摘　要：為選擇合理（lǐ）的數控車床切削用量，建立數控車床切（qiē）削參數能量（liàng）消耗和加工（gōng）效率（lǜ）數學模型。在切削參數能量消（xiāo）耗估（gū）算模型中，通過實（shí）驗擬合（hé）與正交實驗分別獲取數控車床的空載功率和切削功率函數，進一步給出數控車床切削階段能量消耗函（hán）數。在車床加（jiā）工條件的各種約束下，設計了一種基（jī）於多目標教與學優化（huà）算法來求解切削參數能（néng）量效率優化模型（xíng），以切削階（jiē）段加工能量最小和加工效率（lǜ）最高為目標，獲得切削參數優化的Ｐａｒｅｔｏ前沿解，並采用層次（cì）分析法建立了切削參數的決策模型，較客觀地選取了更優車削參數組合。通過數控車床實例優化驗證（zhèng）了所提策略的可行性和有（yǒu）效性。
 
       關鍵詞：車削；能耗（hào）；切削參數；教與學優化算法；數控車床
   
       ０　引言
 
      數控技術（shù）是當今先進製造裝備行業的核心技術，在數控加工（gōng）過程中合理選擇切削參數可節約能耗和資源、提高生產效率，從而提升企業經濟效益、增強競爭力。然而，目前我國多數數控加工企業還在憑經驗、參考手冊、通過試切來選（xuǎn）擇切削參（cān）數，往往（wǎng）難以實現能量效率（lǜ）的最優（yōu）化。隨著現代智能優化算法、切削（xuē）理論、數學建模和模型分析方法的不（bú）斷發展和完善，通過優化切削參數來提高加工效率、減少能量消耗已成為研究的熱點。
 
 
       對於切削參數優化問題（tí），國內外采用較多（duō）的智能優化算法有模擬退火算法［１］、遺傳算法［２］、粒子群優化算法［３］等。也有眾多學（xué）者在此基礎上對以上算法進行了改進，例如：ＣＨＥＮ 等［４］在車削參數優化問題中，將Ｈｏｏｋｅ－Ｊｅｅｖｅｓ模式搜索與模擬退火（huǒ）算法進行了結合；ＳＲＩＮＩＶＡＳ等［５］提出了慣性係數隨迭代線性減小的粒子群（qún）優化算法來解決車削參數優化問題；ＳＡＲＡＶＡＮＡＮ等［６］以最小生產成本為目標，利用模擬退火算法和遺傳（chuán）算法（fǎ）對車削的切削用量進行了（le）研究；謝書（shū）童等［７］提出了基於邊緣分布估計的（de）優化算法，分別采用基因（yīn）修複與懲罰函數兩種策略（luè）解決車削（xuē）參數優化問題。另外，在切削（xuē）參數優化模（mó）型（xíng）上也（yě）有新的研究，除了將（jiāng）加工成本和工（gōng）時作為優化目（mù）標外，更關注機床的能耗研究，例如：ＹＡＮ等［８］建立了以能耗、生產率和切削質量為多目標的銑削參數優化模型（xíng），首次將切削能耗考慮在內，利用灰色關聯分（fèn）析和曲麵響應法對其進行了尋（xún）優；李聰波等［９］利用複合（hé）形（xíng）法，以高效低碳為多目標進行了（le）切削用量的尋（xún）優，並通過實例驗證了模型的有效性；李建廣等［１０］緊接著也從能量消耗（hào）的角度對切削（xuē）參數進（jìn）行了（le）優化，考慮了機械加（jiā）工對環境的影響。可見，機械加工切（qiē）削（xuē）參數的能量效率優化研究已經越來（lái）越受到研（yán）究者的重視。
 

       當前，求解（jiě）切削參數優（yōu）化的問題大多采用元啟發式優化算法，然而這（zhè）種算法的參數設置對求解結果有較大影響。近年（nián）來，一（yī）種高（gāo）效、可屏蔽參數幹擾的教與學優化算（suàn）法受到研（yán）究者的廣泛關注；基準函數實例測試顯示，該算法比遺傳算（suàn）法和粒子群優化算法能獲得更高質量的解［１１］。本文首先通過正交實驗給出數控車床切削階段的能量估算函數，設計一種改進多目標教與學優化算法解決切削參數的能量（liàng）效率優化問題，采（cǎi）用層次分析法選擇更合理的切削參數，實現切（qiē）削用量從定性的隨機選取到定量選取，並通過（guò）實例優化驗證了所提策略的可行性。
   
       １、　數控車床能量（liàng）效率模型
   
       在數控車床切削過程中，切削三要素是影響加（jiā）工過程能量效率的關鍵因（yīn）素。為減少（shǎo）加工能耗、提高加工效率，選擇合理的數控車床切削用（yòng）量，建立（lì）數控（kòng）車床切削參數的（de）加工能量和加工效率數學模型。
     
       １．１　加工能量數學模型
     
       數控（kòng）機床加工過程涉及待機（jī）狀態、空載（zǎi）狀（zhuàng）態（tài）和切削狀態（tài），由劉飛［１２］等對機床的研究理論可知，當係（xì）統處於（yú）切削狀態時，機床的總功（gōng）率損耗包括空載功率損耗Ｐｕ、切削（xuē）功（gōng）率損耗（hào）Ｐｃ和附加載荷功率損耗Ｐａ。目標（biāo）函數是優化變量的函數，是評價和選擇優化切削用（yòng）量的指（zhǐ）標。本文所考慮的機床加工過程的功率損耗均（jun1）與切削三要素有關，故第一個目標為：

       
  
       在機床運行的（de）空載（zǎi）狀（zhuàng）態（tài）和（hé）切削（xuē）狀態（tài），機床的空載功率均對機床的功率損耗有（yǒu）較大影響。同樣地（dì），劉飛等［１２］指出，隻有當機床（chuáng）空載功率與主軸轉速ｎ近似（sì）呈二次函數變化關係時，才（cái）能準確地反映其損耗功率的構成，機床空載功率可通過實驗擬合得到：
    
      
    
       對於負載時的附加載荷損耗功率Ｐａ，其附加損耗機理十分複（fù）雜，一般（bān）無法通過理論計算準確獲得其函數關係，劉飛等［１２］指出其附加（jiā）載荷損耗與載荷損耗呈近似的線性比例（lì）關係，比例係數α 的取值範圍一般為０．１５～０．２５。
  
      
  
       通過正交實驗設計可以獲得切削功率與切削參數之間的指數經驗模型關係。采取三因素三水（shuǐ）平正交實驗設計，每個切削參數被編碼為－１，０，１三個水平，分別按式（５）進行編碼，對式（４）取對數簡化後，可以得到切削參數和響應值的編碼關係（式（６））。
    
     
    
      對上式進行變量分離，可得到係（xì）數和指數（shù）關於回歸係數ｂｉ（ｉ＝０，１，２，３）的代數式，而４個（gè）回歸係數可根據（jù）矩陣（zhèn）原理計算求出：
  
      
  
     式中：Ｘ 為切削參數的編碼矩陣，Ａ 為對角陣，Ｂ 為回（huí）歸係數矩陣，從而可以通（tōng）過矩陣原理求出切削功率Ｐｃ指數模型中（zhōng）的各項係數和指（zhǐ）數，得到總加（jiā）工能量的數學模型。
  
      １．２　加工效率時間數學模型
 
      切削時間即（jí）為加工時間的一部分，均可反（fǎn）映機床的加工效率，即加工時間短、機床的生（shēng）產率就高，在（zài）保（bǎo）證加工質量的前提下，這也是現階段各（gè）數控裝備企業追求的目標（biāo）之一。其中加工工時可以分為實（shí）際切削時間、換刀時間以及輔助時間三（sān）部分，其（qí）準確表達式為：
  
     

     
    
     １．３　約束條件（jiàn）
 
     切削用量的（de）取值受（shòu）諸多因（yīn）素約束，主要有切削參數自身的範圍約（yuē）束、機床性能約束和加工質量約束等，數控車床的切削參數隻能在約束條件的範圍內進行尋優。
 
     （１）機床切（qiē）削速度約束
 
      主（zhǔ）軸轉速必須在機（jī）床允許的最小轉速和最大轉速之間，而轉速（sù）與切削速度之間（jiān）可相互轉換。對（duì）某一特定（dìng）數控車床而（ér）言，其正常轉速（sù）有一個具體範圍，當加工工件（jiàn）的直徑Ｄ 確定時，可以得到切（qiē）削速度的（de）範圍：

     
  
     （３）機床背吃刀量約束
 
     背吃刀量取決於刀具材料、工件材料和車床允許（xǔ）的最大切（qiē）削力。背吃刀量也與加工工藝有關，一般地，進行粗加工的背吃刀量相對較（jiào）大，但加工表麵無要求。本研（yán）究中對加工表麵有較高要（yào）求，故背（bèi）吃刀量的選擇在半精加工的範圍內取值：
    
     
    
     （４）機床功率約束
 
     加工過程所消耗的（de）功率必須在機床所能提供的（de）最大有（yǒu）效切削功率範圍內。最（zuì）大有效（xiào）切削功率Ｐｃｍａｘ直接受機床主電機功率約束，機床主電機功率（lǜ）和機床的傳動（dòng）係數η則由數控車床決定：
  
      
  
     （５）切削力（lì）約束
 
      加工過程中刀（dāo）具與工件接觸，所產生的切削力需進行約束。其中：主切削力最大，背向力（lì）和進給力均（jun1）小（xiǎo）於主切削力（lì），主切（qiē）削力必（bì）須在最大（dà）允許切削力範（fàn）圍內，其（qí）值可通過查表獲取：
    
      
   
      （６）表麵粗糙度約束
 
      切削（xuē）用量直接影響已加（jiā）工表（biǎo）麵的粗（cū）糙度，優（yōu）化的（de）切削用量也必須滿足表麵粗糙度的（de）約束。粗糙度可按加工要求獲取，刀尖圓弧半徑ｒε由車刀決定：
  
     
  
      綜合以上目標函數和約（yuē）束條件，得到該數控車床切削參數的多（duō）目標優化數學總模（mó）型（xíng）：
     
     
  
      ２　、多目標教與學算法求解切削（xuē）參數優化問題
 
      ２．１　改進的教與學算法
 
      教與學優化算法是Ｒａｏ等於２０１０年提（tí）出的一種新的群智能優化算法，該算法的（de）參數少、操作簡單、易理解、求解速度快、精度高且具有極（jí）強的收斂能力［１１］。本文（wén）設計了一種改進多目標教（jiāo）與（yǔ）學優化算法，以解決切削參數能量效率優化問題，算法求解過程如下：
    
     
    
      （２）教階段　首先（xiān）根（gēn）據設（shè）定的最小偏優策略在學生群（qún）體中選（xuǎn）取一位老師Ｘｔｅａｃｈｅｒ，然後班級中每個學（xué）員根據Ｘｔｅａｃｈｅｒ和學員各科目（mù）的平均值ｍｅａｎ之間的差異性進（jìn）行學習。
  
      
    
      式中學習（xí）步長ｒｉ＝ｒａｎｄ（０，１）。考慮到在實際學習時，學員根（gēn）據自己（jǐ）的接（jiē）受能力向（xiàng）老師學習，學習能力強則學習較快，學習能力弱則學習較慢［１３］，因此教學因子（zǐ）采取自適應的模式為：
  
      
    
     （４）自（zì）學（xué）階段　在實際中（zhōng）最主要的學習方式是自（zì）學，是自己和自己比較，增加自學（xué）方式可以使學員的學習形式更加多（duō）樣化，從而使算法的全（quán）局搜索能力更強，其自學方式為：
    
     
    
      ２．２　切削參數優化過程
   
      班級中學員數為種群大小ＮＰ，學員需要學習的科（kē）目為切削（xuē）三要素，即任務數ＴＮ＝３。目標函數為學員（yuán）的學習（xí）成績（jì），作為切削參數選取（qǔ）的重要指標。對於模型中約束的處理，在學員初（chū）始化時，首（shǒu）先在切削三（sān）要素範圍內隨機生成班級學員的科（kē）目值，縮小尋優範圍。對於主切（qiē）削力、最大（dà）切（qiē）削功率以及加工質（zhì）量的約束，在教、學以及自學階段結（jié）束後進行過濾處理，對（duì）於過濾後的（de）學員，其（qí）切削三要素重新在約（yuē）束範圍內（nèi）生成，重構班級學員。
 
 
      非支配解集的構（gòu）建是（shì）通過Ｐａｒｅｔｏ排序實（shí）現的，設定一學員的加（jiā）工能量和加工效率均（jun1）小於另一學員才被該學員支配，否則為非支配解。然後對非支配解（jiě）進行排序，得到排序為１的即為非支配解集（jí），該解集中的任一學員均不被其他學員支配，而所尋求的多目標最優解在其構成的Ｐａｒｅｔｏ前沿解集上。
 
      在（zài）教階段（duàn），首先對初始解進行約束（shù）過濾處理，然後進（jìn）行Ｐａｒｅｔｏ排序，學生向老師學習，需要找出一個Ｘｔｅａｃｈｅｒ。本文的研究目標是對切削參數進行（háng）尋優，要求需同時滿足機（jī）床功率損耗和切削時間（jiān）達到平（píng）衡狀態的較小（xiǎo）值，因此，算法加入了（le）最小偏優策略（luè）進行改進，即學（xué）員各科目成績與對應的全班（bān）各科目最優成績的偏離總和最小的學員作為學習對象。對（duì）於（yú）Ｐａｒｅｔｏ排序為１的學生，計算每個學（xué）生的目標值和最（zuì）小（xiǎo）目標值的相對誤差平方和（hé）：

     
  
      教學工作完成（chéng）後，將（jiāng）得到同樣多的新學生，這些學（xué）生中理（lǐ）論上存在（zài）比之前更差的學生，然後（hòu）合並新學生和舊學（xué）生的成績，統一排（pái）序後（hòu），取成績排名為前班級人數的成績所對應的學員（yuán）作為新的學生群體。在學階段，從班級中隨機選取一個學員進行相互學習，若成績提高則替換，否則繼續保留原學員。自學階段和（hé）學階段類似，隻（zhī）是學習對象有（yǒu）所不同，此（cǐ）時學習對（duì）象變為（wéi）自己，學習的（de）過程相同。結合本文（wén）的（de）研究目標，改進的多目標教與學優化（Ｔｅａｄｉｎｇ－Ｌｅａｒｎｉｎｇ－Ｂａｓｅｄ　Ｏｐｔｉｍｉｚａｔｉｏｎ，ＴＬＢＯ）算法（fǎ）實現的流程圖如圖１所示（shì）。
     
     

       ３、　優化實例（lì）驗證
 
      ３．１　切削能量（liàng）模型實驗與驗證
 
      ３．１．１　空載功率擬合
 
      通過ＣＫ６０數控車（chē）床配備（bèi）華中數控係統（tǒng）進行切削加工實（shí）驗（yàn），工件（４５＃熱軋鋼）切削長度為１００ｍｍ，直徑為５０ｍｍ，如圖２ａ所示（shì）；采用Ｋｉｓｔｌｅｒ測力儀以及ＮＩ虛（xū）擬儀器采集切削力信號（如圖（tú）２ｂ），可獲得三向切削力大小，車刀采用主偏角４５°的塗層硬質合金刀具ＭＳＳＮＲ２５２５Ｍ１２；另外（wài），待機功率和空載（zǎi）功率均由ＷＢ９１２８三相功率傳感器測取，如圖２ｃ所示。

     為研究機床空載功率和主軸轉速的關（guān）係，進行了１８組實驗，轉速為１４５ｒ／ｍｉｎ～１　５００ｒ／ｍｉｎ，主要根據不同切削直徑對應的切削速度轉化而成。切削的同時，功率傳感器采集主軸轉（zhuǎn）動前後的信號（hào），得到如表１所（suǒ）示的待機功率和空載功率。
 

                             表１　空載功率實驗（yàn）數據

     
      用ＭＡＴＬＡＢ進行二次擬（nǐ）合，得到如下空載功率與主軸轉速的二次（cì）關係式：
  
      
    
      從擬合結（jié）果中不難看出，轉（zhuǎn）速二（èr）次項對空載功率損耗的貢（gòng）獻係數較小，可見（jiàn）在該實驗條件下，空載功率基本與主軸轉速呈線性關係。對其進行方差檢驗Ｒ２＝０．９８，Ｆ＝３７３＞Ｆ０．０５（２，１５），擬（nǐ）合效果甚佳。另外（wài），最低空載功率即為轉速為零時的功率，與（yǔ）試驗中的待機功率非常接近，進一步說明該二次擬（nǐ）合的準確性，因此關於主軸轉速的二次型可以有效且準確（què）地預測相應（yīng）的（de）空載功率（lǜ）損耗。
 
      ３．１．２　切（qiē）削功率估算（suàn）
 
     切削功率可以通過扭矩傳感器或者測力儀間接獲取，本實驗采用（yòng）Ｋｉｓｔｌｅｒ測（cè）力儀以及ＮＩ虛擬儀器（qì）采集切（qiē）削力信號，測取Ｘ 和Ｚ 向切削力，由下式間接獲取切削功率，其測力裝置如圖２ｂ所示。
    
    
  
     由（yóu）於三因素均對切削功率有較明顯的影響，若采用普通實驗，則需大量的數據才（cái）能得到較好的（de）結果（guǒ）。本實驗（yàn）采用三因素三水（shuǐ）平的正交實驗設計，其正交試驗結（jié）果如表２所示，表（biǎo）３為對應的參數編碼（mǎ）。
   

                              表２　正交試驗表
   

                      表３　各水平值對應的參數設置
      

  
     
    
      同理，為了總模型中（zhōng）主切削力的約束，主切削力ＦＸ的指數模型如下：
    
     
    
      另外（wài），進行（háng）了（le）５組實驗來驗證以上模型，結果（guǒ）如（rú）表４所（suǒ）示，其中主切削力ＦＸ的預測誤差為３％，而實際切削功（gōng）率的預（yù）測誤差僅為１．５％，二者均在誤差可控範圍之內，所得模型（xíng）具有較高的預測精度（dù）。

      因此，結合以上在實驗基礎上獲取的空載功率和切削功率模（mó）型，切削階段總能量模型如下（xià）：
    
      
    
      ３．２　切削參數能量效率多目標優化（huà）
 
      ３．２．１　切削參數優化
 
      改進的ＴＬＢＯ算法使用Ｃ＋＋語言編譯，運行於Ｗｉｎｄｏｗｓ　７操（cāo）作係統，單核英特爾酷睿ＣＰＵ，２ＧＢ內存。其模型中的各參數設置如表５所示，算法（fǎ）中的種群大（dà）小ＮＰ＝５０，最大迭代次數為２００代。
 

                            表５　模型參數設置表（biǎo）

       
  
      該算法最後得到了１７組Ｐａｒｅｔｏ前沿解，其中第１組和第１７組分別具有機床功（gōng）率損耗最小和切削工時最小的兩個極限值，其他（tā）均在二者之間，無傳統意義上的最優解。為證明改進的ＴＬＢＯ算法具（jù）有更優的效果，將其（qí）與經典多目標進化算（suàn）法快速非支配排序遺傳算法（Ｎｏｎ－ｄｏｍｉｎａｔｅｄ　ＳｏｒｔｉｎｇＧｅｎｅｔｉｃ　Ａｌｇｏｒｉｔｈｍ，ＮＳＧＡＩＩ）進（jìn）行了比較，在同樣的（de）種群大小（xiǎo）和迭代次數下，ＮＳＧＡＩＩ得到（dào）了１１組非支配解，非支配解的分（fèn）布也不及改進的ＴＬＢＯ算（suàn）法。另外，其Ｐａｒｅｔｏ前沿均在本文所提出的改進的ＴＬＢＯ算（suàn）法之上，而目標為機床功（gōng）率Ｐ 和加工工時Ｔ 均取小值，故ＮＳＧＡＩＩ得到的Ｐａｒｅｔｏ解均被其（qí）支配，這表明了改（gǎi）進的（de）ＴＬＢＯ算法在得到最優（yōu）解方麵表現出（chū）了很強（qiáng）的搜索能力，其Ｐａｒｅｔｏ圖如圖３所（suǒ）示。在此曲線上（shàng）的點均可作為較（jiào）優解，後文將用層次分析法進行決策，得到折衷最優的切削（xuē）用量。
  
      
    
       ３．２．２　切削用量（liàng）對加工能量效（xiào）率的影響（xiǎng）分析
 
       切削用量是影響加工過程能量效率的重要因素，當ｆ＝０．１ｍｍ／ｒ和ａｐ＝０．５ｍｍ時，切削速度對加工能量效率的影響如圖４ａ所示，隨著（zhe）切削速（sù）度的增加，切削階段的能量消耗不斷增加（jiā），加工時間不斷減小。當ｖ＝１００ｍ／ｍｉｎ和ａｐ＝０．５ｍｍ時，進給速度對加工能（néng）量效率的影響如圖４ｂ所示，隨著進給速度的增加，切（qiē）削階段的能量消耗不斷增加、加工時間不斷減小。可以看出，二者對切削階段的能量消耗和加工時間的影響趨勢一（yī）致。當然，當切削速度和進給速度（dù）一定時，隨著背吃刀量的增加（jiā），切削力增大，導致切削階段消（xiāo）耗的功率增加，而加工時（shí）間長短和（hé）背吃刀量無關。然（rán）而，在選擇車床切削（xuē）用量時，切削三要素之間具（jù）有內聯性，當背吃刀量（liàng）增加時，為防止切削（xuē）力和消耗功率過分增加，必然（rán）會影響進給速度和主軸（zhóu）轉速的選取，從而影響加（jiā）工時間的長短（duǎn）。
  
      

     
    
       ３．３　切（qiē）削參數決策分析
 
       ３．３．１　切削參數選擇（zé）
 
       為（wéi）了在１７組（zǔ）Ｐａｒｅｔｏ前沿解中（zhōng）找出最優的（de）一組解，采用層次分析法決策，將這１７組解作為方案層（céng），將兩個（gè）目標（biāo）函數所得的（de）值作為準則層，采用層次分析法的目標就是確（què）定一種最優參（cān）數組合，即（jí）目標層。該方法將定（dìng）量分析與定性分析結合起來，利用決策者的經驗，采用１～９的標度判斷各衡量目標能否實現的標準之間的相對重要程度，並合理地給出每個決策（cè）方案的標準的權數，利用（yòng）權數求出各方（fāng）案的優劣次序，從而選擇出更優的切削參數組合。
 
       由Ｐａｒｅｔｏ圖可以看出，機床（chuáng）功率損耗和（hé）實（shí）際切削工時是一對互逆的準則，不可能同時達到最優，若（ruò）要得到一組相對更優的解，應該對其折中取值。因（yīn）此，將Ｐａｒｅｔｏ解集曲線進行分段（duàn），對ＢＣ段的６組參數采用層次分析法進行決策。
 
      按照判斷矩陣元素的（de）標（biāo）度方法可以得（dé）到方案層對準則（zé）層的成對比（bǐ）較矩陣Ｐ 和Ｔ 以及各矩陣所對應的最大特征值分別為６．１２２　５和６．２７３　２。
    
      
    
       將機床功率損耗與實際切削工時進行對比，顯然機床功率損耗比實際切（qiē）削工時對（duì）方案的選擇影響（xiǎng）大，因（yīn）此取（qǔ）其稍微重要，即有準則層（céng）對目標層的權（quán）向量Ｗ２＝［０．７５，０．２５］Ｔ，其一致性指標（biāo）ＣＩ＝０，通過一致性檢驗。另（lìng）外，求出Ｐ 和Ｔ 的最大特征值對應的特征向量後，歸一（yī）化處理即為各方案對各準（zhǔn）則的貢獻程（chéng）度，即（jí）方案層到準則層的（de）權向量Ｗ１，最後得到層次總排序Ｗ，   
 
     
     
     層（céng）次總排序的一致性（xìng）檢（jiǎn）驗：ＣＲ＝０．０２６＜０．１，通過一致性（xìng）檢驗，可以得到第９組的權重最大，即綜合考慮兩個目標且滿足各項約束條件時，第９組的參數組合相對最優。

       ３．３．２　結果分析（xī）
 
       當切削直徑為３０ｍｍ的工件時，將第９組最優切削用量組合按機床轉速表和進給量表規範得到轉速ｎ＝９００ｒ／ｍｉｎ，進給量Ｆ＝１７０ｍｍ／ｍｉｎ，ａｐ＝０．５ｍｍ，進行實驗（yàn）驗證最（zuì）後（hòu）得到機床功率損耗為１　９６４Ｗ，實際加工時間為６５ｓ。由切削原理可知，由於半精加工時切削深度較小，產（chǎn）生的切削力也較小，可在保證表麵粗糙（cāo）度的前提下適當加大進給量（liàng），可以看出（chū）改進的ＴＬＢＯ算法在多目標優化（huà）中應用的（de）結果符合（hé）切削（xuē）參數的選（xuǎn）擇原則。因此，采用本文所提改進的ＴＬＢＯ算法可（kě）以有效（xiào）地選擇出切削用量。
 
        ４　結束語
 
       為（wéi）合理選取數（shù）控車（chē）床切削用量，本文（wén）建立了數（shù）控車床（chuáng）的加工能量效率模型，采用（yòng）改進的基於Ｐａｒｅｔｏ排序的多目標ＴＬＢＯ算（suàn）法進行尋優，對Ｐａｒｅｔｏ前沿（yán）解采用層次分析法進行決策，得（dé）到了最優切削參（cān）數組合。可以看出，合理切削用量的選取受到機（jī）床自身多個因素的影響以（yǐ）及加工要求的（de）約束，通過分析切削參數對機床加（jiā）工能量以及加工效率的影響，切削用（yòng）量的選取具（jù）有內聯性。本文主要針對數控車床車削加工切（qiē）削參數能量效率優化（huà），對數控機床能耗的影響分布以及多源能量流特性（xìng）的研究將是未來的重點研究（jiū）方向。