[发明专利]一种基于改进BPNN-DE算法的硅铝合金车削工艺参数优化方法

说明书

本发明提高了一种基于改进BPNN‑DE算法的硅铝合金车削工艺参数优化方法（1）将数控车床车削硅铝合金的切削三要素及车削后硅铝合金表面粗糙度信息（以下统称数据集）按折交叉验证方法将数据划分为训练集与验证集；（2）将个训练集分别训练BPNN模型，得到个BPNN模型；（3）通过验证集验证BPNN模型集合的拟合准确率；（4）取步骤（3）中拟合准确率最高的模型作为改进DE的适应度函数，并使用改进DE算法对工艺参数进行优化，得到最优硅铝合金质量时对应的车削三要素，从而实现对硅铝合金车削工艺参数的优化。

技术领域

本发明涉及生产制造技术领域，特别是一种基于改进BPNN-DE算法的硅铝合金车削工艺参数优化方法。

背景技术

硅铝合金由于其具有力学性能良好，质量轻，强度高等优点被广泛应用于航空用电子器件封装外壳以及汽车零部件如活塞、空压机转子、刹车盘、缸套等场景。但硅铝合金存在的硬硅颗粒会使刀具在切削过程中生成积屑瘤以及较大的刀具磨损，导致工件的表面质量降低，极大影响了硅铝合金产品的制造与应用。在车削加工中，切削参数是影响工件切削性能以及表面质量的重要因素。因此，为提高硅铝合金车削质量，探究最优化的切削参数具有重大意义。

目前，在车削硅铝合金切削参数优化的方法中主要有三大类，一是传统物理建模并使用各类有限元分析软件来实现切削过程的仿真模拟，之后进行切削参数优化的方法。该类方法在建立物理模型前需要预先进行多种力学性能实验获取物理模型的本构参数，但材料的力学性能在动静态、不同温度、不同应变率、不同切削环境等条件下所反映的状态是不一致的。因此，使用物理模型进行参数优化并不准确。二是基于车削实验的方法，使用不同的切削参数进行车削正交实验，总结出各项切削参数对工件质量的变化规律，并使用正交实验中极差、方差分析方法进行优化。该类方法各因素俩俩水平范围间的数据并不参与其优化过程，因此该类方法难以学习到切削过程中切削参数变化对工件质量改变的复杂影响。三是群智能优化算法，该类方法绕开了车削加工的复杂底层机理，直接从符合数据分布的解空间中寻找出最优结果，因此该方法具有简单通用，优化效果好等特点。

目前，使用群智能优化算法对车削硅铝合金质量进行优化的学者越来越多，但存在如下不足：在硅铝合金车削质量优化中使用群智能优化算法的目标函数大部分都是采用多元线性回归、二乘法等对非线性关系拟合能力不强的回归预测模型，然而在实际加工中，切削参数与加工质量的关系往往呈现出复杂的非线性关系，而上述回归预测模型拟合非线性关系能力差。在硅铝合金车削质量优化中使用的群智能优化算法大多为原生未改进的群智能优化算法，原生未改进的优化算法通常具有种群多样性差、寻优能力弱等缺点。

发明内容

有鉴于此，本发明的目的在于提供一种基于改进BPNN-DE算法的硅铝合金车削工艺参数优化方法，该方法以车削三要素即车削速度、进给速度和切削深度与硅铝合金表面粗糙度作为训练模型的数据集，提出一种将BPNN与具有高斯混沌映射以及高斯变异的差分进化算法相结合的优化算法，实现硅铝合金车削工艺参数优化。

为实现上述目的，本发明采用如下技术方案：一种基于改进BPNN-DE算法的硅铝合金车削工艺参数优化方法，包括以下步骤：

(1)将数控车床车削硅铝合金的切削三要素及车削后硅铝合金表面粗糙度信息统称为数据集R,按K折交叉验证方法将数据划分为训练集C_t与验证集C_v,具体方法如下：

(1.1)将数据集R划分为K(K＞1)份大小最大为的互斥子集R₁,R₂…R_K，记R_c＝[R₁,R₂…R_K]，len(R)表示数据集R的数据条数，表示向上取整符号；