CN114925596A - 基于晶圆测试设备的铸件平台精铣加工参数的优化方法 - Google Patents
基于晶圆测试设备的铸件平台精铣加工参数的优化方法 Download PDFInfo
- Publication number
- CN114925596A CN114925596A CN202210417725.5A CN202210417725A CN114925596A CN 114925596 A CN114925596 A CN 114925596A CN 202210417725 A CN202210417725 A CN 202210417725A CN 114925596 A CN114925596 A CN 114925596A
- Authority
- CN
- China
- Prior art keywords
- milling
- optimization
- value
- predicted value
- finish milling
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
Abstract
本发明公开了基于晶圆测试设备的铸件平台精铣加工参数的优化方法,该优化方法包括以下步骤:S1、获取精铣加工质量指标的期望目标值;S2、利用预先构建的混合预测模型分析得到精铣加工质量指标的预测值;S3、确定优化目标、优化变量及约束条件;S4、构建铣削参数优化模型,并对铣削参数优化模型进行模糊化处理;S5、对模糊处理后的铣削参数优化模型进行求解,得到优化后的精铣加工工艺参数。本发明有效地解决了因铣削参数和条件约束的匹配取值基于实际加工的经验获取而导致的不确定性及模糊性问题,从而对精铣加工的参数具有更好的优化效果,可以有效地提升铸件平台的铣削效率,保证零部件配合精度,减少刀具损耗,降低生产成本。
Description
技术领域
本发明涉及机械加工参数优化技术领域,具体来说,涉及基于晶圆测试设备的铸件平台精铣加工参数的优化方法。
背景技术
制造业是我们国家经济增长的支柱产业,作为一个比较传统的领域,它目前已经建立了比较系统的理论体系,积累了丰富的实践经验,随着科学技术水平的提高,机械制造业也朝着精密化的方向发展,铣削加工作为现代化生产中应用广泛的加工方式,对其加工的稳定性、可靠性也提出了更高的要求。
零件的加工精度一方面影响了设备的装配效果,另一方面也是衡量数控机床加工性能的重要指标之一。刀具是数控加工系统中重要的组成部件,在难加工材料加工过程中,因刀具磨损引发的刀具性能退化是影响零件加工精度的主要因素。同时,零件的加工精度还因数控加工系统中伺服控制系统引起的控制误差、机床几何误差、切削加工系统受热或受力引起的变形误差、刀具几何误差、定位误差等影响,导致零件无法满足精度要求。
随着半导体行业的快速发展,对其相关产业的生产要求也越发严格,晶圆作为半导体产业的根基,其测试设备作为保障晶圆性能的重要设备,在晶圆的生产加工过程中承担着重要的作用。铣削加工是生产中使用频率较高的加工方式,由于晶圆测试设备中各零部件对配合精度的要求很高,这就对铣削加工的稳定性、可靠性提出更高的要求。
其中,对于晶圆测试设备的铸件平台而言其在晶圆测试设备中起着至关重要的作用,因此,为了进一步提高晶圆测试设备的性能及稳定性,进一步提升铣削效率,保证零部件配合精度,减少刀具损耗,降低生产成本,本发明提出了一种基于晶圆测试设备的铸件平台精铣加工参数的优化方法。
发明内容
针对相关技术中的问题,本发明提出基于晶圆测试设备的铸件平台精铣加工参数的优化方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
基于晶圆测试设备的铸件平台精铣加工参数的优化方法,该优化方法包括以下步骤:
S1、实时采集铸件平台精铣过程中的加工工艺参数,并获取精铣加工质量指标的期望目标值;
S2、设定精铣加工质量指标的预设偏差值,并利用预先构建的混合预测模型分析得到精铣加工质量指标的预测值;
S3、根据精铣加工质量指标的预设偏差值、期望目标值及预测值确定优化目标、优化变量及约束条件;
S4、基于约束条件、优化变量及优化目标构建铣削参数优化模型,并对铣削参数优化模型进行模糊化处理;
S5、采用改进的遗传算法对模糊处理后的铣削参数优化模型进行求解,得到优化后的精铣加工工艺参数。
进一步的,所述S2中设定精铣加工质量指标的预设偏差值,并利用预先构建的混合预测模型分析得到精铣加工质量指标的预测值包括以下步骤:
S21、根据铸件平台的加工质量需求设定精铣加工质量指标的预设偏差值;
S22、采集铸件平台的历史加工参数及加工质量指标的期望目标值,并将采集的数据分为训练数据集及验证数据集;
S23、分别构建基于BP神经网络的指标预测模型及基于LSTM神经网络的指标预测模型,并利用训练数据集及验证数据集分别进行训练及验证;
S24、利用训练好的基于BP神经网络的指标预测模型分析得到精铣加工质量指标的第一预测值;
S25、利用训练好的基于LSTM神经网络的指标预测模型分析得到精铣加工质量指标的第二预测值;
S26、采用预设的置信度结合第一预测值及第二预测值分析得到精铣加工质量指标的预测值。
进一步的,所述S22中加工质量指标的期望目标值通过有限元模型或加工实验的方法得到。
进一步的,所述S26中采用预设的置信度结合第一预测值及第二预测值分析得到精铣加工质量指标的预测值包括以下步骤:
判断第一预测值与第二预测值是否相同,若是,则取第一预测值或第二预测值为精铣加工质量指标的预测值,若否,则根据预设的置信度分析得到精铣加工质量指标的预测值,计算公式如下:预测值=N*第一预测值+(1-N)*第二预测值,其中,N为预先设定的置信度百分比,其取值范围为50-90%。
进一步的,所述优化变量包括铣削速度vc、铣削宽度ae、进给速度fz及背吃刀量ap。
进一步的,所述优化目标包括最低加工时间、最低生产成本、最小表面粗糙度、最小碳排放量及最大面积去除率;
其中,所述最低加工时间表示以最短的时间加工一个零件或完成一个工序,且加工时间的模型公式如下:
式中,tw表示完成一个工序所需的时间,tm表示该工序的切削加工时间,tct表示刀具磨钝后换一次刀所需要的时间,T′表示刀具使用寿命,tot表示除换刀外的其它辅助时间;
所述最低生产成本按照机械加工所花的成本最低作为优化目标函数建立函数关系式如下:
式中,C表示工序的生产成本,M表示工序单位时间的铣床折旧费及分担的全厂开支,Ct表示刀具成本;
所述最小表面粗糙度根据试验中获取的表面粗糙度模型对其进行最小化优化;
所述最小碳排放量表示铣削过程中的单位体积碳排放量,其关系式如下:
CE=Cf+Ct+Cel;
式中,SCE表示单位体积的碳排放量,CE表示铣削加工过程中的碳排放量,V表示铣削加工体积,Cf表示切削液使用引起的碳排放,Ct表示刀具磨损引起的碳排放,Cel表示电能消耗引起的碳排放;
所述最大面积去除率的切削中单位面积去除率为:
S=vfae;
式中,S表示单位面积的去除率,vf表示铣床工作台的进给速度。
进一步的,所述约束条件包括加工安全约束、加工能力约束、加工质量约束及附加经验性约束;
所述加工安全约束表示切削过程中的铣削力小于铣床主轴的最大切削力,铣削中的主轴扭矩小于最大扭矩,即:
F≤Ffmax
式中,F表示切削力,d表示刀具直径,Ffmax表示铣床主轴允许的最大切削力,Mmax表示铣床主轴的最大扭矩;
所述加工能力约束表示切削过程中的主轴转速及进给速度不超过铣床所能达到的指标,即:
式中,nmin表示主轴的最低转速,nmax表示主轴的最高转速,vf表示铣床工作台的进给速度,vfmin表示铣床工作台的最小进给速度,vfmax表示铣床工作台的最大进给速度,n表示主轴转速,Zn表示刀具的齿数;
所述加工质量约束表示加工工件的表面粗糙度小于允许的最大表面粗糙度值,即:
R≤Rmax;
式中,R表示加工工件的表面粗糙度,Rmax表示工件允许的最大表面粗糙度值;
所述附加经验性约束表示在实际的优化过程中依据操作人员的经验补充相对应的经验性数据。
进一步的,所述S4中基于约束条件、优化变量及优化目标构建铣削参数优化模型,并对铣削参数优化模型进行模糊化处理包括以下步骤:
S41、基于约束条件、优化变量及优化目标构建铣削参数优化模型;
S42、根据模糊优化算法对铣削参数优化模型进行模糊化处理。
进一步的,所述S42中根据模糊优化算法对铣削参数优化模型进行模糊化处理包括以下步骤:
S422、允许切削力过程变量的经验约束边界在小范围内移动,即经验约束为模糊性约束,并引入隶属函数来描述约束的满足程度,即:
式中,gj表示经验约束边界,bj表示第j个经验约束边界模糊参数b,Δj表示第j个经验约束边界的过渡区宽度,j的取值为1,2,3,4;
S423、按照模糊学处理方法采用模糊自己和隶属函数来描述优化目标,隶属函数表示对各优化目标的满意程度,即:
式中,Fk表示用户指定的第k个子目标的解,Fk min和Fk max分别表示用户指定的第k个子目标的最小值和最大值;
S424、根据铣削参数优化模型分别计算第i个目标函数的最优设计变量,则:
式中,xi *表示第i个目标函数的最优设计变量,vci *表示第i个目标函数的最优铣削速度,fzi *表示第i个目标函数的最优进给速度,T表示矩阵的转置;
S245、寻找广义设计变量X=[x,p]T,得到:
式中,vcmin表示最小铣削速度,vcmax表示最大铣削速度,fzmin表示最小进给速度,fzmax表示最大进给速度,k=1,2,…,16,j=1,2,3,4;
S246、基于模糊集合运算原理,将铣削参数优化模型转化为等效非模糊单目标约束最优化模型,即寻找设计变量X和隶属度λ,得到:
式中,0≤λ≤1。
进一步的,所述S5中采用改进的遗传算法对模糊处理后的铣削参数优化模型进行求解,得到优化后的精铣加工工艺参数包括以下步骤:
S51、根据刀具信息和工件材料信息从工艺模糊数据库中获取得到模糊优化所需的模糊参数的平均值和对称公差值,计算出模糊参数的取值范围;
S52、通过计算在各个单目标优化情况下vc和fz的最优值,确定vc和fz的取值范围;
S53、以所述S246中的公式作为求解目标,依据获得的模糊参数和vc和fz的取值范围采用实数编码方式对遗传基因进行编码,以模糊量参数、约束和优化目标的隶属度λ的最大值作为评价指标进行遗传进化,得到优化后的精铣加工工艺参数。
本发明的有益效果为:通过利用预先构建的混合预测模型来分析获取精铣加工质量指标的预测值,并结合预设偏差值、期望目标值及数控铣床铣削的加工特点,确定以加工时间、生产成本、表面粗糙度、碳排放量及面积去除率为优化目标,以铣削速度、铣削宽度、进给速度及背吃刀量为优化变量,以加工安全约束、加工能力约束、加工质量约束及附加经验性约束为约束条件,建立铣削参数优化模型,并采用模糊优化算法对铣削参数优化模型进行模糊化处理,同时采用改进的遗传算法对模糊处理后的铣削参数优化模型进行求解,相比于传统的铣削参数优化模型,本发明有效地解决了因铣削参数和条件约束的匹配取值基于实际加工的经验获取而导致的不确定性及模糊性问题,从而对精铣加工的参数具有更好的优化效果,进而可以有效地提升铸件平台的铣削效率,保证零部件配合精度,减少刀具损耗,降低生产成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的基于晶圆测试设备的铸件平台精铣加工参数的优化方法的结构示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了基于晶圆测试设备的铸件平台精铣加工参数的优化方法。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于晶圆测试设备的铸件平台精铣加工参数的优化方法,该优化方法包括以下步骤:
S1、实时采集铸件平台精铣过程中的加工工艺参数,并获取精铣加工质量指标的期望目标值;
S2、设定精铣加工质量指标的预设偏差值,并利用预先构建的混合预测模型分析得到精铣加工质量指标的预测值;
其中,所述S2中设定精铣加工质量指标的预设偏差值,并利用预先构建的混合预测模型分析得到精铣加工质量指标的预测值包括以下步骤:
S21、根据铸件平台的加工质量需求设定精铣加工质量指标的预设偏差值;
S22、采集铸件平台的历史加工参数及加工质量指标的期望目标值,并将采集的数据分为训练数据集及验证数据集;
具体的,所述S22中加工质量指标的期望目标值通过有限元模型或加工实验的方法得到。
S23、分别构建基于BP神经网络的指标预测模型及基于LSTM神经网络的指标预测模型,并利用训练数据集及验证数据集分别进行训练及验证;
S24、利用训练好的基于BP神经网络的指标预测模型分析得到精铣加工质量指标的第一预测值;
S25、利用训练好的基于LSTM神经网络的指标预测模型分析得到精铣加工质量指标的第二预测值;
S26、采用预设的置信度结合第一预测值及第二预测值分析得到精铣加工质量指标的预测值。
具体的,所述S26中采用预设的置信度结合第一预测值及第二预测值分析得到精铣加工质量指标的预测值包括以下步骤:
判断第一预测值与第二预测值是否相同,若是,则取第一预测值或第二预测值为精铣加工质量指标的预测值,若否,则根据预设的置信度分析得到精铣加工质量指标的预测值,计算公式如下:预测值=N*第一预测值+(1-N)*第二预测值,其中,N为预先设定的置信度百分比,其取值范围为50-90%。
S3、根据精铣加工质量指标的预设偏差值、期望目标值及预测值确定优化目标、优化变量及约束条件;
其中,所述优化变量包括铣削速度vc、铣削宽度ae、进给速度fz及背吃刀量ap。
具体的,所述优化目标包括最低加工时间、最低生产成本、最小表面粗糙度、最小碳排放量及最大面积去除率;
其中,所述最低加工时间表示以最短的时间加工一个零件或完成一个工序,且加工时间的模型公式如下:
式中,tw表示完成一个工序所需的时间,tm表示该工序的切削加工时间,tct表示刀具磨钝后换一次刀所需要的时间,T′表示刀具使用寿命,tot表示除换刀外的其它辅助时间;
所述最低生产成本按照机械加工所花的成本最低作为优化目标函数建立函数关系式如下:
式中,C表示工序的生产成本,M表示工序单位时间的铣床折旧费及分担的全厂开支,Ct表示刀具成本;
所述最小表面粗糙度根据试验中获取的表面粗糙度模型对其进行最小化优化;
所述最小碳排放量表示铣削过程中的单位体积碳排放量,其关系式如下:
CE=Cf+Ct+Cel;
式中,SCE表示单位体积的碳排放量,CE表示铣削加工过程中的碳排放量,V表示铣削加工体积,Cf表示切削液使用引起的碳排放,Ct表示刀具磨损引起的碳排放,Cel表示电能消耗引起的碳排放;
所述最大面积去除率的切削中单位面积去除率为:
S=vfae;
式中,S表示单位面积的去除率,vf表示铣床工作台的进给速度。
具体的,所述约束条件包括加工安全约束、加工能力约束、加工质量约束及附加经验性约束;
所述加工安全约束表示切削过程中的铣削力小于铣床主轴的最大切削力,铣削中的主轴扭矩小于最大扭矩,即:
F≤Ffmax
式中,F表示切削力,d表示刀具直径,Ffmax表示铣床主轴允许的最大切削力,Mmax表示铣床主轴的最大扭矩;
所述加工能力约束表示切削过程中的主轴转速及进给速度不超过铣床所能达到的指标,即:
式中,nmin表示主轴的最低转速,nmax表示主轴的最高转速,vf表示铣床工作台的进给速度,vfmin表示铣床工作台的最小进给速度,vfmax表示铣床工作台的最大进给速度,n表示主轴转速,Zn表示刀具的齿数;
所述加工质量约束表示加工工件的表面粗糙度小于允许的最大表面粗糙度值,即:
R≤Rmax;
式中,R表示加工工件的表面粗糙度,Rmax表示工件允许的最大表面粗糙度值;
所述附加经验性约束表示在实际的优化过程中依据操作人员的经验补充相对应的经验性数据。
S4、基于约束条件、优化变量及优化目标构建铣削参数优化模型,并对铣削参数优化模型进行模糊化处理;
其中,所述S4中基于约束条件、优化变量及优化目标构建铣削参数优化模型,并对铣削参数优化模型进行模糊化处理包括以下步骤:
S41、基于约束条件、优化变量及优化目标构建铣削参数优化模型;
S42、根据模糊优化算法对铣削参数优化模型进行模糊化处理。
具体的,所述S42中根据模糊优化算法对铣削参数优化模型进行模糊化处理包括以下步骤:
S422、允许切削力过程变量的经验约束边界在小范围内移动,即经验约束为模糊性约束,并引入隶属函数来描述约束的满足程度,即:
式中,gj表示经验约束边界,bj表示第j个经验约束边界模糊参数b,Δj表示第j个经验约束边界的过渡区宽度,j的取值为1,2,3,4;
S423、按照模糊学处理方法采用模糊自己和隶属函数来描述优化目标,隶属函数表示对各优化目标的满意程度,即:
式中,Fk表示用户指定的第k个子目标的解,Fk min和Fk max分别表示用户指定的第k个子目标的最小值和最大值;
S424、根据铣削参数优化模型分别计算第i个目标函数的最优设计变量,则:
式中,xi *表示第i个目标函数的最优设计变量,vci *表示第i个目标函数的最优铣削速度,fzi *表示第i个目标函数的最优进给速度,T表示矩阵的转置;
S245、寻找广义设计变量X=[x,p]T,得到:
式中,vcmin表示最小铣削速度,vcmax表示最大铣削速度,fzmin表示最小进给速度,fzmax表示最大进给速度,k=1,2,…,16,j=1,2,3,4;
S246、基于模糊集合运算原理,将铣削参数优化模型转化为等效非模糊单目标约束最优化模型,即寻找设计变量X和隶属度λ,得到:
式中,0≤λ≤1。
S5、采用改进的遗传算法对模糊处理后的铣削参数优化模型进行求解,得到优化后的精铣加工工艺参数。
其中,所述S5中采用改进的遗传算法对模糊处理后的铣削参数优化模型进行求解,得到优化后的精铣加工工艺参数包括以下步骤:
S51、根据刀具信息和工件材料信息从工艺模糊数据库中获取得到模糊优化所需的模糊参数的平均值和对称公差值,计算出模糊参数的取值范围;
S52、通过计算在各个单目标优化情况下vc和fz的最优值,确定vc和fz的取值范围;
S53、以所述S246中的公式作为求解目标,依据获得的模糊参数和vc和fz的取值范围采用实数编码方式对遗传基因进行编码,以模糊量参数、约束和优化目标的隶属度λ的最大值作为评价指标进行遗传进化,得到优化后的精铣加工工艺参数。
综上所述,借助于本发明的上述技术方案,通过利用预先构建的混合预测模型来分析获取精铣加工质量指标的预测值,并结合预设偏差值、期望目标值及数控铣床铣削的加工特点,确定以加工时间、生产成本、表面粗糙度、碳排放量及面积去除率为优化目标,以铣削速度、铣削宽度、进给速度及背吃刀量为优化变量,以加工安全约束、加工能力约束、加工质量约束及附加经验性约束为约束条件,建立铣削参数优化模型,并采用模糊优化算法对铣削参数优化模型进行模糊化处理,同时采用改进的遗传算法对模糊处理后的铣削参数优化模型进行求解,相比于传统的铣削参数优化模型,本发明有效地解决了因铣削参数和条件约束的匹配取值基于实际加工的经验获取而导致的不确定性及模糊性问题,从而对精铣加工的参数具有更好的优化效果,进而可以有效地提升铸件平台的铣削效率,保证零部件配合精度,减少刀具损耗,降低生产成本。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于晶圆测试设备的铸件平台精铣加工参数的优化方法,其特征在于,该优化方法包括以下步骤:
S1、实时采集铸件平台精铣过程中的加工工艺参数,并获取精铣加工质量指标的期望目标值;
S2、设定精铣加工质量指标的预设偏差值,并利用预先构建的混合预测模型分析得到精铣加工质量指标的预测值;
S3、根据精铣加工质量指标的预设偏差值、期望目标值及预测值确定优化目标、优化变量及约束条件;
S4、基于约束条件、优化变量及优化目标构建铣削参数优化模型,并对铣削参数优化模型进行模糊化处理;
S5、采用改进的遗传算法对模糊处理后的铣削参数优化模型进行求解,得到优化后的精铣加工工艺参数;
所述S2中设定精铣加工质量指标的预设偏差值,并利用预先构建的混合预测模型分析得到精铣加工质量指标的预测值包括以下步骤:
S21、根据铸件平台的加工质量需求设定精铣加工质量指标的预设偏差值;
S22、采集铸件平台的历史加工参数及加工质量指标的期望目标值,并将采集的数据分为训练数据集及验证数据集;
S23、分别构建基于BP神经网络的指标预测模型及基于LSTM神经网络的指标预测模型,并利用训练数据集及验证数据集分别进行训练及验证;
S24、利用训练好的基于BP神经网络的指标预测模型分析得到精铣加工质量指标的第一预测值;
S25、利用训练好的基于LSTM神经网络的指标预测模型分析得到精铣加工质量指标的第二预测值;
S26、采用预设的置信度结合第一预测值及第二预测值分析得到精铣加工质量指标的预测值;所述S26中采用预设的置信度结合第一预测值及第二预测值分析得到精铣加工质量指标的预测值包括以下步骤:
判断第一预测值与第二预测值是否相同;
若是,则取第一预测值或第二预测值为精铣加工质量指标的预测值;
若否,则根据预设的置信度分析得到精铣加工质量指标的预测值;
其中,精铣加工质量指标的预测值计算公式如下:
预测值=N*第一预测值+(1-N)*第二预测值;
式中,N为预先设定的置信度百分比,其取值范围为50-90%。
2.根据权利要求1所述的基于晶圆测试设备的铸件平台精铣加工参数的优化方法,其特征在于,所述S22中加工质量指标的期望目标值通过有限元模型或加工实验的方法得到。
3.根据权利要求1所述的基于晶圆测试设备的铸件平台精铣加工参数的优化方法,其特征在于,所述优化变量包括铣削速度vc、铣削宽度ae、进给速度fz及背吃刀量ap。
4.根据权利要求1所述的基于晶圆测试设备的铸件平台精铣加工参数的优化方法,其特征在于,所述优化目标包括最低加工时间、最低生产成本、最小表面粗糙度、最小碳排放量及最大面积去除率。
5.根据权利要求1所述的基于晶圆测试设备的铸件平台精铣加工参数的优化方法,其特征在于,所述约束条件包括加工安全约束、加工能力约束、加工质量约束及附加经验性约束。
6.根据权利要求1所述的基于晶圆测试设备的铸件平台精铣加工参数的优化方法,其特征在于,所述S4中基于约束条件、优化变量及优化目标构建铣削参数优化模型,并对铣削参数优化模型进行模糊化处理包括以下步骤:
S41、基于约束条件、优化变量及优化目标构建铣削参数优化模型;
S42、根据模糊优化算法对铣削参数优化模型进行模糊化处理。
7.根据权利要求6所述的基于晶圆测试设备的铸件平台精铣加工参数的优化方法,其特征在于,所述S42中根据模糊优化算法对铣削参数优化模型进行模糊化处理包括以下步骤:
S422、允许切削力过程变量的经验约束边界在小范围内移动,并引入隶属函数来描述约束的满足程度,即:
式中,gj表示经验约束边界,bj表示第j个经验约束边界模糊参数b,Δj表示第j个经验约束边界的过渡区宽度,j的取值为1,2,3,4;
S423、按照模糊学处理方法采用模糊自己和隶属函数来描述优化目标,隶属函数表示对各优化目标的满意程度,即:
式中,Fk表示用户指定的第k个子目标的解,Fk min和Fk max分别表示用户指定的第k个子目标的最小值和最大值;
S424、根据铣削参数优化模型分别计算第i个目标函数的最优设计变量,则:
式中,xi *表示第i个目标函数的最优设计变量,vci *表示第i个目标函数的最优铣削速度,fzi *表示第i个目标函数的最优进给速度,T表示矩阵的转置;
S245、寻找广义设计变量X=[x,p]T,得到:
式中,vcmin表示最小铣削速度,vcmax表示最大铣削速度,fzmin表示最小进给速度,fzmax表示最大进给速度,k=1,2,…,16,j=1,2,3,4;
S246、基于模糊集合运算原理,将铣削参数优化模型转化为等效非模糊单目标约束最优化模型,寻找设计变量X和隶属度λ,得到:
式中,0≤λ≤1。
8.根据权利要求7所述的基于晶圆测试设备的铸件平台精铣加工参数的优化方法,其特征在于,所述S5中采用改进的遗传算法对模糊处理后的铣削参数优化模型进行求解,得到优化后的精铣加工工艺参数包括以下步骤:
S51、根据刀具信息和工件材料信息从工艺模糊数据库中获取得到模糊优化所需的模糊参数的平均值和对称公差值,计算出模糊参数的取值范围;
S52、通过计算在各个单目标优化情况下vc和fz的最优值,确定vc和fz的取值范围;
S53、以所述S246中的公式作为求解目标,依据获得的模糊参数和vc和fz的取值范围采用实数编码方式对遗传基因进行编码,以模糊量参数、约束和优化目标的隶属度λ的最大值作为评价指标进行遗传进化,得到优化后的精铣加工工艺参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210417725.5A CN114925596B (zh) | 2022-04-20 | 2022-04-20 | 基于晶圆测试设备的铸件平台精铣加工参数的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210417725.5A CN114925596B (zh) | 2022-04-20 | 2022-04-20 | 基于晶圆测试设备的铸件平台精铣加工参数的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114925596A true CN114925596A (zh) | 2022-08-19 |
CN114925596B CN114925596B (zh) | 2023-10-20 |
Family
ID=82805805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210417725.5A Active CN114925596B (zh) | 2022-04-20 | 2022-04-20 | 基于晶圆测试设备的铸件平台精铣加工参数的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925596B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116047919A (zh) * | 2023-04-03 | 2023-05-02 | 成都飞机工业(集团)有限责任公司 | 一种交点孔镗削参数优化方法、装置、设备及介质 |
CN116619129A (zh) * | 2023-07-20 | 2023-08-22 | 太仓庄正数控设备有限公司 | 磨铣床的自动化控制方法及系统 |
CN116974241A (zh) * | 2023-07-10 | 2023-10-31 | 清华大学 | 面向绿色低碳制造的数控机床几何优化方法及装置 |
CN117314926A (zh) * | 2023-11-30 | 2023-12-29 | 湖南大学 | 激光改质加工设备维护的确认方法、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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080255684A1 (en) * | 2002-11-18 | 2008-10-16 | Universiti Putra Malaysia | Artificial intelligence device and corresponding methods for selecting machinability data |
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
CN111563301A (zh) * | 2020-05-14 | 2020-08-21 | 北京工业大学 | 一种薄壁件铣削加工参数优化方法 |
CN111716150A (zh) * | 2020-06-30 | 2020-09-29 | 大连理工大学 | 一种刀具状态智能监测的进化学习方法 |
CN112766182A (zh) * | 2021-01-22 | 2021-05-07 | 浙江工业大学 | 一种拉削刀具磨损状态识别方法 |
CN113065630A (zh) * | 2021-03-23 | 2021-07-02 | 重庆大学 | 用于砂带磨削加工的工艺参数优化方法 |
CN113806889A (zh) * | 2021-09-18 | 2021-12-17 | 中国科学院武汉岩土力学研究所 | 一种tbm刀盘扭矩实时预测模型的处理方法、装置以及设备 |
CN113869194A (zh) * | 2021-09-26 | 2021-12-31 | 华中科技大学 | 基于深度学习的变参数铣削加工过程信号标记方法及系统 |
KR102370446B1 (ko) * | 2020-11-05 | 2022-03-08 | 한국생산기술연구원 | 절삭 가공 기기의 절삭력을 추정하기 위한 가공 예측 모델 생성 방법 |
-
2022
- 2022-04-20 CN CN202210417725.5A patent/CN114925596B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080255684A1 (en) * | 2002-11-18 | 2008-10-16 | Universiti Putra Malaysia | Artificial intelligence device and corresponding methods for selecting machinability data |
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
CN111563301A (zh) * | 2020-05-14 | 2020-08-21 | 北京工业大学 | 一种薄壁件铣削加工参数优化方法 |
CN111716150A (zh) * | 2020-06-30 | 2020-09-29 | 大连理工大学 | 一种刀具状态智能监测的进化学习方法 |
KR102370446B1 (ko) * | 2020-11-05 | 2022-03-08 | 한국생산기술연구원 | 절삭 가공 기기의 절삭력을 추정하기 위한 가공 예측 모델 생성 방법 |
CN112766182A (zh) * | 2021-01-22 | 2021-05-07 | 浙江工业大学 | 一种拉削刀具磨损状态识别方法 |
CN113065630A (zh) * | 2021-03-23 | 2021-07-02 | 重庆大学 | 用于砂带磨削加工的工艺参数优化方法 |
CN113806889A (zh) * | 2021-09-18 | 2021-12-17 | 中国科学院武汉岩土力学研究所 | 一种tbm刀盘扭矩实时预测模型的处理方法、装置以及设备 |
CN113869194A (zh) * | 2021-09-26 | 2021-12-31 | 华中科技大学 | 基于深度学习的变参数铣削加工过程信号标记方法及系统 |
Non-Patent Citations (1)
Title |
---|
张杰翔等: "基于GABP 神经网络的微铣削多目标预测与优化研究", 基于GABP 神经网络的微铣削多目标预测与优化研究, vol. 49, no. 21, pages 109 - 113 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116047919A (zh) * | 2023-04-03 | 2023-05-02 | 成都飞机工业(集团)有限责任公司 | 一种交点孔镗削参数优化方法、装置、设备及介质 |
CN116974241A (zh) * | 2023-07-10 | 2023-10-31 | 清华大学 | 面向绿色低碳制造的数控机床几何优化方法及装置 |
CN116974241B (zh) * | 2023-07-10 | 2024-02-06 | 清华大学 | 面向绿色低碳制造的数控机床几何优化方法及装置 |
CN116619129A (zh) * | 2023-07-20 | 2023-08-22 | 太仓庄正数控设备有限公司 | 磨铣床的自动化控制方法及系统 |
CN116619129B (zh) * | 2023-07-20 | 2023-11-03 | 太仓庄正数控设备有限公司 | 磨铣床的自动化控制方法及系统 |
CN117314926A (zh) * | 2023-11-30 | 2023-12-29 | 湖南大学 | 激光改质加工设备维护的确认方法、设备及存储介质 |
CN117314926B (zh) * | 2023-11-30 | 2024-01-30 | 湖南大学 | 激光改质加工设备维护的确认方法、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 |
Also Published As
Publication number | Publication date |
---|---|
CN114925596B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114925596A (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 | |
US20220011740A9 (en) | Energy consumption prediction system and method based on the decision tree for CNC lathe turning | |
Mohd Adnan et al. | Fuzzy logic for modeling machining process: a review | |
CN105259791B (zh) | 一种基于通用切削能耗模型的加工参数优化方法 | |
CN111563301A (zh) | 一种薄壁件铣削加工参数优化方法 | |
Dereli et al. | Optimizing cutting parameters in process planning of prismatic parts by using genetic algorithms | |
CN111624951A (zh) | 加工条件调整装置以及加工条件调整系统 | |
CN111105069B (zh) | 数控加工工艺参数优化方法、装置、系统及计算机设备 | |
CN111859566B (zh) | 基于数字孪生的表面粗糙度稳定方法 | |
CN110579971A (zh) | 一种面向绿色制造的多目标切削参数优化方法 | |
CN111650890B (zh) | 考虑刀具磨损的数控车削批量加工工艺参数节能优化方法 | |
CN117389161B (zh) | 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 | |
Radovanović | Multi-objective optimization of multi-pass turning AISI 1064 steel | |
CN111859698B (zh) | 一种基于天牛须算法的机床加工节能优化方法 | |
CN106774162A (zh) | 一种数控加工参数多目标优化方法 | |
CN115351601A (zh) | 一种基于迁移学习的刀具磨损监测方法 | |
Lian et al. | Self-organizing fuzzy control of constant cutting force in turning | |
CN114491839A (zh) | 数控电火花机床加工参数智能优化方法和系统 | |
CN107755765A (zh) | 能够提高模具数控加工质量的工艺 | |
CN112861433A (zh) | 一种基于多层级集成框架的产品低碳设计的方法 | |
CN116466651A (zh) | 基于混合启发式算法的数控加工工艺参数优化方法及系统 | |
CN116861571A (zh) | 一种金属模具制造加工岛的加工工序选择方法 | |
CN112329229A (zh) | 一种适用于薄壁件表面加工铣削参数优化方法 | |
CN115291529B (zh) | 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 | |
Sun et al. | Optimization of High-speed Dry Milling Process Parameters Based on Improved ELM and Genetic Algorithm |
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 |