[发明专利]一种引入三维稳定性约束的铣削加工多目标优化决策方法

权利要求书

1.一种引入三维稳定性约束的铣削加工多目标优化决策方法，其特征在于，包括如下步骤：

步骤1：基于二阶全离散法，在主轴转速Ω、轴向切深d的铣削稳定性预测模型中引入径向切深a，构建关于主轴转速Ω、轴向切深d以及径向切深a的铣削三维稳定性预测模型；

步骤2：建立多目标多约束的多次走刀铣削参数优化模型，该模型包括多目标函数；和根据数控机床性能、刀具性能、工件性能、加工要求以及步骤1中的三维稳定性模型建立的多约束条件；

步骤3：利用基于聚类原理的多目标萤火虫优化算法求解多目标多约束的多次走刀铣削参数优化模型，得到多组具有代表性的切削参数，即多组具有代表性的Pareto前沿解，所述基于聚类原理的多目标萤火虫优化算法包括：基于云模型的坐标摄动机制、基于拥挤度的自适应吸引力机制、基于拥挤度的最优萤火虫引导机制、基于聚类原理的外部存档更新消减机制；

步骤4：利用伪权重估计法，计算每个具有代表性的前沿解其不同目标函数的权重值；

所述步骤2中的多目标函数包括：铣削耗时的目标函数、铣削成本的目标函数、铣削利润的目标函数；

所述铣削耗时的目标函数如下所示：

其中，D为铣刀直径；Ω_ri为第i次粗加工时机床的主轴转速，Ω_s为精加工时机床的主轴转速，n为粗加工的次数，z为铣刀齿数，f_ri为第i次粗加工时候每齿进给量；f_s为精加工时每齿进给量；h₁以及h₂为与走刀长度以及切入、切出时间相关的常数；T_tc为换刀时间；t_ri为第i次粗加工时刀具的寿命；t_s为精加工时刀具的寿命，L_ri为第i次粗加工时的走刀长度，L_S为精加工时的走刀长度；

其中d_ri为第i次粗加工时机床的轴向切深；a_ri为第i次粗加工时机床径向切深，Ω_s为精加工时机床的主轴转速；a_s为精加工时机床的径向切；C_v,K_v,x_v,y_v,s_v,q_v,p_v和l是与刀具和工件材料相关的常数；GInt( )和SInt( )分别表示取最大整数和最小整数，W和L分别为工件的宽度以及长度，e’是为避免撞刀而设置的任意距离；

所述铣削成本的目标函数如下所示：

其中：k₀为单位时间的人工及管理成本，k_t为单位时间的加权刀具成本，T_p为加工准备时间；

所述铣削利润的目标函数如下所示：

其中：S_p为产品的市场价格，C_mat为原材料成本；

所述多约束条件包括：主轴转速约束条件、进给速度约束条件、轴向切深约束条件、径向切深约束条件、切削力约束条件、切削力矩约束条件、主轴功率约束条件、表面粗糙度约束条件、刀具寿命约束条件和三维稳定性模型构成的约束条件；

所述主轴转速约束条件为：

Ω_min＜Ω_ri＜Ω_max；Ω_min＜Ω_s＜Ω_max；

其中，Ω_max以及Ω_min为机床的最大、最小主轴转速；Ω_ri为第i次粗加工时机床的主轴转速；Ω_s为精加工时机床的主轴转速；

所述进给速度约束条件为：

f_min＜f_ri＜f_max；f_min＜f_s＜f_max；

其中，f_max以及f_min为机床的最大、最小每齿进给量即进给速度；f_ri为第i次粗加工时机床的每齿进给量；f_s为精加工时机床的每齿进给量；

所述轴向切深约束条件为：

d_min＜d_ri＜d_max；d_min＜d_s＜d_max；

其中，d_max以及d_min为机床的最大、最小轴向切深；d_ri为第i次粗加工时机床的轴向切深；d_s为精加工时机床的轴向切深；d_t为总铣削深度；n为粗加工的总次数；

所述径向切深约束条件为：

a_min＜a_ri＜a_max；a_min＜a_s＜a_max；

其中，a_max以及a_min为机床的最大、最小径向切深；a_ri为第i次粗加工时机床的径向切深；a_s为精加工时机床的径向切深；

所示切削力约束条件为：

其中，C_u，K_u，p_u，q_u，s_u，x_u以及y_u为常数，F_min以及F_max为机床的最大、最小主切削力；F_ri为第i次粗加工时机床的主切削力；F_s为精加工时机床的主切削力；

所述切削力矩约束条件为：

其中：T_Mmax为机床的最大主轴转矩；T_Mri为第i次粗加工时机床的主轴转矩；T_Ms为精加工时机床的主轴转矩；

所述主轴功率约束条件为：

其中：p_max为机床的最大主轴功率；P_ri为第i次粗加工时机床的主轴功率；P_s为精加工时机床的主轴功率；

所述表面粗糙度约束条件为：

其中，r_e为刀尖圆角半径，R_rmax以及R_smax分别为粗加工和精加工最大表面粗糙度；R_ri为第i次粗加工时表面粗糙度；R_s为精加工时表面粗糙度；

所述刀具寿命约束条件为：

t_ri≥T_R，t_s≥T_R；

其中，T_R为使用者所要求的刀具最短加工寿命；t_ri为第i次粗加工时刀具的寿命；t_s为精加工时刀具的寿命；

所述三维稳定性模型构成的约束条件为求解步骤二中所建立的铣削稳定性模型时，主轴转速Ω，轴向切深d以及径向切深a满足三维颤振稳定性模型所要求的临界条件；

所述得到若干个具有代表性的解的具体步骤如下所示：

步骤3.1：对每只萤火虫进行编码，并根据所设定编码方案和编码中的上边界L和下边界U初始化每只萤火虫的坐标，具体编码方式如下所示：

p_A＝(n，d_r，d_h，d_s，a_r，a_h，a_s，f_r，f_h，f_s，Ω_r，Ω_h，Ω_s)

L＝(n_min，d_rmin，d_hmin，d_smin，a_rmin，a_hmin，a_smin，f_rmin，f_hmin，f_smin，Ω_rmin，Ω_hmin，Ω_smin)

U＝(n_max，d_rmax，d_hmax，d_smax，a_rmax，a_hmax，a_smax，f_rmax，f_hmax，f_smax，Ω_rmax，Ω_hmax，Ω_smax)

其中，p_A为第A只萤火虫的编码，n为粗加工的次数，d_h为半精加工时的轴向切深，a_h为半精加工时径向切深，f_h为半精加工时的进给速度；Ω_h为半精加工时主轴转速；

步骤3.2：计算初始种群中的每只萤火虫的多目标函数值、拥挤程度以及约束违背程度G(p_A)；所述约束违背程度G(p_A)的具体计算方法如下所示：

G_C(p_A)＝max{0，g_C(p_A)}

其中，G(p_A)为第A个萤火虫的总约束违背程度，G_C(p_A)为第A个萤火虫的第C个约束条件的违背程度；C_MAX为约束条件的总数量；若在计算时存在等式约束H(p)，则将其转变为不等式约束：|H(p)|-δ≤0，其中δ＝1.0E-004；

步骤3.3：根据选择Pareto前沿解的标准在当前萤火虫种群中获取Pareto前沿解，将所述Pareto前沿解放入外部存档中，如果外部存档超过预设的范围，则利用基于聚类原理的外部存档更新消减机制对外部存档进行更新消减；

步骤3.4：在当前Pareto前沿解中选择最优萤火虫；具体选择方法为：将Pareto前沿解中的所有萤火虫按照拥挤度的升序排序，并在排序的顶部选择一定比例的萤火虫作为最优萤火虫候选，将候选的萤火虫按照每个目标函数值的大小进行排序，选择任意两个毗邻的萤火虫，以这两个萤火虫坐标连线的中点作为最优萤火虫的坐标；

步骤3.5：比较当前种群中任意两个萤火虫A与H的支配关系，若A支配H，则转步骤3.6；否则转步骤3.7；

步骤3.6：利用基于云模型的坐标摄动机制处理萤火虫A的坐标，利用基于拥挤度的自适应吸引力机制更新萤火虫H的坐标；并转向步骤3.8；

步骤3.7：利用基于云模型的坐标摄动机制处理最优萤火虫的坐标，利用基于拥挤度的最优萤火虫引导机制更新萤火虫H坐标；

步骤3.8：每个萤火虫的坐标均被移动过之后，按照一定的比例选取萤火虫，再次利用基于云模型的坐标摄动机制对选取的萤火虫的坐标进行处理；计算当前种群中的每只萤火虫的多目标函数值、拥挤程度以及约束违背程度；并转步骤3.9和步骤3.10；

步骤3.9：根据选择Pareto前沿解的标准获取当前种群中的Pareto前沿解，将其暂时存入外部存档，并转向步骤3.12；

步骤3.10：利用基于云模型的坐标摄动机制对步骤3.8获得的种群中的每只萤火虫的坐标进行处理，并计算处理后的每只萤火虫的多目标函数值、拥挤程度以及约束违背程度；

步骤3.11：再次根据选择Pareto前沿解的标准获取当前种群中的Pareto前沿解，并将其暂时存入外部存档；

步骤3.12：对外部存档中的所有的Pareto前沿解按照选择Pareto前沿解的标准，重新获取Pareto前沿解，并剔除非前沿解；

步骤3.13：如果外部存档超过预设的范围，利用基于聚类原理的外部存档更新消减机制对外部存档进行更新消减；

步骤3.14：IterNum＝IterNum+1；判断IterNum是否大于IterNummax，如果是转步骤3.15，否则转步骤3.4；

步骤3.15：输出外部存档中的所有萤火虫，即多组具有代表性的Pareto前沿解。