CN111125884A - 一种面向智能制造的镁合金成分和热处理工艺优化系统 - Google Patents
一种面向智能制造的镁合金成分和热处理工艺优化系统 Download PDFInfo
- Publication number
- CN111125884A CN111125884A CN201911219440.5A CN201911219440A CN111125884A CN 111125884 A CN111125884 A CN 111125884A CN 201911219440 A CN201911219440 A CN 201911219440A CN 111125884 A CN111125884 A CN 111125884A
- Authority
- CN
- China
- Prior art keywords
- heat treatment
- optimization
- module
- mechanical property
- treatment process
- 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
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22C—ALLOYS
- C22C23/00—Alloys based on magnesium
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22F—CHANGING THE PHYSICAL STRUCTURE OF NON-FERROUS METALS AND NON-FERROUS ALLOYS
- C22F1/00—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working
- C22F1/06—Changing the physical structure of non-ferrous metals or alloys by heat treatment or by hot or cold working of magnesium or alloys based thereon
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Forging (AREA)
Abstract
一种面向智能制造的镁合金成分和热处理工艺优化系统,其属于智能制造技术领域。该系统包括前处理模块、“成分/热处理工艺—组织/力学性能”预测模块、工艺优化模块和后处理模块;前处理模块是由用户输入CAD几何模型和工艺设计变量;“成分/热处理工艺—组织/力学性能”预测模块是计算不同成分和热处理工艺下镁合金的组织和力学性能;工艺优化模块以系统内置的优化算法为依据,用户根据具体问题选择优化算法,自动迭代计算直至优化结束;后处理模块完成每次迭代计算结果的输出。该系统能够实现基于组织和力学性能预测的成分和热处理工艺优化,它具有较高的稳定性和易操作性,作为智能制造装备中材料工艺优化单元被提出,旨在加速镁合金的研制进程。
Description
技术领域
本发明涉及智能制造技术领域,尤其涉及一种面向智能制造的镁合金成分和 热处理工艺优化系统。
背景技术
智能制造是对产品生命周期中设计、加工的各个环节进行知识表达与学习, 信息感知与分析,智能决策与执行,从而实现制造过程、制造系统与制造装备的 知识推理,动态传感和自主决策。智能制造从宏观上将推动传统的标准化、大批 量、刚性、缓慢的生产模式向个性化、高度柔性化、快速响应市场需求的生产模 式转变;在微观上,将通过数字化、网络化、自动化和智能化的制造装备和系统 集成,实现产品研制过程的全闭环控制,达到缩短产品研制周期、降低运营成本、 提高生产效率、提升产品质量、降低资源能源消耗的目的。
智能装备是指具有感知、分析、推理、决策、控制功能的制造装备,它是先 进制造技术、信息技术和智能技术的集成和深度融合,是先进制造工艺实现的基 本载体。开发金属材料智能设计和加工制造的关键技术有助于加速推动智能制造 的实现。传统的材料研发模式是采用试错法研究“成分/工艺—组织/性能”之间 的关系,存在周期长、成本高、难以掌控规律等缺点;然而,智能的研发模式通 过对获取的加工过程进行分析和决策,实现加工工艺的自主设计和优化。具有智 能处理能力的智能制造装备会针对加工工艺形成一种优化调控模式,从而加速材 料的设计和优化过程。
近些年,金属材料的高性能化与高质量化、构件的复杂化与轻量化、生产的 高效化与低成本化等重大需求快速推动了镁合金的发展。镁合金作为最轻的金属 结构材料,由于其具有轻质高强、易回收等优点而被广泛用于汽车、飞机等零部 件中。优化镁合金成分和热处理工艺常被用于提高镁合金零部件的性能,开发镁 合金成分与工艺优化系统有利于加速镁合金的研发进程。
因此,基于集成化软件平台,将镁合金“成分/工艺—组织/性能”预测模型 与优化算法相结合,实现基于组织和力学性能预测的成分和工艺优化。这种镁合 金成分和热处理工艺优化系统作为智能制造装备中材料工艺优化单元被提出,对 加速镁合金的研发和智能制造具有重要意义。
发明内容
本发明的目的是提供一种面向智能制造的镁合金成分和热处理工艺优化系 统,以实现基于组织和力学性能预测的镁合金成分和工艺优化,作为智能制造装 备中材料工艺优化单元被提出,旨在加速镁合金的研制进程。
为实现上述技术目的,本发明提供一种面向智能制造的镁合金成分和热处理 工艺优化系统,所述系统由前处理模块、“成分/热处理工艺—组织/力学性能”预 测模块、工艺优化模块和后处理模块组成;
所述的前处理模块,用于用户输入CAD几何模型和工艺设计变量,其中, 工艺设计变量包括元素A含量、元素B含量、热处理温度和热处理时间。系统 将工艺设计变量写到设计变量文件中,为后续优化计算提供初始条件。
所述的“成分/热处理工艺—组织/力学性能”预测模块是系统调用Matlab软 件,根据“成分/热处理工艺—组织/力学性能”模型,计算得到不同成分和热处 理工艺下的组织和力学性能。系统将计算得到的组织和力学性能预测值写到结果 文件中。
所述的“成分/热处理工艺—组织/力学性能”模型是采用最小二乘法根据实 验数据建立的“成分/热处理工艺—组织/力学性能”回归分析方程,晶粒尺寸D、 抗拉强度UTS、延伸率El.和显微硬度HV的回归分析模型如下:
x1=10X1-1;x2=10X2-1;x3=0.04X3-13;x4=0.0625X4-1
式中,x1为元素A含量的标准化值,x2为元素B含量的标准化值,x3为热 处理温度的标准化值,x4为热处理时间的标准化值,X1为元素A含量的实际值, X2为元素B含量的实际值,X3为热处理温度的实际值,X4为热处理时间的实际 值。
所述的工艺优化模块是以系统内置的优化算法为依据,根据用户需求,选择 微观组织或力学性能指标(如:晶粒尺寸、抗拉强度、显微硬度)作为优化目标 变量,用户根据具体问题选择优化算法。系统从结果文件中读取微观组织或力学 性能预测值信息,优化工艺设计变量,将新设计变量的数据写到设计变量文件中, 通过“成分/热处理工艺—组织/力学性能”模型计算获得微观组织或力学性能的 预测值,如此循环迭代计算,直至优化结束。
所述的工艺优化模块,系统内置的优化算法包括BFGS(牛顿-炳弗逊迭代算 法)、SLP(序列线性规划法)、SQP(逐步二次规划法)、MMA(移动渐近线法) 和GA(遗传算法)。
所述的后处理模块是输出每次迭代计算的结果。
本发明提供的技术方案的有益效果是:实现了基于组织和力学性能预测的镁 合金成分和热处理工艺优化,系统能够对镁合金的成分和热处理工艺进行快速、 自动优化,系统具有较高的稳定性和易操作性,缩短了工艺优化时间,提高了镁 合金的研发效率。
附图说明
图1是系统的框架图。
图2是系统优化计算的界面。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细说明。
如图1所示为一种面向智能制造的镁合金成分和热处理工艺优化系统的框 架图,系统由前处理模块、“成分/热处理工艺—组织/力学性能”预测模块、工艺 优化模块和后处理模块组成,系统输入为CAD几何模型和工艺设计变量,系统 输出为不同成分和热处理工艺下的组织和力学性能。
采用本发明的系统对ZE41镁合金机匣铸件的成分和热处理工艺进行优化, 具体步骤如下:
(1)向系统导入ZE41镁合金机匣铸件的三维几何模型,设置元素Ca、元 素Sr、热处理温度和热处理时间分别为0.1wt.%、0.1wt.%、325℃和16h,作 为优化计算的初始值。
(2)系统调用Matlab软件,根据“成分/热处理工艺—组织/力学性能”回 归分析模型,晶粒尺寸D、抗拉强度UTS、延伸率El.和显微硬度HV的回归分 析模型如下:
x1=10X1-1;x2=10X2-1;x3=0.04X3-13;x4=0.0625X4-1
式中,X1为元素Ca含量,X2为元素Sr含量,X3为热处理温度,X4为热处 理时间。计算ZE41镁合金在不同合金成分和热处理工艺下的晶粒尺寸、抗拉强 度、延伸率和显微硬度,并写入结果文件中;
(3)选择抗拉强度作为优化目标变量,选择SQP(逐步二次规划法)作为 优化算法,系统进行优化任务求解;
(4)求解结束后,输出迭代结果。
如图2所示为系统优化计算的界面。系统共迭代计算76次,部分迭代结果 如表1所示,由结果可知,系统优化后获得的最佳成分和热处理工艺为:当Ca 含量为0.175wt.%、Sr含量为0.2wt.%、热处理温度为321.8℃、热处理时间为 12.3h时,镁合金的晶粒尺寸为35.8μm、抗拉强度为200MPa、延伸率为3.16%、 显微硬度为67.9。
表1镁合金成分和热处理工艺优化计算的部分迭代结果
Claims (1)
1.一种面向智能制造的镁合金成分和热处理工艺优化系统,其特征在于:所述系统包括前处理模块、“成分/热处理工艺-组织/力学性能”预测模块、工艺优化模块和后处理模块;
所述前处理模块用于用户输入CAD几何模型和工艺设计变量,其中,工艺设计变量包括元素A含量、元素B含量、热处理温度和热处理时间;
所述“成分/热处理工艺-组织/力学性能”预测模块是系统调用Matlab软件,根据“成分/热处理工艺-组织/力学性能”模型,计算得到不同成分和热处理工艺下的组织和力学性能;
所述“成分/热处理工艺-组织/力学性能”模型是采用最小二乘法根据实验数据建立的“成分/热处理工艺-组织/力学性能”回归分析模型,晶粒尺寸D、抗拉强度UTS、延伸率E1.和显微硬度HV的回归分析模型如下:
x1=10X1-1;x2=10X2-1;x3=0.04X3-13;x4=0.0625X4-1
式中,x1为元素A含量的标准化值,x2为元素B含量的标准化值,x3为热处理温度的标准化值,x4为热处理时间的标准化值,X1为元素A含量的实际值,X2为元素B含量的实际值,X3为热处理温度的实际值,X4为热处理时间的实际值;
所述工艺优化模块是以系统内置的优化算法为依据,用户根据具体问题选择优化算法,自动迭代计算直至优化结束;所述系统内置的优化算法包括牛顿-炳弗逊迭代算法BFGS、序列线性规划法SLP、逐步二次规划法SQP、移动渐近线法MMA和遗传算法GA;
所述后处理模块是输出每次迭代计算的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911219440.5A CN111125884B (zh) | 2019-12-03 | 2019-12-03 | 一种面向智能制造的镁合金成分和热处理工艺优化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911219440.5A CN111125884B (zh) | 2019-12-03 | 2019-12-03 | 一种面向智能制造的镁合金成分和热处理工艺优化系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111125884A true CN111125884A (zh) | 2020-05-08 |
CN111125884B CN111125884B (zh) | 2021-12-10 |
Family
ID=70497176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911219440.5A Active CN111125884B (zh) | 2019-12-03 | 2019-12-03 | 一种面向智能制造的镁合金成分和热处理工艺优化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111125884B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990650A (zh) * | 2021-01-12 | 2021-06-18 | 北京钢研新材科技有限公司 | 一种原材料质量滤波方法及系统 |
CN113076629A (zh) * | 2021-03-19 | 2021-07-06 | 张家港荣盛特钢有限公司 | 高强度盘条热处理工艺控制方法 |
CN113791009A (zh) * | 2021-09-16 | 2021-12-14 | 河北津西钢铁集团股份有限公司 | 一种预报铸坯加热后原始奥氏体晶粒尺寸的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1664550A (zh) * | 2005-03-29 | 2005-09-07 | 东北大学 | 轧制过程在线检测钢板力学性能的方法 |
CN102492881A (zh) * | 2011-12-05 | 2012-06-13 | 大连理工大学 | 一种细化az31镁合金晶粒的方法 |
CN102601141A (zh) * | 2012-03-16 | 2012-07-25 | 中国兵器工业第五九研究所 | 镁合金的复合挤压加工方法 |
JP2013018027A (ja) * | 2011-07-11 | 2013-01-31 | Kobe Steel Ltd | マグネシウム合金材の製造方法およびこれにより製造されたマグネシウム合金材 |
CN105866165A (zh) * | 2016-05-09 | 2016-08-17 | 哈尔滨理工大学 | 一种测定球铁铁水中Mg含量的样杯和方法 |
CN107463747A (zh) * | 2017-08-03 | 2017-12-12 | 重庆工业职业技术学院 | 神经网络模型及构建方法在轻合金零部件热处理中的应用 |
CN109023182A (zh) * | 2018-08-02 | 2018-12-18 | 安徽恒利增材制造科技有限公司 | 一种zk60镁合金热处理工艺及其性能研究 |
-
2019
- 2019-12-03 CN CN201911219440.5A patent/CN111125884B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1664550A (zh) * | 2005-03-29 | 2005-09-07 | 东北大学 | 轧制过程在线检测钢板力学性能的方法 |
JP2013018027A (ja) * | 2011-07-11 | 2013-01-31 | Kobe Steel Ltd | マグネシウム合金材の製造方法およびこれにより製造されたマグネシウム合金材 |
CN102492881A (zh) * | 2011-12-05 | 2012-06-13 | 大连理工大学 | 一种细化az31镁合金晶粒的方法 |
CN102601141A (zh) * | 2012-03-16 | 2012-07-25 | 中国兵器工业第五九研究所 | 镁合金的复合挤压加工方法 |
CN105866165A (zh) * | 2016-05-09 | 2016-08-17 | 哈尔滨理工大学 | 一种测定球铁铁水中Mg含量的样杯和方法 |
CN107463747A (zh) * | 2017-08-03 | 2017-12-12 | 重庆工业职业技术学院 | 神经网络模型及构建方法在轻合金零部件热处理中的应用 |
CN109023182A (zh) * | 2018-08-02 | 2018-12-18 | 安徽恒利增材制造科技有限公司 | 一种zk60镁合金热处理工艺及其性能研究 |
Non-Patent Citations (1)
Title |
---|
YU FU,ET AL: "Numerical simulation and experimental investigation of a thin-wall magnesium alloy casting based on a rapid prototyping core making method", 《INTERNATIONAL JOURNAL OF CAST METALS RESEARCH》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990650A (zh) * | 2021-01-12 | 2021-06-18 | 北京钢研新材科技有限公司 | 一种原材料质量滤波方法及系统 |
CN113076629A (zh) * | 2021-03-19 | 2021-07-06 | 张家港荣盛特钢有限公司 | 高强度盘条热处理工艺控制方法 |
CN113791009A (zh) * | 2021-09-16 | 2021-12-14 | 河北津西钢铁集团股份有限公司 | 一种预报铸坯加热后原始奥氏体晶粒尺寸的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111125884B (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111125884B (zh) | 一种面向智能制造的镁合金成分和热处理工艺优化系统 | |
Dai et al. | Chamnet: Towards efficient network design through platform-aware model adaptation | |
Zhuang et al. | Training quantized neural networks with a full-precision auxiliary module | |
Wu et al. | Intermittent inference with nonuniformly compressed multi-exit neural network for energy harvesting powered devices | |
CN114066333A (zh) | 数据处理方法及装置 | |
CN108762221A (zh) | 含有不可控事件的自动制造系统的无死锁控制方法 | |
CN114565237A (zh) | 用于多能组合发电站的综合能源低碳调度方法及系统 | |
Gu et al. | Minimizing makespan in job-shop scheduling problem using an improved adaptive particle swarm optimization algorithm | |
CN116110507B (zh) | 镁碳砖智能化生产方法及系统 | |
CN116957698A (zh) | 一种基于改进时序模式注意力机制的电价预测方法 | |
CN107862129B (zh) | 一种基于moead的偏差区间偏好引导多目标决策优化方法 | |
Aboutaleb et al. | Systematic optimization of Laser-based Additive Manufacturing for multiple mechanical properties | |
Jiang et al. | A control system of rail-guided vehicle assisted by transdifferentiation strategy of lower organisms | |
CN113076570A (zh) | 一种增材修复与再制造反演设计与逆向规划方法 | |
Virdi et al. | Feature selection with LASSO and VSURF to model mechanical properties for investment casting | |
CN111680846A (zh) | 一种基于l1和l2范数的简化宽度学习系统 | |
Rao et al. | Parameter optimization of Al-SiC metal matrix composites produced using powder-based process | |
Aboutaleb et al. | Multi-objective process optimization of additive manufacturing: a case study on geometry accuracy optimization | |
Meng et al. | Performance prediction of a modular product variant with RS-SVM | |
CN111008661A (zh) | 航空发动机备发需求量的Croston-XGBoost预测方法 | |
Wang et al. | Research on innovative design of mechanical products based on TRIZ theory | |
Lopatin | Technology progress implementation based on a modified version of RM Solow economic growth model: with production s-curve consisting of n-steps | |
CN117951473A (zh) | 一种特征驱动的可再生能源闭环预测优化方法 | |
CN113988674A (zh) | 一种基于深度学习的制造业智能排产方法 | |
CN115098911A (zh) | 基于avoga算法的空间结构多平台协同优化软件开发 |
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 |