[发明专利]蜗轮加工形性可控工艺

说明书

本发明公开了一种蜗轮加工形性可控工艺，首先建立建立预测模型和基于粒子群算法的多目标协同优化模型；通过预测模型处理得到预测输出值；然后将预测输出值输入到优化模型并采用归一法将输出值进行目标整合得到优化目标；最好将优化目标作为离子群算法中评价的适应度，最终通过优化选择适应度最高的加工参数作为最优解。本发明提供的基于多目标协同优化的零件加工形性可控工艺，以蜗轮加工为例，结合蜗轮形性预测模型以及面向形性整体提升的多目标协同优化方法，同时优化蜗轮加工精度以及蜗轮齿面表面完整性，实现蜗轮加工形性可控工艺。

技术领域

本发明涉及零件加工工艺技术领域，特别是一种蜗轮加工形性可控工艺。

背景技术

蜗轮加工过程中工艺参数不仅影响被加工零件的几何精度(包括齿向误差)还影响零件的表面完整性(残余应力等)。现有研究主要通过工艺参数决策来控制零件加工几何精度或者表面残余应力，缺乏同时形性控制的工艺参数决策方法。

现有技术中基于多目标优化算法的工艺参数往往只针对零件表面完整性或加工精度某一类指标，由于精度和表面完整性属于两个不同技术领域，很少同时考虑加工精度和表面完整性对工艺参数进行优化。

发明内容

有鉴于此，本发明的目的在于提供一种蜗轮加工形性可控工艺，该工艺能同时优化零件加工精度和表面完整性两个不同领域的工艺参数，使得零件加工过程达到形性可控。

为达到上述目的，本发明提供如下技术方案：

本发明提供的蜗轮加工形性可控工艺，包括以下步骤：

建立蜗轮加工过程中齿向误差和残余应力的预测模型；

建立基于粒子群算法的多目标协同优化模型；

通过预测模型处理得到预测输出值；

将预测输出值输入到优化模型并采用归一法将输出值进行目标整合得到优化目标；

将优化目标作为离子群算法中评价的适应度，最终通过优化选择适应度最高的加工参数作为最优解。

进一步，所述基于粒子群算法的多目标协同优化模型中的最优解时按照以下步骤进行的：

在优化模型中利用优化目标和初始化粒子群计算各个粒子目标函数；

找到各个粒子的当前个体极值；

找到整个粒子群的当前全局最优解；

更新各个粒子的速度和位置；

判断是否达到终止条件，如果否，则返回继续计算各个粒子目标函数；

如果有，则结束。

进一步，所述预测模型是基于改进的广义回归神经网络IGRNN算法而建立预测模型，所述改进的广义回归神经网络IGRNN包括输入层、模式层、求和层和输出层；

所述输入向量通过输入层处理后，然后在进入到模式层，再通过求和层处理，最后通过输出层将处理后的数据输出；所述输出的数据再通过改进的灰狼算法得到最优的平滑因子，并将最优的平滑因子输入到模式层；

进一步，所述基于改进的灰狼算法的中判断猎物与灰狼距离的准则如下：

其中，t为当前迭代次数；

和X分别表示猎物和灰狼的位置向量；

是由随机向量r2计算的系数向量；

是猎物和灰狼之间的距离。

进一步，所述改进的灰狼算法中的搜索范围自适应调整步骤如下：