朱磊

摘 要：大型机械数控加工中，结构件的变形使得加工精度无法满足要求，为了解决这个问题，本文设计了利用遗传算法和有限元分析来优化装夹布局，利用优化后的布局进行实际验证，能够显著减小大型结构件的变形和提高加工效率。

关键词：航空制造；遗传算法；变形

中图分类号：TG54 文献标识码：A 文章编号：1671-2064（2018）08-0053-02

1 引言

在现代化的航空制造中，科技含量非常高、种类繁多的飞机对性能的要求非常苛刻，所以航空制造中大型结构件的应用也变得越来越多，这些大型结构件的数控加工对数控机床的技术要求和数控加工的各类技术参数要求非常高，与一般的机械零部件数控加工相比，大型结构件的加工难度和对材料的强度要求更大，数控加工工艺也更加复杂，形位精度要求非常高。这些大型结构件有一个共同特点：面积大、结构和壁厚变化复杂、薄壁位置刚度低、切除率高、加工周期长。在机械数控加工中，由于零部件刚性差等多种因素，加工部位非常容易产生变形，导致产品的良率非常低，这个问题是航空制造中急需解决的机械制造技术问题。

引起大型航空结构件变形的主要原因包括：结构件的材料属性和结构特性、毛坯件的初始残余应力、夹紧力、切削力等[1]。其中夹紧力是这些因素中影响结构件变形的最重要的因素之一，特别是对于弱刚度的结构件，夹紧力对结构件变形的影响至关重要，本文针对这个问题，采用有限元分析建模预测，建立初始残余应力、装夹应力、铣削机械应力和铣削热应力等多个参数作用的结构件变形有限元预测模型，通过模型预测，然后利用遗传算法来进行优化装夹布局。

2 遗传算法介绍

遗传算法是一种自适应的启发式全局搜索算法，根据自然界优胜劣汰选择方式，能够遗传下来适应性最强的群体。遗传算法最大的优点是具有较强的全局寻优能力，能够自动在搜索空间上学习和优化，全程不需要人为干预搜索过程，利用交叉算算子进行模式重组，利用变异算子进行突变，以目标函数为依据，对个体进行遗传操作，来实现个体的重组迭代过程，逐渐趋近于最优解。该算法具有不受函数约束条件的限制等优点，能够大大降低陷入局部极小的可能，具有全局搜索能力，非常适用于搜索复杂问题和非线性的问题优化。

遗传算法主要是由编码、初始种群产生，适应度函数设计评估、选择交叉、变异等来进行操作[2]。该算法由若干初始群体作为初始输入，是通过随机过程的方式来产生初始群体，所以初始群体的规模越大，则遗传算法寻找到最优解的可能性就越大。但是初始群体的规模也不能无限大，规模太大就会数倍的消耗宝贵的计算资源，增大计算量，成倍的计算资源消耗可能会导致计算机陷入死循环。所以选择初始群体的规模一定要适中，按照比例进行选择，选取概率正比于个体的适配值，就能够增强种群的多样性，避免过早收敛。

3 算法设计及验证

由于航空大型结构件的整体结构一般具有壁薄的特点，在机械数控加工过程中容易产生变形，而且变形随机很难控制，一般通过预留工艺凸台来进行定位，用螺栓预紧力在数控加工中加紧被加工结构件，机械加工完毕后移走凸台，一般凸台如果数目太少，则会导致数控加工过程中结构件变形很差，难以保证机械数控加工精度，但是如果凸台数目太多的话，则会大幅增加凸台加工时间和结构件机械加工完毕后凸台的移除时间，所以凸台合理的布局是减小结构件加工变形的重要环节之一，凸台的位置和数目的优化可以提高大型结构件的数控加工精度和大幅提高生产效率。

遗传算法能够搜索全局最优解，可以同时优化多个变量，该算法不需要目标函数等信息来确定搜索方向，对于装夹布局优化过程的设计变量与目标函数的关系非常复杂，所以遗传算法非常适合装夹布局的优化设计。

本文算法以大型结构件的加工过程最大变形最小为目标函数，采用遗传算法和有限元分析结合的优化算法，对加紧点位置、数目进行优化，通过采用优化后的装夹布局和机械工程师经验装夹布局加工过程中加工点位移进行对比分析，来验证优化算法的有效性。

遗传算法的优化步骤：首先确定决策变量和约束条件；然后建立优化模型，确定出目标函数类型和数学表达量化关系；然后确定表示可行解的染色体编码方法，确定个体的基因型和遗传算法的搜索空间；然后再确定出解码方法，确定出个体到个体的对应关系；然后再确定个体适应度的量化表达方法；然后要进行遗传算子的设计，确定选择运算、交叉运算、变异运算等遗传算子；最后要确定遗传算法的相关参数，比如群体大小、终止代数、交叉概率、变异概率等重要的参数。

根据遗传算法的优化步骤，确定决策变量和约束条件，来建立优化模型，确定出染色体的编码方法、遗传算子的范围，通过建立有限元分析模型来对所有个体的适应度进行合理评价。我们这里把凸台的位置和数量作为决策变量，凸台位置必须使加工过程中大型结构件的最大变形达到最小，凸台的数目必须是最小并且足够的要求。凸台数目如果太少，大型结构件的加工精度无法保证，如果凸台数目太多，则会增加凸台加工时间和大型结构件加工完毕后移除凸台的时间，大幅增加数控加工的成本和显著降低数控加工的效率。

大型结构件的数控加工变形氛围加工中的变形和加工后的整体变形，在数控加工中大型结构件在切削力和夹紧力共同作用下产生变形，这个变形为弹性变形，而在数控加工过程中的大型结构件的变形会使刀具在按照预定轨迹切削时给进量和切削位置发生微小的偏差，则会使大型结构件表面产生过切或超差问题。根据有限元分析的理论，可以得出大型结构件的节点位移和承受载荷之间的数学表达。

遗传算法优化装夹布局流程：首先生成初始种群，生成的初始种群解码，解码数值对应夹具位置，然后把生成夹具的不同位置输入到有限元分析模型中来，利用有限元来得到适应度值，然后根据终止判决条件来判断是否结束优化，并且进一步判定变形是否在允许的误差范围内，如果变形不在允许误差范围内，那么调整下夹紧点的数目，再次重新进行下一轮优化，最终得到优化后的装夹布局参数种群，这里面最佳的个体就是最优的装夹布局，此时则结束本轮优化。

利用遗传算法得到优化结果，利用实际大型结构件的数控加工中进行验证，优化后的装夹布局能够显著减小大型结构件的变形和提高加工效率。

4 结语

在现代化的航空制造中，大型结构件应用越来越多，大型结构件的数控加工异常复杂，很容易产生变形，导致数控加工的精度无法满足制造要求，为了解决这个问题，本文设计了基于遗传算法和有限元分析的数学模型，来优化装夹中的凸台的位置和数目，使得装夹布局达到最为合理，经过实际验证，算法有效。

参考文献

[1]王运巧.航空薄壁结构件数控加工变形控制研究[J].现代制造工程，2005，（01）：17-18.

[2]刘国光.基于组合遗传算法的切削参数优化设计[J].现代机械，2002，（02）：12-13.