精密组件数控加工参数自适应寻优方法与流程

本技术属于寻优领域，尤其涉及一种精密组件数控加工参数自适应寻优方法。

背景技术：

1、在现代工业制造领域，精密组件的加工质量通常受主轴转速、进给速度、切削深度等多个加工参数共同影响。上述参数大多具有连续取值特征，并在实际生产过程中受到机床功率、刀具受力、加工安全边界等多维约束条件限制，形成复杂的可行操作空间。同时，加工质量评价通常需要综合考虑表面粗糙度、加工效率、资源消耗等多项性能指标，而不同指标之间往往存在相互制约关系，单一指标的提升可能伴随其他指标的劣化。传统依赖工程经验或基础试验调配的参数设定方式，在面对连续参数空间、多约束条件及多目标评价并存的加工场景时，难以充分覆盖有效可行区域，也难以准确表征不同性能指标之间的权衡关系，导致加工参数设置难以达到兼顾质量、效率和能耗的综合优化效果。

2、针对上述多目标参数寻优需求，现有参数优化策略多依赖预设的静态离散采样点进行试验布设，难以根据前序试验反馈动态调整后续参数取值的重点区域。在连续且受限的参数空间内，单纯依靠静态离散化进行大范围采样，容易造成试验次数增加，进而提高时间成本、物料成本和设备占用成本，并可能使大量试验资源消耗在低价值参数区域。部分常规算法寻优方案在前期缺乏高质量代表性试验数据支撑的情况下，难以可靠拟合加工参数与多维性能指标之间的非线性映射关系，寻优过程容易受到局部区域样本分布的影响。因此，亟需一种能够在控制实际加工试验成本的前提下，根据多指标加工评价结果自适应调整参数概率分布，并结合试验数据建立全局评价模型的参数寻优机制，以输出能够兼顾多项加工需求的优化参数组合。

技术实现思路

1、为了解决现有技术中连续加工参数受多维约束影响、静态采样难以根据试验反馈调整重点区域，且多目标性能指标权衡关系难以准确建模，导致试验成本高、寻优效率低、参数组合难以兼顾加工质量与生产效率的问题，第一方面，本发明提供了一种精密组件数控加工参数自适应寻优方法，包括以下步骤：

2、确定预设数量的多个加工参数的连续取值范围并通过多维约束函数划定可行空间，为各个加工参数设定初始连续概率密度函数，根据当前概率密度函数动态离散化生成多个离散的采样水平并结合正交表构建候选参数组合，对所述候选参数组合进行安全约束校验后形成实际用于加工的试验组，对试验组执行实际加工作业以获取表示加工质量的多维性能指标；

3、对多维性能指标构成的多维指标集进行非支配排序处理，为各个试验组分配对应的帕累托层级，计算各个加工参数在不同采样水平的帕累托期望值，帕累托期望值具体由所述加工参数参与试验的帕累托层级倒数适应度的平均值计算确定，以帕累托期望值为证据对当前的概率密度函数进行贝叶斯更新并生成后验概率密度函数；

4、基于生成的后验概率密度函数重复执行动态离散化生成采样水平至生成后验概率密度函数的迭代步骤，直至算法模型达到收敛状态或者达到预设的最大迭代次数，获得迭代结束后的试验数据集，利用试验数据集构建多目标高斯过程代理模型组作为适应度函数，并采用多目标演化算法全局寻优输出帕累托最优解集作为参数组合。

5、可选地，所述确定预设数量的多个加工参数的连续取值范围并通过多维约束函数划定可行空间，包括：

6、提取机床的主轴转速、进给速度和切削深度作为加工参数，并设定各个加工参数的物理极限阈值形成连续取值范围；

7、根据机床主轴电机的最大功率限制和刀具的容许切削力，建立包含主轴负载约束与刀具受力约束的多维约束函数；

8、将连续取值范围输入所述多维约束函数，移除违反主轴负载约束或者刀具受力约束的参数区域，生成满足安全加工条件的可行空间。

9、可选地，所述为各个加工参数设定初始连续概率密度函数，包括：

10、将每个加工参数的初始连续概率密度函数设定为由三个独立高斯分支构成的高斯混合模型；

11、为三个高斯分支分配相等的初始权重，并将所述分支的期望值分别设定为对应加工参数连续取值范围的15%、50%和85%分位点；

12、将各个分支的标准差初始化为对应加工参数取值范围跨度的十分之一。

13、可选地，所述根据当前概率密度函数动态离散化生成多个离散的采样水平并结合正交表构建候选参数组合，对所述候选参数组合进行安全约束校验后形成实际用于加工的试验组，包括：

14、根据当前概率密度函数的累积分布函数，采用等概率区间划分法将各个加工参数的可行空间划分为多个离散采样区间；

15、提取各个采样区间的概率密度峰值点作为对应采样水平的代表值；

16、将各个加工参数的代表值代入预设的多水平正交表矩阵中生成初始参数组合；

17、通过多维约束函数对初始参数组合进行过载校验，将不符合安全条件的参数组合确定为不可执行候选组合并排除于实际加工试验组之外，按照对应正交表行的水平编号组合重新生成满足所述多维约束函数的替代参数组合；

18、将符合安全条件的初始参数组合及所述替代参数组合作为实际用于执行加工的试验组。

19、可选地，所述计算各个加工参数在不同采样水平的帕累托期望值，帕累托期望值具体由所述加工参数参与试验的帕累托层级倒数适应度的平均值计算确定，包括：

20、提取当前加工参数在特定采样水平下参与的所有试验组的帕累托层级数；

21、将所述帕累托层级数的倒数作为各个试验组的适应度得分；

22、对当前加工参数在特定采样水平下参与的所有试验组的适应度得分求算术平均，计算得到平均适应度；

23、将所述平均适应度进行归一化处理，作为所述加工参数在所述采样水平上的帕累托期望值。

24、可选地，所述以帕累托期望值为证据对当前的概率密度函数进行贝叶斯更新并生成后验概率密度函数，包括：

25、利用插值方法将各个采样水平的帕累托期望值映射至连续空间，构建为非负更新权重函数；

26、根据贝叶斯更新形式，将当前迭代的连续概率密度函数与所述非负更新权重函数相乘，计算得到非归一化后验分布；

27、采用马尔可夫链蒙特卡洛方法对非归一化后验分布进行重采样以提取高概率样本点；

28、利用期望最大化算法基于高概率样本点重新拟合高斯混合模型的权重、期望值和方差，输出后验概率密度函数。

29、可选地，所述利用试验数据集构建多目标高斯过程代理模型组作为适应度函数，并采用多目标演化算法全局寻优输出帕累托最优解集作为参数组合，包括：

30、将多维性能指标统一转化为最小化目标后，以多目标高斯过程代理模型组的预测均值作为多目标演化算法的适应度函数；

31、在可行空间内随机初始化种群，执行选择、交叉与变异操作生成子代种群；

32、将父代种群和子代种群合并后输入所述适应度函数获取性能指标预测值，并基于非支配排序和拥挤度距离进行环境选择；

33、在迭代达到最大代数后停止演化，提取种群中的非支配解集作为帕累托最优解集并输出。

34、另一方面，本发明还提供了一种精密组件数控加工参数自适应寻优系统，包括以下模块：

35、获取模块，用于确定预设数量的多个加工参数的连续取值范围并通过多维约束函数划定可行空间，为各个加工参数设定初始连续概率密度函数，根据当前概率密度函数动态离散化生成多个离散的采样水平并结合正交表构建候选参数组合，对所述候选参数组合进行安全约束校验后形成实际用于加工的试验组，对试验组执行实际加工作业以获取表示加工质量的多维性能指标；

36、计算模块，用于对多维性能指标构成的多维指标集进行非支配排序处理，为各个试验组分配对应的帕累托层级，计算各个加工参数在不同采样水平的帕累托期望值，帕累托期望值具体由所述加工参数参与试验的帕累托层级倒数适应度的平均值计算确定，以帕累托期望值为证据对当前的概率密度函数进行贝叶斯更新并生成后验概率密度函数；

37、输出模块，用于基于生成的后验概率密度函数重复执行动态离散化生成采样水平至生成后验概率密度函数的迭代步骤，直至算法模型达到收敛状态或者达到预设的最大迭代次数，获得迭代结束后的试验数据集，利用试验数据集构建多目标高斯过程代理模型组作为适应度函数，并采用多目标演化算法全局寻优输出帕累托最优解集作为参数组合。

38、优选地，所述确定预设数量的多个加工参数的连续取值范围并通过多维约束函数划定可行空间，包括：

39、提取机床的主轴转速、进给速度和切削深度作为加工参数，并设定各个加工参数的物理极限阈值形成连续取值范围；

40、根据机床主轴电机的最大功率限制和刀具的容许切削力，建立包含主轴负载约束与刀具受力约束的多维约束函数；

41、将连续取值范围输入所述多维约束函数，移除违反主轴负载约束或者刀具受力约束的参数区域，生成满足安全加工条件的可行空间。

42、优选地，所述为各个加工参数设定初始连续概率密度函数，包括：

43、将每个加工参数的初始连续概率密度函数设定为由三个独立高斯分支构成的高斯混合模型；

44、为三个高斯分支分配相等的初始权重，并将所述分支的期望值分别设定为对应加工参数连续取值范围的15%、50%和85%分位点；

45、将各个分支的标准差初始化为对应加工参数取值范围跨度的十分之一。

46、优选地，所述根据当前概率密度函数动态离散化生成多个离散的采样水平并结合正交表构建候选参数组合，对所述候选参数组合进行安全约束校验后形成实际用于加工的试验组，包括：

47、根据当前概率密度函数的累积分布函数，采用等概率区间划分法将各个加工参数的可行空间划分为多个离散采样区间；

48、提取各个采样区间的概率密度峰值点作为对应采样水平的代表值；

49、将各个加工参数的代表值代入预设的多水平正交表矩阵中生成初始参数组合；

50、通过多维约束函数对初始参数组合进行过载校验，将不符合安全条件的参数组合确定为不可执行候选组合并排除于实际加工试验组之外，按照对应正交表行的水平编号组合重新生成满足所述多维约束函数的替代参数组合；

51、将符合安全条件的初始参数组合及所述替代参数组合作为实际用于执行加工的试验组。

52、优选地，所述计算各个加工参数在不同采样水平的帕累托期望值，帕累托期望值具体由所述加工参数参与试验的帕累托层级倒数适应度的平均值计算确定，包括：

53、提取当前加工参数在特定采样水平下参与的所有试验组的帕累托层级数；

54、将所述帕累托层级数的倒数作为各个试验组的适应度得分；

55、对当前加工参数在特定采样水平下参与的所有试验组的适应度得分求算术平均，计算得到平均适应度；

56、将所述平均适应度进行归一化处理，作为所述加工参数在所述采样水平上的帕累托期望值。

57、优选地，所述以帕累托期望值为证据对当前的概率密度函数进行贝叶斯更新并生成后验概率密度函数，包括：

58、利用插值方法将各个采样水平的帕累托期望值映射至连续空间，构建为非负更新权重函数；

59、根据贝叶斯更新形式，将当前迭代的连续概率密度函数与所述非负更新权重函数相乘，计算得到非归一化后验分布；

60、采用马尔可夫链蒙特卡洛方法对非归一化后验分布进行重采样以提取高概率样本点；

61、利用期望最大化算法基于高概率样本点重新拟合高斯混合模型的权重、期望值和方差，输出后验概率密度函数。

62、优选地，所述利用试验数据集构建多目标高斯过程代理模型组作为适应度函数，并采用多目标演化算法全局寻优输出帕累托最优解集作为参数组合，包括：

63、将多维性能指标统一转化为最小化目标后，以多目标高斯过程代理模型组的预测均值作为多目标演化算法的适应度函数；

64、在可行空间内随机初始化种群，执行选择、交叉与变异操作生成子代种群；

65、将父代种群和子代种群合并后输入所述适应度函数获取性能指标预测值，并基于非支配排序和拥挤度距离进行环境选择；

66、在迭代达到最大代数后停止演化，提取种群中的非支配解集作为帕累托最优解集并输出。

67、本发明通过划定加工参数连续可行空间，并基于概率密度函数与正交表生成候选试验组，可减少无效参数组合带来的试验消耗，提升样本覆盖的有效性。通过非支配排序获得帕累托层级，并依据帕累托期望值更新参数概率分布，可引导后续试验逐步偏向综合性能较优的区域，提高多目标寻优效率。进一步利用迭代试验数据构建多目标代理模型，并结合多目标演化算法进行寻优，可刻画加工参数与质量指标之间的非线性关系，输出兼顾表面质量、加工效率和资源消耗的帕累托参数组合，从而改善加工参数配置效果。