基于遺傳算法的金屬切削過程中最優切削用量方法研究

馮國勇

（蘭州資源環境職業技術學院，甘肅 蘭州 730021）

金屬切削工作受多種因素影響，切削用量會存在一定變化，找到最優切削用量方法是一項十分復雜的過程。需要結合多種因素進行深入分析。在對切削用量最優化的過程中，需要用到先進的計算機技術，使切削工作符合相應條件，確定一個明確目標，使工作效率得到提高，節省金屬材料，達到節約成本的效果[1]。遺傳算法在許多方面都得到了廣泛應用，為多種計算過程較為復雜的問題提供了解決方法[2]。在遺傳算法的使用過程中，應對金屬切削工作的各種變化量進行分析，并確定其基因編碼，根據選定的目標進行基因重組，為金屬切削用量的最優化打下了理論基礎，使其達到更好的效果。

1 基于遺傳算法的最優切削用量方法

遺傳算法的計算過程中，包含了多種數據的復制與交叉，首先對金屬切削中的一組數據進行計算，計算數據隨機選取，使整個數據群向更好的方向發展，沒有進行計算的數據被分配到下一環節的計算中，就這樣一代代進行計算，最終實現數據的全部處理。使每一項數據都在最優的環境下，這種遺傳算法能夠使問題得到最好的解答。因此，在對金屬切削進行研究的過程中，通常選用遺傳算法。遺傳算法有許多優勢，尤其對于一些多目標、非線性的問題。能夠通過仿生的計算方式使結果更加準確，屬于優化函數的一種。在金屬切削過程中遺傳算法展現出了許多優勢，第一項優勢，遺傳算法能夠從金屬切削工作的根本出發，將金屬材料視為一整個群體，以點或線條作為切削的基礎，在切削過程中獲取相應數據的極限值，研究這些極限值之間的關系，計算最優切削用量。由于這些點與線條具有一定的并行性，能夠有效排除金屬材料中局部優化的可能性。從前在金屬切削過程中采用的傳統算法只是對某些點進行研究，具有一定的局限性。第二項優勢，遺傳算法中包含相應函數，能夠對概率問題進行分析，金屬切削過程中會產生大量數據，遺傳算法不需要使用梯度的方式對信息進行整理，十分方便快捷，符合金屬切削這類規模較大、多極限值的工作，使最優化切削用量研究工作更加簡單。第三項優勢，在金屬切割最優化用量研究的過程中，傳統算法與遺傳算法有很大不同，傳統算法有一定限制性，而遺傳算法更加變通，擁有較好的效果。第四項優勢遺傳算法在金屬切削最優用量的研究中，能夠作用在整個金屬材料中，而不僅僅針對于某一個部分，對于參數的統計，能夠將多種參數結合在一起，形成一個完整的體系，使操作過程更加便捷。遺傳算法在計算過程中十分嚴密，能夠在對多種參數進行適量計算，并根據相應概念，使切削用量達到最優化，無限接近極限值。其具體公式如下：

式中：D為適應度函數的句柄，K為適應度函數的獨立變量個數，e為遺傳算法選項參數結構。

遺傳算法中計算對象并不是金屬切削過程中的各個變量，而是利用相應的技術將多種數據信息轉換成編碼，再通過計算機技術利用仿生的進化理論對金屬最優切削用量進行研究。

面對變量很多的金屬切削工作，只需要對編碼進行加長就能夠有效解決，對計算并不產生影響。金屬材料的切削過程中各種參數的具體情況如表1所示。

表1 金屬材料切削過程中相關參數

金屬切削過程中，對切削用量進行優化，需要運用先進的計算機技術，使利益實現最大化。金屬切削用量的最優化一直是一項十分復雜與困難的工作，遺傳算法的出現有效解決了這一系列問題，使計算機技術的應用更加高效與便捷。遺傳算法因其獨特的優勢在金屬切削工作中得到良好的應用，是優化切削用量的有效方法之一。

2 實驗結果與分析

圖1 實驗對比圖

為證明基于遺傳算法的金屬切削過程中最優化切削用量方法效果，完善系統模型。進行進一步實驗，實驗為對照實驗，將傳統切削用量方法與本文提出的基于遺傳算法最優切削用量進行比較，使用多種數據采集，分別利用這兩種方法對金屬切削過程切削用量準確度進行檢測，對比結果如圖1所示。

根據圖1實驗對比數據可以看出，基于遺傳算法的切削量方法相比于傳統切削用量方法準確度更高，優化過程中驗證了遺傳算法的有效性，在實際金屬切削過程中能夠大幅度提高生產效率，通用性較強。

3 結語

金屬切削中引入遺傳算法進行最優切削用量的研究十分有效，進一步體現了遺傳算法的優勢與實用性。為金屬切削最優用量的計算工作提供了理論基礎，使整項工作的執行率得到提高，避免了在計算過程中出現局部最優的情況，使用遺傳算法使結果更加可靠，提高了金屬切削效率的同時，解決成本，使金屬成品質量得到提升，為金屬加工企業帶來了巨大的經濟效益，相關工作者還應對遺傳算法加以開發運用，使金屬切削用量達到最優化、最合理的狀態。