CN114415595A - 一种车削优化方法、系统、计算机设备和存储介质 - Google Patents
一种车削优化方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114415595A CN114415595A CN202111303200.0A CN202111303200A CN114415595A CN 114415595 A CN114415595 A CN 114415595A CN 202111303200 A CN202111303200 A CN 202111303200A CN 114415595 A CN114415595 A CN 114415595A
- Authority
- CN
- China
- Prior art keywords
- cutting
- model
- energy consumption
- optimization
- transient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 177
- 238000005457 optimization Methods 0.000 title claims abstract description 128
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000005520 cutting process Methods 0.000 claims abstract description 204
- 238000005265 energy consumption Methods 0.000 claims abstract description 134
- 230000008569 process Effects 0.000 claims abstract description 131
- 238000003754 machining Methods 0.000 claims abstract description 61
- 230000001052 transient effect Effects 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims description 68
- 239000000463 material Substances 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000011160 research Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000010353 genetic engineering Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007730 finishing process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
- G05B19/4083—Adapting programme, configuration
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35356—Data handling
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明适用于机械加工领域，提供了一种车削优化方法、系统、计算机设备和存储介质。一种车削优化方法，所述车削优化方法包括：根据切削的瞬态过程和稳态过程，建构瞬‑稳态综合能耗模型和切削效率模型；选取待优化的切削变量，根据所述瞬‑稳态综合能耗模型和所述切削效率模型，建构切削优化模型；设定约束条件，在所述约束条件下解出所述切削优化模型的所述切削变量；根据优化后的所述切削变量，控制车床进行优化切削。本发明在构建数控车削装备能耗模型时，综合考虑稳态能耗和瞬态能耗，与实际情况更加吻合，能耗预测精度更高；在构建加工过程效率模型时，考虑整个加工过程的效率，能够更好的体现数控车削装备的加工效率。
Description
技术领域
本发明属于机械加工领域，尤其涉及一种车削优化方法、系统、计算机设备和存储介质。
背景技术
数控车削批量加工是目前机械制造系统非常普遍的一种加工方法。合理的选择加工工艺参数既可以减少加工时间提高加工效率，同时还能够降低加工能耗减少环境污染。但是，目前的实际车削加工中，车间工人往往根据加工工艺手册以及加工经验确定最终的工艺参数，由于缺乏理论支持和对车削装备加工性能的充分了解，因此会影响数控车削装备整体性能的充分发挥。
近些年，一些学者对数控装备加工工艺参数优化的研究中，较多的在关注加工效率、加工质量以及加工成本。随着数控装备能耗问题日益受到关注，才出现了考虑绿色、低碳优化目标的研究。并且上述关于数控装备加工参数优化的研究中，对数控装备加工过程中稳态过程能耗研究较为深入，却忽视了瞬态过程能耗在加工过程中频发、功率峰值高的现象，缺乏对瞬态过程能耗的考虑。对数控装备加工效率的研究，以往研究中存在忽视整体性、目标间存在冲突等问题。
因此，综合考虑数控装备瞬-稳态能耗目标及传统优化目标进行数控车削装备加工工艺参数优化是一个亟须解决的基础科学问题。
发明内容
本发明实施例的目的在于提供一种车削优化方法，旨在解决由于加工工艺参数的选择不当而造成的能耗高和效率低的问题。
本发明实施例是这样实现的，一种车削优化方法，所述车削优化方法包括：
根据切削的瞬态过程和稳态过程，建构瞬-稳态综合能耗模型和切削效率模型；
选取待优化的切削变量，根据所述瞬-稳态综合能耗模型和所述切削效率模型，建构切削优化模型；
设定约束条件，在所述约束条件下解出所述切削优化模型的所述切削变量；
根据优化后的所述切削变量，控制车床进行优化切削。
本发明实施例的另一目的在于一种车削优化系统，所述车削优化系统包括建模模块、优化模块和车削模块；
所述建模模块从所述车削模块获取瞬态过程和稳态过程的参数，建构瞬-稳态综合能耗模型和切削效率模型；选取待优化的切削变量，根据所述瞬-稳态综合能耗模型和所述切削效率模型，建构切削优化模型；
所述优化模块设定约束条件，在所述约束条件下解出所述切削优化模型的所述切削变量，将所述切削变量发送给所述车削模块；
所述车削模块控制车床进行优化切削。
本发明实施例的另一目的在于一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的车削优化方法的步骤。
本发明实施例的另一目的在于一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述的车削优化方法的步骤。
本发明实施例提供的一种车削优化方法，在构建数控车削装备能耗模型时不仅考虑了加工过程中的稳态能耗还综合考虑了瞬态过程能耗，与实际情况更加吻合，能耗预测精度更高。在构建加工过程效率模型时，考虑的是整个加工过程的效率，而不是单指数控车削装备的切削过程，能够更好的体现数控车削装备的加工效率。这些都毋庸置疑的提高了模型的精度，从而使优化结果更具有参考价值，对数控装备节能减排具有较好的指导意义。
附图说明
图1为数控车削装备加工某轴类零件的功率曲线图；
图2为数控车削装备能耗模型构成图；
图3为本发明实施例的瞬-稳态综合能耗模型的结构图；
图4为切削效率η与材料去除率MRR的对比图；
图5为本发明实施例中，加工的轴零件示意图；
图6为本发明实施例中，精车外圆切削功率曲线图；
图7为NSGA-II算法染色体编码方式；
图8为NSGA-II算法流程图；
图9为NSGA-II算法拥挤度距离示意图；
图10为本发明实施例中，面向高效节能的目标函数帕累托曲线；
图11为本发明实施例中，面向高效节能的目标优化效果图；
图12为一个实施例中，车削优化系统或装置的结构图；
图13为本发明实施例，解出最优加工参数的流程图；
图14为一个实施例中，车削优化方法的流程图；
图15为一个实施例中计算机设备的内部结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本发明中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
可以理解，本申请所使用的术语“模型”指代数学模型。
车床加工主要用车刀对旋转的工件进行车削加工。车床主要用于加工轴、盘、套和其他具有回转表面的回转体或非回转体工件，是机械制造和修配工厂中使用最广的一类机床加工。
本实施例运用于车削加工过程。如图1所示，以某轴类零件的车削加工工艺为例，分析数控车削装备加工的基本原理和能耗特性。该零件的加工过程，主要有：
a、机床开始启动，执行待机状态；
b、数控车床的主轴由静止加速至500r/min；
c、刀具快速进给定位至刀具所要求的安全切削位置；
d、刀具以切削的进给速度缓慢靠近工件，准备加工；
e、车端面；
f、车端面过程结束后，刀具快速定位并进给至下一个切削动作；
g、车床进行粗车外圆；
h、粗车外圆结束，将主轴转速从500r/min提升至1000r/min，并快速定位；
i、进给，准备精车外圆；
j、以前者的进给速度进行精车外圆；
k、结束精车外圆并快速定位，进给到车倒角位置；
l、进行车倒角切削；
m、快速定位，主轴并减速至500r/min；
n、自动换刀；
o、快速定位；
p、切槽；
q、快速定位至原点；
r、关闭主轴旋转，结束加工过程。
从图1中可看出，机床开启后，维持机床待机运行的基本模块的功率为稳定值，直到机床主轴加速，主要包含数控机床的数控系统、风扇等装置的运行，维持机床的基本运动。主轴启动，并加速至相应的加工参数要求，该过程的持续时间较短，但从功率图中可以看出其峰值大，该过程称为主轴加速过程。主轴加速后，以恒定的转速进行之后的加工活动，该功率为主轴旋转功率，为稳定值。接着刀具快速进给定位至安全切削位置，该过程持续时间较短。定位至安全位置后刀具以恒定的进给速度靠近工件，准备切削。在车端面过程中，在该过程中，由于切削深度以及切削速度是渐变的，所以该过程的功率曲线是平稳变化的，没有出现瞬时的峰值现象。车端面结束后，刀具快速进给定位至原点，该过程也是持续时间段，但产生了明显的功率峰值。
如图2所示，根据上述的轴类零件加工过程，对数控车床加工过程能耗，按照状态的变化，主要分为两种：
A、稳态过程：指数控机床在对工件进行加工时，加工状态持续进行、加工功率保持规律性的稳定变化的加工过程。例如在上述轴类零件车端面加工过程中，车端面、进给、执行待机是具备稳定或平稳变化的加工过程。
B、瞬态过程：指两个相邻的稳定数控机床加工工艺活动之间的变化过程。同样的，在上述加工过程中，主轴加速、刀具快速定位是持续时间较短、产生功率峰值的加工过程。
本实施例综合考虑车削加工的稳态过程和瞬态过程，建立瞬-稳态综合能耗模型和切削效率模型。一方面，车削的瞬态过程容易被忽视，然而车削的瞬态过程更容易产生高功率现象，不利于实际的实际生产需要；因此本实施例将瞬态过程纳入模型计算建立的范围中。另一方面，车削加工的整个实际过程应当包括空切过程和数控车削装备的切削过程；本实施例优化整个实际加工过程，提高了切削效率。
如图2、图13和图14所示，在一个实施例中，提出了一种车削优化方法，所述车削优化方法包括：
步骤S202，根据切削的瞬态过程和稳态过程，建构瞬-稳态综合能耗模型和切削效率模型。
在数控机床加工过程中，瞬态过程一般会由于电机的瞬间启动、加工部件动量的瞬间增大，导致功率产生峰值。该过程虽然时间较为短瞬，但是功率的峰值较高，产生的能耗不容忽视，并且在数控机床加工过程中，瞬态过程频繁出现，且功率峰值大。在现有的对数控机床能耗研究当中，对于数控机床加工过程中稳态过程能耗的建模、优化较为深入，但专门对瞬态过程进行研究的相对较少，没有重视该过程引起的功耗变化。因此在数控机床能耗优化研究时，考虑瞬态过程能耗是十分重要的。
因此，本实施例综合考虑瞬态过程和稳态过程，建构瞬-稳态综合能耗模型和切削效率模型。这种建模的方法重点关注瞬态过程的能量损耗，相较于已有的技术而言更加精确。
步骤S204，选取待优化的切削变量，根据所述瞬-稳态综合能耗模型和所述切削效率模型，建构切削优化模型。
在一个实施例中，如图2和图3所示，瞬-稳态综合能耗模型包括稳态能耗模型和瞬态耗能模型。其中，稳态能耗模型又包括辅助能耗子模型、空切能耗子模型和材料切削能耗子模型。
a、稳态过程辅助能耗模型：
在数控车床的运行中，照明装置、喷冷却液装置、排屑装置等产生的功率，一般会被称为辅助功率。该部分功率为机床在加工过程中主要是起到辅助作用，并且是选择性开启的，不会伴随着机床开启而一直运行。除却这些选择性开启的装置产生的功率，机床在开启后，维持机床正常运行，但实际机床不进行切削(包含空切)的状态，称为待机运行。建立稳态过程辅助功率模型，如表1所示：
表1稳态过程辅助功率模型
根据表1，针对给出的稳态过程辅助状态功率模型，建立对应的稳态过程辅助状态能耗模型，如表2所示：
表2稳态过程辅助能耗模型
b、稳态过程空切状态能耗模型：
在机床零件加工过程中，主轴开始旋转后，刀具从初始位置至刀具触碰到工件开始进行切削时，该段过程为空切阶段。该阶段主要包含主轴旋转、进给、快速进给、主轴旋转加减速以及自动换刀的过程。其中快速进给、主轴旋转加减速以及自动换刀作为瞬态过程。建立稳态过程空切状态功率模型，如表3所示：
表3稳态过程空切状态功率模型
根据表3，针对给出的稳态过程空切状态功率模型，建立对应的稳态过程空切状态能耗模型，如表4所示：
表4稳态过程空切状态能耗模型
c、稳态过程材料切削状态能耗模型：
在数控车床加工过程中，当刀具触碰到工件时，材料切削活动开始。其中材料切削功率中，也因具体的加工活动不同，分为恒材料切削功率与变材料切削功率。其中，在数控车床中恒材料切削功率主要是车外圆过程；在数控车床中，变材料切削功率主要是车端面过程。建立稳态过程材料切削状态功率模型，如表5所示：
表5稳态过程材料切削状态功率模型
对于变材料切削功率，同时满足：
其中，κr为主偏角；d0为工件直径，单位mm。
根据表5，针对给出的稳态过程材料切削状态功率模型，建立对应的稳态过程材料切削状态能耗模型，如表6所示：
表6稳态过程材料切削状态能耗模型
A、瞬-稳态综合能耗模型：包括稳态耗能模型和瞬态能耗模型
a、稳态耗能模型：
Esteady＝ESO+EL+ECFS+ECC+ESRs+EF+EMCt+EMCf
其中，Esteady为稳态过程的能耗；Eso为机床待机能耗；EL为机床照明能耗；ECFS为喷冷却液能耗；ECC为自动排屑能耗；ESRs为主轴旋转能耗；EF为进给能耗；EMCt为恒材料切削能耗；EMCf为变材料切削能耗。
b、瞬态能耗模型：
对于瞬态过程建模的过程中，主轴加速、快速定位、冷却开关和换刀所产生的能量需求占瞬态过程所产生能量需求的80％以上，故本实施例在能耗建模当中选取关键的瞬态过程能耗作为研究对象，建立瞬态过程能耗模型，如表7所示：
表7瞬态过程能耗模型
在本实施例中，稳态耗能模型综合考虑了加工过程中机床的主要运行功率。其中，待机运行功率、机床照明装置功率、喷冷却液装置功率和自动排屑装置功率都是可选择启用的，但出于模型评估的精确性考虑，本申请将稳态过程辅助功率考虑进模型中。
因此，基于上述讨论，建立的第一个优化目标(节能)即数控车削装备加工过程瞬-稳态综合能耗模型为：
其中，Ea为瞬-稳态综合能耗；Essteady为稳态过程的能耗；Etransient为瞬态过程的能耗。
B、数控车削装备加工过程效率模型：
在一个实施例中建立的加工过程效率模型，其定义为：加工过程中单位时间内材料去除体积，相较于传统的MRR(Material Removal Rate，材料去除率)，本实施例中建立的加工过程效率模型考虑的是整个加工过程的效率，而不是单指数控车削装备的切削过程，二者的所考虑的材料去除体积是相同的，而不相同之处在于时间的考虑。
如图4，该加工过程效率模型可以表示为：
其中，η为切削效率；V为加工过程中需去除的工件材料体积；T为为整个加工过程的时间。
为加工过程中需去除的总体积，当加工的零件、工艺确定时，需去除的总体积为确定值，其公式可以表达为：
其中，V为加工过程中需去除的工件材料体积；d为工件直径；a_p为切削深度；l为切削长度。
T为加工过程时间，为整个加工过程的时间，不单指机床材料去除时间，受机床加工参数影响，其公式可以表达为：
T＝tSR+tF+tCF+tTC+tSO+tL+tCFS+tCC+tMC
其中，tSO为执行待机时间；tSR为主轴加速过程时间，满足tSR＝tSR1+tSR2；
n1、n2为分段函数的分界转速；tSR2为通过实验测量结合统计方法获得的时间；tFA为快速进给中的对应时间；tF为进给过程时间，
lF为进给长度，vf为进给速度；tMC为切削过程时间，
lMC为切削长度。
所以，加工过程时间又可以表示为：
在本实施例中所建立的第二个优化目标(高效)，即数控车削装备加工过程效率函数模型：
在本实施例中，以主轴转速n、进给量f和切削深度ap三个切削要素为优化变量，建立多目标优化模型。本实施例以数控车削装备加工过程中高效节能为优化目标，建立了数控车削装备瞬-稳态综合能耗函数模型以及加工过程效率函数模型。
本实施例建立了两个优化目标。瞬-稳态综合能耗模型通过考虑机床各个部分的运转功率，计算出整个加工过程的能量损耗，在通过给出三个切削要素主轴转速n、进给量f和切削深度ap的优化变量，解决能耗问题，提高节能的效果。而切削效率模型解决切削效率的问题，通过综合考虑整个切削过程的加工时间，避免执行待机、加速进给或主轴加速等某一项工序占用过多时间，进而提高车床切削的效率。
步骤S206，设定约束条件，在所述约束条件下解出所述切削优化模型的所述切削变量。
在一个实施例中，设定五个约束条件：
①、设定主轴约束条件：nmin≤n≤nmax；
其中，n为数控车床主轴转速；nmin为数控车床所允许的最小转速；nmax为数控车床所允许的主轴最大转速。
②、设定进给速度约束条件：vf min≤vf≤vf max；
其中，vf为进给速度；vf min为车床所允许的最小进给速度；vf max为车床所允许的最大进给速度。
③、设定切削深度约束约束：ap≤ap max；
其中，ap为切削深度；ap max为允许的最大切削深度。
④、设定刀具耐用度约束条件：
其中，T为刀具耐用度；CT为刀具耐用度系数；a、b、c分别表示加工工艺参数vc、f、ap对刀具耐用度的影响程度；TB为刀具合理耐用度。
⑤、设定最大功率约束条件：Pspindle≤Prated；
其中，Pspindle为数控车床主轴最大功率；Prated为数控车床主轴电机额定功率。
在上述五个约束条件下，解出多目标优化模型的帕累托最优解集，得到三个具体的切削参数：主轴转速n、进给量f和切削深度ap；将三个解出来的具体参数带入多目标优化模型中得到最优解。
缺乏理论支持和对车削装备加工性能的充分了解会影响数控车削装备整体性能的充分发挥。因此，在本实施例中，合理的设置数学模型以及适当选择加工工艺参数既可以减少加工时间提高加工效率，同时还能够降低加工能耗减少环境污染。
步骤S208，根据优化后的所述切削变量，控制车床进行优化切削。
在一个实施例中，将优化后的参数带入车削模块中，实现高效、节能的数控车削。
在一个实施例中，建构所述瞬-稳态综合能耗模型的方法包括：
步骤S302，获取机床辅助装置的运行功率，建构辅助能耗子模型。
步骤S304，获取空切状态下的主轴旋转功率和进给功率，建构空切能耗子模型。
步骤S306，获取稳态切削过程中的恒材料切削功率和变材料切削功率，建构材料切削能耗子模型。
步骤S308，根据所述辅助能耗子模型、所述空切能耗子模型和所述材料切削能耗子模型建构稳态能耗模型。
步骤S310，根据瞬态切削状态下的主轴加速参数、快速定位参数、冷却开关参数和换刀参数，建构瞬态能耗模型。
步骤S312，综合所述稳态能耗模型和所述瞬态能耗模型，建构所述瞬-稳态综合能耗模型，所述瞬-稳态综合能耗模型为：
Ea＝Esteady+Etransient
其中，Ea为瞬-稳态综合能耗；Esteady为稳态过程的能耗；Etransient为瞬态过程的能耗。
本实施例采用了VNMG160408MV刀具在数控车床CK6153i上，对材料为45#钢的工件进行精车外圆切削，图5为加工的轴零件示意图。在加工过程中，功率和能量数据由本课题组建立的功率-能量收集系统同时进行测量，图6为精车外圆切削功率曲线图。
其刀具及车床的设备主要参数如下表9及表10所示。同时给出了在经验下，加工过程的主要参数，如表11所示。
表8 VNMG160408MV刀具几何参数
表9 CK6153i数控车床技术规格参数
表10精车外圆经验工艺参数
根据图5加工轴零件的相关尺寸，在实施例中，精车外圆可以分为7个步骤：
a、待机执行；
b、主轴由静止加速至1000r/min；
c、快速定位；
d、进给；
e、精车外圆；
f、快速定位至原点；
g、待机执行。
该加工过程能耗主要包含了：主轴加速阶段、快速进给定位阶段两个瞬态过程能耗以及车床待机运行阶段、进给阶段、精车外圆切削阶段三个稳态过程能耗。根据前文中对能耗模型的构建，结合精车外圆加工过程，拟合出各能耗函数模型的系数，得到本案例中加工过程总能耗的数学函数：
并且可以得到，在传统的经验加工工艺参数下，即主轴转速n＝1000r/min，进给量f＝0.1mm/min，切削深度ap＝0.5mm，此时的加工过程总能耗为：
Ea(1000,0.1,0.5)＝40845J
同时，可以得到在本实施例中瞬态过程能耗所占总能耗的比例为16.84％。由此可知，瞬态过程能耗占比较高，与传统的经验加工相比，或与不考虑瞬态过程的车削加工相比，本申请将瞬态过程的变化参数纳入优化模型中，更符合绿色低碳的研究目的。
在一个实施例中，建构所述切削效率模型的方法包括：
步骤S402，建构加工过程中需去除的总体积的表达式
其中，V为加工过程中需去除的工件材料体积；d为工件直径；ap为切削深度；l为切削长度；
步骤S404，建构整个加工过程的加工时间
T＝tSR+tF+tCF+tTC+tSO+tL+tCFS+tCC+tMC
其中，tSO为执行待机时间；tSR为主轴加速过程时间，满足tSR＝tSR1+tSR2；
n1、n2为分段函数的分界转速；tSR2为通过实验测量结合统计方法获得的时间；tFA为快速进给中的对应时间；tF为进给过程时间，
lF为进给长度，vf为进给速度；tMC为切削过程时间，
lMC为切削长度；
步骤S406，建构所述切削效率模型
其中，η为切削效率。
在本实施例中，根据图5给出的轴参数：轴零件的直径为d＝48mm；经粗车外圆后，零件直径为d＝46mm；切削深度ap＝0.5mm；切削长度l＝23mm；
需要去除的材料体积为：
其中，V为加工过程中需去除的工件材料体积，mm3；d为工件直径，mm；ap为切削深度，mm；l为切削长度，mm。
该案例中的加工时间为：
综上所述，该加工案例中的加工过程效率模型的函数表达为：
并且可以得到，在传统的经验加工工艺参数下，即主轴转速n＝1000r/min，进给量f＝0.1mm/min，切削深度ap＝0.5mm，此时的加工过程效率为：
η(1000,0.1,0.5)＝52.14mm3/s
在一个实施例中，建构所述切削优化模型的方法包括：
步骤S502，获取所述瞬-稳态综合能耗模型
Ea＝Esteady+Etransient
其中，Ea为瞬-稳态综合能耗；Esteady为稳态过程的能耗；Etransient为瞬态过程的能耗。
步骤S504，获取所述切削效率模型
其中，η为切削效率；V为加工过程中需去除的工件材料体积；T为为整个加工过程的时间；
步骤S506，选取主轴转速n、进给量f和切削深度ap三个待优化的切削变量，建立所述切削优化模型的最优函数
其中，所述瞬-稳态综合能耗模型为Ea＝Ea(n,f,ap)；所述切削效率模型为η＝η(n,f,ap)。
在一个实施例中，建立了两个优化目标，瞬-稳态综合能耗模型解决能耗问题，提高节能的效果，而切削效率模型解决切削效率的问题，提高使得车床切削更加高效。
在一个实施例中，设定所述约束条件，在所述约束条件下解出所述切削优化模型的所述切削变量的方法，即步骤S206的方法包括步骤S602～S612：
步骤S602，设定主轴约束条件nmin≤n≤nmax；
其中，n为数控车床主轴转速；nmin为数控车床所允许的最小转速；nmax为数控车床所允许的主轴最大转速。
步骤S604，设定进给速度约束条件vf min≤vf≤vf max；
其中，vf为进给速度；vf min为车床所允许的最小进给速度；vf max为车床所允许的最大进给速度。
步骤S606，设定切削深度约束约束ap≤ap max；
其中，ap为切削深度；ap max为允许的最大切削深度。
步骤S608，设定刀具耐用度约束条件
其中，T为刀具耐用度；CT为刀具耐用度系数；a、b、c分别表示加工工艺参数vc、f、ap对刀具耐用度的影响程度；TB为刀具合理耐用度。
步骤S610，设定最大功率约束条件Pspindle≤Prated；
其中，Pspindle为数控车床主轴最大功率；Prated为数控车床主轴电机额定功率。
步骤S612，利用NSGA-II算法解出所述切削优化模型。
在一个实施例中，根据具体刀具和数控机床设置约束条件。根据表8VNMG160408MV刀具几何参数以及表9CK6153i数控车床技术规格参数，结合本实施例，可以得到本文中约束条件的具体范围如表11约束条件范围所示：
表11切削参数约束条件范围
基于瞬-稳态综合能耗的数控车床加工工艺参数多目标优化：
其多目标优化模型可以表示为：
s.t.
对于一般的非配合表面的加工工件，往往对于表面粗糙度的要求不高。所以本实施例主要是针对表面粗糙度要求不高的零件的加工特性，重点以加工过程中效率最高(高效)以及加工过程能耗最低(节能)为优化目标。
在一个实施例中，利用NSGA-II算法解出所述切削优化模型的方法的步骤S612包括步骤S702～S714
步骤S702，对所述切削变量进行染色体编码排序，在所述约束条件的范围内生成所述切削变量的初始种群。
步骤S704，修复所述初始种群不满足条件的个体，得到第一种群。
步骤S706，根据预设的权重系数，利用所述第一种群中每个个体计算目标函数的函数值；所述目标函数为所述切削优化模型中的优化函数。
步骤S708，根据非支配排序算法和拥挤距离算法，筛选所述第一种群，得到第二种群。
步骤S710，判断所述第二种群是否满足终止条件。
步骤S712，若不满足终止条件，继续根据所述权重系数，利用所述第二种群中每个个体计算所述目标函数的函数值，根据非支配排序算法和拥挤距离算法，筛选所述第二种群，直到符合终止条件。
步骤S714，若满足所述终止条件，结束迭代，得到所述切削变量的最优解。
在一个实施例中，采用带精英策略的非支配排序遗传算法对模型进行求解。
算法应用：
①、染色体编码
在进行优化求解时，首先要将模型的数学表达式按照编程方式进行编码。在前文中确定了本文所研究的优化变量分别为：主轴转速n、进给量f和切削深度ap。
所以，本文采用实数编码，如图7所示。以随机生成的方式，生成长度为3*n的染色体。其中，第一部分为主轴转速n，第二部分为进给量f，第三部分为切削深度ap。根据具体的约束条件，给出每个变量的取值范围。
②、初始种群
从图8可以看出，初始填充是算法的起点，良好的初始填充可以提高算法的效率。在该算法中，初始种群是随机产生的，但是范围可以受到约束条件的限制，从而获得更好的初始种群。
种群的规模M取值范围一般在20～500之间，本文主要涉及的变量参数为3个实数值，染色体长度一般，因为本文中种群规模取值为300。
③、适应度计算
在NSGA-II算法中，个体适应度是通过非支配水平和拥挤距离来计算的。首先，计算种群中每个个体的双重目标函数值，然后通过非支配分类方法将种群中的所有个体划分为不同的非支配等级。将当前总体中所有非支配的最优解视为第一个非支配的最优解级别，并将每个个体的非支配性级别指定为级别1。类似地，对总体中的其余个体进行分类和分配值，直到所有个人分为不同的层次。应当指出，等级值越小，个体越好。
拥挤距离是指同一级别个人之间的个体。如图9所示，它是指目标空间中的一个个体与每个目标函数中处于同一水平的两个相邻个体之间的相对距离之和。
在同一级别上，有几个人。为了确保边缘人具有选择优势，将拥挤距离设置为最大。对于中间的个体，拥挤距离的公式如下：
其中，Lr(s)表示为第s个个体在r的目标函数上的拥挤度。
④、遗传操作
遗传操作是为了根据父代种群获取子代种群以便寻求最优解的过程。该过程一般包含：选择算法、交叉算子、变异算子以及算法终止条件。
算法参数设置：
算法的实现，本文主要是借助于Python3.8平台，采用Geatpy库中的NSGA-II算法。Geatpy是一个高性能且实用的进化算法工具箱，它在已实现的进化算法中提供了重要操作的许多库功能，并提供了高度模块化和低耦合的面向对象的进化算法框架。它采用“定义问题类+调用算法模板”的模式进行进化优化，可用于解决单目标优化，多目标优化和复杂优化的约束优化，组合优化，混合编码进化优化等。
针对本文所构建的优化目标模型、多种优化组合方式，参考以往的文献研究以及案例，初步设置相关的运行参数，且通过多次运行，得到设置NSGA-II算法中的相关参数，如表12所示。
表12 NSGA-II算法中的参数设置
⑤、优化结果及分析
在进行双目标优化时，使用NSGA-II算法进行对模型求解，得到帕累托曲线如图10所示，从图中可以看出，在面向高效节能的加工参数优化时，其优化目标函数值是符合帕累托曲线的。并在表13中展示了优化结果中的部分值。根据多目标优化权重，确定在该阶段中的比重为0.81:0.19，从而得到最优的加工参数值以及相应的目标优化值，如表14所示。并在图11中展示出了加工过程能耗、加工过程效率两个优化目标值与经验加工工艺参数下的优化提升。
表13面向高效节能的加工参数优化值
表14面向高效节能的加工参数最优值
在面向高效节能的数控车削装备加工工艺参数优化中，相较于经验加工参数，优化目标有着明显的提升。从表13中，可以看出进给量较高，基本都在所允许的最大值，即进给量f＝2.0mm/r，而主轴转速较低，基本维持在n＝250～560r/min。通过表14，可以看出当主轴转速n＝370r/min、进给量f＝2.0mm/r、切削深度ap＝0.5mm时，取得面向高效节能的优化最优值。其中，加工过程能耗从经验值下的40845J降低至10900.0J，减少了29945J，优化提升幅度达73.31％；加工过程效率，从经验值下的54.14mm3/s提升至112.0mm3/s，提高了57.86mm3/s，优化提升幅度达114.82％。可以看出在面向高效节能的优化研究当中，对加工过程能耗、加工过程效率优化提升明显。
在一个实施例中，预设所述目标权重的方法包括：
步骤S802，对所述目标函数进行标准化，消除不同数量级下的影响，标准化公式为：
其中，在目标函数取最大为最优时使用公式Zij-max；在目标函数取最小为最优时使用公式Zij-min；n为实验数据组数；m为为优化目标个数。
步骤S804，对标准化目标进行灰色关联系数计算，计算公式为：
其中，Zo(k)为参考序列；Zij(k)为比较序列；Δoj(k)为Zo(k)与Zij(k)的参考序列；β为分辨系数，取值范围为0<β<1。
步骤S806，计算多个目标的所述目标权重，计算公式为：
Rij＝max{Kij,1,Kij,2,...,Kij,k}-min{Kij,1,Kij,2,...,Kij,k}
其中，m是优化目标个数；R是灰色关联系数范围；K是每个加工工艺参数在每个水平的平均灰色联系数；ω为个目标的权重。
在一个实施例中，通过NSGA-II算法对相应的多目标模型进行求解时，得到的是一组解集，无法给出相应的最优解，目标权重设置的不同将会带来不同的解，权重的设置显得尤为重要。本文主要是通过优化目标与优化变量之间的相关关系，确定相应的目标权重。本文采用灰色关联度的分析方法，计算出每个目标的灰色关联系数，得到目标权重，从而对目标进行优化，得到相应的加工参数。结合实际情况的数据和优化中的值，进行了灰色关联分析，其优点在于：对数据要求较低，工作量较少，可以在很大程度上减少由于信息不对称带来的损失。
如图12所示，在一个实施例中，提供了一种车削优化系统，所述车削优化系统包括建模模块、优化模块和车削模块；
所述建模模块从所述车削模块获取瞬态过程和稳态过程的参数，建构瞬-稳态综合能耗模型和切削效率模型；选取待优化的切削变量，根据所述瞬-稳态综合能耗模型和所述切削效率模型，建构切削优化模型；
所述优化模块设定约束条件，在所述约束条件下解出所述切削优化模型的所述切削变量，将所述切削变量发送给所述车削模块；
所述车削模块控制车床进行优化切削。
图15示出了一个实施例中计算机设备的内部结构图。如图15所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现一种车削优化方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行一种车削优化方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图15中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的一种车削优化装置可以实现为一种计算机程序的形式，计算机程序可在如图15所示的计算机设备上运行。计算机设备的存储器中可存储组成该车削优化装置的各个程序模块，比如，图12的建模模块、优化模块和车削模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的车削优化方法中的步骤。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据切削的瞬态过程和稳态过程，建构瞬-稳态综合能耗模型和切削效率模型；
选取待优化的切削变量，根据所述瞬-稳态综合能耗模型和所述切削效率模型，建构切削优化模型；
设定约束条件，在所述约束条件下解出所述切削优化模型的所述切削变量；
根据优化后的所述切削变量，控制车床进行优化切削。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
根据切削的瞬态过程和稳态过程，建构瞬-稳态综合能耗模型和切削效率模型；
选取待优化的切削变量，根据所述瞬-稳态综合能耗模型和所述切削效率模型，建构切削优化模型；
设定约束条件，在所述约束条件下解出所述切削优化模型的所述切削变量；
根据优化后的所述切削变量，控制车床进行优化切削。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本发明中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种车削优化方法，其特征在于，所述车削优化方法包括：
根据切削的瞬态过程和稳态过程，建构瞬-稳态综合能耗模型和切削效率模型；
选取待优化的切削变量，根据所述瞬-稳态综合能耗模型和所述切削效率模型，建构切削优化模型；
设定约束条件，在所述约束条件下解出所述切削优化模型的所述切削变量；
根据优化后的所述切削变量，控制车床进行优化切削。
2.根据权利要求1所述的车削优化方法，其特征在于，建构所述瞬-稳态综合能耗模型的方法包括：
获取机床辅助装置的运行功率，建构辅助能耗子模型；
获取空切状态下的主轴旋转功率和进给功率，建构空切能耗子模型；
获取稳态切削过程中的恒材料切削功率和变材料切削功率，建构材料切削能耗子模型；
根据所述辅助能耗子模型、所述空切能耗子模型和所述材料切削能耗子模型建构稳态能耗模型；
根据瞬态切削状态下的主轴加速参数、快速定位参数、冷却开关参数和换刀参数，建构瞬态能耗模型；
综合所述稳态能耗模型和所述瞬态能耗模型，建构所述瞬-稳态综合能耗模型，所述瞬-稳态综合能耗模型为：
Ea＝Esteady+Etransient
其中，Ea为瞬-稳态综合能耗；Esteady为稳态过程的能耗；Etransient为瞬态过程的能耗。
3.根据权利要求1所述的车削优化方法，其特征在于，建构所述切削效率模型的方法包括：
建构加工过程中需去除的总体积的表达式
其中，V为加工过程中需去除的工件材料体积；d为工件直径；ap为切削深度；l为切削长度；
建构整个加工过程的加工时间
T＝tSR+tF+tCF+tTC+tSO+tL+tCFS+tCC+tMC
其中，tSO为执行待机时间；tSR为主轴加速过程时间，满足tSR＝tSR1+tSR2；
n1、n2为分段函数的分界转速；tSR2为通过实验测量结合统计方法获得的时间；tFA为快速进给中的对应时间；tF为进给过程时间，
lF为进给长度，vf为进给速度；tMC为切削过程时间，
lMC为切削长度；
建构所述切削效率模型
其中，η为切削效率。
4.根据权利要求1所述的车削优化方法，其特征在于，建构所述切削优化模型的方法包括：
获取所述瞬-稳态综合能耗模型
Ea＝Esteady+Etransient
其中，Ea为瞬-稳态综合能耗；Esteadv为稳态过程的能耗；Etransient为瞬态过程的能耗；
获取所述切削效率模型
其中，η为切削效率；V为加工过程中需去除的工件材料体积；T为为整个加工过程的时间；
选取主轴转速n、进给量f和切削深度ap三个待优化的切削变量，建立所述切削优化模型的最优函数
其中，所述瞬-稳态综合能耗模型为Ea＝Ea(n，f，ap)；所述切削效率模型为η＝η(n，f，ap)。
5.根据权利要求1所述的车削优化方法，其特征在于，设定所述约束条件，在所述约束条件下解出所述切削优化模型的所述切削变量的方法包括：
设定主轴约束条件nmin≤n≤nmax；
其中，n为数控车床主轴转速；nmin为数控车床所允许的最小转速；nmax为数控车床所允许的主轴最大转速；
设定进给速度约束条件vf min≤vf≤vf max；
其中，vf为进给速度；vf min为车床所允许的最小进给速度；vf max为车床所允许的最大进给速度；
设定切削深度约束约束ap≤ap max；
其中，ap为切削深度；ap max为允许的最大切削深度；
设定刀具耐用度约束条件
其中，T为刀具耐用度；CT为刀具耐用度系数；a、b、c分别表示加工工艺参数vc、f、ap对刀具耐用度的影响程度；TB为刀具合理耐用度；
设定最大功率约束条件Pspindle≤Prated；
其中，Pspindle为数控车床主轴最大功率；Prated为数控车床主轴电机额定功率；
利用NSGA-II算法解出所述切削优化模型。
6.根据权利要求5所述的车削优化方法，其特征在于，利用NSGA-II算法解出所述切削优化模型的方法包括：
对所述切削变量进行染色体编码排序，在所述约束条件的范围内生成所述切削变量的初始种群；
修复所述初始种群不满足条件的个体，得到第一种群；
根据预设的权重系数，利用所述第一种群中每个个体计算目标函数的函数值；所述目标函数为所述切削优化模型中的优化函数；
根据非支配排序算法和拥挤距离算法，筛选所述第一种群，得到第二种群；
判断所述第二种群是否满足终止条件；
若不满足终止条件，继续根据所述权重系数，利用所述第二种群中每个个体计算所述目标函数的函数值，根据非支配排序算法和拥挤距离算法，筛选所述第二种群，直到符合终止条件；
若满足所述终止条件，结束迭代，得到所述切削变量的最优解。
7.根据权利要求6所述的车削优化方法，其特征在于，预设所述目标权重的方法包括：
对所述目标函数进行标准化，消除不同数量级下的影响，标准化公式为：
其中，在目标函数取最大为最优时使用公式Zij-max；在目标函数取最小为最优时使用公式Zij-min；n为实验数据组数；m为为优化目标个数；
对标准化目标进行灰色关联系数计算，计算公式为：
其中，Zo(k)为参考序列；Zij(k)为比较序列；Δoj(k)为Zo(k)与Zij(k)的参考序列；β为分辨系数，取值范围为0＜β＜1；
计算多个目标的所述目标权重，计算公式为：
Rij＝max{Kij，1，Kij，2，...，Kij，k}-min{Kij，1，Kij，2，...，Kij，k}
其中，m是优化目标个数；R是灰色关联系数范围；K是每个加工工艺参数在每个水平的平均灰色联系数；ω为个目标的权重。
8.一种车削优化系统，其特征在于，所述车削优化系统包括建模模块、优化模块和车削模块；
所述建模模块从所述车削模块获取瞬态过程和稳态过程的参数，建构瞬-稳态综合能耗模型和切削效率模型；选取待优化的切削变量，根据所述瞬-稳态综合能耗模型和所述切削效率模型，建构切削优化模型；
所述优化模块设定约束条件，在所述约束条件下解出所述切削优化模型的所述切削变量，将所述切削变量发送给所述车削模块；
所述车削模块控制车床进行优化切削。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述的车削优化方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述的车削优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111303200.0A CN114415595B (zh) | 2021-11-05 | 2021-11-05 | 一种车削优化方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111303200.0A CN114415595B (zh) | 2021-11-05 | 2021-11-05 | 一种车削优化方法、系统、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114415595A true CN114415595A (zh) | 2022-04-29 |
| CN114415595B CN114415595B (zh) | 2024-05-10 |
Family
ID=81265371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111303200.0A Active CN114415595B (zh) | 2021-11-05 | 2021-11-05 | 一种车削优化方法、系统、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114415595B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081763A (zh) * | 2022-08-24 | 2022-09-20 | 山东鲁晟精工机械有限公司 | 一种数控车床车削过程能耗预测系统 |
| CN117389161A (zh) * | 2023-12-12 | 2024-01-12 | 山东科技大学 | 考虑多加工阶段的平面立铣参数优化及加工性能预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016131228A1 (zh) * | 2015-02-17 | 2016-08-25 | 重庆大学 | 机床多源能耗系统多信息在线检测系统 |
| CN107976956A (zh) * | 2017-11-22 | 2018-05-01 | 沈阳机床股份有限公司 | 数控机床的多目标切削数据生成算法及切割参数优化方法 |
| CN108320049A (zh) * | 2018-01-11 | 2018-07-24 | 山东科技大学 | 数控车床多工位回转刀架自动换刀能耗准确预测方法 |
| CN108319223A (zh) * | 2018-02-06 | 2018-07-24 | 合肥工业大学 | 一种面向绿色制造的螺纹车削工艺参数优化方法 |
| CN109299567A (zh) * | 2018-10-22 | 2019-02-01 | 重庆大学 | 一种面向节能的数控车床主传动系统设计优化方法 |
| CN109933002A (zh) * | 2019-03-28 | 2019-06-25 | 河海大学常州校区 | 一种面向节能的机械加工过程数控机床能耗建模方法 |
| CN110579971A (zh) * | 2019-10-25 | 2019-12-17 | 福州大学 | 一种面向绿色制造的多目标切削参数优化方法 |
| CN111158313A (zh) * | 2020-01-14 | 2020-05-15 | 上海交通大学 | 数控机床能耗建模与加工过程优化的方法 |
| CN112230601A (zh) * | 2020-10-21 | 2021-01-15 | 山东科技大学 | 数控机床主轴停转节能临界时间确定及节能方法 |
-
2021
- 2021-11-05 CN CN202111303200.0A patent/CN114415595B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016131228A1 (zh) * | 2015-02-17 | 2016-08-25 | 重庆大学 | 机床多源能耗系统多信息在线检测系统 |
| CN107976956A (zh) * | 2017-11-22 | 2018-05-01 | 沈阳机床股份有限公司 | 数控机床的多目标切削数据生成算法及切割参数优化方法 |
| CN108320049A (zh) * | 2018-01-11 | 2018-07-24 | 山东科技大学 | 数控车床多工位回转刀架自动换刀能耗准确预测方法 |
| CN108319223A (zh) * | 2018-02-06 | 2018-07-24 | 合肥工业大学 | 一种面向绿色制造的螺纹车削工艺参数优化方法 |
| CN109299567A (zh) * | 2018-10-22 | 2019-02-01 | 重庆大学 | 一种面向节能的数控车床主传动系统设计优化方法 |
| CN109933002A (zh) * | 2019-03-28 | 2019-06-25 | 河海大学常州校区 | 一种面向节能的机械加工过程数控机床能耗建模方法 |
| CN110579971A (zh) * | 2019-10-25 | 2019-12-17 | 福州大学 | 一种面向绿色制造的多目标切削参数优化方法 |
| CN111158313A (zh) * | 2020-01-14 | 2020-05-15 | 上海交通大学 | 数控机床能耗建模与加工过程优化的方法 |
| CN112230601A (zh) * | 2020-10-21 | 2021-01-15 | 山东科技大学 | 数控机床主轴停转节能临界时间确定及节能方法 |
Non-Patent Citations (4)
| Title |
|---|
| SHUN JIA 等: "Accurate Prediction Method for Energy Consumption in Automatic Tool Changing Process of Computer Numerical Control Lathe", 《2019 2ND WORLD CONFERENCE ON MECHANICAL ENGINEERING AND INTELLIGENT MANUFACTURING (WCMEIM)》, 20 February 2020 (2020-02-20) * |
| SHUN JIA 等: "Multi-Objective Optimization of CNC Turning Process Parameters Considering Transient-Steady State Energy Consumption", 《SUSTAINABILITY》, vol. 13, no. 24, 14 December 2021 (2021-12-14), pages 1 - 23 * |
| 何彦;余平甲;王乐祥;李育锋;王禹林;: "丝杠硬态旋铣工艺的多目标参数优化", 计算机集成制造系统, no. 04, 23 May 2017 (2017-05-23) * |
| 高历;陈冰;肖敏;: "考虑功率和效率的钻孔工艺参数优化方法", 科技创新与应用, no. 04, 8 February 2020 (2020-02-08) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081763A (zh) * | 2022-08-24 | 2022-09-20 | 山东鲁晟精工机械有限公司 | 一种数控车床车削过程能耗预测系统 |
| CN117389161A (zh) * | 2023-12-12 | 2024-01-12 | 山东科技大学 | 考虑多加工阶段的平面立铣参数优化及加工性能预测方法 |
| CN117389161B (zh) * | 2023-12-12 | 2024-02-27 | 山东科技大学 | 考虑多加工阶段的平面立铣参数优化及加工性能预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114415595B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Multi-objective optimization of machining parameters considering energy consumption | |
| CN107193258B (zh) | 面向能耗的数控加工工艺路线与切削参数集成优化方法 | |
| Quiza et al. | Comparing statistical models and artificial neural networks on predicting the tool wear in hard machining D2 AISI steel | |
| CN105785912B (zh) | 面向能耗的型腔数控铣削加工刀具组合优选方法 | |
| Ganesan et al. | Optimization of machining techniques in CNC turning centre using genetic algorithm | |
| Srinivas et al. | Optimization of multi-pass turning using particle swarm intelligence | |
| Tzeng et al. | Optimization of wire electrical discharge machining of pure tungsten using neural network and response surface methodology | |
| Kotliar et al. | Ensuring the economic efficiency of enterprises by multi-criteria selection of the optimal manufacturingprocess | |
| Bharathi Raja et al. | Optimization techniques for machining operations: a retrospective research based on various mathematical models | |
| Singh et al. | Application of TOPSIS in the Taguchi method for optimal machining parameter selection | |
| CN104880991A (zh) | 面向能效的多工步数控铣削工艺参数多目标优化方法 | |
| CN114415595A (zh) | 一种车削优化方法、系统、计算机设备和存储介质 | |
| CN106776712A (zh) | 基于i5智能数控车床的车削工艺数据库及其应用方法 | |
| Mellal et al. | Total production time minimization of a multi-pass milling process via cuckoo optimization algorithm | |
| CN110162841B (zh) | 一种引入三维稳定性约束的铣削加工多目标优化决策方法 | |
| CN110221580B (zh) | 一种基于主轴数据仿真的进给速度优化方法 | |
| Radovanović | Multi-objective optimization of multi-pass turning AISI 1064 steel | |
| CN113721462A (zh) | 一种刀具确定条件下的多目标切削参数优化方法及系统 | |
| CN117389161B (zh) | 考虑多加工阶段的平面立铣参数优化及加工性能预测方法 | |
| Nguyen et al. | Multi-responses optimization of finishing honing process for surface quality and production rate | |
| Jiang et al. | An approach for improving the machining efficiency and quality of aerospace curved thin-walled parts during five-axis NC machining | |
| Bhuiyan et al. | Optimization of cutting parameters in turning process | |
| Xu et al. | An energy saving approach for rough milling tool path planning | |
| Cus et al. | High speed end-milling optimisation using particle swarm intelligence | |
| CN106514129B (zh) | 基于加工特征中间状态刚性的数控编程非均匀余量配置方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |