【技術實現步驟摘要】
本專利技術涉及生產制造，尤其是基于bpnn-tssa算法的tc4高速銑削工藝參數多目標優化方法。
技術介紹
1、從20世紀50年代以來，由于航空航天技術的迫切需要，鈦工業得到了迅速的發展。由于其具有比強度高、耐熱性和耐蝕性好等優良性能，鈦合金不僅成為現代航空航天工業中不可缺少的結構材料，而且在造船、化工、冶金、醫療等方面也獲得了廣泛的應用，在航空航天領域，鈦合金主要用于制造噴氣發動機的壓氣機盤、渦輪盤、葉片以及機匣等，以及諸如大型主起落架支撐梁、機身后段及轉向梁等結構件。鈦合金還在航海、能源、化工和汽車工業中得到大量的應用，例如用于制造推進器、泵、閥門和管材等在腐蝕性環境中工作的零部件。另外，鈦合金在汽車工業中以及諸如醫療器械、體育器械等日常生活領域中也得到了越來越廣泛的應用。
2、鈦合金具有高的比強度和優異的抗腐蝕性能，是理想的航空結構材料，但是，它和結構鋼、不銹鋼和高溫合金相比，鈦合金對表面損傷和缺陷有更大的敏感性，容易出現疲勞斷裂事故。因此，開展對提高切削加工精度和質量的研究，以保證切削加工產品有良好的表面完整性，具有十分重要的現實意義。
3、目前鈦合金的切削加工工藝主要以車削、銑削和鉆削為主，航空鈦合金結構件加工以銑削為主。鈦合金銑削加工時，由于加工過程中循環熱力載荷的作用，使得切屑與刀刃容易黏結，刀具磨損嚴重。現階段大部分的研究集中于傳統建模的方式進行優化，但對于切削加工來說，不同的機床，材料上的區別，也會導致傳統經驗公式的不準確性；少部分使用機器學習算法進行優化，但也大部分使用原生機器學習算法
技術實現思路
1、本專利技術提出基于bpnn-tssa算法的tc4高速銑削工藝參數多目標優化方法，屬于基于改進bpnn-ssa算法的鈦合金高速銑削工藝參數多目標優化方法，該方法以鈦合金銑削參數(銑削速度、進給速度、軸向切深、徑向切深)與鈦合金表面粗糙度、能耗、材料去除率和亞表面損傷作為訓練模型的數據集，形成一種將bpnn與具有佳點集以及t分布自適應變異的麻雀搜索算法相結合的優化算法，能實現鈦合金高速銑削工藝參數優化。
2、本專利技術采用以下技術方案。
3、基于bpnn-tssa算法的tc4高速銑削工藝參數多目標優化方法，用于鈦合金高速銑削工藝參數優化，包括以下步驟；
4、步驟s1：將銑削鈦合金材料的表面粗糙度、能耗、材料去除率和亞表面損傷作為優化目標，以切削速度、進給速度、軸向切深和徑向切深為優化變量，構建實驗方案；
5、步驟s2：根據實驗結果整理數據集，并按留一交叉驗證法將數據集劃分為訓練集dt和測試集dv；使用k個訓練集dt1,dt2…dtk分別訓練bpnn模型，得到bpnn模型集合m＝[m1,m2…mi…mk]；
6、步驟s3：分別構建表面粗糙度、能耗、材料去除率和亞表面損傷的bpnn模型，計算單個bpnn模型mi的均方根誤差，并通過測試集dv驗證bpnn模型集合m的總體擬合準確率ac；
7、步驟s4：采用critic方法進行客觀賦權，以建立綜合評價函數，并結合各工藝參數的約束條件構建多目標優化模型；
8、步驟s5：使用改進ssa算法對工藝參數進行優化，得到綜合評價指標最優時對應的銑削參數，從而實現對鈦合金銑削工藝參數的優化。
9、步驟s1包括以下步驟：
10、步驟s1.1、選擇切削速度vc、每齒進給量fz為實驗因數，設置各因素水平，設計正交實驗；
11、由鈦合金高速銑削條件設置各因素的約束：
12、切削速度vmin≤vc≤vmax
13、每齒進給量fmin≤fz≤fmax
14、其中，
15、vmin、vmax是切削速度vc的最小值與最大值；
16、fmin、fmax是進給速度fz的最小值與最大值；
17、步驟s1.2、進行銑削實驗，在每次銑削實驗之后，測量銑削后的工件表面粗糙度、能耗、材料去除率、亞表面損傷，用于以實驗結果整理數據集。
18、步驟s2包括以下步驟：
19、步驟s2.1、實驗完成以后，根據實驗結果整理數據集為
20、d＝{(x1,y1),(x2,y2),...(xi,yi)...,(xk,yk)}，按照留一交叉驗證法劃分數據集為訓練集dt＝[dt1,dt2…dti…dtk]和測試集dv＝[dv1,dv2…dvi…dvk]。
21、步驟s2.2、把有量綱表達式變為無量綱表達式，解決數據的可比性。對數據集進行歸一化處理，原自變量為x＝{x1,x2,...xi...,xk}，歸一化方法如下
22、對于數值越大越好的正向指標：對于數值越小越好的逆向指標：變換后的數據集為d＝{(xg1,y1),(xg2,y2),...(xgi,yi)...,(xgk,yk)}。其中，
23、xi為變量初始值；
24、xgi為歸一化之后的變量；
25、max(x)為原變量中的最大值；
26、min(x)為原變量中的最小值；
27、步驟s2.3、使用訓練集dti，訓練bpnn模型mi；
28、步驟s2.4、隨機初始化輸入層和隱藏層之間的權重矩陣
29、
30、其中，
31、d表示輸入層神經元個數；
32、q表示隱藏層神經元個數；
33、表示單個輸入層和隱藏層神經元之間的連接權重；
34、步驟s2.5、隨機初始化輸入層神經元連接隱藏層神經元的偏置值；
35、步驟s2.6、隨機初始化隱藏層神經元連接輸出層神經元的初始權重矩陣
36、
37、其中，
38、l表示輸出層神經元個數；
39、表示單個隱藏層和輸出層神經元之間的連接權重；
40、步驟s2.7、隨機初始化隱藏層神經元連接輸出層神經元的偏置值；
41、步驟s2.8、設置隱藏層激活函數為
42、步驟s2.9、計算神經網絡的輸出
43、outo＝f(w(ho)·f(w(ih)·x+b(ih))+b(ho))
44、其中，
45、
46、outol表示第l個輸出節點的輸出值；
47、步驟s2.10、計算神經網絡的損失函數loss
48、
49、其中，yi表示第i個標簽值；
50、步驟s2.11、計算輸出層和隱藏層之間的誤差因子δ0
51、
52、步驟s2.12、更新隱藏層和輸出層之間的權重w(ho)與偏置b(ho)
53、
54、其中，
55、表示更新后的隱藏層與輸出層間權重；
56、表示更新后的隱藏層與輸出層間偏置；
57、η表示學習率，η＞0。本文檔來自技高網...
【技術保護點】
1.基于BPNN-tSSA算法的TC4高速銑削工藝參數多目標優化方法，用于鈦合金高速銑削工藝參數優化，其特征在于：包括以下步驟；
2.根據權利要求1所述的基于BPNN-tSSA算法的TC4高速銑削工藝參數多目標優化方法，其特征在于：步驟S1包括以下步驟：
3.根據權利要求2所述的基于BPNN-tSSA算法的TC4高速銑削工藝參數多目標優化方法，其特征在于：步驟S2包括以下步驟：
4.根據權利要求3所述的基于BPNN-tSSA算法的TC4高速銑削工藝參數多目標優化方法，其特征在于：步驟S3包括以下步驟：
5.根據權利要求4所述的基于BPNN-tSSA算法的TC4高速銑削工藝參數多目標優化方法，其特征在于：所述步驟S4包括以下步驟：
6.根據權利要求5所述的基于BPNN-tSSA算法的TC4高速銑削工藝參數多目標優化方法，其特征在于：所述步驟S5包括以下步驟：
7.根據權利要求1所述的基于BPNN-tSSA算法的TC4高速銑削工藝參數多目標優化方法，其特征在于：所述銑削工藝中，軸向切深和徑向切深由加工工藝確定。<...
【技術特征摘要】
1.基于bpnn-tssa算法的tc4高速銑削工藝參數多目標優化方法，用于鈦合金高速銑削工藝參數優化，其特征在于：包括以下步驟；
2.根據權利要求1所述的基于bpnn-tssa算法的tc4高速銑削工藝參數多目標優化方法，其特征在于：步驟s1包括以下步驟：
3.根據權利要求2所述的基于bpnn-tssa算法的tc4高速銑削工藝參數多目標優化方法，其特征在于：步驟s2包括以下步驟：
4.根據權利要求3所述的基于bpnn-tssa算法的tc4高速銑削工藝參數多目標優化方法，其特征在于：步驟s3包括以下步驟：
5.根據權利要求4所...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。