[發(fā)明專利]一種加工TC4鈦合金工件的車削參數(shù)預測方法

在審

• 申請?zhí)枺?/td>: 201910601860.3
• 申請日: 2019-07-05
• 公開（公告）號: CN110334442A
• 公開（公告）日: 2019-10-15
• 發(fā)明（設計）人: 張鑫;鄒德旋;喻秋
• 申請（專利權）人: 江蘇師范大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/00;B23Q17/09
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 馮艷芬

本發(fā)明公開了一種加工TC4鈦合金工件的車削參數(shù)預測方法，包括：(1)將車削轉速、進給量、背吃刀量作為加工TC4鈦合金工件的待預測車削參數(shù)，以車削溫度最低、工件表面粗糙度最小、材料去除率最大為目標，在滿足車削參數(shù)上下限的條件下，構造車削參數(shù)預測模型；(2)將所述車削參數(shù)預測模型改變?yōu)榫幋a優(yōu)化模型；(3)設置將待預測加工工件的車削參數(shù)上下限，輸入步驟(2)建立好的編碼優(yōu)化模型，并使用自適應隨機簡化粒子群優(yōu)化算法對所述編碼優(yōu)化模型進行求解，得到車削轉速、進給量、背吃刀量的最優(yōu)配置。本發(fā)明可以快速預測到TC4鈦合金工件的車削參數(shù)。

技術領域

本發(fā)明涉及機械加工數(shù)據(jù)預測，尤其涉及一種加工TC4鈦合金工件的車削參數(shù)預測方法。

背景技術

車銑刨磨是現(xiàn)代機械加工的四種方式，其水平在一定程度上決定了國家的工業(yè)水平。車削作為其中一種重要手段，是目前的研究熱點。

其他學者已經對車削參數(shù)優(yōu)化做出了大量寶貴工作。Miodragovic[文獻：Miodragovic G.R,Dordevic V,Bulatovic R.R,et al.Optimization of multi-passturning and multi-pass face milling using subpopulation firefly algorithm[J].The institution of mechanical engineers part C-journal of mechanicalengineering science,2019,233(5):1520-1540.]等考慮最小加工成本、最短加工時間和最大利潤，使用改進的螢火蟲算法優(yōu)化了多道次車削和多道面銑削加工中的加工參數(shù)，螢火蟲算法使用雙種群策略并加入交叉算子，結果顯示該優(yōu)化方法可以應用于復雜的車削銑削優(yōu)化設計；Mia[文獻：Mia M,Gupta M.K,Lozano J.A,et al.Multi-objectiveOptimization and Life Cycle Assessment of Eco-friendly Cryogenic N2 assistedTurning of Ti-6Al-4V[J].Journal of Cleaner Production,2018,210:121-133.]等使用低溫液氮輔助鈦合金材料的加工，并使用Gray-Taguchi集成方法對相應進行優(yōu)化，優(yōu)化內容包括比熱容、溫度、表面粗糙度和材料去除率，研究發(fā)現(xiàn)低溫液氮雙噴頭輔助加工最有效；Solarte-Pardo[文獻：Solarte-Pardo B,Hidalgo D,Yeh SS.Cutting Insert andParameter Optimization for Turning Based on Artificial Neural Networks and aGenetic Algorithm[J].Applied sciences-basel,2019,9(3):479.]等訓練用人工神經網絡評估進給速率和切削速度參數(shù)，并使用遺傳算法進行對訓練后的人工神經網絡模型進行優(yōu)化。Struzikiewicz[文獻：Struzikiewicz G, W,B.Cutting parametersselection for sintered alloy AlSi10Mg longitudinal turning[J].Measurement,2019,138:39-53.]等使用田口方法開發(fā)了一種進給量選擇的算法，在主軸轉動的應用中顯示初始進給量和車削力均降低了0.5倍。切削參數(shù)優(yōu)化目前依然是熱門問題，且有逐漸使用智能算法替代傳統(tǒng)方法的趨勢，故研究改進粒子群優(yōu)化算法并在車削參數(shù)優(yōu)化中使用具有一定實際意義。

粒子群優(yōu)化方法(Particle Swarm Optimization，簡稱PSO)是Kennedy和Eberhart在1995年提出的一種全新啟發(fā)式優(yōu)化方法，該優(yōu)化方法一經提出便得到了非常廣泛的專注，它具有參數(shù)設置少、結構簡單、運行時間短、可塑性強等眾多優(yōu)勢。基本粒子群算法的迭代公式有兩個，分別是速度迭代公式和位置迭代公式，如下：