МИНИСТЕРСТВО ЦИФРОВОГО РАЗВИТИЯ, СВЯЗИ И МАССОВЫХ КОММУНИКАЦИЙ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ТЕЛЕКОММУНИКАЦИЙ ИМ.ПРОФ.М.А.БОНЧ-БРУЕВИЧА»

(СПбГУТ)

Факультет: «Институт магистратуры»

Кафедра: «Систем автоматизации и робототехники»

Направление подготовки:	Автоматизация технологических процессов и производств
Направленность (профиль):	Интеллектуальные технологии в автоматизации

Курсовая работа

по дисциплине:

Методы и модели искусственного интеллекта в управлении техническими системами

на тему:

Генетический алгоритм для оптимизации исполнительного механизма станка с ЧПУ

Вариант 7

		Выполнили студенты группы:
дата, подпись		Фамилия И. О. Принял к.т.н., доцент
		Верхова Г.В..
дата, подпись		Фамилия И. О.

Оглавление

Задание 2

Введение 2

1. Математическая модель и описание алгоритма 3

2. Диаграмма классов 6

3. Спецификация классов 7

4. Исходный код программы 8

4.1. Код Program.cs 8

4.2. Код GeneticAlgorithm.cs 10

4.3. Код Individual.cs 14

5. Результаты выполнения программы 17

Заключение 19

Список используемых источников 20

Задание

Исследовать существующий генетический алгоритм, оптимизирующий движение исполнительного механизма станка с ЧПУ. Выполнить настройку алгоритма.

Введение

Целью выполнения курсового проекта является приобретение навыков по разработке моделей и алгоритмов искусственного интеллекта. Разработанные модели и алгоритмы реализуются в виде программы на языке программирования C#.

Задача оптимизации режимов токарной обработки (глубины резки, подачи и скорости резания) направлена на повышение производительности, снижение времени обработки, износа инструмента и себестоимости изделия. Определение оптимальных параметров резания имеет важное значение для экономичной обработки и устойчивости оснастки, и генетический алгоритм (ГА) показал свою эффективность в этой области. ГА применим к многопараметрическим задачам с ограничениями, моделируя операторы отбора, скрещивания и мутации для поиска глобального минимума целевой функции. В частности, ГА эффективно прогнозирует качество поверхности и шероховатость при обработке, что подтверждается анализом существующих методов. В данной работе исследуется генетический алгоритм для оптимизации процесса токарной обработки который создали И. С. Носиров и А. М. Белов. [1]

1. Математическая модель и описание алгоритма

Математическая модель обработки сочетает несколько подсистем. Рассматриваются три основных модели: стойкость инструмента, силы резания и мощность процесса. Модель стойкости инструмента задаётся формулой вида:

Где С_v – коэффициент, учитывающий условия обработки, при определении составляющей силы резания; K_v – поправочный коэффициент, произведение ряда коэффициентов, учитывающих фактические условия резания; T – стойкость инструмента, мин; h_p – глубина резания, мм; S – скорость подачи, м/мин; x, y, m – показатели степени, зависящие от свойства обрабатываемого металла, материала резца и вида обработки соответственно.

В качестве критерия оптимизации принимается минимальное время производства, определяемое суммой различных времен обработки – обработки, смены инструмента, быстрого возврата инструмента и обработки заготовки. Целевая функция времени обработки определяется как:

Где t₁ – основное время обработки, с; t₂ – время смены инструмента, с; t₃, t₄ – времена, затраченные на процесс резания и на настройку системы управления электроприводов станка, с.

Существуют некоторые ограничения (верхний и нижний пределы), которые влияют на выбор оптимальных условий резания – глубины резания, скорости подачи и скорости резания:

Где h_p.min, h_p.max – минимальная и максимальная глубины резания; S_min, S_max – минимальная и максимальная скорости подачи; v_p.min, v_p.max – минимальная и максимальная скорости резания. Целью оптимизации служит определение оптимальных параметров обработки: скорости резания, скорости подачи и глубины резания. При этом одновременно минимизируется стоимость резания и срок службы используемого инструмента при многопроходном процессе токарной обработки.

Таким образом, оптимизация параметров процесса резания – одна из наиболее актуальных задач в процессе механической обработки деталей на металлорежущих станках, представляет собой многоцелевую задачу, для решения которой классические методы оптимизации подходят только в том случае, когда ее можно свести к однокритериальной задаче, что не всегда возможно. Поэтому для решения данной проблемы можно применять ГА

Алгоритм работы следующий: генетический алгоритм инициализирует случайную популяцию решений, затем повторно применяет селекцию, скрещивание и мутацию для порождения новых особей, оценивая их по целевой функции. При этом в работе приняты стандартные настройки: размер популяции 20–100 особей, кодировка с действительными генами, стохастический равномерный отбор, равномерный кроссовер (вероятность 0.8) и вероятность мутации 0.1. Критериями остановки служат фиксированное число поколений (100) и отсутствие улучшения лучшего решения за 50 поколений. По завершении алгоритм выводит оптимальные параметры глубины резания, скорости подачи, скорости резки и соответствующее минимальное время.

Исходные параметры, используемые в программе, включают начальный диаметр заготовки 20 мм, конечный диаметр 0 мм (полное снятие слоя) и длину 100 мм. Для учета времени на смену инструмента при моделировании процесса задано фиксированное значение 0,5 мин.

Настройки генетического алгоритма в программе соответствуют следующим значениям: размер популяции выбран равным 50 особям, вероятность кроссовера установлена на уровне 0,8, частота мутации — 0,1. Максимальное число поколений ограничено 100, а дополнительным условием останова является отсутствие улучшения лучшего решения в течение 50 последовательных поколений.