基于神经网络和遗传算法的稳定铣削工艺参数优化方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113820999A(43)申请公布日2021.12.21(21)申请号202111132224.4(22)申请日2021.09.26(71)申请人南昌航空大学地址330063江西省南昌市丰和南大道696号(72)发明人秦国华娄维达(74)专利代理机构南昌市平凡知识产权代理事务所36122代理人张文杰(51)Int.Cl.G05B19/408(2006.01)权利要求书6页说明书12页附图3页(54)发明名称基于神经网络和遗传算法的稳定铣削工艺参数优化方法(57)摘要本发明公开了一种基于神经网络和遗传算法的稳定铣削工艺参数优化方法，建立考虑再生效应的状态空间形式的铣削动力学微分方程，得到系统在一个周期内的状态转移矩阵，通过判断特征值的模的大小来判断稳定性，最终以主轴转速为横坐标，轴向切深为纵坐标进行绘图即可得到二维稳定性图，确定优化目标，构建边界约束条件，构建稳定性约束条件，使用神经网络拟合步骤十一得到的三维稳定性叶瓣图，使用遗传算法进行迭代计算寻找最优解，则所得到的具有最大适应的个体作为最优解输出，算法终止。得到以最大材料去除效率和最大刀具寿命为优化目标的铣削加工工艺参数优化最优解集，最终实现能够兼顾材料去除效率和刀具使用寿命的工艺参数选择。CN113820999ACN113820999A权利要求书1/6页1.基于神经网络和遗传算法的稳定铣削工艺参数优化方法，其特征在于，其步骤如下：步骤一：建立考虑再生效应的状态空间形式的铣削动力学微分方程：具体步骤如下：S01:首先考虑再生效应的n个自由度的铣削动力学微分方程可以表述为：其中，M、C和K为刀具系统的n个自由度的模态质量矩阵、模态阻尼矩阵和模态刚度矩阵，q(t)是刀具n个自由度的振动位移矢量，Kc(t)为系统所受动态铣削力矩阵，t为连续时间，T为单个刀齿切削周期，ap是轴向切削深度；S02:令方程(1)转换为状态空间形式：其中：步骤二：将一个周期内的连续时间t表示为离散的时间节点：ti＝t0+tf+(i‑1)τ；(3)式(3)中，i＝1,2,...,m,m+1.t0为开始切削时刻，tf自由振动时间段，τ为离散间隔长度,m为单个周期离散数；步骤三：计算在区间[ti,ti+1]内的方程(2)表达式：其具体步骤如下：S03:将状态方程的apB(t)[x(t)‑x(t‑T)]看作齐次方程的非齐次项，s为计算过程中的积分因子，则可以将方程(2)表示为如下形式：S04:根据式(4)可知，当ti≤t≤ti+1时，可以得到在区间[ti,ti+1]内的表达式如下：步骤四：计算关于状态项x1，x2和x3的等式：2CN113820999A权利要求书2/6页具体步骤如下：S05:当刀具不切削的时刻，即在时间段tf内，此时B(s)为0，方程(5)退化为S06:为了公式表示的简洁性，下文统一使用xi代替x(ti)，xi‑T代替x(ti‑T)，Bi代替B(ti)，Bi‑T代替B(ti‑T)；S07:在t1＝t0+tf时刻，由式(3)和(5)可以很容易得到以下关于状态项x1的等式：S08:在离散点t2处，状态项x2可以表示为：S09:由梯形求积公式，可以得到状态项x2的近似表达公式：S10:移项整理后，分离出状态项和时滞项如下式：S11:类似地，在离散点t3处，状态项x3可以得到：S12:由Simpson求积公式，可以得到x3的近似表达式为：S13:同样，分离状态项和时滞项可得到：3CN113820999A权利要求书3/6页步骤五：计算关于状态项x4的等式：S14:与S11步骤类似，在离散点t4处，状态项x4可以得到：S15:由Newton求积公式，分离状态项和时滞项可以得到：步骤六：计算第t5到tm+1点的求积公式：其中：具体步骤如下：S16:第t5到tm+1点的求积公式可表示为：其中，i＝1,2,…,m‑3；S17:由Cotes求积公式，分离状态项和时滞项可以得到：4CN113820999A权利要求书4/6页‑1步骤七：得到系统在一个周期内的状态转移矩阵，表示为FIM＝GH，其中，具体步骤如下：S18:联立式(6)、(9)、(12)、(14)和(16)得到如下离散映射：Gym+1＝Hym+1‑T；(17)S19:系统在一个周期内的状态转移矩阵表示为：‑1FIM＝GH；(18)步骤八：计算状态转移矩阵FIM的特征值，通过判断特征值的模的大小来判断稳定性，具体公式为：最终以主轴转速为横坐标，轴向切深为纵坐标进行绘图即可得到二维稳定性图；步骤九：确定优化目标。以材料去除率(MRR)为效率目标，刀具寿命(TL)为成本目标，稳5CN113820999A权利要求书5/6页定性域为加工质量约束，在铣削稳定区域内选择加工参数进行铣削参数优化。