一种变径管充液成形加载路径优化设计方法与流程
本发明涉及变径管充液成形,具体涉及一种变径管充液成形加载路径优化设计方法。
背景技术:
1、管材充液成形属于金属液力成形的一种,将管坯放入模具的型腔当中,在内部高压液力与管端轴向力的共同作用下,迫使管坯填充型腔、鼓胀贴模,成形为所需的零件几何形状。相比于金属管件传统的冲压、焊接成形工艺,此技术零件成形适用范围广、可减少成形后回弹,提高成形精度和表面质量、可减少后续焊接工艺对零件性能的影响,提高零件的整体性和复合性。
2、在管材充液成形过程中,液体介质压力需和冲头进给相互配合,加载路径是指液体介质压力和冲头进给的参数值及变化情况,是管材充液成形技术中核心的工艺参数。针对同种材料,结合零件几何尺寸,设计出正确合理的加载路径可以减少和消除成形过程中破裂、起皱等成形缺陷,改善零件成形性能,提高成形质量。
3、但是,目前管材充液成形加载路径设计缺乏科学系统的指导,主要依赖经验估计方法,一方面精度差,受限于工艺人员个人经验和能力的差异,其设计往往存在随意性大、科学性差的缺点,得到的方案通常不是最佳方案;另一方面效率低,往往需要多次反复试错才能形成可靠的制造方案。
4、因此,综合考虑管材几何尺寸参数,建立加载路径与零件弯曲效果间的作用关系,应用科学的方法对加载路径进行快速优化设计,是发挥充液成形工艺在铝合金管材制造领域中优势的关键所在。
技术实现思路
1、本发明的目的是提供一种变径管充液成形加载路径优化设计方法,用以克服现有技术主要依赖经验估计方法所存在的设计方案不理想、效率低下等问题。
2、为了实现上述任务,本发明采用以下技术方案:
3、一种变径管充液成形加载路径优化设计方法,包括:
4、步骤1,确定神经网络模型的输入参数和输出参数;其中将充液成形目标零件几何尺寸参数和充液成形加载路径作为模型的输入参数,将管材以当前充液成形加载路径进行充液成形后的多个成形质量考评参数作为模型的输出参数;
5、步骤2,在实际管材零件充液成形生产过程中,收集不同管材零件的几何尺寸参数和充液成形加载路径,计算出对应的成形质量考评参数,得到原始样本数据集;
6、步骤3,对原始样本数据集进行预处理和划分;
7、步骤4,确定性能最优的神经网络结构以建立充液成形质量预测模型;
8、步骤5,采用多目标差分进化算法进行充液成形加载路径的迭代优化,在优化过程中利用所建立的充液成形质量预测模型给出不同充液成形加载路径所对应的成形质量考评参数;
9、步骤6,基于优化得到的最终种群的其帕累托前沿进行最优个体筛选,从而得到充液成形加载路径的优化结果。
10、进一步地,所述目标零件几何尺寸参数包括原始外径、变径段外径、变径段长度、过渡段倾斜角和壁厚;所述充液成形加载路径包括成形压力和冲头位移;所述成形质量考评参数主要包括最大减薄率、起皱因子和破裂情况;破裂情况分为两类:破裂和不破裂。
11、进一步地,最大减薄率的表达式如下:
12、;
13、式中,为管材原始壁厚,为管材成形后最小壁厚;
14、起皱因子表达式如下:
15、;
16、式中,为第个起皱处高度,为起皱处宽度,为起皱数量,若不起皱则为0。
17、进一步地,建立两个神经网络模型,分别用于最大减薄率和起皱因子的回归预测问题和是否发生破裂的二分类问题;所述神经网络模型采用具有三层结构的全连接前馈神经网络,包括用于接收输入数据的输入层、用于提取高阶特征与非线性映射的隐藏层,以及用于输出结果的输出层;所述隐藏层由全连接层和激活函数构成;
18、两个神经网络模型输入层以及输出层的节点数均相同,所不同在于处理二分类问题的神经网络模型的输出层需经sigmoid函数处理后才视为最终输出;而处理回归预测问题的神经网络模型的输出层直接输出最终结果。
19、进一步地,所建立的两个神经网络模型均按照如下步骤进行结构调优:
20、限制神经网络模型的隐藏层节点数量,采用的经验公式如下:
21、;
22、其中,
m为隐藏层节点数;
n为输入层节点数;
l为输出层的节点数;a为常数;
23、改变神经网络模型的结构;通过将a从预设取值范围内进行遍历,从最少隐藏层节点数逐渐增加至最多隐藏层节点数,基于同一个训练数据集训练所得到的不同结构的神经网络模型,保留训练后准确率最高且精度指标满足要求的神经网络模型作为充液成形质量预测模型。
24、进一步地,采用多目标差分进化算法进行充液成形加载路径的迭代优化,包括:
25、步骤5.1,设定充液成形加载路径所包含参数的范围,包括充液成形加载过程中冲头位移、成形压力的上下限;
26、步骤5.2,根据预设的种群大小,利用充液成形加载路径所包含参数的范围,构造用于进行多目标差分进化算法充液成形加载路径优化的初始种群,初始种群各个体表示为:;其中,x为初始种群中个体,为成形压力的一个具体取值,为冲头位移的一个具体取值;
27、步骤5.3,将初始种群个体以及提前设定的充液成形目标零件几何尺寸参数作为输入,利用充液成形质量预测模型得到初始种群中不同个体所对应的成形质量考评参数;
28、步骤5.4,采用多目标差分进化算法进行路径优化操作,操作过程依次为差分变异、交叉和选择保留个体;
29、步骤5.5,若当前进化代数小于预设进化代数,则返回步骤5.4,否则,将当前种群作为最终种群。
30、进一步地,其中,冲头位移的上下限计算公式为:
31、;
32、上式中,、为冲头位移的下限、上限;目标零件的原始外径、变径段外径、变径段长度
l、过渡段倾斜角和壁厚;
33、成形压力的上下限的计算公式为:
34、;
35、式中,、为成形压力的下限、上限;为管材初始屈服强度,为管材的抗拉强度。
36、进一步地,采用多目标差分进化算法进行路径优化操作,包括:
37、步骤5.4.1,根据预设的初始变异算子以及当前进化代数得到本次进化采用的变异算子,并利用该算子对父种群中的个体进行差分变异过程,得到变异子种群;
38、步骤5.4.2,根据父种群、变异子种群以及预设的交叉概率进行交叉操作,得到交叉子种群;
39、步骤5.4.3,将交叉子种群的个体信息以及提前设定的充液成形目标零件几何尺寸参数作为输入,利用充液成形质量预测模型得到交叉子种群中不同个体所对应的成形质量考评参数;
40、步骤5.4.4,基于成形质量考评参数,将父种群中个体与其在交叉子种群中所对应的个体进行比较:
41、首先比较破裂情况,若有一方发生破裂,则记录未发生破裂的个体;若双方均未发生破裂或均发生破裂,则比较大减薄率和起皱因子,若有一方支配另一方,则记录占支配地位的个体,否则,同时记录两个个体;
42、步骤5.4.5,比较完成后,返回所记录的个体集合;
43、步骤5.4.6,比较所记录的个体集合与预设的种群大小,若二者大小相同,则将所记录的个体作为下一代父种群,否则,首先考虑删去发生破裂的个体直至种群大小恢复为预设的种群大小;若删去全部发生破裂的个体后剩余个体数仍超过预设的种群大小,则利用最大减薄率和起皱因子进行非支配排序以及拥挤度计算,按照帕累托等级和拥挤度在所记录的个体集合中选择作为下一代父种群的个体。
44、进一步地,基于优化得到的最终种群的其帕累托前沿进行最优个体筛选,包括:
45、若最终种群中全部个体均未发生破裂,则对所有个体执行非支配排序,获得该种群的帕累托前沿,此后依据工程实际偏好在该前沿中选取最优个体;若最终种群中存在破裂个体,则首先剔除所有发生破裂的个体,再对剩余个体执行非支配排序并获取其帕累托前沿,最终在该前沿中选取最优个体;则最优个体中所包含的充液成形加载路径所包含参数的具体取值,即为充液成形加载路径的优化结果。
46、一种终端设备,包括处理器、存储器以及存储在所述存储器中的计算机程序;处理器执行计算机程序时,实现所述变径管充液成形加载路径优化设计方法。
47、一种计算机可读存储介质,所述介质中存储有计算机程序;计算机程序被处理器执行时,实现所述变径管充液成形加载路径优化设计方法。
48、与现有技术相比,本发明具有以下技术特点:
49、1.本发明采用多目标差分进化方法来设计充液成形加载路径,获取加载路径的最优值,解决了现有设计的盲目性、经验性、非最优等问题,充分发挥了材料的成形性能,提高了管材充液成形质量;
50、2.本发明在每次差分进化方法的迭代中,调用基于神经网络的充液成形质量预测模型来分别预测最大减薄率、起皱因子和破裂情况,在保证精度的同时,降低了数十倍的有限元模拟工作量,大大提高了优化效率,缩短研发周期;同时可以直接通过算法进行反复试错取代实际充液成形试错,有效降低了生产成本。
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