CN111913437A - 一种基于nsga-ii的车削参数多目标优化方法 - Google Patents

一种基于nsga-ii的车削参数多目标优化方法 Download PDF

Info

Publication number
CN111913437A
CN111913437A CN201910375024.8A CN201910375024A CN111913437A CN 111913437 A CN111913437 A CN 111913437A CN 201910375024 A CN201910375024 A CN 201910375024A CN 111913437 A CN111913437 A CN 111913437A
Authority
CN
China
Prior art keywords
nsga
cutting
mathematical model
optimization method
turning
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.)
Pending
Application number
CN201910375024.8A
Other languages
English (en)
Inventor
吴晶
庄可佳
杜百岗
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.)
Dimension Wuhan Intelligent Technology Co ltd
Original Assignee
Dimension Wuhan Intelligent Technology Co ltd
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 Dimension Wuhan Intelligent Technology Co ltd filed Critical Dimension Wuhan Intelligent Technology Co ltd
Priority to CN201910375024.8A priority Critical patent/CN111913437A/zh
Publication of CN111913437A publication Critical patent/CN111913437A/zh
Pending legal-status Critical Current

Links

Images

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
    • G05B19/408—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 data handling or data format, e.g. reading, buffering or conversion of data
    • G05B19/4083—Adapting programme, configuration
    • 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
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35356—Data handling

Landscapes

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

Abstract

本发明提供一种基于NSGA‑II的车削参数优化方法，所述优化方法包括，确定切削参数范围；建立多目标优化数学模型，包括建立表面粗糙度模型和材料去除率模型；基于NSGA‑IIb法对多目标数学模型进行求解。本发明提供的一种基于NSGA‑II的车削参数优化方法，综合考虑了车削参数对表面粗糙度和加工效率的影响，利用车削工艺实验获得的数据建立二者数学模型，并使用NSGA‑II算法进行求解，获得最优的车削参数解集，之后根据实际情况选择当前工况下的最优切削参数，有助于提高车削参数选择的科学性，提高了表面质量和加工效率。

Description

一种基于NSGA-II的车削参数多目标优化方法
技术领域
本发明涉及数控加工技术领域，尤其涉及一种基于NSGA-II的车削参数多目标优化方法。
背景技术
车削即车床加工，车床加工是机械加工的一部分；车床加工主要用车刀对旋转的工件进行车削加工；在车床上还可用钻头、扩孔钻、铰刀、丝锥、板牙和滚花工具等进行相应的加工。车床主要用于加工轴、盘、套和其他具有回转表面的工件，是机械制造和修配工厂中使用最广的一类机床加工。
车削加工作为一种重要的机械加工方式，其加工质量和加工效率都至关重要，尤其是对于一些对服役性能要求较高的精密部件，如何在保证其表面质量的同时获得更高的加工效率，就变得尤为关键。合理选择车削参数对表面粗糙度和材料去除率都有很大影响。
目前的实际车削加工过程中，普遍依靠操作员经验确定车削参数，这样既无法保证获得最优的表面粗糙度，也无法提高加工效率。已有的切削参数优化方法多为单目标优化，只能对某一目标值进行优化，无法同时实现对表面粗糙度和材料去除率的优化，实用性较差。
因此，有必要提供一种新的基于NSGA-II的车削参数多目标优化方法解决上述技术问题。
发明内容
为解决上述技术问题，本发明提供的一种基于NSGA-II的车削参数优化方法，具体技术方案如下：所述优化方法包括，
确定切削参数范围；
建立多目标优化数学模型，包括建立表面粗糙度模型和材料去除率模型；
基于NSGA-IIb法对多目标数学模型进行求解。
进一步地，所述确定切削参数范围包括确定切削速度v、进给率f、切厚d的范围。
进一步地，所述确定速度v、进给率f、切厚d的范围是根据机床的具体参数及实际工况确定，其中：
vmin≤v≤vmax
fmin≤f≤fmax
dmin≤d≤dmax
进一步地，所述建立多目标优化数学模型采用车削工艺实验，包括
确定实验数控机床的相关参数；
进行三因素三水平的正交实验，并测量、记录实验数据；
通过测量的实验数据得到多目标优化数学模型。
进一步地，所述确定实验数控机床及工件的相关参数包括，确定数控车床的刀具采用前角为+7°，刀尖半径为0.04的碳化钨刀片；工件材料采用AISI1045钢、直径47mm、长度250mm，且安装在三爪卡盘中，夹持长度为20mm。
进一步地，所述三因素三水平的正交实验采用单一变量法进行，所述测量、记录实验数据包括测量表面粗糙度并记录表面粗糙度Ra、切削速度v、进给率f、切厚d。
进一步地，所述多目标优化数学模型为，
Figure BDA0002051347900000021
其中，表面粗糙度模型未知，为尽量减小预测值与实际测量值之间的误差，采用响应曲面法对表面粗糙度建立数学模型，形式如下：
Ra＝b0+b1v+b2f+b3d+b4v2+b5f2+b6d2+b7vf+b8vd+b9fd
其中，b0～b9均为系数，在MATLAB中调用rstool函数进行多元二次项回归分析，函数形式为rstool(x,Ra,'quadratic')，其中x为自变量，包括切削速度、进给率、切削深度三个切削参数，quadratic表明回归模型中包含常数项、一次项、二次项、交叉相乘项，运行之后可导出相应的未知量b0～b9。
进一步地，所述基于NSGA-IIb法对多目标数学模型进行求解包括，
初始化种群，
将建立的多目标优化数学模型输入到评估函数中，
绘出帕累托前沿的图像，得到最优解集，
从所有最优解中选取最优切削参数。
进一步地，所述初始化种群包括设置种群规模、进化代数、帕累托比例、自变量个数、目标函数个数以及设置种群上限和种群下限。
一种基于同态加密的区块链隐私保护系统，
与相关技术相比较，本发明提供的一种基于NSGA-II的车削参数多目标优化方法具有如下有益效果：
公开的一种基于NSGA-II的车削参数优化方法，综合考虑了车削参数对表面粗糙度和加工效率的影响，利用车削工艺实验获得的数据建立二者数学模型，并使用NSGA-II算法进行求解，获得最优的车削参数解集，之后根据实际情况选择当前工况下的最优切削参数，有助于提高车削参数选择的科学性，提高了表面质量和加工效率。
附图说明
图1为本发明提供的一种基于NSGA-II的车削参数多目标优化方法流程图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
图1为本发明提供的一种基于NSGA-II的车削参数多目标优化方法流程图；优化方法，如图1所示，所述优化方法包括，
步骤一：确定切削参数范围；
具体的，根据所用机床具体参数及实际工况，对于切削速度v、进给率f、切厚d确定合理的切削参数范围：
vmin≤v≤vmax
fmin≤f≤fmax
dmin≤d≤dmax
其中，各参数单位依次为切削速度v为m/min、进给率f为mm/z、切厚d为mm；
步骤二，建立多目标优化数学模型，包括建立表面粗糙度模型和材料去除率模型；
具体的，所述建立多目标优化数学模型采用车削工艺实验，包括
确定实验数控机床的相关参数；
进行三因素三水平的正交实验，并测量、记录实验数据；
通过测量的实验数据得到多目标优化数学模型。
其中，确定机床的相关参数是根据机床的性能以及实验需求确定需要实验的机床以及工件的相关数据；示例性的，实验采用数控车床，但不限于次；确定机床的相关参数包括刀具采用前角为+7°、刀尖半径为0.04mm的碳化钨刀片，实验使用的工件材料为AISI1045钢，直径47mm，长度250mm，但不限于次；实验时安装在三爪卡盘中，夹持长度为20mm，实验的表面粗糙度通过粗糙度仪测得。
实验时可选择与待加工工件材料相同的试样进行切削工艺实验，实验设计为三因素三水平的正交实验，示例性的，三因素三水平相关数据如下表1所示：
表1因素水平控制表
Figure BDA0002051347900000041
如上表1所示，三个水平下确定三要素的数值，示例性的，在水平1的情况下削速度v为103.31m/s、进给率f为0.12mm/r、切厚d为0.5mm。在水平2的情况下削速度v为104.30m/s、进给率f为0.16mm/r、切厚d为1.0mm。在水平3的情况下削速度v为174.14m/s、进给率f为0.20mm/r、切厚d为1.5mm。
在进行正交时每次实验保证切削速度v、进给率f、切厚d三个加工参数中的两个保持不变，改变另一个参数，总共进行27组实验，记录每组实验的加工参数、表面粗糙度Ra，计算材料去除率MRR。
示例性的，在进行正交实验时，第一个实验保证切削速度v、进给率f、切厚d均为水平1情况下的数值；第二个实验保证切削速度v、进给率f为水平1情况下的数值，切厚d为水平2情况下的数值；第三个实验保证切削速度v、进给率f为水平1情况下的数值，切厚d为水平2情况下的数值；第四个实验保证切削速度v、切厚d均为水平1情况下的数值，进给率f为水平2情况下的数值；以此类推进行27组实验。
表2 L27正交实验表
Figure BDA0002051347900000051
Figure BDA0002051347900000061
上述表(2)示出了正交实验的27组中情况，其中上述1代表的事水平1的情况下切削速度v、进给率f、切厚d对于的数值，上述2代表的事水平2的情况下切削速度v、进给率f、切厚d对于的数值，上述3代表的事水平3的情况下切削速度v、进给率f、切厚d对于的数值；示例性的，实验1行A列中1代表的是水平1情况下切削速度v的数值，对应表(1)中的数值103.31。
将27组数据进行记录并通过粗糙度仪测出各个情况下的粗糙度Ra。
所述车削参数优化多目标数学模型主要包括表面粗糙度模型Ra和材料去除率模型MRR，如下所示：
Figure BDA0002051347900000062
其中，表面粗糙度模型未知，为尽量减小预测值与实际测量值之间的误差，采用响应曲面法对表面粗糙度建立数学模型，形式如下：
Ra＝b0+b1v+b2f+b3d+b4v2+b5f2+b6d2+b7vf+b8vd+b9fd
其中，b0～b9均为系数，在MATLAB中调用rstool函数进行多元二次项回归分析，函数形式为rstool(x,Ra,'quadratic')，其中x为自变量，包括切削速度、进给率、切削深度三个切削参数，quadratic表明回归模型中包含常数项、一次项、二次项、交叉相乘项，运行之后可导出相应的未知量b0～b9，进而可建立起多目标优化数学模型；具体的，将切削实验记录的数据代入到Ra采用响应曲面法对表面粗糙度建立的数学模型中，即可通过函数形式导出相应的未知量b0～b9，使b0～b9为已知的系数，即可得到含有切削速度v、进给率f、切厚d的粗糙度Ra的数学模型。
步骤三：基于NSGA-IIb法对多目标数学模型进行求解。
具体的，按预先设定的切削参数范围设置种群上限和种群下限，将建立的多目标优化数学模型输入到评估函数中，设置种群规模、进化代数、帕累托比例、自变量个数、目标函数个数，通过不断的迭代计算，便可自动绘出帕累托前沿的图像，得到最优解集，之后结合实际情况，从所有最优解中选取最优切削参数。
本发明公开的一种基于NSGA-II的车削参数优化方法，综合考虑了车削参数对表面粗糙度和加工效率的影响，利用车削工艺实验获得的数据建立二者数学模型，并使用NSGA-II算法进行求解，获得最优的车削参数解集，之后根据实际情况选择当前工况下的最优切削参数，有助于提高车削参数选择的科学性，提高了表面质量和加工效率。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于NSGA-II的车削参数优化方法，其特征在于：所述优化方法包括，
确定切削参数范围；
建立多目标优化数学模型，包括建立表面粗糙度模型和材料去除率模型；
基于NSGA-IIb法对多目标数学模型进行求解。
2.根据权利要求1所述一种基于NSGA-II的车削参数优化方法，其特征在于：所述确定切削参数范围包括确定切削速度v、进给率f、切厚d的范围。
3.根据权利要求2所述一种基于NSGA-II的车削参数优化方法，其特征在于：所述确定速度v、进给率f、切厚d的范围是根据机床的具体参数及实际工况确定，其中：
vmin≤v≤vmax
fmin≤f≤fmax
dmin≤d≤dmax
4.根据权利要求1所述一种基于NSGA-II的车削参数优化方法，其特征在于：所述建立多目标优化数学模型采用车削工艺实验，包括
确定实验数控机床的相关参数；
进行三因素三水平的正交实验，并测量、记录实验数据；
通过测量的实验数据得到多目标优化数学模型。
5.根据权利要求4所述一种基于NSGA-II的车削参数优化方法，其特征在于：所述确定实验数控机床及工件的相关参数包括，确定数控车床的刀具采用前角为+7°，刀尖半径为0.04的碳化钨刀片；工件材料采用AISI 1045钢、直径47mm、长度250mm，且安装在三爪卡盘中，夹持长度为20mm。
6.根据权利要求5所述一种基于NSGA-II的车削参数优化方法，其特征在于：所述三因素三水平的正交实验采用单一变量法进行，所述测量、记录实验数据包括测量表面粗糙度并记录表面粗糙度Ra、切削速度v、进给率f、切厚d。
7.根据权利要求1-6任一所述一种基于NSGA-II的车削参数优化方法，其特征在于：所述多目标优化数学模型为，
Figure FDA0002051347890000021
其中，表面粗糙度模型未知，为尽量减小预测值与实际测量值之间的误差，采用响应曲面法对表面粗糙度建立数学模型，形式如下：
Ra＝b0+b1v+b2f+b3d+b4v2+b5f2+b6d2+b7vf+b8vd+b9fd
其中，b0～b9均为系数，在MATLAB中调用rstool函数进行多元二次项回归分析，函数形式为rstool(x,Ra,'quadratic')，其中x为自变量，包括切削速度、进给率、切削深度三个切削参数，quadratic表明回归模型中包含常数项、一次项、二次项、交叉相乘项，运行之后可导出相应的未知量b0～b9。
8.根据权利要求1-6任意一项所述一种基于NSGA-II的车削参数优化方法，其特征在于：所述基于NSGA-IIb法对多目标数学模型进行求解包括，
初始化种群，
将建立的多目标优化数学模型输入到评估函数中，
绘出帕累托前沿的图像，得到最优解集，
从所有最优解中选取最优切削参数。
9.根据权利要求8所述一种基于NSGA-II的车削参数优化方法，其特征在于：所述初始化种群包括设置种群规模、进化代数、帕累托比例、自变量个数、目标函数个数以及设置种群上限和种群下限。
CN201910375024.8A 2019-05-07 2019-05-07 一种基于nsga-ii的车削参数多目标优化方法 Pending CN111913437A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910375024.8A CN111913437A (zh) 2019-05-07 2019-05-07 一种基于nsga-ii的车削参数多目标优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910375024.8A CN111913437A (zh) 2019-05-07 2019-05-07 一种基于nsga-ii的车削参数多目标优化方法

Publications (1)

Publication Number Publication Date
CN111913437A true CN111913437A (zh) 2020-11-10

Family

ID=73242688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910375024.8A Pending CN111913437A (zh) 2019-05-07 2019-05-07 一种基于nsga-ii的车削参数多目标优化方法

Country Status (1)

Country Link
CN (1) CN111913437A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112526927A (zh) * 2021-02-18 2021-03-19 成都飞机工业（集团）有限责任公司 面向五轴数控机床旋转轴空间定位误差快速优化补偿方法
CN114239187A (zh) * 2021-12-30 2022-03-25 福州大学 一种基于改进bpnn-de算法的硅铝合金车削工艺参数优化方法
US12001188B2 (en) 2021-02-18 2024-06-04 Chengdu Aircraft Industrial (Group) Co., Ltd. Methods and systems of fast optimization and compensation for volumetric positioning errors of rotary axes of five-axis CNC machine tools

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609591A (zh) * 2012-02-16 2012-07-25 华中科技大学 一种重型机床切削参数的优化方法
CN103198186A (zh) * 2013-03-29 2013-07-10 南京航空航天大学 基于特征的飞机结构件切削参数优化方法
CN107480354A (zh) * 2017-07-28 2017-12-15 东北大学 一种考虑不确定参数的车削加工参数优化方法
CN108717494A (zh) * 2018-05-15 2018-10-30 哈尔滨理工大学 面向多目标的钛合金整体叶盘侧铣加工切削参数优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609591A (zh) * 2012-02-16 2012-07-25 华中科技大学 一种重型机床切削参数的优化方法
CN103198186A (zh) * 2013-03-29 2013-07-10 南京航空航天大学 基于特征的飞机结构件切削参数优化方法
CN107480354A (zh) * 2017-07-28 2017-12-15 东北大学 一种考虑不确定参数的车削加工参数优化方法
CN108717494A (zh) * 2018-05-15 2018-10-30 哈尔滨理工大学 面向多目标的钛合金整体叶盘侧铣加工切削参数优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
崔峰: "面向低能耗和高表面质量的数控车削参数优化方法研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, pages 11 - 56 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112526927A (zh) * 2021-02-18 2021-03-19 成都飞机工业（集团）有限责任公司 面向五轴数控机床旋转轴空间定位误差快速优化补偿方法
US12001188B2 (en) 2021-02-18 2024-06-04 Chengdu Aircraft Industrial (Group) Co., Ltd. Methods and systems of fast optimization and compensation for volumetric positioning errors of rotary axes of five-axis CNC machine tools
CN114239187A (zh) * 2021-12-30 2022-03-25 福州大学 一种基于改进bpnn-de算法的硅铝合金车削工艺参数优化方法

Similar Documents

Publication Publication Date Title
Okokpujie Imhade et al. Effects of cutting parameters on surface roughness during end milling of aluminium under minimum quantity lubrication (MQL)
Shajari et al. The influence of tool path strategies on cutting force and surface texture during ball end milling of low curvature convex surfaces
KR101896819B1 (ko) 절삭 가공에 있어서의 절삭 조건의 설계 방법
CN111913437A (zh) 一种基于nsga-ii的车削参数多目标优化方法
Shivade et al. Optimization of machining parameters for turning using taguchi approach
Khan et al. A novel MCDM approach for simultaneous optimization of some correlated machining parameters in turning of CP-titanium grade 2
Lakshmi et al. Modelling and optimization of process parameters during end milling of hardened steel
Zębala et al. Analysis and optimization of sintered carbides turning with PCD tools
İYNEN et al. Investigation of the effect of cutting parameters on the surface roughness value in the machining of AISI 4140 steel with Taquchi method
Gaitonde et al. Selection of optimal process parameters for minimizing burr size in drilling using Taguchi's quality loss function approach
Kneubühler et al. Analysis of WEDM process with respect to wire wear and wire consumption
CN115319196B (zh) 一种铰孔加工控制方法和装置
Pisarciuc The use of statistical process control to improve the accuracy of turning
Fulemova et al. INFLUENCE OF SELECTED TECHNOLOGICAL FACTORS ON THE HOLE QUALITY DURING REAMING.
Tang et al. Research on electronic discharge grinding of polycrystalline diamond based on response surface method
CN111222083A (zh) 一种基于刀具磨损的车削时工件表面粗糙度计算方法
CN107798180B (zh) 基于迭代学习的深孔加工深度优化方法
Chaudhari et al. Determining the effect of coated and uncoated tool insert during turning of EN31 Steel
Mohammad et al. The effects of single cutting tool geometry on surface roughness
Patel et al. Parametric analysis of surface roughness (SR) and material removal rate (MRR) of harden steel on CNC turning using ANOVA analysis: A review
Partheeban et al. Taguchi Optimization of Cutting Parameters for Surface Roughness and Material Removal Rate in Turning Operation
Singh et al. Experimental study of taguchi vs GRA parameters during CNC boring in steel plate (SS-304)
Turudija et al. INVESTIGATION OF THE CUTTING PARAMETERS INFLUENCES ON SURFACE ROUGHNESS IN TURNING AISI 1045 STEEL
Alam et al. Effect of different cutting tools and cutting parameters on MRR and surface roughness in CNC turning
Stojkovic et al. PARTIAL EFFECT OF CUTTING PARAMETERS ON ENGAGED POWER AND ENERGY CONSUMPTION: THE CASE OF EXTERNAL TURNING OF AN AISI1045 STEEL

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