計算機智能技術(shù)在切削參數(shù)優(yōu)化中的應(yīng)用

摘 要：切削參數(shù)的選擇和優(yōu)化是提高機械零件加工精度和穩(wěn)定性的重要保證。本文以汽車軸承支架軸承孔的精鏜切削為例，選擇對零件切削精度影響較大的五種參數(shù)，采用田口實驗及計算機智能技術(shù)中的倒傳遞神經(jīng)網(wǎng)絡(luò)和遺傳算法等方法的綜合運用，對切削參數(shù)進行優(yōu)化，迅速有效地找出最佳切削參數(shù)組合，從而提升零件質(zhì)量和加工過程的穩(wěn)定性，為提高機械加工企業(yè)的市場競爭力開辟了一種新的思路和途徑。

關(guān)鍵詞：切削參數(shù)；田口方法；倒傳遞神經(jīng)網(wǎng)絡(luò)；遺傳算法

中圖分類號：TP311.13

切削參數(shù)優(yōu)化問題，一直是困擾我國機械加工企業(yè)的難題。當(dāng)前解決該問題的方法主要有三種：一是經(jīng)驗法，即操作人員根據(jù)經(jīng)驗或參考金屬切削手冊的數(shù)據(jù)，采用試錯法進行實驗[1]。此法在企業(yè)中應(yīng)用較多，因最佳參數(shù)值選取難度較大，不僅效率低且受熟練工人經(jīng)驗、資料繁雜等因素限制缺乏穩(wěn)定性。二是試驗法，即通過對具體機床和切削工件及刀具進行切削試驗，利用正交試驗法或其它方法來分析研究切削參數(shù)，以獲得合理的切削參數(shù)組合，由于該方法所獲得的最佳切削參數(shù)均為離散型的組合，因而不容易真正找到最佳切削參數(shù)。三是數(shù)值計算法，即通常采用正交或中心復(fù)合實驗設(shè)計方法進行實驗，借助多元回歸方法建立一階或二階預(yù)測模型，在此基礎(chǔ)上通過響應(yīng)曲面法或遺傳算法對切削參數(shù)進行優(yōu)化，然而此類方法建立的數(shù)學(xué)模型誤差大而且計算繁雜，不易求解，優(yōu)化效果不理想。

本研究通過構(gòu)建一套優(yōu)化系統(tǒng)，綜合運用田口方法結(jié)合計算機智能技術(shù)（Computational Intelligence，CI）中的倒傳遞神經(jīng)網(wǎng)絡(luò)（Back-Propagation Neural Network，BPNN）、遺傳算法（Genetic Algorithms，GA）等，在汽車軸承支架軸承孔精鏜切削工序中進行實證研究，對精鏜切削中的切削參數(shù)進行優(yōu)化，迅速有效地找到最佳切削參數(shù)組合，不僅提高加工過程的穩(wěn)定性，而且能保證所加工的零件品質(zhì)特性符合要求，大幅度降低不良率。

1 研究方法

本研究綜合運用田口方法、BPNN和GA等相關(guān)技術(shù)，對汽車軸承支架軸承孔精鏜中的切削參數(shù)進行優(yōu)化，期望經(jīng)切削參數(shù)優(yōu)化后，使精鏜切削加工過程更加穩(wěn)定，軸承孔真圓度值小于0.005毫米，且越小越好，其中真圓度為零件實際輪廓相對于理想圓的徑向偏移量。影響精鏜切削加工的因素有很多，本研究選擇加工余量、進給速度、機床轉(zhuǎn)速和刀尖R角等五個對零件品質(zhì)影響最大的因素作為田口實驗的控制因子，選用L25（56）正交表進行精鏜切削實驗，再將田口實驗所得的數(shù)據(jù)資料使用BPNN進行訓(xùn)練與測試，構(gòu)建出能夠預(yù)測零件真圓度和信噪比的BPNN預(yù)測器，并結(jié)合GA，搜尋符合品質(zhì)要求且加工過程最為穩(wěn)定的最優(yōu)參數(shù)組合。切削的參數(shù)優(yōu)化流程圖如圖1所示。

圖1 切削參數(shù)優(yōu)化流程圖

1.1 田口方法

田口方法是知名的統(tǒng)計學(xué)家田口玄一博士于1990提出的一套實驗方法，其主要工具為正交表與信噪比（signal-to-noise ratio，S/N比），以正交表進行實驗規(guī)劃，以S/N比作為零件生產(chǎn)過程穩(wěn)健性的評價標(biāo)準(zhǔn)找到最佳參數(shù)組合。本研究確定真圓度作為零件品質(zhì)特性的指標(biāo)，使之低于0.005毫米，且越小越好。如上所述選擇對加工零件品質(zhì)影響相對較大的五個控制因子，并擬定各實驗因子的標(biāo)準(zhǔn)范圍：分別是冷卻液濃度為0～12%（其中0表示干切）、加工余量為0.1～0.3毫米、進給速度為0.05～0.09毫米/轉(zhuǎn)、機床轉(zhuǎn)速為500～900轉(zhuǎn)/分鐘、刀尖R角為0.1～0.5毫米。因為涉及到五個控制因子，所以需選用L25（56）正交表做五因素五水平試驗。又因為零件品質(zhì)特性的指標(biāo)為真圓度值低于0.005毫米，且越小越好，故選擇望小信噪比（signal-to-noise ratio，S/N比）公式，如式（1）所示。

（1）根據(jù)穩(wěn)健設(shè)計原理，S/N比最大的方案就是加工過程最穩(wěn)定的方案。

1.2 真圓度和S/N比最佳化

由于田口實驗所找到的最佳參數(shù)組合僅僅是離散型的（即局部最佳解），并不能保證零件加工參數(shù)始終滿足品質(zhì)的要求。本階段將針對真圓度和S/N比進行雙目標(biāo)最佳化，從而求出真圓度值最低，且S/N比最高的切削參數(shù)組合。具體步驟如下：

第一步：利用田口實驗所得的數(shù)據(jù)，訓(xùn)練BPNN，同時在田口實驗標(biāo)準(zhǔn)范圍內(nèi)隨機產(chǎn)生五組組合進行實驗，實驗結(jié)果用于BPNN測試。經(jīng)過多次的訓(xùn)練及測試，使收斂誤差達(dá)到要求，構(gòu)建出能夠預(yù)測真圓度和S/N比的BPNN預(yù)測器，即找出最能符合實際精鏜切削狀況的類神經(jīng)網(wǎng)絡(luò)。BPNN預(yù)測器的輸入為冷卻液濃度、加工余量、進給速度、機床轉(zhuǎn)速和刀尖R角，輸出為真圓度值和S/N比。

第二步：利用BPNN預(yù)測器結(jié)合GA，求得精鏜切削中真圓度最低且S/N比最高的參數(shù)組合，即不僅使零件的品質(zhì)最佳，且加工過程最穩(wěn)定，最大限度地滿足客戶的要求。GA的適應(yīng)函數(shù)（fitness function）如式（2）所示。

Min（yo1-yt1）2

Min（yo2-yt2）2

s.t. （2）

LSRms≤Xms≤USRms ms=1，2，3………d

其中yo1為BPNN預(yù)測器所預(yù)測的真圓度輸出值，yo2為BPNN預(yù)測器所預(yù)測的S/N比輸出值，yt1為真圓度目標(biāo)值，yt2為S/N比目標(biāo)值。xms為第ms個切削參數(shù)，LSRms為GA搜尋的下限，USRms為GA搜尋的上限，d為切削參數(shù)的個數(shù)。

2 結(jié)束語

在機械加工行業(yè)的零件制造中，如何提高零部件的加工精度并使品質(zhì)穩(wěn)定性達(dá)到最佳，切削參數(shù)的選擇和優(yōu)化至關(guān)重要。以往操作人員均根據(jù)經(jīng)驗或直覺設(shè)定參數(shù)，使用試錯法找出最佳切削參數(shù)組合，往往耗費大量的時間與成本，而且還不能確保找到的參數(shù)是否為最佳。而采用田口方法獲得的最佳切削參數(shù)均為離散型的組合，不容易真正找出最佳切削參數(shù)。因此本研究在田口實驗的基礎(chǔ)上，結(jié)合計算機智能技術(shù)中的BPNN和GA的綜合運用，對汽車軸承支架軸承孔精鏜中的切削參數(shù)優(yōu)化過程進行實證研究，低成本、短時間地找到最佳切削參數(shù)組合，使得軸承孔的真圓度值低于門檻值0.005毫米，且加工過程具有較高的穩(wěn)定性，Cpk達(dá)到1.6569，極大地滿足了客戶對加工零件的品質(zhì)要求。利用本研究提出的統(tǒng)計方法和計算機智能技術(shù)的綜合應(yīng)用，可以在原有工藝和設(shè)備的條件下使機械零件加工的質(zhì)量和品質(zhì)穩(wěn)定性大幅度提高，對降低我國機械零件制造成本，提高我國機械加工企業(yè)在國際市場的競爭力將具有重大的現(xiàn)實意義和明顯的經(jīng)濟效果，從而為我國機械加工企業(yè)走內(nèi)涵發(fā)展道路提供了一種新的途徑和思路。

參考文獻(xiàn)：

[1]毛新華，黃婷婷.智能化的切削參數(shù)優(yōu)化系統(tǒng)設(shè)計[J].制造技術(shù)與機床，2010（04）：48- 50.

[2]張春飛，張宇，李忠科，劉義.基于田口法的高速切削參數(shù)優(yōu)化研究與應(yīng)用[J].現(xiàn)代制造工程，2006（08）：78-80.

[3]崔漢濤，尹冬晨，曲從輝.基于正交試驗的機械部件加工研究[J].河北建筑科技學(xué)院學(xué)報，2006（04）：68-77.

[4]方沂，田美麗，陳小潤，孫友.高速加工切削參數(shù)優(yōu)化及實驗分析[J].制造技術(shù)與機床，2007（11）：71-74.

作者單位：山東商業(yè)職業(yè)技術(shù)學(xué)院，濟南 250103