基于遗传算法的超精密切削表面粗糙度预测模型参数辨识及切削用量优化

基于遗传算法的超精密切削表面粗糙度预测模型参数辨识及切削用量优化

ID:15548208

大小:340.10 KB

页数:5页

时间:2018-08-04

基于遗传算法的超精密切削表面粗糙度预测模型参数辨识及切削用量优化_第1页
基于遗传算法的超精密切削表面粗糙度预测模型参数辨识及切削用量优化_第2页
基于遗传算法的超精密切削表面粗糙度预测模型参数辨识及切削用量优化_第3页
基于遗传算法的超精密切削表面粗糙度预测模型参数辨识及切削用量优化_第4页
基于遗传算法的超精密切削表面粗糙度预测模型参数辨识及切削用量优化_第5页
资源描述:

《基于遗传算法的超精密切削表面粗糙度预测模型参数辨识及切削用量优化》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、第卷第期机械工程学报年月基于遗传算法的超精密切削表面粗糙度预测模型参数辨’识及切削用量优化卢泽生王明海哈尔滨工业大学机电工程学院哈尔滨摘要建立易于分析各切削用量对粗糙度影响关系的表面粗糙度预测模型和最优的切削用量组合,是超精密切削。,加工技术的不断发展的需要针对最小二乘法和传统优化方法的不足提出了将遗传算法用于超精密切削表面粗糙度预测模型的参数辨识,并用于求解最优切削用量,给出了金刚石刀具超精密切削铝合金的表面粗糙度预测数学模型和切削用量优化结果,进行了遗传算法和常规优化算法的比较,结果表明遗传算法较最小二乘法和传统的优化方法更适合于粗糙度预测模型的参数辨识及保证

2、切削用量的最优。关键词超精密切削遗传算法表面粗糙度预测模型优化中图分类号难,当参数估计变量及样本较多时,计算量很大,尽管对其采用了各种改进措施,仍然存在许多问月舀,而基于遗传算法等人工智能建模方法题是拟合。利用超精密机床进行切削加,试验数据的趋势工时对于操作者,,,来说首先面临的问题是最优切削用量的确定这目前有多种传统的优化方法可用于求解参数。,也是最让操作者感到棘手的问题而超精密加工逐优化问题这些方法有的是先固定其中的一个参数渐走向批量产品生产的事实使人们也不得不正视长变量,再对其他参数变量优化,以此降低复杂性,期以来一直被忽略的问题成本与效率。尤其是超显然这种

3、算法不能得到最佳的切削用量组合有的、、、,精密加工需要恒温恒湿无尘且无振动的超稳定是基于梯度法爬山法原理的搜索方法这种算法,,加工环境而长期维持这种超稳定的加工环境是非的缺点是容易收敛于局部最优解切削用量对表面,,常困难的提高切削效率有利于减小加工环境的波粗糙度和切削效率的影响关系的分析表明超精密。,动对加工精度的影响因此现代超精密加工不仅切削参数优化问题的目标函数和约束方程都是非线,,,必须达到极高的加工表面质量同时应该保证高效性方程如果采用传统的优化算法不仅计算复杂率,所以优化控制切削表面质量和切削效率的切削而且不容易搜索到全局最优解。用量显得愈加重要。为了得

4、到表面粗糙度预测模型参数在可行域内,,,超精密切削加工的切削厚度和进给量极小为的一致收敛估计将遗传基因算法应用于回归分析了在提高切削效率的同时又保证易于准确确定各切以解决最小二乘法的不足。同时,为了得到切削参削用量对表面粗糙度的影响关系,就,必须建立表达数非线性优化问题的全局最优解避免局部最优解形式简单并且拟合较好的表面粗糙度预测模型。建附近徘徊,同样利用模拟退火遗传算法擅长全局粗,立预测模型的一条途径就是系统辨识的方法即搜索及局部精搜索的特点来求解切削用量的最按照一个准则,在一组模型类中,选择一个与数据优值。。拟合的最好的模型川试验数据拟合的中心问题就是确定参数

5、的最优解,以保证回归模型可以精确地数学模型的建立,对切削加工的表面粗糙度做出预测因此这里的拟合问题可归于一种优化问题。但是,目前广泛采用建立切削表面粗糙度预测模型,,的拟合方法是最小二乘法它对少因子的线性回归通过切削参数对表面粗糙度影响关系的分析,,问题不是太困难但对多因子非线性问题就十分困并结合实际的切削条件试验设计变量确定为切削·,·,,速度州进给量扭以及背吃刀。,国家科学预研基金资助项目一一以收到初稿,。量夕林被测量的非控量为表面粗糙度试验收到修改稿©1994-2010ChinaAcademicJournalElectronicPublishingHouse

6、.Allrightsreserved.http://www.cnki.net年月卢泽生等基于遗传算法的超精密切削表面粗糙度预测模型参数辨识及切削用量优化一型超精密车床上完成,,,,在哈尔滨工业大学切削如切削条件正常刀具无意外损伤刀具磨组试验结果数据见参考文献。损甚慢,刀具耐用度极高,可以暂不考虑刀具磨损。,经过数据分析建立表面粗糙度预测数学理论模对切削效率的约束所以上述数学模型可归结为型为如下优化问题‘’利用试验数据拟合预测模型的过程,就是利用〔•蕊、,戈蕊尤续凡搜集整理的样本数据确定预测数学模型的未知。参数,,,的最优解,以保证回归模型可以易式中和漪分别表示变量

7、的取值上下限于用来分析切削用量对表面粗糙度的影响关系并对切削加工的表面粗糙度做出预测。根据试验数据拟优化问题的求解合切削表面质量预测模型,然后以此为约束条件求、、解最优切削用量,此方法可避免没有现成预测模型基本遗传算法通过选择交叉变异等遗传操,,作产生包含潜在最优解的新种群以适应度指导可用的某些切削加工问题仅仅得到所作试验点处的,最优解。优化计算实现解的优胜劣汰一步一步地逼近问题最优解,最终完成。最优解的启发式搜索过程算法建立切削用量优化数学模型,,超精密切削加工中,切削用量最优化目标体现开始时先随机产生一些染色体即候选解计算其,,在最大限度地提高加工效率上,如果

8、以最大加工

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。