基于神经网络与遗传算法的薄壁件多重装夹布局优化

在多重装夹元件装夹过程中,由于装夹顺序、夹紧力、定位元件位置等装夹布局参数的不同,薄壁件的装夹变形程度也不一样。单个装夹布局参数引起的工件装夹变形规律能够通过有限元方法获得。但是,若同时考虑多个装夹布局参数的影响,仅仅利用有限元方法难以揭示装夹布局参数与装夹变形之间的关系。为此,针对薄壁件的装夹布局方案建立三维有限元模型,以便利用有限元法获取神经网络的训练样本。借助神经网络的非线性映射能力,通过有限的训练样本构建装夹变形的预测模型。以减小工件的最大装夹变形为目标,并根据每一代装夹布局中工件的最大装夹变形定义个体的适应度,建立装夹布局方案的优化模型及其遗传算法求解技术。试验结果表明,网络预测值与相应的有限元仿真值、试验数据之间的相对误差均不超过3%。提出的基于神经网络与遗传算法的装夹变形"分析-预测-控制"方法,不仅能够提高装夹变形的计算效率,而且为薄壁件装夹布局方案的合理设计提供基础理论。

Optimization of Multi-fixturing Layout for Thin-walled Workpiece Based on Neural Network and Genetic Algorithm