数字孪生技术与元启发式优化算法在数控机床能效优化中的应用

物联网和网络物理系统2（2022）159一种求解数字孪生体能量效率的元启发式优化算法陈瑞a，*，沈海b，易来aaXi邮电大学通信与信息工程学院，710121b中国Xi外国语大学，710121自动清洁装置保留字：数字双胞胎模拟退火算法遗传算法计算机数控机床A B标准研究了数字孪生技术与元启发式优化算法相结合在制造能效优化中的作用首先，建立了基于离散时间技术的机床模型，研究了数控机床铣削加工过程的能耗此外，还引入了粒子群优化算法（PSO）对加工过程中的铣削参数进行优化同时，结合优化遗传算法和模拟退火算法对刀具加工路径进行了优化，找到了加工路径的最优解该方案在保证加工质量的前提下，提高了加工效率，降低了加工过程的能耗，提高了能源效率。结果表明，优化后的铣削参数能在保证最大材料去除率的同时，保证最小的铣削功率。以飞机模型为例。改进的遗传算法-模拟退火算法采用投影加工和螺旋加工，可显著减少空走刀数。铣削路径的总长度最多减少了69.45 mm，相对减少了10.01%。与经验值相比，铣削加工平均实测能耗降低了5.62W*h;优化后的空载刀具平均实测能耗降低了0.17W*h;铣削加工总实测能耗降低了5.73W*h。可以看出，该优化算法可以提高处理效率，降低能耗。1. 介绍随着我国资源能源的日益短缺，再加上能源利用率低，高能耗的产品数控机床作为智能制造的重要组成部分，普遍存在零件总加工时间过长、加工效率低、能耗高等问题。它是机械制造业中高能耗的主体[1]。高.等人（2017）[2]报告说，对大数据本身和类似概念的描述很早就已经发展起来。 但由于机械加工能耗的特点和工作流程的复杂性，存在节能优化的空间。NCMT的加工路径不是静态的。数字孪生技术（DTs）通过实时监控物理空间中机床的运行状态，为加工路径优化提供了解决方案[3]。产品的DTs应用涵盖了产品研发、工艺规划、制造、测试、运行维护等全生命周期。它可以帮助企业推广数字营销和自助服务，提高维修服务收入，创新商业模式。数控机床是集计算机技术、机械工程、电气电子工程、自动化控制、传感器检测等技术于一体的先进智能制造装备[4]。加工是制造业中的一个常见过程，消耗大量能源，并对环境产生负面影响建立准确的能源评估模型对可持续加工至关重要。数控机床加工路径优化是数控机床加工工艺优化的关键环节。 利用优化算法合理规划加工路径和路线，以最短的加工周期或加工行程完成给定的加工任务。 它可以大大提高NCMT的加工效率，降低加工能耗[5]。然而，很难找到最佳的* 通讯作者。电子邮件地址：chenrui@X upt.edu.cn（R. 陈）。https://doi.org/10.1016/j.iotcps.2022.08.001接收日期：2022年7月11日;接收日期：2022年8月2日;接受日期：2022年8月4日2022年8月9日在线发布2667-3452/©2022由Elsevier B. V.代表KeAi Communications Co.这是CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表物联网和网络物理系统期刊主页：www.keaipublishing.com/en/journals/R. Chen等人物联网和网络物理系统2（2022）159160Fig. 1. DTMT的基本架构加工路径的约束。例如，刀具与工件在加工过程中相互碰撞、磨损，会随时改变加工方法和设备状态，使加工路径的优化变得复杂。在虚拟空间中实时模拟机床当前的加工状态是非常必要的。同时，利用优化算法对不合理的加工路径进行预先调整，得到当前状态下的最优路径，再生成加工路径。 这些操作可以避免路径规划过程中的缺点[6]。 DTs技术有效地管理和利用从NCMT制造中的孪生空间的全方位感知中获得的数据[7]。通过对模拟加工路径的预设计，结合遗传算法（GA）、模拟退火算法（SA）等元启发式路径优化算法，求解加工过程的最优解。该方案可有效提高加工效率，降低加工能耗。2. DT和NCMTDT可以通过数字化手段，为物理世界中的实体在数字世界中构建一个“完整的化身”，可以与物理实体保持实时的交互连接该技术使用历史数据、实时数据和算法模型，通过模拟、验证、预测和控制物理实体的整个生命周期过程来理解、分析和优化物理实体[8]。由于DT的早期应用离不开工业制造领域，因此工业制造也是DT的主要应用领域 [9]。NCMT和车削中心是高精度、高效率的自动化机床。加工过程中的工作效率对该单位至关重要。在制造生产中建立生产环境的虚拟版本，以数字化的方式描述整个制造环境。在虚拟数字空间中进行设备诊断、过程仿真等仿真预测，可以有效防止现场故障和生产异常的严重后果[10]。目前对机床能量效率评价的研究大多强调工件材料去除的作者很少考虑保证加工精度和精度一致性所需的能量消耗，特别是机床热稳定性控制的能量消耗[11]。帕万等人（2021）[12]注意到，在可变材料去除率加工期间没有进行显著的尝试来消耗能量（例如，面转弯和凹槽）。 对总能量的预测大错特错。为此，在计算机数控机床上进行了实验，得到了加工过程的能耗，表面旋转过程中的材料去除李等人（2021）[13]提出了一种基于能量分析的方法来评估机床的综合能源效率，包括材料去除和热稳定性控制的能耗。彼等亦分析高能源效益及特定能源消耗的主要表现指标。苏等人（2021）[14]认为机床的比能耗和表面粗糙度是评价加工能耗和表面质量的重要指标。虽然刀具磨损是不可避免的，但刀具磨损的影响在以前的机床中并不具体在预测模型中很少考虑能耗和表面粗糙度考虑到刀具磨损的演变，作者为机床的比能耗和表面粗糙度开发了一个预测模型可以看出，有很多关于NCMT能耗的研究。然而，关于将元启发式优化算法[15]应用于能源效率优化的研究很少。将遗传算法和模拟退火算法应用于数字化双联机床的参数和刀具轨迹优化，以提高加工效率，降低加工能耗。3. 基于离散时间3.1. NCMT孪生模型的构建DTs的概念被添加到NCMT中，以构建名为DTMT的DTs机床[16]。它可以通过虚拟信息空间[17]从几何、物理、功能和空间等各个方面准确地模拟数控机床加工零件对于数控机床加工过程中随时发生的变化，可以及时更新和修正它还可以通过虚拟空间发现和预测加工过程中可能出现的问题，如刀具磨损、零件碰撞、数据异常等[18]。图1提出了基本框架。在物理空间上，DTMT与传统NCMT相比还具有多个异构数据实时感知和数据互联的附加功能。 疏散行为是公共结构设计中必须考虑的重要因素[19]。传感器网络可以及时感知物理空间中的声音、温度、湿度、报警、微位移等信息此外，无线网络向虚拟空间提供由模型[20]构造在虚拟空间中，通过对物理空间的完整真实映射和复制，它包含了描述和智能模型两个模块[21]。智能模型相当于DTMT的指挥中心。 它通过实时感知同步更新和迭代虚拟空间，R. Chen等人物联网和网络物理系统2（2022）159161X联系我们Xð Þ百分之四图二. 感知信息驱动的加工路径优化机制。待机周期设置为pst，主要用于加工操作的准备，包括机床启动后数控系统、变频器、伺服驱动器、风扇的准备。在此期间的电源组件包括辅助系统电源、逆变器电源和伺服电源。Pn驱动 n X;Y;Z。然后，待机时段可以被描述为等式（1）。pst¼pau功率逆变器PWMn驱动器（1）等式（2）表示待机时间。Tst¼C≤0.01（2）在等式（2）中，C是常数。空切周期设定为pair，空切功率设定为Pnvf-idle，快速进给功率设定为Pnvfra-idle，主轴空转功率设定为Pnsp-idle。有：pair/vpnvf-空闲pair/vfnvf -空闲pair/vfnsp-空闲（3）在实际加工过程中，生成的刀轨覆盖的面积通常大于待加工零件的表面，会出现空刀轨[27]。此外，空刀轨在加工后到达退刀点时也会出现。因此，在考虑刀具空转路径Lair和快速进给速率vf、快速横向运动路径Lripud和快速横向速率vf-rapid之后的空切削时间被表示为等式（4）。LairLripudLairLripud联系我们（四）空气vfvf-快速新西兰vf-快速图3.第三章。NCMT的组成。传输数据，用路径优化算法及时调整处理计划，指导物理空间的实际处理[22]。 图图2示出了由DT中的感知信息驱动的处理路径优化机制。在公式（4）中，fz表示每齿进给量;n表示主轴转速;z表示刀具齿数。研磨时间段的功率可以写为等式（5）。Pcut¼PcutPad（5）式（5）中，Pc表示有效切割功率;Pad表示附加负载损失功率。然后，在考虑实际生成的切削路径Lcut和切削进给速率vf之后的铣削时间tcut表示为等式（6）。L切L切联系我们（六）3.2. 数控铣削加工切割vf新西兰数控机床作为机械制造的重要组成部分，已在航空航天、汽车制造等领域得到广泛应用。然而，提高NCMT的加工效率，降低能耗已成为目前亟待解决的问题[23]。 图图3显示了NCMT的结构。根据图 3、组成包括输入单元、数控单元、伺服驱动单元、反馈单元、辅助控制单元和输出单元[24]。NCMT的主要能量来源是电能，电能通过电磁场辅助时间段中的功率表示为P辅助。因此，在引入切换函数taux之后的辅助时间函数S1，1被表示为等式（7）。ntaux-tcoollight-chip：cool lightchip：cool lightchip：cool lightchip：：coollight chip：cool light chip：cool light chip：：coollightchip：：cool light chip：cool light chip：cool lightchip：1/1在公式（7）中，tcool表示使用冷却液的时间;tlight表示点亮时间;tct表示更换刀具的时间;tchip表示机床的排屑时间。电机的耦合。能量被分配到NCMT的每个耗能子系统[25]。 能量部分用于NCMT各部分的正常运行。另一部分是用tcttLct-路径T工具vf（八）对于材料加工过程中消耗的动能和势能，当然包括机器损耗和传动损耗。一个完整的机床铣削过程包括机床启动，返回原点，加工准备，干孔型，材料去除，刀具在等式（8）中，tpct表示每个锐齿的换刀时间其中，Ttool表示刀具寿命，Lct-path表示换刀路径的长度，则所有NCMT加工和铣削过程的总时间ttotal和总功率Ptotal表示为：n收回和机器关闭。它还包括一些辅助操作-t < $tt 阿勒特阿勒特1/4C空气压缩机切割机（九）更换刀具和去除废屑等操作[26]。每一步都要消耗能量。相应的运行期为启动期总圣空气切割aux新西兰vf-快速新西兰我我1/1时间、待机时间、主轴启动时间、空切时间、铣削时间、停机时间和辅助操作时间。 启动和关闭持续时间很短，可以忽略。Ptotal¼PstPairPcutPauxiliary（10）由于机床是一个多能源系统，R. Chen等人物联网和网络物理系统2（2022）159162ZZZZZZZc¼60FCpzCPenpvpapapdtp公司peCpe综合能耗，NCMT铣削过程的总能耗Etotal由备用能耗Est、空气切割能耗Eair、铣削能耗Ecut和辅助系统能耗Eaux组成，如等式（11）所示。Etotal¼EstEaircutEaux（11）待机能耗取决于待机时间，如等式（12）所示。tstEst¼0PstPennsylvania（12）在空气切割期间未进行材料去除能量消耗模型表示为等式（15）。E空气tsp-怠速¼0Psp-空闲t-raiale埃斯特尔·埃斯特尔0Pnvfra-idle斯考特·斯考特（13）CP切割见图4。 NCMT处理数据的分类。2011年12月1日（二十一）在等式（15）中，Psp-idle表示主轴的空转功率因此，研磨能耗模型定义为：Pnvfra-idle表示快速进给功率。等式（22）。铣削功率Pcut被材料去除过程消耗，包括有效材料去除功率Pc和附加负载功率Pad。不要剪E切割¼不要剪Pcutcut-offtnwpvypaxpaupdt（22）Pcut¼PcutPad（14）切Pe0等式（15）描述了有效材料去除功率。PFc v×10- 3（十五）辅助系统的能量消耗Eaux表示为等式（23）。X在等式（15）中，Fc表示铣削力，v表示1/1铣削速度，其根据公式（16）计算。v/n（十六）因此，NCMT研磨过程的总能量消耗模型可以写成等式（24）。1000方程（17）描述了Fcing参数。与其他磨-tstE共计0不要剪tsp-怠速Psttdt0t-raialePsp-怠速转速0Pnvfra-idle埃斯特尔·埃斯特尔（二十四）C ax fypaupzZWyXuX（十七）切割pe式（17）中，CFc表示铣削力系数;ap表示铣削深度，单位为mm;ae表示铣削宽度，单位为mm。单位为mm;d为刀具直径，单位为mm;xF、yF、uF、q、w为铣削深度、每齿进给量、铣削宽度、刀具直径，由于每个周期中的负载相对稳定，因此总功率模型被等效功率代替，如等式（25）。E总计¼ Pst ttst Psp-空闲空闲时间ttsp-空闲时间t Pnraidle-空闲的F Fvf-n（二十五）和主轴转速。 校正因子，当加工条件改变时，用KF表示。P.C.Pnwpvypaxpauptt cutnXSin ttn·Pi·tiC由于方程（17）中的系数与实验相关，1/1条件，有：P¼Cnwpvypaxpaup（十八）3.3. 面向能效的多目标优化方法NCMT铣削参数其中切削刃去除材料的功率系数CPc可以写成公式（19）。CFπz1-yFKFd1-qF数控机床加工过程中的参数选择对加工过程的能耗和效率有重要处理数据包括静态数据、动态数据和中间数据。CP¼Cc（十九）数据，如图所示。四、c6× 10-7在公式（19）中，wp表示主轴速度;yp表示进给速度;up表示铣削宽度;xp表示铣削深度。合并后，有：优化能耗和效率的问题实际上是优化NCMT铣削参数的能量效率的问题。假设NCMT铣削参数的集合是Mp，其可以表示为等式（26）。Pcut<$PcPad<$1α Pc <$CPnwpvypaxpaup（二十）切Pe其中CPcut表示铣削功率因数，如等式（21）所示。ZnnE辅助¼（23）第23章我的世界Sit·Pi·tiFc¼01/1切割Pc0R. Chen等人物联网和网络物理系统2（2022）159163ð ¼ÞMp 1/2 fP1;：Pi;：PNg→P最佳（26）在等式（26）中，Pi代表第i个i的组合，1;：; N个铣削参数; N为铣削参数组合的总量; P最优表示参数组合的最优解。R. Chen等人物联网和网络物理系统2（2022）159164Fpe...ΣΣ.Σ¼¼不60不60CWPzC图五. 用线性递减粒子群算法寻找最优下料的过程。在本文中，主轴转速n，进给速度vf，铣削深度ap和铣削宽度ae被选为优化变量。他们是FC V1000ηPMax≤0（34）优化以解决最小铣削功率和最大材料去除率。基于以上，铣削功率的目标函数被表示为等式（27）。在等式（34）中，η代表机器效率，Pmax表示最大切割功率。加工质量受零件表面粗糙度Ramax的影响，约束满足式（35）。P切槽¼英寸1毫米CFcπz1-yFKFd1-qFvyFaxFauF·（二十七）fz-p4dRamax318≤0（35）6×10-7nwFyF-1等式（28）表示每单位时间的材料去除的目标函数。切削温度直接影响刀具的寿命高温易导致刀具变形，增加磨损程度等式（36）描述了约束。MRR<$nfz Zap ae<$vf apae（二十八）T¼K a d1f d2v d3 ≤T（三十六）然后，优化目标被表示为等式（29）。minPcutn;vf;ap;ae（29）最大MRR n;vf;ap;ae多目标优化通常很难实现，因此它被简化为单目标优化，如等式（30）所示。min Fn;v f;a p;a e在等式（30）中，w1表示铣削功率的权重;w2表示铣削功率的权重。注意材料去除率的重量，和w1w2¼1。本文将铣削功率Pcut和材料去除率MRR的权重分别设定为w10： 5515和w20： 4485。此外，还需要确定约束条件，以确保处理结果是真实的，因此增加了以下约束条件等式（31）描述了主轴速度约束。Kw为温度系数;d1、d2、d3为ap、fz、v对切削温度影响的指标;Tcmax为温度上限粒子群优化算法是一种并行Meta启发式优化算法[28]。通过观察动物集群的活动行为，在问题求解空间中，群体中个体的信息共享，产生从无序到有序的进化过程，以获得最优解。PSO算法类似于SA算法。它从一个随机解开始，通过迭代找到最优解，并通过拟合度评估解的质量。然而，它比GA更简单。它没有“交叉”和“变异操作”通过遵循当前搜索的最优值来搜索全局最优值图5示出了优化过程。在将粒子群算法应用于机床参数优化过程中，首先需要随机初始化一定规模的粒子群在迭代过程中，最优解P最好的在-πdnmin1000≤v≤πdnmax（31）1000个体和全局最优解Gbest的整个人口应该被找到。假设有一个一维N维空间.然后，由m个粒子组成的粒子群被表示为X1/4X1;X2;：;进给速度应设置在最小和最大进给在机器允许的范围内，充分发挥机器的性能。条件设定为：vfmin≤vf≤vfmax（32）而且，切削力不能大于机床允许的最大值Fmax，即：X m第i个粒子的位置为X i1;X i2;：;X imT;速度表示为V i1;V i2;：：;V iNT;个体极值为：P i1;P i2;：：;P iNT;全局最优解为：G g1;G g2;：：;G gNT。位置和速度根据下式随着每次迭代而更新：XiNt1XiNtViNt1（ 37）Fc-Fmax≤0（33）类似地，切割功率也必须满足等式中的条件CmaxR. Chen等人物联网和网络物理系统2（2022）159165iN中国Þ¼iN11½i N -iN]22gN-iNV 不1ωV tc γP t Xt cγGt Xt（38）（三十四）。其中t表示当前迭代次数;c1和c2表示R. Chen等人物联网和网络物理系统2（2022）159166≤pð ¼Þ1/4fg¼n o- -ð Þ刀具轨迹p1;c1;i;ci;n;cn;1;c1i;ci氯化萘¼不单位：吨阿勒特 四分之一（42）学习因子不能为负; γ1和γ2为区间[0，1]内的随机数; ω为惯性权重; ω值越大，算法的全局搜索能力越好。ω值越小，算法的局部搜索能力越好。因此，如果单一的ω容易过早形成粒子算法，在全局最优解附近也会出现波动。因此，增加线性递减的权重以提高全局搜索能力，这可以写成等式（39）。工具路径。因此，我允许。lallow表示加工零件时允许的加工线间距。加工质量是路径优化结果是否满足主要指标的主要指标，如等式（44）所示。fz-4dRamax=318≤0;h≤h允许（ 44）在等式（44）中，h代表处理残余高度，并且h允许最大值t·ωmax-ωmintmax（三十九）表示零件加工的允许剩余高度此外，刀路必须满足无重复刀路约束：在等式（39）中，tmax表示最大迭代次数;ωmax和ωmin表示惯性权重的最大值和最小值。3.4. 面向能量效率的数控机床铣削刀具路径优化模型与方法在数控机床的实际加工过程中，加工路径的优化直接影响到加工效率和能量效率。刀具运动轨迹平滑连续。在实际加工过程中，刀具轨迹的形成是由离散的刀位数据按照切削顺序连接起来的，即所有刀位的集合因此，刀具轨迹表示为CpC1; c1;： C1;c1;： Cn;cn;.其中，Ci;ci;表示第i个i1;2;：;n刀位点和对应的刀位点ci的值，满足刀位点数据不能重复。因此，铣削的连接L^Ci-1;c^Ci-1;C^Ci-1; c ^Ci-1;c^Ci;ci（45）本文采用的刀具轨迹优化方法分为两步。首先，确定加工零件表面上的最佳刀具位置然后，优化遗传算法被用来优化之间的连接顺序的刀具位置和非重复性的刀具运动。最后得到了刀具轨迹的最优解选择平面模型和曲面模型作为优化对象。对被加工零件的曲面进行离散化，生成刀位点。平面模型根据加工线间距确定网格离散间距，得到刀位点。曲面模型由非均匀有理B样条曲面方法生成网格的离散点由曲率半径、刀具半径ρ R和曲面加工剩余高度h确定。这些离散点是刀具路径的刀具位置点表面上的任何点都可以写成方程（46）。刀具沿刀位点所形成的刀位数据集在无重复刀具运动的前提下是刀具轨迹L刀位轨迹，nSu×SvjSu×Svj（四十六）如公式（40）所示。在等式（46）中，Su表示表面的偏导数L¼.C. C：C：Ci¼1;2;：n;C：6¼C6¼：CΣ（四十）方程在u方向，和Sv表示偏导数的在v方向上的曲面方程然后，通过公式（47）计算加工线间隔l。在保证加工零件质量的前提下，通过确定零件加工的刀位数据集，以加工能耗和加工效率为评价指标。然后，通过优化算法选择最优连接方式作为刀具路径，以获得最优加工效率下的最低加工能耗。刀具路径包括实际切削路径Lcut和空气切削路径Lair。 L cut表示刀具在材料去除过程中穿过的路径，L air表示不进行材料去除时的刀具路径。这两个因素影响能源消耗和加工效率总研磨时间ttotal可以表示为等式（41）。nρ4 R2 ρh 2ρ R 2ρ h 2R2 20：5中文（简体）ðρþR Þðρþh Þ3.5. 基于改进遗传退火算法遗传算法源于进化论和群体遗传学。它是一种元启发式优化算法。1975年，Holland教授在他的专著《自然和人工系统的适应性》中首次提出了这一概念与传统算法相比，遗传算法具有从群体出发、潜在并行性等优点。的t < $tt 阿勒特阿勒特1/4C空气压缩机切割机（四十一）搜索的灵感来自于评价函数（适合度函数），总圣空气切割aux新西兰vf-快速新西兰我我1/1该方法简单，收敛性强。但也存在一些不足，如算法参数的选取。认真在加工过程中，不需要进行换刀，照明操作，因此不考虑它们产生的时间然后，整体刀具路径优化函数t totalL可以写成等式（42）。L空气L切割总空气切割f nz新西兰足球俱乐部影响解决方案的质量目前，这些参数的选择遗传算法的本质是一种随机搜索，这不足以确保所获得的解是全局最优解。SA算法[30]是一种基于Monte-Carlo迭代求解策略的随机优化算法。其出发点是基于物理学中固体物质的退火过程公式（43）表示用于加工能量消耗的工具路径优化函数。和一般的组合优化问题，以及一个元启发式优化算法。因为SA是针对E总排气量E空气流量E切断流量P-怠速流量L空气P.C.Pnwpvy pax paup L形切口（四十三）一个人，它的成绩是优秀的，它跳出了本地解决方案的局限性然而，它的全局抓取能力是通用的，fz nZ切割pefz nZSA算法收敛速度慢，需要约束来生成最佳NCMT铣削路径。加工线间距l直接决定刀位数据的选择是否合理，并最终影响加工线的长度。运行时间。GA [31]是一种成组算法，并行度高，运行时间短，对全局情况控制好，但局部寻优能力相对较低。因此，R. Chen等人物联网和网络物理系统2（2022）159167不.Σ不.ΣðÞðÞ11 否则接受新个体的概率为 -△f。12 改进圆，改进种群，记录最优解。α¼αþ113 计算：T¼T014Endifαþ115 输出最优解：E最优，S最优。4. 数控机床铣削4.1. 参数优化的线性粒子算法图六、 ISAGA算法流程。二被用作这里报告的刀具路径优化算法，即，改进的遗传模拟退火算法（IGASA）。图6显示了算法流程。1 开始NCMT铣削的参数设置如下：CFc1/196;xF 1/1;yF 10：72;uF 1/1;qF 10：86;wF 10;KFc 1/1;Kw 1/80;d 10：35;d 20：20;d3/0：08;nmin 1/60;nmax 1/5000;vfmin1/;vfmax 1/1200;n 10：75;d 1/10;Pmax 1/5：5;Ra1/3：2;a 10：2;Z 1/3：种群数量为S1/450;最大迭代次数tmax设置为500;惯性权重ωmin和ωmax分别设置为0.9和0.4;学习因子c1和c2设置为2。采取了不同的优化方案a. 参数未优化并作为对照组。b. 仅优化研磨功率，其中研磨功率和去除率的目标权重被指定为1和0。c. 仅优化材料去除率，其中铣削功率和去除率的目标权重被指定为0和1。d. 加权重优化，其中研磨功率和去除率的目标权重被指定为0.5515和0.4485。2 输入：初始化群体参数：ESmaxgnMAX;Pc;Pm;Ecurrent3 参数满意度：E最佳值：<$E电流：<$Es最小值最佳电流最小电流4 如果TT结束，则gn^l。<;ESmin ;T0;T端 ;α;e. 加权优化，将铣削功率和切削率的目标权值分别设定为0.5515和0.4485。f. 机床常用的经验铣削参数优化方法。4.2. 刀具轨迹遗传退火算法的验证5 计算个人适合度，改进轮盘选择。6 个体Hi;Hj根据概率Pc交叉操作以生成新个体Hi1;Hj1。7 如果f H

下载后可阅读完整内容，剩余1页未读，立即下载