[论文解读] Genetic algorithm based optimization and post optimality analysis of multi-pass face milling

Sourabh K. Saha|ArXiv.org|Feb 4, 2009

Advanced machining processes and optimization参考文献 20被引用 7

一句话总结

本文提出一种基于遗传算法（GA）的方法，通过同时优化粗加工和精加工的切削速度、进给量和切削深度，最小化单位生产成本，以实现多道次面铣削的优化。通过使用查表法减少变量数量，并一步求解混合整数非线性问题，该方法高效地获得最优参数，且通过后优化分析可快速重新优化适用于新的总切削深度，而无需重新运行GA。

ABSTRACT

This paper presents an optimization technique for the multi-pass face milling process. Genetic algorithm (GA) is used to obtain the optimum cutting parameters by minimizing the unit production cost for a given amount of material removal. Cutting speed, feed and depth of cut for the finish and rough passes are the cutting parameters. An equal depth of cut for roughing passes has been considered. A lookup table containing the feasible combinations of depth of cut in finish and rough passes is generated so as to reduce the number of variables by one. The resulting mixed integer nonlinear optimization problem is solved in a single step using GA. The entire technique is demonstrated in a case study. Post optimality analysis of the example problem is done to develop a strategy for optimizing without running GA again for different values of total depth of cut.

研究动机与目标

• 通过优化切削参数，最小化多道次面铣削的单位生产成本。
• 解决由多个切削参数引起的混合整数非线性规划问题的复杂性。
• 通过引入可行切削深度组合的查表法，减少决策变量数量。
• 通过后优化分析实现在不同总切削深度下的高效再优化，无需重新运行GA。
• 通过案例研究展示该方法，并验证其在制造环境中的实际适用性。

提出的方法

• 将多道次面铣削优化问题建模为混合整数非线性规划问题，其中切削速度、进给量和切削深度为决策变量。
• 应用遗传算法（GA）一次性求解优化问题，避免迭代或顺序方法。
• 使用查表法预先定义粗加工和精加工切削深度的可行组合，将变量数量减少一个。
• 对粗加工各道次施加相等的切削深度，以简化优化空间。
• 采用GA探索解空间，并收敛至单位生产成本的全局最小值。
• 对最优解进行后优化分析，以推导出无需重新运行GA即可实现新总切削深度下再优化的策略。

实验结果

研究问题

• RQ1 如何通过最优选择切削参数来最小化多道次面铣削的单位生产成本？
• RQ2 处理多道次面铣削优化问题中混合整数非线性特性的最有效方法是什么？
• RQ3 查表法是否能显著减少变量数量，并提升此优化情境下的计算效率？
• RQ4 如何利用后优化分析避免为不同总切削深度重新运行遗传算法？
• RQ5 所提出的基于GA的方法在真实世界案例研究环境中的表现如何？

主要发现

• 所提出的基于GA的方法在单次优化运行中成功最小化了多道次面铣削的单位生产成本。
• 使用切削深度组合的查表法有效将决策变量数量减少一个，提升了计算效率。
• 后优化分析使在不重新执行遗传算法的情况下，能够快速实现新总切削深度的再优化。
• 案例研究证明了所提出的优化框架在真实制造场景中的实际可行性和有效性。
• 通过同时优化切削速度、进给量和切削深度，该方法在表面质量与材料去除率之间实现了良好平衡。
• 结果表明，最优切削参数随总切削深度显著变化，凸显了动态再优化策略的价值。