基于人工智能的數(shù)控機床設計的研究

鄧浩賢

摘 要：為了提高數(shù)控機床的生產(chǎn)效率以及節(jié)約生產(chǎn)成本，選擇最優(yōu)的切削參數(shù)是關鍵。因為有來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，并將改進后的算法對數(shù)控機床的切削參數(shù)進行優(yōu)化，通過實驗證明，可以顯著提高工作效率。

關鍵詞：數(shù)控機床;人工智能;切削參數(shù);算法優(yōu)化

人工智能是由美國計算機科學家約翰麥卡錫于1956年在達特茅斯會議上首次提出來的[1]。人工智能是一個使機器智能化的過程，這些機器被編程為像人一樣地去“思考”問題并對問題做出解決，人工智能產(chǎn)品追求的是其合理化地采取最有可能實現(xiàn)特定目標的行為的能力。發(fā)展至今，在各領域中已經(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解決最優(yōu)化的搜索啟發(fā)式算法[2]。本文對遺傳算法做出改進，然后利用算法對數(shù)控機床的切削參數(shù)進行優(yōu)化，從而顯著提高數(shù)控機床的加工效率。

1.切削參數(shù)優(yōu)化的數(shù)學模型

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、背吃刀量與梅齒進給量。將此三者進行優(yōu)化，優(yōu)化的向量表達式為：

1.2 目標函數(shù)

常用的目標優(yōu)化函數(shù)有最大生產(chǎn)效率、最低生產(chǎn)成本、多目標三種優(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，因此以生產(chǎn)效率為目標函數(shù)。目標函數(shù)的抽象表達式為：

1.3 約束條件

在本文中，將主要的約束條件分為下列幾個方面：

（1）切削力的約束：切削中的切削力不能F超過機床設定的最大值Fmax。

2.人工智能算法

人工智能發(fā)展至今，已有很多功能強大的算法，涉及感知、記憶思維、決策與自適應等方面的能力。對于數(shù)控機床如果它有人工智能方面的能力，比如自動確定切削用量，這將會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)化思路即是對非線性規(guī)劃問題求最優(yōu)解，本節(jié)先介紹人工智能中的遺傳算法，然后將遺傳算法進行改進，最后應用到數(shù)控機床的切削參數(shù)優(yōu)化中。

2.1遺傳算法

遺傳是一種用于人工智能和計算的啟發(fā)式搜索方法，非常適合解決無約束和受約束的優(yōu)化問題。遺傳算法利用來自進化生物學的技術，最常用的方法是從給定的群體中隨機創(chuàng)建一組個體。在編碼人員提供的評估功能的幫助下評估形成的個體。然后向個人提供分數(shù)，該分數(shù)間接地反應了對給定情況的適應性。然后使用最好的兩個個體來創(chuàng)建一個或多個后代，之后在后代上進行隨機突變。根據(jù)應用程序的需要，該過程將反復執(zhí)行，直到獲得可接受的解決方案。

遺傳算法中通過適應度函數(shù)值對群體中不同的個體優(yōu)劣來進行區(qū)分，適應度函數(shù)值大的將會繁衍產(chǎn)生新一代群體。一般情況下，將大于平均適應度值的個體做交叉，將小于平均值的個體做變異，以此來提高整個群體的適應度函數(shù)值，優(yōu)化群體中每個個體的性能。因此，適應度函數(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)目標函數(shù)的不同而不同，本文優(yōu)化的目標函數(shù)是效率最大化，因此有：

2.2改進的遺傳算法

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

改進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)解的過程中，每一步都會自動更新參數(shù)值以保證每步最優(yōu)，從而使整體的結果最優(yōu)。改進后的算法具有自適應性，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主要的操作算子，個體為操作的對象，它們構成了整個遺傳過程，使遺傳算法具有了其它傳統(tǒng)方法所沒有的優(yōu)良特性[3]。選擇算子主要是根據(jù)群體的適應度高低來操作，交叉算子的選擇影響到算法收斂速度，變異算子是進過過程中種群多樣性的保證。本文中選擇算子使用最優(yōu)個體保存，交叉算子使用算數(shù)交叉，變異算子使用均勻變異。優(yōu)化后的結果：

評價實驗結果必須考慮切削時間和生產(chǎn)成本，最直觀確定優(yōu)化效果。由表1的比較可知，將遺傳算法改進后，機床的切削速度、進給量與切削力都有了較大的提升，從而節(jié)省了加工時間，同時也有效的提高了機床整體的工作效率。

結束語

基于人工智能算法對數(shù)控機床的切削參數(shù)優(yōu)化，遺傳算法能多點同時尋優(yōu)，從而獲得全局最優(yōu)解。在改進之后增加了算法的自適應性，使得算法的收斂速度和性能都有較大的提升。應用與切削參數(shù)的優(yōu)化，實驗結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了系統(tǒng)的性能，但是仍有很大的進步空間。接下來的研究工作將會在改進后的遺傳算法的基礎之上，嘗試對三個基本算子進行改進，因為這些參數(shù)對算法的搜索速度以及性能都會產(chǎn)生較大的影響。

參考文獻：

[1]陶建華，李長亮.未來已來——人工智能技術將進入快速發(fā)展期[J].紫光閣，2017（12）：79-79.

[2]黃青群.數(shù)學建模中優(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HMM的語音識別算法研究[D].太原理工大學，2007.