CN113468800A - 基于遗传算法的复杂型腔刀具组合优化方法 - Google Patents
基于遗传算法的复杂型腔刀具组合优化方法 Download PDFInfo
- Publication number
- CN113468800A CN113468800A CN202110585048.3A CN202110585048A CN113468800A CN 113468800 A CN113468800 A CN 113468800A CN 202110585048 A CN202110585048 A CN 202110585048A CN 113468800 A CN113468800 A CN 113468800A
- Authority
- CN
- China
- Prior art keywords
- cutter
- cavity
- tool
- diameter
- combination
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 230000002068 genetic effect Effects 0.000 title claims abstract description 27
- 238000003754 machining Methods 0.000 claims abstract description 75
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 210000000349 chromosome Anatomy 0.000 claims description 53
- 238000005520 cutting process Methods 0.000 claims description 20
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000001035 drying Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于遗传算法的复杂型腔刀具组合优化方法,该方法首先识别型腔制造特征,获取加工区域,使用特征中轴引导的刀具粗加工区域计算方法获取给定刀具的可行域;其次通过偏置环算法构建可行的型腔加工刀具集,最后建立以加工效率和刀具成本为优化目标的复杂型腔零件刀具组合优化模型,并通过有向图和改进的遗传算法对多刀具组合优化模型进行求解,得到最优的刀具组合。本发明相较于传统方法对于型腔单特征最优刀具解研究,更注重型腔零件层面的最优解的获取,并且当型腔零件结构复杂,需要考虑的特征难度增加时,本发明有较优的表现效果。
Description
技术领域
本发明属于制造业中的数控加工工艺规划领域,尤其涉及一种基于遗传算法的复杂型腔刀具组合优化方法。
背景技术
随着全球迈入第四次工业革命,以“智能化”为灵魂的工业4.0,在动态变化的竞争环境下将势必推动产业的升级,并对产品制造提出新的挑战。在当前数控加工领域,加工刀具的选取一直是一项复杂而有深远影响的基础性工作,并且在实际的数控加工中,使用多把刀具组合加工往往高于单把刀具的加工,因此对于刀具进行合理的组合选择对于降低制造成本,提高加工效率具有十分重要的意义。传统的刀具选取往往需要工艺设计人员根据自身的经验手动进行决策,而如何能够合理并智能地对刀具组合进行选取,已经成为数控加工工艺规划中一个亟待解决的关键问题。
发明内容
发明目的:本发明提出一种基于遗传算法的复杂型腔刀具组合优化方法,解决了传统获取型腔刀具可行加工域方法中偏置曲线自相交问题,建立了综合考虑刀具成本和加工效率的复杂型腔零件刀具组合优化模型,满足了实际型腔加工中对于刀具组合的选取要求。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:
一种基于遗传算法的复杂型腔刀具组合优化方法,具体包括:
以型腔零件为载体,识别型腔制造特征,获取加工区域,采用基于特征中轴的复杂型腔粗加工区域计算方法获取给定刀具的可行域;
对所有刀具进行预处理,在给定的型腔加工区域内,通过偏置环算法构建可行的型腔加工刀具集;
建立以加工效率和刀具成本为优化目标的复杂型腔零件刀具组合优化模型;
通过有向图和遗传算法对多刀具组合优化模型进行求解,得到最优的刀具组合。
作为优选,采用基于特征中轴的复杂型腔粗加工区域计算方法获取给定刀具的可行域,具体如下:
定义MA(F)为复杂型腔F的中轴MA,中轴MA由多条中轴边ei组成;
遍历MA(F)的每个元素ri(s),计算ri(s)与内切圆弧半径水平线R+δr的交点,该交点为内切圆弧的圆心;
其中R表示刀具半径,δr表示加工径向余量;s为中轴边ei上的点对应的弧长参数,参数区间为[smin,smax];smin和smax分别表示中轴边ei的起始点和终止点位置;
中轴边ei上半径函数值大于内切圆弧半径的点定义了该刀具考虑加工余量约束的加工区域;
中轴边ei的参数区间[smin,smax]被ni个交点分割为ni+1个子区间[sj,sj+1];
其中sj,sj+1分别表示每个子区间所对应的起始点和终止点位置,j∈[0,ni],i∈[1,nm],nm为复杂型腔F的中轴边数量;
每个子区间分别属于M与U两种不同类别,其中M表示区间关联区域可加工,U表示区间关联区域不可加工,即
选取类别为M的子区间所对应的弧作为约束,即以边属性值M为约束,深度遍历邻接图G得到多个连通子图Gi;
其中,每个连通子图对应一个简单子轮廓,即连通子图数量与简单子轮廓数量一致;简单子轮廓表示轮廓为单连通区域。
作为优选,通过偏置环算法构建可行的型腔加工刀具集,并分为关键刀具集和绩效刀具集,具体包括:
Step1,遍历刀具数据库的所有m把刀具,将刀具按刀径从大到小排序并编号1,2...,m,并选出编号1的刀具的直径D1作为初始遍历的刀具直径Dm1;
Step2,根据给定的径向余量δr和直径为Dm1的刀具,计算出型腔轮廓线偏置环的个数并进行判断;
如果偏置环个数为0,将Dm1替换成当前刀具序列遍历刀具编号的下一把刀具,并继续进行偏置环个数的计算和判定;
Step3,如果偏置环个数不为0,执行以下操作:
将当前刀具的直径Dm1设定为最大刀具直径Dmax,并将直径Dm1刀具编号的下一把刀具设为下一轮初始遍历的刀具,直径为Dm2;
Step4,根据给定的径向余量δr和直径为Dm2的刀具,计算出型腔轮廓线偏置环的个数并进行判断;
如果偏置环个数为1,将当前刀具的直径Dm2设定为关键刀具直径Dkey,并将编号为m的刀具的直径Dm设为最小刀具直径Dmin;
否则,将Dm2替换成当前刀具序列遍历刀具编号的下一把刀具,并继续进行偏置环个数的计算和判定;
如果遍历到最后一把编号m的刀具时,偏置环个数仍然不为0,则认为刀具数据库中不存在合理的关键刀具直径Dkey和最小刀具直径Dmin;
Step5,若所得结果中最小最大刀具和关键刀具均存在,则将所获得的结果进行存储,用于建立和划分型腔加工可行刀具集;若结果有缺漏不合理,则重新制定刀具组合方案。
作为优选,通过对刀具在给定型腔特征轮廓的切削能力判断,将可行刀具集划分为关键刀具集和绩效刀具集;其中关键刀具为两个刀具集的分界点;
所述关键刀具集中刀具完整地对型腔轮廓面的粗加工区域进行切削;所述绩效刀具集中刀具对型腔轮廓面的部分粗加工区域进行切削。
作为优选,所述刀具组合优化模型构建方法如下:
将第i把刀具的损耗成本cost(Ti)表示为:
式中,Ai表示每把刀具在型腔加工过程中实际切削的面积;λ表示加工路径平衡参数,c(Ti)表示第i把刀具单价;
综合加工效率和刀具成本得到给定型腔P中m个子特征综合考虑的刀具组合多目标优化模型如下:
式中ωj为第j个子特征的成本效率平衡参数,Hji为刀具Ti在第j个子特征加工过程中实际参与的切削深度,Tji为第j个子特征中使用的第i把刀具,n为刀具数量,γ1为刀具机床折旧因子,γ2为加工时间损耗因子。
作为优选,对多刀具组合优化模型进行求解,得到最优的刀具组合,具体包括:
按照所选取的刀具组合每把刀具的径长由大到小进行排序,利用有向图遍历所有可行的刀具组合;每一种刀具组合既包含绩效刀具又包含关键刀具;
通过遗传算法获取刀具组合在型腔加工多目标优化模型的最小解所对应的刀具组合,即为最优的刀具组合。
作为优选,利用有向图遍历所有可行的刀具组合,具体如下:
对于给定的型腔F0,设在刀具数据库中满足其加工需求的绩效刀具集刀具共计n1把,关键刀具集刀具共计n2把;
有向图中每个节点代表型腔的某一状态,Sstart表示型腔未加工的毛坯状态,Send表示给定刀具组合加工完成后的型腔状态;
选取刀具集中所有刀具按照刀具径长由大到小依次排序,Si表示为型腔在经过序号i的刀具加工后的状态;
节点之间由有向边进行连接,箭头方向即为型腔在大刀具加工过后转向小刀具加工的状态,有向边表示为型腔状态转换时的加工时耗和加工成本;
从节点Sstart到节点Send中每一条由有向边组成的路径记为一种可选的刀具组合,每一种刀具组合既包含绩效刀具又包含关键刀具。
作为优选,通过遗传算法获取刀具组合在型腔加工多目标优化模型的最小解所对应的刀具组合;具体如下:
Step1,设符合型腔F加工要求的刀具共m把并按径长从大到小依次排序,其中绩效刀具集m1把,关键刀具集m2把,m1+m2=m,从中选取n把刀具进行型腔加工,n≥2;
确定染色体种群大小k,随机生成初代的染色体种群;其中染色体中前m1位编码1的个数为n-1,后m2位编码1的个数为1,每个染色体代表可用的刀具和要选择的多个刀具;
Step2,对于染色体种群中的每个染色体,计算目标函数值;在所有染色体中,具有最大目标函数值的一条染色体作为最佳染色体;
Step3,比较Step2所得最佳染色体和上一轮迭代过程中最佳染色体的目标函数值,将目标函数值相对较大的一方作为当前最佳染色体;
Step4,基于最佳染色体的目标函数值,采用轮盘赌方法选择两个染色体;以m1为界,将两个染色体前m1位编码和后m2位编码分别对应进行交叉运算;
Step5,将上述两个交叉过后的染色体前m1位编码和后m2位编码分别进行随机变异运算,并保证染色体中前m1位编码1的个数为n-1,后m2位编码1的个数为1的条件不变;更新当前一代所有染色体的目标函数值,创建新一代染色体种群;
Step6,重复Step2至Step5,直到满足以下条件:当前种群迭代次数达到规定最大值或者最大目标函数值收敛;
Step7,通过算法的最优刀具序列得到符合型腔F加工要求的最优刀具组合并输出。
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果:
本发明以基于特征中轴的型腔刀具粗加工区域计算方法为基础,将刀具集进行合理分割备用;相较于传统方法对于型腔单特征最优刀具解研究,更注重型腔零件层面的最优解的获取,提供了综合刀具成本和加工效率的复杂型腔刀具组合优化的建模新思路;本发明创新性地利于改进的遗传算法获取最优刀具组合,提高了算法的执行效率。
附图说明
图1是本发明方法总体框架;
图2是本发明方法基于中轴转换的特征刀具粗加工可行加工域计算示意图;
图3是本发明方法型腔加工状态有向图示意图;
图4是本发明方法遗传算法流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明所述的基于遗传算法的复杂型腔刀具组合优化方法,如图1所示,具体包括:
(1)以型腔零件为载体,识别型腔制造特征,获取加工区域;为了解决传统获取型腔刀具可行加工域方法中偏置曲线自相交问题,采用基于特征中轴的复杂型腔粗加工区域计算方法获取给定刀具的可行域;具体如下:
定义MA(F)为复杂型腔F的中轴MA,中轴MA由多条中轴边ei组成;
遍历MA(F)的每个元素ri(s),计算ri(s)与内切圆弧半径水平线R+δr的交点,该交点为内切圆弧的圆心;
其中R表示刀具半径,δr表示加工径向余量;s为中轴边ei上的点对应的弧长参数,参数区间为[smin,smax];smin和smax分别表示中轴边ei的起始点和终止点位置;
中轴边ei上半径函数值大于内切圆弧半径的点定义了该刀具考虑加工余量约束的加工区域;
中轴边ei的参数区间[smin,smax]被ni个交点分割为ni+1个子区间[sj,sj+1];
其中sj,sj+1分别表示每个子区间所对应的起始点和终止点位置,j∈[0,ni],i∈[1,nm],nm为复杂型腔F的中轴边数量;
每个子区间分别属于M与U两种不同类别,其中M表示区间关联区域可加工,U表示区间关联区域不可加工,即
选取类别为M的子区间所对应的弧作为约束,即以边属性值M为约束,深度遍历邻接图G得到多个连通子图Gi;
其中,每个连通子图对应一个简单子轮廓,即连通子图数量与简单子轮廓数量一致;简单子轮廓表示轮廓为单连通区域。
图2为基于中轴转换的特征刀具粗加工可行加工域计算示意图,图2(a)为特征Fi的中轴MA(白色线条),图2(b)为中轴边e1的LIC移动表示模型,当Fi采用半径为13mm的刀具进行一次粗加工(径向余量为2mm)时,e1被两个交点v4(s1)与v5(s2)分为3段,即v3-v4,v4-v5,v5-v6,其中v3-v4与v5-v6位于水平线l1上方,表明这些区域可加工;而v4-v5位于l1下方,表明这些区域不可加工。
同理,对其他中轴边ei(i=1,2,...,l1)进行分割,并且判断各子区间所对应边的属性。
根据分割的中轴边可构建如图2(c)所示的ri属性连接图G,其中绿色线段的属性为M,白色线段的属性为U。通过深度遍历G可得到2个连通子图G1与G2。
图2(d)以Gi(i=1,2)中属性值为交点的顶点为圆心(例如v2,v4,v3等),构建半径为R+δr的内切圆弧,Fi的复杂轮廓被分割为2个简单子轮廓L1与L2。
此时,简单子轮廓L1与L2以δr为距离的偏置即可得到Fi在一次粗加工阶段需要切除的2个子加工区域C1与C2,即MRi=C1∪C2,如图2(e)所示。
(2)对所有刀具进行预处理,在给定的型腔加工区域内,通过偏置环算法构建可行的型腔加工刀具集并分为关键刀具集和绩效刀具集;具体包括:
Step1,遍历刀具数据库的所有m把刀具,将刀具按刀径从大到小排序并编号1,2...,m,并选出编号1的刀具的直径D1作为初始遍历的刀具直径Dm1;
Step2,根据给定的径向余量δr和直径为Dm1的刀具,计算出型腔轮廓线偏置环的个数并进行判断;
如果偏置环个数为0,将Dm1替换成当前刀具序列遍历刀具编号的下一把刀具,并继续进行偏置环个数的计算和判定;
Step3,如果偏置环个数不为0,执行以下操作:
将当前刀具的直径Dm1设定为最大刀具直径Dmax,并将直径Dm1刀具编号的下一把刀具设为下一轮初始遍历的刀具,直径为Dm2;
Step4,根据给定的径向余量δr和直径为Dm2的刀具,计算出型腔轮廓线偏置环的个数并进行判断;
如果偏置环个数为1,将当前刀具的直径Dm2设定为关键刀具直径Dkey,并将编号为m的刀具的直径Dm设为最小刀具直径Dmin;
否则,将Dm2替换成当前刀具序列遍历刀具编号的下一把刀具,并继续进行偏置环个数的计算和判定;
如果遍历到最后一把编号m的刀具时,偏置环个数仍然不为0,则认为刀具数据库中不存在合理的关键刀具直径Dkey和最小刀具直径Dmin;
Step5,若所得结果中最小最大刀具和关键刀具均存在,则将所获得的结果进行存储,以便于建立和划分型腔加工可行刀具集;若结果有缺漏不合理,则通知相关技术人员重新制定刀具组合方案;
Step6,通过对刀具在给定型腔特征轮廓的切削能力判断,将可行刀具集划分为关键刀具集和绩效刀具集;关键刀具能无干涉地加工整个型腔特征区域,为两个刀具集的分界点。
关键刀具集中刀具可以完整地对型腔轮廓面的粗加工区域进行切削,加工效率较低,但刀具的制造成本也较低;
绩效刀具集中刀具只能对型腔轮廓面的部分粗加工区域进行切削,其刀具成本较高,加工效率也较高。
一般情况下,通过分别选取两个刀具集中的刀具可以得到最优的可行刀具组合。
(3)建立以加工效率和刀具成本为优化目标的复杂型腔零件刀具组合优化模型,用来判断各个加工方案的优劣,具体如下:
将第i把刀具的损耗成本cost(Ti)表示为:
式中,Ai表示每把刀具在型腔加工过程中实际切削的面积(mm2);λ表示加工路径平衡参数,c(Ti)表示第i把刀具单价;
综合加工效率和刀具成本得到给定型腔P中m个子特征综合考虑的刀具组合多目标优化模型如下:
式中ωj为第j个子特征的成本效率平衡参数,Hji为刀具Ti在第j个子特征加工过程中实际参与的切削深度,Tji为第j个子特征中使用的第i把刀具,n为刀具数量,γ1为刀具机床折旧因子,γ2为加工时间损耗因子。
(4)通过单源有向无环图和遗传算法对多刀具组合优化模型进行求解,得到最优的刀具组合,满足了实际型腔加工中对于刀具组合的选取要求;具体如下:
(4-1)按照所选取的刀具组合每把刀具的径长由大到小进行排序,利用有向图遍历所有可行的刀具组合;型腔加工状态有向图如图3所示,具体如下:
对于给定的型腔F0,设在刀具数据库中满足其加工需求的绩效刀具集刀具共计n1把,关键刀具集刀具共计n2把;
有向图中每个节点代表型腔的某一状态,Sstart表示型腔未加工的毛坯状态,Send表示给定刀具组合加工完成后的型腔状态;
选取刀具集中所有刀具按照刀具径长由大到小依次排序,Si表示为型腔在经过序号i的刀具加工后的状态;
节点之间由有向边进行连接,箭头方向即为型腔在大刀具加工过后转向小刀具加工的状态,有向边表示为型腔状态转换时的加工时耗和加工成本;
从节点Sstart到节点Send中每一条由有向边组成的路径记为一种可选的刀具组合,每一种刀具组合既包含绩效刀具又包含关键刀具,可以保证整个加工过程中刀具选取的有效性。
(4-2)通过遗传算法获取刀具组合在型腔加工多目标优化模型的最小解所对应的刀具组合,即为最优的刀具组合;具体如下:
Step1,设符合型腔F加工要求的刀具共m把并按径长从大到小依次排序,其中绩效刀具集m1把,关键刀具集m2把,m1+m2=m,从中选取n把刀具进行型腔加工,n≥2;
根据经验决定合适的染色体种群大小k,随机生成初代的染色体种群;其中染色体中前m1位编码“1”的个数为n-1,后m2位编码“1”的个数为1,每个染色体代表可用的刀具和要选择的多个刀具;
Step2,对于染色体种群中的每个染色体,计算目标函数值;在所有染色体中,具有最大目标函数值的一条染色体作为最佳染色体;
Step3,比较Step2所得最佳染色体和上一轮迭代过程中最佳染色体的目标函数值,将目标函数值相对较大的一方作为当前最佳染色体;
Step4,为了产生新一代,基于最佳染色体的目标函数值,采用轮盘赌方法选择两个染色体;以m1为界,将两个染色体前m1位编码和后m2位编码分别对应进行交叉运算;
Step5,将上述两个交叉过后的染色体前m1位编码和后m2位编码分别进行随机变异运算,并保证染色体中前m1位编码“1”的个数为n-1,后m2位编码“1”的个数为1的条件不变;更新当前一代所有染色体的目标函数值,创建新一代染色体种群;
Step6,重复Step2至Step5,直到满足以下条件:当前种群迭代次数达到规定最大值或者最大目标函数值收敛;
Step7,通过算法的最优刀具序列得到符合型腔F加工要求的最优刀具组合并输出。
图4为遗传算法流程图,当对应染色体的目标函数值最大时,其所对应解码得到刀具组合在本方法提出的多目标优化模型的解为最小解,从而得到符合型腔加工要求的最优刀具组合。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (8)
1.基于遗传算法的复杂型腔刀具组合优化方法,其特征在于:该方法具体包括:
以型腔零件为载体,识别型腔制造特征,获取加工区域,采用基于特征中轴的复杂型腔粗加工区域计算方法获取给定刀具的可行域;
对所有刀具进行预处理,在给定的型腔加工区域内,通过偏置环算法构建可行的型腔加工刀具集;
建立以加工效率和刀具成本为优化目标的复杂型腔零件刀具组合优化模型;
通过有向图和遗传算法对多刀具组合优化模型进行求解,得到最优的刀具组合。
2.根据权利要求1所述的基于遗传算法的复杂型腔刀具组合优化方法,其特征在于:采用基于特征中轴的复杂型腔粗加工区域计算方法获取给定刀具的可行域,具体如下:
定义MA(F)为复杂型腔F的中轴MA,中轴MA由多条中轴边ei组成;
遍历MA(F)的每个元素ri(s),计算ri(s)与内切圆弧半径水平线R+δr的交点,该交点为内切圆弧的圆心;
其中R表示刀具半径,δr表示加工径向余量;s为中轴边ei上的点对应的弧长参数,参数区间为[smin,smax];smin和smax分别表示中轴边ei的起始点和终止点位置;
中轴边ei上半径函数值大于内切圆弧半径的点定义了该刀具考虑加工余量约束的加工区域;
中轴边ei的参数区间[smin,smax]被ni个交点分割为ni+1个子区间[sj,sj+1];
其中sj,sj+1分别表示每个子区间所对应的起始点和终止点位置,j∈[0,ni],i∈[1,nm],nm为复杂型腔F的中轴边数量;
每个子区间分别属于M与U两种不同类别,其中M表示区间关联区域可加工,U表示区间关联区域不可加工,即
选取类别为M的子区间所对应的弧作为约束,即以边属性值M为约束,深度遍历邻接图G得到多个连通子图Gi;
其中,每个连通子图对应一个简单子轮廓,即连通子图数量与简单子轮廓数量一致;简单子轮廓表示轮廓为单连通区域。
3.根据权利要求1或2所述的基于遗传算法的复杂型腔刀具组合优化方法,其特征在于:通过偏置环算法构建可行的型腔加工刀具集,具体包括:
Step1,遍历刀具数据库的所有m把刀具,将刀具按刀径从大到小排序并编号1,2…,m,并选出编号1的刀具的直径D1作为初始遍历的刀具直径Dm1;
Step2,根据给定的径向余量δr和直径为Dm1的刀具,计算出型腔轮廓线偏置环的个数并进行判断;
如果偏置环个数为0,将Dm1替换成当前刀具序列遍历刀具编号的下一把刀具,并继续进行偏置环个数的计算和判定;
Step3,如果偏置环个数不为0,执行以下操作:
将当前刀具的直径Dm1设定为最大刀具直径Dmax,并将直径Dm1刀具编号的下一把刀具设为下一轮初始遍历的刀具,直径为Dm2;
Step4,根据给定的径向余量δr和直径为Dm2的刀具,计算出型腔轮廓线偏置环的个数并进行判断;
如果偏置环个数为1,将当前刀具的直径Dm2设定为关键刀具直径Dkey,并将编号为m的刀具的直径Dm设为最小刀具直径Dmin;
否则,将Dm2替换成当前刀具序列遍历刀具编号的下一把刀具,并继续进行偏置环个数的计算和判定;
如果遍历到最后一把编号m的刀具时,偏置环个数仍然不为0,则认为刀具数据库中不存在合理的关键刀具直径Dkey和最小刀具直径Dmin;
Step5,若所得结果中最小最大刀具和关键刀具均存在,则将所获得的结果进行存储,用于建立和划分型腔加工可行刀具集;若结果有缺漏不合理,则重新制定刀具组合方案。
4.根据权利要求3所述的基于遗传算法的复杂型腔刀具组合优化方法,其特征在于:通过对刀具在给定型腔特征轮廓的切削能力判断,将可行刀具集划分为关键刀具集和绩效刀具集;其中关键刀具为两个刀具集的分界点;
所述关键刀具集中刀具完整地对型腔轮廓面的粗加工区域进行切削;所述绩效刀具集中刀具对型腔轮廓面的部分粗加工区域进行切削。
5.根据权利要求4所述的基于遗传算法的复杂型腔刀具组合优化方法,其特征在于:所述刀具组合优化模型构建方法如下:
将第i把刀具的损耗成本cost(Ti)表示为:
式中,Ai表示每把刀具在型腔加工过程中实际切削的面积;λ表示加工路径平衡参数,c(Ti)表示第i把刀具单价;
综合加工效率和刀具成本得到给定型腔P中m个子特征综合考虑的刀具组合多目标优化模型如下:
式中ωj为第j个子特征的成本效率平衡参数,Hji为刀具Ti在第j个子特征加工过程中实际参与的切削深度,Tji为第j个子特征中使用的第i把刀具,n为刀具数量,γ1为刀具机床折旧因子,γ2为加工时间损耗因子。
6.根据权利要求5所述的基于遗传算法的复杂型腔刀具组合优化方法,其特征在于:对多刀具组合优化模型进行求解,得到最优的刀具组合,具体包括:
按照所选取的刀具组合每把刀具的径长由大到小进行排序,利用有向图遍历所有可行的刀具组合;每一种刀具组合既包含绩效刀具又包含关键刀具;
通过遗传算法获取刀具组合在型腔加工多目标优化模型的最小解所对应的刀具组合,即为最优的刀具组合。
7.根据权利要求6所述的基于遗传算法的复杂型腔刀具组合优化方法,其特征在于:利用有向图遍历所有可行的刀具组合,具体如下:
对于给定的型腔F0,设在刀具数据库中满足其加工需求的绩效刀具集刀具共计n1把,关键刀具集刀具共计n2把;
有向图中每个节点代表型腔的某一状态,Sstart表示型腔未加工的毛坯状态,Send表示给定刀具组合加工完成后的型腔状态;
选取刀具集中所有刀具按照刀具径长由大到小依次排序,Si表示为型腔在经过序号i的刀具加工后的状态;
节点之间由有向边进行连接,箭头方向即为型腔在大刀具加工过后转向小刀具加工的状态,有向边表示为型腔状态转换时的加工时耗和加工成本;
从节点Sstart到节点Send中每一条由有向边组成的路径记为一种可选的刀具组合,每一种刀具组合既包含绩效刀具又包含关键刀具。
8.根据权利要求6所述的基于遗传算法的复杂型腔刀具组合优化方法,其特征在于:通过遗传算法获取刀具组合在型腔加工多目标优化模型的最小解所对应的刀具组合;具体如下:
Step1,设符合型腔F加工要求的刀具共m把并按径长从大到小依次排序,其中绩效刀具集m1把,关键刀具集m2把,m1+m2=m,从中选取n把刀具进行型腔加工,n≥2;
确定染色体种群大小k,随机生成初代的染色体种群;其中染色体中前m1位编码1的个数为n-1,后m2位编码1的个数为1,每个染色体代表可用的刀具和要选择的多个刀具;
Step2,对于染色体种群中的每个染色体,计算目标函数值;在所有染色体中,具有最大目标函数值的一条染色体作为最佳染色体;
Step3,比较Step2所得最佳染色体和上一轮迭代过程中最佳染色体的目标函数值,将目标函数值相对较大的一方作为当前最佳染色体;
Step4,基于最佳染色体的目标函数值,采用轮盘赌方法选择两个染色体;以m1为界,将两个染色体前m1位编码和后m2位编码分别对应进行交叉运算;
Step5,将上述两个交叉过后的染色体前m1位编码和后m2位编码分别进行随机变异运算,并保证染色体中前m1位编码1的个数为n-1,后m2位编码1的个数为1的条件不变;更新当前一代所有染色体的目标函数值,创建新一代染色体种群;
Step6,重复Step2至Step5,直到满足以下条件:当前种群迭代次数达到规定最大值或者最大目标函数值收敛;
Step7,通过算法的最优刀具序列得到符合型腔F加工要求的最优刀具组合并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110585048.3A CN113468800A (zh) | 2021-05-27 | 2021-05-27 | 基于遗传算法的复杂型腔刀具组合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110585048.3A CN113468800A (zh) | 2021-05-27 | 2021-05-27 | 基于遗传算法的复杂型腔刀具组合优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113468800A true CN113468800A (zh) | 2021-10-01 |
Family
ID=77871562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110585048.3A Pending CN113468800A (zh) | 2021-05-27 | 2021-05-27 | 基于遗传算法的复杂型腔刀具组合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113468800A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612145A (zh) * | 2023-12-15 | 2024-02-27 | 上海青翼工业软件有限公司 | 一种零件自动加工方法、装置、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304686A (zh) * | 2018-04-24 | 2018-07-20 | 河海大学常州校区 | 一种粗加工工序自适应动态演化计算方法 |
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 |
-
2021
- 2021-05-27 CN CN202110585048.3A patent/CN113468800A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304686A (zh) * | 2018-04-24 | 2018-07-20 | 河海大学常州校区 | 一种粗加工工序自适应动态演化计算方法 |
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)
Title |
---|
李聪波;吴磊;沈欢;万腾;: "面向能耗的2.5D型腔数控铣削加工刀具组合优化选择", 计算机集成制造系统, no. 02 * |
杨昌尧 等: ""基于遗传算法的复杂型腔类零件刀具优化"", 《计算机系统应用》, vol. 30, no. 5, pages 176 - 183 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612145A (zh) * | 2023-12-15 | 2024-02-27 | 上海青翼工业软件有限公司 | 一种零件自动加工方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109240202B (zh) | 一种面向低碳的铣削加工刀具路径优化方法 | |
Salehi et al. | Application of genetic algorithm to computer-aided process planning in preliminary and detailed planning | |
Nassehi et al. | Evolutionary algorithms for generation and optimization of tool paths | |
Baskar et al. | Optimization of machining parameters for milling operations using non-conventional methods | |
CN105785912B (zh) | 面向能耗的型腔数控铣削加工刀具组合优选方法 | |
Salehi et al. | Optimization process planning using hybrid genetic algorithm and intelligent search for job shop machining | |
US20140297021A1 (en) | High speed pocket milling optimisation | |
JP6088035B1 (ja) | 切削工具選択システム及び切削工具選択方法 | |
Zhang et al. | Method for process planning optimization with energy efficiency consideration | |
Alam et al. | Process planning optimization for the manufacture of injection moulds using a genetic algorithm | |
Karuppanan et al. | Optimized sequencing of CNC milling toolpath segments using metaheuristic algorithms | |
CN113689066A (zh) | 一种基于nsga-ii算法的物联网车间调度方法 | |
Mwinuka et al. | Tool selection for rough and finish CNC milling operations based on tool-path generation and machining optimisation. | |
CN110412938A (zh) | 基于过渡特征简化的多型腔结构件加工工步序列决策方法 | |
Li et al. | Optimization of machining datum selection and machining tolerance allocation with genetic algorithms | |
CN115099612A (zh) | 一种考虑碳排量的柔性作业车间分批调度方法 | |
Bhuiyan et al. | Optimization of cutting parameters in turning process | |
Dahmane et al. | Determination of the optimal path of three axes robot using genetic algorithm | |
Fountas et al. | Development of a software-automated intelligent sculptured surface machining optimization environment | |
CN113468800A (zh) | 基于遗传算法的复杂型腔刀具组合优化方法 | |
Ghasempour-Mouziraji et al. | Machine learning-based optimization of geometrical accuracy in wire cut drilling | |
CN116719275B (zh) | 面向零件全切削过程的工艺综合优化方法 | |
Zhou et al. | Multi-objective process route optimization considering carbon emissions | |
Kumar et al. | Development of a discretization methodology for 2.5 D milling toolpath optimization using genetic algorithm | |
Bouaziz et al. | Optimization and selection of cutters for 3D pocket machining |
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 |