[发明专利]一种铣削加工工艺参数的可靠性优化方法

权利要求书

1.一种铣削加工工艺参数的可靠性优化方法，其特征在于，包括：

步骤S1、确定铣削加工工艺参数的优化变量和优化目标；

优化变量包括：X＝(v_c,f_t,a_p,a_e)；

v_c表示切削速度m/min、a_p表示轴向切深mm、f_t表示每齿进给量mm/z和a_e表示径向切深mm；

优化目标为：最小表面位置误差SLE和材料去除率MRR表示的最大的生产效率；MRR＝ΩNa_pa_ef_t；N表示铣刀齿数；

步骤S2、根据预定的约束条件和优化变量、优化目标，建立多目标函数优化模型；所述约束条件包括：铣削系统可靠性约束条件；

多目标函数优化模型为：

约束条件为：

式中，Ω表示机床主轴转速，v_f表示机床的进给速度，T_max表示机床允许的最大切削扭矩，P_max表示机床的最大许可功率，R表示铣削系统的可靠度，R_min为最小允许的可靠度，F_t表示切削力，D表示铣刀直径，x_1,2,3,4代表X变量的第1,2,3,4参数，X＝(v_c,f_t,a_p,a_e)；的初始值根据预先确定的稳定性叶瓣图的稳定区选取符合稳定性的数值；

其中，步骤S2包括：采用全离散预测方法建立多目标函数优化模型中的最小表面位置误差模型，其包括：

采用全离散预测方法获取建立铣削颤振稳定性模型的稳定性对应的转移矩阵；

判断转移矩阵的特征值；

若转移矩阵的特征值在铣削加工系统稳定区间内，则获取建立铣削颤振稳定性模型时的稳态系数；

根据所述稳态系数获取最小表面位置误差模型；

步骤S3、采用遗传算法和非线性规划相结合的方法对所述多目标函数优化模型进行优化处理，获得优化后的铣削加工工艺参数；

步骤S3包括：构建Kriging模型，其包括：判断最小表面位置误差模型的抽样维数是否大于1；若是，则采用修正的拉丁超立方抽样方法获取预设数量样本点；否则，采用汉默斯里序列抽样方法获取预设数量样本点；采用改进的全局优化方法确定最小表面位置误差模型中的M-EI的最大值位置；判断是否满足停止准则，若是，则利用所述预设数量样本点和优化后的θ构建Kriging模型；否则，将在确定的最大值位置处获取的样本点加入样本集，重新构建Kriging模型；采用Kriging模型优化处理所述最小表面位置误差模型，获取可靠度，判断可靠度是否满足可靠度约束条件，若满足，则将求得最终结果对应的参数，作为优化后的铣削加工工艺参数；

其中，采用混合抽样方法获取预设数量样本点，采用遗传算法对初始Kriging模型中的θ进行优化，利用所述预设数量样本点和优化后的θ，构建Kriging模型。

2.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：

采用惩罚函数法对多目标函数优化模型的约束条件进行处理，将所述多目标函数优化模型对应的约束优化模型转换为一个非约束优化模型；

相应地，在步骤S3中，通过预设的稳定性叶瓣图选取初始铣削参数，判断初始铣削参数的稳定性可靠度是否满足铣削系统可靠性约束条件，若是，则采用遗传算法和非线性规划相结合的方法对所述非约束优化模型中的目标函数进行优化处理，获得优化后的铣削加工工艺参数。

3.根据权利要求2所述的方法，其特征在于，步骤S2包括：

根据铣削稳定性、铣削表面位置误差可靠度以及预设优化变量之间的关系构造惩罚函数：

P(v_c,f_t,a_p,a_e)＝M_k·(max(0,R_1min-R₁(v_c,f_t,a_p,a_e))+max(0,R_2min-R₂(v_c,f_t,a_p,a_e)))

其中，R₁为稳定性可靠度，R₂为表面位置误差可靠度，M_k为惩罚因子，v_c切削速度(m/min)、a_p轴向切深(mm)、每齿进给量f_t(mm/z)和径向切深a_e(mm)；

采用惩罚函数处理后的最终优化的目标函数为：

fun＝-MRR+SLE+M_k·(max(0,R_1min-R₁(v_c,f_t,a_p,a_e))+max(0,R_2min-R₂(v_c,f_t,a_p,a_e)))

约束条件为：