CN116861571A - 一种金属模具制造加工岛的加工工序选择方法 - Google Patents
一种金属模具制造加工岛的加工工序选择方法 Download PDFInfo
- Publication number
- CN116861571A CN116861571A CN202210303237.1A CN202210303237A CN116861571A CN 116861571 A CN116861571 A CN 116861571A CN 202210303237 A CN202210303237 A CN 202210303237A CN 116861571 A CN116861571 A CN 116861571A
- Authority
- CN
- China
- Prior art keywords
- processing
- metal mold
- machining
- mold
- island
- 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 202
- 239000002184 metal Substances 0.000 title claims abstract description 95
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 49
- 238000010187 selection method Methods 0.000 title claims abstract description 11
- 238000003754 machining Methods 0.000 title claims description 82
- 238000012545 processing Methods 0.000 claims abstract description 196
- 230000008569 process Effects 0.000 claims abstract description 111
- 238000013178 mathematical model Methods 0.000 claims abstract description 16
- 239000000463 material Substances 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000005265 energy consumption Methods 0.000 claims abstract description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 8
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 239000002243 precursor Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000003672 processing method Methods 0.000 claims description 7
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 8
- 239000000047 product Substances 0.000 description 7
- 238000012546 transfer Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 241000899793 Hypsophrys nicaraguensis Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012840 feeding operation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/22—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring existing or desired position of tool or work
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q3/00—Devices holding, supporting, or positioning work or tools, of a kind normally removable from the machine
- B23Q3/155—Arrangements for automatic insertion or removal of tools, e.g. combined with manual handling
-
- 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
- G06F2111/04—Constraint-based CAD
-
- 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
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种金属模具制造加工岛的加工工序选择方法。该方法包括:建立模具加工工艺库步骤,基于可以实现模具加工的加工工序,建立金属模具制造加工岛用于实现减材加工的模具加工工艺库;待加工金属模具匹配加工工序步骤,输入待加工金属模具模型,所述模具加工工艺库利用映射法生成加工岛与待加工金属模具能够实现将待加工金属模具加工为合格模具产品的匹配加工工序;构建多目标优化数学模型步骤,结合资源数据、决策变量及精密金属模具工艺特征构建约束矩阵,形成多目标优化数学模型;选择最优加工工序步骤,设置预选取的决策变量的权重,采用多目标遗传算法进行求解,获精密金属模具加工工艺的优化序列。本申请能减少耗能,降低碳排放。
Description
技术领域
本发明涉及机械加工技术领域,尤其涉及一种金属模具制造加工岛的加工 工序选择方法。
背景技术
模具行业制作一个模具产品的流程包括:设计、加工两个大的阶段。其中 加工包括:数控类加工(NC、EDM、WEDM等)、普通加工(车、铣、磨、抛等)。模 具作为装备制造业的基础,被称为“工业之母”,在汽车、能源、机械等领域 得到广泛应用。在电子、汽车、电视、电器、仪表、仪器、家电和通信等产品 中,60%-80%的零件都是依靠模具成型。用模具生产制件所具备的高精度、高 复杂度、高一致性、高生产率和低耗能,是其他加工制造方法不能比拟的,模 具产业也是制造业的"效益放大器",据统计资料显示,模具可带动其相关产 业的比例大约是1:100,即模具发展1亿元,可带动相关产业100亿元。中国模具 产业近十年来以年均15%的速度增长,是国内GDP增值速度的两倍。目前,我 国模具产业产业规模和技术水平有长足发展,模具产值已经位居世界第一位。
智能制造是基于新一代信息通信技术与先进制造技术深度融合,贯穿于设 计、生产、管理、服务等制造活动的各个环节,具有自感知、自学习、自决策、 自执行、自适应等功能的新型生产方式。智能制造作为国家战略已经受到全球 各国的关注。目前基于模具产品的智能制造方式是设置自动机械臂方式结合数 控铣床CNC和火花机EDM等设备共同形成加工岛。
模具各部件的加工工艺实际是优选模具加工的最小工作任务,选取用料少、 耗能少、碳排放少的加工路线。但当前大多数机械加工、模具企业都对加工工 艺采用传统人工评估法进行工艺工时的估算。由于产品、设备、部件、材料、 作业标准不一,传统方法评估效率较低、主观随意性大、系统性的偏差和偶然 性的误差普遍存在,加工路线的选取多数是凭经验选择。不准确的工艺工时及 复杂度评估会极大的影响模加工的生产排产,造成机台、人员负荷分配分配极 不均衡,严重影响加工交期,造成大概率、大面积拖延、影响加工交期、客户 交期,而且耗能较高、污染环境。
发明内容
本发明的目的在于,提供一种金属模具制造加工岛的加工工序选择方法, 其目的在于克服现有技术的不足,解决模具行业加工阶段各工艺路线选取时的 工时难评估、评估偏差较大的问题,并减少耗能,降低碳排放。
为了实现上述目的,本发明其中一实施例中提供一种金属模具制造加工岛 的加工工序选择方法包括步骤:
建立模具加工工艺库步骤,基于可以实现模具加工的加工工序,建立金属 模具制造加工岛用于实现减材加工的模具加工工艺库;
待加工金属模具匹配加工工序步骤,输入待加工金属模具模型,所述模具 加工工艺库利用映射法生成加工岛与待加工金属模具能够实现将待加工金属模 具加工为合格模具产品的匹配加工工序;以及
构建多目标优化数学模型步骤,结合资源数据、决策变量及精密金属模具 工艺特征构建约束矩阵,形成多目标优化数学模型;
选择最优加工工序步骤,设置预选取的决策变量的权重,采用多目标遗传 算法进行求解,获精密金属模具加工工艺的优化序列。
进一步地,所述建立模具加工工艺库步骤包括:
输入对应加工岛的加工刀具库信息和适用于机器人加工的标准件的信息;
输入金属模具模型及金属模具制造加工岛的加工工序;以及
对所述金属模具模型与所述标准件进行匹配分析来获取所有的匹配加工工 序;根据匹配分析结果,构建所述金属模具模型的加工方法,所述加工方法至 少包括加工岛加工所需的加工刀具、调度路径以及加工参数。
进一步地,所述标准件的信息包括名称、几何形状、材料、公差中的至少 一种,其中所述几何形状包括点、边、面、曲率中的至少一种;所述加工刀具 库信息包括工具几何参数、材料参数、适用的速度范围中的至少一种。
进一步地,所述调度路径为加工过程中金属模具在加工设备之间的加工流 程、加工方式、加工路径;所述对所述金属模具模型与所述标准件进行匹配分 析的信息源自于下面之一:已经用所述加工工具加工过的标准件的经验数据、 来自其他金属模具制造加工岛的数据、操作者输入的信息。
进一步地,所述待加工金属模具匹配加工工序步骤包括:
获取加工模型以及获取加工岛中的加工刀具库信息和模具加工工艺库信 息;
分析加工模型结构,逐一获取加工模型上的每一凹腔结构,获取每一凹腔 结构的深度数据,根据凹腔结构的深度数据,从加工刀具库中选取与之匹配的 刀具;
对凹腔结构进行工艺分析,从加工工艺库中匹配相应的加工工艺,由对应 的加工工艺及选出的刀具,获取相应的刀路程序,并存储至存储端;以及
获取刀路程序对应的加工刀具路径,将选出的刀具和工刀具路径结合形成 从待加工金属模具模型至加工模型的匹配加工工序。
进一步地,将加工刀具库信息中每一加工刀具根据相应的层面的凹腔结构, 匹配其相应的加工刀具路径,进行模拟加工,选取对应的刀具作为该层面实际 使用时的加工刀具对应的匹配加工工序。
进一步地,所述构建多目标优化数学模型步骤中,利用工序关系图谱PRG 表达工序间的优先关系结合资源数据、决策变量及精密金属模具工艺特征构建 约束矩阵;
在工序关系图谱PRG中,PRG为有向无环图,节点为工序编号,边表示所 连接两节点代表的工序间的优先关系,在PRG内工艺节点的关系包括前驱关 系、后继关系和并列关系;
所述前驱关系为工序i可以通过任一路径到达工序j,则称工序i为工序j 的前驱工序;所述后继关系为与前驱关系相反,即工序i可以通过任一路径到 达工序j时,称工序j为工序i的后继工序;所述并列关系为若工序i与工序j 既不是前驱关系也非后继关系,则称工序i与工序j为并列工序;
基于在PRG内工艺节点的三类关系作出PRG图,基于PRG图生成对应的 工序约束矩阵PCMij。
进一步地,基于PRG图生成对应的工序约束矩阵PCMij为:
其中,PCMij表示工序Pi与工序Pj之间的优先关系,n为待加工零件的总 工序数,PCMij根据约束关系取得,如下:
进一步地,所述选择最优加工工序步骤中,所述决策变量包括加工精度、 耗材量、加工工期、装夹次数、刀具使用数量、加工刀具路径长度、机台的占 用率、机床负载量、总碳排放量、总耗能量中的一种或多种。
进一步地,所述选择最优加工工序步骤中,采用多目标遗传算法进行求解 多目标优化数学模型的过程为:结合加工模型上的每一凹腔结构,在加工模型 上划分为多个加工特征单元,确定相应的加工工序,为每个工序选择所需的加 工机床和刀具、确定各工序的进刀方向、各工序的加工顺序、以及各工序的选 择切削参数组合,使得所选择的工艺规划方案在所述决策变量的目标上达到协 调最优。
本发明的有益效果在于,提供一种金属模具制造加工岛的加工工序选择方 法,通过建立模具加工工艺库,基于模具加工的先验知识的实例推理方法,判 定精密金属模具制造可能实现的加工工艺;建立加工岛可以实现的减材加工工 艺库,利用映射法智能判定加工岛与待加工金属模具可能实现的工艺匹配路径。 同时将精密金属模具工艺特征构建为不等式约束,以成本、性能、质量和稳定 性中的相应参数作为决策变量,构建多目标优化数学模型;并采用具有自组织、 自适应、自学习和复杂无关性,且不用了解优化问题的全部特征就能完成问题 的求解的多目标遗传算法(Multi-Objective Genetic Algorithm,MOGA)这种典型 非归一化算法进行求解,获取精密金属模具加工工艺的序列优化。解决了模具行业加工阶段各工艺路线选取时的工时难评估、评估偏差较大的问题,并能选 择最有利的加工工序,从而减少耗能,降低碳排放。
附图说明
下面结合附图,通过对本申请的具体实施方式详细描述,呈现本申请的技 术方案及其它有益效果。
图1为本申请实施例提供的金属模具制造加工岛的加工工序选择方法的流 程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清 楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是 全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳 动前提下所获得的所有其他实施例,都属于本申请保护的范围。
具体的,请参阅图1,本申请实施例提供一种金属模具制造加工岛的加工 工序选择方法,所述金属模具制造加工岛的加工工序选择方法可以结合智能手 机、平板电脑、显示屏等控制设备对金属模具制造加工岛的加工工序进行选择。 该金属模具制造加工岛为用于金属模具制造的模具加工系统,适用于金属模具 加工工序中拾起待加工坯料工件进行上料操作,以及用于在金属模具制造时使 用来转移待加工的金属模具毛坯、半成品和成品,方便金属模具在各个加工工 序的搬运。并且可将智能转移装置设置于加工岛的中部,两侧设置用于在金属 模具制造时的模具取放架、数控铣床(CNC)、火花机(EDM)。可实现在不新 增设备情况下,通过智能转移装置对金属模具进行上料和加工搬运,且能依靠 图像获取装置实现对模具的转移和转移过程中的精准定位以及通过视觉检验实 现模具的摆放。
如图1所示,本申请实施例提供一种金属模具制造加工岛的加工工序选择 方法,包括以下步骤:
S1、建立模具加工工艺库步骤,基于可以实现模具加工的加工工序,建立 金属模具制造加工岛用于实现减材加工的模具加工工艺库;
S2、待加工金属模具匹配加工工序步骤,输入待加工金属模具模型,所述 模具加工工艺库利用映射法生成加工岛与待加工金属模具能够实现将待加工金 属模具加工为合格模具产品的匹配加工工序;以及
S3、构建多目标优化数学模型步骤,结合资源数据、决策变量及精密金属 模具工艺特征构建约束矩阵,形成多目标优化数学模型;
S4、选择最优加工工序步骤,设置预选取的决策变量的权重,采用多目标 遗传算法进行求解,获精密金属模具加工工艺的优化序列。
在本实施例中,所述建立模具加工工艺库步骤S1包括:
S11、输入对应加工岛的加工刀具库信息和适用于机器人加工的标准件的信 息;
S12、输入金属模具模型及金属模具制造加工岛的加工工序;
S13、对所述金属模具模型与所述标准件进行匹配分析来获取所有的匹配加 工工序;根据匹配分析结果,构建所述金属模具模型的加工方法,所述加工方 法至少包括加工岛加工所需的加工刀具、调度路径以及加工参数。
在本实施例中,所述标准件的信息包括名称、几何形状、材料、公差中的 至少一种,其中所述几何形状包括点、边、面、曲率中的至少一种;所述加工 刀具库信息包括工具几何参数、材料参数、适用的速度范围中的至少一种。
在本实施例中,所述调度路径为加工过程中金属模具在加工设备之间的加 工流程、加工方式、加工路径;所述对所述金属模具模型与所述标准件进行匹 配分析的信息源自于下面之一:已经用所述加工工具加工过的标准件的经验数 据、来自其他金属模具制造加工岛的数据、操作者输入的信息。
在本实施例中,所述待加工金属模具匹配加工工序步骤S2包括:
S21、获取加工模型以及获取加工岛中的加工刀具库信息和模具加工工艺库 信息;
S22、分析加工模型结构,逐一获取加工模型上的每一凹腔结构,获取每一 凹腔结构的深度数据,根据凹腔结构的深度数据,从加工刀具库中选取与之匹 配的刀具;
S23、对凹腔结构进行工艺分析,从加工工艺库中匹配相应的加工工艺,由 对应的加工工艺及选出的刀具,获取相应的刀路程序,并存储至存储端;以及
S24、获取刀路程序对应的加工刀具路径,将选出的刀具和工刀具路径结合 形成从待加工金属模具模型至加工模型的匹配加工工序。
在本实施例中,将加工刀具库信息中每一加工刀具根据相应的层面的凹腔 结构,匹配其相应的加工刀具路径,进行模拟加工,选取对应的刀具作为该层 面实际使用时的加工刀具对应的匹配加工工序。
在本实施例中,所述构建多目标优化数学模型步骤S3中,利用工序关系图 谱PRG表达工序间的优先关系结合资源数据、决策变量及精密金属模具工艺特 征构建约束矩阵;
在工序关系图谱PRG中,PRG为有向无环图,节点为工序编号,边表示所 连接两节点代表的工序间的优先关系,在PRG内工艺节点的关系包括前驱关 系、后继关系和并列关系;
所述前驱关系为工序i可以通过任一路径到达工序j,则称工序i为工序j 的前驱工序;所述后继关系为与前驱关系相反,即工序i可以通过任一路径到 达工序j时,称工序j为工序i的后继工序;所述并列关系为若工序i与工序j 既不是前驱关系也非后继关系,则称工序i与工序j为并列工序;
基于在PRG内工艺节点的三类关系作出PRG图,基于PRG图生成对应的 工序约束矩阵PCMij。
在本实施例中,基于PRG图生成对应的工序约束矩阵PCMij为:
其中,PCMij表示工序Pi与工序Pj之间的优先关系,n为待加工零件的总 工序数,PCMij根据约束关系取得,如下:
在本实施例中,所述选择最优加工工序步骤S4中,所述决策变量包括加工 精度、耗材量、加工工期、装夹次数、刀具使用数量、加工刀具路径长度、机 台的占用率、机床负载量、总碳排放量、总耗能量中的一种或多种。
在本实施例中,所述选择最优加工工序步骤S4中,采用多目标遗传算法进 行求解多目标优化数学模型的过程为:结合加工模型上的每一凹腔结构,在加 工模型上划分为多个加工特征单元,确定相应的加工工序,为每个工序选择所 需的加工机床和刀具、确定各工序的进刀方向、各工序的加工顺序、以及各工 序的选择切削参数组合,使得所选择的工艺规划方案在所述决策变量的目标上 达到协调最优。
本发明的有益效果在于,提供一种金属模具制造加工岛的加工工序选择方 法,通过建立模具加工工艺库,基于模具加工的先验知识的实例推理方法,判 定精密金属模具制造可能实现的加工工艺;建立加工岛可以实现的减材加工工 艺库,利用映射法智能判定加工岛与待加工金属模具可能实现的工艺匹配路径。 同时将精密金属模具工艺特征构建为不等式约束,以成本、性能、质量和稳定 性中的相应参数作为决策变量,构建多目标优化数学模型;并采用具有自组织、 自适应、自学习和复杂无关性,且不用了解优化问题的全部特征就能完成问题 的求解的多目标遗传算法(Multi-Objective Genetic Algorithm,MOGA)这种典型 非归一化算法进行求解,获取精密金属模具加工工艺的序列优化。本发明解决了模具行业加工阶段各工艺路线选取时的工时难评估、评估偏差较大的问题, 并能选择最有利的加工工序,从而减少耗能,降低碳排放。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详 述的部分,可以参见其他实施例的相关描述。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的 原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的技 术方案及其核心思想;本领域的普通技术人员应当理解:其依然可以对前述各 实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换; 而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例的技术 方案的范围。
Claims (10)
1.一种金属模具制造加工岛的加工工序选择方法,其特征在于,包括步骤:
建立模具加工工艺库步骤,基于可以实现模具加工的加工工序,建立金属模具制造加工岛用于实现减材加工的模具加工工艺库;
待加工金属模具匹配加工工序步骤,输入待加工金属模具模型,所述模具加工工艺库利用映射法生成加工岛与待加工金属模具能够实现将待加工金属模具加工为合格模具产品的匹配加工工序;
构建多目标优化数学模型步骤,结合资源数据、决策变量及精密金属模具工艺特征构建约束矩阵,形成多目标优化数学模型;以及
选择最优加工工序步骤,设置预选取的决策变量的权重,采用多目标遗传算法进行求解,获精密金属模具加工工艺的优化序列。
2.根据权利要求1所述的金属模具制造加工岛的加工工序选择方法,其特征在于,所述建立模具加工工艺库步骤包括:
输入对应加工岛的加工刀具库信息和适用于机器人加工的标准件的信息;
输入金属模具模型及金属模具制造加工岛的加工工序;以及
对所述金属模具模型与所述标准件进行匹配分析来获取所有的匹配加工工序;根据匹配分析结果,构建所述金属模具模型的加工方法,所述加工方法至少包括加工岛加工所需的加工刀具、调度路径以及加工参数。
3.根据权利要求2所述的金属模具制造加工岛的加工工序选择方法,其特征在于,
所述标准件的信息包括名称、几何形状、材料、公差中的至少一种,其中所述几何形状包括点、边、面、曲率中的至少一种;
所述加工刀具库信息包括工具几何参数、材料参数、适用的速度范围中的至少一种。
4.根据权利要求2所述的金属模具制造加工岛的加工工序选择方法,其特征在于,
所述调度路径为加工过程中金属模具在加工设备之间的加工流程、加工方式、加工路径;
所述对所述金属模具模型与所述标准件进行匹配分析的信息源自于下面之一:已经用所述加工工具加工过的标准件的经验数据、来自其他金属模具制造加工岛的数据、操作者输入的信息。
5.根据权利要求1所述的金属模具制造加工岛的加工工序选择方法,其特征在于,所述待加工金属模具匹配加工工序步骤包括:
获取加工模型以及获取加工岛中的加工刀具库信息和模具加工工艺库信息;
分析加工模型结构,逐一获取加工模型上的每一凹腔结构,获取每一凹腔结构的深度数据,根据凹腔结构的深度数据,从加工刀具库中选取与之匹配的刀具;
对凹腔结构进行工艺分析,从加工工艺库中匹配相应的加工工艺,由对应的加工工艺及选出的刀具,获取相应的刀路程序,并存储至存储端;以及
获取刀路程序对应的加工刀具路径,将选出的刀具和工刀具路径结合形成从待加工金属模具模型至加工模型的匹配加工工序。
6.根据权利要求5所述的金属模具制造加工岛的加工工序选择方法,其特征在于,将加工刀具库信息中每一加工刀具根据相应的层面的凹腔结构,匹配其相应的加工刀具路径,进行模拟加工,选取对应的刀具作为该层面实际使用时的加工刀具对应的匹配加工工序。
7.根据权利要求1所述的金属模具制造加工岛的加工工序选择方法,其特征在于,所述构建多目标优化数学模型步骤中,利用工序关系图谱PRG表达工序间的优先关系结合资源数据、决策变量及精密金属模具工艺特征构建约束矩阵;
在工序关系图谱PRG中,PRG为有向无环图,节点为工序编号,边表示所连接两节点代表的工序间的优先关系,在PRG内工艺节点的关系包括前驱关系、后继关系和并列关系;
所述前驱关系为工序i可以通过任一路径到达工序j,则称工序i为工序j的前驱工序;所述后继关系为与前驱关系相反,即工序i可以通过任一路径到达工序j时,称工序j为工序i的后继工序;所述并列关系为若工序i与工序j既不是前驱关系也非后继关系,则称工序i与工序j为并列工序;
基于在PRG内工艺节点的三类关系作出PRG图,基于PRG图生成对应的工序约束矩阵PCMij。
8.根据权利要求7所述的金属模具制造加工岛的加工工序选择方法,其特征在于,基于PRG图生成对应的工序约束矩阵PCMij为:
其中,PCMij表示工序Pi与工序Pj之间的优先关系,n为待加工零件的总工序数,PCMij根据约束关系取得,如下:
9.根据权利要求1所述的金属模具制造加工岛的加工工序选择方法,其特征在于,所述选择最优加工工序步骤中,所述决策变量包括加工精度、耗材量、加工工期、装夹次数、刀具使用数量、加工刀具路径长度、机台的占用率、机床负载量、总碳排放量、总耗能量中的一种或多种。
10.根据权利要求1所述的金属模具制造加工岛的加工工序选择方法,其特征在于,所述选择最优加工工序步骤中,采用多目标遗传算法进行求解多目标优化数学模型的过程为:
结合加工模型上的每一凹腔结构,在加工模型上划分为多个加工特征单元,确定相应的加工工序,为每个工序选择所需的加工机床和刀具、确定各工序的进刀方向、各工序的加工顺序、以及各工序的选择切削参数组合,使得所选择的工艺规划方案在所述决策变量的目标上达到协调最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210303237.1A CN116861571A (zh) | 2022-03-25 | 2022-03-25 | 一种金属模具制造加工岛的加工工序选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210303237.1A CN116861571A (zh) | 2022-03-25 | 2022-03-25 | 一种金属模具制造加工岛的加工工序选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861571A true CN116861571A (zh) | 2023-10-10 |
Family
ID=88220332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210303237.1A Pending CN116861571A (zh) | 2022-03-25 | 2022-03-25 | 一种金属模具制造加工岛的加工工序选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861571A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312350A (zh) * | 2023-11-28 | 2023-12-29 | 本溪钢铁(集团)信息自动化有限责任公司 | 钢铁行业碳排放数据管理方法及装置 |
-
2022
- 2022-03-25 CN CN202210303237.1A patent/CN116861571A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312350A (zh) * | 2023-11-28 | 2023-12-29 | 本溪钢铁(集团)信息自动化有限责任公司 | 钢铁行业碳排放数据管理方法及装置 |
CN117312350B (zh) * | 2023-11-28 | 2024-02-27 | 本溪钢铁(集团)信息自动化有限责任公司 | 钢铁行业碳排放数据管理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270899B (zh) | 一种基于数字孪生的船用柴油机关重件制造过程管控方法 | |
CN107193258B (zh) | 面向能耗的数控加工工艺路线与切削参数集成优化方法 | |
WO2015096511A1 (zh) | 飞机结构件智能数控加工编程系统及方法 | |
CN104816202B (zh) | 基于数控机床的柔性加工生产线 | |
CN105607579B (zh) | 一种机床加工智能节能控制方法及系统 | |
CN111105069B (zh) | 数控加工工艺参数优化方法、装置、系统及计算机设备 | |
CN105159237A (zh) | 一种面向数字化车间数控机床的能耗预测方法 | |
CN109901512A (zh) | 一种基于加工参数标准化的车削工时定额方法 | |
CN116861571A (zh) | 一种金属模具制造加工岛的加工工序选择方法 | |
CN113050553A (zh) | 半导体生产线基于联邦学习机制的调度建模方法 | |
Ivanov et al. | Ensuring economic efficiency of flexible fixtures in multiproduct manufacturing | |
CN111325487A (zh) | 一种流水生产车间智能调度优化方法及系统 | |
CN113705978B (zh) | 一种多机任务刀具静态与动态集成决策方法及系统 | |
CN111948977A (zh) | 一种用于不锈钢加工的多目标优化方法和系统 | |
CN106624259A (zh) | 一种高效数控切割系统 | |
Warnecke et al. | Technical investment planning of flexible manufacturing systems—the application of practice-oriented methods | |
CN110658782A (zh) | 一种基于特征的数控机床固有能效预测方法 | |
CN108873850A (zh) | 一种机械制造自动化生产过程的优化调度方法 | |
CN113626948B (zh) | 一种基于知识推理的自动工步设计方法 | |
CN115471048A (zh) | 基于数字孪生的产线设备综合效率的监控与协同优化方法 | |
CN111007801B (zh) | 一种基于多维属性状态判断的刀具寿命实时采集方法 | |
CN113868860A (zh) | 一种基于工艺知识的零件自适应成本估算方法 | |
CN110514335B (zh) | 一种数控机床的能效比确定方法 | |
CN111985848A (zh) | 一种基于启发式算法的轴承端盖生产排产调度优化方法 | |
CN114019922A (zh) | 一种基于粒子群退火算法的电子精密件柔性车间排程方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |