摘　要：為選擇合理的數（shù）控車床切削用量，建立（lì）數控車床切削參（cān）數能量消耗和加工效率數學（xué）模型。在切削參（cān）數能量（liàng）消耗估（gū）算模型中，通過實驗擬合與正交實驗（yàn）分別獲（huò）取數控車床的（de）空載功（gōng）率和切削功率函數（shù），進一（yī）步給出數控車床切削階（jiē）段能量消耗函數。在車床加工（gōng）條件的各種約束下，設計了一種基於多目標教與學優化算法來求（qiú）解切削參數能量效（xiào）率優化模型，以切削階段加工能量最小和加工效率最高為目標，獲得切削參數優化的Ｐａｒｅｔｏ前沿解，並采（cǎi）用層次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（xuē）參（cān）數組合。通過數控車床實例優化驗證了所（suǒ）提策略的（de）可行性和（hé）有效性（xìng）。
 
       關鍵詞：車削；能耗；切削參數；教與學優化（huà）算法；數控（kòng）車床
   
       ０　引言
 
      數控技術是當今先進製造裝（zhuāng）備行業（yè）的核心技術，在數控加工過程中合理選擇切削參數可節約能耗和資源（yuán）、提高（gāo）生產效率（lǜ），從而提升企業經濟（jì）效益、增強競（jìng）爭力。然而，目前（qián）我國多數數（shù）控加工企業還在憑經驗（yàn）、參考手（shǒu）冊、通（tōng）過試切（qiē）來選擇切削參數，往往難以實現能量效率的最優（yōu）化。隨（suí）著現代（dài）智能優化算法、切削理（lǐ）論、數學建模和模型分析方法的不（bú）斷發展和完善，通（tōng）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（de）熱點。
 
 
       對於切（qiē）削參數優化問題，國內外采用較多的智（zhì）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（yǐ）上算法進行了改進，例如：ＣＨＥＮ 等［４］在車削（xuē）參數優化問題中，將Ｈｏｏｋｅ－Ｊｅｅｖｅｓ模式搜索與模擬退火算法進行了結合；ＳＲＩＮＩＶＡＳ等［５］提（tí）出了慣性係數隨迭（dié）代線性減小的粒子（zǐ）群優化算法來解決車削參數優化問（wèn）題；ＳＡＲＡＶＡＮＡＮ等［６］以最小生產成本（běn）為目標，利用模擬退火（huǒ）算法和遺傳算法對車削的切削（xuē）用量進行了研究；謝書童等［７］提（tí）出了基於邊緣分布估計的優化算法，分別采用基因修複與懲罰函數兩種策（cè）略解（jiě）決車削參數優化問題。另外，在切削參數優化（huà）模型上也有新的研究，除了將加工（gōng）成本和工時作為優（yōu）化（huà）目標外，更關注機床（chuáng）的能耗研（yán）究，例如：ＹＡＮ等［８］建（jiàn）立了以能耗、生產率和切削質量為多（duō）目（mù）標的銑削參數優化模型，首次將切（qiē）削能耗考慮在內，利（lì）用灰（huī）色關聯分析（xī）和曲麵響應法對其進行了尋優；李聰波等（děng）［９］利用複合形法，以高效低碳為多目標進行了切削用（yòng）量（liàng）的尋優，並通過（guò）實例驗證了模型的有效性；李建廣等［１０］緊接著也從（cóng）能量消耗的角度對切削參數進行（háng）了優化，考慮了機械加工對環境的影響。可見，機械加工切削參數的能量效率（lǜ）優化研究已經越來越受到研究者的（de）重視。
 

       當前，求解切削（xuē）參數優化的問題大多采（cǎi）用元（yuán）啟（qǐ）發式優化（huà）算法，然而這種算（suàn）法的參數設置對求解（jiě）結果（guǒ）有較大影響。近年來，一種高效、可屏蔽參數幹擾的教與（yǔ）學優化算法受到研究者（zhě）的廣泛關注；基準函數（shù）實例（lì）測試顯示，該算法比遺傳算法和（hé）粒子群優化算法能獲得更高質量的解［１１］。本（běn）文首先通過正交實驗給（gěi）出數控車床切削階（jiē）段的能量估算函數，設計一種改進多目標教（jiāo）與學優化算法解決切削參（cān）數的能量效率優化問題，采用層次分析法選擇更合理的（de）切削參數，實現切削用量從定（dìng）性的隨機選取到（dào）定量選取，並通過實例優（yōu）化驗（yàn）證了所提策略的可行性。
   
       １、　數控車床能量效率模型
   
       在數控車床切削過程中，切削三要素是影響加工過程能量效率的關鍵因素。為減少加工能耗（hào）、提高加工效率（lǜ），選擇合理的數控車床切削用量，建立數控車床切削參數的加（jiā）工能量和加工效率數學模型。
     
       １．１　加工（gōng）能量數學模型
     
       數控機（jī）床加工過程涉及（jí）待機狀態、空載狀態和切削狀（zhuàng）態，由劉飛［１２］等對機床的研究理論可知，當係統處於切削狀態時，機床的總功率損耗包括空載功率損耗Ｐｕ、切削功（gōng）率損耗Ｐｃ和附加載荷功率損耗Ｐａ。目標函數（shù）是優化（huà）變量的函數，是評價和選擇（zé）優化（huà）切削用量（liàng）的指標。本文所考慮的機床加工過程的功率（lǜ）損耗均與切削三要素有關（guān），故第一個目標為（wéi）：

       
  
       在機床運行的空載狀態（tài）和切削狀態，機床的空載功率均對機床的功（gōng）率損（sǔn）耗有較大影響。同樣地，劉飛等［１２］指出，隻有當機床空載功率與主軸轉速ｎ近似呈二次函數變化關係時，才能準確地反映其損耗（hào）功（gōng）率的構成，機（jī）床空載（zǎi）功率可通過實驗擬合得到：
    
      
    
       對（duì）於負載時的附加載荷損耗功率Ｐａ，其（qí）附加損耗機理十分複雜，一般無法（fǎ）通（tōng）過理論計（jì）算準（zhǔn）確獲得其函數關係，劉飛等［１２］指出其附加載（zǎi）荷損耗（hào）與載荷損耗呈近（jìn）似（sì）的線性比例關（guān）係，比例係數α 的取（qǔ）值範圍一般為（wéi）０．１５～０．２５。
  
      
  
       通（tōng）過正交實驗設計可以獲得切削功率與切削參（cān）數之間的指數經（jīng）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（４）取對數簡化後，可以得（dé）到切削參（cān）數（shù）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）數和指數關於回歸係數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（wéi）切削參數的編碼（mǎ）矩陣，Ａ 為對角（jiǎo）陣，Ｂ 為回歸係數矩陣（zhèn），從而可以（yǐ）通過矩陣原理（lǐ）求（qiú）出切削（xuē）功率Ｐｃ指數模型中的各項係數和指數，得到總加工能量的數學模型。
  
      １．２　加工效率時間數學模型
 
      切削時間即為加工時間的一部分，均可（kě）反映機床的加工效率，即加工時間短（duǎn）、機床的生產率就（jiù）高，在保證加工質量的前提（tí）下，這也是現階段各數（shù）控裝備（bèi）企業追求的目標之一。其中加工工時可以分為實際（jì）切削時間、換刀時間以及輔（fǔ）助（zhù）時（shí）間三部分，其準確表達式為：
  
     

     
    
     １．３　約束條件
 
     切削用量（liàng）的取值受諸多因素約束，主要有切削參數自身的範圍約束、機（jī）床（chuáng）性能約束和加工質（zhì）量約束等，數控車（chē）床的切削參數隻能在約束（shù）條件的範（fàn）圍內進行尋優。
 
     （１）機床切削速度約束
 
      主軸轉速必須在機床允許的（de）最（zuì）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。對某一特（tè）定數控車床而言，其（qí）正常轉速有一個具體範圍，當加工工件的直徑Ｄ 確定時，可以得到切削速度的範圍：

     
  
     （３）機床背吃刀量約束
 
     背吃刀量取決於刀（dāo）具材料、工件材料和車（chē）床允許的最大切削力。背吃刀量也與加工工藝（yì）有關，一般地，進行粗加工的（de）背吃刀量（liàng）相對較大，但加工表麵無要求。本（běn）研（yán）究中對加工表麵有較高要求，故背吃刀量的選擇（zé）在半（bàn）精加工的範圍內取值：
    
     
    
     （４）機床功率約束
 
     加工過程所消耗的功率（lǜ）必須在機床所能（néng）提供的最大有效切削功率範圍內。最大有效切削功率Ｐｃｍａｘ直接受機床主電機功率約（yuē）束，機床主電機功率（lǜ）和機床的傳動係數（shù）η則由數控車床（chuáng）決定：
  
      
  
     （５）切削力（lì）約束
 
      加工過程中刀具與（yǔ）工件接觸，所產生的切削力需進行約束。其中：主切削（xuē）力最大，背向力和進給力均（jun1）小於主切削（xuē）力，主切削力必須在最大允許切削力範（fàn）圍內，其值可通過查表獲取：
    
      
   
      （６）表（biǎo）麵粗糙度約束
 
      切削用量直接影響已加工表麵的粗糙度，優化的（de）切削用量（liàng）也（yě）必須滿足表麵粗糙度的約束。粗糙度可按加工要（yào）求（qiú）獲取，刀尖圓弧（hú）半徑ｒε由（yóu）車刀決定：
  
     
  
      綜合（hé）以上目標函數和約（yuē）束條件（jiàn），得到（dào）該數（shù）控車床切削參數的多目標優化數學總模型：
     
     
  
      ２　、多目標教與學算法求解切削參數優化問題
 
      ２．１　改進的教與（yǔ）學算法
 
      教與學優化算法是Ｒａｏ等於２０１０年提出的一種（zhǒng）新的群智能優（yōu）化算法，該算法的參數少（shǎo）、操作簡單、易理解、求解速度快、精度高且具有極強的收斂能力［１１］。本文（wén）設計（jì）了（le）一種改進多目標教與學優化算（suàn）法，以解決切削參數能量效率優化問題，算（suàn）法（fǎ）求解過程如下：
    
     
    
      （２）教（jiāo）階段　首先（xiān）根據設定的最小偏優策略在學生（shēng）群體中選取（qǔ）一位（wèi）老師Ｘｔｅａｃｈｅｒ，然後班級中每個學員根據Ｘｔｅａｃｈｅｒ和學員各科目的平均值ｍｅａｎ之間的差異性進行學習。
  
      
    
      式中學習步長（zhǎng）ｒｉ＝ｒａｎｄ（０，１）。考慮到在實際學（xué）習時，學員（yuán）根據自己的接受能力向老（lǎo）師學習（xí），學習能力強則學習較（jiào）快，學習能力弱則學習較慢（màn）［１３］，因（yīn）此教學因子采取自適應的（de）模式（shì）為：
  
      
    
     （４）自學階段　在實際中最主要的學習方式是自學，是（shì）自己和自己（jǐ）比較，增加自學方式可以使學（xué）員的學習形式更加多樣化，從而使算法的（de）全局搜（sōu）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（yuán）需要學習的科目（mù）為切削三（sān）要素，即任務（wù）數ＴＮ＝３。目標函數為學員的學習成（chéng）績（jì），作為切削參數選取的重（chóng）要指標。對於模型中約（yuē）束（shù）的（de）處理，在學員初始化時，首先在切削（xuē）三要素（sù）範圍內隨機生成班級學員的科目值，縮小尋優範（fàn）圍。對於主切削（xuē）力、最大切（qiē）削功（gōng）率以及加工質量的約束，在教、學以及自學階段結束後進行過濾處理，對於過濾後的學員，其切削三要素重新在約束範圍內生成，重（chóng）構班級（jí）學員。
 
 
      非支配（pèi）解（jiě）集的構建是通過Ｐａｒｅｔｏ排序實現的（de），設定一學員的加工能量和（hé）加工效率均小於另一學員才被該學員支配，否則（zé）為非支配解。然後對非支配解進行排序，得到排序為１的即為非支配解集，該解集中的（de）任一（yī）學員均（jun1）不（bú）被其（qí）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（jiāo）階段，首先對（duì）初（chū）始解進行約束過（guò）濾（lǜ）處（chù）理，然後（hòu）進行Ｐａｒｅｔｏ排序，學生向老（lǎo）師學習，需要找出一個Ｘｔｅａｃｈｅｒ。本文的研究目（mù）標是對切削參數進行尋優，要求需（xū）同時滿足機床功率損耗和切削時間達到平衡狀態的較小值，因（yīn）此，算（suàn）法加入（rù）了最小偏優策略進行改進，即學員各科（kē）目成績與（yǔ）對應的全班各科目最優成績的偏離總和最小的學員作（zuò）為學習對象。對於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（wù）差（chà）平方（fāng）和（hé）：

     
  
      教學（xué）工作完成後，將得到同樣多的新學（xué）生，這些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，統一排序後，取（qǔ）成績排名為前（qián）班（bān）級人數的成績所對應的學員（yuán）作（zuò）為新的學生群體。在學階段，從班級中隨機（jī）選取一個（gè）學員進行相互學習，若成績提高則（zé）替換，否則（zé）繼續保留原（yuán）學員。自學階段和學階（jiē）段類似，隻是學習對象有所（suǒ）不同，此時學習對象變（biàn）為自己，學習的過程相同。結合本文的研究目標，改進的多目標教與學優化（Ｔｅａｄｉｎｇ－Ｌｅａｒｎｉｎｇ－Ｂａｓｅｄ　Ｏｐｔｉｍｉｚａｔｉｏｎ，ＴＬＢＯ）算法實現的流程圖如圖１所示。
     
     

       ３、　優化實例驗證（zhèng）
 
      ３．１　切削能量（liàng）模型實（shí）驗與驗（yàn）證
 
      ３．１．１　空載功率擬合
 
      通過（guò）ＣＫ６０數控車床配備華中數控係統進行切削加工實驗，工件（jiàn）（４５＃熱軋鋼）切削長度為１００ｍｍ，直徑（jìng）為５０ｍｍ，如圖２ａ所示；采用Ｋｉｓｔｌｅｒ測力儀以及ＮＩ虛擬儀器采集切削力信號（如圖２ｂ），可獲得三向切（qiē）削力（lì）大小，車刀采用主偏角４５°的塗層硬質合金（jīn）刀具ＭＳＳＮＲ２５２５Ｍ１２；另外（wài），待機功率和空載功率（lǜ）均由ＷＢ９１２８三相功率傳感器測（cè）取（qǔ），如圖２ｃ所示。

     為研究機床（chuáng）空（kōng）載功率和主軸（zhóu）轉速的關（guān）係，進行了１８組（zǔ）實驗，轉速（sù）為１４５ｒ／ｍｉｎ～１　５００ｒ／ｍｉｎ，主要根據不（bú）同切削直徑對應的（de）切（qiē）削速度轉化而成。切（qiē）削的同時，功率傳感（gǎn）器采集主軸轉動前後（hòu）的信號，得到如表１所示的（de）待機（jī）功（gōng）率和空（kōng）載功率。
 

                             表１　空載功率實驗（yàn）數據

     
      用ＭＡＴＬＡＢ進行二次擬合，得到如下空載功率與主軸轉速的（de）二次關係式：
  
      
    
      從擬（nǐ）合結果中不難看出（chū），轉速二次項對空載功率損（sǔn）耗的貢獻係數（shù）較小，可見在該實驗（yàn）條件下，空（kōng）載功（gōng）率基本與主軸轉速呈線性（xìng）關係（xì）。對其進行方差檢驗Ｒ２＝０．９８，Ｆ＝３７３＞Ｆ０．０５（２，１５），擬合效果甚佳。另外，最低空載功率即（jí）為轉速為零時的功率，與試驗中的待機功率非常（cháng）接近，進一步說明該（gāi）二次擬合的準確性，因此關於主軸轉速的二次型可以有效且（qiě）準確地預測相應的空載功（gōng）率損耗。
 
      ３．１．２　切削功率估算
 
     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Ｋｉｓｔｌｅｒ測（cè）力（lì）儀以及ＮＩ虛擬儀器采集切削力信（xìn）號，測取Ｘ 和Ｚ 向切削力，由下式間（jiān）接獲取切削功（gōng）率，其測力裝置如圖２ｂ所示。
    
    
  
     由於三因素均對切削功（gōng）率有較明顯（xiǎn）的影響，若采用普（pǔ）通實驗，則需大量的數據才能得到（dào）較好的結果（guǒ）。本實驗采（cǎi）用三（sān）因（yīn）素三水平的正交實驗設計，其正交試驗結果如（rú）表２所示，表３為對應的參數編碼。
   

                              表２　正（zhèng）交試（shì）驗表
   

                      表３　各水平值對應（yīng）的參數設置
      

  
     
    
      同理，為了（le）總模型中（zhōng）主切削力的約束，主（zhǔ）切削力ＦＸ的指（zhǐ）數模型如下：
    
     
    
      另外，進行了５組實驗（yàn）來驗（yàn）證以上模型，結果如表４所示，其中主切削力ＦＸ的預測誤差為３％，而實際切削功率的預測誤差僅為１．５％，二者均在誤差可控範圍之內，所得模型具有較高的預測精度。

      因此，結合以上在實驗基（jī）礎上獲取的空載功率和切削功率模（mó）型，切削階段總能量（liàng）模型如下：
    
      
    
      ３．２　切削參數能量效率多目標優化
 
      ３．２．１　切削參數優化（huà）
 
      改進（jìn）的ＴＬＢＯ算法使用Ｃ＋＋語言編譯，運行於Ｗｉｎｄｏｗｓ　７操作係統，單（dān）核（hé）英特爾酷睿（ruì）ＣＰＵ，２ＧＢ內存。其模型中的各（gè）參數設置如表５所示，算法中的種群大小ＮＰ＝５０，最大迭（dié）代次數為２００代。
 

                            表５　模型參數設置（zhì）表

       
  
      該算法最後得到了１７組Ｐａｒｅｔｏ前沿解，其中第１組和第１７組分（fèn）別具（jù）有機（jī）床功率損耗最小（xiǎo）和切削工時最小的兩個極限值，其他均在二（èr）者之間，無（wú）傳統意義上的最優解。為證明（míng）改進的ＴＬＢＯ算法具有更優的效（xiào）果（guǒ），將其與經典多目標進化算（suàn）法快速非支配排序遺傳算法（fǎ）（Ｎｏｎ－ｄｏｍｉｎａｔｅｄ　ＳｏｒｔｉｎｇＧｅｎｅｔｉｃ　Ａｌｇｏｒｉｔｈｍ，ＮＳＧＡＩＩ）進行了比較，在同樣的（de）種群大小和迭代次數下（xià），ＮＳＧＡＩＩ得（dé）到了１１組非（fēi）支配解，非支配解的分布也不（bú）及改進的ＴＬＢＯ算法（fǎ）。另外，其Ｐａｒｅｔｏ前沿均在本文所提出的改進的ＴＬＢＯ算法（fǎ）之（zhī）上，而目標為機床（chuáng）功率Ｐ 和加工工時Ｔ 均取小值（zhí），故ＮＳＧＡＩＩ得到的Ｐａｒｅｔｏ解均被其支配（pèi），這（zhè）表明了改進的ＴＬＢＯ算（suàn）法在得到最優解方麵表現出了很（hěn）強的搜索能力（lì），其Ｐａｒｅｔｏ圖如（rú）圖３所示。在此（cǐ）曲線上（shàng）的（de）點（diǎn）均可作為較優解，後文將用層次分析法進行決策，得到（dào）折衷最優的切削用量。
  
      
    
       ３．２．２　切削用量對加工能量效率的影響分（fèn）析
 
       切（qiē）削用量是影響加工（gōng）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（jiā）工能量效率的影響（xiǎng）如（rú）圖４ａ所示（shì），隨著切削速度的增加，切削階段的能（néng）量消耗不斷增加，加工時間不斷減（jiǎn）小。當（dāng）ｖ＝１００ｍ／ｍｉｎ和ａｐ＝０．５ｍｍ時，進給速度對加工能（néng）量效（xiào）率的（de）影響如圖４ｂ所（suǒ）示，隨著進給速度的增加，切削階（jiē）段的能量消耗不斷增（zēng）加、加工時（shí）間不斷減小（xiǎo）。可以看出，二者對切（qiē）削階段的能量消耗和加工時間的影響趨勢一致。當然，當切削速度和進給速度一定時，隨著背吃刀量（liàng）的（de）增加，切削力增大，導致（zhì）切削階段（duàn）消耗的功率增加，而加（jiā）工時間長短和（hé）背吃刀量無關。然而，在選擇車床切削用量時，切（qiē）削三要素之間具有（yǒu）內聯性，當（dāng）背吃刀量增加時（shí），為防止切削力和消耗功率過分增（zēng）加，必（bì）然（rán）會影響進給速（sù）度（dù）和主軸轉速的選取，從（cóng）而影響加工時間的長短。
  
      

     
    
       ３．３　切削參數決策（cè）分析
 
       ３．３．１　切削參數選（xuǎn）擇
 
       為了在１７組Ｐａｒｅｔｏ前沿解中找出最（zuì）優的一組解，采用層（céng）次分析法（fǎ）決策，將這１７組解作為方案層，將兩（liǎng）個目標函數所得的（de）值作為準則層，采用層次分析法的目標（biāo）就是確定一種最優參數組合，即目標層。該方法將定量分析與定性分析結合起來（lái），利用決策者的經驗，采用（yòng）１～９的標度（dù）判斷各衡（héng）量目標能否實現的標（biāo）準之間的相對重要程度，並合理地（dì）給出每個決（jué）策方案的標準（zhǔn）的權數，利用權數求出各方案的優劣次序，從而選擇出更優（yōu）的切削參數組合。
 
       由Ｐａｒｅｔｏ圖可以看出（chū），機（jī）床功率損耗和實際切削（xuē）工時是一對互逆的準則，不可（kě）能同（tóng）時達到最優，若要得到一（yī）組相對更優的解，應（yīng）該對其折中取（qǔ）值（zhí）。因此，將Ｐａｒｅｔｏ解集曲線進行分段，對ＢＣ段的６組參數采用層次分析法進行決策（cè）。
 
      按照判斷矩（jǔ）陣元素的標度方法（fǎ）可以得到方案層對準（zhǔn）則層的成對比較矩陣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削工時（shí）對方案的選擇影響大，因（yīn）此取其稍微重要，即有準則層對目標層（céng）的權向量Ｗ２＝［０．７５，０．２５］Ｔ，其一致性指標ＣＩ＝０，通過（guò）一致性檢驗。另外，求出Ｐ 和Ｔ 的最大特征值對應的特征向量後，歸一化處理即為（wéi）各方案（àn）對各準則的貢獻程度，即方（fāng）案層到準則層的權向量Ｗ１，最（zuì）後（hòu）得到層次（cì）總排（pái）序Ｗ，   
 
     
     
     層次總排序的一致性檢驗：ＣＲ＝０．０２６＜０．１，通（tōng）過一致性檢（jiǎn）驗，可以得（dé）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（cān）數組（zǔ）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（chuáng）轉速表和進給量表規範得到（dào）轉（zhuǎn）速ｎ＝９００ｒ／ｍｉｎ，進給量Ｆ＝１７０ｍｍ／ｍｉｎ，ａｐ＝０．５ｍｍ，進行（háng）實驗驗（yàn）證最後得到機床功率（lǜ）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（dù）較小，產生的切削（xuē）力也較小，可（kě）在（zài）保證表麵粗糙度的前提下適當加大進給量，可以看出改進的ＴＬＢＯ算法在多（duō）目標優化中應用的結果符合切削參數的選擇原則。因此，采用本文所提改進的ＴＬＢＯ算法可以有效地選擇出切削用量。
 
        ４　結束語
 
       為合理選（xuǎn）取數控車床（chuáng）切削用量，本文建立了數控車床的加工能（néng）量效率模型，采用改進的基（jī）於Ｐａｒｅｔｏ排序的多目標ＴＬＢＯ算法進行尋優，對Ｐａｒｅｔｏ前沿解采用層次分析法進行決策，得到了（le）最優切削參數組合。可以看出（chū），合理切削用量的（de）選取受到機床自身多個因（yīn）素的影響以及加工要求的約（yuē）束，通（tōng）過分析切削參（cān）數對機床加工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（duì）數控車床車削加工切削參數能量效率優化（huà），對數控機床能耗的影（yǐng）響分布以及多源能量流特（tè）性的研究將是（shì）未來的重點研究方向。