专利名称：一种重型机床切削参数的优化方法
技术领域：
本发明涉及机床的加工参数优化方法，特别是一种重型机床切削加工中最佳切削参数的优化方法，属于机械加工工艺领域。
背景技术：
重型数控机床主要用于大型、特大型零部件加工，是为国防军工、航天航空、船舶、 能源(发电)、冶金等主要工业支柱产业以及国家重点工程项目服务。重型机床的成本及所希望的服役期都较大区别于普通机床，因此，为了充分地利用重型机床的加工特性，合理选择切削用量是金属切削加工过程中一个很重要的环节，特别是当前高速发展的经济对加工制造业有了更新更高的要求，随着新材料、新技术、新工艺的不断涌现，工艺参数优化研究在朝着高性能、高功能、高智能方向发展。而当前，随着数控机床的普及与使用，切削过程中加工参数的设置更显的灵活和精确。特别是近代随着新工艺和材料等科学的发展，对机床的加工特性有更具有不同于传统意义的要求，这样，合适的加工参数对于保证加工质量、降低加工成本和提高生产效率都具有重要的意义。但机床在使用一段时间后，会出现零部件的磨损、老化、腐蚀等造成机床加工精度衰退、加工质量差等现象，原来的加工工艺参数已经不适应机床当前的固有特性和工作状态，需要根据目前的机床工作状态来重新优化选择加工工艺参数。通过优化重型机床加工过程的工艺参数组合来达到提高机床加工性能的目的。通过合适的简化模型，利用恰当的分析方法得到参数的最佳组合，为加工参数的合理选择提供了科学的方法，同时避免了查手册或经验选择参数的局限性。当前对于切削参数优化的实现方法有基于试验、基于优化算法与专家系统、基于有限元分析、基于机械动力学等，但基于上述方法对工艺参数优化的求解往往有些局限性， 比如试验法依托生产实际，切合实际需要，但效率低、劳动量大、成本高；优化算法及专家系统效率高，试验少，但对模型和算法本身的依赖程度高；有限元分析可以达到虚拟仿真效果，并获得技术指标多，但较多依赖理论和经验；机械动力学基于理论和实验，可达到精度高，但数据处理复杂。根据前文可知，切削参数优化是一个多目标多约束过程，工程中针对这类问题常采用的处理方式是利用惩罚函数法把有约束问题变为无约束问题，采用权重叠加法把多目标问题转化为单目标问题，经过这样转化可以获得一个目标评价函数，而且在求解这一过程中设计一个高效高性能的优化算法直接关系到结果的精度。遗传算法(简称GA)，主要思想是模仿生物进化过论与遗传学，由Michigan大学的J. Holland教授1975年提出，本算法是一种全局优化算法，具有很强的全局搜索能力，简单通用、鲁棒性强、适于并行处理，理论成熟等优点，但算法效率有待提高，特别是后期易陷入局部最优解。Eberhart和Kennedy早在1995年共同提出的粒子群算法,其基本思想是受他们早期对许多鸟类的群体行为进行建模和仿真研究结果的启发。每一个粒子代表需要优化的变量集合，而重型机床切削优化的变量集合一般包括主轴转速、进给速度、切削深度等。粒子群算法原理简单、搜索速度快，但前期容易“早熟”。根据“No Free Lunch”理论两种算法在某类问题的求解中性能会有差异，但对所有问题集两种算法的平均性能应该是相同的。因此将两种算法融合在一起，取长补短，以实现全局优化的目的。
发明内容
本发明针对现有技术中存在的问题，提出一种重型机床切削参数的优化方法，利用混合粒子群方式选择出最优的切削参数，解决目前的优化方法效率低、精度不高的问题。实现本发明的目的所采用的具体技术方案为一种重型机床切削参数的优化方法，具体包括如下步骤(I)根据重型机床切削过程建立目标评价函数，同时，以额定功率、最大进给力、最大扭矩以及切削参数范围作为约束，根据该目标评价函数和约束，确定出切削参数优化模型。目标评价函数为多目标的评价函数，其中目标包括加工工时、加工成本、加工质量和加工稳定性。(2)利用所述的切削优化模型和约束，获得最佳切削参数集合和最优的评价函数值，具体为(2. I)将重型机床切削优化模型中的目标函数和约束转换成一个单目标函数，即目标评价函数。(2. 2)根据所述目标评定函数以及机床参数利用混合粒子群对切削优化模型进行求解，得到重型机床的最佳切削参数集合和相应的评价函数值，完成切削参数的优化。对重型机床切削优化模型进行求解的具体过程为(2.2. I)设定粒子种群数，随机初始化粒子，并根据所述目标评价函数，求出每一个粒子的评价函数值，并由此确定初始粒子种群的个体极值和全局极值；(2. 2. 2)确定粒子进化代数，并根据进化代数进行进化，即进行粒子的速度和位置更新；(2. 2. 3)根据目标评价函数，判定当前粒子群中的最优极值和全体极值；并判别迭代次数，当迭代次数达到最大迭代次数时继续步骤(2. 2. 4)，否则转到步骤(2. 2. 2)；(2.2.4)输出最优粒子的全局最优位置和最优解。本发明所述步骤(2. 2. 2)中，根据进化代数值选择不同的进化策略进行进化，具体为进化代数值为偶数代时，用遗传算子对粒子进行位置和速度更新，进化代数值为奇数代时，用粒子飞行算子进行粒子的速度和位置更新。本发明所述步骤(2. 2. 2)进行进化后，如果进化后的粒子在搜索最优解过程中的聚集程度小于预先设定的阀值时，在粒子种群中的随机选择一部分粒子进行高斯变异处理。本发明根据机床加工过程的实际情况，提出以加工工时、加工成本、加工质量和加工稳定性为优化目标的模型，采用混合遗传和粒子群优化方法对模型进行求解，以适应切削优化模型的非线性、多极值、多目标、多约束的特点。本发明在解决优化问题的效率和精度上都达到了一定的高度，可以用于重型机床的切削参数优化。
图I是切削参数优化的流程框架图。
图2是混合粒子群优化的原理图。图3是混合粒子群优化的流程图。图4表面粗糙度的计算示例图。图5机床切削稳定性极限图。图6机床动态特性参数拟合曲线图。图7切削模型参数拟合曲线图。具体实施方法以下结合附图对本发明作进一步的说明。本发明的切削参数优化方法具体包括如下步骤1.根据重型机床切削过程建立重型机床的切削参数优化模型首先，根据重型机床切削过程建立包括加工工时、加工成本、加工质量和加工稳定 性的多目标评价函数，同时，以额定功率、最大进给力、最大扭矩，切削参数范围作为约束， 根据该多目标评价函数和约束，确定出切削参数优化模型。其中，各目标的建立过程如下(1. 1)加工工时tw tw = tm+th+tot ；
权利要求
1.一种重型机床切削参数的优化方法，具体包括如下步骤(I. D根据重型机床切削过程建立多目标评价函数，同时，以额定功率、最大进给力、最大扭矩以及切削参数范围作为约束，根据该多目标评价函数和约束，确定出重型机床的切削参数优化模型；(I. 2)利用所述的切削参数优化模型和约束，获得最佳切削参数集合和最优的评价函数值，具体为(1.2. I)将重型机床切削优化模型中的多目标评价函数和约束转换成一个单目标评价函数；(I. 2. 2)根据所述单目标评价函数以及机床参数利用混合粒子群对所述切削优化模型进行求解，得到重型机床的最佳切削参数集合和相应的评价函数值，完成切削参数的优化。
2.根据权利要求I所述的重型机床切削参数的优化方法，其特征在于，所述的步骤 (1.2.2)中，对重型机床切削优化模型进行求解的具体过程为(2. I)设定粒子种群数，随机初始化粒子，并根据所述单目标评价函数，求出每一个粒子的评价函数值，并由此确定初始粒子种群的个体极值和全局极值；(2. 2)确定粒子进化代数，并根据进化代数进行进化，即进行粒子的速度和位置更新；(2. 3)根据所述单目标评价函数判定当前粒子群中的最优极值和全体极值，并判别迭代次数，当迭代次数达到设置的迭代次数时继续步骤(2. 4)，否则转到步骤(2. 2)循环执(2. 4)输出最优粒子的全局最优位置和最优解，即得到机床的的最佳切削参数集合和相应的评价函数值。
3.根据权利要求2所述的重型机床切削参数的优化方法，其特征在于，所述步骤(2.2) 中，根据进化代数值选择不同的进化策略进行进化，具体为若进化代数值为偶数代时，用遗传算子对粒子进行位置和速度更新；若进化代数值为奇数代时，用粒子飞行算子进行粒子的速度和位置更新。
4.根据权利要求1-3之一所述的重型机床切削参数的优化方法，其特征在于，所述步骤(2. 2)进行进化后，如果进化后的粒子在搜索最优解过程中的聚集程度小于预先设定的阀值，则在粒子种群中随机选择一部分粒子进行高斯变异处理。
5.根据权利要求1-4之一所述的重型机床切削参数的优化方法，其特征在于，所述的多目标评价函数中的目标包括加工工时、加工成本、加工质量和加工稳定性。
全文摘要
本发明公开了一种重型机床切削参数的优化方法，包括(1)建立机床切削加工的切削优化模型，获取机床技术参数，并根据获取的参数确定优化模型中的约束；(2)利用切削优化模型和约束，获得最佳切削参数集合和最优的评价函数值，具体为(2.1)将重型机床切削优化模型中的目标函数和约束转换成一个单目标函数，即目标评价函数(2.2)利用混合粒子群对切削优化模型进行求解，得到重型机床的最佳切削参数集合和相应的评价函数值。本发明提出以加工工时、加工成本、加工质量和加工稳定性为优化目标，同时根据使用的机床的加工性能参数来建立优化模型，适用于重型机床的切削参数优化。
文档编号G06F17/50GK102609591SQ20121003521
公开日2012年7月25日 申请日期2012年2月16日 优先权日2012年2月16日
发明者吴军, 熊尧, 王远航, 邓超, 邵新宇, 马超 申请人:华中科技大学