数控加工工艺标准参数优化课后复习论文资料.docx
- 文档编号:30181325
- 上传时间:2023-08-05
- 格式:DOCX
- 页数:16
- 大小:380.51KB
数控加工工艺标准参数优化课后复习论文资料.docx
《数控加工工艺标准参数优化课后复习论文资料.docx》由会员分享,可在线阅读,更多相关《数控加工工艺标准参数优化课后复习论文资料.docx(16页珍藏版)》请在冰豆网上搜索。
数控加工工艺标准参数优化课后复习论文资料
数控加工工艺优化
一、概述
优化设计是一门新兴学科,它建立在数学规划理论和计算机程序设计基础上,通过计算机的数值计算,能从众多的设计方案中寻到尽可能完善的或最适宜的设计方案,使期望的经济指标达到最优,它可以成功地解决解析等其它方法难以解决的复杂问题,优化设计为工程设计提供了一种重要的科学设计方法,因而采用这种设计方法能大大提高设计效率和设计质量。
机械优化设计的目的是以最低的成本获得最好的效益,是设计工作者一直追求的目标,从数学的观点看,工程中的优化问题,就是求解极大值或极小值问题,亦即极值问题。
本文从优化设计的基本理论、优化设计与产品开发、优化设计特点及优化设计应用等方面阐述优化设计的基本方法理论。
优化设计主要包括两个方面:
一是如何将设计问题转化为确切反映问题实质并适合于优化计算的数学模型,建立数学模型包括:
选取适当的设计变量,建立优化问题的目标函数和约束条件。
目标函数是设计问题所要求的最优指标与设计变量之间的函数关系式,约束条件反映的是设计变量取得范围和相互之间的关系;二是如何求得该数学模型的最优解:
可归结为在给定的条件下求目标函数的极值或最优值的问题。
机械优化设计就是在给定的载荷或环境条件下,在机械产品的形态、几何尺寸关系或其它因素的限制范围内,以机械系统的功能、强度和经济性等为优化对象,选取设计变量,建立目标函数和约束条件,并使目标函数获得最优值一种现代设计方法,目前机械优化设计已广泛应用于航天、航空和国防等各部门。
优化设计是以建立数学模型进行设计的。
优化设计引用了一些新的概念和术语,如前所述的设计变量、目标函数、约束条件等。
机械优化设计将机械设计的具体要求构造成数学模型,将机械设计问题转化为数学问题,构成一个完整的数学规划命题,逐步求解这个规划命题,使其最佳地满足设计要求,从而获得可行方案中的最优设计方案。
优化设计改变了传统的设计方式。
传统设计方法是被动地重复分析产品的性能,而不是主动设计产品的参数。
作为一项设计不仅要求方案可行、合理,而且应该是某些指标达到最优的理想方案。
并从大量的可行设计方案中找出—种最优化的设计方案,从而实现最优化的设计。
优化设计可以满足多方面的性能要求。
产品要求总体结构尺寸小,传动效率高,生产成本低等,这些要求用传统设计方法设计是无法解决的。
实践证明,最优化设计是保证产品具有优良的性能,减轻自重或体积,降低工程造价的一种有效设计方法。
总的看来,机械优化设计是适应生产现代化要求发展起来的,是一门崭新的学科。
它是在现代机械设计理论的基础上提出的一种更科学的设计方法,它可使机械产品的设计质量达到更高的要求。
因此,在加强现代机械设计理论研究的同时,还要进一步加强最优设计数学模型的研究,以便在近代数学、力学和物理学的新成就基础上,使其更能反映客观实际。
同时机械优化设计的研究还必须与工程实践、数学力学理论、计算技术和电子计算机的应用等紧密联系起来,才能具有更广阔的发展前景。
优化方法进行设计的步骤:
(1)将机械设计问题的物理模型转变为数学模型。
其中包括根据设计要求确定设计目标,建立目标函数;确定设计的约束条件,并以函数的形式表示;同时在建立数学模型时,要确定设计过程中的合理参数作为设计变量。
(2)根据数学模型的性质,选择合适的优化算法,编制计算程序,由计算机进行自动寻优计算以求得最优解。
(3)对计算结果进行分析判断,得出最优设计方案。
二、问题的提出
工艺参数是数控切削加工的基本控制量。
如工艺参数选择不当,不仅难以保证工件加工精度及控制加工成本,而且可能因切削力过大等原因造成机床被迫停机,影响数控机床效能的正常发挥。
因此,以提高数控切削加工效率、降低加工成本、获得高质量产品为目的进行的数控切削加工工艺参数多目标优化研究,对提高数控加工经济效益具有重要意义。
本文以数控车削、数控铣削加工的主轴转速、进给速度、背吃刀量、铣削宽度等工艺参数作为优化变量,建立了多目标优化数学模型同时采用有效的优化算法实现数控切削加工工艺参数的多目标优化。
优化设计过程中,首先要选择并确定合理的设计参数,经过分析,只把基本的、对设计目标影响较大的参数选为设计参数。
至于次要的、对设计目标影响不明显或者根据实际要求可事先确定的参数作为常数处理。
设计参数越多,设计的自由度越大,就有利于寻找最理想的设计方案,但设计变量增多,问题求解就越复杂。
因此,对于复杂的问题求解时,必须正确合理地确定设计变量。
对于复杂零件的铣削加工,切削因素(本文主要指机床转速,进给速度、背吃刀量和切削宽度)在加工过程中可能变化较大,为了取得尽可能好的优化效果,需要根据各刀位点的切削因素的变化选择不同加工参数。
通常所说的切削参数是指切削运动参数,它主要包括:
切削速度、进给量或进给速度、背吃刀量、切削宽度。
三、优化数学模型的建立
1.设计变量
在加工过程中,存在多个路径段,可以在这些路径段内取相同的切削参数,设此路径段相应的切削转速为ni,进给速度为vf,被吃刀量为ap,切削宽度为ae,刀具在这些路径段内走过的距离为l,将这样的数个路径段组合在一起成为一个路径段组合。
整个零件的加工过程由n个这样的路径段组合构成,于是设计参数矢量为
2.目标函数
优化目标的确定应该以本次加工获得最大经济效益为原则。
生产实践中常用的切削优化过程优化目标函数有许多种,下面给出了许多不同的加工优化目标。
(1)最高生产率(单件平均最短生产时间)目标优化函数
单件平均生产时间t的计算
最高生产率优化目标函数为
(2)最低成本(单件最低平均加工成本)目标优化函数
单件平均加工成本C的计算
最低成本优化目标函数为
(3)最大利润率目标优化函数
平均利润率Pr的计算
最大利润率优化目标函数为
(4)可变的多目标优化函数。
在优化目标中没有包括最优质量,因为在一般情况下,对每一具体加工过程的技术要求而言,产品质量并非越高越好。
本工序只需满足技术要求即可,盲目的追求加工质量,会造成加工成本的无谓增加,造成不必要的浪费。
所以加工质量一般不作为优化目标,而作为约束条件。
多目标优化设计问题原则要求各分量目标都达到最优,如能获得这样的结果,当然是十分理想的。
但是,事实上解决多目标优化设计问题是一个比较复杂的问题,尤其是在各个分目标的优化相互矛盾,甚至相互对立时更是如此。
要解决这个问题,就要对各个分目标进行协调,使其互相做出些“让步”,以得到对各自分目标要求都比较接近的、比较好的最优方案。
多目标优化方法有多种,对于单目标优化函数的多目标优化方法采用的是统一目标法。
统一目标法的实质就是将各个目标函数f1(x),f2(x),…,fn(x),统一到一个总的“统一目标函数”F(x)中,即
F(x)=f(f1(x),f2(x),…,fn(x))
该方法是把多目标函数的优化问题转变为单目标函数的最优化问题来求解。
为了使各个分目标函数能均匀一致趋向各自的最优解,采用线性加权组合法,即引入加权因子,用加权因子乘以各分目标函数,以综合考虑各分目标函数在相对重要程度方面的差异和量纲上的差异。
因此,统一目标函数表示为
式中,Wi为第i项目标加权因子,fi(x)是一个大于零的数,其值由各项目标的数量级和重要程度决定。
由多目标定义,以三个分目标在优化设计问题中具有同等重要性为例,可得到多目标函数为
3.约束条件
1)约束来源
在切削过程中,技术上可能产生的约束是多种多样的,很难把所有情况下可能产生的制约都详细讨论,总体上可以从组成工艺系统的以下因素去考虑:
(1)机床特性对切削参数选择的限制
①机床切削速度和进给速度的范围;
②机床主轴所允许的最大扭矩对最大切削力的限制;
③机床功率所允许的最大切削力与切削速度;
④机床的刚度强度所允许的最大切削力。
(2)工件质量要求对工艺参数选择的限制
①工件表面质量所允许的最大或最小切削速度;
②工件表面粗糙度对最大进给量的限制;
③工件的尺寸精度对最大切削力的限制。
(3)刀具对切削参数的限制
①刀具的刚度、强度所允许的最大切削力;
②刀具合理寿命所允许的最大切削速度和进给量。
(4)夹具对切削参数选择的限制主要包括
①夹具能够实现的最大加紧力所允许的最大切削力;
②夹具的刚度、强度所允许的最大切削力。
在实际问题中,并非所有上述制约条件都必须考虑。
在具体条件下,某些制约可能必须考虑,而另外一些可能无关紧要。
在某些特殊场合,还要考虑其他一些特殊的制约,例如切屑的形态对进给量和切削速度取值范围的限制,工艺系统的动态特性对进给量和切削速度的限制等。
2)目标函数的约束
准确地建立制约条件函数是一个复杂的问题,它涉及到对切削过程机理的认识程度以及实际加工条件的合理简化与表达。
这方面的认识正在不断的深化过程中。
例如对切屑的形成状态、振动的产生和抑制与切削参数之间的函数关系的精确描述还没有完全建立。
(1)主切削力
主切削力应满足不能超过机床许可的最大切削力,即Fc≦Fmax,Fmax——机床允许的最大切削力,单位为N。
(2)机床输出功率
材料切削所消耗的功率不能超过机床的最大输出功率,即Pc≦ηPmax,η一机床的效率指数;Pmax一机床的最大输出功率,单位为kW。
(3)进给速度切削进给速度要满足机床进给速度的约束
(4)主轴转速切削主轴转速要满足机床主轴转速的约束
(5)表面粗糙度零件加工要达到其表面粗糙度的要求
以上描述的铣削加工参数多目标变参数的优化问题可以归结为:
四、优化算法及计算实例
近年来,越来越多的人们开始将遗传算法用于优化设计,该方法通过遗传因子的变异而扩大了搜索范围,因而对多峰性优化问题相当有效。
但是,遗传算法是一种概率搜索方法,它需要用相当数量的染色体组成集团,进行大量目标函数值计算,将神经网络与遗传算法相结合,通过初始实验的样本集合,利用神经网络学习算法建立其切削参数与加工精度和时间的非线性全局映射关系,从而获得遗传算法求解参数优化问题所需的目标函数近似值。
将神经网络与遗传算法结合进行加工参数优化设计的主要步骤为:
1)经过对相同的被加工零件多次取不同的加工参数,测出加工零件的形位公差,表面粗糙度和加工所用的时间的一系列数据;
2)将实验得到的加工参数和加工后零件的数据作为样本训练BP神经网络,以获得不同的加工参数和被加工后零件的形位公差、表面粗糙度和加工时间的非线性全局映射关系;
3)建立优化模型,利用神经网络建立的映射关系计算目标函数值;利用遗传算法进行优胜劣汰的寻优搜索,求出最优解。
因为目标函数值是从神经网络的输出值中得到的,而输出值的范围是0~1之间,假设种群的规模为200,每一个个体都对应一个目标函数值,就会有200个目标函数值集中在0~1之间,使不同的目标函数值非常接近,使群体中每个个体的适应度都很接近,让择优很难进行下去。
因此基于神经网络的遗传算法有两点要求:
1)输出层中所用的激活函数选用值域范围[0,3]的函数F(x)=3/(1+e-x),而不用传统上值域范围[0,1]的函数F(x)=1/(1+e-x),使目标函数值之间的范围不要仅仅局限在[0,1]之间,让不同值之间数值差别显著开来,有利于具体中个体适应度的比较和评价;
2)如果隐层单元的节点越多,要训练的权重越多,而计算输出值的时间就越多。
因此在保证网络训练成功的前提下,尽量使用少的隐层单元的节点。
参数的选取
1.ap的选取
粗加工时,一次走刀尽量切除掉全部余量,ap可达8-10mm;半精加工时,ap可取0.5~2mm;精加工时,ap可取0.1~0.4mm.
2.ae的选取
在铣削过程中,切削宽度,是指的在铣削过程中,刀具在其径向实际参与切削的刀具的宽度。
对于立式铣床,指的是水平方向的切削宽度。
通常有百分比和绝对值两种表示方式。
百分比:
指的是切削宽度相对于刀具的直径的百分比。
比如用直径φ10mm的合金铣刀,切削宽度是6mm(绝对值),那么我们也可以说切削宽度是60%。
建立BP网络模型
获得样本数据向量后,由于其中各个指标互不相同,原始样本中各个向量的数据级差别很大,为了计算方便及神经元达到饱和状态,在研究中对样本的输入进行归一化处理。
可以用MATLAB实现向量的归一化过程,这里将样本数据归一化到区间[0,1]。
令P表示输入向量,t表示目标向量,归一化代码为:
%P为原始输入数据
p=[10001500.23.0;10002000.43.5;10002500.64.0;10003000.84.5;10003501.05.0;12001500.23.0;12002000.43.5;12002500.64.0;12003000.84.5;12003501.05.0;14001500.33.0;14002000.43.5;14002500.64.O;14003000.84.5;14003501.05.0;15001500.23.O;15002000.43.5;15002500.64.O;15003000.84.5;15003501.05.01’;
%t为原始目标数据
t=[0.040.8360;0.051.0301;0.061.2272;0.071.4240;0.081.8213;0.060.8310;0.081.0270;1.01.2245;1.201.3210;1.401.5196:
0.030.7248;0.040.8212:
0.050.9193;0.061.0190;0.071.2223;0.040.6215;0.060.7202;0.071.0211;0.081.1220;0.101.2190]’:
%P,T分别表示归一化后的输入向量和目标向量
Fori=l:
2
P(i,:
)=(p(i,:
)-min(p(i,:
)))/(max(p(i,:
))-min(p(i,:
)));
end
fori=l:
3
T(i,:
)=(t(i,:
).min(t(i,:
)))/(max(t(i,:
)).min(t(i,:
)));
end
对模型进行编程
MATLAB的代码为
p=[10001500.23.0;10002000.43.5;10002500.64.0;10003000.84.5;1000350
1.05.0;12001500.23.0;1200200O.43.5;1200250O.64.0;12003000.84.5;1200350
1.05.0;14001500.33.0;14002000.43.5;14002500.64.0;14003000.84.5;1400350
1.05.0;15001500.23.0;15002000.43.5;15002500.64.0;15003000.84.5;1500350
1.05.0]’;
Fori=l:
4
P(i,:
)=(p(i,:
)一min(p(i,:
)))/(max(p(i,:
))-min(p(i,:
)));
end
t=[0.040.8360;0.051.0301;0.061.2272;0.071.4240;0.081.8213;0.060.8310;0.081.0270;1.01.2245;1.201.3210;1.401.5196;0.030.7248;0.040.8212;0.050.9193;0.061.0190;0.071.2223;0.040.6215;0.060.7202;0.071.0211;0.081.1220;0.101.2190]’:
fori=l:
3
T(j,:
)=(t(i,:
)-rain(t(i,:
)))/(max(t(j,:
)).min(1(i,:
)));
end
No=[45678910111213];
Fori=l:
10
Net=newff(minmax(P),[No(i),3],{'tansig','logsig'});
net.trainParam.epoehs=500z
net.trainParam.goal=0.001:
net=train(net,P,T):
end
使用遗传算法对数据进行优化
针对所得到的优化函数和约束条件,利用MATLAB中的遗传算法工具箱来求解优化函数的最小值,写出M文件并保存在MATLAB路径下,取名叫GANG.M。
在fitnessfunction空上填上@GANG,Numberofvariable空上填上变量数为4,限制条件如下面M代码表示:
function[X,FVAL,REASON,OUTPUT,POPULATION,SCORES]=GANG
%%ThisisanautogeneratedMfiletodooptimizationwiththeGeneticAlgorithm
and
%DirectSearchToolbox.UseGAOPTIMSETfordefaultGAoptionsstructure.
%%Fitnessfunction
fitnessFunction=@GANG:
.
%%NumberofVariables
nvars=4:
%Linearinequalityconstraints
Aineq=[1000;0100;0010;0001];
Bineq=[350;1500;1;5];.
%Linearequalityconstraints
Aeq=[];
Beq=[].
%Bounds
LB=[15010000.13];
UB=[350:
1500;1;5];
%Nonlinearconstraints
nonlconFunction=[];
%Startwithdefaultoptions
options2gaoptimset;
%%Modifysomeparameters
options=gaoptimset(options,'PoplnitRange',[0;100]);
options=gaoptimset(options,'MutationFcn',{@mutationgaussian11});
options=gaoptimset(options,'Display',off):
options=gaoptimset(options,'PlotFcns',{@gaplotbestf@gaplotbestindiv
@gaplotdistance@gaplotexpectation@gaplotgenealogy@gaplotrange));
%%RunGA
[X,FVAL,REASON,OUTPUT,POPULATION,SCORES]=ga(fitnessFunction,nvars,Aineq,Bineq,Aeq,Beq,LB,UB,nonlconFunction,options);
点击start,得到的优化的结果。
五、结论
点击start,得到的优化的结果。
图1最佳个体
由图1知,当达到优化的结果时,四个变量的最佳个体取值。
图2最佳适应度
由图2可知,对最佳适应度函数与平均适应度函数的比较,当遗传到第加代的时候,函数达到摄优值187.5507s。
图3每一代中最大、最小、平均适应度函数值
由图3可知,每一代中最大、最小、平均适应度函数之间的关系,在遗传到42代时,最大、最小、平均适应度函数值趋于稳定。
图4优化结束的准则
图4为优化结束的准则,可知当代数达到60的时候,优化过程结束。
图5函数晟优时变量的取值
图5为函数最优时变量的取值,即当进给速度为350mm/min.转速为1240r/rnin背吃刀量为0.75mm,切削宽度为5mm的时候,函数达到最佳适应度值。
验证优化值
用建好的BP神经网络net对图5所得到的函数最优时变量的取值进行验证,将变量p--[12403500.75645]输入到建立好网络net中进行仿真t=sim(net,p),由网络仿真得到的结果:
t=[0.061.5189],可知得到的结果为形位精度为0.06,粗糙度为1.5,所需时间为189s,时间相对误差为0.773%。
所以优化函数值187.5507s可视为全局的最小点。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数控 加工 工艺 标准 参数 优化 课后 复习 论文 资料