论文部分内容阅读
工艺参数的选择不仅直接影响加工质量的好坏,同时也对加工精度、加工效率以及机床与刀具的性能具有显著影响。在传统的数控切削加工过程中,主要通过查阅加工手册、凭借加工经验选择加工工艺参数,但其结果往往并不理想。目前虽然也有对工艺参数进行优化研究的,但多以单目标优化为主,且优化结果往往建立在以降低其它方面性能的基础上,并不能同时满足多种目标的优化。快速非支配排序遗传算法(NSGA-Ⅱ)以其运行速度快、计算复杂度低、易于实现等优点成为多目标优化算法的基准之一,在求解多目标优化问题的科学研究领域与工程实践领域中得到了广泛地应用。但该算法种群收敛分布不均匀、全局搜索能力差、易陷于局部最优使得其在解决部分多目标优化问题时效果不够理想。针对上述问题,本文以表面粗糙度和材料去除率作为优化目标,围绕精密车削加工过程中工艺参数优化进行了深入研究,通过正交试验获得了实际车削加工的表面粗糙度与材料去除率数据,采用遗传广义回归神经网络与正交回归法分别建立了表面粗糙度与材料去除率的多目标优化模型。针对NSGA-Ⅱ算法存在的不足引入了正交交叉策略与自适应混合变异算子进行改进,创新性地用改进的NSGA-Ⅱ算法求解精密车削工艺参数多目标优化模型,并通过实际精密车削试验验证了上述方法的可行性。具体的研究内容如下:(1)以精密车削为研究对象,以刀具圆弧半径、每转进给量、背吃刀量以及主轴转速为设计变量,以表面粗糙度与材料去除率为优化指标,采用正交试验获得了实际精密车削加工的表面粗糙度与材料去除率数据,并采用极差分析法与方差分析法对表面粗糙度与材料去除率的试验数据进行了分析,研究了各个工艺参数分别对表面粗糙度与材料去除率的影响程度及影响规律。(2)根据正交试验的结果,基于正交回归法建立了表面粗糙度二阶多项式回归预测模型,并结合指数预测模型与线性预测模型对比分析了上述三种模型的预测效果。引入广义回归神经网络建立了表面粗糙度预测模型,采用改进的自适应遗传算法(IAGA)对广义回归神经网络(GRNN)中的光滑因子进行极值寻优,通过验证试验表明IAGA-GRNN模型的预测效果要明显高于上述三种回归预测模型。基于正交回归分析法建立了材料去除率指数预测模型,通过验证试验显示模型的预测精度高,预测效果好,可以用于预测本文的材料去除率。以刀具圆弧半径、每转进给量、背吃刀量主轴转速为设计变量,利用预测精度较好的IAGA-GRNN表面粗糙度预测模型和材料去除率正交回归指数模型作为目标函数,在考虑了工艺参数约束、切削力约束、切削功率约束、切削温度约束、刀具寿命约束的基础上建立了 6061铝合金精密车削工艺参数多目标优化模型。(3)在分析对比了常见多目标进化算法的基础上,针对NSGA-Ⅱ算法种群收敛分布不均匀、全局搜索能力差、易陷入局部最优等不足,引入正交交叉策略与自适应混合变异算子,提出一种改进的NGSA-Ⅱ算法。在ZDT系列测试函数和DTLZ系列测试函数上对改进NSGA-Ⅱ算法与传统NSGA-Ⅱ算法同时进行性能测试,结果表明改进的NSGA-Ⅱ算法无论是在收敛性还是分布性上均优于传统的NSGA-Ⅱ算法。(4)采用改进的NSGA-Ⅱ算法对精密车削工艺参数多目标优化模型进行求解,研究改进NSGA-Ⅱ算法在实际加工中的应用情况,并与传统NSGA-Ⅱ算法进行了对比,结果表明,改进算法的收敛精度更高、收敛速度更快、优化结果更加逼近全局最优解,在求解精密车削工艺参数多目标优化问题时更加有效。为进一步研究上述方法的可靠性与合理性,对优化后的工艺参数进行了验证试验,结果表明该方法能够高精度、高效率地解决实际工艺参数多目标优化问题。