数控加工工艺标准参数优化课后复习论文资料

1、!-数控加工工艺优化、概述优化设计是一门新兴学科，它建立在数学规划理论和计算机程序设计基础 上，通过计算机的数值计算，能从众多的设计方案中寻到尽可能完善的或最适宜 的设计方案，使期望的经济指标达到最优，它可以成功地解决解析等其它方法难 以解决的复杂问题，优化设计为工程设计提供了一种重要的科学设计方法，因而采用这种设计方法能大大提高设计效率和设计质量。机械优化设计的目的是以最低的成本获得最好的效益， 是设计工作者一直追 求的目标，从数学的观点看，工程中的优化问题，就是求解极大值或极小值问题， 亦即极值问题。本文从优化设计的基本理论、 优化设计与产品开发、优化设计特 点及优化设计应用等方面阐述优化

2、设计的基本方法理论。优化设计主要包括两个方面：一是如何将设计问题转化为确切反映问题实质 并适合于优化计算的数学模型，建立数学模型包括：选取适当的设计变量，建立优化问题的目标函数和约束条件。目标函数是设计问题所要求的最优指标与设计 变量之间的函数关系式，约束条件反映的是设计变量取得范围和相互之间的关系 二是如何求得该数学模型的最优解：可归结为在给定的条件下求目标函数的极值 或最优值的问题。机械优化设计就是在给定的载荷或环境条件下，在机械产品的形态、几何尺寸关系或其它因素的限制范围内， 以机械系统的功能、强度和经济 性等为优化对象，选取设计变量，建立目标函数和约束条件，并使目标函数获得 最优值一种

3、现代设计方法，目前机械优化设计已广泛应用于航天、航空和国防等 各部门。优化设计是以建立数学模型进行设计的。优化设计引用了一些新的概念和术 语，如前所述的设计变量、目标函数、约束条件等。机械优化设计将机械设计的 具体要求构造成数学模型，将机械设计问题转化为数学问题，构成一个完整的数 学规划命题，逐步求解这个规划命题，使其最佳地满足设计要求，从而获得可行 方案中的最优设计方案。优化设计改变了传统的设计方式。传统设计方法是被动 地重复分析产品的性能，而不是主动设计产品的参数。作为一项设计不仅要求方 案可行、合理，而且应该是某些指标达到最优的理想方案。 并从大量的可行设计 方案中找出一种最优化的设计方

4、案，从而实现最优化的设计。优化设计可以满足 多方面的性能要求。产品要求总体结构尺寸小，传动效率高，生产成本低等，这 些要求用传统设计方法设计是无法解决的。实践证明，最优化设计是保证产品具 有优良的性能，减轻自重或体积，降低工程造价的一种有效设计方法。总的看来，机械优化设计是适应生产现代化要求发展起来的，是一门崭新的学科。它是在现代机械设计理论的基础上提出的一种更科学的设计方法，它可使机械产品的设计质量达到更高的要求。 因此，在加强现代机械设计理论研究的同 时，还要进一步加强最优设计数学模型的研究，以便在近代数学、力学和物理学的新成就基础上，使其更能反映客观实际。同时机械优化设计的研究还必须与工

5、 程实践、数学力学理论、计算技术和电子计算机的应用等紧密联系起来，才能具有更广阔的发展前景。优化方法进行设计的步骤：(1) 将机械设计问题的物理模型转变为数学模型。其中包括根据设计要求确 定设计目标，建立目标函数；确定设计的约束条件，并以函数的形式表示；同时 在建立数学模型时，要确定设计过程中的合理参数作为设计变量。(2) 根据数学模型的性质，选择合适的优化算法，编制计算程序，由计算机 进行自动寻优计算以求得最优解。(3) 对计算结果进行分析判断，得出最优设计方案。二、问题的提出工艺参数是数控切削加工的基本控制量。如工艺参数选择不当，不仅难以 保证工件加工精度及控制加工成本，而且可能因切削力过

6、大等原因造成机床被迫 停机，影响数控机床效能的正常发挥。因此，以提高数控切削加工效率、降低加 工成本、获得高质量产品为目的进行的数控切削加工工艺参数多目标优化研究， 对提高数控加工经济效益具有重要意义。本文以数控车削、数控铣削加工的主轴转速、进给速度、背吃刀量、铣削宽 度等工艺参数作为优化变量，建立了多目标优化数学模型同时采用有效的优化算 法实现数控切削加工工艺参数的多目标优化。优化设计过程中，首先要选择并确定合理的设计参数， 经过分析，只把基本 的、对设计目标影响较大的参数选为设计参数。 至于次要的、对设计目标影响不 明显或者根据实际要求可事先确定的参数作为常数处理。设计参数越多，设计的自由

7、度越大，就有利于寻找最理想的设计方案， 但设 计变量增多，问题求解就越复杂。因此，对于复杂的问题求解时，必须正确合理 地确定设计变量。对于复杂零件的铣削加工，切削因素 (本文主要指机床转速， 进给速度、背吃刀量和切削宽度)在加工过程中可能变化较大，为了取得尽可能 好的优化效果，需要根据各刀位点的切削因素的变化选择不同加工参数。通常所说的切削参数是指切削运动参数， 它主要包括：切削速度、进给量或 进给速度、背吃刀量、切削宽度。三、优化数学模型的建立1.设计变量在加工过程中，存在多个路径段，可以在这些路径段内取相同的切削参数， 设此路径段相应的切削转速为 ni,进给速度为vf,被吃刀量为ap,切削

8、宽度为 ae,刀具在这些路径段内走过的距离为 I，将这样的数个路径段组合在一起成为 一个路径段组合。整个零件的加工过程由 n个这样的路径段组合构成，于是设 计参数矢量为2. 目标函数优化目标的确定应该以本次加工获得最大经济效益为原则。生产实践中常用的切削优化过程优化目标函数有许多种，下面给出了许多不同的加工优化目标。(1) 最高生产率(单件平均最短生产时间)目标优化函数单件平均生产时间t的计算f+r 2庁 M t T最高生产率优化目标函数为(2) 最低成本(单件最低平均加工成本)目标优化函数 单件平均加工成本C的计算C M *1 + A/ *t + M 4 G MiE>'r F&

9、quot; F最低成本优化目标函数为CM右”右2也 2取仁 L?町町2八 I(3)最大利润率目标优化函数 平均利润率Pr的计算最大利润率优化目标函数为M +AlOtXhr 卞心 1 -(4) 可变的多目标优化函数。在优化目标中没有包括最优质量，因为在一般情况下，对每一具体加工过程 的技术要求而言，产品质量并非越高越好。本工序只需满足技术要求即可，盲目 的追求加工质量，会造成加工成本的无谓增加，造成不必要的浪费。所以加工质 量一般不作为优化目标，而作为约束条件。多目标优化设计问题原则要求各分量目标都达到最优，如能获得这样的结 果，当然是十分理想的。但是，事实上解决多目标优化设计问题是一个比较复杂

10、 的问题，尤其是在各个分目标的优化相互矛盾， 甚至相互对立时更是如此。要解 决这个问题，就要对各个分目标进行协调，使其互相做出些“让步”，以得到对各自分目标要求都比较接近的、比较好的最优方案。多目标优化方法有多种，对 于单目标优化函数的多目标优化方法采用的是统一目标法。统一目标法的实质就是将各个目标函数f1(x), f2(x),fn(x),统一到一个总的“统一目标函数” F(x)中， 即F(x)= f (f1(x), f2(x),fn(x)该方法是把多目标函数的优化问题转变为单目标函数的最优化问题来求解。 为了使各个分目标函数能均匀一致趋向各自的最优解，采用线性加权组合法，即引入加权因子，用加

11、权因子乘以各分目标函数，以综合考虑各分目标函数在相对 重要程度方面的差异和量纲上的差异。因此，统一目标函数表示为F(工卜别加)式中，Wi为第i项目标加权因子，fi(x)是一个大于零的数，其值由各项目 标的数量级和重要程度决定。由多目标定义，以三个分目标在优化设计问题中具有同等重要性为例，可得到多目标函数为+f 岂迎 卞竺!虬° 州九 诒血1000;r<Z 1f gq. J A尸时町跖JLj，再瓷述闔門念q3. 约束条件1) 约束来源在切削过程中，技术上可能产生的约束是多种多样的，很难把所有情况下 可能产生的制约都详细讨论，总体上可以从组成工艺系统的以下因素去考虑：(1) 机床特

12、性对切削参数选择的限制 机床切削速度和进给速度的范围； 机床主轴所允许的最大扭矩对最大切削力的限制； 机床功率所允许的最大切削力与切削速度； 机床的刚度强度所允许的最大切削力。(2) 工件质量要求对工艺参数选择的限制 工件表面质量所允许的最大或最小切削速度； 工件表面粗糙度对最大进给量的限制； 工件的尺寸精度对最大切削力的限制。(3) 刀具对切削参数的限制 刀具的刚度、强度所允许的最大切削力； 刀具合理寿命所允许的最大切削速度和进给量。(4) 夹具对切削参数选择的限制主要包括 夹具能够实现的最大加紧力所允许的最大切削力； 夹具的刚度、强度所允许的最大切削力。在实际问题中，并非所有上述制约条件都

13、必须考虑。在具体条件下，某些制约可能必须考虑，而另外一些可能无关紧要。在某些特殊场合，还要考虑其他一些特殊的制约，例如切屑的形态对进给量和切削速度取值范围的限制，工艺系统的动态特性对进给量和切削速度的限制等。2) 目标函数的约束准确地建立制约条件函数是一个复杂的问题，它涉及到对切削过程机理的 认识程度以及实际加工条件的合理简化与表达。这方面的认识正在不断的深化过 程中。例如对切屑的形成状态、振动的产生和抑制与切削参数之间的函数关系的 精确描述还没有完全建立。(1)主切削力主切削力应满足不能超过机床许可的最大切削力，即Fc三Fmax，Fmax机床允许的最大切削力，单位为 N。(2)机床输出功率材

14、料切削所消耗的功率不能超过机床的最大输出功率，即P C三n Pm ax，n 一机床的效率指数；Pmax机床的最大输出功率，单位为 kW。(3) 进给速度切削进给速度要满足机床进给速度的约束60ixf 74(4)主轴转速切削主轴转速要满足机床主轴转速的约束60v(5) 表面粗糙度零件加工要达到其表面粗糙度的要求以上描述的铣削加工参数多目标变参数的优化问题可以归结为:fmin尸仏号叫讥）£玉尸i-I蛀四、优化算法及计算实例近年来，越来越多的人们开始将遗传算法用于优化设计， 该方法通过遗传因 子的变异而扩大了搜索范围，因而对多峰性优化问题相当有效。但是，遗传算法 是一种概率搜索方法，它需要

15、用相当数量的染色体组成集团， 进行大量目标函数 值计算，将神经网络与遗传算法相结合，通过初始实验的样本集合，利用神经网 络学习算法建立其切削参数与加工精度和时间的非线性全局映射关系， 从而获得 遗传算法求解参数优化问题所需的目标函数近似值。将神经网络与遗传算法结合进行加工参数优化设计的主要步骤为：1）经过对相同的被加工零件多次取不同的加工参数，测出加工零件的形位 公差，表面粗糙度和加工所用的时间的一系列数据；2）将实验得到的加工参数和加工后零件的数据作为样本训练 BP神经网络， 以获得不同的加工参数和被加工后零件的形位公差、表面粗糙度和加工时间的非 线性全局映射关系；3）建立优化模型，利用神经

16、网络建立的映射关系计算目标函数值；利用遗 传算法进行优胜劣汰的寻优搜索，求出最优解。因为目标函数值是从神经网络的输出值中得到的，而输出值的范围是0-1之间，假设种群的规模为200,每一个个体都对应一个目标函数值，就会有200个目标函数值集中在0-1之间，使不同的目标函数值非常接近，使群体中每个个 体的适应度都很接近，让择优很难进行下去。因此基于神经网络的遗传算法有两 点要求：1）输出层中所用的激活函数选用值域范围0, 3的函数F（x）=3心+e-x）,而不 用传统上值域范围0，1的函数F（x）=1心+e-x），使目标函数值之间的范围不要仅仅局限在0, 1之间，让不同值之间数值差别显著开来，有利

17、于具体中个体适应 度的比较和评价；2）如果隐层单元的节点越多，要训练的权重越多，而计算输出值的时间就 越多。因此在保证网络训练成功的前提下，尽量使用少的隐层单元的节点。参数的选取1. 印的选取粗加工时，一次走刀尽量切除掉全部余量，ap可达8-10mm；半精加工时，ap可取0.52mm；精加工时，ap可取0.10.4mm.2. 空的选取在铣削过程中，切削宽度，是指的在铣削过程中，刀具在其径向实际参与切 削的刀具的宽度。对于立式铣床，指的是水平方向的切削宽度。通常有百分比和 绝对值两种表示方式。百分比：指的是切削宽度相对于刀具的直径的百分比。比如用直径© 10mm的合金铣刀，切削宽度是6

18、mm（绝对值），那么我们也可以说切 削宽度是60%。建立BP网络模型获得样本数据向量后，由于其中各个指标互不相同，原始样本中各个向量的 数据级差别很大，为了计算方便及神经元达到饱和状态， 在研究中对样本的输入 进行归一化处理。可以用 MATLAB实现向量的归一化过程，这里将样本数据归 一化到区间0，1。令P表示输入向量，t表示目标向量，归一化代码为：%P为原始输入数据P=1000 150 0. 2 3. 0; 1000 200 0. 4 3. 5; 1000 250 0. 6 4. 0; 1000 300 0. 8 4. 5; 1000 350 1 . 0 5. 0; 1200 150 0.

19、2 3. 0; 1200 200 0. 4 3. 5; 1200 250 0. 6 4.1400 200 0.1500 150 0.1500 350 1.% t为原始目标数据0; 1200 300 0. 8 4. 5; 1200 350 1. 0 5. 0; 1400 150 0. 3 3.4 3. 5; 1400 250 0. 6 4. O;2 3. O; 1500 200 0. 4 3. 5;05. 01'1400 300 0. 8 4.1500 250 0. 6 4.5; 1400 350 1. 0 5.O;1500 300 0. 8 4.0；0；5；1.1.t=0. 04 0.

20、 8 360; 0. 05 1. 0 301;8 213; 0. 06 0. 8 310; 0. 08 1. 0 270; 1. 0 1. 2 245; 1.5 196: 0. 03 0. 7 248; 0. 04 0. 8 212: 0. 05 0. 9 193; 0.0. 06 1. 2 272;0.07 1.20 1.4240; 0.3 210; 1.06 1. 0 190;08400.07 1. 2 223; 0. 04 0. 6 215; 0. 06 0. 7 202; 0. 07 1. 0 211; 0. 08 1. 1 220; 0. 10 1. 2 190'% P，T分

21、别表示归一化后的输入向量和目标向量For i=l: 2P( i, : )=( P( i, )-mi n(p( i，: ) / (max( p( i: end)-min(p( i，:);for i=l : 3T( i, : )=(t( i，: ). min(t( i , : )/(max(t( i,: end对模型进行编程MATLAB的代码为)-min(t( i，:);p=1000 150 0. 2 3. 0; 1000 200 0. 4 3. 5;0. 8 4. 5; 1000 3501000 250 0. 6 4. 0; 1000 3001. 05. 0;1200 150 0. 2 3. 0

22、1; 1200 200O.4 3. 5； 1200 250 0.6 4.1200 300 0.8 4.5; 1200 3501. 0 5.0;1400 150 0. 3 3. C» 1400 200 0.4 3. 5i; 1400 250 0.6 4.1400 300 0.8 4.5; 1400 3501. 0 5.0;1500 150 0. 2 3. 0» 1500 200 0.4 3. 5i; 1500 250 0.6 4.1500 300 0.8 4.5; 1500 3501. 05.0，；For i=l: 40；0；0；P(i,: )=(p(i , : )一 min

23、(p(i,: ) /(max(p(i, : )-min(p(i end，:)；t=0. 04 0.8 360; 0.05 1.0 301; 0.06 1.2 272; 0.071.4 240;1.2 245; 1.20 1.3 210; 1.40 1.5 196; 0.03 06 1. 0 190; 0. 07 1. 2 223; 0. 04 0. 60. 08 1. 1 220; 0.10 1.2 190':0.08 1.8213; 0.06 0.8 310; 0.08 1.0 270; 1.00.7 248; 0. 04 0.8 212; 0.05 0.9 193; 0.215;

24、0. 06 0. 7 202; 0. 07 1. 0 211;for i=l : 3T(j，: )=(t(i，: )-rain(t(i , : )/(max(t(j, : ). min(1(i,:); endNo=4 5 6 7 8 9 10 11 12 13;For i=l: 10Net= newff ( minmax(P), No(i),3,'tansig' , ' logsig '); net. trainP. trainP=train(net, P, endepoehs=500 z goal=0. 001 :T):使用遗传

25、算法对数据进行优化针对所得到的优化函数和约束条件，利用 MATLAB中的遗传算法工具箱来 求解优化函数的最小值，写出M文件并保存在 MATLAB路径下，取名叫GANG. M。在fitness function空上填上GANG， Number of variable空上填上变量数为 4，限制条件如下面M代码表示：fun ctio nX，FVAL，REASON，OUT PUT, POP ULATION，SCORES=GANG% This is an auto gen erated M file to do op timizati on with the Gen etic Algorithmand%

26、 Direct Search Toolbox. Use GAOPTIMSET for default GA options structure. % Fitness functionfitn essFu nctio n=GANG:.% Number of Variablesnv ars=4：% Lin ear in equality con strai ntsAineq=1 0 0 0; 0 1 0 0; 0 0 1 0; 0 0 0 1;Bineq=350; 1500;1; 5;.% Lin ear equality con strai ntsAeq=;Beq=.% BoundsLB=150

27、 1000 0 . 1 3;UB=350:1500; 1; 5;% Nonlinear constraintsnonIconFun cti on=;% Start with default optionsop ti ons 2 gaop timset% Modify some parametersoptions=gaoptimset(options, 'PopInitRange； 0;100);'MutationFcn', mutationgaussian 1 1)；'Display', off):'PI otFc ns', ga pl otbestf ga pl otbest in divop ti on s=ga op timset( op tio ns,op ti on s=ga op timset( op tio ns,op ti on s=ga op timset( op tio ns,ga plotdista nee ga pl otex pectatio n ga pl otge nealogy ga pl otra nge)Bin eq, Aeq, Beq, LB , UB , nonIconFun cti on, o