数控立铣中的切削温度和表面粗糙度优化

和模糊理论

[5]

。所有这些方法都是基于实验 数据的

基础上。实验中这些切削参数的选取可能导致过度的刀具磨损和表面粗糙度的增加

[6]

，所以，研究模型的优化变得更加重要。

有很多不同的，常规或者非常规的用于优化多个响应问题的方法。常规的方法

基于诸如线性规划、

非线性规划、

几何 编程和动态编程

[7]

或类似于面响应和

Taguchi

方法的统计方法的数学方法。非常规方法通常给出一个近于优化的方案 或者基于类

似于遗传算法、神经网络、

Tabu

搜索、粒子群算法、蚁群算法和模拟退火的人工智

能方法。在这项研究中，遗传 算法作为一种非常规的方法被用于决定优化切削参数

以获得最低切削温度和最小算数平均 粗糙度。

在这项研究中，遗传算法作为一种非常规的方法被用 于决定优化切削参数以获

得最小算数平均粗糙度和最低切削温度。

遗传算法是进程中出现的一组计算机模型。

这些算法对于特定的问题在一条染色体上编 码一种潜在的方法，像数据结构、应用

符合运营商这些结构以便保存重要信息。

遗传算法是一种用于数控加工优化的强大的人工智能工具，很多研究人 员都用

过这种方法。

Saravanan

和

Sachit hanandam

基于优化过程的思想提出了遗传算法，用多目标

遗传算法函数模型来优化表面磨削过程。

Cus

和

Balic

运用了遗传算法去决定优化加工参 数来获得最小的单元生产

成本。

Tutkun

运用了实数编码的遗传算法在数学模型中进行参数估计。

Stoic

利用遗传算法，

通过高速切削过 程和切削参数在加工比率方面的影响进行

硬质材料的加工测试。

--

--

Shunmugam[2 7]

利用遗传算法在面铣过程中决定类似于切削速度、进给速度和

切削深度的优化参数，得到了最小的总生产成本。

确定输入 因子的水平，在任意一个响应的加工过程中提供一个识别最优值是有

用处的，但是不知道 几个响应权衡可用，像表面粗糙度和切削温度。因此，研发数

学模型并且在加工过程中决 定优化或者近于优化的条件在告诉加工中

=

显得尤为重

要。

研究方法

为了达到研究目的，以下步骤已经完成：

◆从实验和理论方面学习整个过程；

◆实验工作；

◆为切削温度和表面粗糙度统计研发新的模型；

◆验证模型；

◆用遗传算法优化所建模型；

--

--

图

1

研究目的

实验部分

本次加工使用了

垂直铣中心，切削速度在

150-20 0m/min

，进给速度在

0.05-0.15mm/rev< /p>

，

切削深度在

0.1-0.2mm

。

本次研究中的实验用

AISI H13

，

实验材料

硬度在

HRC48

。热成像摄像机

IrAnalyzer

被用于实验中切削温度的模拟和测试。本

次试验中，基于五层程度的中心复合 设计收集了

20

个数据样本组。

所有的实验通过运用可转位刀架

Sandvick

和插入是

PVD

涂层氮化铝钛硬

质合金。

--