中航工業(yè)沈陽飛機工業(yè)(集團)有限公司 杜寶瑞 沈力華 王碧玲

飛機結構件尺寸大、加工特征多，如何通過優(yōu)化方法實現(xiàn)對飛機結構件數(shù)控加工路徑優(yōu)化顯得尤為重要。目前，數(shù)控程序的編制大多仍采用人機交互方式實現(xiàn)，對于數(shù)控加工路徑規(guī)劃往往采用人工經(jīng)驗制定，這不但浪費人力，延長了生產準備周期，而且如果規(guī)劃不當，將嚴重影響數(shù)控加工效率。隨著飛機制造業(yè)的快速發(fā)展，高速、高質量研制已成為必然的趨勢，傳統(tǒng)人工制定加工路徑的方法已不能滿足實際生產需要，因此，飛機結構件數(shù)控加工自動優(yōu)化技術受到越來越多學者的關注。目前，基于遺傳算法、模擬退火算法、蟻群算法的飛機結構件加工路徑優(yōu)化方法已出現(xiàn)較多研究成果[1-2]，但上述方法只是針對特定加工工序或工步進行局部優(yōu)化。本文提出的基于微粒群的數(shù)控加工路徑優(yōu)化方法是一種整體路徑規(guī)劃方法，以加工路徑長度最小為目標，確定加工路徑軌跡。同時，由于微粒群算法與其他優(yōu)化算法相比，收斂速度快，編程簡單，易于推廣使用。因此，采用以微粒群算法為基礎，對傳統(tǒng)PSO進行改進，提出一種改進的微粒群方法，并采用所提方法對飛機結構件數(shù)控加工路徑進行優(yōu)化，仿真計算結果證明本方法切實可行。

1 微粒群的數(shù)控加工路徑優(yōu)化

1.1 模型的建立

微粒群算法(PSO)是由Kennedy和Eberhart等于1995年開發(fā)的一種演化計算技術，來源于對一個簡化社會模型的模擬。由于PSO算法概念簡單，實現(xiàn)容易，短短幾年時間，PSO算法便獲得了很大的發(fā)展[3]，并在很多領域得到應用，如在燒結礦配料優(yōu)化中的應用[4]，在案例推理(CBR)方面的應用等[5]。PSO算法與其他進化類算法相似，也是采用“群體”和“進化”的概念，同樣也是根據(jù)粒子對環(huán)境的適應值大小進行操作, 所不同的是，微粒群算法不像其他進化算法那樣對個體使用進化算子，而是將每個個體看作是在n維搜索空間中的一個沒有重量和體積的微粒，并在搜索空間中以一定的速度飛行。該飛行速度由個體的飛行經(jīng)驗和群體的飛行經(jīng)驗進行動態(tài)調整[6-8]。

設第i個微粒當前位置為

Xi=(xi1,xi2,...,xin) ，

它經(jīng)歷過的最好位置(有最好的適應值) 記為

Pi=(pi1,pi2,...,pin) ，

也稱為pbest。在群體中，所有微粒經(jīng)歷過的最好位置的索引號用符號g表示， 即pg， 也稱為gbest。微粒i的當前速度為

Vi=(vi1,vi2,...,vin) ，

對第i個粒子，其第j維(1≤j≤n)速度vij(t+1)和位置xij(t+1)根據(jù)如下方程變化：

上式中，w為慣性權重，c1和c2為加速常數(shù)，r1j(t)和r2j(t)是兩個在[0,1]范圍內變化的隨機函數(shù)。pij(t)為第i個粒子經(jīng)歷的最好位置向量的第j維。

基于微粒群算法求取最優(yōu)路徑的具體流程：

(1)初始化一群微粒的隨機位置和隨機速度，設群體規(guī)模為k；

(2)每個微粒在n(此處n為轉角特征總數(shù))維空間搜索，若第i個微粒當前位置為Xi=(xi1,xi2,...,xin)，則對組成Xi=(xi1,xi2,...,xin)的n維數(shù)組的n個元素進行排序，并記錄其下標變化情況，從而實現(xiàn)數(shù)控加工路徑的調整；

(3)對每個微粒, 將其適應值與全局所經(jīng)歷的最好位置gbest做比較，如果較好, 則重新設置gbest的索引號；

(4)根據(jù)公式(1)和(2)變化微粒的位置以及速度，變化后通過流程(3)計算獲得微粒適應度；

(5)若未達到結束條件(通常采用設定最大迭代次數(shù)，如：Dmax)，則繼續(xù)上一步循環(huán)，直至滿足結束條件為止。

傳統(tǒng)PSO算法雖然概念簡單，實現(xiàn)容易，易于推廣，且收斂速度快，但其算法精度較低。

因此，針對數(shù)控加工路徑優(yōu)化問題，本文提出一種改進的微粒群優(yōu)化方法。以轉角加工路徑優(yōu)化為例，首先確定數(shù)控加工路徑優(yōu)化目標函數(shù)，根據(jù)待加工轉角數(shù)量確定種群規(guī)模；再對于每一個粒子，計算其優(yōu)化路徑解；最終，比較各微粒的適應值，選取適應值最小的微粒作為最優(yōu)解。通過與傳統(tǒng)微粒群方法比較，可以發(fā)現(xiàn)，所提方法確定的數(shù)控加工路徑遠遠優(yōu)于傳統(tǒng)方法。

1.2 目標函數(shù)的確定

由于飛機結構件轉角特征數(shù)量大，是飛機結構件主要特征之一，因此，以飛機結構件轉角為例。

假設：某飛機結構件共有m個轉角需進行加工，第i個轉角特征中心點坐標為(xi，yi，zi)，則加工完第i個轉角特征后，下一個被加工的轉角對象標記為第i+1個轉角，其中心點坐標為(xi+1，yi+1，zi+1)，則基于微粒群方法的數(shù)控加工路徑優(yōu)化的目標函數(shù)為：

優(yōu)化的最終目標即為，加工所有轉角特征的路徑長度之和為最小值。

1.3 改進的微粒群方法求最優(yōu)路徑的過程

已知有m個轉角需進行加工，在1～m間隨機選取m個不同的整數(shù)，即對1～m的m個整數(shù)進行隨機排序，得到一組數(shù)組，記為：[m11,m21,……,mn1,……,m(m-1)1,mm1]，此時，確定了每條路徑的起始位置，即m個微粒的起始元素，根據(jù)距離最小原則確定第i個微粒的第j個元素的下一個元素：

d(ik)=表示第i個微粒的第j個元素(轉角)與第k個元素(轉角)間的距離，即兩轉角間的距離。需同時滿足， 最小且第k個元素(轉角)未被選取(加工)過，則選取第k個元素(轉角)作為第i個微粒的第j個元素的下一個元素，即選取距離最近的轉角作為下一個加工的轉角。以此類推，確定出每一個微粒的完整元素，即完整路徑。對于第i個微粒，根據(jù)公式(1)計算其適應值mif，得到每個微粒確定的路徑長度數(shù)組[m1f,m2f,……,mnf,mmf]。選取適應值最小的l個微粒確定的路徑作為候選優(yōu)化路徑，根據(jù)專家經(jīng)驗選取最優(yōu)初始位置及其對應的優(yōu)化路徑，從而得到數(shù)控加工路徑最優(yōu)解。本方法主要流程如圖1所示。

圖1 所提方法流程圖Fig.1 Flowchart of proposed method

2 應用實例

飛機結構件的典型特征之一即為轉角，轉角加工是飛機結構件數(shù)控加工的重要組成部分，如何快速有效地實現(xiàn)飛機結構件轉角加工，對于提高飛機結構件整體加工效率具有重要意義。因此，本實例以飛機結構件轉角加工作為應用研究對象，通過微粒群方法實現(xiàn)對轉角加工路徑的優(yōu)化，在一定程度上節(jié)省了人工規(guī)劃轉角加工路徑的時間，同時也提高了數(shù)控加工效率。以某典型飛機結構件為例，該結構件每個槽特征周圍有4個轉角特征，其共有264個轉角，如采用人工方法確定加工路徑，工作量大，且很難尋找到最優(yōu)化路徑，因此，需采用智能優(yōu)化方法對加工路徑進行優(yōu)化。

首先采用傳統(tǒng)微粒群方法尋找最優(yōu)路徑，根據(jù)上述所提方法，目標函數(shù)同樣為公式(3)，初始化一群微粒的隨機位置和隨機速度，參數(shù)設置為：群體規(guī)模k設為20，w設為 0.5298，c1、c2均設為 2.4962，最大迭代次數(shù)Dmax設為1500。采用matlab軟件對上述各步進行程序仿真。將加工路徑映射到xy平面，得到如圖2所示的優(yōu)化路徑解。

圖2 傳統(tǒng)PSO優(yōu)化路徑解Fig.2 Optimal path solution of traditional PSO

根據(jù)所提方法，仍采用公式(3)為優(yōu)化目標函數(shù)，初始化264個微粒，并逐步找出每個微粒的完整路徑，最終確定的每一個微粒的路徑長度如圖3所示，在確定的264個優(yōu)化路徑中選取最短的l個路徑作為候選路徑，最終，根據(jù)專家意見確定最優(yōu)路徑及其對應的初始加工位置。在本例中， 選取路徑最短的1個作為最優(yōu)路徑值，其優(yōu)化路徑解如圖4所示。通過對比圖2和圖4結果可以看出，本文所提方法得到的數(shù)控加工路徑遠遠優(yōu)于傳統(tǒng)微粒群方法確定的優(yōu)化路徑解，試驗結果證明了所提方法的真實有效性。

3 結論

由于傳統(tǒng)人工制定數(shù)控加工路徑的方法耗時較多，且對于大型飛機結構件難以通過人工形式找到最優(yōu)路徑，因此，針對上述問題，本文重點對飛機結構件數(shù)控加工路徑優(yōu)化方法進行研究，通過確定優(yōu)化目標函數(shù)，對各微粒進行初始化，再利用改進的微粒群方法求取數(shù)控加工路徑最優(yōu)解，最終，將該方法應用于飛機結構件轉角加工路徑優(yōu)化過程中，代替了人工經(jīng)驗確定數(shù)控加工路徑方法，節(jié)省了人力，同時也有利于提高數(shù)控加工效率，試驗結果表明，本文方法確定的數(shù)控加工路徑遠遠優(yōu)于傳統(tǒng)微粒群方法，該方法是切實可行的。

圖3 各微粒優(yōu)化路徑長度值Fig.3 Optimal path length of each particle

圖4 所提方法優(yōu)化路徑解Fig.4 Optimal path solution of proposed method

[1] 袁青,李迎光,王偉. 基于遺傳算法的飛機結構件加工特征排序. 機械科學與技術,2011,30(1)：86-91.

[2] 李寧，田錫天，黃利江等.飛機結構件槽特征加工路徑優(yōu)化算法研究 .機械科學與技術，2008，27(10)：1253-1260.

[3] 謝曉鋒,張文俊,楊之廉.微粒群算法綜述.控制與決策,2003,18(2)：129-134.

[4] 吳敏,丁雷,曹衛(wèi)華.基于混合粒子群算法的燒結配料優(yōu)化.信息與控制 ,2008,37(2)：242-246.

[5] 韓敏,沈力華.基于微粒群的案例推理方法研究.控制與決策 ,2011,26(4)：637-640.

[6] 李軍軍,肖健梅,王錫淮.一種精英退火微粒群算法.控制與決策 ,2008,23(7)：756-761.

[7] Trelea I C. The particleswarm optimizational gorithm：Conve rgence analysis and parameter selection. Information Processing Letters,2003, 85：317-325.

[8] Clerc M, Kennedy J. The particle swarm： Explosion, stability and convergence in a multi-dimensional comp-lex space. IEEE J of Evolutionary Computation, 2001, 6(1)：58-72.