硬态车削工艺多目标参数优化方法

1.本发明涉及一种加工技术，特别涉及一种面向绿色高表面质量制造的硬态车削工艺多目标参数优化方法。


背景技术：

2.制造业在工件制造过程中，产生了大量的能源消耗和物料损耗，严重影响环境。企业愈来愈重视产品加工过程对环境的影响。如何综合考虑加工过程碳排放量和产品质量来对切削参数进行优化，是现在制造行业需要解决的一个热点问题。硬态车削作为淬硬钢的最终精加工方法是能够有效解决这一问题的方法，相比于传统的精加工方法——磨削加工，硬车削的效率和经济效益更高，能够降低对环境的污染，同时加工后的工件表面粗糙度能够达到磨削同级别的加工精度要求。表面粗糙度是衡量硬态车削加工表面完整性的重要指标，对工件的使用性能、疲劳强度、接触刚度、装配精度等有显著的影响。如果仅考虑加工过程低碳排放量来优化切削参数，可能会对工件加工质量产生不利影响。因此，研究硬态车削低碳低表面粗糙度参数优化具有重要意义。综合考虑降低碳排放量、降低表面粗糙度来优化切削参数对制造业节能减排具有重要意义。
3.目前国内外已有多位学者对于硬态车削切削参数优化问题进行了研究，高世龙等对立方氮化硼(cbn)刀具干式硬车冷作模具钢cr12mov切削过程进行有限元仿真，分析了切削参数对加工过程切削力的影响，建立了单一切削参数对切削力影响的经验公式。minh等利用cbn刀具对硬质合金进行硬态车削，研究各切削参数对表面粗糙度的影响，结果表明在该工况下进给量对表面粗糙度的影响最大。p.umamaheswarrao等采用pcbn刀具对aisi 52100钢进行硬态车削，利用逼近理想解排序法(topsis)对加工参数进行优化，得到最优的切削力、表面粗糙度和工件表面温度。上述研究大多是从表面质量、切削力等方面进行切削参数优化，没有考虑机械加工对环境的影响。
4.而考虑环境影响的参数优化模型往往以碳排放量、能耗或其它环境指标为优化目标，早期较为经典的是李聪波等提出了一种以最小优化时间和最低碳排放量为优化目标的工艺参数优化模型，对电能、切削液、刀具的消耗过程量化为碳排放量进行分析，利用复合形法进行优化求解。周志恒等以数控车削的能耗和加工效率为优化目标，利用多目标教与学算法进行优化求解。张雷等对车外圆和车螺纹两个工步下的加工过程碳排放量和噪声进行建模，建立了面向低碳低噪的螺纹车削多目标优化模型，利用小生境遗传算法对多目标优化模型进行求解，其优化结果表明噪声和碳排放间呈负相关关系。fang等对铣削的多工步参数优化问题进行研究，分析加工过程碳排放量、生产成本和加工时间，建立了以切削参数为变量的多目标优化模型，提出了一种改进的粒子群优化算法(pso)进行优化。然而，上述几种优化模型的研究都是集中在工件制造过程中的碳排放量、噪声、加工时间等目标上，在加工产品质量问题上，仅考虑了理论加工质量的参数约束，没有结合产品质量指标建立优化模型。
5.helu m等开展的实验研究也证实了这一结论，如果在切削参数优化问题中只考虑
加工过程对能耗、噪声、生产成本等因素的影响，有可能会牺牲工件必要的工艺性能，影响工件的质量问题，因此，有必要对切削能耗、碳排放量等绿色制造问题与工艺性能进行综合优化，才能为实际加工提供有效的理论支持。何彦等提出一种同时考虑切削比能、表面粗糙度和表层残余应力的多目标优化方法，进行丝杠硬态旋风铣削下工艺能耗与工艺性能协同优化研究。shailendra pawanr等建立了车削表面粗糙度和能耗多目标优化模型，用于优化车削过程中的加工参数，采用topsis确定最佳车削参数。jia s等通过分析加工过程的能耗特性，引入机床设备性能和刀具寿命等实际约束条件，建立了以车削工艺参数为优化变量，以低表面粗糙度低能耗为优化目标的多目标优化模型。王秋莲等建立数控车削工艺参数多目标优化模型，利用响应面法分析工艺参数对能耗、加工时间、表面粗糙度的影响，采用改进的人工蜂群算法求解出最优参数组合。feng等提出一种同时将能量模型、实验设计、多目标优化模型相结合的系统方法，考虑铣削中的能耗、加工时间和表面质量，优化切削参数。上述研究虽然能实现切削能耗和工艺性能的多目标优化，但是还存在很多不足。其一，加工过程中的切削功率受到工件与刀具材料、切削参数等因素的影响，在上述研究中没有清晰体现。其二，由于工件的表面粗糙度受到切削条件、工件材料、刀具材料等诸多因素的影响，在不同的加工工艺下，切削参数对表面粗糙度的影响差别很大，所以如果能对某一特定加工工艺得到的表面粗糙度建立预测模型，能够最大程度的提高多目标优化模型的有效性。


技术实现要素：

6.针对目前制造业越来越重视精加工低能耗、低碳排放量的问题，提出了一种硬态车削工艺多目标参数优化方法，实现硬态车削绿色制造与工艺性能协同优化。
7.本发明的技术方案为：一种硬态车削工艺多目标参数优化方法，具体包括如下步骤：
8.1)在硬态车削切削工况下进行表面粗糙度试验，并通过正交试验和广义回归神经网络算法对切削参数和表面粗糙度进行多元非线性回归拟合，建立表面粗糙度预测模型；
9.2)通过试验分析切削功率，建立反映硬态车削加工过程碳排放模型；
10.3)在车削加工过程中，切削三要素切削速度vc、进给量f和背吃刀量a
p
的选择直接影响碳排放，同时又是加工后表面粗糙度的主要影响因素，选择切削三要素为优化变量；
11.4)在确定优化变量的基础上，利用线性加权法综合优化指标将其转换为单目标优化模型：由于碳排放函数和表面粗糙度函数的量纲不同，且数值存在巨大差异，故对两个目标函数进行归一化处理，分别求碳排放量函数和表面粗糙度函数的最大值和最小值，按公式(21)将其转换为0～1之间的一个无量纲数，
[0012][0013]
式中，ce表示碳排放函数，以优化变量作为函数变量，由步骤2)碳排放模型转换获得；vr表示表面粗糙度函数，以优化变量作为函数变量，由步骤1)碳排放模型转换获得；ce
*
和vr
*
分别表示碳排放函数和表面粗糙度函数经过处理后的无量纲数；
[0014]
利用线性加权法将多目标函数问题转化为单目标函数问题，获得表面粗糙度和碳
排放量的综合优化目标函数，具体处理方法为：
[0015][0016]
式中，w1和w2分别表示碳排放和表面粗糙度的权系数，对于权系数的取值，根据实际情况及相关经验设定；
[0017]
5)用遗传算法对步骤1)表面粗糙度预测模型的结构参数进行优化，再通过遗传算法对步骤4)综合优化目标函数中参数进行优化，得到相对最优的工艺参数组合；
[0018]
6)在工厂实际产品加工中验证表面粗糙度和碳排放量的综合优化目标函数的有效性，实现切削工艺参数快速优化。
[0019]
进一步，所述步骤2)中硬态车削加工过程碳排放分为直接碳排放和间接碳排放，直接碳排放量由机床加工过程中的空载、负载、换刀状态时的电能消耗所组成；间接碳排放是由于物料消耗引起的，在硬态车削过程中，刀具、切削液、切除物料和原材料的损耗是硬态车削过程中碳排放的重要影响因素，以切削时间为单位，分析它们在其制备系统中的碳排放量在其总使用过程中的分摊，其中原材料的消耗由工艺设计决定，切除物料的处理在加工后进行的，这两个部分的碳排放量优化力度不作考虑；
[0020]
获得的硬态车削加工过程碳排放模型为：
[0021][0022]
tc表示切削液更换周期；vf表示切削液用量；表示切削液浓度；f
t
表示刀具的碳排放因子，m
t
表示刀具的质量；t
p
表示准备时间；tm表示切削时间；t
ct
表示单次换刀所用时间，t
t
表示考虑重磨次数的刀具寿命；p
uo
为最低空载功率；d表示工件精车时的最大直径；k1、k2为机床主轴转速相关系数；vc表示车削外圆速度；tc表示切削液更换周期；vf表示切削液用量；表示切削液浓度；
[0023]
k、m、n、t表示与切削力相关的系数，结合切削功率pc公式(14)通过实验拟合确定，
[0024]
pc＝p
sp-puꢀꢀꢀ
(14)
[0025]
式中，p
sp
为切削时机床的主轴功率，pu为空载功率。
[0026]
进一步，所述表面粗糙度预测模型建立方法：将实验设定的切削速度、进给量、背吃刀量作为广义回归神经网络的输入层，以工件加工后测量得到的表面粗糙度为输出层；输入层接收输入信号，模式层中的神经元数量与训练集中的样本数量相等，在这一层对输入空间到模式空间的数据进行非线性变换；求和层的神经元有两种：第一种神经元计算模式层所有神经元的代数和；第二种神经元计算模式层神经元的加权和；最后输出层将求和层的两种神经元相除，即得到表面粗糙度的预测值；在整体运算过程中，参数光滑因子σ选用遗传算法寻优，以神经网络的均方误差mse为优化目标，对光滑因子在其取值范围中进行全局搜索，自动匹配到最适合模型的光滑因子数值。
[0027]
进一步，所述通过遗传算法对步骤4)综合优化目标函数中参数进行优化，得到相对最优的切削参数值，即在模型的约束条件下，在切削速度、进给量、背吃刀量中寻找一组最佳工艺组合，使由碳排放函数和粗糙度模型转换后的综合优化目标函数达到最小值，具体步骤如下：
[0028]
a:在确定优化变量、目标函数和约束条件之后，对优化变量进行编码，采用二进制编码对切削速度vc、进给量f和背吃刀量a
p
进行编码，编码方法中用到了构成个体的每一个元素的上下限，即
[0029][0030][0031][0032]
式中bf、表示二进制编码后的遗传子型；
[0033]
b:从遗传子型到变量的转换方法:
[0034]
根据vc、f、a
p
这3个变量的上下限值，将遗传子型作为格雷码进行编码，得到各变量值，即
[0035][0036][0037][0038]
c:目标函数的适应度计算:
[0039]
在进行遗传算子的交叉及变异时，如果产生了不满足约束条件的个体，需要淘汰此个体，针对满足约束条件的个体，其适应度fit的计算公式如下：
[0040][0041]
式中，fu为目标函数f的上限推定值，f
l
为下限推定值；
[0042]
在完成上述编码和适应度计算后，即可进行遗传算法求解。
[0043]
本发明的有益效果在于：本发明硬态车削工艺多目标参数优化方法，至少获得以下效果，
[0044]
1)基于硬车切削加工原理，提出了以最小表面粗糙度和最低碳排放量为优化目标，建立了以实际加工中的切削速度、进给量、背吃刀量和最大切削效率等为约束的多目标优化模型，通过线性加权和法将其转换为单目标(综合优化指标)优化模型，利用遗传算法对其进行优化。
[0045]
2)为了验证上述多目标优化模型的有效性，在**工厂实际轴承产品上进行了硬态车削实验，用于研究优化前后切削参数得到的碳排放量和表面粗糙度。设计了以切削参数
为变量的表面粗糙度正交实验；通过该实验获得空载功率参数和切削功率参数等碳排放量模型参数，为工艺优化打下夯实的基础。
[0046]
3)基于上述低碳低表面粗糙度对实验数据进行优化分析，结果表明：切削速度为225m/min、进给量为0.08mm/r、背吃刀量为0.10mm时，综合优化指标最低。相比优化前，碳排放量虽然上升了13.05％，但表面粗糙度降低了34.44％。证明了以低碳低表面粗糙度为多目标进行优化，该方法可获得到最佳工艺参数组合，为提高产品质量及控制碳排放量提供了有效解决方法。
附图说明
[0047]
图1a为轴承套圈内圆硬车示意图；
[0048]
图1b为硬车加工示意图；
[0049]
图1c为硬车表面粗糙度形成示意图；
[0050]
图1d为硬车表面微观形状示意图；
[0051]
图2为本发明系统边界图；
[0052]
图3为本发明grnn网络结构图；
[0053]
图4为本发明方法中遗传算法流程图；
[0054]
图5为本发明试验空载功率信号图；
[0055]
图6为本发明试验空载功率试验结果图；
[0056]
图7为本发明试验空载功率拟合图；
[0057]
图8a为本发明切削速度和给进量对碳排放量的影响图；
[0058]
图8b为本发明背吃刀量和切削速度对碳排放量的影响图；
[0059]
图8c为本发明背吃刀量和给进量对碳排放量的影响图；
[0060]
图9本发明适应度函数值(测试集mse)变化曲线图；
[0061]
图10本发明grnn表面粗糙度预测模型训练集对比图；
[0062]
图11本发明grnn表面粗糙度预测模型测试集对比图；
[0063]
图12a本发明遗传算法适应度曲线；
[0064]
图12b本发明遗传算法寻优得到的最佳切削参数组合；
[0065]
图13本发明方法获得的进给量对各目标函数的影响图；
[0066]
图14本发明方法获得切削速度对各目标函数的影响图；
[0067]
图15本发明方法获得背吃刀量对各目标函数的影响图。
具体实施方式
[0068]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0069]
针对现有硬态车削低碳制造切削参数优化的问题，对硬态车削进行碳排放量和表面粗糙度的协同优化。切削功率是硬态车削过程碳排放量的重要影响因素，通过试验分析切削功率，建立能够准确反映硬态车削过程碳排放量的模型。在硬态车削切削工况下进行表面粗糙度试验，并通过正交试验和广义回归神经网络算法对切削参数和表面粗糙度进行
多元非线性回归拟合，得到能够有效预测硬态车削条件下表面粗糙度的预测模型。利用线性加权法综合优化指标将其转换为单目标优化模型，用遗传算法进行优化，得到最优切削参数，最后在工厂实际产品加工中验证多目标优化模型的有效性。
[0070]
1、硬态车削问题描述和优化变量确定：
[0071]
车代磨的硬态车削加工方式因其能够保证良好的产品质量的同时减小对环境的污染，逐渐开始应用于批量产品生产中，如能保证硬态车削加工质量的同时，降低一定的碳排放量，会对硬态车削行业具有重要意义。
[0072]
以轴承硬态车削为例，在保证产品质量的前提下，综合考虑加工过程对环境的影响。内外套圈的滚道是轴承在使用过程中主要失效部位，且套圈滚道的表面粗糙度会影响表面润滑状态和摩擦因数。表面粗糙度是评判轴承加工质量的重要指标，在复杂工况下，表面质量对轴承的使用性能影响很大，严重磨损会导致轴承很快失效，影响轴承的正常使用寿命和耐用度。因此，从保证加工质量的角度考虑研究降低轴承滚道的表面粗糙度，如图1a～1d所示硬态车削表面粗糙度形成示意图。
[0073]
系统边界如图2所示：以低碳排放量和低表面粗糙度为优化目标建立多目标优化模型。硬态车削加工过程碳排放主要分为直接碳排放和间接碳排放，直接碳排放量主要由机床加工过程中的空载、负载、换刀状态时的电能消耗所组成。间接碳排放是由于物料消耗引起的，在硬态车削过程中，刀具、切削液、切除物料和原材料的损耗是硬态车削过程中碳排放的重要影响因素，以切削时间为单位，分析它们在其制备系统中的碳排放量在其总使用过程中的分摊，但原材料的消耗由工艺设计决定，切除物料(废屑)的处理也是在加工后进行的，因此原材料的消耗和切除物料的处理这两个部分的碳排放量优化力度有限，暂不作考虑内容。表面粗糙度(如图1c)是反映零部件表面质量和微观几何形状(如图1d)误差的一个重要指标，是衡量硬态车削轴承质量的重要评判标准，在硬态车削加工中，如图1b、1c所示常用控制切削速度vc、进给量f、背吃刀量a
p
的方法来优化工件表面粗糙度。在工艺参数优化过程中，设计正交实验，基于实验数据建立表面粗糙度预测模型，寻求相对最优的切削参数。综合考虑低碳排放量和低表面粗糙度两个优化目标，可以得到既提高产品质量又降低对环境污染的切削参数。
[0074]
在车削加工过程中，切削速度vc、进给量f和背吃刀量a
p
的选择直接影响硬态车削加工的电能消耗，由三者确定的切削时间影响刀具和切削液的物料消耗，切削三要素又是加工后表面粗糙度的主要影响因素，每个因素的变化都会影响碳排放量和表面粗糙度，因此，选择这三个要素为优化变量。
[0075]
2、硬态车削过程碳排放数学模型的建立：
[0076]
研究轴承硬态车削的精车滚道碳排放过程，根据前述分析，硬态车削加工过程碳排放量c
p
包含3个部分：车削消耗电能碳排放ce、刀具耗损碳排放c
t
和切削液消耗碳排放cc。因此，硬态车削过程的碳排放函数模型如式(1)所示：
[0077]cp
＝ce+c
t
+ccꢀꢀꢀ
(1)
[0078]
2.1、硬态车削消耗电能碳排放ce解算：
[0079]
在实际生产中，一个工序的加工时间t由准备时间t
p
、切削时间tm和刀具磨损后的平均换刀时间tc组成，加工时间函数的数学模型如下所示：
[0080][0081]
式中，t
ct
表示单次换刀所用时间，t
t
表示考虑重磨次数的刀具寿命。
[0082]
硬态车削过程的能耗包括空载、负载、换刀这三种状态的能耗。空载功率pu表示机床空载时的功率，一台机床从空载转换到负载状态时会产生附加载荷损耗功率pa，车削时切削功率为pc，机床在换刀时主轴停止转动，这时候的功率为换刀功率pe。机床动态运行时能量近似平衡方程为：
[0083][0084]
当机床主轴在固定转速下稳定运行且负载一定时，其总输入功率、空载功率、负载功率、载荷损耗功率波动很小，可以认为是恒定值，总耗能可表示为：
[0085][0086]
硬态车削过程消耗电能碳排放如下：
[0087]ce
＝fe·ee
ꢀꢀꢀ
(5)
[0088]
式中，fe表示电能消耗碳排放因子(kgco2/kwh)，ee表示硬态车削加工过程消耗的电能。
[0089]
硬态车削时间阶段解算：
[0090]
(1)车削外圆时间tm解算
[0091][0092]
式中，l表示工件加工长度，d表示工件精车时的最大直径，yr+δ表示实际切削长度需要考虑的入切量和超切量。
[0093]
车削外圆速度：
[0094][0095]
式中，w表示精车时的主轴转速。
[0096]
(2)换刀时间tc解算
[0097]
刀具耐用度：
[0098][0099]
式中，c
t
表示和切削条件有关的常数，x、y、z表示和刀具寿命有关的系数。
[0100]
因此，换刀时间：
[0101][0102]
加工过程功率解算：
[0103]
(1)空载功率pu[0104]
在硬态车削过程中，机床处于空载时，机床的空载功率会对机床的功率损耗有较大影响，只有当机床空载功率与主轴转速近似呈二次函数变化关系时才能准确地反映其损
耗功率的构成，空载功率pu与机床主轴转速呈二次函数关系如下:
[0105]
pu＝p
uo
+k1w+k2w2ꢀꢀꢀ
(10)
[0106]
式中，k1、k2为机床主轴转速相关系数，p
uo
为最低空载功率。
[0107]
(2)换刀功率pe[0108]
机床主轴在换刀时会停止转动，此时机床的功率为最低空载功率，则换刀功率:
[0109]
pe＝p
uo
ꢀꢀꢀ
(11)
[0110]
(3)切削功率pc[0111]
pc＝f
cvc
ꢀꢀꢀ
(12)
[0112]
式中，fc表示切削力。
[0113]
根据切削力经验公式，可进一步推出切削功率与切削用量之间的指数关系公式：
[0114][0115]
式中，k、m、n、t表示与切削力相关的系数，可结合切削功率pc公式(14)通过实验拟合确定。
[0116]
pc＝p
sp-puꢀꢀꢀ
(14)
[0117]
式中，p
sp
为切削时机床的主轴功率。
[0118]
(4)附加载荷功率pa[0119]
附加载荷损耗功率pa与载荷损耗呈近似的线性比例关系，其表达式如下：
[0120]
pa＝bmpcꢀꢀꢀ
(15)
[0121]
式中，bm表示负载载荷损耗系数，在实际加工中常取0.15～0.25。
[0122]
2.2、刀具损耗碳排放解算
[0123]
在实际硬态车削加工过程中，由刀具引起的直接碳排放量非常小，可以不考虑，因此本文仅考虑刀具损耗导致的间接碳排放，刀具损耗碳排放指切削过程使用的刀具在其制造过程中产生的碳排放在刀具使用过程中的分摊。在实际加工过程中刀具可能包含了多次重磨，则刀具寿命为:
[0124]
t
t
＝(n+1)t
ꢀꢀꢀ
(16)
[0125]
式中，n表示重磨次数。
[0126]
因此，刀具损耗碳排放量如下所示：
[0127][0128]
式中，f
t
表示刀具的碳排放因子，m
t
表示刀具的质量。
[0129]
2.3、切削液损耗碳排放
[0130]
硬态车削通常采用无切削液的干式切削方法，但实验对象为轴承硬态车削，对工件的表面质量和刀具寿命有一定要求，故在加工时使用水基切削液，并采用连续均匀的冷却方式(切削液包括水基切削液和油基切削液两种)，避免刀片产生微裂纹。切削液引起的碳排放量从生产切削液的碳排放量和处理切削废液的碳排放的碳排放量两方面考虑。因此切削液碳排放因子分为生产切削液碳排放因子f
pe
和处理切削液碳排放因子f
me
。由于废弃切削液中矿物油含量很低，因此，可以用废水处理的碳排放因子代替废切削液处理的碳排放因子。
[0131]
切削液损耗碳排放如下所示：
[0132][0133]
式中，tc表示切削液更换周期，vf表示切削液用量，表示切削液浓度。
[0134]
经过上述分析，硬态车削加工过程碳排放数学模型为：
[0135][0136]
3、硬态车削工件表面粗糙度模型的建立
[0137]
工件在经过硬态车削后，表面的粗糙程度是评定工件加工质量的重要指标。以切削参数对工件表面粗糙度影响为途径，结合正交实验数据，基于广义回归神经网络(grnn)算法，并通过遗传算法对grnn结构参数进行优化，建立加工参数(切削速度、进给量和背吃刀量)与粗糙度数值关系的预测模型，如式(20)所示。
[0138]
vr＝f(vc,f,a
p
)
ꢀꢀꢀ
(20)
[0139]
图3所示为grnn表面粗糙度预测模型的网络结构，广义回归神经网络grnn与其它神经网络算法相比，grnn在函数点拟合逼近问题上，具有优秀的非线性映射能力，在处理样本数据量少和数据不稳定的问题时，grnn网络能够达到很好的预测效果。grnn网络结构有4层，分别是输入层、模式层、求和层和输出层。将实验设定的切削速度、进给量、背吃刀量作为grnn神经网络的输入层，以工件加工后测量得到的表面粗糙度为输出层。输入层接收输入信号，模式层中的神经元数量一般与训练集中的样本数量相等，在这一层对输入空间到模式空间的数据进行非线性变换。求和层的神经元有两种：第一种神经元计算模式层所有神经元的代数和；第二种神经元计算模式层神经元的加权和。最后输出层将求和层的两种神经元相除，即得到表面粗糙度的预测值。在整体运算过程中，参数σ(光滑因子)是提升grnn模型预测性能的关键。对于光滑因子的取值，选用遗传算法寻优来替代传统的手动调节数值方法，以神经网络的均方误差mse为优化目标，对光滑因子在其取值范围中进行全局搜索，只需要适当改变遗传算法的参数设置，就可以自动匹配到最适合模型的光滑因子数值。
[0140]
4、基于遗传算法的硬态车削多目标优化模型求解
[0141]
4.1多目标函数转化
[0142]
涉及低碳排放和低粗糙度两个优化目标，属于多目标、多决策变量的非线性优化问题。在处理多目标优化问题时，由于各目标函数之间不是简单的线性关系，且各目标函数之间可能会冲突，不能同时获得各目标函数的最优值。选用线性加权法，将多目标函数转化为单目标函数处理。由于碳排放函数和表面粗糙度函数的量纲不同，且数值存在巨大差异，故需要对两个目标函数进行归一化处理，分别求碳排放量函数和表面粗糙度函数的最大值和最小值，按如下公式将它们转换为0～1之间的一个无量纲数。
[0143][0144]
式中，ce表示碳排放函数，vr表示表面粗糙度函数，ce
*
和vr
*
分别表示碳排放函数和表面粗糙度函数经过处理后的无量纲数。
[0145]
利用线性加权法将多目标函数问题转化为单目标函数问题(即综合优化指标)后的具体处理方法为：
[0146][0147]
式中，w1和w2分别表示碳排放和表面粗糙度的权系数，对于权系数的取值，需根据实际情况及相关经验设定，根据工厂实际生产加工多次实验和统计取最优加权系数为w1＝0.35，w2＝0.65。
[0148]
4.2、模型约束条件
[0149]
在实际加工过程中，切削参数的的取值受诸多因素的影响，考虑切削时的切削速度、进给量、背吃刀量、工件加工质量、最大切削功率、最大切削力等条件的限制，在满足限制条件的数值范围内寻优。
[0150]
1)切削速度约束：加工时的切削速度受到机床主轴转速的制约，机床的主轴转速必须在机床的最高转速和最低转速之间，并且考虑硬态车削精加工的实际加工参数需求。
[0151][0152]
式中，w
min
表示主轴最小转速，w
max
表示主轴最大转速。
[0153]
2)进给量约束：进给量须处于机床最小进给量和最大进给量范围内，且符合硬态车削精加工的实际要求。
[0154]fmin
≤f≤f
max
ꢀꢀꢀ
(24)
[0155]
式中，f
min
表示硬态车削精加工最小进给量，f
max
表示硬态车削精加工最大进给量。
[0156]
3)背吃刀量约束：背吃刀量的选择与加工工艺、工件材料、刀具材料等因素有关，研究对象对工件表面质量要求较高，考虑在硬态车削精加工范围内取值。
[0157]ap min
≤a
p
≤a
p max
ꢀꢀꢀ
(25)
[0158]
式中，a
p min
表示硬态车削精加工最小背吃刀量，a
p max
表示硬态车削精加工最大背吃刀量。
[0159]
4)切削功率约束：切削功率应不大于机床规定的最大切削功率，即
[0160]
pc·
η≤p
max
ꢀꢀꢀ
(26)
[0161]
式中，η表示机床加工功率有效系数，p
max
表示机床规定的最大有效切削功率。
[0162]
4.3、基于遗传算法求解目标函数
[0163]
基于遗传算法，对转换后的目标函数(式(22))进行优化，得到相对最优的切削参数值。式(23)-式(26)为模型的约束条件。即在切削速度、进给量、背吃刀量中寻找一组最佳工艺组合，使由碳排放函数和粗糙度模型转换后的函数达到最小值。
[0164]
4.3.1、个体表示
[0165]
在确定优化变量、目标函数和约束条件之后，需要对优化变量进行编码，本文采用二进制编码对切削速度vc、进给量f和背吃刀量a
p
进行编码，编码方法中用到了构成个体的每一个元素的上下限，即
[0166][0167][0168][0169]
式中bf、表示二进制编码后的遗传子型。
[0170]
4.3.2从遗传子型到变量的转换方法
[0171]
根据vc、f、a
p
这3个变量的上下限值，将遗传子型作为格雷码进行编码，可以得到各变量值，即
[0172][0173][0174][0175]
4.3.3、目标函数的适应度计算
[0176]
在进行遗传算子的交叉及变异时，如果产生了不满足约束条件的个体，需要淘汰此个体。针对满足约束条件的个体，其适应度fit的计算公式如下：
[0177]
式中，fu为目标函数f的上限推定值，f
l
为下限推定值。
[0178]
在完成上述编码和适应度计算后，即可进行遗传算法求解，遗传算法的运算流程如图4所示。
[0179]
5、硬态车削实验设置
[0180]
为了验证上述模型的有效性，在工厂实际硬车轴承产品应用中进行以切削三要素为变量的表面粗糙度试验，并根据实验条件确定空载功率等相关公式的参数，对硬车轴承产品工艺参数进行优化。
[0181]
5.1、试验条件和方案
[0182]
通过硬态车削试验，来验证上述模型的有效性。该试验选用rfcx26卧式数控车床，机床主轴功率为15kw，最高转速可达4500r/min，机床相关规格参数见表1；加工滚动轴承，工件材料为gcr15轴承淬硬钢，通过1040℃热处理并淬火后，经过一定温度回火，得到一批平均硬度为hrc60左右的试件，工件最大直径75mm，轴向最大长度13.6mm。将代加工工件装夹在机床工件轴上。机床的刀塔，至多放置12把刀具，本实验实际使用刀数为五把刀，分别为第一把刀用于镗孔、第二把刀用于车密封槽、第三把刀用于精车滚道底面、第四把刀用于
粗车滚道、第五把刀用于精车滚道；其中，精车滚道过程决定了轴承滚道表面粗糙度的大小，选用pcbn刀具进行硬态车削，该刀具的cbn含量为50％，刀尖圆弧半径为0.8mm，其它刀具几何参数见表1。
[0183]
表1
[0184][0185]
为了研究硬态车削中切削参数对工件表面粗糙度的影响，该试验通过正交实验，以轴承精车滚道阶段的切削参数为因素，确定最优工艺参数组合。正交实验设计中，每个因素取5个水平，进行3因素5水平的正交试验，试验的因素水平如表2所示。每次车削完成后使用粗糙度探测仪测量轴承滚道的表面粗糙度。测量时在工件表面选取2个点，将其测量值ra的算术平均值作为实验数据；试验参数设置和测量结果如表3所示。同时，为了拟合碳排放数学模型中的切削功率，监测每组试验工件加工过程中的切削功率。通过德科技的u2044xa功率传感器实现机床功率的实时监测。将该设备布置在电气柜机床总电源处获取总电流和总电压，在主轴伺服系统处获取主传动系统电流来采集机床功率，试验采用ni公司的高速采集卡进行数据采集，用labview编写数据采集软件，通道采样频率设置为2000hz。
[0186]
表2
[0187][0188]
表3
[0189][0190]
此外，进行空载功率pu拟合实验和切削功率pc拟合实验。为研究机床空载功率pu和主轴转速w的关系，通过试验采集机床空载功率数据，使用matlab进行二次拟合。共进行16组试验，转速为500r/min～2000/min，步长为100，试验结果如表4所示空载功率试验数据。
[0191]
表4
[0192][0193]
5.2模型基本参数设定
[0194]
1)刀具寿命、切削液等参数：
[0195]
刀具寿命、切削液碳排放因子等碳排放函数中计算所涉及到的参数设置如下：该试验为加工轴承滚道的精加工阶段，加工表面粗糙度r
amax
要求不得超过0.5μm。刀具寿命相关参数如表5所示当加工使用立方氮化硼刀具，工件材料为gcr15轴承钢，且加工条件为精车时，切削用量三要素与刀具耐用度的taylor经验公式参数c
t
、x、y、z分别为152.9、0.52、0.25、0.03。
[0196]
表5
[0197][0198]
通过查询中国区域电网基准线排放因子得到实验所在华东地区的碳排放因子fe为0.7921。rajemi等研究表明单个刀片的平均质量为9.5g，仅考虑刀具制备过程的能耗时，刀具的总能耗为1.5mj。并结合电能碳排放因子pe，计算出刀具碳排放因子f
t
为34.7kgco2/kg。其它碳排放函数相关参数设置如表6所示，其中t
ct
、t
p
、
tc
、vf、m
t
、n根据上述实际加工工况确定；负载载荷损耗系数bm根据参考文献(周志恒,张超勇,谢阳,黄拯滔,邵新宇.数控车床切削参数的能量效率优化[j].计算机集成制造系统,2015,21(09):2410-2418)设定；切削液碳排放因子f
pe
和处理切削废液碳排放因子f
me
通过参考文献(张雷,张北鲲,鲍宏.面向低碳低噪的螺纹车削工艺参数优化[j].计算机集成制造系统,2018,24(03):639-648)设定；入切量和超切量y+δ通过参考文献设定(艾兴，肖诗纲.切削用量简明手册[m].第三版.北京：机械工业出版社，2000)。
[0199]
表6
[0200][0201]
2)空载功率参数：
[0202]
通过空载功率拟合实验确定公式(10)中的最低空载功率p
uo
和机床主轴转速相关系数k1、k2。图5所示为试验采集的主轴转速为1200-1500r/min时的机床功率信号。在信号图中可以看到：在增大主轴转速后的瞬间，机床功率信号值存在明显的急增，随后立即趋向平稳，此时的功率即为机床当前转速下的空载功率；功率采集一段时间后，停止主轴转动，可以看到机床功率信号急剧减少随后趋向平稳，此时的功率信号即为机床的待机功率。从图中可以看出，在主轴转速增大的过程中，功率信号震荡范围平均值呈现上升趋势。
[0203]
图6所示为机床主轴转速500r/min～2000r/min的空载功率试验结果。从实验结果可知，空载功率基本与主轴转速呈线性关系。运用最小二乘法拟合二次多项式得到公式(10)中的最低空载功率p
uo
为250.1w，转速相关系数k1和k2分别为0.4759、-1.399
×
10-6
，拟合结果如图7所示。对其进行拟合优度检验r-square＝99.78％，其值越大，回归模型与数据拟合得越好；r-sq(adj)＝99.75％，该值与r-square的接近程度说明了回归模型的可靠程度，由检验结果可知空载功率函数拟合程度良好。同时，转速为零时的最低空载功率与试验数据中的待机功率非常接近，验证了该二次多项式拟合的准确性，可以有效地预测该实验
条件下主轴转速和空载功率的关系。
[0204]
3)切削功率参数：
[0205]
切削功率与切削三要素的关系复杂，利用实验得到的切削功率数据进行拟合。对公式(14)进行变换，两边取其对数，得到公式(34)：
[0206]
lgpc＝lgk+mlga
p
+nlgvc+tlgf
ꢀꢀꢀ
(34)
[0207]
公式(34)中lgpc，lgk，lga
p
，lgvc，lgf分别用y，a0，x1，x2，x3表示，得到简化公式(35)：
[0208]
y＝a0+mx1+nx2+tx3ꢀꢀꢀ
(35)
[0209]
对公式(35)进行多元线性拟合运算，求得回归系数，利用matlab计算具体数值后将公式(35)转换为切削功率的指数形式，得到k，m，n，t分别为2.6792，0.5153，1.1487，0.2499。为了检验切削功率模型与实验值的拟合度，对其进行拟合优度检验r-square＝98.40％，拟合程度良好，与实际加工中的切削功率能够较好吻合。
[0210]
6、试验结果分析
[0211]
利用上述硬态车削优化模型对该实验数据进行优化和分析。首先，根据上述试验设置的参数建立加工过程碳排放量数学模型。其次，基于grnn建立表面粗糙度预测模型，并用ga对预测模型的结构参数进行优化，提高模型预测准确性。再次，通过遗传算法对多目标优化模型进行优化，得到相对最优的工艺参数组合。最后，分析切削三要素对表面粗糙度、碳排放量和综合优化指标的影响，实现切削工艺参数快速优化，提升提升企业生产效益。
[0212]
6.1、碳排放数学模型
[0213]
根据上述实验设置，得到的空载功率系数k1、切削功率系数k、刀具寿命相关系数c
t
等各项参数代入到碳排放数学模型式(19)中，得到加工过程碳排放的数学模型如下：
[0214][0215]
将上述公式(36)代入到公式(21)，得到碳排放函数ce，可得到不同切削参数下的加工过程碳排放值，作为综合优化目标式(22)中的碳排放模型部分。分析公式(36)可知，加工过程碳排放受到各个切削参数的影响，为研究各切削参数对加工过程碳排放的影响，用matlab软件contour函数绘制由两个因素之间交互作用形成的一个曲面图，可得到每两个因素之间的耦合关系。因素的耦合关系体现在两个因素同时对碳排放函数产生的影响变化趋势，如图8a、8b、8c所示，每两个切削参数分别形成了对碳排放量的影响趋势图。如图8a所示，切削速度和进给量对碳排放的影响，当进给量在[0.02，0.09]mm/r内时，碳排放量随着切削速度增大而减小；当进给量超过0.09mm/r时，随着切削速度的增大，碳排放量先减小后增大。如图8b所示，切削速度和背吃刀量对碳排放的影响，当背吃刀量在[0.06，0.20]时，随着切削速度的增大，碳排放量逐渐减小；当背吃刀量在[0.02，0.06]mm范围内，切削速度超过170m/min时，随着切削速度的增大，碳排放量先减小后增大。如图8c所示，进给量和背吃刀量对碳排放的影响，当背吃刀量不变时，随着进给量的增大，碳排放量逐渐增大；当进给量不变时，背吃刀量的增大对碳排放量几乎没有影响。
[0216]
由上述两因素的耦合关系可知，切削速度、进给量和背吃刀量的协同作用对碳排
放量的影响。其中，切削速度和进给量的协同作用对碳排放量的影响最大，背吃刀量和进给量的协同作用对碳排放量的影响最小。为了研究各切削参数对表面粗糙度的影响，需要建立一种表面粗糙度的目标函数，实现工艺参数切削速度、进给量和背吃刀量的表面粗糙度预测。
[0217]
6.2、基于grnn的表面粗糙度预测模型
[0218]
根据上述实验得到的表3的表面粗糙度结果建立grnn表面粗糙度预测模型式(21)，随机选取80％的数据(20组)作为模型的训练集，剩下20％(5组)的数据作为模型的测试集。设定光滑因子种群规模为50，进化代数为10，交叉后代比例为0.60，光滑因子的搜索范围为[0，1]，均方误差mse为适应度函数，得到的适应度变化曲线如图9所示，可以看出在进化到第5代时已基本上不再变化，此时搜索到的光滑因子为0.03。
[0219]
将经过ga优化得到的光滑因子代入到grnn模型中，并与普通的grnn模型进行了对比。模型训练集的预测结果如图10所示，grnn模型的训练集预测值与真实值的平均误差为0.105，ga-grnn模型的训练集预测值与真实值的平均误差为0.060。模型测试集预测结果如图11所示，grnn模型的测试集预测值与真实值的平均误差为0.151，ga-grnn模型的测试集预测值与真实值的平均误差为0.054。从训练集和测试集的预测结果中可以得出，相较于普通的grnn模型，ga-grnn模型的预测效果更为准确。
[0220]
综合上述分析后，选用预测效果更准确的ga-grnn进行表面粗糙度的预测。将建立好的表面粗糙度预测模型与碳排放函数公式(36)代入到综合优化目标函数公式(22)，再利用遗传算法对目标函数进行优化求解得到最优工艺参数组合。
[0221]
6.3、基于遗传算法的模型优化
[0222]
在matlab中用网络仿真函数(sim)对建立好的grnn模型进行计算，如公式(22)所示，与碳排放量数学模型组成综合优化指标，即建立了以低碳排放量和低表面粗糙度为优化目标，以切削速度、进给量和背吃刀量为变量的非线性回归模型。应用gadst工具箱求解优化，设定种群大小为80，停止代数为50，精英数目为10，交叉后代比例为0.70，来计算适应度函数值和最优个体。当寻优完成时，得到种群平均适应度函数值和最优个体适应度函数值变化曲线如图12a所示，最优个体的适应度函数值随着种群代数的增加逐渐收敛趋于稳定。如图12b所示为寻优得到的最优个体：(vc，f，a
p
)＝(225，0.08，0.10)。
[0223]
实验优化结果如表7所示，以低碳排放量为优化目标时，虽然碳排放量最小，为165.09g，但表面粗糙度却最大，为0.535μm；当以表面粗糙度为优化目标时，表面粗糙度值最小，为0.104μm，但碳排放量却最大，为630.53g；以综合指标为优化目标时，碳排放量虽然相较于优化前参数的碳排放量201g增加到了227.24g，上升了13.05％，但表面粗糙度值相较于优化前参数的表面粗糙度0.302μm大幅减小到了0.198μm，降低了34.44％。因此，以综合指标为优化目标能够获得最佳综合优化值。
[0224]
表7
[0225]
[0226][0227]
以综合指标优化的最佳工艺参数组合后，制造过程绿色性能和工件产品质量都得到了平衡。为研究各切削参数对综合优化目标的影响程度，需要对各切削参数进行单因素分析，获得可接受综合指标的切削参数范围，便于企业在实际生产制造时根据生产效率、加工能耗、制造成本等影响因素对加工参数进行灵活调整。
[0228]
6.4、切削参数对各目标函数的影响
[0229]
为研究各切削参数对综合优化目标影响及便于灵活优化切削参数，本文采用单因素分析法分析研究各切削参数对表面粗糙度和碳排放量的综合优化目标函数的影响。
[0230]
进给量参数对各目标函数的影响：设定切削速度为225m/min与背吃刀量为0.10mm不变，进给量取值范围为[0.02，0.15]mm/r。结果如图13所示，随着进给量的增大，表面粗糙度逐渐增大，碳排放量逐渐减小，综合优化目标先减小后增大。其中综合优化目标在进给量为0.08mm/r时达到最低值。
[0231]
切削速度参数对各目标函数的影响:设定进给量为0.08mm/r和背吃刀量为0.10mm不变，切削速度取值范围为[80，250]m/min。结果如图14所示，随着切削速度的增大，表面粗糙度逐渐减小，碳排放量和综合优化指标都先减小后增大，其中碳排放量在切削速度为175m/min时达到最低值，综合优化指标在切削速度为225m/min时达到最低值。
[0232]
背吃刀量参数对各目标函数的影响：设定切削速度为225m/min与进给量为0.08mm/r不变，背吃刀量取值范围为[0.02，0.20]mm。结果如图15所示，随着背吃刀量的增大，碳排放量逐渐增大，表面粗糙度和综合优化指标都先减小后增大，其中表面粗糙度在背吃刀量为0.065mm时达到最低值，综合优化指标在背吃刀量为0.10mm时达到最低值。
[0233]
基于上述单因素影响分析，为确定不同切削参数对各目标函数的量化影响，建立切削参数对各目标函数影响的标准差，如下表8所示切削参数对各目标函数影响的标准差，通过比较综合优化指标标准差大小，可知各参数对综合优化指标的影响程度从大到小依次为：进给量，切削速度，背吃刀量。所以，机床操作者可基于此结果对硬车加工过程进行适当调整，快速选择更合理的切削参数。
[0234]
表8
[0235][0236]
通过对轴承硬车工艺优化方法研究，轴承制造企业在优化表面粗糙度和碳排放量时，可以据此方法对综合优化指标进行工艺参数优化，对提升企业生产效益具有重要意义。
[0237]
上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种硬态车削工艺多目标参数优化方法，其特征在于，具体包括如下步骤：1)在硬态车削切削工况下进行表面粗糙度试验，并通过正交试验和广义回归神经网络算法对切削参数和表面粗糙度进行多元非线性回归拟合，建立表面粗糙度预测模型；2)通过试验分析切削功率，建立反映硬态车削加工过程碳排放模型；3)在车削加工过程中，切削三要素切削速度v
c
、进给量f和背吃刀量a
p
的选择直接影响碳排放，同时又是加工后表面粗糙度的主要影响因素，选择切削三要素为优化变量；4)在确定优化变量的基础上，利用线性加权法综合优化指标将其转换为单目标优化模型：由于碳排放函数和表面粗糙度函数的量纲不同，且数值存在巨大差异，故对两个目标函数进行归一化处理，分别求碳排放量函数和表面粗糙度函数的最大值和最小值，按公式(21)将其转换为0～1之间的一个无量纲数，式中，ce表示碳排放函数，以优化变量作为函数变量，由步骤2)碳排放模型转换获得；vr表示表面粗糙度函数，以优化变量作为函数变量，由步骤1)碳排放模型转换获得；ce
*
和vr
*
分别表示碳排放函数和表面粗糙度函数经过处理后的无量纲数；利用线性加权法将多目标函数问题转化为单目标函数问题，获得表面粗糙度和碳排放量的综合优化目标函数，具体处理方法为：式中，w1和w2分别表示碳排放和表面粗糙度的权系数，对于权系数的取值，根据实际情况及相关经验设定；5)用遗传算法对步骤1)表面粗糙度预测模型的结构参数进行优化，再通过遗传算法对步骤4)综合优化目标函数中参数进行优化，得到相对最优的工艺参数组合；6)在工厂实际产品加工中验证表面粗糙度和碳排放量的综合优化目标函数的有效性，实现切削工艺参数快速优化。2.根据权利要求1所述硬态车削工艺多目标参数优化方法，其特征在于，所述步骤2)中硬态车削加工过程碳排放分为直接碳排放和间接碳排放，直接碳排放量由机床加工过程中的空载、负载、换刀状态时的电能消耗所组成；间接碳排放是由于物料消耗引起的，在硬态车削过程中，刀具、切削液、切除物料和原材料的损耗是硬态车削过程中碳排放的重要影响因素，以切削时间为单位，分析它们在其制备系统中的碳排放量在其总使用过程中的分摊，其中原材料的消耗由工艺设计决定，切除物料的处理在加工后进行的，这两个部分的碳排放量优化力度不作考虑；获得的硬态车削加工过程碳排放模型为：
t
c
表示切削液更换周期；v
f
表示切削液用量；表示切削液浓度；f
t
表示刀具的碳排放因子，m
t
表示刀具的质量；t
p
表示准备时间；t
m
表示切削时间；t
ct
表示单次换刀所用时间，t
t
表示考虑重磨次数的刀具寿命；p
uo
为最低空载功率；d表示工件精车时的最大直径；k1、k2为机床主轴转速相关系数；v
c
表示车削外圆速度；t
c
表示切削液更换周期；v
f
表示切削液用量；表示切削液浓度；k、m、n、t表示与切削力相关的系数，结合切削功率p
c
公式(14)通过实验拟合确定，p
c
＝p
sp-p
u
ꢀꢀꢀ
(14)式中，p
sp
为切削时机床的主轴功率，p
u
为空载功率。3.根据权利要求1所述硬态车削工艺多目标参数优化方法，其特征在于，所述表面粗糙度预测模型建立方法：将实验设定的切削速度、进给量、背吃刀量作为广义回归神经网络的输入层，以工件加工后测量得到的表面粗糙度为输出层；输入层接收输入信号，模式层中的神经元数量与训练集中的样本数量相等，在这一层对输入空间到模式空间的数据进行非线性变换；求和层的神经元有两种：第一种神经元计算模式层所有神经元的代数和；第二种神经元计算模式层神经元的加权和；最后输出层将求和层的两种神经元相除，即得到表面粗糙度的预测值；在整体运算过程中，参数光滑因子σ选用遗传算法寻优，以神经网络的均方误差mse为优化目标，对光滑因子在其取值范围中进行全局搜索，自动匹配到最适合模型的光滑因子数值。4.根据权利要求1至3中任意一项所述硬态车削工艺多目标参数优化方法，其特征在于，所述通过遗传算法对步骤4)综合优化目标函数中参数进行优化，得到相对最优的切削参数值，即在模型的约束条件下，在切削速度、进给量、背吃刀量中寻找一组最佳工艺组合，使由碳排放函数和粗糙度模型转换后的综合优化目标函数达到最小值，具体步骤如下：a:在确定优化变量、目标函数和约束条件之后，对优化变量进行编码，采用二进制编码对切削速度v
c
、进给量f和背吃刀量a
p
进行编码，编码方法中用到了构成个体的每一个元素的上下限，即的上下限，即的上下限，即式中表示二进制编码后的遗传子型；b:从遗传子型到变量的转换方法:根据v
c
、f、a
p
这3个变量的上下限值，将遗传子型作为格雷码进行编码，得到各变量值，
即即即c:目标函数的适应度计算:在进行遗传算子的交叉及变异时，如果产生了不满足约束条件的个体，需要淘汰此个体，针对满足约束条件的个体，其适应度fit的计算公式如下：式中，f
u
为目标函数f的上限推定值，f
l
为下限推定值；在完成上述编码和适应度计算后，即可进行遗传算法求解。

技术总结
本发明涉及一种硬态车削工艺多目标参数优化方法，针对现有硬态车削低碳制造切削参数优化的问题，对硬态车削进行碳排放量和表面粗糙度的协同优化。切削功率是硬态车削过程碳排放量的重要影响因素，通过试验分析切削功率，建立能够准确反映硬态车削过程碳排放量的模型。在硬态车削切削工况下进行表面粗糙度试验，并通过正交试验和广义回归神经网络算法对切削参数和表面粗糙度进行多元非线性回归拟合，得到能够有效预测硬态车削条件下表面粗糙度的预测模型。利用线性加权法综合优化指标将其转换为单目标优化模型，用遗传算法进行优化，得到最优切削参数，最后在工厂实际产品加工中验证多目标优化模型的有效性。实现硬态车削绿色制造与工艺性能协同优化。削绿色制造与工艺性能协同优化。削绿色制造与工艺性能协同优化。


技术研发人员：迟玉伦 余建华 范志辉 黄浩伦 顾开创 张淑权 高程远
受保护的技术使用者：上海理工大学
技术研发日：2023.04.25
技术公布日：2023/9/20