速度、每齿进给量、轴向切 削深度以及径向切削深度的二进制编码的位数分别为4位、4位、3位和3位，总共14位。遗 传算法的进化代数选择为100,种群的交叉率设置为0.8,变异率设置为0.05。在锦标赛-轮 盘赌的选择策略中，锦标赛的淘汰概率为25%，尺度变换函数中的尺度变换因子scale为 0.01。在MATLAB环境下，对机床加工过程的优化结果如表4所示，目标函数收敛曲线如图 6所示（时间权重0. 5)。当时间权重为0时，即只优化加工过程中的能耗，其中最小加工 能耗为600. 58kJ。当时间权重为1时，即只对加工过程的时间进行优化，其中最小时间为 1154. 11s，相比最小加工能耗的加工时间1845. 86s，减少了约700s，明显的缩短了加工过 程的时间。
[0190] 表4赋权值优化结果
【主权项】
1. 一种基于通用切削能耗模型的加工参数优化方法，其特征在于其包括以下步骤： 步骤1、分析铣削、车削、钻削过程中能耗特性，建立上述加工方式的通用切削能耗模 型： E=SEC·V+PairAtair (1) 对于每次走刀则有E^SEC-V.+P^-At^ (2) 其中，E是切削能耗；V是去除材料的体积；Pall^空切削功率；Λt_是空切削过程时 间；角标i为走刀的序号，E1、SEC1、V1、Pal"、Λtal"分别为第i次走刀对应的E、SEC、V、Pall^、 tair;(3) 其中，P_nai是切削阶段功率;MRR是材料去除率；k1是实验获得的常系数；η为主轴转 速；k2是切削过程中与机床类型有关的功率常系数；k3是切削过程中与机床类型有关的常 数；k4=Pstandby+Pfluid+a是切削过程中的常系数；Pstandby是机床待机功率；Pfluid是切削液消 耗功率；a是实验获得的功率常数； Palr=Pstandby+Pfiuld+kin+a+k5f+b f是进给速率，k5、b是进给电机功率常系数； 步骤2、根据公式（2)确定铣削、车削、钻削过程中切削总能耗：(4) 其中，切削总能耗;m是加工过程中的走刀次数； 步骤3、建立零件加工过程的时间函数tw，分别将零件加工过程的时间函数1和切削总 能耗E,&进行归一化处理，得到归一化处理后的零件加工过程的时间函数t/和切削总能耗 E' 步骤4、以归一化处理后的零件加工过程的时间函数t/和切削总能耗￡.的加权和为 优化目标，采用改进的遗传算法对优化目标进行求解，获得最优的切削参数。2. 根据权利要求1所述的一种基于通用切削能耗模型的加工参数优化方法，其特征在 于步骤3所述的建立零件加工过程的时间函数tw如下： f5) ......-c^ j： p e：........-…乂：' 式中，d是刀具直径；Z为刀齿数；是换刀一次所消耗的时间；CT是系数，与工件材 料、切削条件以及刀具本身相关；X、y、u、w、q为指数，分别代表各铣削用量对刀具耐用度的 影响程度；1^是换刀过程之外的辅助时间；V。是切削速度；ft是每齿进给量；ap是轴向切削 深度&是径向切削深度。3. 根据权利要求2所述的一种基于通用切削能耗模型的加工参数优化方法，其特征在 于步骤3所述的将零件加工过程的时间函数tw进行归一化处理的过程如下：(6) 式中，t/为归一化处理后的零件加工过程的时间函数；tgdPt_x是仅对加工时间优 化的最小和最大值。4. 根据权利要求3所述的一种基于通用切削能耗模型的加工参数优化方法，其特征在 于步骤3所述的将切削总能耗Es进行归一化处理的过程如下：(7) 式中，为归一化处理后的切削总能耗；E,&_和E,&_是仅对加工能耗优化的最小和 最大值。5. 根据权利要求4所述的一种基于通用切削能耗模型的加工参数优化方法，其特征在 于步骤4所述的优化目标如下：式中，wJPw2是权重系数，且wAwf1。
【专利摘要】一种基于通用切削能耗模型的加工参数优化方法，涉及一种加工参数优化方法，具体涉及一种考虑机床切削能耗的加工参数优化方法。为了解决现有的注重加工效率的切削加工方法导致的机床产生能耗过多的问题，本发明首先分析铣削、车削、钻削过程中能耗特性，建立每次走刀的通用切削能耗模型Ei＝SECi·Vi+Pairi·△tairi；确定铣削、车削、钻削过程中切削总能耗然后将零件加工过程的时间函数tw和切削总能耗E总进行归一化处理，得到归一化处理后的零件加工过程的时间函数tw*和切削总能耗；以归一化处理后的零件加工过程的时间函数tw*和切削总能耗的加权和为优化目标，采用改进的遗传算法对优化目标进行求解，获得最优的切削参数。本发明适用于加工参数的优化。
【IPC分类】G05B17/02
【公开号】CN105259791
【申请号】CN201510786014
【发明人】闫纪红, 李林
【申请人】哈尔滨工业大学
【公开日】2016年1月20日
【申请日】2015年11月16日