材料切削性能的模糊綜合評判
2023/3/31 8:52:40點擊：
隨著計算機科學技術的飛速發展，將計算機技術應用于各個領域產生了巨大的經濟效益和社會效益。金屬切削數據庫是計算機技術與機械加工技術相結合的高技術產物，它將簡單的、經驗的數據上升為具有科學意義的數據，并應用數據庫技術科學地管理切削數據。在刀具、工件、機床及其它條件已定的情況下，正確選取切削用量對零件加工質量及生產效率有著至關的重要性。因此構建于金屬切削數據庫基礎上的材料加工參數智能推理系統能夠為機械加工生產的刀具參數選擇及切削用量選擇提供合理的數據。它是CIMS集成制造系統的一個組成部分，將智能化原理運用于材料加工參數推理，必定能帶來顯著的經濟效益。
1 切削數據庫體系結構
本文提出的材料加工參數智能推理系統是構建于金屬切削數據庫的基礎上。該材料加工參數智能推理系統從功能上看可由優化功能和管理功能兩個部分組成。該系統組成結構如圖1 所示。
圖1 金屬切削數據庫組成框圖
該系統中，工件材料管理系統由工件材料庫及工件材料的可切削性評價系統組成。工件材料庫中存儲各種工件材料的有關知識，將生產實踐及文獻資料中獲得的工件數據存儲于關系數據庫的表中。工件材料可切削性評價系統運用模糊數學理論對工件材料進行可切削性評價以及工件材料切削性能的模糊聚類分析。刀具管理系統由刀具庫、刀具參數選擇兩部分組成。刀具庫存儲刀具牌號、硬度、刀具幾何形狀等知識，刀具參數選擇采用專家系統概念實現刀具幾何角度及可適用刀具的選擇。切削液管理系統由切削液數據庫及切削液選擇兩部分組成，它可根據所加工的工件材料、刀具材料、加工方式、加工精度選擇相應的切削液。切削用量管理系統由切削深度推理模塊、進給量推理模塊、切削速度推理模塊組成。切削深度推理模塊主要根據加工余量推理得到推薦的切削深度。迸給量推理模塊由進給量數據庫及進給量推理程序組成，可根據加工精度、加工階段及切削深度選擇進給量。切削速度推理模塊可根據刀具材料、工件材料、切削深度等一系列相關約束條件，從相應的數據庫中得到切削速度的推薦值。切削用量的推理、刀具選擇及參數的推理、切削液推理由切削用量推薦控制系統協調調用，實現相應推理過程，并將推理結果傳遞到相應模塊以協調整個系統的運行。切削用量優化系統根據切削加工各類數學模型。求解由優化目標函數和約束條件組成的優化數學模型，從而得到優化的切削參數數據。切削用量模糊推理系統則是在對加工情況有諸多不確定因素的情況下，采用神經網絡理論根據以往的加工經驗推理切削參數。總體評判系統則根據具體加工實際對切削用量的可行性進行分析，對系統推理得到的切削參數數據進行總體評判。此外，用戶也可根據實際經驗對切削參數進行修正，輸出并存儲切削用量數據或重新輸入加工條件進行切削參數的推理。
2 基于模糊理論的材料可切削性評判
在該金屬切削數據庫的工件材料管理系統中，存在著一個工件材料的可切削性評價系統，可根據用戶輸人加工材料的牌號和機械性能，采用模糊理論對材料的切削加工性能進行綜合評價，快速定位材料的切削加工性能。并采用模糊聚類方法，將工件材料數據庫中已有相似工件材料進行聚類。此外，通過材料可切削性可以簡化材料切削參數推理規則庫的構建。
根據金屬切削原理可知，影響材料加工性能的因素很多，有化學成分、熱處理狀態、物理、力學性能等。化學成分和熱處理狀態的變化最終表現為物理、力學性能的改變，而物理、力學性能又是可以量化的。因此，用物理、力學性能判別材料的加工性是一個簡捷的途徑。
北京機械工業出版社1996出版的由韓榮第、于啟勛所著的《難加工材料切削加工》給出了一種材料切削加工性能分級表。如表1 所示。
表1 工件材料切削加工性分級表
切削加工性? 易切削? 較易切削? 較難切削? 難切削
等級代號? 0? 1? 2? 3? 4? 5? 6? 7? 8? 9? 10
硬度? ≤50? 50～100? 100～150? 150～200? 200～250? 250～300? 300～350? 350～400? 400～480? 480～635? 635
抗拉強度? ≤0.196? 0.196～0.44? 0.44～0.589? 0.589～0.785? 0.785～0.981? 0.981～1.18? 1.18～1.37? 1.37～1.57? 1.57～1.77? 1.77～1.96? 1.96～2.45
延仲率? ≤10? 10～15? 15～20? 20～25? 25～30? 30～35? 35～40? 40～50? 50～60? 60～100? 100
沖擊韌度? ≤0.196? 0.196～0.392? 0.392～0.589? 0.589～0.785? 0.785～0.981? 0.981～1.37? 1.37～1.77? 1.77～1.96? 1.96～2.45? 2.45～2.94? 2.94～3.92
導熱系數? 419～293? 293～167? 167～83.7? 83.7～62.8? 62.8～41.9? 41.9～33.5? 33.5～25.1? 25.1～16.7? 16.7～8.37? 8.37? -
在材料切削加工性評定中，存在著許多模糊性因素，比如我們說某材料易切削、難切削等概念，它沒有一個明確的界限。模糊數學中的模糊綜合評判正是對受多種因素制約的事物或對象，作出一個總的評價。在側重考慮主要因素的同時兼顧考慮其它因素的影響，因此應用模糊數學的方法進行綜合評判將會取得很好的實際效果。該模糊綜合評判的數學模型建立分為以下4個步驟：
1) 建立評判對象因素集F={f1，f2，…，f1}, 在此即為{硬度、抗拉強度、延伸率、沖擊韌度、導熱系數}。
2) 建立評語集V={V1，V2，…， Vn} ，在此為材料的加工等級代號。
3) 建立單因素評判，確定單因素的隸屬函數。一般采用正態分布函數作為隸屬函數，考慮到材料的加工參數的相對性，在本系統中主要采用具有平頂的分段平方模糊數，較正態分布函數更好地反映材料物理、力學性能對切削加工性影響的本質。并在此基礎上，導出模糊關系矩陣。
4) 確定綜合評判權重矩陣。根據生產經驗取={0.28，0.28，0.12，0.12，0.2}
在模糊綜合評判的過程中，隸屬函數的確立和模糊算子的選取對模糊綜合評判的結果影響最大，通過大量試驗的研究，本系統主要采用具有平頂的分段平方模糊數作為隸屬函數并使用廣義模糊算子，取得了較好的評判效果。
程序實現：
該系統的研究是用Delphi語言作為開發語言。其隸屬函數的建立及模糊綜合評判的實現由下列語句實現：
3 基于模糊聚類方法的材料聚類
將研究或處理的對象按照一定的條件或屬性進行分類的數學方法，叫聚類分析。利用模糊聚類方法可以將評判出的材料從材料切削性能數據庫中取出相等等級的材料進行模糊聚類分析。從而可以利用以往的加工數據快速確定切削參數或作為優化參考。模糊聚類的實現：
1) 建立要分類的樣本集R。取相應材料的各種物理、力學性能建立樣本集。由于各個指標的量綱和數量級都不同，所以必須對原始數據進行規格化。否則，產生偏差很大。本系統的數據規格化采用均值規格化：xij=xij(xj)?，該方法不改變原始數據的變異程度。
2) 建立模糊關系?。采用最大最小法不會得到兩個樣本指標值差異大而相似度高的結果。本系統采用該方法。
3) 聚類。本系統采用最短距離法，最短距離法與基于模糊等價關系的模糊聚類是同質的，可以從最短距離法的分析結果直接得出模糊等價關系矩陣的結果。但最短距離法更易于在計算機上實現。程序實現：
4 結論
該系統運用模糊綜合評判實現加工材料可切削性的評價，能準確評判材料的切削加工性能。同時，在工件材料庫中搜索相近切削性能的材料，運用模糊聚類方法分折最相近的材料，并以此為參考可優化材料切削參數。通過材料的可切削性評判，可以簡化該系統刀具推理及切削參數推理過程。經實驗，該方法有較高的準確性。
1 切削數據庫體系結構
本文提出的材料加工參數智能推理系統是構建于金屬切削數據庫的基礎上。該材料加工參數智能推理系統從功能上看可由優化功能和管理功能兩個部分組成。該系統組成結構如圖1 所示。
圖1 金屬切削數據庫組成框圖
該系統中，工件材料管理系統由工件材料庫及工件材料的可切削性評價系統組成。工件材料庫中存儲各種工件材料的有關知識，將生產實踐及文獻資料中獲得的工件數據存儲于關系數據庫的表中。工件材料可切削性評價系統運用模糊數學理論對工件材料進行可切削性評價以及工件材料切削性能的模糊聚類分析。刀具管理系統由刀具庫、刀具參數選擇兩部分組成。刀具庫存儲刀具牌號、硬度、刀具幾何形狀等知識，刀具參數選擇采用專家系統概念實現刀具幾何角度及可適用刀具的選擇。切削液管理系統由切削液數據庫及切削液選擇兩部分組成，它可根據所加工的工件材料、刀具材料、加工方式、加工精度選擇相應的切削液。切削用量管理系統由切削深度推理模塊、進給量推理模塊、切削速度推理模塊組成。切削深度推理模塊主要根據加工余量推理得到推薦的切削深度。迸給量推理模塊由進給量數據庫及進給量推理程序組成，可根據加工精度、加工階段及切削深度選擇進給量。切削速度推理模塊可根據刀具材料、工件材料、切削深度等一系列相關約束條件，從相應的數據庫中得到切削速度的推薦值。切削用量的推理、刀具選擇及參數的推理、切削液推理由切削用量推薦控制系統協調調用，實現相應推理過程，并將推理結果傳遞到相應模塊以協調整個系統的運行。切削用量優化系統根據切削加工各類數學模型。求解由優化目標函數和約束條件組成的優化數學模型，從而得到優化的切削參數數據。切削用量模糊推理系統則是在對加工情況有諸多不確定因素的情況下，采用神經網絡理論根據以往的加工經驗推理切削參數。總體評判系統則根據具體加工實際對切削用量的可行性進行分析，對系統推理得到的切削參數數據進行總體評判。此外，用戶也可根據實際經驗對切削參數進行修正，輸出并存儲切削用量數據或重新輸入加工條件進行切削參數的推理。
2 基于模糊理論的材料可切削性評判
在該金屬切削數據庫的工件材料管理系統中，存在著一個工件材料的可切削性評價系統，可根據用戶輸人加工材料的牌號和機械性能，采用模糊理論對材料的切削加工性能進行綜合評價，快速定位材料的切削加工性能。并采用模糊聚類方法，將工件材料數據庫中已有相似工件材料進行聚類。此外，通過材料可切削性可以簡化材料切削參數推理規則庫的構建。
根據金屬切削原理可知，影響材料加工性能的因素很多，有化學成分、熱處理狀態、物理、力學性能等。化學成分和熱處理狀態的變化最終表現為物理、力學性能的改變，而物理、力學性能又是可以量化的。因此，用物理、力學性能判別材料的加工性是一個簡捷的途徑。
北京機械工業出版社1996出版的由韓榮第、于啟勛所著的《難加工材料切削加工》給出了一種材料切削加工性能分級表。如表1 所示。
表1 工件材料切削加工性分級表
切削加工性? 易切削? 較易切削? 較難切削? 難切削
等級代號? 0? 1? 2? 3? 4? 5? 6? 7? 8? 9? 10
硬度? ≤50? 50～100? 100～150? 150～200? 200～250? 250～300? 300～350? 350～400? 400～480? 480～635? 635
抗拉強度? ≤0.196? 0.196～0.44? 0.44～0.589? 0.589～0.785? 0.785～0.981? 0.981～1.18? 1.18～1.37? 1.37～1.57? 1.57～1.77? 1.77～1.96? 1.96～2.45
延仲率? ≤10? 10～15? 15～20? 20～25? 25～30? 30～35? 35～40? 40～50? 50～60? 60～100? 100
沖擊韌度? ≤0.196? 0.196～0.392? 0.392～0.589? 0.589～0.785? 0.785～0.981? 0.981～1.37? 1.37～1.77? 1.77～1.96? 1.96～2.45? 2.45～2.94? 2.94～3.92
導熱系數? 419～293? 293～167? 167～83.7? 83.7～62.8? 62.8～41.9? 41.9～33.5? 33.5～25.1? 25.1～16.7? 16.7～8.37? 8.37? -
在材料切削加工性評定中，存在著許多模糊性因素，比如我們說某材料易切削、難切削等概念，它沒有一個明確的界限。模糊數學中的模糊綜合評判正是對受多種因素制約的事物或對象，作出一個總的評價。在側重考慮主要因素的同時兼顧考慮其它因素的影響，因此應用模糊數學的方法進行綜合評判將會取得很好的實際效果。該模糊綜合評判的數學模型建立分為以下4個步驟：
1) 建立評判對象因素集F={f1，f2，…，f1}, 在此即為{硬度、抗拉強度、延伸率、沖擊韌度、導熱系數}。
2) 建立評語集V={V1，V2，…， Vn} ，在此為材料的加工等級代號。
3) 建立單因素評判，確定單因素的隸屬函數。一般采用正態分布函數作為隸屬函數，考慮到材料的加工參數的相對性，在本系統中主要采用具有平頂的分段平方模糊數，較正態分布函數更好地反映材料物理、力學性能對切削加工性影響的本質。并在此基礎上，導出模糊關系矩陣。
4) 確定綜合評判權重矩陣。根據生產經驗取={0.28，0.28，0.12，0.12，0.2}
在模糊綜合評判的過程中，隸屬函數的確立和模糊算子的選取對模糊綜合評判的結果影響最大，通過大量試驗的研究，本系統主要采用具有平頂的分段平方模糊數作為隸屬函數并使用廣義模糊算子，取得了較好的評判效果。
程序實現：
該系統的研究是用Delphi語言作為開發語言。其隸屬函數的建立及模糊綜合評判的實現由下列語句實現：
3 基于模糊聚類方法的材料聚類
將研究或處理的對象按照一定的條件或屬性進行分類的數學方法，叫聚類分析。利用模糊聚類方法可以將評判出的材料從材料切削性能數據庫中取出相等等級的材料進行模糊聚類分析。從而可以利用以往的加工數據快速確定切削參數或作為優化參考。模糊聚類的實現：
1) 建立要分類的樣本集R。取相應材料的各種物理、力學性能建立樣本集。由于各個指標的量綱和數量級都不同，所以必須對原始數據進行規格化。否則，產生偏差很大。本系統的數據規格化采用均值規格化：xij=xij(xj)?，該方法不改變原始數據的變異程度。
2) 建立模糊關系?。采用最大最小法不會得到兩個樣本指標值差異大而相似度高的結果。本系統采用該方法。
3) 聚類。本系統采用最短距離法，最短距離法與基于模糊等價關系的模糊聚類是同質的，可以從最短距離法的分析結果直接得出模糊等價關系矩陣的結果。但最短距離法更易于在計算機上實現。程序實現：
4 結論
該系統運用模糊綜合評判實現加工材料可切削性的評價，能準確評判材料的切削加工性能。同時，在工件材料庫中搜索相近切削性能的材料，運用模糊聚類方法分折最相近的材料，并以此為參考可優化材料切削參數。通過材料的可切削性評判，可以簡化該系統刀具推理及切削參數推理過程。經實驗，該方法有較高的準確性。
湘公網安備43010302000122號