本发明涉及生产制造，尤其是基于bpnn-tssa算法的tc4高速铣削工艺参数多目标优化方法。
背景技术：
1、从20世纪50年代以来，由于航空航天技术的迫切需要，钛工业得到了迅速的发展。由于其具有比强度高、耐热性和耐蚀性好等优良性能，钛合金不仅成为现代航空航天工业中不可缺少的结构材料，而且在造船、化工、冶金、医疗等方面也获得了广泛的应用，在航空航天领域，钛合金主要用于制造喷气发动机的压气机盘、涡轮盘、叶片以及机匣等，以及诸如大型主起落架支撑梁、机身后段及转向梁等结构件。钛合金还在航海、能源、化工和汽车工业中得到大量的应用，例如用于制造推进器、泵、阀门和管材等在腐蚀性环境中工作的零部件。另外，钛合金在汽车工业中以及诸如医疗器械、体育器械等日常生活领域中也得到了越来越广泛的应用。
2、钛合金具有高的比强度和优异的抗腐蚀性能，是理想的航空结构材料，但是，它和结构钢、不锈钢和高温合金相比，钛合金对表面损伤和缺陷有更大的敏感性，容易出现疲劳断裂事故。因此，开展对提高切削加工精度和质量的研究，以保证切削加工产品有良好的表面完整性，具有十分重要的现实意义。
3、目前钛合金的切削加工工艺主要以车削、铣削和钻削为主，航空钛合金结构件加工以铣削为主。钛合金铣削加工时，由于加工过程中循环热力载荷的作用，使得切屑与刀刃容易黏结，刀具磨损严重。现阶段大部分的研究集中于传统建模的方式进行优化，但对于切削加工来说，不同的机床，材料上的区别，也会导致传统经验公式的不准确性；少部分使用机器学习算法进行优化，但也大部分使用原生机器学习算法，原生机器学习算法具有易早熟、易陷入局部最优的缺点。
技术实现思路
1、本发明提出基于bpnn-tssa算法的tc4高速铣削工艺参数多目标优化方法，属于基于改进bpnn-ssa算法的钛合金高速铣削工艺参数多目标优化方法，该方法以钛合金铣削参数(铣削速度、进给速度、轴向切深、径向切深)与钛合金表面粗糙度、能耗、材料去除率和亚表面损伤作为训练模型的数据集，形成一种将bpnn与具有佳点集以及t分布自适应变异的麻雀搜索算法相结合的优化算法，能实现钛合金高速铣削工艺参数优化。
2、本发明采用以下技术方案。
3、基于bpnn-tssa算法的tc4高速铣削工艺参数多目标优化方法，用于钛合金高速铣削工艺参数优化，包括以下步骤；
4、步骤s1：将铣削钛合金材料的表面粗糙度、能耗、材料去除率和亚表面损伤作为优化目标，以切削速度、进给速度、轴向切深和径向切深为优化变量，构建实验方案；
5、步骤s2：根据实验结果整理数据集，并按留一交叉验证法将数据集划分为训练集dt和测试集dv；使用k个训练集dt1,dt2…dtk分别训练bpnn模型，得到bpnn模型集合m＝[m1,m2…mi…mk]；
6、步骤s3：分别构建表面粗糙度、能耗、材料去除率和亚表面损伤的bpnn模型，计算单个bpnn模型mi的均方根误差，并通过测试集dv验证bpnn模型集合m的总体拟合准确率ac；
7、步骤s4：采用critic方法进行客观赋权，以建立综合评价函数，并结合各工艺参数的约束条件构建多目标优化模型；
8、步骤s5：使用改进ssa算法对工艺参数进行优化，得到综合评价指标最优时对应的铣削参数，从而实现对钛合金铣削工艺参数的优化。
9、步骤s1包括以下步骤：
10、步骤s1.1、选择切削速度vc、每齿进给量fz为实验因数，设置各因素水平，设计正交实验；
11、由钛合金高速铣削条件设置各因素的约束：
12、切削速度vmin≤vc≤vmax
13、每齿进给量fmin≤fz≤fmax
14、其中，
15、vmin、vmax是切削速度vc的最小值与最大值；
16、fmin、fmax是进给速度fz的最小值与最大值；
17、步骤s1.2、进行铣削实验，在每次铣削实验之后，测量铣削后的工件表面粗糙度、能耗、材料去除率、亚表面损伤，用于以实验结果整理数据集。
18、步骤s2包括以下步骤：
19、步骤s2.1、实验完成以后，根据实验结果整理数据集为
20、d＝{(x1,y1),(x2,y2),...(xi,yi)...,(xk,yk)}，按照留一交叉验证法划分数据集为训练集dt＝[dt1,dt2…dti…dtk]和测试集dv＝[dv1,dv2…dvi…dvk]。
21、步骤s2.2、把有量纲表达式变为无量纲表达式，解决数据的可比性。对数据集进行归一化处理，原自变量为x＝{x1,x2,...xi...,xk}，归一化方法如下
22、对于数值越大越好的正向指标：对于数值越小越好的逆向指标：变换后的数据集为d＝{(xg1,y1),(xg2,y2),...(xgi,yi)...,(xgk,yk)}。其中，
23、xi为变量初始值；
24、xgi为归一化之后的变量；
25、max(x)为原变量中的最大值；
26、min(x)为原变量中的最小值；
27、步骤s2.3、使用训练集dti，训练bpnn模型mi；
28、步骤s2.4、随机初始化输入层和隐藏层之间的权重矩阵
29、
30、其中，
31、d表示输入层神经元个数；
32、q表示隐藏层神经元个数；
33、表示单个输入层和隐藏层神经元之间的连接权重；
34、步骤s2.5、随机初始化输入层神经元连接隐藏层神经元的偏置值；
35、步骤s2.6、随机初始化隐藏层神经元连接输出层神经元的初始权重矩阵
36、
37、其中，
38、l表示输出层神经元个数；
39、表示单个隐藏层和输出层神经元之间的连接权重；
40、步骤s2.7、随机初始化隐藏层神经元连接输出层神经元的偏置值；
41、步骤s2.8、设置隐藏层激活函数为
42、步骤s2.9、计算神经网络的输出
43、outo＝f(w(ho)·f(w(ih)·x+b(ih))+b(ho))
44、其中，
45、
46、outol表示第l个输出节点的输出值；
47、步骤s2.10、计算神经网络的损失函数loss
48、
49、其中，yi表示第i个标签值；
50、步骤s2.11、计算输出层和隐藏层之间的误差因子δ0
51、
52、步骤s2.12、更新隐藏层和输出层之间的权重w(ho)与偏置b(ho)
53、
54、其中，
55、表示更新后的隐藏层与输出层间权重；
56、表示更新后的隐藏层与输出层间偏置；
57、η表示学习率，η＞0。
58、步骤s2.13、计算输入层与隐藏层间误差因子δi
59、
60、步骤s2.14、更新隐藏层和输出层之间的权重w(ih)与偏置b(ih)；
61、
62、其中，
63、表示更新后的隐藏层与输出层间权重；
64、表示更新后的隐藏层与输出层间偏置；
65、η表示学习率，η＞0；
66、步骤s2.15、重复步骤s2.7到步骤s2.13过程直至训练误差值loss小于指定误差阈值e，最终得到bpnn模型mi；
67、步骤s2.16、根据留一交叉验证法原理，重复k次步骤s2.1到步骤s2.14过程，直到k个训练集都训练一轮，得到bpnn模型集合m＝[m1,m2,...mi...mk]。
68、步骤s3包括以下步骤：
69、步骤s3.1、分别构建表面粗糙度、能耗、材料去除率和亚表面损伤的bpnn模型，计算单个bpnn模型预测值与真实值之间的均方根误差rmse，误差计算公式为：
70、
71、步骤s3.2、通过测试集dv验证bpnn模型集合m的总体拟合准确率ac，模型拟合准确率的计算公式为：
72、
73、所述步骤s4包括以下步骤：
74、步骤s4.1、采用正向化或逆向化的方法来进行数据处理，以保留指标间的波动性差异，从而更有效地进行权重赋值；归一化公式步骤s2.2所示；
75、步骤s4.2、计算变异性指标，在critic方法中，标准差用于衡量数据值之间的波动程度；指标的标准差越大，意味着其数据值之间的差异性也越大，表明该指标包含的信息量更丰富；因此，在进行评价时，具有较大标准差的指标应被视为更具评价价值，应分配更高的权重；其计算如下；
76、
77、式中表示第j个目标的均值；fj表示第j个目标的标准差；
78、步骤s4.3、计算冲突性指标，冲突性指标使用相关系数用于量化指标之间的相关性；指标相关性越强则冲突性越小，共同反映的信息内容越多，从而在评价中表现出更多的重复性；这种情况下，指标的独立评价能力相对减弱，因而在分配权重时应当对这类指标给予较少的权重；其计算公式如下；
79、
80、式中，xi、xj分别表示目标i、j；rij为目标i和j之间的相关系数；cov(xi,xj)表示目标i和j的协方差；为目标j的冲突性指标；
81、步骤s4.4、计算各目标信息量大小，其计算公式如下；
82、
83、cj越大，评价指标体系中，第j个指标的作用越显著，其被分配的权重就应当越高；
84、步骤s4.5、建立综合评价函数，其中表面粗糙度sa、能耗power和亚表面损伤sd都是数值越小越好；而材料去除率cq则是数值越大越好；为构建多目标评价函数，需使得上述四个指标属性相同，所以需要对材料去除率进行处理，使其属性也变为越小越好；对四个指标按步骤s2.2归一化公式预处理，f1(x)表示表面粗糙度，f2(x)表示能耗，f3(x)表示材料去除率，f4(x)表示亚表面损伤，具体公式下所示；
85、
86、式中，x1表示表面粗糙度数值；x2表示能耗数值；x3表示材料去除率数值；x4表示亚表面损伤数值，samin，samax表示表面粗糙度的最小值和最大值，powermin，powermax表示能耗的最小值和最大值，cqmin，cqmax表示材料去除率的最小值和最大值，sdmin，sdmax表示亚表面损伤的最小值和最大值；步骤s4.6、数据预处理完成之后，通过步骤s4.4计算权重系数，并将权重系数赋值给各目标，建立综合评价函数，其计算公式如下所示；
87、
88、步骤s4.7、将多目标优化问题转化为综合指标问题，多目标优化模型如式下所示：
89、
90、式中，f为多目标优化模型，xtmin≤xt≤xtmax为优化变量的约束条件。
91、所述步骤s5包括以下步骤：
92、步骤s5.1、使用改进ssa算法进行优化，得到在最优综合指标时，模型对应的铣削工艺参数，从而实现对铣削工艺参数的优化；
93、步骤s5.2、使用改进的ssa算法进行参数寻优；算法中设有n个麻雀个体，并且设置迭代次数为t，初始化个体麻雀为x＝{x1,x2,x3,x4}，令第一个维度为切削速度vc的大小，第二个维度为每齿进给量fz大小，第三维度为轴向切深ap的大小，第四个维度是径向切深ae；对四个维度设置种群变量，且种群生成方法使用佳点集生成法代替传统随机生成法，使初始种群由更好的遍历性，从而更好的达到全局寻优的目的：
94、pi＝[{d1*i},{d2*i},{d3*i},{d4*i}],i＝1,2,...,n
95、
96、
97、其中，
98、pi表示编号为i的麻雀对应的佳点集合；
99、{dj*i}表示麻雀i在第j维度上对应的佳点元素，且在数值上取dj*i小数部分；
100、p表示满足(p-2)/2≥2约束内的最小素数；
101、表示第i只麻雀在第j个维度上的数值；
102、表示佳点系数，对应于佳点集合内第j维的元素；
103、n表示麻雀种群的个体数；
104、t表示需要迭代的最大次数；
105、m1,u1表示主轴转速vc约束上的最小值和最大值；
106、m2,u2表示每齿进给量fz约束上的最小值和最大值；
107、m3,u3表示轴向切深ap约束上的最小值和最大值；
108、m4,u4表示径向切深ae约束上的最小值和最大值；
109、步骤s5.3、将初始化的麻雀种群个体代入步骤s4.7中建立的适应度函数中，得到麻雀的适应度值yp＝{yp1,yp2,...ypn}；
110、其中，
111、yp代表麻雀群的适应度值；
112、ypi代表麻雀个体的适应度值；
113、步骤s5.4、对麻雀个体进行适应度排序，其中适应度较优的麻雀个体为发现者麻雀pd，其数量一般占到种群的10％～20％，发现者pd主要负责在环境中搜索食物，为整个麻雀群体提供发现食物的地点和方向；剩余的麻雀个体为跟随者麻雀jd，通过跟随发现者pd来获得食物；发现者pd和跟随jd者两种身份是不固定的，麻雀个体可以跟随场景的变换，灵活地转换自己的身份；另设定一部分麻雀个体为警戒者sd，表示种群中意识到危险的个体，一般占种群总数的10％～20％，但这一部分由发现者和加入者共同承担，由于靠近外围的麻雀个体sd在捕食过程中更容易受到外来者的攻击，故外部的麻雀个体sd会不断调整自己的位置，向内部或者相邻的同伴靠拢，来增加自身的安全性；步骤s5.5、麻雀种群开始觅食，麻雀个体向食物靠拢，发现者位置更新公式如下：
114、
115、其中，
116、xij表示解空间中，第i只麻雀在第j维度上的位置信息；
117、t是算法当前的迭代次数，t是算法的出口，表示最大迭代次数；
118、α是(0,1]的随机值；
119、r的取值范围是[0,1]，表示算法中麻雀个体遇到危险时发出鸣叫的预警值；
120、st的取值范围是[0.5,1]，表示算法中麻雀个体的预警值超过该阈值则会转移去安全的地方觅食；
121、q是满足正态分布的随机数；
122、l是维度l*d，元素都是1的矩阵；
123、步骤s5.6、当发现者pd搜索到更好的食物以后，跟随者jd会离开自己所在的位置去竞争发现者pd的食物，如果能够抢到食物就食用补充能量，要是后来的跟随者jd没有获得食物，为了获得食物能量补给，只能被迫去其他区域搜索食物；跟随者jd位置更新公式如下：
124、
125、其中，
126、xp表示发现者中食物最多即适应度值最优的位置；
127、xw表示当前解空间中适应度值最差的地方；
128、a是维度l*d，元素都是1或者-1的矩阵；
129、a*满足关系式a*＝at(aat)-1；
130、步骤s5.7、警戒者sd觅食过程中麻雀个体遇到危险时，会往搜索圈内或者其他同伴身边靠拢；警戒者sd位置更新公式如下：
131、
132、其中，
133、xb是当前迭代全局解空间中适应度值最优的位置；
134、β是满足均值为0，方差为1的正态分布的随机值，称为步长调节因子；
135、z是[-1,1]之间的随机值，表示麻雀个体移动的方向；
136、ε是接近零的常数，防止分母出现0的错误；
137、fi是当前迭代下第i只麻雀个体的适应度值；
138、fb是当前迭代下全局解空间中适应度值最优的值；
139、fw是当前迭代下全局解空间中适应度值最差的值；
140、当fi≠fb时，表示第i只麻雀的在觅食圈的外围，更容易受到外来者的攻击；
141、当fi＝fb时，表示一些麻雀个体意识到出现了危险，要往周围的同伴靠拢来保证自己的安全；
142、步骤s5.8、引入动态选择概率p调节自适应t分布变异算子的使用，其计算公式如下：
143、p＝w1-w2×(t-iter)/t
144、其中，
145、t为最大迭代次数；
146、iter为当前迭代次数；
147、w1决定了动态选择概率的上限，w2决定了动态选择概率的变化幅度；
148、步骤s5.9、引入[0,1]的随机数rand，当rand＞p，执行自适应t分布变异操作：
149、
150、
151、其中，
152、是变异后种群中第i个麻雀搜索个体新的位置；
153、xi是种群中第i个麻雀个体原本的位置；
154、t(iter)满足将算法的迭代次数iter作为自由度的t分布；
155、步骤s5.10、重复步骤s5.2至步骤s5.3，计算出变异后的麻雀种群适应度yp'＝{y'p1,y'p2,...y'pn}，比较y′p,yp中最优适应度值大小，若y′p更优则替换全局最优解；
156、步骤s5.11、进行迭代输出，当迭代次数小于最大迭代次数t时，按照步骤s5.3至步骤s5.10进行迭代处理；当满足代条件时候，输出第一的麻雀位置及其适应度值，得到多目标优化的最优目标解；其中麻雀个体的位置坐标中，第一个维度为切削速度vc的大小，第二个维度为每齿进给量fz大小，第三维度为轴向切深ap的大小，第四个维度是径向切深ae。
157、所述铣削工艺中，轴向切深和径向切深由加工工艺确定。
158、所述实验中，将轴向切深和径向切深设为定值。
159、本发明为基于改进bpnn-ssa算法的钛合金高速铣削工艺参数多目标优化方法，该方法以钛合金铣削参数(铣削速度、进给速度、轴向切深、径向切深)与钛合金表面粗糙度、能耗、材料去除率和亚表面损伤作为训练模型的数据集，其提出一种将bpnn与具有佳点集以及t分布自适应变异的麻雀搜索算法相结合的优化算法，能实现钛合金高速铣削工艺参数优化。
1.基于bpnn-tssa算法的tc4高速铣削工艺参数多目标优化方法，用于钛合金高速铣削工艺参数优化，其特征在于：包括以下步骤；
2.根据权利要求1所述的基于bpnn-tssa算法的tc4高速铣削工艺参数多目标优化方法，其特征在于：步骤s1包括以下步骤：
3.根据权利要求2所述的基于bpnn-tssa算法的tc4高速铣削工艺参数多目标优化方法，其特征在于：步骤s2包括以下步骤：
4.根据权利要求3所述的基于bpnn-tssa算法的tc4高速铣削工艺参数多目标优化方法，其特征在于：步骤s3包括以下步骤：
5.根据权利要求4所述的基于bpnn-tssa算法的tc4高速铣削工艺参数多目标优化方法，其特征在于：所述步骤s4包括以下步骤：
6.根据权利要求5所述的基于bpnn-tssa算法的tc4高速铣削工艺参数多目标优化方法，其特征在于：所述步骤s5包括以下步骤：
7.根据权利要求1所述的基于bpnn-tssa算法的tc4高速铣削工艺参数多目标优化方法，其特征在于：所述铣削工艺中，轴向切深和径向切深由加工工艺确定。
8.根据权利要求1所述的基于bpnn-tssa算法的tc4高速铣削工艺参数多目标优化方法，其特征在于：所述实验中，将轴向切深和径向切深设为定值。
