滚齿刀具和控制参数超启发优化与决策

doi:10.3969/j.issn.1004-132X.2026.04.009

中国机械工程 ›› 2026, Vol. 37 ›› Issue (4): 846-854.DOI: 10.3969/j.issn.1004-132X.2026.04.009

• 制造过程能效优化与低碳工艺 • 上一篇下一篇

滚齿刀具和控制参数超启发优化与决策

曹卫东¹(), 汪袁烁², 李闽榕², 陈富祺², 陈行政³(), 吴电建⁴, 胡可心¹

^1.河海大学人工智能与自动化学院, 常州, 213200
^2.河海大学信息科学与工程学院, 常州, 213200
^3.西南大学工程技术学院, 重庆, 400067
^4.湖北工业大学农业机械工程研究设计院, 武汉, 430068

收稿日期:2025-07-19 出版日期:2026-04-25 发布日期:2026-05-11
通讯作者: 陈行政
作者简介:曹卫东，男，1989年生，副教授。研究方向为智能制造系统与装备、绿色制造、制造系统工程等。E-mail：cwd2018@hhu.edu.cn
陈行政^*（通信作者），男，1990年生，副教授。研究方向为绿色制造、制造系统工程等。E-mail：chenxzh@swu.edu.cn。
基金资助:
国家自然科学基金(52305532);中央高校基本科研业务费专项资金(B230201023);江苏省输配电装备技术重点实验室开放课题(2023JSSPD08);江苏省青年科技人才托举工程(JSTJ-2024-502)

Hyper-heuristic Optimization and Decision-making of Hobs and Control Parameters

CAO Weidong¹(), WANG Yuanshuo², LI Minrong², CHEN Fuqi², CHEN Xingzheng³(), WU Dianjian⁴, HU Kexin¹

^1.College of Artificial Intelligence and Automation，Hohai University，Changzhou，Jiangsu，213200
^2.College of Information Science and Engineering，Hohai University，Changzhou，Jiangsu，213200
^3.College of Engineering and Technology，Southwest University，Chongqing，400067
^4.Agricultural Machinery Engineering Research and Design Institute，Hubei University of Technology，Wuhan，430068

Received:2025-07-19 Online:2026-04-25 Published:2026-05-11
Contact: CHEN Xingzheng

摘要/Abstract

摘要：

为研究滚齿刀具和控制参数优化中的启发式算法自动选择问题以及用户对加工性能看重程度模糊表达下的参数决策问题，提出了一种基于改进超启发算法和模糊优劣解距离法（TOPSIS ）的滚齿刀具和控制参数优化与决策方法。使用谱聚类算法根据历史加工数据确定滚齿参数的上下限；以碳排放量、切削时间和质量为优化目标，使用改进的多目标超启发算法获取优化滚齿参数（非支配解）；采用模糊TOPSIS对优化滚齿参数进行排序以获取最符合用户要求的参数。最后通过实验验证了方法的可行性和有效性。

关键词: 滚齿, 刀具和控制参数, 多目标优化, 决策, 超启发

Abstract:

To address the issues of automatic selection of heuristic algorithms in hobbing tools and control parameter optimization， as well as parameter decision-making under the fuzzy expression of users' emphasis on machining performance， a method for optimizing and deciding hobbing tools and control parameters was proposed based on an improved hyper-heuristic algorithm and fuzzy TOPSIS. The spectral clustering algorithm was used to determine the upper and lower limits of parameters based on historical machining datas. With carbon emissions， cutting time， and quality as optimization objectives， an improved multi-objective hyper-heuristic algorithm was used to obtain optimized hobbing parameters （non-dominated solutions）. Based on the user's emphasis on machining performance， fuzzy TOPSIS was employed to rank the optimized hobbing parameters and select the parameters that best met the user's requirements. Experiments verified the feasibility and effectiveness of the proposed method.

Key words: gear hobbing, hob and control parameter, multi-objective optimization, decision-making, hyper-heuristic

中图分类号:

TH166

曹卫东, 汪袁烁, 李闽榕, 陈富祺, 陈行政, 吴电建, 胡可心. 滚齿刀具和控制参数超启发优化与决策[J]. 中国机械工程, 2026, 37(4): 846-854.

CAO Weidong, WANG Yuanshuo, LI Minrong, CHEN Fuqi, CHEN Xingzheng, WU Dianjian, HU Kexin. Hyper-heuristic Optimization and Decision-making of Hobs and Control Parameters[J]. China Mechanical Engineering, 2026, 37(4): 846-854.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.04.009

https://www.cmemo.org.cn/CN/Y2026/V37/I4/846

图/表 12

表1 属性说明

Tab.1 Attribute description

问题属性	描述	滚齿参数	描述
f₁	工件模数/mm	p₁	滚刀外径/mm
f₂	工件压力角/rad	p₂	滚刀头数
f₃	工件齿数	p₃	主轴转速/（r·min $- 1$ ）
f₄	工件螺旋角/rad	p₄	轴向进给/（mm·r $- 1$ ）
f₅	工件外径/mm
f₆	工件齿宽/mm
f₇	切削深度/mm

表1 属性说明

Tab.1 Attribute description

问题属性	描述	滚齿参数	描述
f₁	工件模数/mm	p₁	滚刀外径/mm
f₂	工件压力角/rad	p₂	滚刀头数
f₃	工件齿数	p₃	主轴转速/（r·min $- 1$ ）
f₄	工件螺旋角/rad	p₄	轴向进给/（mm·r $- 1$ ）
f₅	工件外径/mm
f₆	工件齿宽/mm
f₇	切削深度/mm

图1 改进多目标选择式超启发算法

Fig.1 Improved multi-objective selection based hyper heuristic algorithm

图2 YS3120CNC6

Fig.2 YS3120CNC6

表2 历史加工样本集［2］

Tab.2 Historical processed sample set［2］

l_i	问题属性							滚齿参数
l_i	f₁	f₂	f₃	f₄	f₅	f₆	f₇	p₁	p₂	p₃	p₄
l₁	2.50	0.401	46	0.436	128.55	13.50	5.815	80	3	380	1.5
l₂	2.00	0.305	44	0.611	110.00	12.60	5.742	80	3	360	1.5
l₃	1.86	0.279	30	0.628	73.90	13.80	5.784	80	2	360	1.8
l₄	1.80	0.297	33	0.576	76.30	14.50	5.782	80	2	360	2.0
l₅	1.89	0.288	39	0.576	93.55	13.70	6.321	80	2	360	1.8
l₆	1.75	0.305	31	0.576	67.80	14.50	5.297	80	2	400	2.0
l₇	2.50	0.333	17	0.578	59.80	30.40	7.150	80	1	380	1.6
l₈	1.81	0.286	47	0.579	106.22	18.00	4.000	70	3	450	1.5
l₉	2.75	0.436	18	0.486	62.45	38.00	6.200	80	1	360	1.6
l₁₀	2.77	0.349	34	0.339	109.81	18.50	6.453	80	2	360	1.5
l₁₁	3.00	0.524	17	0	56.30	40.40	4.020	110	1	230	2.5
l₁₂	2.00	0.307	45	0.550	109.68	13.80	6.000	70	3	410	1.5
l₁₃	2.00	0.346	53	0.463	123.20	13.20	5.400	70	3	400	1.5
l₁₄	1.63	0.288	35	0.607	74.28	13.70	5.300	70	2	395	1.8
l₁₅	1.89	0.288	36	0.576	86.80	13.00	6.085	80	2	360	2.0
l₁₆	2.40	0.349	69	0.524	194.10	25.50	6.734	80	4	350	1.2
l₁₇	2.54	0.333	17	0.578	59.80	30.40	7.150	80	1	380	1.6
l₁₈	2.75	0.436	18	0.486	62.45	38.00	6.200	80	1	360	1.6
l₁₉	2.77	0.349	34	0.339	109.81	18.50	6.453	80	2	360	1.5
l₂₀	1.86	0.279	40	0.628	96.70	11.90	5.812	76	3	375	1.8
l₂₁	1.73	0.305	31	0.576	67.80	14.50	5.295	80	2	360	2.0
l₂₂	1.80	0.297	32	0.576	74.15	14.00	5.778	80	2	360	2.0
l₂₃	1.89	0.288	39	0.576	93.55	13.70	6.321	80	2	360	1.8
l₂₄	2.50	0.401	26	0	72.00	14.15	4.700	80	2	360	1.8
l₂₅	2.65	0.428	26	0	74.75	15.00	5.448	80	2	360	1.8
l₂₆	2.00	0.340	21	0.532	54.30	16.90	5.957	80	2	360	1.8
l₂₇	2.40	0.349	17	0.524	54.10	29.10	6.745	80	1	360	1.8
l₂₈	2.50	0.332	71	0.497	207.70	29.00	6.997	80	4	350	1.2
l₂₉	2.02	0.253	31	0.583	79.10	18.00	5.524	80	2	360	2.0

图3 帕累托前沿

Fig.3 Pareto front

图4 各方法的帕累托前沿

Fig.4 Pareto front of each method

表3 SP结果

Tab.3 Results of SP

第i次运行	HF	H1	H2	H3	H4
1	0.273	1.442	0.404	0.393	0.390
2	0.211	5.055	0.283	1.346	8.287
3	0.273	1.427	0.885	0.196	8.914
4	0.252	1.559	0.757	8.740	1.037
5	0.278	0.812	0.751	0.883	1.723

图5 SP指标小提琴图

Fig.5 Violin plot of SP

图6 覆盖率

Fig.6 Coverage rate

表4 TOPSIS得分

Tab.4 Score obtained via TOPSIS

第i次运行	HF	H1	H2	H3	H4
1	0.7238	0.6664	0.7154	0.7246	0.7228
2	0.7239	0.6685	0.7156	0.7246	0.7229
3	0.7240	0.6704	0.7164	0.7248	0.7239
4	0.7313	0.6721	0.7187	0.7351	0.7241
5	0.7413	0.6979	0.7202	0.7392	0.7241

图7 帕累托前沿搜索比较

Fig.7 Pareto frontier search comparison

图8 各方法5次运行的目标值比较

Fig.8 Comparison of the target values of each method over five runs

参考文献 20

[1]	陈鹏，曹华军，张应，等. 齿轮高速干式滚切工艺参数优化模型及应用系统开发［J］. 机械工程学报， 2017， 53（1）： 190-197.
	CHEN Peng， CAO Huajun， ZHANG Ying， et al. The Process Parameters Optimization Model of Gear High-speed Dry Hobbing and Its Application System Development［J］. Journal of Mechanical Engineering， 2017， 53（1）： 190-197.
[2]	CAO W， CHEN X， NI J. Fuzzy Decision-making Approach of Hobbing Tool and Cutting Parameters［J］. Engineering Applications of Artificial Intelligence， 2023， 125： 106655.
[3]	倪恒欣，阎春平，陈建霖，等. 高速干切滚齿工艺参数的多目标优化与决策方法［J］. 中国机械工程， 2021， 32（7）：832-838.
	NI Hengxin， YAN Chunping， CHEN Jianlin， et al. Multi-objective Optimization and Decision-making Method of High Speed Dry Gear Hobbing Processing Parameters［J］. China Mechanical Engineering， 2021， 32（7）： 832-838.
[4]	曹卫东，阎春平，吴电建. 支持少样本的高速滚齿工艺参数优化［J］. 计算机集成制造系统， 2018， 24（10）：2502-2513.
	CAO Weidong， YAN Chunping， WU Dianjian. Optimization of Cutting Parameters for High-speed Gear Hobbing Based on Small Sample Problem［J］. Computer Integrated Manufacturing Systems， 2018， 24（10）： 2502-2513.
[5]	MAASHI M， KENDALL G， ÖZCAN E. Choice Function Based Hyper-heuristics for Multi-objective Optimization［J］. Applied Soft Computing Journal， 2015， 28： 312-326.
[6]	张景玲，冯勤炳，赵燕伟，等. 基于强化学习的超启发算法求解有容量车辆路径问题［J］. 计算机集成制造系统， 2020， 26（4）：1118-1129.
	ZHANG Jingling， FENG Qinbing， ZHAO Yanwei， et al. Hyper-heuristic for CVRP with Reinforcement Learning［J］. Computer Integrated Manufacturing Systems， 2020， 26（4）： 1118-1129.
[7]	KAMYLA M F， THIAGO A Q. Two Effective Simulated Annealing Algorithms for the Location-routing Problem［J］. Applied Soft Computing， 2018， 70：389-422.
[8]	BURKE E， KENDALL G， SOUBEIGA E. A TABU-search Hyperheuristic for Timetabling and Rostering［J］. Journal of Heuristics， 2003， 9（6）： 451-470.
[9]	ZHANG Y， HARMAN M， OCHOA G， et al. An Empirical Study of Meta- and Hyper-heuristic Search for Multi-objective Release Planning［J］. ACM Transactions on Software Engineering and Methodology， 2018， 27（1）： 1-32.
[10]	LI Z H， NIE F P， CHANG X J， et al. Dynamic Affinity Graph Construction for Spectral Clustering Using Multiple Features［J］. IEEE Transactions on Neural Networks and Learning Systems， 2018， 29（12）：6323-6332.
[11]	AHMADIANFAR I， HEIDARI A A， NOSHADIAN S. INFO： an Efficient Optimization Algorithm Based on Weighted Mean of Vectors［J］. Expert Systems with Applications. 2022， 195：116516.
[12]	ZOUACHE D， GOT A， DRIAS H. An External Archive Guided Harris Hawks Optimization Using Strengthened Dominance Relation for Multi-objective Optimization Problems［J］. Artificial Intelligence Review， 2023， 56（3）： 2607-2638.
[13]	ALLOU L， ZOUACHE D， AMROUN K， et al. A Novel Epsilon-dominance Harris Hawks Optimizer for Multi-objective Optimization in Engineering Design Problems［J］. Neural Computing & Applications， 2022， 34（19）：17007-17036.
[14]	MIRJALILI S， SAREMI S， MIRJALILI S M， et al. Multi-objective Grey Wolf Optimizer： a Novel Algorithm for Multi-criterion Optimization［J］. Expert Systems with Application， 2016， 47：106-119.
[15]	MIRJALILI S， JANGIR P， SAREMI S. Multi-objective Ant Lion Optimizer： a Multi-objective Optimization Algorithm for Solving Engineering Problems［J］. Applied Intelligence， 2016， 46（1）：79-95.
[16]	CAO W D， YAN C P， WU D J， et al. A Novel Multi-objective Optimization Approach of Machining Parameters with Small Sample Problem in Gear Hobbing［J］. International Journal of Advanced Manufacturing Technology， 2017， 93（9/12）：4099-4110.
[17]	刘高君，刘飞，刘培基，等. 机床多源能耗状态在线检测方法及检测系统［J］. 计算机集成制造系统， 2016， 22 （6）：1550-1557.
	LIU Gaojun， LIU Fei， LIU Peiji， et al. On-line Detecting Method and System of Multi-source Energy State for Machine Tools［J］. Computer Integrated Manufacturing Systems， 2016， 22 （6）：1550-1557.
[18]	MELIKA H， KARIM F， SOHEILA N， et al. A Novel Training Approach in Deep Spiking Neural Network Based on Fuzzy Weighting and Meta-heuristic Algorithm［J］. International Journal of Computational Intelligence Systems， 2024， 17（1）：35.
[19]	CAO W， NI J， JIANG B， et al. A Three-stage Parameter Prediction Approach for Low-carbon Gear Hobbing［J］. Journal of Cleaner Production， 2021， 289：125777.
[20]	CAO W D， YAN C P， DING L， et al. A Continuous Optimization Decision Making of Process Parameters in High-speed Gear Hobbing Using IBPNN/DE Algorithm［J］. International Journal of Advanced Manufacturing Technology， 2016， 85（9/12）：2657-2667.

滚齿刀具和控制参数超启发优化与决策

Hyper-heuristic Optimization and Decision-making of Hobs and Control Parameters

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 20

相关文章 15

编辑推荐

Metrics

[1]	李明磊, 贾育秦, 张学良, 刘丽琴, 杜娟, 温淑花, 兰国生. 基于多目标差异演化算法的并联机构结构优化 [J]. J4, 201016, 21(16): 1915-1920.
[2]	张雷, 张振, 刘润泽. 制造特征智能解析驱动的零件低碳工艺优化方法[J]. 中国机械工程, 2026, 37(4): 929-938.
[3]	杨洁, 江志刚, 朱硕, 陈鑫, 张华. 多寿命特征下再制造机电产品全工作域可靠性设计研究进展[J]. 中国机械工程, 2026, 37(4): 987-998.
[4]	张洪浩, 韩涛, 张绍琳, 王丹琦, 田广东, 黄忠伟. 基于直觉正态云的退役机械产品拆解序列方案决策[J]. 中国机械工程, 2026, 37(4): 999-1006.
[5]	赵丁选, 郭瑞, 王硕, 闫长长, 王子鹤, 张天赐. 复杂地形环境下无人步履式挖掘机的车身姿态规划方法[J]. 中国机械工程, 2026, 37(1): 233-242.
[6]	党旭, 刘涛, 闫敏, 徐智为. 变截面涡旋盘精密铣削参数多目标优化[J]. 中国机械工程, 2025, 36(12): 2854-2861.
[7]	刘建林, 黄海松, 范青松, 马驰, 张浪浪. 基于改进樽海鞘群算法的机械臂多目标轨迹规划研究[J]. 中国机械工程, 2025, 36(09): 2047-2056.
[8]	汪凯, 顾刘栋, 周一帆. 基于POMDP模型的检修与备件库存联合优化[J]. 中国机械工程, 2025, 36(08): 1853-1863.
[9]	林述温, 陆哲, 危世佳, 陈剑雄, 顾天奇, 谢钰. 挖掘机工作过程动力特性仿真及主构件参数多目标优化设计方法[J]. 中国机械工程, 2025, 36(06): 1371-1379.
[10]	饶远1, 孙见君1, 闻兰2. 扩压式自泵送机械密封端面的液膜汽化及其结构优化研究[J]. 中国机械工程, 2025, 36(05): 933-941，953.
[11]	李益兵1, 2, 曹岩1, 郭钧1, 2, 王磊1, 2, 李西兴3, 孙利波4. 考虑峰值功率受限约束的柔性作业车间调度研究[J]. 中国机械工程, 2025, 36(02): 280-293.
[12]	张道德, 卢子健, 赵坤, 杨智勇. 非平坦环境下履带机器人多目标路径规划方法研究[J]. 中国机械工程, 2025, 36(02): 305-314.
[13]	刘桂源1, 王曾2, 杨子艺2, 胡明珠1, 刘怀举1. 航空发动机附件机匣齿轮传动设计分析软件开发与应用[J]. 中国机械工程, 2024, 35(11): 1938-1947.
[14]	鄢威1, 3, 王欣怡2, 3, 张华3, 朱硕2, 3, 江志刚2, 3. 考虑切削能耗和表面质量的碳纤维增强树脂基复合材料加工工艺参数优化决策[J]. 中国机械工程, 2024, 35(10): 1834-1844.
[15]	李健1, 2, 王宏伟3, 慕宗燚3, 杜彦斌1, 冉琰4. 考虑性能稳定性的机械系统可靠性分配方法研究[J]. 中国机械工程, 2024, 35(05): 821-828,850.