精密車削工藝參數(shù)多目標優(yōu)化研究.pdf

1、工藝參數(shù)的選擇不僅直接影響加工質量的好壞，同時也對加工精度、加工效率以及機床與刀具的性能具有顯著影響。在傳統(tǒng)的數(shù)控切削加工過程中，主要通過查閱加工手冊、憑借加工經(jīng)驗選擇加工工藝參數(shù)，但其結果往往并不理想。目前雖然也有對工藝參數(shù)進行優(yōu)化研究的，但多以單目標優(yōu)化為主，且優(yōu)化結果往往建立在以降低其它方面性能的基礎上，并不能同時滿足多種目標的優(yōu)化。
　　快速非支配排序遺傳算法(NSGA-Ⅱ)以其運行速度快、計算復雜度低、易于實現(xiàn)等優(yōu)點成為

2、多目標優(yōu)化算法的基準之一，在求解多目標優(yōu)化問題的科學研究領域與工程實踐領域中得到了廣泛地應用。但該算法種群收斂分布不均勻、全局搜索能力差、易陷于局部最優(yōu)使得其在解決部分多目標優(yōu)化問題時效果不夠理想。
　　針對上述問題，本文以表面粗糙度和材料去除率作為優(yōu)化目標，圍繞精密車削加工過程中工藝參數(shù)優(yōu)化進行了深入研究，通過正交試驗獲得了實際車削加工的表面粗糙度與材料去除率數(shù)據(jù)，采用遺傳廣義回歸神經(jīng)網(wǎng)絡與正交回歸法分別建立了表面粗糙度與材料去

3、除率的多目標優(yōu)化模型。針對NSGA-Ⅱ算法存在的不足引入了正交交叉策略與自適應混合變異算子進行改進，創(chuàng)新性地用改進的NSGA-Ⅱ算法求解精密車削工藝參數(shù)多目標優(yōu)化模型，并通過實際精密車削試驗驗證了上述方法的可行性。具體的研究內容如下:
　　(1)以精密車削為研究對象，以刀具圓弧半徑、每轉進給量、背吃刀量以及主軸轉速為設計變量，以表面粗糙度與材料去除率為優(yōu)化指標，采用正交試驗獲得了實際精密車削加工的表面粗糙度與材料去除率數(shù)據(jù)，并采用

4、極差分析法與方差分析法對表面粗糙度與材料去除率的試驗數(shù)據(jù)進行了分析，研究了各個工藝參數(shù)分別對表面粗糙度與材料去除率的影響程度及影響規(guī)律。
　　(2)根據(jù)正交試驗的結果，基于正交回歸法建立了表面粗糙度二階多項式回歸預測模型，并結合指數(shù)預測模型與線性預測模型對比分析了上述三種模型的預測效果。引入廣義回歸神經(jīng)網(wǎng)絡建立了表面粗糙度預測模型，采用改進的自適應遺傳算法(IAGA)對廣義回歸神經(jīng)網(wǎng)絡(GRNN)中的光滑因子進行極值尋優(yōu)，通過驗證

5、試驗表明IAGA-GRNN模型的預測效果要明顯高于上述三種回歸預測模型?；谡换貧w分析法建立了材料去除率指數(shù)預測模型，通過驗證試驗顯示模型的預測精度高，預測效果好，可以用于預測本文的材料去除率。以刀具圓弧半徑、每轉進給量、背吃刀量主軸轉速為設計變量，利用預測精度較好的IAGA-GRNN表面粗糙度預測模型和材料去除率正交回歸指數(shù)模型作為目標函數(shù)，在考慮了工藝參數(shù)約束、切削力約束、切削功率約束、切削溫度約束、刀具壽命約束的基礎上建立了60

6、61鋁合金精密車削工藝參數(shù)多目標優(yōu)化模型。
　　(3)在分析對比了常見多目標進化算法的基礎上，針對NSGA-Ⅱ算法種群收斂分布不均勻、全局搜索能力差、易陷入局部最優(yōu)等不足，引入正交交叉策略與自適應混合變異算子，提出一種改進的NGSA-Ⅱ算法。在ZDT系列測試函數(shù)和DTLZ系列測試函數(shù)上對改進NSGA-Ⅱ算法與傳統(tǒng)NSGA-Ⅱ算法同時進行性能測試，結果表明改進的NSGA-Ⅱ算法無論是在收斂性還是分布性上均優(yōu)于傳統(tǒng)的NSGA-Ⅱ算法。