CN116348877A - 一种“滚-磨-珩”多工艺参数协同优化与决策方法 - Google Patents
一种“滚-磨-珩”多工艺参数协同优化与决策方法 Download PDFInfo
- Publication number
- CN116348877A CN116348877A CN202280003376.0A CN202280003376A CN116348877A CN 116348877 A CN116348877 A CN 116348877A CN 202280003376 A CN202280003376 A CN 202280003376A CN 116348877 A CN116348877 A CN 116348877A
- Authority
- CN
- China
- Prior art keywords
- gear
- honing
- snake
- grinding
- hob
- 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 560
- 230000008569 process Effects 0.000 title claims abstract description 377
- 238000005457 optimization Methods 0.000 title claims abstract description 58
- 241000270295 Serpentes Species 0.000 claims abstract description 191
- 238000003754 machining Methods 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 80
- 238000012163 sequencing technique Methods 0.000 claims abstract description 13
- 238000000227 grinding Methods 0.000 claims description 149
- 238000005520 cutting process Methods 0.000 claims description 75
- 238000011156 evaluation Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000013011 mating Effects 0.000 claims description 28
- 230000003542 behavioural effect Effects 0.000 claims description 27
- 230000006399 behavior Effects 0.000 claims description 20
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 10
- 230000003746 surface roughness Effects 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 8
- 239000002173 cutting fluid Substances 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000002195 synergetic effect Effects 0.000 claims description 4
- 238000009966 trimming Methods 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 2
- 206010006514 bruxism Diseases 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000004075 alteration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007514 turning Methods 0.000 description 2
- 229910052593 corundum Inorganic materials 0.000 description 1
- 239000010431 corundum Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明公开一种“滚‑磨‑珩”多工艺参数协同优化与决策方法,包括以下步骤:1)根据汽车高速齿轮加工过程中齿轮加工工艺的特性,选择待优化的工艺参数变量,并构建“滚‑磨‑珩”工艺优化模型;2)采用多目标蛇优化算法对“滚‑磨‑珩”工艺优化模型进行迭代求解,获得帕累托协同工艺参数解集;3)基于熵权-TOPSIS决策方法对帕累托协同工艺参数解集进行评价和排序,得出最优工艺参数。本发明系统的解决了新能源汽车高速齿轮加工过程中如何获得加工过程整体最优解而非单种工艺最优的问题。
Description
技术领域
本发明涉及工件加工领域,具体是一种“滚-磨-珩”多工艺参数协同优化与决策方法。
背景技术
高速齿轮是新能源汽车驱动传动系统核心基础零部件,为保证高转速、高效率、低噪声、长寿命的服役性能,对齿轮加工的几何精度、齿面修形和表面纹理等加工质量提出了极高的要求。
新能源汽车高速齿轮的常见加工工艺流程主要包括滚齿加工、磨齿加工和珩齿加工。高速齿轮对齿轮表面一致性、齿面纹理优化、提升综合加工效率等的需求促使生产企业对“滚-磨-珩”三种工序间余量及精度一体化分配以及工艺协同优化进行研究,从而提升加工效率及加工质量。
目前仅有关于单种齿轮加工工艺的工艺参数优化,且通常将加工余量视为定值,未考虑其变化的影响。
发明内容
本发明的目的是提供一种“滚-磨-珩”多工艺参数协同优化与决策方法,包括以下步骤:
1)根据汽车高速齿轮加工过程中齿轮加工工艺的特性,选择待优化的工艺参数变量,并构建所述“滚-磨-珩”工艺优化模型;
所述待优化的工艺参数变量包括滚齿工艺的工艺参数、磨齿工艺的工艺参数和珩齿工艺的工艺参数;
所述滚齿工艺的工艺参数包括滚刀切削速度v h 、滚刀轴向进给量f h 、滚刀直径d h0、滚刀头数z h0、滚齿加工余量x 1;
所述磨齿工艺的工艺参数包括砂轮切削速度v g 、砂轮轴向进给量f g 、砂轮切削深度a g 、磨齿加工余量x 2;
所述珩齿工艺的工艺参数包括工件主轴转速n ph 、珩磨轮X轴进给量f phx 、珩磨轮Z轴进给量f phz 、无火花珩削循环时间t phs 、珩齿加工余量x 3。
所述“滚-磨-珩”工艺优化模型的优化目标包括滚齿加工工艺、磨齿加工工艺、珩齿加工工艺的总加工时间T、总加工成本C以及最后一道工艺完成后的齿轮表面加工质量F;
其中,总加工时间T如下所示:
式中,T h 表示滚齿工艺所需时间;T g 表示磨齿工艺所需时间;T ph 表示珩齿工艺所需时间;
其中,滚齿工艺所需时间T h 、磨齿工艺所需时间T g 、珩齿工艺所需时间T ph 分别如下所示:
式中,t hba 、t gba 、t phba 分别表示滚齿工艺、磨齿工艺、珩齿工艺的基本加工时间;t hau 、t gau 、t phau 分别表示滚齿工艺、磨齿工艺、珩齿工艺的辅助加工时间;t hc 、t gc 、t phc 分别表示滚齿工艺、磨齿工艺、珩齿工艺的换刀或修整所用时间;N h0,N g0,N ph0分别表示滚齿工艺、磨齿工艺、珩齿工艺使用的滚刀、砂轮、珩磨轮在修整后可加工的齿轮个数;
其中,基本加工时间t hba 、基本加工时间t gba 、基本加工时间t phba 分别如下所示:
式中,d g 为砂轮直径,B为工件齿轮宽度;C T 为干切滚刀的接近行程;U e 为干切滚刀的接近安全允量;U a 为干切滚刀的退出安全允量;O T 为干切滚刀的超越行程;z 0为干切滚刀的滚刀头数;z 1为工件齿轮齿数;d ha0 为干切滚刀的滚刀外径;a g 为砂轮切削深度;
其中,干切滚刀的接近行程C T 和干切滚刀的超越行程O T 分别如下所示:
式中,d ha1 为工件齿轮齿顶圆直径;𝛿为干切滚刀的滚刀安装角;𝛼为工件齿轮压力角;m n 为工件齿轮法向模数;x 1为滚齿加工余量;
总加工成本C如下所示:
式中,C h 表示滚齿工艺单件成本;C g 表示磨齿工艺加工单个工件的成本;C ph 表示珩齿工艺加工单个工件的成本;C wg 表示单件工件齿轮材料成本;
滚齿工艺加工单个工件的成本C h 如下所示:
式中:C hm 为单位时间分摊的高速干切滚齿机床的折旧成本,C hl 为单位时间分摊的高速干切滚齿机床的人力成本,C he 为单位时间分摊的高速干切滚齿机床的电力成本,C ht0 为高速干切滚刀的购置成本,C h1为高速干切滚刀的重涂层成本,C h2为高速干切滚刀的重磨成本,k h 为滚刀可刃磨次数;N h 为滚齿工艺使用的滚刀在更换后可加工的齿轮个数;
磨齿工艺加工单个工件的成本C g 如下所示:
式中,C gm 为单位时间分摊的蜗杆砂轮磨齿机床的折旧成本,C gl 为单位时间分摊的蜗杆砂轮磨齿机床的人力成本,C ge 为单位时间分摊的蜗杆砂轮磨齿机床的电力成本,C gc 为单位时间分摊的蜗杆砂轮磨齿机床的切削液成本,C gt0 为蜗杆砂轮购置成本;N g 为磨齿工艺使用的砂轮在更换后可加工的齿轮个数;
珩齿工艺加工单个工件的成本C ph 如下所示:
式中,C phm 为单位时间分摊的内啮合强力珩齿机床的折旧成本,C phl 为单位时间分摊的内啮合强力珩齿机床的人力成本,C phe 为单位时间分摊的内啮合强力珩齿机床的电力成本,C phc 为单位时间分摊的内啮合强力珩齿机床的切削液成本;C pht0 为珩磨轮购置成本;N ph 为珩齿工艺使用的珩磨轮在更换后可加工的齿轮个数;
表面加工质量F如下所示:
式中,α1、α2、α3是权重函数;f α0、f β0、f p0是齿轮加工精度齿轮齿廓总偏差、齿轮螺旋线总偏差和齿距累计总偏差指标期望值;f α、f β、f p 是通过实际试验检测珩齿加工质量并采用方程进行拟合得到的拟合参数。
所述“滚-磨-珩”工艺优化模型的约束条件包括滚齿工艺加工过程约束、磨齿工艺加工过程约束、各齿轮工艺加工余量约束、滚齿工艺参数约束、磨齿工艺参数约束、珩齿工艺参数约束;
滚齿工艺加工过程约束如下所示:
式中,R gal 为左齿面粗糙度,R gar 为右齿面粗糙度;r h 为滚刀刀尖半径,R ha 为滚齿齿面粗糙度,R hamax 为可以进行下一道工艺加工所允许的最大滚齿齿面粗糙度;F chmax为保证加工精度的最大切削力;F ch 为滚齿工艺的切削力;𝜂 h 为电机功率系数,P eh 为保证额定电机功率;R gamax 为粗糙度上限;
磨齿工艺加工过程约束如下所示:
式中,d g0为砂轮直径,C b 为齿轮材料烧伤临界值;
各齿轮工艺加工余量约束如下所示:
式中,x 1min,x 2min,x 3min分别表示滚齿、磨齿、珩齿工艺所需的最小加工余量,x 1max,x 2max,x 3max分别表示滚齿、磨齿、珩齿工艺所需的最大加工余量;x为总加工余量;x r 为偏差;
滚齿工艺参数约束如下所示:
式中,v hmax 、v hmin 分别表示滚刀切削速度v h 的上下限;f hmax 、f hmin 分别表示滚刀轴向进给量f h 的上下限;d h0max 、d h0min 分别表示滚刀直径d h0的上下限;z h0max 、z h0min 分别表示滚刀头数z h0的上下限;
磨齿工艺参数约束如下所示:
式中,v gmax 、v gmin 分别表示砂轮切削速度v g 的上下限;f gmax 、f gmin 分别表示砂轮轴向进给量f g 的上下限;a gmax 、a gmin 分别表示砂轮切削深度a g 的上下限;
珩齿工艺参数约束如下所示:
式中,f phzmax 、f phzmin 分别表示珩磨轮Z轴进给量f phz 的上下限;f phxmax 、f phxmin 分别表示珩磨轮X轴进给量f phx 的上下限;n phmax 、n phmin 分别表示工件主轴转速n ph 的上下限;t phmax 、t phmin 分别表示无火花珩削循环时间t phs 的上下限;
所述“滚-磨-珩”工艺优化模型如下所示:
式中,T为总加工时间;C为总加工成本;F为最后一道工艺完成后的齿轮表面加工质量。
2)采用多目标蛇优化算法对“滚-磨-珩”工艺优化模型进行迭代求解,获得帕累托协同工艺参数解集;
采用多目标蛇优化算法对“滚-磨-珩”工艺优化模型进行迭代求解,获得帕累托协同工艺参数解集的步骤包括:
2.1)初始化“滚-磨-珩”协同工艺参数种群:
“滚-磨-珩”协同工艺参数种群表示为(a 1,a 2,…,a m),其中m为正整数,a i 为种群中第i个工艺参数,输入a i 的上下限分别记为a max 和a min ;
设定r为[0,1]之间的随机数,并根据“滚-磨-珩”工艺优化模型在数值范围[0,1]内对协同工艺参数种群进行随机初始化;
设定最大迭代次数it,迭代次数nu=0,档案库最大容量M;
随机抽取一个工艺参数赋给最优工艺参数E,抽选一个目标值赋给存档的最优目标值;
其中,种群中第i个工艺参数a i 如下所示:
2.2)对蛇种群进行性别分类,分类标准如下:
式中,N m 表示雄蛇数量,N f 表示雌蛇数量,γ为[0,1]之间的值;N为蛇总数;
2.3)判断当前迭代次数nu<it是否成立,若是,则进入步骤2.4),否则进入步骤2.9);
2.4)计算目标函数加工时间T、工艺成本C及齿轮表面质量F的目标值,寻找非支配解并将存入档案库中;
2.5)对存档库的存储容量进行判断:如果存档数量达到存档最大容量,则转至步骤2.6),否则转至步骤2.7);
2.6)利用贪婪策略保存当前最优解,对每个解都设定一个预定义的距离,计算该距离内解的数量来衡量对应的拥挤度;然后根据拥挤程度用轮盘赌的方法消除其中一个或多个解;
2.7)对种群更新时蛇的行为进行判断,根据不同行为阶段的计算公式更新种群;
对种群更新时蛇的行为进行判断,根据不同行为阶段的计算公式更新种群的步骤包括:
2.7.1)定义环境温度Temp和食物数量Q,即:
式中,c 1是常数;
2.7.2)根据环境温度Temp和食物数量Q的值判断蛇的行为阶段;
当食物数量Q<0.25时,蛇处于第一行为阶段,此时,蛇通过选择任何随机位置来搜索食物;
当食物数量Q≥0.25且环境温度Temp≥0.6时,蛇处于第二行为阶段,此时,蛇只会向食物移动;
当食物数量Q≥0.25且环境温度Temp<0.6时,蛇处于第三行为阶段,此时,蛇处于战斗模式或交配模式,战斗模式或交配模式的选择由rand的值决定,rand>0.5则为战斗模式,否则为交配模式。
当蛇处于第一行为阶段时,雄蛇位置更新如下:
式中,a i,m 为第i个雄蛇位置;a rand,m 为随机雄蛇的位置;rand是一个介于0和1之间的随机数;c 2是常数;
雄蛇寻找食物的能力A m 如下所示:
式中,f rand,m 是a rand,m 的适应度,f i,m 是第i个雄性的适应度;
当蛇处于第一行为阶段时,雌蛇位置更新如下:
式中,a i,f 为第i个雌蛇位置,a rand,f 为随机雌蛇的位置;rand是一个介于0和1之间的随机数;
雌蛇寻找食物的能力A f 如下所示:
式中,f rand,f 是a rand,f 的适应度,f i,f 是第i个雄蛇的适应度。
当蛇处于第二行为阶段时,第i个雌蛇或雄蛇的位置如下所示:
式中,a i,j 指第i个雌蛇或雄蛇的位置;a food 指最佳蛇的位置,c 3为常数。
当蛇处于第三行为阶段且蛇处于战斗模式时,雄蛇位置更新如下:
式中,a i,m 指第i个雄性位置;a best,f 是种群中最优雌蛇位置;
雄蛇的战斗能力FM如下所示:
式中,f best,f 是种群中最优雌蛇位置的适应度,f i 是代理适应度;
当蛇处于第三行为阶段且蛇处于战斗模式时,雌蛇位置更新如下:
式中:a i,f 指第i个雌性位置;a best,m 是种群中最优雄蛇位置;
雌蛇的战斗能力FF如下所示:
式中:f best,m 是种群中最优雄蛇位置的适应度;
当蛇处于第三行为阶段且蛇处于交配模式时, 雄蛇位置更新如下:
其中,雄蛇的交配能力MM如下所示:
当蛇处于第三行为阶段且蛇处于交配模式时,雌蛇位置更新如下:
雌蛇的交配能力MF如下所示:
式中,f best,m 是种群中最优雄蛇位置的适应度;
当蛇处于第三行为阶段且蛇处于交配模式时,若有蛇的后代产生,则后代将按照性别代替最差的雄性与雌性,代替标准如下:
式中,a worst,m 是种群中最差的雄蛇位置,a worst,f 是种群中最差的雌蛇位置。
2.8)对最优协同工艺参数进行更新:
更新协同工艺参数种群,nu=nu+1,然后转至步骤2.2.3;
2.9)输出档案库存储的协同工艺参数种群值以及目标函数的目标值。
3)基于熵权-TOPSIS决策方法对帕累托协同工艺参数解集进行评价和排序,得出最优工艺参数。
基于熵权-TOPSIS决策方法对帕累托协同工艺参数解集进行评价和排序的步骤包括:
3.3)计算标准化决策矩阵Y中第i个解第j项指标的比重,得到各指标的权重矩阵Z,并根据权重矩阵Z计算得到指标信息熵e j ,即:
式中,k为常数;Z ij 为权重矩阵Z中的元素;
3.4)利用指标信息熵计算指标权重W j ,即:
3.6)计算每个评价对象的正理想解S + 和负理想解S - ,即每个评价指标的最大值和最小值,计算公式如下:
3.7)计算每个评价指标距离正理想解的欧式距离D i +和负理想解的欧式距离D i -,即:
3.9)根据获得的贴近度,对工艺参数解集进行排序,得到最佳的“滚-磨-珩”协同工艺参数解,完成“滚-磨-珩”协同工艺参数的多指标评价与决策。
本发明的技术效果是毋庸置疑的,本发明能够基于多目标蛇算法的快速寻优能力,对“滚-磨-珩”齿轮加工工艺中的工艺参数和加工余量进行同时优化,并基于熵权-TOPSIS模型对获得的帕累托工艺参数解集进行评价和决策,为生产企业提供直接可靠的工艺参数方案,与传统依靠经验来决策工艺参数相比更加科学和实用。
本发明选取“滚-磨-珩”工艺总的加工时间、加工成本及齿轮加工质量作为目标函数建立多目标优化模型,然后基于多目标蛇算法进行迭代寻优,获得帕累托工艺参数解。接着基于熵权-TOPSIS模型对协同工艺参数解集进行评价和排序,最终得到评价后的“滚-磨-珩”多工艺参数解决方案,用于指导新能源汽车高速齿轮加工。多目标蛇算法作为一种新兴的启发式算法,迭代速度快,寻优能力强,能快速寻找到性能较优的帕累托工艺参数解集,基于熵权-TOPSIS模型对获取的帕累托工艺参数解集进行评价和决策,从而得到最佳的新能源汽车高速齿轮加工工艺参数解决方案。综合利用这两种方法,能够解决多优化目标、多工艺参数的新能源汽车高速齿轮加工工艺协同优化问题,进而解决现有的工艺参数优化方法仅集中在单道工序优化,不考虑加工余量分配造成生产节拍不一致降低生产效率等问题。
附图说明
图1为本发明流程图;
图2为本发明利用多目标蛇算法进行迭代寻优的流程图;
图3为本发明基于熵权-TOPSIS模型进行评价与决策的流程图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1至图3,一种“滚-磨-珩”多工艺参数协同优化与决策方法,包括以下步骤。
1)根据汽车高速齿轮加工过程中齿轮加工工艺的特性,选择待优化的工艺参数变量,并构建“滚-磨-珩”工艺优化模型;
所述待优化的工艺参数变量包括滚齿工艺的工艺参数、磨齿工艺的工艺参数和珩齿工艺的工艺参数;
所述滚齿工艺的工艺参数包括滚刀切削速度v h 、滚刀轴向进给量f h 、滚刀直径d h0、滚刀头数z h0、滚齿加工余量x 1;
所述磨齿工艺的工艺参数包括砂轮切削速度v g 、砂轮轴向进给量f g 、砂轮切削深度a g 、磨齿加工余量x 2;
所述珩齿工艺的工艺参数包括工件主轴转速n ph 、珩磨轮X轴进给量f phx 、珩磨轮Z轴进给量f phz 、无火花珩削循环时间t phs 、珩齿加工余量x 3。
所述“滚-磨-珩”工艺优化模型的优化目标包括滚齿加工工艺、磨齿加工工艺、珩齿加工工艺的总加工时间T、总加工成本C以及最后一道工艺完成后的齿轮表面加工质量F;
其中,总加工时间T如下所示:
式中,T h 表示滚齿工艺所需时间;T g 表示磨齿工艺所需时间;T ph 表示珩齿工艺所需时间;
其中,滚齿工艺所需时间T h 、磨齿工艺所需时间T g 、珩齿工艺所需时间T ph 分别如下所示:
式中,t hba 、t gba 、t phba 分别表示滚齿工艺、磨齿工艺、珩齿工艺的基本加工时间;t hau 、t gau 、t phau 分别表示滚齿工艺、磨齿工艺、珩齿工艺的辅助加工时间;t hc 、t gc 、t phc 分别表示滚齿工艺、磨齿工艺、珩齿工艺的换刀或修整所用时间;N h0,N g0,N ph0分别表示滚齿工艺、磨齿工艺、珩齿工艺使用的滚刀、砂轮、珩磨轮在修整后可加工的齿轮个数;
其中,基本加工时间t hba 、基本加工时间t gba 、基本加工时间t phba 分别如下所示:
式中,d g 为砂轮直径,B为工件齿轮宽度;C T 为干切滚刀的接近行程;U e 为干切滚刀的接近安全允量;U a 为干切滚刀的退出安全允量;O T 为干切滚刀的超越行程;z 0为干切滚刀的滚刀头数;z 1为工件齿轮齿数;d ha0 为干切滚刀的滚刀外径;a g 为砂轮切削深度;
其中,干切滚刀的接近行程C T 和干切滚刀的超越行程O T 分别如下所示:
式中,d ha1 为工件齿轮齿顶圆直径;𝛿为干切滚刀的滚刀安装角;𝛼为工件齿轮压力角;m n 为工件齿轮法向模数;x 1为滚齿加工余量。
总加工成本C如下所示:
式中,C h 表示滚齿工艺加工单个工件的成本;C g 表示磨齿工艺加工单个工件的成本;C ph 表示珩齿工艺加工单个工件的成本;C wg 表示单件工件齿轮材料成本;
滚齿工艺加工单个工件的成本C h 如下所示:
式中:C hm 为单位时间分摊的高速干切滚齿机床的折旧成本,C hl 为单位时间分摊的高速干切滚齿机床的人力成本,C he 为单位时间分摊的高速干切滚齿机床的电力成本,C ht0 为高速干切滚刀的购置成本,C h1为高速干切滚刀的重涂层成本,C h2为高速干切滚刀的重磨成本,k h 为滚刀可刃磨次数;N h 为滚齿工艺使用的滚刀在更换后可加工的齿轮个数;
其中,滚齿工艺使用的滚刀在更换后可加工的齿轮个数N h 如下所示:
磨齿工艺加工单个工件的成本C g 如下所示:
式中,C gm 为单位时间分摊的蜗杆砂轮磨齿机床的折旧成本,C gl 为单位时间分摊的蜗杆砂轮磨齿机床的人力成本,C ge 为单位时间分摊的蜗杆砂轮磨齿机床的电力成本,C gc 为单位时间分摊的蜗杆砂轮磨齿机床的切削液成本,C gt0 为蜗杆砂轮购置成本;N g 为磨齿工艺使用的砂轮在更换后可加工的齿轮个数;
珩齿工艺加工单个工件的成本C ph 如下所示:
式中,C phm 为单位时间分摊的内啮合强力珩齿机床的折旧成本,C phl 为单位时间分摊的内啮合强力珩齿机床的人力成本,C phe 为单位时间分摊的内啮合强力珩齿机床的电力成本,C phc 为单位时间分摊的内啮合强力珩齿机床的切削液成本;C pht0 为珩磨轮购置成本;N ph 为珩齿工艺使用的珩磨轮在更换后可加工的齿轮个数;
表面加工质量F如下所示:
式中,α1、α2、α3是权重函数;f α0、f β0、f p0是齿轮加工精度齿轮齿廓总偏差、齿轮螺旋线总偏差和齿距累计总偏差指标期望值;f α、f β、f p 是通过实际试验检测珩齿加工质量并采用方程进行拟合得到的拟合参数。
所述“滚-磨-珩”工艺优化模型的约束条件包括滚齿工艺加工过程约束、磨齿工艺加工过程约束、各齿轮工艺加工余量约束、滚齿工艺参数约束、磨齿工艺参数约束、珩齿工艺参数约束;
滚齿工艺加工过程约束如下所示:
式中,R gal 为左齿面粗糙度,R gar 为右齿面粗糙度;r h 为滚刀刀尖半径,R ha 为滚齿齿面粗糙度,R hamax 为可以进行下一道工艺加工所允许的最大滚齿齿面粗糙度;F chmax为保证加工精度的最大切削力;F ch 为滚齿工艺的切削力;𝜂 h 为电机功率系数,P eh 为保证额定电机功率。R gamax 为粗糙度上限;
磨齿工艺加工过程约束如下所示:
式中,d g0为砂轮直径,C b 为齿轮材料烧伤临界值;
各齿轮工艺加工余量约束如下所示:
式中,x 1min,x 2min,x 3min分别表示滚齿、磨齿、珩齿工艺所需的最小加工余量,x 1max,x 2max,x 3max分别表示滚齿、磨齿、珩齿工艺所需的最大加工余量;x为总加工余量;x r 为偏差;
滚齿工艺参数约束如下所示:
磨齿工艺参数约束如下所示:
珩齿工艺参数约束如下所示:
所述“滚-磨-珩”工艺优化模型如下所示:
式中,T为总加工时间;C为总加工成本;F为最后一道工艺完成后的齿轮表面加工质量F。
2)采用多目标蛇优化算法对“滚-磨-珩”工艺优化模型进行迭代求解,获得帕累托协同工艺参数解集;
采用多目标蛇优化算法对“滚-磨-珩”工艺优化模型进行迭代求解,获得帕累托协同工艺参数解集的步骤包括:
2.1)初始化“滚-磨-珩”协同工艺参数种群:
“滚-磨-珩”协同工艺参数种群表示为(a 1,a 2,…,a m),其中m为正整数,a i 为种群中第i个工艺参数,输入a i 的上下限分别记为a max 和a min ;
设定r为[0,1]之间的随机数,并根据“滚-磨-珩”工艺优化模型在数值范围[0,1]内对协同工艺参数种群进行随机初始化;
设定最大迭代次数it,迭代次数nu=0,档案库最大容量M;
随机抽取一个工艺参数赋给最优工艺参数E,抽选一个目标值赋给存档的最优目标值;
其中,种群中第i个工艺参数a i 如下所示:
2.2)对蛇种群进行性别分类,分类标准如下:
式中,N m 表示雄蛇数量,N f 表示雌蛇数量,γ为[0,1]之间的值;N为蛇总数;
2.3)判断当前迭代次数nu<it是否成立,若是,则进入步骤2.4),否则进入步骤2.9);
2.4)计算目标函数加工时间T、工艺成本C及齿轮表面质量F的目标值,寻找非支配解并将存入档案库中;
2.5)对存档库的存储容量进行判断:如果存档数量达到存档最大容量,则转至步骤2.6),否则转至步骤2.7);
2.6)利用贪婪策略保存当前最优解,对每个解都设定一个预定义的距离,计算该距离内解的数量来衡量对应的拥挤度;然后根据拥挤程度用轮盘赌的方法消除其中一个或多个解;
2.7)对种群更新时蛇的行为进行判断,根据不同行为阶段的计算公式更新种群;
对种群更新时蛇的行为进行判断,根据不同行为阶段的计算公式更新种群的步骤包括:
2.7.1)定义环境温度Temp和食物数量Q,即:
式中,c 1是常数;
2.7.2)根据环境温度Temp和食物数量Q的值判断蛇的行为阶段;
当食物数量Q<0.25时,蛇处于第一行为阶段,此时,蛇通过选择任何随机位置来搜索食物;
当食物数量Q≥0.25且环境温度Temp≥0.6时,蛇处于第二行为阶段,此时,蛇只会向食物移动;
当食物数量Q≥0.25且环境温度Temp<0.6时,蛇处于第三行为阶段,此时,蛇处于战斗模式或交配模式,战斗模式或交配模式的选择由rand的值决定,rand>0.5则为战斗模式,否则为交配模式。
当蛇处于第一行为阶段时,雄蛇位置更新如下:
式中,a i,m 为第i个雄蛇位置;a rand,m 为随机雄蛇的位置;rand是一个介于0和1之间的随机数;c 2是常数;
雄蛇寻找食物的能力A m 如下所示:
式中,f rand,m 是a rand,m 的适应度,f i,m 是第i个雄性的适应度;
当蛇处于第一行为阶段时,雌蛇位置更新如下:
式中,a i,f 为第i个雌蛇位置,a rand,f 为随机雌蛇的位置;rand是一个介于0和1之间的随机数;
雌蛇寻找食物的能力A f 如下所示:
式中,f rand,f 是a rand,f 的适应度,f i,f 是第i个雄性的适应度;
当蛇处于第二行为阶段时,第i个雌蛇或雄蛇的位置如下所示:
式中,a i,j 指第i个雌性或雄性的位置;a food 指最佳蛇的位置,c 3为常数;
当蛇处于第三行为阶段且蛇处于战斗模式时,雄蛇位置更新如下:
式中,a i,m 指第i个雄性位置;a best,f 是种群中最优雌蛇位置;
雄蛇的战斗能力FM如下所示:
式中,f best,f 是种群中最优雌蛇位置的适应度,f i 是代理适应度。
当蛇处于第三行为阶段且蛇处于战斗模式时,雌蛇位置更新如下:
式中:a i,f 指第i个雌性位置;a best,m 是种群中最优雄蛇位置;
雌蛇的战斗能力FF如下所示:
式中:f best,m 是种群中最优雄蛇位置的适应度。
当蛇处于第三行为阶段且蛇处于交配模式时, 雄蛇位置更新如下:
其中,雄蛇的交配能力MM如下所示:
当蛇处于第三行为阶段且蛇处于交配模式时,雌蛇位置更新如下:
雌蛇的交配能力MF如下所示:
(37)
式中,f best,m 是种群中最优雄蛇位置的适应度;
当蛇处于第三行为阶段且蛇处于交配模式时,若有蛇的后代产生,则后代将按照性别代替最差的雄性与雌性,代替标准如下:
式中,a worst,m 是种群中最差的雄蛇位置,a worst,f 是种群中最差的雌蛇位置。
2.8)对最优协同工艺参数进行更新:
更新协同工艺参数种群,nu=nu+1,然后转至步骤2.3);
2.9)输出档案库存储的协同工艺参数种群值以及目标函数的目标值。
3)基于熵权-TOPSIS决策方法对帕累托协同工艺参数解集进行评价和排序,得出最优工艺参数。
基于熵权-TOPSIS决策方法对帕累托协同工艺参数解集进行评价和排序的步骤包括:
3.3)计算标准化决策矩阵Y中第i个解第j项指标的比重,得到各指标的权重矩阵Z,并根据权重矩阵Z计算得到指标信息熵e j ,即:
式中,k为常数;Z ij 为权重矩阵Z中的元素;
3.4)利用指标信息熵计算指标权重W j ,即:
3.6)计算每个评价对象的正理想解S + 和负理想解S - ,即每个评价指标的最大值和最小值,计算公式如下:
3.7)计算每个评价指标距离正理想解的欧式距离D i +和负理想解的欧式距离D i -,即:
3.9)根据获得的贴近度,对工艺参数解集进行排序,得到最佳的“滚-磨-珩”协同工艺参数解,完成“滚-磨-珩”协同工艺参数的多指标评价与决策。
实施例2:
参见图1至图3,一种“滚-磨-珩”多工艺参数协同优化与决策方法,用于指导新能源汽车高速齿轮加工。
以某齿轮制造企业的某新能源汽车高速齿轮加工为例,部分相关齿轮工件参数及机床参数如表1所示:
表1 部分齿轮工件参数及机床性能参数
工件参数 | 数值 | 滚齿参数 | 数值 | 磨齿参数 | 数值 | 珩齿参数 | 数值 |
齿轮齿数z 1 | 37 | 滚刀外径d ha0/mm | 80 | 砂轮头数z 0 | 4 | 珩磨轮齿数z ph | 113 |
齿轮压力角𝛼/° | 20 | 滚刀长度/mm | 180 | 砂轮直径d g /mm | 160 | 珩磨轮宽度B ph /mm | 34 |
齿轮螺旋角β/° | 28 | 滚刀槽数 | 17 | 砂轮长度/mm | 248.36 | 珩磨螺旋角/° | 28.182 |
齿轮宽度B/mm | 25 | 滚刀模数/mm | 2.5 | 砂轮模数/mm | 2.5 | 珩磨轮模数/mm | 2.5 |
模数m n /mm | 2.5 | 滚刀涂层 | AP涂层 | 砂轮材料 | CBN | 珩磨轮材料 | 微晶刚玉 |
齿顶高系数ha* | 1 | 滚齿机床单价/万元 | 150 | 磨齿机床单价/万元 | 300 | 珩齿机床单价/万元 | 1000 |
顶隙系数c* | 0.25 | 滚齿机床寿命/年 | 10(8h/天) | 磨齿机床寿命/年 | 10(8h/天) | 珩齿机床寿命/年 | 10(8h/天) |
如图1所示的方法包括以下步骤:
步骤1:针对新能源汽车高速齿轮加工过程中所使用的滚齿、磨齿、珩齿三种齿轮加工工艺的特性,同时选择三种工艺的工艺参数作为待优化的工艺参数变量,构建“滚-磨-珩”工艺优化模型。其目标函数包括三种工艺总加工时间T、总加工成本C以及最后一道工艺完成后的齿轮表面加工质量F。
步骤2:采用多目标蛇优化算法对“滚-磨-珩”多工艺参数多目标优化模型进行迭代求解,获得帕累托协同工艺参数解集。
步骤3:基于熵权-TOPSIS决策方法对步骤2中获得的帕累托协同工艺参数解集进行评价和排序,得出最优解,便于生产决策。
在本实施例中,所述步骤1中优化模型选取的工艺参数及目标函数具体为:
滚齿工艺以滚刀切削速度v h 、滚刀轴向进给量f h 、滚刀直径d h0、滚刀头数z h0以及滚齿加工余量x 1作为待优化工艺参数变量;
磨齿工艺以砂轮切削速度v g 、砂轮轴向进给量f g 、砂轮切削深度a g 以及磨齿加工余量x 2作为待优化工艺参数变量;
珩齿工艺以工件主轴转速n ph 、珩磨轮X轴进给量f phx 、珩磨轮Z轴进给量f phz 、无火花珩削循环时间t phs 以及珩齿加工余量x 3作为待优化工艺参数变量;
目标函数中总加工时间T由下式计算:
式中:T h 表示滚齿工艺所需时间,T g 表示磨齿工艺所需时间,T ph 表示珩齿工艺所需时间,前述时间分别由下式计算:
式中:t hba ,t gba ,t phba 表示“滚-磨-珩”工艺各基本加工时间,t hau ,t gau ,t phau 表示“滚-磨-珩”工艺各辅助时间,t hc ,t gc ,t phc 表示“滚-磨-珩”工艺换刀或修整所用时间,N h ,N g0,N ph0表示“滚-磨-珩”工艺所使用的滚刀、砂轮、珩磨轮每次换刀或修整后可加工的齿轮个数。
滚齿工艺中通常采用单齿切削长度对滚刀寿命进行表示,每件齿轮加工时间中的换刀时间可以转换为换刀时间与滚刀单次刃磨时间可加工的齿轮个数比值进行计算,可加工齿轮个数N h 由下式计算:
企业在实际加工中,通常根据加工齿轮的个数设定砂轮、珩磨轮的修整间隔时间与更换间隔时间。本实施例中将砂轮修整间隔时间设定为每N g0个齿轮一次,更换间隔时间设定为每N g 个齿轮一次,珩磨轮修整间隔时间设定为每N ph0个齿轮一次,更换间隔时间设定为每N ph 个齿轮一次。
总加工成本C由下式计算:
式中:C h 表示滚齿工艺加工单个工件的成本,C g 表示磨齿工艺加工单个工件的成本,C ph 表示珩齿工艺加工单个工件的成本,C wg 表示单件工件齿轮材料成本。
表面加工质量F由“滚-磨-珩”的最后一道工艺珩齿决定,采用珩齿加工后的齿轮齿廓总偏差f α、齿轮螺旋线总偏差f β和齿距累计总偏差f p 等三个变量进行表示如下式所示:
上式中,α1、α2、α3是根据被加工齿轮使用场景对不同误差要求所设定权重函数;f α0、f β0、f p0是根据国际标准ISO1328-1:1995中根据不同精度等级所确定的齿轮加工精度齿轮齿廓总偏差、齿轮螺旋线总偏差和齿距累计总偏差指标期望值;f α、f β、f p 通过实际试验检测珩齿加工质量并采用方程进行拟合得到。
本实施例中,α1、α2、α3均为1,f α0、f β0、f p0为ISO5级精度对应值,f α、f β、f p 通过实际试验检测珩齿加工质量并采用方程进行拟合,三者可以用以下通用表达式表示:
式中:f i 为齿面误差,ε i 为附加常数,𝜉 mn 为工艺参数及工艺参数的交互作用所对应的影响系数。
对于滚齿工艺而言:加工时间t hba 由下式计算:
式中:C T 为干切滚刀的接近行程,U e 为干切滚刀的接近安全允量,B为工件齿轮宽度,U a 为干切滚刀的退出安全允量,O T 为干切滚刀的超越行程,U e 和U a 在本实施例中取2 mm,z 0为干切滚刀的滚刀头数,z 1为工件齿轮齿数,d ha0 为干切滚刀的滚刀外径。C T 和O T 由下式计算:
式中:d ha1 为工件齿轮齿顶圆直径,𝛿为干切滚刀的滚刀安装角,𝛼为工件齿轮压力角,m n 为工件齿轮法向模数,x 1为滚齿加工余量。
加工单个工件的成本C h 由下式计算:
式中:C hm 为单位时间分摊的高速干切滚齿机床的折旧成本,C hl 为单位时间分摊的高速干切滚齿机床的人力成本,C he 为单位时间分摊的高速干切滚齿机床的电力成本,C ht0 为高速干切滚刀的购置成本,C h1为高速干切滚刀的重涂层成本,C h2为高速干切滚刀的重磨成本,k h 为滚刀可刃磨次数。
对于磨齿工艺而言:加工时间t gba 由下式计算:
式中:d g 为砂轮直径,B为工件齿轮宽度。
加工单个工件的成本C g 由下式计算:
式中:C gm 为单位时间分摊的蜗杆砂轮磨齿机床的折旧成本,C gl 为单位时间分摊的蜗杆砂轮磨齿机床的人力成本,C ge 为单位时间分摊的蜗杆砂轮磨齿机床的电力成本,C phc 为单位时间分摊的内啮合强力珩齿机床的切削液成本,C gt0 为蜗杆砂轮购置成本。
对于珩齿工艺而言:加工时间t phba 由下式计算:
加工单个工件的成本C ph 由下式计算:
式中:C phm 为单位时间分摊的内啮合强力珩齿机床的折旧成本,C phl 为单位时间分摊的内啮合强力珩齿机床的人力成本,C phe 为单位时间分摊的内啮合强力珩齿机床的电力成本,C phc 为单位时间分摊的内啮合强力珩齿机床的切削液成本,C pht0 为珩磨轮购置成本。
在本实施例中,所述步骤1中优化模型的约束条件包括:
滚齿工艺的精度要求:
式中:r h 为滚刀刀尖半径,R ha 为滚齿齿面粗糙度,R hamax 为可以进行下一道工艺加工所允许的最大滚齿齿面粗糙度,在本实施例中取1.6。
滚齿工艺的切削力要求:
式中:F chmax为保证加工精度的最大切削力。
滚齿工艺的功率要求:
式中:𝜂 h 为电机功率系数,P eh 为保证额定电机功率。
磨齿工艺的精度要求为左右齿面的表面粗糙度,通过实际试验检测磨齿加工质量并采用方程进行拟合得到,可用下式表示:
式中:R gal 为左齿面粗糙度,R gar 为右齿面粗糙度。
本实施例中左右齿面的表面粗糙度用以下表达式表征:
式中:ε i 为附加常数,λ li 与λ ri 为工艺参数及工艺参数的交互作用所对应的影响系数。
磨齿工艺为了保证加工过程中齿轮不被烧伤,需满足:
式中:d g0为砂轮直径,C b 为齿轮材料烧伤临界值。
设齿轮从毛坯到成品的总加工余量为x,滚齿后的热处理工艺造成了x r 的偏差,则各齿轮工艺加工余量满足:
式中:x 1min,x 2min,x 3min分别表示滚齿、磨齿、珩齿工艺所需的最小加工余量,x 1max,x 2max,x 3max分别表示滚齿、磨齿、珩齿工艺所需的最大加工余量。
同时由机床自身特性各工艺参数存在着上下限:
滚齿工艺参数满足:
磨齿工艺参数满足:
珩齿工艺参数满足:
综上所述,优化模型可以用下式表示:
如图2,采用多目标蛇算法对工艺参数变量进行迭代寻优时的步骤包括:
步骤2.1:初始化“滚-磨-珩”协同工艺参数种群:
“滚-磨-珩”协同工艺参数种群表示为(a 1,a 2,…,a m),其中m为正整数,a i 为种群中第i个工艺参数,输入a i 取值上下限a max 和a min ,设r为[0,1]之间的随机数采用式22在数值范围内对协同工艺参数种群进行随机初始化,设定最大迭代次数it,迭代次数nu=0,档案库最大容量M,随机抽取一个工艺参数赋给最优工艺参数E,抽选一个目标值赋给存档的最优目标值;
步骤2.2:对蛇种群进行性别分类,如下式所示:
式中:N m 表示雄蛇数量,N f 表示雌蛇数量,γ为[0,1]之间的值,根据具体情况确定,
本实施例中最大迭代次数it为300,档案库最大容量M为150,γ取0.5。
步骤2.3:对迭代的结束条件进行判断:
如果nu<it,转至步骤2.4,否则转至步骤2.9。
步骤2.4:计算目标函数加工时间T、工艺成本C及齿轮表面质量F的目标值,寻找非支配解并将存入档案库中;
步骤2.5:对存档库的存储容量进行判断:
如果存档数量达到存档最大容量,转至步骤2.6,否则转至步骤2.7;
步骤2.6:利用贪婪策略保存当前最优解,通过对每个解都考虑一个预定义的距离,计算该距离内解的数量来衡量其各自的拥挤度。然后根据拥挤程度用轮盘赌的方法选择其中一个待消除的解。
步骤2.7:对种群更新时蛇的行为进行判断,根据不同行为阶段的计算公式更新种群:
步骤2.8:对最优协同工艺参数进行更新:
更新协同工艺参数种群,nu=nu+1,然后转至步骤2.3;
步骤2.9:输出档案库存储的协同工艺参数种群值以及目标函数的目标值。
采用多目标蛇算法对工艺参数变量进行迭代寻优时的步骤2.7具体包括:
步骤2.7.1:首先定义环境温度Temp和食物数量Q:
式中:c 1是常数,其值为0.5。
步骤2.7.2:如果Q<0.25,蛇通过选择任何随机位置来搜索食物,并更新它们的位置,否则转至步骤2.7.3;
雄蛇位置更新:
式中:a i,m 指第i个雄性位置,a rand,m 指随机雄性的位置,rand是一个介于0和1之间的随机数,c 2是常数,其值为0.05并且雄性寻找食物的能力A m 由下式计算:
式中:f rand,m 是a rand,m 的适应度,f i,m 是第i个雄性的适应度。
雌蛇位置更新:
式中:a i,f 指第i个雌性位置,a rand,f 指随机雌性的位置,rand是一个介于0和1之间的随机数,雌性寻找食物的能力A f 由下式计算:
式中:f rand,f 是a rand,f 的适应度,f i,f 是第i个雄性的适应度。
步骤2.7.3:如果Q≥0.25且Temp≥0.6,蛇只会向食物移动。否则转至步骤2.7.4;
式中: a i,j 指第i个雌性或雄性的位置;a food 指最佳蛇的位置,c 3为常数,其值为2。
步骤2.7.4:如果Q≥0.25且Temp<0.6,蛇将处于战斗模式或交配模式,战斗模式或交配模式的选择由rand的值决定,rand>0.5则为战斗模式,否则为交配模式。
本实施例中,所述步骤2中采用多目标蛇算法对工艺参数变量进行迭代寻优时的步骤2.7.4中战斗模式及交配模式位置更新具体包括:
战斗模式下:雄蛇位置更新:
式中:a i,m 指第i个雄性位置,a best,f 是种群中最好的雌蛇位置,FM是雄蛇的战斗能力由下式计算:
式中:f best,f 是种群中最好的雌蛇位置的适应度,f i 是代理适应度。
雌蛇位置更新:
式中:a i,f 指第i个雌性位置,a best,m 是种群中最好的雄蛇位置,FF是雌蛇的战斗能力由下式计算:
式中:f best,m 是种群中最好的雄蛇位置的适应度。
交配模式下:雄蛇位置更新:
式中:MM是雄蛇的交配能力由下式计算:
式中:f best,f 是种群中最好的雌蛇位置的适应度,f i 是代理适应度。
雌蛇位置更新:
式中:MF是雌蛇的交配能力由下式计算:
式中:f best,m 是种群中最好的雄蛇位置的适应度。
如果有蛇的后代产生,那么后代将按照性别代替最差的雄性与雌性:
式中:a worst,m 是种群中最差的雄蛇位置,a worst,f 是种群中最差的雌蛇位置。
本实施例中,所述步骤3如图3所示包括以下具体步骤:
步骤3.3:计算标准化决策矩阵Y中第i个解第j项指标的比重,得到各指标的权重矩阵Z,然后计算指标信息熵e j ,具体计算公式如下:
式中:k为常数,k=1/lnm;
步骤3.4:利用指标信息熵计算指标权重W j :
步骤3.7:计算每个评价指标距离正理想解和负理想解的欧式距离,分别记作D i +和D i -:
步骤3.9:根据获得的贴近度,对工艺参数解集进行排序,得到最佳的“滚-磨-珩”协同工艺参数解,完成“滚-磨-珩”协同工艺参数的多指标评价与决策过程。
根据多目标蛇算法获得的工艺参数解集如表2所示:
表2 工艺参数解集
基于步骤3和表2获得多属性决策后的工艺参数方案排序方案如表3所示:
表3 工艺参数方案排序方案
可以看出当以加工时间、加工成本及加工齿轮表面质量综合最优时应选择P1方案对应工艺参数解{3 80 900 1.42 5.625 63.00 119.93 0.054 0.125 4308 274 0.0065.0 0.025}为最优解。当以加工时间为首要目标时应选择P1方案,以加工成本为首要目标时仍应选择P1方案,以加工齿轮表面质量时应选择P11方案对应工艺参数解为{3 78 8301.40 5.625 63.00 118.51 0.055 0.125 4000 600 0.001 5.0 0.025}。
从结果数据可知,本发明方法能够对“滚-磨-珩”三种工艺参数同时进行优化,得到多组工艺参数解集,提出的多目标蛇算法收敛速度快,能够快速找到最优解,使用的熵权-TOPSIS决策方法可以较好的对优化后的工艺参数解进行多属性决策,为企业工艺人员提供了加工方案的多样性,满足了加工生产的实际需求,同时能有效降低新能源汽车高速齿轮加工的成本并提高生产节拍,对企业效益有着促进作用。
Claims (10)
1.一种“滚-磨-珩”多工艺参数协同优化与决策方法,其特征在于,包括以下步骤:
1)根据汽车高速齿轮加工过程中齿轮加工工艺的特性,选择待优化的工艺参数变量,并构建所述“滚-磨-珩”工艺优化模型;
2)采用多目标蛇优化算法对“滚-磨-珩”工艺优化模型进行迭代求解,获得帕累托协同工艺参数解集;
3)基于熵权-TOPSIS决策方法对帕累托协同工艺参数解集进行评价和排序,得出最优工艺参数。
2.根据权利要求1所述的一种“滚-磨-珩”多工艺参数协同优化与决策方法,其特征在于,所述待优化的工艺参数变量包括滚齿工艺的工艺参数、磨齿工艺的工艺参数和珩齿工艺的工艺参数;
所述滚齿工艺的工艺参数包括滚刀切削速度v h 、滚刀轴向进给量f h 、滚刀直径d h0、滚刀头数z h0、滚齿加工余量x 1;
所述磨齿工艺的工艺参数包括砂轮切削速度v g 、砂轮轴向进给量f g 、砂轮切削深度a g 、磨齿加工余量x 2;
所述珩齿工艺的工艺参数包括工件主轴转速n ph 、珩磨轮X轴进给量f phx 、珩磨轮Z轴进给量f phz 、无火花珩削循环时间t phs 、珩齿加工余量x 3。
3.根据权利要求1所述的一种“滚-磨-珩”多工艺参数协同优化与决策方法,其特征在于,所述“滚-磨-珩”工艺优化模型的优化目标包括滚齿加工工艺、磨齿加工工艺、珩齿加工工艺的总加工时间T、总加工成本C以及最后一道工艺完成后的齿轮表面加工质量F;
其中,总加工时间T如下所示:
式中,T h 表示滚齿工艺所需时间;T g 表示磨齿工艺所需时间;T ph 表示珩齿工艺所需时间;
其中,滚齿工艺所需时间T h 、磨齿工艺所需时间T g 、珩齿工艺所需时间T ph 分别如下所示:
式中,t hba 、t gba 、t phba 分别表示滚齿工艺、磨齿工艺、珩齿工艺的基本加工时间;t hau 、t gau 、t phau 分别表示滚齿工艺、磨齿工艺、珩齿工艺的辅助加工时间;t hc 、t gc 、t phc 分别表示滚齿工艺、磨齿工艺、珩齿工艺的换刀或修整所用时间;N h0,N g0,N ph0分别表示滚齿工艺、磨齿工艺、珩齿工艺使用的滚刀、砂轮、珩磨轮在修整后可加工的齿轮个数;
其中,基本加工时间t hba 、基本加工时间t gba 、基本加工时间t phba 分别如下所示:
式中,d g 为砂轮直径,B为工件齿轮宽度;C T 为干切滚刀的接近行程;U e 为干切滚刀的接近安全允量;U a 为干切滚刀的退出安全允量;O T 为干切滚刀的超越行程;z 0为干切滚刀的滚刀头数;z 1为工件齿轮齿数;d ha0 为干切滚刀的滚刀外径;a g 为砂轮切削深度;
其中,干切滚刀的接近行程C T 和干切滚刀的超越行程O T 分别如下所示:
式中,d ha1 为工件齿轮齿顶圆直径;𝛿为干切滚刀的滚刀安装角;𝛼为工件齿轮压力角;m n 为工件齿轮法向模数;x 1为滚齿加工余量;
总加工成本C如下所示:
式中,C h 表示滚齿工艺单件成本;C g 表示磨齿工艺加工单个工件的成本;C ph 表示珩齿工艺加工单个工件的成本;C wg 表示单件工件齿轮材料成本;
滚齿工艺加工单个工件的成本C h 如下所示:
式中:C hm 为单位时间分摊的高速干切滚齿机床的折旧成本,C hl 为单位时间分摊的高速干切滚齿机床的人力成本,C he 为单位时间分摊的高速干切滚齿机床的电力成本,C ht0 为高速干切滚刀的购置成本,C h1为高速干切滚刀的重涂层成本,C h2为高速干切滚刀的重磨成本,k h 为滚刀可刃磨次数;N h 为滚齿工艺使用的滚刀在更换后可加工的齿轮个数;
磨齿工艺加工单个工件的成本C g 如下所示:
式中,C gm 为单位时间分摊的蜗杆砂轮磨齿机床的折旧成本,C gl 为单位时间分摊的蜗杆砂轮磨齿机床的人力成本,C ge 为单位时间分摊的蜗杆砂轮磨齿机床的电力成本,C gc 为单位时间分摊的蜗杆砂轮磨齿机床的切削液成本,C gt0 为蜗杆砂轮购置成本;N g 为磨齿工艺使用的砂轮在更换后可加工的齿轮个数;
珩齿工艺加工单个工件的成本C ph 如下所示:
式中,C phm 为单位时间分摊的内啮合强力珩齿机床的折旧成本,C phl 为单位时间分摊的内啮合强力珩齿机床的人力成本,C phe 为单位时间分摊的内啮合强力珩齿机床的电力成本,C phc 为单位时间分摊的内啮合强力珩齿机床的切削液成本;C pht0 为珩磨轮购置成本;N ph 为珩齿工艺使用的珩磨轮在更换后可加工的齿轮个数;
表面加工质量F如下所示:
式中,α1、α2、α3是权重函数;f α0、f β0、f p0是齿轮加工精度齿轮齿廓总偏差、齿轮螺旋线总偏差和齿距累计总偏差指标期望值;f α、f β、f p 是通过实际试验检测珩齿加工质量并采用方程进行拟合得到的拟合参数。
4.根据权利要求1所述的一种“滚-磨-珩”多工艺参数协同优化与决策方法,其特征在于:所述“滚-磨-珩”工艺优化模型的约束条件包括滚齿工艺加工过程约束、磨齿工艺加工过程约束、各齿轮工艺加工余量约束、滚齿工艺参数约束、磨齿工艺参数约束、珩齿工艺参数约束;
滚齿工艺加工过程约束如下所示:
式中,R gal 为左齿面粗糙度,R gar 为右齿面粗糙度;r h 为滚刀刀尖半径,R ha 为滚齿齿面粗糙度,R hamax 为可以进行下一道工艺加工所允许的最大滚齿齿面粗糙度;F chmax为保证加工精度的最大切削力;F ch 为滚齿工艺的切削力;𝜂 h 为电机功率系数,P eh 为保证额定电机功率;R gamax 为粗糙度上限;
磨齿工艺加工过程约束如下所示:
式中,d g0为砂轮直径,C b 为齿轮材料烧伤临界值;
各齿轮工艺加工余量约束如下所示:
式中,x 1min,x 2min,x 3min分别表示滚齿、磨齿、珩齿工艺所需的最小加工余量,x 1max,x 2max,x 3max分别表示滚齿、磨齿、珩齿工艺所需的最大加工余量;x为总加工余量;x r 为偏差;
滚齿工艺参数约束如下所示:
式中,v hmax 、v hmin 分别表示滚刀切削速度v h 的上下限;f hmax 、f hmin 分别表示滚刀轴向进给量f h 的上下限;d h0max 、d h0min 分别表示滚刀直径d h0的上下限;z h0max 、z h0min 分别表示滚刀头数z h0的上下限;
磨齿工艺参数约束如下所示:
式中,v gmax 、v gmin 分别表示砂轮切削速度v g 的上下限;f gmax 、f gmin 分别表示砂轮轴向进给量f g 的上下限;a gmax 、a gmin 分别表示砂轮切削深度a g 的上下限;
珩齿工艺参数约束如下所示:
式中,f phzmax 、f phzmin 分别表示珩磨轮Z轴进给量f phz 的上下限;f phxmax 、f phxmin 分别表示珩磨轮X轴进给量f phx 的上下限;n phmax 、n phmin 分别表示工件主轴转速n ph 的上下限;t phmax 、t phmin 分别表示无火花珩削循环时间t phs 的上下限;
所述“滚-磨-珩”工艺优化模型如下所示:
式中,T为总加工时间;C为总加工成本;F为最后一道工艺完成后的齿轮表面加工质量。
5.根据权利要求1所述的一种“滚-磨-珩”多工艺参数协同优化与决策方法,其特征在于:采用多目标蛇优化算法对“滚-磨-珩”工艺优化模型进行迭代求解,获得帕累托协同工艺参数解集的步骤包括:
1)初始化“滚-磨-珩”协同工艺参数种群:
“滚-磨-珩”协同工艺参数种群表示为(a 1,a 2,…,a m),其中m为正整数,a i 为种群中第i个工艺参数,输入a i 的上下限分别记为a max 和a min ;
设定r为[0,1]之间的随机数,并根据“滚-磨-珩”工艺优化模型在数值范围[0,1] 内对协同工艺参数种群进行随机初始化;
设定最大迭代次数it,迭代次数nu=0,档案库最大容量M;
随机抽取一个工艺参数赋给最优工艺参数E,抽选一个目标值赋给存档的最优目标值;
其中,种群中第i个工艺参数a i 如下所示:
2)对蛇种群进行性别分类,分类标准如下:
式中,N m 表示雄蛇数量,N f 表示雌蛇数量,γ为[0,1]之间的值;N为蛇总数;
3)判断当前迭代次数nu<it是否成立,若是,则进入步骤4),否则进入步骤9);
4)计算目标函数加工时间T、工艺成本C及齿轮表面质量F的目标值,寻找非支配解并将存入档案库中;
5)对存档库的存储容量进行判断:如果存档数量达到存档最大容量,则转至步骤6),否则转至步骤7);
6)利用贪婪策略保存当前最优解,对每个解都设定一个预定义的距离,计算该距离内解的数量来衡量对应的拥挤度;然后根据拥挤程度用轮盘赌的方法消除其中一个或多个解;
7)对种群更新时蛇的行为进行判断,根据不同行为阶段的计算公式更新种群;
8)对最优协同工艺参数进行更新:
更新协同工艺参数种群,nu=nu+1,然后转至步骤2.3;
9)输出档案库存储的协同工艺参数种群值以及目标函数的目标值。
6.根据权利要求5所述的一种“滚-磨-珩”多工艺参数协同优化与决策方法,其特征在于,对种群更新时蛇的行为进行判断,根据不同行为阶段的计算公式更新种群的步骤包括:
1)定义环境温度Temp和食物数量Q,即:
式中,c 1是常数;
2)根据环境温度Temp和食物数量Q的值判断蛇的行为阶段;
当食物数量Q<0.25时,蛇处于第一行为阶段,此时,蛇通过选择任何随机位置来搜索食物;
当食物数量Q≥0.25且环境温度Temp≥0.6时,蛇处于第二行为阶段,此时,蛇只会向食物移动;
当食物数量Q≥0.25且环境温度Temp<0.6时,蛇处于第三行为阶段,此时,蛇处于战斗模式或交配模式,战斗模式或交配模式的选择由rand的值决定,rand>0.5则为战斗模式,否则为交配模式。
7.根据权利要求6所述的一种“滚-磨-珩”多工艺参数协同优化与决策方法,其特征在于:当蛇处于第一行为阶段时,雄蛇位置更新如下:
式中,a i,m 为第i个雄蛇位置;a rand,m 为随机雄蛇的位置;rand是一个介于0和1之间的随机数;c 2是常数;
雄蛇寻找食物的能力A m 如下所示:
式中,f rand,m 是a rand,m 的适应度,f i,m 是第i个雄性的适应度;
当蛇处于第一行为阶段时,雌蛇位置更新如下:
式中,a i,f 为第i个雌蛇位置,a rand,f 为随机雌蛇的位置;rand是一个介于0和1之间的随机数;
雌蛇寻找食物的能力A f 如下所示:
式中,f rand,f 是a rand,f 的适应度,f i,f 是第i个雄蛇的适应度。
9. 根据权利要求6所述的一种“滚-磨-珩”多工艺参数协同优化与决策方法,其特征在于:当蛇处于第三行为阶段且蛇处于战斗模式时,雄蛇位置更新如下:
式中,a i,m 指第i个雄性位置;a best,f 是种群中最优雌蛇位置;
雄蛇的战斗能力FM如下所示:
式中,f best,f 是种群中最优雌蛇位置的适应度,f i 是代理适应度;
当蛇处于第三行为阶段且蛇处于战斗模式时,雌蛇位置更新如下:
式中:a i,f 指第i个雌性位置;a best,m 是种群中最优雄蛇位置;
雌蛇的战斗能力FF如下所示:
式中:f best,m 是种群中最优雄蛇位置的适应度;
当蛇处于第三行为阶段且蛇处于交配模式时, 雄蛇位置更新如下:
其中,雄蛇的交配能力MM如下所示:
当蛇处于第三行为阶段且蛇处于交配模式时,雌蛇位置更新如下:
雌蛇的交配能力MF如下所示:
式中,f best,m 是种群中最优雄蛇位置的适应度;
当蛇处于第三行为阶段且蛇处于交配模式时,若有蛇的后代产生,则后代将按照性别代替最差的雄性与雌性,代替标准如下:
式中,a worst,m 是种群中最差的雄蛇位置,a worst,f 是种群中最差的雌蛇位置。
10.根据权利要求1所述的一种“滚-磨-珩”多工艺参数协同优化与决策方法,其特征在于:基于熵权-TOPSIS决策方法对帕累托协同工艺参数解集进行评价和排序的步骤包括:
3)计算标准化决策矩阵Y中第i个解第j项指标的比重,得到各指标的权重矩阵Z,并根据权重矩阵Z计算得到指标信息熵e j ,即:
式中,k为常数;Z ij 为权重矩阵Z中的元素;
4)利用指标信息熵计算指标权重W j ,即:
6)计算每个评价对象的正理想解S + 和负理想解S - ,即每个评价指标的最大值和最小值,计算公式如下:
7)计算每个评价指标距离正理想解的欧式距离D i +和负理想解的欧式距离D i -,即:
9)根据获得的贴近度,对工艺参数解集进行排序,得到最佳的“滚-磨-珩”协同工艺参数解,完成“滚-磨-珩”协同工艺参数的多指标评价与决策。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2022/116927 WO2024045202A1 (zh) | 2022-09-03 | 2022-09-03 | 一种"滚-磨-珩"多工艺参数协同优化与决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116348877A true CN116348877A (zh) | 2023-06-27 |
Family
ID=86884522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280003376.0A Pending CN116348877A (zh) | 2022-09-03 | 2022-09-03 | 一种“滚-磨-珩”多工艺参数协同优化与决策方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116348877A (zh) |
WO (1) | WO2024045202A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015000974A1 (de) * | 2015-01-23 | 2016-07-28 | Liebherr-Verzahntechnik Gmbh | Verfahren und Vorrichtung zur Verzahnbearbeitung eines Werkstückes durch ein Diagonalwälzverfahren |
DE102015009287A1 (de) * | 2015-07-10 | 2017-01-12 | Liebherr-Verzahntechnik Gmbh | Verfahren zur Herstellung eines Werkstückes mit gewünschter Verzahnungsgeometrie |
CN110889176A (zh) * | 2019-11-12 | 2020-03-17 | 河海大学常州校区 | 一种基于多目标哈里斯隼优化器的滚齿参数求解方法 |
CN112925278B (zh) * | 2021-01-29 | 2023-09-15 | 重庆大学 | 一种多目标滚齿工艺参数优化与决策方法 |
CN112948994B (zh) * | 2021-01-29 | 2023-05-02 | 重庆大学 | 一种滚齿工艺参数的多目标优化与决策方法 |
CN113343386B (zh) * | 2021-06-04 | 2022-07-29 | 河海大学 | 一种支持多目标优化的滚齿参数求解方法 |
-
2022
- 2022-09-03 CN CN202280003376.0A patent/CN116348877A/zh active Pending
- 2022-09-03 WO PCT/CN2022/116927 patent/WO2024045202A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024045202A1 (zh) | 2024-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105259791B (zh) | 一种基于通用切削能耗模型的加工参数优化方法 | |
Ganesan et al. | Optimization of machining techniques in CNC turning centre using genetic algorithm | |
CN104517033B (zh) | 一种面向能量效率的数控加工工艺参数多目标优化方法 | |
CN111563301A (zh) | 一种薄壁件铣削加工参数优化方法 | |
CN103252687B (zh) | 一种轮槽精拉刀齿形数控磨削工艺 | |
Zhang et al. | Multi-objective optimization for surface grinding process using a hybrid particle swarm optimization algorithm | |
CN100445001C (zh) | 生产锻模的方法、锻模以及锻造物品 | |
CN103198186A (zh) | 基于特征的飞机结构件切削参数优化方法 | |
CN113721462A (zh) | 一种刀具确定条件下的多目标切削参数优化方法及系统 | |
CN111890133B (zh) | 一种棕树型榫齿的加工方法 | |
CN111859698B (zh) | 一种基于天牛须算法的机床加工节能优化方法 | |
CN105116836A (zh) | 一种叶片砂带磨削数控加工的刀位轨迹规划方法 | |
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 | |
CN115495923A (zh) | 一种基于混沌遗传算法的铣削参数多目标优化及决策方法 | |
CN116348877A (zh) | 一种“滚-磨-珩”多工艺参数协同优化与决策方法 | |
CN103302464A (zh) | 轿车变速器齿轮抗疲劳制造方法 | |
CN110390138B (zh) | 一种刀夹具的多目标综合优选方法 | |
Bagaber et al. | Sustainable optimization of dry turning of stainless steel based on energy consumption and machining cost | |
CN108115559A (zh) | 一种钛合金零件的磨削加工方法 | |
CN114415595A (zh) | 一种车削优化方法、系统、计算机设备和存储介质 | |
CN106424966A (zh) | 一种带等切削角的轮槽精拉刀磨削工艺及磨削设备 | |
Chen et al. | Planning and analysis of grinding processes for end mills of cemented tungsten carbide | |
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 | |
Patel et al. | Insert selection for turning operation on CNC turning centre using MADM methods | |
CN106020132B (zh) | 基于现场实测切削力数据与离线优化的粗加工进给速度优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |