【技术实现步骤摘要】
一种薄板激光切割工艺参数的多目标优化方法
[0001]本专利技术涉及生产制造
,特别是一种薄板激光切割工艺参数的多目标优化方法。
技术介绍
[0002]薄板结构精密零件对加工精度和表面质量的要求都非常高,决定着所在整体装置的性能,已广泛应用于航空、车辆、新能源、医疗生物、通信等产业,但传统如铣削和钻孔,在加工薄板时面临难装夹、效率低、精密程度不够等问题。激光加工技术被认为是比较适于加工上述特点零件的方法之一,其具有高柔性、非接触式加工、高效率、材料适应性广等特点。利用高精度数控激光设备切割薄板微细裂缝时,切口有着以下这些优良的品质特征:切割宽度小、切割精度高、切割速度快;热影响区小、切缝边缘垂直度高、切缝粗糙度低、切边无应力,无毛刺;无刀具损耗,可以实现任意位置高速切割等。
[0003]研究表明,加工制造业超过90%的环境影响是由于机床在加工使用阶段的电能消耗造成的。机床的巨大耗电量及其环境排放问题在国际上日益得到重视,减少机床加工的能源消耗可以为制造企业节约大量的能源,同时可以减少产品的生产制造过程对环境的负面影响。而在机械加工过程中,较高的加工效率是机械制造企业按时完成生产目标的重要前提,因此很有必要对加工效率进行分析。同时,工件的表面质量对工件的使用和寿命有很大影响,是金属加工的基本指标。企业为了保证加工质量,多数采用查找手册或凭经验试切的方式来选择切割方案。这样的方法难以兼顾产品质量、加工效率和生产过程中的能源利用率。如何优化激光加工工艺参数,让产品在不增加能源消耗的基础上,提高产品质量和加工效
【技术保护点】
【技术特征摘要】
1.一种薄板激光切割工艺参数的多目标优化方法,其特征在于包括以下步骤:(1)通过直线切割正交试验,测量各组试验对应的优化指标,直线切割优化指标为切缝表面粗糙度、材料去除率和加工能耗,具体如下:(1.1)进行直线激光切割正交试验,试验的因素包括激光功率、切割速度、气体压力、脉冲频率以及离焦量,设第n次试验所测得的切缝表面粗糙度为r
n
、材料去除率为h
n
和加工能耗为e
n
;(1.2)计算直线切割优化指标;(1.3)将直线的评价指标合为极限学习机标签集D=[S Sc];(2)通过K折交叉验证法将激光切割数据集划分为训练集C
t
、验证集C
v
和测试集C
p
;其中,训练集C
t
和验证集C
v
用于反复调试模型将其参数调整至较优水平,测试集C
p
用于评估训练后模型的泛化能力;具体如下:(2.1)划分激光切割初始数据集为训练集C
t
和测试集C
p
:(2.2)通过K折交叉验证法将训练集C
t
进一步划分为K组由训练集C
ti
‑
m
和验证集C
ti
‑
v
组成的子训练集C
t1
,C
t2
,
…
,C
tk
;(3)通过步骤(2)所得的试验数据训练基于烟花算法优化极限学习机的激光切割多目标预测模型,具体如下:(3.1)设极限学习机模型输入层输入向量为:X=(x1,x2,...,x5)
ꢀꢀꢀꢀ
(1)其中,x1至x5为极限学习机网络的5个输入节点,分别接收激光功率、切割速度、辅助气体压力、离焦量和脉冲频率数据的输入;输出层输出向量为:Y=(y1,y2,y3)
ꢀꢀꢀꢀ
(2)其中,y1至y3为极限学习机网络的3个输出节点,分别输出切面粗糙度、切割能耗、和材料去除率;(3.2)初始化极限学习机的权值和阙值,设置烟花算法的群体规模Q、变异火花数R、迭代次数计数器t=0以及最大迭代次数Iter_Max;对极限学习机中的数据进行设置,该设置主要包含种群大小、隐含层节点数和迭代次数;(3.3)设置烟花算法的初始群体,并计算群体内个体的适应度值;将初始群体中每个个体对应的权值和阙值分别代入极限学习机中,通过训练集C
ti
‑
m
进行训练,并利用验证集C
ti
‑
v
计算训练后的极限学习机模型的预测准确率,根据预测准确率计算个体适应度值f(X
i
);(3.4)生成爆炸火花,引入高斯变异策略,生成变异火花;首先,对群体中的每个烟花个体,采用基本烟花中的方法计算爆炸火花半径A
i
和爆炸火花数量S
i
:式中,A
max
为常数,用于调节整体振幅大小;f(X
i
)表示第i个个体X
i
的适应度值,f
max
表示最大适应度值;f
best
表示最优烟花个体的适应度值;δ为一个极小的值,以保证分母不为0;
式中,S
i
表示第i个火花将要产生的正常火花数;S
max
为常数,用于调节爆炸火花数目;从火花数计算式可以看出适应度值越好的火花能够产生更多的正常火花,反之,火花适应度越差,能够产生的火花数越少;由于火花数计算公式计算出的值为小数,使用下式将其转化为整数:式中,a,b分别为爆炸火花数下限系数和爆炸火花数上限系数,用于取整;S
all
是产生正常火花的总数,为一个常数;从火花数计算公式(2)中可以看出,在每一代中将会产生出S
all
个正常火花;产生的正常火花的位置与当前火花的振幅有关,可以从振幅计算公式中看出,适应度越优的火花的振幅越小,那么它产生的正常火花将在它自己周围,而适应度越差的火花的振幅越大,它产生的正常火花将会出现在离自己较远的位置;生成爆炸火花;当前火花每次爆炸会从d维搜索空间内随机选择z维进行更新从而产生新的火花;正常火花的位置由如下公式产生:式中,为当前火花的位置;为爆炸产生的新的火花的位置;z为取值1~d的均匀随机正整数,rand(
‑
1,1)表示
‑
1到1内的均匀随机数;从位置公式中可以看出,正常火花的位置与其振幅有直接关系,振幅越大产生的新火花距当前火花的距离越远;然后,随机选择R个烟花,对其分别采用高斯变异策略生成R个变异火花:式中,randGauss(1,1)表示在符合均值为1、方差为1的高斯分布中取到的随机数;对生成的每个爆炸火花和变异火花,计算个体适应度值;(3.5)根据选择策略从烟花、爆炸火花和变异火花中选择Q个作为下一代烟花;首先根据个体适应度值,从候选群体中选取适应度最大的一个进入下一代烟花群体中,然后采用基于适应度值的轮盘赌选择策略从候选群体中选取Q
‑
1个烟花、爆炸火花或变异火花进入下一代烟花群体;选择某个火花的概率如下:选择某个火花的概率如下:式中,p(X
i
)表示该火花被选择保留至下一代的概率,R(X
i
)表示该火花距其他所有火花
的距离之和,即距其它火花越远的火花,被选择保留至下一代的概率较大;(3.6)终止判断规则如果迭代代数t>Iter_Max,则终止迭代,输出最优个体及其对应的权值与阙值;否则t
←
t+1,返回步骤3.4;(3.7)将子训练集C
t1
,C
t2
,
…
,C
tk
的数据输入到极限学习机中,训练烟花算法优化后的极限学习机网络模型:极限学习机的整个结构可分为三个部分:输入层、隐含层、输出层;设m、L、n分别为ELM网络输入层、隐含层、输出层的节点数;P个不同样本(x
i
,o
i
),1≤i≤P,其中x
i
=[x
i1
,x
i2
,
…
,x
im
]∈R
m
为样本标签集,其中,R
m
指m维实数集,x
i
指第i个个体的标签集;o
i
=[o
i1
,o
i2
,
…
,o
in
]∈R
n
为样本指标值集,其中R
n
指n维实数集,o
in
指第i个个体的第n个属性的值;则存在L个隐含层节点的极限学习机网络模型表达式为:该公式中,W
i
=[W
i1
,W
i2
,
…
,W
im
]为输入权重矩阵,b
i
为隐含层第i个节点的阙值,g(x)为激活函数,β
i
=[β
i1
,β
i2
,
…
,β
in
]
T
为输出权重矩阵,t
j
=[t
j1
,t
j2
,
…
,t
jn
]
T
为ELM网络的输出值;将上式表示为矩阵形式:Hβ=T
ꢀꢀꢀꢀꢀ
(11)其中,H为隐含节点输出矩阵,β为输出权重矩阵,T为ELM网络的期望输出值;对输入权值参数和阙值参数初始化后,输出矩阵H便可确定,输出权值矩阵可由下式计算:式中,H
+
为隐含层输出矩阵H的Moore
‑
penrose广义逆;这样,整个ELM网络的结构就被确定了;(3.8)输入测试集数据并计算烟花算法优化的K个极限学习机预测模型M1,M1,
…
,M
k
的准确率S;准确率S的计算方式如下:其中,c为测试集数据的数目,o
i
为极限学习机标签集中的第i条数据的样本值,t
i
为第i条数据在极限学习机网络中的输出值;取准确率最高的极限学习机模型M
f
当作最终模型,有:
式中,f1,f2,f3分别指代激光切割中切面粗糙度、切割能耗、和材料去除率的适应度函数,F表示所训练的极限学习机模型;(4)以步骤(3)所得的极限学习机作为改进多目标布谷鸟算法的适应度函数,进行工艺参数优化,得到最优的工艺参数;(4.1)确定参数合理取值范围(...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。