工艺参数优化方法：循环迭代优化

目前，关于铣削加工过程的工艺参数优化方法主要可以分为离线优化和在线优化。但是，无论是离线优化方法还是在线优化方法，都存在着一定的缺点，不能很好地应用于实际加工过程。

离线优化方法不能适应真实的零件加工过程。离线优化方法大多是基于工艺过程预测模型的，这就要求预测模型具有较高的准确性和广泛的适用性。在真实的零件加工过程中，工件材料的不均匀性、工艺过程的波动等因素是无法通过模型、仿真或者试验准确预测的。所以，离线优化方法在实际加工中的应用受到了一定的限制。

在线优化方法不能适应零件的全局特征。在线优化与控制过程根据实时监测得到的数据对工艺参数进行优化与调控，这就导致优化调控过程只受到局部加工信息的影响。优化过程缺乏对零件整体加工特征的全局考虑，使得控制的整体连贯性较差。而且铣削加工过程中可以在线调控的参数有限，无法全面地对加工过程进行优化控制。同时为了保证加工过程的安全，在线控制过程通常较为保守。此外，在线数据分析和调整的时滞性要求也是制约在线优化方法应用的难点之一。

针对在线优化与离线优化的特点，为充分发挥在线优化与离线优化的优势，可以将在线求解与离线学习相结合，进行铣削工艺参数的迭代优化。通过在线侦测识别铣削加工过程的瞬时工况，根据识别得到的实际工况对进给速度优化模型进行求解，并根据求解得到的结果对铣削加工过程进行反馈调控，同时记录求解的结果。在一个零件加工完成后，根据记录下来的在线求解结果，对零件加工数控程序中的工艺参数进行修改，将求解得到的工艺参数作为下一个零件加工的初始工艺参数。一个在线求解过程和一个基于该在线求解数据的离线学习过程共同组成了一个完整的学习循环，通过学习循环的迭代实现工艺参数的优化［6］。

铣削加工进给速度在线求解与调控的主要过程是：通过传感器及数控系统在线监测加工过程，并且采用侦测加工的方法在线识别瞬时工况；在此基础上，根据监测识别得到的当前实际工况，在线求解进给速度优化问题，并且根据优化结果对加工过程进行实时反馈控制。不需要真实零件加工过程之前的仿真、试验、试切等过程，所有过程全部在线完成。(www.xing528.com)

铣削加工工艺参数离线学习的主要过程是：首先将铣削进给速度在线求解的结果、该零件的加工NC代码、该零件的结构特征三者进行同步匹配；然后根据被加工零件局部的结构特征和刀具的性能约束，计算加工零件各个部分的最大许用主轴转速，并将其作为加工该部分的新的主轴转速；根据在线求解得到的NC代码上每一点的每齿进给量及重新选取的主轴转速，重新计算进给速度并对NC代码中的主轴转速及进给速度进行修正；最后，分析修正后的铣削加工NC代码，对其中的工艺参数进行平滑处理，避免加工过程中机床的主轴转速和进给速度加减速过于剧烈，以至于影响加工质量甚至损坏刀具或机床。整个过程实现了工艺参数的学习积累，为下一个零件的加工提供了更优的初始NC代码。

离线学习过程根据工艺参数在线求解的结果，同时考虑被加工零件的整体加工特征，对数控加工NC代码进行学习修正，为下一个零件加工提供更优的数控加工程序。这样既保证了优化工艺参数的准确性，又克服了在线求解与调控所存在的缺点。

铣削工艺参数迭代优化的原理是：通过单次学习循环过程，对铣削工艺参数进行求解和学习，经过学习的工艺参数将用于下一个零件的加工。通过不断地迭代学习循环，使得工艺参数不断积累和更新，从而实现铣削工艺参数的优化。零件加工程序的NC代码是零件加工工艺知识的具体体现，也是零件加工工艺知识的一种载体。因此，工艺参数的迭代优化过程本质上也是工艺知识的学习和进化过程。铣削工艺参数学习循环与迭代优化的原理如图4.24所示。

图4.24　铣削工艺参数学习循环与迭代优化原理