[发明专利]基于粒子群算法的机床制造系统加工节能优化方法

摘要

本发明公开了一种基于粒子群算法的机床制造系统加工节能优化方法，解决机床在加工零件时，由于加工参数的选取不当引起的能源消耗高和加工时间长的问题。所采用的方法是，第一构建机床制造系统加工能耗和加工时间数学模型；第二根据实际加工情况，设定相应的约束条件；第三采用改进的粒子群算法对多目标模型进行求解；第四在求得的一组解集中，采用层次分析法对解集进行处理，客观的选择出一个最优解。本发明通过群智能算法优化加工时的切削速度、切削深度、进给量等参数使其最优，实现节能的目的。

主权项

基于粒子群算法的机床制造系统加工节能优化方法，其特征在于，包括如下步骤：步骤一：建立以切削速度vc、切削深度asp和进给量f为优化变量的多目标优化模型，此模型包括加工能耗的数学模型和加工时间的数学模型以及相应的约束条件；所述加工能耗的数学模型为：E＝Est+Es‑s+Eie+Ec，加工时间的数学模型为：其中，E表示机床总能耗，Est表示机床启动能耗，Es‑s表示机床待机能耗，Eie表示机床空载能耗，Ec表示加工过程切削能耗，Tp是机床加工时间，tc是加工切削时间，tct是换刀一次所用时间，tot表示其他辅助时间，T是刀具寿命；考虑到机床的性能和实际的加工环境，相应的约束条件有：约束1，切削时的主轴转速n在机床最低和最高转速之间，即nmin≤n≤nmax，nmin和nmax分别是机床最低和最高主轴转速；约束2，进给量f必须在机床允许的范围内，即fmin≤f≤fmax，fmin和fmax分别表示机床允许的最小进给量和最大进给量；约束3，机床在生产过程中，进给抗力不能超过机床进给机构所允许的最大切削力，即CFaspxfyvczKF≤Fmax,]]>Fmax表示最大切削力，CF，x，y，z，KF表示与加工工件和切削条件有关的系数，可以针对具体的情况查看切削手册得到；约束4，加工质量在此用加工零件表面的粗糙度Ra表示，即Ra=0.0312f2rϵ≤Rmax,]]>rε为刀具刀尖圆弧半径，Rmax表示零件表面粗糙度要求的最大值；约束5，加工时机床功率应小于规定的最大有效切削功率，即Fcvc1000η≤Pmax,]]>η是机床功率有效系数，Fc表示切削力，Pmax表示机床最大有效切削功率；由此，得出机床制造系统加工优化多目标模型为：min:F(vc,asp,f)＝(minE,minTp)s.tnmin≤n≤nmaxfmin≤f≤fmaxCFaspxfyvczKF≤Fmax0.0312f2rϵ≤RmaxFcvc1000≤ηPmax]]>步骤二：采用改进的粒子群算法对模型进行求解，包括以下步骤：S1:初始化；S2:计算每个粒子的适应度值，得到初始全局最优粒子Gbest和个体最优粒子Pbest；S3:按照式(1)、式(2)更新粒子的位置X和速度V；Xid(t+1)＝Xid(t)+Vid(t+1)    (1)Vid(t+1)＝ω(t)Vid(t)+c1r1(Pbest(t)‑Xid(t))+c2r2(Gbest(t)‑Xid(t))      (2)其中，ω(t)为惯性权重，1≤d≤D，D为搜索空间维数，1≤i≤N，N为粒子个数，t为当前迭代次数；c1和c2是非负常数，称为加速度因子；r1和r2为分布于[0,1]之间的随机数；S4:根据反向学习策略计算出新的粒子对应的反向种群中的粒子；S5:判断新种群中和反向种群中的粒子是否需要执行边界变异，需要则进行边界变异；S6:更新粒子与反向粒子的位置后，分别求得二者的适应度值进行比较，判断是否需要更新种群的个体极值Pbest和全局极值Gbest；S7:用非支配排序法和拥挤距离法求出高等级的种群集合；S8:判断是否满足算法的终止条件，若满足，执行步骤S9；否则，执行步骤S3；S9:输出Pareto最优解集；S10:采用层次分析法在最优集合中选出最满意加工方案；步骤S10所述层次分析法，根据专家系统对节能指标的重要性进行评估，选出一个最优方案；决策时各个目标的重要性依次为加工时间、产品耗能量，用数字1～9表示各个目标函数之间两两重要程度，并得到判断矩阵：A=ETpE11/5Tp51,]]>在综合评定Pareto最优解集之前，需要进行无量纲化处理，即各指标的特征值统一变换到[0,1]范围内，采用以下方法来进行无量纲化处理：设bij表示优化目标对Pareto方案Xi量纲化后的一个值，定义如下变量：bij=ajmax-aijajmax-ajmin,]]>W~j=Σi=1pbij,q≥j≥1,]]>Wj=W~jΣj=1qW~j,]]>其中，分别是判断矩阵A相应j列的最大和最小值，p是评价方案的数量，q是指标的数量，i＝1,2,…,p，j＝1,2,…,q；aij是Pareto方案中指标的值；由上式可得到方案的决策矩阵B＝(bij)p×q，进而决策矩阵B乘以权重矢量WT＝[W1,W2,…,Wq]计算得到最优的满意度矩阵，即得到的评价方案满意度矩阵D＝[D1 D2…Dp]T。