基于神经网络和遗传算法的稳定铣削工艺参数优化方法技术

本发明专利技术公开了一种基于神经网络和遗传算法的稳定铣削工艺参数优化方法，建立考虑再生效应的状态空间形式的铣削动力学微分方程，得到系统在一个周期内的状态转移矩阵，通过判断特征值的模的大小来判断稳定性，最终以主轴转速为横坐标，轴向切深为纵坐标进行绘图即可得到二维稳定性图，确定优化目标，构建边界约束条件，构建稳定性约束条件，使用神经网络拟合步骤十一得到的三维稳定性叶瓣图，使用遗传算法进行迭代计算寻找最优解，则所得到的具有最大适应的个体作为最优解输出，算法终止。得到以最大材料去除效率和最大刀具寿命为优化目标的铣削加工工艺参数优化最优解集，最终实现能够兼顾材料去除效率和刀具使用寿命的工艺参数选择。参数选择。参数选择。

【技术实现步骤摘要】
基于神经网络和遗传算法的稳定铣削工艺参数优化方法


[0001]本专利技术涉及铝合金材料铣削加工技术，特别涉及一种基于神经网络和遗传算法的稳定铣削工艺参数优化方法。

技术介绍

[0002]高速铣削加工作为一种高效的材料去除方式被广泛应用于航空航天制造业，而在铣削过程中，由于再生效应引起的切削颤振，通常会严重破坏切削过程的稳定性，从而加速刀具的磨损并且破坏零件的表面质量。在工业生产中，通常采用保守的主轴转速和切削深度来避免颤振，但是这会极大影响材料的去除率和生产效率。因此，切削颤振问题也一直受到工业界和学术界广泛关注。在保证零件加工质量要求的前提下，通过选择合理的切削工艺参数来提高单位时间内的材料去除效率，进而缩短整个产品的生产制造周期，对于航空航天制造业的发展有着重要意义。
[0003]尽管国内外学者对铣削颤振及其工艺参数优化有了一个较为广泛的研究，当前对在稳定性约束下的多目标铣削工艺参数优化研究仍然缺乏系统且完整的解决方案。

技术实现思路

[0004]为了提高铣削过程材料去除效率，本专利技术提出一种新的铣削工艺参数多目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络和遗传算法的稳定铣削工艺参数优化方法，其特征在于，其步骤如下：步骤一：建立考虑再生效应的状态空间形式的铣削动力学微分方程：具体步骤如下：S01:首先考虑再生效应的n个自由度的铣削动力学微分方程可以表述为：其中，M、C和K为刀具系统的n个自由度的模态质量矩阵、模态阻尼矩阵和模态刚度矩阵，q(t)是刀具n个自由度的振动位移矢量，K
c
(t)为系统所受动态铣削力矩阵，t为连续时间，T为单个刀齿切削周期，a
p
是轴向切削深度；S02:令方程(1)转换为状态空间形式：其中：步骤二：将一个周期内的连续时间t表示为离散的时间节点：t
i
＝t0+t
f
+(i
‑
1)τ；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式(3)中，i＝1,2,...,m,m+1.t0为开始切削时刻，t
f
自由振动时间段，τ为离散间隔长度,m为单个周期离散数；步骤三：计算在区间[t
i
,t
i+1
]内的方程(2)表达式：其具体步骤如下：S03:将状态方程的a
p
B(t)[x(t)
‑
x(t
‑
T)]看作齐次方程的非齐次项，s为计算过程中的积分因子，则可以将方程(2)表示为如下形式：S04:根据式(4)可知，当t
i
≤t≤t
i+1
时，可以得到在区间[t
i
,t
i+1
]内的表达式如下：步骤四：计算关于状态项x1，x2和x3的等式：
具体步骤如下：S05:当刀具不切削的时刻，即在时间段t
f
内，此时B(s)为0，方程(5)退化为S06:为了公式表示的简洁性，下文统一使用x
i
代替x(t
i
)，x
i
‑
T
代替x(t
i
‑
T)，B
i
代替B(t
i
)，B
i
‑
T
代替B(t
i
‑
T)；S07:在t1＝t0+t
f
时刻，由式(3)和(5)可以很容易得到以下关于状态项x1的等式：S08:在离散点t2处，状态项x2可以表示为：S09:由梯形求积公式，可以得到状态项x2的近似表达公式：S10:移项整理后，分离出状态项和时滞项如下式：S11:类似地，在离散点t3处，状态项x3可以得到：S12:由Simpson求积公式，可以得到x3的近似表达式为：S13:同样，分离状态项和时滞项可得到：
步骤五：计算关于状态项x4的等式：S14:与S11步骤类似，在离散点t4处，状态项x4可以得到：S15:由Newton求积公式，分离状态项和时滞项可以得到：步骤六：计算第t5到t
m+1
点的求积公式：其中：其中：其中：其中：具体步骤如下：S16:第t5到t
m+1
点的求积公式可表示为：其中，i＝1,2,
…
,m
‑
3；S17:由Cotes求积公式，分离状态项和时滞项可以得到：

【专利技术属性】
技术研发人员：秦国华，娄维达，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：