(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210985247.8 (22)申请日 2022.08.17 (71)申请人 武汉德昇科技有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区武大园路8号武大科技园一号楼 生产楼3楼 2号房109-14 号 (72)发明人 薛欢　董彪　董盈之　 (74)专利代理 机构 武汉瑞创星知识产权代理事 务所(普通 合伙) 42274 专利代理师 易滨 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 30/25(2020.01)G06F 111/04(2020.01) G06F 111/06(2020.01) G06F 119/14(2020.01) (54)发明名称 基于MLP和变异PSO的不锈钢车削工艺参数 多目标优化方法 (57)摘要 发明提出一种基于MLP和变异PSO的不锈钢 车削工艺参数多目标优化方法， 该方法以车削速 度、 车削深度、 刀具前角、 刀具后角和车削刃半径 为约束条件， 通过多层反馈神经网络建立约束条 件和残余应力的非线性映射关系， 通过公式计算 出材料去除率， 采用改进粒子群算法， 以不锈钢 表面最小残余应力和最大材料去除率为优化目 标， 经过迭代更新获得多目标优 化的Pareto前 沿 解集， 得到最优的车削参数组合。 在提高零件加 工质量， 增加产品使用寿命的同时， 提高了生产 效率， 降低了成本 。 权利要求书2页 说明书7页 附图3页 CN 115329492 A 2022.11.11 CN 115329492 A 1.基于MLP和变异PSO的不锈钢车削工艺参数多目标优化方法， 其特征在于， 包括以下 步骤： S1、 在预设的车削工艺参数允许范围内， 选择车削参数， 采用有限元仿真获得不同车削 参数组合下 的车削残余应力数据； 将部分的车削参数为输入， 对应的车削残余应力数据为 输出， 作为训练样本， 同时将剩余部分的车削参数为输入， 对应的车削残余应力数据为输 出， 形成测试样本； 所述车削参数为： 车削速度、 车削深度、 刀具 前角、 刀具后角和刀具半径； S2、 利用所述训练样本训练多层神经网络结构模型； S3、 将测试样本代入训练后的多层神经网络结构模型， 比较测试样本中削残余应力数 据和多层神经网络结构模型 的预测值， 通过调整多层神经网络结构模型 的参数， 降低多层 神经网络结构模型 的预测误差， 选取预测误差较小的多层神经网络结构模型， 作为车削参 数和残余应力的非线性映射关系的神经网络预测模型； S4、 模型建立： 多目标优化数 学模型如式(2)所示， 式(3)表示材 料去除率； u2(A)＝v×h×10‑3   (3) 式中， P为目标函数， 0≤ λ1≤1； 0≤ λ2≤1， λ1+λ1＝1， A＝[v， h， a， b， r]为车削参 数， v、 h、 a、 b和r分别表示车削速度、 车削深度、 刀具前角、 刀具后角和刀具半径； 可行域集合Ω为车削 参数的预设取值范围； u1(A)和u2(A)分别为在车削参数A条件下的残余应力和材料去除率； 目标函数同时为车削最小残余应力f1和最大材料去除率f2； 车削工艺参数多目标优化约束 条件为车削参数在可 行域集合Ω内； S5、 进行粒子群算法： 将车削参数进行实数制编码， 从而随机生成初始化粒子群， 采用 训练好的神经网络模型和材料去除率函数计算每个个体对应的目标函数P的数值作为适应 度； S6、 根据步骤S5 的计算结果， 通过Pareto支配关系评价粒子， 得到非支配解集， 并确定 全局最优粒子； S7、 随机选择非支配解集中的粒子为引导者， 对粒子进行速度和位置的更新并更新非 支配解集； 在粒子群算法的循环迭代过程中， 随机将种群均匀分为3部分， 第1部分种群按照常规 的粒子群算法进行迭代； 在第1部 分种群迭代的基础上利用第2部 分种群继续进 行粒子群算 法， 其中， 在第2部 分种群中设定随机初始种群概率常数 μ1， 使第2部分种群中的粒子在每次 迭代过程中， 以μ1的概率随机重新生成， 0＜ μ1＜1； 在第2部分种群迭代的基础上利用第3部 分种群继续进 行粒子群算法， 其中， 在第3部 分种群中设定随机初始种群概率 μ2， 使第3部 分 种群中的粒子在每次迭代过程中， 以μ2的概 率重新生成， μ2随着迭代次数减小； S8、 在粒子群算法达到最大迭代次数时， 输出Pareto前沿解集， 获得最小残余应力和最 大材料去除率 解集。 2.根据权利要求1所述基于MLP和变异PSO的不锈钢车削工艺参数多目标优化方法， 其权　利　要　求　书 1/2 页 2 CN 115329492 A 2特征在于， μ2根据式(7)进行确定： 式中， T表示当前迭代次数； Tmax表示最大迭代次数， 0＜ μ2＜1， α 为常数， α ＞1。 3.根据权利要求1所述基于MLP和变异PSO的不锈钢车削工艺参数多目标优化方法， 其 特征在于， 多层神经网络结构模型中， 每层隐藏层的神经 元个数如式(1)所示； 式中， l表示每层隐藏层的神经元个数， m表示输入层神经元个数， n表示输出层神经元 个数， c＝1， 2， …， 11。 4.根据权利要求1所述基于MLP和变异PSO的不锈钢车削工艺参数多目标优化方法， 其 特征在于， 第k个粒子的第t 代的速度和位置更新的公式分别为式(4)和式(5)； vk(t+1)＝ωvk(t)+c1r1(t)[Pk(t)‑pk(t)]+c2r2(t)[Pg(t)‑pk(t)]   (4) pk(t+1)＝pk(t)+vk(t+1)   (5) 式中， ω为惯性权重系数， 0＜ω＜1； vk(t)和pk(t)分别为第k个粒子在第t代的运动速 度和位置； c1和c2分别表示 粒子加速常数； r1(t)和r2(t)为第t代的两个独 立随机数； Pk(t)第 k个粒子在第t 代的历史最优位置； Pg(t)为所有粒子在第t 代的最优位置 。 5.根据权利要求4所述基于MLP和变异PSO的不锈钢车削工艺参数多目标优化方法， 其 特征在于， c1＝c2＝1。 6.根据权利要求1所述基于MLP和变异PSO的不锈钢车削工艺参数多目标优化方法， 其 特征在于， 步骤S1中， 所述选择车削参数具体是指在预设的车削工艺参数允许范围内进行 均匀选择。 7.根据权利要求1所述基于MLP和变异PSO的不锈钢车削工艺参数多目标优化方法， 其 特征在于， 步骤S 3， 所述通过调整多层神经网络结构模型的参数具体是指： 通过调整多层神 经网络结构模型的隐含层h、 附加能量因子、 最小能量梯度、 迭代次数以及学习率 参数。 8.根据权利要求1所述基于MLP和变异PSO的不锈钢车削工艺参数多目标优化方法， 其 特征在于， 步骤S7中， 更新非支配解 集具体包括： 将更新后的粒子与非支配解集再进行相互支配关系判断， 保存更新后的非支配解到 Pareto前沿解集中， 并计算Pareto前沿解集中的粒子密集距离， 当达到最大容量或粒子密 集度阈值时， 随机移除多余粒子 。权　利　要　求　书 2/2 页 3 CN 115329492 A 3