本發(fā)明涉及齒輪滾齒加工，具體地涉及一種滾齒工藝參數(shù)優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、碳中和的目標向齒輪加工提出了更高的要求，在滾齒加工過程中，不合理的工藝參數(shù)將會嚴重影響齒輪的加工能耗、加工誤差和加工成本。例如，在滾齒加工中，刀具旋轉(zhuǎn)、工件旋轉(zhuǎn)以及它們之間的嚙合運動都需要消耗能量，不合理的工藝參數(shù)，如過高的切削速度、過大的進給量或不恰當?shù)臐L刀參數(shù)，都可能導致機床各軸能耗的增加，還可能影響加工表面的粗糙度，從而影響加工誤差。此外，如果工藝參數(shù)設(shè)置不當，會嚴重影響材料成本、維護成本或刀具更換成本等，使得整個生產(chǎn)成本上升。

2、因此，滾齒工藝參數(shù)的優(yōu)化成為齒輪加工的關(guān)鍵考慮因素。在實際生產(chǎn)中，滾齒加工的工藝參數(shù)大多由工藝人員憑借經(jīng)驗制定，具有較大的主觀性?，F(xiàn)有技術(shù)中存在一些優(yōu)化方法對于滾齒工藝參數(shù)進行了優(yōu)化，但是缺少同時考慮加工能耗、加工誤差和加工成本因素的方法，且優(yōu)化方法的科學性較差，優(yōu)化效果較小，使得工廠無法直接應用來滿足生產(chǎn)需求。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種基于多目標鯨魚優(yōu)化算法的滾齒工藝參數(shù)優(yōu)化方法及系統(tǒng)，多維度考慮了實際滾齒工藝生產(chǎn)環(huán)節(jié)的多個目標因素，可以在保證加工質(zhì)量的前提下提高生產(chǎn)效率并降低生產(chǎn)成本，具備較高的實際生產(chǎn)指導價值。

2、為了實現(xiàn)上述目的，本發(fā)明采取的技術(shù)手段如下：一種基于多目標鯨魚優(yōu)化算法的滾齒工藝參數(shù)優(yōu)化方法，方法包含：

3、s1、以滾刀頭數(shù)k、滾刀直徑d1、主軸轉(zhuǎn)速n、進給量fz作為待優(yōu)化工藝參數(shù)變量；以最低加工能耗模型、最小加工誤差模型和最低加工成本模型為優(yōu)化目標構(gòu)建目標函數(shù)；構(gòu)建滾齒加工多目標優(yōu)化函數(shù)模型；

4、所述加工能耗模型e＝es+ee+ec，其中，es為待機時段的能耗，ee為空載時段的能耗，ec為切削時段的能耗；

5、所述加工誤差模型q＝w1δx+w2δy，其中，δx為齒向誤差，δy為齒形誤差，w1、w2為權(quán)重系數(shù)；

6、所述加工成本模型c＝c1+c2+c3+c4+c5，其中，c1為毛坯成本，c2為刀具損耗成本，c3為機床損耗成本，c4為人力成本，c5為能源成本；

7、s2、采用多目標鯨魚優(yōu)化算法對所述滾齒加工多目標優(yōu)化函數(shù)模型中輸入的待優(yōu)化工藝參數(shù)變量進行迭代尋優(yōu)，獲取多個工藝參數(shù)解集；

8、s3、通過基于熵權(quán)的逼近理想解排序法對獲取的所有工藝參數(shù)解集進行評價和排序，獲得最優(yōu)工藝參數(shù)解。

9、作為本發(fā)明的優(yōu)選，s1中還包含約束條件設(shè)置步驟，具體為：基于工藝參數(shù)取值區(qū)間、刀具制造商、機床性能要求以及加工條件對滾齒加工多目標優(yōu)化函數(shù)模型提出變量約束條件，所述變量約束條件具體為：

10、

11、其中，ra為表面粗糙度，r為滾刀半徑。

12、作為本發(fā)明的優(yōu)選，s2中，采用多目標鯨魚優(yōu)化算法對工藝參數(shù)進行迭代尋優(yōu)的具體步驟包括：

13、s21、初始化鯨魚種群大小n，目標個數(shù)obj，迭代次數(shù)t，最大迭代次數(shù)t，交叉概率pc，變異概率pm，搜索空間上限ub和下限lb；

14、s22、將目標函數(shù)作為適應度函數(shù)，計算所有個體的適應度和位置向量；

15、s23、確定種群中的非支配解并保存到pareto解集中；

16、s24、計算擁擠度并根據(jù)擁擠度選擇一個最優(yōu)個體；

17、s25、采用優(yōu)化搜索機制進行算法優(yōu)化；

18、s26、確定種群中新的非支配解并保存到pareto解集中，同時去除pareto解集中被支配的解；

19、s27、判斷迭代次數(shù)是否大于設(shè)定閾值，若是，則停止迭代，得到工藝參數(shù)解集，否則重新執(zhí)行步驟s24。

20、作為本發(fā)明的優(yōu)選，步驟s25中，優(yōu)化搜索機制的執(zhí)行步驟包含：

21、s251、生成范圍為(0,1)的隨機數(shù)，若隨機數(shù)小于0.5，則使用包圍收縮策略更新個體位置；若隨機數(shù)大于等于0.5，則使用螺旋氣泡捕食策略更新個體位置。

22、作為本發(fā)明的優(yōu)選，步驟s25中，包含步驟s252、設(shè)置系數(shù)變量a，當|a|＜1時，選擇按最佳個體利用收縮包圍捕食策略更新個體并計算個體適應度；當|a|＞1時，選擇隨機游動捕食策略更新個體并計算個體適應度。

23、|a|＜1時，在此階段，在當前的解空間區(qū)域內(nèi)進行局部搜索，這而已使得在已知的較好區(qū)域內(nèi)進行精細化搜索。|a|＞1，探索新的解空間區(qū)域，這有助于避免陷入局部最優(yōu)解。

24、作為本發(fā)明的優(yōu)選，s3中，獲得最優(yōu)工藝參數(shù)解的具體步驟包括：

25、s31、以所述工藝參數(shù)解集中的滾刀頭數(shù)k、滾刀直徑d1、主軸轉(zhuǎn)速n和進給量fz為評價樣本；以優(yōu)化目標為評價指標；獲取特征指標并構(gòu)建判斷矩陣；

26、s32、對所述特征指標進行標準化處理；

27、s33、求解各特征指標在各樣本中的比例，即特征指標變異度；

28、s34、計算各特征指標的信息熵并確定各特征指標的權(quán)重；

29、s35、構(gòu)建評價指標加權(quán)規(guī)范化矩陣；

30、s36、利用topsis法確定正理想解zj+和負理想解zj-，計算正、負理想解的距離di+、di-；

31、s37、計算相對貼近度si，根據(jù)所述相對貼近度si對所有工藝參數(shù)解集排序，選擇第一位序的工藝參數(shù)解集中的解作為最優(yōu)工藝參數(shù)解。

32、作為本發(fā)明的優(yōu)選，s31中，獲取特征指標并構(gòu)建判斷矩陣包括：將m個評價樣本和n個評價指標中第i個對象的第j個指標定義為特征指標xij，構(gòu)建判斷矩陣x＝(xij)m×n(i＝1,2,···,m；j＝1,2,···,n)。

33、作為本發(fā)明的優(yōu)選，s37中，選擇第一位序的工藝參數(shù)解集中的解作為最優(yōu)工藝參數(shù)解包括：

34、

35、其中，si為相對貼近度，di+為正理想解距離，di-為負理想解距離。

36、另一方面，本發(fā)明還提供一種基于多目標鯨魚優(yōu)化算法的滾齒工藝參數(shù)優(yōu)化系統(tǒng)，該系統(tǒng)包括：多目標優(yōu)化函數(shù)模型構(gòu)建模塊，用于以滾刀頭數(shù)k、滾刀直徑d1、主軸轉(zhuǎn)速n、進給量fz作為待優(yōu)化工藝參數(shù)變量，以最低加工能耗、最小加工誤差和最低加工成本為優(yōu)化目標構(gòu)建目標函數(shù)，構(gòu)建滾齒加工多目標優(yōu)化函數(shù)模型；

37、鯨魚優(yōu)化模塊，用于將待優(yōu)化工藝參數(shù)變量輸入滾齒加工多目標優(yōu)化函數(shù)模型中，并通過多目標鯨魚優(yōu)化算法進行迭代尋優(yōu)，獲取多個工藝參數(shù)解集；

38、評價與決策模塊，用于通過基于熵權(quán)的逼近理想解排序法對獲取的所有工藝參數(shù)解集進行評價和排序，獲得最優(yōu)工藝參數(shù)解。

39、另一方面，本發(fā)明還提供了一種電子設(shè)備，包括處理器以及存儲器；

40、所述處理器與所述存儲器相連；

41、所述存儲器，用于存儲可執(zhí)行程序代碼；

42、所述處理器通過讀取所述存儲器中存儲的可執(zhí)行程序代碼來運行與所述可執(zhí)行程序代碼對應的程序，以用于執(zhí)行如前述的一種基于多目標鯨魚優(yōu)化算法的滾齒工藝參數(shù)優(yōu)化方法。

43、綜上所述，本發(fā)明有如下的有益效果：

44、本發(fā)明基于待優(yōu)化工藝參數(shù)建立了滾齒加工多目標優(yōu)化函數(shù)模型，對加工能耗、加工誤差和加工成本進行了多維度綜合考量，利用多目標鯨魚優(yōu)化算法較好的全局尋優(yōu)能力和自適應調(diào)整策略實現(xiàn)工藝參數(shù)的迭代尋優(yōu)，并利用基于熵權(quán)的逼近理想解排序法對優(yōu)化后的工藝參數(shù)解集進行評分決策，指導企業(yè)選擇適合的工藝參數(shù)方案，可以幫助企業(yè)實現(xiàn)制造成本端的降本增效的目標，實用性強，適用面廣。