【《基于遗传算法的机械加工工艺参数优化研究》16000字】

·第1章绪论1.1研究背景人工智能的本质在广义上可理解为计算机科学的一个研究发展的方向。其实用功能在于试图理解“智能”二字的内在含义，它能够像人的大脑一样智能的做出反应，并为制造出一种新型的智能机器而努力。其研究的领域可以包括语言识别、数据处理、机器人等方面的内容。自其问世以来，通过多学科交叉的科学家、研究人员们的不懈努力使其硬软件技术与理论方面与逐步走向成熟的方向，越来越多领域在逐渐应用这项技术。我们可以大胆的预测，在不久的将来人工智能会给我们带来许多较为实用的研究成果，给人们的生产生活带来触手可及的便利，将能成为人类智慧的“大脑中心”。这项技术可以对实际生活中的人的思想过程进行模拟，大脑工作处理信息的工作过程，人工智能不仅仅是人类的智力的简单累加，但是它能够可以像人类一样具有独立思考问题的思维能力、思维模式，在一定程度上甚至可以超越人类。随着研究人员的深入工作，发现此方法仍具有美中不足的瑕疵。例如，当在进行某些函数的计算时，使用较为复杂的非线性函数，这种方法具有局限性，其中的某些基本功能不能表现出来，简单来讲就是在无形之中限制了它的应用范围。近几年来中国经济已步入高速发展，迈向高质量发展的阶段，今年也是十四五规划的开篇之年，工业发展也是仍为重头戏，不容小觑。传统劳动力匮乏的时代已经过去，现代缺少的是高素质、知识型、复合型人才。以人为控制的传统机械加工工序、工艺地进程，出现或多或少的误差的情况是难以避免的，也许这些误差肉眼看不到，但却有可能对零件的质量、装配质量产生较大的影响。在科学技术高速发展的当今社会，把这两种技术相结合，可以减少人为计算的误差，从而使机械加工过程质量得到保障，提高装配质量，以符合现代经济发展的需要。1.2研究意义即使遗传算法具有较强的机械加工能力，易于实现自动化，但由于加工过程比较复杂，多种因素作用于其加工效果，据此，其加工设备出厂时纵然可由操作者根据说明书进行操作，能对不同的工况和加工工件进行标定，但对新的加工工件种类和新的加工要求，机床操作者很难根据操作使用说明书和以往的经验对参数进行选择与设定。为此对于基于AI的机械加工工艺参数优化问题的研究，这项工作对于改善机械加工的精度问题和提高机械加工效率不失其深远的影响。科学技术的进步，给各行各业的生产加工也带来了新的面貌，金属产品在各行各业的领域中的需求也越来越大。以人工智能为基础的机械加工制造技术能够加工多种硬度范围的金属，且能加工出非传统机械加工方法可以加工的表面形状，在无形中也能改善企业的经济效益的组成部分，给企业带来更多可观的生产效益。1.3国内外研究现状1.3.1机械加工在线参数优化的国内外发展状况在生产制造加工行业领域中，我们通常所了解的在线加工参数优化技术就是自适应控制理论的应用。对机床主轴转矩、切削力、刀具温度、进给量、背吃刀量等影响因素进行实时监测，通过设备反馈出的信息对切削参数进行及时调整，可以改善切削效率，改观加工质量。从上个世纪六十年代至今，微电子技术、计算机技术的发展速度较快，自适应控制系统的组成趋于简单、简练和廉价化，较大推动了加工参数在线优化方面问题的深入研究。外国的某公司在技术指导下，在上个世纪六十年代较早的研发出了优化自适应系统，它的工作系统的组成部分比较复杂。自适应控制器可以对机械振动、切削力矩、刀具温度等参数进行测量，它提供的进给速度也较为良好，对加工过程较为有利，可以提高加工的效率，降低加工工件所需要的生产周期。但是任何一项技术都是经过科学研究，大量的做实验分析数据总结出来的经验，都具有一定的实用性。但是在实际的生产加工中会出现许多意料之外的状况，研究人员应该根据不同的生产情况进行及时的处理，对生产工艺中的各类参数、刀具等及时分析、完善，这样才可以展现出其较优越的性能。1.3.2机械加工离线参数优化的国内外发展状况在现代化的企业生产加工中，为了达到较为可观的加工精度，提高生产效率，其关键问题在于加工前是否能对产品质量的合理预测和对工艺参数(如进给速度、背吃刀量、切削速度、刀具的合理选择等)能做出合理的判断。如果可以建出以产品质量分析预测为基础的机械模拟系统，我们可以验证对机械程序的准确性，可以对刀具和工件的几何描述更加准确。根据加工过程中假设的模型，可以对影响加工质量的变量，如机床的振动状态、温升温降、夹具应力、接触疲劳、工件的弯曲应力、刀具磨损等因素进行较为科学地预。我们知道在加工过程中可能出现的问题，就要想办法去积极地处理这些问题，对生产加工的各方面进行优化，才能对加工中更好的设置工艺参数。此仿真系统既可在实际加工前获得较为可观的加工参数，尽可能避免刻板的根据手册或者工作经验而保守地选择传统加工参数的做法，较大程度的发挥了机床的工作能力，进而提高了生产和加工效率。可以计算出满足加工精度要求的误差补偿方法，进而设计出较为合理的机械加工工艺方案。完成上述工作各项步骤，才可使得机械仿真系统发挥出更大的作用，才可能成为一个实用性强的的仿真系统。部分高校的老师、研究人员经过长期的努力工作开发出能对机械操作工人进行培训的虚拟机床模拟器，这种机器从广义上可理解为真实存在的，它的工作是为了帮助培训技能熟练地操作工人，提高生产加工的效率。日本部分公司开发的人工智能系统，可以将三维仿真应用于球头铣刀加工的自由曲面之中，可以对它的碰撞、干涉等内容进行检测。在对机械加工的仿真过程中，现在应用较多的仍然是用理想的几何图对其几何仿真的准确性进行验证。在这个过程中，我们把它们都假设为只具有几何形状的刚体，并没有考虑外部受力等其他因素对加工过程的影响。机械加工的仿真系统是一个较为好用的模拟系统，我们只需要硬件的电脑配置或机床配置满足使用要求就可以，可以在虚拟环境或者显示屏上对加工的过程进行模拟，不必要必须在机床上调机、对刀、试切等一系列操作，能节省人力、物力、时间的消耗，他受许多生产师傅的喜欢。但是开发、调试、使用系统需要很多工作人员完成较大的工作量，科学技术还在不断地进步，工作人员的工作也在与时俱进。第2章理论概述2.1遗传算法概述在自然环境中有许多生物群体，他们具有能在产生后代过程中自然优化的能力，所以生物群体在繁衍后代中可以产生进化就比较常见。早在上个世纪已经有科学家开始对自然界中生物进化中的基因的优化思想、方法进行研究。生物进化的思想也逐渐的由科学家的思维、理论研究、各类模型模拟应用的到实际生产生活中的各类学科的工程领域中。上个世纪八十年代以后关于遗传算法的的许多研究成果都是在按部就班的进行中。在工程中自适应控制、优化设计、设备故障诊断、切削加工等许多方向的研究中，这个算法在这些实际的生产加工领域中也逐渐应用。最早提出遗传算法概念的科学家是美国的科学家，这个算法提出的基本根据大自然的生物进化论规律。这种方法的文化背景是自然环境中生物的进化过程，根据这个进化的过程来设计模型，并把它应用到运算过程中，在实际生产问题中寻找最优解的一种方法。理论基础是生物学中进化论中的生物遗传规律，模仿自然选择的生物进化过程建立计算所需要的数学模型。对生物在外界环境中的遗传、进化过程进行理论假设，模型建立，数学计算所提炼综合的一种比较优良的算法。它是以适应度函数值为根据来解决问题，初步判断解决问题的方法的优劣性。生物的进化过程可用计算机来进行模拟，在搜索的过程中积累、主动获取一些有帮助的信息。在这过程中可以自适应的控制搜过过程，可实现在较大的参数空间中对问题的最优解进行有效的搜索。2.2遗传算法的基本概念因为遗传算法是以生物进化理论的规律为基础，但是又是在它的基础上进行优化的一种方法，所以在一些概念、原理、数学规划、方法手段等方面一．个体在遗传算法中用来模拟生物染色体的一些二进制的代码称为个体。这些二进制代码是我们用来表示优化问题的所设置的我们可以用二进制的代码来表示个体5位的二进制代码可以表示很多个体，但是最多可以表示出32个个体111111个体211110个体311101个体411011个体510111以此类推至个体3100001个体3200000二．群体我们将由一定数量的个体所组成的集合称之为群体我们将由一代生物群体繁殖产生另一代生物群体的过程称之为生物进化的过程。从本质上看遗传算法是对一代群体向另一代群体变化过程的模拟，所以在遗传算法中“群体”二字是体现其算法特点的一个重要概念。在遗传算法中，优化模型中若干个解组成的集合和群体是一对一的对应关系。与群体的概念有关的另一个概念是群体规模我们将群体中所包含的个体的数量称为群体规模初始化群体：初始化群体在一定程度上反映着问题的初解，所以优化模型的初始解与初始化群体存在着相对应的关系。我们又可将初始化群体称为原始群体。三．模式阶次我们将基因模式中包含相似位置的数目称为称为模式阶次四．模式定义长度我们将基因模式中相似位间距的最大距离称为模式定义长度。我们通常将位串的个数设为模式定义长度的单位。模式的定义长度、基因模式的阶次是对基因模式相似性的定量描述的不可或缺的指标。所以，基因模式可用来分析个体间的相似性，在遗传算法的工作过程中具有很好的优越性。五．基因模式我们将二进制位串中的个体的某些部位上具有相似性的个体组成的集合定义为基因模式。例如我们给出的二进制位串中包含的6个基因模式如下所示H1H2H3H4H5H6在上面的基因模式中，*处所代表的意义是该处的代码可为1、0基因模式H2代表在位置6、5、4、3、2的代码为0、1、1、0、1。基因模式H六．繁殖我们将由一代群体繁衍产生另一代群体的方式定义为繁殖。由父代个体繁殖产生下代个体是遗传算法中较为重要的步骤。突变、杂交、选择等算子是目前较为流行的繁殖方式。七．选择我们将按照既定的某些标准从上一代的群体中挑选参与繁殖下一代群体的一定数量的个体称为选择。八．适应度我们将以数值方式对个体优劣程度进行描述的方式称为适应度。在遗传算法中来评判个体优劣的不可或缺的指标是适应度。在物理意义上适应度就是与优化模型中的目标函数为相对应的关系。九．杂交我们将在优选后的父代个体中进行对基因模式的重组所产生的后代个体的繁殖机制称为杂交。在个体进行繁殖的过程之中，基因模式的重组可能会由杂交引起，所产生的的个体可能包含优良的基因模式。十．突变我们将模拟在自然界中生物由于许多偶然因素引起的基因模式突然改变的个体繁殖方式称为突变。2.3遗传算法的简介生物的进化论为生物的进化提供理论基础，在此基础上由上一代的生物群体繁殖产生下一代的群体。我们从抽象的物质中提炼出一般思路，对生物进化的过程进行抽象、模拟、分析总结出来的遗传算法的主要内容即为对生物群体的进化过程的模拟。其主要内容包括如下几个方面的内容（1）将最优个体转化为所求的优化解（2）判别群体进化是否收敛（3）群体的初始化（4）后代个体的繁殖（5）构造适应度函数约束条件、设计变量、目标函数是我们优化模型的设计中的三个要素。通常用编码技术对变量进行编码，可使其转化为有利于群体进化的表示形式。遗传算法的适应度函数可将目标函数在对其进行处理的过程中隐含与适应度函数中。当群体进化的过程进入到尾声时，该个体对应优化模型的最优解，此时的适应度值最大的个体对应的目标函数值即为最小值。我们通常由选择一定长度的二进制代码对所设置的变量进行编码。这种编码方法对在计算机上进行模拟进化过程的繁殖机制具有一定良好的优越性。适应度函数是我们通过对优化模型的目标函数进行数学变换所得到的，由适应度函数作为中间媒介，优化模型的目标函数即可与适应度建立起定量或定性关系。对适应度值的调整可实现目标函数逼近最优解，这个过程贯穿于群体的进化过程中。适应度函数的建立可在遗传算法的进化与优化问题之间架起一座便捷的桥梁。这样遗传算法的适应度就与优化模型的各类要素之间建立起了对应关系，复杂问题的优化设计通过遗传算法来求解表现出可行性。我们在解决实际问题时可先将所需要优化的问题的初始的解转化为个体，第一代中群体中剩下的个体可随机产生。群体初始化即为产生部分数量的第一代个体。但是需要注意的初始化群体与群体进化过程中其余各代群体的产生这两者的概念是不一样的。一般经过杂交、突变、选择等方式进行后代群体的繁殖。繁殖算子是遗传算法中不可或缺的内容，它对群体的收敛、进化起着较大的影响作用。我们可通过最优个体适应度的变化率、各个代种群的平均适应度的变化率来对群体进化的收敛性进行判别。如果许可精度大于最优个体适应度的变化率和种群平均适应度的变化率，在这样的情况下我们可以认为群体的进化方向趋于较为稳定的状态。我们基本可认为群体进化收于某一状态或某一数值，群体进化的过程到此可以结束；如若不然，我们应继续对群体进行它的进化过程。遗传算法流程图如下所示构造适应度函数建立变量个体映射关系初始化群体构造适应度函数建立变量个体映射关系初始化群体进行选择算子操作选择繁殖算子繁殖后代个体选择最优个体输出最优解本带个体繁殖结束否N群体进化收敛否N我们可根据遗传算法的优良性能设置例子来体现遗传算法的优越性2.4遗传算法的举例设置目标函数为z=x2+y设置约束条件为1.45≤x≤6.65-4.2≤y≤4.32在此处我们将突变概率设置为0.02，杂交概率设置为0.75，个体位串数设置为20,将群体规模设置为8。计算结果如下表所示，个体由两部分组成，两部分位串分别对应x,y表2-1群体代数015102024个体1对应y110010101110000101001001110101101001101100000101010100011010对应x110010110000010011100000101110000100001010101011101111110011y2.3421280.1603080.9188621.216027-3.835758-1.794718x5.4686201.8812291.7248261.8225794.8528806.441345个体2对应y010011010110001101011010001101100100100110100111011010000010对应x111101000000001000010010001001010101101100001010110000101001y-1.5835750.4183741.1065460.5757831.2316701.020525x6.2702791.6618872.1695963.1759891.7101631.700389个体3对应y11111011111010101111101101011110100011011010011011101001101对应x110111000110101110010010001010001000100100010000100000101011y3.8748751.3724311.6852361.1065461.2160281.231668x5.8059604.9066452.1744852.1695961.8225791.710164个体4对应y111011011111001110111110000001101101101110100100001010011011对应x011100000110011000010101001011000100001000011001110001000010y3.4369472.4672503.0146601.7165171.1300091.216031x3.6945244.4765383.1177891.8225782.0034181.822581表2-2群体代数015102024个体5对应y110011101111000110101111010111010011101100100000000001111101对应x100110000111001010100100100110011010000010110101110101111110y2.4672502.2091873.687193-1.536655-2.999020-3.022485x4.4765375.4589422.9369473.5332345.0532733.367055个体6对应y001111110100100000011111100001111011100001010001000011001011对应x010011010100001111111000111001010101010100111011000000010010y-2.021503-2.9912023.7653943.444768-1.466274-2.412510x3.0102621.8079164.2810373.1667632.6534681.587975个体7对应y101010111101100100010100100001000010100001111011011101001111对应x101011100101110101010010010011011000001110111010111010001100y1.372432-0.864127-1.739982-3.687193-0.1446732.623657x4.9066453.7922752.2184733.3914945.1510244.686706个体8对应y010000100100010001011001000111101101111101101011110001110110对应x011110110000000000001011011110000100011110111111001111011010y-1.927665-3.4525920.5591421.747803-0.629523-3.077225x3.9046941.5010325.0874861.8470215.2341156.619160z23.86576020.5637625.5637294.6015634.1356923.763514x4.8795503.9837652.1076981.6235611.5369211.596492y1.2896831.3286741.1032461.1858301.1598321.010263第3章遗传算法的工作原理3.1遗传算法的基本内容通常我们将无约束优化的问题表示为下列形式minf（x）x=[x1,x2,x3, ai≤xi≤ai为变量的下限，bn为所设计的变量的数目建立适当的适应度函数在遗传算法中描述个体性能的重要指标是适应度函数。如果某个个体的适应度值越小，那么这个个体的性能就较差。如果某个个体的适应度值越大，那么则表示这个个体的性能较好。我们通常将适应度值设置为大于零的正数，这样对我们分析适应度函数与目标函数之间的变量关系更有利。通过函数计算、模拟能更直观的展现出误差的分布、最优值的分布。因为在遗传算法中对个体进行进化、选择是根据适应度的值来进行的，所以我们要在个体的适应度与约束优化问题的的目标函数之间建立一定的映射关系，这样对我们在群体进化的过程中寻找最优解更为便利。通常情况下，在实际生产生活当中优化问题的目标函数可能会根据实际所需要优化的问题而改变。我们应从多方面的角度去考虑实际问题。在群体进化的过程中适应度朝向极大值的方向逼近。我们若在算法中的适应度和所优化问题的目标函数的二者之间建立一定的关系应该对所优化的问题的目标函数给予适当的转化，这样才能给所设问题有更好的解答。在将目标函数转换成适应度函数的过程中，有以下的原则需要我们了解在优化过程中目标函数的变化方向、适应度函数在群体进化中的变化方向，这两者的方向应朝着同一走向我们所设置的适应度的数值为大于零的正数，这样便于我们在求解的过程中发现最优解我们可通过如下所示的公式，建立一个适应度函数且与目标函数之间存在映射关系，来体现求解最大值的优化过程。F（x）=f（x）+C其中，C是设置的一个可调参数，它的作用是使得适应度函数F（x）恒为正值f（x）是所求最大优化问题的目标函数F（x）是运算中设置的适应度函数我们通常采用如下所示的公式建立适应度函数，这样可使得适应度函数不小于零F（x）=Cmin的条件为f（x）<0；（2）的的条件为f（x）>0其中，Cmin是设置的一个可调参数，C适应度函数与目标函数之间的映射关系不是唯一的，他们之间的关系还可以由其他形式的函数关系式来表示。例如我们将用指数函数来建立适应度和目标函数之间的映射关系。F（x）=Cf(x)我们可通过如下所示的公式，建立一个适应度函数且与目标函数之间存在映射关系，来体现求解最大值的优化过程。F（x）=C-f（x）其中，C是设置的一个可调参数，它的作用是使得适应度函数F（x）恒为正值F（x）为设置的适应度函数设计变量、个体二者之间的映射编码可以显示个体、设计变量这两组量之间一定的映射关系。在数字0、1在被放入到编码的过程中，他们便开始了新的旅程。我们也不是随意的将许多数字0、1杂乱无章的随机地组合在一起，在这个过程中也需要注意一部分规则。例如，是否要考虑模式阶次的高低问题、模式数目的大小问题、位串定义长度的长短取舍问题、数据是否容易处理，这些问题对编码的过程、后续数据处理、数据计算等步骤产生较为的影响。假定编码的方式有多种，我们在这里选取两种常用的编码方式进行简略的描述。一种是k进制的编码，就是包含k个字符；另一种是二进制编码，其中仅包含两个字符。在两种编码方式的位数不一样的情况下，也有可能产生数量一样的编码数。我们假设k进制编码的位数是t,二进制编码的位数是j,k和t存在着下列的关系式2j=编码位数为t的k进制码的模式数是(k+1)t。编码位数为j的二进制码的模式数是3k>2的时候,下面的不等式关系成立。3j>从上面的关系中我们可以看出在遗传算法中经常使用二进制编码的方式，是因为它具有比其他多进制编码更能反映基因模式的多样性的特点。例如，设计变量是xixi=ai+M=(x其中，ai是变量的下限；bM是由二进制代码所编制的与其相对应的十进制的转换值从上面的公式可以看出，当l的值趋于无穷大的方向时，这时的离散间隔有趋于零的趋势。当l的取值较大时，离散间隔就朝着越来越小的方向发展。群体初始化给群体规模一定的赋值q，我们通常可以将群体的规模设置在60以上给所需优化问题的初始解x0=[x1,x2,x将由随机产生的w个l位二进制的代码作为其中的某个个体当种群中的个体数目达到q为止，可截止初始个体的产生群体繁殖选择在上一代的群体中选择一定数量的个体，让他们作为下代群体繁殖的父代。应将适应度大的个体被选择的概率较大作为在选择过程中所需坚持的规则。RSIS选种法、线型比例模型法、轮盘选种法等方法是我们经常使用的方法。将所有个体的适应度之和假设为一个轮盘，把轮盘上的某些部分根据适应度的大小和每个个体对应起来。拨动轮盘上的指针针让它旋转起来，当指针停下来的时候，某个个体就被选中。当上述步骤进行到一定的次数时，选择到我们所需要的个体，就可以停止进行上述的操作步骤。可以得出结论，在轮盘选种法中，个体被选中的几率大小与个体的适应度越有较为紧密的联系。但是，理论方法与实际操作具有一定的差异性。在实际操作随机选择的过程中某些适应度较小的个体也有可能会被选中；某些适应度较大的个体也有可能不被选中。根据适应度的小数、整数值分别对个体进行选择的方法是RSIS选种法。适应度的小数部分可作为随机选择个体的依据，整数部分可作为确定性选择个体的依据。这种方法在一定程度上能把优良的个体保留选择出来，在实际中操作中克服了轮盘选种法的一些不足。产生后代个体通常情况下是采用随机选取的方式选取繁殖算子。广大学者通过许多研究表明当随机概率在范围0.01~0.02时可用突变算子产生后代应用于优化问题较为合适。当随机概率的范围在0.6~0.8时采用杂交算子产生后代应用于优化问题较为合适。用基本繁殖算子进行个体的产生，后代的个体数达到所需要的群体规模的数量时，可以停止后代的产生。对群体的收敛性进行判别通常情况下可通过最优个体适应度的变化率、历代群体平均适应度的变化率对群体的收敛性进行判别。如果这两个量的变化率小于规定的许可精度，这个时候在广义上我们可以认为群体进化处于较为稳定的状态，进化过程基本收敛。此时可以停止群体的进化过程，如果没有达到收敛的状态那么则继续进行群体的进化过程。输出最优解在群体中挑选适应度最大的个体，按照前述的公式将最优个体进行转化就可以得到所需要优化问题的目标函数值和最优解。如果要对于约束优化问题进行求解，可以先把所求的约束问题转化为无约束的问题，后续可采用遗传算法对该问题进行求解。3.2适应度的比例变换在做算法、函数研究，数据处理等方面各种算法都有各自的特点，没有绝对的好与坏，好与坏都是相对而言的。遗传算法中有具有多搜索的特点。如果适应度值高的个体数量比较少，群体规模的数量不是很大的时候，如果采用前面所介绍的方法繁殖后代，会出现在繁殖过程中少数优良个体占比较大的现象。群体繁殖可能会失去多样性，可能会出现过早收敛、陷入局部解的现象，这种现象对我们计算求解过程是不利的，我们应该尽可能避免。在遗传算法中我们应对适应度的值进行适当的调整。线型比例变化法我们给个体的适应度函数设置为f,设它的经线性变换后个体的适应度函数为F。可得到如下的线性变换的关系F=Af+B其中A、B是系数，他们应该满足以下条件线性比例变换前后个体的平均适应度值未发生改变线性变换后个体的最大适应度值与原个体的平均适应度值呈一定的倍数关系Fmax=C*其中，FavgFmaxC是取值在[1.2,2]范围内的可调参数当群体进化处于后期阶段时，其中会存在有适应度值较小的部分个体，他们的适应度值与平均适应度值相差较远。当经过线性变换后这部分个体的适应度值会变为负数，但这种情况是不允许出现的。所以，为了避免这种情况产生我们可在其中增加线性比例变换后的某个个体的最小适应度值为非负这个限制条件。上面所讲的问题以及可能出现的情况，对我们在实际的生产生活中可能带来不便之处。我们可参考科学家提出的新的解决办法。先对适应度值进行预处理、调整，然后再进行线性变换。f1=f-（f-cc1σ是群体中个体适应度的平均值f是个体适应度值的平均值f1幂比例变换法这个方法是科学家在上个世纪八十年代研究提出来的。可使变换前后两者适应度值满足满足如下所示关系F=fkk是经验系数。通常情况下经验系数的取值随不同的实际问题而不同，在群体进化过程中可发生适当的变化。从实际的生产生活的经验来看，幂比例变换后群体的进化效率与线性变换法相比较低。具体那种方法较好，适合应用于实际生产生活要根据企业生产的实际情况和设计人员的素质情况综合来进行选择。第4章基于遗传算法的机械加工工艺参数优化分析4.1机械加工工艺选定在数控机床上对待加工零件进行切削加工的一种工艺方法我们称之为数控加工。从宏观的角度来看传统机床加工与数控机床的加工工艺规程有很大的相似性，但是也不完全相同，与具有许多不一样的改观。数控加工是与计算机、自动控制等学科领域相结合的一种加工方法。他用数字化的信息控制零件的位移、刀具的位移、二者之间的相对位置关系的改变的一种切削加工方法。数控加工能对加工零件品种的多变性、多样性具有较强的适应能力，也能适应形状复杂、批零不稳定，加工精度要求较高等现实生活中的具体加工要求。数控机床的组成部分如下图所示强电柜强电柜零件图样程序编制加工工艺辅助装置ATC刀具自动交换APC工件自动交换液压系统润滑装置冷却液装置排屑装置过载与限位保护插补运算位置控制可编程控制器PLC接口接口主控制系统接口接口显示器操纵键盘程序介质CADCAM伺服驱动主轴驱动伺服电动机位置检测机床主体电源主轴电动机图4-1主传动系统主传动系统一般包括电气控制的无级调速和齿轮有级调速这两种调速方法。它在机床切削加工工作时是传递扭矩的较为重要的部件之一。强电控制装置。强电控制装置通常也称为强电柜它是介于机床机械和数控装置、液压部件之间的控制系统。通常由电源开关、变压器、接触器、中间继电器、各类电气保护元件、接线端子等部分构成。（3）数控系统作为数控机床加工的核心命脉，数控系统起到不可替代的作用。其组成内容包括I/O接口、操作系统、控制系统可编程控制器等内容组成。能实现多种函数的插补和多坐标控制的功能、通信和互联网功能、信息转换功能、多种程序输入功能、编辑和修改功能、自动诊断功能等功能（4）伺服系统伺服系统主要由位置反馈装置、伺服电动机、驱动控制系统等部分组成，其作为数控系统的执行部分也起到较为重要的作用。伺服系统有三种类别，包括闭环、开环、半闭环。（5）机床主体部分机床主体部分是指机床机械结构的实体部分。它与普通机床相比并不缺少基本的组成部分，基本的组成部分均较为完整。但此类机床具有较为优良的额其他特点。例如，采用较为封闭的罩壳、床身机架具有很高的刚度、具有自动交换工件、夹紧与放松工件的机构、采用较为高效的传动部件，如直线滚动导轨副、滚珠丝杠传动。伺服系统的类型如下图所示（1）开环步进指令信号步进指令信号步进电动机驱动电路步进电动机工作台图4-2（2）半闭环伺服电动机伺服电动机驱动电路伺服电动机工作台比较装置移动指令信号移动反馈信号图4-3（3）闭环伺服电动机伺服电动机驱动电路伺服电动机工作台比较装置移动指令信号移动反馈信号图4-4在此篇文章中我们选用数控铣削加工为研究对象，来研究人工智能型神经网络对其机械加工效果所产生的的影响。我们以实验为基础，对其优化后的工艺参数模型的工作运算性能，与应用一般的神经网络算法所构建的优化模型进行对比，再后得出改进参数的各种结论。4.2数控铣削加工工艺分析在实际生产生活中，我们将由数字控制系统发出指令使刀具根据其指令做出符合规定的各种运动的加工称之为数控加工。在数控加工中工件的形状、工件的加工要求、刀具需要执行的加工指令、刀具和工件的位置关系等信息均是由数字和字母所表达的。例如以最小加工时间、最高能量效率为优化目标所采取的连续禁忌法对数控铣削加工的工艺参数进行优化求解。以获得较优的工件表面质量为目标，对工艺参数进行优化。以较大的材料去除率、较低的碳排放、较高的能量效率等为目标将多目标转化为单目标对铣削加工的工艺参数进行优化求解。1.加工中的功率模型的表述通常我们分析机床的消耗功率时，可分为负载功耗、基本功耗、主传动功耗、进给功耗。各加工功耗如下图所示图4-5进给功耗运动部件在运动过程中完成工件或刀具的进给所消耗的能耗称之为进给功耗。可表示为Pf=k1*vf+C1其中vf（2）基本功耗包括输入、输出设备功率P1、控制面板功率P2、电控制冷装置P3、照明灯基本功耗可表示为Pb=P1+P2+P3（3）负载功耗Pcut=C2*aey1*其中y1-y4为拟合系数、C2为修正系数、a（4）主传动功耗它是机床功耗中最多的一部分。由数控机床的主轴旋转运动所消耗的功耗。可表示为Ps=k2*n2+k3*n+C3其中C现在在实际生产生活中数控机床的主轴电机多数采用变频变压的控制方式，我们认为这部分的功耗是一个非单调的函数。2.切削比能模型的建立在实际生产生活中我们将某零部件在加工中机床在去除单位体积的材料的过程中所消耗的能量定义为切削比能。这个指标可以间接的反应机床在切削过程中的能耗情况。当在切削加工中去除的体积量为恒定值时，切削比能的数值越低，就表示机床在这个过程中所消耗的能耗越少。切削比能可用公式表示为SEC=PnMRR=N表示为铣刀的齿数数量PnMRR表示金属的去除率3.表面粗糙度的模型建立我们用经验公式来建立表面粗糙度的函数关系Ra=C5*aeb1*ab1~b4是所设置的拟合系数，对实验中所需用到的数据的测量，图4-6为所用到的设备图4-6表4-1铣削实验测量结果的参数值序号n/（r/min）faaPSPidPairPnRa/μ115000.021.52.0459.61702.71759.41793.220.47215000.031.82.5459.73726.68744.81813.460.50315000.042.13.0459.53726.66765.60867.620.72415000.052.43.5465.50734.60757.15934.580.99520000.021.83.0470.05827.03832.28910.720.34620000.031.53.5466.45815.94823.05936.280.43720000.042.42.0467.56809.74851.05962.140.80820000.052.12.5460.15807.03818.73993.700.67925000.022.13.5460.91863.38889.361014.030.401025000.032.43.0458.37857.05881.911076.780.511125000.041.52.5457.67859.32911.031011.350.671225000.051.82.0460.08859.44878.151050.270.651330000.022.52.5456.13892.42941.701070.260.391430000.032.02.0465.17903.11922.211067.220.581530000.043.53.5464.92906.53957.351151.600.431630000.053.03.0462.88907.43932.121134.560.54表4-2序号n/（r/min）faaPnMRRSEC115000.021.52.0793.203612.203215000.031.82.5813.478101.004315000.042.13.0867.6215120.574415000.052.43.5934.5725200.372520000.021.83.0910.718641.055620000.031.53.5936.3712600.744720000.042.42.0962.1215370.627820000.052.12.5993.6821010.473925000.022.23.51014.0314700.6921025000.032.33.01076.7821600.4971125000.041.52.51011.3515010.6751225000.051.72.01050.2618000.5831330000.022.42.51071.2814400.7451430000.032.22.01067.2315130.7081530000.041.93.51151.6030230.3831630000.051.43.01134.5527000.4214.3多目标遗传算法的优化与分析在该方法中相当于基因的是待优化的变量。（1）在参数的定义域内生成n个铣削加工的参数组合。采用迭代的方式把这些个体的集合当做初始种群（D(k)=(x1(k),x2(k),…,xn(k)）)开始进化。逐渐形成新的种群（D（2）对其适应度进行计算，得出解的优劣性。然后在解集中选优（3）继续进行种群循环。当循环次数达到设定值时，停止算法，把最优解输出。在此我们将表面粗糙度、切削比能设为优化目标，建立数控铣削的参数的优化模型,设函数为minSEC（ae、ap、fz、n）minRa（aes.t.xmin<xi<设置适应度函数为y=-1765*x3+7722*x2-1.095*将表面粗糙度和切削比能进行三次拟合、二次拟合，所得到的曲线如图4-7和4-8所表示。由图4-7可以看出参数的点集基本比较均匀的分布在用参数代入进行计算所得曲线的两侧方向。切削比能与机床所消耗的功率关系较为紧密。在实际生产生活中所测得参数、计算的结果和在实验中所测得数据计算的结果这两者之间可能存在有有一定的误差，但所得的结论基本符合实际规律。图4-7用描点法将根据参数计算出来的切削比能、表面粗粗度的值在图中表示出来。这些点的分布情况和用曲线方程拟合出来的结果相差并不多，这些点集基本上较为均匀的分布在曲线的两侧方向。从图中可以看出工件的表面粗糙度与切削比能的大小呈现出较为紧密的关系。根据常识我们也可以得出结论，一般情况下，当在机械加工的过程中，机床所消耗的功率较多，零件的加工质量相对来讲会有更高的精度。如果当机床所消耗的功率较低时，这时分配在主传动上的功率可能也较少，切削主运动消耗的功率较少可能会导致加工精度不够高，工件的表面较为粗糙，表面粗糙度的数值较大。这基本与实际生产生活中的规律较为接近。图4-8在实际加工的过程中，存在许多影响实际加工的表面质量质量的因素我们将这些因素和概率分布结合起来分析。在图4-9中，从估计概率密度函数的分布图、概率密度函数的等值线分布图中大致可以看出当表面粗糙度为0.55μm，储备功率为460W时，热度条上的热度区域值较高。从估计累计分布函数的分布图、累积分布函数等值线的分布图中大致可以看出当表面粗糙度1μm，储备功率为460W时，热度条上的热度区域值较高，这个值可能就是实际加工中的最优解。这两者仅为估计的函数分布，仅作为参考。在实际上生产中还是要根据实际的生产条件进行适当的调整。图4-9在图4-10中，从估计概率密度函数的分布图、概率密度函数的等值线分布图中大致可以看出当表面粗糙度为0.55μm，储备功率为460W时，热度条上的热度区域值较高。从估计累计分布函数的分布图、累积分布函数等值线的分布图中大致可以看出当表面粗糙度1μm，储备功率为460W时，热度条上的热度区域值较高，这个值可能就是实际加工中的最优解。图4-10在图4-11中，从估计概率密度函数的分布图、概率密度函数的等值线分布图中大致可以看出当表面粗糙度为0.53μm，机床功率为1100W时，热度条上的热度区域值较高。从估计累计分布函数的分布图、累积分布函数等值线的分布图中大致可以看出当表面粗糙度1μm，储备功率为1180W时，热度条上的热度区域值较高，这个值可能就是实际加工中的最优解。具体的参数值在实际加工中要根据实际情况进行调整。图4-11我们应用Matlab数据处理软件对试验数据进行优化分析求解，得到spread的变化趋势如图4-12所示。在所得的图4-12中可看出表面粗糙度的数值和切削比能的数值呈现出近似负相关趋势的函数关系。当切削比能的值较小的时候，能降低机床的功耗，对于半自动化或自动化生产线同时也能降低人工的成本，此时对节约经济成本较为有利。当表面粗糙度的数值较小，也就是加工表面质量较高时，在这个阶段过程中机床必然会消耗较多的功率，此时切削比能数值较大，机械加工的效率也就在无形之中降低了。同时由于连锁反应，在生产线上人工的成本也会可能升高，生产加工中其他流程的成本也会相应的增加，这种情况对于节约成本较为不利。图4-12在用数据处理软件进行数据处理时，当需要优化的优化参数、优化目标在算法中迭代到210代时，我们所需要的优化结果基本趋于稳定的状态，对于优化后的部分解集我们把它们提取出来做成表格，如表4-3所示。（假设优化过程试验设定的迭代的上限为210代）。在表4-3中我们可以看出转速n和切削宽度ae表4-3序号n/（r/min）fzapaeSEC/（mm3Ra/μ12885.5000.0482.1573.4560.300.6322891.0030.0211.5823.4640.780.3132889.1990.0221.7453.4750.690.3442889.3520.0261.7033.4680.620.36为了验证在机械加工的过程中优化后的参数对其工作过程的实用性，我们把优化前后的部分结果做了对比。如表4-4所示。由表4-4中的数据分析可得，当处于半精加工过程阶段时，将优化参数应用在此过程中时，此时的表面粗糙度为0.283μm，相比于未应用参数优化时的数值0.500μm，表面粗糙的数值降低了大约43.4%。也就是可以提高表面加工的精度。当处于粗加工过程阶段时，将优化参数应用在此过程中时，此时的切削比能数值为0.271（J/mm3），相比于未应用参数优化时的数值0.500（J/mm表4-4加工状态n/（r/min）fzapaeSEC（J/mm3R经验加工25000.032.53.00.5000.500粗加工试切值优化值289028900.040.042.52.53.43.40.2680.2710.7210.682半精加工试切值优化值289028900.040.042.52.53.43.40.8480.8350.2900.283从上面的分析过程我们可以看出，把优化后的铣削参数应用到工件的粗加工、半精加工的过程中，零件的表面粗糙度、切削比能与用一般的生产经验所得的参数进行计算相比均有所降低。优化参数对提高加工过程中零件的表面质量、降低切削比能有作用。在实际生产生活中还有许多参数会对整个加工过程影响，优化参数的工作还有待进行。第5章结语我国的经济发展趋势大为良好，经济增长在逐年递增。我们国家均以提高国家治理效能、增进民生福祉水平、提高社