基于人工智能的數控機床設計的研究

鄧浩賢

摘 要：為了提高數控機床的生產效率以及節約生產成本，選擇最優的切削參數是關鍵。因為有來自很多方面的影響因素，所以僅靠人工確定的方法已經不能滿足企業的發展需要了。本文從人工智能的角度出發，在遺傳算法上做出了改進，并將改進后的算法對數控機床的切削參數進行優化，通過實驗證明，可以顯著提高工作效率。

關鍵詞：數控機床;人工智能;切削參數;算法優化

人工智能是由美國計算機科學家約翰麥卡錫于1956年在達特茅斯會議上首次提出來的[1]。人工智能是一個使機器智能化的過程，這些機器被編程為像人一樣地去“思考”問題并對問題做出解決，人工智能產品追求的是其合理化地采取最有可能實現特定目標的行為的能力。發展至今，在各領域中已經獲得了突出的地位。其中，遺傳算法是人工智能中有一種用來解決最優化的搜索啟發式算法[2]。本文對遺傳算法做出改進，然后利用算法對數控機床的切削參數進行優化，從而顯著提高數控機床的加工效率。

1.切削參數優化的數學模型

1.1 優化變量

銑削的寬度一般是客戶輸入的，因此可以優化的參數是銑削速度、背吃刀量與梅齒進給量。將此三者進行優化，優化的向量表達式為：

1.2 目標函數

常用的目標優化函數有最大生產效率、最低生產成本、多目標三種優化函數，每種優化函數在不同的情況下使用。本文以優化生產效率為目標，因此以生產效率為目標函數。目標函數的抽象表達式為：

1.3 約束條件

在本文中，將主要的約束條件分為下列幾個方面：

（1）切削力的約束：切削中的切削力不能F超過機床設定的最大值Fmax。

2.人工智能算法

人工智能發展至今，已有很多功能強大的算法，涉及感知、記憶思維、決策與自適應等方面的能力。對于數控機床如果它有人工智能方面的能力，比如自動確定切削用量，這將會極大提高工作效率以及節省生產成本。

上文的討論中，目標函數與約束條件中涉及的方程都是非線性的，優化思路即是對非線性規劃問題求最優解，本節先介紹人工智能中的遺傳算法，然后將遺傳算法進行改進，最后應用到數控機床的切削參數優化中。

2.1遺傳算法

遺傳是一種用于人工智能和計算的啟發式搜索方法，非常適合解決無約束和受約束的優化問題。遺傳算法利用來自進化生物學的技術，最常用的方法是從給定的群體中隨機創建一組個體。在編碼人員提供的評估功能的幫助下評估形成的個體。然后向個人提供分數，該分數間接地反應了對給定情況的適應性。然后使用最好的兩個個體來創建一個或多個后代，之后在后代上進行隨機突變。根據應用程序的需要，該過程將反復執行，直到獲得可接受的解決方案。

遺傳算法中通過適應度函數值對群體中不同的個體優劣來進行區分，適應度函數值大的將會繁衍產生新一代群體。一般情況下，將大于平均適應度值的個體做交叉，將小于平均值的個體做變異，以此來提高整個群體的適應度函數值，優化群體中每個個體的性能。因此，適應度函數是遺傳算法的核心，直接決定是否能找到最優解。遺傳算法的優化分為兩類，根據目標函數的不同而不同，本文優化的目標函數是效率最大化，因此有：

2.2改進的遺傳算法

由上文可知，現階段的遺傳算法雖然可以對性能進行優化，但是仍然存在缺陷，因此本節主要對遺傳算法進行改進，本質上是對適應度函數進行改進。

改進的思路是不需要用戶改變函數中的參數，算法在求最優解的過程中，每一步都會自動更新參數值以保證每步最優，從而使整體的結果最優。改進后的算法具有自適應性，保證了性能的最優。

3.切削參數的優化

如圖2.1所示。選擇、交叉、變異是遺傳算法的三個主要的操作算子，個體為操作的對象，它們構成了整個遺傳過程，使遺傳算法具有了其它傳統方法所沒有的優良特性[3]。選擇算子主要是根據群體的適應度高低來操作，交叉算子的選擇影響到算法收斂速度，變異算子是進過過程中種群多樣性的保證。本文中選擇算子使用最優個體保存，交叉算子使用算數交叉，變異算子使用均勻變異。優化后的結果：

評價實驗結果必須考慮切削時間和生產成本，最直觀確定優化效果。由表1的比較可知，將遺傳算法改進后，機床的切削速度、進給量與切削力都有了較大的提升，從而節省了加工時間，同時也有效的提高了機床整體的工作效率。

結束語

基于人工智能算法對數控機床的切削參數優化，遺傳算法能多點同時尋優，從而獲得全局最優解。在改進之后增加了算法的自適應性，使得算法的收斂速度和性能都有較大的提升。應用與切削參數的優化，實驗結果表明可以顯著提高工作效率。

本文雖然在一定程度上改進了系統的性能，但是仍有很大的進步空間。接下來的研究工作將會在改進后的遺傳算法的基礎之上，嘗試對三個基本算子進行改進，因為這些參數對算法的搜索速度以及性能都會產生較大的影響。

參考文獻：

[1]陶建華，李長亮.未來已來——人工智能技術將進入快速發展期[J].紫光閣，2017（12）：79-79.

[2]黃青群.數學建模中優化模型的求解方法[J].科技資訊，2016，14（24）：139-140.

[3]王一平.用遺傳算法改進HMM的語音識別算法研究[D].太原理工大學，2007.