基于知识驱动的车削加工工艺参数自适应能效优化方法技术

本发明专利技术公开了一种基于知识驱动的车削加工工艺参数自适应能效优化方法，包括以下步骤：分析车削加工过程能耗特性，建立车削加工过程面向比能的能量效率函数及时间函数；基于数据驱动的方式建立切削功率、附加载荷损耗与车削加工工艺参数、加工条件的回归模型；以比能和加工时间为优化目标，采用所提出的一种基于模糊推理的车削加工工艺参数自适应能效两阶段优化方法求解得到能效最优工艺参数组合。

Knowledge-driven adaptive energy efficiency optimization method for turning process parameters

The invention discloses a knowledge-driven adaptive energy efficiency optimization method for turning process parameters, which includes the following steps: analyzing the energy consumption characteristics of turning process, establishing energy efficiency function and time function oriented to specific energy in turning process, and establishing cutting power, additional load loss, turning process parameters and processing conditions based on data-driven method. Regarding specific energy and processing time as optimization objectives, a two-stage adaptive energy efficiency optimization method for turning process parameters based on fuzzy reasoning is proposed to obtain the optimal combination of energy efficiency process parameters.

【技术实现步骤摘要】
基于知识驱动的车削加工工艺参数自适应能效优化方法
本专利技术涉及机械切削加工领域，具体涉及车削加工工艺参数自适应能效优化方法。
技术介绍
在现代数控加工中，机械加工工艺参数的选择直接关系到所加工产品的产品质量、生产效率、生产成本和设备利用率等指标。合理地选择机械加工工艺参数对提高生产效率，降低生产成本，改善产品质量有着非常重要的意义。目前，在大多数生产实际中，工艺参数的制定则大多为工艺人员凭借实际经验或切削手册制定，具有较大的主观性和可变性，按照此种方法所选择的工艺参数往往不是最优的，会导致生产效率低，能量利用率低和资源浪费等问题。因此，综合考虑机床能耗及传统目标进行加工工艺参数优化是一个亟须解决的基础科学问题。
技术实现思路
本专利技术提供一种基于知识驱动的车削加工工艺参数自适应能效优化方法，以优化加工参数从而降低加工过程中的能耗。为实现本专利技术目的而采用的技术方案是这样的，即一种基于知识驱动的车削加工工艺参数自适应能效优化方法。它包括以下步骤：步骤1：分析车削加工过程能耗特性，建立车削加工过程面向比能的能量效率函数及时间函数；步骤2：基于数据驱动的方式建立切削功率、附加载荷损耗与车削加工工艺参数、加工条件的回归模型；步骤3：以比能和加工时间为优化目标，提出了一种基于模糊推理的车削加工工艺参数自适应能效两阶段优化求解方法。优选地，步骤1中所述面向比能的能量效率函数和时间函数分别为：式中SECd表示面向直接能耗的比能效率，Pau-c为加工关联类辅助系统功率，Pau-st为动力关联类辅助系统功率，Pu为空载功率，Premoval为材料去除功率，Pad为附加载荷损耗功率，tst为待机时间，tair为空载时间，tcutting为切削时间，tct为换刀时间，MRR为物料去除率；SECd+ind表示考虑间接能耗的比能效率，EEtool-m为刀具原材料单位内含能，EPtool是生产该刀具过程消耗的能量，EWtool是废物处理单位能耗，Etool为刀具内含能，Ttool为刀具寿命，tpct为单次磨钝换刀时间。优选地，步骤3中，基于模糊推理的工艺能效自适应两阶段优化的基本框架的过程为：本专利技术中，基于模糊推理的工艺能效自适应优化方法具体实现流程如图1所示。基于模糊逻辑的优化包括三个主要部分：模糊化、模糊逻辑推理(模糊规则库)和解模糊。核心部分是模糊逻辑推理和知识库的构建，其工作原理如图2所示，并可简单概述为两个过程：(1)将挖掘的优化规则归纳为加工条件与工艺参数方案两论域间的模糊关系；(2)将加工条件论域的现有信息与归纳得到的模糊蕴含关系进行合成运算，推理出当前加工条件下工艺参数的优化方案。优选地，步骤3中，基于模糊推理的车削加工工艺参数能效自适应两阶段优化的第一优化阶段过程为：这一阶段主要工作为用户给定当次优化的输入条件，即机床、工件、刀具信息等加工条件信息，然后基于所提出的改进二进制粒子群的关联规则挖掘算法获取模糊关联规则初步推理出一条符合操作者逻辑的工艺参数方案。(1)关联规则挖掘。针对传统算法遍历整个数据库的时间较长的问题，采用一种改进的基于二进制粒子群的关联规则挖掘算法(PSO)，流程如图3所示。根据本专利技术优化问题的特点，对PSO算法的关键步骤作了改进，具体如下：1)粒子编码方式由于粒子群算法主要针对连续性函数优化问题进行搜索运算，而关联规则挖掘的解空间为离散型，因此有必要对粒子进行离散化编码处理。针对机械加工能效优化问题，最终结果为一个规则集合，因而采用密歇根编码方式对每个粒子进行编码，即用一个粒子表示一条独立的关联规则。若事务集中含有N个事务，则粒子的位置由一个N维数组表示。粒子中的每个数组由两个部分表示，取值非0则1。第一部分表示该事务是否出现在规则中，1为出现，0为不出现；第二部分表示规则的前后件，前件为1，后件为0。因此，表示规则“Ifx1，x2，x3...，xk-1Thenxk”的粒子编码方式如下表：表1粒子编码方式2)适应度函数构建评价关联规则主要有两个指标：支持率FSup和置信度FConf，其中FSup体现能效优化规则的可用性，FConf体现能效优化规则的可靠性。因此，采用这两个目标来构建适应度函数。其中，对于模糊关联规则“x→y”，x＝{μ1，μ2，...，μp}&模糊属性集X＝{μ1，μ2，...，μp+q}，tj(μk)是样本j在模糊属性μk处的隶属度值，Ns是当前车间加工数据库中记录的个数，FSup(x)为模糊支持率。由于支持率和置信度的取值都为0-1，因此构造适应度函数如下：Fitness＝FSup(x→y)×FConf(x→y)3)粒子更新对二进制粒子群算法的位置更新公式进行了改进，使粒子更新符合二进制性质，以利于适应度值计算。Vid(t+1)＝ωVid(t)+c1rand()×(Pbest(t)-Xid(t))+c2rand()×(Gbest-Xid(t))其中，Pbest表示粒子局部最优位置，Gbest表示粒子全局最优位置，i表示粒子编号，d代表搜索区域的维度，rand()为(0，1)之间的均匀随机数，ω表示惯性因子，c1和c2为学习速率，Sigmoid函数用于计算粒子位置改变的概率。4)禁忌区域一般规则挖掘方法需要在数据库中遍历大量的记录，效率很低。实际上，经典的粒子群规则挖掘算法在计算适应度函数时也面临相同的问题。基于此，提出一种与禁忌搜索算法相关的改进策略。在经典粒子群优化算法中，只记录每个粒子的最佳位置，而不好的位置则不记录。因此，除了位置和速度之外，在迭代过程中还采用了一个名为“禁忌区域”的新属性来记录每个粒子的历史轨迹和适应度，这有助于防止重复扫描不良频繁项集。一旦一个更新的粒子落入禁区，位置应该被重置。(2)各变量数据模糊化与解模糊化。1)第一优化阶段各变量数据模糊化。首先建立工件、刀具、工艺参数的模糊隶属度函数。考虑到车间历史数据库中包含了许多工艺参数方案的数据信息，通过数据驱动方式(高斯法)来生成隶属度函数，高斯隶属度函数下式所示。用L(小)、Lr(中小)、M(中)和H(硬)表示工件材料硬度模糊区间，用S(小)、M(中)和B(大)表示刀具前角和工艺参数的模糊区间。2)解模糊化。由上述多条规则推理得到了一个模糊隶属度集合，须对该集合作解模糊处理才能得到工艺参数优化方案。由于重心法具有能更平滑地输出推理控制的能力，用该方法对得到的最终模糊隶属集合进行解模糊化处理。其中为解模糊化后的工艺参数值，k为模糊区间个数。yi为某个模糊区间的聚类中心，μA(yi)为工艺参数在yi所在聚类区间下的隶属度值。优选地，步骤3中，基于模糊推理的车削加工工艺参数能效自适应两阶段优化的第二阶段优化过程为：在第一阶段优化方案的基础上，通过基于面向能效的工艺参数的调整规则推理出一条在满足用户指标的情况下比当前方案能效更优的工艺参数优化方案。1)工艺参数调整规则挖掘①采用3D曲面分析不同工艺条件下工艺参数与能效的影响规律。比能SEC与工艺参数的关系，主要受材料硬度和刀具前角的影响，因此可以把比能公式看作，是在不同工件材料和刀具角度下，与工艺参数的函数关系。基于此，研究工艺参数与比能影响关系随工艺条件变动的规律。②制定面向多工艺条件的工艺参数能效优化规则制定面向多工艺条件的工艺参数能效优本文档来自技高网...

【技术保护点】
1.基于知识驱动的车削加工工艺参数自适应能效优化方法，其特征在于，包括以下步骤：步骤1：分析车削加工过程能耗特性，建立车削加工过程面向比能的能量效率函数及时间函数；步骤2：基于数据驱动的方式建立切削功率、附加载荷损耗与车削加工工艺参数、加工条件的回归模型；步骤3：以比能和加工时间为优化目标，基于模糊推理的车削加工工艺参数自适应能效两阶段优化方法进行求解。

【技术特征摘要】
1.基于知识驱动的车削加工工艺参数自适应能效优化方法，其特征在于，包括以下步骤：步骤1：分析车削加工过程能耗特性，建立车削加工过程面向比能的能量效率函数及时间函数；步骤2：基于数据驱动的方式建立切削功率、附加载荷损耗与车削加工工艺参数、加工条件的回归模型；步骤3：以比能和加工时间为优化目标，基于模糊推理的车削加工工艺参数自适应能效两阶段优化方法进行求解。2.根据权利要求1所述的基于数据驱动的车削加工工艺参数自适应能效优化方法，其特征在于：步骤3中基于模糊推理的车削加工工艺参数能效自适应两阶段优化的基本框架的过程为：(1)将挖掘的优化规则归纳为加工条件与工艺参数方案两论域间的模糊关系；(2)将加工条件论域的现有信息与归纳得到的模糊蕴含关系进行合成运算，推理出当前加工条件下工艺参数的优化方案。3.根据权利要求1所述的基于数据驱动的车削加工工艺参数自适应能效优化方法，其特征在于：步骤3中基于模糊推理的车削加工工艺参数能效自适应两阶段优化的第一优化阶段过程为：这一阶段主要工作为用户给定当次优化的输入条件，即机床、工件、刀具信息等加工条件信息，然后基于所提出的改进二进制粒子群的关联规则挖掘算法获取模糊关联规则初步推理出一条符合操作者逻辑的工艺参数方案；(1)关联规则挖掘，针对传统算法遍历整个数据库的时间较长的问题，采用一种改进的基于二进制粒子群的关联规则挖掘算法(PSO)，根据本发明优化问题的特点，对PSO算法的关键步骤作了改进，具体如下：1)粒子编码方式针对车削加工能效优化问题，最终结果为一个规则集合，因而采用密歇根编码方式对每个粒子进行编码，即用一个粒子表示一条独立的关联规则，若事务集中含有N个事务，则粒子的位置由一个N维数组表示，粒子中的每个数组由两个部分表示，取值非0则1，第一部分表示该事务是否出现在规则中，1为出现，0为不出现；第二部分表示规则的前后件，前件为1，后件为0；2)适应度函数构建评价关联规则主要有两个指标：支持率FSup和置信度FConf，其中FSup体现能效优化规则的可用性，FConf体现能效优化规则的可靠性。因此，采用这两个目标来构建适应度函数：其中，对于模糊关联规则“x→y”,tj(μk)是样本j在模糊属性μk处的隶属度值，Ns是当前车间加工数据库中记录的个数，FSup(x)为模糊支持率；由于支持率和置信度的取值都为0-1，且取值越大越好，因此构造适应度函数如下：Fitness＝FSup(x→y)×FConf(x→y)3)粒子更新Vid(t+1)＝ωVid(t)+c1rand()×(Pbest(t)-Xid(t))+c2rand()×(Gbest-Xid(t))其中，Pbest表示粒子局部最优位置，Gbest...

【专利技术属性】
技术研发人员：李聪波，肖溱鸽，李玲玲，吕岩，寇阳，张孝锋，戴涛，
申请(专利权)人：重庆大学，重庆第二机床厂有限责任公司，
类型：发明
国别省市：重庆,50