一种薄板激光切割工艺参数的多目标优化方法技术

本发明专利技术提供了一种薄板激光切割工艺参数的多目标优化方法，包括以下步骤：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；将激光切割数据集划分为训练集、验证集和测试集；通过步骤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；以前一步骤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；通过熵权TOPSIS法求解最优工艺参数；提出的多目标模型求解后得到的最优解集能够为决策者提供多样化的较优选择，避免了数据的主观性，能够很好的刻画多个影响指标的综合影响力度。的刻画多个影响指标的综合影响力度。的刻画多个影响指标的综合影响力度。

【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率，是在新时代亟需解决的问题。因此，对薄板激光切割的加工质量、能量消耗和加工效率进行预测和优化，是建设数字化高效节能环保车间的一个好的切入点。
[0004]目前，有关激光切割工艺参数优化的方法为三大类，一是利用传统物理建模的方法建立工艺参数与优化目标间的模型，之后进行工艺参数优化，该类方法的准确率很大程度依赖于事先设定好的一系列力学、材料学、光学和热学参数等，而在实际激光切割过程中，这些参数往往具有耦合性和时变性，因此基于物理建模的判断方法不准确。二是基于实验的方法，该方法以激光切割工艺参数作为实验因素，进行大量的激光切割试验，根据试验数据得出优化目标随各个工艺参数的变化情况，给出工艺参数优化的建议，但各个工艺参数与优化目标之间有着复杂的耦合关系，基于试验的方法难以对这类耦合关系复杂的情形给出合理的工艺参数优化建议。三是基于机器学习的激光切割工艺参数优化方法，这类方法能通过机器学习模型学习激光切割工艺参数与优化目标间的耦合关系，优化效果比前二者更好。目前基于机器学习的激光切割工艺参数优化方法占比越来越大，但存在如下不足：
[0005](1)国内外关于激光切割工艺参数优化的研宄，多数以表面切割质量为优化目标，这些研究大部分都只考虑对单个目标(切缝宽度、挂渣高度、切面粗糙度或热影响区)进行优化，其优化结果往往只能在加工质量的某一方面达到最优，难以兼顾整体的加工效果。
[0006](2)国内外关于激光切割的研究，少数考虑多目标的研究也是考虑传统目标(切缝
宽度、挂渣高度、切面粗糙度、热影响区等)的优化，较少涉及加工过程能量消耗、材料去除率等指标。这类研究虽然能够获得较好的整体加工质量，但是却可能存在加工能耗高、加工效率低的问题。
[0007](3)目前针对薄板激光切割工艺参数多目标优化的方法一般是采用直接加权求和法、模糊隶属度法，或者将多个目标函数进行归一化处理后再进行相加，最终将多目标函数转换为单目标函数进行求解。然而，不同的目标函数量纲不一样，不能简单的利用固定加权法将多目标直接转换成单目标计算，其权重系数也很难决策，需要大量的先验知识。激光切割工艺参数多目标优化问题是一个含有不等式约束的多约束、多变量、多目标的混合非线性规划问题，其控制变量包含离散变量和连续变量。因此，需要采用更合适的方法求解激光切割工艺参数多目标优化问题。

技术实现思路

[0008]有鉴于此，本专利技术的目的在于提供一种一种薄板激光切割工艺参数的多目标优化方法，将直线切割质量、加工效率和能耗一起作为激光切割工艺参数优化的考虑因素，将切缝表面粗糙度、材料去除率和能量消耗作为直线切割优化指标，切割参数为优化变量，加入相应的约束条件，以提前训练好的极限学习机模型为基础，建立激光切割工艺参数多目标优化模型。引入非支配解和拥挤距离作为个体适应度评判标准，提出改进的多目标布谷鸟优化算法。利用改进的多目标布谷鸟算法对薄板激光切割多目标模型进行求解，得到对应的Pareto最优解集，并采用熵权TOPSIS法得到满意的切割参数组合。
[0009]为实现上述目的，本专利技术采用如下技术方案：一种薄板激光切割工艺参数的多目标优化方法，包括以下步骤：
[0010](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：
[0011](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
；
[0012](1.2)计算直线切割优化指标；
[0013](1.3)将直线的评价指标合为极限学习机标签集D＝[S Sc]；
[0014](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：
[0015](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
：
[0016](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
；具体如下：
[0017](2.2.1)将数据集C
t
等分成K份，每一份包含条数据；
[0018](2.2.2)取第一部分数据作为验证集C
t1
‑
v
，其余K
‑
1部分数据作为训练集C
t1
‑
m
，获得第一组训练
‑
验证数据集C
t1
；
[0019](2.2.3)每次取不同的部分作为验证集，重复步骤(2.2.2)K次，最终获得K组划分
好的训练
‑
验证数据集C
t1
,C
...

【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(...

【专利技术属性】
技术研发人员：黄彬，刘辉，
申请(专利权)人：福州大学，
类型：发明
国别省市：