论文部分内容阅读
摘 要：为了提高数控機床的生产效率以及节约生产成本，选择最优的切削参数是关键。因为有来自很多方面的影响因素，所以仅靠人工确定的方法已经不能满足企业的发展需要了。本文从人工智能的角度出发，在遗传算法上做出了改进，并将改进后的算法对数控机床的切削参数进行优化，通过实验证明，可以显著提高工作效率。
关键词：数控机床;人工智能;切削参数;算法优化
人工智能是由美国计算机科学家约翰麦卡锡于1956年在达特茅斯会议上首次提出来的[1]。人工智能是一个使机器智能化的过程，这些机器被编程为像人一样地去“思考”问题并对问题做出解决，人工智能产品追求的是其合理化地采取最有可能实现特定目标的行为的能力。发展至今，在各领域中已经获得了突出的地位。其中，遗传算法是人工智能中有一种用来解决最优化的搜索启发式算法[2]。本文对遗传算法做出改进，然后利用算法对数控机床的切削参数进行优化，从而显著提高数控机床的加工效率。
1.切削参数优化的数学模型
1.1 优化变量
铣削的宽度一般是客户输入的，因此可以优化的参数是铣削速度、背吃刀量与梅齿进给量。将此三者进行优化，优化的向量表达式为：
1.2 目标函数
常用的目标优化函数有最大生产效率、最低生产成本、多目标三种优化函数，每种优化函数在不同的情况下使用。本文以优化生产效率为目标，因此以生产效率为目标函数。目标函数的抽象表达式为：
1.3 约束条件
在本文中，将主要的约束条件分为下列几个方面：
（1）切削力的约束：切削中的切削力不能F超过机床设定的最大值Fmax。
2.人工智能算法
人工智能发展至今，已有很多功能强大的算法，涉及感知、记忆思维、决策与自适应等方面的能力。对于数控机床如果它有人工智能方面的能力，比如自动确定切削用量，这将会极大提高工作效率以及节省生产成本。
上文的讨论中，目标函数与约束条件中涉及的方程都是非线性的，优化思路即是对非线性规划问题求最优解，本节先介绍人工智能中的遗传算法，然后将遗传算法进行改进，最后应用到数控机床的切削参数优化中。
2.1遗传算法
遗传是一种用于人工智能和计算的启发式搜索方法，非常适合解决无约束和受约束的优化问题。遗传算法利用来自进化生物学的技术，最常用的方法是从给定的群体中随机创建一组个体。在编码人员提供的评估功能的帮助下评估形成的个体。然后向个人提供分数，该分数间接地反应了对给定情况的适应性。然后使用最好的两个个体来创建一个或多个后代，之后在后代上进行随机突变。根据应用程序的需要，该过程将反复执行，直到获得可接受的解决方案。
遗传算法中通过适应度函数值对群体中不同的个体优劣来进行区分，适应度函数值大的将会繁衍产生新一代群体。一般情况下，将大于平均适应度值的个体做交叉，将小于平均值的个体做变异，以此来提高整个群体的适应度函数值，优化群体中每个个体的性能。因此，适应度函数是遗传算法的核心，直接决定是否能找到最优解。遗传算法的优化分为两类，根据目标函数的不同而不同，本文优化的目标函数是效率最大化，因此有：
2.2改进的遗传算法
由上文可知，现阶段的遗传算法虽然可以对性能进行优化，但是仍然存在缺陷，因此本节主要对遗传算法进行改进，本质上是对适应度函数进行改进。
改进的思路是不需要用户改变函数中的参数，算法在求最优解的过程中，每一步都会自动更新参数值以保证每步最优，从而使整体的结果最优。改进后的算法具有自适应性，保证了性能的最优。
3.切削参数的优化
如图2.1所示。选择、交叉、变异是遗传算法的三个主要的操作算子，个体为操作的对象，它们构成了整个遗传过程，使遗传算法具有了其它传统方法所没有的优良特性[3]。选择算子主要是根据群体的适应度高低来操作，交叉算子的选择影响到算法收敛速度，变异算子是进过过程中种群多样性的保证。本文中选择算子使用最优个体保存，交叉算子使用算数交叉，变异算子使用均匀变异。优化后的结果：
评价实验结果必须考虑切削时间和生产成本，最直观确定优化效果。由表1的比较可知，将遗传算法改进后，机床的切削速度、进给量与切削力都有了较大的提升，从而节省了加工时间，同时也有效的提高了机床整体的工作效率。
结束语
基于人工智能算法对数控机床的切削参数优化，遗传算法能多点同时寻优，从而获得全局最优解。在改进之后增加了算法的自适应性，使得算法的收敛速度和性能都有较大的提升。应用与切削参数的优化，实验结果表明可以显著提高工作效率。
本文虽然在一定程度上改进了系统的性能，但是仍有很大的进步空间。接下来的研究工作将会在改进后的遗传算法的基础之上，尝试对三个基本算子进行改进，因为这些参数对算法的搜索速度以及性能都会产生较大的影响。
参考文献：
[1]陶建华，李长亮.未来已来——人工智能技术将进入快速发展期[J].紫光阁，2017（12）：79-79.
[2]黄青群.数学建模中优化模型的求解方法[J].科技资讯，2016，14（24）：139-140.
[3]王一平.用遗传算法改进HMM的语音识别算法研究[D].太原理工大学，2007.
关键词：数控机床;人工智能;切削参数;算法优化
人工智能是由美国计算机科学家约翰麦卡锡于1956年在达特茅斯会议上首次提出来的[1]。人工智能是一个使机器智能化的过程，这些机器被编程为像人一样地去“思考”问题并对问题做出解决，人工智能产品追求的是其合理化地采取最有可能实现特定目标的行为的能力。发展至今，在各领域中已经获得了突出的地位。其中，遗传算法是人工智能中有一种用来解决最优化的搜索启发式算法[2]。本文对遗传算法做出改进，然后利用算法对数控机床的切削参数进行优化，从而显著提高数控机床的加工效率。
1.切削参数优化的数学模型
1.1 优化变量
铣削的宽度一般是客户输入的，因此可以优化的参数是铣削速度、背吃刀量与梅齿进给量。将此三者进行优化，优化的向量表达式为：
1.2 目标函数
常用的目标优化函数有最大生产效率、最低生产成本、多目标三种优化函数，每种优化函数在不同的情况下使用。本文以优化生产效率为目标，因此以生产效率为目标函数。目标函数的抽象表达式为：
1.3 约束条件
在本文中，将主要的约束条件分为下列几个方面：
（1）切削力的约束：切削中的切削力不能F超过机床设定的最大值Fmax。
2.人工智能算法
人工智能发展至今，已有很多功能强大的算法，涉及感知、记忆思维、决策与自适应等方面的能力。对于数控机床如果它有人工智能方面的能力，比如自动确定切削用量，这将会极大提高工作效率以及节省生产成本。
上文的讨论中，目标函数与约束条件中涉及的方程都是非线性的，优化思路即是对非线性规划问题求最优解，本节先介绍人工智能中的遗传算法，然后将遗传算法进行改进，最后应用到数控机床的切削参数优化中。
2.1遗传算法
遗传是一种用于人工智能和计算的启发式搜索方法，非常适合解决无约束和受约束的优化问题。遗传算法利用来自进化生物学的技术，最常用的方法是从给定的群体中随机创建一组个体。在编码人员提供的评估功能的帮助下评估形成的个体。然后向个人提供分数，该分数间接地反应了对给定情况的适应性。然后使用最好的两个个体来创建一个或多个后代，之后在后代上进行随机突变。根据应用程序的需要，该过程将反复执行，直到获得可接受的解决方案。
遗传算法中通过适应度函数值对群体中不同的个体优劣来进行区分，适应度函数值大的将会繁衍产生新一代群体。一般情况下，将大于平均适应度值的个体做交叉，将小于平均值的个体做变异，以此来提高整个群体的适应度函数值，优化群体中每个个体的性能。因此，适应度函数是遗传算法的核心，直接决定是否能找到最优解。遗传算法的优化分为两类，根据目标函数的不同而不同，本文优化的目标函数是效率最大化，因此有：
2.2改进的遗传算法
由上文可知，现阶段的遗传算法虽然可以对性能进行优化，但是仍然存在缺陷，因此本节主要对遗传算法进行改进，本质上是对适应度函数进行改进。
改进的思路是不需要用户改变函数中的参数，算法在求最优解的过程中，每一步都会自动更新参数值以保证每步最优，从而使整体的结果最优。改进后的算法具有自适应性，保证了性能的最优。
3.切削参数的优化
如图2.1所示。选择、交叉、变异是遗传算法的三个主要的操作算子，个体为操作的对象，它们构成了整个遗传过程，使遗传算法具有了其它传统方法所没有的优良特性[3]。选择算子主要是根据群体的适应度高低来操作，交叉算子的选择影响到算法收敛速度，变异算子是进过过程中种群多样性的保证。本文中选择算子使用最优个体保存，交叉算子使用算数交叉，变异算子使用均匀变异。优化后的结果：
评价实验结果必须考虑切削时间和生产成本，最直观确定优化效果。由表1的比较可知，将遗传算法改进后，机床的切削速度、进给量与切削力都有了较大的提升，从而节省了加工时间，同时也有效的提高了机床整体的工作效率。
结束语
基于人工智能算法对数控机床的切削参数优化，遗传算法能多点同时寻优，从而获得全局最优解。在改进之后增加了算法的自适应性，使得算法的收敛速度和性能都有较大的提升。应用与切削参数的优化，实验结果表明可以显著提高工作效率。
本文虽然在一定程度上改进了系统的性能，但是仍有很大的进步空间。接下来的研究工作将会在改进后的遗传算法的基础之上，尝试对三个基本算子进行改进，因为这些参数对算法的搜索速度以及性能都会产生较大的影响。
参考文献：
[1]陶建华，李长亮.未来已来——人工智能技术将进入快速发展期[J].紫光阁，2017（12）：79-79.
[2]黄青群.数学建模中优化模型的求解方法[J].科技资讯，2016，14（24）：139-140.
[3]王一平.用遗传算法改进HMM的语音识别算法研究[D].太原理工大学，2007.