CN112100819B - 一种基于集成计算与数据驱动的铸造冒口设计方法 - Google Patents
一种基于集成计算与数据驱动的铸造冒口设计方法 Download PDFInfo
- Publication number
- CN112100819B CN112100819B CN202010858606.4A CN202010858606A CN112100819B CN 112100819 B CN112100819 B CN 112100819B CN 202010858606 A CN202010858606 A CN 202010858606A CN 112100819 B CN112100819 B CN 112100819B
- Authority
- CN
- China
- Prior art keywords
- casting
- riser
- assessment
- index
- integrated computing
- 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
- 238000005266 casting Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000013461 design Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 title claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 55
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 239000000956 alloy Substances 0.000 claims abstract description 28
- 229910045601 alloy Inorganic materials 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000013401 experimental design Methods 0.000 claims abstract description 8
- 239000000463 material Substances 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005495 investment casting Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910000601 superalloy Inorganic materials 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于集成计算与数据驱动的铸造冒口设计方法,包括:S1,实验设计并按照设计进行模拟浇注;S2,搭建响应数据库;S3,建立响应面近似模型;S4,优化响应面近似模型,得到优化设计参数。本发明中冒口尺寸基于数据驱动的仿真模拟计算智能优化得到,铸件得到充分补缩时冒口体积最小,冒口内缩松离上端面的距离最小,出品率最高。本发明可明显消除铸件缩松缺陷,提高铸件质量,提升工艺出品率;同时以数据为基础,利用智能优化算法,建立近似模型,极大加速自动寻优过程,提高了计算精度和降低了计算成本,可用于铸造新工艺开发,可用于泵壳、叶轮、阀体、高温合金机匣等铸造产品制造领域。
Description
技术领域
本发明涉及航空制造技术领域,具体地,涉及一种用于高温合金薄壁环形机匣铸件数据驱动的铸造冒口设计方法、电子设备以及介质。
背景技术
自上世纪中后期以来,我国的高温合金熔模精密铸造技术迅猛发展,后劲十足。航空发动机的叶片、压气机环、涡轮盘、轴、燃烧室、加力燃烧室部件、高温合金紧固件等多种部件均采用高温合金材料。高温合金在航空产业之所以如此著名,是因为其长期在高温条件下具有良好的抗氧化性、抗蠕变性和持久强度。航空发动机高温合金热端铸件的研发和精密铸造长期依赖于大量经验积累和简单循环试错为特征的“经验寻优”方式,孤岛控制、科学性差、偶然性大,因而造成设计周期长和产品合格率低。国外经过多年的数据积累、集成计算材料工程、材料基因工程与先进制造计划2040的研究,已取得领先优势。为了缩短与国外先进水平的差距,我国迫切需要转变传统的研发模式,发展引领我国航空发动机构件铸造水平实现跨越式进步的新原理。目前,基于数据驱动的智能铸造研究与应用方面仍处于起步阶段。走数据驱动的复杂铸造系统尺寸误差精密调控的智能铸造技术与路线,是中国航空发动机高温合金铸件精密成型换道超车的必由之路。因此,针对航空发动机复杂薄壁铸件,开展集成计算与数据驱动的智能化理论方法与技术的研究,对提升自主创新、自主保障能力,赶超国际先进水平具有重大的战略意义。
经过对现有技术检索发现,中国专利文献号CN107590315A,公布日期2018.1.16,公开了一种非对称冒口设计方法,该方法现将设计好的浇注系统导入模拟软件,模拟浇注过程,分析对称冒口缺陷,然后添加非对称冒口,通过多次改变在一个方向上的偏移量及非对称冒口尺寸,多次模拟浇注过程,最终获得尺寸较小的非对称冒口。该技术结构复杂,需要反复模拟铸造过程,设计周期长、成本高,智能优化算法尚未开发,“经验+试错法”明显等不足之处。
发明内容
针对传统冒口尺寸设计依据半经验公式模数法与反复试验的问题,本发明的目的是提供一种基于集成计算与数据驱动的铸造冒口设计方法、电子设备及介质。
本发明第一方面,提供一种基于数据驱动的高温合金铸造冒口设计方法,包括:
S1:实验设计并按照设计进行模拟浇注
以铸造过程中的浇注参数作为输入参数,以冒口内缩松到上端面的距离和铸件工艺出品率作为输出,设计多组铸造数值模拟Box-Behnken实验方案;所述浇注参数包括冒口高度、冒口直径、合金浇注温度和型壳温度;
搭建集成计算平台,将设计好的浇注系统三维模型导入所述集成计算平台,在所述集成计算平台中设置好网格划分、材料属性和浇注参数,再按照所述铸造数值模拟Box-Behnken实验方案自动进行模拟浇注,自动计算冒口内缩松到铸件上端面的距离和工艺出品率作为模拟结果;
S2:搭建响应数据库
根据S1的模拟结果,搭建实验输入与输出之间的响应数据库;
S3:建立响应面近似模型
在所述集成计算平台中,以S1中的所述输入参数作为影响因素,以铸件中的冒口内缩松到铸件上端面距离和铸件工艺出品率为考核指标,建立考核指标与影响因素之间的响应面近似模型,考察影响因素与考核指标之间的权重关系,分析工艺参数与考核目标的贡献度;
S4优化响应面近似模型,得到优化设计参数
基于S3得到的响应面近似模型和S2搭建的响应数据库,在所述集成计算平台中采用NSGA-II多目标优化方法,以平均缩松和最大缩松最小化为目的,自动寻优,计算出较优工艺参数组合值群,通过对照Pareto解,得出期望组合;所述较优工艺参数包括冒口高度、冒口直径、合金浇注温度、型壳温度、界面换热系数、浇注速度;
当得出的期望组合的结果不满足设定阈值时,重复S1-S4,直至得到符合设定阈值的期望组合。
优选地,所述多组铸造数值模拟Box-Behnken实验方案,其中,评价指标包括冒口内缩松到铸件上端面距离y1,铸件工艺出品率y2。
优选地,所述搭建集成计算平台,具体为:利用python语言编写能后台调用软件的代码,实现各部分的联通与数据流的传输;
所述集成计算平台包括如下功能:
自动建立浇注系统三维模型;
自动导入设计好的浇注系统三维模型;
自动划分网格;
自动导入预设好的模拟用浇注参数及材料数据库;
自动计算并提取模拟结果;
自动搭建近似模型;
能自动寻优。
优选地,所述建立考核指标与影响因素之间的响应面近似模型,包括:
S301,考察指标对评价指标的贡献度转化:
将贡献度ηij作为衡量考核质量的重要尺度,贡献度越大,表明考核质量对贡献因子的敏感性越小,造成的质量损失越小;
考核指标包括考核指标y1,考核指标y2,其中,考核指标y1为冒口内缩松到铸件上端面距离,y1为望小特性;考核指标y2为铸件工艺出品率,y2为望大特性;
S302,计算综合质量损失:
分别计算冒口里缩松到铸件上端面的距离为考核指标y1,铸件冒口工艺出品率为考核指标y2的基于贡献度的标准化质量损失,然后采用目标加权求和法将多指标响应的标准质量损失转化为单响应指标的综合质量损失,其中多指标是指考核指标y1和y2;
S303,建立二阶响应面模型:
分别将N组铸造数值模拟Box-Behnken实验方案中的综合质量损失作为响应值y,输入参数作为自变量x,建立综合质量损失y与输入参数x之间的二阶响应面模型,采用数学规划策略求解所述输入参数x与冒口内缩松到铸件上表面距离、铸件工艺出品率的响应关系。
优选地,所述S301中:
假设浇注过程铸造数值模拟Box-Behnken实验方案有N组、k个考核指标,将第i个考核指标在第j组试验中形成的第n组质量特征数据记为yij(n),将n组质量特征数据的贡献度记为ηij,其中1≤i≤k,1≤j≤N,1≤w≤n,则:
若yij为望小特性,其贡献度ηij为:
若yij为望大特性,其贡献度ηij为:
若yij为望目特性,假设其望目特性为m,则其改进的贡献度ηij为:
优选地,所述S302,计算综合质量损失具体采用以下公式:
其中:yij——第i个考核指标在第j组试验中的标准化质量损失,0≤yij≤1;——第i个考核指标在其所有试验中的最大质量损失;ηi——第i个考核指标在其所有试验中的贡献度;Q——质量损失系数;ηij——贡献度;yj第j组试验中的综合质量损失;αi——权重系数,反映第i个考核指标对稳健性的要求程度,αi∈[0,l],且∑αi=l。
优选地,所述S303中,二阶响应面模型如下:
其中,b0,bi,bii,bij为各自的待定系数;
til为设计参量xi的下边界,ti2为设计参量xi的上边界。
xj、xk分别为输入参数。
本发明第二方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时可用于上述的基于集成计算与数据驱动的铸造冒口设计方法。
本发明第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行上述的基于集成计算与数据驱动的铸造冒口设计方法。
与现有技术相比,本发明具有如下的有益效果:
本发明针对传统的“经验+试错法”,搭建了集成计算平台,实现了自动仿真计算,包括实验设计、仿真计算、数据传递、近似建模型、优化计算等功能,加速了实验设计过程,提高了计算精度,节约了生产成本。
本发明可明显消除铸件缩松缺陷,提高铸件质量,提升工艺出品率;同时以数据为基础,利用优化算法,建立近似模型,极大加速了自动寻优过程,提高了计算精度和降低了计算成本,可用于铸造新工艺开发,可用于泵壳、叶轮、阀体、高温合金机匣等铸造产品制造领域。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例方法的流程图;
图2为本发明一优选实施例的铸件示意图,其中图中(a)正面图,(b)底面图;
图3为本发明一实施例的集成计算流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
参照图1所示,为本发明一实施例方法的流程图,其中该实施例中,冒口尺寸基于数据驱动的仿真模拟计算智能优化得到,铸件得到充分补缩同时冒口体积最小,冒口缩松体积最小,出品率最高。基于集成计算与数据驱动的铸造冒口设计方法的具体步骤包括:设计Box-Behnken试验方案,完成前处理建模,进行数值模拟,建立响应面模型,优化模型,进行铸造试验验证。具体的:
S1:实验设计并按照设计进行模拟浇注:以铸造过程中的浇注参数作为输入参数,以冒口内缩松到上端面的距离和铸件工艺出品率作为输出,设计多组铸造数值模拟Box-Behnken实验方案;浇注参数包括冒口高度、冒口直径、合金浇注温度和型壳温度;搭建集成计算平台,将设计好的浇注系统三维模型导入集成计算平台,在集成计算平台中设置好网格划分、材料属性和浇注参数,再按照铸造数值模拟Box-Behnken实验方案自动进行模拟浇注,自动计算冒口内缩松到铸件上端面的距离和工艺出品率作为模拟结果;
S2:搭建响应数据库:根据S1的模拟结果,搭建实验输入与输出之间的响应数据库;
S3:建立响应面近似模型:在集成计算平台中,以S1中的输入参数作为影响因素,以铸件中的冒口内缩松到铸件上端面距离和铸件工艺出品率为考核指标,建立考核指标与影响因素之间的响应面近似模型,考察影响因素与考核指标之间的权重关系,分析工艺参数与考核目标的贡献度;
S4:优化响应面近似模型,得到优化设计参数:基于S3得到的响应面近似模型和S2搭建的响应数据库,在集成计算平台中采用NSGA-II多目标优化方法,以平均缩松和最大缩松最小化为目的,自动寻优,计算出较优工艺参数组合值群,通过对照Pareto解,得出期望组合;较优工艺参数包括冒口高度、冒口直径、合金浇注温度、型壳温度、界面换热系数、浇注速度;当得出的期望组合的结果不满足设定阈值时,重复S1-S4,直至得到符合设定阈值的期望组合。
本发明上述实施例可明显消除铸件缩松缺陷,提高铸件质量,提升工艺出品率;同时以数据为基础,利用智能优化算法,建立近似模型,极大加速了自动寻优过程,提高了计算精度和降低了计算成本,可用于铸造新工艺开发,可用于泵壳、叶轮、阀体、高温合金机匣等铸造产品制造领域。
在另一实施例中,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时可用于上述的基于集成计算与数据驱动的铸造冒口设计方法。
在另一实施例中,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行上述的基于集成计算与数据驱动的铸造冒口设计方法。
以下提供具体应用实例来说明本发明方法具体实现的细节。
以下实施例中集成计算平台的搭建,可以采用:利用python语言编写能后台调用软件的代码,实现各部分的联通与数据流的传输,其中涉及到的软件有三维建模软件UGNX12.0,铸造工艺仿真软件ProCAST 2019和集成计算平台ISIGHT 2019;参照图3所示。集成计算平台主要功能为:自动建立浇注系统三维模型,自动导入设计好的浇注系统三维模型,自动划分网格,自动导入预设好的模拟用浇注参数及ProCAST材料数据库,自动计算并提取模拟结果;自动搭建近似模型(包括响应面模型);自动寻优(包括多目标遗传算法等)等功能。
如图2所示,为本发明的一优选实施例的高温合金薄壁环形机匣及浇注冒口的设计方法。具体实施条件如下:
薄壁环形机匣铸件为熔模铸造的薄壁环套环结构,材料为高温合金K4169。
铸件外环法兰宽15mm,高10mm,内环法兰宽和高皆为10mm,外环法兰外端直径300mm,内端直径270mm,内环法兰外端直径140mm,内端直径120mm,铸件总高120mm,铸件整体壁厚为3mm。
特征件为高度对称结构,内外环通过4个支板连接,由于内环直径较小,热节出现在支板与内环相接处,此处设置冒口对热节处进行补缩,故内环设置4个冒口,外环法兰8个冒口,放置于支板与外环法兰连接处及各连接部位之间的中点处。
参照图1所示,高温合金薄壁环形机匣及浇注冒口的设计方法,具体实施步骤分为五个过程,包括S1实验设计、S2建立相应数据库、S3近似模型、S4优化模型。
S1实验设计
针对铸造过程中关键工艺参数如冒口高度、冒口直径、合金浇注温度、型壳温度、界面换热系数、浇注速度作为输入参数,明确输入参数的上下限;以平均缩松和最大缩松作为输出。以均匀拉丁超立方为采样方法,设计中心复合设计多组Box-Behnken实验设计。
本实施例中,如下表所示:
将初步设计的浇注系统三维模型导入搭建好的集成计算平台,在集成计算平台中设置好网格划分、材料属性和浇注参数,再按照铸造数值模拟Box-Behnken实验方案自动进行模拟浇注,最终通过集成计算平台自动计算得到平均缩松和最大缩松,作为模拟结果。
S2响应数据库
根据上步的模拟结果即平均缩松和最大缩松,提取分析并保存结果,提取分析结果分别为冒口里缩松到铸件上表面距离和铸件出品率。搭建考核指标与影响因素之间的响应数据库,用于后续构建二者之间的近似模型。
S3近似模型
在集成计算平台中,以铸造过程中关键工艺参数如冒口高度、冒口直径、合金浇注温度,型壳温度,界面换热系数,浇注速度等输入参数作为影响因素,以冒口里缩松到铸件上表面距离和铸件工艺出品率为考核指标,建立考核指标与影响因素之间的响应面近似模型,考察影响因素与考核指标之间的权重关系,分析工艺参数与考核目标的贡献度。
S4优化模型
通过S3得到响应面近似模型后,基于S2搭建的输入输出响应数据库,在集成计算平台中采用NSGA-II多目标优化方法,以冒口内缩松到铸件上端面距离最小化和铸件工艺出品率最大化为目的,自动寻优,计算出较优工艺参数(冒口高度、冒口直径、合金浇注温度、型壳温度)组合值群,通过对照Pareto解,得出上述期望组合。这里的技术操作均可采用现有方法。
当得出的期望组合的结果不满足设定阈值时,重复S1-S4,直至得到符合设定阈值的期望组合。其中设定阈值是指约束条件,作用是约束求解范围,具体可以根据经验或者实际生产来确定。
上述的实验设计的因数主要包括冒口高度L、冒口直径D、合金浇注温度Talloy,型壳温度Tshell;考核指标主要包括:冒口内缩松到铸件上端面距离y1和铸件工艺出品率y2。
上述实施例S3中,建立考核指标与影响因素之间的响应面近似模型,具体过程为:
(1)考察指标对评价指标的贡献度转化:
评价指标即考核指标。将贡献度作为衡量考核质量的重要尺度,贡献度越大,表明考核质量对贡献因子的敏感性越小,造成的质量损失越小。
考核指标主要包括冒口里面缩松到铸件上表面距离y1,y1为望小特性,铸件冒口工艺出品率y2,y2为望大特性。
具体的,在一较优实施例中,假设浇注过程BBD试验有N组方案、k个考核指标,将第i个考核指标在第j组试验中形成的第n组质量特征数据记为yij(n),将n组质量特征数据的贡献度记为ηij,其中1≤i≤k,1≤j≤N,1≤w≤n,则:
若yij为望小特性,其贡献度ηij为:
若yij为望大特性,其贡献度ηij为:
若yij为望目特性,假设其望目特性为m,则其改进的贡献度ηij为:
(2)计算综合质量损失:
分别计算冒口内缩松到铸件上端面距离为考核指标y1,铸件工艺出品率y2的基于贡献度的标准化质量损失,然后采用目标加权求和法将多指标响应的标准质量损失转化为单响应指标的综合质量损失;
具体的,上述损失的计算公式如下:
其中:yij——第i个考核指标在第j组试验中的标准化质量损失,0≤yij≤1;——第i个考核指标在其所有试验中的最大质量损失;ηi——第i个考核指标在其所有试验中的贡献度;Q——质量损失系数;ηij——贡献度;yj第j组试验中的综合质量损失;αi——权重系数,反映第i个考核指标对稳健性的要求程度,αi∈[0,l],且∑αi=l。
(3)建立二阶响应面模型:
分别将N组铸造数值模拟试验中的综合质量损失作为响应值y,显著影响因素(即输入参数)作为自变量x,建立y与x之间的二阶响应面模型,采用数学规划策略求解最优的参数组合值。
具体的,二阶响应面模型如下:
其中,b0,bi,bii和bij为各自的待定系数,通过拟合求得;
til为设计参量xi的下边界,ti2为设计变量xi上边界。设计变量xi为上述输入参数(浇筑参数)。
在一具体实施例中,二阶响应面模型及其参数水平最优解如下:
将优化后的工艺参数如冒口高度、冒口直径、合金浇注温度,型壳温度,界面换热系数,浇注速度等代入到上述搭建集成计算平台的ProCAST软件进行验证表明:铸件质量较好,缩松体积优化到最小,出品率较模数法提高了14.91%。
本发明除了上述应用在高温合金机匣的铸造冒口设计,还可以用于泵壳、叶轮、阀体、高温合金机匣等铸造产品制造领域的铸造冒口设计,具体实现的流程和原理与上述类似,不再赘述。
本发明针对传统铸造冒口设计过程“经验+试错法”设计周期长,成本高昂,出品率难以保证等问题,提出了一种基于集成计算与数据驱动铸造冒口设计方法,此方法可明显提高铸件质量,降低冒口设计周期,缩短工艺路线,可用于铸造冒口工艺设计,可用于泵壳、叶轮、阀体、高温合金机匣等铸造产品制造领域,具有很强的实用价值。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (10)
1.一种基于集成计算与数据驱动的铸造冒口设计方法,其特征在于:包括:
S1:实验设计并按照设计进行模拟浇注
以铸造过程中的浇注参数作为输入参数,以冒口内缩松到上端面的距离和铸件工艺出品率作为输出,设计多组铸造数值模拟Box-Behnken实验方案;所述浇注参数包括冒口高度、冒口直径、合金浇注温度和型壳温度;
搭建集成计算平台,将设计好的浇注系统三维模型导入所述集成计算平台,在所述集成计算平台中设置好网格划分、材料属性和浇注参数,再按照所述铸造数值模拟Box-Behnken实验方案自动进行模拟浇注,自动计算冒口内缩松到铸件上端面的距离和工艺出品率作为模拟结果;
S2:搭建响应数据库
根据S1的模拟结果,搭建实验输入与输出之间的响应数据库;
S3:建立响应面近似模型
在所述集成计算平台中,以S1中的所述输入参数作为影响因素,以铸件中的冒口内缩松到铸件上端面距离和铸件工艺出品率为考核指标,建立考核指标与影响因素之间的响应面近似模型,考察影响因素与考核指标之间的权重关系,分析工艺参数与考核目标的贡献度;
S4:优化响应面近似模型,得到优化设计参数
基于S3得到的响应面近似模型和S2搭建的响应数据库,在所述集成计算平台中采用NSGA-II多目标优化方法,以平均缩松和最大缩松最小化为目的,自动寻优,计算出较优工艺参数组合值群,通过对照Pareto解,得出期望组合;所述较优工艺参数包括冒口高度、冒口直径、合金浇注温度、型壳温度、界面换热系数、浇注速度;
当得出的期望组合的结果不满足设定阈值时,重复S1-S4,直至得到符合设定阈值的期望组合。
2.根据权利要求1所述的一种基于集成计算与数据驱动的铸造冒口设计方法,其特征在于:所述多组铸造数值模拟Box-Behnken实验方案,其中,评价指标包括冒口内缩松到铸件上端面距离y1,铸件工艺出品率y2。
3.根据权利要求1所述的一种基于集成计算与数据驱动的铸造冒口设计方法,其特征在于:所述搭建集成计算平台,具体为:利用python语言编写能后台调用软件的代码,实现各部分的联通与数据流的传输。
4.根据权利要求3所述的一种基于集成计算与数据驱动的铸造冒口设计方法,其特征在于:所述集成计算平台包括如下功能:
自动建立浇注系统三维模型;
自动导入设计好的浇注系统三维模型;
自动划分网格;
自动导入预设好的模拟用浇注参数及材料数据库;
自动计算并提取模拟结果;
自动搭建近似模型;
能自动寻优。
5.根据权利要求1所述的一种基于集成计算与数据驱动的铸造冒口设计方法,其特征在于:所述建立考核指标与影响因素之间的响应面近似模型,包括:
S301,考察指标对评价指标的贡献度转化:
将贡献度ηij作为衡量考核质量的重要尺度,贡献度越大,表明考核质量对贡献因子的敏感性越小,造成的质量损失越小;
考核指标包括考核指标y1,考核指标y2,其中,考核指标y1为冒口内缩松到铸件上端面距离,y1为望小特性;考核指标y2为铸件工艺出品率,y2为望大特性;
S302,计算综合质量损失:
分别计算冒口里缩松到铸件上端面的距离为考核指标y1,铸件冒口工艺出品率为考核指标y2的基于贡献度的标准化质量损失,然后采用目标加权求和法将多指标响应的标准质量损失转化为单响应指标的综合质量损失,其中多指标是指考核指标y1和y2;
S303,建立二阶响应面模型:
分别将N组铸造数值模拟Box-Behnken实验方案中的综合质量损失作为响应值y,输入参数作为自变量x,建立综合质量损失y与输入参数x之间的二阶响应面模型,采用数学规划策略求解所述输入参数x与冒口内缩松到铸件上表面距离、铸件工艺出品率的响应关系。
6.根据权利要求5所述的一种基于集成计算与数据驱动的铸造冒口设计方法,其特征在于:所述S301中:
假设浇注过程铸造数值模拟Box-Behnken实验方案有N组、k个考核指标,将第i个考核指标在第j组试验中形成的第n组质量特征数据记为yij(n),将n组质量特征数据的贡献度记为ηij,其中1≤i≤k,1≤j≤N,1≤w≤n,则:
若yij为望小特性,其贡献度ηij为:
若yij为望大特性,其贡献度ηij为:
若yij为望目特性,假设其望目特性为m,则其改进的贡献度ηij为:
7.根据权利要求6所述的一种基于集成计算与数据驱动的铸造冒口设计方法,其特征在于:所述S302,计算综合质量损失具体采用以下公式:
其中:yij——第i个考核指标在第j组试验中的标准化质量损失,0≤yij≤1;——第i个考核指标在其所有试验中的最大质量损失;ηi——第i个考核指标在其所有试验中的贡献度;Q——质量损失系数;ηij——贡献度;yj第j组试验中的综合质量损失;αi——权重系数,反映第i个考核指标对稳健性的要求程度,αi∈[0,l],且∑αi=l。
8.根据权利要求6或7所述的一种基于集成计算与数据驱动的铸造冒口设计方法,其特征在于:所述S303中,二阶响应面模型如下:
其中,b0,bi,bii,bij为各自的待定系数;
til为设计参量xi的下边界,ti2为设计参量xi的上边界;
xj、xk分别为输入参数。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时可用于执行权利要求1-8任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时可用于执行权利要求1-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010858606.4A CN112100819B (zh) | 2020-08-24 | 2020-08-24 | 一种基于集成计算与数据驱动的铸造冒口设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010858606.4A CN112100819B (zh) | 2020-08-24 | 2020-08-24 | 一种基于集成计算与数据驱动的铸造冒口设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100819A CN112100819A (zh) | 2020-12-18 |
CN112100819B true CN112100819B (zh) | 2024-02-13 |
Family
ID=73754521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010858606.4A Active CN112100819B (zh) | 2020-08-24 | 2020-08-24 | 一种基于集成计算与数据驱动的铸造冒口设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100819B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836297B (zh) * | 2021-02-03 | 2022-03-22 | 上海交通大学 | 基于集成计算与容差设计的合金铸件尺寸精确调控方法 |
CN114101584A (zh) * | 2021-11-22 | 2022-03-01 | 泰州市金鹰精密铸造有限公司 | 基于发电机叶轮盘的仿真模拟铸造研究方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504195A (zh) * | 2014-12-18 | 2015-04-08 | 上海交通大学 | 一种熔模精铸模具收缩率的确定方法 |
CN105598379A (zh) * | 2016-03-23 | 2016-05-25 | 哈尔滨理工大学 | 一种基于缩松缺陷预测的回转体薄壁铸件砂型铸造过程中冒口设计方法 |
CN110991093A (zh) * | 2020-01-07 | 2020-04-10 | 大连远景铸造有限公司 | 一种使用冒口模型替换保温冒口的铸造模拟方法 |
CN111563347A (zh) * | 2020-04-03 | 2020-08-21 | 江苏师范大学 | 一种纤维增强复合材料的注塑工艺参数优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8355894B2 (en) * | 2009-12-16 | 2013-01-15 | GM Global Technology Operations LLC | Method for simulating casting defects and microstructures of castings |
-
2020
- 2020-08-24 CN CN202010858606.4A patent/CN112100819B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504195A (zh) * | 2014-12-18 | 2015-04-08 | 上海交通大学 | 一种熔模精铸模具收缩率的确定方法 |
CN105598379A (zh) * | 2016-03-23 | 2016-05-25 | 哈尔滨理工大学 | 一种基于缩松缺陷预测的回转体薄壁铸件砂型铸造过程中冒口设计方法 |
CN110991093A (zh) * | 2020-01-07 | 2020-04-10 | 大连远景铸造有限公司 | 一种使用冒口模型替换保温冒口的铸造模拟方法 |
CN111563347A (zh) * | 2020-04-03 | 2020-08-21 | 江苏师范大学 | 一种纤维增强复合材料的注塑工艺参数优化方法 |
Non-Patent Citations (1)
Title |
---|
基于数据模型与决策优化的高温合金铸件冒口设计;孙锦玉;汪东红;刘淑梅;疏达;特种铸造及有色合金(第001期);23-27 * |
Also Published As
Publication number | Publication date |
---|---|
CN112100819A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100819B (zh) | 一种基于集成计算与数据驱动的铸造冒口设计方法 | |
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
CN110245380A (zh) | 软仪表训练和样本补充方法 | |
CN111898212B (zh) | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 | |
Baert et al. | Aerodynamic optimization of the low-pressure turbine module: exploiting surrogate models in a high-dimensional design space | |
CN112836297B (zh) | 基于集成计算与容差设计的合金铸件尺寸精确调控方法 | |
CN104750948A (zh) | 一种处理飞行器设计中多极值多约束问题的优化方法 | |
CN112949224A (zh) | 一种基于响应面模型的小型风冷内燃机冷却风扇优化设计方法 | |
Chen et al. | Advanced aerodynamic optimization system for turbomachinery | |
CN111027148B (zh) | 损失落后角模型自动标定及工业轴流压缩机性能计算方法 | |
Sivashanmugam et al. | Aero-structural optimization of an axial turbine stage in three-dimensional flow | |
CN113743029A (zh) | 基于机器学习的透平机械气动性能-叶片载荷优化方法 | |
Hosseinimaab et al. | Optimizing the performance of a single-shaft micro gas turbine engine by modifying its centrifugal compressor design | |
Ji et al. | Computer 3D vision-aided full-3D optimization of a centrifugal impeller | |
Brown et al. | Surrogate modeling of manufacturing variation effects on unsteady interactions in a transonic turbine | |
CN116204983A (zh) | 一种航空发动机涡轮盘腔实时气温的计算方法 | |
CN107545112A (zh) | 多源无标签数据机器学习的复杂装备性能评估与预测方法 | |
CN107038295A (zh) | 一种水锤泵内部流道评价及优化方法 | |
CN114254460B (zh) | 基于图卷积神经网络的透平机械气动鲁棒性优化方法 | |
CN109948299A (zh) | 一种压气机叶片中弧线计算方法 | |
CN100371938C (zh) | 一种极少新钢种数据样本下的质量设计方法 | |
Verstraete et al. | Multidisciplinary design and off-design optimization of a radial compressor for industrial applications | |
CN110069853B (zh) | 一种基于cae集成平台的离心式多级压缩热力系统 | |
CN113806996B (zh) | 一种基于时间记忆建模的篦冷机优化方法 | |
CN114896699B (zh) | 一种航空发动机中向心涡轮叶轮的多学科优化设计方法 |
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 |