CN108875156B - 一种基于数据驱动的挤压模具工艺参数优化方法 - Google Patents
一种基于数据驱动的挤压模具工艺参数优化方法 Download PDFInfo
- Publication number
- CN108875156B CN108875156B CN201810531090.5A CN201810531090A CN108875156B CN 108875156 B CN108875156 B CN 108875156B CN 201810531090 A CN201810531090 A CN 201810531090A CN 108875156 B CN108875156 B CN 108875156B
- Authority
- CN
- China
- Prior art keywords
- die
- extrusion
- extrusion die
- abrasion
- data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
- B21C25/00—Profiling tools for metal extruding
- B21C25/02—Dies
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mechanical Engineering (AREA)
- Extrusion Of Metal (AREA)
- Extrusion Moulding Of Plastics Or The Like (AREA)
Abstract
一种基于数据驱动的挤压模具工艺参数优化方法,包括以下步骤:确定挤压模具磨损的影响因素:通过对模具温度、模具挤压速度和模具硬度进行数据采集和分析,得出模具温度、模具挤压速度和模具硬度分别对挤压模具的磨损有何影响的结论;建立预测模型:通过最小二乘支持向量机对挤压模具的磨损进行预测,拟合出预测模型,验证步骤A中挤压模具磨损的影响因素是否正确;得出最优工艺参数:根据预测模型的结果,利用遗传算法得出模具温度、模具挤压速度和模具硬度对于挤压模具磨损影响最小的最优工艺参数。本发明提出一种基于数据驱动的挤压模具工艺参数优化方法,来为挤压模具的生产提供最优工艺参数,使挤压模具的磨损达到最小。
Description
技术领域
本发明涉及挤压模具磨损控制技术领域,尤其涉及一种基于数据驱动的挤压模具工艺参数优化方法。
背景技术
热挤压模具是铝型材生产过程中的关键部分,它对产品质量和生产效率以及成本影响很大。根据统计数据显示,模具因为磨损而失效占的比例很大。传统的加工工艺参数设计制定主要是靠人工经验来设置,随意性和不确定性比较大,这会导致有时工艺参数设置不合理,生产中磨损现象严重,需要经常修模、换模,造成比较大的浪费,不利于企业降低生产成本。如何提供精准有效的最优工艺参数为生产依据,使得模具的磨损达到最小,为企业降低生产成本是一个非常重要的研究方向。
发明内容
本发明的目的在于提出一种基于数据驱动的挤压模具工艺参数优化方法,来为挤压模具的生产提供最优工艺参数,使挤压模具的磨损达到最小。
为达此目的,本发明采用以下技术方案:
一种基于数据驱动的挤压模具工艺参数优化方法,包括以下步骤:
步骤A:确定挤压模具磨损的影响因素:通过对模具温度、模具挤压速度和模具硬度进行数据采集和分析,得出模具温度、模具挤压速度和模具硬度分别对挤压模具的磨损有何影响的结论;
步骤B:建立预测模型:通过最小二乘支持向量机对挤压模具的磨损进行预测,拟合出预测模型,验证步骤A中挤压模具磨损的影响因素是否正确;
步骤C:得出最优工艺参数:根据预测模型的结果,利用遗传算法得出模具温度、模具挤压速度和模具硬度对于挤压模具磨损影响最小的最优工艺参数。
优选的,利用有限元法确定挤压模具磨损的影响因素,包括以下步骤:
步骤A1:确定分析类型和材料属性;
步骤A2:建立需要约束的挤压模具零件的条,并加载负荷;
步骤A3:根据步骤A2选取合适的网格参数,划分网格;
步骤A4:根据步骤A3中的网格参数进行仿真运算,得出有限元结果;
步骤A5:根据有限元结果,确定模具温度、模具挤压速度和模具硬度对挤压模具的影响。
优选的,利用最小二乘支持向量机建立预测模型包括以下步骤:
步骤B1:获取学习和测试样本;
步骤B2:通过对学习和测试样本数据进行筛选和归一化处理,实现数据预处理,并判断预处理数据的参数特征是否具有代表性;
步骤B3:根据步骤B2中的判断结果,选取核函数并初始化模型;
步骤B4:进行误差判断,建立最终的预测模型,
优选的,利用遗传算法得出最优工艺参数包括以下步骤:
步骤C1:产生初始化种群;
步骤C2:计算种群个体适应度;
步骤C3:判断种群个体适应度是否满足终止条件,输出最优工艺参数。
附图说明
图1是本发明的有限元分析流程图;
图2是本发明的最小二乘支持向量机建模流程图;
图3是本发明的遗传算法执行流程图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。本实施例中未标明的参数均为可查的现有数据。
本实施例的一种基于数据驱动的挤压模具工艺参数优化方法,包括以下步骤:
步骤A:确定挤压模具磨损的影响因素:通过对模具温度、模具挤压速度和模具硬度进行数据采集和分析,得出模具温度、模具挤压速度和模具硬度分别对挤压模具的磨损有何影响的结论;
步骤B:建立预测模型:通过最小二乘支持向量机对挤压模具的磨损进行预测,拟合出预测模型,验证步骤A中挤压模具磨损的影响因素是否正确;
步骤C:得出最优工艺参数:根据预测模型的结果,利用遗传算法得出模具温度、模具挤压速度和模具硬度对于挤压模具磨损影响最小的最优工艺参数。
优选的,利用有限元法确定挤压模具磨损的影响因素,包括以下步骤:
如图1所示,有限元法首先确定分析类型、材料属性。建立好需要约束的零件并加载负荷。然后选取合适的网格参数,并划分网格。如果网格划分不合理会导致不收敛,计算结果不准确,此时需要重新划分网格。然后开始进行仿真运算,并分析,有限元的计算结果。
步骤A1:确定分析类型和材料属性;
在具体生产中,对铝型材挤压进行试验时可依据侧重点的不同,来确定模具材料的类型是刚性材料还是弹性材料。
通过以下公式进行材料的判断:
(1)本构关系:
(2)几何方程:
(3)微分平衡方程:
σij,j-Fi=0
(4)体积不可压缩条件:
(5)Mises屈服条件:
(6)边界条件:
步骤A2:建立需要约束的挤压模具零件的条,并加载负荷;
步骤A3:根据步骤A2选取合适的网格参数,划分网格;
步骤A4:根据步骤A3中的网格参数进行仿真运算,得出有限元结果;
步骤A5:根据有限元结果,确定模具温度、模具挤压速度和模具硬度对挤压模具的影响。
依据步骤A1-步骤A5,在本实施例中,采用6063铝合金圆棒料作为加工对象,6063铝合金热挤压变形时的流变行为可以用Zener-Hollomon参数的双曲线方程进行描述;
σ=59.5ln{[Z/(1.904×1013)]+{[Z/(1.904×1013)]2/8.47+1}1/2};
式中,R是摩尔气体常量,为8.314J/(mol·K),T为热力学温度。
6063铝合金的本构方程是表达连续介质的应力或应力变化率与应变或应变速率关系的物理方程。材料的本构方程对有限元模拟分析结果的准确性影响很大。它与材料本身的特性、结构有关。
在挤压成型中铝型材与模具之间的摩擦很大,对产品成型和铝型材质量以及模具都有很大的影响,常见的摩擦模型有库仑和常应力摩擦模型。
剪切摩擦模型定义如下:
τ=mk;
式中:m为摩擦因子,一般可取0-1;k为材料的剪切屈服极限。
库仑摩擦模型定义如下:
τ=μσn;
式中:μ为摩擦系数,σn表示坯料和模具之间正应力。
当模具与坯料之间接触面的法向正应力较小时,一般以库仑摩擦模型计算。
铝型材挤压过程中,工件与型腔/容器之间存在较大的接触应力。当工件表面附着在型腔和容器上时,可以使用塑性剪切摩擦模型。由于当前模具与坯料之间接触面的法向正应力较小,所以选择库仑摩擦模型比较合适的。
本实施例的步骤如下:
(1)为了获得挤压过程中温度、压力和模具磨损等数据。设定坯料类型是塑性体,同时将所有模具设定为刚性体,通过对铝型材挤压过程进行数值模拟,来研究挤压速度、温度和硬度发生变化时铝合金坯料的塑性变形情况的变化规律。
(2)改变模具采集参数类型,通过仿真计算挤压模具的受力情况。
根据实验结果得知:
挤压速度对挤压模具的影响:
挤压速度的上升,导致各测量位置其磨损量均出现增大的变化规律,模具工作带入口位置模具磨损量最大。出现这种原因是因为在入口处位置坯料所受到的正压力以及温度比其他位置要大,从而导致了入口处模具磨损情况是严重的。
在坯料刚与模具接触的位置和模具的模角位置,这两个位置的磨损最小,在坯料刚与模具接触的位置,由于这里坯料与模具接触的表面积小,坯料塑性变形缓慢,型材变形热不大,模具温升比较小;同时此处模具承受的压力较小,坯料流速较为缓慢,因此模具磨损量小;在模具的模角位置,由于模具在这里的直径变大,导致模具和坯料的接触压力急剧变小,因此此处的磨损量小。
模具温度对挤压模具的影响:
在刚开始模具温度比较低,还没有达到模具的预热温度时,模具比较容易发生脆性断裂失效,随着温度的升高,模具表面形成的氧化膜会使金属表面接触速度下降,磨损量也随之下降;随着模具温度进一步增加,模具表面开始软化,此时氧化膜的作用减弱引起磨损加速,导致磨损加大。当模具初始温度为350℃时,模具基体在高温作用下开始软化,强度降低,导致局部接触点温度和应力变大,产生胶合现象,此时磨损量会下降。
压力对于挤压模具的影响:
压力较低时,模具磨损量随压力增加而升高,当压力较大时,坯料塑性变形加快,坯料与模具接触时间下降,热传导相对较慢,因此磨损量有所下降。
通过上述结论,可以得知挤压模具的影响因素对挤压模具造成的影响,在实际生产中,根据上述步骤可测量不同材质的挤压模具的影响因素的具体实验数据,根据实验数据进行初步的判断。
优选的,如图2所示,利用最小二乘支持向量机建立预测模型包括以下步骤:
步骤B1:获取学习和测试样本;样本数据用于学习或者预测对比;
步骤B2:通过对学习和测试样本数据进行筛选和归一化处理,实现数据预处理,并判断预处理数据的参数特征是否具有代表性;
步骤B3:根据步骤B2中的判断结果,选取核函数,初始化核函数的参数,训练算法,建立模型;
步骤B4:将预测数据与实验数据进行对比,然后进行误差判断,建立最终的预测模型。
通过对铝型材模具磨损进行多次实验,每次实验采用的挤压参数不同,可进行n组,每组实验采集20个点的磨损量数据,由此可得到20*n个模具磨损样本数据。
数据预处理能够使算法的运算速度提高;
建立模型的比较重要的一个环节是选择核函数,本文选用高斯径向基核函数作为模型的核函数,即:
K(xi,x)=exp(||x-xi||2/σ2)
式中σ为核参数。
模具初始化,包括使用以下公式进行初始化:
Model=Initlssvm(z_train,y_train,type,gam,sig2,kernel);
式中,z_train∈(T,H,V),y_train∈(Wear)为准备进行回归预测的数据;模型的泛化能力受到gam惩罚系数的影响;sig2为所选核函数的参数;type和kernel为核函数类型。
优选的,如图3所示,利用遗传算法得出最优工艺参数包括以下步骤:
首先编码,以此来生成新的个体,并由这些个体组成初始种群;然后通过适应度的计算来评价种群中的个体是否最优,并以此结果为评价标准选择并产生新的个体;最后进行交叉和变异,这样能产生一些新的个体继续参与运算,然后用适应度对这些新个体进行评价、计算。
优化模型,将步骤A1-A5中的6063铝型材圆棒料的挤压参数优化模型定义为:
s.t.9≤V≤12
430≤T≤510
35≤H≤45
式中各参数意义:T模具温度(℃)、V挤压速度(mm/s)、H模具硬度(HRC)。
在实际操作过程中,遗传算法的具体求解过程如下:
首先设置初始值,初始种群规模定义为P=140、最大遗传代数MAXGEN=300、N=300、设计变量二进制长度L=20、交叉概率Pc=0.6、变异概率Pm=0.02。设置遗传代数计数器gen=0。随着运算的不断进行,结果会不断优化,一些适应度低的个体会慢慢被筛选掉,而那些适应度高的个体被保留下来,并在最优值附近集中,在通过一定次数的迭代后搜索到最优值。
在经过220次左右的迭代之后,遗传算法达到收敛,求得模具磨损的最小值Wmin=7.2e-06mm,对应的挤压速度V=10mm/s,挤压温度T=430℃,模具硬度H=45HRC。
通过本实施例得到的最优工艺参数来进行挤压模具的生产操作,可降低模具的磨损值,延长了模具的使用寿命,保证了企业的正常生产,为优化挤压机工艺参数提供了理论参考和依据。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (3)
1.一种基于数据驱动的挤压模具工艺参数优化方法,其特征在于:包括以下步骤:
步骤A:确定挤压模具磨损的影响因素:通过对模具温度、模具挤压速度和模具硬度进行数据采集和分析,得出模具温度、模具挤压速度和模具硬度分别对挤压模具的磨损有何影响的结论;
利用有限元法确定挤压模具磨损的影响因素,包括以下步骤:
步骤A1:确定分析类型和材料属性;
通过以下公式进行材料的判断:
(1)本构关系:
式中:—等效应变率, —等效应力,
(2)几何方程:
(3)微分平衡方程:
σij,j-Fi=0
式中:σij,j--应力偏张量,其中,δij--Kronecker记号,Fi--表面力,单位pa;
(4)体积不可压缩条件:
(5)Mises屈服条件:
式中:Y--屈服应力,若Y=σs,则表示理想刚塑性材料,若则表示刚塑性硬化材料;
(6)边界条件:
S∈塑性区Sf;
S∈塑性区Sf;
式中:nj--力作用面上任意点处单位外法线矢量的分量;--表面平均力;--速度所在面上的平均速度,m/s;
步骤A2:建立需要约束的挤压模具零件的条,并加载负荷;
步骤A3:根据步骤A2选取合适的网格参数,划分网格;
步骤A4:根据步骤A3中的网格参数进行仿真运算,得出有限元结果;
步骤A5:根据有限元结果,确定模具温度、模具挤压速度和模具硬度对挤压模具的影响;
步骤B:建立预测模型:通过最小二乘支持向量机对挤压模具的磨损进行预测,拟合出预测模型,验证步骤A中挤压模具磨损的影响因素是否正确;
步骤C:得出最优工艺参数:根据预测模型的结果,利用遗传算法得出模具温度、模具挤压速度和模具硬度对于挤压模具磨损影响最小的最优工艺参数。
2.根据权利要求1所述一种基于数据驱动的挤压模具工艺参数优化方法,其特征在于:
利用最小二乘支持向量机建立预测模型包括以下步骤:
步骤B1:获取学习和测试样本;
步骤B2:通过对学习和测试样本数据进行筛选和归一化处理,实现数据预处理,并判断预处理数据的参数特征是否具有代表性;
步骤B3:根据步骤B2中的判断结果,选取核函数并初始化模型;
步骤B4:进行误差判断,建立最终的预测模型。
3.根据权利要求1所述一种基于数据驱动的挤压模具工艺参数优化方法,其特征在于:
利用遗传算法得出最优工艺参数包括以下步骤:
步骤C1:产生初始化种群;
步骤C2:计算种群个体适应度;
步骤C3:判断种群个体适应度是否满足终止条件,输出最优工艺参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810531090.5A CN108875156B (zh) | 2018-05-29 | 2018-05-29 | 一种基于数据驱动的挤压模具工艺参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810531090.5A CN108875156B (zh) | 2018-05-29 | 2018-05-29 | 一种基于数据驱动的挤压模具工艺参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875156A CN108875156A (zh) | 2018-11-23 |
CN108875156B true CN108875156B (zh) | 2023-04-18 |
Family
ID=64335684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810531090.5A Active CN108875156B (zh) | 2018-05-29 | 2018-05-29 | 一种基于数据驱动的挤压模具工艺参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875156B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027243B (zh) * | 2019-12-03 | 2023-04-25 | 广东工业大学 | 一种基于数值模拟的等温挤压能耗影响因素分析方法 |
CN111368402B (zh) * | 2020-02-21 | 2022-04-05 | 西安交通大学 | 一种管材挤压工艺优化方法 |
CN111805958B (zh) * | 2020-07-13 | 2022-06-14 | 武汉轻工大学 | 螺旋榨油机的参数优化方法及*** |
CN113182376A (zh) * | 2021-04-01 | 2021-07-30 | 汪建余 | 智能模具、控制***、控制方法、数据处理终端、介质 |
CN113065269B (zh) * | 2021-04-02 | 2022-06-28 | 上海交通大学 | 复合材料多尺度并发模拟方法和*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503389A (zh) * | 2016-11-09 | 2017-03-15 | 湖南大学 | 一种快速确定热冲压生产线工艺参数的数值方法 |
CN106845136A (zh) * | 2017-02-21 | 2017-06-13 | 上海大学 | 一种基于支持向量机的针阀体挤压研磨精度预测方法 |
-
2018
- 2018-05-29 CN CN201810531090.5A patent/CN108875156B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503389A (zh) * | 2016-11-09 | 2017-03-15 | 湖南大学 | 一种快速确定热冲压生产线工艺参数的数值方法 |
CN106845136A (zh) * | 2017-02-21 | 2017-06-13 | 上海大学 | 一种基于支持向量机的针阀体挤压研磨精度预测方法 |
Non-Patent Citations (3)
Title |
---|
"最小二乘支持向量机在线建模在预测控制中的应用";洪洲;《电子器件》;20140228;第37卷(第1期);第154-156页 * |
"连续挤压模具及其工艺参数的优化";何升立;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》;20060415;第四章 * |
"铝合金空心异型材挤压模具及工艺优化";陈珍山;《万方数据》;20140917;第四章 * |
Also Published As
Publication number | Publication date |
---|---|
CN108875156A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875156B (zh) | 一种基于数据驱动的挤压模具工艺参数优化方法 | |
CN108563906B (zh) | 一种基于深度学习的短纤维增强复合材料宏观性能预测法 | |
CN106649964B (zh) | 一种基于ga-elm算法的铝合金压铸件晶粒尺寸预测方法 | |
Aguir et al. | Parameter identification of an elasto-plastic behaviour using artificial neural networks–genetic algorithm method | |
CN103344478B (zh) | 一种测定薄板反向加载包辛格效应的方法 | |
CN111399442B (zh) | 一种板材冲压回弹的控制方法及控制装置 | |
CN101863088A (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN113591234B (zh) | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 | |
CN111069328A (zh) | 一种基于粒子群算法的等温挤压工艺参数优化方法 | |
CN111339703A (zh) | 大应变条件下材料硬化行为的虚拟预测方法 | |
CN107292029A (zh) | 一种基于成形缺陷预测板料成形工艺参数的确定方法 | |
Dehgolan et al. | Obtaining constants of Johnson-Cook material model using a combined experimental, numerical simulation and optimization method | |
Podder et al. | Flow forming of thin-walled precision shells | |
Nastran et al. | Stabilisation of mechanical properties of the wire by roller straightening | |
CN109918704A (zh) | 一种基于有限元模拟的模锻模具寿命预测方法 | |
CN108629110A (zh) | 快速获取修正金属粉末压制成形dpc本构模型参数的方法 | |
CN114764525A (zh) | 针对车轴多道次多工步锻造成形过程的晶粒尺寸预测方法 | |
CN109033590B (zh) | 一种基于模锻模具磨损的工艺参数优化方法 | |
CN107526877B (zh) | 一种消减残余应力的模拟方法 | |
Lu et al. | Study of using ANFIS to the prediction in the bore-expanding process | |
CN114462266A (zh) | 一种钽合金双曲面构件冷挤压回弹预测模型构建方法 | |
JP7103514B2 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
Mohammadi et al. | Numerical and experimental analysis and optimization of process parameters of AA1050 incremental sheet forming | |
Thakare et al. | Experimental Investigation of Three-Roller Bending Operation for Multi-Pass Cylindrical Forming of Plates | |
TWI824834B (zh) | 連續輥軋製程檢測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |