[发明专利]一种基于STEP-NC的智能非线性工艺规划方法

说明书

本发明涉及一种基于STEP‑NC的智能非线性工艺规划方法，该方法包括通过预先训练的BP神经网络模型，确定与零件加工特征类型对应的加工操作方法；基于预定义的加工工步排序原则，对加工操作方法中的所有加工工步进行排序，得到合理的加工工步序列；针对加工工步序列中的每一个加工工步，选择与该加工工步匹配的资源，并采用混沌遗传算法对每一条加工工步序列以及对每一加工工步的的工艺参数进行优化，得到最优的加工工艺规划。上述方法将混沌算法、遗传算法与BP神经网络进行有机结合应用于STEP‑NC的工艺优化，可以进行高效、精准和智能的逻辑推理，有效解决复杂的工艺规划问题，同时为STEP‑NC理论的进一步研究具有重要意义。

技术领域

本发明涉及一种基于STEP-NC的智能非线性工艺规划方法。

背景技术

STEP-NC是采用基于制造特征的方式描述加工对象，以面向对象的加工工步作为加工流程的基本单位，通过加工操作描述在每个加工工步中制造特征的加工工艺，因此工艺规划是实施STEP-NC重要的一步，也是实现开放性、智能化和网络化STEP-NC数控系统的关键。

国内外学者对基于STEP-NC的工艺规划做了很多有意义的研究。例如，韩国浦项科技大学的Suh等人开发了一个车间编程系统PosSFP，在PosSFP内部采用图形化的工艺流程图来表示工艺流程，以工步和AND-OR关系为基本节点，按照一定的机制选择合理的加工顺序，但该系统没有完全考虑车间制造资源的约束问题，具有一定的局限性。新西兰奥克兰大学的徐旬等人考虑材料硬度和加工深度作为神经网络的输入，采用BP神经网络进行铣削工艺参数的优化，但是该方法考虑的因素太少，未能充分考虑影响铣削工艺参数的多种约束条件，往往不能得到最优的工艺参数。Shakeri等人通过建立一个可以反应加工工步之间优先关系的规则表来自动生成工步序列，工步序列的优化则是依据工步序列中所有工步的优先权值之和来进行的，优先权值之和越高则说明工步序列越接近最优值，但是这种方法需要制定大量的规则而且算法较为复杂，通用性不强。山东大学张承瑞等人提出了按工步级规划-特征级规划-零件级规划的在线规划模式，并分别给出了工步级铣削用量的优化模型、特征级工艺路线的筛选方法以及基于启发式的工步排序方法，但是该启发式算法是基于局部搜索，很难得到全局最优解。西北工业大学的田锡天等人以辅助时间为优化目标，采用遗传算法解决基于STEP-NC的加工工步排序问题，但是遗传算法对初值敏感，容易陷入局部极值，使得往往不能得到最优的工艺路线。

综上所述，目前国内外对于基于STEP-NC工艺的方法具有一定的局限性，存在智能性差，效率低等缺点。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种基于STEP-NC的智能非线性工艺规划方法，该方法智能性高，通用性好，效率较高。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种基于STEP-NC的智能非线性工艺规划方法，其包括如下步骤：

步骤1、通过预先训练的BP神经网络模型，确定与零件加工特征类型对应的加工操作方法；

步骤2、基于预先定义的加工工步排序原则，对所有加工特征类型的加工操作方法中的所有加工工步进行排序，得到合理的加工工步序列；

步骤3、针对所有加工工步序列中的每一个加工工步，选择与该加工工步匹配的资源；采用混沌遗传算法对每一条加工工步序列以及对每一加工工步的资源包括的工艺参数进行优化，获得最优的加工工艺规划。

可选地，所述步骤1包括：

步骤11、将每一加工特征类型对应的加工数据进行归一化处理，得到归一化的加工数据；

步骤12、将归一化的加工数据作为该加工特征类型匹配的BP神经网络模型的输入矢量，得到该加工特征类型的加工操作方法。