基于PSO-BPNN和NSGA的薄壁件定位布局优化

为提高装夹布局优化计算的效率,同时考虑加工过程中振动对变形的影响,提出了融合改进的反向传播神经网络(back propagation neural network,BPNN)与快速非支配排序遗传算法(nondominated sorting genetic algorithms,NSGA-Ⅱ)的优化模型。首先,基于“N-2-1”定位原理,以定位点坐标为设计变量,薄壁件装夹变形和主振型位移为优化目标,通过有限元仿真建立了神经网络训练样本集;其次,引入粒子群算法(particle swarm optimization,PSO)改进神经网络,通过对有限样本集训练,构建了定位布局与装夹变形和振动位移之间的代理模型。实例结果表明,改进后的神经网络对装夹变形的预测精度提高了93%,对振动变形的预测最大误差仅为1.8%;最后,通过遗传算法求解预测模型得到了定位布局帕累托解集,进一步提高了优化效率。

薄壁件装夹位置优选方案有限元分析与实验研究

以减小工件装夹的最大弹性变形量为目标,采用三维非线性动态有限元分析方法建立了典型框体类薄壁件的铣削加工装夹布局模型,对铣削过程中不同装夹位置在加工过程中对薄壁件产生的变形进行了模拟分析,得出了最终的优化变形方案。并通过试验验证了有限元模拟的正确性。