碳排放約束下基于特征的刀具選配與切削參數(shù)集成優(yōu)化

田長樂，周光輝,2，張俊杰，王 闖

(1.西安交通大學(xué) 機械工程學(xué)院，陜西 西安 710049；2.西安交通大學(xué) 機械制造系統(tǒng)工程國家重點實驗室，陜西 西安 710054；3.西安郵電大學(xué) 物聯(lián)網(wǎng)與兩化融合研究院,陜西 西安 710061)

0 引言

隨著溫室效應(yīng)的加劇以及碳稅、碳標(biāo)簽政策的實行，制造業(yè)面臨著環(huán)境與成本的雙重壓力，促使學(xué)術(shù)界和工業(yè)界對低碳制造進(jìn)行研究和實踐。在離散制造車間的零件加工中，合理選擇切削刀具和切削參數(shù)對降低零件的加工碳排放與加工成本，提高生產(chǎn)效率和加工質(zhì)量具有重要影響[1-3]。因此，通過優(yōu)化選擇切削刀具和切削參數(shù)來降低零件加工過程碳排放和加工成本已經(jīng)成為當(dāng)前研究熱點[4-5]。

國內(nèi)外學(xué)者均對刀具選配和切削參數(shù)優(yōu)化決策理論與方法進(jìn)行了廣泛研究。Escamilla-Salazar等[6]提出基于回歸分析法的粗加工和精加工刀具選配方法，并以Inconel718合金加工為例，驗證了所提刀具選配方法的可行性；Ji等[7]考慮加工特征的加工性和經(jīng)濟型因素，提出一種基于加工特征的自適應(yīng)刀具選配方法；Saranya等[8]利用人工神經(jīng)網(wǎng)絡(luò)和模糊邏輯對車削和銑削參數(shù)進(jìn)行學(xué)習(xí)，建立了刀具選配專家系統(tǒng)；Bao等[9]針對通道類零件加工，提出一種考慮刀具方向、刀具尺寸和刀具運動的球頭刀具選配方法；Zhou等[10]提出基于本體的刀具選配方法；Toussaint等[11]利用實例推理的方法決策最優(yōu)切削刀具；李愛平等[12]提出面向低碳制造的多工步孔加工切削參數(shù)優(yōu)化方法，使碳排放減少15%；Zhong等[13]提出單位穩(wěn)定比能、主軸旋轉(zhuǎn)比能、刀尖切削比能和單位非生產(chǎn)比能與切削參數(shù)之間的關(guān)聯(lián)模型，并以此為目標(biāo)優(yōu)化了切削參數(shù)；Li等[14]構(gòu)建以能耗和加工時間為目標(biāo)、切削參數(shù)為變量的多目標(biāo)優(yōu)化模型，并利用改進(jìn)的多目標(biāo)粒子群算法對切削參數(shù)進(jìn)行優(yōu)化；Yusuf等[15]針對車削過程，使用響應(yīng)面法建立了碳排放和表面質(zhì)量與切削參數(shù)之間的數(shù)學(xué)關(guān)系，并采用目標(biāo)規(guī)劃方法對切削參數(shù)進(jìn)行了優(yōu)化；Zhang等[16]建立了切削參數(shù)與調(diào)度的集成模型，并使用萬有引力算法進(jìn)行了解算；Li等[17]建立了切削參數(shù)與工藝路線集成模型，并設(shè)計模擬退火算法進(jìn)行解算。

從以上文獻(xiàn)分析發(fā)現(xiàn)，目前對零件加工過程的刀具和切削參數(shù)進(jìn)行決策大多采用分階段串行決策方法，一部分研究焦聚于刀具決策方面，另一部分研究焦聚于基于已有刀具的切削參數(shù)決策，缺乏從切削刀具和切削參數(shù)集成決策的角度研究零部件加工過程的刀具和切削參數(shù)優(yōu)化選擇問題，導(dǎo)致決策出的刀具和切削參數(shù)優(yōu)化程度不高，而且上述研究也未將刀具磨損對切削參數(shù)和碳排放的影響納入研究范疇[18-19]?；诖?，本文以零件加工特征為研究對象，綜合考慮切削參數(shù)、刀具選配和刀具磨損對零件加工過程碳排放的影響，提出以加工碳排放和成本最小為目標(biāo)的刀具選配與切削參數(shù)集成優(yōu)化模型，設(shè)計K近鄰和多目標(biāo)粒子群混合的優(yōu)化算法對模型進(jìn)行求解，并通過具體應(yīng)用案例對所提模型和算法的正確性和有效性進(jìn)行驗證。

1 面向加工特征的刀具與切削參數(shù)集成優(yōu)化模型

在零件加工過程中，加工特征是合理選擇切削刀具和切削參數(shù)的基礎(chǔ)。為構(gòu)建基于加工特征的切削刀具與切削參數(shù)集成優(yōu)化模型，需首先分析并建立零件的加工特征與刀具信息模型，以及加工特征與刀具、切削參數(shù)匹配模型。

1.1 加工特征與切削刀具信息建模

零件加工特征信息模型面向零件的設(shè)計和加工過程，其所包含的內(nèi)容要能全面描述零件加工過程中各環(huán)節(jié)的信息及信息之間的相互關(guān)系。根據(jù)零件加工特征自身的特點，將特征信息分為材料特征屬性、精度特征屬性、形狀特征屬性、工藝特征屬性和制造資源屬性，如圖1所示。切削刀具信息建模根據(jù)切削刀具自身的信息特點，結(jié)合刀具選配與切削參數(shù)優(yōu)化需求，將刀具信息分為管理屬性、材料屬性、形狀屬性及加工能力屬性四大屬性，采用4種屬性對刀具特征信息模型進(jìn)行描述，如圖2所示。為有效支持后續(xù)切削刀具及切削參數(shù)決策，需對加工特征信息模型和刀具信息模型進(jìn)行編碼，具體的編碼規(guī)則請參考文獻(xiàn)[10]。

1.2 加工特征與切削刀具、切削參數(shù)匹配建模

如圖3所示，考慮加工特征屬性的層次結(jié)構(gòu)特點，不同屬性將推選刀具不同方面的信息，加工特征類型、公差要求等主要決定刀具類別，特征材料將決定刀具的材料選型，刀具的切削參數(shù)由具體的加工機床、特征尺寸與精度、刀具、碳排放等共同決定。傳統(tǒng)的加工特征和切削刀具之間通過人工經(jīng)驗和規(guī)則推理關(guān)聯(lián)，推選效率較低；基于案例庫(特征—刀具匹配實例庫)和企業(yè)加工歷史數(shù)據(jù)的刀具選配可以充分利用歷史刀具選配結(jié)果，其選配效率較高。案例庫記錄了具體特征使用具體刀具的加工信息，通過加工特征與切削刀具信息建模及編碼，加上特征被刀具加工的關(guān)聯(lián)關(guān)系，可以組建相應(yīng)的案例庫。在案例庫中，通過輸入目標(biāo)加工特征，比對案例庫，匹配對應(yīng)的案例特征使用的切削刀具類型、材料、參數(shù)等，優(yōu)化得到目標(biāo)特征的切削刀具；當(dāng)實例庫中沒有滿足閾值的加工案例時，可以借助企業(yè)歷史數(shù)據(jù)挖掘出可行的切削刀具。

基于已建立的零件加工特征信息模型、刀具信息模型、加工特征與切削刀具/參數(shù)匹配模型及對應(yīng)的編碼方法，分別建立零件加工特征信息庫、刀具信息庫、案例信息庫，為特征刀具參數(shù)決策提供模型和數(shù)據(jù)支持。

1.3 切削刀具及切削參數(shù)集成優(yōu)化模型

1.3.1 優(yōu)化變量

為實現(xiàn)切削刀具和切削參數(shù)的集成決策，同時考慮車削、鉆削和銑削等加工方法的差異，本文構(gòu)建的集成優(yōu)化模型涉及的優(yōu)化變量包括切削刀具和切削參數(shù)兩部分，當(dāng)考慮加工方法為車削/鏜削時，優(yōu)化變量為(ID,n,f,ap);當(dāng)考慮的加工方法為鉆削時，優(yōu)化變量為(ID,D,f,n);當(dāng)考慮的加工方法為銑削時，優(yōu)化變量為(ID,n,f,ap,ae),具體如下:

(1)

式中：X為優(yōu)化變量集合；ID為待選配的切削刀具；n為轉(zhuǎn)速(單位：r·min-1)；f為進(jìn)給量(單位：mm·r-1)；ap為切削深度(單位：mm)；ae為切削寬度(單位：mm)；D為鉆孔孔徑(單位：mm)。

1.3.2 目標(biāo)函數(shù)

本文將零件加工特征的加工碳排放CE與加工成本C作為集成優(yōu)化模型的目標(biāo)函數(shù)，即

(2)

(1)零件特征的加工碳排放建模

零件特征的加工碳排放計算方法詳見文獻(xiàn)[20]，分為物料碳排放CEmaterial、能源碳排放CEelec和廢棄物碳排放CEwaste3部分，一個特征加工過程的總碳排放可表示為以上3部分之和，即

CE=CEmaterial+CEelec+CEwaste。

(3)

式中：物料碳排放包括特征加工過程中的刀具損耗碳排放CEtool與切削液損耗碳排放CEcoolant，即

CEmaterial=CEtool+CEcoolant；

(4)

廢棄物碳排放包括廢棄刀具處理碳排放CEtoolwas與切削液處理碳排放CEcoolwas，即

CEwaste=CEtoolwas+CEcoolwas。

(5)

加工特征的物料碳排放和廢棄物碳排放的具體計算方法請參見文獻(xiàn)[20]，這里不詳細(xì)介紹。

能源碳排放主要指零件特征加工過程中因機床電能損耗所產(chǎn)生的碳排放，

CEelec=CEFelec×tc×Ptotal；

(6)

Ptotal=Pcutting+Pstandby+Plight+Pfluid+

Pspindle+Pfeed。

(7)

式中：Ptotal為機床消耗總功率(單位：W)；Pstandby為待機功率(單位：W)；Plight為照明功率(單位：W)；Pfluid為噴切削液功率(單位：W)；Pspindle為主軸旋轉(zhuǎn)功率(單位：W)；Pfeed為進(jìn)給功率(單位：W)；CEFelec為電能碳排放因子(單位：kgCO2·kWh-1)；tc為加工時間(單位：s)；Pcutting為切削功率(單位：W)。

因為本文考慮了刀具磨損因素，所以切削功率Pcutting采用式(8)～式(10)[18]計算，其中銑削功率采用式(8)計算，鉆削功率采用式(9)計算，車、鏜功率采用式(10)計算。

(8)

Pcutting=K(1+VB)vfxvyDz；

(9)

(10)

式中：K為比例系數(shù)；VB為刀具磨損量(單位：mm)；w,x,y,z為待擬合系數(shù)[18]。

對車、鏜、銑、鉆削工藝的加工時間計算如下：

(11)

式中：l為進(jìn)給長度(單位：mm)；ceil()為取整函數(shù)；Δ為加工余量(單位：mm)；V為材料切除體積(單位：mm3)。

(2)零件特征的加工成本建模

零件特征的加工成本由管理成本、設(shè)備折舊成本、人力成本、刀具成本、電力成本和切削液成本6部分構(gòu)成，即

C(X)=(C1+C2+Ct+Ccl)×tc。

(12)

式中：C1為單位時間管理成本、設(shè)備折舊成本和人力成本之和(單位：元·min-1)；C2為單位時間電力成本(單位：元·kW·h-1)；Ct為加工時間內(nèi)的刀具成本(單位：元·min-1)，由式(13)計算；Ccl為加工時間內(nèi)的切削液成本(單位：元·min-1)，由式(15)計算。

(13)

式中：C3為單個刀具成本、刃磨及后處理費用(單位：元)；R為刀具可刃磨次數(shù)，根據(jù)具體的刀具材料而定；Tt為廣義的刀具壽命泰勒公式[8]，考慮磨損的壽命，

(14)

式中s,k,q,r為待定系數(shù)，具體由實驗[21]或查表得到[22]。

(15)

式中：Mo為初始切削液質(zhì)量(單位：kg)；Ma為每次添加的切削液質(zhì)量(單位：kg)；C4為單位切削液成本(單位：元·kg-1)；To為切削液更換周期(單位：min)。

1.3.3 約束條件

約束條件主要包括：①機床的各種性能限制，如機床總功率限制、主軸轉(zhuǎn)速范圍、進(jìn)給功率范圍等；②刀具性能限制，如切削力不得超過刀片承受上限；③零件質(zhì)量要求如加工表面粗糙度等。具體設(shè)置的約束條件如下：

nmin

nmin

apmin

Ptotal

Fc

(16)

式中：nmin為主軸允許的最低轉(zhuǎn)速(單位：r·min-1)；nmax為主軸允許的最高轉(zhuǎn)速(單位：r·min-1)；fmin為機床的最小進(jìn)給速度(單位：mm·r-1)；fmax為機床的最大進(jìn)給速度(單位：mm·r-1)；apmin為最小切深(單位：mm)；apmax為最大切深(單位：mm)；Pmax為機床的最大功率(單位：W)；β為機床的功率效率；Fc為主切削力(單位：N)；Fcmax為機床允許的最大切削力(單位：N)；γε為刀具刀尖半徑(單位：mm)；Rmax為精加工允許的最大表面粗糙度值(單位：μm)。

2 基于K近鄰和多目標(biāo)粒子群混合優(yōu)化求解算法

2.1 混合算法框架及步驟

在傳統(tǒng)刀具與切削參數(shù)決策過程中，刀具匹配是離散優(yōu)化問題，屬于模式分類問題，即通過分析零件加工特征和刀具的屬性，將加工特征按照一定方法歸類到對應(yīng)刀具的過程；切削參數(shù)是連續(xù)優(yōu)化問題，即在滿足一定約束下，得到某些目標(biāo)下的最優(yōu)切削參數(shù)。因此，刀具選配和切削參數(shù)往往分開優(yōu)化。為克服分開優(yōu)化的局限性，同時考慮離散和連續(xù)優(yōu)化問題很難在一個算法中處理的特點，設(shè)計基于K近鄰(K-Nearest Neighbor, KNN)和多目標(biāo)粒子群優(yōu)化(Multi-Objective Particle Swarm Optimization, MOPSO)混合優(yōu)化求解算法，實現(xiàn)刀具與切削參數(shù)的集成優(yōu)化決策。算法整體框架如圖4所示，主要步驟如下：

步驟1設(shè)計零件加工特征信息庫、刀具信息庫和案例庫，輸入待匹配零件加工特征信息編碼。

步驟2根據(jù)待匹配零件加工特征信息編碼，解析其特征類型、公差帶寬；基于特征類型、公差帶寬，采用KNN算法(為了區(qū)分不同KNN的功能，記為A-KNN，后文類似)對比案例庫，推選其可使用刀具類型；同理，根據(jù)待匹配零件加工特征信息編碼，解析其特征材料；基于待匹配零件加工特征的材料，在刀具類型基礎(chǔ)上，采用KNN算法(B-KNN)推選其可使用的刀具材料。

步驟3在刀具類型和材料的基礎(chǔ)上，獲取每一規(guī)格刀具下磨損量最小的刀具及其相關(guān)信息，組成可行刀具集{1,…,n}。

步驟4基于切削參數(shù)優(yōu)化模型和刀具集{1,…,n}，采用MOPSO算法獲取每一把刀具的最優(yōu)切削參數(shù)Pareto解集。

步驟5匯總n把刀具的Pareto解集，使用快速非支配排序算法得到n把刀具總的Pareto前沿解集。

步驟6基于待匹配零件加工特征的特征材料、粗糙度、特征參數(shù)和總的Pareto解集，在特征類型材料案例集中，采用KNN算法(C-KNN)推選出距離最小的案例G，并解析其切削參數(shù)C；在Pareto解集中取出并輸出與C最符合的解，即為本問題的解。

2.2 基于K近鄰算法的刀具類型、材料和切削參數(shù)推選

KNN算法是由Cover和Hart[23]提出的機器學(xué)習(xí)算法之一，具有簡單有效、實現(xiàn)容易、對新類別的加入穩(wěn)定性好的優(yōu)點。結(jié)合圖4，KNN在文中主要用來解決刀具類型(A-KNN)、刀具材料(B-KNN)和最優(yōu)刀具及對應(yīng)切削參數(shù)(C-KNN)的推選問題。具體的流程如圖5所示，主要步驟如下：

步驟1A-KNN，B-KNN，C-KNN輸入零件加工特征編碼S。

步驟2A-KNN提取特征類型和特征公差帶寬編碼位L，B-KNN提取特征材料編碼位G，C-KNN提取特征參數(shù)、粗糙度、材料碼位K。

步驟3A-KNN，C-KNN利用屬性知識熵[24]的歸一化確定特征屬性選配刀具時的權(quán)重，其中知識熵可認(rèn)為是在沒有先驗知識的前提下，通過決策表的數(shù)據(jù)獲取該特征的全部知識量。分類越詳細(xì)，知識熵越大，其分類提供的知識信息越多,計算公式如下：

(17)

w(φ)=G[H(φ)]。

(18)

步驟4A-KNN，B-KNN，C-KNN利用特征編碼計算案例庫特征與待匹配特征屬性的距離。因為在特征編碼中特征類型和特征材料編碼使用整數(shù)編碼，使用傳統(tǒng)歐氏距離并沒有實際意義，所以將距離計算方式更改為曼哈頓距離(如式(19))，其距離大小表示特征空間中兩點的臨近情況，距離越小，兩個特征點的相似度越高。

dab=|x2-x1|+|y2-y1|+|z2-z1|。

(19)

式中：dab為待匹配特征與案例庫中特征屬性的距離；(xi,yi,zi|i=1,2)表示具體的特征編碼。

步驟5A-KNN，B-KNN，C-KNN計算待匹配特征與案例庫中特征的距離(如式(20))，并升序排列。

(20)

式中dij為待匹配特征與案例庫中特征的距離。

步驟6A-KNN，B-KNN取出前k個案例加入結(jié)果集，分析結(jié)果集中每個案例特征使用的刀具信息，設(shè)定距離加權(quán)值h量化類別信息。設(shè)定距離加權(quán)公式

(21)

式中：hi為距離加權(quán)權(quán)值；dmax為k個案例中的最大距離值；dmin為k個最近案例中的最小距離值；di為當(dāng)前距離值。

步驟7C-KNN取出最近距離的特征案例Q，并解析其加工切削參數(shù)C。輸入n把刀具總的Pareto解集,在Pareto解集中取出離C最近的解l，C-KNN結(jié)束。

步驟8A-KNN，B-KNN輸出h最大對應(yīng)的類別，A-KNN，B-KNN結(jié)束。

2.3 基于多目標(biāo)粒子優(yōu)化群算法的切削參數(shù)優(yōu)化

本文應(yīng)用基于柵格的MOPSO算法[25]解決給定切削刀具下的切削參數(shù)尋優(yōu)問題。粒子群算法具有并行性、全局收斂性和收斂快的優(yōu)勢，其由隨機解出發(fā)，通過個體最優(yōu)解pbest和群體最優(yōu)解gbest指導(dǎo)搜索，從而得到最優(yōu)解?；贛OPSO算法的切削參數(shù)優(yōu)化流程如圖6所示，改進(jìn)的主要點如下：

(1)改進(jìn)點1——變異操作

為避免算法早期陷入局部最優(yōu)解，本文在算法中引入變異操作對切削參數(shù)的某一維進(jìn)行變異。即隨機取出優(yōu)化變量中的某i維，按照式(22)計算優(yōu)化變量在第i維度上變異范圍許用坐標(biāo)的上下限；然后在(rimin，rimax)坐標(biāo)上下限范圍內(nèi)隨機取一個值，即為優(yōu)化變量第i維度變異后的取值。變異概率和變異范圍計算如下：

rimin=max(xi-rmut,ximin)；

rimax=min(xi+rmut,ximax)。

(22)

式中：pmut為變異概率；it為當(dāng)前迭代次數(shù)；MaxIt為最大迭代次數(shù)；u為變異概率衰減系數(shù)，本文u=3；rmut為變異范圍寬度；ximax為優(yōu)化變量第i維度許用值的上限；ximin為優(yōu)化變量第i維度許用值的下限；v為變異范圍衰減系數(shù)，本文v=2；rimin為優(yōu)化變量第i維許用坐標(biāo)的下限；rmax為優(yōu)化變量第i維許用坐標(biāo)的上限。

(2)改進(jìn)點2——確定全局最優(yōu)解gbest

本文使用柵格確定全局最優(yōu)解gbest，將整個搜索域在每一維上按照一定數(shù)量區(qū)分柵格(本文在每一維上劃分10柵格)，將非支配解根據(jù)位置各自存入對應(yīng)柵格并統(tǒng)計各柵格內(nèi)非支配解的數(shù)量，隨后按照輪盤賭決定選用哪一個柵格。每個柵格被選中的概率為

(23)

式中：p(hi)為hi柵格被選中的概率；為N(hi)第it迭代代數(shù)下有非支配解的柵格總數(shù)；nhi為hi柵格包含的非支配解數(shù)量。采用輪盤賭確定選中一個柵格后，再隨機確定全局最優(yōu)解gbest的非支配解。

3 案例驗證與分析

為驗證基于特征的切削刀具與切削參數(shù)集成優(yōu)化模型、KNN和MOPSO算法的正確性與有效性，在構(gòu)建零件加工特征信息庫、刀具信息庫、案例庫的基礎(chǔ)上，設(shè)計相應(yīng)案例進(jìn)行驗證與分析。

3.1 零件加工特征信息庫、刀具信息庫、案例庫的建立

為支撐面向零件加工特征的刀具與切削參數(shù)決策方法，根據(jù)上述加工特征、刀具、加工特征和刀具匹配信息模型建立相應(yīng)的數(shù)據(jù)庫，以對零件加工特征、切削刀具和案例信息進(jìn)行有效管理，如圖7所示。

3.2 面向槽輪板加工的刀具與切削參數(shù)集成優(yōu)化決策分析

3.2.1 參數(shù)設(shè)置

基于建立的加工特征信息庫、刀具信息庫與加工案例庫，以槽輪板為例,驗證本文所提模型和解算方法的正確性。圖8所示為槽輪板的二維、三維圖和相關(guān)加工特征。待匹配切削刀具和切削參數(shù)為加工特征F1,材料為普通碳素鋼板材，材料硬度區(qū)間為20～30 HRC，長155 mm，寬90 mm，加工切深為3 mm，最大公差帶寬為0.5 mm，表面加工粗糙度要求為12.5 μm。

特征F1擬在加工中心VDL1000上加工，VDL1000參數(shù)如表1所示，模型相關(guān)系數(shù)設(shè)置如表2所示，加工過程中不使用切削液。

表1 VDL1000相關(guān)參數(shù)及模型

續(xù)表1

表2 刀具壽命和成本相關(guān)的系數(shù)

3.2.2 優(yōu)化結(jié)果

本文采用MATLAB編寫整個刀具選配和切削參數(shù)集成解決方法程序，其中A-KNN，B-KNN，C-KNN算法中設(shè)定K=20，MOPSO算法中種群規(guī)模為150，外部檔案最大數(shù)量為100，多目標(biāo)優(yōu)化時迭代次數(shù)為100，個體學(xué)習(xí)系數(shù)和總體學(xué)習(xí)系數(shù)均為1.49，慣性系數(shù)為0.73，初始變異概率為0.5，每一維網(wǎng)格劃分個數(shù)為10個。具體驗證流程如下：

(1)通過加工特征F1類型和公差帶寬得到可使用的刀具類型。采用A-KNN算法篩選出距離前20的案例，通過解析刀具信息得出其刀具類型均為面銑刀。

(2)在刀具類型基礎(chǔ)上，通過加工特征F1材料得到可使用的刀具材料。采用B-KNN算法篩選出距離前20的案例，通過解析刀具信息得出其刀具材料為硬質(zhì)合金。

(3)在硬質(zhì)合金面銑刀基礎(chǔ)上，篩選出每一個規(guī)格下刀面磨損量最小的刀具，組成刀具集。共篩選出8把刀具，表3所示為8把刀具的詳細(xì)信息。

表3 特征F1備選刀具信息

(4)采用MOPSO算法獲取每一把刀具的最優(yōu)切削參數(shù)Pareto解集，結(jié)果如圖9所示，其中序號表示刀具編號。

(5)匯總8把刀具的Pareto解集，使用快速非支配排序算法得到8把刀具總的Pareto前沿，如圖10所示,部分Pareto結(jié)果如表4所示。

表4 集成優(yōu)化部分Pareto結(jié)果

(6)根據(jù)F1的材料、粗糙度、特征參數(shù)，在硬質(zhì)合金面銑刀案例集的基礎(chǔ)上，使用C-KNN算法推出最近距離的特征案例Q(如圖11)，并解析其加工切削參數(shù)C。輸入n把刀具總的Pareto前沿解集，從解集中篩選出最符合C的解，即槽輪板加工特征F1最優(yōu)的切削刀具為4號刀具，切削參數(shù)為轉(zhuǎn)速1 302.9 r·min-1，進(jìn)給速度0.798 3 mm·r-1，切削深度2.5 mm，切削寬度45 mm，碳排放為0.14 kg,成本為5.30元。

槽輪板F2～F5特征的切削刀具和切削參數(shù)也可類似優(yōu)化得出。

3.2.3 實驗驗證

為驗證所提模型和算法的合理性與有效性，對槽輪板特征F1進(jìn)行加工，相關(guān)的配置和加工實物圖如圖12所示，實驗的碳排放為0.131 kg，所計算的碳排放為0.14 kg，本文優(yōu)化方法得到的結(jié)果與實際值的誤差大約為6.43%。因此，從降低碳排放的角度出發(fā)，本文所提模型和算法與實際加工過程的符合程度較高，滿足工程實際加工的要求。

3.2.4 結(jié)果對比

采用傳統(tǒng)的串行優(yōu)化方法[10]進(jìn)行刀具選配，得到最優(yōu)的刀具序號為6，用該刀具的信息進(jìn)行多目標(biāo)切削參數(shù)優(yōu)化，優(yōu)化結(jié)果如圖13所示?？梢姡疚乃峒蓛?yōu)化方法明顯優(yōu)于傳統(tǒng)串行優(yōu)化方法，其得到的碳排放和成本優(yōu)化結(jié)果相比傳統(tǒng)串行優(yōu)化方法分別平均減少約18%和36%。因此，采用本文方法能夠得到更優(yōu)的刀具和切削參數(shù)組合。

3.3 基于渦輪殼體的刀具與切削參數(shù)決策

為測試實際大規(guī)模刀具情境下的可行性和有效性，將本文方法應(yīng)用于西安萬威機械制造股份有限公司。為充分利用企業(yè)實際的加工資源，避免人為經(jīng)驗存在不準(zhǔn)確的問題，開發(fā)接口對接西安萬威機械制造股份有限公司歷史加工制造數(shù)據(jù)庫，對歷史加工制造數(shù)據(jù)庫進(jìn)行編碼并整理作為案例庫，同時為了有效推理，挖掘了其啟發(fā)式規(guī)則知識，以指導(dǎo)刀具選配時的推理。圖14所示為案例庫和啟發(fā)式規(guī)則知識挖掘流程。

結(jié)合案例庫和挖掘得到的規(guī)則知識，基于西安萬威機械制造股份有限公司刀具數(shù)據(jù)，采用該公司一個渦輪殼體零件中的一個孔特征加工來說明本文方法的可行性。零件三維模型、目標(biāo)特征位置及算法運行流程如圖15所示,最后推薦得出的刀具類別為槽銑刀和麻花鉆，結(jié)合企業(yè)歷史加工知識，最終選擇刀庫中的PS_GX0206001槽銑刀,對應(yīng)的切削參數(shù)為轉(zhuǎn)速1 859.651 r·min-1、進(jìn)給速度0.800 m·min-1、切削深度2.5 mm、切削寬度12.521 mm、碳排放0.023 5 kg、成本1.516元。因此，該方法能充分運用企業(yè)的實際加工知識決策出符合企業(yè)實際加工狀況的切削刀具和切削參數(shù)，有利于企業(yè)節(jié)能減排，降低制造成本。

4 結(jié)束語

傳統(tǒng)刀具選配和切削參數(shù)優(yōu)化方法往往忽略碳排放影響因素，并將刀具選配與切削參數(shù)分開優(yōu)化，忽略了其內(nèi)在聯(lián)系，使確定的刀具選配和切削參數(shù)方案并非最佳。因此，本文提出一種基于加工特征的刀具選配與切削參數(shù)集成優(yōu)化方法。該方法在分析刀具磨損對切削參數(shù)影響的基礎(chǔ)上，構(gòu)建基于加工特征的刀具選配與切削參數(shù)集成優(yōu)化模型；針對集成模型需要同時處理離散模式匹配問題(刀具選配問題)和連續(xù)優(yōu)化問題(切削參數(shù)優(yōu)化問題)的特點，設(shè)計了基于K近鄰和MOPSO混合優(yōu)化算法對模型進(jìn)行求解。結(jié)合加工實驗和企業(yè)實際案例對模型和算法的正確性與有效性進(jìn)行驗證，結(jié)果表明：①本文方法提出的碳排放模型能滿足工程實際加工要求；②本方法優(yōu)于傳統(tǒng)方法，所推選的刀具和切削參數(shù)能夠進(jìn)一步降低碳排放和加工成本；③本文方法能進(jìn)一步改善制造企業(yè)零部件加工中切削刀具和切削參數(shù)的決策結(jié)果，有效降低企業(yè)碳排放和加工成本，提升企業(yè)效益。

在建模中，除了刀具磨損因素，刀具幾何參數(shù)也會影響碳排放和加工精度，為此，下一步研究擬探索刀具幾何參數(shù)與碳排放的關(guān)系，進(jìn)一步完善基于零件加工特征的刀具選配與切削參數(shù)集成優(yōu)化方法。