CN110286648A - 一种响应动态扰动的并行多目标加工参数优化方法 - Google Patents

Abstract

本发明公开了一种响应动态扰动的并行多目标加工参数优化方法，包括：步骤1、数控机床进行多目标加工时，加载分配到当前数控机床上的待加工特征集，将特征集划分为多个特征子集；步骤2、判断是否有紧急工件插入扰动，并将特征子集划分为多个特征子‑子集；步骤3、建立加工能耗模型、加工时间模型以及刀具磨损模型，根据当前的加工过程是否发生扰动，采用并行多目标双存档进化算法自适应调配优化目标，同时为步骤2所得的多个特征子‑子集寻找最优加工参数，并将其写入相应特征的Gcode程序中；步骤4、将Gcode程序交付数控机床执行。本发明在自适应调配优化目标的基础上，通过并行多目标双存档进化算法，实现了响应加工过程动态扰动的加工参数优化。

Description

一种响应动态扰动的并行多目标加工参数优化方法

技术领域

本发明涉及可持续制造领域，尤其涉及一种响应动态扰动的并行多目标加工参数优化方法。

背景技术

在数控加工过程中，加工参数选择的优劣会对工件的加工质量、加工效率、加工过程的能量消耗和刀具的使用寿命等性能产生很大影响。故而，加工参数优化问题引起了专家学者们的广泛关注，并产生了多种加工参数优化方法，这些方法的整体优化流程主要包括以下三个步骤：

(1)确定优化目标。该层面的工作旨在选取符合实际加工情况所需的优化目标，确定加工参数。

(2)实验设计。该层面的工作旨在设计出正确合理的实验设计，有利于仿真和实验的进行，以及数据采集，提高建模的成功率。

(3)选择优化方法。该层面工作致力于选择合适的智能优化方法，对根据优化目标建立的模型进行求解得到最优加工参数。

在优化目标的选取上，可将加工参数优化工作分为两类。一类是针对某一问题选择单目标进行优化，目的性比较强；另一类是从加工过程的实际情况出发，对多个目标同时进行优化，获得多个目标在彼此影响下的最优值。如Abram等人选择以最佳刀具磨损和切削力为优化目标，Yan等人以表面粗糙度、材料移除率和切削能耗为优化目标，Zhou等以最小表面粗糙度为优化目标，Kuram等以最小化刀具磨损为目标。在实验设计方面，目前使用的方案主要有田口法，单因素设计和正交实验相结合的混合试验方案，全因子实验设计方案等。在优化算法选择方面，针对单目标问题，主要使用遗传算法、人工蜂群算法等智能优化算法实现加工参数寻优。对于多目标优化问题，已有的研究工作大多采用基于非支配占优的进化算法(例如，非支配排序遗传算法NSGAⅡ)，寻找非支配最优解集。

已有的加工参数优化的研究工作大多是以工件加工前的加工具体情况为基础，只在首次加工前使用上述方法寻找一次最优的切削参数，然后在整个加工过程中使用此前寻到的最优切削参数，完全忽略了加工过程中可能出现的扰动问题，如订单加急、紧急工件插入刀具磨损等；也有少量的工作考虑机器加工过程中来自机器内部的动态扰动事件(例如，刀具磨损)，但忽略了来自机器外部的动态扰动事件(例如，订单加急、紧急工件插入等)。此外，尽管已有一些动态多目标优化算法，但是这些算法应用于求解对算法实时性要求不高的连续函数优化问题，对于要求对动态扰动做出实时反馈的加工参数优化问题并不适用。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种响应动态扰动的并行多目标加工参数优化方法，在数控加工生产的整个周期，以加工时间、切割能耗和刀具磨损量作为优化目标，实时探测可能出现的扰动事件，并使用本发明提出的方法对所探测到的动态扰动事件进行主动实时响应。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种响应动态扰动的并行多目标加工参数优化方法，该方法包括以下步骤：

步骤1、数控机床进行多目标加工时，加载分配到当前数控机床上的待加工特征集F_set，将特征集F_set划分为多个特征子集{F_subset1,F_subset2,…}；

步骤2、判断是否有紧急工件插入扰动，若无，则按顺序从步骤1所得的多个特征子集中加载下一个特征子集F_subsetj，将F_subsetj划分为多个特征子-子集{F_{subsetj_subset1},F_{subsetj_subset2},…}；若有，则加载紧急工件的待加工特征集，并进行特征子集和特征子-子集的划分；

步骤3、建立加工能耗模型、加工时间模型以及刀具磨损模型，根据当前的加工过程是否发生扰动，采用并行多目标双存档进化算法自适应调配优化目标，同时为步骤2所得的多个特征子-子集寻找最优加工参数，并将其写入相应特征的Gcode程序中；

步骤4、将步骤3所得的Gcode程序交付数控机床执行，同时，判断步骤1所得的多个特征子集是否已经全部加载，如果否，则执行步骤2；如果是，则结束。

进一步地，本发明的该方法中进行特征子集和特征子-子集划分的方法具体为：

特征子集划分方法：对于当前待加工特征集，按照加工顺序，将连续且一次装夹即可完成的多个特征划分在一起，组成一个特征子集，最终得到多个特征子集；

特征子-子集划分方法：对于一个特征子集，获取其包含的每个特征所使用的刀具型号，将使用相同型号刀具的特征划分在一起，组成一个特征子-子集，最终得到多个特征子-子集。

进一步地，本发明的步骤3中建立的加工能耗模型、加工时间模型以及刀具磨损模型的表达形式为：

加工能耗模型为：

SEC_i,r＝α₁+α₂n+α₃f+α₄a_p+α₅a_e+α₆tw_i,r-1+α₇n²+α₈f²+α₉a_p ²+α₁₀a_e ²+α₁₁tw_i,r-1 ²+α₁₂nf+α₁₃na_p+α₁₄ntw_i,r-1+α₁₅fa_p+α₁₆fa_e+α₁₇ftw_i，r-1+α₁₈a_pa_e+α₁₉a_ptw_i,r-1+α₂₀nfa_p+α₂₁nftw_i,r-1+α₂₂fa_pa_e

m＝(int)V_i

其中，EC_{subsetj_subseti}为第i个特征子-子集的加工能耗，SEC_i,r是第i个特征子-子集的第r个单位体积的加工能耗，V_i为第i个特征子-子集的体积，m是第i个特征子-子集包含的单位体积个数；n,f,a_p,a_e分别为数控机床的加工参数中的主轴转速、进给率、切割深度和切割宽度，tw_i,r-1为加工第i个特征子-子集的第r-1个单位体积时的刀具磨损量；SEC_i,r公式中α₁，α₂，…，α₂₂是回归系数；

加工时间模型为：

T_i,r＝β₁+β₂n+β₃f+β₄a_p+β₅a_e+β₆tw_i,r-1+β₇f²+β₈a_p ²+β₉a_e ²+β₁₀fa_p+β₁₁fa_e+β₁₂a_pa_e+β₁₃fa_p ²+β₁₄a_p ²a_e+β₁₅a_e ²a_p

其中，Time_{subfeature_i}为加工第i个特征子-子集所需的时间，T_i,r是第i个特征子-子集的第r个单位体积的加工时间，V_i为第i个特征子-子集的体积，m是第i个特征子-子集包含的单位体积个数；n,f,a_p,a_e分别为数控机床的加工参数中的主轴转速、进给率、切割深度和切割宽度，tw_i,r-1为加工第i个特征子-子集的第r-1个单位体积时的刀具磨损量；T_i，r公式中β₁，β₂，…，β₁₅是回归系数；

刀具磨损模型为：

TW_i，r＝γ₁+γ₂n+γ₃f+γ₄a_p+γ₅a_e+γ₆tw_i，r-1+γ₇n²+γ₈a_p ²+γ₉a_e ²+γ₁₀tw_i，r-1 ²+γ₁₁nf+γ₁₂ntw_i，r-1+γ₁₃ftw_i，r-1+γ₁₄a_ptw_i，r-1+γ₁₅a_etw_i，r-1

其中，TW_i,r为加工完第i个特征子-子集的第r个单位体积后的刀具磨损量，V_i为第i个特征子-子集的体积；TW_i，r公式中γ₁，γ₂，…，γ₁₅是回归系数。

进一步地，本发明的步骤3中进行的自适应调配优化目标方法具体为：

若有扰动事件发生，则判断扰动类型，对于紧急工件插入和订单加急的动态扰动事件，选择最小化加工时间和刀具磨损为优化目标；

若无扰动事件发生，则选择最小化加工能耗、加工时间和刀具磨损为优化目标。

进一步地，本发明的步骤3中的并行多目标双存档进化算法具体为：

步骤3.1、初始化种群CA和DA、种群大小N，权重向量集W，总迭代代数IterN，刀具磨损检测频率f，阈值Threshold；

步骤3.2、设置当前迭代代数Iter为零，按照刀具磨损检测频率f设置刀具磨损检测代数；

步骤3.3、探测是否有扰动事件发生，若有，则自适应调配优化目标并重构CA和DA；

步骤3.4、生成子代种群Q并更新CA和DA；

步骤3.5、Iter增加1，判断Iter是否达到刀具磨损检测代数，若是，则统计CA中的不可行性解在全部解方案中所占的比重p，若p≥Threshold，则更换刀具，以响应加工过程中可能出现的断刀事件，执行步骤3.2；否则，执行步骤3.6；

步骤3.6、判断Iter是否达到IterN，若是，则执行步骤3.7；否则，返回执行步骤3.3；

步骤3.7、从CA中选取满足加工条件的最优个体，写入原有特征子-子集的Gcode程序中。

进一步地，本发明的步骤3.1中的优化算法的初始化方法为：

初始两个种群CA和DA，权重向量集W＝[w1,w2,…,wn]，权重向量用来将种群中的个体划分到子空间内，种群大小为N，CA用来保证种群进化过程中的收敛性，DA用来保证种群进化过程中的多样性；CA和DA的具体初始化方法是生成N个长度为4的个体，个体的每一位属于[0,1]之间的随机小数；W中的向量是具有均匀间距1/H的个点；这些点是在单面上对m数量的目标进行采样得到的，其中H>0是沿每个目标坐标考虑的分割数,m是当前需要优化的目标个数；总迭代代数IterN和刀具磨损检测频率f按照经验进行设置，阈值threshold根据加工实际情况以及机器可以承受的容错率进行设置。

进一步地，本发明的步骤3.2中刀具磨损检测代数设置方法为：

根据刀具磨损检测频率f，对于整个迭代过程，每隔N/f轮迭代，设置一个刀具磨损检测节点，为了提高效率，最后一个N/f轮迭代中，不设置检测节点。

进一步地，本发明的步骤3.3中优化算法的探测干扰事件以及重构CA和DA的方法为：

在每次迭代过程中首先探测是否有扰动事件，如果探测到扰动事件，则对CA和DA进行重构进而响应扰动事件；扰动事件包括：

当订单提前交付时，这时优化的目标则由原有的切割能耗，加工时间和刀具磨损量减少到只以加工时间和刀具磨损量作为优化目标，这时只对DA进行重构操作，具体方法使用随机方法随机生成一个新的DA种群，CA种群不变；

当初始考虑的优化目标只有加工时间和刀具磨损量时，当进行到某一时刻时，将切割能耗也作为优化目标，此时CA和DA都要进行重构，具体方法为，首先对CA进行非支配快速排序选出其中的非支配解添加到新的CA中，非支配解n个个体，原CA中的被支配解添加的新的DA中，被支配解为N-n个个体，为了让新CA和新DA中的个体个数达到种群个体个数N，随机生成N-n个个体添加到新的DA中，重复使用二进制锦标赛算法从当前新CA中选择个体，然后使用二进制突变算法产生新的个体添加到新的CA中，直至新CA中个体数到达N。

进一步地，本发明的步骤3.4中生成子代种群的方法为：

对动态事件响应完成后，先从CA中选择一个个体，再根据一定的概率从DA或CA中选择一个个体，使用遗传算法中的交叉、变异生成新的子代个体Q；从DA或CA中选择个体的概率方法为：

已知子空间的总个数为N，统计CA占据子空间的个数n，P＝n/N；如果rand<P，则从CA中选择一个个体；否则，从DA中选择一个个体；Rand是属于[0,1]之间的一个小数。

进一步地，本发明的步骤3.4中更新CA和DA的方法为：

产生子代个体Q后，要执行对CA和DA的更新操作；CA的更新操作，首先将CA和新的子代种群Q并在一起进行分支配排序得到{F1,F2,F3,…,Fn}，F1是非支配解，以此类推；将F1放进新CA中，将F2放进新CA中，依次操作直至新CA中个体的个数大于等于N；如果新CA中个体个数等于N，则CA更新操作完成；否则，由相应的算法流程从新CA中剔除多余的个体；DA的更新操作，将{F2,F3,…,Fn}与DA进行合并，然后计算每个个体的拥挤度，并按照降序排序，选择前N个个体组成新的DA，完成DA的更新操作；

CA更新操作所述的从新CA中剔除多余个体算法为：

其中，x是种群中的一个个体，w是权重向量集W中的一个向量，是x到w的距离；k是x到W向量集中w，最小的向量标识；

选择密度最大的子空间，从该子空间中根据以下公式剔除最差的个体，重复此操作，直至新CA的大小为N；

其中，x^w是当前子空间中最差的解，Ω当前密度最大的子空间中全部的个体，m是当前优化目标的个数，z^*是当前最理想的目标值，w是当前子空间对应的向量。

本发明产生的有益效果是：本发明的响应动态扰动的并行多目标加工参数优化方法，首先，本发明不再局限于仅仅在数控机床生产周期前进行一次加工参数寻优操作，而是在数控机床生产的整个周期动态的响应可能出现的干扰事件，动态的进行参数优化，得到的优化参数更加适应实际加工过程。其次，相较于已有的动态多目标自适应算法，本发明在保证效果的前提下，在效率上得到了很大的提升，达到了对加工过程动态事件的实时响应。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1a和图1b为本发明实施例所选用的加工工件特征分布图。

图2为本发明实施例的整体框架流程图。

图3为本发明实施例所述的涉及一种响应动态扰动的并行多目标加工参数优化方法。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明以加工图1所示的工件为例对涉及一种响应动态扰动的并行多目标加工参数优化方法进行实施，如图2和图3所示所示，该方法包括一下具体步骤：

步骤1，加载分配到当前数控机床上的加工特征集{F1,F2,F3,F4,F5,F6,F7,F8,F9,F10}，将该特征集中可以连续且一次装夹内完成的特征，划分在同一特征子集中得到F_subset1{F1,F2,F3,F4,F5,F6}和F_subset2{F7,F8,F9,F10}，共2个特征子集；

此时，从步骤2开始，分为两种不同的具体实施例：

实施例一：

步骤2，无紧急工件扰动，加载F_subset1，加工{F1,F2,F3,F4}所使用刀具型号为是HRC45LYD(8*24*3T*60L)，因此将{F1,F2,F3,F4}划分在同一特征子集中得F_{subset1_subset1}，加工{F6,F5}所使用刀具型号为是HRC45LYD(10*30*3T*75L)，因此将{F6,F5}划分在同一特征子集中得F_{subset1_subset2},使用并行化，分别为F_{subset1_subset1}和F_{subset1_subset2}寻找最优切削工艺参数；

步骤3，在单个并行化进程中，加载F_{subset1_subset1}(F_{subset1_subset2})划分得特征子集，计算F_{subset1_subset1}(F_{subset1_subset2})特征体积总和，F_{subset1_subset1}(F_{subset1_subset2})体积为V1(V2)探测当前外部干扰事件，设置初始优化目标个数为3(3)，读取加工当前特征子集F_{subset1_subset1}(F_{subset1_subset2})所使用型号刀具的磨损量tw1(tw2)，以所建立的切削能耗模型、加工所需时间模型以及刀具磨损模型为基础，以寻得加工过程中最小切削能耗、最短加工所需时间以及最小刀具磨损量的最优组合为目标，在满足数控切削工艺参数约束的前提下，采用改进的动态自适应多目标进化算法，在整个优化过程中实时探测可能出现的扰动事件，作出响应；

步骤3.1，初始化种群CA和DA，迭代次数为200，种群大小为100，刀具磨损检测频率5，阈值10％；

步骤3.2，设置迭代次数Iter为0刀具磨损检测代数为40，80，120，160；

步骤3.3，如果Iter为100，设置动态干扰事件为订单加急，这时优化目标仅为刀具磨损量和加工所需时间，重构CA和DA

步骤3.4，使用遗传算法的算子(交叉，变异)生成子代种群Q，然后更新CA和DA；

步骤3.5，Iter增加1，判断Iter是否达到刀具磨损检测代数，若是，则统计CA中的不可行性解在全部解方案中所占的比重p，若p≥10％，则更换刀具，以响应加工过程中可能出现的断刀事件，执行步骤3.2；否则，执行步骤3.6；

步骤3.6，判断Iter是否达到200，若是，则执行步骤3.7，否则，执行步骤3.3

步骤3.7，从CA中选取满足加工条件的最优个体，写入原有特征子-子集的Gcode程序中。

步骤4，将步骤3所得的Gcode程序交付机器执行。

实施例二：

步骤2，无紧急工件扰动，加载F_subset2，加工{F7,F9,F10}所使用刀具型号为是HRC45LYD(8*24*3T*60L)，因此将{F7,F9,F10}划分在同一特征子集中得F_{subset2_subset1}，加工{F8}所使用刀具型号为是JE25DJD(3*50L*90°)，因此{F8}为特征子集F_{subset2_subset2}，使用并行化，分别为F_{subset2_subset1}和F_{subset2_subset2}寻找最优切削工艺参数；

步骤3，在单个并行化进程中，加载F_{subset2_subset1}(F_{subset2_subset2})划分得特征子集，计算F_{subset2_subset1}(F_{subset2_subset2})特征体积总和，F_{subset2_subset1}(F_{subset2_subset2})体积为V3(V4)探测当前外部干扰事件，设置初始优化目标个数为3(3)，读取加工当前特征子集F_{subset2_subset1}(F_{subset2_subset2})所使用型号刀具的磨损量tw3(tw4)，以所建立的切削能耗模型、加工所需时间模型以及刀具磨损模型为基础，以寻得加工过程中最小切削能耗、最短加工所需时间以及最小刀具磨损量的最优组合为目标，在满足数控切削工艺参数约束的前提下，采用改进的动态自适应多目标进化算法，在整个优化过程中实时探测可能出现的扰动事件，作出响应；

步骤3.1，初始化种群CA和DA，迭代次数为200，种群大小为100，刀具磨损检测频率5，阈值10％；

步骤3.2，设置迭代次数Iner为0，刀具磨损检测代数为40，80，120，160；

步骤3.3，如果Iter为100，设置订单加急取消，这时优化目标仅加工所需能耗、刀具磨损量和加工所需时间，重构CA和DA

步骤3.4，使用遗传算法的算子(交叉，变异)生成子代种群Q，然后更新CA和DA；

步骤3.5，Iter增加1，判断Iter是否达到刀具磨损检测代数，若是，则统计CA中的不可行性解在全部解方案中所占的比重p，若p≥10％，则更换刀具，以响应加工过程中可能出现的断刀事件，执行步骤3.2；否则，执行步骤3.6；

步骤3.6，判断Iter是否达到200，若是，则执行步骤3.7，否则，执行步骤3.3；

步骤3.7，从CA中选取满足加工条件的最优个体，写入原有特征子-子集的Gcode程序中。

步骤4，将步骤3所得的Gcode程序交付机器执行。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种响应动态扰动的并行多目标加工参数优化方法，其特征在于，该方法包括以下步骤：

步骤1、数控机床进行多目标加工时，加载分配到当前数控机床上的待加工特征集F_set，将特征集F_set划分为多个特征子集{F_subset1,F_subset2,…}；

步骤2、判断是否有紧急工件插入扰动，若无，则按顺序从步骤1所得的多个特征子集中加载下一个特征子集F_subsetj，将F_subsetj划分为多个特征子-子集{F_{subsetj_subset1},F_{subsetj_subset2},…}；若有，则加载紧急工件的待加工特征集，并进行特征子集和特征子-子集的划分；

步骤3、建立加工能耗模型、加工时间模型以及刀具磨损模型，根据当前的加工过程是否发生扰动，采用并行多目标双存档进化算法自适应调配优化目标，同时为步骤2所得的多个特征子-子集寻找最优加工参数，并将其写入相应特征的Gcode程序中；

步骤4、将步骤3所得的Gcode程序交付数控机床执行，同时，判断步骤1所得的多个特征子集是否已经全部加载，如果否，则执行步骤2；如果是，则结束。

2.根据权利要求1所述的响应动态扰动的并行多目标加工参数优化方法，其特征在于，该方法中进行特征子集和特征子-子集划分的方法具体为：

特征子集划分方法：对于当前待加工特征集，按照加工顺序，将连续且一次装夹即可完成的多个特征划分在一起，组成一个特征子集，最终得到多个特征子集；

特征子-子集划分方法：对于一个特征子集，获取其包含的每个特征所使用的刀具型号，将使用相同型号刀具的特征划分在一起，组成一个特征子-子集，最终得到多个特征子-子集。

3.根据权利要求1所述的响应动态扰动的并行多目标加工参数优化方法，其特征在于，步骤3中建立的加工能耗模型、加工时间模型以及刀具磨损模型的表达形式为：

加工能耗模型为：

SEC_i，r＝α₁+α₂n+α₃f+α₄a_p+α₅a_e+α₆tw_i，r-1+α₇n²+α₈f²+α₉a_p ²

+α₁₀a_e ²+α₁₁tw_i，r-1 ²+α₁₂nf+α₁₃na_p+α₁₄ntw_i,r-1+α₁₅fa_p

+α₁₆fa_e+α₁₇ftw_i，r-1+α₁₈a_pa_e+α₁₉a_ptw_i,r-1+α₂₀nfa_p

+α₂₁nftw_i，r-1+α₂₂fa_pa_e

m＝(int)V_i

其中，EC_{subsetj_subseti}为第i个特征子-子集的加工能耗，SEC_i,r是第i个特征子-子集的第r个单位体积的加工能耗，V_i为第i个特征子-子集的体积，m是第i个特征子-子集包含的单位体积个数；n,f,a_p,a_e分别为数控机床的加工参数中的主轴转速、进给率、切割深度和切割宽度，tw_i,r-1为加工第i个特征子-子集的第r-1个单位体积时的刀具磨损量；SEC_i，r公式中α₁，α₂，…，α₂₂是回归系数；

加工时间模型为：

T_i,r＝β₁+β₂n+β₃f+β₄a_p+β₅a_e+β₆tw_i,r-1+β₇f²+β₈a_p ²+β₉a_e ²

+β₁₀fa_p+β₁₁fa_e+β₁₂a_pa_e+β₁₃fa_p ²+β₁₄a_p ²a_e+β₁₅a_e ²a_p

其中，Time_{subfeature_i}为加工第i个特征子-子集所需的时间，T_i,r是第i个特征子-子集的第r个单位体积的加工时间，V_i为第i个特征子-子集的体积，m是第i个特征子-子集包含的单位体积个数；n,f,a_p,a_e分别为数控机床的加工参数中的主轴转速、进给率、切割深度和切割宽度，tw_i,r-1为加工第i个特征子-子集的第r-1个单位体积时的刀具磨损量；T_i，r公式中β₁，β₂，…，β₁₅是回归系数；

刀具磨损模型为：

TW_i,r＝γ₁+γ₂n+γ₃f+γ₄a_p+γ₅a_e+γ₆tw_i,r-1+γ₇n²+γ₈a_p ²+γ₉a_e ²

+γ₁₀tw_i,r-1 ²+γ₁₁nf+γ₁₂ntw_i,r-1+γ₁₃ftw_i,r-1+γ₁₄a_ptw_i,r-1

+γ₁₅a_etw_i，r-1

其中，TW_i,r为加工完第i个特征子-子集的第r个单位体积后的刀具磨损量，V_i为第i个特征子-子集的体积；TW_i，r公式中γ₁，γ₂，…，γ₁₅是回归系数。

4.根据权利要求1所述的响应动态扰动的并行多目标加工参数优化方法，其特征在于，步骤3中进行的自适应调配优化目标方法具体为：

若有扰动事件发生，则判断扰动类型，对于紧急工件插入和订单加急的动态扰动事件，选择最小化加工时间和刀具磨损为优化目标；

若无扰动事件发生，则选择最小化加工能耗、加工时间和刀具磨损为优化目标。

5.根据权利要求1所述的响应动态扰动的并行多目标加工参数优化方法，其特征在于，步骤3中的并行多目标双存档进化算法具体为：

步骤3.1、初始化种群CA和DA、种群大小N，权重向量集W，总迭代代数IterN，刀具磨损检测频率f，阈值Threshold；

步骤3.2、设置当前迭代代数Iter为零，按照刀具磨损检测频率f设置刀具磨损检测代数；

步骤3.3、探测是否有扰动事件发生，若有，则自适应调配优化目标并重构CA和DA；

步骤3.4、生成子代种群Q并更新CA和DA；

步骤3.5、Iter增加1，判断Iter是否达到刀具磨损检测代数，若是，则统计CA中的不可行性解在全部解方案中所占的比重p，若p≥Threshold，则更换刀具，以响应加工过程中可能出现的断刀事件，执行步骤3.2；否则，执行步骤3.6；

步骤3.6、判断Iter是否达到IterN，若是，则执行步骤3.7；否则，返回执行步骤3.3；

步骤3.7、从CA中选取满足加工条件的最优个体，写入原有特征子-子集的Gcode程序中。

6.根据权利要求5所述的响应动态扰动的并行多目标加工参数优化方法，其特征在于，步骤3.1中的优化算法的初始化方法为：

初始两个种群CA和DA，权重向量集W＝[w1,w2,…,wn]，权重向量用来将种群中的个体划分到子空间内，种群大小为N，CA用来保证种群进化过程中的收敛性，DA用来保证种群进化过程中的多样性；CA和DA的具体初始化方法是生成N个长度为4的个体，个体的每一位属于[0,1]之间的随机小数；W中的向量是具有均匀间距1/H的个点；这些点是在单面上对m数量的目标进行采样得到的，其中H>0是沿每个目标坐标考虑的分割数,m是当前需要优化的目标个数；总迭代代数IterN和刀具磨损检测频率f按照经验进行设置，阈值threshold根据加工实际情况以及机器可以承受的容错率进行设置。

7.根据权利要求5所述的响应动态扰动的并行多目标加工参数优化方法，其特征在于，步骤3.2中刀具磨损检测代数设置方法为：

根据刀具磨损检测频率f，对于整个迭代过程，每隔N/f轮迭代，设置一个刀具磨损检测节点，为了提高效率，最后一个N/f轮迭代中，不设置检测节点。

8.根据权利要求1所述的响应动态扰动的并行多目标加工参数优化方法，其特征在于，步骤3.3中优化算法的探测干扰事件以及重构CA和DA的方法为：

在每次迭代过程中首先探测是否有扰动事件，如果探测到扰动事件，则对CA和DA进行重构进而响应扰动事件；扰动事件包括：

当订单提前交付时，这时优化的目标则由原有的切割能耗，加工时间和刀具磨损量减少到只以加工时间和刀具磨损量作为优化目标，这时只对DA进行重构操作，具体方法使用随机方法随机生成一个新的DA种群，CA种群不变；

当初始考虑的优化目标只有加工时间和刀具磨损量时，当进行到某一时刻时，将切割能耗也作为优化目标，此时CA和DA都要进行重构，具体方法为，首先对CA进行非支配快速排序选出其中的非支配解添加到新的CA中，非支配解n个个体，原CA中的被支配解添加的新的DA中，被支配解为N-n个个体，为了让新CA和新DA中的个体个数达到种群个体个数N，随机生成N-n个个体添加到新的DA中，重复使用二进制锦标赛算法从当前新CA中选择个体，然后使用二进制突变算法产生新的个体添加到新的CA中，直至新CA中个体数到达N。

9.根据权利要求5所述的响应动态扰动的并行多目标加工参数优化方法，其特征在于，步骤3.4中生成子代种群的方法为：

对动态事件响应完成后，先从CA中选择一个个体，再根据一定的概率从DA或CA中选择一个个体，使用遗传算法中的交叉、变异生成新的子代个体Q；从DA或CA中选择个体的概率方法为：

已知子空间的总个数为N，统计CA占据子空间的个数n，P＝n/N；如果rand<P，则从CA中选择一个个体；否则，从DA中选择一个个体；Rand是属于[0,1]之间的一个小数。

10.根据权利要求5所述的响应动态扰动的并行多目标加工参数优化方法，其特征在于，步骤3.4中更新CA和DA的方法为：

产生子代个体Q后，要执行对CA和DA的更新操作；CA的更新操作，首先将CA和新的子代种群Q并在一起进行分支配排序得到{F1,F2,F3,…,Fn}，F1是非支配解，以此类推；将F1放进新CA中，将F2放进新CA中，依次操作直至新CA中个体的个数大于等于N；如果新CA中个体个数等于N，则CA更新操作完成；否则，由相应的算法流程从新CA中剔除多余的个体；DA的更新操作，将{F2,F3,…,Fn}与DA进行合并，然后计算每个个体的拥挤度，并按照降序排序，选择前N个个体组成新的DA，完成DA的更新操作；

CA更新操作所述的从新CA中剔除多余个体算法为：

d^⊥(x，w)＝x-w^Tx/||w||

k＝argmin_w∈Wd^⊥(x，w)

其中，x是种群中的一个个体，w是权重向量集W中的一个向量，d^⊥(x，w)是x到w的距离；k是x到W向量集中w，d^⊥(x，w)最小的向量标识；

选择密度最大的子空间，从该子空间中根据以下公式剔除最差的个体，重复此操作，直至新CA的大小为N；

其中，x^w是当前子空间中最差的解，Ω当前密度最大的子空间中全部的个体，m是当前优化目标的个数，z^*是当前最理想的目标值，w是当前子空间对应的向量。