数控铣削加工过程中,铣削参数直接决定铣削加工质量和精度,因此铣削参数的合理设定显得尤为重要。过去加工生产中,一般以经验或者铣削手册进行切削参数的设定。这种方法所设定的参数往往过于保守而导致切削用料浪费以及加工零件质量难以提升[1-2]。实际生产过程中,将加工零件的表面粗糙度作为铣切削过程的优化目标,通过一系列优化设计以达到优化切削用量并提高零件精度的目的,是典型的多响应参数优化问题,也是铣削加工的一项关键技术。赵韩等[3]、苏晓云等[4]用BP神经网络法对切削参数进行优化选择,增大了最优参数组合的搜索范围。李建广等[5]提出了基于遗传算法的车削用量优化方法,弥补了BP神经网络易陷入局部最优解的缺点。也有学者另辟蹊径,用粒子群算法进行铣削参数优化[6]。
一般的多响应参数优化设计主要从系统简化、参数优化和稳健性设计3个方面出发,通过一系列寻优搜索处理,最终找到最佳参数组合。许静等[7]采用主成分分析法对多个响应进行降维处理,从而达到简化多响应系统的目的。对于不易进行降维的系统,刘玉敏等[8]通过综合满意度将多个响应转化为一个综合质量指标。此外,还有灰关联分析法[9]、理想解逼近法[10]等常用的多响应系统简化方法。然而这些方法均需要进行权值设定,要求各响应之间有较小相关性。实际生产过程中,权值有时不易确定,而多个响应之间的相关性不易把控,简单的权重设定很难准确地刻画各响应之间的关系。模糊逻辑推理通过设置模糊规则将多响应优化问题简化为单响应优化设计[11-12],避免权值设定的同时不需要考虑各响应之间相关性大小,充分提取各响应之间的内在关系。实际生产过程中,往往存在噪声干扰,为避免噪声影响,人们通常将响应的实际质量波动值进行均值化处理[13],然而简单的均值处理法会造成一定的信息损失,为此,引入数学中的模糊理论,使之更加贴近实际生产过程。Zadeh[14]用模糊子集理论对复杂模糊概念进行描述,为不确定性的数量化提供了有效路径。直觉模糊集以及区间模糊集等概念[15-16]从一定程度上扩大了人们对模糊的认知范围。Torro[17]于2010年提出了犹豫模糊集,不仅在一定程度上减少了信息损失,且更能反映客观事实,目前被广泛用于决策管理领域。
本文研究一种基于犹豫模糊决策的铣削优化方法,对铣削加工过程中多个响应变量的实验数据进行稳健参数优化设计,构建犹豫模糊决策矩阵,减少均值处理造成的信息损失,也在一定程度上消除了噪声干扰。然后将犹豫模糊距离与模糊逻辑推理相结合,形成综合评价指标,有效避免了权值设置问题,充分提取各响应之间的内在机理关系。最后通过主效应法分析获得最优参数组合,并将结果与满意度函数法相对比,说明该方法的实用性与有效性。
1 铣削过程实验 1.1 实验设计与决策矩阵构建铣削加工过程影响因素(可控因子)主要有4个,即进给量、铣削深度、铣削速度和铣削宽度,分别记为
4个可控因子5个水平的正交实验设计L25(54)共有25组参数组合。考虑到铣削加工过程中的干扰因素,为提高设计参数的稳健性,每组参数进行4次重复实验(其中中心区加密做了10次重复实验)。实验结果[18]如表2、表3所示。由实验结果可见,铣削加工过程受干扰因素影响,表面粗糙度两个响应值存在不确定性。
在进行稳健参数设计时,传统做法一般是将响应的质量波动值进行均值化处理,但这样会造成一定的信息损失。犹豫模糊集中每个元素可以有多个隶属度值[19],因此,引入犹豫模糊集可以更加客观描述铣削加工过程,避免损失实验信息。
为进行无量纲化处理,将表3中实验观测值按照式(1)计算
$\begin{split}&\qquad\tilde y_{ij}^{\left( k \right)} = \frac{{y_{ij}^{\left( k \right)} - y_{j\left( {\min } \right)}^{}}}{{y_{j\left( {\max } \right)}^{} - y_{j\left( {\min } \right)}^{}}};\\ &i = 1,2, \cdots ,25;\;j = 1,2;k = 1,2, \cdots ,4\text{或}10{\text{。}}\end{split}$ | (1) |
其中,
根据犹豫模糊决策矩阵,可以确定表面粗糙度两个响应的正理想点[19]。
正理想点的分量对应各响应
$\begin{array}{l} y_j^ + = \left\{ {\begin{array}{*{20}{c}} {\mathop {\max }\limits_{1 {\text{≤}} i {\text{≤}} 25,1 {\text{≤}} k {\text{≤}} 10} \left\{ {\tilde y_{ij}^{\left( k \right)}} \right\},}&{}&{{Y_j}\text{望大};}\\ {\mathop {\min }\limits_{1 {\text{≤}} i {\text{≤}} 25,1 {\text{≤}} k {\text{≤}} 10} \left\{ {\tilde y_{ij}^{\left( k \right)}} \right\},}&{}&{{Y_j}\text{望小};}\\ {\text{某个}\mathop {\left\{ {\tilde y_{ij}^{\left( k \right)}} \right\}}\limits_{1 {\text{≤}} i {\text{≤}} 25,1 {\text{≤}} k {\text{≤}} 10} ,}&{}&{\;\;\;{Y_j}\text{望目}\text{。}} \end{array}} \right.\\ j = 1,2\text{。} \end{array}$ | (2) |
从而正理想点为
定义各个犹豫模糊元的犹豫模糊距离如式(3)所示
$\begin{split}&\qquad{d_{ij}} = \sqrt {\frac{1}{k}\left[ {\sum\limits_{k = 1}^K {{{\left( {\tilde y_{ij}^{\left( k \right)} - y_j^ + } \right)}^2}} } \right]} ;i = 1,2, \cdots ,25{\text{,}}\\ &\qquad j = 1,2;k = 1,2, \cdots ,K;K = 4\text{或}10{\text。}\end{split}$ | (3) |
用犹豫模糊距离测量表面粗糙度和两个响应值的优劣,计算结果见表5中的
在传统模糊测度方法中,通常通过简单加权和[20]如式(4),计算各组实验结果的表面粗糙度两个响应与正理想点的距离为
${d_w}\left( {{Y_i},{Y^ + }} \right) \!=\! {w_1}{d_{i1}} \!+\! {w_2}{d_{i2}},({w_1} \!+\! {w_2} \!=\! 1),i \!=\! 1,2, \cdots ,25{\text{。}}\!\!\!\!\!\!$ | (4) |
其中,
模糊逻辑推理通过设置模糊规则构建映射模型,可将多个输入变量转化为一个模糊推理等级(fuzzy reasoning grade,FRG)。加权法简单易行,但不能充分利用响应间关系所提供的机理信息。本文引入模糊逻辑推理算法,将铣削的表面粗糙度Ra和Rt两个响应的犹豫模糊距离值作为输入变量,最终输出对应的模糊推理等级(FRG),反映铣削过程的综合质量指标,实现铣削参数优化过程的简化。模糊逻辑推理方法不依赖权重的设定和加权计算,推理规则设置时具有较大的灵活性,可以充分提取反映响应间相互关系的机理信息。
模糊推理过程可以划分为3个步骤:模糊化处理、模糊逻辑推理以及清晰化,通过Matlab软件中的Fuzzy工具箱实现。
2.1 模糊化处理将表面粗糙度两个响应变量对应的犹豫欧氏距离(
各模糊子集的隶属函数分别为
铣削过程参数优化的模糊逻辑推理规则采用IF…THEN形式表示,根据实际设定25条规则(如表6所示)。
表6设定的规则所对应的曲面图(见图4)展示出规则制定较为合理,在曲面上分布均匀。阶梯状的曲面还可以看出模糊推理等级随着距离变小而变小,二者呈正相关关系。由此可见,模糊推理等级与距离同样具有望小的质量特性。
根据推理规则,利用Mamdani模糊推理法[21]进行模糊推理。图5是模糊逻辑推理过程的示意图。
如图5所示,经过模糊逻辑推理后得到的是一个模糊子集,需将其转化为一个清晰化数值,作为输出结果。采用重心法,将模糊集合转化为清晰确定的输出值FRG。
在Matlab的Fuzzy工具箱中,模糊推理界面见图6,第1列和第2列分别对应输入变量
将表6中两个响应所对应的多组犹豫欧式距离输入模糊推理界面,得到对应的模糊推理等级,结果见表7中的FRG。至此,模糊逻辑推理将参数优化系统简化成对单响应FRG的参数优化问题,继而可进行参数优化设计。
在讨论模糊规则三维曲面图时,得出模糊推理等级与模糊距离为正相关关系。模糊距离是用于刻画模糊事物之间的相近程度,是模糊事物之间远近度量的一种方式。模糊距离越小,模糊事物间相似程度越高。因此,模糊距离具有望小特性,由此可推出FRG也具有望小特性。
利用Minitab软件中的主效应方法,根据表5中的铣削过程响应的综合质量指标FRG,对铣削过程的4个可控因子进给量、铣削深度、铣削速度和铣削宽度
根据图7可知,4个控制因子分别在第2、1、5、1四个水平时,可使铣削过程得到较好的优化。经过与利用传统综合满意度法[18]的优化结果对比,得到的铣削过程控制変量的优化参数是一致的。从而,进给量采用0.1 mm/tooth,铣削深度采用0.064 mm、铣削速度为396 m/min、铣削宽度的最佳水平为12.26 mm时,加工零组件的表面粗糙度可以达到较好状态,进而有助于提高铣切削加工零组件寿命。
4 结论本文所研究的基于犹豫模糊决策的铣削参数优化方法,将犹豫模糊决策矩阵与逻辑推理相结合,应用于铣削参数优化设计过程中,得到的结果与采用传统综合满意度法[18]所得结果基本一致,证明文中方法具有良好的实用性与有效性。上述结果进一步表明,在复杂工业过程的参数优化中引入犹豫模糊决策方法,一方面,可以使信息利用更加充分,避免由于简单加权处理所造成的信息损失;另一方面,通过犹豫模糊决策矩阵对工业过程中的不确定性进行描述,增加了方案的实用性和实验设计的鲁棒性。此外,在参数优化过程中利用模糊逻辑推理制定模糊规则,充分提取多个响应之间的机理信息,突破了个别问题权重难以设定的局限性。
[1] |
王洁. 重型棒料铣削加工自动上下料系统研究[J].
控制工程, 2018, 25(2): 319-322.
WANG Jie. Automatic loading and unloading system for heavy bar milling processing[J]. Control Engineering of China, 2018, 25(2): 319-322. |
[2] |
谢黎明, 张威, 靳岚. 6061铝合金高速铣削切削参数对表面粗糙程度的影响分析[J].
机械设计与制造工程, 2018, 47(3): 56-60.
XIE Liming, ZHANG Wei, JIN Lan. The analysis on the influence of cutting parameters to surface roughness in the high speed milling 6061 aluminum alloy[J]. Machine Design and Manufacturing Engineering, 2018, 47(3): 56-60. DOI: 10.3969/j.issn.2095-509X.2018.03.011. |
[3] |
赵韩, 冯宝林, 董晓慧, 等. 基于改进的BP神经网络对切削参数的优化选择[J].
机床与液压, 2008, 36(5): 213-215, 226.
ZHAO Han, FENG Baolin, Dong Xiaohui, et al. Optimization choice of cutting parameter based on improved BP neural network[J]. Machinetool & Hydraulics, 2008, 36(5): 213-215, 226. DOI: 10.3969/j.issn.1001-3881.2008.05.070. |
[4] |
苏晓云, 汪建新, 辛李霞. 基于神经网络的铣削大理石表面粗糙程度预测模型[J].
表面技术, 2017, 46(8): 274-279.
SU Xiaoyun, WANG Jianxin, XIN Lixia. Neural network-based prediction model for surface roughness of milled marble[J]. Surface Technology, 2017, 46(8): 274-279. |
[5] |
李建广, 姚英学, 刘长清, 等. 基于遗传算法的车削用量优化研究[J].
计算机集成制造系统, 2006, 12(10): 1651-1656.
LI Jianguang, YAO Yingxue, LIU Changqing, et al. Cutting parameters optimization in turning based on genetic algorithm[J]. Computer Integrated Manufacturing Systems, 2006, 12(10): 1651-1656. DOI: 10.3969/j.issn.1006-5911.2006.10.021. |
[6] |
刘海江, 黄炜. 基于粒子群算法的数控加工切削参数优化[J].
同济大学学报(自然科学版), 2008, 36(6): 803-806.
LIU Haijiang, HUANG Wei. Computer numerical control machining parameter optimization based on particle swarm optimization[J]. Journal of Tongji University (Natural Science), 2008, 36(6): 803-806. DOI: 10.3321/j.issn:0253-374X.2008.06.019. |
[7] |
许静, 何桢, 陈喆芝, 等. 基于主成分分析的函数型产品质量特性的优化方法研究[J].
工业工程, 2016, 19(1): 74-80.
XU Jing, HE Zhen, CHEN Zhezhi, et al. A study of optimizing functional response problems based on principal component analysis[J]. Industrial Engineering Journal, 2016, 19(1): 74-80. DOI: 10.3969/j.issn.1007-7375.2016.01.011. |
[8] |
刘玉敏, 赵利肖. 基于满意度函数的多响应稳健优化模型及实证研究[J].
运筹与管理, 2015, 4(8): 83-91.
LIU Yumin, ZHAO Lixiao. A robust optimization model for multi-responses based on desirability function approach and the empirical study[J]. Operations Research and Management Science, 2015, 4(8): 83-91. |
[9] |
马义中, 汪建均, 苏国进. 动态多响应系统的稳健参数设计[J].
系统工程理论与实践, 2012, 32(8): 1841-1849.
MA Yizhong, WANG Jianjun, SU Guojin. Robust parameter design for dynamic multi-response systems[J]. Systems Engineering-Theory & Practice, 2012, 32(8): 1841-1849. DOI: 10.3969/j.issn.1000-6788.2012.08.026. |
[10] |
AMERI A A, POURGHASEMI H R, CERDA A. Erodibility prioritization of sub-watersheds using morphometric parameters analysis and its mapping: A comparison among TOPSIS, VIKOR, SAW, and CF multi-criteria decision making models[J].
Science of the Total Environment, 2018, 613-614: 1385-1400.
DOI: 10.1016/j.scitotenv.2017.09.210. |
[11] |
NATARAJAN U, HYACINTH SUGANTHI X, PERIYANAN P R. Modeling and multiresponse optimization of quality characteristics for the Micro-EDM drilling process[J].
Transactions of the Indian Institute of Metals, 2016, 69(9): 1675-1686.
DOI: 10.1007/s12666-016-0828-5. |
[12] |
KUMARV, SHARMA H K, SINGH K, et al. Optimization of process parameters for the production of taro chips using RSM with fuzzy modeling[J].
Journal of Food Measurement and Characterization, 2015, 9(3): 400-413.
DOI: 10.1007/s11694-015-9248-1. |
[13] |
张迎冬, 何桢. 改进的主成分分析法在多响应优化中的应用[J].
组合机床与自动化加工技术, 2012(11): 97-100.
ZHANG Yingdong, HE Zhen. Application of improved principal component analysis method in multi-response optimization[J]. Modular Machine Tool & Automatic Manufacture Technique, 2012(11): 97-100. DOI: 10.3969/j.issn.1001-2265.2012.11.028. |
[14] |
ZADEH L A. Fuzzy sets[J].
Information & Control, 1965, 8(3): 338-353.
|
[15] |
FARHADINIA B. A series of score functions for hesitant fuzzy sets[J].
Information Sciences, 2014, 277(20): 102-110.
|
[16] |
LEE H J, JIN B P, CHEN G. Robust fuzzy control of nonlinear systems with parametric uncertainties[J].
IEEE Transactions on Fuzzy Systems, 2001, 9(2): 369-379.
DOI: 10.1109/91.919258. |
[17] |
TORRA V. Hesitant fuzzy sets[J].
International Journal of Intelligent Systems, 2010, 25(6): 529-539.
|
[18] |
潘笑天, 禹建丽, 张黎. 基于模糊逻辑推理的铣切削过程稳健参数优化[J].
河南科学, 2017, 35(10): 1633-1640.
PAN Xiaotian, YU Jianli, ZHANG Li. The robust optimization for multiple responses in end milling process based on fuzzy logic inference[J]. Henan Science, 2017, 35(10): 1633-1640. DOI: 10.3969/j.issn.1004-3918.2017.10.015. |
[19] |
刘小弟, 朱建军, 张世涛, 等. 考虑属性权重优化的犹豫模糊多属性决策方法[J].
控制与决策, 2016, 31(2): 297-302.
LIU Xiaodi, ZHU Jianjun, ZHANG Shitao, et al. Hesitant fuzzy multiple attribute decision making method based on optimization of attribute weights[J]. Control and Decision, 2016, 31(2): 297-302. |
[20] |
许永平, 朱延广, 杨峰, 等. 基于ANP和模糊积分的多准则决策方法及其应用[J].
系统工程理论与实践, 2010, 30(6): 1099-1105.
XU Yongping, ZHU Yanguang, YANG Feng, et al. New multi criteria decision making approach based on ANP and fuzzy integral and its application[J]. Systems Engineering —Theory & Practice, 2010, 30(6): 1099-1105. |
[21] |
MAMDANI E H. Advances in the linguistic synthesis of fuzzy controllers[J].
International Journal of Man-Machine Studies, 1976, 8(6): 669-678.
DOI: 10.1016/S0020-7373(76)80028-4. |