CN109002006A - 基于低碳低成本约束的加工路线优化方法 - Google Patents

基于低碳低成本约束的加工路线优化方法 Download PDF

Info

Publication number
CN109002006A
CN109002006A CN201811067322.2A CN201811067322A CN109002006A CN 109002006 A CN109002006 A CN 109002006A CN 201811067322 A CN201811067322 A CN 201811067322A CN 109002006 A CN109002006 A CN 109002006A
Authority
CN
China
Prior art keywords
carbon emission
function
processing
cutter
manufacturing procedure
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
Application number
CN201811067322.2A
Other languages
English (en)
Other versions
CN109002006B (zh
Inventor
张雷
郑雨
赵希坤
钟言久
蒋诗新
金志峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201811067322.2A priority Critical patent/CN109002006B/zh
Publication of CN109002006A publication Critical patent/CN109002006A/zh
Application granted granted Critical
Publication of CN109002006B publication Critical patent/CN109002006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/36—Nc in input of data, input key till input tape
    • G05B2219/36289—Cutting, machining conditions by optimisation of time, cost, accuracy

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Numerical Control (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于低碳低成本约束的加工路线优化方法，该方法基于总体碳排放和加工总成本构建需要优化的单目标函数，并构建了特征—工序及特征—面孔属性围道布尔矩阵，最后通过遗传算法求出单目标函数的最优解，得到基于低碳低成本约束的加工路线，能够减少制造成本和碳排放，环保性能强。

Description

基于低碳低成本约束的加工路线优化方法
技术领域
本发明涉及一种基于低碳低成本约束的加工路线优化方法，属于机械加工、机械制造优化技术领域。
背景技术
随着人们生活水平的提高，对使用的产品的要求也越来越高，导致产品的加工工艺越来越繁杂精细。目前的数控机床加工领域，采用自动化控制时，在设定刀具的加工路线(又称“运动路径”)和加工量之后，刀具按照既定的程序执行零件的二次或多次加工过程，例如，对待加工产品进行裁切。该加工路线往往是根据待加工产品的参数来决定，例如，待加工产品的外轮廓。然而，这种加工方式并没有考虑成本因素，按照这样的加工路线进行加工，会导致加工费用增加，使得加工的产品成本提高，给企业带来经济损失。
发明内容
针对上述技术问题，本发明实施例提供一种基于低碳低成本约束的加工路线优化方法。
本发明采用的技术方案为：
本发明实施例提供一种基于低碳低成本约束的加工路线优化方法，包括以下步骤：
S101、根据零件加工工艺路线中的具体制造特征，将所有制造特征进行集合定义，得到零件的制造特征集；
S102、确定所述制造特征集中的各制造特征相应的加工方法，得到零件的加工工序集；
S103、确定在零件制造过程中，所述加工工序集中的每个加工工序的物料碳排放和能耗碳排放，所述物料碳排放等于该加工工序进行时由切屑处理引起的碳排放、切削液消耗引起的碳排放和刀具损耗引起的碳排放之和，所述能耗碳排放等于电能碳排放因子与机械加工的总能耗的积；
S104、基于确定的物料碳排放与能耗碳排放确定总体碳排放；
S105、根据机床机械加工过程中刀具的一般轨迹路线，确定各加工工序的机加工时间，包括切削时间、换刀时间和空行程时间；
S106、基于确定的机加工时间确定机床加工费，并估算刀具损耗费，从而确定加工总成本，所述加工总成本等于机床加工费与刀具损耗费之和；
S107、根据多色集合原理分别构建特征—工序及特征—面孔属性围道布尔矩阵，并对加工工序进行优化，包括基因编码和构建单目标函数，所述单目标函数基于所述总体碳排放和总成本构建，为表征对应的加工工艺路线序列为最优的加工序列的函数；
S108、基于构建的围道布尔矩阵，利用遗传算法，确定所述单目标函数的最优解。
可选地，其中，切屑处理引起的碳排放其中ρi、Vi、μ、EFi chip分别表示第i个加工工序中切屑的密度，单位为kg/m3、切屑的体积，单位为m3、切屑的回收率和切屑回收过程的碳排放因子，单位为kgco2e/kg；
切削液消耗引起的碳排放其中q、ti、EFioil分别表示第i个加工工序中切削液的密度，单位为g/mm3、流量，单位为mm3/s、加工时间，单位为s和切削液的碳排放因子，单位为kgco2e/kg；
刀具损耗引起的碳排放其中tmi为加工工序i的加工时间，Ti t为加工工序i所用刀具的寿命，为对应的刀具质量，EFi t为刀具的碳排放因子。
可选地，其中，机械加工的总能耗Ee＝tp·pu+te·pe+(tm·pu+pc+pa)，其中Pu、Pc、Pa、Pe分别代表空载功率、负载功率、附件功率、换刀功率；其中：tp、tm、tc分别为准备时间、切削时间、换刀时间，单位为s。
可选地，所述总体碳排放通过下述公式确定：
总体碳排放
其中，GMi为第工序i的物料碳排放，GEi为第工序i的能耗碳排放。
可选地，其中，
机床加工费其中Costeq为机床加工费用；n为加工工序数量；分别表示第i个加工工序的切削时间、换刀时间和空行程时间；Rmt为折旧费；
刀具损耗费其中Costt为刀具使用成本；m为刀具数量；Si、Ci分别为刀具工件上切除的有效面积、切削深度、刀具额定寿命、刀具成本；ap、aq为刀具推荐背吃刀量和轴向吃刀量。
可选地，所述基于所述总体碳排放和总成本构建单目标函数包括：
对总体碳排放函数和加工总成本函数进行归一化处理，得到无量纲的总体碳排放函数和无量纲的加工总成本函数；
将得到的无量纲的总体碳排放函数和无量纲的加工总成本函数进行加权求和，得到加权函数；
将所述加权函数进行最小化处理，从而得到所述单目标函数。
可选地，所述基于构建的围道布尔矩阵，利用遗传算法，确定所述单目标函数的最优解，具体包括：
(1)、将原始种群中的所有加工工艺路线按其加权函数的值进行从小到大排序，按预设比例去除加权函数较大的路线，形成一个新的种群；
(2)、将形成的新种群进行染色体的交叉操作和变异操作，所述染色体表征一种加工工艺路线的工序序列；
(3)、将经交叉和变异操作得到的新种群重新进行步骤(1)和(2)，当经过若干次重复迭代后，在单目标函数的值收敛时，将收敛值对应的加工工艺路线确定为最优路线，其中，在重复步骤(1)时，利用新种群替代原始种群。
可选地，所述交叉操作包括：
运用单点交叉法进行交叉操作，将个体染色体编码进行交叉；在将缩小规模后优化的新种群中随机选择两个顺序串U1和U2，并生产一个在区间[0,1]之间的随机数rk，当rk小于交叉概率Pc则进行交叉操作，具体步骤如下：
1)在区间[1,n]取一个均匀分布的随机数k作为交叉点；
2)将交叉点之前的基因按照在父辈U1串中的顺序复制到子辈O1中；
3)在子辈O1交叉点后的基因要从另一个父辈U2中进行依次扫描，如此基因在子辈中，则对下一基因进行扫描，如果不存在，将此基因按照顺序存放到子辈O1中，所述基因表征一个加工工序。
可选地，所述变异操作包括：
将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因来代替，从而形成一个新的个体，具体方法如下：
1)根据变异概率Pm随机在种群中选择若干染色体；
2)设基因的长度为n，在[1，n]之中随机选择一个基因位置i，判断i和i+1的两个基因对应的加工工序是否属于同一个制造特征，如果是，重新进行本步骤；
3)计算变异前后和假设变异后的换刀时间和转位时间和为T1和T2，若T2≤T1且满足相互约束，则交换两基因值的位置，否则返回步骤2)；
其中，所述约束包括基准先行、先主后次、先面后孔、先粗后精和工序集中。
可选地，所述交叉概率Pc和所述变异概率Pm通过下式确定：
其中gmax为种群的最大适应度值；ga为种群的平均适应度值；g'为要交叉的两个染色体中较大的适应度值；g为要变异个体的适应值；k1、k2、k3、k4为(0,1)之间设定的常数。
本发明实施例提供的基于低碳低成本约束的加工路线优化方法，基于总体碳排放和加工总成本构建需要优化的单目标函数，并构建了特征—工序及特征—面孔属性围道布尔矩阵，最后通过遗传算法求出单目标函数的最优解，得到基于低碳低成本约束的加工路线，能够减少制造成本和碳排放，环保性能强。
附图说明
图1为本发明实施例提供的基于低碳低成本约束的加工路线优化方法的流程示意图；
图2为本发明实施例的基因编码流程示意图；
图3为特征—工序围道布尔矩阵具体建模示意图；
图4为特征—面孔属性围道布尔矩阵建模示意图；
图5为对图3的围道矩阵所描述的工序进行编码的示意图；
图6为利用1代替图4中的黑点，利用0代替图4中的非黑点的示意图；
图7为在用低碳低成本对加工序列进行优化时，用基于多色集合的遗传算法迭代的收敛图；
图8为以低碳低成本为目标进行优化时，加工序列的最优染色体基因表现形式示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
图1为本发明实施例提供的基于低碳低成本约束的加工路线优化方法的流程示意图。如图1所示，本发明实施例提供的基于低碳低成本约束的加工路线优化方法包括以下步骤：
S101、根据零件加工工艺路线中的具体制造特征，将所有制造特征进行集合定义，得到零件的制造特征集；
S102、确定所述制造特征集中的各制造特征相应的加工方法，得到零件的加工工序集；
S103、确定在零件制造过程中，所述加工工序集中的每个加工工序的物料碳排放和能耗碳排放，所述物料碳排放等于该加工工序进行时由切屑处理引起的碳排放、切削液消耗引起的碳排放和刀具损耗引起的碳排放之和，所述能耗碳排放等于电能碳排放因子与机械加工的总能耗的积；
S104、基于确定的物料碳排放与能耗碳排放确定总体碳排放；
S105、根据机床机械加工过程中刀具的一般轨迹路线，确定各加工工序的机加工时间，包括切削时间、换刀时间和空行程时间；
S106、基于确定的机加工时间确定机床加工费，并估算刀具损耗费，从而确定加工总成本，所述加工总成本等于机床加工费与刀具损耗费之和；
S107、根据多色集合原理分别构建特征—工序及特征—面孔属性围道布尔矩阵，并对加工工序进行优化，包括基因编码和构建单目标函数，所述单目标函数基于所述总体碳排放和总成本构建，为表征对应的加工工艺路线序列为最优的加工序列的函数；
S108、基于构建的围道布尔矩阵，利用遗传算法，确定所述单目标函数的最优解。
以下对这些步骤进行详细介绍。
S101、根据零件加工工艺路线中的具体制造特征，将所有制造特征进行集合定义， 得到零件的制造特征集。
在本发明中，为了方便工艺路线优化决策问题的描述，根据零件加工工艺路线中具体制造特征(如孔、槽、平面、倒角等)，将所有制造特征进行集合定义，进而得到零件的制造特征集E：
制造特征集E＝{e1,e2,L,ei,L,en}，i＝1,2,L,n，其中ei表示零件的第i个制造特征；n表示零件所包含的制造特征的个数。
S102、确定所述制造特征集中的各制造特征相应的加工方法，得到零件的加工工 序集。
制造特征在加工过程中一般通过若干工序的加工获得，这些工序构成了一个特征加工链。根据特征加工链通过技术手册可确定零件制造特征集中各制造特征相应的加工方法，进而得到零件的加工工序集P:
加工工序集P＝{P11,P12,L,Pij,L,Pnm}，i＝1,2,L,n，j＝1,2,L,m，其中Pij表示与制造特征ei所对应的加工链中的第j道工序，m表示与制造特征en所对应的加工链中包含的加工工序数。
由于设计中一般以零件的加工工序作为核心进行分析，故将加工工序集进行简化，可表示为：
简化加工工序集P＝{P1,P2,L,Pk}，其中k表示n个制造特征所包含的加工工序总数；P1表示制造特征e1的第一道加工工序；Pk表示制造特征en的最后一道加工工序；
为简化后续工艺路线优化过程中编码问题，可将简化加工工序集中单个工序编码定义为：
单工序Pi＝(id,Ci,Mi,Ti)，式中id表示该加工工序号；Ci表示该工序的加工方式；Mi表示该工序对应的机床；Ti表示工序对应的刀具。
S103、确定在零件制造过程中，所述加工工序集中的每个加工工序的物料碳排放 和能耗碳排放，所述物料碳排放等于该加工工序进行时由切屑处理引起的碳排放、切削液 消耗引起的碳排放和刀具损耗引起的碳排放之和，所述能耗碳排放等于电能碳排放因子与 机械加工的总能耗的积。
由原材料获取/制造/运输/使用/回收5个阶段构成的边界系统(本发明实施例仅考虑制造阶段)内的碳排放主要与系统输入的物耗、能耗及输出的温室气体有关。本发明实施例将机械加工过程看作一个输入-输出系统。在加工过程中输入流包括毛坯、切削液、驱动机床的电能、刀具以及夹具等辅助工具；输出流包括切屑、切削液和刀具的损耗。输出流引起碳排放主要是物料碳排放与能耗碳排放，根据边界系统确定物料碳排放其表达式为：
物料碳排放其中分别表示第i个加工工序进行时切屑处理引起的碳排放、切削液消耗引起的碳排放和刀具损耗引起的碳排放，具体表示为：
(1)切屑处理引起的碳排放其中ρi、Vi、μ、EFi chip分别表示第i个加工工序中切屑的密度(kg/m3)、切屑的体积(m3)、切屑的回收率和切屑回收过程的碳排放因子(kgco2e/kg)；
(2)切削液消耗引起的碳排放其中q、ti、EFi oil表示第i个加工工序中切削液的密度(g/mm3)、流量(mm3/s)、加工时间(s)和切削液的碳排放因子(kgco2e/kg)；
(3)刀具损耗引起的碳排放其中tmi为加工工序i的加工时间，Ti t为加工工序i所用刀具的寿命，为对应的刀具质量，EFi t为刀具的碳排放因子。
根据边界系统确定能耗碳排放的表达式为：
能耗碳排放GEi＝EFele×Ee其中EFele表示电能碳排放因子，Ee表示机械加工的总能耗，具体表达式为：
机械加工的总能耗Ee＝tp·pu+te·pe+(tm·pu+pc+pa)，其中Pu、Pc、Pa、Pe分别代表空载功率、负载功率、附件功率、换刀功率；其中：tp、tm、tc分别为准备时间、切削时间、换刀时间。
S104、基于确定的物料碳排放与能耗碳排放确定总体碳排放
基于步骤S103确定的单个工序的物料碳排放和能耗碳排放，可得到总体碳排放，具体为：
总体碳排放
S105、根据机床机械加工过程中刀具的一般轨迹路线，估算各加工工序的机加工 时间，包括切削时间、换刀时间和空行程时间。
在本发明实施例中，切削时间、换刀时间和空行程时间可具体表示为：
(1)切削时间其中lc为切削轨迹长度，fc为道具进给量；
(2)换刀时间ttc，为设定值或者根据实际情况进行估算得到；
(3)空行程时间其中lek为整个加工过程中空行程上长度，fek为空行程中刀具移动速度。
S106、基于确定的机加工时间确定机床加工费，并估算刀具损耗费，从而确定加工 总成本，所述加工总成本等于机床加工费与刀具损耗费之和。
在本实施例中，机床加工费等于机加工时间乘以折旧费，具体为：
机床加工费其中Costeq为机床加工费用；n为工序数量；分别表示第i个工序的切削时间、换刀时间和空行程；Rmt为折旧费。
刀具损耗费其中Costt为刀具使用成本；m为刀具数量；Si、Ci分别为刀具工件上切除的有效面积、切削深度、刀具额定寿命、刀具成本；ap、aq为刀具推荐背吃刀量和轴向吃刀量。
从而，加工总成本
S107、根据多色集合原理分别构建特征—工序及特征—面孔属性围道布尔矩阵， 并对加工工序进行优化，包括基因编码和构建单目标函数，所述单目标函数基于所述总体 碳排放和总成本构建，为表征对应的加工工艺路线序列为最优的加工工序的函数。
在工艺规划中需要考虑的主要约束有：①基准先行；②先主后次；③先面后孔；④先粗后精；⑤工序集中。根据上述描述约束①-④为工序间的优先级约束；约束⑤为工序聚类约束，也为加工效率约束。根据上述方法，分别为了描述工序排序过程中的先粗后精和先面后孔的条件约束，本发明实施例使用多色集合理论分别建立特征—工序及特征—面孔属性围道布尔矩阵，可分别表示为a[u,v]和b[g,h]。
本发明对加工工序进行优化的流程如下：
(1)基因编码：在本发明实施例中，将一个加工工序看作一个基因。本发明实施例采用实数对构建的围道布尔矩阵中的加工工序进行实数编码。
(2)构建单目标函数
本发明实施例中，基于所述总体碳排放和总成本构建单目标函数步骤包括：
对总体碳排放函数和加工总成本函数进行归一化处理，得到无量纲的总体碳排放函数和无量纲的加工总成本函数；
将得到的无量纲的总体碳排放函数和无量纲的加工总成本函数进行加权求和，得到加权函数；
将所述加权函数进行最小化处理，从而得到所述单目标函数。
具体地：
归一化处理：为避免总体碳排放函数GP和加工总成本函数Cost总的量纲不同，需先对其进行归一化处理，将它们转换为0～1之间的一个无量纲数。具体处理方法如下：
其中表示转化后的无量纲数；GP1、GP2表示利用随机函数randint随机生成的一种零件加工工艺路线的总体碳排放和加工总成本；max(GP1)、min(GP1)表示利用随机函数randint随机生成的多种该零件加工工艺路线方法(即原始种群)中总体碳排放产生最多的值和总体碳排放产生最少的值；max(GP2)、min(GP2)表示利用随机函数randint随机生成的多种该零件加工工艺路线方法中加工总成本消耗最大的值和加工总成本消耗最小的值；
建立单目标函数：单目标函数minG，其中利用权重法将多目标问题转换为单目标问题；μ1、μ2为碳排放和成本相关的权系数，通过层次分析法确定，在一个示意性实施例中，μ1＝0.5、μ2＝0.5；单目标函数minG对应的加工工艺路线序列即为该种群中最优解。
S108、基于构建的围道布尔矩阵，利用遗传算法，确定所述单目标函数的最优解。
本发明实施例中，利用遗传算法对构建的围道布尔矩阵中的加工工序进行迭代获得最优解，可包括：
(1)、将原始种群中的所有加工工艺路线按其加权函数的值进行从小到大排序，按预设比例去除加权函数较大的路线，形成一个新的种群；
(2)、将形成的新种群进行染色体的交叉操作和变异操作，所述染色体表征一种加工工艺路线的工序序列；
(3)、将经交叉和变异操作得到的新种群重新进行步骤(1)和(2)，当经过若干次重复迭代后，在单目标函数的值收敛时，将收敛值对应的加工工艺路线确定为最优路线，其中，在重复步骤(1)时，利用新种群替代原始种群。
具体地：
(1)优胜劣汰，缩小种群规模
将原始种群中所有加工工艺路线按其函数G的值进行从小到大排序，按预设比例去除单目标函数G较大的路线，形成一个新的种群；
(2)交叉变异，增添种群类型
将缩小规模后优化的新种群进行染色体(即一种加工工艺路线的工序序列)的交叉和变异，具体操作如下：
交叉操作：运用单点交叉法进行交叉操作，将个体染色体编码进行交叉；在将缩小规模后优化的新种群中随机选择两个顺序串U1和U2，并生产一个在区间[0,1]之间的随机数rk，当rk小于交叉概率Pc则进行交叉操作,具体步骤如下：
1>在区间[1,n]取一个均匀分布的随机数k作为交叉点；
2>将交叉点之前的基因按照在父辈U1串中的顺序复制到子辈O1中；
3>在子辈O1交叉点后的基因要从另一个父辈U2中进行依次扫描，如此基因在子辈中，则对下一基因进行扫描，如果不存在，将此基因按照顺序存放到子辈O1中；
变异操作：将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因来代替，从而形成一个新的个体，具体方法如下：
1>根据变异概率Pm随机在种群中选择若干染色体；
2>设基因的长度为n，在[1，n]之中随机选择一个基因位置i，判断i和i+1的两个基因对应的工序是否属于同一个特征，如果是，重新进行本步骤；
3>计算变异前后和假设变异后的换刀时间和转位时间和为T1和T2，若T2≤T1且满足相互约束(即①基准先行；②先主后次；③先面后孔；④先粗后精；⑤工序集中)，则交换两基因值的位置，否则返回步骤2>；
自适应策略确定Pc和Pm:
其中gmax为种群的最大适应度值；ga为种群的平均适应度值；g'为要交叉的两个染色体中较大的适应度值；g为要变异个体的适应值；k1、k2、k3、k4为(0,1)之间设定的常数。
(3)循环迭代，寻找最优序列
将经过交叉变异操作所得的新种群，重新进行步骤S108中的(1)、(2)步，当经过若干次重复迭代后，单目标函数minG的值收敛时，收敛值所对应的加工工艺路线即为最优路线，即将收敛值对应的加工工艺路线确定为最优路线。
下面结合附图2至图8，以某型号箱体类零件在数控加工中心上加工为例进行分析，验证上述机加工低碳低成本多目标优化模型的有效性，对本发明作进一步说明。
1、加工特征分析
由于某型号箱体类零件在一次装夹过程中的制造特征较多，为简化问题，在箱体制造特征识别的过程中将其制造特征进行聚类处理，即将同一加工方位上相同精度、相同几何尺寸的聚类为一个特征；根据箱体制造特征(如孔、槽、平面、倒角等)进行集合定义，按照步骤进而得到箱体的制造特征集E：
箱体制造特征集E＝{e1,e2,L,e29}
以箱体的加工工序作为核心进行分析，得到箱体加工工序集P：
箱体加工工序集P＝{P1,P2,L,P68}
根据对箱体类零件的工艺分析、机床以及机加工参数，其刀具信息、零件特征、加工工序描述如表1、表2所示：
表1刀具信息
道具名称 编号 寿命/min 质量/g
镗刀1 T01 320 1200
镗刀2 T02 340 1300
面铣刀1 T03 180 7.8
面铣刀2 T04 240 8
硬质合金钻头1 T05 75 475
硬质合金钻头2 T06 90 575
硬质合金钻头3 T07 60 375
硬质合金钻头4 T08 55 325
硬质合金钻头5 T09 105 515
硬质合金钻头6 T10 40 300
高速钢丝锥1 T11 75 275
高速钢丝锥2 T12 70 315
高速钢丝锥3 T13 80 250
高速钢丝锥4 T14 65 235
高速钢丝锥5 T15 95 265
表2零件特征、加工工序描述
2、总体碳排放建模
边界系统内的碳排放主要与系统输入的物耗、能耗及输出的温室气体有关。本方法将机械加工过程看作一个输入-输出系统。
物料碳排放其中分别表示第i个加工工序进行时切屑处理引起的碳排放、切削液消耗引起的碳排放和刀具损耗引起的碳排放，具体表示为：
(1)切屑处理引起的碳排放其中ρi、Vi、μ、EFi chip分别表示第i个加工工序系统中切屑的密度(kg/m3)、切屑的体积(m3)、切屑的回收率和切屑回收过程的碳排放因子(kgco2e/kg)；
(2)切削液消耗引起的碳排放其中q、ti、EFi oil表示第i个加工工序系统中切削液的密度(g/mm3)、流量(mm3/s)、加工时间(s)和切削液的碳排放因子(kgco2e/kg)；
(3)刀具损耗引起的碳排放其中tmi为工序i的加工时间，Ti t为工序i所用刀具的寿命，为对应的刀具质量，EFi t为刀具的碳排放因子。
根据边界系统确定能耗碳排放、总体碳排放其表达式为：
能耗碳排放GEi＝EFele×Ee其中EFele表示电能碳排放因子，Ee表示机械加工的总能耗，具体表达式为：
机械加工的总能耗Ee＝tp·pu+te·pe+(tm·pu+pc+pa)，其中Pu、Pc、Pa、Pe分别代表空载功率、负载功率、附件功率、换刀功率；其中：tp、tm、tc分别为准备时间、切削时间、换刀时间；
因此，总体碳排放
数据查阅软件Gabi 6.0数据库和文献，本发明的方法所涉及的碳排放因子如表3所示。
表3碳排放因子
3、加工成本建模
根据机床机械加工过程中刀具的一般轨迹路线，估算各加工工序的时间，具体表示为：
(1)切削时间其中lc为切削轨迹长度，fc为道具进给量；
(2)空行程时间其中lek为整个加工过程中空行程上长度，fek为空行程中刀具移动速度；具体箱体的机加工时间(为切削时间、换刀时间和空行程时间的总和)计算后如表4所示。
表4箱体的机加工时间
根据机械加工花费的总时间(机加工时间)乘以折旧费计算机床加工费，同时估算刀具损耗费，从而确定加工的总成本建模：
机床加工费其中Costeq为机床加工费用；n为工序数量；分别表示第i个工序的切削时间、换刀时间和空行程；Rmt为折旧费；
刀具损耗费其中Costt为刀具使用成本；m为刀具数量；Si、Ci分别为刀具工件上切除的有效面积、切削深度、刀具额定寿命、刀具成本；ap、aq为刀具推荐背吃刀量和轴向吃刀量。
加工的总成本
4、约束特征分析
(1)利用多色集原理的建立约束模型构建特征—工序及特征—面孔属性围道布尔矩阵分别表示为a[u,v]和b[g,h]；基因编码采用实数进行编码，具体编码流程如图2所示，图中A[]表示编码的加工工艺路线的工序序列。
在工艺规划中需要考虑的主要约束有：①基准先行；②先主后次；③先面后孔；④先粗后精；⑤工序集中。根据上述描述约束①-④为工序间的优先级约束；约束⑤为工序聚类约束，也为加工效率约束。根据上述方法，分别为了描述工序排序过程中的先粗后精和先面后孔的条件约束，使用多色集合理论分别建立特征—工序及特征—面孔属性围道布尔矩阵。统一颜色P1-P29分别代表1-29个特征，个人着色C1-C8分别代表粗镗、半精镗、精镗、粗铣、半精铣、精铣、钻、攻丝这8个工序，黑圆处代表黑圆所在列对应的加工特征包含黑圆所在行对应的工序，特征—工序围道布尔矩阵具体建模如图3；统一颜色P1-P29分别代表1-29个特征，个人着色B1、B1分别代表面和孔，特征—面孔属性围道布尔矩阵建模图4所示；对图3的围道矩阵所描述的工序进行编码，具体编码如图5所示；在图4中，用1代表黑点，非黑点用0代替进行编码，具体如图6所示。
(2)多目标函数的转化
归一化处理：为避免总体碳排放函数GP和加工的总成本函数Cost总的量纲不同，需先对其进行归一化处理，将它们转换为0～1之间的一个无量纲数。具体处理方法如下：
其中表示转化后的无量纲数；GP1、GP2表示利用函数随机生成的一种零件加工工艺路线的总体碳排放和加工的总成本；max(GP1)、min(GP1)表示利用函数随机生成的50种该箱体加工工艺路线方法(即原始种群)中总体碳排放产生最多的值和总体碳排放产生最少的值；max(GP2)、min(GP2)表示利用函数随机生成的多50种该箱体加工工艺路线方法中加工的总成本消耗最大的值和加工的总成本消耗最小的值；
建立单目标函数：单目标函数minG，其中利用权重法将多目标问题转换为单目标问题；μ1、μ2为碳排放和成本相关的权系数，通过层次分析法确定μ1＝0.5、μ2＝0.5；单目标函数minG对应的加工工艺路线序列即为该种群中最优解。
(3)遗传算法迭代最优解
第一步：优胜劣汰，缩小种群规模
将原始种群中50种加工工艺路线按其函数G的值进行从小到大排序，按自行设定比例去除单目标函数G较大的路线，形成一个新的种群；
第二步：交叉变异，增添种群类型
将缩小规模后优化的新种群进行染色体(即一种加工工艺路线的工序序列)的交叉和变异，具体操作如下：
交叉操作：运用单点交叉法进行交叉操作，将个体染色体编码进行交叉；在将缩小规模后优化的新种群中随机选择两个顺序串U1和U2，并生产一个在区间[0,1]之间的随机数rk，当rk小于交叉概率Pc则进行交叉操作，具体步骤如下：
1>在区间[1,n]取一个均匀分布的随机数k作为交叉点；
2>将交叉点之前的基因按照在父辈U1串中的顺序复制到子辈O1中；
3>在子辈O1交叉点后的基因要从另一个父辈U2中进行依次扫描，如此基因在子辈中，则对下一基因进行扫描，如果不存在，将此基因按照顺序存放到子辈O1中；
变异操作：将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因来代替，从而形成一个新的个体，具体方法如下：
1>根据变异概率Pm随机在种群中选择若干染色体；
2>设基因的长度为n，在[1，n]之中随机选择一个基因位置i，判断i和i+1的两个基因对应的工序是否属于同一个特征，如果是，重新进行本步骤；
3>计算变异前后和假设变异后的换刀时间和转位时间和为T1和T2，若T2≤T1且满足相互约束(即①基准先行；②先主后次；③先面后孔；④先粗后精；⑤工序集中)，则交换两基因值的位置，否则返回步骤2>；
自适应策略确定Pc和Pm:
其中gmax为种群的最大适应度值；ga为种群的平均适应度值；g'为要交叉的两个染色体中较大的适应度值；g为要变异个体的适应值；k1、k2、k3、k4为(0,1)之间设定的常数。
第三步：循环迭代，寻找最优序列
将经过交叉变异操作所得的新种群，重新进行步骤8中的(1)、(2)步，当经过若干次重复迭代后，单目标函数minG的值收敛时，收敛值所对应的加工工艺路线即为最优路线。
在进行遗传算法求解时，算法参数的其他具体设置如下：算法的最大迭代次数MAXGEN＝100，代沟GGAP＝0.9。其中，机床折旧费按每小时200元计算，为了简化问题换刀时间为固定值4s，方位转换时间为2s。采用Matlab软件分别以低碳、低成本和低碳低成本为目标进行优化，其对比优化结果如表5所示。
表5优化结果
在用低碳低成本对加工序列进行优化时，用基于多色集的遗传算法迭代收敛图如图7所示。以低碳低成本为目标进行优化时，加工序列的最优染色体基因表现形式如图8所示，根据表1和表2可以得出最优染色体基因所对应的刀具和加工方位如表6所示。
表6最优加工序列的加工面和刀具
工序 加工面 刀具 工序 加工面 刀具 工序 加工面 刀具
8 1 T06 43 3 T01 53 4 T04
20 3 T03 35 3 T09 60 5 T08
21 3 T03 25 3 T05 62 5 T09
56 5 T03 50 2 T02 66 5 T01
16 2 T03 34 2 T02 67 5 T01
3 1 T03 44 3 T02 58 5 T05
15 1 T07 26 3 T11 61 3 T13
1 1 T01 30 3 T08 63 5 T14
22 3 T01 40 3 T06 64 5 T06
32 3 T01 41 3 T12 54 4 T10
45 4 T01 9 1 T12 55 4 T15
27 3 T01 10 1 T03 59 5 T11
28 3 T01 11 1 T03 68 5 T02
33 3 T01 17 2 T03 47 3 T02
37 3 T01 38 3 T01 18 2 T06
23 3 T01 39 3 T02 19 2 T12
2 1 T01 36 3 T14 13 1 T06
46 3 T01 4 1 T03 6 1 T05
29 3 T02 5 1 T04 14 1 T11
24 3 T02 12 1 T04 7 1 T11
42 3 T01 51 4 T03 31 3 T13
48 3 T01 52 4 T03 65 5 T12
49 3 T01 57 5 T03
以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于低碳低成本约束的加工路线优化方法，其特征在于，包括以下步骤：
S101、根据零件加工工艺路线中的具体制造特征，将所有制造特征进行集合定义，得到零件的制造特征集；
S102、确定所述制造特征集中的各制造特征相应的加工方法，得到零件的加工工序集；
S103、确定在零件制造过程中，所述加工工序集中的每个加工工序的物料碳排放和能耗碳排放，所述物料碳排放等于该加工工序进行时由切屑处理引起的碳排放、切削液消耗引起的碳排放和刀具损耗引起的碳排放之和，所述能耗碳排放等于电能碳排放因子与机械加工的总能耗的积；
S104、基于确定的物料碳排放与能耗碳排放确定总体碳排放；
S105、根据机床机械加工过程中刀具的一般轨迹路线，确定各加工工序的机加工时间，包括切削时间、换刀时间和空行程时间；
S106、基于确定的机加工时间确定机床加工费，并估算刀具损耗费，从而确定加工总成本，所述加工总成本等于机床加工费与刀具损耗费之和；
S107、根据多色集合原理分别构建特征—工序及特征—面孔属性围道布尔矩阵，并对加工工序进行优化，包括基因编码和构建单目标函数，所述单目标函数基于所述总体碳排放和总成本构建，为表征对应的加工工艺路线序列为最优的加工序列的函数；
S108、基于构建的围道布尔矩阵，利用遗传算法，确定所述单目标函数的最优解。
2.根据权利要求1所述的方法，其特征在于，其中，
切屑处理引起的碳排放其中ρi、Vi、μ、EFi chip分别表示第i个加工工序中切屑的密度，单位为kg/m3、切屑的体积，单位为m3、切屑的回收率和切屑回收过程的碳排放因子，单位为kgco2e/kg；
切削液消耗引起的碳排放其中q、ti、EFi oil分别表示第i个加工工序中切削液的密度，单位为g/mm3、流量，单位为mm3/s、加工时间，单位为s和切削液的碳排放因子，单位为kgco2e/kg；
刀具损耗引起的碳排放其中tmi为加工工序i的加工时间，Ti t为加工工序i所用刀具的寿命，为对应的刀具质量，EFi t为刀具的碳排放因子。
3.根据权利要求1所述的方法，其特征在于，其中，机械加工的总能耗Ee＝tp·pu+te·pe+(tm·pu+pc+pa)，其中Pu、Pc、Pa、Pe分别代表空载功率、负载功率、附件功率、换刀功率；其中：tp、tm、tc分别为准备时间、切削时间、换刀时间，单位为s。
4.根据权利要求1所述的方法，其特征在于，所述总体碳排放通过下述公式确定：
总体碳排放
其中，GMi为第工序i的物料碳排放，GEi为第工序i的能耗碳排放。
5.根据权利要求1所述的方法，其特征在于，其中，
机床加工费其中Costeq为机床加工费用；n为加工工序数量；分别表示第i个加工工序的切削时间、换刀时间和空行程时间；Rmt为折旧费；
刀具损耗费其中Costt为刀具使用成本；m为刀具数量；Si、Ci分别为刀具工件上切除的有效面积、切削深度、刀具额定寿命、刀具成本；ap、aq为刀具推荐背吃刀量和轴向吃刀量。
6.根据权利要求1所述的方法，其特征在于，所述基于所述总体碳排放和总成本构建单目标函数包括：
对总体碳排放函数和加工总成本函数进行归一化处理，得到无量纲的总体碳排放函数和无量纲的加工总成本函数；
将得到的无量纲的总体碳排放函数和无量纲的加工总成本函数进行加权求和，得到加权函数；
将所述加权函数进行最小化处理，从而得到所述单目标函数。
7.根据权利要求6所述的方法，其特征在于，所述基于构建的围道布尔矩阵，利用遗传算法，确定所述单目标函数的最优解，具体包括：
(1)、将原始种群中的所有加工工艺路线按其加权函数的值进行从小到大排序，按预设比例去除加权函数较大的路线，形成一个新的种群；
(2)、将形成的新种群进行染色体的交叉操作和变异操作，所述染色体表征一种加工工艺路线的工序序列；
(3)、将经交叉和变异操作得到的新种群重新进行步骤(1)和(2)，当经过若干次重复迭代后，在单目标函数的值收敛时，将收敛值对应的加工工艺路线确定为最优路线，其中，在重复步骤(1)时，利用新种群替代原始种群。
8.根据权利要求7所述的方法，其特征在于，所述交叉操作包括：
运用单点交叉法进行交叉操作，将个体染色体编码进行交叉；在将缩小规模后优化的新种群中随机选择两个顺序串U1和U2，并生产一个在区间[0,1]之间的随机数rk，当rk小于交叉概率Pc则进行交叉操作，具体步骤如下：
1)在区间[1,n]取一个均匀分布的随机数k作为交叉点；
2)将交叉点之前的基因按照在父辈U1串中的顺序复制到子辈O1中；
3)在子辈O1交叉点后的基因要从另一个父辈U2中进行依次扫描，如此基因在子辈中，则对下一基因进行扫描，如果不存在，将此基因按照顺序存放到子辈O1中，所述基因表征一个加工工序。
9.根据权利要求8所述的方法，其特征在于，所述变异操作包括：
将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因来代替，从而形成一个新的个体，具体方法如下：
1)根据变异概率Pm随机在种群中选择若干染色体；
2)设基因的长度为n，在[1，n]之中随机选择一个基因位置i，判断i和i+1的两个基因对应的加工工序是否属于同一个制造特征，如果是，重新进行本步骤；
3)计算变异前后和假设变异后的换刀时间和转位时间和为T1和T2，若T2≤T1且满足相互约束，则交换两基因值的位置，否则返回步骤2)；
其中，所述约束包括基准先行、先主后次、先面后孔、先粗后精和工序集中。
10.根据权利要求9所述的方法，其特征在于，所述交叉概率Pc和所述变异概率Pm通过下式确定：
其中gmax为种群的最大适应度值；ga为种群的平均适应度值；g'为要交叉的两个染色体中较大的适应度值；g为要变异个体的适应值；k1、k2、k3、k4为(0,1)之间设定的常数。
CN201811067322.2A 2018-09-13 2018-09-13 基于低碳低成本约束的加工路线优化方法 Active CN109002006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811067322.2A CN109002006B (zh) 2018-09-13 2018-09-13 基于低碳低成本约束的加工路线优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811067322.2A CN109002006B (zh) 2018-09-13 2018-09-13 基于低碳低成本约束的加工路线优化方法

Publications (2)

Publication Number Publication Date
CN109002006A true CN109002006A (zh) 2018-12-14
CN109002006B CN109002006B (zh) 2021-08-17

Family

ID=64591307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811067322.2A Active CN109002006B (zh) 2018-09-13 2018-09-13 基于低碳低成本约束的加工路线优化方法

Country Status (1)

Country Link
CN (1) CN109002006B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109814509A (zh) * 2019-01-31 2019-05-28 合肥工业大学 一种面向低碳高效的并行拆卸线平衡优化方法
CN109886458A (zh) * 2019-01-15 2019-06-14 合肥工业大学 一种基于遗传算法的并行拆卸模型构建方法
CN110363336A (zh) * 2019-06-25 2019-10-22 北京理工大学 一种促进化学工业节能减排的工艺优化方法及装置
CN115755821A (zh) * 2022-12-30 2023-03-07 中建科技集团有限公司 预制构件生产控制方法、系统及相关设备
CN116974241A (zh) * 2023-07-10 2023-10-31 清华大学 面向绿色低碳制造的数控机床几何优化方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150080626A1 (en) * 2013-09-18 2015-03-19 Shell Oil Company Methods and systems for supplying hydrogen to a hydrocatalytic reaction
CN105785912A (zh) * 2016-03-22 2016-07-20 重庆大学 面向能耗的型腔数控铣削加工刀具组合优选方法
CN108319223A (zh) * 2018-02-06 2018-07-24 合肥工业大学 一种面向绿色制造的螺纹车削工艺参数优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150080626A1 (en) * 2013-09-18 2015-03-19 Shell Oil Company Methods and systems for supplying hydrogen to a hydrocatalytic reaction
CN105785912A (zh) * 2016-03-22 2016-07-20 重庆大学 面向能耗的型腔数控铣削加工刀具组合优选方法
CN108319223A (zh) * 2018-02-06 2018-07-24 合肥工业大学 一种面向绿色制造的螺纹车削工艺参数优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李聪波，李鹏宇，刘飞，崔龙国,税 虹: "面向高效低碳的机械加工工艺路线多目标优化模型", 《机械工程学报》 *
杨从锐，钱谦，王锋，孙铭会: "改进的自适应遗传算法在函数优化中的应用", 《西安交通大学学报》 *
郝建波,李宗斌,赵丽萍: "工步排序问题的约束模型及其遗传算法的求解", 《西安交通大学学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886458A (zh) * 2019-01-15 2019-06-14 合肥工业大学 一种基于遗传算法的并行拆卸模型构建方法
CN109814509A (zh) * 2019-01-31 2019-05-28 合肥工业大学 一种面向低碳高效的并行拆卸线平衡优化方法
CN109814509B (zh) * 2019-01-31 2021-01-26 合肥工业大学 一种面向低碳高效的并行拆卸线平衡优化方法
CN110363336A (zh) * 2019-06-25 2019-10-22 北京理工大学 一种促进化学工业节能减排的工艺优化方法及装置
CN110363336B (zh) * 2019-06-25 2022-04-26 北京理工大学 一种促进化学工业节能减排的工艺优化方法及装置
CN115755821A (zh) * 2022-12-30 2023-03-07 中建科技集团有限公司 预制构件生产控制方法、系统及相关设备
CN116974241A (zh) * 2023-07-10 2023-10-31 清华大学 面向绿色低碳制造的数控机床几何优化方法及装置
CN116974241B (zh) * 2023-07-10 2024-02-06 清华大学 面向绿色低碳制造的数控机床几何优化方法及装置

Also Published As

Publication number Publication date
CN109002006B (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN109002006A (zh) 基于低碳低成本约束的加工路线优化方法
Wang et al. Dual-objective program and improved artificial bee colony for the optimization of energy-conscious milling parameters subject to multiple constraints
CN108389001B (zh) 一种基于step-nc的智能非线性工艺规划方法
CN105785912B (zh) 面向能耗的型腔数控铣削加工刀具组合优选方法
CN106959675A (zh) 一种面向流水车间的多目标调度优化方法
CN109946965B (zh) 一种基于改进的多目标Jaya算法的离散制造车间排产方法
CN105652791B (zh) 订单驱动的离散制造过程能耗优化方法
CN105844356A (zh) 基于自适应遗传算法的机床切削用量能耗优化方法
CN112596464B (zh) 一种大型复杂舱体结构件数控加工走刀路径优化方法
CN107451747A (zh) 基于自适应非支配遗传算法的车间调度系统及其工作方法
CN104537503A (zh) 数据处理方法和系统
CN111047081A (zh) 一种面向绿色生产的制造资源配置优化决策方法
Gupta et al. Hybrid genetic algorithm for minimizing non productive machining time during 2.5 D milling
CN106777660A (zh) 一种构建切削参数低碳优化模型的方法
CN109992881A (zh) 一种面向step-nc制造特征的智能非线性工艺规划方法
CN103793577A (zh) 一种机械加工过程中少切削液加工工艺优化控制方法
CN108920806B (zh) 一种基于梯形模糊数和排序法的重型机床可靠性分配方法
CN113112121B (zh) 一种基于多目标非支配排序的车间布局调度优化方法
CN113689066A (zh) 一种基于nsga-ii算法的物联网车间调度方法
CN103473614A (zh) 基于碳排放评估模型的低碳工艺规划方法
CN104298816B (zh) 一种适合制造系统重构的机床布局设计方法
Zhou et al. Multi-objective process route optimization considering carbon emissions
Guan et al. Machining scheme selection of digital manufacturing based on genetic algorithm and AHP
CN111665799A (zh) 一种基于协同算法的时间约束型并行机节能调度方法
Li et al. A knee-point driven multi-objective evolutionary algorithm for flexible job shop scheduling

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