一种基于RBF的新能源动力电池壳工艺参数优化的方法与流程

本发明涉及金属板料冲压成形及工艺优化，尤其涉及一种基于rbf的新能源动力电池壳工艺参数优化的方法。

背景技术：

1、新能源车载电池包外部保护壳体通常为深腔薄壁矩形盒件，由于车机内部空间排布及轻量化的要求，对壳体壁厚精度要求较高。该类壳体多采用3003-h14铝合金，经冲压、拉深、变薄、切边等多道次工序成型，具有材料薄、工序多、精度高等特点，成型过程中极易出现起皱、开裂、壁厚不均匀等质量缺陷。通过数值仿真分析发现，壳体成型质量受冲压速度、压边力、摩擦因数、模具间隙等工艺参数影响显著。传统工艺参数优化多依赖经验或有限次数的数值模拟试错，耗时漫长、成本高昂，且难以获得全局最优的工艺参数组合。近年来，部分研究采用代理模型与智能优化算法相结合的方法进行工艺参数优化，例如线性神经网络（lnn）结合mopso算法、响应面法（rsm）结合粒子群算法、正交试验结合nsga-ii算法等。

2、然而，上述现有技术仍存在明显不足。代理模型如lnn和rsm的非线性映射能力有限，难以精确捕捉多道次变薄拉深过程中工艺参数与质量指标之间的强非线性耦合关系，尤其在设计空间边缘区域预测精度显著下降；而bbd、正交试验、ccd等经典试验设计方法的样本点集中于设计空间的角点和中心区域，对超维空间的填充均匀性不足，进一步影响了代理模型的全域泛化精度。在优化算法方面，nsga-ii依赖拥挤度距离维持种群多样性，在复杂pareto前沿形状下易导致解集局部聚集，pso算法则存在早熟收敛风险，均难以保证全局最优解的完整覆盖。此外，现有技术缺乏代理模型精度的定量验收阈值与动态加点机制，无法在模型精度不足时自动进行样本补充与模型更新，且多数方法未系统引入多属性决策机制来实现pareto解集到工程最优参数的精准锁定，导致优化结果与实际生产应用之间存在脱节。因此，如何提供一种能够克服上述缺陷的电池壳体冲压工艺参数优化方法，成为本领域亟待解决的技术问题。

技术实现思路

1、为解决以上问题，本发明通过采用优化拉丁超立方采样保证样本在全设计空间的均匀填充，以径向基函数神经网络构建高精度代理模型并设置精度验收阈值与动态加点机制，引入nsga-iii算法结合参考点机制维持种群多样性以克服局部最优问题，并通过topsis多属性决策实现最优参数的工程化锁定，系统优化新能源动力电池壳体拉深成形工艺参数，提升冲压稳定性与壳体成形质量。

2、根据本发明的实施例，提供了一种基于rbf的新能源动力电池壳工艺参数优化的方法。

3、在本发明的第一方面，提供了一种基于rbf的新能源动力电池壳工艺参数优化的方法。该方法包括：

4、步骤s01：确定冲压速度、压边力、摩擦因数和模具间隙为待优化工艺参数并构建设计空间，采用优化拉丁超立方采样获得初始工艺参数组合矩阵；

5、步骤s02：将所述初始工艺参数组合矩阵输入有限元分析模型进行多道次变薄拉深仿真，提取最大减薄率和最大主应变；

6、步骤s03：基于所述工艺参数及对应的最大减薄率和最大主应变构建rbf代理模型，并通过精度验收和动态加点获得满足精度要求的rbf代理模型；

7、步骤s04：以最大减薄率和最大主应变为优化目标，并结合成形质量约束和工艺参数边界构建多目标约束优化模型；

8、步骤s05：基于所述满足精度要求的rbf代理模型采用带参考点机制的nsga-iii算法对所述多目标约束优化模型进行迭代寻优，获得pareto最优工艺参数解集；

9、步骤s06：基于topsis对所述pareto最优工艺参数解集进行综合决策，确定最优工艺参数组合。

10、进一步地，所述的步骤s01中，采用优化拉丁超立方采样对所述设计空间进行采样，通过优化样本点的空间分布获得所述初始工艺参数组合矩阵。

11、进一步地，所述的步骤s02中，通过有限元分析模型对所述初始工艺参数组合矩阵中的各工艺参数组合进行多道次变薄拉深数值仿真，并从成形结束后的仿真结果中提取各工艺参数组合对应的最大减薄率和最大主应变。

12、进一步地，步骤s03中所述的rbf代理模型以所述冲压速度、压边力、摩擦因数和模具间隙作为输入，以所述最大减薄率和最大主应变作为输出，并采用决定系数与预设验收阈值进行精度验收。

13、进一步地，当所述的rbf代理模型的精度未达到预设验收阈值时，在预测误差对应的设计空间区域进行动态加点，补充有限元仿真样本并更新所述rbf代理模型，直至所述rbf代理模型达到所述预设验收阈值。

14、进一步地，步骤s04中所述的多目标约束优化模型具体为：以最大减薄率和最大主应变为双优化目标，并分别对所述最大减薄率和最大主应变进行最小化；所述成形质量状态约束包括最大减薄率不超过20%以及最大增厚率不超过10%；所述工艺参数边界约束包括冲压速度、压边力、摩擦因数和模具间隙分别处于对应的预设取值范围内。

15、进一步地，所述的步骤s05的具体步骤为：对nsga-iii算法的种群个体采用所述rbf代理模型预测最大减薄率和最大主应变，通过交叉和变异生成子代种群，对父代种群与子代种群进行约束支配下的非支配排序，在临界非支配层的个体数量超过下一代种群容量时，基于参考点关联及小生境计数对所述临界非支配层的个体进行筛选，并根据筛选结果形成下一代种群；当达到预设最大迭代代数或满足预设的种群收敛条件时终止迭代，并将最终非支配前沿中的工艺参数组合作为pareto最优工艺参数解集，否则继续进行下一代迭代。

16、进一步地，所述的步骤s06具体包括：

17、针对所述pareto最优工艺参数解集建立决策矩阵；

18、对所述决策矩阵进行无量纲化处理，确定正理想解和负理想解；

19、分别计算所述pareto最优工艺参数解集中各候选解与所述正理想解、所述负理想解之间的加权距离；

20、根据所述加权距离计算各候选解的综合贴近度，并选择综合贴近度最高的候选解作为最优工艺参数组合。

21、在本发明的第二方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如根据本发明的第一方面的方法。

22、在本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本发明的第一方面的方法。

23、本发明通过采用优化拉丁超立方采样保证样本在全设计空间的均匀填充，以径向基函数神经网络构建高精度代理模型并设置精度验收阈值与动态加点机制，引入nsga-iii算法结合参考点机制维持种群多样性以克服局部最优问题，并通过topsis多属性决策实现最优参数的工程化锁定，系统优化新能源动力电池壳体拉深成形工艺参数，提升冲压稳定性与壳体成形质量。

24、应当理解， 技术实现要素： 部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。

25、本发明的有益效果：

26、1、通过融合试验设计、rbf代理模型与nsga-iii优化算法，建立高精度、强泛化的工艺参数-质量指标代理模型，能够精确捕捉多道次变薄拉深过程中工艺参数与质量指标之间的强非线性耦合关系，提高代理模型在全设计空间的预测精度和泛化能力，解决了传统代理模型非线性映射能力有限和试验设计样本填充不均的问题；

27、2、本采用nsga-iii优化算法进行工艺参数优化，有效维持种群多样性，获得均匀分布的全局最优解集，避免了传统算法解集局部聚集和早熟收敛的问题，确保工艺参数优化的完整性和全局最优性；

28、3、通过本发明方法优化得到的工艺参数，能够有效控制壳体拉深成形稳定性和成形减薄率，提升冲压工艺的稳定性与成形件质量的一致性，避免起皱、开裂等缺陷，同时大幅降低试验次数和试模成本，显著提高加工质量和生产效率。