计算机智能技术在切削参数优化中的应用.docVIP

计算机智能技术在切削参数优化中的应用 　　摘 要：切削参数的选择和优化是提高机械零件加工精度和稳定性的重要保证。本文以汽车轴承支架轴承孔的精镗切削为例，选择对零件切削精度影响较大的五种参数，采用田口实验及计算机智能技术中的倒传递神经网络和遗传算法等方法的综合运用，对切削参数进行优化，迅速有效地找出最佳切削参数组合，从而提升零件质量和加工过程的稳定性，为提高机械加工企业的市场竞争力开辟了一种新的思路和途径。 　　关键词：切削参数；田口方法；倒传递神经网络；遗传算法 　　中图分类号：TP311.13 　　切削参数优化问题，一直是困扰我国机械加工企业的难题。当前解决该问题的方法主要有三种：一是经验法，即操作人员根据经验或参考金属切削手册的数据，采用试错法进行实验[1]。此法在企业中应用较多，因最佳参数值选取难度较大，不仅效率低且受熟练工人经验、资料繁杂等因素限制缺乏稳定性。二是试验法，即通过对具体机床和切削工件及刀具进行切削试验，利用正交试验法或其它方法来分析研究切削参数，以获得合理的切削参数组合，由于该方法所获得的最佳切削参数均为离散型的组合，因而不容易真正找到最佳切削参数。三是数值计算法，即通常采用正交或中心复合实验设计方法进行实验，借助多元回归方法建立一阶或二阶预测模型，在此基础上通过响应曲面法或遗传算法对切削参数进行优化，然而此类方法建立的数学模型误差大而且计算繁杂，不易求解，优化效果不理想。 　　本研究通过构建一套优化系统，综合运用田口方法结合计算机智能技术（Computational Intelligence，CI）中的倒传递神经网络（Back-Propagation Neural Network，BPNN）、遗传算法（Genetic Algorithms，GA）等，在汽车轴承支架轴承孔精镗切削工序中进行实证研究，对精镗切削中的切削参数进行优化，迅速有效地找到最佳切削参数组合，不仅提高加工过程的稳定性，而且能保证所加工的零件品质特性符合要求，大幅度降低不良率。 　　1 研究方法 　　本研究综合运用田口方法、BPNN和GA等相关技术，对汽车轴承支架轴承孔精镗中的切削参数进行优化，期望经切削参数优化后，使精镗切削加工过程更加稳定，轴承孔真圆度值小于0.005毫米，且越小越好，其中真圆度为零件实际轮廓相对于理想圆的径向偏移量。影响精镗切削加工的因素有很多，本研究选择加工余量、进给速度、机床转速和刀尖R角等五个对零件品质影响最大的因素作为田口实验的控制因子，选用L25（56）正交表进行精镗切削实验，再将田口实验所得的数据资料使用BPNN进行训练与测试，构建出能够预测零件真圆度和信噪比的BPNN预测器，并结合GA，搜寻符合品质要求且加工过程最为稳定的最优参数组合。切削的参数优化流程图如图1所示。 　　图1 切削参数优化流程图 　　1.1 田口方法 　　田口方法是知名的统计学家田口玄一博士于1990提出的一套实验方法，其主要工具为正交表与信噪比（signal-to-noise ratio，S/N比），以正交表进行实验规划，以S/N比作为零件生产过程稳健性的评价标准找到最佳参数组合。本研究确定真圆度作为零件品质特性的指标，使之低于0.005毫米，且越小越好。如上所述选择对加工零件品质影响相对较大的五个控制因子，并拟定各实验因子的标准范围：分别是冷却液浓度为0～12%（其中0表示干切）、加工余量为0.1～0.3毫米、进给速度为0.05～0.09毫米/转、机床转速为500～900转/分钟、刀尖R角为0.1～0.5毫米。因为涉及到五个控制因子，所以需选用L25（56）正交表做五因素五水平试验。又因为零件品质特性的指标为真圆度值低于0.005毫米，且越小越好，故选择望小信噪比（signal-to-noise ratio，S/N比）公式，如式（1）所示。 　　（1）根据稳健设计原理，S/N比最大的方案就是加工过程最稳定的方案。 　　1.2 真圆度和S/N比最佳化 　　由于田口实验所找到的最佳参数组合仅仅是离散型的（即局部最佳解），并不能保证零件加工参数始终满足品质的要求。本阶段将针对真圆度和S/N比进行双目标最佳化，从而求出真圆度值最低，且S/N比最高的切削参数组合。具体步骤如下： 　　第一步：利用田口实验所得的数据，训练BPNN，同时在田口实验标准范围内随机产生五组组合进行实验，实验结果用于BPNN测试。经过多次的训练及测试，使收敛误差达到要求，构建出能够预测真圆度和S/N比的BPNN预测器，即找出最能符合实际精镗切削状况的类神经网络。BPNN预测器的输入为冷却液浓度、加工余量、进给速度、机床转速和刀尖R角，输出为真圆度值和S/N比。 　　第二步：利用BPNN预测器结合GA，求得精镗切削中真圆度最低且S/