多目标猫群算法求解切削参数优化问题.docx

多目标猫群算法求解切削参数优化问题摘要：针对车床切削过程的复杂性在充分考虑加工过程约束条件的基础上建立了生产率、刀具耗损寿命和表面粗糙度的切削参数优化问题的数学模型。推导和分析发现目标函数和和分析切削参数约束条件都是关于进给量、切削速度和背吃刀量的方程和不等式为优化奠定了良好的基础。采用改进的多目标猫群算法进行优化结果表明该算法能有效求解切削参数优化问题。关键词：切削参数优化；猫群算法；多目标优化中图分类号：TP319文献标识码：A文章编号：16727800（2013）0030116030引言合理选择切削参数能够降低生产成本提高产品生产率和设备利用率。然而由于切削参数模型优化的复杂性当前大多数工厂在生产中凭借经验或是参考相关手册来选取切削用量的值为避免和尽可能地减少出现异常一般都选取比较经验保守的数值往往不会选择合理的切削参数这不利于生产率的提高、生产成本的降低和零件产品质量的提高。因此对切削参数优化研究具有重要的理论价值和应用价值。近年来现代智能优化算法已成为研究切削参数优化的重要工具目前采用较多的是遗传算法和粒子群优化算法。上海交通大学的杨勇等、东北大学的李琦等分别研究了基于遗传算法的铣削、车削参数优化华中科技大学的凌玲等研究了基于遗传算法的多种切削方式集成参数优化；北京航空航天大学的张青等、同济大学刘海江等分别以铣削、车削为例研究了基于粒子群算法的切削参数优化问题；武汉工程大学秦建华等将遗传算法和粒子群算法这两种生物仿生学的优化算法结合起来研究切削参数优化问题。ShuChuanChu受到猫日常行为动作的启发于2006年提出了猫群算法。猫群算法的最大特征表现为在进化过程中能够同时进行局部搜索和全局搜索具有很好的收敛速度。猫群算法独特的搜索结构使得它拥有克服遗传算法局部搜索能力不足和粒子群算法求解离散问题时容易陷入局部最优点的能力。猫群算法在连续函数优化和图像处理得到了良好的应用证明了其较遗传算法和粒子群算法优异的算法性能然而该算法尚未在切削参数优化中得到应用。本文探讨猫群算法在参数切削问题中的应用。1切削参数优化数学模型1.1目标函数当工件、刀具、机床都确定后模型的决策变量为进给量f、切削速度v和背吃刀量a。该切削参数优化模型优化3个互相冲突的目标：生产率、刀具寿命和表面粗糙度。（1）生产率：生产率tw表示完成产品加工所需要的必须时间由工序的刀具准备时间、工序的切削时间、工序中的换刀时间和工序中的空刀时间组成其目标函数为：tw=ts+VMrr1+ttcTs+to（1）式中tsttcto和V分别表示刀具的准备时间、换刀时间、空刀时间和材料去除体积。在确定的加工工艺环境下tsttcto和V为常数故生产率tw为金属去除率Mrr和刀具耐用度Ts的函数。（2）式计算金属去除率：Mrr=1000vfa（2）刀具耐用度可由著名的Taylor公式预测：Ts=kTVαfβaγ（3）（2）刀具寿命损耗：为该工序中损耗的刀具寿命为刀具耐用度的百分比。tu=VMrrTs×100%（4）（3）表面粗糙度：为零部件加工表面质量的重要指标。目标函数式中kR为粗糙度系数α1β1γ1为指数。Ra=kRvα1fβ1aγ1（5）1.2约束条件（1）切削力约束：切削力不能超过许用切削力。Fu为允许的切削力上界kF为切削力常数β2β3为指数。F=kFfβ2aβ3≤Fu（6）（2）切削功率约束：加工过程中的切削功率不能超过机床功率。P=Fv6122η≤Pu（7）（3）切削速度约束：切削速度应该满足机床主轴转速约束。πDnMin1000≤v≤πDnMax1000（8）（4）切削扭矩约束：切削扭矩不能超过主轴最大扭矩。FD2×103≤MfMax（9）（5）稳定切削区域约束：α2α3为指数SC表示稳定的切削区域约束上限。Sc=vα2faα3≤SC（10）2多目标猫群算法标准猫群算法采用混合比率混合进行全局搜索的搜索猫和进行局部搜索的跟踪猫得到算法运行的种群。（1）搜寻模式。搜寻模式对应于优化问题的全局搜索技术通过对当前个体进行搜寻操作生成一系列的个体来填满搜寻记忆池：①将自身位置复制D份放在搜寻记忆池中D为搜寻记忆池的大小；②对搜寻记忆池中的每个个体根据随机生成的个体上需要改变维数个数和设定的维数改变范围随机在原来位置上加一个扰动到达新的位置来代替原来位置；③计算搜寻记忆池中所有候选点的适应度值；④对所有候选点采用基于Pareto排序―小生境技术处理用非支配解的候选点更新P