CN100383796C - 铜合金管材铸轧工艺参数设计及优化的方法 - Google Patents

铜合金管材铸轧工艺参数设计及优化的方法 Download PDF

Info

Publication number
CN100383796C
CN100383796C CNB2005100479036A CN200510047903A CN100383796C CN 100383796 C CN100383796 C CN 100383796C CN B2005100479036 A CNB2005100479036 A CN B2005100479036A CN 200510047903 A CN200510047903 A CN 200510047903A CN 100383796 C CN100383796 C CN 100383796C
Authority
CN
China
Prior art keywords
parameter
design
neural network
rolling
finite element
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CNB2005100479036A
Other languages
English (en)
Other versions
CN1979496A (zh
Inventor
张士宏
李章刚
刘劲松
张光亮
李冰
程明
申卫华
张蓉霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Metal Research of CAS
Original Assignee
Institute of Metal Research of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Metal Research of CAS filed Critical Institute of Metal Research of CAS
Priority to CNB2005100479036A priority Critical patent/CN100383796C/zh
Publication of CN1979496A publication Critical patent/CN1979496A/zh
Application granted granted Critical
Publication of CN100383796C publication Critical patent/CN100383796C/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Continuous Casting (AREA)

Abstract

本发明公开一种铜合金管材铸轧工艺参数设计及优化的方法。它以数据库为设计基础,神经网络为工艺参数和工艺指标的设计方法,遗传算法为工艺参数优化手段,综合集成神经网络、遗传算法,有限元模拟、试验设计、CAD参数化设计和数据库技术于工艺设计和参数优化中,设计并优化铜合金管材铸轧的工艺参数。本发明自动化程度高、能适用于铜合金管材的加工变形,使缺少丰富专业知识人员也能制定出准确规范的加工工艺。

Description

铜合金管材铸轧工艺参数设计及优化的方法
技术领域
本发明涉及铜合金管材加工技术,具体地说是一种将神经网络、遗传算法,有限元模拟、试验设计、CAD参数化设计与数据库技术运用到工艺参数设计和优化中,来确定铜合金管材铸轧生产最优工艺参数的方法。
技术背景
铸轧工艺又称水平连铸——行星轧管供坯法,是芬兰OUTOKUMPU公司上世纪八十年代中期研制发明的用来生产精密铜管的方法。该工艺具有流程短、成品率高、成本低、设备投资少等显著优点,是当前先进的ARC铜管生产技术。它取消了铸锭加热、挤压等,直接由水平连铸机组生产出空心管坯,采用三辊行星轧机轧制铸坯,轧制后进行游动芯头拉拔,然后在线卷曲成盘,它使生产单重超过500kg的铜管成为可能。该工艺包括三大主要工序:水平连铸、三辊行星轧制和游动芯头拉拔。
铜合金管材铸轧生产是典型的多品种、多规格,多工序的加工工艺,管材经常在尺寸、形状和材料等方面变化,使得铜合金管材加工工艺设计有很大的变动性,而且工作量大、效率低,即使是有专门知识和丰富经验的工程师也很难在短时间内完成。由于生产的规模化和连续化,一旦出现工艺设计失误,很可能造成大量的资源浪费,严重影响企业生产。研究开发铜合金管材铸轧工艺参数的设计及优化方法,可以指导管材加工生产,提高产品质量,加快生产和研发周期,降低成本,增强企业竞争力。
以往的工艺参数的设计是根据工程师自身经验和反复的现场试验来确定生产工艺参数,这种方法不但智能和自动化程度低、设计方法单一、影响企业的正常生产,而且难以有效的进行工艺参数设计,特别是很难保证得到工艺参数是最优参数。目前,也有企业用推理机的形式,通过将经验知识、公式等经过归纳和整理后,建立知识库。根据知识的表达模型将知识映射为计算机可识别的结构或程序,使之能够以逻辑方式来推理工艺参数的设计和优化。但金属成形加工是一个非常复杂的变形过程,既有材料非线性,又有几何非线性,再加上复杂的外界约束的影响,导致成形过程非常复杂。多种工艺参数的交互影响使得难以用传统的推理机来寻找最优的工艺参数组合。而且由于经验知识的获取是间接的,这样推理机的知识获取困难,常会因知识库的不良结构造成知识组合***。
发明内容
为了克服现有方法不足,本发明的目的在于提出一种铜合金管材铸轧工艺参数设计及优化的方法。采用本发明可根据成品规格和所用合金材料,按照铜管生产流程实现铸轧工艺中水平连铸、三辊行星轧制和游动芯头拉拔三个主要工序的智能化工艺参数设计和优化,它自动化程度高、能适用于各种复杂的加工变形,使缺少丰富专业知识人员也能制定出准确规范的加工工艺。
本发明技术方案是以数据库为设计基础,神经网络为工艺参数和工艺指标的设计方法,遗传算法为工艺参数优化手段,综合集成神经网络、遗传算法,有限元模拟、试验设计、CAD参数化设计和数据库技术,并运用到工艺设计和参数优化中,对铜合金管材铸轧的三个工艺步骤进行工艺参数设计和优化,以得到最优的工艺参数。具体如下:
一、数据库的设计
建立水平连铸、三辊行星轧制和游动芯头拉拔的数据库,将数据库作为参数设计和优化的基础,数据库中储存了工厂这三种工序的生产数据,标准数据和临时数据;工厂生产数据包括有:规格库、设备库、操作库、原材料库、模具库、备件库、成份库、工艺设计库和设计结果库;标准数据包括各种规格产品的国家标准以及欧美、日本等国的标准文件;临时数据包括初始设计数据和计算产生的中间数据。
二、有限元模拟
采用有限元模拟技术可以解决各种复杂的边界以及非线性问题,用于加工领域可以提高产品质量、缩减产品研发周期,并能降低成本、提高生产率。随着计算机水平的提高,用商用有限元软件模拟成形加工工艺已经成为一种强有力的分析手段,而且精度可以满足工程设计的应用,可替代现场工艺试验。设计人员在有限元前处理中输入几何参数、工艺参数和材料参数,经过计算后,可在后处理环境中得到需要的计算结果。采用有限元数值模拟步骤,分别得到水平连铸中的水平连铸温度场、温度梯度和冷却速度值,并导出裂纹萌生倾向值;三辊行星轧制中轧制力计算数值和轧制成形缺陷模拟结果;以及游动芯头拉拔中的拉拔力计算数值和拉拔成形缺陷模拟结果。轧制成形缺陷包括断裂、撕裂和轧卡。拉拔成形缺陷是拉断。
由于有限元其建模需要相应的专业知识,而且计算长,为了让非专业人员能快速进行设计,本发明用均匀试验设计的方法安排有限元数值模拟方案。均匀试验设计可经济地、科学地、合理地安排有限元数值模拟次数。合理的试验方案设计可以在进行较少的数值模拟时间、较低的成本情况下,得到全面的反映输入量和输出量之间定量规律的信息。
三、神经网络
多层神经网络具有高度非线性拟合性质以及对多输入多输出问题广泛的适应性,它长于处理联想记忆、形象思维等方面的推理,并具有自组织和自学习能力。可以解决获取知识的瓶颈问题。基于神经网络的方法可以看作是规则的一种隐式表示。
对于已有的工艺设计方案,本发明通过多层人工神经网络来学习,用训练后的神经网络来计算得到相应产品规格所对应的游动芯头拉拔中的拉拔配模设计工艺参数(总拉拔道次和每道次的铜管壁厚、外径值)。
神经网络还可与有限元数值计算结合,对丰富的有限元数值计算知识进行挖掘,从中发现有用的信息规则。神经网络训练后得到的阀值和权值矩阵作为一种隐含规则,可映射工艺参数与工艺指标的关系。铜合金管材铸轧的工艺指标包括水平连铸的裂纹萌生倾向值,三辊行星轧制的轧制力和轧制成形缺陷值、游动芯头拉拔的拉拔力和拉拔成形缺陷值。根据有限元数值模拟计算结果,本发明通过多层人工神经网络来学***连铸工艺、三辊行星轧制工艺和游动芯头拉拔工艺中的工艺指标值。
四、遗传算法
遗传算法不同于传统优化算法,它是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法,有较大可能性得到全局最优解。它采用人工进化的方式对目标空间进行随机化搜索,将问题域中的可能解看作是群体的一个个体或染色体,并将每一个体编码成符号串形式,模拟达尔文的遗传选择和自然淘汰的生物进化过程,对群体反复进行基于遗传学的操作(遗传,交叉和变异),根据预定的目标适应度函数对每个个体进行评价,依据适者生存,优胜劣汰的进化规则,不断得到更优的群体,同时以全局并行搜索方式来搜索优化群体中的最优个体,求得满足要求的最优解。以遗传算法来搜索最优化的工艺参数的步骤特别适用于处理以往搜索算法解决不好的复杂和非线形问题,在工程领域得到了广泛的应用。
对工艺参数中的待优化工艺参数,包括水平连铸的拉坯制度参数和冷却制度参数;三辊行星轧制的轧辊偏转角、轧辊倾斜角、开口度和推车速度;游动芯头拉拔每道次的外模锥角、芯头锥角、拉拔速度、外模定径段长度和芯头定径段长度。本发明以遗传算法做为优化方法来搜索最优工艺参数。
首先根据相应的优化目标,进行参数编码,构成初始化种群;由神经网络计算每个个体的工艺指标值,也就是遗传算法中的适应度值,再进行操作算子操作;种群一代一代的进化,直到搜索到最优化解,确定最佳的工艺参数,将结果制成工艺卡片和设计文件。其中:操作算子操作包括选择、交叉和变异三种基本形式。
五、工艺参数设计及优化的图形结果表达
采用CAD参数化设计方法,将得到的最佳工艺参数结合CAD软件进行模具的三辊行星轧制中轧制辊形CAD、游动芯头拉拔的芯头模具CAD参数化设计,将设计计算、数据处理和图形绘制进行综合处理。
本发明具有如下优点:
1.自动化程度高。本发明将神经网络、遗传算法,有限元模拟、试验设计、CAD参数化设计与数据库集成,能避免铜合金管材铸造工艺成形过程中出现断裂、起皱、颈缩等不良影响,是一种实现铜合金管材铸轧工艺参数设计及优化的智能方法。
2.与传统工艺主要是依据设计者的经验中为了避免铜合金管材铸轧工艺成形过程中出现断裂、成形力过大、配模设计不合理等不良影响,而反复修改成形加工的某些参数或修改模具形状相比,传统工艺过程耗资大、产品开发周期长,已不能适应世界范围内激烈的市场竞争和现代工业的发展要求。本发明由于自动化程度高,耗资小、产品开发周期短,能适用于复杂的铜合金管材铸轧成形工艺,使缺少丰富专业知识人员也能制定出准确规范的加工工艺。
附图说明
图1-1是水平连铸工艺的有限元模型。
图1-2是三辊行星轧制工艺的有限元模型。
图1-3是游动芯头拉拔工艺的有限元模型。
图2是水平连铸裂纹萌生倾向值的神经网络结构。
图3是三辊行星轧制的轧制力和轧制成形缺陷预测的神经网络结构。
图4是游动芯头拉拔力和拉拔缺陷预测的神经网络结构。
图5是游动芯头拉拔配模设计的人工神经网络结构。
图6是遗传算法优化水平连铸的冷却制度和连铸拉坯制度参数。
图7是遗传算法优化三辊行星轧制参数。
图8是遗传算法优化游动芯头参数。
图9是铜合金管材铸轧工艺参数设计及优化方法的操作流程。
具体实施方式
下面结合附图进一步说明本发明。
实施例
本发明将神经网络、遗传算法,有限元模拟、试验设计、CAD参数化设计、数据库技术运用到工艺设计和参数优化中,综合集成起来,对铜合金管材铸轧的每个工艺步骤进行优化设计,得到最优的工艺参数。工艺参数设计包括:水平连铸拉坯制度、冷却制度优化设计;三辊行星轧制的速度场计算、轧制参数设计;游动芯头拉拔的拉拔配模设计和每道次拉拔参数优化设计。
具体如下:
1)建立水平连铸、三辊行星轧制和游动芯头拉拔的数据库,将数据库作为参数设计和优化的基础。数据库中储存了工厂这三种工序的生产数据,标准数据和临时数据。工厂生产数据包括有:规格库、设备库、操作库、原材料库、模具库、备件库、成份库、工艺设计库和设计结果库;标准数据包括各种规格产品的国家标准以及欧美、日本等国的标准文件;临时数据包括初始设计数据和计算产生的中间数据。
2)建立水平连铸、三辊行星轧制和游动芯头拉拔的有限元模型。
有限元数值计算知识来源于商用有限元前处理输入变量和相对应的数值计算结果。设计人员在有限元前处理中输入几何参数、工艺参数和材料参数,经过计算后,可在后处理环境中得到需要的计算结果。采用有限元数值模拟步骤,分别得到水平连铸中的水平连铸温度场、温度梯度和冷却速度值,并可导出裂纹萌生倾向值;三辊行星轧制中轧制力计算数值和轧制成形缺陷模拟结果;以及游动芯头拉拔中的拉拔力计算数值和拉拔成形缺陷模拟结果。其中轧制成形缺陷包括断裂、撕裂和轧卡,拉拔成形缺陷是拉断。
为了在减少有限元模拟次数、时间和降低模拟成本的情况下,得到全面的反映有限元模拟输入量和有限元模拟输出量之间定量规律的信息,本发明用均匀试验设计的方法安排有限元数值模拟方案。均匀试验设计可经济地、科学地、合理地安排有限元数值模拟次数。
①水平连铸有限元模拟
采用均匀试验设计的方法安排水平连铸有限元模拟。通过水平连铸有限元模拟,可得到在不同规格尺寸的铜管铸坯、材料参数、拉坯制度和冷却制度所对应的温度场T、温度梯度G和冷却速度值R,有限元模型如图1-1所示(其中1为冷却***,2为铜合金熔液,3为连铸出的铜管,4为石墨芯棒,5为结晶器采用的石墨内衬)。在水平连铸中,温度、温度梯度和冷却速度与裂纹产生的几率成正比,故此根据有限元模拟得到的温度场、温度梯度和冷却速度值,由下式计算得到每个有限元单元节点的裂纹萌生倾向值。
C i = T * G * R 10 5
式中,Ci是裂纹萌生倾向值,T是温度,G是温度梯度,R是冷却速度,i表示单元节点号。
在所有单元节点中找出最大的裂纹萌芽倾向值CMax,并计算出的裂纹萌芽倾向平均值,表示如下:
C ‾ = Σ i = 1 N C i N
式中,是裂纹萌生倾向平均值,i表示单元节点号,N是有限元模型的节点总数。
表1 水平连铸影响参数:
Figure C20051004790300091
这样就建立了水平连铸影响参数与裂纹萌生倾向的定量关系。
②三辊行星轧制有限元模拟
采用均匀试验设计的方法安排三辊行星轧制有限元模拟。通过三辊行星轧制有限元模拟,可得到不同规格尺寸的铜管轧制坯、材料参数、轧制参数与轧制力值和轧制缺陷值的定量关系,有限元模型如图1-2所示(其中,6为轧辊,7为铜管,8为芯棒)。这里轧制成形缺陷值用0和1表示,1代表没有缺陷产生,0代表有缺陷产生。
表2 三辊行星轧制影响参数:
铜管轧制坯规格尺寸 材料参数Y<sub>7</sub> 轧制参数
铜管铸坯外径尺寸X<sub>1</sub> 紫铜 轧辊偏转角Y<sub>1</sub>
铜管铸坯壁厚X<sub>2</sub> 白铜B10 轧辊倾斜角Y<sub>2</sub>
铜管轧制后外径尺寸D<sub>Roll</sub> 白铜B30 开口度Y<sub>3</sub>
铜管轧制后壁厚S<sub>Roll</sub> ...... 轧辊转速Y<sub>4</sub>
...... 推车的速度Y<sub>5</sub>
...... 摩擦系数Y<sub>6</sub>
③游动芯头拉拔有限元模拟
采用均匀试验设计的方法安排游动芯头拉拔有限元模拟。通过游动芯头拉拔模拟,可得到不同规格尺寸的铜管、材料参数、拉拔参数与拉拔力PDraw和拉拔成形缺陷值QDraw的定量关系,有限元模型如图1-3所示(其中9为外模,10为铜管,11为游动芯头)。这里拉拔成形缺陷值用0和1表示,1代表没有缺陷产生,0代表有缺陷产生。
表3  游动芯头拉拔影响参数:
铜管拉拔规格尺寸 材料参数Z<sub>8</sub> 拉拔参数
铜管拉拔前外径尺寸D<sub>Draw0</sub> 紫铜 拉拔速度Z<sub>4</sub>
铜管拉拔前壁厚S<sub>Draw0</sub> 白铜B10 芯头锥角Z<sub>5</sub>
铜管拉拔后外径尺寸D<sub>Draw1</sub> 白铜B30 外模锥角Z<sub>6</sub>
铜管拉拔后壁厚S<sub>Draw1</sub> ...... 摩擦系数Z<sub>7</sub>
...... 外模定径段长度Z<sub>9</sub>
...... 芯头定径段长度Z<sub>10</sub>
3)神经网络
将用均匀试验设计安排有限元模拟得到的模拟输入量和结果输出量,经过整理和均一化处理后,做为神经网络的训练样本。针对水平连铸、三辊行星轧制和游动芯头拉拔这三种工序,分别用多层(本实施例采用3层)人工神经网络学***连铸工艺的裂纹萌生倾向值、三辊行星轧制中的轧制力数值和轧制缺陷值,游动芯头拉拔中的拉拔力数值和拉拔缺陷值。
①水平连铸裂纹萌生倾向值的神经网络
水平连铸裂纹萌生倾向值的神经网络结构为:输入层11个节点,其参量为有限元模拟的输入量,分别是铸坯外径尺寸X1、铸坯壁厚X2、材料参数X3、拉坯时间X4、一停时间X5、推程X6、推程时间X7、二停时间X8、铸造温度X9、入口水温X10、水压X11。其中材料参数用0代表紫铜、1代表白铜B10、2代表白铜B30,以此类推到其它铜合金材料。输出层2个节点,其参量为有限元模拟的结果输出量,为裂纹萌芽倾向平均值和裂纹萌芽倾向最大值CMax。神经网络采用基于Levenberg-Marquardt优化算法(LM算法)的BP网络,隐含层为Sigmoid型激活函数,输出层选用Purelin型激活函数。LM算法能大大缩短训练时间。
将用均匀试验设计安排的有限元模拟输入量和输出量,做归一化处理后,生成训练样本文件,保存入数据库中。用神经网络训练后,若误差在许可范围内,将得到神经网络的阀值和权值矩阵做为神经网络矩阵文件存入数据库中。这样建立起一个映射关系模型,可映射水平连铸各个影响参数与裂纹萌芽倾向值之间的关系,该关系是一种隐含关系(参见图2)。
如果有新增加的有限元模拟结果,可归一化处理后,整合入原有的训练样本文件,重新训练后,将新得到的神经网络阀值和权值矩阵做为神经网络矩阵文件存入数据库中。该训练样本文件和神经网络矩阵文件可随着有限元模拟数目的增多随时更新。
②三辊行星轧制的轧制力和轧制成形缺陷预测的神经网络
三辊行星轧制的轧制力和轧制成形缺陷预测的神经网络结构为:输入层10个节点,其参量为三辊行星轧制有限元模拟的输入量,分别是轧辊偏转角Y1、轧辊倾斜角Y2、开口度Y3、轧辊转速Y4、推车的速度Y5、摩擦系数Y6、材料参数Y7、延伸系数Y8、初始径壁比Y9和减径减壁比Y10。其中材料参数用0代表紫铜、1代表白铜B10、2代表白铜B30,以此类推到其它铜合金材料。按照相似性原理,延伸系数、初始径壁比和减径减壁比可用来表示轧制前、后铜管尺寸的变化,三个值分别表示如下:
延伸率 Y 8 = ( X 1 - X 2 ) * X 2 ( D Roll - S Roll ) * S Roll
初始径壁比 Y 9 = X 1 X 2
减壁减径比 Y 10 = ( X 2 - S Roll ) / X 2 ( X 1 - D Roll ) / X 1
式中,X1,X2分别为轧制前铜管外径和壁厚,也就是铜管铸坯外径尺寸和铜管铸坯壁厚;DRoll,SRoll分别为轧制后铜管外径和壁厚。
输出层2个节点,其参量为有限元模拟的结果输出量,为拉拔力PRoll和拉拔成形缺陷值QRoll。神经网络采用基于Levenberg-Marquardt优化算法(LM算法)的BP网络,隐含层为Sigmoid型激活函数,输出层选用Purelin型激活函数。
将用均匀试验设计安排的有限元模拟输入量和输出量,做归一化处理后,生成训练样本文件,保存入数据库中。用神经网络训练后,若误差在许可范围内,将得到神经网络的阀值和权值矩阵做为神经网络矩阵文件存入数据库中。这样建立起一个映射关系模型,可映射游动芯头拉拔各个影响参数与拉拔力和拉拔成形缺陷值之间的关系,该关系是一种隐含关系(参见图3)。
如果有新增加的有限元模拟结果,可归一化处理后,整合入原有的训练样本文件,重新训练后,将新得到的神经网络阀值和权值矩阵做为神经网络矩阵文件存入数据库中。该训练样本文件和神经网络矩阵文件可随着有限元模拟数目的增多随时更新。
③游动芯头拉拔力和拉拔缺陷预测的神经网络
游动芯头拉拔力和拉拔缺陷预测的神经网络结构为:输入层10个节点,其参量为游动芯头拉拔有限元模拟的输入量,分别是初始径壁比Z1、减径减壁比Z2、延伸系数Z3、拉拔速度Z4、芯头锥角Z5、外模锥角Z6、、摩擦系数Z7、材料参数Z8、外模定径段长度Z9、芯头定径段长度Z10。其中材料参数用0代表紫铜、1代表白铜B10、2代表白铜B30,以此类推到其它铜合金材料。按照相似性原理,延伸系数、初始径壁比和减径减壁比可用来表示拉拔前、后铜管尺寸的变化,三个值分别表示如下:
延伸率 Z 1 = ( D Draw 0 - S Draw 0 ) * S Draw 0 ( D Draw 1 - S Draw 1 ) * S Draw 1
初始径壁比 Z 2 = D Draw 0 S Draw 0
减壁减径比 Z 3 = ( S Draw 0 - S Draw 1 ) / S Draw 0 ( D Draw 0 - D Draw 1 ) / D Draw 0
式中,DDraw0,SDraw0分别为拉拔前铜管外径和壁厚,DDraw1,SDraw1分别为拉拔后铜管外径和壁厚。
输出层2个节点,其参量为有限元模拟的结果输出量,为拉拔力PDraw和拉拔成形缺陷值QDraw。神经网络采用基于Levenberg-Marquardt优化算法(LM算法)的BP网络,隐含层为Sigmoid型激活函数,输出层选用Purelin型激活函数。
将用均匀试验设计安排的有限元模拟输入量和输出量,做归一化处理后,生成训练样本文件,保存入数据库中。用神经网络训练后,若误差在许可范围内,将得到神经网络的阀值和权值矩阵做为神经网络矩阵文件存入数据库中。这样建立起一个映射关系模型,可映射游动芯头拉拔各个影响参数与拉拔力和拉拔成形缺陷值之间的关系,该关系是一种隐含关系(参见图4)。
如果有新增加的有限元模拟结果,可归一化处理后,整合入原有的训练样本文件,重新训练后,将新得到的神经网络阀值和权值矩阵做为神经网络矩阵文件存入数据库中。该训练样本文件和神经网络矩阵文件可随着有限元模拟数目的增多随时更新。
4)游动芯头拉拔的配模设计方法很多,主要有递减方程法,递减系数法,金属硬化程度法,等比数列递减法和Kd-Ks法等。这些方法具有一定的实用价值,但并不一定适合实际生产。配模设计需考虑设备条件、润滑条件、管坯的材料性能等各种外在因素,因此这些理论方法不具备通用性。有经验的工程师通常有自己的一套适合自身企业特点、行之有效的配模设计方法。为了能充分利用这种经验,采用人工神经网络的方法,对从现场收集的各种规格产品配模设计方案进行训练和学习。这样神经网络就能按照工程师的设计思想自动进行配模设计。
根据已有各种规格的拉拔配模方案,从中挑选生产正常、稳定的配模方案,做为有效配模方案,经过整理后做为神经网络的样本数据。以一种规格尺寸的配模方案为例,整理方法如下:
某种规格尺寸铜管的总拉拔道次为:n;成品铜管外径和壁厚为:Dn和Sn;三辊行星轧后的铜管外径和壁厚,也就是开始拉拔前的铜管外径和壁厚为:D0和S0;第i道次拉拔后的铜管外径和壁厚为:Di和Si。样本输入量有5个分别为:Dn、Sn、D0、S0和i/n,样本输出量有2个分别为Di和Si。这样每种规格尺寸的铜管拉拔配模方案可构成n-1个样本。该种规格配模方案构成的样本可用下表表示:
Figure C20051004790300121
将各种有效配模方案按照这种整理方法,共同构成一个训练样本文件,将该文件保存入数据库中,并用多层人工神经网络来学习训练样本文件。进行游动芯头拉拔配模设计的人工神经网络结构可用如图5所示。
训练后的人工神经网络经过测试后,若满足测试要求,将得到神经网络的阀值和权值矩阵做为神经网络矩阵文件存入数据库中。这样建立起一个映射关系模型,可映射铜管尺寸规格与拉拔配模之间的关系。
用该神经网络进行游动芯头拉拔配模设计前,首先要计算出总拉拔道次n值。其计算方法通常是根据经验公式来确定。
根据拉拔前的铜管外径D0和壁厚S0、成品铜管外径Dn和壁厚Sn、平均道次延伸系数
Figure C20051004790300131
来确定总道次数。平均道次延伸系数根据不同的En值来确定的,En值为材料厚度指数
E n = S n D n &times; 10
在拉拔机性能较好,润滑良好、模具状况正常的情况下,En可适当取大些,即En+1;反之取小些,即En-1
拉拔的总延伸系数λ的计算公式如下:
&lambda; &Sigma; = D 0 - S 0 D n - S n &CenterDot; S 0 S n
拉拔总道次数n的计算公式为:
n = ln &lambda; &Sigma; ln &lambda; &OverBar;
将要配模的产品尺寸规格,也就是成品铜管外径Dn和壁厚Sn,以及三辊行星轧后的铜管外径和壁厚,也就是开始拉拔前的铜管外径D0和壁厚S0,以及i/n值,i是指当前要预测的第i道次(1≤i<n)拉拔后铜管尺寸,n是根据经验公式计算出来的总拉拔道次值。将这些数值做为神经网络预测输入量,在调入神经网络矩阵文件后,用神经网络进行配模设计,可得到第i道次拉拔后铜管尺寸Di和Si
5)遗传算法
以遗传算法来搜索最优化的水平连铸中连铸冷却制度和连铸拉坯制度参数、三辊行星轧制中的轧制参数和游动芯头拉拔的拉拔参数,进行参数编码,构成初始化种群;根据神经网络计算每个个体的适应度值,再进行操作算子操作;种群一代一代的进化,直到搜索到最优化解,确定最佳的工艺设计参数,将结果制成工艺卡片和设计文件。其中:操作算子操作包括选择、交叉和变异三种基本形式。
①遗传算法优化水平连铸的冷却制度和连铸拉坯制度参数
水平连铸中,拉坯时间、一停时间、推程、推程时间、二停时间、铸造温度、入口水温、水压是影响水平连铸裂纹萌生倾向值大小的关键因素。以水平连铸裂纹萌生倾向值平均值最小和最大值低于安全值为优化目标,铸坯外径尺寸、铸坯壁厚、材料参数做为固定参数,用遗传算法寻找在此条件下的拉坯时间、一停时间、推程、推程时间、二停时间、铸造温度、入口水温和水压的最优值,如图6所示。
遗传算法的评价函数又称适应度函数,将待求解的优化目标转换成适应度函数,这里的适应度值可用水平连铸裂纹萌生倾向值预测神经网络来计算每个个体的适应度值。因为优化目标为裂纹萌生倾向值的平均值最小和最大值低于安全值的问题,构造公式为:
适应度值为: Fit ( X i ) = C - C max ( X i ) | C - C max ( X i ) | &times; 1 C &OverBar; ( X i )
其中,Cmax(Xi),
式中,Xi表示水平连铸裂纹萌生倾向值预测的神经网络中的各个输入量;C为裂纹萌生倾向值的安全值,为常系数,可根据实际情况选择确定;Cmax(Xi),
Figure C20051004790300143
表示用神经网络得到的裂纹萌生倾向值的最大值和平均值。
遗传算法可采用浮点编码和整数编码。遗传算法的种群规模一般取20~100,一般说来,选择较大数目的初始种群可以同时处理更多的解,因而容易找到全局最优解,缺点是增加了每次迭代时间。遗传算法的杂交率一般取0.4~0.9,杂交操作的频率越高,可以越快地收敛到最有希望的最优解区域,但太高的频率也可能导致过早收敛。遗传算法的变异率一般取值0.001~0.1,种群大小及染色体长度越大,变异率选取越小。遗传算法的最大进化代数,作为一种模拟终止条件,视具体情况根据多次试运行而定,一般在100~500代。
本实施例中,水平连铸优化用到的遗传算法采用浮点编码,初始种群取值为100,杂交率取值为0.85,变异率取值0.08,最大进化代数取值为200。
②遗传算法优化三辊行星轧制参数
三辊行星轧制中,轧辊偏转角、轧辊倾斜角、开口度、推车速度,这些模具参数和工艺参数是影响轧制力、轧制成形缺陷的关键因素。以轧制力最小和无轧制成形缺陷为优化目标,将材料参数、摩擦系数、轧辊转速、延伸系数、初始径壁比和减壁减径比做为固定参数,用遗传算法寻找在此条件下的轧辊偏转角、轧辊倾斜角、开口度和推车速度的最优值,如图7所示。
遗传算法的评价函数又称适应度函数,将待求解的优化目标转换成适应度函数,这里的适应度值可用三辊行星轧制的轧制力和成形缺陷预测神经网络来计算每个个体的适应度值。因为优化目标为轧制力最小值和无成形缺陷问题,构造公式为:
适应度值为: Fit ( Y i ) = Q Roll ( Y i ) P Roll ( Y i )
其中,PRoll(Yi),SRoll(Yi)=ANN三辊行星轧制的轧制力和成形缺陷预测神经网络(Yi)
式中,Yi表示三辊行星轧制的轧制力和成形缺陷预测神经网络中的各个输入量;PRoll(Yi),SRoll(Yi)表示用神经网络得到的轧制力值和缺陷预测值。
本实施例中,三辊行星轧制参数优化用的遗传算法编码采用浮点编码,初始种群取值为80,杂交率取值为0.75,变异率取值0.08,最大进化代数取值为100。
③遗传算法优化游动芯头参数
铜合金的游动芯头拉拔中,外模锥角、芯头锥角、拉拔速度、外模定径段长度和芯头定径段长度,这些模具参数和工艺参数是影响拉拔力、拉拔成形缺陷的关键因素。以拉拔力最小和无成形缺陷为优化目标,将材料参数、摩擦系数、拉拔速度、延伸系数、初始径壁比和减壁减径比做为固定参数,用遗传算法寻找在此条件下的外模锥角、芯头锥角、外模定径段长度和芯头定径段长度的最优值,如图8所示。
遗传算法的评价函数又称适应度函数,将待求解的优化目标转换成适应度函数,本实施例的适应度值可用游动芯头拉拔的拉拔力和成形缺陷预测神经网络来计算每个个体的适应度值。因为优化目标为拉拔力最小值和无成形缺陷问题,构造公式为:
Fit ( Z i ) = S Draw ( Z i ) P Draw ( Z i )
PDraw(Zi),SDraw(Zi)=ANN游动芯头拉拔的拉拔力和成形缺陷预测神经网络(Zi)
式中,Zi表示游动芯头拉拔的拉拔力和成形缺陷预测神经网络中的各个输入量;PDraw(Zi),SDraw(Zi)表示用神经网络得到的拉拔力值和缺陷预测值。
本实施例中,游动芯头参数优化用的遗传算法编码采用浮点编码,初始种群取值为50,杂交率取值为0.8,变异率取值0.1,最大进化代数取值为100。
6)采用CAD参数化设计方法,将得到的最佳工艺参数结合CAD软件进行模具的三辊行星轧制中轧制辊形CAD、游动芯头拉拔的芯头模具CAD参数化设计,将设计计算、数据处理和图形绘制进行综合处理。
本发明所建立的铜合金管材铸轧工艺参数设计及优化方法的操作流程如图9所示,具体为:
(1)按***提示,输入所要设计的产品材料类型和光管尺寸规格;
(2)输入水平连铸铜管尺寸;
(3)水平连铸设计:神经网络计算水平连铸温度场裂纹萌生倾向值,并根据用遗传算法优化水平连铸的冷却制度和连铸拉坯制度参数,如果得到的是最终优化参数,则执行步骤(5),否则返回步骤(3);
(4)输入三辊行星轧制铜管尺寸;
(5)三辊行星轧制设计:用神经网络计算轧制力和轧制成形缺陷值;根据用遗传算法优化轧制参数;如果得到的是最终优化参数,则执行步骤(6),否则返回步骤(5);
(6)三辊行星轧制的轧辊辊形CAD参数化设计;
(7)游动芯头拉拔配模设计:用神经网络进行拉拔配模设计;
(8)用神经网络计算拉拔每道次的拉拔力和拉拔成形缺陷值;并用遗传算法优化设计游动芯头拉拔参数;
(9)游动芯头拉拔的CAD参数化设计;如果得到的是最终优化参数,则结束程序,否则返回步骤(8)。
综上所述,本发明所建立的铜合金管材铸轧工艺参数设计及优化的方法,将神经网络、遗传算法,有限元模拟、试验设计、CAD参数化设计与数据库技术运用到工艺设计和参数优化中,一方面充分发挥以往经验,另一方面将智能技术和有限元等技术结合、实现高效的工艺参数优化设计。这样克服了以往设计方法单一等缺点。
随着经验的积累、有限元模拟技术的改进和对铜管加工各个工序理解的加强,将进一步增进该***的有效性。
本发明将神经网络、有限元模拟、遗传算法、CAD技术和数据库技术结合起来,弥补了以往传统设计方法的不足。采用有限元软件对成形过程模拟,能够准确反映管材实际生产加工过程,对产品的开发、研制与加工进行指导和预测。利用神经网络所具有的高度非线性拟合性质对有限元模拟输入参数和对应的模拟结果、以及经验数据进行学***连铸、三辊行星轧制和游动芯头拉拔生产过程的工艺设计,解决铜管材加工过程中的各种实际问题,制定出准确规范的加工工艺。

Claims (5)

1.一种铜合金管材铸轧工艺参数设计及优化的方法,其特征在于:以数据库为设计基础,神经网络为工艺参数和工艺指标的设计方法,遗传算法为工艺参数优化手段,综合集成神经网络、遗传算法,有限元模拟、试验设计、CAD参数化设计和数据库技术于工艺设计和参数优化中,设计并优化铜合金管材铸轧的工艺参数;具体包括:
1)数据库
建立水平连铸、三辊行星轧制和游动芯头拉拔的数据库,作为参数设计和优化的基础,数据库中储存有生产数据,标准数据和临时数据;
2)有限元模拟
采用有限元数值模拟步骤,分别得到水平连铸中的水平连铸温度场、温度梯度和冷却速度值,并导出裂纹萌生倾向值;三辊行星轧制中轧制力计算数值和轧制成形缺陷模拟结果;以及游动芯头拉拔中的拉拔力计算数值和拉拔成形缺陷模拟结果;
3)神经网络
通过多层人工神经网络来学***连铸工艺、三辊行星轧制工艺和游动芯头拉拔工艺中的工艺指标值;
通过对从现场收集的各种规格拉拔配模方案进行训练和学习,用训练后的神经网络来得到所需规格的配模设计方案;
4)遗传算法
根据水平连铸中连铸冷却制度和连铸拉坯制度参数、三辊行星轧制中的轧制参数和游动芯头拉拔的拉拔参数的优化目标,进行参数编码,构成初始化种群;由神经网络计算每个个体的工艺指标值,也就是遗传算法中的适应度值,再进行操作算子操作;种群一代一代的进化,直到搜索到最优化解,确定最佳的工艺参数,将结果制成工艺卡片和设计文件;
5)图形表达
采用CAD参数化设计方法,将得到的最佳工艺参数结合CAD软件进行模具的三辊行星轧制中轧制辊形CAD、游动芯头拉拔的芯头模具CAD参数化设计,将设计计算,数据处理和图形绘制进行综合处理。
2.根据权利要求1所述铜合金管材铸轧工艺参数设计及优化的方法,其特征在于:所述有限元数值模拟采用均匀试验设计的方法。
3.根据权利要求1所述铜合金管材铸轧工艺参数设计及优化的方法,其特征在于:如果有新增加的有限元模拟结果,归一化处理,整合入原有的训练样本文件,重新训练后,将新得到的神经网络阀值和权值矩阵做为神经网络矩阵文件存入数据库中。
4.根据权利要求1所述铜合金管材铸轧工艺参数设计及优化的方法,其特征在于:所述工艺参数包括:水平连铸的拉坯制度参数和冷却制度参数;三辊行星轧制的轧辊偏转角、轧辊倾斜角、开口度和推车速度;游动芯头拉拔每道次的外模锥角、芯头锥角、拉拔速度、外模定径段长度和芯头定径段长度。
5.根据权利要求1所述铜合金管材铸轧工艺参数设计及优化的方法,其特征在于:所述神经网络为基于Levenberg-Marquardt优化算法的BP网络,隐含层为Sigmoid型激活函数,输出层选用Purelin型激活函数。
CNB2005100479036A 2005-12-02 2005-12-02 铜合金管材铸轧工艺参数设计及优化的方法 Expired - Fee Related CN100383796C (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CNB2005100479036A CN100383796C (zh) 2005-12-02 2005-12-02 铜合金管材铸轧工艺参数设计及优化的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CNB2005100479036A CN100383796C (zh) 2005-12-02 2005-12-02 铜合金管材铸轧工艺参数设计及优化的方法

Publications (2)

Publication Number Publication Date
CN1979496A CN1979496A (zh) 2007-06-13
CN100383796C true CN100383796C (zh) 2008-04-23

Family

ID=38130659

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB2005100479036A Expired - Fee Related CN100383796C (zh) 2005-12-02 2005-12-02 铜合金管材铸轧工艺参数设计及优化的方法

Country Status (1)

Country Link
CN (1) CN100383796C (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101201871B (zh) * 2007-12-18 2010-06-09 东北大学 一种预测热轧过程轧制力的刚塑性有限元方法
CN101221416B (zh) * 2007-12-28 2010-12-15 东北大学 热轧过程在线计算板带温度的有限元方法
CN101414321B (zh) * 2008-11-14 2010-11-10 西安交通大学 化工用蒸发式冷却/凝器设计方法
CN101850410B (zh) * 2010-06-22 2012-06-20 攀钢集团钢铁钒钛股份有限公司 一种基于神经网络的连铸漏钢预报方法
CN102172812B (zh) * 2010-12-31 2012-11-07 马志强 中空铝隔条连续成型方法
CN102393884B (zh) * 2011-10-12 2015-04-15 杭州电子科技大学 基于bp神经网络的热连轧电磁感应加热温度预测方法
US9317626B2 (en) 2011-11-16 2016-04-19 Wai Man Chan Method and system for combinatorial layout design
EP2633929A1 (de) 2012-03-01 2013-09-04 Siemens Aktiengesellschaft Modellierung einer Gießwalzanlage
CN102819651A (zh) * 2012-08-20 2012-12-12 西北工业大学 基于仿真的单晶涡轮叶片精铸工艺参数优化方法
CN103042366B (zh) * 2013-01-14 2015-04-08 湖南金龙国际铜业有限公司 磁控管用铜管的生产工艺
CN104408259B (zh) * 2014-12-03 2017-11-17 南通友星线束有限公司 一种压接模具刀片图的自动绘制方法
CN106295795A (zh) * 2016-08-09 2017-01-04 衢州学院 一种基于bp神经网络算法的铜管内螺纹成形质量预测方法
CN107784142B (zh) * 2016-08-31 2021-10-19 株洲中车时代半导体有限公司 半导体功率组件的热仿真方法
CN106446413A (zh) * 2016-09-26 2017-02-22 北京无线电测量研究所 一种波导的参数化工艺设计方法
CN108345749B (zh) * 2018-02-11 2021-06-15 中国电子科技集团公司第二十九研究所 射频集成工艺容差与电性能耦合特性的建模与封装方法
CN108334712A (zh) * 2018-02-14 2018-07-27 武汉科技大学 一种三辊行星轧机轧制棒材的工艺参数优化方法
CN109101712B (zh) * 2018-07-27 2023-06-20 石家庄创天电子科技有限公司 基于图网络的产品模型设计***及方法
CN109241686A (zh) * 2018-11-02 2019-01-18 中国航空工业集团公司西安飞机设计研究所 一种安装飞机机载设备的拉杆参数优化方法
CN110008636A (zh) * 2019-04-20 2019-07-12 福州大学 一种薄壁铜合金水表壳体铸造工艺的计算机辅助设计方法
CN110457824B (zh) * 2019-08-13 2023-04-18 沈阳理工大学 一种基于抗拉强度的多道次拉拔铜管管坯尺寸计算方法
CN111027240B (zh) * 2019-11-14 2023-05-09 哈尔滨工业大学(深圳) 埋地管道安全评估方法及相关设备
CN111061219B (zh) * 2019-12-16 2021-03-23 南京航空航天大学 一种快速确定成形工艺参数的方法
CN111681607B (zh) * 2020-08-17 2020-11-13 武汉精立电子技术有限公司 一种基于遗传算法的Gamma调节方法及***
CN114798779B (zh) * 2022-03-23 2023-06-02 中南大学 一种基于神经网络的智能金属拉拔加工装置及方法
CN115330091A (zh) * 2022-10-12 2022-11-11 邢台纳科诺尔精轧科技股份有限公司 基于人工神经网络和遗传算法的精密辊压工艺优化方法
CN117350598B (zh) * 2023-11-16 2024-04-02 张家港广大特材股份有限公司 一种齿轮钢的工艺控制方法及***
CN117399435B (zh) * 2023-12-11 2024-03-15 常州润来科技有限公司 一种铜管轧制过程自适应补偿调整方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1190518A (ja) * 1997-09-18 1999-04-06 Nkk Corp 熱間連続圧延機の制御方法
JP2003266157A (ja) * 2002-03-14 2003-09-24 Furukawa Electric Co Ltd:The ベルト&ホイール式連続鋳造圧延法による低酸素銅線材の製造方法
CN1589986A (zh) * 2003-08-29 2005-03-09 东北大学 金属板带轧制自动控制工艺参数的优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1190518A (ja) * 1997-09-18 1999-04-06 Nkk Corp 熱間連続圧延機の制御方法
JP2003266157A (ja) * 2002-03-14 2003-09-24 Furukawa Electric Co Ltd:The ベルト&ホイール式連続鋳造圧延法による低酸素銅線材の製造方法
CN1589986A (zh) * 2003-08-29 2005-03-09 东北大学 金属板带轧制自动控制工艺参数的优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
铜合金管坯旋轧成形的三维热力耦合有限元模拟. 李冰,李章刚,张士宏,刘化民,张光亮,张海渠,张金利.科学技术与工程,第5卷第17期. 2005 *

Also Published As

Publication number Publication date
CN1979496A (zh) 2007-06-13

Similar Documents

Publication Publication Date Title
CN100383796C (zh) 铜合金管材铸轧工艺参数设计及优化的方法
CN111353656B (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
CN109902861A (zh) 一种基于双层迁移学习的订单生产进度实时预测方法
CN103226741B (zh) 城市供水管网爆管预测方法
CN109647899B (zh) 一种带钢热轧精轧过程中多规格轧件电耗预报方法
Jiang et al. Application of BPANN for prediction of backward ball spinning of thin-walled tubular part with longitudinal inner ribs
CN103942422B (zh) 一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法
CN106295795A (zh) 一种基于bp神经网络算法的铜管内螺纹成形质量预测方法
CN102880908B (zh) 一种基于bp神经网络的再制造零件环境损耗的计算方法
CN105404926A (zh) 基于bp神经网络与mbfo算法的铝电解生产工艺优化方法
CN105975701A (zh) 一种基于混合模糊模型的并行调度拆卸路径生成方法
CN110287583A (zh) 基于循环神经网络的工业设备剩余寿命预测方法
CN111651929A (zh) 一种基于Dynaform与智能算法融合的多目标优化方法
CN116757059A (zh) 一种基于产品类型和工艺的碳核算方法、装置及相关介质
Liu et al. [Retracted] Evaluation of Mechanical Properties of Materials Based on Genetic Algorithm Optimizing BP Neural Network
CN113901725A (zh) 一种基于Matlab的无缝钢管连轧工艺智能预测***及方法
CN106326677A (zh) 一种pta装置醋酸消耗的软测量方法
CN110738307A (zh) Bp神经网络模型在桃林口水库水质预测中的应用
Butdee Adaptive aluminum extrusion die design using case-based reasoning and artificial neural networks
CN112836293B (zh) 一种基于pso信息粒化的汽车产品设计方案选择方法
Wu et al. Optimal shape design of an extrusion–forging die using a polynomial network and a genetic algorithm
CN102479259A (zh) 模具表面激光强化工艺优化
CN112100909A (zh) 一种基于协同优化策略的并行可配置智能优化方法
Wu et al. Prediction of mechanical properties of hot rolled strips by BP artificial neural network
Wang Steel industry overcapacity early warning research based on neural network

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20080423

Termination date: 20111202