一种基于数字孪生的压铸工艺参数优化方法与流程
本发明涉及压铸工艺,具体为一种基于数字孪生的压铸工艺参数优化方法。
背景技术:
1、压铸是一种高效率的金属铸造工艺,核心原理是在高压作用下,将液态或半液态金属以高速注入精密金属模具型腔,并在压力下快速凝固成型,压铸过程中的充型、传热与凝固行为极为复杂,任何一个工艺参数的波动,均会直接影响铸件的致密度、表面质量及内部缺陷分布,因此,工艺参数的精确设定与动态优化以及生产线的系统化管控,是压铸过程控制的核心问题。
2、目前,行业内主要采用依赖人工经验与离线试验的传统管控模式和基于单一物理场或简化模型的仿真优化方法两种技术路线;
3、现有一体化压铸生产线的管控多依赖人工经验与分散式控制系统,在设备管理方面,压铸机、超大型模具、真空系统等核心设备的运行状态监测相互独立,在工艺管控层面,传统方法难以精准模拟铝液长距离充型过程中的压力衰减与温度场分布规律,工艺参数优化依赖反复试错;
4、基于单一物理场或简化模型的仿真优化方法,尝试通过数值模拟手段辅助工艺设计,但大多仅关注单一物理场,未充分考虑充型流动、传热与凝固等多物理场的强耦合效应,导致仿真精度不足;
5、综上所述,传统方法主要基于实验数据统计或离线仿真,无法根据设备运行状态、材料批次波动或模具磨损等实时变化动态调整工艺参数,导致参数优化结果滞后于实际生产条件变化,未建立虚拟仿真模型与实际设备之间的动态双向映射与持续更新机制,导致数字模型与物理产线在长期运行中逐渐失配,优化结果难以持续有效,多聚焦于单一质量指标的优化,难以在铸件质量、生产效率等多重目标之间实现动态权衡与协同优化,故而提出一种基于数字孪生的压铸工艺参数优化方法来解决上述的问题。
技术实现思路
1、针对现有技术的不足,本发明提供了一种基于数字孪生的压铸工艺参数优化方法,具备内外双循环动态寻优,实现多目标自适应协同进化等优点,解决了传统方法主要基于实验数据统计或离线仿真,无法根据设备运行状态、材料批次波动或模具磨损等实时变化动态调整工艺参数,导致参数优化结果滞后于实际生产条件变化,未建立虚拟仿真模型与实际设备之间的动态双向映射与持续更新机制,导致数字模型与物理产线在长期运行中逐渐失配,优化结果难以持续有效,多聚焦于单一质量指标的优化,难以在铸件质量、生产效率等多重目标之间实现动态权衡与协同优化的问题。
2、为实现上述目的,本发明提供如下技术方案:一种基于数字孪生的压铸工艺参数优化方法,包括以下步骤:
3、s1.采集包括设备状态数据、工艺过程数据、质量检测数据的多源数据,对多源数据进行预处理并构建标准化多源数据集;
4、基于标准化多源数据集构建数字孪生模型和初始多目标适应度函数;
5、s2.根据设备状态数据计算设备健康指数,基于设备健康指数计算初始安全约束边界的收窄幅度,从而得到最优安全约束边界;
6、若最优安全约束边界为空集或范围低于预设最小可行域,则触发设备维护预警并暂停优化;若否,则进入下一步骤;
7、s3.基于最优安全约束边界构建带物理约束的增广目标函数,以质量检测数据为引导,在最优安全约束边界内,基于数字孪生模型对工艺过程数据进行当前轮次迭代寻优,得到候选工艺参数组合;
8、若候选工艺参数组合触发最优安全约束边界,则立即被增广目标函数施加惩罚项并剔除;
9、若候选工艺参数组合未触发最优安全约束边界,则输出为候选最优工艺参数组合。
10、进一步,所述步骤s1中进一步引入双引擎数字孪生模型;
11、基于标准化多源数据集建立多物理场仿真模型作为物理引擎;
12、基于卷积神经网络与长短期记忆网络的混合神经网络构建数据驱动代理模型作为数据引擎;
13、将物理引擎与数据引擎融合形成双引擎数字孪生模型;
14、以工艺过程数据中的每个特征作为待优化的决策变量,基于历史数据为各决策变量设定初始安全约束边界;
15、将所述决策变量输入所述双引擎数字孪生模型,输出质量预测结果和生产效率预测结果;
16、基于质量预测结果和生产效率预测结果构建初始多目标适应度函数。
17、进一步,所述步骤s2中进一步引入多目标适应度函数的预设权重动态调整机制;
18、比对质量预测结果、生产效率预测结果与历史数据,得出预测结果偏差和效率预测偏差;
19、基于预测结果偏差和效率预测偏差计算出对应的偏差程度,根据偏差程度动态调整多目标适应度函数的预设权重。
20、进一步,所述步骤s3中进一步引入候选最优工艺参数组合的质量目标与约束条件比对机制;
21、载入预设的产品质量设计指标与生产效率要求,作为预设质量目标与预设约束条件;
22、将候选工艺参数组合代入双引擎数字孪生模型,得到预测质量指标与预测生产效率;
23、将预测质量指标、预测生产效率分别与预设质量目标、预设约束条件进行比对;
24、若同时满足预设质量目标、预设约束条件,则输出为候选最优工艺参数组合;
25、若预设质量目标、预设约束条件中的任一指标不满足,则返回当前轮次迭代寻优。
26、进一步,所述输出候选最优工艺参数组合后进一步引入s4外循环进化与收敛判定机制;
27、将候选最优工艺参数组合输出至可编程逻辑控制器和制造执行系统执行生产,得到实测质量检测数据和实测生产效率数据;
28、将实测质量检测数据与双引擎数字孪生模型输出的质量预测结果进行比对,计算预测偏差;
29、当预测偏差大于预设容忍阈值时,则触发增量学习机制并重新回到s3中;
30、若连续触发增量学习机制超过预设最大迭代次数,则触发模型全量重训练警报,同时将预测偏差作为反馈信号回传至s2,驱动下一批次的预设权重重构,形成外循环进化链路;
31、若否,则将预测偏差作为反馈信号回传至s2,驱动下一批次的预设权重重构,形成外循环进化链路;
32、当预测偏差不大于预设容忍阈值时,则进入下一步的收敛判定;
33、若连续多个批次的预测偏差持续小于预设容忍阈值,且实测质量检测数据中的实测缺陷率均低于预设质量目标时,则判定工艺过程数据已收敛至最优状态,将当前候选最优工艺参数组合标记为长期生产的最优基准参数,并将最优基准参数回传至s3中作为迭代寻优的初始解。
34、进一步,所述预设容忍阈值进一步引入基于预测结果偏差和效率预测偏差得到的偏差程度动态设置;
35、获取步骤s3中按预设周期计算得到的当前批次偏差程度,并构成偏差程度序列;
36、对偏差程度序列进行统计分析,计算该序列中的最大偏差程度与最小偏差程度的差值,并作为当前偏差幅值;
37、以历史偏差幅值的平均值作为基准幅值,将当前偏差幅值与基准幅值进行比对;
38、若当前偏差幅值大于基准幅值,则以预设步长为单位降低预设容忍阈值;
39、若当前偏差幅值小于基准幅值,则以预设步长为单位提高预设容忍阈值;
40、若当前偏差幅值等于基准幅值,则保持预设容忍阈值不变。
41、进一步,所述预设容忍阈值的当前上限值和当前下限值进一步引入基于设备健康指数动态设定;
42、获取步骤s2中计算得到当前批次的设备健康指数,以及历史设备健康指数,以设备健康指数处于预设健康区间时所对应的容忍阈值作为基准上限值和基准下限值;
43、计算当前批次的设备健康指数与历史设备健康指数的差值绝对值,以差值绝对值和预设调整系数计算出调整量;
44、若当前批次的设备健康指数小于历史设备健康指数,则判断基准上限值和基准下限值收窄,当前上限值为基准上限值减去调整量,当前下限值为基准下限值加上调整量;
45、若当前批次的设备健康指数大于历史设备健康指数,判断基准上限值和基准下限值放宽,当前上限值为基准上限值加上调整量,当前下限值为基准下限值减去调整量;
46、若当前批次的设备健康指数等于历史设备健康指数,则保持基准上限值和基准下限值不变。
47、进一步,所述进一步引入数据参数定义与增广目标函数构建方式;
48、所述工艺过程数据包括模具温度、注射速度、保压压力和冷却时间;
49、所述注射速度包括慢速注射阶段速度、快速注射阶段速度和增压注射阶段速度;
50、所述设备状态数据包括压铸设备的压力、温度和速度参数;
51、所述质量检测数据包括表面缺陷、尺寸偏差和内部质量数据;
52、所述增广目标函数的构建方式为:
53、基于多目标适应度函数,将最优安全约束边界以惩罚函数形式作为惩罚项纳入,形成带物理约束的增广目标函数。
54、与现有技术相比,本发明提供了一种基于数字孪生的压铸工艺参数优化方法,具备以下有益效果:
55、1、该基于数字孪生的压铸工艺参数优化方法,通过构建由多物理场仿真模型与cnn-lstm混合神经网络融合而成的双引擎数字孪生模型,解决了传统仿真方法仅关注单一物理场、未充分考虑充型流动、传热与凝固等多物理场强耦合效应导致仿真精度不足的问题,同时利用生产数据持续修正模型偏差,显著提升了数字孪生模型对铸件质量与生产效率的预测精度;
56、2、该基于数字孪生的压铸工艺参数优化方法,通过实时比对质量预测结果、生产效率预测结果与历史数据,计算偏差程度并动态调整多目标适应度函数的预设权重,同时在迭代寻优中引入质量目标与约束条件的双重比对机制,解决了传统方法预测偏差缺乏自适应调整能力、以及难以在质量与效率等多重目标之间实现协同优化的问题;
57、3、该基于数字孪生的压铸工艺参数优化方法,通过将实测质量数据与模型预测结果比对计算预测偏差,当偏差大于预设容忍阈值时触发增量学习机制并将偏差信号回传至权重重构环节,形成外循环进化链路,同时通过收敛判定将满足条件的最优参数标记为长期基准参数并回传至迭代寻优环节作为初始解,解决了传统方法未建立虚拟模型与实际设备之间动态双向映射与持续更新机制、优化结果难以长期有效的问题,实现了数字孪生模型与实际产线的闭环进化;
58、4、该基于数字孪生的压铸工艺参数优化方法,通过获取多批次偏差程度构成偏差程度序列,计算偏差幅值并与历史基准比对,以预设步长动态调整预设容忍阈值,同时获取当前与历史批次的设备健康指数差值计算调整量,根据设备健康指数变化方向动态收窄或放宽容许阈值的上下限范围,解决了固定阈值无法适应材料批次波动、模具磨损及设备退化等动态工况的问题,实现了预设容忍阈值随实际偏差波动与全生命周期设备健康状态的双重自适应调节。
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