CN110362861A - 一种考虑能效的模具结构参数多目标优化方法 - Google Patents

一种考虑能效的模具结构参数多目标优化方法 Download PDF

Info

Publication number
CN110362861A
CN110362861A CN201910497946.6A CN201910497946A CN110362861A CN 110362861 A CN110362861 A CN 110362861A CN 201910497946 A CN201910497946 A CN 201910497946A CN 110362861 A CN110362861 A CN 110362861A
Authority
CN
China
Prior art keywords
energy consumption
extrusion process
layer
mold
extrusion
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
Application number
CN201910497946.6A
Other languages
English (en)
Other versions
CN110362861B (zh
Inventor
徐康康
杨海东
印四华
朱成就
杨桥
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910497946.6A priority Critical patent/CN110362861B/zh
Publication of CN110362861A publication Critical patent/CN110362861A/zh
Application granted granted Critical
Publication of CN110362861B publication Critical patent/CN110362861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Extrusion Of Metal (AREA)

Abstract

本发明提供的一种考虑能效的模具结构参数多目标优化方法，包括：对模具挤压过程进行能耗建模，得到模具参数并计算挤压过程中的能耗；对模具参数进行有限元仿真，输出仿真结果；根据模具设计样本建立BP神经网络，得到型材截面速度差异率和挤压过程能耗的关系图；根据型材截面速度差异率和挤压过程能耗的关系图，利用遗传算法得到最优的参数组合，完成模具结构参数多目标的优化。本发明提供的一种考虑能效的模具结构参数多目标优化方法，通过对模具挤压过程进行能耗建模并通过有限元仿真得到模具参数与挤压过程能耗的关系，利用BP神经网络建立基于遗传算法的多目标优化所需要的模型，得到最优的型材截面速度差异率和挤压过程能耗。

Description

一种考虑能效的模具结构参数多目标优化方法
技术领域
本发明涉及能耗建模技术领域，更具体的，涉及一种考虑能效的模具结构参数多目标优化方法。
背景技术
目前，中国铝型材目前，中国铝型材生产行业的产能和产量都为世界第一 [1]。然而，铝型材的消耗量，特别是铝型材的生产效率和能耗，中国大部分铝加工企业每生产1000kg铝型材消耗标准煤1571～5405kg[2]，跟世界主要的铝生产国之间仍然存在一定的差距。铝材加工为高耗能产业，是我国节能减排的重点行业，且能耗成本已经成为铝材加工等企业发展、升级的重要掣肘。铝型材生产工艺以及生产过程的能效优化问题越来越受到世界铝型材行业的关注。
使用CAE技术，对铝型材的挤压过程进行数值仿真，可以得到金属的流动速度分布、应力分布、应变和温度分布等。而这些物理量是影响挤压过程能耗的关键因素，为了降低铝型材的生产能耗，需要研究模具结构参数对挤压过程能耗的影响规律，优化模具参数。
1990年以后，计算机技术的进步使得铝型材挤压过程的研究有了更好的技术支持，‘CAE技术’的发展，被国内外型材挤压相关研究人员所关注。T.Chanda 等人[3]采用有限元方法模拟和预测了AA7075挤出过程中的温度变化，得出温升与挤出速度对数呈线性关系的结论。Zhi Peng等人[4]使用FORGE3软件对多孔实心棒材的挤压过程进行数值模拟，分析了模孔对材料出口面的流动速度、温度差异以及变形力等的影响情况，以及模具结构参数和挤压工艺参数对产品质量的影响。J.Lof等[5]运用有限元分析软件对复杂薄壁铝型材的挤压过程进行了模拟仿真，在前处理时，设计了一种等效载荷模型用来代替真实载荷的情况，来减少计算单元的数量和仿真的运算时间，使得模拟的状况与实际模具一样；还研究了材料的流动行为、摩擦系数以及工作带长度对挤压过程的影响。Zhou J等[6]利用DEFORM-3D软件对铝型材的挤压过程进行有限元模拟，对AA6061以及 AA7075两种材料在挤压过程中受到的应力情况进行了分析，并对挤压速度和型材温度的关系进行了实验验证。HE Zhao等[7]利用HyperXtrude软件对复杂铝型材挤压过程进行有限元模拟，并了解了金属应变率，应力，温度场和速度场的分布。通过实验验证了这种有限元模拟方法能够有效的预测挤压过程中的一些物理量。陈浩[8]在挤压比相同的条件下，利用有限体积法，形成模具分流孔的优化模型，并开发了相关的计算程序。提出了一种基于数字化的模具设计及优化方法，以高速列车的墙壁为仿真对象，解决了其出口截面速度差异大的问题，同时还使焊缝质量得到了提高。喻俊荃等[9]以含有细微特别形状的薄壁空心铝型材为研究对象，利用基于ALE法的HyperXtrude软件，研究了流速均匀性与阻流块的关系，对阻流块设计提出了一般的设计的方法。寇福俊等[10]把导流孔的形状作为研究因素，用截面出口的速度均方差为优化目标，运用HyperXtrude软件，把响应曲面法与粒子群优化算法进行结合，并对导流孔形状建立了优化模型，之后对导流孔进行了优化，使挤压型材的质量得到了提高。郑荣[11]用工作带长度、焊合室深度、焊合室截面半径、模芯偏移量四个模具结构参数为研究变量，把型材出口面挤压速度均方差SDV值为优化目标，利用神经网络算法和遗传算法对这些参数进行优化，实验结果和算法优化的结果一致，说明用这种方法来优化模具参数是一种有效的手段。
综上所述，目前国内外对挤压过程的数值模拟研究，主要集中在挤压成形工艺方面，分析了模具结构参数和挤压工艺参数对产品的影响。但是，并没有研究这些因素对能耗的影响。
为了提高模具寿命同时提高产品的质量，国内外大量学者探索了模具结构对型材生产过程的影响规律。Fang等[12]对双模孔模具进行研究，得到了焊合室级数与材料流动、温度分布以及挤压力之间的关系，并用实验进行了验证。Donati 等[13]针对AA6082型材，采用实验的方法，对影响焊缝质量的焊合室高度还有导流板形状进行了研究。Wu等[14]使用SuperForge，研究了金属材料在挤压过程中的流动规律，对结果进行对比分析，得出了分流孔的形状及其入口到工作带中间的形状是影响矩形空心管出口截面速度均匀性的重要元素。Mehta等[15]对 I型型材进行有限体积法仿真，对12组不同的模具结构组合进行仿真，对12组仿真结果进行对比分析，得出使用导流模的产品表面质量要优于没使用导流模的产品。Lee等[16]针对口琴型的管材，研究了其材料流动情况、粘结压力变化、挤压力变化和模芯变形等物理量与焊合室形状、挤压速度等参数的关系。Peng 等[17]使用Forge软件，对模孔数目及分布情况与挤压过程中的材料流动、挤压力变化及微观组织的关系进行了研究。发现了它们之间的影响规律。Padmanathan 等[18]在模腔内金属流动的引导下，分析了分流模的形状和高度、模孔位置和工作带长度等参数。程磊[19]以薄壁多孔口琴管为研究对象，通过DEFORM-3D软件，研究了挤压过程中焊合室高度影响情况。结果表明，到达稳态所需的挤压力及焊合压力都与焊合室深度的的变化成正相关，随焊合室深度的增加型材的质量也在提高。黄克坚等[20]研究了宽展模具中对型材质量影响的结构参数，如：模具入口宽度、工作带长度、焊合室高度、及模孔分布方式等。
综上所述，国内外的研究学者在模具结构研究方面，主要聚焦于分析模具结构如何影响金属材料流动以及在流动过程中各种物理量是如何变化的。但是，上述研究没有结合能耗问题，未能为铝型材挤压提供能效优化的方法。
总之，现有的铝型材挤压能耗研究方法主要集中在挤压工艺能耗或者挤压变形能耗等方面，缺乏关于模具结构对挤压过程能耗影响的研究。
发明内容
本发明为克服现有的铝型材挤压能耗方法主要集中在挤压工艺能耗或者挤压变形能耗等方面，缺乏对模具结构对挤压过程能耗影响的研究的技术缺陷，提供一种考虑能效的模具结构参数多目标优化方法。
为解决上述技术问题，本发明的技术方案如下：
一种考虑能效的模具结构参数多目标优化方法，包括以下步骤：
S1：对模具挤压过程进行能耗建模，得到模具参数并计算挤压过程中的能耗；
S2：对模具参数进行有限元仿真，输出仿真结果，得到模具设计样本；
S3：根据模具设计样本建立BP神经网络，得到型材截面速度差异率和挤压过程能耗的关系图；
S4：根据型材截面速度差异率和挤压过程能耗的关系图，利用遗传算法得到最优的参数组合，完成模具结构参数多目标的优化。
其中，步骤S1中所述的挤压过程中的能耗包括静态镦粗压缩能耗W1和动态挤压能耗W2。
其中，所述静态镦粗压缩能耗W1的具体计算公式为：
W1＝mwσbA；
其中，μ为摩擦系数，热变形时μ＝0.3～0.5；Dt指镦粗后的直径，此处等于挤压筒内圆直径；h指铝棒镦粗后的高度；w指挤压速度对单位变形抗力的影响系数，根据挤压速度的不同在1.2～2.0范围取值；σb指变形温度下材料的前度极限；指坯料的横截面积。
其中，所述动态挤压能耗W2的具体计算公式为：
W2＝Wform+Wcf+Wdf+Wq；
其中，Wform表示塑性变形能耗；Wcf表示材料与挤压筒接触面的摩擦能耗； Wdf表示材料与模具接触面的摩擦能耗；Wdf表示挤压过程中热交换产生的能耗。
其中，所述步骤S2具体为：基于ALE有限元方法的HyperXtrude软件建立有限分析模型，
对三组模具参数，即焊合室深度、焊合角、工作带长度采用3因素3水平的正交设计表进行仿真，得到模具设计样本。
其中，在所述步骤S3中所述的BP神经网络包括输入层、隐含层以及输出层；其中:
所述隐含层为网络的中间层，能提供多层神经元，不同层的神经元之间是全连接的，但同层的神经元相互独立；
当输入层的得到数据，就会通过每个隐含层中的神经元对输出层中的神经元进行编码；当输出层得不到合适的值时，输出误差对每层的网络权重和阈值进行修正，然后逐个返回隐含层和输入层。
在具体实施过程中，如图2所示，包括多个输入值X1,X2,...,Xn，预测输出值Y1,Y2,...,Ym，ωij,ωjk,为权值。所述的BP神经网络为非线性函数，输入层的初始值和输出层的预测值作为该网络的自变量和因变量。
其中，所述的BP神经网络训练过程具体为：
网络初始化：在每个区间间隔内为每个连接权重分配一个随机数，设置误差函数，并给出计算精度值和最大学习次数；
输出层输入计算：设输入X，输入层与隐含层关联的权值ωij及隐含层阀值 a，计算得到隐含层的输出H，具体计算公式为：
其中，l为隐含层节点的数量；f为隐含层激励函数；
输出层计算：根据隐含层的输出H，结合隐含层与输出层关联的权值ωik及输出层的阈值b，计算得到预测输出值O，具体计算公式为：
误差计算：根据预测和期望的输出值O与Y，得到预测误差e，具体计算公式为：
ek＝Yk-Ok k＝1,2…,m；
权值更新：根据预测误差e，对权值ωij、ωik进行更新，具体计算公式为：
ωik＝ωik+ηHjek k＝1,2…,m；j＝1,2…,l；
其中，η为学习速度；
阈值更新：根据预测误差e，对阈值a、b进行更新，具体计算公式为：
bk＝bk+ek k＝1,2,…,m；
最后对网络误差进行判断，当误差满足要求或者学习次数用完，则结束算法；否则，返回执行输出层输入计算。
其中，在所述步骤S4中，以模具的型材截面速度差异率和挤压过程能耗为优化目标，利用遗传算法进行参数优化，具体计算公式为：
Find：H',θ',L'；
Minimize:η'(H',θ',L')and W(H',θ',L')；
W＝W1+W2＝net(H',θ',L')；
其中，15mm≤H'≤30mm，15°≤θ'≤75°，14mm≤L'≤28mm；η'表示型材截面速度差异率，W表示挤压过程能耗；H'为焊合室深度，θ'为悍合角大小，L' 工作带长度。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供的一种考虑能效的模具结构参数多目标优化方法，通过对模具挤压过程进行能耗建模并通过有限元仿真得到模具参数与挤压过程能耗的关系，利用BP神经网络建立基于遗传算法的多目标优化所需要的模型，得到最优的型材截面速度差异率和挤压过程能耗。
附图说明
图1为本发明的流程示意图；
图2为BP神经网络结构示意图；
图3为挤压过程能量耗散过程示意图；
图4为挤压变形时球面坐标系及应力应变状态示意图；
图5为实施例型材结构示意图；
图6为分流组合模上模结构示意图；
图7为分流组合模下模结构示意图；
图8为BP神经网络差异率输出结果与实际结果对比图；
图9为BP神经网络能耗输出结果与实际结果对比图；
图10为Pareto最优解集示意图；
图11为初始模具的型材截面速度分布示意图；
图12为优化模具的型材截面速度分布示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种考虑能效的模具结构参数多目标优化方法，包括以下步骤：
S1：对模具挤压过程进行能耗建模，得到模具参数并计算挤压过程中的能耗；
S2：对模具参数进行有限元仿真，输出仿真结果，得到模具设计样本；
S3：根据模具设计样本建立BP神经网络，得到型材截面速度差异率和挤压过程能耗的关系图；
S4：根据型材截面速度差异率和挤压过程能耗的关系图，利用遗传算法得到最优的参数组合，完成模具结构参数多目标的优化。
更具体的，步骤S1中所述的挤压过程中的能耗包括静态镦粗压缩能耗W1和动态挤压能耗W2。
更具体的，所述静态镦粗压缩能耗W1的具体计算公式为：
W1＝mwσbA；
其中，μ为摩擦系数，热变形时μ＝0.3～0.5；Dt指镦粗后的直径，此处等于挤压筒内圆直径；h指铝棒镦粗后的高度；w指挤压速度对单位变形抗力的影响系数，根据挤压速度的不同在1.2～2.0范围取值；σb指变形温度下材料的前度极限；指坯料的横截面积。
更具体的，所述动态挤压能耗W2的具体计算公式为：
W2＝Wform+Wcf+Wdf+Wq；
其中，Wform表示塑性变形能耗；Wcf表示材料与挤压筒接触面的摩擦能耗； Wdf表示材料与模具接触面的摩擦能耗；Wdf表示挤压过程中热交换产生的能耗。
更具体的，所述步骤S2具体为：基于ALE有限元方法的HyperXtrude软件建立有限分析模型，
对三组模具参数，即焊合室深度、焊合角、工作带长度采用3因素3水平的正交设计表进行仿真，得到模具设计样本。
更具体的，在所述步骤S3中所述的BP神经网络包括输入层、隐含层以及输出层；其中:
所述隐含层为网络的中间层，能提供多层神经元，不同层的神经元之间是全连接的，但同层的神经元相互独立；
当输入层的得到数据，就会通过每个隐含层中的神经元对输出层中的神经元进行编码；当输出层得不到合适的值时，输出误差对每层的网络权重和阈值进行修正，然后逐个返回隐含层和输入层。
其中，所述的BP神经网络训练过程具体为：
网络初始化：在每个区间间隔内为每个连接权重分配一个随机数，设置误差函数，并给出计算精度值和最大学习次数；
输出层输入计算：设输入X，输入层与隐含层关联的权值ωij及隐含层阀值 a，计算得到隐含层的输出H，具体计算公式为：
其中，l为隐含层节点的数量；f为隐含层激励函数；
输出层计算：根据隐含层的输出H，结合隐含层与输出层关联的权值ωik及输出层的阈值b，计算得到预测输出值O，具体计算公式为：
误差计算：根据预测和期望的输出值O与Y，得到预测误差e，具体计算公式为：
ek＝Yk-Ok k＝1,2…,m；
权值更新：根据预测误差e，对权值ωij、ωik进行更新，具体计算公式为：
ωik＝ωik+ηHjek k＝1,2…,m；j＝1,2…,l；
其中，η为学习速度；
阈值更新：根据预测误差e，对阈值a、b进行更新，具体计算公式为：
bk＝bk+ek k＝1,2,…,m；
最后对网络误差进行判断，当误差满足要求或者学习次数用完，则结束算法；否则，返回执行输出层输入计算。
更具体的，在所述步骤S4中，以模具的型材截面速度差异率和挤压过程能耗为优化目标，利用遗传算法进行参数优化，具体计算公式为：
Find：H',θ',L'；
Minimize:η'(H',θ',L')and W(H',θ',L')；
W＝W1+W2＝net(H',θ',L')；
其中，15mm≤H'≤30mm，15°≤θ'≤75°，14mm≤L'≤28mm；η'表示型材截面速度差异率，W表示挤压过程能耗；H'为焊合室深度，θ'为悍合角大小，L' 工作带长度。
在具体实施过程中，本方法通过对模具挤压过程进行能耗建模并通过有限元仿真得到模具参数与挤压过程能耗的关系，利用BP神经网络建立基于遗传算法的多目标优化所需要的模型，得到最优的型材截面速度差异率和挤压过程能耗。
实施例2
更具体的，如图3所示，在实施例1的基础上，当材料进行塑性变形时，基于力平衡，变形区上的应力与各个面的摩擦力保持平衡，故所述的塑性变形能耗 Wform包括了模芯上截面或者死区面的摩擦消耗的能。本实施例基于圆棒挤压功计算模型，采用系数修正法获取复杂截面铝型材的变形功。
更具体的，如图4所示，把变形区的入口曲面、出口曲面当成同心球面；用球面坐标系表示这个同心球面，其中纸平面内的坐标用r，表示，与直面垂直的环向坐标用θ表示，则得到：
金属在变形区内流动为B.Avitzur连续速度场V，具体表示为：
在变形区入口球面上，r＝r2，则有：
其中，Vr表示r坐标方向的连续速度场；Vj表示j坐标方向的连续速度场，表示坐标方向的连续速度场；Vθ表示θ坐标方向的连续速度场；Vrc表示rc 坐标方向的连续速度场；Vr2表示r2坐标方向的连续速度场；r，表示纸平面内的坐标；θ表示与直面垂直的环向坐标；基于上述表达式，通过将应力和速度分布积分在变形区的球形表面上，获得变形区中塑性变形所消耗的功率，具体计算公式为：
式中，Vj指挤压变形入口处的速度；为挤压筒的横截面积；为与挤压条件有关的金属变形抗力；α为模角；εe＝lnλ，而λ为挤压比；mz(0≤m z≤1.0)为变形区接触面的摩擦系数，在采用无润滑液或者有死区的情况下，mz＝1.0；在采用润滑没有死区的情况下，mz＝0.5；在冷挤压没有死区的情况下，mz＝0.2～0.3。
对于轴对称复杂界面的铝型材，则可通过修正系数获取其塑性变形能耗，具体计算公式为：
式中，kf根据型材断面复杂程度系数f确定，并且根据参考文献已经对该修正系数进行了详细研究，具体如表1所示。
表1修正系数选取表
更具体的，材料与挤压筒接触面的摩擦能耗Wcf根据摩擦力做功进行计算，具体计算公式为：
Wcf＝FcfVj；
式中，摩擦力Fcf具体表示为：
Fcf＝τπDtL；
式中，L指铝锭与筒壁的接触长度；Dt指挤压筒内部直径；τ是坯料与挤压筒的摩擦剪切应力，表示为：
τ＝mtk；
式中，mt是摩擦因子；k是材料的剪切应力，通过VonMises屈服规则确定，具体表达为：
式中，指常规流动应力；综上所述，材料与挤压筒接触面的摩擦功Wcf可以表示为关于接触长度L的线性函数，具体计算公式为：
当模具内全部由材料充满，两者之间的接触面随着焊合室深度和工作带长度的变化而变化，确定一组模具结构参数的情况下，材料与模具接触面的摩擦功 Wdf为常数，具体计算公式为：
式中，Vf指产品出口速度；S指材料与模具的接触面积；md是摩擦因子。
在具体的型材生产过程中，各个工部件相互的热交换以及它们与空气接触热交换产生的能耗构成了整个的热交换能耗，各工部件都具有初始温度且热能只是进行了相互传递并没有耗散，坯料、模具、挤压筒、挤压垫与空气之间的热交换主要以辐射传递热量，可利用Stefan-Boltzmann定律来进行计算，具体计算公式为：
式中，c0为绝对黑体的辐射系数，c0＝5.7603w·m-2·K-4；Tm为坯料、模具、挤压筒的温度(℃)；Ta为周围空气的温度(℃)；A为与空气接触的面积(m2)；ta为散热时间(s)。
在具体实施过程中，在挤压成形时，各工部件与空气接触而消耗的热能是整个过程中热能损失的主要原因。由于挤压过程中坯料会不断的进入焊合室，随着坯料的不断深入，坯料与空气没有直接接触，所以这部分的能耗相比于挤压筒和模具与空气接触损失的能量要少的多。减少计算的复杂性，忽略消耗很少能量的部分，主要考虑模具，挤压筒和空气之间的热交换。挤压筒与模具之间的温差较小，且具有一定的起始温度，这部分的热交换不需要进行计算，所以挤压过程的热交换产生的能耗求解方程表示为：
Wq＝∫QmdTmdt+∫QtdTtdt；
式中，Qm为模具部分的辐射热量；Tm为实时模具的平均温度；Qt为挤压筒部分的辐射热量；Tt为实时的挤压筒平均温度。
实施例3
更具体的，初始设计的模具结构，其外形尺寸和几何形状如图5所示，壁厚为2mm、轮廓尺寸为74mm×104mm。上模如图6所示其尺寸为Φ200mm×70 mm，4个分流孔，焊合角θ为45°。下模如图7所示其尺寸为Φ200mm×53mm，焊合室深度为24mm，工作带长度为20mm。
在具体实施过程中，通过相关参考文献的边界条件及相关工艺参数计算出挤压过程能耗，并与其实际能耗进行对比，以此证明本发明提出能耗模型的准确有效。其中，本发明采用的相关参数如表2所示，根据表的相关参数计算出能耗值，如表3所示。
表2矩形空心铝型材挤压参数
表3能耗误差表
根据表格可以看出本发明所用的能耗模型计算得出的能耗值与实际能耗值误差在10％以内，本发明提出的模型能有效地计算出挤压过程中的能耗。
更具体的，基于ALE有限元方法的HyperXtrude软件建立有限分析模型，对三组模具参数，即焊合室深度、焊合角、工作带长度采用3因素3水平的正交设计表进行仿真，得到27组仿真结果。
在具体实施过程中，对根据27组仿真结果得到设计样本，在保证样本数量的情况下能够有效的保证代表性。根据工厂调研对三组模具结构参数限定相应的取值范围如表4所示。选择27组中的19组作为学习训练样本，如表5所示，其余8组作为测试样本，如表6所示。
表4模具结构参数取值范围
表5学习训练样本
表6测试样本
在具体实施过程中，采用的BP神经网络模型拥有三层网络，输入层为三个神经元输入(焊合室深度、焊合角、工作带长度)，隐含层拥有12个神经元，输出层为两个神经元输出(型材截面速度差异率、挤压过程能耗)。利用27组网络训练样本和8组测试样本，对BP神经网络进行训练和检测，测试结果如图8、图9所示，也就是型材截面速度差异率与仿真实验得到的速度差异率之间的关系图，以及挤压过程能耗与仿真实验得到的挤压过程能耗的关系图。
为了对BP神经网络的准确性进行验证，本发明采用8组测试样本进行检测，并对预测结果和模拟结果进行了比较。如表7所示为对比的误差结果。预测结果与模拟结果的误差都不超过10％，表明本发明所采用的BP神经网络模型的预测结果可靠、准确，能够满足实用要求。
表7 BP神经网络模型预测结果与数值模拟结果的对比误差
结合BP神经网络利用遗传算法以型材截面速度差异率和挤压过程能耗为对象，得到最优的参数组合。本发明结合BP神经网络，采用遗传算法对上述优化问题进行求解。其参数设定为：种群的初始大小为50，发生交叉的几率为0.9，变异几率为0.01，进化代数设为500代，得到的Pareto最优解如图10所示，从图上可以看出Pareto最优解是为一个解集，经过综合考虑从中取出一组园整后为最优解H＝17mm，θ＝71°，L＝25mm，此时通过BP神经网络预测的型材出口截面速度差异率η'为3.50％，挤压过程能耗W为2.636×104KJ，在这组解的优化结果中，型材出口截面速度差异率η'为3.23％，挤压过程能耗W为2.843×104KJ。预测结果与优化结果相差不大。
在具体实施过程中，为了更加直观便捷的比较初始方案与优化方案，本发明对两种方案都进行了数值模拟和分析计算。型材截面速度分布情况的对比如图11、图12所示，由图11可知，初始方案的型材截面速度最大为61.42mm/s，最小为58.60mm/s，计算速度差异率η'为4.59％，挤压过程能耗W为2.710×104KJ，而图12所示的优化方案中，型材截面速度最大为60.98mm/s，最小为59.04mm/s，对比可知最大速度相比初始方案要小，最小速度相比要大。速度差异率为3.18％，挤压过程能耗W为2.448×104KJ。速度差异率优化方案比初始方案减小了约 31％，同时挤压过程能耗也降低了约10％。可知优化方案较初始方案相比提高了型材截面速度的均匀性，提升了产品质量，并且降低了能耗，提高了生产效率。表8为初始方案和优化方案的对比情况。
表8初始方案与优化方案的对比
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
[1]刘静安.现代铝合金挤压工业及技术发展概括与趋势[A].中国铝型材挤压模具开发与应用研讨会论文集，佛山，2008:1-6.
[2]肖翠萍.铝加工厂的节能途径[J].铝加工，2005，(6):39-41.
[3]Zhou J.,Li L.,Duszczyk J..3D FEM simulation of the whole cycle ofaluminium extrusion throughout the transient state and the steady state usingthe updated Lagrangian approac Journal ofMaterials Processing Technology,2003,134(3): 383-397.
[4]Peng Z.,Sheppard T..Prediction ofstatic recrystallisation duringextrusion of aluminium alloy AA2024[A].Simulation in Industry.2003,15thEuropean Simulation Symposium-ESS 2003391-8,Conference Information:Simulationin Industry.15th European Simulation Symposium-ESS 2003,Delft,Netherlands,26-29 October 2003,Soc.for Modelling and Simulation International.
[5]Lof J.,Blokhuis Y.FEM simulation ofthe extrusion of complex thin-walled aluminium sections[J].Journal ofMaterials Processing Technology,2002，122(2-3): 344-354.
[6]Zhou J,Li L,Duszczyk J.3D FEM simulation of the whole cycle ofaluminium extrusion throughout the transient state and the steady state usingthe updated Lagrangian approach[J].J.Mater.Proc.Tech.2003,134:383.
[7]HE Zhao,WANG He-nan,WANG Meng-jun,LI Guang-yao.Simulation ofextrusion process of complicated aluminium profile and die trial[J].Trans.Nonferrous Met.Soc.Cluna,22(2012):1732-1737.
[8]陈浩.空心铝合金型材挤压过程数值模拟及模具优化方法研究[D].济南市:山东大学，2012.
[9]喻俊荃，赵国群，张存生，陈浩.阻流块对薄壁空心铝型材挤压过程材料流速的影响[J].机械工程学报，2012,48(16):52-58
[10]寇福俊，杨晓川，李恒奎，高宝杰.基于响应曲面法和粒了群算法的铝型材挤压模具优化设计[J].现代制造技术与装备，2011(4):4-6+9.
[11]郑荣，包忠诩，周天瑞，黄克坚.三维铝型材挤压模多参数优化[J].装备环境工程，2004,22(1):69-72.
[12]G.Fang,J.Zhou,J.Duszczyk.FEM simulation of aluminium extrusionthrough two-hole mufti-step pocket dies[J].Journal of Materials ProcessingTechnology,2009,209:1891-1900.
[13]L.Donati,L.Tomesani.The effect ofdie design on the production andseam weld quality of extruded aluminum profiles[J].Journal of MaterialProcessing Technology,2005,164-165:1025-1031.
[14]X.H.Wu,G.Q.Zhao,Y.G.Luan,X.W.Ma.Numerical simulation and diestructure optimization of an aluminum rectangular hollow pipe extrusionprocess[J]. Materials Science and EngineeringA,2006,435-436:266-274.
[15]B.V.Mehtaa,I.AI-Zkeri,J.S.Gunasekera,A.Buijk.3D flow analysisinside shear and streamlined extrusion dies for feeder plate design[J].Journal of Materials Processing Technology,2001，113:93-97.
[16]J.M.Lee,B.M.Kim.C.C.Kang.Effects ofchamber shapers ofporthole dieon elastic deformation and extrusion process in condenser tube extrusion[J].Materials andDesign,2005,26:327-336.
[17]Z.Peng,T.Sheppard.Simulation of mufti-hole die extrusion[J].Materials Science and EngineeringA,2004,367:329-342.
[18]K.Padmanathan,N.Thomas.Optimization of pocket design to produce athin shape complex profile[J].Production Engineering-Research andDevelopment,2003,142:23-241.
[19]程磊，谢水生，黄国杰，和优锋.焊合室高度对分流组合模挤压成形过程的影响[J].稀有金属，2008,32(4):442-446.
[20]黄克坚，包忠诩，陈泽中，朱永光.宽展挤压模具正交试验研究[J].锻压技术，2004,6:49-52。

Claims (8)

1.一种考虑能效的模具结构参数多目标优化方法，其特征在于，包括以下步骤：
S1：对模具挤压过程进行能耗建模，得到模具参数并计算挤压过程中的能耗；
S2：对模具参数进行有限元仿真，输出仿真结果，得到模具设计样本；
S3：根据模具设计样本建立BP神经网络，得到型材截面速度差异率和挤压过程能耗的关系图；
S4：根据型材截面速度差异率和挤压过程能耗的关系图，利用遗传算法得到最优的参数组合，完成模具结构参数多目标的优化。
2.根据权利要求1所述的一种考虑能效的模具结构参数多目标优化方法，其特征在于：步骤S1中所述的挤压过程中的能耗包括静态镦粗压缩能耗W1和动态挤压能耗W2。
3.根据权利要求2所述的一种考虑能效的模具结构参数多目标优化方法，其特征在于：所述静态镦粗压缩能耗W1的具体计算公式为：
W1＝mwσbA；
其中，μ为摩擦系数，热变形时μ＝0.3～0.5；Dt指镦粗后的直径，此处等于挤压筒内圆直径；h指铝棒镦粗后的高度；w指挤压速度对单位变形抗力的影响系数，根据挤压速度的不同在1.2～2.0范围取值；σb指变形温度下材料的前度极限；指坯料的横截面积。
4.根据权利要求2所述的一种考虑能效的模具结构参数多目标优化方法，其特征在于：所述动态挤压能耗W2的具体计算公式为：
W2＝Wform+Wcf+Wdf+Wq；
其中，Wform表示塑性变形能耗；Wcf表示材料与挤压筒接触面的摩擦能耗；Wdf表示材料与模具接触面的摩擦能耗；Wdf表示挤压过程中热交换产生的能耗。
5.根据要求1所述的一种考虑能效的模具结构参数多目标优化方法，其特征在于：所述步骤S2具体为：基于ALE有限元方法的HyperXtrude软件建立有限分析模型，
对三组模具参数，即焊合室深度、焊合角、工作带长度采用3因素3水平的正交设计表进行仿真，得到模具设计样本。
6.根据权利要求5所述的一种考虑能效的模具结构参数多目标优化方法，其特征在于：在所述步骤S3中所述的BP神经网络包括输入层、隐含层以及输出层；其中:
所述隐含层为网络的中间层，能提供多层神经元，不同层的神经元之间是全连接的，但同层的神经元相互独立；
当输入层的得到数据，就会通过每个隐含层中的神经元对输出层中的神经元进行编码；当输出层得不到合适的值时，输出误差对每层的网络权重和阈值进行修正，然后逐个返回隐含层和输入层。
7.根据权利要求6所述的一种考虑能效的模具结构参数多目标优化方法，其特征在于：所述的BP神经网络训练过程具体为：
网络初始化：在每个区间间隔内为每个连接权重分配一个随机数，设置误差函数，并给出计算精度值和最大学习次数；
输出层输入计算：设输入X，输入层与隐含层关联的权值ωij及隐含层阀值a，计算得到隐含层的输出H，具体计算公式为：
其中，l为隐含层节点的数量；f为隐含层激励函数；
输出层计算：根据隐含层的输出H，结合隐含层与输出层关联的权值ωik及输出层的阈值b，计算得到预测输出值O，具体计算公式为：
误差计算：根据预测和期望的输出值O与Y，得到预测误差e，具体计算公式为：
ek＝Yk-Ok k＝1,2…,m；
权值更新：根据预测误差e，对权值ωij、ωik进行更新，具体计算公式为：
ωik＝ωik+ηHjek k＝1,2…,m；j＝1,2…,l；
其中，η为学习速度；
阈值更新：根据预测误差e，对阈值a、b进行更新，具体计算公式为：
bk＝bk+ek k＝1,2,…,m；
最后对网络误差进行判断，当误差满足要求或者学习次数用完，则结束算法；否则，返回执行输出层输入计算。
8.根据权利要求7所述的一种考虑能效的模具结构参数多目标优化方法，其特征在于：在所述步骤S4中，以模具的型材截面速度差异率和挤压过程能耗为优化目标，利用遗传算法进行参数优化，具体计算公式为：
Find：H',θ',L'；
Minimize:η'(H',θ',L')and W(H',θ',L')；
W＝W1+W2＝net(H',θ',L')；
其中，15mm≤H'≤30mm，15°≤θ'≤75°，14mm≤L'≤28mm；η'表示型材截面速度差异率，W表示挤压过程能耗；H'为焊合室深度，θ'为悍合角大小，L'工作带长度。
CN201910497946.6A 2019-06-10 2019-06-10 一种考虑能效的模具结构参数多目标优化方法 Active CN110362861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910497946.6A CN110362861B (zh) 2019-06-10 2019-06-10 一种考虑能效的模具结构参数多目标优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910497946.6A CN110362861B (zh) 2019-06-10 2019-06-10 一种考虑能效的模具结构参数多目标优化方法

Publications (2)

Publication Number Publication Date
CN110362861A true CN110362861A (zh) 2019-10-22
CN110362861B CN110362861B (zh) 2023-05-02

Family

ID=68215887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910497946.6A Active CN110362861B (zh) 2019-06-10 2019-06-10 一种考虑能效的模具结构参数多目标优化方法

Country Status (1)

Country Link
CN (1) CN110362861B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464428A (zh) * 2020-09-18 2021-03-09 燕山大学 一种铜合金异形型材挤压模的设计方法
CN112632810A (zh) * 2020-11-30 2021-04-09 江苏科技大学 一种杆件折弯上模下压量规律的预测方法
CN117556677A (zh) * 2024-01-11 2024-02-13 中南大学 基于多目标优化算法的型材模具优化方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108889786A (zh) * 2018-05-29 2018-11-27 广东工业大学 一种基于数值仿真的铝型材挤压过程能耗优化方法
CN109086489A (zh) * 2018-07-03 2018-12-25 广东工业大学 一种分流组合模挤压成形的能耗建模与分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108889786A (zh) * 2018-05-29 2018-11-27 广东工业大学 一种基于数值仿真的铝型材挤压过程能耗优化方法
CN109086489A (zh) * 2018-07-03 2018-12-25 广东工业大学 一种分流组合模挤压成形的能耗建模与分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周飞等: "基于多重优化设计的铝型材挤压工作带模型", 《同济大学学报(自然科学版)》 *
张明杰等: "基于神经网络的铝型材挤压过程能耗工艺参数优化研究", 《装备制造技术》 *
林高用等: "铝型材挤压模工作带优化", 《中国有色金属学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464428A (zh) * 2020-09-18 2021-03-09 燕山大学 一种铜合金异形型材挤压模的设计方法
CN112632810A (zh) * 2020-11-30 2021-04-09 江苏科技大学 一种杆件折弯上模下压量规律的预测方法
CN117556677A (zh) * 2024-01-11 2024-02-13 中南大学 基于多目标优化算法的型材模具优化方法及系统
CN117556677B (zh) * 2024-01-11 2024-03-26 中南大学 基于多目标优化算法的型材模具优化方法及系统

Also Published As

Publication number Publication date
CN110362861B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN110362861A (zh) 一种考虑能效的模具结构参数多目标优化方法
Zhang et al. Effect of extrusion stem speed on extrusion process for a hollow aluminum profile
CN114741961B (zh) 印刷电路板式换热器的翼型翅片排列结构优化方法和系统
Zhang et al. Automatic optimization design of a feeder extrusion die with response surface methodology and mesh deformation technique
He et al. Simulation of extrusion process of complicated aluminium profile and die trial
CN106650112A (zh) 镍基合金管材热挤压工艺参数获取方法以及装置
Yang et al. Analytical model of corner filling with granular media to investigate the friction effect between tube and media
Liu et al. Analysis and improvement of material flow during extrusion process using spreading pocket die for large-size, flat-wide, and multi-ribs profile
CN107577900A (zh) 一种分流模挤压非完全对称型材的纵向焊缝焊合质量的预测方法
Zhang et al. Optimization of porthole extrusion dies with the developed algorithm based on finite volume method
Zhao et al. Simulation of extrusion process of complicated aluminium profile and die trial
Zhao et al. Die optimization design and experimental study of a large wallboard aluminum alloy profile used for high-speed train
Dong et al. Material flow analysis and extrusion die modifications for an irregular and multitooth aluminum alloy radiator
CN109597006B (zh) 一种磁性纳米粒子测量位置的优化设计方法
Abdul Jawwad et al. Evaluating the effects of process parameters on maximum extrusion pressure using a new artificial neural network-based (ANN-based) partial-modeling technique
CN211527774U (zh) 换热器多场同步测量系统
Lou et al. Die structure optimization for hollow aluminum profile
Zhang et al. Finite element simulation of aluminum alloy cross valve forming by multi-way loading
Wu et al. Optimal shape design of an extrusion–forging die using a polynomial network and a genetic algorithm
CN107526877A (zh) 一种消减残余应力的模拟方法
Çelik et al. Modelling of the clearance effects in the blanking process of CuZn30 sheet metal using neural network− a comparative study
Zhang et al. Optimizing casting parameters of ingot based on neural network and genetic algorithm
Mao et al. Study on extrusion forming of superalloy tube under different dies
Lou et al. Optimization of a porthole die for an aluminum profile extrusion based on orthogonal test method
Jiang Forming Quality Forecasting for Inner Threads Copper Tubes Based on Neural Network

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