基于RSM和遺傳算法的不銹鋼切削參數優化

伍建川，邱亞玲，李　航，伊海洋，詹大年

(西南石油大學 機電工程學院，成都 610500)*

?

基于RSM和遺傳算法的不銹鋼切削參數優化

伍建川，邱亞玲，李航，伊海洋，詹大年

(西南石油大學 機電工程學院，成都 610500)*

摘要：為提高不銹鋼的切削加工效率，運用正交回歸設計方法設計了面向304不銹鋼車削加工硬化層厚度的中心復合試驗方案。以試驗數據為基礎，通過多項式響應面法(RSM)擬合得到其預測模型。采用多島遺傳算法進行面向已加工表面硬化層厚度的切削參數優化，在研究范圍內得到約束條件下的最優切削參數組合。

關鍵詞：不銹鋼；硬化層厚度；響應面法；遺傳算法；參數優化

不銹鋼因強度高、剛度好、耐腐蝕性能良好而廣泛應用于航空航天、石油化工、冶金和食品的幾乎所有工業領域[1]。不銹鋼的加工硬化程度關系到零件的使用性能、可靠性和疲勞壽命，表面硬化層厚度是表面硬化過程中的一個重要質量指標[2]。由此可見，對金屬加工硬化層厚度進行研究非常重要。在保證表面加工質量的前提下，確定最優的切削參數組合對于提高加工質量和加工效率、降低生產成本都有著重要的意義。目前，基于遺傳算法、BP神經網絡等人工智能的方法是參數優化的發展新趨勢[3-5]。本文以304不銹鋼為例，通過多島遺傳算法進行面向已加工表面硬化層厚度的切削參數優化，獲得在相應約束值下的最優切削參數組合，能有效指導實際加工工作。

1切削加工試驗設計與預測模型的建立

1.1試驗系統與試驗裝置

本試驗系統由機床、試驗工件、試驗刀具組成。

1)工件材料。304奧氏體不銹鋼，國內牌號為0Cr18Ni9，?50 mm×150 mm，兩端加工中心孔，表面預車。

2)刀具材料。硬質合金(YW2)，刀具前角γ=5°，后角α=8°。

3)機床設備。CA6140A×1000型普通車床。

4)硬度測量裝置。402MVD型顯微維氏硬度計。

1.2多項式響應面方法基本理論

響應面法的基本思想是通過近似構造一個具有明確表達形式的多項式來表達隱式功能的函數。它通過最小二乘法使得假設函數與實際函數之間的誤差平方和最小的原理，很好地解決了既耗時又非光滑的優化問題，是一種新的高效可靠的數學規劃方法[6]。通常用這種方法來尋找輸入變量值的變異或不確定性之后的最佳響應值。

1.3試驗設計與建模

本文假設表面加工硬化層厚度與切削用量參數之間都存在含交叉項的二次項近似函數關系[7]，設計試驗方案尋求其存在的非線性關系。加工硬化層厚度的試驗因素水平規劃如表1。為了所得函數的準確性，設計采用3因素5水平，3因素為αp、f、v，每個因素5個水平共17組試驗，試驗結果分析如表2。

表1　加工硬化層厚度試驗因素水平

表2　加工硬化層厚度試驗結果分析

由表2數據擬合出的加工硬化層厚度與背吃刀量、進給量、切削速度的回歸方程為

H=925 338+9.495 9αp+1 235.522 5f+0.438 4v-

176.373 7αp×f+0.057 2αp×v-0.307 2f×v+

1.572 9αp+1 261.389 6αp×f2-0.034v2

(1)

為了保證預測模型能準確地反應響應與輸入之間的函數關系，對該預測模型進行檢驗，檢驗結果為

(2)

(3)

(4)

(5)

(6)

式中：Qe1為剩余平方和；Qe為誤差平方和；SST為總平方和；m0為重復試驗次數；k為自變量個數。

加工硬化層厚度回歸方程的檢驗如表3所示，由表3可知：6.72<372.66，即，則F0.01

表3　加工硬化層厚度回歸方程的檢驗

圖1　進給量和背吃刀量對加工硬化層

圖2　進給量和切削速度對硬化層厚

圖3　背吃刀量和切削速度對硬化層

由圖1可以看出：在擬合出的硬化層厚度預測模型中，當切削速度一定時，加工硬化層厚度隨著進給量的增加而逐步增加，隨著背吃刀量的增加而增加。通過對比圖1～3可得出切削用量對加工硬化層厚度影響的主次關系為：進給量>切削速度>背吃刀量。

1.4試驗驗證

為了確保結果的準確性，本文通過設計相關性試驗對模型進行計算精度驗證，對比分析結果如表4所示。由表4可以看出：試驗驗證的平均精度為92.8%，可驗證本文模型具有較高的計算精度。

表4　試驗驗證結果

2面向表面加工硬化層厚度的切削參數優化

多島遺傳算法是在傳統遺傳算法基礎上發展而來的，作為一種偽并行遺傳算法可以更好地在優化域中尋找全局最優解[8]，提高了收斂速度[9]。

2.1切削參數優化的數學模型

金屬切削加工過程中，當機床和刀具確定之后，金屬切除率僅與切削用量相關，由此以金屬切除率作為目標函數可表示為

f(x)=αp×f×v

(7)

式中：x為設計變量(αp、f、v)。

切削過程中，在盡量提高加工效率的同時必須滿足所要求的表面加工硬化層厚度，即

g(x)=S(αp，f，v)≤Hmax

(8)

式中：Hmax為允許的最大加工硬化層厚度值；S(αp，f，v)為加工硬化層厚度關于切削參數的函數。

優化過程中，除了確定以金屬切除率為指標的目標函數以及表面加工質量為指標的約束條件，考慮加工硬化層厚度對下一次走刀的影響而將面向加工硬化層厚度的參數優化設置在粗加工階段，同時還要考慮刀具強度而適當縮小切削速度的取值范圍，其可行解空間為

1≤ap≤3；0.05≤f≤0.2；56.52≤v≤136.59

(9)

至此，該數學模型可歸納為以下優化問題，即

(10)

本文以多島遺傳算法對切削參數進行優化，具體參數設置如表5。

表5　多島遺傳算法的參數設置

2.2切削參數優化結果

通過二階響應面模型建立了表面加工硬化層厚度的預測模型，并以金屬切除率為目標函數，以硬化層厚度值(200、250、350 μm)為約束條件，在自變量的取值范圍內以多島遺傳算法為手段對切削參數進行了優化。表6是迭代1 000次之后得到的最優解，由表6數據可知：為保證金屬切除率和硬化層厚度，就需要特別關注進給量的大小。

表6　面向加工硬化層厚度的參數優化結果

3結論

1)切削3要素對硬化層厚度的影響較大，其主次順序為：進給量、切削速度、背吃刀量。

2)通過響應面模型擬合出了關于切削加工硬化層厚度的近似數學模型。通過試驗驗證了其正確性，可用于實際生產加工中的切削加工硬化層厚度預測，從而提高生產效率。

3)在滿足不同的硬化層厚度的前提條件下，獲得了幾種最大金屬切除率的優化參數組合，可對硬化層厚度進行預報，提高設備利用率。

參考文獻：

[1]閻光明，楊巧風.0Cr15Ni7Mo2Al不銹鋼銑削加工硬化研究[J].石油礦場機械，2008，37(12)，60-62.

[2]劉又紅，林信智.感應淬火零件硬化區和硬化層深度的設計[J].熱處理，2013(4)：49-53.

[3]何曉群.應用回歸分析[M].北京：中國人民大學出版社，2001.

[4]Van Luttcrclt C A， Childs T H C， Jawahir I S， et al. Prescent situation and future trends in modelling of machining operations[J].Annals of the CIRP，1998，47(2)：587-626.

[5]Chi H M，Herbert M，Okan K，ctc..Machine learning and genetic algorithms in pharmaceutical development and manufacturing processes[J].Decision Support Systems，2009，48(1)：69-80.

[6]王永菲，王成國.響應面法的理論與應用[J].中央民族大學學報(自然科學版)，2005(3)：33-36.

[7]石文天，王西彬，劉玉德，等.基于響應曲面法的微細銑削表面粗糙度預報模型與試驗研究[J].中國機械工程，2009(20)：2399-2402.

[8]CHEN H，OOKA R，KATO S.Study on optimum design method for pleasant outdoor thermal environment using geneticalgorithms and coupled simulation of convection，radiation and conduction[J].Building and Environment，2008，43(1)：18-31.

[9]李小將，李新念.一種基于多島遺傳算法的火力優化分配方法[J].裝備指揮技術學院學報，2011，22(3)：126-129.

Stainless Steel Cutting Parameters Optimization Based on RSM and Genetic Algorithm

WU Jianchuan，QIU Yaling，LI Hang，YI Haiyang，ZHAN Danian

(SchoolofMechatronicEngineering，SouthwestPetroleumUniversity，Chengdu610500，China)

Abstract：In order to improve the difficult machining material of stainless steel machining efficiency，orthogonal regression method is applied to design the central composite experimental program for 304 stainless steel turning hardened layer thickness based on the experimental data，prediction model is obtained with polynomial fitting response surface model.By using multi-island genetic algorithm to optimize cutting parameters combination under corresponding constraint value is obtained within the scope of the study.

Keywords：stainless steel；hardened layer thickness；prediction；response surface methodology；optimization

中圖分類號：TE929

文獻標識碼：A

doi：10.3969/j.issn.1001-3482.2016.04.003

作者簡介：伍建川(1988-)，男，四川宣漢人，碩士研究生，主要從事機械工程及自動化、機械設計制造及自動化研究，E-mail：215414205@qq.com。

基金項目：教育部重點實驗室開放基金資助項目“基于再制造的廢舊油管修復技術分析與研究”(OGE201403-17)

收稿日期：2015-10-23

文章編號：1001-3482(2016)04-0008-04