田長(zhǎng)樂(lè)，周光輝,2，張俊杰，王 闖

(1.西安交通大學(xué) 機(jī)械工程學(xué)院，陜西 西安 710049；2.西安交通大學(xué) 機(jī)械制造系統(tǒng)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710054；3.西安郵電大學(xué) 物聯(lián)網(wǎng)與兩化融合研究院,陜西 西安 710061)

0 引言

隨著溫室效應(yīng)的加劇以及碳稅、碳標(biāo)簽政策的實(shí)行，制造業(yè)面臨著環(huán)境與成本的雙重壓力，促使學(xué)術(shù)界和工業(yè)界對(duì)低碳制造進(jìn)行研究和實(shí)踐。在離散制造車間的零件加工中，合理選擇切削刀具和切削參數(shù)對(duì)降低零件的加工碳排放與加工成本，提高生產(chǎn)效率和加工質(zhì)量具有重要影響[1-3]。因此，通過(guò)優(yōu)化選擇切削刀具和切削參數(shù)來(lái)降低零件加工過(guò)程碳排放和加工成本已經(jīng)成為當(dāng)前研究熱點(diǎn)[4-5]。

國(guó)內(nèi)外學(xué)者均對(duì)刀具選配和切削參數(shù)優(yōu)化決策理論與方法進(jìn)行了廣泛研究。Escamilla-Salazar等[6]提出基于回歸分析法的粗加工和精加工刀具選配方法，并以Inconel718合金加工為例，驗(yàn)證了所提刀具選配方法的可行性；Ji等[7]考慮加工特征的加工性和經(jīng)濟(jì)型因素，提出一種基于加工特征的自適應(yīng)刀具選配方法；Saranya等[8]利用人工神經(jīng)網(wǎng)絡(luò)和模糊邏輯對(duì)車削和銑削參數(shù)進(jìn)行學(xué)習(xí)，建立了刀具選配專家系統(tǒng)；Bao等[9]針對(duì)通道類零件加工，提出一種考慮刀具方向、刀具尺寸和刀具運(yùn)動(dòng)的球頭刀具選配方法；Zhou等[10]提出基于本體的刀具選配方法；Toussaint等[11]利用實(shí)例推理的方法決策最優(yōu)切削刀具；李愛(ài)平等[12]提出面向低碳制造的多工步孔加工切削參數(shù)優(yōu)化方法，使碳排放減少15%；Zhong等[13]提出單位穩(wěn)定比能、主軸旋轉(zhuǎn)比能、刀尖切削比能和單位非生產(chǎn)比能與切削參數(shù)之間的關(guān)聯(lián)模型，并以此為目標(biāo)優(yōu)化了切削參數(shù)；Li等[14]構(gòu)建以能耗和加工時(shí)間為目標(biāo)、切削參數(shù)為變量的多目標(biāo)優(yōu)化模型，并利用改進(jìn)的多目標(biāo)粒子群算法對(duì)切削參數(shù)進(jìn)行優(yōu)化；Yusuf等[15]針對(duì)車削過(guò)程，使用響應(yīng)面法建立了碳排放和表面質(zhì)量與切削參數(shù)之間的數(shù)學(xué)關(guān)系，并采用目標(biāo)規(guī)劃方法對(duì)切削參數(shù)進(jìn)行了優(yōu)化；Zhang等[16]建立了切削參數(shù)與調(diào)度的集成模型，并使用萬(wàn)有引力算法進(jìn)行了解算；Li等[17]建立了切削參數(shù)與工藝路線集成模型，并設(shè)計(jì)模擬退火算法進(jìn)行解算。

從以上文獻(xiàn)分析發(fā)現(xiàn)，目前對(duì)零件加工過(guò)程的刀具和切削參數(shù)進(jìn)行決策大多采用分階段串行決策方法，一部分研究焦聚于刀具決策方面，另一部分研究焦聚于基于已有刀具的切削參數(shù)決策，缺乏從切削刀具和切削參數(shù)集成決策的角度研究零部件加工過(guò)程的刀具和切削參數(shù)優(yōu)化選擇問(wèn)題，導(dǎo)致決策出的刀具和切削參數(shù)優(yōu)化程度不高，而且上述研究也未將刀具磨損對(duì)切削參數(shù)和碳排放的影響納入研究范疇[18-19]?；诖耍疚囊粤慵庸ぬ卣鳛檠芯繉?duì)象，綜合考慮切削參數(shù)、刀具選配和刀具磨損對(duì)零件加工過(guò)程碳排放的影響，提出以加工碳排放和成本最小為目標(biāo)的刀具選配與切削參數(shù)集成優(yōu)化模型，設(shè)計(jì)K近鄰和多目標(biāo)粒子群混合的優(yōu)化算法對(duì)模型進(jìn)行求解，并通過(guò)具體應(yīng)用案例對(duì)所提模型和算法的正確性和有效性進(jìn)行驗(yàn)證。

1 面向加工特征的刀具與切削參數(shù)集成優(yōu)化模型

在零件加工過(guò)程中，加工特征是合理選擇切削刀具和切削參數(shù)的基礎(chǔ)。為構(gòu)建基于加工特征的切削刀具與切削參數(shù)集成優(yōu)化模型，需首先分析并建立零件的加工特征與刀具信息模型，以及加工特征與刀具、切削參數(shù)匹配模型。

1.1 加工特征與切削刀具信息建模

零件加工特征信息模型面向零件的設(shè)計(jì)和加工過(guò)程，其所包含的內(nèi)容要能全面描述零件加工過(guò)程中各環(huán)節(jié)的信息及信息之間的相互關(guān)系。根據(jù)零件加工特征自身的特點(diǎn)，將特征信息分為材料特征屬性、精度特征屬性、形狀特征屬性、工藝特征屬性和制造資源屬性，如圖1所示。切削刀具信息建模根據(jù)切削刀具自身的信息特點(diǎn)，結(jié)合刀具選配與切削參數(shù)優(yōu)化需求，將刀具信息分為管理屬性、材料屬性、形狀屬性及加工能力屬性四大屬性，采用4種屬性對(duì)刀具特征信息模型進(jìn)行描述，如圖2所示。為有效支持后續(xù)切削刀具及切削參數(shù)決策，需對(duì)加工特征信息模型和刀具信息模型進(jìn)行編碼，具體的編碼規(guī)則請(qǐng)參考文獻(xiàn)[10]。

1.2 加工特征與切削刀具、切削參數(shù)匹配建模

如圖3所示，考慮加工特征屬性的層次結(jié)構(gòu)特點(diǎn)，不同屬性將推選刀具不同方面的信息，加工特征類型、公差要求等主要決定刀具類別，特征材料將決定刀具的材料選型，刀具的切削參數(shù)由具體的加工機(jī)床、特征尺寸與精度、刀具、碳排放等共同決定。傳統(tǒng)的加工特征和切削刀具之間通過(guò)人工經(jīng)驗(yàn)和規(guī)則推理關(guān)聯(lián)，推選效率較低；基于案例庫(kù)(特征—刀具匹配實(shí)例庫(kù))和企業(yè)加工歷史數(shù)據(jù)的刀具選配可以充分利用歷史刀具選配結(jié)果，其選配效率較高。案例庫(kù)記錄了具體特征使用具體刀具的加工信息，通過(guò)加工特征與切削刀具信息建模及編碼，加上特征被刀具加工的關(guān)聯(lián)關(guān)系，可以組建相應(yīng)的案例庫(kù)。在案例庫(kù)中，通過(guò)輸入目標(biāo)加工特征，比對(duì)案例庫(kù)，匹配對(duì)應(yīng)的案例特征使用的切削刀具類型、材料、參數(shù)等，優(yōu)化得到目標(biāo)特征的切削刀具；當(dāng)實(shí)例庫(kù)中沒(méi)有滿足閾值的加工案例時(shí)，可以借助企業(yè)歷史數(shù)據(jù)挖掘出可行的切削刀具。

基于已建立的零件加工特征信息模型、刀具信息模型、加工特征與切削刀具/參數(shù)匹配模型及對(duì)應(yīng)的編碼方法，分別建立零件加工特征信息庫(kù)、刀具信息庫(kù)、案例信息庫(kù)，為特征刀具參數(shù)決策提供模型和數(shù)據(jù)支持。

1.3 切削刀具及切削參數(shù)集成優(yōu)化模型

1.3.1 優(yōu)化變量

為實(shí)現(xiàn)切削刀具和切削參數(shù)的集成決策，同時(shí)考慮車削、鉆削和銑削等加工方法的差異，本文構(gòu)建的集成優(yōu)化模型涉及的優(yōu)化變量包括切削刀具和切削參數(shù)兩部分，當(dāng)考慮加工方法為車削/鏜削時(shí)，優(yōu)化變量為(ID,n,f,ap);當(dāng)考慮的加工方法為鉆削時(shí)，優(yōu)化變量為(ID,D,f,n);當(dāng)考慮的加工方法為銑削時(shí)，優(yōu)化變量為(ID,n,f,ap,ae),具體如下:

(1)

式中：X為優(yōu)化變量集合；ID為待選配的切削刀具；n為轉(zhuǎn)速(單位：r·min-1)；f為進(jìn)給量(單位：mm·r-1)；ap為切削深度(單位：mm)；ae為切削寬度(單位：mm)；D為鉆孔孔徑(單位：mm)。

1.3.2 目標(biāo)函數(shù)

本文將零件加工特征的加工碳排放CE與加工成本C作為集成優(yōu)化模型的目標(biāo)函數(shù)，即

(2)

(1)零件特征的加工碳排放建模

零件特征的加工碳排放計(jì)算方法詳見(jiàn)文獻(xiàn)[20]，分為物料碳排放CEmaterial、能源碳排放CEelec和廢棄物碳排放CEwaste3部分，一個(gè)特征加工過(guò)程的總碳排放可表示為以上3部分之和，即

CE=CEmaterial+CEelec+CEwaste。

(3)

式中：物料碳排放包括特征加工過(guò)程中的刀具損耗碳排放CEtool與切削液損耗碳排放CEcoolant，即

CEmaterial=CEtool+CEcoolant；

(4)

廢棄物碳排放包括廢棄刀具處理碳排放CEtoolwas與切削液處理碳排放CEcoolwas，即

CEwaste=CEtoolwas+CEcoolwas。

(5)

加工特征的物料碳排放和廢棄物碳排放的具體計(jì)算方法請(qǐng)參見(jiàn)文獻(xiàn)[20]，這里不詳細(xì)介紹。

能源碳排放主要指零件特征加工過(guò)程中因機(jī)床電能損耗所產(chǎn)生的碳排放，

CEelec=CEFelec×tc×Ptotal；

(6)

Ptotal=Pcutting+Pstandby+Plight+Pfluid+

Pspindle+Pfeed。

(7)

式中：Ptotal為機(jī)床消耗總功率(單位：W)；Pstandby為待機(jī)功率(單位：W)；Plight為照明功率(單位：W)；Pfluid為噴切削液功率(單位：W)；Pspindle為主軸旋轉(zhuǎn)功率(單位：W)；Pfeed為進(jìn)給功率(單位：W)；CEFelec為電能碳排放因子(單位：kgCO2·kWh-1)；tc為加工時(shí)間(單位：s)；Pcutting為切削功率(單位：W)。

因?yàn)楸疚目紤]了刀具磨損因素，所以切削功率Pcutting采用式(8)～式(10)[18]計(jì)算，其中銑削功率采用式(8)計(jì)算，鉆削功率采用式(9)計(jì)算，車、鏜功率采用式(10)計(jì)算。

(8)

Pcutting=K(1+VB)vfxvyDz；

(9)

(10)

式中：K為比例系數(shù)；VB為刀具磨損量(單位：mm)；w,x,y,z為待擬合系數(shù)[18]。

對(duì)車、鏜、銑、鉆削工藝的加工時(shí)間計(jì)算如下：

(11)

式中：l為進(jìn)給長(zhǎng)度(單位：mm)；ceil()為取整函數(shù)；Δ為加工余量(單位：mm)；V為材料切除體積(單位：mm3)。

(2)零件特征的加工成本建模

零件特征的加工成本由管理成本、設(shè)備折舊成本、人力成本、刀具成本、電力成本和切削液成本6部分構(gòu)成，即

C(X)=(C1+C2+Ct+Ccl)×tc。

(12)

式中：C1為單位時(shí)間管理成本、設(shè)備折舊成本和人力成本之和(單位：元·min-1)；C2為單位時(shí)間電力成本(單位：元·kW·h-1)；Ct為加工時(shí)間內(nèi)的刀具成本(單位：元·min-1)，由式(13)計(jì)算；Ccl為加工時(shí)間內(nèi)的切削液成本(單位：元·min-1)，由式(15)計(jì)算。

(13)

式中：C3為單個(gè)刀具成本、刃磨及后處理費(fèi)用(單位：元)；R為刀具可刃磨次數(shù)，根據(jù)具體的刀具材料而定；Tt為廣義的刀具壽命泰勒公式[8]，考慮磨損的壽命，

(14)

式中s,k,q,r為待定系數(shù)，具體由實(shí)驗(yàn)[21]或查表得到[22]。

(15)

式中：Mo為初始切削液質(zhì)量(單位：kg)；Ma為每次添加的切削液質(zhì)量(單位：kg)；C4為單位切削液成本(單位：元·kg-1)；To為切削液更換周期(單位：min)。

1.3.3 約束條件

約束條件主要包括：①機(jī)床的各種性能限制，如機(jī)床總功率限制、主軸轉(zhuǎn)速范圍、進(jìn)給功率范圍等；②刀具性能限制，如切削力不得超過(guò)刀片承受上限；③零件質(zhì)量要求如加工表面粗糙度等。具體設(shè)置的約束條件如下：

nmin

nmin

apmin

Ptotal

Fc

(16)

式中：nmin為主軸允許的最低轉(zhuǎn)速(單位：r·min-1)；nmax為主軸允許的最高轉(zhuǎn)速(單位：r·min-1)；fmin為機(jī)床的最小進(jìn)給速度(單位：mm·r-1)；fmax為機(jī)床的最大進(jìn)給速度(單位：mm·r-1)；apmin為最小切深(單位：mm)；apmax為最大切深(單位：mm)；Pmax為機(jī)床的最大功率(單位：W)；β為機(jī)床的功率效率；Fc為主切削力(單位：N)；Fcmax為機(jī)床允許的最大切削力(單位：N)；γε為刀具刀尖半徑(單位：mm)；Rmax為精加工允許的最大表面粗糙度值(單位：μm)。

2 基于K近鄰和多目標(biāo)粒子群混合優(yōu)化求解算法

2.1 混合算法框架及步驟

在傳統(tǒng)刀具與切削參數(shù)決策過(guò)程中，刀具匹配是離散優(yōu)化問(wèn)題，屬于模式分類問(wèn)題，即通過(guò)分析零件加工特征和刀具的屬性，將加工特征按照一定方法歸類到對(duì)應(yīng)刀具的過(guò)程；切削參數(shù)是連續(xù)優(yōu)化問(wèn)題，即在滿足一定約束下，得到某些目標(biāo)下的最優(yōu)切削參數(shù)。因此，刀具選配和切削參數(shù)往往分開(kāi)優(yōu)化。為克服分開(kāi)優(yōu)化的局限性，同時(shí)考慮離散和連續(xù)優(yōu)化問(wèn)題很難在一個(gè)算法中處理的特點(diǎn)，設(shè)計(jì)基于K近鄰(K-Nearest Neighbor, KNN)和多目標(biāo)粒子群優(yōu)化(Multi-Objective Particle Swarm Optimization, MOPSO)混合優(yōu)化求解算法，實(shí)現(xiàn)刀具與切削參數(shù)的集成優(yōu)化決策。算法整體框架如圖4所示，主要步驟如下：

步驟1設(shè)計(jì)零件加工特征信息庫(kù)、刀具信息庫(kù)和案例庫(kù)，輸入待匹配零件加工特征信息編碼。

步驟2根據(jù)待匹配零件加工特征信息編碼，解析其特征類型、公差帶寬；基于特征類型、公差帶寬，采用KNN算法(為了區(qū)分不同KNN的功能，記為A-KNN，后文類似)對(duì)比案例庫(kù)，推選其可使用刀具類型；同理，根據(jù)待匹配零件加工特征信息編碼，解析其特征材料；基于待匹配零件加工特征的材料，在刀具類型基礎(chǔ)上，采用KNN算法(B-KNN)推選其可使用的刀具材料。

步驟3在刀具類型和材料的基礎(chǔ)上，獲取每一規(guī)格刀具下磨損量最小的刀具及其相關(guān)信息，組成可行刀具集{1,…,n}。

步驟4基于切削參數(shù)優(yōu)化模型和刀具集{1,…,n}，采用MOPSO算法獲取每一把刀具的最優(yōu)切削參數(shù)Pareto解集。

步驟5匯總n把刀具的Pareto解集，使用快速非支配排序算法得到n把刀具總的Pareto前沿解集。

步驟6基于待匹配零件加工特征的特征材料、粗糙度、特征參數(shù)和總的Pareto解集，在特征類型材料案例集中，采用KNN算法(C-KNN)推選出距離最小的案例G，并解析其切削參數(shù)C；在Pareto解集中取出并輸出與C最符合的解，即為本問(wèn)題的解。

2.2 基于K近鄰算法的刀具類型、材料和切削參數(shù)推選

KNN算法是由Cover和Hart[23]提出的機(jī)器學(xué)習(xí)算法之一，具有簡(jiǎn)單有效、實(shí)現(xiàn)容易、對(duì)新類別的加入穩(wěn)定性好的優(yōu)點(diǎn)。結(jié)合圖4，KNN在文中主要用來(lái)解決刀具類型(A-KNN)、刀具材料(B-KNN)和最優(yōu)刀具及對(duì)應(yīng)切削參數(shù)(C-KNN)的推選問(wèn)題。具體的流程如圖5所示，主要步驟如下：

步驟1A-KNN，B-KNN，C-KNN輸入零件加工特征編碼S。

步驟2A-KNN提取特征類型和特征公差帶寬編碼位L，B-KNN提取特征材料編碼位G，C-KNN提取特征參數(shù)、粗糙度、材料碼位K。

步驟3A-KNN，C-KNN利用屬性知識(shí)熵[24]的歸一化確定特征屬性選配刀具時(shí)的權(quán)重，其中知識(shí)熵可認(rèn)為是在沒(méi)有先驗(yàn)知識(shí)的前提下，通過(guò)決策表的數(shù)據(jù)獲取該特征的全部知識(shí)量。分類越詳細(xì)，知識(shí)熵越大，其分類提供的知識(shí)信息越多,計(jì)算公式如下：

(17)

w(φ)=G[H(φ)]。

(18)

步驟4A-KNN，B-KNN，C-KNN利用特征編碼計(jì)算案例庫(kù)特征與待匹配特征屬性的距離。因?yàn)樵谔卣骶幋a中特征類型和特征材料編碼使用整數(shù)編碼，使用傳統(tǒng)歐氏距離并沒(méi)有實(shí)際意義，所以將距離計(jì)算方式更改為曼哈頓距離(如式(19))，其距離大小表示特征空間中兩點(diǎn)的臨近情況，距離越小，兩個(gè)特征點(diǎn)的相似度越高。

dab=|x2-x1|+|y2-y1|+|z2-z1|。

(19)

式中：dab為待匹配特征與案例庫(kù)中特征屬性的距離；(xi,yi,zi|i=1,2)表示具體的特征編碼。

步驟5A-KNN，B-KNN，C-KNN計(jì)算待匹配特征與案例庫(kù)中特征的距離(如式(20))，并升序排列。

(20)

式中dij為待匹配特征與案例庫(kù)中特征的距離。

步驟6A-KNN，B-KNN取出前k個(gè)案例加入結(jié)果集，分析結(jié)果集中每個(gè)案例特征使用的刀具信息，設(shè)定距離加權(quán)值h量化類別信息。設(shè)定距離加權(quán)公式

(21)

式中：hi為距離加權(quán)權(quán)值；dmax為k個(gè)案例中的最大距離值；dmin為k個(gè)最近案例中的最小距離值；di為當(dāng)前距離值。

步驟7C-KNN取出最近距離的特征案例Q，并解析其加工切削參數(shù)C。輸入n把刀具總的Pareto解集,在Pareto解集中取出離C最近的解l，C-KNN結(jié)束。

步驟8A-KNN，B-KNN輸出h最大對(duì)應(yīng)的類別，A-KNN，B-KNN結(jié)束。

2.3 基于多目標(biāo)粒子優(yōu)化群算法的切削參數(shù)優(yōu)化

本文應(yīng)用基于柵格的MOPSO算法[25]解決給定切削刀具下的切削參數(shù)尋優(yōu)問(wèn)題。粒子群算法具有并行性、全局收斂性和收斂快的優(yōu)勢(shì)，其由隨機(jī)解出發(fā)，通過(guò)個(gè)體最優(yōu)解pbest和群體最優(yōu)解gbest指導(dǎo)搜索，從而得到最優(yōu)解?；贛OPSO算法的切削參數(shù)優(yōu)化流程如圖6所示，改進(jìn)的主要點(diǎn)如下：

(1)改進(jìn)點(diǎn)1——變異操作

為避免算法早期陷入局部最優(yōu)解，本文在算法中引入變異操作對(duì)切削參數(shù)的某一維進(jìn)行變異。即隨機(jī)取出優(yōu)化變量中的某i維，按照式(22)計(jì)算優(yōu)化變量在第i維度上變異范圍許用坐標(biāo)的上下限；然后在(rimin，rimax)坐標(biāo)上下限范圍內(nèi)隨機(jī)取一個(gè)值，即為優(yōu)化變量第i維度變異后的取值。變異概率和變異范圍計(jì)算如下：

rimin=max(xi-rmut,ximin)；

rimax=min(xi+rmut,ximax)。

(22)

式中：pmut為變異概率；it為當(dāng)前迭代次數(shù)；MaxIt為最大迭代次數(shù)；u為變異概率衰減系數(shù)，本文u=3；rmut為變異范圍寬度；ximax為優(yōu)化變量第i維度許用值的上限；ximin為優(yōu)化變量第i維度許用值的下限；v為變異范圍衰減系數(shù)，本文v=2；rimin為優(yōu)化變量第i維許用坐標(biāo)的下限；rmax為優(yōu)化變量第i維許用坐標(biāo)的上限。

(2)改進(jìn)點(diǎn)2——確定全局最優(yōu)解gbest

本文使用柵格確定全局最優(yōu)解gbest，將整個(gè)搜索域在每一維上按照一定數(shù)量區(qū)分柵格(本文在每一維上劃分10柵格)，將非支配解根據(jù)位置各自存入對(duì)應(yīng)柵格并統(tǒng)計(jì)各柵格內(nèi)非支配解的數(shù)量，隨后按照輪盤賭決定選用哪一個(gè)柵格。每個(gè)柵格被選中的概率為

(23)

式中：p(hi)為hi柵格被選中的概率；為N(hi)第it迭代代數(shù)下有非支配解的柵格總數(shù)；nhi為hi柵格包含的非支配解數(shù)量。采用輪盤賭確定選中一個(gè)柵格后，再隨機(jī)確定全局最優(yōu)解gbest的非支配解。

3 案例驗(yàn)證與分析

為驗(yàn)證基于特征的切削刀具與切削參數(shù)集成優(yōu)化模型、KNN和MOPSO算法的正確性與有效性，在構(gòu)建零件加工特征信息庫(kù)、刀具信息庫(kù)、案例庫(kù)的基礎(chǔ)上，設(shè)計(jì)相應(yīng)案例進(jìn)行驗(yàn)證與分析。

3.1 零件加工特征信息庫(kù)、刀具信息庫(kù)、案例庫(kù)的建立

為支撐面向零件加工特征的刀具與切削參數(shù)決策方法，根據(jù)上述加工特征、刀具、加工特征和刀具匹配信息模型建立相應(yīng)的數(shù)據(jù)庫(kù)，以對(duì)零件加工特征、切削刀具和案例信息進(jìn)行有效管理，如圖7所示。

3.2 面向槽輪板加工的刀具與切削參數(shù)集成優(yōu)化決策分析

3.2.1 參數(shù)設(shè)置

基于建立的加工特征信息庫(kù)、刀具信息庫(kù)與加工案例庫(kù)，以槽輪板為例,驗(yàn)證本文所提模型和解算方法的正確性。圖8所示為槽輪板的二維、三維圖和相關(guān)加工特征。待匹配切削刀具和切削參數(shù)為加工特征F1,材料為普通碳素鋼板材，材料硬度區(qū)間為20～30 HRC，長(zhǎng)155 mm，寬90 mm，加工切深為3 mm，最大公差帶寬為0.5 mm，表面加工粗糙度要求為12.5 μm。

特征F1擬在加工中心VDL1000上加工，VDL1000參數(shù)如表1所示，模型相關(guān)系數(shù)設(shè)置如表2所示，加工過(guò)程中不使用切削液。

表1 VDL1000相關(guān)參數(shù)及模型

續(xù)表1

表2 刀具壽命和成本相關(guān)的系數(shù)

3.2.2 優(yōu)化結(jié)果

本文采用MATLAB編寫整個(gè)刀具選配和切削參數(shù)集成解決方法程序，其中A-KNN，B-KNN，C-KNN算法中設(shè)定K=20，MOPSO算法中種群規(guī)模為150，外部檔案最大數(shù)量為100，多目標(biāo)優(yōu)化時(shí)迭代次數(shù)為100，個(gè)體學(xué)習(xí)系數(shù)和總體學(xué)習(xí)系數(shù)均為1.49，慣性系數(shù)為0.73，初始變異概率為0.5，每一維網(wǎng)格劃分個(gè)數(shù)為10個(gè)。具體驗(yàn)證流程如下：

(1)通過(guò)加工特征F1類型和公差帶寬得到可使用的刀具類型。采用A-KNN算法篩選出距離前20的案例，通過(guò)解析刀具信息得出其刀具類型均為面銑刀。

(2)在刀具類型基礎(chǔ)上，通過(guò)加工特征F1材料得到可使用的刀具材料。采用B-KNN算法篩選出距離前20的案例，通過(guò)解析刀具信息得出其刀具材料為硬質(zhì)合金。

(3)在硬質(zhì)合金面銑刀基礎(chǔ)上，篩選出每一個(gè)規(guī)格下刀面磨損量最小的刀具，組成刀具集。共篩選出8把刀具，表3所示為8把刀具的詳細(xì)信息。

表3 特征F1備選刀具信息

(4)采用MOPSO算法獲取每一把刀具的最優(yōu)切削參數(shù)Pareto解集，結(jié)果如圖9所示，其中序號(hào)表示刀具編號(hào)。

(5)匯總8把刀具的Pareto解集，使用快速非支配排序算法得到8把刀具總的Pareto前沿，如圖10所示,部分Pareto結(jié)果如表4所示。

表4 集成優(yōu)化部分Pareto結(jié)果

(6)根據(jù)F1的材料、粗糙度、特征參數(shù)，在硬質(zhì)合金面銑刀案例集的基礎(chǔ)上，使用C-KNN算法推出最近距離的特征案例Q(如圖11)，并解析其加工切削參數(shù)C。輸入n把刀具總的Pareto前沿解集，從解集中篩選出最符合C的解，即槽輪板加工特征F1最優(yōu)的切削刀具為4號(hào)刀具，切削參數(shù)為轉(zhuǎn)速1 302.9 r·min-1，進(jìn)給速度0.798 3 mm·r-1，切削深度2.5 mm，切削寬度45 mm，碳排放為0.14 kg,成本為5.30元。

槽輪板F2～F5特征的切削刀具和切削參數(shù)也可類似優(yōu)化得出。

3.2.3 實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證所提模型和算法的合理性與有效性，對(duì)槽輪板特征F1進(jìn)行加工，相關(guān)的配置和加工實(shí)物圖如圖12所示，實(shí)驗(yàn)的碳排放為0.131 kg，所計(jì)算的碳排放為0.14 kg，本文優(yōu)化方法得到的結(jié)果與實(shí)際值的誤差大約為6.43%。因此，從降低碳排放的角度出發(fā)，本文所提模型和算法與實(shí)際加工過(guò)程的符合程度較高，滿足工程實(shí)際加工的要求。

3.2.4 結(jié)果對(duì)比

采用傳統(tǒng)的串行優(yōu)化方法[10]進(jìn)行刀具選配，得到最優(yōu)的刀具序號(hào)為6，用該刀具的信息進(jìn)行多目標(biāo)切削參數(shù)優(yōu)化，優(yōu)化結(jié)果如圖13所示?？梢?jiàn)，本文所提集成優(yōu)化方法明顯優(yōu)于傳統(tǒng)串行優(yōu)化方法，其得到的碳排放和成本優(yōu)化結(jié)果相比傳統(tǒng)串行優(yōu)化方法分別平均減少約18%和36%。因此，采用本文方法能夠得到更優(yōu)的刀具和切削參數(shù)組合。

3.3 基于渦輪殼體的刀具與切削參數(shù)決策

為測(cè)試實(shí)際大規(guī)模刀具情境下的可行性和有效性，將本文方法應(yīng)用于西安萬(wàn)威機(jī)械制造股份有限公司。為充分利用企業(yè)實(shí)際的加工資源，避免人為經(jīng)驗(yàn)存在不準(zhǔn)確的問(wèn)題，開(kāi)發(fā)接口對(duì)接西安萬(wàn)威機(jī)械制造股份有限公司歷史加工制造數(shù)據(jù)庫(kù)，對(duì)歷史加工制造數(shù)據(jù)庫(kù)進(jìn)行編碼并整理作為案例庫(kù)，同時(shí)為了有效推理，挖掘了其啟發(fā)式規(guī)則知識(shí)，以指導(dǎo)刀具選配時(shí)的推理。圖14所示為案例庫(kù)和啟發(fā)式規(guī)則知識(shí)挖掘流程。

結(jié)合案例庫(kù)和挖掘得到的規(guī)則知識(shí)，基于西安萬(wàn)威機(jī)械制造股份有限公司刀具數(shù)據(jù)，采用該公司一個(gè)渦輪殼體零件中的一個(gè)孔特征加工來(lái)說(shuō)明本文方法的可行性。零件三維模型、目標(biāo)特征位置及算法運(yùn)行流程如圖15所示,最后推薦得出的刀具類別為槽銑刀和麻花鉆，結(jié)合企業(yè)歷史加工知識(shí)，最終選擇刀庫(kù)中的PS_GX0206001槽銑刀,對(duì)應(yīng)的切削參數(shù)為轉(zhuǎn)速1 859.651 r·min-1、進(jìn)給速度0.800 m·min-1、切削深度2.5 mm、切削寬度12.521 mm、碳排放0.023 5 kg、成本1.516元。因此，該方法能充分運(yùn)用企業(yè)的實(shí)際加工知識(shí)決策出符合企業(yè)實(shí)際加工狀況的切削刀具和切削參數(shù)，有利于企業(yè)節(jié)能減排，降低制造成本。

4 結(jié)束語(yǔ)

傳統(tǒng)刀具選配和切削參數(shù)優(yōu)化方法往往忽略碳排放影響因素，并將刀具選配與切削參數(shù)分開(kāi)優(yōu)化，忽略了其內(nèi)在聯(lián)系，使確定的刀具選配和切削參數(shù)方案并非最佳。因此，本文提出一種基于加工特征的刀具選配與切削參數(shù)集成優(yōu)化方法。該方法在分析刀具磨損對(duì)切削參數(shù)影響的基礎(chǔ)上，構(gòu)建基于加工特征的刀具選配與切削參數(shù)集成優(yōu)化模型；針對(duì)集成模型需要同時(shí)處理離散模式匹配問(wèn)題(刀具選配問(wèn)題)和連續(xù)優(yōu)化問(wèn)題(切削參數(shù)優(yōu)化問(wèn)題)的特點(diǎn)，設(shè)計(jì)了基于K近鄰和MOPSO混合優(yōu)化算法對(duì)模型進(jìn)行求解。結(jié)合加工實(shí)驗(yàn)和企業(yè)實(shí)際案例對(duì)模型和算法的正確性與有效性進(jìn)行驗(yàn)證，結(jié)果表明：①本文方法提出的碳排放模型能滿足工程實(shí)際加工要求；②本方法優(yōu)于傳統(tǒng)方法，所推選的刀具和切削參數(shù)能夠進(jìn)一步降低碳排放和加工成本；③本文方法能進(jìn)一步改善制造企業(yè)零部件加工中切削刀具和切削參數(shù)的決策結(jié)果，有效降低企業(yè)碳排放和加工成本，提升企業(yè)效益。

在建模中，除了刀具磨損因素，刀具幾何參數(shù)也會(huì)影響碳排放和加工精度，為此，下一步研究擬探索刀具幾何參數(shù)與碳排放的關(guān)系，進(jìn)一步完善基于零件加工特征的刀具選配與切削參數(shù)集成優(yōu)化方法。