一种基于遗传算法的船用柴油机缸套活塞智能选配方法

摘要

本发明公开一种基于遗传算法的船用柴油机缸套活塞智能选配方法，对所有的缸套和活塞按阿拉伯数字的顺序依次进行编号，确定匹配精度c，将缸套和活塞中每一对存在匹配关系的缸套和活塞的尺寸值进行差值计算，得到一组匹配尺寸差值，计算出这一组匹配尺寸差值的平均值和整体方差值，根据匹配精度和整体方差值设定遗传算法适应度函数，用缸套与活塞的阿拉伯数字编号作为基因实值编码，随机生成若干初始染色体，选择适应度70％的染色体作为下一代染色体，再经交叉、变异，最终输出最优染色体，即最优的活塞缸套编号的排列顺序，使活塞缸套达到一一对应装配的目的，减少装配的随机误差以及累计误差对活塞缸套工作性能的影响。

说明书

技术领域

本发明涉及相配合的零部件的选配方法，具体涉及船用柴油机的缸套与活塞这两个相配合零件的选配方法。

背景技术

船用柴油机的活塞与缸套是一一相配安装的，最好是采用最优配合精度将活塞套在缸套内部。因此，针对一批活塞与缸套，活塞与缸套之间的选配问题，可描述为n个尺寸(活塞外径)分别为{d₁,d₂,d₃,……，d_n}的活塞，与n个尺寸(缸套内径)分别为{D₁，D₂，D₃，……,D_n}的缸套之间求解|D_i-d_j|值达到或最靠近最优配合精度的问题，其中：i＝1、2、3、……、n，j＝1、2、3、……、n。设矩阵R为|D_i-d_j|的值，则$>R=\left(\begin{array}{cccc}{R}_{11}& R_{12}& ......& R_{ln}\\ R_{21}& R_{22}& ......& R_{2n}\\ ......& ......& ......& ......\\ R_{n1}& R_{n2}& ......& R_{nn}\end{array}\right);$>R_ij越靠近最优配合精度，则第i个活塞与第j个缸套之间的配合就越精良。

活塞与缸套实际装配过程不仅仅是满足单对缸套活塞的配合尽可能地接近最优配合的问题，而是要使正在装配的一批缸套活塞的整体配合水平达到配合要求。在活塞与缸套装配过程中，传统的选配方法是：使用数据库存储活塞与缸套零件尺寸，将其进行遍历配对，选择匹配精度较高的对应零件进行装配，或者按照零件尺寸大小顺序排列的方法建立匹配系统，这种传统的选配方法智能性及可靠性都不高。

根据实际生产装配的需要，多种多样的零部件选配原则陆续被提出，目前相对成熟的选配原则包括：1)最优选配原则：寻找符合最优配合精度的零部件进行匹配；2)最佳选配原则：当没有符合最优配合精度的零部件时，以最靠近最优配合精度的零部件进行匹配；3)先进先出选配原则：当匹配零部件之间满足完全选配法选配时，为了避免零部件积压，优先选择最先入库的零部件进行匹配。以上三种选配原则虽然很大一部分满足了大多企业的选配要求，但针对活塞与缸套，以上三种选配原则不能同时满足使单对缸套活塞的配合尽可能地接近最优配合要求以及使正在装配的一批缸套活塞的整体配合水平达到配合要求。

遗传算法是通过作用于染色体上的基因寻找好的染色体来求解问题的方法，在遗传算法中，通过随机方式产生若干个所求解问题的数字编码，即染色体，形成初始群体；通过适应度函数给每个个体一个数值评价，淘汰低适应度的个体，选择高适应度的个体参加遗传操作，经过遗传操作后的个体集合形成下一代新的种群，对这个新种群进行下一轮进化。传统的遗传算法采用轮盘赌的选择方法，这种方法是一种回放式随机采样方法，所有选择是从当前种群中根据染色体的适应度值，按某种准则挑选出好的染色体进入下一代种群。由于群体规模有限和操作等原因，使得个体十几倍选中的次数与它应该被选中的期望值之间存在一定的误差，有时甚至具有较高适应度的个体也不能被选中。传统的遗传算法采用离散的二进制编码进行表现值和染色体之间的转换，存在一定的精度损失且算法效率不够高。

发明内容

本发明的目的在于解决现有船用柴油机生产过程中活塞与缸套在选配方面存在的问题，提出一种基于遗传算法的船用柴油机缸套活塞智能选配方法，采用综合选配原则，在满足单对缸套活塞的配合要求的前提下使一批缸套活塞的配合总体水平更接近于最优。

为实现上述目的，本发明一种基于遗传算法的船用柴油机缸套活塞智能选配方法采用的技术方案是依次按以下步骤：

A、确定参与匹配的缸套和活塞数量各是n，对所有的缸套和活塞按阿拉伯数字的顺序依次进行编号，测量每个缸套和活塞的加工尺寸Di和dj，i＝1、2、3、……、n，j＝1、2、3、……、n，Di为编号为i的缸套内径尺寸，dj为编号为j的活塞外径尺寸；计算出缸套和活塞匹配公差带a～b，确定匹配精度为c值，a≤c≤b；

B、将缸套和活塞中每一对存在匹配关系的尺寸值进行差值计算，即计算Di-dj，得到一组匹配尺寸差值{R1，R2，R3，……Ri，……Rn}，然后再计算出这一组匹配尺寸差值的平均值最后计算出整体方差值$>S=\sqrt{{(R_1-\bar{R})}^2+{(R_2-\bar{R})}^2+\mathrm{......}+{(R_n-\bar{R})}^2};$>

C、根据匹配精度c和整体方差值S设定遗传算法适应度函数object＝w₁*f₁+w2*f₂，w₁、w₂是影响系数，满足w₁+w₂＝1，f₁＝|(Di-dj)-c|；

D、用缸套与活塞的阿拉伯数字编号作为基因实值编码，随机生成若干初始染色体，选择适应度70％的染色体作为下一代染色体，将父代染色体中适应度最高的染色体直接完整复制到下一代，再经交叉、变异，最终输出最优染色体，即最优的活塞缸套编号的排列顺序。

本发明采用上述技术方案后具有的优点是：

1、本发明结合遗传算法的运用，对装配匹配规划的遗传算法代码选择、交叉、变异方式进行了改进，简化了编程复杂程度，合理解决了编码内部产生的匹配规划出错等问题，调用遗传算法工具箱函数，更为快捷地生成了匹配优化序列。

2、为了计算以及编程的便捷，本发明直接使用零件的编号作为基因实值编码，此种编码方式不需要进行表现值和染色体之间的转换，减少了内存需求，没有精度损失，且提高了算法效率。

3、本发明将装配过程相近的零部件经预处理编码在一起，从而减少了计算时间，提高了种群收敛性。函数适应度值采用函数进行系统分配。

4、本发明采取最佳保留选择算法取代传统遗传算法中的轮盘赌选择方法，将当前群体中适应度最高的个体结构完整地复制到下一代群体中，保证遗传算法终止时得到的最后结果是历代出现过的具有最高适应度的个体，并且交叉采用两点式交叉方法。

5、本发明中的变异方法为在满足变异概率时，将染色体基因的序列前后互换，打破了常规的变异模式，有效地避免了基因重复现象的发生。

6、本发明中的停止规则通过设定遗传代数来控制，遗传代数达到设定值则计算停止，输出当前的最优匹配序列。

附图说明

图1为本发明一种基于遗传算法的船用柴油机缸套活塞智能选配方法的流程图。

具体实施方式

参见图1，不同的船用柴油机，由于缸数不同，装配批次不同，所以存在不同数量的待装的缸套和活塞。首先要分析装配体匹配类别，确定参与匹配的零件组件，比如某型号的柴油机为十六缸柴油机，则装配m台柴油机时，需要16m对缸套与活塞参与匹配，可确定出参与匹配的缸套和活塞的数量各是n＝16m。然后对所有的缸套和活塞按阿拉伯数字的顺序依次进行编号，比如给16m个缸套分别编号为1、2、3……16m，给16m个活塞也分别编号1、2、3……16m。

测量每个参与匹配的缸套和活塞的加工尺寸Di和dj，

i＝1、2、3、……、n，j＝1、2、3、……、n，n是缸套和活塞的数量，Di为编号为i的缸套内径尺寸，dj为编号为j的活塞外径尺寸。对所有参与匹配的缸套和活塞的零件加工尺寸Di、dj的信息进行存储管理，封装录入系统的数据库。然后经计算设置出其匹配公差带为a～b，确定匹配精度为c值，a≤c≤b，当活塞与缸套的匹配公差越接近最优匹配精度c时，则匹配越优。

数据库中的活塞与缸套尺寸信息如下表1所示：

表1

由表1可知，符合加工精度要求的活塞及缸套，在彼此匹配过程中，需要满足匹配精度的要求，才能满足其装配质量要求，且活塞与缸套的尺寸差值越接近匹配精度c，就是越接近最优匹配公差值，则匹配精度越高。

在缸套与活塞的选配过程中，规划出匹配规则：优选实际尺寸匹配精度等于或靠近匹配精度c的缸套与活塞进行匹配，作为匹配条件保证每对缸套与活塞之间的匹配精度得到优化。将所有参与匹配的缸套和活塞中每一对存在匹配关系的缸套和活塞的尺寸值进行差值计算，即计算Di-dj，i＝1、2、3、……、n，j＝1、2、3、……、n，n是缸套和活塞的数量，得到一组匹配尺寸差值{R1，R2，R3，……Ri，……Rn}，其中Ri为编号为i的缸套的实际内径尺寸值与和其匹配的活塞的实际外径尺寸值的差值。同时计算出这一组匹配尺寸差值{R1，R2，R3，……Ri，……Rn}的平均值再计算出整体方差值$>S=\sqrt{{(R_1-\bar{R})}^2+{(R_2-\bar{R})}^2+\mathrm{......}+{(R_n-\bar{R})}^2}.$>将所得的平均值的整体方差值S作为衡量匹配整体优劣的评判标准，控制整机所有批量的缸套与活塞装配质量的稳定性，当整体方差值S越小时，则整体匹配稳定性越优。

根据匹配精度c和平均值的方差值S设定遗传算法适应度函数，遗传算法适应度函数为：object＝w₁*f₁+w₂*f₂，式中，w₁、w₂是影响系数，且满足w₁+w₂＝1，f₁是适应度函数的第一个子函数，f₁＝|(Di-dj)-c|，f₂是适应度函数的第二个子函数，f₂＝S，S中平均值R的整体方差值。

直接使用缸套与活塞的编号作为基因实值编码，确定种群初始染色体群。例如：如果参与匹配的缸套和活塞的数量都为6，则确定缸套的编号为123456，且缸套编号的顺序不变，活塞的编号为123456，则自动改变活塞编号的顺序以随机生成若干初始染色体，如：236451、354612、521364……。

设定交叉概率：较大的交叉概率可以使种群中的染色体充分交叉，但会增大破坏种群优良模式的可能性，导致搜索走向随机化；交叉概率越小，得到最优解的可能性越大，但会降低进化速度；一般交叉概率取0.4～0.99之间的某一个数字，在实际应用过程中应结合缸套活塞实际匹配情况合理地设定交叉概率。

设定变异概率：变异概率较大时，能增加种群的多样性，但可能会破坏掉种群具有的较好模式，导致搜索走向随机化；若变异概率太小，则易产生未成熟收敛；一般变异概率的取值范围是0.0001～0.1，在实际应用过程中应结合缸套活塞实际匹配情况合理地设定变异概率。

设定终止准则：通过设定遗传代数来控制遗传算法是否终止，一般遗传代数设置为参与选配的缸套和活塞的个数的3～5倍，例如：6个缸套和6个活塞进行选配时，遗传代数应设置为18～30之间。实际操作过程中，当参与匹配的缸套和活塞的数量已经确定时，可先设定一个遗传代数k进行计算，3n<k<5n，n为参与选配的缸套和活塞的个数。若在计算终止时，即遗传代数达到k，收敛现象未出现，则重新设置遗传代数k2>k，重新进行计算；若收敛现象在遗传代数k1<k时已经出现，则重新设置遗传代数k3，k1<k3<k，重新进行计算；直到找到一个合适的遗传代数，使得能出现收敛现象且计算时间较短。

选择：采用最佳保留选择算法进行染色体的选择，即首先采用轮盘赌的方法选择适应度70％的染色体作为下一代染色体(适应度值越小则被选中的概率越大)，然后将父代染色体中适应度最高的染色体直接完整复制到下一代。例如：从10条染色体{123456，354126，521346，423561，312546，635214，531624，426315，652413，365412}中进行选择，轮盘赌的方法可能选中7条染色体{354126，521346，423561，426315，123456，635214，365412}作为下一代染色体，若适应度值最小的染色体为652413，即适应度值最小的染色体不包含于轮盘赌所选中的7条染色体中，则直接将染色体652413复制到下一代；若适应度值最小的染色体为354126，即适应度值最小的染色体包含于轮盘赌所选中的7条染色体中，则同样将染色体354126复制到下一代。

交叉：采用常规的两点式交叉方法对染色体进行交叉重组，例如：将染色体245316和染色体623541进行交叉，则会随机地选择这两条染色体上的两点将染色体分成三段进行交叉。如果将染色体245316分成24|53|16，将染色体623541分成62|35|41，则两条染色体交叉后生成新的两条染色体243516和625341；如果将染色体245316分成24|531|6，将染色体623541分成62|354|1，则两条染色体交叉后生成的染色体为243546和625311，此时生成的新的染色体即活塞编号的顺序里面存在编号的重复和缺失，则将重复的编号随机选取一个换成缺失的编号，如243546变为243516或213546，625311变为625341或625314。

变异：按照变异概率进行变异，在满足变异概率时，将染色体前后互换，如染色体236415，会随机选择一点进行变异，如选择3与6之间的一点则23|6415变异后变为641523，这种变异方法有效地避免了活塞的重复。

终止：若遗传代数(即计算循环次数)没有达到设定值k，则继续选择；否则判断收敛现象是否出现，若收敛现象未出现，则重新设置遗传代数k2>k，重新进行计算；若收敛现象在遗传代数在k1<k时已经出现，则重新设置遗传代数k3(k1<k3<k)，重新进行计算；若收敛现象出现在k4<k且k4接近于k时，则直接输出最优染色体，即最优的活塞缸套编号的排列顺序，使活塞缸套达到一一对应装配的目的，减少装配的随机误差以及累计误差对活塞缸套工作性能的影响，降低装配的返工率及人工修配带来的装配周期延长的问题。