一种基于强化学习的浇注温压寻优方法与流程
本发明属于铝合金压铸工艺智能优化,具体涉及一种基于强化学习的浇注温压寻优方法。
背景技术:
1、铝合金压铸件,尤其是铝合金家具及装饰压铸件,通常包括扶手、桌脚、支撑件、连接件和装饰件等多种产品部件。其生产过程一般包括铝合金熔炼或保温、压铸成型、锉披锋、氩弧焊、钻孔、喷涂上色以及终检入库等工序。不同产品部件通常对应不同模具,且模具的壁厚、浇口、流道、排气、溢流和热节分布存在差异,使得压铸阶段的浇注温度、压射参数、增压压力及保压时间等工艺参数需要随产品和模具状态进行调整。
2、在现有生产中,浇注温度和压射/增压压力曲线多依赖人工经验、历史工艺卡或少量试模结果确定。对于批量较大、结构较稳定的产品,工艺人员可以通过长期生产经验逐步修正参数;但对于小批量、多品种、多模具的铝合金压铸件,换模频繁且模具结构差异较大,历史温压配方难以直接迁移到新模具或新产品,容易导致新模具上线时需要多轮试错,增加试模成本和报废风险。
3、同时,压铸温压参数对产品质量的影响并不完全在压铸后即时显现。部分由充型不足、补缩不足、局部过热、气孔、缩松、表面针孔或披锋引起的缺陷,可能在后续锉披锋、氩弧焊、钻孔、喷涂上色或终检过程中进一步暴露。例如,压铸阶段形成的细微气孔或缩松可能导致焊接气孔、钻孔开裂或喷涂针孔,增压压力或锁模状态异常可能导致披锋增加和后续修整工作量增大。由于后续工序质量反馈相对于压铸阶段存在时间延迟,传统仅依据压铸即时外观和尺寸结果进行调参的方式,难以准确利用最终质量信息反向指导浇注温度和压射/增压压力曲线优化。
4、强化学习具有根据生产反馈持续优化工艺参数的能力,但若直接将其用于产线参数探索,可能输出超出设备能力、模具承载能力或铝合金凝固规律的温压参数,造成废品增加、模具损伤、飞料、锁模负荷异常或设备运行风险。
5、因此,亟需一种基于强化学习的浇注温压寻优方法,能够在生产目标压铸件前建立产品、模具、批次和压铸件的追溯关系,采集模具结构、铝液热状态、模具热场、压射/增压压力曲线及历史质量反馈数据;能够将压铸即时质量反馈及后续工序延迟质量反馈回填至对应温压动作,形成闭环训练样本,从而实现浇注温度和压射/增压参数的安全、可追溯、可迭代寻优。
技术实现思路
1、本发明的目的在于提供一种基于强化学习的浇注温压寻优方法,用于解决铝合金家具及装饰压铸件生产中不同模具之间温压参数难以迁移、浇注温度与压射/增压压力依赖人工经验调整、下游锉披锋及喷涂质量难以及时反向指导压铸参数优化,以及强化学习直接探索存在安全风险的问题。
2、为了实现上述目的,本发明提供了一种基于强化学习的浇注温压寻优方法,包括如下步骤:
3、s1、在生产目标压铸件前,建立目标产品、目标模具、生产批次、压铸件与产品标识或批次标识的追溯关系,并采集目标模具的结构数据、铝液热状态特征、模具热场特征、压射/增压压力曲线数据及历史质量反馈特征;
4、s2、由所述结构数据生成模具几何嵌入特征,将模具几何嵌入特征与所述铝液热状态特征、模具热场特征、压射/增压压力曲线数据和历史质量反馈特征组合成当前批次的联合状态;
5、s3、将所述联合状态输入强化学习模型,输出包含浇注温度和压射/增压压力曲线参数的候选温压动作;
6、s4、根据所述模具几何嵌入特征和模具热场特征确定可行参数域,将所述候选温压动作统一尺度化后校验或修正,得到可执行温压动作;
7、s5、将所述可执行温压动作写入熔化炉及浇注前温度控制单元,采集实际执行数据、压铸即时质量反馈和后续工序延迟质量反馈;
8、s6、基于后续工序延迟质量反馈计算延迟质量反馈的归因置信度,将延迟质量反馈按归因置信度并入多目标奖励,形成训练样本并更新强化学习模型;
9、其中,当目标模具为新模具且有效训练样本低于预设数量时,基于相似历史模具的温压配方生成初始温压动作后执行s4。
10、进一步地,s1中,所述追溯关系通过目标产品编号、模具编号、生产批次号、压铸件编号以及产品标识或批次标识建立;所述铝液热状态特征由铝合金牌号或成分范围、回炉料比例、炉内温度、出炉温度、保温时间、转运时间、浇注前等待时间和浇注前铝液温度直接采集或计算得到。
11、进一步地,s2中,所述结构数据来源于cad模型、模具设计参数表、三维扫描数据或人工录入数据;模具几何嵌入特征由壁厚分布、流动路径长度、浇口截面积、流道长度、排气路径长度、溢流槽体积、热节位置、投影面积和型腔数量生成,并用于确定浇注温度下限、增压压力上限、保压时间上限和相邻批次调整幅度。
12、进一步地,s3中,所述候选温压动作包括浇注温度设定值、浇注温度补偿量、低速压射速度、快速充型速度、增压压力峰值、增压建立时间、保压时间及压力积分目标值,并分别对应压铸生产线可写入的温度、速度、压力或时间控制参数。
13、进一步地,s4中,所述可行参数域由设备约束、铝合金凝固约束、模具安全约束和工艺调整幅度约束共同确定;将候选温压动作各分量按对应允许上下限统一尺度化后进行安全校验,将满足所述可行参数域的候选温压动作确定为可执行温压动作。
14、进一步地,候选温压动作不满足可行参数域时,按预设修正优先级对浇注温度、低速压射速度或压力、快速充型速度或压力、增压压力峰值、增压建立时间或保压时间进行修正;修正后仍不满足时,回退至历史相似模具的安全温压配方或人工确认的安全温压配方。
15、进一步地,s5中,通过温度传感器、压力传感器和压铸设备控制器采集实际浇注温度、实际压射/增压压力曲线及实际执行偏差;当实际执行偏差超过预设阈值时,将对应样本标记为执行异常样本,并降低其训练权重或排除其正向奖励。
16、进一步地,s6中,所述后续工序延迟质量反馈包括喷涂线温度、线速、涂料批次、前处理状态、挂具状态、焊接电流、钻孔刀具状态或环境湿度是否处于预设稳定范围;任一关键参数异常时,将对应延迟质量反馈的奖励权重降低或置零。
17、进一步地,所述训练样本包括当前批次的联合状态、可执行温压动作、多目标奖励、下一批次联合状态和异常标记;多目标奖励由压铸即时质量反馈、锉披锋反馈、氩弧焊反馈、钻孔反馈、喷涂上色反馈和终检反馈中的至少两类质量反馈合成。
18、进一步地,所述新模具的初始温压动作按如下方式生成:提取新模具的模具几何嵌入特征,与历史模具几何嵌入特征进行相似度匹配;当最高相似度不低于预设阈值时,按相似度权重融合历史温压配方;当最高相似度低于预设阈值时,采用人工确认的安全温压配方。
19、综上所述,由于采用了上述技术方案,本发明的有益效果是:
20、1、本发明通过构建模具、铝液、热场、压力曲线和后处理质量的联合状态空间,使强化学习模型的输入不仅反映当前压铸工况,还反映目标模具结构、铝液热状态、模具热场变化以及后续质量反馈趋势。由此,浇注温度和压射/增压压力曲线的优化不再局限于单一压铸初检结果,而是能够与铝合金家具及装饰压铸件的实际物理成型过程和最终成品质量建立对应关系;
21、2、本发明将强化学习的动作空间聚焦为浇注温度和压射/增压压力曲线参数,并使强化学习输出的候选动作经过物理约束安全层处理后形成可执行温压工艺配方。所述可执行温压工艺配方用于调整熔化炉或浇注前温度控制单元以及压铸设备压力曲线控制单元的控制参数,使浇注温度、低速阶段压力、快速充型阶段压力、增压压力峰值、增压建立时间和保压时间能够随模具结构、铝液热状态和模具热场进行闭环优化;
22、3、本发明在强化学习输出与设备执行之间设置物理约束安全层,使候选温压动作必须满足设备能力、铝合金凝固规律、模具温度梯度、锁模能力以及相邻批次调整幅度等约束后才能写入设备控制单元。由此能够在保留强化学习自适应寻优能力的同时,降低无约束探索导致的废品增加、模具损伤、锁模负荷异常、压力曲线超限或温度超限风险,提高产线实际执行的安全性和稳定性;
23、4、本发明将锉披锋、氩弧焊、钻孔、喷涂上色以及包装入库终检结果作为延迟奖励来源,并通过产品标识或批次标识回填至对应的可执行温压动作,使模型能够学习浇注温度和压射/增压压力曲线对披锋、焊接气孔、钻孔裂纹、喷涂针孔、缩孔、色差、涂层附着力以及终检报废的影响。同时,对于新模具上线场景,本发明可基于模具几何嵌入相似度复用历史模具经验,在物理约束下生成初始温压配方并进行少样本更新,从而减少人工试模批次,有利于提高历史工艺经验的复用效率和新模具调试效率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com