[发明专利]面向能耗的数控加工工艺路线与切削参数集成优化方法

摘要

数控加工工艺路线和切削参数对数控加工能耗影响显著。与单独优化工艺路线或单独优化切削参数相比，本发明通过开展工艺路线与切削参数集成优化能进一步降低数控加工能耗。首先提出了面向能耗的数控加工工艺路线与切削参数集成优化的流程框架，其次分析了工艺路线和切削参数集成的能耗特性，然后以总能耗和机床负载最小为多目标建立了数控加工工艺路线和切削参数多目标集成优化模型，并提出了一种基于多目标模拟退火算法的优化求解方法。

主权项

1.面向能耗的数控加工工艺路线与切削参数集成优化方法，其特征在于包括以下步骤：步骤1:提出面向能耗的数控加工工艺路线与切削参数集成优化的流程框架；步骤2：分析工艺路线和切削参数集成的能耗特性；步骤3：以总能耗和机床负载最小为多目标建立数控加工工艺路线和切削参数多目标集成优化模型，并提出一种基于多目标模拟退火算法的优化求解方法；在步骤1中获得面向能耗的数控加工工艺路线与切削参数集成优化的流程框架的过程为：面向能耗的柔性数控加工工艺路线和切削参数集成优化问题可描述为：基于零件各加工特征单元，确定相应的加工工序(opi,j)，为每个工序选择所需的加工机床(M_i,j)和刀具(T_i,j)、确定各工序的进刀方向(TAD_i,j)、各工序的加工顺序(seq_i,j)、以及各工序的选择切削参数组合(P_i,j)，使得所选择的工艺规划方案在能耗和机床负载这两个目标上达到协调最优；假设条件描述如下：(1)同一个零件的所有工序之间必须需遵循一定的工艺顺序约束，不同零件的工序之间，不需遵从工艺顺序约束；(2)每一个加工方法由一个或若干个加工工序组成；(3)同一工序可能由多道工步切削完成，各工步的刀具路径和切削参数均是相同的；(4)若相邻两工序的机床不同，则需重新装夹工件；若相邻两个工序进刀方向不同，需重新装夹工件；若相邻两工序的刀具不同，则需开展换刀操作；若刀具发生磨钝，则需重新换刀进行加工；在步骤2中分析数控加工工艺路线和切削参数集成的能耗特性的过程为：零件的数控加工过程总能耗可计算如下：E_total＝E_setup+E_air+E_cutting+E_toolchange其中，E_setup为各工序的装夹过程能耗，E_air为各工序的空切能耗，E_cutting为各工序的切削加工能耗，E_toolchange为各工序的磨钝换刀能耗；在步骤3中以总能耗和机床负载最小为多目标建立数控加工工艺路线和切削参数多目标集成优化模型的过程为：(1)决策变量包括：1)为各工序选择加工机床(M_i,j)；2)为各工序选择加工刀具(T_i,j)；3)为各工序选择进刀方向(TAD_i,j)；4)确定各工序的加工顺序seq(op_i,j)；5)确定各工序的切削参数(P_i,j)；(2)目标函数1)能耗目标函数根据能耗特性分析，零件数控加工总能耗由四部分组成：装夹能耗、空切能耗、切削加工能耗、以及磨钝换刀能耗；2)机床负载目标函数在开展数控加工工艺路线和参数集成优化时，需考虑数控加工车间中机床负载均衡情况；令w(k)表示车间中第k台机床的加工负载；w(k)的计算采用两种形式：①w₁(k)由零件在机床上的加工时间，即空切时间和切削时间组成，具体计算见下公式：②w₂(k)由装夹时间、空切时间、切削加工时间、磨钝换刀时间组成，具体计算如下公式所示：θ_i表示数控加工车间机床负载均衡度，具体计算见下公式；(3)约束条件1)零件各个加工工序之间必须遵循一定的紧前关系约束；PRE＝[pre_i,j]_M×M表示零件各加工工序之间的紧前约束关系；其中，M表示零件的加工工序总数；pre_i,j为一个二进制变量，若pre_i,j＝1则表示第i个加工工序需优先于第j个工序开展加工；若pre_i,j＝0则表示第i个工序与第j个工序之间不存在紧前约束关系；2)各工序的加工机床选择和刀具选择，影响各切削参数的选择范围；①n_min≤n≤n_max，n_max和n_min分别是机床最高和最低转速②f_vmin≤f_v≤f_vmax，f_vmax和f_vmin分别是机床最快和最低进给速度③P_c≤ξ·P_max,ξ是机床有效功率系数，P_max是机床最大功率④F_c≤F_cmax,F_cmax是机床的最大切削力基于上述分析，建立面向能耗的数控加工工艺路线和切削参数集成优化模型，具体如下：min f(M_ijk,T_ijk,seq_ijk,TAD_ijk,P_ijk)＝(min E_total,min θ)在步骤3中提出一种基于多目标模拟退火算法的优化求解方法的过程为：模拟退火算法(Simulated Annealing,SA)是一种基于Monte‑Carlo迭代求解策略的随机寻优算法，根据多目标集成优化问题的特点，对算法中的关键步骤作了改进，具体如下：(1)MOSA中解的表现形式考虑到工艺路线和切削参数集成优化问题的五个决策变量，因此采用一个矩阵A＝[a_t,w]_8×W表示工艺路线和切削参数解；矩阵A第一行表示工序编号(op_i,j)；各工序编号所在列数表示该工序的加工顺序；矩阵A的第二、三、四行分别表示各工序所选的机床、刀具和进刀方向；若某一工序为钻削加工，则矩阵A第五至六行分别为主轴转速和进给速度；若某一工序为车削加工，则矩阵A第五至七行分别为主轴转速、进给速度、背吃刀量；若某一工序为铣削加工，则矩阵A第五至八行分别为主轴转速、进给速度、背吃刀量和侧吃刀量；(2)满足紧前关系约束的可行加工顺序生成满足紧前关系约束的加工顺序解生成方法具体如下：1)对于给定的一个紧前关系约束矩阵PRE，为每一个工序(op_i,j)确定一个紧前约束级别属于同一个级别下的工序被放入相应约束级别的工序集合(b_k)中；集合b₀中的所有工序不受紧前关系约束影响；集合中的所有工序必须遵循工序紧前关系约束，且紧前关系约束级别越小，该级别所对应的工序集合中的工序的加工优先级越高；2)按照紧前约束级别从小到大的顺序，依次将工序集合b_k放入queue中；(3)MOSA初始解生成对于给定的一个紧前关系约束矩阵PRE，为每一个工序(op_i,j)确定一个紧前约束级别属于同一个级别下的工序被放入相应约束级别的工序集合(b_k)中；按照紧前约束级别从小到大的顺序，依次将工序集合b_k放入queue中；MOSA算法在每一次迭代过程中，均基于矩阵B和queue，生可行的加工顺序初始解或者相邻解；步骤①：随机生成一个加工顺序初始解：a)对于矩阵B中的每一个工序集合对其内部的工序编号进行随机排列组合；b)更新queue＝{b₁,…,b_k,….,b_K}；c)如果工序集合b₀不为空，则将其内部的K个工序编号进行随机排列组合，然后将排列组合后的工序采用插空法放入queue中，同时更新queue；d)将queue中的工序编号按照其排列顺序，依次放入矩阵A的第一行中；步骤②：在矩阵A的第二行中，为每一个工序在可选机床集合中随机选择一个机床；步骤③：在矩阵A的第三行中，为每一个工序在可选刀具集合中随机选择一个刀具；步骤④：在矩阵A的第四行中，为每一个工序在可选进刀方向集合中随机选择一个TAD；步骤⑤：在矩阵A的第五至八行中，为每一个工序在工艺参数约束范围内随机选择一个参数值；在初始解生成阶段，不断重复上述过程以生成个初始解同时更新Archive；在生成的初始解中随机选择一个解作为当前解；(4)MOSA相邻解生成基于每一个当前解，采用一种相邻解生成机制生成相邻解；相邻解的生成方式为五种：方式1：采用两种方式生成加工顺序相邻解；a)在矩阵B中随机选择一个工序集合随机选择b_k中的任两个工序并改变排列顺序；更新queue和矩阵A的第一行；b)如果工序集合b₀不为空，随机选择b₀中的任一个工序，并重新排列该工序在queue中的位置；更新queue和矩阵A的第一行；方式2：在矩阵A的第二行中，随机选择一个元素并在其所对应的可选机床集合中为其重新分配一个机床编号，以生成一个机床选择相邻解；方式3：在矩阵A的第三行中，随机选择一个元素并在其所对应的可选刀具集合中为其重新分配一个刀具编号，以生成一个刀具选择相邻解；方式4：在矩阵A的第四行中，随机选择一个元素并在其所对应的可选TAD集合中为其重新分配一个TAD，以生成一个TAD相邻解；方式5：在矩阵A第五至八行中任选择一个切削参数，以一个随机生成的比率增大或减少该参数，以生成一个切削参数相邻解；为了提高MOSA的收敛速度，引入一种学习机制开展相邻解生成；即，每一种相邻解生成方式的被选择概率不是固定的，而是随着MOSA迭代过程不断学习变化的；若采用第i种相邻解生成方式生成一个相邻解后，该相邻解支配当前解，则更新该相邻解生成方式的选择概率；反之，该相邻解的被选择概率维持不变，具体计算见下式；随着MOSA算法的不断迭代，性能较优的相邻解生成方式的被选择概率逐渐增大，性能较差的相邻解生成方式的被选择概率不断降低，由此提高MOSA的在解空间内寻优速度；上式中，x_i表示第i种相邻解生成方式的性能表现值；z_i和y_i分别表示第i种相邻解生成方式在总能耗和机床负载均衡两个目标函数上的性能表现值；x₀＝0.1为每种相邻解生成方式的性能表现初始值。