基于改進灰狼算法的結構件數控加工誤差優化方法

摘 要：數控加工過程中的誤差會直接影響結構件的加工精度和質量，因此本文提出基于改進灰狼算法的結構件數控加工誤差優化方法。基于改進灰狼算法提取結構件數控加工刀具狀態特征，構建數控加工參數優化模型。將構建的數控加工參數優化模型的目標函數設定為最小化切削力，以優化結構件數控加工誤差。試驗結果表明，優化后的加工誤差整體均小于優化前的誤差，優化后的最大變形偏差為0.013 mm，比優化前的最大誤差降低了0.012 mm，證明基于改進灰狼算法的結構件數控加工誤差優化方法對數控加工誤差的優化有效。

關鍵詞：誤差優化；結構件數控；加工誤差；改進灰狼算法

中圖分類號：D 26 " " " 文獻標志碼：A

數控加工技術在結構件制造中具有重要的作用。灰狼優化算法是一種新興的優化算法，其具有優秀的全局搜索能力和魯棒性，因此受到廣泛關注。但是傳統的灰狼優化算法在解決復雜問題過程中存在局限性，而改進灰狼算法可以更好地處理數控加工誤差。該算法引入了混沌序列初始化種群、動態調整新領袖產生策略以及競爭選擇進化策略等措施，可以提高灰狼算法的搜索效率和全局優化能力。文獻[1]深入剖析加工變形的形成機理，本文歸納了銑削力模型在加工變形中的關鍵作用，對結構件殘余應力變形預測的研究現狀進行概述，并且提出優化加工工藝，以有效控制結構件加工變形的主要策略。但是該方法欠缺實時動態調整能力，不能較好地控制突發事件下的故障誤差。文獻[2]提出了針對數控機床的誤差建模、補償方法以及加工精度/表面粗糙度的預測與控制。同時，結合結構件的特性，探討其數控加工精度控制的關鍵技術。雖然該方法提升了加工精度，但是加工效率并沒有提升。而本文方法利用改進后的灰狼算法對數控加工參數進行優化，可以降低加工誤差，進而提高結構件的加工精度。

1 基于改進灰狼算法的結構件數控加工誤差優化方法的設計

1.1 基于改進灰狼算法提取結構件數控加工刀具狀態特征

為了準確監測刀具狀態，需要利用灰狼算法選擇合適的特征，并優化參數設置。本文設計的改進灰狼算法通過模擬狼群的社會行為（例如狩獵、競爭和合作）來尋找問題的最優解。在提取刀具狀態特征過程中，本文算法會收集與刀具狀態相關的數據，例如切削力、聲音信號等。此外，該算法還能及時響應刀具狀態的變化，根據約束條件實時提取有效刀具狀態特征，以此來優化參數。利用算法的尋優過程，對這些數據進行處理和分析，提取與刀具狀態密切相關的特征[3]。

結構件在數控加工的過程中的主要參數包括切削寬度、刀具直徑等，因此需要根據結構件加工的形狀、走刀策略等多種因素進行設置。本文引入改進灰狼算法中的佳點集理論初始化種群，以保證在搜索空間中擁有更好的初始種群[4]。

在提取刀具狀態特征的過程中，將切削力作為本文驗證方法有效性的關鍵指標，其大小會直接影響結構件的表面質量和精度。過大的切削力容易導致切削精度不高、結構件變形或刀具損壞，因此需要控制切削力，以及時了解加工過程中的問題，并優化切削參數，從而提高加工質量和效率。在切削力模型建模過程中，雖然模型已經相當成熟，通常是通過每個刀齒的微元受力進行建模[5]，但是在實際加工過程中，每個刀齒的接觸角會隨時間不斷變化，導致計算過程比較復雜。為了簡化計算并確定每個刀齒的最大切削力，本文采用簡化的切削力公式。該簡化公式能更高效地評估切削過程中的受力情況，如公式（1）所示。

（1）

式中：Fx，y，z為在x、y和z軸方向上的切削力；q為切削深度；c為每齒進給量；k為刃口力系數；θ為切入角；l為剪切力作用系數；f為進給速度；v為主軸轉速；n為刀齒數量。

數控加工切入角θ如圖1所示。

切入、切出角如公式（2）所示。

（2）

式中：?為切出角；r為刀具半徑；p為切削寬度。

綜上所述，切削深度、切削寬度和主軸轉速的提升均會增加切削力，從而使切削力采集信號的幅值上升。相反，轉速提高會降低切削力，導致采集信號的幅值下降[6]。

因此，將結構件的數控加工系統看作1個佳點集集合整體，設定在該集合中搜索切削力等因素特征與刀具狀態的最優解關系[7]，根據公式（1）和公式（2）得出搜索過程，如公式（3）所示。

?·I=r·[Fx，y，z+cos?sinθ+pq]+tf+γ （3）

式中：?為灰狼系數；I為等效直流電流；tf為等效摩擦力矩；γ為黏性摩擦力與庫倫摩擦力的力矩。

根據改進灰狼算法得出不同時間下切削力與刀具狀態的最優解關系解，利用上述步驟準確提取刀具狀態特征，可以及時發現和處理加工過程中的問題，提高加工質量和效率[8]。

1.2 構建數控加工參數優化模型

切削力是薄壁深孔零件加工中的關鍵參數，將直接影響結構件的變形。根據上述切削力與刀具狀態特征間的關系，將本文構建的數控加工參數優化模型的目標函數設定為切削力的最小值。考慮本文關注的是結構件切削時側壁變形誤差[9]，由于在銑削過程中切削力存在波動，因此在構建目標函數過程中采用垂直于工件壁厚的徑向切削力Fy的平均值。為了簡化求解過程，進一步對所得結果進行轉換，根據公式（1）和公式（2）得到公式（4）。

Fy=16 964.396×vcpq （4）

根據公式（4）得出該切削力Fy的優化目標，如公式（5）所示。

（5）

式中：s1為優化后的切削力。

在結構件的切削加工過程中，單位時間內材料的去除量是一個關鍵的效率指標，因此也將它作為優化的目標之一。切削加工在單位時間內能夠去除的材料量χ如公式（6）所示。

χ=qcpnv （6）

根據公式（6）得出該去除材料量的優化目標，如公式（7）所示。

（7）

式中：s2為優化后去除的材料量。

綜上所述，切削力與變形誤差間具有正相關關系，在單位時間內材料去除量與生產效果間也具有正向相關性。要降低加工誤差、提高生產效率，就必須尋找切削力的極小值和最大材料去除量。為簡化問題，本文統一為最小化問題，并構建相應的數控加工參數優化模型，根據公式（5）和公式（7）得出公式（8）。

（8）

式中：mins1為優化后切削力的極小值；mins2為優化后去除材料量的最大值。

在實際加工中，切削參數的選擇受多種因素的限制，只有在滿足特定約束條件的情況下，才能得到適用于結構件切削工藝參數的優化解。因此，在優化計算過程中必須考慮這些約束條件，以保證得到的優化參數組合滿足實際生產需求。該條件如公式（9）所示。

（9）

式中：g1（x）、g2（x）和g3（x）分別為進給速度、主軸轉速、切削深度的最大值與實際值的差；fmax為最大進給速度；vmax為最大主軸轉速；qmax為最大切削深度。

根據上述步驟，完成數控加工參數優化模型的建立。優化切削力的最小值，能夠降低側壁變形程度，提高加工精度，并減少對工件表面的沖擊和振動，進而提高結構件的表面質量。優化去除材料量的最大值，能夠有效控制側壁的變形界限，從而降低側壁變形的風險。

1.3 優化結構件數控加工誤差

在優化數控加工參數模型過程中，收集切削速度、進給量等加工參數，并基于工件壁厚的徑向切削力平均值構建目標函數，可以減少結構件數控加工的誤差。構建數控加工參數優化模型后，將其應用在結構件數控加工中，可以對不同加工特征下的誤差進行優化。實時辨識結構件加工狀態的方法如下所示。1）收集h秒內的數據并預處理。根據各種加工特征計算初始辨識最優解關系，采用歸一化和降維技術，得到優化后的辨識特征。2）計算某一特征與相應佳點集中的最優解間的關系，確定當前刀具狀態歸屬于佳點集對應的刀具狀態類別。3）積累足夠數量的數據后，使用這些數據重新訓練數控加工參數優化模型，定期更新訓練結果，以提高結構件數控加工的精準度。4）根據上述方法，能夠準確判定刀具的實時特征，并通過優化數控加工參數模型，減少刀具加工過程中的操作誤差。進行結構件數控加工誤差優化的步驟如圖2所示。

以上步驟和方法的綜合應用可以優化結構件數控加工誤差，提高加工質量和生產效率。需要注意的是，除了加工參數外，還需要考慮其他可能影響加工誤差的因素，例如機床精度、刀具質量和夾具穩定性等，因此不同的工件材料和加工要求可能需要采用不同的優化策略和方法來減少加工誤差。

2 試驗測試與分析

本次試驗主要關注結構件切削過程中的側壁變形誤差，因此需要對結構件進行銑削仿真，利用切削力最小值和去除材料量最大值，進一步得出切削采樣點與實際位置的誤差，從而驗證本文方法的有效性。

2.1 試驗準備

為比較本文基于改進灰狼算法的結構件數控加工誤差優化方法在優化前、后的數控加工誤差，進行測試試驗，以驗證本文方法的可行性。本文選用一鋁合金薄壁件結構件為試驗對象，實驗平臺選用MATLAB軟件對其進行銑削仿真。本次試驗將對優化前、后加工誤差中的壁厚方向誤差進行測試，各項試驗參數見表1。

2.2 試驗結果與分析

基于上述試驗準備，進行優化前、后的薄壁件的加工誤差的測試。在軟件中進行結構件的銑削仿真，在工件上方沿刀具進給方向的相同位置進行采樣，測量出壁厚方向位移的誤差，根據公式（4）～公式（7），分別得出本文方法優化前、后的切削力最小值和去除材料量最大值，進一步得出優化前、后壁厚方向的測量偏差，其測試結果見表2。

由上述試驗結果可以看出，銑削力控制效果較差，優化前的最大變形誤差為0.025 mm。優化后的最大變形誤差為0.013 mm，比優化前的最大偏差減少了0.012 mm，原因是本文方法將結構件的數控加工系統看作1個佳點集集合整體，從中得出搜索切削力等因素特征與刀具狀態的最優解關系，進而準確提取刀具的實時狀態特征，優化切削速度、進給量和切削深度等加工參數，并且進行誤差補償與修正，從而減少了壁厚方向測量偏差，證明本文方法對數控加工偏差的優化正確且有效。

綜上所述，基于改進灰狼算法的結構件數控加工誤差優化方法在試驗結果上取得了顯著效果，有效提高了加工精度和產品質量。

3 結語

基于改進灰狼算法的結構件數控加工誤差優化方法為提升結構件數控加工的精度和效率開辟了新的途徑。本文對灰狼算法進行了優化與改進，并將其應用于結構件數控加工誤差的優化問題中，有效控制了加工誤差。本文不僅驗證了改進灰狼算法在解決復雜優化問題方面的優越性能，而且展示了其在實際工程應用中的廣闊前景。不斷優化算法參數和調整搜索策略，可以提高了的收斂速度和求解精度，為數控加工領域提供更精確、高效的誤差優化方法。期待通過進一步的技術創新和算法優化，為結構件數控加工提供更精準、可靠的解決方案，推動制造業的持續發展。同時，也希望本文研究成果能夠激發更多學者和工程師在優化算法和數控加工技術方面的研究熱情，共同推動相關領域的進步與發展。綜上所述，基于改進灰狼算法的結構件數控加工誤差優化方法是一項具有重要意義的研究工作。相信經過不斷的探索和實踐，該方法將在未來的數控加工領域發揮更重要的作用，為制造業的升級和發展貢獻新的力量。

參考文獻

[1]趙明偉，岳彩旭，陳志濤，等.航空結構件銑削變形及其控制研究進展[J].航空制造技術，2022，65（3）：108-117.

[2]溫曉波，李金山.弱剛度結構件的高速銑削及變形控制技術分析[J].中國設備工程，2020（22）：188-189.

[3]戚艷，尚學軍，聶靖宇，等.基于改進多目標灰狼算法的冷熱電聯供型微電網運行優化[J].電測與儀表，2022，59（6）：12-19，52.

[4]燕相松.基于改進遺傳算法的三軸數控雕刻加工路徑優化方法[J].九江學院學報（自然科學版），2023，38（3）：23-26，46.

[5]魏琳，楊凱榮，周英，等.基于EDGECAM和NCSIMUL的復雜結構件數控編程及加工仿真應用[J].航天制造技術，2023（6）：64-69.

[6]黃龍，李連成，趙珂，等.基于在機測量系統的焊接結構件加工補償技術應用[J].金屬加工（冷加工），2023（4）：74-78.

[7]劉娟，劉檢華，莊存波，等.基于特征聚類的結構件數控加工工時預測方法[J].機械工程學報，2023，59（15）：232-246.

[8]國凱，武沖，孫杰.航空整體結構件數控加工變形預測及控制技術研究進展[J].航空制造技術，2022，65（21）：112-127.

[9]高鑫，馮斌，趙中剛，等.柔性線加工模式下航空結構件數控加工工藝設計技術研究[J].航空制造技術，2022，65（7）：96-103.