CN113050543A - 一种切削阶段数控车床加工参数节能优化方法 - Google Patents
一种切削阶段数控车床加工参数节能优化方法 Download PDFInfo
- Publication number
- CN113050543A CN113050543A CN202110291935.XA CN202110291935A CN113050543A CN 113050543 A CN113050543 A CN 113050543A CN 202110291935 A CN202110291935 A CN 202110291935A CN 113050543 A CN113050543 A CN 113050543A
- Authority
- CN
- China
- Prior art keywords
- cutting
- ant
- energy
- energy consumption
- machining
- 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
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
- G05B19/4086—Coordinate conversions; Other special calculations
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
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)
Abstract
本发明提供了一种切削阶段数控车床加工参数节能优化方法,具体通过构建数控车床加工能耗和加工时间模型,确定加工参数中的切削速度、进给量、背吃刀量为变量和并对三个变量进行约束,利用加权法将多目标优化问题转化为单目标优化问题,利用自适蚁群算法对模型进行求解等流程进行计算,其中计算蚂蚁位置和信息素浓度的迭代过程中还进行全局搜索和局部搜索,在全局搜索和局部搜索后还更新每只蚂蚁留下的信息素,最终得到最优车削参数。本发明通过分析切削过程中的能耗和加工时间特性,优化数控车床切削阶段的能耗和加工时间,能够降低机床的能量消耗,提高加工效率,为机床节能提供一种优化思路。
Description
技术领域
本发明属于机械加工领域,具体涉及一种切削阶段数控车床加工参数节能优化方法。
背景技术
随着科学技术和经济社会的发展,机床已成为制造业的主要生产工具。机床在给企业带来高额效益的同时,其造成的能源消耗不可忽视。现有研究表明,我国机床保有量世界第一,但能量利用率却低于30%。在机床整个生产环节中,切削阶段是产品外形生成的重要阶段,该阶段消耗的能量由加工参数组合决定。得益于计算机技术迅速发展,如今已普遍采用智能算法指导加工参数的最优选取,如粒子群算法、遗传算法、模拟退火算法及它们的改进算法。蚁群算法在生产调度问题上应用广泛,在机床能耗优化问题上缺乏应用。
发明内容
为解决上述问题,本发明提供一种切削阶段数控车床加工参数节能优化方法,利用改进的蚁群算法优化加工参数的选取,降低切削阶段数控车床的能量消耗,提高加工效率。
为了实现上述目的,本发明采用的技术方案为:
一种切削阶段数控车床加工参数节能优化方法,其特征在于:具体步骤为:
步骤一、建立切削加工阶段的能耗和加工时间模型,选取加工参数中的切削速度、进给量、背吃刀量为变量,初始化蚁群位置和信息素;
步骤二、计算蚂蚁位置和信息素浓度,找到迭代中切削能耗单目标函数的最小解,再将最小解蚂蚁的位置作为本次迭代中其余蚂蚁的移动方向,进行全局搜索;
步骤三、在步骤二所述的最小解蚂蚁的周边进行局部搜索,得到的局部搜索的解与步骤二所述的最小解相比较,如果局部搜索的解更小,将最小解更新为局部搜索的解;否则,沿用步骤二所述的最小解;
步骤四、在全局搜索和局部搜索后更新每只蚂蚁留下的信息素;
步骤五、保存每次迭代的最小解蚂蚁位置,判断是否满足终止条件,若不满足,返回步骤二继续计算;若满足,则输出蚂蚁位置,得到最优车削参数。
进一步的,建立切削加工阶段的能耗模型Ec:
式中各标号为:T为切削时间,Cp为切削功率系数,vc、f、ap分别为切削速度、进给量、背吃刀量,w、y、x分别为各参数对切削力的影响程度系数;
单工步加工一次走刀过程中切削参数不变,能耗模型Ec简化为:
T表示实际切削阶段中在一个工步内刀具去除材料所消耗的时间,其与进给速度f和工件长度有关,表示为:
将最低加工能耗和最短加工时间的多目标优化问题转化为单目标优化问题,将加工能耗Ec和加工时间T进行归一化处理,归一化处理后的切削能耗单目标函数表达式为:
F(ap,f,vc)=a1Ec*+a2T* ④
进一步的,预先对步骤一中的切削速度vc、进给量f和背吃刀量ap进行范围约束。
进一步的,范围约束具体步骤为:
(1)切削速度vc约束
切削速度vc与机床主轴速度n之间存在计算公式:
式中,D是工件直径。
机床主轴转速n必须介于机床最高转速nmax和最低转速nmin之间,则切削速度vc的约束条件为
(2)进给量f约束
进给量f必须在机床允许的最小进给量fmin和最大进给量fmax之间,即:
fmin≤f≤fmax ⑦
(3)背吃刀量ap约束
式中,rε为车刀刀尖圆弧半径。
进一步的,步骤一中,初始化蚁群位置和信息素包括:
设定蚂蚁数目m,迭代次数K,令Xi(i=1,2,3)分别表示切削速度、进给量、背吃刀量三个变量:
(X1 X2 X3)T=(vc f ap)T ⑩
式中,j=1,2,……,m;
则第j只蚂蚁的位置为:
设置初始信息素浓度为:
式中,a为大于1的常数。
进一步的,步骤二中,全局搜索包括:
在一次迭代完成后,找到本次迭代中使切削能耗单目标函数F(Xi)最小解,将最小解蚂蚁的位置Xbest作为其余蚂蚁的移动方向:
式中,k为当前迭代步数;
进一步的,步骤三中,局部搜索包括:在最小解蚂蚁的位置Xbest的周边内寻优,以期望找到使切削能耗更小的解:
式中,ω为局部搜索步长,δ为初始步长;
ω能动态更新,随着迭代次数增加而减小:
局部搜索结束后,比较并确定本轮迭代中两种搜索方式作用后的最小解,如果更小,更新最小解;否则,沿用之前最小解。
进一步的,步骤四中,信息素更新还改变信息素挥发系数的更新策略,当第k代蚂蚁完成本次全局搜索和局部搜索后,更新每只蚂蚁留下的信息素,改变信息素挥发系数ρ的更新策略;信息素更新规则为:
式中,Δτ(i)为蚂蚁在更新过后的位置上的信息素浓度。
进一步的,步骤五中,保存每次迭代的最小解蚂蚁位置Xbest,直到迭代终止,找出最优切削参数Xbest:
本发明的有益效果为:本发明是面向能耗的数控车床切削阶段加工参数节能优化方法,通过分析切削过程中的能耗和加工时间特性,优化数控车床切削阶段的能耗和加工时间;具体通过构建数控车床加工能耗和加工时间模型、确定优化变量和约束条件、利用加权法将多目标优化问题转化为单目标优化问题、利用自适蚁群算法对模型进行求解等流程进行计算,最终得到最优车削参数,能够降低机床的能量消耗,提高加工效率,为机床节能提供一种优化思路。
附图说明
图1为本发明的流程图;
图2为本发明的算法流程图。
具体实施方式
为了本领域的技术人员能够更好地理解本发明所提供的技术方案,下面结合具体实施例进行阐述。
本发明的技术解决方案是一种面向能耗的数控车床切削阶段加工参数节能优化方法,通过分析切削过程中的能耗和加工时间特性,优化数控车床切削阶段的能耗和加工时间。
建立切削加工阶段的能耗模型Ec:
式中:T为切削时间,Cp为切削功率系数,vc、f、ap分别为切削速度、进给量、背吃刀量,w、y、x分别为各参数对切削力的影响程度系数,可参考相关手册或者通过数值拟合取值。
单工步加工一次走刀过程中切削参数不变,所以能耗模型Ec简化为:
T表示实际切削阶段中在一个工步内刀具去除材料所消耗的时间,其与进给速度f和工件长度有关,可表示为:
为了便于后续运算,采用前决策方法,将最低加工能耗和最短加工时间的多目标优化问题转化为单目标优化问题。
由于两个优化对象的量纲不同,需将加工能耗Ec和加工时间T进行归一化处理。归一化处理后的切削能耗单目标函数表达式为:
F(ap,f,vc)=a1Ec*+a2T* ④
相关研究表明,机床切削参数是影响加工能耗和加工时间的主要原因,因此选择车削加工中的切削速度vc、进给量f、背吃刀量ap作为优化变量。
切削参数的选择必须满足机床生产条件的限制,所以在进行优化前,需要对切削速度、进给量、背吃刀量进行约束:
(1)切削速度vc约束
切削速度vc与机床主轴速度n之间存在计算公式:
式中,D是工件直径;
机床主轴转速n必须介于机床最高转速nmax和最低转速nmin之间,则切削速度vc的约束条件为:
(2)进给量f约束
进给量f必须在机床允许的最小进给量fmin和最大进给量fmax之间,即:
fmin≤f≤fmax ⑦
(3)背吃刀量ap约束
(4)表面粗糙度约束
粗、精加工所要求的表面粗糙度不同,所以加工参数选取应满足表面粗糙度要求;表面粗糙度可用经验公式表示:
rε为车刀刀尖圆弧半径。
综上所述,切削阶段加工参数节能优化的数学模型为:
蚁群算法(antcolony optimization,ACO)是由Marco Dorigo首次提出,模仿蚂蚁群体搜寻食物的一种启发式优化算法,利用蚂蚁间的信息素交流机制完成对目标路径的寻优。其已在旅行商问题、生产调度问题等离散空间问题上得到广泛应用,但对于采用蚁群算法解决机床能耗优化问题鲜有研究。
本发明利用自适应蚁群算法解决数控机床能耗优化中的加工参数选取问题,步骤如下:
1)蚁群位置和信息素初始化
设定蚂蚁数目m,迭代次数K;切削速度、进给量、背吃刀量三个变量以Xi(i=1,2,3)表示,即:
(X1 X2 X3)T=(vc f ap)T ⑩
优化变量i对应取值范围为[ai,bi],令第j只蚂蚁在变量i的定义域内随机取值:
式中,j=1,2,……,m
则第j只蚂蚁的位置为:
设置初始信息素浓度为:
式中,a为大于1的常数。
2)全局搜索
在一次迭代完成后,找到本次迭代中的最优解,即使切削能耗单目标函数F(Xi)最小的解,将该最优解蚂蚁的位置Xbest作为其余蚂蚁的移动方向。通过比较全局转移概率和自身转移概率,决定非最优蚂蚁的移动方式。
首先建立全局转移概率P0:
式中,k为当前迭代步数;
建立自身转移概率P(j):
转移步长为:
由上面搜索过程可以看出,在迭代初期,非最优蚂蚁会较高概率选择朝向最优解蚂蚁移动,这样可使算法快速收敛;迭代后期,为避免算法陷入局部最优,使算法在向最优解收敛过程中,以较高概率使每只蚂蚁在自身周围随机寻优,以期望蚂蚁在朝向最优解移动过程中,能够得到更好的结果。
3)局部搜索
本次循环找到的最优解Xbest则在周边小范围内寻优,以期望找到使切削能耗更小的解,该过程可表示为:
式中,ω为局部搜索步长,使其能动态更新,随着迭代次数增加而减小;δ为初始步长;
局部搜索结束后,比较并确定本轮迭代中两种搜索方式作用后的最小解,如果更小,更新最优解,即对比过后的最小解;否则,沿用之前最优解。
4)信息素更新
当第k代蚂蚁完成本次全局搜索和局部搜索后,更新每只蚂蚁留下的信息素,改变信息素挥发系数ρ的更新策略。在迭代初期,信息素挥发较慢,有利于提高算法的随机搜索能力;迭代后期,信息素挥发较快,有利于保留较优解,加快算法收敛速度;信息素更新规则如下:
式中,Δτ(j)为蚂蚁在更新过后的位置上的信息素浓度。
5)求取最优解
保存每代的最优解蚂蚁位置Xbest,直到迭代终止,找出最优解,此时Xbest所包含的:
即为所求最优切削参数。
具体实施方法:首先参考相关手册或通过数值拟合,确定切削力的影响程度系数w、y、x,建立数控车床切削阶段加工参数节能优化的数学模型。根据改进的蚁群算法,在定义域内随机均匀生产m个初始解,经过1)~5),判断是否满足终止条件。若不满足,返回2);若满足,则输出最优解蚂蚁位置Xbest,其包含的三个变量Xi即为最优选择的切削速度、进给量、背吃刀量,进而可得出最优切削加工阶段的能耗Ec和加工时间T。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种切削阶段数控车床加工参数节能优化方法,其特征在于:具体步骤为:
步骤一、建立切削加工阶段的能耗和加工时间模型,选取加工参数中的切削速度、进给量、背吃刀量为优化变量,初始化蚁群位置和信息素;
步骤二、计算蚂蚁位置和信息素浓度,找到迭代中切削能耗单目标函数的最小解,再将最小解蚂蚁的位置作为本次迭代中其余蚂蚁的移动方向,进行全局搜索;
步骤三、在步骤二所述的最小解蚂蚁的周边进行局部搜索,得到的局部搜索的解与步骤二所述的最小解相比较,如果局部搜索的解更小,将最小解更新为局部搜索的解;否则,沿用步骤二所述的最小解;
步骤四、在全局搜索和局部搜索后更新每只蚂蚁留下的信息素;
步骤五、保存每次迭代的最小解蚂蚁位置,判断是否满足终止条件,若不满足,返回步骤二继续计算;若满足,则输出蚂蚁位置,得到最优车削参数。
2.根据权利要求1所述的一种切削阶段数控车床加工参数节能优化方法,其特征在于:
建立切削加工阶段的能耗模型Ec:
式中各标号为:T为切削时间,Cp为切削功率系数,vc、f、ap分别为切削速度、进给量、背吃刀量,w、y、x分别为各参数对切削力的影响程度系数;
单工步加工一次走刀过程中切削参数不变,能耗模型Ec简化为:
T表示实际切削阶段中在一个工步内刀具去除材料所消耗的时间,其与进给速度f和工件长度L有关,表示为:
将加工能耗Ec和加工时间T进行归一化处理,归一化处理后的切削能耗单目标函数表达式为:
F(ap,f,vc)=a1Ec*+a2T* ④
3.根据权利要求1或2所述的一种切削阶段数控车床加工参数节能优化方法,其特征在于:预先对切削速度、进给量和背吃刀量进行范围约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291935.XA CN113050543B (zh) | 2021-03-18 | 2021-03-18 | 一种切削阶段数控车床加工参数节能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291935.XA CN113050543B (zh) | 2021-03-18 | 2021-03-18 | 一种切削阶段数控车床加工参数节能优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113050543A true CN113050543A (zh) | 2021-06-29 |
CN113050543B CN113050543B (zh) | 2022-02-08 |
Family
ID=76513359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110291935.XA Active CN113050543B (zh) | 2021-03-18 | 2021-03-18 | 一种切削阶段数控车床加工参数节能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113050543B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019910A (zh) * | 2021-10-29 | 2022-02-08 | 哈尔滨工程大学 | 一种小线段刀具轨迹实时全局光顺方法 |
CN115291529A (zh) * | 2022-10-10 | 2022-11-04 | 深圳大学 | 响应刀具磨损时变特性的数控批量加工切削参数优化方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20150032250A1 (en) * | 2013-07-26 | 2015-01-29 | Chih-Hsing Chu | Five-axis flank milling system for machining curved surface and toolpath planning method thereof |
US20150154318A1 (en) * | 2010-10-29 | 2015-06-04 | Blueridge Analytics, Inc. | Computer-implemented land planning system and method with gis integration |
WO2015126266A1 (en) * | 2014-02-24 | 2015-08-27 | NORD-SYSTEMS Sp. z o.o | The method of adaptive planning of cutting patterns |
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 |
CN105929689A (zh) * | 2016-04-22 | 2016-09-07 | 江南大学 | 基于粒子群算法的机床制造系统加工节能优化方法 |
US20170329875A1 (en) * | 2010-10-29 | 2017-11-16 | Bentley Systems, Incorporated | Computer-implemented land planning system and method with gis integration |
CN110579971A (zh) * | 2019-10-25 | 2019-12-17 | 福州大学 | 一种面向绿色制造的多目标切削参数优化方法 |
CN111105069A (zh) * | 2019-11-18 | 2020-05-05 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 数控加工工艺参数优化方法、装置、系统及计算机设备 |
CN111730412A (zh) * | 2020-06-29 | 2020-10-02 | 常州信息职业技术学院 | 一种基于蚁群优化算法的支持向量机的微铣刀磨损状态监测方法 |
-
2021
- 2021-03-18 CN CN202110291935.XA patent/CN113050543B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150154318A1 (en) * | 2010-10-29 | 2015-06-04 | Blueridge Analytics, Inc. | Computer-implemented land planning system and method with gis integration |
US20170329875A1 (en) * | 2010-10-29 | 2017-11-16 | Bentley Systems, Incorporated | Computer-implemented land planning system and method with gis integration |
US20150032250A1 (en) * | 2013-07-26 | 2015-01-29 | Chih-Hsing Chu | Five-axis flank milling system for machining curved surface and toolpath planning method thereof |
WO2015126266A1 (en) * | 2014-02-24 | 2015-08-27 | NORD-SYSTEMS Sp. z o.o | The method of adaptive planning of cutting patterns |
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 |
CN105929689A (zh) * | 2016-04-22 | 2016-09-07 | 江南大学 | 基于粒子群算法的机床制造系统加工节能优化方法 |
CN110579971A (zh) * | 2019-10-25 | 2019-12-17 | 福州大学 | 一种面向绿色制造的多目标切削参数优化方法 |
CN111105069A (zh) * | 2019-11-18 | 2020-05-05 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 数控加工工艺参数优化方法、装置、系统及计算机设备 |
CN111730412A (zh) * | 2020-06-29 | 2020-10-02 | 常州信息职业技术学院 | 一种基于蚁群优化算法的支持向量机的微铣刀磨损状态监测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019910A (zh) * | 2021-10-29 | 2022-02-08 | 哈尔滨工程大学 | 一种小线段刀具轨迹实时全局光顺方法 |
CN114019910B (zh) * | 2021-10-29 | 2023-07-21 | 哈尔滨工程大学 | 一种小线段刀具轨迹实时全局光顺方法 |
CN115291529A (zh) * | 2022-10-10 | 2022-11-04 | 深圳大学 | 响应刀具磨损时变特性的数控批量加工切削参数优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113050543B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113050543B (zh) | 一种切削阶段数控车床加工参数节能优化方法 | |
CN105844356A (zh) | 基于自适应遗传算法的机床切削用量能耗优化方法 | |
CN111552183B (zh) | 一种基于自适应权重强化学习的六足机器人避障方法 | |
CN112379589B (zh) | 蜗轮加工形性可控工艺 | |
CN110162841A (zh) | 一种引入三维稳定性约束的铣削加工多目标优化决策方法 | |
Xie et al. | Intelligent selection of machining parameters in multi-pass turnings using a GA-based approach | |
CN113253779A (zh) | 一种基于粒子群模糊pid算法的热泵温度控制系统 | |
CN115455812A (zh) | 一种供水泵站优化方法及系统 | |
CN113281993B (zh) | 一种贪心k-均值自组织神经网络多机器人路径规划方法 | |
CN108710748A (zh) | 一种平面四杆机构轨迹设计的果蝇优化方法 | |
CN110334442A (zh) | 一种加工tc4钛合金工件的车削参数预测方法 | |
CN114200889B (zh) | 一种基于深度强化学习的铣削参数优化方法 | |
CN106440844A (zh) | 一种篦冷机刮板速度控制方法 | |
Cus et al. | Particle swarm intelligence based optimisation of high speed end-milling | |
Satishkumar et al. | Selection of optimal conditions for CNC multitool drilling system using non-traditional techniques | |
CN114519457A (zh) | 基于粒子群的省级智慧能源服务平台任务调度方法及系统 | |
CN109754108B (zh) | 基于变加速度系数混沌粒子群的机组经济负荷分配方法 | |
CN113741566A (zh) | 一种基于遗传蚁群优化的无刷直流电机转速控制方法 | |
Xie et al. | Selection of machining parameters using genetic algorithms | |
CN112987572A (zh) | 一种基于先验知识的自适应球杆系统粒子群优化方法 | |
Ji et al. | Regional power load forecasting based on PSOSVM | |
Bao et al. | Research on assembly line scheduling based on small population adaptive genetic algorithm | |
CN111273545A (zh) | 基于多群多选择交流策略的quatre算法的自动寻优控制方法 | |
CN111178599B (zh) | 一种基于改进型粒子群算法的订单排产方法 | |
CN117930634B (zh) | 一种高速数控角钢生产线冲压气缸控制优化方法 |
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 |