基于自适应遗传算法的机床切削用量能耗优化方法

摘要

本发明公开了一种基于自适应遗传算法的机床切削用量能耗优化方法，包括以下步骤：1）确定模型优化变量步骤；2）确定优化目标函数步骤;3)确定模型中约束条件步骤；4）使用自适应遗传算法来确定切削用量。本发明的优点是：本发明由于采用了自适应的遗传算法方案，所以在切削量选取方面更加的合理，有效的提高了机床的利用效率，减少了能源消耗。

主权项

基于自适应遗传算法的机床切削用量能耗优化方法，其特征是，包括以下步骤：(1)确定模型优化变量：在切削优化数学模型中，切削加工的三个要素：切削速度v_c、进给量f、背吃刀量a_p是加工过程中影响碳排放、加工能耗的3个最活跃并且相互独立的变量，在数控编程中a_p是由用户根据加工余量确定，v_c由主轴转速n和切削直径来确定，因此，优化变量选取主轴转速n和进给量f两个参数；(2)确定优化目标函数：在离散制造系统加工中，一个零件的加工能耗分为工步层能源消耗、工序层能源消耗、零件层能源消耗、产品层能源消耗，(2.1)工步层的能量消耗函数模型为：$E_1=E_{st}+E_{s-s}+E_{ie}+E_c={\int }_0^{t_w}{P}_{w}dt+{\int }_0^{t_{te}}{P}_{ie}dt+{\int }_0^{t_c}{P}_{c}dt$其中E₁表示工步能耗，E_st表示机床的启动能耗，E_s‑s表示工步的待机能耗，E_ie表示工步的空载能耗，E_c表示切削能耗；t_w为待机时间，P_w为设备的总功率，t_ie表示的是空载时间，P_ie表示的是空载功率，P_c表示切削功率，t_c为加工时间，车削加工过程中，P_c表示为：$P_c=\frac{1}{6\times {10}^4}{C}_{FC}{a}_p^{x_{FC}}{f}^{y_{FC}}{v}_C^{n_{FC}}{K}_{FC}{v}_C$其中x_fc、y_fc、n_fc分别是背吃刀量a_p、进给量f、切削速度v_c的指数，K_FC表示各种因素对切削力的修正系数，C_FC表示决定于被加工金属和金属条件的系数；(2.2)工序层的能量消耗：在工序层，每一个工序的能耗包括其各个工步的能耗加上用于零件运输的能耗，$E_2=\underset{i=1}{\overset{N_1}{\Sigma }}{E}_{1_i}+E_{ts}$式中：E₂为工序能耗，N₁表示工序中工步个数，表示每个工步的能耗，E_ts表示运输能耗，运输能耗E_ts由下式来计算得到：$E_{ts}=\frac{P_{ts}\times t_{ts}}{Q}$式中：p_ts为运输设备的额定功率，t_ts为运输设备的运行时间，Q为一次运输装载的零件数量；(2.3)零件层的能量消耗：在这一层，当零件供应不足时，会出现机床被迫等待的情况，同时，考虑到零件清洗和上漆的耗能，生产出一个零件的能耗表示为$E_3=\underset{i=1}{\overset{N_2}{\Sigma }}{E}_{2_i}+E_{pt}+E_{cn}+E_{s-p}$式中：E₃为零件能耗，N₂为加工零件的工序数，E_2i表示每个工序的能耗，E_pt为上漆能耗，E_cn为清洗能耗，E_s‑p表示机器等待能耗；(2.4)产品层的能量消耗：$E_4=\underset{i=1}{\overset{N_3}{\Sigma }}{E}_{3_i}+E_{ae}+\frac{E_{fy}}{KM}$式中：E₄表示产品的能耗，N₃表示加工产品零件的个数，E_3i表示每个零件的能耗，E_ae表示装配产品的耗能，E_fy辅助设备的耗能，K和M分别为一定时间内生产产品的种类数和特定种类产品的个数；(3)确定模型中约束条件，包括所选设备的切削速度、最大进给量、表面粗糙度、机床功率、切削力中的一种或多种；(4)使用自适应遗传算法来确定切削用量；(4.1)设置自适应遗传算法参数，包括种群的个数、最大运行的代数、个体染色体的长度、遗传操作的交叉概率p_c和变异概率p_m；(4.2)物种的编码：在切削量的优化参数设置好后，用字长为m的二进制串s_m来表示进给量f，进给量f的取值范围为[f_min,f_max],用m位二进制数x₁表示，其关系为：$f=f_{\min }+\frac{x_1}{2^m-1}(f_{max}-f_{\min })$主轴转速n的取值范围为[n_min,n_max],用字长为K的二进制串s_k来表示，它的二进制数为x₂，其关系为：$n=n_{\min }+\frac{x_2}{2^k-1}(n_{\max }-n_{\min })$根据上述2个公式可对主轴转速和进给量进行编码，以进给量和主轴转速为优化变量的个体染色体表示为s_ms_k；(4.3)适应值的计算：适应值函数如下：$F_{fitness}=\left\{\begin{array}{c}\lambda (c_{max}-f(x_1,x_2\left)\right),f\left(x_{1,}{x}_2\right)<c_{max}\\ 0,f(x_1,x_2)\ge c_{\max }\end{array}\right.$式中：λ为线性变换系数，f(x₁，x₂)为切削参数目标函数，c_max为适应值阈值；(4.4)切削量的自适应遗传操作，包括选择、交叉和变异。