数控立铣中的切削温和表面粗糙度优化.docxVIP

2012年国际会议上先进的计算机科学应用和技术 数控立铣中的切削温度和表面粗糙度优化 使用多目标遗传算法 Muataz Hazza. F. Al Hazza1, Erry Y.T. Adesta2, Superianto, M.Y3. Muhammad Riza4 1, 2, 3, 4Faculty of Engineering – International Islamic University Malaysia- Malaysia amutaz_hazaa@, muataz@.my 摘要 高速切削加工硬材料时会在在生产中的切削区产生高温,从而影响表面质量。因此,开发一个模型来估计切削参数和优化这个模型以最小化切削温度和表面粗糙度以避免损坏表面质量变得至关重要的。本文介绍了通过整合遗传算法(GA)与统计方法来开发新模型和这些模型的优化加工参数来减少切削温度在端铣过程中影响的方法。从切削速度、进给速度、轴向切深角度来讲，这个针对切削温度和表面粗糙度参数的数学模型已经通过响应方法方法(RSM)得到开发。最小切削温度和最低算术平均粗糙度(Ra)已考虑在内。由于该加工优化问题比较复杂, 应用多目标遗传算法来解决该问题,并对结果进行了分析。 关键词：优化，MOGA，温度，表面粗糙度，美国钢铁协会H13端铣 引言 高速切削硬质材料有很多优点，比如减少切削时间、增加材料去除率、降低表面粗糙度。然而，在高速切削中，侧面磨损和加工成本增加。所以，研发一种模型在加工之前来评估数控加工的不同响应变得至关重要。 慕克吉和雷[1]将这种加工中的模型技术分为三大类：统计回归（单一、多个和多变量）[2.3]、人工神经网络[4]和模糊理论[5]。所有这些方法都是基于实验数据的基础上。实验中这些切削参数的选取可能导致过度的刀具磨损和表面粗糙度的增加[6]，所以，研究模型的优化变得更加重要。 有很多不同的，常规或者非常规的用于优化多个响应问题的方法。常规的方法基于诸如线性规划、非线性规划、几何编程和动态编程[7]或类似于面响应和Taguchi方法的统计方法的数学方法。非常规方法通常给出一个近于优化的方案或者基于类似于遗传算法、神经网络、Tabu搜索、粒子群算法、蚁群算法和模拟退火的人工智能方法。在这项研究中，遗传算法作为一种非常规的方法被用于决定优化切削参数以获得最低切削温度和最小算数平均粗糙度。 在这项研究中，遗传算法作为一种非常规的方法被用于决定优化切削参数以获得最小算数平均粗糙度和最低切削温度。遗传算法是进程中出现的一组计算机模型。这些算法对于特定的问题在一条染色体上编码一种潜在的方法，像数据结构、应用符合运营商这些结构以便保存重要信息。 遗传算法是一种用于数控加工优化的强大的人工智能工具，很多研究人员都用过这种方法。 Saravanan 和Sachithanandam基于优化过程的思想提出了遗传算法，用多目标遗传算法函数模型来优化表面磨削过程。 Cus 和Balic运用了遗传算法去决定优化加工参数来获得最小的单元生产 成本。Tutkun 运用了实数编码的遗传算法在数学模型中进行参数估计。 Stoic利用遗传算法，通过高速切削过程和切削参数在加工比率方面的影响进行硬质材料的加工测试。 Shunmugam[27]利用遗传算法在面铣过程中决定类似于切削速度、进给速度和切削深度的优化参数，得到了最小的总生产成本。 确定输入因子的水平，在任意一个响应的加工过程中提供一个识别最优值是有用处的，但是不知道几个响应权衡可用，像表面粗糙度和切削温度。因此，研发数学模型并且在加工过程中决定优化或者近于优化的条件在告诉加工中=显得尤为重要。 研究方法 为了达到研究目的，以下步骤已经完成： ◆从实验和理论方面学习整个过程； ◆实验工作； ◆为切削温度和表面粗糙度统计研发新的模型； ◆验证模型； ◆用遗传算法优化所建模型； 图 1 研究目的 实验部分 本次加工使用了MAZAK垂直铣中心，切削速度在150-200m/min，进给速度在0.05-0.15mm/rev，切削深度在0.1-0.2mm。本次研究中的实验用AISI H13，实验材料硬度在HRC48。热成像摄像机IrAnalyzer被用于实验中切削温度的模拟和测试。本次试验中，基于五层程度的中心复合设计收集了20个数据样本组。 所有的实验通过运用可转位刀架Sandvick R490和插入是PVD涂层氮化铝钛硬质合金。 平均表面粗糙度和最小均方根粗糙度统计模型通过设计专家软件开发得到。结果显示模型可用于导航设计空间，如下面的公式所示： 验证 从所建模型的测试和预测中得出的理论和实际价值之间的对比来决定偏差的想法得到证实。结果显示不同比例的准确性，算数平均粗糙度和测试相比偏离了7%，如图2所示，切削温度模型的预测更为准确，偏