數控銑削加工切削參數優化探析

杜少華

在目前的制造業之中，數控加工技術已經成為主流，憑借其高效化、集成化的優勢，也得到進一步的突破，讓制造業得到前所未有的跳躍式發展。

1 優化方法的設計步驟

（1）將原本的數學模型抽象轉化成為數學模式。通過數學模型的建立，設計變量選擇適當的參數，就可以確定目標函數以及約束條件。同時，將衡量標準放置在目標函數上，表示設計變量與優化指標之間的函數關系。（2）通過數學模型建立，就可以選擇適當的優化算法，求解數學模型。也就是在相應條件下，求解目標函數的最優值。（3）分析與判斷求解的結果，最終得出優化設計的方案[1]。

2 數控銑削加工切削參數優化過程

2.1 基于神經網絡的遺傳算法

目前，BP神經網絡是最簡單，也是使用廣泛度最高的一種人工神經網絡。通過神經網絡與遺傳算法的相互結合，利用實驗樣本數據，就可以通過BP神經網絡的訓練擬合來表達加工銑削參數與加工精度和時間之間的非線性映射關系函數，而函數的輸出值可以利用訓練之后的神經網絡來加以預測。在對遺傳算法部分進行優化中，通過極值尋優的方式，就能夠通過神經網絡的預測值作為個體適應度值，之后，針對自身可以利用遺傳算法進行優化，再配合變異、選擇以及交叉等方式，就可以滿足函數全局最優值以及輸入值的尋找，其流程如圖1所示。

圖1 基于神經網絡的遺傳算法流程

2.2 神經網絡訓練擬合

圖2 為數控銑削加工的實體模型圖，通過切削參數以及加工后形位精度以及表面粗糙度等數據的選擇，在得到輸入與輸出數據之后，人們就可以發現，數據數值級別相差較大（具體數據就不一一呈現），再配合數據的歸一化處理，利用MATLAB就可以得以實現。在BP網絡進行訓練中需要足夠的數據，這樣才可以保持訓練的充分，并且將預測值與期望值之間的誤差降至最低。之后，通過一組用于測試網絡的數據，就可以實現規劃處理[2]。

圖2 加工工件實體模型

在數據進行歸一化處理之后，就可以針對BP神經網絡利用函數輸入輸出的數據做好訓練，單隱層BP神經網絡擁有良好的非線性映射能力，通過其來進行訓練，最終確定的隱層節點為12個。對于訓練之后的BP神經網絡記錄如圖3所示。

圖3 網絡的訓練記錄

開展BP神經網絡訓練，在完成訓練之后，對非線性函數輸出加以預測，然后通過相互的對比，就可以確定預測的非線性函數輸出，再將其近似看成實際的函數輸出值，并在MATLAB路徑下進行保存。

2.3 多目標優化問題的遺傳算法

利用MATLAB中的遺傳算法工具箱，通過矩陣函數，滿足遺傳算法建立出通用的工具，使用者通過M文件寫成命令的行函數，按照實際需求就可以編寫出需要的MATLAB程序。按照模式優化的目標函數和約束條件，就可以直接獲取優化函數的最優值。通過工具箱的優化來求解，首先就應該建立適應度的函數文件，之后將適應度值設定為訓練后的BP神經網絡預測輸出值，命名為Fit Fun.m保存在MATLAB路徑下。在適應度函數建立后，通過約束函數文件的建立，等待約束條件M代碼編寫好后，直接啟動工具箱。之后，在Fitness function中輸入@Fit Fun，將變量設定為4個，然后單擊運行[3]。

在適應度函數以及約束文件準備好后，直接啟動優化工具箱，這樣就可以對切削參數加以優化，在運輸后，得到的結果為：一是在達到最佳優化結果時，最佳個體數為4個。二是比較平均適應度函數以及最佳適應函數，當遺傳達到第40代后，能夠保持穩定的適應度函數值為186.55075。三是在60代，基于結果準則要求的優化，需要做好過程的優化。通過遺傳算法，最優適應度值為186.5507，其變量參數對應的則是[1230 350 0.70 4.5]，即加工參數轉速1230r/min、進給速度350mm/min、背吃刀量0.70mm、切削寬度5mm的時候，可以滿足函數最佳適應度的要求。

2.4 優化值的驗證

通過已經完善的BP神經網絡就可以驗證函數最優時的變量取值，在BP神經網絡中輸入變量p=[1230 350 0.70 4.5]進行仿真訓練，直接獲取結果t=[0.06 0.8 188]，事先已經了解形位精度為0.06，需要的時間188s，粗糙度為0.8，時間相對誤差0.771%，最終得到的優化函數最小值為186.55075。

3 結語

做好數控加工切削參數的合理選擇，就可以滿足其生產效率和加工技術的需求，同時也決定了加工效果和質量。所以，人們需要對數控加工切削參數優化進行更進一步的選擇。

[1]殷繼猛.數控銑削切削載荷測試及其工藝參數優化[D].北京：北方工業大學，2017：12-13.

[2]王鑫.基于加工特征的機床關鍵零件高效數控加工切削參數優化技術研究[D].株洲：湖南工業大學，2014：6.

[3]蘇仲文.數控銑削工藝參數優化專家系統的研究[D].太原：太原理工大學，2013：9.