基于粒子群算法的機床制造系統(tǒng)加工節(jié)能優(yōu)化方法
【專利摘要】本發(fā)明公開了一種基于粒子群算法的機床制造系統(tǒng)加工節(jié)能優(yōu)化方法，解決機床在加工零件時，由于加工參數(shù)的選取不當引起的能源消耗高和加工時間長的問題。所采用的方法是，第一：構(gòu)建機床制造系統(tǒng)加工能耗和加工時間數(shù)學(xué)模型；第二：根據(jù)實際加工情況，設(shè)定相應(yīng)的約束條件；第三：采用改進的粒子群算法對多目標模型進行求解；第四：在求得的一組解集中，采用層次分析法對解集進行處理，客觀的選擇出一個最優(yōu)解。本發(fā)明通過群智能算法優(yōu)化加工時的切削速度、切削深度、進給量等參數(shù)使其最優(yōu)，實現(xiàn)節(jié)能的目的。
【專利說明】
基于粒子群算法的機床制造系統(tǒng)加工節(jié)能優(yōu)化方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及機床產(chǎn)品制造系統(tǒng)能效優(yōu)化控制技術(shù)領(lǐng)域，具體的，涉及一種基于粒 子群算法的機床制造系統(tǒng)加工節(jié)能優(yōu)化方法。
【背景技術(shù)】
[0002] 我國是發(fā)展中國家，能源和資源相對較貧乏，我國作為能耗大國，2012年單位GDP 能源消耗是世界平均水平的2.5倍，分別是美國的3.3倍、日本的7倍，能耗巨大。同時，面對 設(shè)備的更新?lián)Q代，一些中小企業(yè)也不愿意支付這筆昂貴的費用。為此，如何在不改變現(xiàn)有設(shè) 備的前提下，提高設(shè)備的利用率，降低企業(yè)的能源成本和環(huán)境成本是值得研究的一個方向。
[0003] 企業(yè)加工零件之前，會編制好相應(yīng)的加工路線和加工參數(shù)，加工工藝路線有先后 之分，一般是固定不變的。此時，零件加工參數(shù)的選擇對于車間能源的消耗就顯得尤為重 要。一般企業(yè)的加工參數(shù)是操作師傅根據(jù)多年加工經(jīng)驗選擇的，此加工參數(shù)往往較保守，很 難達到理想的加工狀態(tài)，未能達到物盡其用的效果，造成加工時間長、機器空載時間長等引 起能耗增加，排放更多的C0 2、N0X等對環(huán)境造成很大的影響。本專利建立能耗和加工時間與 加工參數(shù)之間的數(shù)學(xué)模型，通過對加工參數(shù)的優(yōu)化選擇，減小加工時間、降低能耗。
[0004] 近年來，隨著群智能算法的發(fā)展，許多專家學(xué)者將群智能算法用在求解此類問題， 如遺傳算法(GA)、粒子群算法(PS0)、蟻群算法(AC0)、人工蜂群算法(ABC)等等。此類群智能 算法在求解此類非線性問題時取得了一定的成果，但是還是存在一些不足。如遺傳算法在 求解問題時優(yōu)化過程費長，粒子群算法在求解此類問題時，由于缺乏粒子多樣性容易陷入 局部最優(yōu)，出現(xiàn)早熟現(xiàn)象，而AC0、ABC等控制參數(shù)較多，表現(xiàn)出求解問題對參數(shù)敏感的特性。 此外，一些算法在求解出一組解集后，并沒有對此解集進行處理，選取的主觀性較大。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的根本所在是針對以上提出的問題，提出一種面向機床產(chǎn)品制造系統(tǒng)加工 節(jié)能優(yōu)化方法，用于解決加工參數(shù)的選擇不當引起的能耗高和加工時間長的問題。
[0006] 為了實現(xiàn)上述目的，本發(fā)明所述的基于粒子群算法的機床制造系統(tǒng)加工節(jié)能優(yōu)化 方法包括如下步驟：
[0007] 步驟一：建立以切削速度V。、切削深度asp和進給量f為優(yōu)化變量的多目標優(yōu)化模 型，此模型包括加工能耗的數(shù)學(xué)模型和加工時間的數(shù)學(xué)模型以及相應(yīng)的約束條件。
[0008] 離散機床制造系統(tǒng)加工時，一般有啟動、待機、空載、加工四個進程。具體地，加工 能耗的數(shù)學(xué)模型為:E = Est+Es-S+Eie+Ec，加工時間的數(shù)學(xué)模型為:| +
[0009] 其中，E表示機床總能耗，Est表示機床啟動能耗，Es- s表示機床待機能耗，Eie表示機 床空載能耗，E。表示加工過程切削能耗，TP是機床加工時間，t。是加工切削時間，是換刀一 次所用時間，tot表示其他輔助時間，T是刀具壽命。
[0010] 機床的啟動、待機和空載能耗與加工參數(shù)沒有直接的關(guān)系，因此我們本發(fā)明只關(guān) 注切削加工時的能耗，切削能耗表示切除工件材料所消耗的能量：
[0011] K=l:;d
[0012 ]其中：Pc為切削功率，tc表示加工切削時間。
[0013] 在車削加工過程中，Pc可由式⑶求出：
[0015 ] 其中，1表示切削速度，f表示進給量，asp表示切削深度，CF、X、y、z、Kf表示與工件材 料和切削材料有關(guān)的系數(shù)，此系數(shù)可以查閱相應(yīng)的切削手冊得到。
[0016] 所以，加工過程能量消耗模型為：
[0017] E=E, +￡；_, +￡；+￡； =Esl +Eie ，
[0018] 引入加工時間目標函數(shù)作為另一優(yōu)化對象，機床加工時間一般包括切削時間、換 刀時間、工序輔助時間，故時間模型可表示為：
[0021 ]其中：tc是加工切削時間，tct是換刀一次所用時間，t〇t表不其他輔助時間，T是刀具 壽命，Lw是加工長度，A是加工余量，n是主軸轉(zhuǎn)速，do是工件直徑，V。是切削速度，f是進給 量，a sp是切削深度。
[0022]刀具壽命T由泰勒廣義計算公式確定：
[0024]其中：CT是與切削條件有關(guān)的常量，tll，tl2，tl3是刀具壽命系數(shù)，是切削速度，f 是進給量，asp是切削深度。
[0025]則加工時間函數(shù)為：
[0027] 考慮到機床的性能和實際的加工條件，相應(yīng)的約束條件有：
[0028] 1)切削時的主軸轉(zhuǎn)速n在機床最低和最高轉(zhuǎn)速之間，即：
[0029] nmin<n<nmax，nmin和nmax分別是機床最低和最高主軸轉(zhuǎn)速。
[0030] 2)進給量f必須在機床允許的范圍內(nèi)，即：
[0031 ] ?彡fmax，fmin和fmax分別表示機床允許的最小進給量和最大進給量。
[0032] 3)機床在生產(chǎn)過程中，進給抗力不能超過機床進給機構(gòu)所允許的最大切削力，即：
[0033] ，F(xiàn)max表示最大切削力，〇^，7,2， &表示與加工工件和切削條件有 關(guān)的系數(shù)，此系數(shù)可以針對具體的情況查看切削手冊得到。
[0034] 4)加工質(zhì)量在此用加工零件表面的粗糙度Ra表示，即：
^為刀具刀尖圓弧半徑，Rmax表示零件表面粗糙度要求的最大 值。
[0036] 5)加工時機床功率應(yīng)小于規(guī)定的最大有效切削功率，SP :
[0037]，n是機床功率有效系數(shù)，F(xiàn)。表示切削力，Pmax表示機床最大有效切削功 率。
[0038] 由此，得出機床制造系統(tǒng)加工優(yōu)化多目標模型為：
[0039] min:F(vc,aSp ,f) = (minE,minTP)
[0041]步驟二：得到上述多目標模型后，采用改進的粒子群優(yōu)化算法0BL-BMPS0 (Opposition-based learning particle swarm optimization with bounded mutation) 對其進行優(yōu)化求解，算法結(jié)合了反向?qū)W習(xí)策略(Opposition-based learning)和邊界變異 (Bounded Mutation)策略的優(yōu)勢，在增加種群多樣性的同時避免了陷入邊界最優(yōu)，最后在 求出的一組解集中使用層次分析法(Analytic Hierarchy Process，AHP)求出最合適的加 工參數(shù)組合。具體的過程如下：
[0042] S1:初始化，初始化種群和相關(guān)的參數(shù)；
[0043] S2:計算每個粒子的適應(yīng)度值，得到初始全局最優(yōu)粒子Gbest和個體最優(yōu)粒子Pbest;
[0044] S3:按照式(1)、式(2)更新粒子的位置X和速度V;
[0045] Xid(t+l)=Xid(t)+Vid(t+l) (1)
[0046] Vid(t+1) = 〇 (t)Vid(t)+ciri(Pbest(t)-Xid(t))+C2r2(Gbest(t)-Xid(t)) (2)
[0047]其中，《 (t)為慣性權(quán)重，D為搜索空間維數(shù)（1 <d<D)，N為粒子個數(shù)（1 < i<N)，t 為當前迭代次數(shù);ci和C2是非負常數(shù)，稱為加速度因子;ri和r2為分布于[0,1]之間的隨機 數(shù)；
[0048] S4:根據(jù)反向?qū)W習(xí)策略計算出新的粒子對應(yīng)的反向種群中的粒子；
[0049] 反向?qū)W習(xí)是近年來在計算智能領(lǐng)域出現(xiàn)的一種新技術(shù)，其核心思想是在搜索的過 程當中，同時搜索當前解及反向解，這樣在增加了種群多樣性的同時還使算法的全局搜索 能力增強，避免了過早陷入局部最優(yōu)，加快了算法的收斂性。反向?qū)W習(xí)的基本概念如下：
[0050] 定義1:若h為在區(qū)間[a，b]中的任意取值，則h的反向數(shù)可定義為:I/ =a+b_h。
[0051] 定義2:若在0維空間中存在一個點11=(111，112，一，1^)，則這個點11的反向點可以定 義為h' = (V l,!/ 2,…d)，并滿足 1/ i = ai+bi_hi。其中（hi，h2,…，hD) GR且hiG [ai，bi]，i G [l,D]〇
[0052] S5:判斷新種群中和反向種群中的粒子是否需要執(zhí)行邊界變異，需要則進行邊界 變異；
[0053]在以前的一些算法中，對于超出邊界的粒子往往只取邊界值。隨著聚集在邊界的 粒子越來越多，造成粒子容易陷入邊界的局部最優(yōu)。因此對超越邊界的粒子做出如下處理：
[0054] 當 Xi > Xmax時，Xi = Xmax* (1- y *rand ());
[0055] 當 Xi < -Xmax時，Xi = -Xmax* (卜 y *rand ());
[0056] 其中，y =0.01，;[￡[1，0]，瓜11(1()為隨機數(shù)。
[0057] 這樣，與反向?qū)W習(xí)策略一樣增加了種群的多樣性的同時，避免了粒子在邊界處陷 入局部最優(yōu)。
[0058] S6:更新粒子與反向粒子的位置后，分別求得二者的適應(yīng)度值進行比較，判斷是否 需要更新種群的個體極值Pbest和全局極值Gbest;
[0059] S7:用非支配排序法和擁擠距離法求出高等級的種群集合；
[0060]選擇非支配排序遺傳算法（Non-dominated Sorting Genetic Algorithm，NSGA_ II)中的非支配排序和擁擠距離排序策略構(gòu)成最優(yōu)解集，具體過程是:找出當前種群中非支 配最優(yōu)解的個體并將其放在第一等級中，在剩余種群中繼續(xù)按照支配關(guān)系對個體進行分 級，重復(fù)上述過程，直至解集合中所有的個體都被分到等級為止。擁擠距離〇:是該粒子i與 同非支配解等級里面的所以粒子的歐幾里得距離之和。粒子i的擁擠距離可以按照下式計 算：
[0062]其中：0:表示粒子的擁擠距離，F(xiàn)(s)表示非支配解等級為s的所有粒子的集合， 表示第j個粒子的第m個目標函數(shù)，共有M個目標函數(shù)，1表示集合F(s)中粒子的個數(shù)。
[0063] S8:判斷是否滿足算法的終止條件，若滿足，執(zhí)行步驟S9;否則，執(zhí)行步驟S3;
[0064] S9:輸出Pareto最優(yōu)解集；
[0065] S10:采用層次分析法在最優(yōu)集合中選出最滿意加工方案。
[0066]利用提出的算法求出節(jié)能優(yōu)化問題的一組Pareto解集后，需要從這組解集中客觀 選擇一個加工參數(shù)作為最優(yōu)解。本文采用層次分析法，根據(jù)專家系統(tǒng)對節(jié)能指標的重要性 進行評估，選出一個最優(yōu)方案，避免人為因素的干擾。決策時各個目標的重要性依次為加工 時間、產(chǎn)品耗能量。用數(shù)字1~9表示各個目標函數(shù)之間兩兩重要程度，并得到判斷矩陣： _ .E T；
[0067] A= E 1 1/5 K 5 1 _
[0068] 各個指標量綱不同是多目標優(yōu)化決策過程的一個重要問題，沒有統(tǒng)一標準，無法 相互比較。因此，在綜合評定Pareto解集之前，需要進行無量綱化（歸一化)處理，即指標的 特征值統(tǒng)一變換到[0，1]范圍內(nèi)。本文采用以下方法來進行無量綱化處理。
[0069]設(shè)表示優(yōu)化目標對Pareto方案t量綱化后的一個值，定義如下變量：
[0073]其中分別是判斷矩陣A相應(yīng)j列的最大和最小值，P是評價方案的數(shù)量，q 是指標的數(shù)量，i = 1，2，'"p，j = 1，2，…，q;aij是Pareto方案中指標的值；由上式可得到方案 的決策矩陣B= (bij)pXq，進而決策矩陣B乘以權(quán)重矢量WT= [Wl，W2，…，Wq]計算得到最優(yōu)的滿 意度矩陣凋^說卜^^:^^"得到的評價方案滿意度矩陣^辦仏…％]^ j=l
[0074] 本發(fā)明具有如下優(yōu)勢：
[0075] 1.采用反向?qū)W習(xí)策略和邊界變異方法，增加了種群的多樣性，避免了過快收斂局 部最優(yōu)的情況，也很好的利用了粒子群算法本身快速性收斂的優(yōu)點。
[0076] 2.對求取的解集采用層次分析決策方法，客觀的求出最適合的一組加工參數(shù)的組 合，避免了人為因素的干擾。
【附圖說明】
[0077] 圖1是本發(fā)明機床制造系統(tǒng)加工節(jié)能優(yōu)化流程。
[0078] 圖2是求解最優(yōu)加工參數(shù)的流程圖。
[0079] 圖3是多目標決策的AHP結(jié)構(gòu)。
[0080] 圖4是所提方法與其他算法的比較。
【具體實施方式】
[0081] 以下結(jié)合附圖和具體實施例對本發(fā)明作進一步的詳細說明。
[0082] 如圖1所示，本發(fā)明的總體流程如下：
[0083] (1)建立機床制造系統(tǒng)加工時間和能耗模型；
[0084] (2)結(jié)合機床特性和加工條件給出約束條件；
[0085] (3)由（1)和(2)得出本發(fā)明的多目標優(yōu)化模型；
[0086] (4)采用改進的粒子群優(yōu)化算法對多目標優(yōu)化模型求解；
[0087] (5)采用AHP決策方法在所求取的一組解集中選擇合適的加工參數(shù)組合。
[0088]本發(fā)明的具體步驟如下：
[0089] 步驟一:建立求解最優(yōu)加工參數(shù)的多目標數(shù)學(xué)模型。
[0090] 離散機床制造系統(tǒng)加工時，一般有啟動、待機、空載、加工四個進程。具體地，加工 能耗的數(shù)學(xué)模型為:E = Est+Es-s+Eie+Ec，加工時間的數(shù)學(xué)模型為:H +匕| + u。
[0091] 其中，E表示機床總能耗，Est表示機床啟動能耗，Es- s表示機床待機能耗，Eie表示機 床空載能耗，E。表示加工過程切削能耗，TP是機床加工時間，t。是加工切削時間，t。*是換刀一 次所用時間，tot表示其他輔助時間，T是刀具壽命。
[0092] 機床的啟動、待機和空載能耗與加工參數(shù)沒有直接的關(guān)系，因此我們本發(fā)明只關(guān) 注切削加工時的能耗，切削能耗表示切除工件材料所消耗的能量：
[0093] El = ￡ Pcdr
[0094] 其中:P。為切削功率，t。表示加工切削時間。
[0095] 在車削加工過程中，Pc可由下式求出：
[0097] 其中，V。表示切削速度，f表示進給量，如表示切削深度，CF、x、y、z、Kf表示與工件材 料和切削材料有關(guān)的系數(shù)，此系數(shù)可以查閱相應(yīng)的切削手冊得到。
[0098]所以，加工過程能量消耗模型為：
[0099 ] E=Esl +ES-S +Eie +EC =Est +ES_S +Eit, +￡ PjM
[0100]引入加工時間目標函數(shù)作為另一優(yōu)化對象，機床加工時間一般包括切削時間、換 刀時間、工序輔助時間，故時間模型可表示為：
[0103] 其中，tc是加工切削時間，tct是換刀一次所用時間，t〇t表不其他輔助時間，T是刀具 壽命，Lw是加工長度，A是加工余量， n是主軸轉(zhuǎn)速，do是工件直徑，V。是切削速度，f是進給 量，asp是切削深度。
[0104] 刀具壽命T由泰勒廣義計算公式確定：
[0106]其中，CT是與切削條件有關(guān)的常量，tll，tl2，tl3是刀具壽命系數(shù)，V。是切削速度，f 是進給量，asp是切削深度。
[0107]則加工時間函數(shù)為：
[0109] 考慮到機床的性能和實際的加工條件，相應(yīng)的約束條件有：
[0110] 1.切削時的主軸轉(zhuǎn)速n在機床最低和最高轉(zhuǎn)速之間，即：
[0111] nmin<n<nmax，nmin和nmax分別是機床最低和最高主軸轉(zhuǎn)速。
[0112] 2.進給量f必須在機床允許的范圍內(nèi)，即：
[0113] fminSf?彡fmax，fmin和fmax分別表示機床允許的最小進給量和最大進給量。
[0114] 3.機床在生產(chǎn)過程中，進給抗力不能超過機床進給機構(gòu)所允許的最大切削力，即：
[0115] ，F(xiàn)max表示最大切削力，〇山7,2，1(「表示與加工工件和切削條件有 關(guān)的系數(shù)，此系數(shù)可以針對具體的情況查看切削手冊得到。
[0116] 4.加工質(zhì)量在此用加工零件表面的粗糙度Ra表示，即：
^為刀具刀尖圓弧半徑，Rmax表示零件表面粗糙度要求的最大 值。
[0118]5.加工時機床功率應(yīng)小于規(guī)定的最大有效切削功率，即：
，11是機床功率有效系數(shù)，F(xiàn)。表示切削力，表示機床最大有效切削功 率。
[0120]由此，得出機床制造系統(tǒng)加工優(yōu)化多目標模型為：
[0121 ] min:F(vc,aSp ,f) = (minE,minTP)
[0123] 步驟二：如圖2所示的求解加工參數(shù)的流程，以粒子群算法為基礎(chǔ)，在MATLAB語言 環(huán)境下編寫相應(yīng)的代碼，求解出加工參數(shù)的Pareto最優(yōu)解集。
[0124] 步驟三:采用層次分析法在最優(yōu)集合中選出最滿意加工方案。利用提出的算法求 出節(jié)能優(yōu)化問題的一組Pareto解集后，需要從這組解集中客觀選擇一個加工參數(shù)作為最優(yōu) 解。本文采用層次分析法，根據(jù)專家系統(tǒng)對節(jié)能指標的重要性進行評估，選出一個最優(yōu)方 案，避免人為因素的干擾。層次結(jié)構(gòu)模型如圖3所示。決策時各個目標的重要性依次為加工 時間、產(chǎn)品耗能量。用數(shù)字1~9表示各個目標函數(shù)之間兩兩重要程度，并得到判斷矩陣： _ E T；
[0125] A.= E 1 1/5 T, 5 1 -
[0126] 各個指標量綱不同是多目標優(yōu)化決策過程的一個重要問題，沒有統(tǒng)一標準，無法 相互比較。因此，在綜合評定Pareto解集之前，需要進行無量綱化（歸一化)處理，即指標的 特征值統(tǒng)一變換到[0，1]范圍內(nèi)。本文采用以下方法來進行無量綱化處理。
[0127] 設(shè)表示優(yōu)化目標對Pareto方案t量綱化后的一個值，定義如下變量：
[0131] 其中，《r'，《rn分別是判斷矩陣A相應(yīng)j列的最大和最小值，P是評價方案的數(shù)量，q是 指標的數(shù)量，1 = 1，2，'1，」=1，2，-_，9;3^是?3代1:〇方案中指標的值；由上式可得到方案的 決策矩陣B= (bij)Pxq，進而決策矩陣B乘以權(quán)重矢量WT= [Wl，W2，…，Wq]計算得到最優(yōu)的滿意 度矩陣，即得到的評價方案滿意度矩陣D=[Di D2…Dp]t。 i=\
[0132] 具體結(jié)合實例做進一步說明。本發(fā)明以某軸承磨床制造系統(tǒng)中的單機設(shè)備為例， 在車床上進行試驗，驗證本發(fā)明的有效性。相應(yīng)的試驗條件如下：
[0133] 試驗設(shè)備:試驗所用的數(shù)控車床的規(guī)格參數(shù)如表1所示。
[0134] 表1數(shù)控車床規(guī)格參數(shù)
[0136] 工件材料及加工要求:工件材料為45#鋼棒，切削深度asp = 1mm，加工質(zhì)量要求匕不 超過6.4mi，加工時使用切削液。刀具：刀具為硬質(zhì)合金材料，主偏角為45°，前角20°，刀刃角 5°，刀具的刀尖圓弧半徑r e = 0.8mm。
[0137] 由切削用量手冊可以查到刀具壽命為64136小時，切削力系數(shù)如表2所示。
[0138] 表2切削力參數(shù)
[0140] 根據(jù)算法流程圖，在MATLAB2010b下進行仿真實驗，運行于Windows7操作系統(tǒng)，單 核英特爾酷睿CPU，2GB內(nèi)存。仿真參數(shù)設(shè)置如下：《 =1.3，ci=l .6，C2 = 1.6,迭代次數(shù)最大 值200，初始種群大小N=60。
[0141] 該算法最后求出的Pareto前沿解如圖4所示，其中第一組和最后一組解分別是能 耗和加工時間優(yōu)化目標的兩個極限值，其他的均在兩者之間。為了驗證改進算法的有效性 和優(yōu)越性，將其與教學(xué)算法進行了比較，在其他條件相同的情況下，得出兩算法的Pareto前 沿解，如圖4所示。其Pare to前沿均在本文所提出的改進的0BL-BMPS0算法之上，故MTLB0得 到的Pareto解均被其支配，這表明了改進的0BL-BMPS0算法在得到最優(yōu)解方面表現(xiàn)出了很 強的搜索能力。
[0142] 進而，采用層次分析法AHP從得到的Pareto前沿解中客觀實際的選擇最優(yōu)的加工 參數(shù)。經(jīng)計算得到權(quán)重系數(shù)為WT= (0.167，0.833)，計算〇 = (A) = = !>,,_%，可得到評 ./:1 價方案滿意度矩陣Di。取Dpmax^^Ds，即綜合考慮兩個目標且滿足各項約束條件下，第 9組的參數(shù)組合相對最優(yōu)。其對應(yīng)的加工參數(shù)為:n = 800r/min，f = 0.30mm/r，asp = 0.5mniS 此時相應(yīng)的能耗為1784W，加工時間為56s。
[0143] 將本文算法隨機測試20次，所得平均值及對應(yīng)的加工參數(shù)與教學(xué)算法進行比較， 如表3所示，其中MTLB0表示多目標教與學(xué)優(yōu)化算法，0BL-BMPS0表示本文所提出的改進算 法，經(jīng)驗方法指操作人員根據(jù)自己多年加工經(jīng)驗和參考手冊等選擇的加工參數(shù)。
[0144] 表3本文所提算法與其他算法的對比
[0145]
[0146] 由表3可知，相比較其他兩種方法本文算法的節(jié)能量如表4所示。
[0147] 表4本文算法相較其他算法的節(jié)能百分比
【主權(quán)項】
1.基于粒子群算法的機床制造系統(tǒng)加工節(jié)能優(yōu)化方法，其特征在于，包括如下步驟： 步驟一:建立以切削速度V。、切削深度asp和進給量f為優(yōu)化變量的多目標優(yōu)化模型，此 模型包括加工能耗的數(shù)學(xué)模型和加工時間的數(shù)學(xué)模型以及相應(yīng)的約束條件； 所述加工能耗的數(shù)學(xué)模型為:E = Est+Es-S+Eie+Ec，其中，E表示機床總能耗，Est表示機床啟動能耗，Es-s表示機床待機能耗，E ie3表示機床空 載能耗，E。表示加工過程切削能耗，TP是機床加工時間，t。是加工切削時間，t。*是換刀一次所 用時間，tcrt表示其他輔助時間，T是刀具壽命； 考慮到機床的性能和實際的加工環(huán)境，相應(yīng)的約束條件有： 約束1，切削時的主軸轉(zhuǎn)速η在機床最低和最高轉(zhuǎn)速之間，即 nmin < η < nmax，nmin和nmax分別是機床最低和最高主軸轉(zhuǎn)速； 約束2,進給量f必須在機床允許的范圍內(nèi)，即 fmiSf彡fmax，fmin和fmax分別表示機床允許的最小進給量和最大進給量； 約束3,機床在生產(chǎn)過程中，進給抗力不能超過機床進給機構(gòu)所允許的最大切削力，即 CFa：rrv；KF<Fmx> Fmax表示最大切削力，CF，X，y，z，K F表示與加工工件和切削條件有關(guān)的系數(shù)，可以針對具 體的情況查看切削手冊得到； 約束4，加工質(zhì)量在此用加工零件表面的粗糙度Ra表示，即η為刀具刀尖圓弧半徑，Rmax表示零件表面粗糙度要求的最大值； 約束5,加工時機床功率應(yīng)小于規(guī)定的最大有效切削功率，BPη是機床功率有效系數(shù)，F(xiàn)。表示切削力，Pmx表示機床最大有效切削功率； 由此，得出機床制造系統(tǒng)加工優(yōu)化多目標模型為： min :F(vc,aSp ,f) = (minE ,minTP)步驟二:采用改進的粒子群算法對模型進行求解，包括以下步驟： S1:初始化； S2:計算每個粒子的適應(yīng)度值，得到初始全局最優(yōu)粒子Gb(3St和個體最優(yōu)粒子Pb(3St; S3:按照式(1)、式(2)更新粒子的位置X和速度V; Xid(t+l)=Xid(t)+Vid(t+l) (1) Vid(t+1) = ω (t)Vid(t)+ciri(Pbest(t)-Xid(t))+C2r2(Gbest(t)-Xid(t)) (2) 其中，ω (t)為慣性權(quán)重，1 <d<D，D為搜索空間維數(shù)，1 < i，N為粒子個數(shù)，t為當前 迭代次數(shù);Cl和C2是非負常數(shù)，稱為加速度因子;ri和r2為分布于[0,1]之間的隨機數(shù)； S4:根據(jù)反向?qū)W習(xí)策略計算出新的粒子對應(yīng)的反向種群中的粒子； S5:判斷新種群中和反向種群中的粒子是否需要執(zhí)行邊界變異，需要則進行邊界變異； S6:更新粒子與反向粒子的位置后，分別求得二者的適應(yīng)度值進行比較，判斷是否需要 更新種群的個體極值Pbest和全局極值Gbest; S7:用非支配排序法和擁擠距離法求出高等級的種群集合； S8:判斷是否滿足算法的終止條件，若滿足，執(zhí)行步驟S9;否則，執(zhí)行步驟S3; S9:輸出Pareto最優(yōu)解集； S10:采用層次分析法在最優(yōu)集合中選出最滿意加工方案。2.如權(quán)利要求1所述的基于粒子群算法的機床制造系統(tǒng)加工節(jié)能優(yōu)化方法，其特征在 于，步驟S10所述層次分析法，根據(jù)專家系統(tǒng)對節(jié)能指標的重要性進行評估，選出一個最優(yōu) 方案;決策時各個目標的重要性依次為加工時間、產(chǎn)品耗能量，用數(shù)字1~9表示各個目標函 數(shù)之間兩兩重要程度，并得到判斷矩陣：在綜合評定Pareto最優(yōu)解集之前，需要進行無量綱化處理，即各指標的特征值統(tǒng)一變 換到[〇，1 ]范圍內(nèi)，采用以下方法來進行無量綱化處理： 設(shè)1?表示優(yōu)化目標對Pareto方案Xi量綱化后的一個值，定義如下變量：其中，分別是判斷矩陣A相應(yīng)j列的最大和最小值，p是評價方案的數(shù)量，q是指標 的數(shù)量，i = l, 2,…，p，j = 1,2,…，q; aij是Pareto方案中指標的值；由上式可得到方案的決 策矩陣B= (bij)pXq，進而決策矩陣B乘以權(quán)重矢量WT= [Wl，W2，…，Wq]計算得到最優(yōu)的滿意度 矩陣，得到的評價方案滿意度矩陣D=[Di D2…DP]T。
【文檔編號】G05B13/04GK105929689SQ201610258063
【公開日】2016年9月7日
【申請日】2016年4月22日
【發(fā)明人】王艷, 蔡磊, 紀志成, 潘琛
【申請人】江南大學(xué)