[发明专利]一种基于质量损失和成本最小化的装配公差优化方法

摘要

本发明涉及一种基于质量损失和成本最小化的装配公差优化方法，主要包括如下几个步骤：建立质量损失和加工成本的数学模型；添加实际加工能力约束；多目标教与学算法进行参数初始化；对算法初始解进行教学阶段的迭代；采用爬山搜索策略对解进一步的开发；对种群进行Pareto排序；对解进行进一步的学习，进一步增加求解的精度；完成迭代过程，找到最优解。本发明基于计算机技术，结合人工智能领域中的群体智能优化算法，进一步的提高了装配体的公差设计的计算效率和计算精度，目的是能够满足精密制造下的设计精度，提高生产效率，提高零件质量，从而进一步降低生产成本。

主权项

步骤一：建立公差的总成本模型，通过加工过程中每个工序的成本模型叠加而成，其中，一道工序的成本的指数表达式如公式(1)所示，总装配链的成本函数的指数表达式如公式(2)所示。A(t)＝qe‑wt  (1)A′(t)=Σi=1nλiAi(ti)---(2)]]>式中：A(t)为某工序加工成本，q为控制成本和公差的常系数，w为定义成本和公差的常系数，A′(t)为总装配加工成本，λ为各组成环的权重系数，i为组成环序号，n为组成环总环数。步骤二 建立质量损失模型的目标函数，采用田口玄一得质量损失模型，表达式为(3)所示，在尺寸链中，单个组成环质量损失函数如公式(4)所示，公差与质量特征如公式(5)所示，总装配尺寸链的质量损失函数如公式(6)所示。S(x)＝k(x‑m)2  (3)S(t)=kt24---(4)]]>t＝2(x‑m)  (5)U=Σi=1nkiti24---(6)]]>式中：x为质量特征，m为质量目标，S(x)为质量损失函数，ki为第i个组成环的质量损失系数，U为装配尺寸链的总质量损失目标函数。步骤三 添加约束条件，考虑到实际加工能力，限制每个组成环的公差值，其表达式如公式(7)所示。ti min≤ti≤ti max  (7)式中，timin为第i个组成环的最小加工能力，timax为其最大加工公差。步骤四 建立基于最小质量损失和成本最优的双目标数学模型，表达式如公式(8)所示。minF1=Σi=1nλiAi(ti)minF2=Σi=1nkiti24ti,min≤ti≤timax---(8)]]>步骤五 教与学算法的参数初始化，设种群数量为N，xi为学生个体，xij表示学生i所学科目j，D为总科目在问题中为各组成环的公差值，和分别是每一维的上限值和下限值(即变量的取值范围)，具体表达式为班级学生i的成绩为xi＝(xi1，xi2，...，xiD)，i＝1，2，...，N，初始最优解为xt。步骤六 在“教学”阶段，教师通过“教学”模式来提高整个班级的整体成绩，具体方式是每次算法迭代时，以质量最好的解作为教师，通过寻找学生之间的平均值差异来提高班级学生的成绩。教学阶段可按公式(9)‑(10)表示：x(i,j)newk+1=x(i,j)oldk+rand×(xt(j)k-tfM(j)k),j=1,2,...,D---(9)]]>tf＝round[1+rand(0，1)]           (10)式中：k为迭代次数，为教学后的成绩，为教学前的成绩，xt(j)k表示当迭代到k次时，教师的第j个科目成绩，M(j)k表示在科目j的班级平均成绩，rand为随机函数，取值[0，1]，tf是随机教学因子，值为1或者2，round为四舍五入的函数。如果教学后的成绩优于教学前的成绩则用教学后的成绩进行更新。步骤七 对每个学生再采用一次爬山搜索算法，产生新解，并保留爬山搜索前后的学生，因此此时解得数量为2N，对解集进行Pareto排序，保留排名前N个解，作为下一次的xold。步骤八 在“学习”阶段，班级里的学生通过相互之间的学习来改善自己的成绩，具体是方式是通过随机选择两个学生个体来进行寻优和提高。公式为(11)：x(i,j)newk+1=x(i,j)oldk+rand×(x(i,j)oldk-xf)iff(x(i,j)oldk)<f(xf)x(i,j)oldk+rand×(xf-x(i,j)oldk)else---(11)]]>式中：xf为随机选取的学生，为当前学习者的适应度值，f(xf)为随机学生的适应度值，通过对比适应度值，进行学生成绩的更新，同时进一步更新xt。步骤九 判断是否满足迭代准则或者迭代精度，当满足迭代次数之后，此时的解为最优解。