CN110096741A - 一种预测模型及改进遗传算法的预锻成形模具设计方法 - Google Patents
一种预测模型及改进遗传算法的预锻成形模具设计方法 Download PDFInfo
- Publication number
- CN110096741A CN110096741A CN201910238193.7A CN201910238193A CN110096741A CN 110096741 A CN110096741 A CN 110096741A CN 201910238193 A CN201910238193 A CN 201910238193A CN 110096741 A CN110096741 A CN 110096741A
- Authority
- CN
- China
- Prior art keywords
- design
- function
- objective function
- value
- experimental
- 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.)
- Granted
Links
- 238000013461 design Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 15
- 230000000903 blocking effect Effects 0.000 title abstract 2
- 230000002068 genetic effect Effects 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000005242 forging Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000013401 experimental design Methods 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000003672 processing method Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims description 16
- 238000013178 mathematical model Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012512 characterization method Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003050 experimental design method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Forging (AREA)
Abstract
本发明公开了一种预测模型及改进遗传算法的预锻成形模具设计方法，包括以下步骤：定义表征预成形模具型腔的设计点坐标变量，确定锻造优化目标函数。采用优化的拉丁方方法，确定多尺度跨特征的实验设计方案。采用数值模拟方法，对所有实验方案进行仿真模拟，并获得其相应的目标函数值。建立多目标函数归一化数据处理方法，构建预测模型以实现对任意实验设计方案的目标函数值进行高效、可靠预测。将已建立的数学预测模型与改进的遗传算法相结合，开展优化解的全局搜索过程，并获得最优的设计方案。该方法通过将数值模拟技术与最优化理论及拟合算法相结合，实现对叶片锻造预成形模具型腔的最优化设计。
Description
技术领域
本发明涉及预锻成形模具设计领域，尤其涉及一种预测模型及改进遗传算法的预锻成形模具设计方法。
背景技术
叶片锻造预成形形状不仅直接决定了毛坯在前后工序的变形程度，还关系到毛坯与前后工序模具型腔的匹配，对锻件生产的工艺流程以及最终的成形质量有重要影响。传统叶片锻造预成形模具设计主要依靠人工经验，模具设计效率低、精度差、成本高、周期长，有限的工程物理实验难以确定较优的设计方案，即便采用数值模拟技术，但仍存在模拟时间较长，难以实现统计规模量级的实验次数，所获取的设计方案较难实现理论最优。另外，叶片作为核心动力部件，不仅需要具有极高的外形尺寸精度，对其微观组织及性能也有极为严格的要求，而现有的预成形模具设计方法尚难以解决这些技术难题。
发明内容
发明目的：本发明的目的是提供一种基于预测模型及改进遗传算法的叶片预锻成形模具设计方法。
技术方案：一种预测模型及改进遗传算法的预锻成形模具设计方法，包括以下步骤：
步骤1：定义表征预成形模具型腔的设计点坐标变量，并根据终锻变形程度计算设计变量的优化区间，确定锻造优化目标函数。具体为：在叶片终锻模腔表面上选择一定数量的型面特征点并确定其坐标。根据这些特征点，考虑预锻件到终锻件的合理变形程度区间，按照工程变形量的确定方法，计算预成形模具表面上相对应特征点坐标变量的优化设计范围。另外，除了将表征预成形模具型面特征点坐标作为基本设计变量以外，还可同时定义其它类型的设计变量以进行同步优化设计，如初始坯料的基本尺寸。同时，按需要定义单个或多个锻造优化目标函数，并确保每个目标函数值减小的方向对应着较优设计方向。
步骤2：采用优化的拉丁方采样方法，确定多尺度跨特征的实验设计方案；其中，多尺度是指设计变量的数量不限，每个设计变量所对应的优化区间数值大小也没有限制；跨特征是指不同类型的设计变量可以组合在一起。设计变量的总数没有限制，但数量越多则计算量越大，优化设计周期越长。实验设计方案采用了优化的拉丁方方法，该方法可保证高维设计空间域内的均匀采样，并实现每个设计变量所代表的因子及其水平在设计空间域内的尽可能均匀分布。
步骤3：采用数值模拟方法，对所有实验设计方案进行仿真模拟，并根据模拟结果获得所有实验设计方案所对应的优化目标函数值。
步骤4：基于已有实验样本设计变量与目标函数间的数值响应关系，构建径向基函数数学模型以实现对任意给定实验设计方案所对应目标函数值的高效、可靠预测。所建立的数学模型需经过随机试验设计方案的验证，如果模型预测精度不够，则需增加原始试验设计数量对数学模型重新构建。
径向基函数表达式如下：
其中，F(X)为任意一组设计变量X所对应的目标响应值，Q为实验设计方案总数量，wp是第p个设计方案的径向基函数所对应的权重系数，wQ+1是偏差补偿，是第p个设计方案的径向基函数，其表达式如下：
其中，为基函数向量中心，由训练实验数据确定，为欧几里得距离，K为形函数变量。
步骤5：建立归一化数据处理方法对各个目标函数的响应值进行转化。该方法是建立在样本均值及样本标准差基础上的数据统计处理方法，可在无法提前预知目标函数值分布范围的情况下，实现对不同类型、不同尺度的目标函数进行归一化处理，其表达式如下：
F＝(O-μ)/σ
其中，F为目标函数的归一化值，O为目标函数值，μ为所有实验设计方案目标函数的均值，σ为目标函数的标准偏差。
按照每个目标函数的设计权重进行线性加权处理，最终将多目标函数转化为单一的适应性函数。
线性加权公式如下：
T＝u1·F1+u2·F2
其中，T为总的适应性函数，u1为F1的加权系数，u2为F2的加权系数。
步骤6：将已建立的数学预测模型与改进的遗传算法相结合，开展对优化解的全局迭代搜索，并从最终结果中获得最优的设计变量方案。改进的遗传算法为包括选择、交叉、变异遗传操作在内的基于传统遗传操作基础上的多种群并行遗传算法，并增加了种群间遗传基因的交换操作。在优化解搜索过程中，已构建的数学模型将针对每个试探设计方案快速预测出目标函数响应值，并进一步转化为单一的适应性函数值，遗传算法则根据该适应性值，确定寻优方向，并给出新的试探设计方案，上述过程迭代进行，直至整个程序结束。
步骤7：对优化后的设计方案进行数值模拟验证。
有益效果：与现有技术相比，本发明的优点为：首先，本发明所采用的优化拉丁方实验设计方法可在高维设计空间域内进行均匀化的试样方案设计，特别适合在有限采样数据的情况下全局优化试探的开展，可有效避免优化结果的局部性；其次，本发明建立的预测建模技术通过样本数据训练以后，可对任意的设计方案快速给出其目标函数的响应值，并具有较高的预测精度及预测效率，使得大量的实验方案试探成为可能；同时，本发明提出的适应性函数处理方法，可在无法提前预知目标函数值分布范围的情况下，实现对不同类型、不同尺度的目标函数进行归一化处理，显著提高了优化结果的可靠性；最后，改进的遗传算法可进行高效的并行优化搜索，并且可获得全局的优化结果，优化结果可靠性高，总体而言，本发明所提出的方法促进了叶片锻造预成形模具设计从传统的依靠人工经验向科学指导的方向转变，解决了多目标优化的难题，获得了接近理论优化的设计效果，为复杂锻件预成形模具的优化设计提供了有效解决方案。
附图说明
图1为本发明叶片锻造预成形模具型腔设计示意图；
图2为本发明个体进化过程及其适应性值变化示意图。
具体实施方式
下面结合附图并结合具体叶片锻造预成形模具设计为例对本发明的技术方案作进一步说明。
一种预测模型及改进遗传算法的预锻成形模具设计方法，包括如下步骤：
1、在叶片终锻模腔表面上选择一定数量的型面特征点并确定其坐标。如图1所示，Yl与Yu分别是终锻模具下模与上模的型腔特征点纵坐标，共9个特征点。P是预成形模具上模的特征点纵坐标，是待优化的设计变量。为了减少设计变量总数，终锻模具与预成形模具的下模型腔重合，9个特征点的横坐标设为常数。按照工程变形量ε的计算方法如下式：
其中，下标j为特征点编号。另外，考虑到初始坯料尺寸对材料利用率、材料成形流动有较大影响，因此坯料半径R也作为设计变量，分析其对目标函数的影响，其优化设计范围如下：R[4.936,5.166]。
叶片型面终锻的变形量控制在0.2～0.4之间，可计算出预成形模具表面上相对应特征点坐标变量P的优化设计范围如下：P1[44.453,44.799],P2[44.169,44.791],P3[44.059,44.968],P4[43.979,45.049],P5[43.925,45.042],P6[43.896,44.955],P7[43.881,44.770],P8[43.876,44.489],P9[44.124,44.466]。
按需要定义单个或多个锻造优化目标函数，并确保每个目标函数值减小的方向对应着较优设计方向。本例中设计目标函数有2个，分别为等效应变标准偏差以及断裂系数因子等效应变标准偏差值越小，则表明叶片终锻整体变形越均匀；断裂系数因子越小，则表明叶片终锻过程中越不易出现裂纹。因此两个目标函数的减小是优化设计方向。
2、采用优化的拉丁方采样方法，确定多尺度跨特征的实验设计方案。设计变量的总数没有限制，但数量越多则计算量越大，优化设计周期越长，本算例的设计变量数为10。实验设计方案采用了优化的拉丁方方法，该方法可保证高维设计空间域内的均匀采样，并实现每个设计变量所代表的因子及其水平在设计空间域内的尽可能均匀分布，实验方案设计见表1。
3、采用数值模拟方法，对所有实验方案进行仿真模拟，并根据模拟结果获得所有实验方案所对应的优化目标函数值数据见表1。
表1基于优化拉丁方的实验方案设计
4、基于已有实验样本设计变量与目标函数间的数值响应关系，构建径向基函数数学模型。所建立的数学模型需经过随机试验设计方案的验证，随机实验方案数据见表2。经检验，模型有相对较好的预测精度，为了进一步提高数学模型的预测效果，本算例将表1与表2中的所有实验方案组合在一起，重新构建了径向基函数的数学模型。径向基函数表达式如下：
其中，F(X)为任意一组设计变量X所对应的目标响应值，Q为实验设计方案总数量66。wp是第p个设计方案的径向基函数所对应的权重系数，wQ+1是偏差补偿，本算例的计算结果见表3，编号78的系数为wQ+1。
是第p个设计方案的径向基函数，其表达式如下：
其中，为基函数向量中心，由训练实验数据确定。为欧几里得距离，K为形函数变量，本算例优化后为1.5。
表2随机验证实验设计方案
表3ω系数计算结果
5、建立归一化数据处理方法对各个目标函数的响应值进行转化。该方法是建立在样本均值及样本标准差基础上的数据统计处理方法，可在无法提前预知目标函数值分布范围的情况下，实现对不同类型、不同尺度的目标函数进行归一化处理，其表达式如下：
F＝(O-μ)/σ
其中，F为目标函数的归一化值，O为目标函数值，μ为所有实验设计方案目标函数的均值，σ为目标函数的标准偏差。本算例中，目标函数的样本均值为0.3591，标准偏差为0.03817；目标函数的样本均值为0.08676，标准偏差为0.003199。
按照每个目标函数的设计权重进行线性加权处理，最终将多目标函数转化为单一的适应性函数。线性加权公式如下：
T＝u1·F1+u2·F2
其中，T为总的适应性函数，u1为F1的加权系数，u2为F2的加权系数，本算例均取0.5。
6、将已建立的数学预测模型与改进的遗传算法相结合，开展对优化解的全局迭代搜索，并从最终结果中获得最优的设计变量方案。改进的遗传算法为包括选择、交叉、变异遗传操作在内的多种群并行遗传算法，并增加了种群间遗传基因的交换操作步骤；算法的详细参数设置见表4。
表4改进遗传算法参数设置表
| 参数名称 | 值 |
| 子种群中个体数量 | 50 |
| 子种群数量 | 10 |
| 进化代数 | 20 |
| 精英个体数量 | 1 |
| 子群中个体交换率 | 0.5 |
| 选择率 | 1 |
| 变异率 | 0.01 |
| 迁移率 | 0.01 |
| 迁移代数间隔 | 5 |
在优化解搜索过程中，已构建的数学模型将针对每个试探设计方案快速预测目标函数响应值，并进一步转化为单一的适应性函数值，遗传算法则根据该适应性值，确定寻优方向，并给出新的试探设计方案，上述过程迭代进行，直至整个程序结束。图2为个体进化过程及其适应性值变化情况，如图所示，随着个体逐渐进化，适应性极小值逐渐下降，并最终趋于稳定，算法表现出较好的收敛性及可靠性。图中十字交叉点处的适应性值为全局最小，其对应的优化设计变量结果及预测目标函数值为：P1[44.797],P2[44.177],P3[44.06],P4[44.716],P5[44.759],P6[44.736],P7[43.882]，P8[43.801],P9[44.318],R[4.938]，
7、对优化后的设计方案进行数值模拟验证。利用步骤6中优化后的特征点坐标重新构建预成形模具型面，然后再进行数值模拟验证，模拟结果中的目标函数数值分别为该值与步骤6中的模型预测结果偏差很小，这证明了本发明具有较好的实施效果。
Claims (7)
1.一种预测模型及改进遗传算法的预锻成形模具设计方法，其特征在于，包括以下步骤：
步骤1：定义表征预成形模具型腔的设计点坐标变量，并根据终锻变形程度计算设计变量的优化区间，确定锻造优化目标函数；
步骤2：采用优化的拉丁方采样方法，确定多尺度跨特征的实验设计方案；
步骤3：采用数值模拟方法，对所有实验设计方案进行仿真模拟，并根据模拟结果获得所有实验设计方案所对应的优化目标函数值；
步骤4：基于已有实验样本设计变量与目标函数间的数值响应关系，构建数学模型以实现对任意给定实验设计方案所对应目标函数值的预测；
步骤5：建立归一化数据处理方法对各个目标函数的响应值进行转化，再按照每个目标函数的设计权重进行加权处理，最终将多目标函数转化为单一的适应性函数；
步骤6：将已建立的数学预测模型与改进的遗传算法相结合，开展对优化解的全局迭代搜索，并从最终结果中获得最优的设计变量方案；
步骤7：对优化后的设计方案进行数值模拟验证。
2.根据权利要求1所述的预测模型及改进遗传算法的预锻成形模具设计方法，其特征在于：步骤1中的锻造优化目标函数是指目标函数的数量及类型相同或者不同，其中每个目标函数值减小的方向对应较优的设计。
3.根据权利要求1所述的预测模型及改进遗传算法的预锻成形模具设计方法，其特征在于：步骤2中的所述多尺度为设计变量的数量不限，每个设计变量所对应的优化区间数值大小也没有限制；所述跨特征为不同类型的设计变量可以组合在一起。
4.根据权利要求1所述的预测模型及改进遗传算法的预锻成形模具设计方法，其特征在于：步骤4中的所构建的数学模型为径向基类型函数。
5.根据权利要求4所述的预测模型及改进遗传算法的预锻成形模具设计方法，其特征在于：所述径向基类型函数的表达式为：
其中，F(X)为任意一组设计变量X所对应的目标响应值，Q为实验设计方案总数量，wp是第p个设计方案的径向基函数所对应的权重系数，wQ+1是偏差补偿，是第p个设计方案的径向基函数，其表达式如下：
其中，为基函数向量中心，由训练实验数据确定，为欧几里得距离，K为形函数变量。
6.根据权利要求1所述的预测模型及改进遗传算法的预锻成形模具设计方法，其特征在于：步骤5中所述目标函数归一化数据处理方法是建立在样本均值及样本标准差基础上的数据统计处理方法，可在无法提前预知目标函数值分布范围的情况下，实现对不同类型、不同尺度的目标函数进行合理的归一化处理；其表达式为：
F＝(O-μ)/σ
其中，F为目标函数的归一化值，O为目标函数值，μ为所有实验设计方案目标函数的均值，σ为目标函数的标准偏差；
所述加权处理为基于权重系数分配的线性加权处理方法，其线性加权公式如下：
T＝u1·F1+u2·F2
其中，T为总的适应性函数，u1为F1的加权系数，u2为F2的加权系数。
7.根据权力要求1所述的预测模型及改进遗传算法的预锻成形模具设计方法，其特征在于：步骤6中改进的遗传算法为基于传统遗传操作基础上的多种群并行遗传算法，并增加了种群间遗传基因的交换操作；在优化解搜索过程中，已构建的数学模型将针对每个试探设计方案预测出目标函数响应值，并进一步转化为单一的适应性函数值，遗传算法则根据该适应性值，确定寻优方向，并给出新的试探设计方案，上述过程迭代进行，直至整个程序结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910238193.7A CN110096741B (zh) | 2019-03-27 | 2019-03-27 | 一种基于预测模型及改进遗传算法的预锻成形模具设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910238193.7A CN110096741B (zh) | 2019-03-27 | 2019-03-27 | 一种基于预测模型及改进遗传算法的预锻成形模具设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110096741A true CN110096741A (zh) | 2019-08-06 |
| CN110096741B CN110096741B (zh) | 2023-04-25 |
Family
ID=67443218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910238193.7A Active CN110096741B (zh) | 2019-03-27 | 2019-03-27 | 一种基于预测模型及改进遗传算法的预锻成形模具设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110096741B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117711547A (zh) * | 2023-12-30 | 2024-03-15 | 山东泰和能源股份有限公司 | 一种钛合金棒材智能锻造方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930562A (zh) * | 2016-04-13 | 2016-09-07 | 浙江大学 | 一种非概率条件下的结构性能优化设计方法 |
-
2019
- 2019-03-27 CN CN201910238193.7A patent/CN110096741B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930562A (zh) * | 2016-04-13 | 2016-09-07 | 浙江大学 | 一种非概率条件下的结构性能优化设计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邵勇: "体积成形预成形设计及优化方法的研究与应用", 《塑性工程学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117711547A (zh) * | 2023-12-30 | 2024-03-15 | 山东泰和能源股份有限公司 | 一种钛合金棒材智能锻造方法及系统 |
| CN117711547B (zh) * | 2023-12-30 | 2024-07-12 | 山东泰和能源股份有限公司 | 一种钛合金棒材智能锻造方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110096741B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508488B (zh) | 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法 | |
| 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 | |
| CN109063234B (zh) | 一种考虑多类型不确定性的高速压力机施力部件可靠性设计方法 | |
| CN110640982A (zh) | 一种薄壁注塑件的注塑工艺参数多目标优化方法 | |
| CN112659548B (zh) | 基于遗传算法和bp神经网络的面曝光3d打印工艺优化方法 | |
| CN106202727B (zh) | 异型线缆拉拔模具的设计方法及系统 | |
| CN113722992A (zh) | 一种带嵌件注塑件注塑工艺参数多目标优化方法 | |
| CN110334416B (zh) | 双性能盘锻造时的预制坯优化设计方法 | |
| Shao et al. | A new approach of preform design for forging of 3D blade based on evolutionary structural optimization | |
| CN115015318B (zh) | 一种大型构件热锻全流程宏微观分析方法及平台 | |
| Ge et al. | Optimized design of tube hydroforming loading path using multi-objective differential evolution | |
| CN106650178B (zh) | 一种基于细分构型的机床龙门结构刚度的优化设计方法 | |
| CN116882585A (zh) | 一种遗传算法和神经网络耦合的铝合金轮毂低压铸造工艺优化方法 | |
| CN110096741B (zh) | 一种基于预测模型及改进遗传算法的预锻成形模具设计方法 | |
| CN110096742B (zh) | 一种基于预测模型及粒子群算法的预锻成形模具设计方法 | |
| CN107025354A (zh) | 一种基于极差分析的车窗升降板成形工艺优化方法 | |
| CN114274457A (zh) | 基于Kriging-GA的注塑模具浇注系统结构参数决策方法 | |
| CN107066741B (zh) | 基于数据挖掘的气动外形优化设计方法 | |
| Fourment et al. | Mono and multi‐objective optimization techniques applied to a large range of industrial test cases using Metamodel assisted Evolutionary Algorithms | |
| CN107092745A (zh) | 一种基于方差分析的车窗升降板成形工艺优化方法 | |
| CN116796546A (zh) | 基于小样本学习的高温合金增材制造工艺优化预测方法 | |
| Yan et al. | Optimization of stamping process parameters based on orthogonal test and intelligent algorithm | |
| CN114091304B (zh) | 氢氧气体热源加工船体外板的智能决策方法 | |
| CN116629099A (zh) | 一种基于混合代理模型的钣金件多目标优化方法 | |
| Gao et al. | A 6-sigma robust optimization method for stamping forming of automobile covering parts based on residual error and radial basis interpolation |
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 |