CN114384861A - 一种基于多层感知机的数控机床多工况切削参数优化方法 - Google Patents
一种基于多层感知机的数控机床多工况切削参数优化方法 Download PDFInfo
- Publication number
- CN114384861A CN114384861A CN202111540334.4A CN202111540334A CN114384861A CN 114384861 A CN114384861 A CN 114384861A CN 202111540334 A CN202111540334 A CN 202111540334A CN 114384861 A CN114384861 A CN 114384861A
- Authority
- CN
- China
- Prior art keywords
- cutting
- cutter
- machine tool
- numerical control
- model
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000003801 milling Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000005316 response function Methods 0.000 claims abstract description 28
- 238000002474 experimental method Methods 0.000 claims abstract description 23
- 238000003754 machining Methods 0.000 claims abstract description 21
- 238000006073 displacement reaction Methods 0.000 claims abstract description 15
- 239000000463 material Substances 0.000 claims abstract description 14
- 238000011160 research Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims description 2
- 229910002056 binary alloy Inorganic materials 0.000 claims description 2
- 230000006866 deterioration Effects 0.000 claims description 2
- 238000007477 logistic regression Methods 0.000 claims description 2
- 238000002271 resection Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 244000145845 chattering Species 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013401 experimental design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
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
- G05B19/19—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 positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
-
- 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
- G05B2219/35349—Display part, programmed locus and tool path, traject, dynamic locus
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
本发明涉及一种基于多层感知机的数控机床多工况切削参数优化方法，属于数控机床智能制造装备领域。针对数控机床的机床坐标以及刀具参数的不确定性问题，会导致数控机床在切削加工过程中出现强烈的颤振，提出了一种基于多层感知机的数控机床多工况切削参数优化方法，该方法首先需在锤击模态实验下获取基于不同主轴坐标、刀具直径、悬伸长度的刀尖频响函数曲线，并结合模态理论公式和铣削颤振稳定性数学模型分析，绘制出铣削稳定性叶瓣图；根据切削颤振稳定性预测方法构建以各向运动部件位移、刀具直径、悬伸长度、主轴转速、切削宽度、每齿进给量为输入的极限切削深度MLP预测模型；采用该回归预测模型作为切削稳定性约束建立材料去除率和刀具寿命的多目标优化模型，通过带精英策略的非支配排序的NSGAII算法来求解最优加工参数配置。并以一台加工中心展开实例研究分析，本发明能够表明所获取的优化配置能满足机床稳定性切削，并验证该方法的可靠性和有效性。
Description
技术领域
本发明属于数控机床智能制造领域，涉及一种基于多层感知机的数控机床多工况切削参数优化方法。
背景技术
高速铣削过程中的颤振问题是影响数控机床加工效率和加工精度的重要因素，根据其产生的原因通常分为自由振动、受迫振动和自激振动(即颤振)。其中，自激振动是由振动系统受到自身产生的激励所维持的振动。铣削加工过程中，刀具与工件之间出现的强烈自激振动，将急剧恶化工件表面质量和尺寸精度，降低刀具和数控机床使用寿命，是制约高档数控装备实现高效、高精加工的关键因素。因此，对加工机床进行相关动态特性研究，是保障高档数控装备实现高性能、高精度铣削加工的重要技术手段。在实际的切削加工过程中，工件与刀具之间在没有周期性外力作用下，由系统内部产生的交变力激发和维持的周期性自激振动称为切削颤振现象。这一现象通常会导致加工部件与机床刀具之间出现偏移，对被加工工件的质量与性能产生非常不利的影响。目前避免切削颤振最有效的方法是绘制铣削稳定性叶瓣图，而机床刀尖频响函数是绘制稳定性叶瓣图的主要输入。然而，在整个加工过程中，机床刀尖点频响函数对机床结构的变化十分敏感，刀尖动态特性往往随着机床空间坐标、刀具悬伸长度，刀具直径等参数的不断变化而变化。因为，要得到准确的稳定性叶瓣图，须得到机床全工作空间下、各种刀具/刀柄组合下的刀尖频响函数。如何准确地预测在各因素影响下的刀尖动态特性已成为颤振抑制研究和工业界具有挑战性的课题之一，同时也为后续加工空间切削稳定性叶瓣图的准确绘制奠定基础。
影响机床切削稳定性的因素有很多，刀具几何参数(悬伸长度和直径)、工件材料和铣削加工系统刀尖点频响函数等均会对加工系统稳定性产生影响。分析加工系统稳定性的影响因素，有助于了解数控切削加工过程中，刀具及其夹装等对切削动态过程的作用特点和规律，并在机床和工件以确定的情况下，通过选择合适的铣刀直径、刀具安装长度和优化切削参数等措施来获得更大的稳定区域，以达到提高切削效率的目的。
本文提出了一种基于多层感知机的数控机床多工况切削参数优化方法，与之前研究的不同在于，本文不仅考虑了机床加工空间位置的变化，还考虑了铣削加工过程中刀具的几何参数变化会对机床刀尖频响函数产生影响。为了绘制准确的稳定性叶瓣图，保障机床切削加工过程中的稳定性。本文主要以机床极限切削深度值为研究对象，通过建立铣削加工过程中的动力学模型，采用零阶频域解析法求解颤振稳定域理论模型，获取对应的极限切削深度和主轴转速组合，为实际铣削加工过程中的铣削参数合理选择奠定理论基础。凭借多层感知机神经网络算法等现代算法在大数据处理和特征提取方面的独特优势和潜力，利用此算法去预测切削加工过程中的机床空间坐标、刀具参数、切削参数等因素对切削稳定性的影响，建立预测模型，分析该因素对颤振稳定性的影响，结合带精英策略的非支配排序的遗传优化算法 NSGAII求解优化模型得出加工位置、刀具直径、悬伸长度和切削参数的最优组合，为铣削过程中参数的选取作出了理论指导和实际价值。
发明内容
有鉴于此，本发明的目的在于提供一种基于多层感知机的数控机床多工况切削参数优化方法。本发明针对数控机床的机床坐标以及刀具参数的不确定性问题，会导致数控机床在切削加工过程中出现强烈的颤振问题，提出了一种基于多层感知机的数控机床多工况切削参数优化方法，该方法首先需要在锤击模态实验下获取基于不同主轴坐标、刀具直径、刀具悬伸长度的刀尖频响函数曲线，并结合模态理论公式和铣削颤振稳定性数学模型分析，利用 MATLAB软件重构刀尖频响函数，然后以该频响函数作为输入，并结合铣削系数绘制机床稳定性叶瓣图，利用插值算法扩充样本区间获得不同主轴转速下的极限切削深度值，然后根据正交实验样本信息和所获取的各切削条件下的极限切削深度值进行规划数据样本，规划出了数据样本信息；结合传统切削颤振稳定性预测方法构建以各向运动部件位移、刀具直径、刀具悬伸长度、主轴转速、切削宽度、每齿进给量为输入的极限切削深度MLP预测模型；采用该回归预测模型作为切削稳定性约束建立材料去除率和刀具寿命的多目标优化模型，通过带精英策略的非支配排序的遗传算法(NSGAII)求解各运动部件位移、刀具直径、刀具悬伸长度与切削参数的最优配置。并以某加工中心展开实例研究分析，本发明能够表明所获取的优化配置能满足机床稳定性切削，并验证该方法的可靠性和有效性。
为达到上述目的，本发明提供如下技术方案：
一种基于多层感知机的数控机床多工况切削参数优化方法，包括以下步骤：
S1：通过正交实验构建数控机床在加工位置、刀具直径、悬伸长度以及切削参数的数据样本信息；
S2：通过实验样本进行模态锤击实验，得到各样本条件下的刀尖频响函数；
S3：通过MATLAB软件求解模态参数并结合模态理论公式重构刀尖频响函数，结合铣削颤振稳定性理论绘制出铣削稳定性叶瓣图，再求解出各主轴转速下的极限切削深度，即规划出各样本条件下的数据信息；
S4：采用PYTHON软件构建以各向运动位移、刀具直径、悬伸长度、主轴转速、切削宽度、每齿进给量为输入的极限切削深度MLP预测模型；
S5：采用该MLP模型作为切削稳定性约束建立最大切除率和最大刀具寿命的优化模型，通过NSGAII算法求解该优化模型，可计算出各运动轴位移、刀具直径、悬伸长度与切削参数的最优配置。
S6：以加工中心展开实例研究，验证该方法的有效性和可实施性。
进一步，所描述步骤S1具体为：数控机床铣削加工过程中出现的颤振失稳、恶化零件加工质量和加剧机床刀具磨损，其主要原因在于机床的主轴坐标(x,y,z)、刀具直径d、悬伸长度h、主轴转速n、切削宽度ae、每齿进给量fz的不确定性会导致极限切削深度aplim随之发生变化，因此本发明以V＝(x,y,z,d,h,n,ae,fz)作为预测模型的输入；
进一步，所描述步骤S2具体为：首先根据正交实验所获取64组样本数据，调整机床加工位置、刀具直径、悬伸长度进行模态锤击实验，获取各样本条件下的刀尖频响函数曲线
进一步，所描述步骤S3具体为：利用MATLAB软件编写主控程序，输入刀具频响函数求解模态参数，并结合模态理论公式重构频响函数，然后再结合切削颤振稳定性理论分析通过编程程序绘制出稳定性叶瓣图，并求解各主轴转速下的极限切削深度值，实现样本数据的规划。建立的铣削颤振稳定性理论模型表述如下式(1)和式(2)所示:
极限切削深度aplim和主轴转速n可表示为：
进一步，所描述步骤S4具体为：根据所规划出来的数据样本信息，本发明以机床的主轴坐标(x,y,z)、刀具直径d、悬伸长度h、主轴转速n、切削宽度ae、每齿进给量fz作为模型的输入变量，构建极限切削深度MLP回归预测模型；建立的多层感知机回归预测模型表述如下式(3)所示：
其中，在本文建立的模型中，其中输入是一个8维向量，代表8个神经元，首先它与输入层是全连接的，假设输入层用向量x表示，则隐藏层的输出就是f(w1x+b1),w1是权重(也叫连接系数)，b1是偏置，函数f可以是常用的sigmoid函数或者tanh函数,隐藏层到输出层可以看成是一个多类别的逻辑回归，也即softmax回归，所以输出层的输出就是softmax(w2x1+b2)，x1表示隐藏层的输出f(w1x+b1)，函数G是softmoid，并在PYTHON中构建该算法模型，为下述优化奠定基础。
进一步，所描述步骤S5具体为：根据建立的多层感知机回归模型作为稳定性约束，建立材料去除率和刀具寿命的优化模型，引入带精英策略的非支配排序的遗传算法NSGA-II 求解各运动轴位移、刀具直径、刀具悬伸长度与切削参数的最优配置，其中，建立的材料去除率和刀具寿命的优化模型表述如下式(4)和(5)所示：
其中，fmaxMRR为求得优化系统的最大材料切除率的适应度函数，fmaxTL为求得优化系统的最大刀具寿命的适应度函数，V为优化变量，不等式为约束条件，采用多目标优化算法NSGAII求解该优化模型，其具体求解过程如下：
首先，随机产生规模为N的初始种群，非支配排序后通过遗传算法NSGAII的选择、交叉、变异三个基本操作得到第一代子代种群(本文采用的选择是利用二进制锦标赛的选择方式，交叉采用的是模拟二进制的交叉方式，变异则采用的是多项式变异)。
其次，从第二代开始，采用精英保留策略将父代种群与子代种群合并，进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群。
最后，通过遗传算法的基本操作产生新的子代种群：依此类推，直到满足程序结束的条件；最后可以求取得到机床切削加工的切削参数的最优配置并且求取最大的材料去除率和最大的刀具寿命信息。
进一步，所描述步骤S6具体为：根据最优结果展开切削实验验证研究，首先按各轴位移的优化结果移动工作台、床鞍、主轴箱、刀具-刀柄组合来调整机床加工位置、刀具直径、刀具悬伸长度，然后采用优化后的切削参数组合对工件进行铣削加工，判断实验结果获得的优化配置能否实现稳定切削，验证该方法的有效性，为实际的机床切削奠定有力的理论基础，以达到机床实验稳定性切削的效果。
本发明的有益效果在于：本发明针对机床零件加工位置、铣刀直径和悬伸长度不确定造成刀尖频响函数变化，导致切削稳定性叶瓣图具有不确定性问题。因此，本文提出了通过理论模型与锤击模态试验相结合的方法在MATLAB平台上绘制铣削颤振稳定域叶瓣图。进而结合多层感知机神经网络的现代算法构建以各向运动部件位移、刀具直径、悬伸长度、主轴转速、切削宽度、每齿进给量为输入，极限切削深度为输出的多层感知机(MLP)预测模型，为不同加工参数的选择提供依据，从而预测出机床在各加工条件下的切削稳定性；并在PYTHON软件平台上完成算法的实现，通过将该算法的识别结果和给定的实际值进行对比，验证该算法的有效性和可行性。并以多层感知机模型作为切削稳定性约束建立材料切除率和刀具寿命的多目标优化模型，通过带精英策略的非支配排序的遗传算法(NSGAII)求解各机床坐标、刀具几何参数以及切削参数的最优配置，为实际的机床切削加工参数的选取提供理论依据。具体优点如下：
传统的机床铣削稳定性研究只考虑了机床主轴坐标对刀尖频响函数的影响，但是在加工过程中刀具参数的改变同样也会对铣削稳定性叶瓣图造成影响。抑制颤振最有效的方法是绘制铣削稳定性叶瓣图，而刀尖频响函数是绘制稳定性叶瓣图的主要输入。而与传统的铣削稳定性不同的是，本发明不仅仅只考虑了机床主轴坐标对刀尖频响函数的影响，针对实际加工状况，还加入了刀具的几何参数(包括刀具直径和刀具悬伸长度)来描述刀尖动态特性的变化。
以往传统的算法不同之处在于，本发明采用多层感知机神经网络算法来建立预测模型，具有更好的数据拟合效果，以此来完成机床在不同加工条件下的铣削稳定性预测研究。并将各运动部件位移、刀具直径、刀具悬伸量、切削参数作为优化变量，基于极限切削深度值的多层感知机预测模型作为切削稳定性约束，建立更好的寻优能力的优化模型，有利于提高铣削加工的效率，同时本发明将加入其他的智能算法，与多层感知机的预测精度进行对比，验证该算法的有效性。
本发明是结合数控机床铣削多工况下的工艺参数优化模型与改进遗传算法的NSGAII，与传统的单目标规划问题不同的是，本发明采用的是多目标规划求解方法，利用智能算法直接求解多目标规划问题，无需将多目标问题再转化成单目标求解，采用NSGAII算法可以直接有效的求解该优化模型，获取机床最适合加工的工艺参数的最优配置，以及最优的材料切除率和刀具寿命解集，为机床铣削加工奠定理论基础。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下图进行说明：
图1数控机床铣削加工整体流程示意图
图2锤击模态试验简图
图3铣削颤振稳定性叶瓣图
图4NSGAII优化算法流程图
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。本发明解决上述技术问题的技术方案是：
数控机床铣削加工主轴坐标以及刀具参数的不确定性的多工况下切削加工参数优化研究方法整体流程如图1所示，本发明以一台立式加工中心作为实例进行分析，首先采用正交实验设计离散机床工作空间、刀具直径、以及悬伸长度，然后结合锤击模态实验方法，获得工件-刀具系统在各加工位置不同刀具参数设置下的频响函数曲线，并展开切削稳定性预测研究，模态锤击实验简图如图2所示。
根据正交实验设计在机床工作空间选取均匀分布的实验点进行锤击法模态实验，以满足实验要求下减少实验次数。实验因素为各向运动部件位移和刀具直径、悬伸长度，每个因素对应8个水平，如表1所示。选择L64(84)正交表规划出64组正交实验方案，用于离散实验样本空间分布。根据调整机床加工位置和刀具直径、悬伸长度，展开锤击模态实验，获取各方案对应加工位置机床坐标系x,y方向的频响函数矩阵。
表1正交实验因素和水平表
根据锤击实验所获取的64组刀尖频响函数矩阵，并结合模态理论公式和刀尖频响函数公式在MATLAB软件中重构频响函数，然后结合铣削稳定性颤振理论模型，设置好铣削力系数Ktc、Krc和刀具齿数信息，切削宽度ae,刀具直径d等各参数，绘制出稳定性叶瓣图如图3所示，并求解获取各转速下对应的极限切削深度aplim，并结合正交实验设计方案规划出数据样本。
采用多层感知机神经网络算法建立以各因素作为输入、极限切削深度作为输出的切削稳定性预测模型，通过PYTHON软件进行编程建模，该模型基于keras和tensorflow框架来进行搭建的，本发明一共搭建了4层隐藏层的神经网络，并且还需设置各个超参数，包括输入层的神经元设置、输出层的神经元设置，激活函数的使用，权重初始化，学习率的设置，batch_size,epochs的设置。基本的神经网络参数设置为：
模型层数：4层隐藏层，考虑到本发明的总共数据只有7016组，其中80％的数据用于训练，20％用于测试数据，一般来说，层数越深，理论上拟合函数的能力增强，效果按理说会更好，但是实际上更深的层数可能会带来过拟合的问题，同时也会增加训练难度，使模型难以收敛，所以模型层数不宜过多。
输入层的神经元设置：8个神经元，因为输入层的神经元应该对应样本数据的特征数据的个数(即输入数据的种类数)
隐藏层的神经元设置：64个神经元，对于如何确定隐藏层的神经元数量，一般是依据经验
输出层的神经元设置：因为本发明的输出参数只有一种极限切削深度值aplim，所以输出层的神经元个数应为1，并采用恒等函数的方式输出。
激活函数的设置：采用的是relu函数。
权重初始化的设置：当激活函数使用relu函数时，一般就是使用relu专用的初始值，也就是’He初始值’。
学习率的设置：lr＝0.0001。
batch_size的设置：batch_size＝50。
迭代次数设置为：Epochs＝2000。
经过多层感知机神经网络的回归训练，结果显示训练效果优，满足本发明的预测要求，为了进一步满足MLP模型的准确性，将该算法与随机森林和XGboost算法进行比较，验证该算法的有效性预测。然后以该预测模型作为优化模型的稳定性约束，建立基于材料切除率以及刀具寿命的多目标优化模型，本发明直径利用智能优化算法进行求解多目标优化问题，不再采用传统的将多目标转换成单目标的优化方式，故并采用带精英策略的非支配排序的遗传算法(NSGAII)直接求解各运动轴位移、刀具直径、刀具悬伸长度与各切削参数的最优配置。
采用带精英策略的非支配排序的遗传算法(NSGAII)对多目标进行寻优求解，首先设置基本参数：种群数量设置为500；最大的迭代次数设置为500；交叉概率和变异概率设置为0.9和1/D；目标函数的个数为2个，变量的个数为D＝9，因为V＝(x,y,z,d,h,n,ae,fz,aplim)，变量的范围MaxValue＝[37071834828808000240.20.004]；MinValue＝[552707563810003 0.02552.35]；刀具齿数为Nt＝4；该算法的具体步骤如下：
配置好算法中的所需参数后，创建一个初始化种群。计算初始种群中每个个体的目标函数，本发明以材料切除率MRR和刀具寿命TL作为适应度函数，并进行非支配排序，计算初始种群中最大的适应度值及其位置，并记录每一次迭代的最大适应度值。
运用二进制锦标赛法进行选择操作，产生一个新的父代种群。
对父代种群中的每个个体依次进行循环，选父代个体、模拟二进制交叉操作、多项式变异算子自适应选择、变异、计算生成子代个体目标函数值并进行非支配排序，提取最优个体到子代种群中；
将子代种群与父代种群合并，重新进行非支配排序，同时对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度提取出新种群；
将上述产生的新种群作为下一代循环的父代种群，如此循环直至满足终止条件，该算法的流程图如图4所示。
设置好个参数配置，首先，随机产生规模为500的初始种群，非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群(本文采用的选择是利用二进制锦标赛的选择方式，交叉采用的是模拟二进制的交叉方式，变异则采用的是多项式变异方式)。
以材料切除率MRR和刀具寿命TL作为适应度函数，计算初始种群中最大的适应度值及其位置，并记录每一次迭代的最大适应度值。
其次，从第二代开始，采用精英保留策略将父代种群与子代种群合并，进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群；
最后重复上述步骤，后面的操作则可通过GA的基本操作产生新的子代种群，以此类推，将最大的适应度值作为最优解，当最大适应度值收敛或循环次数达到迭代次数时算法终止，输出最优解及其所属种群中的位置，该算法的流程图如图4所示。
在各优化变量的可行域内，采用快速非支配排序算法NSGAII计算的各运动部件位移、刀具直径、刀具悬伸长度、切削参数的最优组合V＝(x,y,z,d,h,n,ae,fz,ap)和最佳适应度值为MRR和TL值，本发明的优化目标函数不能同时达到最大，即没有使两个目标同时最优的解，只有均衡2个优化目标的Pareto最优解集，因此铣削稳定性优化研究分为两个步骤：(1)求出Pareto最优解集；(2)对比Pareto最优解集全部元素的评估结果，选出一个与最优水平即两个目标同时最优的最佳方案。
再根据最优的结果展开切削实验验证研究，首先按照优化结果调整工作台、床鞍、主轴箱来调整机床加工位置，更换刀具和调整刀具悬伸长度来调整机床刀具参数，然后采用优化后的切削参数组合对工件进行铣削加工，通过测力仪获取切削力信号频谱图，验证该组优化结果能够实现稳定性切削加工。也能够更加全面和更正确的进行切削加工参数的选择和工艺规划提供理论依据。
最后说明的是，以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于多层感知机的数控机床多工况切削参数优化方法，其特征在于：该方法包括以下步骤：
S1：通过正交实验构建数控机床在加工位置、刀具直径、悬伸长度以及各切削参数下的数据样本信息；
S2：通过实验样本进行模态锤击实验，得到各样本条件下的刀尖频响函数；
S3：通过MATLAB软件求解模态参数并结合模态理论公式重构刀尖频响函数，结合铣削颤振稳定性理论绘制出铣削稳定性叶瓣图，再利用插值算法求解各主轴转速下的极限切削深度，即规划出各样本条件下的数据信息；
S4：采用PYTHON软件构建以各向运动位移、刀具直径、悬伸长度、主轴转速、切削宽度、每齿进给量为输入的极限切削深度MLP预测模型；
S5：采用该MLP模型作为切削稳定性约束建立最大切除率和最大刀具寿命的多目标优化模型，通过带精英策略的快速非支配排序算法NSGAII求解该优化模型，可计算出各运动轴位移、刀具直径、悬伸长度与切削参数的最优配置。
S6：以加工中心展开实例研究，验证该方法的有效性和可实施性。
2.如权利要求1所述的一种基于多层感知机的数控机床多工况切削参数优化方法，其特征在于：所述步骤S1具体为：数控机床铣削加工过程中出现的颤振失稳、恶化零件加工质量和加剧机床刀具磨损，其主要原因在于机床的主轴坐标(x,y,z)、刀具直径d、悬伸长度h、主轴转速n、切削宽度ae、每齿进给量fz的不确定性会导致极限切削深度aplim随之发生变化，因此本发明以V＝(x，z，d，h，n,ae，fz)作为预测模型的输入。
3.如权利要求2所述的一种基于多层感知机的数控机床多工况切削参数优化方法，其特征在于：所描述步骤S2具体为：首先根据正交实验所获取的64组样本数据，调整机床加工位置、刀具直径、悬伸长度进行模态锤击实验，获取各样本条件下的刀尖频响函数曲线。
4.如权利要求3、4所述的一种基于多层感知机的数控机床多工况切削加工参数优化方法，其特征在于：
S301：利用MATLAB软件编写主控程序，输入刀具频响函数求解模态参数，并结合模态理论公式重构频响函数，然后再结合切削颤振稳定性理论分析通过编程程序绘制出稳定性叶瓣图，并求解各主轴转速下的极限切削深度值aplim，实现样本数据的规划。建立的铣削颤振稳定性理论模型表述如下式(1)所示:
极限切削深度aplim和主轴转速n可表示为：
S401：本发明以机床的主轴坐标(x,y,z)、刀具直径d、悬伸长度h、主轴转速n、切削宽度ae、每齿进给量fz作为模型的输入变量，构建极限切削深度MLP回归预测模型；建立的多层感知机回归预测模型表述如下式(2)所示：
在本文建立的模型中，其中输入是一个8维向量，代表8个神经元，首先它与输入层是全连接的，假设输入层用向量x表示，则隐藏层的输出就是f(w1x+b1),w1是权重(也叫连接系数)，b1是偏置，函数f可以是常用的sigmoid函数或者tanh函数,隐藏层到输出层可以看成是一个多类别的逻辑回归，也即softmax回归，所以输出层的输出就是softmax(w2x1+b2)，x1表示隐藏层的输出f(w1x+b1)，函数G是softmoid，并在PYTHON中构建该算法模型，为下述优化奠定基础。
5.如权利要求5所述的一种基于多层感知机的数控机床多工况切削参数优化方法，其特征在于：所描述步骤S5具体为：根据建立的多层感知机回归模型作为稳定性约束，建立材料去除率和刀具寿命的优化模型，引入带精英策略的非支配排序的遗传算法NSGA-II求解各运动轴位移、刀具直径、刀具悬伸长度与切削参数的最优配置。
S501:建立的材料去除率和刀具寿命的优化模型表述如下式(3)所示：
其中，fmaxMRR为求得优化系统的最大材料切除率的适应度函数，fmaxTL为求得优化系统的最大刀具寿命的适应度函数，V为优化变量，不等式为约束条件，采用多目标优化算法NSGAII求解该优化模型，其具体求解过程如下：
首先，随机产生规模为N的初始种群，非支配排序后通过遗传算法NSGAII的选择、交叉、变异三个基本操作得到第一代子代种群(本文采用的选择是利用二进制锦标赛的选择方式，交叉采用的是模拟二进制的交叉方式，变异则采用的是多项式变异)。
其次，从第二代开始，采用精英保留策略将父代种群与子代种群合并，进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群。
最后，通过遗传算法的基本操作产生新的子代种群：依此类推，直到满足程序结束的条件。
6.如权利要求6所述的一种基于多层感知机的数控机床多工况切削参数优化方法，其特征在于：根据最优结果展开切削实验验证研究，首先按各轴位移的优化结果移动工作台、床鞍、主轴箱、刀具-刀柄组合来调整机床加工位置、刀具直径、刀具悬伸长度，然后采用优化后的切削参数组合对工件进行铣削加工，判断实验结果获得的优化配置能否实现稳定切削，验证该方法的有效性，为实际的机床切削奠定有力的理论基础，以达到机床实验稳定性切削的效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111540334.4A CN114384861A (zh) | 2021-12-16 | 2021-12-16 | 一种基于多层感知机的数控机床多工况切削参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111540334.4A CN114384861A (zh) | 2021-12-16 | 2021-12-16 | 一种基于多层感知机的数控机床多工况切削参数优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114384861A true CN114384861A (zh) | 2022-04-22 |
Family
ID=81197323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111540334.4A Pending CN114384861A (zh) | 2021-12-16 | 2021-12-16 | 一种基于多层感知机的数控机床多工况切削参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114384861A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114952413A (zh) * | 2022-07-21 | 2022-08-30 | 上海航天壹亘智能科技有限公司 | 基于人工智能的机床控制方法、数控机床及保护装置 |
| CN115903652A (zh) * | 2022-11-09 | 2023-04-04 | 苏州富邦机械链传动制造有限公司 | 一种用于零件加工的对位冲孔方法及系统 |
| CN116100318A (zh) * | 2023-04-06 | 2023-05-12 | 四川省机械研究设计院(集团)有限公司 | 车铣复合机床加工方法、装置、设备及存储介质 |
| CN116224930A (zh) * | 2023-01-17 | 2023-06-06 | 扬州市职业大学(扬州开放大学) | 一种数控磨床产品的加工控制方法及系统 |
| CN117389161A (zh) * | 2023-12-12 | 2024-01-12 | 山东科技大学 | 考虑多加工阶段的平面立铣参数优化及加工性能预测方法 |
| CN117555287A (zh) * | 2024-01-12 | 2024-02-13 | 中国机械总院集团云南分院有限公司 | 一种基于cae的数控机床加工动态性能监控方法及系统 |
| WO2024060441A1 (zh) * | 2022-09-21 | 2024-03-28 | 中建材创新科技研究院有限公司 | 一种纸面石膏板高精度切断的控制优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107505842A (zh) * | 2017-09-04 | 2017-12-22 | 重庆邮电大学 | 一种数控机床广义空间切削稳定性预测与优化方法 |
| CN110135058A (zh) * | 2019-05-14 | 2019-08-16 | 北京工业大学 | 基于多模态特征子集选择性集成建模的磨机负荷参数预测方法 |
| US20210312288A1 (en) * | 2020-12-28 | 2021-10-07 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for training classification model, classification method, apparatus and device |
-
2021
- 2021-12-16 CN CN202111540334.4A patent/CN114384861A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107505842A (zh) * | 2017-09-04 | 2017-12-22 | 重庆邮电大学 | 一种数控机床广义空间切削稳定性预测与优化方法 |
| CN110135058A (zh) * | 2019-05-14 | 2019-08-16 | 北京工业大学 | 基于多模态特征子集选择性集成建模的磨机负荷参数预测方法 |
| US20210312288A1 (en) * | 2020-12-28 | 2021-10-07 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for training classification model, classification method, apparatus and device |
Non-Patent Citations (2)
| Title |
|---|
| 邓聪颖等: "基于切削稳定性与表面质量约束的铣削工艺参数优化研究", 仪器仪表学报, vol. 42, no. 11, 30 November 2021 (2021-11-30), pages 190 - 199 * |
| 邓聪颖等: "基于加工位置不确定的多工步数控铣削工艺参数优化研究", 仪器仪表学报, vol. 41, no. 04, 30 April 2020 (2020-04-30), pages 111 - 118 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114952413A (zh) * | 2022-07-21 | 2022-08-30 | 上海航天壹亘智能科技有限公司 | 基于人工智能的机床控制方法、数控机床及保护装置 |
| WO2024060441A1 (zh) * | 2022-09-21 | 2024-03-28 | 中建材创新科技研究院有限公司 | 一种纸面石膏板高精度切断的控制优化方法 |
| CN115903652A (zh) * | 2022-11-09 | 2023-04-04 | 苏州富邦机械链传动制造有限公司 | 一种用于零件加工的对位冲孔方法及系统 |
| CN115903652B (zh) * | 2022-11-09 | 2023-10-27 | 苏州富邦机械链传动制造有限公司 | 一种用于零件加工的对位冲孔方法及系统 |
| CN116224930A (zh) * | 2023-01-17 | 2023-06-06 | 扬州市职业大学(扬州开放大学) | 一种数控磨床产品的加工控制方法及系统 |
| CN116224930B (zh) * | 2023-01-17 | 2023-08-22 | 扬州市职业大学(扬州开放大学) | 一种数控磨床产品的加工控制方法及系统 |
| CN116100318A (zh) * | 2023-04-06 | 2023-05-12 | 四川省机械研究设计院(集团)有限公司 | 车铣复合机床加工方法、装置、设备及存储介质 |
| CN117389161A (zh) * | 2023-12-12 | 2024-01-12 | 山东科技大学 | 考虑多加工阶段的平面立铣参数优化及加工性能预测方法 |
| CN117389161B (zh) * | 2023-12-12 | 2024-02-27 | 山东科技大学 | 考虑多加工阶段的平面立铣参数优化及加工性能预测方法 |
| CN117555287A (zh) * | 2024-01-12 | 2024-02-13 | 中国机械总院集团云南分院有限公司 | 一种基于cae的数控机床加工动态性能监控方法及系统 |
| CN117555287B (zh) * | 2024-01-12 | 2024-04-09 | 中国机械总院集团云南分院有限公司 | 一种基于cae的数控机床加工动态性能监控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114384861A (zh) | 一种基于多层感知机的数控机床多工况切削参数优化方法 | |
| Gaitonde et al. | Minimizing burr size in drilling using artificial neural network (ANN)-particle swarm optimization (PSO) approach | |
| Zolpakar et al. | Application of multi-objective genetic algorithm (MOGA) optimization in machining processes | |
| Senthilkumar et al. | Parametric optimization of electrochemical machining of Al/15% SiCp composites using NSGA-II | |
| CN111563301A (zh) | 一种薄壁件铣削加工参数优化方法 | |
| Madić et al. | Optimal selection of ANN training and architectural parameters using Taguchi method: A case study | |
| CN110058569B (zh) | 一种基于优化模糊神经网络的数控机床热误差建模方法 | |
| Karnik et al. | A comparative study of the ANN and RSM modeling approaches for predicting burr size in drilling | |
| CN110221580B (zh) | 一种基于主轴数据仿真的进给速度优化方法 | |
| CN113505519B (zh) | 基于pso-bp神经网络和nsga-ii的激光切割加工建模及参数优化选择方法 | |
| CN111857052A (zh) | 机器学习装置、数值控制系统以及机器学习方法 | |
| Xu et al. | Multi-objective feedrate optimization method of end milling using the internal data of the CNC system | |
| CN112749506A (zh) | 基于ceemd和gwo-svr的振动信号预测方法 | |
| CN101114312A (zh) | 基于遗传神经网络技术设计assel轧辊辊型的方法 | |
| Bhuiyan et al. | Optimization of cutting parameters in turning process | |
| CN114491839A (zh) | 数控电火花机床加工参数智能优化方法和系统 | |
| Bhuiyan et al. | Optimization of cutting parameters in turning process | |
| CN111948977B (zh) | 一种用于不锈钢加工的多目标优化方法和系统 | |
| Krimpenis et al. | Rough milling optimisation for parts with sculptured surfaces using genetic algorithms in a Stackelberg game | |
| Cus et al. | High speed end-milling optimisation using Particle Swarm Intelligence | |
| Pourmostaghimi et al. | Optimization of cutting parameters during hard turning using evolutionary algorithms | |
| Yang | Machining parameters optimization of multi-pass face milling using a chaotic imperialist competitive algorithm with an efficient constraint-handling mechanism | |
| CN116484533A (zh) | 基于伯努利分布与混合驱动法的铣削稳定性分析方法 | |
| Deng et al. | Multi-objective machining parameters optimization for chatter-free milling process considering material removal rate and surface location error | |
| Karnik et al. | Integrating Taguchi principle with genetic algorithm to minimize burr size in drilling of AISI 316L stainless steel using an artificial neural network model |
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 |