[发明专利]基于改进BPNN-DE算法的硅铝合金车削工艺参数多目标优化方法

说明书

本发明提出一种基于改进BPNN‑DE算法的硅铝合金车削工艺参数多目标优化方法，首先搭建以切削速度、进给速度、切削深度作为输入，表面粗糙度、材料去除率、能耗作为输出的BPNN模型，并对DE算法做出改进，提高原生DE算法的种群多样性与寻优能力，之后将BPNN模型的输出结合几何平均法作为改进DE算法适应度值，最后利用改进后BPNN‑DE算法对车削工艺参数进行优化，并对比未改进BPNN‑DE算法，改进后BPNN‑DE算法优化效果好。

技术领域

本发明属于生产制造，硅铝合金车削的工艺参数优化方法技术领域，尤其涉及一种基于改进BPNN-DE算法的硅铝合金车削工艺参数多目标优化方法。

背景技术

得益于硅铝合金的强度高，耐磨性好，成本低等诸多优点，硅铝合金在当今航天航空以及汽车零部件制造中应用广泛，如：汽车活塞、缸套以及刹车盘等场景。但在加工硅铝合金的过程中，由于硅铝合金中硅颗粒的存在，加工硅铝合金的刀具会发生较大的磨损导致工件表面粗糙度降低、生产效率降低。

随着“碳达峰，碳中和”绿色建设目标的提出，在保证工件表面粗糙度的同时，保证效率与能源消耗达到最小已成为当今制造业关注的主要问题。在生产加工过程中，切削参数是影响工件切削效率、生产总能耗以及表面粗糙度的重要因素。因此，为提高硅铝合金车削粗糙度、生产效率以及降低生产过程中的能源消耗，探究以硅铝合金表面粗糙度、材料去除率、能耗损耗为目标的车削工艺参数多目标优化，对硅铝合金产品的制造推广与实际应用具有重大意义。

目前，在硅铝合金车削的工艺参数优化方法中,大多方法仍以单一目标(表面粗糙度)作为优化目标，很少方法在优化表面粗糙度的同时，保证材料去除率与能耗达到最优。

硅铝合金车削工艺参数优化的方法主要有以下三种：一是使用有限元分析软件对切削过程进行仿真模拟后进行参数优化，该类方法需要考虑工件车削过程中复杂的底层机理且材料的力学性能在不同的加工条件与环境中是不同的,因此使用该方法进行参数优化不准确。二是基于实验的方法，通过大量的车削实验总结出优化目标与车削工艺参数间的变化规律，之后以人工给出建议或者极差分析、方差分析等方法进行工艺参数优化，该类方法的缺点是较难学习到切削过程中参数变化对优化目标的影响。第三是基于群智能优化的方法，该方法是通过对数据建立数学模型从而自动学习到实验数据中的空间分布，并结合智能优化算法来得出空间分布中最优解，该方法不仅避开了车削中复杂的底层机理，并且能够在学习到数据的分布情况后在其解空间中找出最优结果，具有实现简单，优化效果好等优点。

目前基于群智能优化算法进行硅铝合金车削工艺参数优化的方法占比逐渐变大，但目前方法中主要存在以下不足：

一、大多数硅铝合金车削工艺参数优化方法只考虑了单个优化目标，如表面粗糙度，材料去除率等单一目标，很少方法在考虑优化工件表面粗糙度的同时，保证效率与能源消耗达到最优。

二、大多数硅铝合金车削工艺参数多目标优化问题建立适应度函数的方法为理想点法、加权法或乘除法，这些综合指标的方法可以在一定程度下表示综合指标的好坏，但都不够全面，都没有克服当某一指标差但综合指标仍然表现为优秀的情况。

三、在硅铝合金车削工艺参数优化的方法中，大多数群智能优化方法的目标函数都是采用切削参数与优化目标间非线性关系拟合性不强的回归模型，但在真实加工中，切削参数与优化目标存在着普遍的非线性关系，因此已有的方法对数据拟合效果较差，并且已有的群智能优化方法大多未改进，存在着种群多样性差和寻优能力弱等缺点。

发明内容