布局优化的掩模固化快速成型工艺

毕业设计外文资料翻译学院：河北科技大学理工学院专业：机械设计制造及其自动化姓名：董文博学号：12L0551077外文出处：RoboticsandcomputerIntegratedManufacturing18(2002)41-51附件：1.外文资料翻译译文；2.外文原文。指导教师评语：签名：年月日布局优化的掩模固化快速成型工艺X.Zhang,B.Zhou,Y.Zeng,P.Gu加拿大艾伯塔省卡尔加里卡尔加里大学机械制造工程系摘要快速成型制造技术，可直接用于CAD模型的产品开发，用来制造工具和制造模具。掩模固化(SGC)技术中的快速成型技术，适合建立多种不同零部件的快速成型样机和几何尺寸的批量生产，其成本降至最低。然而，平面CAD模型环境的布局是费时的。由于树脂的成本高,SGC的在任何工业环境中的布局模式是成功的关键。本文利用模拟退火布局优化技术。开发了一个软件系统是为了协助前部分进行各种型号的CAD几何形状的布置。STL系统接受来自任何实体造型环境的信息。下面提供几个例子来说明技术的有效性。1.引言全球的主导产品竞争日益需要厂商更加灵活地适应瞬息万变的市场需求。大幅削减产品开发时间将改善企业对市场的需求，因此赢得竞争优势。快速成型制造技术也不断提高了厂商建立三维模型和原型等几方面快速反应能力;而具有成本效益的生产模式和复杂模具曲面[1]的快速成型技术可直接从CAD模型生成原型。各种快速成型技术的出现，包括固化、选择性激光烧结(SLS)、熔融沉积制造、叠层实体制造、三维印刷和掩模固化(SGC)。它们有一个共同特点:成型制作是加入材料而不是像传统的那样去除材料或变形工序[2]。这些技术可以填补空间不确定具体部分的概念设计。该技术也可大大提高工作效率和模具制作工艺水准。SGC的过程能在单一格局内生产多种不同形状和尺寸的零件，因此适合批量生产。在SGC的制造过程中(图1)，使负截面的一部分产生静电收取玻璃板。这就像平时使用的激光打印机。在此期间，一层液态固化树脂以一种分布式的方式到位工作。然后放在工作空间的灯和表面之间用玻璃板挡起来，不是用激光束或者是紫外线灯注满空间和照亮整个层。剩余的液态树脂是用吸尘器抹去。向后移动的样盘上曝露在紫外线灯下第二次凝固的液态树脂没有被吸尘器完全清理干净。在这层充满热蜡液的空间，蜡被一个冷态金属碟子冷却到固体之后，这个树脂蜡层被刀具快速的粉碎成指定的大小。样盘从磨床回到曝光厅后，树脂的新层被应用。SGC程序能同时由一个限制简单的CAD模型形成多个复杂部件的玻璃装料模型。因此，可以用来生产机器前部分分批多型号。然而，在SGC的建立过程中，树脂不能被重复使用，因为它已经部分被恢复。如果我们要建立一个单一的部分，并且没有其它任何地方共享区段，这部分可以很昂贵，除非占有大多数的托盘模式。此外，大多数其它快速成型机必须依次编织每个过渡部分。虽然这些时间可由机器同时生产多种零部件而减少，生产时间的长短取决零件的数量和零部件的几何形状。在SGC的过程中，每一层曝露在具有相同时间紫外线灯下的跨度为预设操作。因此消费和制造树脂的每一层时间都是固定的，是一批独立的几何形状和数量的零部件。因此，当一批零部件的生产成本单纯依靠被生产层的数字时，为了最大限度地减少成本和生产率，各地应在每一批'封装'时给予尽可能低的示范区，使托盘制作的一批零部件成本降到最小。当两个或两个以上的部分是在在三维图形环境中同一时间制造时，具体操作模拟包装件应放置在它们或它们的CAD模型上。在计算机屏幕上的一个封袋内，可保证部件不相互干涉，而且它们完全在限制的体积之内。每批零件可用于不同的程序和不同客户。因此零件形状和大小可以相差很大，使得很难找到用手动解决的最佳经营模式的布局。因此，需要找到一个电脑系统的优化，配置一批生产成本最低的布局。图1描述SGC的制造过程2.相关研究工作布局问题的模型可归纳为典型装箱问题。应用装箱问题可用在集成电路设计、切割和股票等其它领域。典型的二维和三维装箱问题已被证明是疑难问题[3]。生产效率最优解的密切近似算法的开发对装箱问题具有重要现实意义是。这些方法包括:线性规划、启发式技术，模拟退火(SA)和遗传分析(GA)。线性规划方法已成功地广泛应用于学习、普通切割的问题中。然而，由于它们的结构或大小，这些方法对许多真正的问题是不适当的。在这种情况下，应用启发式手段，如动态规划搜索方法。动态规划法是一种把单个问题转换成一系列单阶段问题的算法,其难度是如何迅速确定最优决策。树-搜索的方法是将所有可能的解决方法罗列成树状结构，在同一条路径上开始和结束，当其被认为是已经找到的最佳答案或者是已经知道会造成令人不满意的解决方案后,上述大部分办法要么是最佳或接近最佳的解决方案,要么是不适用多种应用而且比较复杂形式的问题[4]。为克服线性规划、启发式方法的局限，研究成果已使用SA和GA解决封装问题。rao及Iyengar[5]适用于多样化的装箱问题。大量仿真实验表明典型的启发式方法已经显著的改进。cagan[6]摸索SA用二维和三维解决问题。适应退火时间表，多分辨率建模与动态步骤提出改进策略选择算法性能。Han和Na[7]嵌套方法提出了两个阶段:初级布局阶段，改善布局阶段。自组织算法辅助设计制造了一种'优的'初步布局;然后用SA布局作初步改善。Corcoran[8]探索GA问题在三维封装中的应用以便GA更好的解决三维封装问题。值得一提的是，ikonen等[9]用GA来为机器解决三维模型的规划问题。上述的研究大多简化了零部件的形状。ikonen几何方法的零件不需要在封装前简化。不过用这个方法搜索的封装过程可能非常费时(例如15个部件需要8.5小时)。总之，已证明它有解决GA和SA装箱问题能力。不过，GA和SA在效率和效益上很大程度取决于空间解来实施策略和目标功能。在这项研究中，SA算法目前应用于封装的具体问题，根据客观战略SGC的搜索功能和过程。3.制定示范布局问题在这项工作中，SGC的模盘代表容器的上限。这个问题的布局模式研究一批堪称封装大小不同零件的容器(集装箱)。封装任务具有以下三个目标:*装修进入指定型号集装箱;*避免模型重叠;*实现高密度封装.在目前的应用中，每一部分CAD模型用STL格式来表示。它由三角面坐标数据及其相应三维空间表面组成。相对于其它格式的CAD模型，STL格式非常简单。然而，如果STL模型是一个完整的信息编码算法，搜索会很费时，这是因为很平常的机械部分有成千上万的三角面的STL模型，一个简单操作如'旋转'或'移动'就是重新定位每一个三角面的新模式。此外，这些动作都是用数千'迭代'在SA搜索过程，因此简化是必要的。大多数的研究者只是包抄一部分，因为它是一个长方形盒子容易执行，使包装算法变得过于复杂[4]。这种方法还用于这项研究。不同之处在于制定具体的搜索功能和战略目标。三维模型图可以描述以下步骤(图二):1.解析STL文件的零件制造、每一个封闭部分产生示范。2.据具体算法封装。箱体批量的大小相同，机器的最大体积相同。3.计算每一部分更新STL文件。4.最后结果显示布局。步骤1，3，4涉及计算机图形学、可视化技术、所不明确的问题，涉及到包装、较易执行现有图形工具。我们的重点是在第2步。制定这一问题的关键是树立正确的算法。装箱问题可以作为最优化问题是方程。(1):其中n是模型的数量、pi是封装状态模型、p是布局、P是一批规划布局、B是轮廓边界Pi∩Pj两模型之间的交接、Pi∩B箱体边界和模型之间的交接、h总体规划高度与f高度目标函数映射成为集P实数。目前这个问题，是一个单批零件的布局满足限制方程(1)的界定。目标函数定义为整体的布局高度。典型的封装状态是由封袋的位置和方向决定的。每一个部分的坐标是由封袋的几何中心定义的。集装箱的左下角定义为整体的坐标原点。封袋的几何中心确定封袋在箱中的位置。典型的方位有六个如图(3)所示。一个状态对另一个状态的转变可通过一个或两个旋转操作实现。旋转操作是局部调整旋转轴附近的封袋。例如，图(3)把封袋的一种状态换成另一种状态，它可以绕X轴旋转也可以绕Y轴旋转。每个封装袋表面总是平行或垂直于正交轴。所以每个封袋的形式pi表示为:其中xi、yi、zi相对应的表示第i个封袋的顶点。θi表示它的方向，n是用来记数的;Xi、Yi、Zi表示第i个封袋沿x、y、z方向的长度。目标函数f定义为在有效方向上搜索到的合适的点。在这项研究中，目的是尽量减少总体布局的高度可以由下列公式:图3自由度导向示范在搜查过程中，通过已知的模型结果搜索更加准确的解决方法。在最后目标函数的设计中应该避免重叠。因此目标函数有两个条件f2:当两个平行长方形箱子重叠，重叠部分也是一个长方形。在方程(4)中Oij(x)、Oij(y)和Oij(z)表示第i个箱子和第j个箱子重叠部分沿x、y、z方向的长度。Oij表示重叠部分三个方向长度的总和。重叠量化方程(4)的线性叠加最常用于多目标函数优化[7，9]:不过，这个功能很少能够成功的优化这个封装的问题。在搜索过程中，解答f值方法是搜索目标函数值。不同的重量物品的比较结果，可以不同。因此这两个重量相对价值是至关重要的。f2变化范围是由各部分的数量和大小决定的，一对'重量'不同包装情况找不到一个比较好的方法。即使有重叠和客观高度的值也很难找到数学方法决定自己价值。如果w2远大于W1;目标函数将更为敏感变更重叠量f2:该模型将放置在搜索过程初期消除重叠。最后，将模型在集装箱里堆高，如果高度比意义更是值得考虑，较为敏感的全局高度和重叠量的目标函数将变化，因为目标函数值将因为高度下降而减少。避免难以确定的重量值、非线性目标函数和定义使用于这项研究。下面的目标函数:重叠高度上限是由集装箱高度决定的。当f2=1时因为f21无法成立函数值使f等于0，否则会引起冲突。换句话说，当目标函数值不再减少，就不会得到改善。在方程(4)重叠两个封袋重叠长度的计算总结三个方面。用数学给这两个封袋重叠部分定义合适的目标函数方程(7):在搜查过程中利用非线性目标函数搜索重叠的客观职能是好的，假设移动不可行组态(布局)可以导致上级可行配置(布局)[4]。以此为目标函数，算法引导搜索的走向会降低，布局重叠高度后已经很小。虽然还存在小小的重叠的型号，最后的总体布局的高度普遍较低。SA办法来解决上述问题的最优解比较试验都是封装重叠量化使用重叠方程(4)确定。SA办法在使用第一种方法时表现较差或没有更好的表现。测试结果将在后文表明。这里指的封装算法不能保证找到一个可接受的解决方案。消除重叠解决小SA所得的补偿算法是一个简单的程序。SA搜索过程完成后，如果存在重叠，补偿程序可以找出重叠模型和解决措施，显示他们最低重叠量。由于可能产生新的重复动作，再次检查所有型号；是否出现新的重叠，直到程序没有继续存在的重叠模式。重叠在大多数情况下，可以轻松地解决后执行这项补偿计划。在测试的情况下，整体水平SA提高不明显。4.模拟退火方法4.1观念SASA是基于物理概念金属热处理是为了找到最低能量金属状态。数学方法是用退火冷却时间表。SA是一个统计力学随机计算技术,用来寻找附近所有最低成本所得的解决大型优化问题的方法。在许多情况下，寻找一个客观的取小价值与功能的自由度受到许多限制，是一种矛盾的疑难问题。由于有许多客观的功能将趋于局部极小。优化程序解决这类问题，应寻找样本空间，如此才能使寻找最优或接近最优解在合理时间有一个高的概率。SA是由Kirkpatricketal[10]决定的。这一构想源自Metropolis[11]。最初的起始温度T;给予最大值，并假设系统处于初始状态开始计算目标函数值f。国家规定用p表示;然后测试六个点的转变职能。如果此举导致目标函数有所改善，用新的函数代替原函数。其目标函数值也用这个新解。这可以大概计算目标函数值。共认的概率决定如下:温度值开始随时间下降。每个温度系统都有几次不稳定。这反复进行温度迭代计算称为Markov链。迭代连环次数称为链长。最初，动作通过空间状态几乎随机的，造成了广泛的探索空间的客