鄧浩賢

摘 要：為了提高數(shù)控機(jī)床的生產(chǎn)效率以及節(jié)約生產(chǎn)成本，選擇最優(yōu)的切削參數(shù)是關(guān)鍵。因?yàn)橛衼?lái)自很多方面的影響因素，所以僅靠人工確定的方法已經(jīng)不能滿足企業(yè)的發(fā)展需要了。本文從人工智能的角度出發(fā)，在遺傳算法上做出了改進(jìn)，并將改進(jìn)后的算法對(duì)數(shù)控機(jī)床的切削參數(shù)進(jìn)行優(yōu)化，通過(guò)實(shí)驗(yàn)證明，可以顯著提高工作效率。

關(guān)鍵詞：數(shù)控機(jī)床;人工智能;切削參數(shù);算法優(yōu)化

人工智能是由美國(guó)計(jì)算機(jī)科學(xué)家約翰麥卡錫于1956年在達(dá)特茅斯會(huì)議上首次提出來(lái)的[1]。人工智能是一個(gè)使機(jī)器智能化的過(guò)程，這些機(jī)器被編程為像人一樣地去“思考”問(wèn)題并對(duì)問(wèn)題做出解決，人工智能產(chǎn)品追求的是其合理化地采取最有可能實(shí)現(xiàn)特定目標(biāo)的行為的能力。發(fā)展至今，在各領(lǐng)域中已經(jīng)獲得了突出的地位。其中，遺傳算法是人工智能中有一種用來(lái)解決最優(yōu)化的搜索啟發(fā)式算法[2]。本文對(duì)遺傳算法做出改進(jìn)，然后利用算法對(duì)數(shù)控機(jī)床的切削參數(shù)進(jìn)行優(yōu)化，從而顯著提高數(shù)控機(jī)床的加工效率。

1.切削參數(shù)優(yōu)化的數(shù)學(xué)模型

1.1 優(yōu)化變量

銑削的寬度一般是客戶輸入的，因此可以優(yōu)化的參數(shù)是銑削速度、背吃刀量與梅齒進(jìn)給量。將此三者進(jìn)行優(yōu)化，優(yōu)化的向量表達(dá)式為：

1.2 目標(biāo)函數(shù)

常用的目標(biāo)優(yōu)化函數(shù)有最大生產(chǎn)效率、最低生產(chǎn)成本、多目標(biāo)三種優(yōu)化函數(shù)，每種優(yōu)化函數(shù)在不同的情況下使用。本文以優(yōu)化生產(chǎn)效率為目標(biāo)，因此以生產(chǎn)效率為目標(biāo)函數(shù)。目標(biāo)函數(shù)的抽象表達(dá)式為：

1.3 約束條件

在本文中，將主要的約束條件分為下列幾個(gè)方面：

（1）切削力的約束：切削中的切削力不能F超過(guò)機(jī)床設(shè)定的最大值Fmax。

2.人工智能算法

人工智能發(fā)展至今，已有很多功能強(qiáng)大的算法，涉及感知、記憶思維、決策與自適應(yīng)等方面的能力。對(duì)于數(shù)控機(jī)床如果它有人工智能方面的能力，比如自動(dòng)確定切削用量，這將會(huì)極大提高工作效率以及節(jié)省生產(chǎn)成本。

上文的討論中，目標(biāo)函數(shù)與約束條件中涉及的方程都是非線性的，優(yōu)化思路即是對(duì)非線性規(guī)劃問(wèn)題求最優(yōu)解，本節(jié)先介紹人工智能中的遺傳算法，然后將遺傳算法進(jìn)行改進(jìn)，最后應(yīng)用到數(shù)控機(jī)床的切削參數(shù)優(yōu)化中。

2.1遺傳算法

遺傳是一種用于人工智能和計(jì)算的啟發(fā)式搜索方法，非常適合解決無(wú)約束和受約束的優(yōu)化問(wèn)題。遺傳算法利用來(lái)自進(jìn)化生物學(xué)的技術(shù)，最常用的方法是從給定的群體中隨機(jī)創(chuàng)建一組個(gè)體。在編碼人員提供的評(píng)估功能的幫助下評(píng)估形成的個(gè)體。然后向個(gè)人提供分?jǐn)?shù)，該分?jǐn)?shù)間接地反應(yīng)了對(duì)給定情況的適應(yīng)性。然后使用最好的兩個(gè)個(gè)體來(lái)創(chuàng)建一個(gè)或多個(gè)后代，之后在后代上進(jìn)行隨機(jī)突變。根據(jù)應(yīng)用程序的需要，該過(guò)程將反復(fù)執(zhí)行，直到獲得可接受的解決方案。

遺傳算法中通過(guò)適應(yīng)度函數(shù)值對(duì)群體中不同的個(gè)體優(yōu)劣來(lái)進(jìn)行區(qū)分，適應(yīng)度函數(shù)值大的將會(huì)繁衍產(chǎn)生新一代群體。一般情況下，將大于平均適應(yīng)度值的個(gè)體做交叉，將小于平均值的個(gè)體做變異，以此來(lái)提高整個(gè)群體的適應(yīng)度函數(shù)值，優(yōu)化群體中每個(gè)個(gè)體的性能。因此，適應(yīng)度函數(shù)是遺傳算法的核心，直接決定是否能找到最優(yōu)解。遺傳算法的優(yōu)化分為兩類，根據(jù)目標(biāo)函數(shù)的不同而不同，本文優(yōu)化的目標(biāo)函數(shù)是效率最大化，因此有：

2.2改進(jìn)的遺傳算法

由上文可知，現(xiàn)階段的遺傳算法雖然可以對(duì)性能進(jìn)行優(yōu)化，但是仍然存在缺陷，因此本節(jié)主要對(duì)遺傳算法進(jìn)行改進(jìn)，本質(zhì)上是對(duì)適應(yīng)度函數(shù)進(jìn)行改進(jìn)。

改進(jìn)的思路是不需要用戶改變函數(shù)中的參數(shù)，算法在求最優(yōu)解的過(guò)程中，每一步都會(huì)自動(dòng)更新參數(shù)值以保證每步最優(yōu)，從而使整體的結(jié)果最優(yōu)。改進(jìn)后的算法具有自適應(yīng)性，保證了性能的最優(yōu)。

3.切削參數(shù)的優(yōu)化

如圖2.1所示。選擇、交叉、變異是遺傳算法的三個(gè)主要的操作算子，個(gè)體為操作的對(duì)象，它們構(gòu)成了整個(gè)遺傳過(guò)程，使遺傳算法具有了其它傳統(tǒng)方法所沒(méi)有的優(yōu)良特性[3]。選擇算子主要是根據(jù)群體的適應(yīng)度高低來(lái)操作，交叉算子的選擇影響到算法收斂速度，變異算子是進(jìn)過(guò)過(guò)程中種群多樣性的保證。本文中選擇算子使用最優(yōu)個(gè)體保存，交叉算子使用算數(shù)交叉，變異算子使用均勻變異。優(yōu)化后的結(jié)果：

評(píng)價(jià)實(shí)驗(yàn)結(jié)果必須考慮切削時(shí)間和生產(chǎn)成本，最直觀確定優(yōu)化效果。由表1的比較可知，將遺傳算法改進(jìn)后，機(jī)床的切削速度、進(jìn)給量與切削力都有了較大的提升，從而節(jié)省了加工時(shí)間，同時(shí)也有效的提高了機(jī)床整體的工作效率。

結(jié)束語(yǔ)

基于人工智能算法對(duì)數(shù)控機(jī)床的切削參數(shù)優(yōu)化，遺傳算法能多點(diǎn)同時(shí)尋優(yōu)，從而獲得全局最優(yōu)解。在改進(jìn)之后增加了算法的自適應(yīng)性，使得算法的收斂速度和性能都有較大的提升。應(yīng)用與切削參數(shù)的優(yōu)化，實(shí)驗(yàn)結(jié)果表明可以顯著提高工作效率。

本文雖然在一定程度上改進(jìn)了系統(tǒng)的性能，但是仍有很大的進(jìn)步空間。接下來(lái)的研究工作將會(huì)在改進(jìn)后的遺傳算法的基礎(chǔ)之上，嘗試對(duì)三個(gè)基本算子進(jìn)行改進(jìn)，因?yàn)檫@些參數(shù)對(duì)算法的搜索速度以及性能都會(huì)產(chǎn)生較大的影響。

參考文獻(xiàn)：

[1]陶建華，李長(zhǎng)亮.未來(lái)已來(lái)——人工智能技術(shù)將進(jìn)入快速發(fā)展期[J].紫光閣，2017（12）：79-79.

[2]黃青群.數(shù)學(xué)建模中優(yōu)化模型的求解方法[J].科技資訊，2016，14（24）：139-140.

[3]王一平.用遺傳算法改進(jìn)HMM的語(yǔ)音識(shí)別算法研究[D].太原理工大學(xué)，2007.