本發(fā)明涉及切削工藝
技術(shù)領(lǐng)域：
，尤其涉及一種切削加工工藝優(yōu)選系統(tǒng)及方法。
背景技術(shù)：
：當(dāng)今世界，各國都在積極追求制造業(yè)的綠色、智能、可持續(xù)發(fā)展。特別是進(jìn)入新世紀(jì)以來，綠色制造已成為我國制造業(yè)發(fā)展的重要趨勢(shì)。目前，我國企業(yè)中綠色制造工藝技術(shù)的應(yīng)用率很低，主要原因是一方面企業(yè)對(duì)綠色制造工藝的技術(shù)儲(chǔ)備不足，制造工藝水平較低；另一方面，企業(yè)對(duì)綠色制造認(rèn)識(shí)不足，缺少實(shí)用的綠色工藝分析評(píng)價(jià)方法和優(yōu)選工具。因此，迫切需要開發(fā)一種切削工藝評(píng)價(jià)方法和優(yōu)選工具，以實(shí)現(xiàn)綠色切削工藝的優(yōu)化與開發(fā)，促進(jìn)企業(yè)綠色制造的升級(jí)與開展。金屬切削加工是制造業(yè)的重要組成部分，是機(jī)械加工領(lǐng)域中應(yīng)用最廣泛的制造工藝技術(shù)之一。切削加工采用刀具從工件上切除多余材料，從而獲得形狀、尺寸精度及表面質(zhì)量等合乎要求的零件的加工技術(shù)手段。但切削加工往往也是機(jī)械制造業(yè)中對(duì)資源和環(huán)境影響最大的一種加工工藝。生產(chǎn)工藝的優(yōu)劣直接關(guān)系到資源的消耗量和廢物排放的種類及數(shù)量，對(duì)環(huán)境的影響至關(guān)重要。隨著我國環(huán)保法規(guī)的健全，切削廢液及排放廢物的回收處理成本將進(jìn)一步增加，加工的高能耗、高成本將加重制造企業(yè)的經(jīng)濟(jì)負(fù)擔(dān)，也制約對(duì)資源和能源的合理利用。因此，對(duì)切削工藝過程進(jìn)行綠色特性評(píng)價(jià)和優(yōu)選，開發(fā)高效科學(xué)的切削工藝評(píng)價(jià)方法及優(yōu)選工具，實(shí)現(xiàn)在保證產(chǎn)品質(zhì)量的同時(shí)、提高勞動(dòng)生產(chǎn)率、降低加工成本、縮短生產(chǎn)周期并優(yōu)化利用資源、減少對(duì)環(huán)境的影響，最終實(shí)現(xiàn)經(jīng)濟(jì)效益、環(huán)境效益和社會(huì)效益的最優(yōu)化。切削工藝的評(píng)價(jià)優(yōu)選是一個(gè)包括工藝特性分析、評(píng)價(jià)指標(biāo)體系構(gòu)建、評(píng)價(jià)方法建模的開放式復(fù)雜巨系統(tǒng)，具有高度非線性和復(fù)雜不確定性，系統(tǒng)中各種耦合問題復(fù)雜并呈現(xiàn)高維化評(píng)價(jià)特征。毫無疑問，針對(duì)這一復(fù)雜系統(tǒng)的分析與管理，無論是采用經(jīng)典的控制理論，還是采用傳統(tǒng)的數(shù)學(xué)手段，都將遇到諸如信息不確定性、模型合理可靠性、數(shù)據(jù)資料不完備性等方面的困難，亟待研究和發(fā)展新的評(píng)價(jià)優(yōu)選方法體系。目前，廣泛應(yīng)用的綠色制造評(píng)價(jià)方法主要分為兩大類：一類是基于生命周期評(píng)價(jià)方法；另一類是層次分析評(píng)價(jià)法。兩類評(píng)價(jià)方法的特征與比較如表1所示。近幾年，我國在綠色制造方面的評(píng)價(jià)也主要集中于以上兩種方法或其改進(jìn)方法，尚未有創(chuàng)新和突破。表1基于生命周期和層次分析兩種評(píng)價(jià)方法的比較技術(shù)實(shí)現(xiàn)要素：針對(duì)現(xiàn)有技術(shù)的缺陷，本發(fā)明提供一種切削加工工藝優(yōu)選系統(tǒng)及方法，能實(shí)現(xiàn)智能評(píng)價(jià)和事前評(píng)價(jià)，且評(píng)價(jià)過程簡(jiǎn)潔明了，通過該系統(tǒng)及方法，可以將同一零件不同切削加工工藝方案進(jìn)行比較，確定最優(yōu)工藝路線，在保證減小排放、保護(hù)環(huán)境的提前下，更好的實(shí)現(xiàn)切削加工工藝。一方面，本發(fā)明提供一種切削加工工藝優(yōu)選系統(tǒng)，該系統(tǒng)包括評(píng)價(jià)指標(biāo)選擇器、數(shù)據(jù)量化處理器、樣本分類器、工藝方案評(píng)價(jià)器和工藝方案選擇器；評(píng)價(jià)指標(biāo)選擇器用于在對(duì)傳統(tǒng)工藝評(píng)價(jià)指標(biāo)研究的基礎(chǔ)上，充分考慮切削工藝的綠色特性及影響因素，選擇評(píng)價(jià)指標(biāo)，并按照選擇的評(píng)價(jià)指標(biāo)收集切削加工工藝數(shù)據(jù)；數(shù)據(jù)量化處理器用于對(duì)于收集的切削加工工藝數(shù)據(jù)進(jìn)行量化處理，將評(píng)價(jià)指標(biāo)分為定性指標(biāo)和定量指標(biāo)，分別進(jìn)行量化，使工藝數(shù)據(jù)以數(shù)值形式表示；再對(duì)量化好的數(shù)值進(jìn)行歸一化處理，即將有量綱的數(shù)值經(jīng)過變換，化為無量綱的數(shù)值，生成數(shù)值值域?yàn)閇0，1]的純小數(shù)；樣本分類器用于將數(shù)據(jù)量化處理器處理好的樣本采用粒子群優(yōu)化算法進(jìn)行聚類分析，生成被自適應(yīng)神經(jīng)模糊推理系統(tǒng)(AdaptiveNeuro-FuzzyInferenceSystem，簡(jiǎn)稱ANFIS)學(xué)習(xí)的訓(xùn)練樣本集；工藝方案評(píng)價(jià)器包括模型建立模塊、模型訓(xùn)練模塊和方案評(píng)價(jià)模塊；模型建立模塊用于建立ANFIS模型；模型訓(xùn)練模塊用于采用訓(xùn)練樣本集訓(xùn)練建立的ANFIS模型，使該模型收斂，自動(dòng)生成模糊推理規(guī)則；方案評(píng)價(jià)模塊用于將數(shù)據(jù)量化處理器生成的待檢測(cè)樣本輸入訓(xùn)練過的ANFIS，根據(jù)ANFIS學(xué)習(xí)獲得的推理規(guī)則，智能決策計(jì)算輸出結(jié)果；工藝方案選擇器用于對(duì)制造同一機(jī)械零件的多個(gè)檢測(cè)工藝方案的評(píng)價(jià)結(jié)果進(jìn)行比較，選取最優(yōu)工藝方案。進(jìn)一步地，在量化處理中，對(duì)于定性指標(biāo)，由專家采用十分制打分方法進(jìn)行量化；對(duì)于定量指標(biāo)，則直接采用相應(yīng)測(cè)量值進(jìn)行量化。另一方面，本發(fā)明還提供一種切削加工工藝優(yōu)選方法，基于粒子群分類和自適應(yīng)神經(jīng)模糊推理系統(tǒng)，采用上述的切削加工工藝優(yōu)選系統(tǒng)實(shí)現(xiàn)，該方法包括如下步驟：步驟1：依據(jù)切削工藝的綠色特性，確定切削加工工藝的評(píng)價(jià)指標(biāo)，選擇與切削工藝綠色特性密切相關(guān)的10個(gè)指標(biāo)作為評(píng)價(jià)指標(biāo)，包括：切削液毒性、切屑回收、原材料消耗、切削液消耗、夾具、刀具消耗、耗電量、加工費(fèi)、設(shè)備折舊費(fèi)和舒適性；步驟2：采用定性與定量相結(jié)合的量化方法對(duì)步驟1中的切削加工工藝的評(píng)價(jià)指標(biāo)進(jìn)行量化處理，并進(jìn)行歸一化處理，生成待檢測(cè)的工藝評(píng)價(jià)指標(biāo)數(shù)據(jù)樣本；步驟2.1：量化指標(biāo)數(shù)據(jù)；將評(píng)價(jià)指標(biāo)分為定性指標(biāo)和定量指標(biāo)，對(duì)于無法用數(shù)值計(jì)量的定性指標(biāo)，參考有關(guān)機(jī)械加工的法規(guī)、標(biāo)準(zhǔn)，由專家采用十分制打分方法進(jìn)行量化；對(duì)于定量指標(biāo)則直接采用加工統(tǒng)計(jì)測(cè)量值或仿真測(cè)量值；步驟2.2：對(duì)量化的指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理；采用小數(shù)定標(biāo)標(biāo)準(zhǔn)化方法(Decimalscaling)對(duì)量化好的數(shù)值進(jìn)行歸一化處理，按式(6)將指標(biāo)A的原始值w歸一化為w'，生成數(shù)值值域?yàn)閇0，1]的純小數(shù)；w'＝w/(10*a)(6)其中，a表示小數(shù)點(diǎn)移動(dòng)位數(shù)，等于指標(biāo)A的取值中的最大絕對(duì)值整位數(shù)；步驟3：采用粒子群優(yōu)化算法對(duì)歸一化的工藝評(píng)價(jià)指標(biāo)數(shù)據(jù)樣本進(jìn)行聚類分析，建立訓(xùn)練樣本集，具體方法為：步驟3.1：隨機(jī)選擇簇的中心(即均值)并賦值給各個(gè)粒子，隨機(jī)產(chǎn)生粒子的速度，并設(shè)定最大速度Vmax；步驟3.2：對(duì)每個(gè)粒子按照最小距離原則對(duì)數(shù)據(jù)進(jìn)行劃分，按照式(7)所示的目標(biāo)函數(shù)Je計(jì)算各個(gè)粒子的適應(yīng)值，更新個(gè)體極值；其中，Cr是表示第r個(gè)聚簇；Nc為聚簇的個(gè)數(shù)；zp表示樣本的數(shù)據(jù)向量；mr表示簇Cr中樣本的中心，nr表示簇Cr中樣本的個(gè)數(shù)；其中，Nb為數(shù)據(jù)向量的維數(shù)；zpk表示第k維樣本的數(shù)據(jù)向量；mrk表示簇Cr中第k維樣本的中心；步驟3.3：根據(jù)各個(gè)粒子的個(gè)體極值，找出全局極值和全局極值位置；步驟3.4：按粒子群優(yōu)化算法的速度公式更新粒子的速度，并把它限制在最大速度Vmax內(nèi)；步驟3.5：按粒子群優(yōu)化算法的位置公式更新粒子的位置；步驟3.6：計(jì)算種群中的個(gè)體適應(yīng)值，若滿足終止條件，則算法結(jié)束，輸出最優(yōu)粒子的位置即最優(yōu)的Nc個(gè)聚類中心，否則，返回步驟3.4繼續(xù)進(jìn)行速度更新；步驟4：建立自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型；采用Takagi-Sugeno型模糊推理系統(tǒng)作為ANFIS的核心結(jié)構(gòu)，構(gòu)建由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩部分組成的多輸入、單輸出的評(píng)價(jià)模型，前件網(wǎng)絡(luò)用于產(chǎn)生每條模糊規(guī)則對(duì)輸入樣本的隸屬度，后件網(wǎng)絡(luò)用于生成每條模糊規(guī)則的加權(quán)和；前件網(wǎng)絡(luò)包括四層結(jié)構(gòu)：第一層為前件網(wǎng)絡(luò)輸入層，其每個(gè)節(jié)點(diǎn)直接與輸入向量的各分量連接，節(jié)點(diǎn)數(shù)為N1＝p，p為輸入樣本的維數(shù)，用于將輸入樣本x＝[x1,x2,…,xp]T傳送到下一層；第二層表示經(jīng)計(jì)算得到的各輸入分量屬于模糊集合的隸屬度，節(jié)點(diǎn)數(shù)N2＝C×p，其中C為模糊規(guī)則總數(shù)；第三層每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則，用于確定每條規(guī)則的隸屬度ui，節(jié)點(diǎn)數(shù)N3＝CP；第四層為前件網(wǎng)絡(luò)輸出層，節(jié)點(diǎn)數(shù)與第三層相同，輸出為(i＝1，…，C)，表示歸一化計(jì)算后前件網(wǎng)絡(luò)的輸出值，即輸入樣本對(duì)每條模糊規(guī)則的隸屬度，如式(8)所示；后件網(wǎng)絡(luò)包括C個(gè)結(jié)構(gòu)相同的子網(wǎng)絡(luò)，每個(gè)子網(wǎng)絡(luò)產(chǎn)生一個(gè)輸出量，即每條模糊規(guī)則的權(quán)值；C個(gè)子網(wǎng)絡(luò)均包括三層結(jié)構(gòu)：第一層為子網(wǎng)絡(luò)輸入層，節(jié)點(diǎn)數(shù)為p+1個(gè)，其中第0個(gè)結(jié)點(diǎn)的輸入值為1，用于提供模糊規(guī)則后件的常數(shù)項(xiàng)；第二層節(jié)點(diǎn)數(shù)為C個(gè)，每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則，用于計(jì)算每個(gè)規(guī)則的后件；第三層為子網(wǎng)絡(luò)輸出層，輸出為yi(i＝1，…，C)，表示模糊規(guī)則后件的加權(quán)和，加權(quán)系數(shù)為前件網(wǎng)絡(luò)的輸出；后件網(wǎng)絡(luò)的最終輸出為Y，即模型的輸出如式(9)所示：步驟5：設(shè)定初始化參數(shù)，采用步驟3生成的訓(xùn)練樣本集訓(xùn)練步驟4建立的模型，經(jīng)迭代計(jì)算，使該模型收斂，自動(dòng)生成模糊推理規(guī)則，對(duì)待檢測(cè)樣本進(jìn)行智能評(píng)價(jià)，具體方法為：步驟5.1：采用模糊C-均值(FCM)算法對(duì)前件網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過迭代計(jì)算優(yōu)化第二層節(jié)點(diǎn)的隸屬度中心，輸出結(jié)果為輸入樣本對(duì)每條模糊規(guī)則的隸屬度，包括以下步驟：步驟5.1.1：設(shè)置加權(quán)指數(shù)λ，λ∈[1,∞)，模糊規(guī)則數(shù)C，輸入樣本個(gè)數(shù)n，輸入樣本維數(shù)p，終止誤差ε，最大迭代次數(shù)LOOP1；迭代計(jì)數(shù)變量賦初值IT1＝0；步驟5.1.2：用值域?yàn)?0,1)的隨機(jī)數(shù)初始化隸屬度矩陣U(IT1)，隸屬度矩陣uij為隸屬度矩陣內(nèi)元素，并滿足i為正整數(shù)，且i＝1，2，…，C；j為正整數(shù)，且j＝1，2，…，n；步驟5.1.3：根據(jù)計(jì)算第i條模糊規(guī)則聚類中心向量zi＝[z1i,z2i,L,zpi],公式為：其中，xj表示第j個(gè)輸入樣本向量；步驟5.1.4：更新隸屬度矩陣U(IT1+1)，如式(11)所示；其中，dij表示第j個(gè)樣本向量到聚類中心向量的歐式距離，dkj表示第j個(gè)樣本向量到聚類中心向量的歐式距離；步驟5.1.5：若滿足或IT1>LOOP1，其中，‖·‖為歐式距離算式，則終止迭代計(jì)算，否則更新迭代計(jì)數(shù)變量，IT1＝IT1+1，返回步驟5.1.3；步驟5.2：對(duì)后件網(wǎng)絡(luò)進(jìn)行訓(xùn)練，后件網(wǎng)絡(luò)包括C個(gè)結(jié)構(gòu)相同的子網(wǎng)絡(luò)，每個(gè)子網(wǎng)絡(luò)均采用最小均方(LMS)算法調(diào)整后件網(wǎng)絡(luò)的連接權(quán)值，包括以下步驟：步驟5.2.1：設(shè)置學(xué)習(xí)率β，終止誤差ε1，最大迭代次數(shù)LOOP2，迭代計(jì)數(shù)變量賦初值IT2＝0；步驟5.2.2：用值域?yàn)?0,1)的隨機(jī)數(shù)初始化權(quán)值矩陣bi＝[b0i,b1i,L,bpi]，i＝1，2，…，C；步驟5.2.3：計(jì)算后件子網(wǎng)絡(luò)輸出值yi，表示第IT2次迭代產(chǎn)生的第j個(gè)輸入樣本向量對(duì)應(yīng)的后件子網(wǎng)絡(luò)輸出，如式(12)所示；其中，表示歸一化計(jì)算的前件網(wǎng)絡(luò)輸出值；步驟5.2.4：更新權(quán)值矩陣如式(13)所示；其中，表示后件子網(wǎng)絡(luò)期望輸出值；步驟5.2.5：若滿足或IT2>LOOP2，則終止迭代計(jì)算；否則更新迭代計(jì)數(shù)變量，IT2＝IT2+1，返回步驟5.2.3；步驟6：使用訓(xùn)練后的模型對(duì)步驟2生成的待檢測(cè)工藝評(píng)價(jià)指標(biāo)數(shù)據(jù)樣本進(jìn)行評(píng)價(jià)，并根據(jù)評(píng)價(jià)結(jié)果輸出最優(yōu)切削加工工藝：步驟6.1：將步驟2生成的待檢測(cè)樣本，輸入步驟5訓(xùn)練好的模型中，該模型根據(jù)模糊推理規(guī)則自主計(jì)算輸出評(píng)價(jià)值；步驟6.2：對(duì)經(jīng)步驟6.1生成的同一零件的多個(gè)工藝方案評(píng)價(jià)值進(jìn)行比較，確定最優(yōu)切削工藝方案。進(jìn)一步地，步驟2.1中指標(biāo)數(shù)據(jù)量化的具體方法為：(1)切削液毒性量化：采用定性分析，根據(jù)《污水綜合排放標(biāo)準(zhǔn)》(GB8978-1996)、《機(jī)械工業(yè)含油廢水排放規(guī)定》(JS7740-95)，按10分制評(píng)分，如表2所示；表2毒性評(píng)分表毒性狀況毒性嚴(yán)重毒性一般毒性很小無毒性評(píng)分值8631其中，毒性嚴(yán)重指毒性嚴(yán)重影響身體健康，可致生病率死亡率顯著增加；毒性一般指毒性影響身體健康，可致病；毒性很小指毒性微小，一般不影響身體健康；(2)切屑回收量化：采用定性分析，根據(jù)回收處理方式打分，按10分制評(píng)分，如表3所示；表3磨削液回收處理評(píng)分表(3)原材料消耗量化：采用定量分析，根據(jù)工藝過程中工件廢棄物質(zhì)量W(kg)來確定量化值，量化公式如下：W＝RI-RO(1)其中，RI表示進(jìn)入磨削加工工藝系統(tǒng)的毛坯質(zhì)量(kg)；RO表示經(jīng)磨削加工后的工件質(zhì)量(kg)；(4)切削液消耗量化：采用定量分析，根據(jù)工藝加工過程切削液的使用量Lz(L/min)確定量化值；(5)夾具量化：采用定性分析，根據(jù)夾具的種類、使用效率由專家采用十分制打分量化，如表4所示；表4工裝使用評(píng)分表使用工裝情況使用復(fù)雜專用夾具使用簡(jiǎn)單專用夾具使用通用夾具不使用評(píng)分值8631(6)刀具消耗量化：采用定量分析，根據(jù)工藝過程中加工一個(gè)零件消耗的刀具的消耗量，用刀具修整次數(shù)nx確定量化值，量化公式如下：其中，tw表示切削加工一個(gè)工件的時(shí)間(h)；Tc表示刀具的使用壽命(h)；(7)耗電量量化：采用定量分析，根據(jù)工藝過程中磨削單件產(chǎn)品的耗電量Ei(kW·h)確定量化值，量化公式如下：Ei＝(Pu+αPc)Ti(3)其中，Pu表示機(jī)床空載功率(kW)；Pc表示機(jī)床磨削功率(kW)；α表示功率平衡損耗系數(shù)；Ti表示每件加工時(shí)間(h)；(8)加工費(fèi)量化：采用定量分析，加工費(fèi)用指標(biāo)Czz：根據(jù)生產(chǎn)單件產(chǎn)品的制造過程費(fèi)用總和確定量化值，量化公式如下：Czz＝Cyd+Cgz+Ccl(4)其中，Cyd表示單件產(chǎn)品的耗電費(fèi)(￥)；Cgz表示單件產(chǎn)品機(jī)床工人工資(￥)；Ccl表示單件產(chǎn)品材料費(fèi)(￥)；(9)設(shè)備折舊費(fèi)量化：采用定量分析，根據(jù)工藝過程中設(shè)備的折舊費(fèi)用Csb確定量化值，量化公式如下：其中，Cs表示設(shè)備價(jià)格(￥)；ps表示設(shè)備折舊率；Td表示工藝加工時(shí)間(min)；F表示每年工作總時(shí)數(shù)(h)；ηs表示設(shè)備利用率；(10)舒適性量化：采用定性分析，根據(jù)工藝方案，對(duì)工人操作、工作空間舒適程度按10分制評(píng)分，如表5所示。表5工人操作舒適度評(píng)分表操作舒適度非常合理舒適合理舒適部分需改進(jìn)不合理不舒適評(píng)分值1-23-56-89-10由上述技術(shù)方案可知，本發(fā)明的有益效果在于：本發(fā)明提供的一種切削加工工藝優(yōu)選系統(tǒng)及方法，可以將同一零件不同切削加工工藝方案進(jìn)行比較，確定最優(yōu)工藝路線，在保證減小排放、保護(hù)環(huán)境的提前下，更好的實(shí)現(xiàn)切削加工工藝。評(píng)價(jià)過程簡(jiǎn)潔明了，能實(shí)現(xiàn)智能評(píng)價(jià)和事前評(píng)價(jià)。通過對(duì)訓(xùn)練樣本集的學(xué)習(xí)，自主生成模糊推理規(guī)則，能夠清晰地解析評(píng)估指標(biāo)體系與評(píng)價(jià)結(jié)果映射規(guī)律，克服了評(píng)估結(jié)果易受專家主觀傾向影響的技術(shù)瓶頸，可有效消除評(píng)價(jià)指標(biāo)的模糊性和隨機(jī)性對(duì)評(píng)價(jià)結(jié)果的影響；可以在工藝設(shè)計(jì)之初進(jìn)行評(píng)價(jià)，給出評(píng)估結(jié)果；該方法由于未進(jìn)行實(shí)際加工生產(chǎn)，可以大量節(jié)省時(shí)間、人力和成本，避免“先開發(fā)后變更的”。附圖說明圖1為本發(fā)明實(shí)施例提供的切削加工工藝優(yōu)選系統(tǒng)工作示意圖；圖2為本發(fā)明實(shí)施例提供的切削加工工藝優(yōu)選方法流程圖；圖3為本發(fā)明實(shí)施例提供的PSO聚類算法流程圖；圖4為本發(fā)明實(shí)施例提供的ANFIS模型結(jié)構(gòu)示意圖；圖5為本發(fā)明實(shí)施例提供的ANFIS算法流程圖。圖中：1、前件網(wǎng)絡(luò)第一層；2、前件網(wǎng)絡(luò)第二層；3、前件網(wǎng)絡(luò)第三層；4、前件網(wǎng)絡(luò)第四層；5、后件子網(wǎng)絡(luò)第一層；6、后件子網(wǎng)絡(luò)第二層；7、后件子網(wǎng)絡(luò)第三層。具體實(shí)施方式下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。自適應(yīng)神經(jīng)模糊推理系統(tǒng)(AdaptiveNeuro-FuzzyInferenceSystem,ANFIS)是人工智能學(xué)科的主要研究分支，具有模糊推理易于表達(dá)人類知識(shí)，以及分布式數(shù)據(jù)處理和自主學(xué)習(xí)的優(yōu)點(diǎn)，可以有效消除評(píng)價(jià)指標(biāo)的模糊性和隨機(jī)性對(duì)評(píng)價(jià)結(jié)果的影響，以及避免評(píng)價(jià)專家的主觀性和傾向性產(chǎn)生的偏差，特別對(duì)推理規(guī)則還不被人們所完全了解或者結(jié)構(gòu)非常復(fù)雜的評(píng)價(jià)系統(tǒng)是十分有效的。但采用人工智能的機(jī)器學(xué)習(xí)方法進(jìn)行評(píng)價(jià)首先需要有高質(zhì)量的訓(xùn)練樣本集。而工藝樣本數(shù)據(jù)具有不確定性、多維性以及量綱差異大的特點(diǎn)，使得訓(xùn)練樣本的分類成為一項(xiàng)極其復(fù)雜的工作。群智能算法中的粒子群優(yōu)化算法(particleswarmoptimization，PSO)算法概念簡(jiǎn)單、實(shí)現(xiàn)容易,具有很強(qiáng)的適應(yīng)性和魯棒性，在分類和模式識(shí)別領(lǐng)域獲得了很大發(fā)展。因此，本發(fā)明采用粒子群優(yōu)化算法對(duì)工藝數(shù)據(jù)進(jìn)行聚類分析并生成樣本訓(xùn)練集，為實(shí)現(xiàn)采用ANFIS評(píng)價(jià)模型提供決策支持；將自適應(yīng)神經(jīng)模糊推理系統(tǒng)用于切削加工工藝優(yōu)選，實(shí)現(xiàn)準(zhǔn)確合理的評(píng)價(jià)結(jié)果輸出。該方法具有事前評(píng)價(jià)能力，智能推理的特點(diǎn)，可廣泛應(yīng)用到綠色制造領(lǐng)域的評(píng)價(jià)優(yōu)選分析中。本實(shí)施例提供一種采用基于粒子群分類和自適應(yīng)神經(jīng)模糊推理系統(tǒng)的切削加工工藝優(yōu)選系統(tǒng)，如圖1所示，包括：評(píng)價(jià)指標(biāo)選擇器、數(shù)據(jù)量化處理器、樣本分類器、工藝方案評(píng)價(jià)器和工藝方案選擇器。評(píng)價(jià)指標(biāo)選擇器：用于在對(duì)傳統(tǒng)工藝評(píng)價(jià)指標(biāo)研究的基礎(chǔ)上，充分考慮切削工藝的綠色特性及影響因素，選擇具有代表性的10個(gè)評(píng)價(jià)指標(biāo)，對(duì)工藝數(shù)據(jù)進(jìn)行采集和整理。評(píng)價(jià)指標(biāo)包括：切削液毒性、切屑回收、原材料消耗、切削液消耗、夾具、刀具消耗、耗電量、加工費(fèi)、設(shè)備折舊費(fèi)和舒適性。數(shù)據(jù)量化處理器：用于對(duì)于收集的切削加工工藝數(shù)據(jù)進(jìn)行量化處理，將評(píng)價(jià)指標(biāo)分為定性指標(biāo)和定量指標(biāo)，分別進(jìn)行量化，對(duì)于無法用數(shù)值計(jì)量的定性指標(biāo)，由專家采用十分制打分方法進(jìn)行量化；對(duì)于定量指標(biāo)則直接采用測(cè)量值。使工藝數(shù)據(jù)以數(shù)值形式表示，為避免具有不同物理意義和量綱的輸入變量不能平等使用，再對(duì)量化好的數(shù)值進(jìn)行歸一化處理，即將有量綱的數(shù)值經(jīng)過變換，化為無量綱的數(shù)值，生成數(shù)值值域?yàn)閇0，1]的純小數(shù)。樣本分類器：用于將數(shù)據(jù)量化處理器處理好的樣本采用粒子群優(yōu)化算法進(jìn)行聚類，生成可被自適應(yīng)神經(jīng)模糊推理系統(tǒng)學(xué)習(xí)的訓(xùn)練樣本集，用于ANFIS訓(xùn)練學(xué)習(xí)并建立評(píng)價(jià)推理規(guī)則，為實(shí)現(xiàn)對(duì)待檢測(cè)工藝樣本的評(píng)價(jià)優(yōu)選提供支持。工藝方案評(píng)價(jià)器包括模型建立模塊、模型訓(xùn)練模塊和方案評(píng)價(jià)模塊；模型建立模塊用于建立ANFIS模型；模型訓(xùn)練模塊用于采用訓(xùn)練樣本集訓(xùn)練建立的ANFIS模型，使該模型收斂，自動(dòng)生成模糊推理規(guī)則；方案評(píng)價(jià)模塊用于將檢測(cè)工藝數(shù)據(jù)首先通過數(shù)據(jù)量化處理器生成檢測(cè)樣本，再輸入訓(xùn)練過的ANFIS，ANFIS將根據(jù)學(xué)習(xí)獲得的推理規(guī)則，智能決策計(jì)算輸出工藝評(píng)價(jià)結(jié)果。工藝方案選擇器：用于對(duì)制造同一機(jī)械零件的多個(gè)檢測(cè)工藝方案的計(jì)算結(jié)果進(jìn)行比較，獲得最優(yōu)工藝方案。本實(shí)施例以EA111發(fā)動(dòng)機(jī)凸輪軸工件作為研究對(duì)象，以凸輪輪廓磨削加工為例，分別采用MBA1632磨床(工藝方案1)和Quickpoint5002/N磨床(工藝方案2)設(shè)計(jì)磨削加工工藝，并對(duì)上述兩種加工工藝進(jìn)行優(yōu)選，方法流程如圖2所示，包括以下步驟：步驟1：通過對(duì)切削工藝綠色特性及影響因素的充分考慮，選擇具有一定代表性的10個(gè)評(píng)價(jià)指標(biāo)，包括：切削液毒性、切屑回收、原材料消耗、切削液消耗、夾具、刀具消耗、耗電量、加工費(fèi)、設(shè)備折舊費(fèi)、舒適性。步驟2：采用定性與定量相結(jié)合的量化方法對(duì)步驟1中的切削加工工藝的評(píng)價(jià)指標(biāo)數(shù)據(jù)進(jìn)行量化處理，并進(jìn)行歸一化處理，生成訓(xùn)練工藝評(píng)價(jià)指標(biāo)數(shù)據(jù)樣本,具體方法為：步驟2.1：量化指標(biāo)數(shù)據(jù)；定量量化方法是依據(jù)加工統(tǒng)計(jì)數(shù)據(jù)或仿真計(jì)算數(shù)據(jù)，賦值給定量指標(biāo)數(shù)值；定性量化方法則是依據(jù)有關(guān)機(jī)械加工的法規(guī)、標(biāo)準(zhǔn)，由專家采用十分制打分方法，賦值給無法用數(shù)值計(jì)量的定性指標(biāo)。步驟1中所述的10個(gè)評(píng)價(jià)指標(biāo)的量化方法具體為：(1)切削液毒性量化：采用定性分析，根據(jù)《污水綜合排放標(biāo)準(zhǔn)》(GB8978-1996)、《機(jī)械工業(yè)含油廢水排放規(guī)定》(JS7740-95)，按10分制評(píng)分，如表2所示；表2毒性評(píng)分表毒性狀況毒性嚴(yán)重毒性一般毒性很小無毒性評(píng)分值8631其中，毒性嚴(yán)重指毒性嚴(yán)重影響身體健康，可致生病率死亡率顯著增加；毒性一般指毒性影響身體健康，可致??；毒性很小指毒性微小，一般不影響身體健康；(2)切屑回收量化：采用定性分析，根據(jù)回收處理方式打分，按10分制評(píng)分，如表3所示；表3磨削液回收處理評(píng)分表回收處理狀況回收集中處理回收隨意處理回收不處理不回收評(píng)分值1368(3)原材料消耗量化：采用定量分析，根據(jù)工藝過程中工件廢棄物質(zhì)量W(kg)來確定量化值，量化公式如下：W＝RI-RO(1)其中，RI表示進(jìn)入磨削加工工藝系統(tǒng)的毛坯質(zhì)量(kg)；RO表示經(jīng)磨削加工后的工件質(zhì)量(kg)；(4)切削液消耗量化：采用定量分析，根據(jù)工藝加工過程切削液的使用量Lz(L/min)確定量化值；(5)夾具量化：采用定性分析，根據(jù)夾具的種類、使用效率由專家采用十分制打分量化，如表4所示；表4工裝使用評(píng)分表使用工裝情況使用復(fù)雜專用夾具使用簡(jiǎn)單專用夾具使用通用夾具不使用評(píng)分值8631(6)刀具消耗量化：采用定量分析，根據(jù)工藝過程中加工一個(gè)零件消耗的刀具的消耗量，用刀具修整次數(shù)nx確定量化值，量化公式如下：其中，tw表示切削加工一個(gè)工件的時(shí)間(h)；Tc表示刀具的使用壽命(h)；(7)耗電量量化：采用定量分析，根據(jù)工藝過程中磨削單件產(chǎn)品的耗電量Ei(kW·h)確定量化值，量化公式如下：Ei＝(Pu+αPc)Ti(3)其中，Pu表示機(jī)床空載功率(kW)；Pc表示機(jī)床磨削功率(kW)；α表示功率平衡損耗系數(shù)；Ti表示每件加工時(shí)間(h)；(8)加工費(fèi)量化：采用定量分析，加工費(fèi)用指標(biāo)Czz：根據(jù)生產(chǎn)單件產(chǎn)品的制造過程費(fèi)用總和確定量化值，量化公式如下：Czz＝Cyd+Cgz+Ccl(4)其中，Cyd表示單件產(chǎn)品的耗電費(fèi)(￥)；Cgz表示單件產(chǎn)品機(jī)床工人工資(￥)；Ccl表示單件產(chǎn)品材料費(fèi)(￥)；(9)設(shè)備折舊費(fèi)量化：采用定量分析，根據(jù)工藝過程中設(shè)備的折舊費(fèi)用Csb確定量化值，量化公式如下：其中，Cs表示設(shè)備價(jià)格(￥)；ps表示設(shè)備折舊率(一般取值為20％-25％)；Td表示工藝加工時(shí)間(min)；F表示每年工作總時(shí)數(shù)(h)；ηs表示設(shè)備利用率(一般取值為0.8-0.95)；(10)舒適性量化：采用定性分析，根據(jù)工藝方案，對(duì)工人操作、工作空間舒適程度按10分制評(píng)分，如表5所示。表5工人操作舒適度評(píng)分表操作舒適度非常合理舒適合理舒適部分需改進(jìn)不合理不舒適評(píng)分值1-23-56-89-10步驟2.2：對(duì)上述量化的指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理；采用小數(shù)定標(biāo)標(biāo)準(zhǔn)化方法(Decimalscaling)對(duì)量化好的數(shù)值進(jìn)行歸一化處理，按式(6)將指標(biāo)A的原始值w歸一化為w'，生成數(shù)值值域?yàn)閇0，1]的純小數(shù)，保證各指標(biāo)數(shù)據(jù)對(duì)工藝方案評(píng)價(jià)的趨同化作用；w'＝w/(10*a)(6)其中，a表示小數(shù)點(diǎn)移動(dòng)位數(shù)，等于指標(biāo)A的取值中的最大絕對(duì)值整位數(shù)。步驟3：采用粒子群優(yōu)化算法(PSO算法)對(duì)歸一化的工藝評(píng)價(jià)指標(biāo)數(shù)據(jù)樣本進(jìn)行聚類分析，建立訓(xùn)練樣本集，用于自適應(yīng)神經(jīng)模糊推理系統(tǒng)學(xué)習(xí)和建立評(píng)價(jià)推理規(guī)則，粒子群優(yōu)化聚類算法流程如圖3所示，具體方法為：步驟3.1：隨機(jī)選擇簇的中心(即均值)并賦值給各個(gè)粒子，隨機(jī)產(chǎn)生粒子的速度，并設(shè)定最大速度Vmax；步驟3.2：對(duì)每個(gè)粒子按照最小距離原則對(duì)數(shù)據(jù)進(jìn)行劃分，按照式(7)所示的目標(biāo)函數(shù)Je計(jì)算各個(gè)粒子的適應(yīng)值，更新個(gè)體極值；其中，Cr是表示第r個(gè)聚簇；Nc為聚簇的個(gè)數(shù)；zp表示樣本的數(shù)據(jù)向量；mr表示簇Cr中樣本的中心，nr表示簇Cr中樣本的個(gè)數(shù)；其中，Nb為數(shù)據(jù)向量的維數(shù)；zpk表示第k維樣本的數(shù)據(jù)向量；mrk表示簇Cr中第k維樣本的中心；步驟3.3：根據(jù)各個(gè)粒子的個(gè)體極值，找出全局極值和全局極值位置；步驟3.4：按粒子群優(yōu)化算法的速度公式更新粒子的速度，并把它限制在最大速度Vmax內(nèi)；步驟3.5：按粒子群優(yōu)化算法的位置公式更新粒子的位置；步驟3.6：計(jì)算種群中的個(gè)體適應(yīng)值，若滿足終止條件，則算法結(jié)束，輸出最優(yōu)粒子的位置即最優(yōu)的Nc個(gè)聚類中心，否則，返回步驟3.4繼續(xù)進(jìn)行速度更新。本實(shí)施例中，實(shí)例樣本數(shù)據(jù)采自某汽車制造企業(yè)凸輪軸加工工藝。首先按照步驟2.1進(jìn)行量化，再按公式(6)進(jìn)行歸一化處理，聚類分析后將樣本分為三類：優(yōu)、良、差，并分別給出相應(yīng)的期望值，最終的訓(xùn)練樣本如表6所示。表6訓(xùn)練樣本集在表5中，y為期望值，根據(jù)聚類分組個(gè)數(shù)將評(píng)價(jià)結(jié)果分級(jí)，期望值y確定方法如下：評(píng)價(jià)結(jié)果為“優(yōu)”時(shí)，系統(tǒng)輸出期望值設(shè)置為0.3；評(píng)價(jià)結(jié)果為“良”時(shí)，系統(tǒng)輸出期望值設(shè)置為0.5；評(píng)價(jià)結(jié)果為“差”時(shí)，系統(tǒng)輸出期望值設(shè)置為0.8。步驟4：建立自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型；采用Takagi-Sugeno型模糊推理系統(tǒng)作為ANFIS的核心結(jié)構(gòu)，構(gòu)建由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩部分組成的多輸入、單輸出的評(píng)價(jià)模型，模型結(jié)構(gòu)如圖4所示。前件網(wǎng)絡(luò)用于產(chǎn)生每條模糊規(guī)則對(duì)輸入樣本的隸屬度，后件網(wǎng)絡(luò)用于生成每條模糊規(guī)則的加權(quán)和。采用VisalC++軟件開發(fā)平臺(tái)及SQL2005數(shù)據(jù)庫編寫軟件實(shí)現(xiàn)模型。前件網(wǎng)絡(luò)包括四層結(jié)構(gòu)：第一層1為前件網(wǎng)絡(luò)輸入層，其每個(gè)節(jié)點(diǎn)直接與輸入向量的各分量連接，節(jié)點(diǎn)數(shù)為N1＝p，p為輸入樣本的維數(shù)，用于將輸入樣本x＝[x1,x2,…,xp]T傳送到下一層；第二層2表示經(jīng)計(jì)算得到的各輸入分量屬于模糊集合的隸屬度，節(jié)點(diǎn)數(shù)N2＝C×p，其中C為模糊規(guī)則總數(shù)；第三層3每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則，用于確定每條規(guī)則的隸屬度ui，節(jié)點(diǎn)數(shù)N3＝CP；第四層4為前件網(wǎng)絡(luò)輸出層，節(jié)點(diǎn)數(shù)與第三層3相同，輸出為(i＝1，…，C)，表示歸一化計(jì)算后前件網(wǎng)絡(luò)的輸出值，即輸入樣本對(duì)每條模糊規(guī)則的隸屬度，如式(8)所示；后件網(wǎng)絡(luò)包括C個(gè)結(jié)構(gòu)相同的子網(wǎng)絡(luò)，每個(gè)子網(wǎng)絡(luò)產(chǎn)生一個(gè)輸出量，即每條模糊規(guī)則的權(quán)值；C個(gè)子網(wǎng)絡(luò)均包括三層結(jié)構(gòu)：第一層5為子網(wǎng)絡(luò)輸入層，節(jié)點(diǎn)數(shù)為p+1個(gè)，其中第0個(gè)結(jié)點(diǎn)的輸入值為1，用于提供模糊規(guī)則后件的常數(shù)項(xiàng)；第二層6節(jié)點(diǎn)數(shù)為C個(gè)，每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則，用于計(jì)算每個(gè)規(guī)則的后件；第三層7為子網(wǎng)絡(luò)輸出層，輸出為yi(i＝1，…，C)，表示模糊規(guī)則后件的加權(quán)和，加權(quán)系數(shù)為前件網(wǎng)絡(luò)的輸出；后件網(wǎng)絡(luò)的最終輸出為Y，即模型的輸出如式(9)所示：步驟5：設(shè)定初始化參數(shù)，采用步驟3生成的訓(xùn)練樣本集訓(xùn)練步驟4建立的模型，如圖5所示，經(jīng)81次迭代計(jì)算，滿足算法終止條件，網(wǎng)絡(luò)收斂停止迭代計(jì)算，對(duì)待檢測(cè)樣本進(jìn)行智能評(píng)價(jià)，具體方法為：步驟5.1：采用模糊C-均值(FCM)算法對(duì)前件網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過迭代計(jì)算優(yōu)化第二層節(jié)點(diǎn)的隸屬度中心，輸出結(jié)果為輸入樣本對(duì)每條模糊規(guī)則的隸屬度，包括以下步驟：步驟5.1.1：設(shè)置加權(quán)指數(shù)λ，λ∈[1,∞)，模糊規(guī)則數(shù)C，輸入樣本個(gè)數(shù)n,輸入樣本維數(shù)p，終止誤差ε，最大迭代次數(shù)LOOP1；迭代計(jì)數(shù)變量賦初值IT1＝0；步驟5.1.2：用值域?yàn)?0,1)的隨機(jī)數(shù)初始化隸屬度矩陣U(IT1)，隸屬度矩陣uij為隸屬度矩陣內(nèi)元素，并滿足i為正整數(shù)，且i＝1，2，…，C；j為正整數(shù)，且j＝1，2，…，n；步驟5.1.3：根據(jù)計(jì)算第i條模糊規(guī)則聚類中心向量zi＝[z1i,z2i,L,zpi],公式為：其中，xj表示第j個(gè)輸入樣本向量；步驟5.1.4：更新隸屬度矩陣U(IT1+1)，如式(11)所示；其中，dij表示第j個(gè)樣本向量到聚類中心向量的歐式距離，dkj表示第j個(gè)樣本向量到聚類中心向量的歐式距離；步驟5.1.5：若滿足或IT1>LOOP1，則終止迭代計(jì)算，否則更新迭代計(jì)數(shù)變量，IT1＝IT1+1，返回步驟5.1.3，‖·‖為歐式距離算式；步驟5.2：對(duì)后件網(wǎng)絡(luò)進(jìn)行訓(xùn)練，后件網(wǎng)絡(luò)包括C個(gè)結(jié)構(gòu)相同的子網(wǎng)絡(luò)，每個(gè)子網(wǎng)絡(luò)均采用最小均方(LMS)算法調(diào)整后件網(wǎng)絡(luò)的連接權(quán)值，包括以下步驟：步驟5.2.1：設(shè)置學(xué)習(xí)率β，終止誤差ε1，最大迭代次數(shù)LOOP2，迭代計(jì)數(shù)變量賦初值IT2＝0；步驟5.2.2：用值域?yàn)?0,1)的隨機(jī)數(shù)初始化權(quán)值矩陣bi＝[b0i,b1i,L,bpi]，i＝1，2，…，C；步驟5.2.3：計(jì)算后件子網(wǎng)絡(luò)輸出值yi，表示第IT2次迭代產(chǎn)生的第j個(gè)輸入樣本向量對(duì)應(yīng)的后件子網(wǎng)絡(luò)輸出，如式(12)所示；其中，表示歸一化計(jì)算的前件網(wǎng)絡(luò)輸出值；步驟5.2.4：更新權(quán)值矩陣如式(13)所示；其中，表示后件子網(wǎng)絡(luò)期望輸出值；步驟5.2.5：若滿足或IT2>LOOP2，則終止迭代計(jì)算；否則更新迭代計(jì)數(shù)變量，IT2＝IT2+1，返回步驟5.2.3；此時(shí)，訓(xùn)練好的模型已生成模糊推理規(guī)則，保存訓(xùn)練好的系統(tǒng)參數(shù)，接下來可對(duì)待檢測(cè)樣本進(jìn)行評(píng)價(jià)。步驟6：使用訓(xùn)練后的模型對(duì)生成的待檢測(cè)工藝評(píng)價(jià)指標(biāo)數(shù)據(jù)樣本進(jìn)行評(píng)價(jià)，并根據(jù)評(píng)價(jià)結(jié)果輸出最優(yōu)切削加工工藝：對(duì)磨削凸輪軸加工的兩個(gè)工藝方案進(jìn)行優(yōu)選，按照步驟2量化并歸一化生成待檢測(cè)樣本：工藝方案1：X1＝[0.40,0.30,0.48,0.72,0.30,0.80,0.56,0.38,0.12,0.20]；工藝方案2：X2＝[0.60,0.20,0.36,0.60,0.50,0.12,0.50,0.42,0.16,0.20]。步驟6.1：將步驟2生成的待檢測(cè)樣本，輸入步驟5訓(xùn)練好的模型中，該模型根據(jù)模糊推理規(guī)則自主計(jì)算輸出評(píng)價(jià)值。本實(shí)施例中，分別將檢測(cè)工藝樣本輸入步驟5訓(xùn)練好的評(píng)價(jià)模型中，經(jīng)計(jì)算得到工藝方案1樣本的評(píng)價(jià)數(shù)值為0.61，工藝方案2參評(píng)樣本的評(píng)價(jià)數(shù)值為0.34。步驟6.2：對(duì)經(jīng)步驟6.1生成的同一零件的多個(gè)工藝方案評(píng)價(jià)值進(jìn)行比較，確定最優(yōu)切削工藝方案。本實(shí)施例中，依據(jù)步驟3對(duì)評(píng)價(jià)結(jié)果分級(jí)的結(jié)果，即期望值y按極小型指標(biāo)確定數(shù)值，所以評(píng)價(jià)結(jié)果值越小，表明工藝綠色度越好。對(duì)經(jīng)步驟6.1計(jì)算得到的兩個(gè)工藝方案評(píng)價(jià)值進(jìn)行比較，由于工藝方案1樣本的評(píng)價(jià)數(shù)值為0.61，大于工藝方案2參評(píng)樣本的評(píng)價(jià)數(shù)值0.34，所以最優(yōu)切削工藝為工藝方案2。本實(shí)施例提供的優(yōu)選系統(tǒng)經(jīng)驗(yàn)證可對(duì)切削加工工藝方案進(jìn)行有效評(píng)價(jià)并能排序輸出最優(yōu)工藝方案。具有評(píng)價(jià)過程簡(jiǎn)潔明了，智能評(píng)價(jià)和事前評(píng)價(jià)的特點(diǎn)。1)智能評(píng)價(jià)由于綠色工藝評(píng)價(jià)是一個(gè)具有高度非線性和復(fù)雜不確定性的系統(tǒng)，傳統(tǒng)的評(píng)價(jià)方法難以構(gòu)建評(píng)價(jià)指標(biāo)與評(píng)價(jià)結(jié)果間的函數(shù)關(guān)系，評(píng)價(jià)過程通常需要專家參與評(píng)判獲得評(píng)價(jià)結(jié)果，受評(píng)價(jià)專家的主觀性和傾向性影響較大，且評(píng)價(jià)規(guī)則難以理解。研究的評(píng)價(jià)優(yōu)選方法通過對(duì)訓(xùn)練樣本集的學(xué)習(xí)，自主生成模糊推理規(guī)則，能夠清晰地解析評(píng)估指標(biāo)體系與評(píng)價(jià)結(jié)果映射規(guī)律，克服了評(píng)估結(jié)果易受專家主觀傾向影響的技術(shù)瓶頸，可有效消除評(píng)價(jià)指標(biāo)的模糊性和隨機(jī)性對(duì)評(píng)價(jià)結(jié)果的影響。2)事前評(píng)價(jià)發(fā)明的評(píng)價(jià)優(yōu)選方法是一種事前評(píng)價(jià)方法，可以在工藝設(shè)計(jì)之初進(jìn)行評(píng)價(jià)，給出評(píng)估結(jié)果。與目前普遍采用的事后評(píng)價(jià)方法——LCA方法相比，可有效克服只能對(duì)已開發(fā)設(shè)計(jì)好的工藝或者生產(chǎn)出的產(chǎn)品進(jìn)行事后輔助驗(yàn)證，不能在設(shè)計(jì)初始階段提供評(píng)估的局限。該方法由于未進(jìn)行實(shí)際加工生產(chǎn)，可以大量節(jié)省時(shí)間、人力和成本，避免了以往工藝設(shè)計(jì)中“先開發(fā)后變更的”弊端。用戶通過該方法，可以同一零件不同切削加工工藝方案進(jìn)行比較，確定最優(yōu)工藝路線，使制造業(yè)企業(yè)在保證減小排放、保護(hù)環(huán)境的提前下，更好的實(shí)現(xiàn)切削加工工藝。最后應(yīng)說明的是：以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明權(quán)利要求所限定的范圍。當(dāng)前第1頁1 2 3