CN105844356A - 基于自适应遗传算法的机床切削用量能耗优化方法 - Google Patents

Abstract

本发明公开了一种基于自适应遗传算法的机床切削用量能耗优化方法，包括以下步骤：1）确定模型优化变量步骤；2）确定优化目标函数步骤;3)确定模型中约束条件步骤；4）使用自适应遗传算法来确定切削用量。本发明的优点是：本发明由于采用了自适应的遗传算法方案，所以在切削量选取方面更加的合理，有效的提高了机床的利用效率，减少了能源消耗。

Description

基于自适应遗传算法的机床切削用量能耗优化方法

技术领域

本发明提供一种机床切削量能耗优化的方法，涉及离散制造系统加工参数节能优化问题，属于机械加工领域。

背景技术

随着目前的能源危机和环境问题的越来越严重，很多国家已经把节能减排当作国家的关键性战略。在制造业快速发展的今天，自动化程度也越来越高。它在给我们带来巨大的便利同时也给我们引起了巨大的能源消耗，尤其是离散制造业。我国在离散制造系统机床数量是世界第一的，大约700多万台。但大量研究表明：我国的机床能量利用效率非常低，平均不足30％，有的甚至低到14.8％，所以节能潜力巨大。离散制造系统节能技术可粗略的分为技术节能、制造过程管控节能、制造系统能耗分析建模和设备的改进等几个方向。本发明主要采用制造过程管控节能中的工艺参数优化(切削量优化)来节能。主要研究离散制造系统机加工能耗与切削量之间的关系。建立合理的切削量模型，并采用一定的优化算法进行求解，是合理选择切削用量的一种有效方法。

发明内容

本发明以能源效率为优化目标的离散制造系统工艺参数优化模型，以自适应遗传算法为切削量优化方法，提出一种机床切削用量能耗优化方法。

所述方法包括以下步骤：1)确定模型优化变量；2)确定优化目标函数；3)确定模型中约束条件；4)使用自适应遗传算法来确定切削用量。

(1)确定模型优化变量：

在切削优化数学模型中，切削加工的三个要素：切削速度v_c、进给量f、背吃刀量a_p是加工过程中影响碳排放、加工能耗的3个最活跃并且相互独立的变量，在数控编程中a_p是由用户根据加工余量确定，v_c由主轴转速n和切削直径来确定，因此，优化变量选取主轴转速n和进给量f两个参数；

(2)确定优化目标函数：

在离散制造系统加工中，一个零件的加工能耗分为工步层能源消耗、工序层能源消耗、零件层能源消耗、产品层能源消耗，

(2.1)工步层的能量消耗函数模型为：

$E_1=E_{st}+E_{s-s}+E_{ie}+E_c={\∫}_0^{t_w}{P}_{w}dt+{\∫}_0^{t_{ie}}{P}_{ie}dt+{\∫}_0^{t_c}{P}_{c}dt$

其中E₁表示工步能耗，E_st表示机床的启动能耗，E_s-s表示工步的待机能耗，E_ie表示工步的空载能耗，E_c表示切削能耗；t_w为待机时间，P_w为设备的总功率，t_ie表示的是空载时间，P_ie表示的是空载功率，P_c表示切削功率，t_c为加工时间，

车削加工过程中，P_c表示为：

$P_c=\frac{1}{6\×{10}^4}{C}_{FC}{a}_p^{x_{FC}}{f}^{y_{FC}}{v}_C^{n_{FC}}{K}_{FC}{v}_C$

其中x_fc、y_fc、n_fc分别是背吃刀量a_p、进给量f、切削速度v_c的指数，K_FC表示各种因素对切削力的修正系数，C_FC表示决定于被加工金属和金属条件的系数；

(2.2)工序层的能量消耗：在工序层，每一个工序的能耗包括其各个工步的能耗加上用于零件运输的能耗，

$E_2=\underset{i=1}{\overset{N_1}{\Σ}}{E}_{1_i}+E_{ts}$

式中：E₂为工序能耗，N₁表示工序中工步个数，表示每个工步的能耗，E_ts表示运输能耗，

运输能耗E_ts由下式来计算得到：

$E_{ts}=\frac{P_{ts}\×t_{ts}}{Q}$

式中：p_ts为运输设备的额定功率，t_ts为运输设备的运行时间，Q为一次运输装载的零件数量；

(2.3)零件层的能量消耗：在这一层，当零件供应不足时，会出现机床被迫等待的情况，同时，考虑到零件清洗和上漆的耗能，生产出一个零件的能耗表示为

$E_3=\underset{i=1}{\overset{N_2}{\Σ}}{E}_{2_i}+E_{pt}+E_{cn}+E_{s-p}$

式中：E₃为零件能耗，N₂为加工零件的工序数，E_2i表示每个工序的能耗，E_pt为上漆能耗，E_cn为清洗能耗，E_s-p表示机器等待能耗；

(2.4)产品层的能量消耗：

$E_4=\underset{i=1}{\overset{N_3}{\Σ}}{E}_{3_i}+E_{ae}+\frac{E_{fy}}{KM}$

式中：E₄表示产品的能耗，N₃表示加工产品零件的个数，E_3i表示每个零件的能耗，E_ae表示装配产品的耗能，E_fy辅助设备的耗能，K和M分别为一定时间内生产产品的种类数和特定种类产品的个数；

(3)确定模型中约束条件，包括所选设备的切削速度、最大进给量、表面粗糙度、机床功率、切削力中的一种或多种；

(4)使用自适应遗传算法来确定切削用量；

(4.1)设置自适应遗传算法参数，包括种群的个数、最大运行的代数、个体染色体的长度、遗传操作的交叉概率p_c和变异概率p_m；

(4.2)物种的编码：在切削量的优化参数设置好后，用字长为m的二进制串s_m来表示进给量f，进给量f的取值范围为[f_min,f_max],用m位二进制数x₁表示，其关系为：

$f=f_{\min }+\frac{x_1}{2^m-1}(f_{max}-f_{\min })$

主轴转速n的取值范围为[n_min,n_max],用字长为K的二进制串s_k来表示，它的二进制数为x₂，其关系为：

$n=n_{\min }+\frac{x_2}{2^k-1}(n_{max}-n_{\min })$

根据上述2个公式可对主轴转速和进给量进行编码，以进给量和主轴转速为优化变量的个体染色体表示为s_ms_k；

(4.3)适应值的计算：

适应值函数如下：

$F_{fitness}=\left\{\begin{array}{c}\mathrm{\&lambda;}(c_{max}-f(x_1,x_2\left)\right),f(x_1,x_2)<c_{max}\\ 0,f(x_1,x_2)\&GreaterEqual;c_{\max }\end{array}\right.$

式中：λ为线性变换系数，f(x₁，x₂)为切削参数目标函数，c_max为适应值阈值；

(4.4)切削量的自适应遗传操作，包括选择、交叉和变异。

具体的，步骤(3)所述约束条件中包括切削速度的约束：机床加工时的速度必需满足在最大和最小的切削速度之间，即n_min≤n≤n_max，式中，n_min，n_max分别为机床主轴的最低和最高转速。

所述约束条件还包括进给量的约束：进给量f必须在机床允许的范围内，即f_min≤f≤f_max，式中，f_min，f_max分别为机床允许的最小进给量和最大进给量。

所述约束条件还包括机床功率的约束：加工时机床的功率必须小于规定的最大有效切削功率，即

$\frac{F_c{v}_c}{1000\mathrm{\&eta;}}\&le;P_{max}$

式中，η表示机床功率的有效系数，F_c为切削力，P_max为机床最大的有效切削功率。

所述约束条件还包括切削力的约束：机床生产的过程中，切削力不可以超过机床进给机构所允许的最大切削力F_max，切削力又可以分为分解为主切削力F_C、背向力F_P和进给力F_F，具体切削力约束表示为：

$F=\sqrt{F_C^2+F_F^2+F_P^2}\&le;F_{MAX}$

式中，F_C为主切削力、F_P为背向力，F_F为进给力给力。

所述约束条件还包括表面粗糙度的约束：

Ra＝8f²r_ε≤R_max

式中，Ra为实际的表面粗糙度，r_ε表示刀尖圆弧半径，f为进给力，Rmax为允许表面粗糙度的最大值。

具体的，步骤(4.1)中，交叉概率p_c变异概率p_m为：

$\begin{array}{cc}{p}_c=\left\{\begin{array}{c}\frac{k_1(f_{\max }-f^{\&prime;})}{f_{\max }-f_{avg}}{f}^{\&prime;}\&GreaterEqual;f_{avg}\\ k_2{f}^{\&prime;}<f_{avg}\end{array}\right.& p_m=\left\{\begin{array}{c}\frac{k_3(f_{\max }-f)}{f_{\max }-f_{avg}}f\&GreaterEqual;f_{avg}\\ k_{4}f<f_{avg}\end{array}\right.\end{array}$

式中，f_avg为种群中所有个体的平均适应值，f_max种群所有个体中的最大个体适应值，f’为两个要交叉的个体中适应度比较大的个体适应度值，f是进行变异个体的适应度值；k₁,k₂,k₃,k₄为0～1之间的数，设定了k₁,k₂,k₃,k₄后交叉概率就可以进行自适应的调整了。

步骤(4.4)中，选择是用于确定每个切削量是否进行交叉或在下一代的存活概率，交叉是把两个切削量个体染色体的部分交换重组从而产生新的切削量个体的操作，变异本身是一种局部的随机搜索；在每一代中选择一个最优的个体，和进化到当前代所出现的所以最优个体进行比较，把更好的个体作为最优的个体；在产生下一代之前，用最优的个体替换当前最差的个体，从而实现优秀个体的隔代遗传，以求获得最优解。

本发明的优点是：本发明由于采用了自适应的遗传算法方案，所以在切削量选取方面更加的合理，有效的提高了机床的利用效率，减少了能源消耗。

附图说明

图1是本发明搜索寻优的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。本发明的具体实施步骤如下：

(1)确定模型优化变量。

在优化设计中，其本质就是通过改变设计变量使待优化目标达到最优。在切削优化数学模型中，切削加工的三个要素：切削速度v_c、进给量f、背吃刀量a_p是加工过程中影响碳排放、加工能耗的3个最活跃并且相互独立的变量。由于在数控编程中a_p是由用户根据加工余量确定，v_c由主轴转速n和切削直径来确定。但是n和f一般都是由系统推荐或者用户根据经验、切削手册来确定的。因此，a_p可由用户根据加工余量确定，优化变量选取n和f两个参数。

(2)确定优化目标函数。

在离散制造系统加工中，一个零件的加工能耗可分为工步层能源消耗、工序层能源消耗、零件层能源消耗、产品层能源消耗。

(2.1)工步层能源消耗：一个工步层可分为启动、待机、空载、加工四个阶段，其中加工阶段的能耗为有效输出。则能耗模型为

E₁＝E_st+E_s-s+E_ie+E_c

其中E₁表示为工步能耗，E_st表示为机床的启动能耗，E_s-s表示为工步的待机能耗，E_ie表示为工步的空载能耗，E_c表示为切削能耗。

其中，机床启动后的启动能耗一般是固定的，由机床本身的性能决定。其工步间待机能耗与设备的运行总能耗和待机时间长短有关，即：

$E_{s-s}={\&Integral;}_0^{t_w}{P}_{w}dt$

其中：E_sd为机床的启动能耗，t_w为待机时间，P_w为设备的总功率。

工步空载能耗表示相邻工步之间加工设备消耗的能量：

$E_{ie}={\&Integral;}_0^{t_{ie}}{P}_{ie}dt$

其中：t_ie表示的是空载时间，P_ie表示的是空载功率。

切削能耗表示的是切除工件材料所消耗的能量：

$E_c={\&Integral;}_0^{t_c}{P}_{c}dt$

其中：P_c表示切削功率，t_c为加工时间。车削加工过程中，P_c表示为：

$P_c=\frac{1}{6\&times;{10}^4}{C}_{FC}{a}_p^{x_{FC}}{f}^{y_{FC}}{v}_C^{n_{FC}}{K}_{FC}{v}_C$

其中v_c为切削速度，f为进给量，a_p为背吃刀量，x_fc、y_fc、n_fc分别是背吃刀量a_p、进给量f、切削速度v_c的指数。K_FC表示各种因素对切削力的修正系数。C_FC表示决定于被加工金属和金属条件的系数。

所以，工步层的能量消耗函数模型为：

$E_1=E_{st}+E_{s-s}+E_{ie}+E_c={\&Integral;}_0^{t_w}{P}_{w}dt+{\&Integral;}_0^{t_{ie}}{P}_{e}dt+{\&Integral;}_0^{t_c}{P}_{c}dt$

(2.2)工序层的能量消耗：在工序层每一个工序的能耗包括其各个工步的能耗加上用于零件运输的能耗，，故有：

$E_2=\underset{i=1}{\overset{N_1}{\&Sigma;}}{E}_{1_i}+E_{ts}$

式中：E₂为工序能耗，N₁表示工序中工步个数，表示每个工步的能耗，E_ts表示运输能耗。运输能耗E_ts由下式来计算得到：

$E_{ts}=\frac{P_{ts}\&times;t_{ts}}{Q}$

式中：p_ts为运输设备的额定功率，t_ts为运输设备的运行时间，Q为一次运输装载的零件数量。

(2.3)零件层的能量消耗：在这一层，最大的不同就是当零件供应不足时，会出现机床被迫等待的情况。当机床前一个的缓存区为空，或者后一个的缓存区为满时，机床就出现被迫等待的情况。机床被迫等待时的功率就是机床的待机功率。

同时，考虑到零件清洗和上漆的耗能，生产出一个零件的能耗可表示为

$E_3=\underset{i=1}{\overset{N_2}{\&Sigma;}}{E}_{2_i}+E_{pt}+E_{cn}+E_{s-p}$

式中：E₃为零件能耗，N₂为加工零件的工序数，E_2i表示每个工序的能耗，E_pt为上漆能耗，E_cn为清洗能耗，E_s-p表示机器等待能耗。

(2.4)产品层的能量消耗：产品层的耗能需要到考虑零件装配的耗能和辅助设备的耗能。如下式：

$E_4=\underset{i=1}{\overset{N_3}{\&Sigma;}}{E}_{3_i}+E_{ae}+\frac{E_{fy}}{KM}$

式中：E₄表示产品的能耗，N₃表示加工产品零件的个数，E_3i表示每个零件的能耗，E_ae表示装配产品的耗能，E_fy辅助设备的耗能，K和M分别为一定时间内生产产品的种类数和特定种类产品的个数。

(3)确定模型中约束条件。

在实际的加工过程中，切削参数的取值会受到某些因素的限制，比如所选设备的切削速度、最大进给量、表面粗糙度、机床功率、切削力等约束条件，所以切削参数的取值必需满足这些约束条件。

(3.1)切削速度的约束。机床加工时的速度必需满足在最大和最小的切削速度之间，即

n_min≤n≤n_max

式中，n_min，n_max分别为机床主轴的最低和最高转速。

(3.2)进给量的约束。其进给量f必须在机床允许的范围内，即

f_min≤f≤f_max

式中，其f_min，f_max分别为机床允许的最小进给量和最大进给量。

(3.3)机床功率的约束。加工时机床的功率必须小于规定的最大有效切削功率，即

$\frac{F_c{v}_c}{1000\mathrm{\&eta;}}\&le;P_{max}$

式中，η表示机床功率的有效系数，F_c为切削力，P_max为机床最大的有效切削功率。

(3.4)切削力的约束。机床生产的过程中，切削力不可以超过机床进给机构所允许的最大切削力(F_max)。切削力又可以分为分解为主切削力F_C、背向力F_P和进给力F_F。具体切削力约束表示为：

$F=\sqrt{F_C^2+F_F^2+F_P^2}\&le;F_{MAX}$

式中，F_C为主切削力、F_P为背向力，F_F为进给力给力。

(3.5)表面粗糙度的约束。表面粗糙度的约束就是加工质量的约束，即

Ra＝8f²r_ε≤R_max

式中，Ra为实际的表面粗糙度，r_ε表示刀尖圆弧半径，f为进给力，Rmax为允许表面粗糙度的最大值。

在所有约束中，进给量的约束和主轴转速的约束可直接作为被优化的选择范围，即f_min≤f≤f_max和n_min≤n≤n_max。功率约束、切削力约束、表面粗糙度约束可分别表示为：

$g_1(x_1,x_2)=\sqrt{F_c^2+F_f^2+F_P^2}-F_{max}\&le;0$

g₂(x₁,x₂)＝F_cV-ηP_max≤0

g₃(x₁,x₂)＝8f²r_ε-R_max≤0

综上所述，本文所描述的切削参数目标优化模型可以归结为：

min:F(v_c,f)＝min(E₄)

约束的实现：可用罚函数法，将约束直接添加到目标函数中，使得约束直接在目标函数中得到实现。

min:F(v_c,f)＝min(E₄)+η₁.max(0,g1(x₁,x₂))+η₂.max(0,g₂(x₁,x₂))+η₃.max(0,g₃(x₁,x₂))

式中，η_i表示罚系数，i＝1，2，3。

(4)使用自适应遗传算法来确定切削用量。

4.1自适应遗传算法设置参数。

1)种群的个数：种群个数决定了寻优过程一世代中的所有机床切削量的数量，其种群个数越多，适应的个体数也就越多，产生的优秀的切削量个体的概率也就越大，但种群个数取的太大会影响整个程序的运行速度，所以一般取200-500个之间。

2)最大运行的代数：最大运行的代数就是整个自适应遗传操作的运行次数，次数太小就会导致算法未收敛就停止，得不到最优解。次数太大就会导致得到最优解后继续运行，最优解不会有大的改进。

3)个体染色体的长度：个体染色体的长度就是优化变量转化成二进制代码段的位数。其位数也控制着优化变量的精度。个体染色体的长度过长会导致整个程序的运算时间过长，长度太短则不能体现自适应遗传算法的优点。一般取值在12-30位。

4)遗传操作的交叉概率p_c和变异概率p_m：因为基本的遗传算法的交叉概率是固定的，这对总群的多样性是不利的。所以本发明采用了自适应的遗传算法，其交叉概率p_c变异概率p_m为：

$\begin{array}{cc}{p}_c=\left\{\begin{array}{c}\frac{k_1(f_{\max }-f^{\&prime;})}{f_{\max }-f_{avg}}{f}^{\&prime;}\&GreaterEqual;f_{avg}\\ k_2{f}^{\&prime;}<f_{avg}\end{array}\right.& p_m=\left\{\begin{array}{c}\frac{k_3(f_{\max }-f)}{f_{\max }-f_{avg}}f\&GreaterEqual;f_{avg}\\ k_{4}f<f_{avg}\end{array}\right.\end{array}$

式中，f_avg为种群中所有个体的平均适应值，f_max种群所有个体中的最大个体适应值，f’为两个要交叉的个体中适应度比较大的个体适应度值，f是进行变异个体的适应度值。k₁,k₂,k₃,k₄为0-1之间的数，设定了k₁,k₂,k₃,k₄后交叉概率就可以进行自适应的调整了。

4.2物种的编码。

在切削量的优化参数设置好后，用字长为m的二进制串s_m来表示进给量f，进给量f的取值范围为[f_min,f_max],用m位二进制数x₁表示，其关系为：

$f=f_{\min }+\frac{x_1}{2^m-1}(f_{max}-f_{\min })$

主轴转速n的取值范围为[n_min,n_max],用字长为K的二进制串s_k来表示，它的二进制数为x₂，其关系为：

$n=n_{\min }+\frac{x_2}{2^k-1}(n_{max}-n_{\min })$

根据上述2个公式可对主轴转速和进给量进行编码，以进给量和主轴转速为优化变量的个体染色体可以表示为s_ms_k。

4.3适应值的计算。

适应值用于自适应遗传算法中的选择操作。对于不同的优化条件，参数值的分布差异较大，可以使用幂函数变化或者指数函数变化，并且根据切削用量问题来修正适应值函数。本发明的适应值函数如下：

$F_{fitness}=\left\{\begin{array}{c}\mathrm{\&lambda;}(c_{max}-f(x_1,x_2\left)\right),f(x_1,x_2)<c_{max}\\ 0,f(x_1,x_2)\&GreaterEqual;c_{\max }\end{array}\right.$

式中：λ为线性变换系数，f(x₁，x₂)为切削参数目标函数，c_max为适应值阈值。

4.4自适应遗传的操作。

切削量的自适应遗传操作包括选择、交叉和变异。选择是用于确定每个切削量是否进行交叉或在下一代的存活概率。交叉是把两个切削量个体染色体的部分交换重组从而产生新的个体的操作。交叉的目的是为了能够在下一代产生新的切削量个体，并模拟自然界交配产生的后代。使得自适应遗传的搜索能力得到提高。交叉过程中子切削量个体的染色体会以很小的概率进行突变，也就是变异。变异本身就是一种局部的随机搜索，与选择、交叉结合在一起，保证了自适应遗传算法的有效性。使自适应遗传算法有局部的随机搜索能力，并且使算法保持着所有切削量个体的多样性。防止过早收敛的出现。

自适应遗传算法的交叉和变异过程是一种随机的操作，也可能将优秀的切削量个体转变成适应值更差的个体。所以，在每一代中选择一个最优的个体，和进化到当前代所出现的所以最优个体进行比较，把更好的个体作为最优的个体。在产生下一代之前，用最优的个体替换当前最差的个体，从而实现优秀个体的隔代遗传，这样更容易获得最优解。具体的搜索寻优过程见图1。

Claims (8)

1.基于自适应遗传算法的机床切削用量能耗优化方法，其特征是，包括以下步骤：

(1)确定模型优化变量：

在切削优化数学模型中，切削加工的三个要素：切削速度v_c、进给量f、背吃刀量a_p是加工过程中影响碳排放、加工能耗的3个最活跃并且相互独立的变量，在数控编程中a_p是由用户根据加工余量确定，v_c由主轴转速n和切削直径来确定，因此，优化变量选取主轴转速n和进给量f两个参数；

(2)确定优化目标函数：

在离散制造系统加工中，一个零件的加工能耗分为工步层能源消耗、工序层能源消耗、零件层能源消耗、产品层能源消耗，

(2.1)工步层的能量消耗函数模型为：

$E_1=E_{st}+E_{s-s}+E_{ie}+E_c={\&Integral;}_0^{t_w}{P}_{w}dt+{\&Integral;}_0^{t_{te}}{P}_{ie}dt+{\&Integral;}_0^{t_c}{P}_{c}dt$

其中E₁表示工步能耗，E_st表示机床的启动能耗，E_s-s表示工步的待机能耗，E_ie表示工步的空载能耗，E_c表示切削能耗；t_w为待机时间，P_w为设备的总功率，t_ie表示的是空载时间，P_ie表示的是空载功率，P_c表示切削功率，t_c为加工时间，

车削加工过程中，P_c表示为：

$P_c=\frac{1}{6\&times;{10}^4}{C}_{FC}{a}_p^{x_{FC}}{f}^{y_{FC}}{v}_C^{n_{FC}}{K}_{FC}{v}_C$

其中x_fc、y_fc、n_fc分别是背吃刀量a_p、进给量f、切削速度v_c的指数，K_FC表示各种因素对切削力的修正系数，C_FC表示决定于被加工金属和金属条件的系数；

(2.2)工序层的能量消耗：在工序层，每一个工序的能耗包括其各个工步的能耗加上用于零件运输的能耗，

$E_2=\underset{i=1}{\overset{N_1}{\&Sigma;}}{E}_{1_i}+E_{ts}$

式中：E₂为工序能耗，N₁表示工序中工步个数，表示每个工步的能耗，E_ts表示运输能耗，

运输能耗E_ts由下式来计算得到：

$E_{ts}=\frac{P_{ts}\&times;t_{ts}}{Q}$

式中：p_ts为运输设备的额定功率，t_ts为运输设备的运行时间，Q为一次运输装载的零件数量；

(2.3)零件层的能量消耗：在这一层，当零件供应不足时，会出现机床被迫等待的情况，同时，考虑到零件清洗和上漆的耗能，生产出一个零件的能耗表示为

$E_3=\underset{i=1}{\overset{N_2}{\&Sigma;}}{E}_{2_i}+E_{pt}+E_{cn}+E_{s-p}$

式中：E₃为零件能耗，N₂为加工零件的工序数，E_2i表示每个工序的能耗，E_pt为上漆能耗，E_cn为清洗能耗，E_s-p表示机器等待能耗；

(2.4)产品层的能量消耗：

$E_4=\underset{i=1}{\overset{N_3}{\&Sigma;}}{E}_{3_i}+E_{ae}+\frac{E_{fy}}{KM}$

式中：E₄表示产品的能耗，N₃表示加工产品零件的个数，E_3i表示每个零件的能耗，E_ae表示装配产品的耗能，E_fy辅助设备的耗能，K和M分别为一定时间内生产产品的种类数和特定种类产品的个数；

(3)确定模型中约束条件，包括所选设备的切削速度、最大进给量、表面粗糙度、机床功率、切削力中的一种或多种；

(4)使用自适应遗传算法来确定切削用量；

(4.1)设置自适应遗传算法参数，包括种群的个数、最大运行的代数、个体染色体的长度、遗传操作的交叉概率p_c和变异概率p_m；

(4.2)物种的编码：在切削量的优化参数设置好后，用字长为m的二进制串s_m来表示进给量f，进给量f的取值范围为[f_min,f_max],用m位二进制数x₁表示，其关系为：

$f=f_{\min }+\frac{x_1}{2^m-1}(f_{max}-f_{\min })$

主轴转速n的取值范围为[n_min,n_max],用字长为K的二进制串s_k来表示，它的二进制数为x₂，其关系为：

$n=n_{\min }+\frac{x_2}{2^k-1}(n_{\max }-n_{\min })$

根据上述2个公式可对主轴转速和进给量进行编码，以进给量和主轴转速为优化变量的个体染色体表示为s_ms_k；

(4.3)适应值的计算：

适应值函数如下：

$F_{fitness}=\left\{\begin{array}{c}\mathrm{\&lambda;}(c_{max}-f(x_1,x_2\left)\right),f\left(x_{1,}{x}_2\right)<c_{max}\\ 0,f(x_1,x_2)\&GreaterEqual;c_{\max }\end{array}\right.$

式中：λ为线性变换系数，f(x₁，x₂)为切削参数目标函数，c_max为适应值阈值；

(4.4)切削量的自适应遗传操作，包括选择、交叉和变异。

2.如权利要求1所述的基于自适应遗传算法的机床切削用量能耗优化方法，其特征是，步骤(3)所述约束条件包括切削速度的约束：机床加工时的速度必需满足在最大和最小的切削速度之间，即n_min≤n≤n_max，式中，n_min，n_max分别为机床主轴的最低和最高转速。

3.如权利要求1所述的基于自适应遗传算法的机床切削用量能耗优化方法，其特征是，步骤(3)所述约束条件包括进给量的约束：进给量f必须在机床允许的范围内，即f_min≤f≤f_max，式中，f_min，f_max分别为机床允许的最小进给量和最大进给量。

4.如权利要求1所述的基于自适应遗传算法的机床切削用量能耗优化方法，其特征是，步骤(3)所述约束条件包括机床功率的约束：加工时机床的功率必须小于规定的最大有效切削功率，即

$\frac{F_c{v}_c}{1000\mathrm{\&eta;}}\&le;P_{max}$

式中，η表示机床功率的有效系数，F_c为切削力，P_max为机床最大的有效切削功率。

5.如权利要求1所述的基于自适应遗传算法的机床切削用量能耗优化方法，其特征是，步骤(3)所述约束条件包括切削力的约束：机床生产的过程中，切削力不可以超过机床进给机构所允许的最大切削力F_max，切削力又可以分为分解为主切削力F_C、背向力F_P和进给力F_F，具体切削力约束表示为：

$F=\sqrt{F_C^2+F_F^2+F_P^2}\&le;F_{MAX}$

式中，F_C为主切削力、F_P为背向力，F_F为进给力给力。

6.如权利要求1所述的基于自适应遗传算法的机床切削用量能耗优化方法，其特征是，步骤(3)所述约束条件包括表面粗糙度的约束：

Ra＝8f²r_ε≤R_max

式中，Ra为实际的表面粗糙度，r_ε表示刀尖圆弧半径，f为进给力，Rmax为允许表面粗糙度的最大值。

7.如权利要求1所述的基于自适应遗传算法的机床切削用量能耗优化方法，其特征是，步骤(4.1)中，交叉概率p_c变异概率p_m为：

$\mathrm{pc}=\left\{\begin{array}{c}\frac{k_1(f_{\max }-f^{\&prime;})}{f_{\max }-f_{\mathrm{avg}}}{f}^{\&prime;}\&GreaterEqual;f_{\mathrm{avg}}\\ k_2{f}^{\&prime;}<f_{\mathrm{avg}}\end{array}\right.\mathrm{pm}=\left\{\begin{array}{c}\frac{k_3(f_{\max }-f)}{f_{\max }-f_{\mathrm{avg}}}f\&GreaterEqual;f_{\mathrm{avg}}\\ k_{4}f<f_{\mathrm{avg}}\end{array}\right.$

式中，f_avg为种群中所有个体的平均适应值，f_max种群所有个体中的最大个体适应值，f’为两个要交叉的个体中适应度比较大的个体适应度值，f是进行变异个体的适应度值；k₁,k₂,k₃,k₄为0～1之间的数，设定了k₁,k₂,k₃,k₄后交叉概率就可以进行自适应的调整了。

8.如权利要求1所述的基于自适应遗传算法的机床切削用量能耗优化方法，其特征是，步骤(4.4)中，选择是用于确定每个切削量是否进行交叉或在下一代的存活概率，交叉是把两个切削量个体染色体的部分交换重组从而产生新的切削量个体的操作，变异本身是一种局部的随机搜索；在每一代中选择一个最优的个体，和进化到当前代所出现的所以最优个体进行比较，把更好的个体作为最优的个体；在产生下一代之前，用最优的个体替换当前最差的个体，从而实现优秀个体的隔代遗传，以求获得最优解。