CN110579971B - 一种面向绿色制造的多目标切削参数优化方法 - Google Patents

一种面向绿色制造的多目标切削参数优化方法 Download PDF

Info

Publication number
CN110579971B
CN110579971B CN201911021487.0A CN201911021487A CN110579971B CN 110579971 B CN110579971 B CN 110579971B CN 201911021487 A CN201911021487 A CN 201911021487A CN 110579971 B CN110579971 B CN 110579971B
Authority
CN
China
Prior art keywords
cutting
tool
population
milling
parameter optimization
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.)
Active
Application number
CN201911021487.0A
Other languages
English (en)
Other versions
CN110579971A (zh
Inventor
黄彬
吴振江
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN201911021487.0A priority Critical patent/CN110579971B/zh
Publication of CN110579971A publication Critical patent/CN110579971A/zh
Application granted granted Critical
Publication of CN110579971B publication Critical patent/CN110579971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Numerical Control (AREA)

Abstract

本发明涉及一种面向绿色制造的多目标切削参数优化方法,包括以下步骤:步骤S1:根据切削加工中单一工步的加工状况,以切削速度、进给量作为优化变量,分别建立机械加工时间优化目标函数,综合考虑机床能耗和切削液消耗的机械加工绿色化评价指数函数,以及机械加工成本优化目标函数;步骤S2:根据数控机床的性能和被加工零件的表面加工质量要求,确定多目标切削参数优化模型的约束条件;步骤S3:根据步骤S1得到的优化目标函数和步骤S2的约束条件,构建多目标切削参数优化模型;步骤S4:利用改进的NSGA‑II算法对多目标切削参数优化模型进行寻优求解,得到其Pareto最优解集。本发明在保证切削加工顺利进行的前提下,提高资源利用率,降低对环境的负面影响。

Description

一种面向绿色制造的多目标切削参数优化方法
技术领域
本发明属于机械切削加工领域,具体涉及一种绿色制造背景下的多目标切削参数优化方法。
背景技术
随着当前资源和环境问题日益严峻,人们愈来愈重视并反思自身生产活动对环境的影响。制造业是将资源转化为产品的产业,作为国家经济基础产业,其在大量消耗资源并创造人类财富的同时,也产生了严重的环境污染问题。如何有效降低资源的消耗,减少生产制造过程对环境的污染,成为我国制造业当前迫切需要解决的难题之一。有鉴于此,绿色制造概念应运而生。绿色制造是综合考虑环境影响和资源消耗的现代制造模式,其目标是在整个产品制造过程中,对环境负面影响最小,资源利用率最高。
机械制造业是当今制造业中的重要组成部分,切削加工则是机械制造中最主要的加工方式之一。合理的切削参数选择有利于提高加工质量和效率、减少生产成本,是顺利完成切削加工的重要保障。
当前,有关切削参数优化的技术中,一部分是以传统指标(如生产成本,加工时间,刀具磨损程度等)进行优化,这类优化通常忽略了资源消耗和环境排放,已经难以满足现代制造业的要求;一部分则是以机床能耗等结合传统优化指标进行优化,这类优化侧重于降低资源消耗,而不考虑废水、有毒有害物质等对环境造成的负面影响。现阶段鲜有涉及面向绿色制造的切削参数优化,这类优化综合考虑了资源利用率和对环境的负面影响。
发明内容
有鉴于此,本发明的目的在于提供一种面向绿色制造的多目标切削参数优化方法,在保证切削加工顺利进行的前提下,提高资源利用率,降低对环境的负面影响。
为实现上述目的,本发明采用如下技术方案:
一种面向绿色制造的多目标切削参数优化方法,包括以下步骤:
步骤S1:根据切削加工中单一工步的加工状况,以切削速度vc、进给量f作为优化变量,分别建立机械加工时间优化目标函数Tstep,综合考虑机床能耗和切削液消耗的机械加工绿色化评价指数函数GEIMstep,以及机械加工成本优化目标函数Cstep
步骤S2:根据数控机床的性能和被加工零件的表面加工质量要求,确定多目标切削参数优化模型的约束条件;
步骤S3:根据步骤S1得到的优化目标函数和步骤S2的约束条件,构建多目标切削参数优化模型;
步骤S4:利用改进的NSGA-II算法对多目标切削参数优化模型进行寻优求解,得到其Pareto最优解集,即为最优的切削参数方案解集。
进一步的,所述步骤S1具体为:
步骤S11:以切削加工系统中的切削速度vc、进给量f作为优化变量,建立机械加工时间函数Tstep,其表达式如下:
Tstep=twork+tno-load+tload+tchange
其中,twork是工件装夹、卸载所需的辅助时间;
Figure BDA0002247366300000021
是机床空行程所消耗的时间,即机床空载时间,lcut、lsafety分别表示实际切削长度以及起刀点与工件之间的安全距离,vf为机床快速进给速度,车削加工时,k取1,铣削加工时,k取决于工件宽度以及铣削宽度;
Figure BDA0002247366300000022
是机床实际切削去除材料所消耗的时间,即机床负载时间,车削加工时,k取1,d为工件直径,铣削加工时,k取决于工件宽度以及铣削宽度,d为铣刀刀盘直径,且f=fz·z,fz是每齿进给量,z是铣刀齿数;
Figure BDA0002247366300000023
是换刀时间,teach为刀具磨钝后,实际一次换刀所需时间;T是刀具耐用度,车削加工时,
Figure BDA0002247366300000024
ap是切削深度,x、y、z、CT是与刀具耐用度相关的系数;铣削加工时,
Figure BDA0002247366300000025
d是铣刀刀盘直径,ap是切削深度,ae是铣削宽度,Cv、kv、qv、xv、yv、μv、pv、m是与刀具耐用度相关系数;
步骤S12:以切削加工系统的切削速度vc、进给量f作为优化变量,定义了机械加工绿色化评价指数函数GEIMstep,其表达式如下:
Figure BDA0002247366300000031
其中,Eelec、Eelecmax分别表示电能消耗量和单目标电能消耗函数的最大值,
Figure BDA0002247366300000032
Pstandy-by是机床待机时段功率,Pidle0、k1和k2是机床空载时段功率的拟合系数,Ppump-chip是切削液泵及排屑电机的功率之和,bm是附加载荷损耗系数;Fcut是切削力,车削加工时,
Figure BDA0002247366300000033
CFc、xFc、yFc、nFc和kFc为车削加工时的切削力相关系数;铣削加工时,
Figure BDA0002247366300000034
CF、xF、yF、μF、qF、ωF和kF为铣削加工时的切削力相关系数,可从相关切削手册获取。Vliquid、Vliquidmax分别表示废弃切削液排放量和单目标废弃切削液排放函数的最大值,
Figure BDA0002247366300000035
Tliquid是切削液更换周期,Vori是初始切削液用量,Vadd是切削液更换前补加的总量;ω1、ω2是权重系数;
步骤S13:以切削加工系统中的切削速度vc、进给量f作为优化变量,建立机械加工成本函数Cstep,其表达式如下:
Figure BDA0002247366300000036
其中,Celec是电能消耗成本,Ctool是刀具成本,aelec是单位电量价格,atool是刀具购买费用。
进一步的,所述步骤S2多目标切削参数优化模型的约束条件,具体包括:
(1)切削速度约束条件
切削速度取值应在机床允许的取值范围内,即
Figure BDA0002247366300000037
式中,nmin、nmax分别为机床转速的最小值、最大值;
(2)进给量约束条件
进给量取值应在机床允许的取值范围内,即
fmin≤f≤fmax
式中,fmin、fmax分别为机床进给量的最小值、最大值;
(3)切削力约束条件
切削过程中,机床的切削力应小于机床所允许的最大切削力,即
Fcut≤Fmax
(4)功率约束条件
切削过程中,机床功率应小于机床允许的最大有效功率,即
Figure BDA0002247366300000041
式中,η为机床功率有效系数;
(5)加工质量约束条件
加工后的零件表面粗糙度应满足零件所允许的最低粗糙度要求,即
Figure BDA0002247366300000042
Figure BDA0002247366300000043
式中,rε为刀具刀尖圆弧半径,kr为刀具主偏角,kr'为刀具副偏角。进一步的,所述步骤S3构建多目标切削参数优化模型,具体为:
Figure BDA0002247366300000044
Figure BDA0002247366300000045
进一步的,所述步骤S4具体为:
步骤S41:设定算法的基本参数,包括交叉概率、变异概率、交叉分布指数、变异分布指数、种群数目N、当前迭代次数t以及最大迭代次数T等。同时初始化变异种群Ct=φ,当前迭代次数t=0;
步骤S42:计算种群P0中各个个体的相应目标函数值,并按非支配关系进行排序以及计算拥挤度;
步骤S43:依据二元锦标赛的选择机制,从种群Pt中选择产生N个个体,然后对这N个个体进行模拟二进制交叉和多项式变异操作,进而产生新的种群Qt
步骤S44:将种群Pt、Qt以及Ct合并,得到中间种群Rt,然后对Rt进行非支配排序和拥挤度计算,进而应用精英策略得到子代种群Pt+1
步骤S45:若当前迭代次数t小于最大迭代次数T,则继续执行步骤S46;否则,输出种群Pt+1中非支配序为1的个体;
步骤S46:应用基于混沌映射的变异算子得到种群Ct,并令t=t+1,重新执行步骤S43。
进一步的,所述步骤S41具体为:
步骤S411:对于个体数为N的初始种群,其个体可以表示成二维向量的形式,即Yi=(yi1,yi2),i∈[1,N],yid∈[-1,1],d=1,2。
步骤S412:随机产生一个符合步骤S411中二维向量形式的个体,将该个体的每一维均带入以下切比雪夫混沌映射方程,分别进行(N-1)次迭代,即得到其余(N-1)个个体
xn+1=cos(k arccos xn),xn∈[-1,1],k=4。
步骤S413:将生成的N个2维混沌变量依次按下式映射到解搜索空间,即可得到经混沌初始化后的种群P0
xid=ld+(ud-ld)·(1+yid)/2,d=1,2
其中,ud和ld分别为问题解搜索空间第d维的上、下限,yid为步骤S412所生成的第i个个体的第d维,xid为第i个个体在问题解搜索空间中的第d维坐标值。
1.根据权利要求5所述的一种面向绿色制造的多目标切削参数优化方法,其特征在于,所述步骤S46具体为:
步骤S461:取步骤S44中所得子代种群Pt+1中非支配序为1的所有个体排序的前40%作为产生变异个体的精英个体,并对每一精英个体执行以下操作;
步骤S462:随机产生一个符合步骤S411中二维向量形式的个体,将该个体的每一维均带入步骤S412中切比雪夫混沌映射方程,分别进行4次迭代,即得到其余4个个体;
步骤S463:将所生成的5个混沌变量分别按下式映射到精英个体的领域内,即产生新的变异个体
xid=cd+λ·R·r·(1+yid)/2,i∈[1,5]且i∈Z,d=1,2
式中,cd为相应精英个体在解空间第d维的坐标值,yid为步骤S462所生成的第i个混沌变量的第d维,xid为第i个混沌变量在精英个体邻域空间中所产生的新变异个体的第d维坐标值,r随机取1或者-1,λ为缩放因子,R是精英个体的第d维与解空间第d维上、下限的最小差值;
λ和R的表达式分别如下所示:
λ=(T-t+1)/T
其中,T为设定的总迭代数,t为当前代数;
R=min(cd-ld,ud-cd)
其中,ud和ld分别为问题解搜索空间第d维的上、下限。
本发明与现有技术相比具有以下有益效果:
1、本发明除了考虑机械加工时间、机械加工成本这两个传统优化指标外,还创新性地将机械加工绿色化评价指数作为优化目标,在切削参数优化过程中,综合考虑了资源利用率和对环境的负面影响。
2、本发明通过对传统NSGA-II算法采取混沌初始化种群、引入基于混沌映射的变异算子措施,有效提高了算法的分布性和收敛性,使求得的非支配解集分布更加均匀、精确。
附图说明
图1是本发明一实施例中NSGA-II算法流程图;
图2是本发明实施例中对多目标切削参数优化模型优化求解得到的Pareto前沿。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种面向绿色制造的多目标切削参数优化方法,包括以下步骤:
(1)根据切削加工中单一工步的加工状况,以切削速度vc、进给量f作为优化变量,分别建立机械加工时间优化目标函数Tstep,综合考虑机床能耗和切削液消耗的机械加工绿色化评价指数函数GEIMstep,以及机械加工成本优化目标函数Cstep
各优化目标函数建立过程如下:
(1.1)以切削加工系统中的切削速度vc、进给量f作为优化变量,建立机械加工时间函数Tstep,其表达式如下:
Tstep=twork+tno-load+tload+tchange
其中,twork是工件装夹、卸载所需的辅助时间;
Figure BDA0002247366300000071
是机床空行程所消耗的时间,即机床空载时间,lcut、lsafety分别表示实际切削长度以及起刀点与工件之间的安全距离,vf为机床快速进给速度,车削加工时,k取1,铣削加工时,k取决于工件宽度以及铣削宽度;
Figure BDA0002247366300000072
是机床实际切削去除材料所消耗的时间,即机床负载时间,车削加工时,k取1,d为工件直径,铣削加工时,k取决于工件宽度以及铣削宽度,d为铣刀刀盘直径,且有f=fz·z,fz是每齿进给量,z是铣刀齿数;
Figure BDA0002247366300000073
是换刀时间,是指将刀具因磨钝而产生的实际换刀时间折算到单工步上的分摊,teach为刀具磨钝后,实际一次换刀所需时间。T是刀具耐用度,车削加工时,
Figure BDA0002247366300000074
ap是切削深度,x、y、z、CT是与刀具耐用度有关的系数;铣削加工时,
Figure BDA0002247366300000075
d是铣刀刀盘直径,ap是切削深度,ae是铣削宽度,Cv、kv、qv、xv、yv、μv、pv、m是与刀具耐用度相关系数,可查阅相关切削手册获取。
(1.2)为衡量机械加工过程中单个工步的绿色化程度,以切削加工系统的切削速度vc、进给量f作为优化变量,定义了机械加工绿色化评价指数函数GEIMstep,其表达式如下:
Figure BDA0002247366300000081
其中,Eelec、Eelecmax分别表示电能消耗量和单目标电能消耗函数的最大值,
Figure BDA0002247366300000082
Pstandy-by是机床待机时段功率,Pidle0、k1和k2是机床空载时段功率的拟合系数,Ppump-chip是切削液泵及排屑电机的功率之和,bm是附加载荷损耗系数。Fcut是切削力,车削加工时,
Figure BDA0002247366300000083
CFc、xFc、yFc、nFc和kFc为车削加工时的切削力相关系数;铣削加工时,
Figure BDA0002247366300000084
CF、xF、yF、μF、qF、ωF和kF为铣削加工时的切削力相关系数,可从相关切削手册获取。Vliquid、Vliquidmax分别表示废弃切削液排放量和单目标废弃切削液排放函数的最大值,
Figure BDA0002247366300000085
Tliquid是切削液更换周期,Vori是初始切削液用量,Vadd是切削液更换前补加的总量。ω1、ω2是权重系数,如果电能消耗量、废弃切削液排放量在绿色化评价过程中重要性程度相同,则ω1=ω2=0.5。
(1.3)以切削加工系统中的切削速度vc、进给量f作为优化变量,建立机械加工成本函数Cstep,其表达式如下:
Figure BDA0002247366300000086
其中,Celec是电能消耗成本,Ctool是刀具成本,aelec是单位电量价格,atool是刀具购买费用。
(2)根据数控机床的性能和被加工零件的表面加工质量要求,确定多目标切削参数优化模型的约束条件;
(2.1)确定切削参数优化模型的约束条件,具体为:
(2.1.1)确定切削速度约束条件
切削速度取值应在机床允许的取值范围内,即
Figure BDA0002247366300000087
式中,nmin、nmax分别为机床转速的最小值、最大值。
(2.1.2)确定进给量约束条件
进给量取值应在机床允许的取值范围内,即
fmin≤f≤fmax
式中,fmin、fmax分别为机床进给量的最小值、最大值。
(2.1.3)确定切削力约束条件
切削过程中,机床的切削力应小于机床所允许的最大切削力,即
Fcut≤Fmax
(2.1.4)确定功率约束条件
切削过程中,机床功率应小于机床允许的最大有效功率,即
Figure BDA0002247366300000091
式中,η为机床功率有效系数。
(2.1.5)确定加工质量约束条件
加工后的零件表面粗糙度应满足零件所允许的最低粗糙度要求,即
Figure BDA0002247366300000092
Figure BDA0002247366300000093
式中,rε为刀具刀尖圆弧半径,kr为刀具主偏角,kr'为刀具副偏角。
(3)结合步骤(1)中的优化目标函数以及步骤(2.1)中的约束条件,构建多目标切削参数优化模型,具体为:
Figure BDA0002247366300000094
Figure BDA0002247366300000095
Figure BDA0002247366300000101
Ra≤Ra max
(4)利用改进的NSGA-II算法对步骤(2)中构建的多目标切削参数优化模型进行寻优求解,得到其Pareto最优解集。如图1所示,为改进的NSGA-II算法流程图。
应用改进的NSGA-II算法对切削参数优化模型进行求解的具体过程如下:
(4.1)设定算法的基本参数,包括交叉概率、变异概率、交叉分布指数、变异分布指数、种群数目N、当前迭代次数t以及最大迭代次数T等。同时初始化变异种群Ct=φ,当前迭代次数t=0。应用混沌序列产生初始种群P0,具体实现方式如下:
(4.1.1)改进的NSGA-II算法采用实数编码方式,由于存在两个优化变量(切削速度vc和进给量f),故对于个体数为N的初始种群,其个体可以表示成二维向量的形式,即Yi=(yi1,yi2),i∈[1,N],yid∈[-1,1],d=1,2。
(4.1.2)随机产生一个符合步骤(3.1.1)中二维向量形式的个体,将该个体的每一维均带入以下切比雪夫混沌映射方程,分别进行(N-1)次迭代,即得到其余(N-1)个个体。
xn+1=cos(k arccos xn),xn∈[-1,1],k=4。
(4.1.3)将步骤(3.1.2)中生成的N个2维混沌变量依次按下式映射到解搜索空间,即可得到经混沌初始化后的种群P0
xid=ld+(ud-ld)·(1+yid)/2,d=1,2
其中,ud和ld分别为问题解搜索空间第d维的上、下限,yid为步骤(3.1.2)所生成的第i个个体的第d维,xid为第i个个体在问题解搜索空间中的第d维坐标值。
(4.2)计算种群P0中各个个体的相应目标函数值,并按非支配关系进行排序以及计算拥挤度。
(4.3)依据二元锦标赛的选择机制,从种群Pt中选择产生N个个体,然后对这N个个体进行模拟二进制交叉和多项式变异操作,进而产生新的种群Qt
(4.4)将种群Pt、Qt以及Ct合并,得到中间种群Rt,然后对Rt进行非支配排序和拥挤度计算,进而应用精英策略得到子代种群Rt+1
(4.5)若当前迭代次数t小于最大迭代次数T,则继续执行步骤(4.6);否则,输出种群pt+1中非支配序为1的个体。针对这些个体所组成的非支配解集,采取不同的优化策略,即可得到满足相应选择条件的切削参数优化结果。
(4.6)为增加种群多样性,应用基于混沌映射的变异算子得到种群Ct,并令t=t+1,重新执行步骤(4.3)。基于混沌映射的变异算子具体执行步骤如下:
(4.6.1)取步骤(4.4)中所得子代种群pt+1中非支配序为1的所有个体排序的前40%作为产生变异个体的精英个体,并对每一精英个体执行以下操作。
(4.6.2)随机产生一个符合步骤(4.1.1)中二维向量形式的个体,将该个体的每一维均带入步骤(4.1.2)中切比雪夫混沌映射方程,分别进行4次迭代,即得到其余4个个体。
(4.6.3)将步骤(4.6.2)中所生成的5个混沌变量分别按下式映射到步骤(4.6.1)中精英个体的领域内,即产生新的变异个体。
xid=cd+λ·R·r·(1+yid)/2,i∈[1,5]且i∈Z,d=1,2
式中,cd为相应精英个体在解空间第d维的坐标值,yid为步骤(4.6.2)所生成的第i个混沌变量的第d维,xid为第i个混沌变量在精英个体邻域空间中所产生的新变异个体的第d维坐标值,r随机取1或者-1,λ为缩放因子,R是精英个体的第d维与解空间第d维上、下限的最小差值。λ和R的表达式分别如下所示:
λ=(T-t+1)/T
其中,T为设定的总迭代数,t为当前代数。
R=min(cd-ld,ud-cd)
其中,ud和ld分别为问题解搜索空间第d维的上、下限。
本实施例中,选取数控车削案例并应用本发明中的具体技术方法,通过试验、相关文献手册和机床设计参数,得到机床部分参数及加工工艺参数,完成优化目标和约束函数,并对据此构建的切削参数优化模型寻优求解,进而依据所选优化策略得到合适的切削参数。
(1)车削案例说明
在车削案例中,使用45号圆柱钢材作为工件材料,工件尺寸为φ50×200mm,车削长度为100mm,加工余量为1.5mm,设计一次走刀完成,切削深度为ap=1.5mm,切削质量要求粗糙度不超过20μm。
(2)车削案例相关参数设置
表1 数控车床参数
Figure BDA0002247366300000121
表2 刀具参数
Figure BDA0002247366300000122
表3 刀具耐用度及切削力相关系数
Figure BDA0002247366300000123
表4 其他计算相关参数
Figure BDA0002247366300000124
(3)车削加工参数多目标优化求解
将(2)中相关参数带入本发明技术方法所构建的多目标切削参数优化模型中,并应用改进的NSGA-II算法对上述模型进行寻优求解(算法的参数设置如表5所示),得到如附图2所示的Pareto前沿。
表5 改进的NSGA-II算法参数设定值
Figure BDA0002247366300000131
针对改进的NSGA-II算法求得的Pareto解集,取其中非支配序为1的个体组成非支配解集,并对这部分集结采取不同的优化策略,可以得到不同的车削参数优化结果,如表6所示。其中,折中优化策略是按照权重值0.3、0.3、0.4的形式分别给机械加工时间函数、机械加工绿色化评价指数函数以及机械加工成本函数赋予相应的权重值而得到的优化结果(实际应用时,可以依据企业对不同优化目标的期望程度,灵活调整各目标权重值)。同时,为了验证所建立的切削参数优化模型和改进算法的有效性,从切削手册中选取了推荐的切削参数与其进行对比。
表6 车削参数优化结果对比
Figure BDA0002247366300000132
对比分析表6中数据可知,选择以最小加工时间或最小评价指数为优化策略时,切削速度、进给量均取到了变量约束范围内的较大值,相比推荐的切削参数,该优化策略使加工时间减少了17.76%,绿色化评价指数降低了19.61%,但是却使加工成本明显增加。
当选择最小加工成本为优化策略时,可以看到,切削速度取到了变量约束范围内的较小值,与推荐的切削参数相比,加工成本降低了76.65%,但是绿色化评价指数增加了20.06%,加工时间增加了24.12%。
当选择折中优化策略时,将得到的优化值与推荐参数得到的结果相比,加工时间减少了4.73%,绿色化评价指数降低了6.79%,加工成本降低了4.83%。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。

Claims (6)

1.一种面向绿色制造的多目标切削参数优化方法,其特征在于,包括以下步骤:
步骤S1:根据切削加工中单一工步的加工状况,以切削速度vc、进给量f作为优化变量,分别建立机械加工时间优化目标函数Tstep,综合考虑机床能耗和切削液消耗的机械加工绿色化评价指数函数GEIMstep,以及机械加工成本优化目标函数Cstep
步骤S2:根据数控机床的性能和被加工零件的表面加工质量要求,确定多目标切削参数优化模型的约束条件;
步骤S3:根据步骤S1得到的优化目标函数和步骤S2的约束条件,构建多目标切削参数优化模型;
步骤S4:利用改进的NSGA-II算法对多目标切削参数优化模型进行寻优求解,得到其Pareto最优解集,即为最优的切削参数方案解集;
所述步骤S4具体为:
步骤S41:设定算法的基本参数,包括交叉概率、变异概率、交叉分布指数、变异分布指数、种群数目N、当前迭代次数t以及最大迭代次数T;同时初始化变异种群Ct=φ,当前迭代次数t=0;
步骤S42:计算种群P0中各个个体的相应目标函数值,并按非支配关系进行排序以及计算拥挤度;
步骤S43:依据二元锦标赛的选择机制,从种群Pt中选择产生N个个体,然后对这N个个体进行模拟二进制交叉和多项式变异操作,进而产生新的种群Qt
步骤S44:将种群Pt、Qt以及Ct合并,得到中间种群Rt,然后对Rt进行非支配排序和拥挤度计算,进而应用精英策略得到子代种群Pt+1
步骤S45:若当前迭代次数t小于最大迭代次数T,则继续执行步骤S46;否则,输出种群Pt+1中非支配序为1的个体;
步骤S46:应用基于混沌映射的变异算子得到种群Ct,并令t=t+1,重新执行步骤S43。
2.根据权利要求1所述的一种面向绿色制造的多目标切削参数优化方法,其特征在于,所述步骤S1具体为:
步骤S11:以切削加工系统中的切削速度vc、进给量f作为优化变量,建立机械加工时间函数Tstep,其表达式如下:
Tstep=twork+tno-load+tload+tchange
其中,twork是工件装夹、卸载所需的辅助时间;
Figure FDA0003120754420000021
是机床空行程所消耗的时间,即机床空载时间,lcut、lsafety分别表示实际切削长度以及起刀点与工件之间的安全距离,vf为机床快速进给速度,车削加工时,k取1,铣削加工时,k取决于工件宽度以及铣削宽度;
Figure FDA0003120754420000022
是机床实际切削去除材料所消耗的时间,即机床负载时间,车削加工时,k取1,d为工件直径,铣削加工时,k取决于工件宽度以及铣削宽度,d为铣刀刀盘直径,且f=fz·z,fz是每齿进给量,z是铣刀齿数;
Figure FDA0003120754420000023
是换刀时间,teach为刀具磨钝后,实际一次换刀所需时间;T是刀具耐用度,车削加工时,
Figure FDA0003120754420000024
ap是切削深度,x、y、z、CT是与刀具耐用度相关的系数;铣削加工时,
Figure FDA0003120754420000025
d是铣刀刀盘直径,ap是切削深度,ae是铣削宽度,Cv、kv、qv、xv、yv、μv、pv、m是与刀具耐用度相关系数;
步骤S12:以切削加工系统的切削速度vc、进给量f作为优化变量,定义了机械加工绿色化评价指数函数GEIMstep,其表达式如下:
Figure FDA0003120754420000026
其中,Eelec、Eelecmax分别表示电能消耗量和单目标电能消耗函数的最大值,
Figure FDA0003120754420000031
Pstandy-by是机床待机时段功率,Pidle0、k1和k2是机床空载时段功率的拟合系数,Ppump-chip是切削液泵及排屑电机的功率之和,bm是附加载荷损耗系数;Fcut是切削力,车削加工时,
Figure FDA0003120754420000032
CFc、xFc、yFc、nFc和kFc为车削加工时的切削力相关系数;铣削加工时,
Figure FDA0003120754420000033
CF、xF、yF、μF、qF、ωF和kF为铣削加工时的切削力相关系数,可从相关切削手册获取;Vliquid、Vliquidmax分别表示废弃切削液排放量和单目标废弃切削液排放函数的最大值,
Figure FDA0003120754420000034
Tliquid是切削液更换周期,Vori是初始切削液用量,Vadd是切削液更换前补加的总量;ω1、ω2是权重系数;
步骤S13:以切削加工系统中的切削速度vc、进给量f作为优化变量,建立机械加工成本函数Cstep,其表达式如下:
Figure FDA0003120754420000035
其中,Celec是电能消耗成本,Ctool是刀具成本,aelec是单位电量价格,atool是刀具购买费用。
3.根据权利要求1所述的一种面向绿色制造的多目标切削参数优化方法,其特征在于,所述多目标切削参数优化模型的约束条件,具体包括:
(1)切削速度约束条件
切削速度取值应在机床允许的取值范围内,即
Figure FDA0003120754420000036
式中,nmin、nmax分别为机床转速的最小值、最大值;
(2)进给量约束条件
进给量取值应在机床允许的取值范围内,即
fmin≤f≤fmax
式中,fmin、fmax分别为机床进给量的最小值、最大值;
(3)切削力约束条件
切削过程中,机床的切削力应小于机床所允许的最大切削力,即
Fcut≤Fmax
(4)功率约束条件
切削过程中,机床功率应小于机床允许的最大有效功率,即
Figure FDA0003120754420000041
式中,η为机床功率有效系数;
(5)加工质量约束条件
加工后的零件表面粗糙度应满足零件所允许的最低粗糙度要求,即
Figure FDA0003120754420000042
Figure FDA0003120754420000043
式中,rε为刀具刀尖圆弧半径,kr为刀具主偏角,kr'为刀具副偏角。
4.根据权利要求2所述的一种面向绿色制造的多目标切削参数优化方法,其特征在于,所述构建多目标切削参数优化模型,具体为:
Figure FDA0003120754420000044
Figure FDA0003120754420000045
5.根据权利要求1所述的一种面向绿色制造的多目标切削参数优化方法,其特征在于,所述步骤S41具体为:
步骤S411:对于个体数为N的初始种群,其个体可以表示成二维向量的形式,即Yi=(yi1,yi2),i∈[1,N],yid∈[-1,1],d=1,2;
步骤S412:随机产生一个符合步骤S411中二维向量形式的个体,将该个体的每一维均带入以下切比雪夫混沌映射方程,分别进行(N-1)次迭代,即得到其余(N-1)个个体
xn+1=cos(karccosxn),xn∈[-1,1],k=4;
步骤S413:将生成的N个2维混沌变量依次按下式映射到解搜索空间,即可得到经混沌初始化后的种群P0
xid=ld+(ud-ld)·(1+yid)/2,d=1,2
其中,ud和ld分别为问题解搜索空间第d维的上、下限,yid为步骤S412所生成的第i个个体的第d维,xid为第i个个体在问题解搜索空间中的第d维坐标值。
6.根据权利要求1所述的一种面向绿色制造的多目标切削参数优化方法,其特征在于,所述步骤S46具体为:
步骤S461:取步骤S44中所得子代种群Pt+1中非支配序为1的所有个体排序的前40%作为产生变异个体的精英个体,并对每一精英个体执行以下操作;
步骤S462:随机产生一个符合步骤S411中二维向量形式的个体,将该个体的每一维均带入步骤S412中切比雪夫混沌映射方程,分别进行4次迭代,即得到其余4个个体;
步骤S463:将所生成的5个混沌变量分别按下式映射到精英个体的领域内,即产生新的变异个体
xid=cd+λ·R·r·(1+yid)/2,i∈[1,5]且i∈Z,d=1,2
式中,cd为相应精英个体在解空间第d维的坐标值,yid为步骤S462所生成的第i个混沌变量的第d维,xid为第i个混沌变量在精英个体邻域空间中所产生的新变异个体的第d维坐标值,r随机取1或者-1,λ为缩放因子,R是精英个体的第d维与解空间第d维上、下限的最小差值;
λ和R的表达式分别如下所示:
λ=(T-t+1)/T
其中,T为设定的总迭代数,t为当前代数;
R=min(cd-ld,ud-cd)
其中,ud和ld分别为问题解搜索空间第d维的上、下限。
CN201911021487.0A 2019-10-25 2019-10-25 一种面向绿色制造的多目标切削参数优化方法 Active CN110579971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911021487.0A CN110579971B (zh) 2019-10-25 2019-10-25 一种面向绿色制造的多目标切削参数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911021487.0A CN110579971B (zh) 2019-10-25 2019-10-25 一种面向绿色制造的多目标切削参数优化方法

Publications (2)

Publication Number Publication Date
CN110579971A CN110579971A (zh) 2019-12-17
CN110579971B true CN110579971B (zh) 2021-09-28

Family

ID=68815442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911021487.0A Active CN110579971B (zh) 2019-10-25 2019-10-25 一种面向绿色制造的多目标切削参数优化方法

Country Status (1)

Country Link
CN (1) CN110579971B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797469B (zh) * 2020-06-24 2023-10-17 华中科技大学无锡研究院 一种基于加工让刀变形约束的航发机匣工艺参数优化方法
CN111730408B (zh) * 2020-07-17 2021-10-15 重庆工商大学 一种考虑切屑换热的干切削加工强化传热方法
CN111931307B (zh) * 2020-08-11 2022-07-12 西北工业大学 一种零件质量预测和评估优化方法及系统
CN111948977B (zh) * 2020-08-21 2021-08-10 湖北工业大学 一种用于不锈钢加工的多目标优化方法和系统
CN113050543B (zh) * 2021-03-18 2022-02-08 河南科技大学 一种切削阶段数控车床加工参数节能优化方法
CN113112143B (zh) * 2021-04-08 2024-04-23 杭州电子科技大学 云制造环境下多级别制造商协同生产任务分配方法及系统
CN113110288B (zh) * 2021-04-23 2022-09-27 重庆大学 一种滚齿机床机械加工系统集成优化设计方法
CN113343385B (zh) * 2021-06-03 2024-03-01 中国计量大学 一种基于nsga-ii多目标寻优模型的工业填料饼切割方法
CN114415595B (zh) * 2021-11-05 2024-05-10 山东科技大学 一种车削优化方法、系统、计算机设备和存储介质
CN116047921B (zh) * 2023-04-03 2023-08-04 成都飞机工业(集团)有限责任公司 一种切削参数优化方法、装置、设备及介质
CN116679627B (zh) * 2023-05-04 2024-06-25 安徽机电职业技术学院 一种用于控制多个电气设备的联动控制方法
CN117349732B (zh) * 2023-11-10 2024-11-05 赣州市第五人民医院 基于人工智能的高流量湿化治疗仪管理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036334A (zh) * 2014-06-27 2014-09-10 大连理工大学 一种耦合调峰和通航需求的梯级水电站多目标优化调度混合搜索方法
CN104267693A (zh) * 2014-09-22 2015-01-07 华中科技大学 一种机械加工能量效率的切削参数优化方法
CN105844356A (zh) * 2016-03-22 2016-08-10 江南大学 基于自适应遗传算法的机床切削用量能耗优化方法
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
CN109240202A (zh) * 2018-11-21 2019-01-18 西安交通大学 一种面向低碳的铣削加工刀具路径优化方法
CN109299567A (zh) * 2018-10-22 2019-02-01 重庆大学 一种面向节能的数控车床主传动系统设计优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016176214A1 (en) * 2015-04-30 2016-11-03 Aspen Technology, Inc. Formulating steady-state targets using prioritized objective functions

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036334A (zh) * 2014-06-27 2014-09-10 大连理工大学 一种耦合调峰和通航需求的梯级水电站多目标优化调度混合搜索方法
CN104267693A (zh) * 2014-09-22 2015-01-07 华中科技大学 一种机械加工能量效率的切削参数优化方法
CN105844356A (zh) * 2016-03-22 2016-08-10 江南大学 基于自适应遗传算法的机床切削用量能耗优化方法
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
CN109299567A (zh) * 2018-10-22 2019-02-01 重庆大学 一种面向节能的数控车床主传动系统设计优化方法
CN109240202A (zh) * 2018-11-21 2019-01-18 西安交通大学 一种面向低碳的铣削加工刀具路径优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Ranking Method Based on Two Preference;Akira Oyama等;《Institute of Space and Astronautical Science》;20171231;全文 *
数控机床能耗建模与面向能量的加工参数优化;周丽蓉;《中国博士学位论文全文数据库 工程科技I辑》;20190115;第107-116页 *

Also Published As

Publication number Publication date
CN110579971A (zh) 2019-12-17

Similar Documents

Publication Publication Date Title
CN110579971B (zh) 一种面向绿色制造的多目标切削参数优化方法
Wang et al. Multi-objective optimization of machining parameters considering energy consumption
Kumar et al. Multi objective optimization using different methods of assigning weights to energy consumption responses, surface roughness and material removal rate during rough turning operation
Wang et al. Dual-objective program and improved artificial bee colony for the optimization of energy-conscious milling parameters subject to multiple constraints
CN105929689B (zh) 基于粒子群算法的机床制造系统加工节能优化方法
Rao et al. A new multi-objective Jaya algorithm for optimization of modern machining processes.
Zhang et al. A process parameters optimization method of multi-pass dry milling for high efficiency, low energy and low carbon emissions
Li et al. A method integrating Taguchi, RSM and MOPSO to CNC machining parameters optimization for energy saving
CN105652791B (zh) 订单驱动的离散制造过程能耗优化方法
Pawar et al. Parameter optimization of machining processes using teaching–learning-based optimization algorithm
Gadakh Parametric optimization of wire electrical discharge machining using TOPSIS method
Ganesan et al. Optimization of machining techniques in CNC turning centre using genetic algorithm
CN102183931B (zh) 基于时间约束的机械加工生产过程优化调度方法
Sundaram An application of goal programming technique in metal cutting
Banerjee et al. A comprehensive assessment of minimum quantity lubrication machining from quality, production, and sustainability perspectives
CN114925596B (zh) 基于晶圆测试设备的铸件平台精铣加工参数的优化方法
Hassine et al. Multi objective optimization for sustainable manufacturing, application in turning
Mellal et al. Total production time minimization of a multi-pass milling process via cuckoo optimization algorithm
Xiao et al. Multiobjective optimization of machining center process route: Tradeoffs between energy and cost
CN104318022A (zh) 一种预测工件表面粗糙度并提高切削效率的方法
CN116719275B (zh) 面向零件全切削过程的工艺综合优化方法
Kasdekar et al. Artificial neural network models for the prediction of MRR in Electro-chemical machining
CN106774162A (zh) 一种数控加工参数多目标优化方法
Rentsch et al. Artificial intelligence for an energy and resource efficient manufacturing chain design and operation
CN110390138B (zh) 一种刀夹具的多目标综合优选方法

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