CN107480352A - 一种铣削加工工艺参数的可靠性优化方法 - Google Patents
一种铣削加工工艺参数的可靠性优化方法 Download PDFInfo
- Publication number
- CN107480352A CN107480352A CN201710631126.2A CN201710631126A CN107480352A CN 107480352 A CN107480352 A CN 107480352A CN 201710631126 A CN201710631126 A CN 201710631126A CN 107480352 A CN107480352 A CN 107480352A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- optimization
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Numerical Control (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种铣削加工工艺参数的可靠性优化方法，包括：步骤S1、确定铣削加工工艺参数的优化变量和优化目标；步骤S2、根据预定的约束条件和优化变量、优化目标，建立多目标函数优化模型；所述约束条件包括：铣削系统可靠性约束条件；步骤S3、采用遗传算法和非线性规划相结合的方法对所述多目标函数优化模型进行优化处理，获得优化后的铣削加工工艺参数。上述方法能够更好地降低制造及加工成本要求。
Description
技术领域
本发明涉及机械制造技术，具体涉及一种铣削加工工艺参数的可靠性优化方法。
背景技术
高速铣削加工技术已然成为先进制造技术的重要组成部分，同时也是先进制造技术中最重要的基础技术。高速铣削加工具有高精度、高表面质量以及高材料去除率等优点，因而广泛应用于航天航空、汽车、船舶、能源、轨道交通等领域。然而近年来，伴随着现代工业的飞速发展和市场竞争的压力逐渐增大，机械产品趋向于特殊化，形状复杂、薄壁结构、难加工材料多等问题使得加工质量和精度难以控制。掌握复杂关键零件的高精度、高效率制造技术成为我国制造业面临的一个重要课题。
高速铣削加工是以稳定铣削为前提的，对高速铣削稳定性的研究是推动高速铣削加工技术应用与发展的一项重要课题。在铣削加工过程中，机床、刀具和工件之间出现剧烈的振动，轻者会影响加工质量，降低生产效率，重者造成生产事故的发生，危及人身以及企业安全。铣削振动可分为强迫振动和自激振动两大类，而其中最主要的振动形式，也是最难控制的振动形式就是颤振，而由进给量引起的强迫振动是产生表面位置误差的主要因素。因此，进行铣削稳定性分析及铣削参数优化的理论研究，可以更好地实现数控机床的高性能和高精度铣削加工。
目前，铣削稳定性的研究主要集中在不同的加工方法及加工条件下的稳定性研究，主要以无颤振极限切深作为铣削参数优化的推荐值，缺少对稳定性与优化模型深度融合的分析。再者，优化后的铣削参数没有考虑铣削系统的可靠度，很可能得到的参数能使整个铣削系统处于失效的边缘，不管对系统本身寿命、加工产品质量甚至人身安全都有极大的影响。传统的优化方法未将铣削加工过程中的许多实际情况考虑在内，难以确保高的铣削参数优化精度。
发明内容
为解决现有技术中的问题，本发明提供一种铣削加工工艺参数的可靠性优化方法，能够更好地降低制造及加工成本要求。
第一方面，本发明提供一种铣削加工工艺参数的可靠性优化方法，包括：
步骤S1、确定铣削加工工艺参数的优化变量和优化目标；
步骤S2、根据预定的约束条件和优化变量、优化目标，建立多目标函数优化模型；所述约束条件包括：铣削系统可靠性约束条件；
步骤S3、采用遗传算法和非线性规划相结合的方法对所述多目标函数优化模型进行优化处理，获得优化后的铣削加工工艺参数。
可选地，在步骤S1中，
优化变量包括：X＝(vc,ft,ap,ae)；
其中，vc表示切削速度m/min、ap表示轴向切深mm、ft表示每齿进给量mm/z和ae表示径向切深mm；
优化目标为：最小表面位置误差SLE和材料去除率MRR表示的最大的生产效率；
MRR＝ΩNapaeft；
N表示铣刀齿数。
可选地，在步骤S2中，
多目标函数优化模型为：
约束条件为：
p5(x)＝apmin-x3≤0
p6(x)＝x3-apmax≤0
p7(x)＝aemin-x4≤0
p8(x)＝x4-aemax≤0
R≥Rmin
Ω表示机床主轴转速，vf表示机床的进给速度，Tmax表示机床允许的最大切削扭矩，Pmax表示机床的最大许可功率，R表示铣削系统的可靠度，Rmin为最小允许的可靠度，Ft表示切削力，D表示铣刀直径，x1,2,3,4代表X变量的第1,2,3,4参数，
其中，X＝(vc,ft,ap,ae)；的初始值根据预先确定的稳定性叶瓣图的稳定区选取符合稳定性的数值。
可选地，所述步骤S2包括：
采用惩罚函数法对多目标函数优化模型的约束条件进行处理，将所述多目标函数优化模型对应的约束优化模型转换为一个非约束优化模型；
相应地，在步骤S3中，通过预设的稳定性叶瓣图选取初始铣削参数，判断初始铣削参数的稳定性可靠度是否满足铣削系统可靠性约束条件，若是，则采用遗传算法和非线性规划相结合的方法对所述非约束优化模型中的目标函数进行优化处理，获得优化后的铣削加工工艺参数。
可选地，步骤S2包括：
根据铣削稳定性、铣削表面位置误差可靠度以及预设优化变量之间的关系构造惩罚函数：
P(vc,ft,ap,ae)＝Mk·(max(0,R1min-R1(vc,ft,ap,ae))
+max(0,R2min-R2(vc,ft,ap,ae)))
其中，R1为稳定性可靠度，R2为表面位置误差可靠度，Mk为惩罚因子，vc切削速度(m/min)、ap轴向切深(mm)、每齿进给量ft(mm/z)和径向切深ae(mm)；
采用惩罚函数处理后的最终优化的目标函数为：
fun＝-MRR+SLE+Mk·(max(0,R1min-R1(vc,ft,ap,ae))
+max(0,R2min-R2(vc,ft,ap,ae)))
约束条件为：
可选地，所述步骤S2包括：
采用全离散预测方法建立所述多目标函数优化模型中的最小表面位置误差模型。
可选地，采用全离散预测方法建立所述多目标函数优化模型中的最小表面位置误差模型，包括：
采用全离散预测方法获取建立铣削颤振稳定性模型的稳定性对应的转移矩阵；
判断转移矩阵的特征值；
若转移矩阵的特征值在铣削加工系统稳定区间内，则获取建立铣削颤振稳定性模型时的稳态系数；
根据所述稳态系数获取最小表面位置误差模型。
可选地，采用Kriging模型优化处理所述最小表面位置误差模型，获取可靠度，判断可靠度是否满足可靠度约束条件，若满足，则
将求得最终结果对应的参数，作为优化后的铣削加工工艺参数。
可选地，采用Kriging模型优化处理所述最小表面位置误差模型的步骤之前，所述方法还包括：
采用混合抽样方法获取预设数量样本点，采用遗传算法对初始Kriging模型中的θ进行优化，利用所述预设数量样本点和优化后的θ构建Kriging模型。
可选地，构建Kriging模型，包括：
判断最小表面位置误差模型的抽样维数是否大于1；
若是，则采用修正的拉丁超立方抽样方法获取预设数量样本点；
否则，采用汉默斯里序列抽样方法获取预设数量样本点；
采用改进的全局优化方法确定最小表面位置误差模型中的M-EI的最大值位置；
判断是否满足停止准则，若是，则利用所述预设数量样本点和优化后的θ构建Kriging模型；
否则，将在确定的最大值位置处获取的样本点加入样本集，重新构建Kriging模型。
本发明具有的有益效果如下：
本发明的方法中将材料去除率和表面位置误差作为优化的目标函数，提出一种在保证铣削系统可靠度不低于某一规定值的条件下，在稳定性约束条件下的铣削参数优化模型；并且，在可靠度的计算中，使用高精度的Kriging代理模型，不仅提高了计算精度，效率也大大提高。使用本发明方法与现有的传统方法相比，能够更好地降低制造及加工成本要求，具有十分重要的工程价值。
附图说明
图1A和图1B分别为本发明的方法实现流程图；
图2为本发明的铣削过程动力学模型图；
图3为本发明的混合抽样的实现流程图；
图4为本发明的Kriging模型的M-EI算法流程图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1A所示，本发明实施例提供一种铣削加工工艺参数的可靠性优化方法，该方法包括下述步骤：
步骤S1、确定铣削加工工艺参数的优化变量和优化目标。
举例来说，优化变量包括：X＝(vc,ft,ap,ae)；
其中，vc表示切削速度m/min、ap表示轴向切深mm、ft表示每齿进给量mm/z和ae表示径向切深mm；
优化目标可为：最小表面位置误差SLE和材料去除率MRR表示的最大的生产效率；
MRR＝ΩNapaeft；N表示铣刀齿数。
步骤S2、根据预定的约束条件和优化变量、优化目标，建立多目标函数优化模型；所述约束条件包括：铣削系统可靠性约束条件.
可理解的是，本实施例中，可采用全离散预测方法建立所述多目标函数优化模型中的最小表面位置误差模型。
在本实施例中，多目标函数优化模型为：
约束条件可为：
R≥Rmin
Ω表示机床主轴转速，vf表示机床的进给速度，Tmax表示机床允许的最大切削扭矩，Pmax*表示机床的最大许可功率，R表示铣削系统的可靠度，Rmin为最小允许的可靠度，Ft表示切削力，D表示铣刀直径，x1,2,3,4代表X变量的第1,2,3,4参数，
其中，X＝(vc,ft,ap,ae)；的初始值根据预先确定的稳定性叶瓣图的稳定区选取符合稳定性的数值。
步骤S3、采用遗传算法和非线性规划相结合的方法对所述多目标函数优化模型进行优化处理，获得优化后的铣削加工工艺参数。
举例来说，上述步骤S2可包括：
S21、根据铣削稳定性、铣削表面位置误差可靠度以及预设优化变量之间的关系构造惩罚函数：
P(vc,ft,ap,ae)＝Mk·(max(0,R1min-R1(vc,ft,ap,ae))
+max(0,R2min-R2(vc,ft,ap,ae)))
其中，R1为稳定性可靠度，R2为表面位置误差可靠度，Mk为惩罚因子，vc切削速度(m/min)、ap轴向切深(mm)、每齿进给量ft(mm/z)和径向切深ae(mm)。
S22、采用惩罚函数法对多目标函数优化模型的约束条件进行处理，将所述多目标函数优化模型对应的约束优化模型转换为一个非约束优化模型；
采用惩罚函数处理后的最终优化的目标函数为：
fun＝-MRR+SLE+Mk·(max(0,R1min-R1(vc,ft,ap,ae))
+max(0,R2min-R2(vc,ft,ap,ae)))
约束条件为：
相应地，在步骤S3中、采用遗传算法和非线性规划相结合的方法对所述非约束优化模型进行优化处理，获得优化后的铣削加工工艺参数。
本实施例的方法，根据实际情况出发，将稳定性与优化模型深度结合，并将可靠度作为约束条件以保证优化后的工艺参数使铣削系统完成规定功能时的可靠度不低于某一值。在铣削模型的建立时采用全离散法,而在可靠度的计算中,首次将改进的Kriging模型引入铣削参数优化中,将材料去除率和表面位置误差作为优化的目标，用遗传算法和非线性规划相结合的算法进行优化，最终取得的参数对于实际工程具有很大的实用价值。
为更好的理解本发明，以下结合图1B至图4对进行详细说明。
本实施例中，以硬质合金螺旋立铣刀加工铝合金7075-T6为例，切削力系数为：Kt＝6×108N/m2，Kn＝2×108N/m2，Kte＝Kne＝0；模态刚度kx＝ky＝1.34×106N/m，模态阻尼cx＝cy＝5.089Ns/m，模态质量mx＝my＝0.03993kg；具体如表1所示：
表1随机变量的概率分布特性
本实施例中，方法的流程图如图1B所示，包括以下步骤：
步骤01、首要的工作就是选择需要优化的变量,将基本的切削用量参数作为设计变量，即切削速度vc(m/min)、轴向切深ap(mm)、每齿进给量ft(mm/z)和径向切深ae(mm)，即设计变量为X＝(vc,ft,ap,ae)；
步骤02、优化目标选为最小表面位置误差(SLE)和最大的生产效率，其中，生产效率用材料去除率(Material Removal Rate，MRR)表示；
MRR可由下式表示：
MRR＝ΩNapaeft (5)
步骤03、由于受所选用机床的主轴转速、进给量、进给力、切削功率、工件质量等限制，为了更加符合实际要求，需要将多方面的约束和影响考虑在内,具体如下；
子步骤3-1、切削速度vc必须满足机床主轴转速Ω的约束；
子步骤3-2、每齿进给量ft必须满足机床的进给速度vf的约束；
子步骤3-3、高速铣削的高转速、小切深、大进给是比较明显的特征，所以将轴向切深限制在一定区间；
子步骤3-4、同上，径向切深也需要限制在一定区间；
子步骤3-5、切削扭矩必须小于机床允许的最大切削扭矩；
子步骤3-6、切削功率必须小于机床的最大的许用功率；
子步骤3-7、高速铣削的加工过程中，当参数的设置不合理时就会发生颤振，所以根据稳定性叶瓣图选取相关的参数。
本实施例的稳定性叶瓣图可为已经实现铣削工艺的过程生成的叶瓣图，为现有的叶瓣图。所述的稳定性约束同表面位置误差模型建立均可采用全离散法进行预测，最终得到稳定性叶瓣图，而铣削加工参数只能在由轴向切深、径向切深和主轴转速组成的曲线下方选择。
子步骤3-8、分析计算得到各切削参数与稳定性可靠度以及表面位置误差可靠度之间的关系，并保证加工过程中可靠度大于某一值；
R≥Rmin (12)
式中，Rmin为最小允许的可靠度。
步骤04、根据所选择的优化目标，建立多目标函数优化模型；
多目标函数优化模型如下式所示：
步骤05、基于步骤04建立的优化模型，本实施例采用遗传算法和非线性规划相结合的方法对多目标函数优化模型进行可靠性优化；
也就是说，采用遗传算法和非线性规划相结合的方法进行可靠性优化设计。经典非线性规划局部搜索能力较强，但是全局搜索能力较弱。遗传算法采用选择、交叉和变异算子进行搜索，全局搜索能力较强，但是局部搜索能力较弱。所以，结合两种算法的优点，采用遗传算法进行全局搜索，同时采用非线性规划算法进行局部搜索，以得到问题的全局最优解。
步骤06、对建立的约束条件进行处理，本实施例采用间接法中比较典型的惩罚函数法进行约束条件的处理，将现有的优化问题转换成一个非约束优化问题。
在本实施例中，采用间接法中比较典型的惩罚函数法进行约束条件的处理,将现有的优化问题转换成一个非约束优化问题。现将铣削稳定性、铣削表面位置误差可靠度以及各优化变量之间复杂的关系构造惩罚函数如下式所示：
式中，R1为稳定性可靠度，R2为表面位置误差可靠度，Mk为惩罚因子。
相应地，采用惩罚函数处理后的最终优化的目标函数如下式所示：
本实施例采用遗传算法和非线性规划相结合的方法对多目标函数优化模型进行可靠性优化。
针对上述步骤02中建立最小表面位置误差模型具体说明如下：
本实施例中采用全离散法建立最小表面位置误差模型，对于铣削颤振稳定性的建立也使用全离散法实现。
首先是铣削颤振稳定性的预测/建立：
子步骤2-a、全离散法预测首先将周期T分为r个时间段,即T＝mΔt，m∈Z。周期可理解为铣刀切削一周，即转一圈。
铣削加工动力学模型如图1所示，其控制方程可以表示为：
其中，m为等效质量；c为等效阻尼；k为等效刚度；
q(t)＝[x(t) y(t)]T为刀具模态坐标，F(t)＝[Fx(t) Fy(t)]T为切削力矩阵，M为刀具的模态质量矩阵，K为模态刚度矩阵，C为模态阻尼矩阵。
设及x(t)＝[q(t) p(t)]T，此时，公式(13)可以转化成状态方程的形式
公式(14)中，
在任意时间区段上，公式(14)可以重新表示为
公式(16)式中,tj＝jΔt，j∈Z。
其中，周期系数项状态项和时滞项可以由线性逼近求得，分别为
其中，Bj＝B(tj)，yj＝y(tj)。
子步骤2-b、解动力学方程构成的常微分方程；
解方程(16)，得到
yj+1＝(Φ0+Fj)yj+Fj+1yj+1-Fj+1yj-m+1-Fjyj-m (20)
式中，
Φ0＝eAΔt，Φ1＝A-1(Φ0-I)，Φ2＝A-1(ΔtΦ0-Φ1)，Φ3＝A-1(Δt2Φ0-2Φ2) (23)
子步骤2-c、根据上述步骤得到离散矩阵；
zj+1＝Djzj (24)
公式(24)中，
zj＝col(yj,yj-1,...,yj+1-m,yj-m) (25)
子步骤2-d、最终得状态转移矩阵就可以判定铣削颤振稳定性。
转移矩阵表示为
Φ＝Dm-1Dm-2...D1D0 (27)
根据Floquet理论，铣削加工系统的稳定性可由转移矩阵Φ的特征值判断，若转移矩阵Φ的所有特征值的模均小于1，则铣削加工系统稳定，即
其次是建立最小表面位置误差模型：
子步骤2-1、全离散法预测首先将周期T分为r个时间段；
计算铣削表面位置误差时，必须考虑动力学方程中的静态力项，此时，上述公式(14)变为
公式(29)中，f(t)＝[0 f0(t)]T。
在任意时间区段上，公式(29)可以为
公式(30)中的静态力项同样可由线性逼近求得：
其中，fj＝f(tj)。
子步骤2-2、解动力学方程构成的常微分方程；
即解公式(30)的常微分方程得
yj+1＝(Φ0+Fj)yj+Fj+1yj+1-Fj+1yj-r+1-Fjyj-r+Gj (32)
公式(32)中，
步子骤2-3、根据上述子步骤2-2中的计算过程，得到离散矩阵；
由公式(32)可以得如下离散映射
zj+1＝Djzj+EjGj (34)
公式(34)中，
Ej＝col([I-Fj+1]-1,0,...,0) (35)
系统在单个时间周期上的状态转移关系可由矩阵序列Dj，Ej，Gj(j＝0,…,r-1)表出，即
yr＝Φy0+H (36)
式中，
第l周期的稳态系数向量可根据不动点原理由公式(26)计算出来：
子步骤2-4、最终得到稳态系数就可以求出表面位置误差模型。
另外，针对子步骤3-8所述的可靠度约束时，最小表面位置误差模型的可靠度的计算方法采用的是Kriging模型。且在利用Kriging模型时进行了相关的模型的优化，具体流程图如图4所示：
子步骤3-a、用混合抽样方法对最小表面位置误差模型进行初始采样具体流程图如图3所示，获得一定数量样本点。
另外，若采用Kriging模型对稳定性模型进行优化，则可采用混合抽样方法对稳定性模型进行初始采样，以获取一定数量样本点。
子步骤3-b、用遗传算法对初始Kriging模型中的θ进行优化，然后利用取得的样本点和优化后的θ构建初始的kriging模型；
子步骤3-c、用改进的全局优化方法得到M-EI(改进的改善期望)的最大值位置，并且在该处采样；当不满足停止准则时将获得的新样本点并更新Kriging模型；
求M-EI的具体步骤为：
假设将任一目标函数minxy＝F(x)修正为minxy+ks,(k≥0)，因为Kriging方法是一个通用方法，所以此处即代表任意的功能函数F(x)，则当前函数最小值变为，
(y+ks)min＝min(yi+ksi),(si＝0,1,2,…,n) (39)
如果，
则有，
其中，
子步骤3-d、用改进的全局优化算法得到当前Kriging模型的最优解，并且在该处采样估值，如果满足停止条件则得到最终结果(即得到建立好的最终精度比较高的Kriging模型)，如果不满足就更新Kriging模型，然后转到子步骤3-c。
该方法的停止准则为：
其中Δs是停止精度；而在实际中，优化算法的停止准则通常采用相对精度Δr：
实施例
仿真参数刀齿数N＝2，直径D＝12.7mm，铣削方式为顺铣，动力学参数如表5.1所示。根据遗传算法与非线性规划理论，在MATLAB软件中编程实现基于遗传算法和非线性规划的函数寻优算法求解该问题。遗传算法参数设置为：种群规模100，进化代数100，个体交叉概率0.6，个体变异概率0.01。优化前后的结果对比如表2所示。
最终实施例确定的约束条件为：
表2优化结果对比
从表2中优化前后的参数可以发现，稳定性及表面位置误差的可靠度都得到了提高，分别由0.998和0.509提高到了1；而MRR则由3414mm3/min提高到了5682mm3/min；同样SLE由-0.0413mm减低到了0.0106mm，满足工程实际需求。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种铣削加工工艺参数的可靠性优化方法，其特征在于，包括：
步骤S1、确定铣削加工工艺参数的优化变量和优化目标；
步骤S2、根据预定的约束条件和优化变量、优化目标，建立多目标函数优化模型；所述约束条件包括：铣削系统可靠性约束条件；
步骤S3、采用遗传算法和非线性规划相结合的方法对所述多目标函数优化模型进行优化处理，获得优化后的铣削加工工艺参数。
2.根据权利要求1所述的方法，其特征在于，在步骤S1中，
优化变量包括：X＝(vc,ft,ap,ae)；
其中，vc表示切削速度m/min、ap表示轴向切深mm、ft表示每齿进给量mm/z和ae表示径向切深mm；
优化目标为：最小表面位置误差SLE和材料去除率MRR表示的最大的生产效率；
MRR＝ΩNapaeft；
N表示铣刀齿数。
3.根据权利要求2所述的方法，其特征在于，在步骤S2中，
多目标函数优化模型为：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>min</mi>
</mtd>
<mtd>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mo>|</mo>
<mi>S</mi>
<mi>L</mi>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>v</mi>
<mi>c</mi>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mi>a</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<msub>
<mi>a</mi>
<mi>e</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>,</mo>
<mo>-</mo>
<mi>M</mi>
<mi>R</mi>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>v</mi>
<mi>c</mi>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mi>a</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<msub>
<mi>a</mi>
<mi>e</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>v</mi>
<mi>c</mi>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mi>a</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<msub>
<mi>a</mi>
<mi>e</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mn>0</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mn>10</mn>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
约束条件为：
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&pi;D&Omega;</mi>
<mi>min</mi>
</msub>
</mrow>
<mn>1000</mn>
</mfrac>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>&le;</mo>
<mn>0</mn>
</mrow>
<mrow>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>&pi;D&Omega;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
<mn>1000</mn>
</mfrac>
<mo>&le;</mo>
<mn>0</mn>
</mrow>
<mrow>
<msub>
<mi>p</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msub>
<mi>v</mi>
<mrow>
<mi>f</mi>
<mi>min</mi>
</mrow>
</msub>
<mrow>
<msub>
<mi>N&Omega;</mi>
<mi>max</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>&le;</mo>
<mn>0</mn>
</mrow>
<mrow>
<msub>
<mi>p</mi>
<mn>4</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mi>v</mi>
<mrow>
<mi>f</mi>
<mi>max</mi>
</mrow>
</msub>
<mrow>
<msub>
<mi>N&Omega;</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>&le;</mo>
<mn>0</mn>
</mrow>
p5(x)＝apmin-x3≤0
p6(x)＝x3-apmax≤0
p7(x)＝aemin-x4≤0
p8(x)＝x4-aemax≤0
<mrow>
<msub>
<mi>p</mi>
<mn>9</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>T</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<msub>
<mi>F</mi>
<mi>t</mi>
</msub>
<mo>&CenterDot;</mo>
<mfrac>
<mi>D</mi>
<mrow>
<mn>2</mn>
<mo>&times;</mo>
<mn>1000</mn>
</mrow>
</mfrac>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>p</mi>
<mn>10</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>P</mi>
<mo>=</mo>
<msub>
<mi>F</mi>
<mi>t</mi>
</msub>
<mo>&CenterDot;</mo>
<mfrac>
<msub>
<mi>v</mi>
<mi>c</mi>
</msub>
<mrow>
<mn>60</mn>
<mo>&times;</mo>
<mn>1000</mn>
</mrow>
</mfrac>
<mo>&le;</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mi>&eta;</mi>
</mrow>
R≥Rmin
其中，Ω表示机床主轴转速，vf表示机床的进给速度，Tmax表示机床允许的最大切削扭矩，Pmax表示机床的最大许可功率，R表示铣削系统的可靠度，Rmin为最小允许的可靠度，Ft表示切削力，D表示铣刀直径，x1,2,3,4代表X变量的第1,2,3,4参数，
其中，X＝(vc,ft,ap,ae)；的初始值根据预先确定的稳定性叶瓣图的稳定区选取符合稳定性的数值。
4.根据权利要求3所述的方法，其特征在于，所述步骤S2包括：
采用惩罚函数法对多目标函数优化模型的约束条件进行处理，将所述多目标函数优化模型对应的约束优化模型转换为一个非约束优化模型；
相应地，在步骤S3中，通过预设的稳定性叶瓣图选取初始铣削参数，判断初始铣削参数的稳定性可靠度是否满足铣削系统可靠性约束条件，若是，则采用遗传算法和非线性规划相结合的方法对所述非约束优化模型中的目标函数进行优化处理，获得优化后的铣削加工工艺参数。
5.根据权利要求4所述的方法，其特征在于，步骤S2包括：
根据铣削稳定性、铣削表面位置误差可靠度以及预设优化变量之间的关系构造惩罚函数：
P(vc,ft,ap,ae)＝Mk·(max(0,R1min-R1(vc,ft,ap,ae))
+max(0,R2min-R2(vc,ft,ap,ae)))
其中，R1为稳定性可靠度，R2为表面位置误差可靠度，Mk为惩罚因子，vc切削速度(m/min)、ap轴向切深(mm)、每齿进给量ft(mm/z)和径向切深ae(mm)；
采用惩罚函数处理后的最终优化的目标函数为：
fun＝-MRR+SLE+Mk·(max(0,R1min-R1(vc,ft,ap,ae))
+max(0,R2min-R2(vc,ft,ap,ae)))
约束条件为：
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>420</mn>
<mo>&le;</mo>
<msub>
<mi>v</mi>
<mi>c</mi>
</msub>
<mo>&le;</mo>
<mn>600</mn>
<mi>m</mi>
<mi>m</mi>
<mo>/</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0.02</mn>
<mo>&le;</mo>
<msub>
<mi>f</mi>
<mi>t</mi>
</msub>
<mo>&le;</mo>
<mn>0.08</mn>
<mi>m</mi>
<mi>m</mi>
<mo>/</mo>
<mi>z</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0.2</mn>
<mo>&le;</mo>
<msub>
<mi>a</mi>
<mi>p</mi>
</msub>
<mo>&le;</mo>
<mn>0.8</mn>
<mi>m</mi>
<mi>m</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>2.5</mn>
<mo>&le;</mo>
<msub>
<mi>a</mi>
<mi>e</mi>
</msub>
<mo>&le;</mo>
<mn>25</mn>
<mi>m</mi>
<mi>m</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0.99</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0.99</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
6.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：
采用全离散预测方法建立所述多目标函数优化模型中的最小表面位置误差模型。
7.根据权利要求6所述的方法，其特征在于，采用全离散预测方法建立所述多目标函数优化模型中的最小表面位置误差模型，包括：
采用全离散预测方法获取建立铣削颤振稳定性模型的稳定性对应的转移矩阵；
判断转移矩阵的特征值；
若转移矩阵的特征值在铣削加工系统稳定区间内，则获取建立铣削颤振稳定性模型时的稳态系数；
根据所述稳态系数获取最小表面位置误差模型。
8.根据权利要求7所述的方法，其特征在于，
采用Kriging模型优化处理所述最小表面位置误差模型，获取可靠度，判断可靠度是否满足可靠度约束条件，若满足，则将求得最终结果对应的参数，作为优化后的铣削加工工艺参数。
9.根据权利要求8所述的方法，其特征在于，采用Kriging模型优化处理所述最小表面位置误差模型的步骤之前，所述方法还包括：
采用混合抽样方法获取预设数量样本点，采用遗传算法对初始Kriging模型中的θ进行优化，利用所述预设数量样本点和优化后的θ构建Kriging模型。
10.根据权利要求9所述的方法，其特征在于，构建Kriging模型，包括：
判断最小表面位置误差模型的抽样维数是否大于1；
若是，则采用修正的拉丁超立方抽样方法获取预设数量样本点；
否则，采用汉默斯里序列抽样方法获取预设数量样本点；
采用改进的全局优化方法确定最小表面位置误差模型中的M-EI的最大值位置；
判断是否满足停止准则，若是，则利用所述预设数量样本点和优化后的θ构建Kriging模型；
否则，将在确定的最大值位置处获取的样本点加入样本集，重新构建Kriging模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710631126.2A CN107480352B (zh) | 2017-07-28 | 2017-07-28 | 一种铣削加工工艺参数的可靠性优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710631126.2A CN107480352B (zh) | 2017-07-28 | 2017-07-28 | 一种铣削加工工艺参数的可靠性优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107480352A true CN107480352A (zh) | 2017-12-15 |
| CN107480352B CN107480352B (zh) | 2020-05-05 |
Family
ID=60597906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710631126.2A Active CN107480352B (zh) | 2017-07-28 | 2017-07-28 | 一种铣削加工工艺参数的可靠性优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107480352B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110405533A (zh) * | 2019-07-23 | 2019-11-05 | 重庆大学 | 一种刀具姿态优化方法 |
| CN111558849A (zh) * | 2020-05-11 | 2020-08-21 | 内蒙古工业大学 | 盘铣刀加工参数优化方法及装置、电子设备及存储介质 |
| CN111759488A (zh) * | 2020-07-09 | 2020-10-13 | 山东大学 | 一种应用于根管预备的变截面镍钛根管锉的设计方法及系统与制备 |
| CN112287484A (zh) * | 2020-10-29 | 2021-01-29 | 复旦大学 | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 |
| CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
| CN113553727A (zh) * | 2021-08-12 | 2021-10-26 | 东北大学 | 一种同时考虑铣削力幅值与均值的铣削力系数辨识方法 |
| CN113569353A (zh) * | 2021-07-21 | 2021-10-29 | 扬州力创机床有限公司 | 一种微铣削加工参数的可靠性优化方法、装置及电子设备 |
| CN113820999A (zh) * | 2021-09-26 | 2021-12-21 | 南昌航空大学 | 基于神经网络和遗传算法的稳定铣削工艺参数优化方法 |
| CN114160847A (zh) * | 2020-09-10 | 2022-03-11 | 华中科技大学 | 一种变转速加工方法、系统、设备及介质 |
| CN114398732A (zh) * | 2022-01-11 | 2022-04-26 | 福州大学 | 一种cfrp铣削工艺参数的优化方法及系统 |
| CN114548610A (zh) * | 2022-04-27 | 2022-05-27 | 季华实验室 | 发动机盖外板冲压工艺的自动排布方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001105280A (ja) * | 1999-10-06 | 2001-04-17 | Hitachi Tool Engineering Ltd | 切削加工方法 |
| CN102873381A (zh) * | 2012-09-29 | 2013-01-16 | 西安交通大学 | 一种基于动力学模型的高速铣削工艺参数优化方法 |
-
2017
- 2017-07-28 CN CN201710631126.2A patent/CN107480352B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001105280A (ja) * | 1999-10-06 | 2001-04-17 | Hitachi Tool Engineering Ltd | 切削加工方法 |
| CN102873381A (zh) * | 2012-09-29 | 2013-01-16 | 西安交通大学 | 一种基于动力学模型的高速铣削工艺参数优化方法 |
Non-Patent Citations (6)
| Title |
|---|
| 丁汉 等: "铣削过程稳定性分析的时域法研究进展", 《科学通报》 * |
| 周峰: "航空典型特征件铣削参数优化系统的研究与开发", 《中国优秀硕士学位论文全文数据库工程科技辑》 * |
| 李硕: "铣削系统颤振稳定性分析及稳健性优化", 《中国优秀硕士学位论文全文数据库工程科技辑》 * |
| 胡瑞飞 等: "切削稳定性约束下的铣削参数优化技术研究", 《机械工程学报》 * |
| 苏雅 等: "深埋隧道衬砌稳定可靠度的Kriging插值法与遗传算法协同优化求解法", 《岩土力学》 * |
| 邹林君: "基于Kriging模型的全局优化方法研究", 《中国优秀硕士学位论文全文数据库工程科技辑》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110405533A (zh) * | 2019-07-23 | 2019-11-05 | 重庆大学 | 一种刀具姿态优化方法 |
| CN110405533B (zh) * | 2019-07-23 | 2022-03-11 | 重庆大学 | 一种刀具姿态优化方法 |
| CN111558849A (zh) * | 2020-05-11 | 2020-08-21 | 内蒙古工业大学 | 盘铣刀加工参数优化方法及装置、电子设备及存储介质 |
| CN111558849B (zh) * | 2020-05-11 | 2021-10-22 | 内蒙古工业大学 | 盘铣刀加工参数优化方法及装置、电子设备及存储介质 |
| CN111759488A (zh) * | 2020-07-09 | 2020-10-13 | 山东大学 | 一种应用于根管预备的变截面镍钛根管锉的设计方法及系统与制备 |
| CN111759488B (zh) * | 2020-07-09 | 2021-08-24 | 山东大学 | 一种应用于根管预备的变截面镍钛根管锉的设计方法及系统与制备 |
| CN114160847A (zh) * | 2020-09-10 | 2022-03-11 | 华中科技大学 | 一种变转速加工方法、系统、设备及介质 |
| CN112287484B (zh) * | 2020-10-29 | 2021-12-07 | 复旦大学 | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 |
| CN112287484A (zh) * | 2020-10-29 | 2021-01-29 | 复旦大学 | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 |
| CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
| CN113569353A (zh) * | 2021-07-21 | 2021-10-29 | 扬州力创机床有限公司 | 一种微铣削加工参数的可靠性优化方法、装置及电子设备 |
| CN113569353B (zh) * | 2021-07-21 | 2023-09-26 | 扬州力创机床有限公司 | 一种微铣削加工参数的可靠性优化方法、装置及电子设备 |
| CN113553727A (zh) * | 2021-08-12 | 2021-10-26 | 东北大学 | 一种同时考虑铣削力幅值与均值的铣削力系数辨识方法 |
| CN113820999A (zh) * | 2021-09-26 | 2021-12-21 | 南昌航空大学 | 基于神经网络和遗传算法的稳定铣削工艺参数优化方法 |
| CN113820999B (zh) * | 2021-09-26 | 2023-04-07 | 南昌航空大学 | 基于神经网络和遗传算法的稳定铣削工艺参数优化方法 |
| CN114398732A (zh) * | 2022-01-11 | 2022-04-26 | 福州大学 | 一种cfrp铣削工艺参数的优化方法及系统 |
| CN114548610A (zh) * | 2022-04-27 | 2022-05-27 | 季华实验室 | 发动机盖外板冲压工艺的自动排布方法及装置 |
| CN114548610B (zh) * | 2022-04-27 | 2022-07-08 | 季华实验室 | 发动机盖外板冲压工艺的自动排布方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107480352B (zh) | 2020-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107480352A (zh) | 一种铣削加工工艺参数的可靠性优化方法 | |
| CN103198186B (zh) | 基于特征的飞机结构件切削参数优化方法 | |
| Das et al. | Application of grey fuzzy logic for the optimization of CNC milling parameters for Al–4.5% Cu–TiC MMCs with multi-performance characteristics | |
| Bharathi Raja et al. | Optimization techniques for machining operations: a retrospective research based on various mathematical models | |
| CN104267693B (zh) | 一种机械加工能量效率的切削参数优化方法 | |
| CN102592035B (zh) | 一种车铣复合切削加工表面粗糙度及表面形貌仿真预测方法 | |
| CN108389001B (zh) | 一种基于step-nc的智能非线性工艺规划方法 | |
| CN106776712A (zh) | 基于i5智能数控车床的车削工艺数据库及其应用方法 | |
| CN106647625A (zh) | 一种基于Gear公式预测铣削稳定性的方法 | |
| Zhou et al. | Modelling and optimisation of surface roughness from microgrinding of nickel-based single crystal superalloy using the response surface methodology and genetic algorithm | |
| Luo et al. | Optimization of process parameters for the minimization of surface residual stress in turning pure iron material using central composite design | |
| CN113156900B (zh) | 一种基于元强化学习的加工变形控制方法 | |
| CN108829973A (zh) | 基于极简粒子群优化算法的机床主轴结构参数优化方法 | |
| JP2021166045A (ja) | 機械加工操作の状態を予測する方法 | |
| Saha et al. | Multi criteria selection of optimal machining parameter in turning operation using comprehensive grey complex proportional assessment method for ASTM A36 | |
| CN105414616A (zh) | 螺旋铣孔过程中切削力预报和稳定性判别方法 | |
| Qin et al. | Advancement of mechanical engineering in extreme environments | |
| Ferry et al. | Virtual five-axis flank milling of jet engine impellers—part II: feed rate optimization of five-axis flank milling | |
| Mori et al. | Determination of hammering sequence in incremental sheet metal forming using a genetic algorithm | |
| CN104680000B (zh) | 一种基于正交多项式的铣削稳定性预测方法 | |
| CN114509991A (zh) | 考虑参数不确定的数控机床切削稳定性预测与优化方法 | |
| CN106897503A (zh) | Rv减速器主轴承多目标优化中设计变量范围的确定方法 | |
| CN104680248B (zh) | 一种基于勒让德多项式的铣削稳定性预测方法 | |
| Zhou et al. | Energy consumption prediction model of plane grinder processing system based on BP neural network | |
| Yue et al. | Milling Parameters Optimization of Al-Li Alloy Thin-Wall Workpieces Using Response Surface Methodology and Particle Swarm Optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |