论文部分内容阅读
工艺参数的选择不仅直接关系到加工质量的优劣,对加工效率、机床与刀具的性能及能耗也有显著影响。传统数控切削加工中,主要通过加工手册、工人经验选择工艺参数,往往难以获得理想的效果。虽然也有对工艺参数优化的研究,但常用的优化措施主要通过经验公式进行,缺乏对实际加工过程的物理建模,优化的结果往往与实际值有相当程度的出入。因此,本文围绕数控车削过程的表面粗糙度建模以及工艺参数优化进行了深入的研究。(1)建立基于自适应多表达式编程(IMEP)算法的表面粗糙度模型。阐述了多表达式编程(MEP)算法的基本原理,分析了MEP算法的优缺点,对MEP算法在适应度函数、交叉变异概率自适应、交叉策略、多种群以及并行计算等方面进行改进,提出了自适应多表达式编程(IMEP)算法。算例测试表明IMEP算法在收敛速度、收敛精度、进化效率等方面优于MEP算法。建立了基于IMEP算法的数控车削加工的表面粗糙度模型,建模结果表明]MEP算法能够高效地建立表面粗糙度的高精度显式模型。(2)提出改进的快速非支配排序遗传算法(NSGA-II-Improve),实现了多目标优化模型的高速、高精求解。针对加工过程多目标优化问题,采用NSGA-II算法的基本原理,改进了交叉算子、变异算子以及实现并行计算,优化了快速非支配排序遗传算法(NSGA-II)。算例测试表明,NSGA-II-Improve算法在运行效率、求解结果的收敛性和多样性方面优于NSGA-II算法,并且可以求得更大范围的帕雷托解。(3)研究IMEP算法和NSGA-II-Improve算法在实际加工中的应用。通过正交实验获得实际车削加工的表面粗糙度数据,建立了基于IMEP算法的表面粗糙度模型,并且通过方差分析(ANOVA)分析了工艺参数对表面粗糙度的影响。采用NSGA-II-Improve算法对表面粗糙度模型以及能耗模型进行多目标优化,并通过实验对优化后的工艺参数进行验证。结果表明,NSGA-II-Improve算法可以高效的解决工艺参数的多目标优化问题。