[發明專利]一種銑削加工工藝參數的可靠性優化方法

有效

• 申請號: 201710631126.2
• 申請日: 2017-07-28
• 公開（公告）號: CN107480352B
• 公開（公告）日: 2020-05-05
• 發明（設計）人: 黃賢振;李慶偉;張義民;李常有;朱麗莎
• 申請（專利權）人: 東北大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F17/15;G06F17/16;G06N3/12
• 代理公司: 北京易捷勝知識產權代理事務所(普通合伙) 11613
• 代理人: 齊勝杰

1.一種銑削加工工藝參數的可靠性優化方法，其特征在于，包括：

步驟S1、確定銑削加工工藝參數的優化變量和優化目標；

優化變量包括：X＝(v_c,f_t,a_p,a_e)；

v_c表示切削速度m/min、a_p表示軸向切深mm、f_t表示每齒進給量mm/z和a_e表示徑向切深mm；

優化目標為：最小表面位置誤差SLE和材料去除率MRR表示的最大的生產效率；MRR＝ΩNa_pa_ef_t；N表示銑刀齒數；

步驟S2、根據預定的約束條件和優化變量、優化目標，建立多目標函數優化模型；所述約束條件包括：銑削系統可靠性約束條件；

多目標函數優化模型為：

約束條件為：

式中，Ω表示機床主軸轉速，v_f表示機床的進給速度，T_max表示機床允許的最大切削扭矩，P_max表示機床的最大許可功率，R表示銑削系統的可靠度，R_min為最小允許的可靠度，F_t表示切削力，D表示銑刀直徑，x_1,2,3,4代表X變量的第1,2,3,4參數，X＝(v_c,f_t,a_p,a_e)；的初始值根據預先確定的穩定性葉瓣圖的穩定區選取符合穩定性的數值；

其中，步驟S2包括：采用全離散預測方法建立多目標函數優化模型中的最小表面位置誤差模型，其包括：

采用全離散預測方法獲取建立銑削顫振穩定性模型的穩定性對應的轉移矩陣；

判斷轉移矩陣的特征值；

若轉移矩陣的特征值在銑削加工系統穩定區間內，則獲取建立銑削顫振穩定性模型時的穩態系數；

根據所述穩態系數獲取最小表面位置誤差模型；

步驟S3、采用遺傳算法和非線性規劃相結合的方法對所述多目標函數優化模型進行優化處理，獲得優化后的銑削加工工藝參數；

步驟S3包括：構建Kriging模型，其包括：判斷最小表面位置誤差模型的抽樣維數是否大于1；若是，則采用修正的拉丁超立方抽樣方法獲取預設數量樣本點；否則，采用漢默斯里序列抽樣方法獲取預設數量樣本點；采用改進的全局優化方法確定最小表面位置誤差模型中的M-EI的最大值位置；判斷是否滿足停止準則，若是，則利用所述預設數量樣本點和優化后的θ構建Kriging模型；否則，將在確定的最大值位置處獲取的樣本點加入樣本集，重新構建Kriging模型；采用Kriging模型優化處理所述最小表面位置誤差模型，獲取可靠度，判斷可靠度是否滿足可靠度約束條件，若滿足，則將求得最終結果對應的參數，作為優化后的銑削加工工藝參數；

其中，采用混合抽樣方法獲取預設數量樣本點，采用遺傳算法對初始Kriging模型中的θ進行優化，利用所述預設數量樣本點和優化后的θ，構建Kriging模型。

2.根據權利要求1所述的方法，其特征在于，所述步驟S2包括：

采用懲罰函數法對多目標函數優化模型的約束條件進行處理，將所述多目標函數優化模型對應的約束優化模型轉換為一個非約束優化模型；

相應地，在步驟S3中，通過預設的穩定性葉瓣圖選取初始銑削參數，判斷初始銑削參數的穩定性可靠度是否滿足銑削系統可靠性約束條件，若是，則采用遺傳算法和非線性規劃相結合的方法對所述非約束優化模型中的目標函數進行優化處理，獲得優化后的銑削加工工藝參數。

3.根據權利要求2所述的方法，其特征在于，步驟S2包括：

根據銑削穩定性、銑削表面位置誤差可靠度以及預設優化變量之間的關系構造懲罰函數：

P(v_c,f_t,a_p,a_e)＝M_k·(max(0,R_1min-R₁(v_c,f_t,a_p,a_e))+max(0,R_2min-R₂(v_c,f_t,a_p,a_e)))

其中，R₁為穩定性可靠度，R₂為表面位置誤差可靠度，M_k為懲罰因子，v_c切削速度(m/min)、a_p軸向切深(mm)、每齒進給量f_t(mm/z)和徑向切深a_e(mm)；

采用懲罰函數處理后的最終優化的目標函數為：

fun＝-MRR+SLE+M_k·(max(0,R_1min-R₁(v_c,f_t,a_p,a_e))+max(0,R_2min-R₂(v_c,f_t,a_p,a_e)))

約束條件為：