CN112427624B - 一种基于数字孪生的铸锻双控成型系统及参数优化方法 - Google Patents

一种基于数字孪生的铸锻双控成型系统及参数优化方法 Download PDF

Info

Publication number
CN112427624B
CN112427624B CN202011217251.7A CN202011217251A CN112427624B CN 112427624 B CN112427624 B CN 112427624B CN 202011217251 A CN202011217251 A CN 202011217251A CN 112427624 B CN112427624 B CN 112427624B
Authority
CN
China
Prior art keywords
casting
data
forging
optimization
production
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
Application number
CN202011217251.7A
Other languages
English (en)
Other versions
CN112427624A (zh
Inventor
陈昭明
石明全
邹劲松
孔维胜
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.)
Chongqing University
Chongqing Institute of Green and Intelligent Technology of CAS
Original Assignee
Chongqing University
Chongqing Institute of Green and Intelligent Technology of CAS
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 Chongqing University, Chongqing Institute of Green and Intelligent Technology of CAS filed Critical Chongqing University
Priority to CN202011217251.7A priority Critical patent/CN112427624B/zh
Publication of CN112427624A publication Critical patent/CN112427624A/zh
Application granted granted Critical
Publication of CN112427624B publication Critical patent/CN112427624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D27/00—Treating the metal in the mould while it is molten or ductile ; Pressure or vacuum casting
    • B22D27/09—Treating the metal in the mould while it is molten or ductile ; Pressure or vacuum casting by using pressure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D2/00—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D2/00—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass
    • B22D2/006—Arrangement of indicating or measuring devices, e.g. for temperature or viscosity of the fused mass for the temperature of the molten metal
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D27/00—Treating the metal in the mould while it is molten or ductile ; Pressure or vacuum casting
    • B22D27/09—Treating the metal in the mould while it is molten or ductile ; Pressure or vacuum casting by using pressure
    • B22D27/13—Treating the metal in the mould while it is molten or ductile ; Pressure or vacuum casting by using pressure making use of gas pressure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22D—CASTING OF METALS; CASTING OF OTHER SUBSTANCES BY THE SAME PROCESSES OR DEVICES
    • B22D46/00—Controlling, supervising, not restricted to casting covered by a single main group, e.g. for safety reasons
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Forging (AREA)

Abstract

本发明涉及一种基于数字孪生的铸锻双控成型系统及参数优化方法，属于自动化领域。该系统包括：物理实体系统，数据感知系统、网络传输系统及数字孪生系统。数据感知系统采集物理实体系统运行过程中的信息数据，并通过网络传输系统将信息传送到数字孪生系统。在数字孪生系统中建立物理实体的虚拟模型并进行铸锻双控成型过程的动态仿真模拟，实现虚实交互映射；同时，对铸锻双控成型过程的关键工艺参数进行智能寻优调节，并将优化方案反馈到生产过程中指导实际生产运行，改进生产工艺的闭环优化管理。本发明的铸锻双控成型系统的设备和模具投入少，有利于形成智能化、网络化生产，大幅提高制件的机械性能和产品精度，具有较好的应用价值。

Description

一种基于数字孪生的铸锻双控成型系统及参数优化方法
技术领域
本发明属于自动化领域，涉及一种基于数字孪生的铸锻双控成型系统及参数优化方法。
背景技术
目前，单一的铸造或锻造方法难以满足一些形状复杂、性能要求高的精密零部件的生产需求。铸锻技术主要应用在熔点较低的有色金属生产中，对于黑色金属的铸锻装备及工艺还不成熟，仍然存在很多需改进完善之处。例如，成型工艺参数的选择与控制是实现铸锻双控技术优势的关键，对产品性能、生产周期和制造成本均有较大影响，但传统的工艺参数设定方法依赖工艺人员的经验和基于试验的枚举法，导致参数设定的成本高、效率低、周期长，且具有较大的盲目性，在面对数量庞大的工艺参数组合时往往难以凑效。同时，铸锻双控成型过程包含高温金属溶液的流动、凝固和塑性变形之间相互复杂的物质与热量传递、形变与相变转换，其工艺参数较多且各工艺参数之间相互关联，使得工艺参数与制件质量间具有高度非线性、强耦合性与时变性的特点，因而对工艺参数的控制极为困难。因此，如何提供一种黑色金属的铸锻双控成型系统及其生产工艺参数优化方法，以指导生产过程中有效减少制件工序、缩短制件时间以及提高制件成形精度与强度，已成为提高产品生产效率与质量，促进我国传统铸造业技术改造升级的重要研究内容。
通过数字孪生可动态反映零件生产过程的周期变化并积累生产经验；可预判成型过程中可能产生的制造缺陷，并提前修正工艺参数和给出对应的解决方案。这不仅能实现生产工艺的合理设计，也可为研制开发相关铸锻装备提供技术指导。
发明内容
有鉴于此，本发明的目的在于提供一种基于数字孪生的铸锻双控成型系统及参数优化方法。
为达到上述目的，本发明提供如下技术方案：
一种基于数字孪生的铸锻双控成型系统，包括物理实体系统，该系统还包括数据感知系统、网络传输系统和数字孪生系统；
数据感知系统采集物理实体系统运行过程中的信息数据，并通过网络传输系统将信息传送到数字孪生系统；在数字孪生系统中建立物理实体的虚拟模型并进行铸锻双控成型过程的动态仿真模拟，实现虚实交互映射；对铸锻双控成型的关键工艺参数进行智能寻优调节，并将优化方案反馈到生产过程中指导实际生产运行，改进生产工艺的闭环优化管理；
物理实体系统中的上下模具采用QRO-90热作模具钢，化学成分为：0.38％碳C、0.75％锰Mn、0.30％硅Si、0.75％铬Cr、0.90％钒V、2.25％钼Mo、0.01％磷P和0.009％硫S，其余为铁Fe；
在铸锻成型过程中，上下模具的脱模剂采用无硅水性脱模剂进行脱模，脱模剂涂层的厚度为40～80μm。
可选的，所述脱模剂涂层的厚度为60μm。
可选的，所述网络传输系统包括生产车间传输网络及相应的网络路由、数据通讯接口、人机交互接口和云数据库；
网络传输支持局域网、LAN、WiFi、Zigbee、Bluetooth、5G、RFID和GPS的传输协议；
通过网络和接口标准化接入各物理资源，将其虚拟化为网络中的资源节点，以实现生产车间内物理实体信息的泛在互联，并与虚拟空间进行交互映射。
可选的，所述数字孪生系统实现铸锻孪生模型的创建及动态显示，数据融合分析和工艺参数智能优化；通过网络传输系统的网络与接口形成与物理实体系统的所有在制品及制造资源之间的相互映射关系，实现铸锻双控成型过程及其制造资源的虚拟化仿真建模与展示，以及与数字孪生系统其他模块的数据交互，实现信息交换和闭环优化；
铸锻双控成形过程的虚拟化仿真模拟采用Procast与Deform软件进行处理，预判成型过程中可能出现的质量缺陷，并给出对应的改进措施，实现虚拟空间与物理实体的交互映射，便于开展离线操作培训和在线生产指导；
数字孪生系统中数据融合模块对采集的多源、异构、高噪声、多尺度数据进行清洗融合，去除数据噪声和干扰，保留有用信号，然后通过数据归一化处理对数据标准化和离散化，形成统一的数据系统便于后续的数据挖掘处理。
基于所述系统的参数优化方法，该方法为：
选取金属液浇注温度、模具预热温度、充型速度、铸锻压力及保压时间5个参数，以铸件重量、表面缺陷和抗拉强度3个参数为优化目标，构建工艺参数的优化模型如下：
Figure BDA0002760803820000021
式中，x1为金属液浇注温度，x2为模具预热温度，x3为充型速度，x4为铸锻压力，x5为保压时间；bi和ai分别为对应输入变量xi(i＝1,2,...,5)的取值上下限；f1(x)为铸件重量目标函数，f2(x)为表面缺陷目标函数，f3(x)为抗拉强度目标函数；
采用加权组合法对各目标函数赋予不同的权重值，以消除不同量纲的影响；
通过权重系数α将多目标优化难题转换成单目标优化问题，转化后的统一目标函数如下：
F(x)＝min[f1(x),f2(x),f3(x)]＝α1f1(x)+α2f2(x)+α3f3(x) (2)
式中αi(i＝1,2,3)为单目标输出值的权重系数，由如下关系确定其取值；
Figure BDA0002760803820000031
式中c,d分别为单目标输出值fi(x)的变化范围；
基于对选定的参数和优化目标，根据数据感知系统采集的相关数据，采用智能算法进行寻优。
可选的，所述采用智能算法进行寻优为采用改进粒子群优化BP神经网络算法进行参数寻优；
所述粒子群PSO为，种群由D维搜索空间的N个粒子构成，第i个粒子的位置为 Xi＝(xi1,xi2,...,xiD)，其速度为Vi＝(vi1,vi2,...,viD)，粒子的个体极值为Pi＝(pi1,pi2,...,piD)，全局极值为Pg＝(pg1,pg2,...,pgD)，其迭代关系如下：
Figure BDA0002760803820000032
Figure BDA0002760803820000033
式中c1，c2为学习因子，取c1＝c2＝2；t为迭代次数；r1，r2为[0,1]区间的独立随机数；ω为惯性权重，决定算法的探索能力；为了合理限制粒子的运动范围，设定粒子的速度区间为 [vmin,vmax]，位置区间为[xmin,xmax]；对粒子速度vij按照阈值系数ρ的取值情况进行改进：
ρ＝(3×t+0.6×tmax)/tmax (6)
Figure BDA0002760803820000034
式中，t为当前迭代次数，tmax为最大迭代次数；当ρ＞0.9时，由式(4)和(5)计算各粒子的速度与位置；当ρ＜0.9时，由式(7)和(5)计算各粒子的速度与位置；对惯性权重ω采用非线性递减方式增强其搜索能力，改进的惯性权重为：
Figure BDA0002760803820000035
采用BP神经网络算法时，根据输入和输出节点数选取5-N-3形式的3层模型结构，且隐含层节点数按式(9)进行初始化：
Figure BDA0002760803820000041
式中，Nh为隐含层节点数，Ni为输入层节点数，No为输出层节点数；
网络结构中隐含层计算值与输出层计算值分别为：
Figure BDA0002760803820000042
式中，f(x)为隐含层激励函数，δj为隐含层阈值，εk为输出层阈值。
可选的，所述隐含层激励函数选取sigmoid函数，在进行BP神经网络训练时，对数据进行归一化预处理，以消除量纲的影响并提高训练效率和数据的泛化能力，归一化关系如下：
Figure BDA0002760803820000043
式中，x',x分别为转换前后的值，xmax,xmin分别为样本的最大值和最小值。
可选的，所述改进粒子群优化BP神经网络算法进行参数寻优，包括以下步骤如下：
S1：根据数据感知系统获取相关样本数据并进行预处理，然后将其中一部分作为BP神经网络的训练数据，剩余部分作为测试数据，同时初始化BP神经网络；确定隐含层数目为9 时模型预测精度最优，从而选择神经网络结构为5-9-3，同时设置神经网络的训练步数为103，目标误差为10-6；
S2：粒子群参数初始化设置，并将BP神经网络的输出误差值作为粒子适应度，然后计算初始种群的个体最优值与全局最优值；确定粒子维数为： n＝n1×n2+n2×n3+θj+γk＝5×9+9×3+9+3＝84，种群数量m＝30，最大迭代次数tmax＝200，精度为10-3，粒子速度和位置区间分别为[-0.2,0.2]和[-5,5]，惯性权值系数按式(8)进行取值和修正；
S3：按照粒子速度和位置的更新计算公式(6)～(9)进行迭代运算，通过改进粒子群寻优获得种群的全局最优值，从而赋予BP神经网络的权值和阈值；
S4：BP神经网络以最优权值和阈值进行模型训练和预测处理，得到多目标预测模型，并获得最佳预测结果；
S5：通过数字孪生模型仿真试验，验证优化结果的准确性，得到最佳工艺参数值，并将该数据传输到生产系统中，实现生产过程的智能闭环控制。
可选的，所述铸锻双控成型系统的生产过程如下：
S1：金属熔炼与准备：采用HYTPT-K2C型中频熔炼炉将铸铁块HT200原料加热至1500-1600℃进行熔炼，金属熔炼半小时后添加除渣剂去除杂质，并抽样检查金属液的组成成分；熔炼完成后将其转移至ZPDJ-B1L型保温炉中进行恒温处置，等待浇注；
同时对上下模具进行预热处理，模具预热采用金属液传热方式或者电加热或者远红外加热方式，通过FLU-ENR3激光测温仪实时采集金属液的温度和模具的温度，并传送至数据感知系统；
S2：铸锻双控成型：将温度为1500℃的金属液浇注入下模腔内，然后迅速调节上模腔将上下模腔闭合形成封闭空间，使得金属液快速合模充型，充型速度为1-10m/s；待充型完成形成零件铸坯后等待0.5-1s，再利用其余热对铸坯施加10-30MPa的阶梯型压力并保持一段时间，实现同一套模具内铸件的锻造处理，铸锻压力采用液压系统或气压系统以及两者的组合；铸锻次数为2次，铸锻时间间隔为0.5s；然后在上模具的上部水槽及下模具下部水槽内注入冷却水使铸件快速冷却；在铸锻过程中，通过相关传感设备采集实时充型速度、锻造压力及保压时间，传送至数字孪生系统进行分析处理；
S3：产品取件：分离上下模具，待制件冷却至不产生变形后，采用配置有高温电磁铁吸盘的RDN型六轴机械手抓取制件产品，并由BJ2-CGX1型步进式传送机构运送至后处理区，等待质量检测分析；然后由ZPGx2型自动喷枪对上下模具均匀喷涂60μm厚的无硅水性脱模剂，以避免制件与模具粘连，并等待下一次生产；
S4：后处理及优化：在后处理区对制件产品进行质量检测、金相组织及力学性能检验，并统计相关质量及性能参数数据，传输至数字孪生系统进行分析处理，结合参数信息进行铸锻双控过程的仿真模拟及多工艺参数快速寻优，获得最佳工艺参数组合，并将该参数组合反馈到生产设备及过程控制系统中，实现生产过程的动态调整和精准控制，以改善铸件性能和提高生产效率。
可选的，采用所述电加热的方式时，预热使模具温度达到200-350℃。
本发明的有益效果在于：
(1)采用数字孪生技术的铸锻双控成型系统的设备和模具投入少，并减少了生产工序和缩短了工艺流程，有力促进了生产效率的提高和生产成本的降低；
(2)采用数字孪生技术的铸锻双控成型系统有利于形成智能化、网络化生产，便于制造资源配置和生产技术共享，不仅适用于黑色金属制件的精密成型，也适用于各种轻合金(如铝合金、镁合金、钛合金及其组合的金属合金)零件的制造；
(3)采用数字孪生技术进行生产过程的虚实交互，可动态展现制件成型的全过程，便于离线操作培训和在线生产指导；
(4)通过数字孪生模型的动态仿真模拟，进行工艺参数的优化调整，可预测成型过程中潜在的问题并提出改进措施，提高了制件的良品率和减少了资源浪费，具有较高的经济效益；
(5)基于数字孪生的成型工艺参数优化方法减少了采用常规优化方法的盲目性和主观性，缩短了搜寻最优工艺参数组合的时间，有效提高工艺设计效率和降低样件研制费用；
(6)在一套模具内实现铸锻双控一体化成型控制，兼顾制件的控形和控性，大幅提高了制件的机械性能和产品精度。通过铸锻双控处理的铸件产品缩孔缩松缺陷比常规铸造产品减少 15％以上，强度提高10％以上，合格率提高10％以上，具有较好的应用价值。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明的铸锻双控成型系统构成框架示意图；
图2为本发明的铸锻双控成型工艺流程示意图；
图3为本发明的铸锻双控成型过程中产品影响因素耦合关系示意图；
图4为本发明的铸锻双控成型的一种产品1/4模型结构示意图；
图5为本发明的铸锻双控成型过程中锻造压力时间曲线示意图：
图6为本发明的铸锻双控成型工艺参数优化所确定的神经网络结构组成示意图；
图7为本发明的铸锻双控成型工艺参数优化IPSO-BP算法流程图；
图8为本发明的铸锻双控成型工艺参数优化迭代曲线图。
附图标记：1.下模；2.铸件；3.上模；4.固定板；5.加强板；6.连接杆。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，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。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1-图8所示，图中，X1,X2,…,X5表示5个实际参数输入；Y1,Y2,Y3表示3个期望目标输出；ωij为输入层与隐含层间的连接权值；ωjk为隐含层与输出层间的连接权值；t1,t2,…,t7为不同锻造加载方式的时间，P1,P2,P3不同锻造加载方式下所施加的压力。1.下模；2.铸件；3. 上模；4.固定板；5.加强板；6.连接杆。
本实施例以某设备的圆盘形支撑座零件的制造过程为例加以说明。本实施例的一种基于数字孪生的铸锻双控成型系统及参数优化方法，包括：物理实体系统，数据感知系统、网络传输系统及数字孪生系统。数据感知系统采集物理实体系统运行过程中的信息数据，并通过网络传输系统将信息传送到数字孪生系统。在数字孪生系统中建立物理实体的虚拟模型并进行铸锻双控成型过程的动态仿真模拟，实现虚实交互映射；同时，对铸锻双控成型的关键工艺参数进行智能寻优调节，并将优化方案反馈到生产过程中指导实际生产运行，改进生产工艺的闭环优化管理。
进一步，所述物理实体系统包括铸锻双控成型过程中所涉及的零件、物料、铸锻设备、工具、检具、传感器、执行器、传送装置、车间环境、操作人员等。根据铸件的形状尺寸、材料/工艺属性、产量规模等属性变化，与之匹配的制造模具、传送工装、传感/检测器件有所不同。所述的物理实体信息通过数据感知系统采集相关的模型数据、生产数据、检测数据，并与数字孪生系统进行交互反馈。进一步，上下模具采用QRO-90热作模具钢，以提高模具的使用寿命，其化学成分为：碳(C)0.38％、锰(Mn)0.75％、硅(Si)0.30％、铬(Cr)0.75％、钒(V)0.90％、钼(Mo)2.25％、磷(P)0.01％、硫(S)0.009％，其余为铁(Fe)。在铸锻成型过程中，上下模具的脱模剂采用无硅水性脱模剂进行脱模，脱模剂涂层的厚度为40-80μm，优选的，选择60μm。
进一步，所述数据感知系统采集铸锻成型过程中的多物理参数信息，至少包括铸锻设备三维模型信息，铸锻设备运行时的受力、振动、速度、工作时间、环境温度和位置等参数信息，模具及原料的材料属性信息，制件的表面缺陷、加工质量、形位公差信息，生产车间的环境噪声及固废污染信息，操作人员的数量、工作状态及工作时间信息。采集的数据来源于传感器与控制器，以及通过接口协议开发获得的软件数据采集，主要包括动态实时数据、静态历史数据，并且将采集的数据进行归类和存储，便于后续的信息分析处理。
进一步，所述网络传输系统包括生产车间传输网络及相应的网络路由、数据通讯接口、人机交互接口、云数据库。网络传输支持局域网、LAN、WiFi、Zigbee、Bluetooth、5G、RFID、 GPS等多种传输协议。通过网络和接口标准化接入各物理资源，将其虚拟化为网络中的资源节点，以实现生产车间内物理实体信息的泛在互联，并与虚拟空间进行交互映射。
进一步，所述数字孪生系统实现铸锻孪生模型的创建及动态显示，数据融合分析，以及工艺参数智能优化。数字孪生系统处于核心地位，通过网络传输系统的网络与接口形成与物理实体系统的所有在制品及制造资源之间的相互映射关系，实现铸锻双控成型过程及其制造资源的虚拟化仿真建模与展示，以及与数字孪生系统其他模块的数据交互，实现信息交换和闭环优化。进一步，铸锻双控成形过程的虚拟化仿真模拟采用Procast与Deform软件进行处理，预判成型过程中可能出现的质量缺陷，并给出对应的改进措施，实现虚拟空间与物理实体的交互映射，便于开展离线操作培训和在线生产指导。进一步，数字孪生系统中数据融合模块对采集的多源、异构、高噪声、多尺度数据进行清洗融合，去除数据噪声和干扰，保留有用信号，然后通过数据归一化处理对数据标准化和离散化，形成统一的数据系统便于后续的数据挖掘处理。进一步，数字孪生工艺模块依据制件的工艺属性/规则数据、工艺仿真数据及孪生数据构建工艺孪生体，并结合设备资源、环境资源、信息资源等数字孪生资源模型进行制件生产工艺分析。数字孪生智能优化模块主要采用模糊集理论、粒子群算法、果蝇优化、人工免疫法、遗传算法、神经网络、小波分析、支持向量机等智能算法联合构建工艺参数优化算法，充分发挥各方法模式的优势，快速获取最佳成型工艺参数组合。并将优化结果控制指令通过数字孪生交互反馈传至物理实体系统，指导各个物理实体实现人机协同作业，提高铸锻成型生产过程的稳健性。
进一步，所述工艺优化参数选取金属液浇注温度、模具预热温度、充型速度、铸锻压力及保压时间5个参数，以铸件重量、表面缺陷、抗拉强度等3个参数为优化目标，构建工艺参数的优化模型如下：
Figure BDA0002760803820000091
式中，x1为金属液浇注温度，x2为模具预热温度，x3为充型速度，x4为铸锻压力，x5为保压时间；bi和ai分别为对应输入变量xi(i＝1,2,...,5)的取值上下限；f1(x)为铸件重量目标函数，f2(x)为表面缺陷目标函数，f3(x)为抗拉强度目标函数。对上述多目标函数采用加权组合法对各目标函数赋予不同的权重值，以消除不同量纲的影响。通过权重系数α将多目标优化难题转换成单目标优化问题，转化后的统一目标函数如下：
F(x)＝min[f1(x),f2(x),f3(x)]＝α1f1(x)+α2f2(x)+α3f3(x) (2)
式中αi(i＝1,2,3)为单目标输出值的权重系数，由如下关系确定其取值。
Figure BDA0002760803820000092
式中c,d分别为单目标输出值fi(x)的变化范围。
进一步，对选定的工艺参数及优化目标，根据数据感知系统采集的相关数据，采用智能算法进行寻优。优选的，采用改进粒子群优化BP神经网络算法进行参数寻优。所述粒子群 (PSO)为，种群由D维搜索空间的N个粒子构成，第i个粒子的位置为Xi＝(xi1,xi2,...,xiD)，其速度为Vi＝(vi1,vi2,...,viD)，粒子的个体极值为Pi＝(pi1,pi2,...,piD)，全局极值为 Pg＝(pg1,pg2,...,pgD)，其迭代关系如下：
Figure BDA0002760803820000093
Figure BDA0002760803820000094
式中c1，c2为学习因子，取c1＝c2＝2；t为迭代次数；r1，r2为[0,1]区间的独立随机数；ω为惯性权重，决定算法的探索能力。为了合理限制粒子的运动范围，设定粒子的速度区间为 [vmin,vmax]，位置区间为[xmin,xmax]。进一步，对粒子速度vij按照阈值系数ρ的取值情况进行改进：
ρ＝(3×t+0.6×tmax)/tmax (6)
Figure BDA0002760803820000095
式中，t为当前迭代次数，tmax为最大迭代次数。当ρ＞0.9时，由式(4)和(5)计算各粒子的速度与位置；当ρ＜0.9时，由式(7)和(5)计算各粒子的速度与位置。同时，对惯性权重ω采用非线性递减方式增强其搜索能力，改进的惯性权重为：
Figure BDA0002760803820000101
进一步，采用BP神经网络算法时，根据输入和输出节点数选取5-N-3形式的3层模型结构，且隐含层节点数按式(9)进行初始化：
Figure BDA0002760803820000102
式中，Nh为隐含层节点数，Ni为输入层节点数，No为输出层节点数。该网络结构中隐含层计算值与输出层计算值分别为：
Figure BDA0002760803820000103
式中，f(x)为隐含层激励函数，δj为隐含层阈值，εk为输出层阈值。优选的，选取sigmoid 函数作为隐含层的激励函数。在进行BP神经网络训练时，对数据进行归一化预处理，以消除量纲的影响并提高训练效率和数据的泛化能力，归一化关系如下：
Figure BDA0002760803820000104
式中，x',x分别为转换前后的值，xmax,xmin分别为样本的最大值和最小值。
进一步，采取改进粒子群算法来优化BP神经网络(IPSO-BP)的主要步骤如下：
S1：根据数据感知系统获取相关样本数据并进行预处理，然后将其中一部分作为BP神经网络的训练数据，剩余部分作为测试数据，同时初始化BP神经网络。确定隐含层数目为9 时模型预测精度最优，从而选择神经网络结构为5-9-3，同时设置神经网络的训练步数为103，目标误差为10-6；
S2：粒子群参数初始化设置，并将BP神经网络的输出误差值作为粒子适应度，然后计算初始种群的个体最优值与全局最优值。确定粒子维数为： n＝n1×n2+n2×n3+θj+γk＝5×9+9×3+9+3＝84，种群数量m＝30，最大迭代次数tmax＝200，精度为10-3，粒子速度和位置区间分别为[-0.2,0.2]和[-5,5]，惯性权值系数按式(8)进行取值和修正；
S3：按照粒子速度和位置的更新计算公式(6)-(9)进行迭代运算，通过改进粒子群寻优获得种群的全局最优值，从而赋予BP神经网络的权值和阈值；
S4：BP神经网络以最优权值和阈值进行模型训练和预测处理，得到多目标预测模型，并获得最佳预测结果；
S5：通过数字孪生模型仿真试验，验证优化结果的准确性，得到最佳工艺参数值，并将该数据传输到生产系统中，实现生产过程的智能闭环控制。
进一步，所述铸锻双控成型系统的生产过程如下：
S1：金属熔炼与准备：采用HYTPT-K2C型中频熔炼炉将铸铁块HT200原料加热至1500-1600℃进行熔炼，金属熔炼半小时后添加除渣剂去除杂质，并抽样检查金属液的组成成分。熔炼完成后将其转移至ZPDJ-B1L型保温炉中进行恒温处置，等待浇注。同时对上下模具进行预热处理，模具预热可采用金属液传热方式或者电加热或者远红外加热方式，优选的，采用电加热方式快速预热使模具温度达到200-350℃。通过FLU-ENR3激光测温仪实时采集金属液的温度和模具的温度，并传送至数据感知系统；
S2：铸锻双控成型：将温度为1500℃左右的金属液浇注入下模腔内，然后迅速调节上模腔将上下模腔闭合形成封闭空间，使得金属液快速合模充型，充型速度为1-10m/s，优选的，选取3-7m/s的充型速度以匹配生产节拍。待充型完成形成零件铸坯后等待0.5-1s，再利用其余热对铸坯施加10-30MPa的阶梯型压力并保持一段时间，实现同一套模具内铸件的锻造处理，铸锻压力可采用液压系统或气压系统以及两者的组合，优选的，采用气压系统提高响应速度。铸锻次数为2次，铸锻时间间隔为0.5s。然后在上模具的上部水槽及下模具下部水槽内注入冷却水使铸件快速冷却，以提高生产效率。在铸锻过程中，通过相关传感设备采集实时充型速度、锻造压力及保压时间，传送至数字孪生系统进行分析处理；
S3：产品取件：分离上下模具，待制件冷却至不产生变形后，采用配置有高温电磁铁吸盘的RDN型六轴机械手抓取制件产品，并由BJ2-CGX1型步进式传送机构运送至后处理区，等待质量检测分析。然后由ZPGx2型自动喷枪对上下模具均匀喷涂60μm厚的无硅水性脱模剂，以避免制件与模具粘连，并等待下一次生产；
S4：后处理及优化：在后处理区对制件产品进行质量检测、金相组织及力学性能检验，并统计相关质量及性能参数数据，传输至数字孪生系统进行分析处理，结合前述的参数信息进行铸锻双控过程的仿真模拟及多工艺参数快速寻优，获得最佳工艺参数组合，并将该参数组合反馈到生产设备及过程控制系统中，实现生产过程的动态调整和精准控制，以改善铸件性能和提高生产效率。
表1为本发明的铸锻双控成型工艺参数及取值范围；
表1本发明的铸锻双控成型工艺参数及取值范围
Figure BDA0002760803820000111
Figure BDA0002760803820000121
表2为本发明的铸锻双控成型过程中使用的一种铸件材料参数属性；
表2本发明的铸锻双控成型过程中使用的一种铸件材料参数属性
Figure BDA0002760803820000122
表3为本发明的铸锻双控成型过程的部分样本数据及试验结果。
表3本发明的铸锻双控成型过程的部分样本数据及试验结果
Figure BDA0002760803820000123
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于数字孪生的铸锻双控成型系统，包括物理实体系统，其特征在于：该系统还包括数据感知系统、网络传输系统和数字孪生系统；
数据感知系统采集物理实体系统运行过程中的信息数据，并通过网络传输系统将信息传送到数字孪生系统；在数字孪生系统中建立物理实体的虚拟模型并进行铸锻双控成型过程的动态仿真模拟，实现虚实交互映射；对铸锻双控成型的关键工艺参数进行智能寻优调节，并将优化方案反馈到生产过程中指导实际生产运行，改进生产工艺的闭环优化管理；
物理实体系统中的上下模具采用QRO-90热作模具钢，化学成分为：0.38％碳C、0.75％锰Mn、0.30％硅Si、0.75％铬Cr、0.90％钒V、2.25％钼Mo、0.01％磷P和0.009％硫S，其余为铁Fe；
在铸锻成型过程中，上下模具的脱模剂采用无硅水性脱模剂进行脱模，脱模剂涂层的厚度为40～80μm；
所述数字孪生系统实现铸锻孪生模型的创建及动态显示，数据融合分析和工艺参数智能优化；通过网络传输系统的网络与接口形成与物理实体系统的所有在制品及制造资源之间的相互映射关系，实现铸锻双控成型过程及其制造资源的虚拟化仿真建模与展示，以及与数字孪生系统其他模块的数据交互，实现信息交换和闭环优化；
铸锻双控成形过程的虚拟化仿真模拟采用Procast与Deform软件进行处理，预判成型过程中可能出现的质量缺陷，并给出对应的改进措施，实现虚拟空间与物理实体的交互映射，便于开展离线操作培训和在线生产指导；
数字孪生系统中数据融合模块对采集的多源、异构、高噪声、多尺度数据进行清洗融合，去除数据噪声和干扰，保留有用信号，然后通过数据归一化处理对数据标准化和离散化，形成统一的数据系统便于后续的数据挖掘处理。
2.根据权利要求1所述的一种基于数字孪生的铸锻双控成型系统，其特征在于：所述脱模剂涂层的厚度为60μm。
3.根据权利要求1所述的一种基于数字孪生的铸锻双控成型系统，其特征在于：所述网络传输系统包括生产车间传输网络及相应的网络路由、数据通讯接口、人机交互接口和云数据库；
网络传输支持局域网、LAN、WiFi、Zigbee、Bluetooth、5G、RFID和GPS的传输协议；
通过网络和接口标准化接入各物理资源，将其虚拟化为网络中的资源节点，以实现生产车间内物理实体信息的泛在互联，并与虚拟空间进行交互映射。
4.基于权利要求1～3中任一项所述系统的参数优化方法，其特征在于：该方法为：
选取金属液浇注温度、模具预热温度、充型速度、铸锻压力及保压时间5个参数，以铸件重量、表面缺陷和抗拉强度3个参数为优化目标，构建工艺参数的优化模型如下：
Figure FDA0003254214430000021
式中，x1为金属液浇注温度，x2为模具预热温度，x3为充型速度，x4为铸锻压力，x5为保压时间；bi和ai分别为对应输入变量xi(i＝1,2,...,5)的取值上下限；f1(x)为铸件重量目标函数，f2(x)为表面缺陷目标函数，f3(x)为抗拉强度目标函数；
采用加权组合法对各目标函数赋予不同的权重值，以消除不同量纲的影响；
通过权重系数α将多目标优化难题转换成单目标优化问题，转化后的统一目标函数如下：
F(x)＝min[f1(x),f2(x),f3(x)]＝α1f1(x)+α2f2(x)+α3f3(x) (2)
式中αi(i＝1,2,3)为单目标输出值的权重系数，由如下关系确定其取值；
Figure FDA0003254214430000022
式中c,d分别为单目标输出值fi(x)的变化范围；
基于对选定的参数和优化目标，根据数据感知系统采集的相关数据，采用智能算法进行寻优。
5.根据权利要求4所述的一种基于数字孪生的铸锻双控成型参数优化方法，其特征在于：所述采用智能算法进行寻优为采用改进粒子群优化BP神经网络算法进行参数寻优；
所述粒子群PSO为，种群由D维搜索空间的N个粒子构成，第i个粒子的位置为Xi＝(xi1,xi2,...,xiD)，其速度为Vi＝(vi1,vi2,...,viD)，粒子的个体极值为Pi＝(pi1,pi2,...,piD)，全局极值为Pg＝(pg1,pg2,...,pgD)，其迭代关系如下：
Figure FDA0003254214430000023
Figure FDA0003254214430000024
式中c1，c2为学习因子，取c1＝c2＝2；t为迭代次数；r1，r2为[0,1]区间的独立随机数；ω为惯性权重，决定算法的探索能力；为了合理限制粒子的运动范围，设定粒子的速度区间为[vmin,vmax]，位置区间为[xmin,xmax]；对粒子速度vij按照阈值系数ρ的取值情况进行改进：
ρ＝(3×t+0.6×tmax)/tmax (6)
Figure FDA0003254214430000031
式中，t为当前迭代次数，tmax为最大迭代次数；当ρ＞0.9时，由式(4)和(5)计算各粒子的速度与位置；当ρ＜0.9时，由式(7)和(5)计算各粒子的速度与位置；对惯性权重ω采用非线性递减方式增强其搜索能力，改进的惯性权重为：
Figure FDA0003254214430000032
采用BP神经网络算法时，根据输入和输出节点数选取5-N-3形式的3层模型结构，且隐含层节点数按式(9)进行初始化：
Figure FDA0003254214430000033
式中，Nh为隐含层节点数，Ni为输入层节点数，No为输出层节点数；
网络结构中隐含层计算值与输出层计算值分别为：
Figure FDA0003254214430000034
式中，f(x)为隐含层激励函数，δj为隐含层阈值，εk为输出层阈值。
6.根据权利要求5所述的一种基于数字孪生的铸锻双控成型参数优化方法，其特征在于：所述隐含层激励函数选取sigmoid函数，在进行BP神经网络训练时，对数据进行归一化预处理，以消除量纲的影响并提高训练效率和数据的泛化能力，归一化关系如下：
Figure FDA0003254214430000035
式中，x',x分别为转换前后的值，xmax,xmin分别为样本的最大值和最小值。
7.根据权利要求6所述的一种基于数字孪生的铸锻双控成型参数优化方法，其特征在于：所述改进粒子群优化BP神经网络算法进行参数寻优，包括以下步骤如下：
S1：根据数据感知系统获取相关样本数据并进行预处理，然后将其中一部分作为BP神经网络的训练数据，剩余部分作为测试数据，同时初始化BP神经网络；确定隐含层数目为9时模型预测精度最优，从而选择神经网络结构为5-9-3，同时设置神经网络的训练步数为103，目标误差为10-6；
S2：粒子群参数初始化设置，并将BP神经网络的输出误差值作为粒子适应度，然后计算初始种群的个体最优值与全局最优值；确定粒子维数为：n＝n1×n2+n2×n3+θj+γk＝5×9+9×3+9+3＝84，种群数量m＝30，最大迭代次数tmax＝200，精度为10-3，粒子速度和位置区间分别为[-0.2,0.2]和[-5,5]，惯性权值系数按式(8)进行取值和修正；
S3：按照粒子速度和位置的更新计算公式(6)～(9)进行迭代运算，通过改进粒子群寻优获得种群的全局最优值，从而赋予BP神经网络的权值和阈值；
S4：BP神经网络以最优权值和阈值进行模型训练和预测处理，得到多目标预测模型，并获得最佳预测结果；
S5：通过数字孪生模型仿真试验，验证优化结果的准确性，得到最佳工艺参数值，并将该数据传输到生产系统中，实现生产过程的智能闭环控制。
8.根据权利要求7所述的一种基于数字孪生的铸锻双控成型参数优化方法，其特征在于：所述铸锻双控成型系统的生产过程如下：
S1：金属熔炼与准备：采用HYTPT-K2C型中频熔炼炉将铸铁块HT200原料加热至1500-1600℃进行熔炼，金属熔炼半小时后添加除渣剂去除杂质，并抽样检查金属液的组成成分；熔炼完成后将其转移至ZPDJ-B1L型保温炉中进行恒温处置，等待浇注；
同时对上下模具进行预热处理，模具预热采用金属液传热方式或者电加热方式或者远红外加热方式，通过FLU-ENR3激光测温仪实时采集金属液的温度和模具的温度，并传送至数据感知系统；
S2：铸锻双控成型：将温度为1500℃的金属液浇注入下模腔内，然后迅速调节上模腔将上下模腔闭合形成封闭空间，使得金属液快速合模充型，充型速度为1-10m/s；待充型完成形成零件铸坯后等待0.5-1s，再利用其余热对铸坯施加10-30MPa的阶梯型压力并保持一段时间，实现同一套模具内铸件的锻造处理，铸锻压力采用液压系统或气压系统以及两者的组合；铸锻次数为2次，铸锻时间间隔为0.5s；然后在上模具的上部水槽及下模具下部水槽内注入冷却水使铸件快速冷却；在铸锻过程中，通过相关传感设备采集实时充型速度、锻造压力及保压时间，传送至数字孪生系统进行分析处理；
S3：产品取件：分离上下模具，待制件冷却至不产生变形后，采用配置有高温电磁铁吸盘的RDN型六轴机械手抓取制件产品，并由BJ2-CGX1型步进式传送机构运送至后处理区，等待质量检测分析；然后由ZPGx2型自动喷枪对上下模具均匀喷涂60μm厚的无硅水性脱模剂，以避免制件与模具粘连，并等待下一次生产；
S4：后处理及优化：在后处理区对制件产品进行质量检测、金相组织及力学性能检验，并统计相关质量及性能参数数据，传输至数字孪生系统进行分析处理，结合参数信息进行铸锻双控过程的仿真模拟及多工艺参数快速寻优，获得最佳工艺参数组合，并将该参数组合反馈到生产设备及过程控制系统中，实现生产过程的动态调整和精准控制，以改善铸件性能和提高生产效率。
9.根据权利要求8所述的一种基于数字孪生的铸锻双控成型参数优化方法，其特征在于：采用所述电加热方式时，预热使模具温度达到200-350℃。
CN202011217251.7A 2020-11-04 2020-11-04 一种基于数字孪生的铸锻双控成型系统及参数优化方法 Active CN112427624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011217251.7A CN112427624B (zh) 2020-11-04 2020-11-04 一种基于数字孪生的铸锻双控成型系统及参数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011217251.7A CN112427624B (zh) 2020-11-04 2020-11-04 一种基于数字孪生的铸锻双控成型系统及参数优化方法

Publications (2)

Publication Number Publication Date
CN112427624A CN112427624A (zh) 2021-03-02
CN112427624B true CN112427624B (zh) 2021-11-09

Family

ID=74695418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011217251.7A Active CN112427624B (zh) 2020-11-04 2020-11-04 一种基于数字孪生的铸锻双控成型系统及参数优化方法

Country Status (1)

Country Link
CN (1) CN112427624B (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461431B (zh) * 2020-03-31 2022-05-27 广东工业大学 一种基于手机制造中锁螺丝工艺的优化方法和系统
CN113505519B (zh) * 2021-04-13 2024-05-28 北京工业大学 基于pso-bp神经网络和nsga-ii的激光切割加工建模及参数优化选择方法
CN113298371B (zh) * 2021-05-19 2022-02-01 东华理工大学 一种基于数字孪生的工业产线辅助监管系统
CN113259486B (zh) * 2021-06-24 2021-09-17 国网天津市电力公司营销服务中心 一种基于数字孪生的计量设备自动化检定线运维系统
CN113515861A (zh) * 2021-07-12 2021-10-19 安徽绿洲危险废物综合利用有限公司 一种再生铜板冶炼的浇铸系统
US11868121B2 (en) 2021-07-20 2024-01-09 International Business Machines Corporation Self-learning manufacturing using digital twins
CN114011608B (zh) * 2021-11-26 2023-04-18 航天科工深圳（集团）有限公司 基于数字孪生的喷涂工艺优化系统及其喷涂优化方法
CN113858146B (zh) * 2021-12-02 2022-05-13 徐州安普瑞特能源科技有限公司 一种工作台装置
CN114442510B (zh) * 2021-12-31 2023-10-27 广东省科学院智能制造研究所 数字孪生闭环控制方法、系统、计算机设备及存储介质
CN114565354A (zh) * 2022-02-24 2022-05-31 海尔数字科技（上海）有限公司 工艺参数确定方法、装置、电子设备和存储介质
CN114881289B (zh) * 2022-04-11 2024-07-02 中国兵器装备集团自动化研究所有限公司 一种基于数字孪生的熔铸装药成型工艺参数优化方法及系统
CN114596919B (zh) * 2022-05-10 2022-09-02 安徽瑞邦数科科技服务有限公司 指标预测方法、系统以及其在磷酸生产中的应用
CN115112259B (zh) * 2022-07-06 2024-08-20 钢研纳克检测技术股份有限公司 一种基于数字孪生技术的高温热处理炉智能校准方法
CN115422814B (zh) * 2022-11-04 2023-04-28 中国海洋大学 一种数字孪生驱动的复杂机电产品闭环优化设计方法
CN115577641B (zh) * 2022-11-14 2023-04-07 成都飞机工业（集团）有限责任公司 一种数字孪生模型的训练方法、装置、设备及介质
CN115938512A (zh) * 2022-11-26 2023-04-07 宝钢工程技术集团有限公司 一种运用软件算法优化烘烤炉rto工艺参数状态的方法
CN115970883A (zh) * 2023-01-05 2023-04-18 鞍钢集团矿业有限公司 一种赤铁矿强磁选工艺参数的优化方法
CN116341396B (zh) * 2023-05-30 2023-08-11 青岛理工大学 一种基于多源数据融合的复杂装备数字孪生建模方法
CN116705211B (zh) * 2023-08-04 2023-10-10 昆明理工大学 基于数字孪生的富氧铜熔池铜损失率在线预测方法及系统
CN116859873B (zh) * 2023-08-22 2024-01-12 广东凡易紧固件有限公司 一种紧固件生产工艺参数控制方法及系统
CN116822380B (zh) * 2023-08-29 2023-11-14 昆明理工大学 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法
CN117066496B (zh) * 2023-10-17 2024-01-23 南通盟鼎新材料有限公司 一种铸造冷却控制方法及系统
CN117339985B (zh) * 2023-12-05 2024-02-23 滦南县兴凯盛科技有限公司 轨道材料回收利用制作型材方法
CN117340204B (zh) * 2023-12-05 2024-02-13 山西宝隆科技有限公司 一种钢锭模与钢锭的分离判定方法
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
CN117920985B (zh) * 2024-03-20 2024-06-11 成都新航工业科技股份有限公司 用于铸造石膏型熔模的熔液转运方法及装置
CN118350254B (zh) * 2024-06-17 2024-09-03 武汉理工大学 一种多源数据融合下的结构寿命计算评估方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101966570A (zh) * 2009-07-27 2011-02-09 中冶赛迪工程技术股份有限公司 一种连铸实体仿真及虚拟实现平台
CN108897925A (zh) * 2018-06-11 2018-11-27 华中科技大学 一种基于铸件缺陷预测模型的铸造工艺参数优化方法
CN109047683A (zh) * 2018-09-03 2018-12-21 中冶连铸技术工程有限责任公司 一种连铸坯智能定重定尺在线控制系统
WO2020007016A1 (zh) * 2018-07-05 2020-01-09 长安大学 一种基于数字孪生的智能车间自治生产过程动态联动控制方法
CN110930536A (zh) * 2019-11-06 2020-03-27 西安理工大学 一种基于数字孪生的连铸机通用零件在线监控与追溯方法
CN111259513A (zh) * 2019-09-25 2020-06-09 昆明理工大学 基于ca理论对铝合金副车架性能优化的方法
CN111650906A (zh) * 2020-06-01 2020-09-11 天津市天锻压力机有限公司 一种基于cps的锻造液压机数字化车间
CN111880476A (zh) * 2020-06-29 2020-11-03 长沙长泰机器人有限公司 一种机床数字孪生系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832497B (zh) * 2017-10-17 2018-08-28 广东工业大学 一种智能车间快速定制设计方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101966570A (zh) * 2009-07-27 2011-02-09 中冶赛迪工程技术股份有限公司 一种连铸实体仿真及虚拟实现平台
CN108897925A (zh) * 2018-06-11 2018-11-27 华中科技大学 一种基于铸件缺陷预测模型的铸造工艺参数优化方法
WO2020007016A1 (zh) * 2018-07-05 2020-01-09 长安大学 一种基于数字孪生的智能车间自治生产过程动态联动控制方法
CN109047683A (zh) * 2018-09-03 2018-12-21 中冶连铸技术工程有限责任公司 一种连铸坯智能定重定尺在线控制系统
CN111259513A (zh) * 2019-09-25 2020-06-09 昆明理工大学 基于ca理论对铝合金副车架性能优化的方法
CN110930536A (zh) * 2019-11-06 2020-03-27 西安理工大学 一种基于数字孪生的连铸机通用零件在线监控与追溯方法
CN111650906A (zh) * 2020-06-01 2020-09-11 天津市天锻压力机有限公司 一种基于cps的锻造液压机数字化车间
CN111880476A (zh) * 2020-06-29 2020-11-03 长沙长泰机器人有限公司 一种机床数字孪生系统

Also Published As

Publication number Publication date
CN112427624A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN112427624B (zh) 一种基于数字孪生的铸锻双控成型系统及参数优化方法
KR100244582B1 (ko) 선체 외판의 곡면가공방법 및 장치
CN116460860B (zh) 一种基于模型的机器人离线强化学习控制方法
Feng et al. Optimization of variable blank holder force in deep drawing based on support vector regression model and trust region
Sun et al. Machining cycle time prediction: Data-driven modelling of machine tool feedrate behavior with neural networks
CN110502779A (zh) 一种基于模糊推理的注塑成型模具的智能设计方法
Cica et al. Intelligent process modeling and optimization of porosity formation in high-pressure die casting
Donghong et al. Dimensional control of ring-to-ring casting with a data-driven approach during investment casting
CN109940610A (zh) 一种基于woa-ga混合优化算法的机器人关节控制力矩预测方法
Biglari et al. Optimum design of forging dies using fuzzy logic in conjunction with the backward deformation method
Hawryluk et al. An implementation of robotization for the chosen hot die forging process
Lu et al. Modeling, analysis and control of hydraulic actuator for forging
CN116894379A (zh) 一种注塑件质量优化方法
CN113059184B (zh) 锭坯喷射成形工艺参数优化方法
Venkata Rao et al. Single-and multi-objective optimization of casting processes using Jaya algorithm and its variants
Tsoukalas An adaptive neuro-fuzzy inference system (ANFIS) model for high pressure die casting
Tran et al. A computational design of robotic grasper by intelligence-based topology optimization for microassembly and micromanipulation
He et al. A study on multivariable optimization in precision manufacturing using MOPSONNS
CN110426959B (zh) 一种履带机器人控制系统
Li et al. Research on thermal error of CNC machine tool based on DBSCAN clustering and BP neural network algorithm
Vijayaram et al. Computers in Foundries
Xie et al. A double-layer optimization method for forging process parameters of hinge beam structure and size of intermediate billet
Kang et al. Intelligent casting: Empowering the future foundry industry
Juang et al. Using machine learning to establish the relationship between die casting parameters and the casting quality
Kitayama Technical review on design optimization in forging

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