CN109117597B - 一种基于对应分析法的加工关键因素分级方法 - Google Patents
一种基于对应分析法的加工关键因素分级方法 Download PDFInfo
- Publication number
- CN109117597B CN109117597B CN201811135054.3A CN201811135054A CN109117597B CN 109117597 B CN109117597 B CN 109117597B CN 201811135054 A CN201811135054 A CN 201811135054A CN 109117597 B CN109117597 B CN 109117597B
- Authority
- CN
- China
- Prior art keywords
- matrix
- key
- defect
- dimensional
- column
- 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
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Forging (AREA)
Abstract
本发明公开了一种基于对应分析法的加工关键因素分级方法,涉及航空发动机钛合金轮盘坯料锻造领域。首先确定坯料锻造过程中的关键加工因素,采用BBD方法得出关键加工因素的锻造试验数据;然后对锻造试验数据进行仿真模拟,得出锻造完成后的缺陷三维尺寸数据;通过响应面分析拟合出代理模型。利用代理模型生成大量的关键加工参数组合及相对应的缺陷三维尺寸,作为对应分析法的大量样本点,生成原始矩阵;对原始矩阵进行标准化,计算列轮廓坐标矩阵并进行变换,生成二维散点图。将关键加工因素锻造试验数据的参数,按固定差值在二维散点图上生成新的值,根据各列点与对应初始列点相对位置变化的距离大小进行分级。本发明提高了准确度,明确了分级。
Description
技术领域
本发明涉及航空发动机钛合金轮盘坯料锻造领域,具体是一种基于对应分析法的加工关键因素分级方法。
背景技术
航空发动机寿件寿命评估体系中的制造计划明确强调:零部件在加工制造中应当考虑影响零部件寿命的工艺参数,这些参数包含但不局限于:加工方法、加工过程的步骤和顺序以及加工方法变化等。
缺陷尺寸是寿命评估体系中概率失效风险评估的重要参数,并直接决定转子盘寿命;同时,锻造过程中的加工参数对缺陷尺寸影响程度不一,需要对其进行分级。
航空发动机钛合金轮盘坯料锻造中关键加工因素的分级工作是适航审定所要求的必备工作,直接支撑该型发动机适航取证。
发明内容
本发明针对某型航空发动机钛合金轮盘坯料锻造过程中,关键加工因素对缺陷尺寸影响程度的分级不同,提出了一种基于对应分析法的加工关键因素分级方法,其分级流程框架如图1所示。
具体步骤如下:
步骤一、针对某型航空发动机钛合金轮盘,确定坯料锻造过程中的关键加工因素;
关键加工因素包括:锻造过程的温度、应变率、变形程度和摩擦系数。
步骤二、采用Box-Behnken Design(BBD)方法进行加工因素的试验,得出关键加工因素的锻造试验数据;
锻造试验数据主要指温度e1、应变率e2、变形程度e3和摩擦系数e4的参数设定。
步骤三、利用仿真软件对锻造试验数据进行仿真模拟,得出锻造完成后的缺陷三维尺寸数据;
缺陷三维尺寸数据指锻造成型后缺陷的径向、轴向和周向三个方向的尺寸。
步骤四、通过响应面分析,拟合出关键加工因素的锻造试验数据与缺陷三维尺寸数据之间的代理模型;
代理模型采用含二次交叉项的线性多项式拟合,具体公式为:
其中R方向k表示缺陷的径向、轴向和周向三个方向的尺寸;em和en(m=1,2,3,4;n=1,2,3,4)均表示关键加工因素,a0、an、amn分别为待定系数。
步骤五、利用代理模型生成大量的关键加工参数组合及相对应的缺陷三维尺寸,作为对应分析法的大量样本点。
代理模型随机生成N个关键加工参数组合,对应N组缺陷三维尺寸数据。
步骤六、利用N组大量样本点的列点,生成原始矩阵X;
原始矩阵如下:
xN1表示第N组关键加工参数组合下,对应的周向缺陷三维尺寸数据;xN2表示第N组关键加工参数组合下,对应的轴向缺陷三维尺寸数据;xN3表示第N组关键加工参数组合下,对应的径向缺陷三维尺寸数据。
步骤七、对原始矩阵X进行标准化,并做奇异值分解计算列轮廓坐标矩阵F,得到原始矩阵X的关键信息;
首先、计算原始矩阵X的标准化矩阵Z,消除数量级及单位的影响。
然后、对标准化矩阵Z做奇异值分解,得到列轮廓坐标矩阵F,代表了原始矩阵X的关键信息;
奇异值分解公式如下:Z=U1ΛmV1 T;
U1和V1分别为两个m维正交矩阵;Λm=diag(d1,d2,...,dm),m=rank(Z);d是标准化矩阵Z的奇异值,同时,λj'为标准化矩阵Z的特征值;j'=1,…,m;因此得出R型因子载荷阵F,也就是列轮廓坐标矩阵,如下:
步骤八、当m为2时,对列轮廓坐标矩阵F进行变换,并将行信息和列信息划分坐标,生成二维散点图。
当m=2时,列轮廓坐标矩阵F能够最大程度的代表原始矩阵X的信息;故矩阵F变换为:
将矩阵F的每一行信息作为坐标点,第一列数据为横坐标,第二列数据为纵坐标,共计3个坐标点,生成二维散点图。
步骤九、将关键加工因素锻造试验数据的参数,分别按固定差值逐一增大,在二维散点图上生成新的值,根据各列点与对应初始列点相对位置变化的距离大小进行分级。
按固定差值逐一增大的值为:5%、10%、15%、20%、25%、30%、40%、50%;
分级的划分如下:相对位置距离变化越大,则说明该加工因素越关键;反之,则说明该加工因素的影响较小。
本发明的优点在于:
1)、一种基于对应分析法的关键加工因素分级方法,该方法简化了实验数据的获取工作,通过响应面建立起来的代理模型,能够较为准确的反应关键加工因素与内含缺陷三维尺寸之间的数量关系;
2)一种基于对应分析法的关键加工因素分级方法,能快速将加工过程数值仿真与数学“对应分析”法结合,对某型涡轴发动机钛合金压气机轮盘坯料锻造过程的关键工艺参数对内含缺陷三维尺寸的影响程度进行了分级和确定。
附图说明
图1为本发明一种基于对应分析法的关键加工因素分级方法的流程图。
图2为本发明采用的BBD试验设计实验点分布示意图。
图3为本发明某一关键加工因素变化了比例后对目标量的影响示意图。
具体实施方式
下面将结合附图对本发明作进一步的详细说明。
本发明在满足适航审定要求和支撑某型发动机适航的取证的基础上,提出了一种基于对应分析法的关键加工因素分级方法;该方法将加工过程数值仿真与数学“对应分析”法结合,对某型涡轴发动机钛合金压气机轮盘坯料锻造过程的关键工艺参数对内含缺陷三维尺寸的影响程度进行了分级和确定。
如图1所示,具体步骤如下:
步骤一、针对某型航空发动机钛合金轮盘,确定坯料锻造过程中的关键加工因素;
关键加工因素包括:锻造过程的温度、应变率、变形程度和摩擦系数,以可能存在的内置缺陷三维尺寸为目标量。
步骤二、采用Box-Behnken Design(BBD)方法确定加工因素的试验方案,得出关键加工影响因素的锻造试验数据;
BBD试验设计实验点分布情况如图2所示:锻造试验数据主要指温度e1、应变率e2、变形程度e3和摩擦系数e4的四个因素参数的设定,共计试验组别29组。
步骤三、利用仿真软件DEFORM对29组锻造试验数据作为锻造条件进行仿真模拟,得出29组缺陷三维尺寸数据。
缺陷三维尺寸数据指锻造成型后缺陷的径向、轴向和周向三个方向的尺寸。
步骤四、利用29组锻造试验数据与缺陷三维尺寸数据,通过响应面分析,拟合出关键加工影响因素的代理模型;
代理模型采用含二次交叉项的线性多项式拟合,具体表示为:
其中R方向k表示缺陷三维尺寸,共计三个方向(径向、轴向和周向)。
em、en(m=1,2,3,4;n=1,2,3,4)均表示关键加工因素,a0、an、amn分别为待定系数。
步骤五、利用代理模型关系生成N组关键加工参数组合及相对应的缺陷三维尺寸数据,为对应分析法提供大量的样本点。
步骤六、代理模型随机生成N个锻造参数组合,相对应的N组缺陷三维尺寸作为列点,生成原始矩阵;
如下:
xN1表示第N组关键加工参数组合下,对应的周向缺陷三维尺寸数据;xN2表示第N组关键加工参数组合下,对应的轴向缺陷三维尺寸数据;xN3表示第N组关键加工参数组合下,对应的径向缺陷三维尺寸数据。
步骤七、对原始矩阵X进行标准化,并做奇异值分解计算列轮廓坐标矩阵F,得到原始矩阵X的关键信息;
首先、计算原始矩阵X的标准化矩阵Z,消除数量级及单位的影响。
然后、对标准化矩阵Z做奇异值分解,得到列轮廓坐标矩阵F,代表了原始矩阵X的关键信息;
奇异值分解公式如下:Z=U1ΛmV1 T;
其中,U1和V1分别为两个m维正交矩阵;Λm=diag(d1,d2,...,dm),m=rank(Z);d是标准化矩阵Z的奇异值,同时,λj'为标准化矩阵Z的特征值;j'=1,…,m;因此得出R型因子载荷阵F,也就是列轮廓坐标矩阵,如下:
步骤八、当m为2时,对列轮廓坐标矩阵F进行变换,并将行信息和列信息划分坐标,生成二维散点图。
矩阵F代表了原始矩阵X的关键信息,根据主成分分析,当m=2时,矩阵F能够很大程度代表原始矩阵X的信息。故矩阵F变换为:
将矩阵F的每一行信息作为坐标点,第一列数据为横坐标,第二列数据为纵坐标,共计3个坐标点,生成二维散点图。
步骤九、将关键加工因素锻造试验数据的参数,分别按固定差值逐一增大,在二维散点图上生成新的值,根据各列点与对应初始列点相对位置变化的距离大小进行分级。
将关键加工因素温度e1、应变率e2、变形程度e3和摩擦系数e4分别逐一增大5%、10%、15%、20%、25%、30%、40%、50%,在同一图上生成二维散点图,根据各列点与对应初始列点相对位置变化的距离大小进行分级。
分级的划分如下:相对位置距离变化越大,则说明该加工因素越关键;反之,则说明该加工因素的影响较小。如图3所示,根据上述描述,生成的列点二维图为列初始点,三个点分别代表缺陷的三个尺寸;关键加工因素锻造试验数据的参数,分别按固定差值逐一增大某设置比例,在二维散点图上生成新的值,形成各因素偏离时列点,根据列初始点与因素偏离点的距离大小判断该因素对缺陷三维尺寸(某方向)的影响程度,即相对位置距离变化越大,则说明该加工因素越关键;反之,则说明该加工因素的影响较小。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (5)
1.一种基于对应分析法的加工关键因素分级方法,其特征在于,具体步骤如下:
步骤一、针对某型航空发动机钛合金轮盘,确定坯料锻造过程中的关键加工因素;
步骤二、采用Box-Behnken Design方法进行加工因素的试验,得出关键加工因素的锻造试验数据;
步骤三、利用仿真软件对锻造试验数据进行仿真模拟,得出锻造完成后的缺陷三维尺寸数据;
步骤四、通过响应面分析,拟合出关键加工因素的锻造试验数据与缺陷三维尺寸数据之间的代理模型;
代理模型采用含二次交叉项的线性多项式拟合,具体公式为:
其中R方向k表示缺陷的径向、轴向和周向三个方向的尺寸;em和en(m=1,2,3,4;n=1,2,3,4)均表示关键加工因素,a0、an、amn分别为待定系数;
步骤五、利用代理模型生成大量的关键加工参数组合及相对应的缺陷三维尺寸,作为对应分析法的大量样本点;
代理模型随机生成N个关键加工参数组合,对应N组缺陷三维尺寸数据;
步骤六、利用N组大量样本点的列点,生成原始矩阵X;
原始矩阵如下:
xN1表示第N组关键加工参数组合下,对应的周向缺陷三维尺寸数据;xN2表示第N组关键加工参数组合下,对应的轴向缺陷三维尺寸数据;xN3表示第N组关键加工参数组合下,对应的径向缺陷三维尺寸数据;
步骤七、对原始矩阵X进行标准化,并做奇异值分解计算列轮廓坐标矩阵F,得到原始矩阵X的关键信息;
首先、计算原始矩阵X的标准化矩阵Z,消除数量级及单位的影响;
然后、对标准化矩阵Z做奇异值分解,得到列轮廓坐标矩阵F,代表了原始矩阵X的关键信息;
奇异值分解公式如下:Z=U1ΛmV1 T;
U1和V1分别为两个m维正交矩阵;Λm=diag(d1,d2,...,dm),m=rank(Z);d是标准化矩阵Z的奇异值,同时,λj'为标准化矩阵Z的特征值;j'=1,…,m;因此得出R型因子载荷阵F,也就是列轮廓坐标矩阵,如下:
步骤八、当m为2时,对列轮廓坐标矩阵F进行变换,并将行信息和列信息划分坐标,生成二维散点图;
步骤九、将关键加工因素锻造试验数据的参数,分别按固定差值逐一增大,在二维散点图上生成新的值,根据各列点与对应初始列点相对位置变化的距离大小进行分级;
按固定差值逐一增大的值为:5%、10%、15%、20%、25%、30%、40%、50%;
分级的划分如下:相对位置距离变化越大,则说明该加工因素越关键;反之,则说明该加工因素的影响越小。
2.如权利要求1所述的一种基于对应分析法的加工关键因素分级方法,其特征在于,所述的关键加工因素包括:锻造过程的温度、应变率、变形程度和摩擦系数。
3.如权利要求1所述的一种基于对应分析法的加工关键因素分级方法,其特征在于,所述的锻造试验数据主要指温度e1、应变率e2、变形程度e3和摩擦系数e4参数的设定。
4.如权利要求1所述的一种基于对应分析法的加工关键因素分级方法,其特征在于,所述的缺陷三维尺寸数据指锻造成型后缺陷的径向、轴向和周向三个方向的尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811135054.3A CN109117597B (zh) | 2018-09-28 | 2018-09-28 | 一种基于对应分析法的加工关键因素分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811135054.3A CN109117597B (zh) | 2018-09-28 | 2018-09-28 | 一种基于对应分析法的加工关键因素分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117597A CN109117597A (zh) | 2019-01-01 |
CN109117597B true CN109117597B (zh) | 2020-04-10 |
Family
ID=64856971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811135054.3A Active CN109117597B (zh) | 2018-09-28 | 2018-09-28 | 一种基于对应分析法的加工关键因素分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117597B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111336003B (zh) * | 2020-02-20 | 2021-04-16 | 中国民航管理干部学院 | 一种航空发动机涡轮增压系统关键影响因素的定位方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886649A (zh) * | 2017-03-01 | 2017-06-23 | 中国海洋石油总公司 | 一种多元热流体吞吐注入参数优化方法 |
CN106971029B (zh) * | 2017-03-10 | 2020-06-16 | 西北工业大学 | 一种基于局部加载成形筋板件预制坯的优化方法 |
-
2018
- 2018-09-28 CN CN201811135054.3A patent/CN109117597B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109117597A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609531B (zh) | 一种基于数字孪生的车间调度方法 | |
US7933679B1 (en) | Method for analyzing and optimizing a machining process | |
CN106842922B (zh) | 一种数控加工误差优化方法 | |
Ramesh et al. | Support vector machines model for classification of thermal error in machine tools | |
Zhou et al. | Prediction and control of surface roughness for the milling of Al/SiC metal matrix composites based on neural networks | |
Lin et al. | Cost-tolerance analysis model based on a neural networks method | |
CN111881559A (zh) | 一种基于组合权重-双决策与表面质量多目标的加工参数优化方法 | |
Ghosh et al. | A surrogate-assisted optimization approach for multi-response end milling of aluminum alloy AA3105 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN109117597B (zh) | 一种基于对应分析法的加工关键因素分级方法 | |
Wu et al. | Integrated optimization method for helical gear hobbing parameters considering machining efficiency, cost and precision | |
Stryczek | A metaheuristic for fast machining error compensation | |
Kakati et al. | Prediction of optimum cutting parameters to obtain desired surface in finish pass end milling of aluminium alloy with carbide tool using artificial neural network | |
Sun et al. | Uncertainty calibration and quantification of surrogate model for estimating the machining distortion of thin-walled parts | |
Yao et al. | Position-dependent milling process monitoring and surface roughness prediction for complex thin-walled blade component | |
Wu et al. | Layout optimization of auxiliary support for deflection errors suppression in end milling of flexible blade | |
CN108197809B (zh) | 基于维度最优转换的权值共享深度网络的实时调度方法 | |
Rajaparthiban et al. | Application of the grey based Taguchi method and Deform-3D for optimizing multiple responses in turning of Inconel 718 | |
Gao et al. | A 6-sigma robust optimization method for stamping forming of automobile covering parts based on residual error and radial basis interpolation | |
Deng et al. | Multi-objective modelling and optimal parameter selection of a multi-pass milling process considering uncertain milling stability constraint | |
CN114169721B (zh) | 一种基于自适应模糊推理的全流程零件加工质量预测方法 | |
Hu et al. | Error prediction of balancing machine calibration based on machine learning method | |
CN113836662A (zh) | 凸轮曲线槽机构设计缺陷的动态辨识及去特征化修复方法 | |
Lamb | Probabilistic performance-based geometric tolerancing of compressor blades | |
CN109753018B (zh) | 一种基于云端智能的误差补偿系统及动态补偿方法 |
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 |