[发明专利]一种切削加工工艺优选方法

摘要

本发明提供一种切削加工工艺优选方法，涉及切削工艺技术领域。采用包括评价指标选择器、数据量化处理器、样本分类器、工艺方案评价器和工艺方案选择器的系统，基于粒子群分类和自适应神经模糊推理系统实现切削加工工艺优选的方法，根据收集的工艺指标数据，采用粒子群优化算法生成训练样本集，通过对训练样本集的学习，建立自适应神经模糊推理系统模型，自主生成模糊推理规则，得到评价值，确定最优切削工艺方案。本发明能实现智能评价和事前评价，且评价过程简洁明了，通过该方法，可以将同一零件不同切削加工工艺方案进行比较，确定最优工艺路线，在保证减小排放、保护环境的提前下，更好的实现切削加工工艺。

主权项

1.一种切削加工工艺优选方法，其特征在于：该方法基于粒子群分类和自适应神经模糊推理系统，采用一种切削加工工艺优选系统实现，该系统包括评价指标选择器、数据量化处理器、样本分类器、工艺方案评价器和工艺方案选择器；评价指标选择器用于在对传统工艺评价指标研究的基础上，充分考虑切削工艺的绿色特性及影响因素，选择评价指标，并按照选择的评价指标收集切削加工工艺数据；数据量化处理器用于对于收集的切削加工工艺数据进行量化处理，将评价指标分为定性指标和定量指标，分别进行量化，使工艺数据以数值形式表示；再对量化好的数值进行归一化处理，即将有量纲的数值经过变换，化为无量纲的数值，生成数值值域为[0，1]的纯小数；对于定性指标，由专家采用十分制打分方法进行量化；对于定量指标，则直接采用相应测量值进行量化；样本分类器用于将数据量化处理器处理好的样本采用粒子群优化算法进行聚类分析，生成被自适应神经模糊推理系统(Adaptive Neuro‑Fuzzy Inference System，简称ANFIS)学习的训练样本集；工艺方案评价器包括模型建立模块、模型训练模块和方案评价模块；模型建立模块用于建立ANFIS模型；模型训练模块用于采用训练样本集训练建立的ANFIS模型，使该模型收敛，自动生成模糊推理规则；方案评价模块用于将数据量化处理器生成的待检测样本输入训练过的ANFIS，根据ANFIS学习获得的推理规则，智能决策计算输出结果；工艺方案选择器用于对制造同一机械零件的多个检测工艺方案的评价结果进行比较，选取最优工艺方案；所述切削加工工艺优选方法包括如下步骤：步骤1：依据切削工艺的绿色特性，确定切削加工工艺的评价指标，选择与切削工艺绿色特性密切相关的10个指标作为评价指标，包括：切削液毒性、切屑回收、原材料消耗、切削液消耗、夹具、刀具消耗、耗电量、加工费、设备折旧费和舒适性；步骤2：采用定性与定量相结合的量化方法对步骤1中的切削加工工艺的评价指标进行量化处理，并进行归一化处理，生成待检测的工艺评价指标数据样本；步骤2.1：量化指标数据；将评价指标分为定性指标和定量指标，对于无法用数值计量的定性指标，参考有关机械加工的法规、标准，由专家采用十分制打分方法进行量化；对于定量指标则直接采用加工统计测量值或仿真测量值；步骤2.2：对量化的指标数据进行归一化处理；采用小数定标标准化方法(Decimal scaling)对量化好的数值进行归一化处理，按式(6)将指标A的原始值w归一化为w’，生成数值值域为[0，1]的纯小数；w’＝w/(10*a)      (6)其中，a表示小数点移动位数，等于指标A的取值中的最大绝对值整位数；步骤3：采用粒子群优化算法对归一化的工艺评价指标数据样本进行聚类分析，建立训练样本集，具体方法为：步骤3.1：随机选择簇的中心(即均值)并赋值给各个粒子，随机产生粒子的速度，并设定最大速度Vmax；步骤3.2：对每个粒子按照最小距离原则对数据进行划分，按照式(7)所示的目标函数Je计算各个粒子的适应值，更新个体极值；其中，C_r是表示第r个聚簇；N_c为聚簇的个数；z_p表示样本的数据向量；m_r表示簇C_r中样本的中心，n_r表示簇C_r中样本的个数；其中，N_b为数据向量的维数；z_pk表示第k维样本的数据向量；m_rk表示簇C_r中第k维样本的中心；步骤3.3：根据各个粒子的个体极值，找出全局极值和全局极值位置；步骤3.4：按粒子群优化算法的速度公式更新粒子的速度，并把它限制在最大速度Vmax内；步骤3.5：按粒子群优化算法的位置公式更新粒子的位置；步骤3.6：计算种群中的个体适应值，若满足终止条件，则算法结束，输出最优粒子的位置即最优的Nc个聚类中心，否则，返回步骤3.4继续进行速度更新；步骤4：建立自适应神经模糊推理系统模型；采用Takagi‑Sugeno型模糊推理系统作为ANFIS的核心结构，构建由前件网络和后件网络两部分组成的多输入、单输出的评价模型，前件网络用于产生每条模糊规则对输入样本的隶属度，后件网络用于生成每条模糊规则的加权和；前件网络包括四层结构：第一层(1)为前件网络输入层，其每个节点直接与输入向量的各分量连接，节点数为N₁＝p，p为输入样本的维数，用于将输入样本x＝[x₁，x₂，Λ，x_p]^T传送到下一层；第二层(2)表示经计算得到的各输入分量属于模糊集合的隶属度，节点数N₂＝C×p，其中C为模糊规则总数；第三层(3)每个节点代表一条模糊规则，用于确定每条规则的隶属度u_i，节点数N₃＝C^P；第四层(4)为前件网络输出层，节点数与第三层(3)相同，输出为(i＝1，…，C)，表示归一化计算后前件网络的输出值，即输入样本对每条模糊规则的隶属度，如式(8)所示；后件网络包括C个结构相同的子网络，每个子网络产生一个输出量，即每条模糊规则的权值；C个子网络均包括三层结构：第一层(5)为子网络输入层，节点数为p+1个，其中第0个结点的输入值为1，用于提供模糊规则后件的常数项；第二层(6)节点数为C个，每个节点代表一条模糊规则，用于计算每个规则的后件；第三层(7)为子网络输出层，输出为yi(i＝1，…，C)，表示模糊规则后件的加权和，加权系数为前件网络的输出；后件网络的最终输出为Y，即模型的输出如式(9)所示：步骤5：设定初始化参数，采用步骤3生成的训练样本集训练步骤4建立的模型，经迭代计算，使该模型收敛，自动生成模糊推理规则，对待检测样本进行智能评价，具体方法为：步骤5.1：采用模糊C‑均值(FCM)算法对前件网络进行训练，通过迭代计算优化第二层节点的隶属度中心，输出结果为输入样本对每条模糊规则的隶属度，包括以下步骤：步骤5.1.1：设置加权指数λ，λ∈[1，∞)，模糊规则数C，输入样本个数n，输入样本维数p，终止误差ε，最大迭代次数LOOP1；迭代计数变量赋初值IT1＝0；步骤5.1.2：用值域为(0，1)的随机数初始化隶属度矩阵U^(IT1)，u_ij为隶属度矩阵内元素，并满足i＝1、…、C，j＝1、…、n；步骤5.1.3：根据计算第i条模糊规则聚类中心向量z_i＝[z_1i，z_2i，…，z_pi]，公式为：其中，xj表示第j个输入样本向量；步骤5.1.4：更新隶属度矩阵U(IT1+1)，如式(11)所示；其中，d_ij表示第j个样本向量到聚类中心向量的欧式距离，d_kj表示第j个样本向量到聚类中心向量的欧式距离；步骤5.1.5：若满足||uij(IT1+1)‑uij(IT1)||＜ε或IT1＞LOOP1，其中，||·||为欧式距离算式，则终止迭代计算，否则更新迭代计数变量，IT1＝IT1+1，返回步骤5.1.3；步骤5.2：对后件网络进行训练，后件网络包括C个结构相同的子网络，每个子网络均采用最小均方(LMS)算法调整后件网络的连接权值，包括以下步骤：步骤5.2.1：设置学习率β，终止误差ε1，最大迭代次数LOOP2，迭代计数变量赋初值IT2＝0：步骤5.2.2：用值域为(0，1)的随机数初始化权值矩阵b_i＝[b_0i，b_1i，…，b_pi]，i＝1，2，…，C；步骤5.2.3：计算后件子网络输出值yi，表示第IT2次迭代产生的第j个输入样本向量对应的后件子网络输出，如式(12)所示；其中，表示归一化计算的前件网络输出值；步骤5.2.4：更新权值矩阵如式(13)所示；其中，表示后件子网络期望输出值；步骤5.2.5：若满足||bij(IT2+1)‑bij(IT2)||＜ε1或IT2＞LOOP2，则终止迭代计算；否则更新迭代计数变量，IT2＝IT2+1，返回步骤5.2.3；步骤6：使用训练后的模型对步骤2生成的待检测工艺评价指标数据样本进行评价，并根据评价结果输出最优切削加工工艺：步骤6.1：将步骤2生成的待检测样本，输入步骤5训练好的模型中，该模型根据模糊推理规则自主计算输出评价值；步骤6.2：对经步骤6.1生成的同一零件的多个工艺方案评价值进行比较，确定最优切削工艺方案。