摘　要：為選擇合理的數控車（chē）床切削（xuē）用量，建立數控車床（chuáng）切削參數能量消耗和加工效率數學模型（xíng）。在（zài）切削參（cān）數能量（liàng）消（xiāo）耗估算模型（xíng）中，通過實驗擬合與正交實驗（yàn）分別獲取數控車床的空（kōng）載功率和切削功率函數，進一（yī）步給出數控車床切削階段能量消耗函數。在車床加工（gōng）條（tiáo）件的各種（zhǒng）約束下，設計了一（yī）種基於多目標教與學優化算法來求解切削參數能量效率優（yōu）化模型，以切（qiē）削階段加工能量最小和加工效率最高為目標，獲得切削參數優（yōu）化的Ｐａｒｅｔｏ前沿解，並采用層次分析法建立了切削參數（shù）的決策模型，較客觀（guān）地選取了更優車（chē）削參（cān）數組合。通過數控車床實例優化驗證了所提策略的可行性和有效性（xìng）。
 
       關鍵詞：車削；能耗；切削參數（shù）；教與（yǔ）學優化算法；數控車床
   
       ０　引言
 
      數控技（jì）術是當今先進製造裝備行業的（de）核心技術（shù），在數控加工過程中合理選擇切（qiē）削參數可節約能耗和資源、提高生產效率，從而提升企業經（jīng）濟效益（yì）、增強競爭力（lì）。然而（ér），目前我國（guó）多數數控加工（gōng）企業還（hái）在憑經驗、參考手冊、通過試切來選擇切削參數，往往難以實現能量效率的最優化。隨著現代（dài）智能優化（huà）算法、切削理論、數（shù）學建模和模型分析（xī）方法的不斷發展和完善，通過優化切削參（cān）數來提高加工效率、減少能量消耗（hào）已成為研究的熱點。
 
 
       對於（yú）切削（xuē）參數優化問題，國（guó）內外采用較多的智（zhì）能優化算法（fǎ）有模擬退火算法［１］、遺傳算法［２］、粒子群優化算法（fǎ）［３］等。也有眾多學者在此基礎上對以上算法進行了改進，例（lì）如：ＣＨＥＮ 等（děng）［４］在車削參數優化問題（tí）中（zhōng），將Ｈｏｏｋｅ－Ｊｅｅｖｅｓ模式（shì）搜索與模擬退火算法進行了結合；ＳＲＩＮＩＶＡＳ等［５］提出了慣性係數隨迭代線性減小的粒子群優化算法來解決車削參數優化問題（tí）；ＳＡＲＡＶＡＮＡＮ等［６］以最小生產成本為目標，利用模擬退火算法（fǎ）和遺傳算法對車削的切削用量進行了研究；謝書童等［７］提出了基於邊緣分布估計的優化算法，分別采用（yòng）基（jī）因修複（fù）與懲罰函數兩種策略解決車削參數優化問題（tí）。另外，在切削參數優化模（mó）型上也有新的研究，除了將加工成本（běn）和工時作為優化目標外，更關注機床的能耗研究，例如：ＹＡＮ等（děng）［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（yōu）化模（mó）型，首次（cì）將切（qiē）削能耗考（kǎo）慮在（zài）內，利（lì）用灰色關（guān）聯分（fèn）析和曲麵響應法對其進（jìn）行了尋優；李聰波等［９］利用複合形法，以高效低碳為多目標進行了切削用（yòng）量的尋優，並通過實例驗證了模型的（de）有效性；李建廣等［１０］緊接著也從能量消（xiāo）耗的角度對切（qiē）削參（cān）數（shù）進行了優化，考慮了機械加工對（duì）環境的影響。可見，機械加工切削參數的能量效率優化研究已經越來越受到（dào）研究者的重視。
 

       當（dāng）前，求解切削參數優化的問題大多采用元啟發式優化算法，然而這（zhè）種算法（fǎ）的參數設置對求解（jiě）結（jié）果有較大影響。近年來，一種高效、可屏（píng）蔽參數幹擾的教與學優化算法受到研究（jiū）者的廣泛關注；基準函數實例（lì）測試顯（xiǎn）示，該算法比遺傳算（suàn）法和粒子群優化算法能（néng）獲得（dé）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（yī）種改進多目標教（jiāo）與學優化算法解決切削參數的能量效率優化問題，采用層次分（fèn）析法選擇更合理的切削參數，實現切削（xuē）用量從定性的隨機選取到定量選取，並通過實例優化驗證了所提策略的可行性。
   
       １、　數（shù）控車床能量效率模型
   
       在數控車床切削過程（chéng）中，切削三要素是影響加工（gōng）過程能量效（xiào）率的關鍵因素。為減少加工能耗、提高加工效率，選擇合理的數（shù）控車床切削用量，建立數控車床切削（xuē）參數（shù）的加工能量和加工效率數學模型。
     
       １．１　加工能量數學模型
     
       數控機床加工過程涉及待機狀態、空載狀態和切（qiē）削狀態，由（yóu）劉飛［１２］等對機床的研究理論可知，當係統處於切削狀態時，機床的總功率（lǜ）損（sǔn）耗包括空載功率損（sǔn）耗Ｐｕ、切削功率損耗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（zé）優化切削（xuē）用量的指標。本文所考慮的機床加工過程的功率損耗均與切削三要素（sù）有關，故第一個（gè）目標為：

       
  
       在機床運行的空載狀態和切削狀態（tài），機床的空載功率均對機床的功率損耗有較大影響。同樣（yàng）地，劉飛等（děng）［１２］指出，隻有當機床空載功率與主軸轉速ｎ近（jìn）似呈二次函數變化關係時，才能準確地反（fǎn）映其損（sǔn）耗功率（lǜ）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（sǔn）耗功率Ｐａ，其附加損耗機理十分複雜，一般無法通過理論計算準確獲得其函數（shù）關係，劉飛等［１２］指出其附加載荷損耗與載（zǎi）荷損耗呈近似的線性比（bǐ）例關係，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（shì）（４）取對數簡（jiǎn）化（huà）後，可以得到切削參數和響應值（zhí）的編碼（mǎ）關係（式（６））。
    
     
    
      對上式進行變量（liàng）分離，可得到係數和指數關於（yú）回歸係數ｂｉ（ｉ＝０，１，２，３）的代數式，而４個回歸係數可根據矩陣原理計算求出：
  
      
  
     式中：Ｘ 為切削參數的編（biān）碼矩陣，Ａ 為對角陣（zhèn），Ｂ 為回歸係數矩陣，從而可以通過（guò）矩陣原理求出切削功率Ｐｃ指數模型中的各項係數和指數，得到（dào）總加工能量的數學模型。
  
      １．２　加工效率時間數學（xué）模型
 
      切削時間即為加工時間的（de）一部分（fèn），均（jun1）可反（fǎn）映機床的（de）加工效率，即（jí）加工時間短、機床的生（shēng）產率就高，在保證（zhèng）加工質量的前提下，這（zhè）也是現（xiàn）階段各數控裝備企業追求的目標之一。其中加工工時可以分為實（shí）際切削時間、換刀時（shí）間以及輔助時間（jiān）三部分，其準確表達式為：
  
     

     
    
     １．３　約束條件
 
     切削用量的取值受諸多因素約束，主要有切削參數自（zì）身的範圍約束、機床性能（néng）約束和加（jiā）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）機床切削速度約束
 
      主軸轉速必（bì）須在機床允許的最小轉速和最大轉速之間，而轉（zhuǎn）速與切削速度之間可相互轉換。對某一（yī）特定數控車床而言（yán），其正常轉速有一個具體範圍，當加工工件（jiàn）的直徑Ｄ 確定（dìng）時，可以得到切削速度的範圍：

     
  
     （３）機床背吃刀量約束
 
     背吃刀（dāo）量取決於刀具材料、工件材料和車床允許的最大（dà）切削（xuē）力。背吃刀量也與加工（gōng）工藝有關，一般地，進行粗加工的背吃（chī）刀量相對較大，但加工表麵無要求。本研究（jiū）中對（duì）加工表麵有較（jiào）高（gāo）要求，故背吃（chī）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（guò）程所消耗的功率必須在機床（chuáng）所能提供的最大有（yǒu）效切削功率範（fàn）圍內。最大有效（xiào）切（qiē）削功率Ｐｃｍａｘ直接受機床主電（diàn）機功率約束（shù），機床主電機功率和機床的傳動係數η則由數控車床（chuáng）決定：
  
      
  
     （５）切削力約束（shù）
 
      加工過程中刀具（jù）與工件接觸，所產生的切削力需進行約束。其中：主切（qiē）削力最大，背向力和進給力均小於主切削力，主切削力必須在最大允許切削力範圍內，其值可通過查表獲取：
    
      
   
      （６）表麵粗糙（cāo）度約束
 
      切（qiē）削用量直接影響已加工表麵的粗糙度，優化的切削用（yòng）量也必須滿足表麵粗糙度的約束。粗糙度可按加工要求獲取，刀尖圓弧半（bàn）徑ｒε由車刀決（jué）定：
  
     
  
      綜（zōng）合以上目標函數和（hé）約束條件，得到該數控車床切削參數的多目標優化數學總模型：
     
     
  
      ２　、多目標教與學（xué）算法求解切削（xuē）參數優化問題
 
      ２．１　改進的教與學算（suàn）法
 
      教與學優化（huà）算法是Ｒａｏ等於２０１０年提出的一種（zhǒng）新的群智能優（yōu）化算（suàn）法，該（gāi）算法（fǎ）的參（cān）數少、操作簡單、易理解、求解速度快、精度高且具有（yǒu）極強的收斂能力（lì）［１１］。本文設計了一種改進多（duō）目標教與（yǔ）學優化算法，以（yǐ）解決切削參數能量效（xiào）率優化問（wèn）題，算法求解過（guò）程如下：
    
     
    
      （２）教階段　首先（xiān）根據設定的最小偏優（yōu）策略（luè）在學生群體（tǐ）中選（xuǎn）取一位老師Ｘｔｅａｃｈｅｒ，然（rán）後班（bān）級中每個學員根據Ｘｔｅａｃｈｅｒ和學員各科目的平均（jun1）值ｍｅａｎ之間的差異（yì）性進行學習（xí）。
  
      
    
      式（shì）中學（xué）習步長ｒｉ＝ｒａｎｄ（０，１）。考慮（lǜ）到在實際（jì）學習時，學員根據自己的接受能力（lì）向老師學習，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（xué）因子采取自適應的模式為：
  
      
    
     （４）自學（xué）階段　在實際（jì）中最主要的學習方式是自學，是自己（jǐ）和自（zì）己比較，增加自學方式可以使（shǐ）學員的（de）學（xué）習形式更加多樣化（huà），從而使算法的全局搜索能力更強，其自學方式為：
    
     
    
      ２．２　切（qiē）削參數優化過程
   
      班級中（zhōng）學（xué）員數為種群大小（xiǎo）ＮＰ，學員（yuán）需要學習的科目為切削三要素，即任務數ＴＮ＝３。目標函數為（wéi）學員的學習成（chéng）績，作為切削參數選取（qǔ）的重要指標。對於模型（xíng）中約束的處理，在學員初始化時，首先在切（qiē）削三要素範圍內隨機生成班級學員的科目值，縮（suō）小尋優範圍（wéi）。對於主切削力、最大切削功率以及加工質量的（de）約束，在教、學以及（jí）自學階（jiē）段結束後（hòu）進行過濾處理，對於過濾後的學員，其切削三要素重新在約束範圍內生（shēng）成，重構班級學員。
 
 
      非支配解集的構建是通過Ｐａｒｅｔｏ排序實現（xiàn）的，設定一學員的加工能（néng）量和加工效率均小於另一（yī）學員才（cái）被該學員支配，否則為非支配解。然後對非支配解進行排序，得到排序（xù）為１的即為非支配解集，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（jiě）在（zài）其（qí）構成的Ｐａｒｅｔｏ前沿解集上。
 
      在（zài）教階段，首先對初始解進（jìn）行約束過濾處理，然（rán）後進行Ｐａｒｅｔｏ排（pái）序（xù），學生向老師（shī）學習，需要找出一個Ｘｔｅａｃｈｅｒ。本文的（de）研究目標是對切削參數進行尋優，要求需同時滿（mǎn）足機床功率損耗和切削（xuē）時間達到平衡狀態的較小值，因（yīn）此，算法加入了（le）最小偏優策略進行（háng）改進，即學員各科目成績與對應的全班各科目最優成績的偏離總和最小的學員作為學習對象。對於（yú）Ｐａｒｅｔｏ排序為１的學生，計算每個學生的目標值和最小目標值的相對誤差平方和：

     
  
      教學工作完成後，將（jiāng）得到同樣多的新學生，這些（xiē）學生中理論上存在比之前更差的學生，然後合並新學生和舊學生的成績，統一（yī）排序後，取成績排名為前班級人數的成績所對應的學（xué）員作為新的學生群體。在學階段，從班級中隨機選取一（yī）個學員進行相互學習（xí），若成績提高則替換，否則繼續保留原學員。自學（xué）階段和學階段類似，隻是學習對象有所不同，此時（shí）學習對象變為自（zì）己，學習的過程相同。結合本文的（de）研究目標，改進的多目標教與學優化（Ｔｅａｄｉｎｇ－Ｌｅａｒｎｉｎｇ－Ｂａｓｅｄ　Ｏｐｔｉｍｉｚａｔｉｏｎ，ＴＬＢＯ）算法實現（xiàn）的流程（chéng）圖如圖１所示。
     
     

       ３、　優化實例驗證
 
      ３．１　切削能量模型實驗與驗證
 
      ３．１．１　空載功率擬合
 
      通過ＣＫ６０數控車床配備華中數（shù）控係統進行切削加工實驗，工件（４５＃熱軋鋼）切削（xuē）長度為１００ｍｍ，直徑為５０ｍｍ，如圖２ａ所示；采用Ｋｉｓｔｌｅｒ測力儀以及ＮＩ虛擬儀（yí）器（qì）采集切削力信號（如圖（tú）２ｂ），可獲得三（sān）向切削力大小，車刀（dāo）采用主偏角４５°的塗層硬質（zhì）合（hé）金刀具ＭＳＳＮＲ２５２５Ｍ１２；另外，待機功率和空載功率均由ＷＢ９１２８三（sān）相功率傳感器測取，如圖２ｃ所（suǒ）示。

     為研究機（jī）床空載功率和主軸轉速的關係，進行（háng）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動前後的信號，得到如表（biǎo）１所示的待機功率和空載功率。
 

                             表１　空載功率實驗（yàn）數據

     
      用（yòng）ＭＡＴＬＡＢ進行二次擬合，得到如下空載功率與主軸（zhóu）轉速的二次關係式：
  
      
    
      從擬合結果中不難看出，轉（zhuǎn）速二次項對空載功率損耗的貢獻係數較小，可見在該（gāi）實驗條件下，空載功率基本（běn）與（yǔ）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），擬合效（xiào）果甚佳。另外，最低空載功率即為轉速為零時的功率，與試驗（yàn）中的待機功率非常接近，進一步說明該二次擬合的準確性，因此關於主軸（zhóu）轉速的二次（cì）型（xíng）可以有效（xiào）且準確地預測相應（yīng）的空載功率損耗。
 
      ３．１．２　切削功率估算
 
     切削功率可以通過扭矩傳（chuán）感器或者測力儀間接獲取，本實驗采用Ｋｉｓｔｌｅｒ測力儀以及ＮＩ虛擬儀器采集切削力信號，測取（qǔ）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（suǒ）示。
    
    
  
     由於三因素（sù）均對切削功率有較明顯的影響，若采用普通實驗，則需大量的數據才能得到較好的結果。本實驗采用三因（yīn）素三水平（píng）的正交實驗設計，其正（zhèng）交試驗結果如表２所示，表３為對應的參（cān）數編碼。
   

                              表（biǎo）２　正交試驗表
   

                      表３　各（gè）水平值對（duì）應的參數設（shè）置
      

  
     
    
      同理，為了總（zǒng）模型中主切削力的約束，主（zhǔ）切削力ＦＸ的指數（shù）模型如下：
    
     
    
      另外，進（jìn）行（háng）了５組實驗來驗證以（yǐ）上模型，結果如表４所（suǒ）示，其中主切削力ＦＸ的預（yù）測（cè）誤（wù）差為３％，而實際切削功率的預測誤差僅為１．５％，二者均（jun1）在（zài）誤差可控（kòng）範圍之內，所得模型具有（yǒu）較高的預測精度。

      因此，結合以（yǐ）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（néng）量模型（xíng）如下：
    
      
    
      ３．２　切（qiē）削參數能量效（xiào）率（lǜ）多目標優化
 
      ３．２．１　切削參數優化
 
      改進的ＴＬＢＯ算法（fǎ）使用Ｃ＋＋語言編譯，運行於Ｗｉｎｄｏｗｓ　７操作係統，單核英特爾酷睿ＣＰＵ，２ＧＢ內存（cún）。其模型中的各參數設置如表５所示，算法中的（de）種群大小ＮＰ＝５０，最大迭代次數為２００代（dài）。
 

                            表５　模型參數設置表

       
  
      該算法最後（hòu）得到了１７組（zǔ）Ｐａｒｅｔｏ前沿（yán）解，其中第１組和第１７組分別具有機床功率損耗最小和切削工時最小的兩個極限值，其他均在二者之間，無（wú）傳統意義上（shàng）的最優解。為證明改進的ＴＬＢＯ算法具（jù）有更（gèng）優的（de）效果，將其與經典（diǎn）多目標進化算法快速非（fēi）支配排序遺傳算法（Ｎｏｎ－ｄｏｍｉｎａｔｅｄ　ＳｏｒｔｉｎｇＧｅｎｅｔｉｃ　Ａｌｇｏｒｉｔｈｍ，ＮＳＧＡＩＩ）進行（háng）了比較，在同樣的種群大小和迭（dié）代（dài）次數下，ＮＳＧＡＩＩ得到了１１組（zǔ）非支配解，非支配解的分布也不及改進的ＴＬＢＯ算法（fǎ）。另外，其Ｐａｒｅｔｏ前沿均在本文（wén）所提出的改進的ＴＬＢＯ算法之上（shàng），而目標為機（jī）床功率Ｐ 和加工工時Ｔ 均取小值，故ＮＳＧＡＩＩ得到的Ｐａｒｅｔｏ解（jiě）均被其支配，這表明了改進的ＴＬＢＯ算法在得到最優解方麵表（biǎo）現出了很強的搜索能力，其Ｐａｒｅｔｏ圖如圖３所示。在此曲線上的點均可作（zuò）為（wéi）較（jiào）優解，後（hòu）文將用層次分析法進行（háng）決策，得到（dào）折衷最優的切削用量。
  
      
    
       ３．２．２　切削用量對加工能（néng）量效率的影響分析
 
       切削（xuē）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（qiē）削（xuē）速度對加工能量效率的影響如圖４ａ所示，隨著切削速度的增加，切削階段的能量消耗不斷增加，加工時間不斷減小。當ｖ＝１００ｍ／ｍｉｎ和ａｐ＝０．５ｍｍ時，進給速度對加工能量效率的影響如圖（tú）４ｂ所示，隨著進給速度的增加，切（qiē）削階段的能（néng）量（liàng）消耗不（bú）斷增加、加工時間不斷減小（xiǎo）。可以看出，二者對切削（xuē）階段的能（néng）量消耗和加工時間的影響趨勢一（yī）致（zhì）。當然，當切削速度和進給速（sù）度一（yī）定時，隨著背吃刀量的增加，切（qiē）削力增大，導致（zhì）切削階段（duàn）消耗的功率增加，而加工時間長短和背吃刀（dāo）量無關。然（rán）而，在選擇車床切削用量時，切削三要（yào）素之間具有內聯性，當背吃刀量增加時，為防止切削力和消耗功率過（guò）分增加，必然會影響（xiǎng）進給速度和（hé）主軸轉速的選取，從而影響加工時間的長短。
  
      

     
    
       ３．３　切削參數決策分（fèn）析（xī）
 
       ３．３．１　切削參數選擇
 
       為了在１７組Ｐａｒｅｔｏ前沿解中找出最優的一組解，采用層次分析法決策，將這１７組解作為方案層，將兩個目標函數所得的值作為準（zhǔn）則層，采用層次分析（xī）法的目標（biāo）就是確定一種最優參數組（zǔ）合，即目標層（céng）。該方法將定量分析與（yǔ）定性分析結合起來，利用（yòng）決策者的經驗，采用（yòng）１～９的（de）標度判斷各衡量目標能否實現的標準之（zhī）間的相對重要程度，並合理地給出每個決策方案的標準的權（quán）數，利用權數求出各方案（àn）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，機床功率損耗和實際切削工時是一對互逆的（de）準則，不可能同時達到最優，若要得到一組相對更優的解（jiě），應該（gāi）對其（qí）折中取值。因此，將（jiāng）Ｐａｒｅｔｏ解（jiě）集曲線進行分段，對（duì）ＢＣ段的６組參數采（cǎi）用層（céng）次（cì）分析法進行決策（cè）。
 
      按照判斷矩陣元（yuán）素的標度方法可以得到方案層對準則層的成對比較矩陣Ｐ 和Ｔ 以及各矩陣所對（duì）應的最大特征值（zhí）分別為６．１２２　５和６．２７３　２。
    
      
    
       將機床功（gōng）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削工時對方案的選擇影響大，因此取其稍微（wēi）重要，即有準則（zé）層對目標層的權向量Ｗ２＝［０．７５，０．２５］Ｔ，其一致（zhì）性指標ＣＩ＝０，通過一致性檢驗（yàn）。另外，求出Ｐ 和Ｔ 的最大特征值對應的特征向量後，歸一化處理即（jí）為（wéi）各方案對各準則的貢獻（xiàn）程度，即方案層到準則層的權向（xiàng）量Ｗ１，最（zuì）後得到層次總排序Ｗ，   
 
     
     
     層次總排序的（de）一致性（xìng）檢驗：ＣＲ＝０．０２６＜０．１，通過一（yī）致性檢驗，可以得到第９組的權重最大（dà），即綜合考慮兩（liǎng）個目標且滿足各項約束條件時，第９組的參數（shù）組合相對最優。

       ３．３．２　結果分析
 
       當切削直徑為３０ｍｍ的工件時，將第９組最優（yōu）切削用量組（zǔ）合按機床（chuáng）轉速表和進給量表規範得到（dào）轉速ｎ＝９００ｒ／ｍｉｎ，進給量Ｆ＝１７０ｍｍ／ｍｉｎ，ａｐ＝０．５ｍｍ，進行實驗驗證最後得到機床功率損耗為１　９６４Ｗ，實（shí）際加工時間為（wéi）６５ｓ。由切削原理可知，由於半精加工時切（qiē）削深度較小，產生的切削力也較小，可在保證表麵粗糙度的前提（tí）下適當加大（dà）進給量，可以看出改進的ＴＬＢＯ算法在多目（mù）標優（yōu）化中應用的結果符合切削參數的選擇（zé）原則。因此，采用本文所（suǒ）提改進的ＴＬＢＯ算法可以有效地選擇出切（qiē）削用量。
 
        ４　結束語
 
       為合理選取數控（kòng）車床切削（xuē）用量（liàng），本文建立了數控車床的加工能量效率（lǜ）模型，采（cǎi）用（yòng）改進的基於（yú）Ｐａｒｅｔｏ排序的多目（mù）標ＴＬＢＯ算法進行尋優，對（duì）Ｐａｒｅｔｏ前沿解采（cǎi）用層次（cì）分析法進行決策，得到了最優切削參數組合。可以看出，合理切削用（yòng）量的選取受到機床自身多個因素的影響以及加工要求的約束，通過（guò）分析切削（xuē）參數對機床加工（gōng）能量以及加工效率的影響，切削用量的選取具有內（nèi）聯性。本文主要針對數控車床車削加工切削參數能量效率（lǜ）優化，對（duì）數控機床能耗（hào）的影響（xiǎng）分布（bù）以及多源能量流特性的研究將是未來的重點研究方向。