基于人工神经网络和遗传算法的平面铣削加工参数自适应优化.pdfVIP

基于人工神经网络和遗传算法的平面铣削加工参数自适应优化 来源:数控机床网　作者:数控车床　栏目:行业动态　 摘　要：机械加工最优自适应控制的关键在于自适应加工模型的建立和实时优化策略的制定。本文提出用人工神经网络方法建立加工 过程模型，用遗传算法实现在线优化。基于以上算法，构造了平面铣削加工参数自适应优化系统，可使加工系统在不违反加工约束的 前提下，总是获得最大材料去除率。 关键词：平面铣削；自适应优化；人工神经网络；遗传算法 分类号：TH391.9　文献标识码：A 章编号：1001-2265(2000)　02-0005-04 Adaptive optimization of machining parameters for face milling based on artificial neural network and genetic algorithms Ni Qimin　Lin Jia ing　Li Congxin　Ruan xueyu A tract：The keys to adaptive control with optimization of machining operatio are modeling of cutting  proce and selecting of real-time optimal strategy.In this paper,we propose to moldel the machining p roce using artificial neural network and realize on-line optimization using genetic algorithms.A system  for adaptive optimization of cutting parameters such as feed rate and indle eed in a face milling  operation for maximizing the material removal rate without violating machining co traints is set up. Key words：face milling;adaptive optimizatio artificial neural network;genetic algorithms 1　引言 　　金属 切削加工参数的选择对加工生产率和经济效益具有重要的影响。在常规计算机数控加工系统中，加工参数在加工之前根据编程人员的 经验、加工手册或通过离线优化确定。然而，在实际加工过程中，加工工况是不断变化的，编程时预先指定的加工参数不能使加工目 标总是维持最优。解决该问题的一个办法是给CNC加工系统提供一个能够根据加工条件的变化实时优化加工参数的最优控制系统。这 样的系统称为自适应控制系统，可分为约束自适应控制(ACC)和最优自适应控制(ACO)［1］。 　　约束自适应控制实际上是通过使切削力或加工功率维持在极限值而使生产率最大化，它的主要缺点在于缺乏对工件质量的反馈， 仅考虑单一约束得到的加工参数可能会因违反其它约束而成为不可行的［2］。 　　尽管人们已对最优自适应控制进行了大量的研究［3～7］，但达到实用的系统不多。主要困难在于加工过程模型的建立和实时优 化策略的制定。针对这两个问题，本文提出了基于人工神经网络建模和遗传算法优化的平面铣削自适应优化方法。 2　加工过程人 工神经网络建模 　　恰当合理的加工模型是进行加工优化的前提。加工模型应该能够在较宽的工况范围内准确地反映加工参数(切 削速度、进给率、切深等)和加工输出(切削力、切削功率、表面质量等)的关系。此外，加工过程模型还必须具备对加工环境变化、 特别是刀具磨损状况的自适应能力。由于加工过程的复杂性和非线性特性，准确建立一个解析形式的加工过程模型是非常困难的。最 近的研究显示［8，9］，具有自适应能力和非线性处理能力的人工神经网络，特别是多层感知器网络，适于制造过程建模，并且通常 优越于其它建模技术。 　　基于以上分析，本文采用人工神经网络来映射过程输入变量和过程输出变量的关系。为使过程模型能够适应加工过程中刀具磨损 状况的变化，过程输入变量中除加工参数外，还包括刀具磨损长度变量。在使用时，需要首先对加工过程中的刀具磨损进行在线测量 。 2.1　刀具磨损的神经网络测量 　　刀具磨损状况对切削力和工件表面质量具有重要影响，因此，为了准确预测切削力和加工质量，必须首先测量刀具磨损长度。 　　测量刀具磨