面向低碳制造的器件加工工艺过程智能优化系统的制作方法

本发明涉及智能控制领域，尤其是涉及一种面向低碳制造的器件加工工艺过程智能优化方法。

背景技术

传统制造主要以生产效率为导向，在将资源转变为产品(服务)的过程中带来巨大能源消耗，对环境造成污染并产生大量的c02排放。全球近1/3的能源消耗以及36％的c02排放是由制造业造成的。可见，制造业已成为能源消耗和碳排放的主要来源之一。

低碳制造是指在制造过程中通过实施可持续制造策略从而降低制造过程二氧化碳排放并提高能量效率和资源利用率的一种制造模式。

然而，目前低碳制造存在诸多难点：一方面，制造工艺复杂，涉及物理参数多，且具有许多约束条件；另一方面，加工设备生产厂家众多，标准不一，难以采用理论模型建立控制模型。此外，对于加工路径选择、需求预测也存在一定的困难。

可见，低碳制造的器件加工工艺过程优化不仅表现在控制系统具有多输入、多输出的强藕合性、参数时变性和严重的非线性特性，目前的控制优化手段无法实现基于外界环境变化的优化控制，更难以满足不同用户的个性化需求。因此，亟需一种新的控制系统。

技术实现要素：

为了克服已有器件加工工艺控制过程的无法实现基于外界环境变化的优化控制，更难以满足不同用户的个性化需求的不足,本发明提供了一种有效实现基于外界环境变化的优化控制、满足不同用户的个性化需求的面向低碳制造的器件加工工艺过程智能优化系统。

本发明解决其技术问题所采用的技术方案是：

一种面向低碳制造的器件加工工艺过程智能优化系统，所述优化系统包括通用设备模型库、设备在线检测与故障分析模块、生产效率评价模块以及多目标优化控制模块；所述通用设备模型库中，利用理论+半经验方法对制造加工系统的关键设备进行建模，其中的待定参数由设备检测模块在线测试数据拟合得出，模型库包括车床设备模型库、铣床设备模型库、刨床设备模型库、焊接设备模型库、磨床设备模型库、吊车模型库和传送带模型库；

所述设备在线检测与故障分析模块中，包括各种温度、湿度、刀具类型、器件材料、器件质量、器件外形尺寸、加工精度、加工时间、电功率数据采集设备、传输设备和存储设备；对于设定关键性能指标，即机床的实际性能系数、传送系统的输送能效比、最大主轴应力、最大切削力、单位加工量耗功率、系统平衡度和冷却液系统温度一致性；通过与预设定值或历史检测数据进行比较，若发现明显偏差则输出报警，并显示故障类型；

所述生产效率评价模块中，多参数控制模式中包括客观指标和主观指标，所述客观指标包括基于经济效益、单位器件加工时间、合格率和生产总成本自动生成生产效率指标；所述主观指标包括采用行为识别方式生成满意度指标；

所述多目标优化控制模块中，单一目标控制模式可选择：节能优先，效率优先或者低能耗费用优先；双目标控制模式为生产效率+节能；生产效率+低碳；或者是低碳+低能耗费用。

进一步，所述多目标优化控制模块为遗传算法多目标优化控制模块，所述遗传算法优化过程为：

步骤1：初始化，随机产生一个规模为p的初始种群，其中每个个体为二进制位串的形式，也就是染色体；一组控制参数即一个个体；

步骤2：计算适应度，计算种群中每个个体的适应度，即该种加工工艺方法所需要的能耗、碳排量、生产效率指标，单一目标控制模式的能耗越低，适应度越高；

步骤3：选择，选择是指从群体中选择优良的个体并淘汰劣质个体的操作，它建立在适应函数评估的基础上，适应度越大的个体，被选择的可能性就越大，它的下一代的个数就越多，选择出来的个体放入配对库中；

步骤4：交叉，从种群中随机选择两个染色体，按设定的交叉概率进行基因交换，交换位置的选取也可以是随机的；

步骤5：变异，从种群中随机选择一个染色体，按一定的变异概率进行基因变异；

步骤6：若发现最优解或者到达迭代次数，则算法停止；否则，转步骤2。

本发明的有益效果主要表现在：1、采用了实测的方法，建立系统模型，具有精度高、可靠性强、自适应的特点；2、采用了遗传算法，可实现多目标寻优，且寻优效率高，实现生产效率+节能+低费用目标；3、采用了用户行为识别方式来智能识别工人的行为模式，及时调整控制目标；4、本控制能够基于加工器件参数变化给出最佳控制方法，尤其是在中小规模的加工工艺优化，能够大大提高设备效率，实现节能减排。

附图说明

图1是面向低碳制造的器件加工工艺过程智能优化系统的工作流程图。

图2是遗传算法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种面向低碳制造的器件加工工艺过程智能优化系统，所述优化系统包括通用设备模型库、设备在线检测与故障分析模块、生产效率评价模块以及多目标优化控制模块；所述通用设备模型库中，利用理论+半经验方法对制造加工系统的关键设备进行建模，其中的待定参数由设备检测模块在线测试数据拟合得出，模型库包括车床设备模型库、铣床设备模型库、刨床设备模型库、焊接设备模型库、磨床设备模型库、吊车模型库和传送带模型库；

车床设备模型库：

式中：plt是外圆车削功率，单位w；cplt是车削功率的系数；v是切削速度，m/min；f是进给量，单位mm/r；ap是切削深度，单位mm；nplt、yplt、xplt分别是切削速度、进给量和切削深度的指数，当机床、工件材料和刀具选定时，cplt、nplt、yplt、xplt均为常数，通过实测分析的方法得到。

铣床设备模型库：

式中：pfm是平面铣削功率，w；cpfm是平面铣削功率的系数；v是铣削速度，m/min；f是进给量，单位mm/r；ap是铣削深度，单位mm；ae是铣削宽度，单位mm；wpfm、ypfm、xpfm和upfm分别是切削速度、每齿进给量、铣削深度和铣削宽度的指数，当机床、工件材料和刀具选定时，cpfm、wpfm、ypfm、xpfm和upfm均为常数，通过实测分析的方法得到。

刨床设备模型库：

式中：plt是刨削功率，单位w；cpbc是刨削功率的系数；v是切削速度，m/min；f是进给量，单位mm/r；ap是切削深度，单位mm；npbc、ypbc、xpbc分别是刨削速度、进给量、刨削深度的指数，当机床、工件材料和刀具选定时，cpbc、npbc、ypbc、xpbc均为常数，通过实测分析的方法得到。

焊接设备模型库：phj＝cphjv^xphjn^yphju^uphj

式中：^phj是焊机功率，单位w；cphj是焊机功率的系数；v是焊接速度，m/min；n是焊接层数；电弧电压u，单位v；^npbc、^ypbc、^xpbc分别是焊接速度、焊接层数、电弧电压的指数,当焊接速度、焊接层数、电弧电压选定时，cpbc、npbc、ypbc、xpbc均为常数，通过实测分析的方法得到。

磨床设备模型库：

式中：pmc是磨削功率，单位w；cpmc是磨削功率的系数；v是圆周进给速度，m/min；f是工作台纵向移动量，单位mm/r；ap是磨削深度，单位mm；npmc、ypmc、xpmc分别是圆周进给速度、纵向移动量、磨削深度的指数，当机床、工件材料和砂轮选定时，cpmc、npmc、ypmc、xpmc均为常数，通过实测分析的方法得到。

吊车模型库：pdc＝cpdcg^npdcv^ypdch^xpdc

式中：pdc是吊车功率，单位w；cpdc是吊车功率的系数；g是货物质量，单位kg；v是传送速度，m/min；h是起吊高度，单位mm；npdc、ypdc、xpdc分别是货物重量、起吊速度、起吊高度的指数，当吊车型号、货物质量和起吊速度高度选定时，cpdc、npdc、ypdc、xpdc均为常数，通过实测分析的方法得到。

传送带模型库：pcs＝cpcsg^npcsv^ypcsh^xpcs

式中：pcs是传送带功率，单位w；cpcs是传送功率的系数；g是货物质量，单位kg；v是传送速度，m/min；h是传送高度，单位mm；npcs、ypcs、xpcs分别是货物重量、传送速度、传送高度的指数，当传送装置、货物质量和传送速度高度选定时，cpcs、npcs、ypcs、xpcs均为常数，通过实测分析的方法得到。

在实际生产中，一个工件往往需要多个工序，在不同的机床上完成。对于需要在机加工车间多个机床共同完成的工艺计划，其碳排放除了所涉及的每台机床上完成加工造成的碳排放之和，还涉及到在整个车间，各机床之间物料的运输导致的能耗碳排放。

其中cfj表示第j个工序能耗碳排放，cak表示全工艺链中第k台辅助设备能耗碳排放。

cfj＝pj*tj*efj，其中pj表示第j个工序的加工功率，tj表示第j个工序的加工时间，efj表示等j个工序的能源碳排放系数，其中电能取值为1.63kgco2e/kwh。

cak＝pk*tk*efk，其中pk表示第k个辅助工序的加工功率，tk表示第k个辅助工序的加工时间，efk表示等k个辅助工序的能源碳排放系数，其中电能取值为1.63kgco2e/kwh。

所述设备在线检测与故障分析模块中，包括各种温度、湿度、刀具类型、器件材料、器件质量、器件外形尺寸、加工精度、加工时间、电功率数据采集设备、传输设备和存储设备；如车床模型，对同一机床、相同的工件材料和刀具，需通过反复测试，得到外圆车削功率及对应的切削速度、进给量、切削深度数据，用拟合的方法得出设备模型库中的cplt、nplt、yplt、xplt系数，由于受到环境因素及机床、刀具的磨损，这些系数随着时间的变化会发生改变，因而需每隔一段时间(如30分钟)更新一次数据；对于设定关键性能指标，即机床的实际性能系数、传送系统的输送能效比、最大主轴应力、最大切削力、单位加工量耗功率、系统平衡度和冷却液系统温度一致性；通过与预设定值或历史检测数据进行比较，若发现明显偏差则输出报警，并显示故障类型；

所述生产效率评价模块中，多参数控制模式中包括客观指标和主观指标，所述客观指标包括基于经济效益、单位器件加工时间、合格率和生产总成本自动生成生产效率指标；所述主观指标包括采用行为识别方式生成满意度指标；

所述多目标优化控制模块中，单一目标控制模式可选择：节能优先，效率优先或者低能耗费用优先；双目标控制模式为生产效率+节能；生产效率+低碳；或者是低碳+低能耗费用。

进一步，所述多目标优化控制模块为遗传算法多目标优化控制模块，所述遗传算法优化过程如下：

步骤1：初始化，随机产生一个规模为p的初始种群，其中每个个体为二进制位串的形式，也就是染色体。一组控制参数即一个个体，如45号钢加工工艺可选择车+铣+磨，车削：平面铣削的切削速度80，进给量0.08，铣削深度0.8，铣削：平面铣削的切削速度70，进给量0.09，铣削深度8，铣削宽度8，磨削：的切削速度70，进给量0.09，铣削深度0.08，则80,0.08,0.8,70,0.09,8,8,70,0.09,0.08就是一个个体。

步骤2：计算适应度，计算种群中每个个体的适应度，即该种加工工艺方法所需要的能耗、碳排量、生产效率指标，单一目标控制模式的能耗越低，适应度越高。

步骤3：选择，选择是指从群体中选择优良的个体并淘汰劣质个体的操作。它建立在适应函数评估的基础上。适应度越大的个体，被选择的可能性就越大，它的下一代的个数就越多。选择出来的个体放入配对库中。

步骤4：交叉，从种群中随机选择两个染色体，按一定的交叉概率进行基因交换，交换位置的选取也可以是随机的。

步骤5：变异，从种群中随机选择一个染色体，按一定的变异概率进行基因变异。

步骤6：若发现最优解或者到达迭代次数，则算法停止。否则，转步骤2。

本实施例的方案，采用了实测的方法，建立系统模型，具有精度高、可靠性强、自适应的特点；采用了遗传算法，可实现多目标寻优，且寻优效率高，实现生产效率+节能+低费用目标；采用了用户行为识别方式来智能识别工人的行为模式，及时调整控制目标；本实施例的方案能够基于加工器件参数变化给出最佳控制方法，尤其是在中小规模的加工工艺优化，能够大大提高设备效率，实现节能减排。