CN112906136B - 船体外板的激光热成形变形预测方法和系统 - Google Patents
船体外板的激光热成形变形预测方法和系统 Download PDFInfo
- Publication number
- CN112906136B CN112906136B CN202110281984.5A CN202110281984A CN112906136B CN 112906136 B CN112906136 B CN 112906136B CN 202110281984 A CN202110281984 A CN 202110281984A CN 112906136 B CN112906136 B CN 112906136B
- Authority
- CN
- China
- Prior art keywords
- model
- module
- determining
- jmin
- laser
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000003856 thermoforming Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 69
- 230000008569 process Effects 0.000 claims abstract description 68
- 239000000463 material Substances 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 238000006073 displacement reaction Methods 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000009499 grossing Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000010438 heat treatment Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012067 mathematical method Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000000704 physical effect Effects 0.000 claims description 5
- 238000004093 laser heating Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 12
- 238000003754 machining Methods 0.000 description 5
- 238000000465 moulding Methods 0.000 description 5
- 238000005452 bending Methods 0.000 description 4
- 238000003466 welding Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003698 laser cutting Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005480 shot peening Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种船体外板的激光热成形变形预测方法和系统，包括：步骤1：建立关于热源参数及板件参数的工艺窗口；步骤2：基于工艺窗口进行多组热弹塑性有限元仿真并提取等效固有应变结果；步骤3：基于等效固有应变结果建立预测神经网络模型，泛化出工艺窗口中其它工艺参数下的等效固有应变结果；步骤4：将等效固有应变结果以各向异性热膨胀系数形式赋予给模型，作为模型的初始属性；步骤5：通过对模型施加单位温度载荷，保证计算获得的热应变分布的大小、方向与等效固有应变分布相同；步骤6：进行热弹性有限元仿真，得到材料的变形位移。本发明可以快速求解大尺寸板件、复杂路径的变形结果，实现了船体外板的全自动激光加热成型加工。
Description
技术领域
本发明涉及船体外板的激光热成形加工技术领域，具体地，涉及一种船体外板的激光热成形变形预测方法和系统。
背景技术
船体外板是船舶主体结构的重要组成部分，其作用是保证船体的水密性、强度和刚度。对于一艘船舶，其中有相当一部分的船体外板需要进行曲面加工，而目前船体外板的曲面成形加工主要依靠手动加工，该过程已经成为了制约船舶工业自动化的一个瓶颈。由于船舶曲面件造型复杂、加工困难，如何实现船体外板曲面成形的自动化是如今国内外研究的热点。虽然各种曲面成形的方式已被广泛应用于加工制造中，但由于船体外板具有批量小、品种多和尺寸大等特点，船体外板加工仍是一个较为困难的加工过程。目前，船体外板曲面成形的方法主要分为机加工成形和轨迹热成形两大类。
机加工成形作为传统的曲面成形方法具有简单稳定、生产效率高的优点，目前主要的加工形式包括自重成形、滚压成形以及多点成形三种加工方法。自重成形是利用大型船体外板自身的重力作用而达到成形的目的，但仅有10％～15％的船体外板能够只使用自重成形方法达到加工效果；滚压成形方法利用辊状工具加工板件，使板件产生局部弯曲变形而形成目标曲面，但传统的滚压成形只能够加工柱面和锥面等简单曲面，而柔性滚压成形需要额外专用模具辅助才能加工复杂曲面件；多点成形是利用一组规则排布的点阵模具代替专用模具，通过调整点阵模具的高度位置实现不同曲面要求下的板件成形，但该方法会导致加工板件的表面出现压痕，对加工板件的表面质量产生影响。同时后两种加工方式都属于接触式加工，必须要考虑加工完成后的板件回弹问题对于加工效果的影响；除此之外，还需要考虑加工过程中是否会发生起皱等缺陷，从而导致板件加工不合格。以上这些问题都会对实际加工过程产生限制，从而制约了加工方式的应用范围。
轨迹加热成形是一种非接触式的无模成形方法，它利用局部加热的方式使部分材料发生塑性变形，从而实现复杂曲面的成形。根据使用热源的不同，主要分为火焰加热成形、感应加热成形以及激光加热成形，但工业生产中主要使用高频感应加热成形以及激光加热成形作为替代方法。相比于激光热成型，高频感应加热由于感应器的尺寸加大，导致能量分布区域较大，发生弯曲变形的区域也较大，故无法实现较为复杂的曲面成形。激光加热成型能够快速地调整光斑直径以适用各种曲面的成形要求，同时还能够集成其他多种加工方式，加工过程中板件内部温度梯度大、热影响区小且加热速度快，能够更加高效地进行加工；加工过程中无需进行水冷，加工的热效率高，更符合绿色制造的要求；加热过程中能够实现对输入能量以及温度的精确控制，同时还能够减少对材料性能的影响；能够制定精确的加工工艺规程，有利于产业自动化的发展，因此，激光更适合作为船体外板曲面成形的热源。
对于船体外板的激光加热成形，加工参数的选择是重要的一部分，加工成型的效果可通过热弹塑性有限元模型对其进行预测，但将其应用于计算大尺寸板件、复杂加工路径的加工变形效果时，存在适用范围小、计算时间慢等问题。故需要从变形机理出发，确定加工效果快速再现的准则和计算方法，为实际应用提供技术支持。
专利文献CN107766614A(申请号：CN201710829391.1)建立的仿真模型是针对材料表面激光喷丸工艺，本专利则是面对板材激光热成形弯曲变形工艺；该专利加工工艺不需考虑加工方向对固有应变的影响，而本发明考虑了加工轨迹为曲线时的固有应变计算方法。
专利文献CN103551712A(申请号：CN201310521197.9)该专利面向焊接变形的预测，本专利则面向板材激光热成型弯曲效果的预测；该专利采用盲孔法进行焊接变形的提取，本方法使用三维形貌测量的方式确定加工变形量，研究的对象不相同；该专利通过将试验板的计算结果直接加载到大型结构件上完成焊接变形计算，而本发明通过建立固有应变数据库的方式，可简化实际应用过程中计算流程。
专利文献CN111375930A(申请号：CN201811611506.0)该专利应用于焊接变形的预测，本专利应用于大型板材的激光热成型弯曲效果的预测；该专利通过经验公式进行相关固有应变值的计算，而本发明使用热弹塑性有限元法进行固有应变值计算。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种船体外板的激光热成形变形预测方法和系统。
根据本发明提供的船体外板的激光热成形变形预测方法，包括：
步骤1：针对实际加工过程分析建立关于热源参数及板件参数的工艺窗口；
步骤2：基于该工艺窗口进行多组热弹塑性有限元仿真，并提取等效固有应变结果；
步骤3：基于多组工艺参数的等效固有应变结果建立预测神经网络模型，通过数学方法泛化出该工艺窗口中其它工艺参数下的等效固有应变结果；
步骤4：将计算获得的等效固有应变结果以各向异性热膨胀系数形式赋予给模型，作为模型的初始属性；
步骤5：通过对模型施加单位温度载荷，保证计算获得的热应变分布的大小、方向与等效固有应变分布相同；
步骤6：进行热弹性有限元仿真，得到材料的变形位移。
优选的，所述步骤2包括：
步骤2.1：建立三维薄板件几何模型并进行网格划分，距离加热路径越近的区域的网格设置得越细小；
步骤2.2：将材料物性参数赋值进几何模型中；
步骤2.3：给几何模型添加边界条件及初始条件；
所述几何模型中材料的本构关系定义为分段弹塑性模型，弹性区使用弹性模量和泊松比定义，塑性区使用Johnson-Cook模型定义，激光移动热源采用高斯分布热源模型。
优选的，所述步骤3包括：
步骤3.1：建立预测神经网络前先确定神经网络的输入层，分别表示激光功率、扫描速度、光斑直径、板件厚度和材料深度；
步骤3.2：确定训练样本，样本选择需覆盖实际加工的参数范围且为分布均匀；
步骤3.3：确定算法流程，分别为：特征处理、确定交叉验证组、确定光滑因子取值范围、系统误差求解、确定最佳光滑因子和确定最佳训练样本。
优选的，所述步骤4包括：
步骤4.1：特征处理中对输入、输出样本库中样本进行归一化处理，将处于不同维度i的特征值映射到-1～+1之间，数学公式为：
xij＝2(xij-xjmin)/(xjmax-xjmin)-1
yij＝2(yij-yjmin)/(yjmax-yjmin)-1
其中，xjmin、xjmax、yjmin、yjmax分别表示输入、输出向量的所有第j个特征样本值中的最大值和最小值；
步骤4.2：光滑因子的取值范围为σ∈[0,2]，从取值范围下限开始以0.1的增量遍历计算在取值范围内的每一光滑因子下的以均方差作为评价方式的系统误差。
优选的，工艺参数包括：激光功率1000～3000W，扫描速度20～100mm/s，光斑直径2～10mm，板材厚度2～10mm，材料深度0～4mm。
根据本发明提供的船体外板的激光热成形变形预测系统，包括：
模块M1：针对实际加工过程分析建立关于热源参数及板件参数的工艺窗口；
模块M2：基于该工艺窗口进行多组热弹塑性有限元仿真，并提取等效固有应变结果；
模块M3：基于多组工艺参数的等效固有应变结果建立预测神经网络模型，通过数学方法泛化出该工艺窗口中其它工艺参数下的等效固有应变结果；
模块M4：将计算获得的等效固有应变结果以各向异性热膨胀系数形式赋予给模型，作为模型的初始属性；
模块M5：通过对模型施加单位温度载荷，保证计算获得的热应变分布的大小、方向与等效固有应变分布相同；
模块M6：进行热弹性有限元仿真，得到材料的变形位移。
优选的，所述模块M2包括：
模块M2.1：建立三维薄板件几何模型并进行网格划分，距离加热路径越近的区域的网格设置得越细小；
模块M2.2：将材料物性参数赋值进几何模型中；
模块M2.3：给几何模型添加边界条件及初始条件；
所述几何模型中材料的本构关系定义为分段弹塑性模型，弹性区使用弹性模量和泊松比定义，塑性区使用Johnson-Cook模型定义，激光移动热源采用高斯分布热源模型。
优选的，所述模块M3包括：
模块M3.1：建立预测神经网络前先确定神经网络的输入层，分别表示激光功率、扫描速度、光斑直径、板件厚度和材料深度；
模块M3.2：确定训练样本，样本选择需覆盖实际加工的参数范围且为分布均匀；
模块M3.3：确定算法流程，分别为：特征处理、确定交叉验证组、确定光滑因子取值范围、系统误差求解、确定最佳光滑因子和确定最佳训练样本。
优选的，所述模块M4包括：
模块M4.1：特征处理中对输入、输出样本库中样本进行归一化处理，将处于不同维度i的特征值映射到-1～+1之间，数学公式为：
xij＝2(xij-xjmin)/(xjmax-xjmin)-1
yij＝2(yij-yjmin)/(yjmax-yjmin)-1
其中，xjmin、xjmax、yjmin、yjmax分别表示输入、输出向量的所有第j个特征样本值中的最大值和最小值；
模块M4.2：光滑因子的取值范围为σ∈[0,2]，从取值范围下限开始以0.1的增量遍历计算在取值范围内的每一光滑因子下的以均方差作为评价方式的系统误差。
优选的，工艺参数包括：激光功率1000～3000W，扫描速度20～100mm/s，光斑直径2～10mm，板材厚度2～10mm，材料深度0～4mm。
与现有技术相比，本发明具有如下的有益效果：
(1)本发明利用ABAQUS有限元分析软件进行固有应变法仿真，可以快速求解大尺寸板件、复杂路径的变形结果；
(2)本发明实现了船体外板的全自动激光加热成型加工，可为激光加工参数提供相关选择依据与参考；
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为激光加工路径示意图；
图2为实验加工参数和几何参数图；
图3为测量路径示意图；
图4为固定条件施加方式示意图；
图5为加工预测结果及实验结果对比图；
图6为预测误差分布图。
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，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例：
船体外板激光加热成型中激光加工参数的加工效果可通过热弹塑性有限元模型对其进行预测，但将其应用于计算大尺寸板件、复杂加工路径的加工变形效果时，存在适用范围小、计算时间慢等问题。本发明提供了一种结合神经网络以及固有应变法仿真的成型效果预测方法，可快速求解大尺寸板件、复杂路径的变形结果。
为了实现上述目的，本发明提供了一种结合神经网络以及固有应变法仿真的成型效果预测方法，其方法包括如下步骤：
步骤1：首先，针对实际加工过程分析建立关于热源参数及板件参数的合理工艺窗口；然后，基于该工艺窗口进行多组热弹塑性有限元仿真，并提取等效固有应变结果；最后，基于多组工艺参数的等效固有应变结果建立预测神经网络，通过数学方法泛化出该工艺窗口中其它工艺参数下的等效固有应变结果；
步骤2：将计算获得的等效固有应变值以各向异性热膨胀系数形式赋予给模型，作为模型的初始属性；然后，通过对模型施加单位温度载荷，以此保证计算获得的热应变分布的大小、方向与等效固有应变分布相同；最后，进行热弹性有限元仿真，获得固有应变法的计算结果。
具体步骤如下：
(一)加工实验
板材材料选用DH36船板钢，板材几何尺寸为3980mm×1250mm×10mm。将试样放置与加工平台上，并依靠其自身重力固定于平台上。加工实验中的具体加工参数、几何参数及加工轨迹的选择如图1、图2中所示。激光加工结束后，采用日本KEYENCE公司生产的LK-G500型激光位移传感器进行试样的表面测量，在进行测量的过程中将激光位移传感器安装在激光切割机激光头保护壳的外壳上并使用螺栓固定。测量过程中传感器依靠激光切割机x-y移动平台带动，沿着如图3所示的蓝色测量路径进行匀速运动，运动过程中传感器会对板件与其测头之间的距离进行记录，测量完成后能够获得板件与测头间的距离随时间变化的数据表格，由于运动过程为匀速多段直线运动，因此通过计算能够将数据转化为板件的三维形貌结果。
(二)仿真预测
建立平行六面体的几何模型，其几何尺寸与实际加工情况相同为最3980mm×1250mm×10mm。同时为了方便后续过程中对材料进行固有应变的施加，本文采用了结构化六面体网格划分，网格单元类型为C3D8R，网格尺寸为5mm×5mm×2mm。行固有应变的施加，需要对固有应变的施加区域进行定义，为了确定施加区域的位置和宽度，通过读取文本文件中按给定格式书写的路径信息将加工路径的加工参数、加工位置等信息导入MATLAB。由于仿真的类型属于弹性仿真，故需要对于材料的弹性模量及泊松比进行定义，除此之外仿真还考虑了重力对结果的定义，因此还需要对材料的密度进行定义。由于此方法通过各项同性热膨胀系数作为固有应变的导入方式，故还需要对材料的热膨胀系数进行定义，对于非加载区域，将其热膨胀系数定义为0；对于加载区域，首先通过查询预测神经网络的方式获得相应加工参数下的横向、纵向固有应变值，其中横向、纵向固有应变方向分别对应为根据各单元所处位置获得的加工路径切线、法线方向，根据投影关系可以计算获得各单元在全局坐标系下的关于X、Y方向的固有应变值，最后通过定义与固有应变值相同的热膨胀系数值的方式将固有应变导入模型。模型的几何边界条件为对模型上四个点的固定约束，如图4所示。此外模型还定义了板材的初始温度为0℃，并在加工过程中给予加载区1℃的温度升高。其中加载区1℃的温度升高的目的是使作为固有应变导入方式的等效热载荷起作用。
对于上述的有限元模型，设置好各求解参数，如载荷施加方式、时间子步数、平均迭代次数、精度及求解算法，就可以计算出在等效热载荷下的应变场和变形场。
(三)实验、仿真结果对比
预测结果与加工结果对比如图5a-图5f所示，图中深色面为实际加工的测量结果，浅色面为预测获得的理想曲面形状，两者间的误差分布如图6a-图6f所示。从误差分布图可以看出，预测效果的平均绝对误差分别为1.33mm、1.55mm、0.63mm、1.34mm、2.76mm和1.64mm，最大绝对误差分别为3.59mm、3.39mm、0.79mm、4.56mm、12.59mm和3.99mm。
根据本发明提供的船体外板的激光热成形变形预测系统，包括：
模块M1：针对实际加工过程分析建立关于热源参数及板件参数的工艺窗口；
模块M2：基于该工艺窗口进行多组热弹塑性有限元仿真，并提取等效固有应变结果；
模块M3：基于多组工艺参数的等效固有应变结果建立预测神经网络模型，通过数学方法泛化出该工艺窗口中其它工艺参数下的等效固有应变结果；
模块M4：将计算获得的等效固有应变结果以各向异性热膨胀系数形式赋予给模型，作为模型的初始属性；
模块M5：通过对模型施加单位温度载荷，保证计算获得的热应变分布的大小、方向与等效固有应变分布相同；
模块M6：进行热弹性有限元仿真，得到材料的变形位移。
优选的，所述模块M2包括：
模块M2.1：建立三维薄板件几何模型并进行网格划分，距离加热路径越近的区域的网格设置得越细小；
模块M2.2：将材料物性参数赋值进几何模型中；
模块M2.3：给几何模型添加边界条件及初始条件；
所述几何模型中材料的本构关系定义为分段弹塑性模型，弹性区使用弹性模量和泊松比定义，塑性区使用Johnson-Cook模型定义，激光移动热源采用高斯分布热源模型。
优选的，所述模块M3包括：
模块M3.1：建立预测神经网络前先确定神经网络的输入层，分别表示激光功率、扫描速度、光斑直径、板件厚度和材料深度；
模块M3.2：确定训练样本，样本选择需覆盖实际加工的参数范围且为分布均匀；
模块M3.3：确定算法流程，分别为：特征处理、确定交叉验证组、确定光滑因子取值范围、系统误差求解、确定最佳光滑因子和确定最佳训练样本。
优选的，所述模块M4包括：
模块M4.1：特征处理中对输入、输出样本库中样本进行归一化处理，将处于不同维度i的特征值映射到-1～+1之间，数学公式为：
xij＝2(xij-xjmin)/(xjmax-xjmin)-1
yij＝2(yij-yjmin)/(yjmax-yjmin)-1
其中，xjmin、xjmax、yjmin、yjmax分别表示输入、输出向量的所有第j个特征样本值中的最大值和最小值；
模块M4.2：光滑因子的取值范围为σ∈[0,2]，从取值范围下限开始以0.1的增量遍历计算在取值范围内的每一光滑因子下的以均方差作为评价方式的系统误差。
优选的，工艺参数包括：激光功率1000～3000W，扫描速度20～100mm/s，光斑直径2～10mm，板材厚度2～10mm，材料深度0～4mm。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
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化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种船体外板的激光热成形变形预测方法，其特征在于，包括：
步骤1：针对实际加工过程分析建立关于热源参数及板件参数的工艺窗口；
步骤2：基于该工艺窗口进行多组热弹塑性有限元仿真，并提取等效固有应变结果；
步骤3：基于多组工艺参数的等效固有应变结果建立预测神经网络模型，通过数学方法泛化出该工艺窗口中其它工艺参数下的等效固有应变结果；
步骤4：将所述步骤3计算获得的等效固有应变结果以各向异性热膨胀系数形式赋予给模型，作为模型的初始属性；
步骤5：通过对模型施加单位温度载荷，保证计算获得的热应变分布的大小、方向与等效固有应变分布相同；
步骤6：进行热弹性有限元仿真，得到材料的变形位移。
2.根据权利要求1所述的船体外板的激光热成形变形预测方法，其特征在于，所述步骤2包括：
步骤2.1：建立三维薄板件几何模型并进行网格划分，距离加热路径越近的区域的网格设置得越细小；
步骤2.2：将材料物性参数赋值进几何模型中；
步骤2.3：给几何模型添加边界条件及初始条件；
所述几何模型中材料的本构关系定义为分段弹塑性模型，弹性区使用弹性模量和泊松比定义，塑性区使用Johnson-Cook模型定义，激光移动热源采用高斯分布热源模型。
3.根据权利要求1所述的船体外板的激光热成形变形预测方法，其特征在于，所述步骤3包括：
步骤3.1：建立预测神经网络前先确定神经网络的输入层，分别表示激光功率、扫描速度、光斑直径、板件厚度和材料深度；
步骤3.2：确定训练样本，样本选择需覆盖实际加工的参数范围且为分布均匀；
步骤3.3：确定算法流程，分别为：特征处理、确定交叉验证组、确定光滑因子取值范围、系统误差求解、确定最佳光滑因子和确定最佳训练样本。
4.根据权利要求1所述的船体外板的激光热成形变形预测方法，其特征在于，所述步骤4包括：
步骤4.1：特征处理中对输入、输出样本库中样本进行归一化处理，将处于不同维度i的特征值映射到-1～+1之间，数学公式为：
xij＝2(xij-xjmin)/(xjmax-xjmin)-1
yij＝2(yij-yjmin)/(yjmax-yjmin)-1
其中，xjmin、xjmax、yjmin、yjmax分别表示输入、输出向量的所有第j个特征样本值中的最小值和最大值；
步骤4.2：光滑因子的取值范围为σ∈[0,2]，从取值范围下限开始以0.1的增量遍历计算在取值范围内的每一光滑因子下的以均方差作为评价方式的系统误差。
5.根据权利要求1所述的船体外板的激光热成形变形预测方法，其特征在于，工艺参数包括：激光功率1000～3000W，扫描速度20～100mm/s，光斑直径2～10mm，板材厚度2～10mm，材料深度0～4mm。
6.一种船体外板的激光热成形变形预测系统，其特征在于，包括：
模块M1：针对实际加工过程分析建立关于热源参数及板件参数的工艺窗口；
模块M2：基于该工艺窗口进行多组热弹塑性有限元仿真，并提取等效固有应变结果；
模块M3：基于多组工艺参数的等效固有应变结果建立预测神经网络模型，通过数学方法泛化出该工艺窗口中其它工艺参数下的等效固有应变结果；
模块M4：将所述模块M3计算获得的等效固有应变结果以各向异性热膨胀系数形式赋予给模型，作为模型的初始属性；
模块M5：通过对模型施加单位温度载荷，保证计算获得的热应变分布的大小、方向与等效固有应变分布相同；
模块M6：进行热弹性有限元仿真，得到材料的变形位移。
7.根据权利要求6所述的船体外板的激光热成形变形预测系统，其特征在于，所述模块M2包括：
模块M2.1：建立三维薄板件几何模型并进行网格划分，距离加热路径越近的区域的网格设置得越细小；
模块M2.2：将材料物性参数赋值进几何模型中；
模块M2.3：给几何模型添加边界条件及初始条件；
所述几何模型中材料的本构关系定义为分段弹塑性模型，弹性区使用弹性模量和泊松比定义，塑性区使用Johnson-Cook模型定义，激光移动热源采用高斯分布热源模型。
8.根据权利要求6所述的船体外板的激光热成形变形预测系统，其特征在于，所述模块M3包括：
模块M3.1：建立预测神经网络前先确定神经网络的输入层，分别表示激光功率、扫描速度、光斑直径、板件厚度和材料深度；
模块M3.2：确定训练样本，样本选择需覆盖实际加工的参数范围且为分布均匀；
模块M3.3：确定算法流程，分别为：特征处理、确定交叉验证组、确定光滑因子取值范围、系统误差求解、确定最佳光滑因子和确定最佳训练样本。
9.根据权利要求6所述的船体外板的激光热成形变形预测系统，其特征在于，所述模块M4包括：
模块M4.1：特征处理中对输入、输出样本库中样本进行归一化处理，将处于不同维度i的特征值映射到-1～+1之间，数学公式为：
xij＝2(xij-xjmin)/(xjmax-xjmin)-1
yij＝2(yij-yjmin)/(yjmax-yjmin)-1
其中，xjmin、xjmax、yjmin、yjmax分别表示输入、输出向量的所有第j个特征样本值中的最小值和最大值；
模块M4.2：光滑因子的取值范围为σ∈[0,2]，从取值范围下限开始以0.1的增量遍历计算在取值范围内的每一光滑因子下的以均方差作为评价方式的系统误差。
10.根据权利要求6所述的船体外板的激光热成形变形预测系统，其特征在于，工艺参数包括：激光功率1000～3000W，扫描速度20～100mm/s，光斑直径2～10mm，板材厚度2～10mm，材料深度0～4mm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110281984.5A CN112906136B (zh) | 2021-03-16 | 2021-03-16 | 船体外板的激光热成形变形预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110281984.5A CN112906136B (zh) | 2021-03-16 | 2021-03-16 | 船体外板的激光热成形变形预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112906136A CN112906136A (zh) | 2021-06-04 |
| CN112906136B true CN112906136B (zh) | 2022-07-22 |
Family
ID=76105244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110281984.5A Expired - Fee Related CN112906136B (zh) | 2021-03-16 | 2021-03-16 | 船体外板的激光热成形变形预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906136B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091304B (zh) * | 2021-11-19 | 2024-06-21 | 江苏科技大学 | 氢氧气体热源加工船体外板的智能决策方法 |
| CN117371148B (zh) * | 2023-12-06 | 2024-02-13 | 北京适创科技有限公司 | 应用于冲压成型的变形预测方法、装置、设备及存储介质 |
| CN117763926B (zh) * | 2024-02-22 | 2024-05-17 | 大连理工大学 | 一种数字孪生信息驱动的高可信结构变形监测方法 |
| CN118734661A (zh) * | 2024-09-04 | 2024-10-01 | 浙江大学 | 一种基于机器学习的气动变形界面psci仿形控制方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101604144A (zh) * | 2008-06-13 | 2009-12-16 | 中国科学院金属研究所 | 一种板材轧制在线控制模型的建模方法 |
| CN104077451A (zh) * | 2014-07-03 | 2014-10-01 | 中铁上海工程局集团有限公司 | 一种用于深厚软土地铁基坑土体参数反演分析的方法 |
| CN106202937A (zh) * | 2016-01-28 | 2016-12-07 | 西北工业大学 | M50钢锻造组织中碳化物尺寸预测方法 |
| CN109977464A (zh) * | 2019-02-18 | 2019-07-05 | 江苏科技大学 | 一种基于bp神经网络的活塞切削加工变形量的预测方法 |
| CN111651916A (zh) * | 2020-05-15 | 2020-09-11 | 北京航空航天大学 | 一种基于深度学习的材料性能预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200265A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 一种改进的基于神经网络的桥梁损伤识别方法 |
| CN106909727B (zh) * | 2017-02-20 | 2020-05-05 | 武汉理工大学 | 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法 |
-
2021
- 2021-03-16 CN CN202110281984.5A patent/CN112906136B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101604144A (zh) * | 2008-06-13 | 2009-12-16 | 中国科学院金属研究所 | 一种板材轧制在线控制模型的建模方法 |
| CN104077451A (zh) * | 2014-07-03 | 2014-10-01 | 中铁上海工程局集团有限公司 | 一种用于深厚软土地铁基坑土体参数反演分析的方法 |
| CN106202937A (zh) * | 2016-01-28 | 2016-12-07 | 西北工业大学 | M50钢锻造组织中碳化物尺寸预测方法 |
| CN109977464A (zh) * | 2019-02-18 | 2019-07-05 | 江苏科技大学 | 一种基于bp神经网络的活塞切削加工变形量的预测方法 |
| CN111651916A (zh) * | 2020-05-15 | 2020-09-11 | 北京航空航天大学 | 一种基于深度学习的材料性能预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| BP神经网络在铝合金板材激光弯曲成形中的应用;李金华等;《热加工工艺》;20170131;第46卷(第1期);全文 * |
| 基于固有应变的船板激光热成形研究;唐鹏翔等;《应用激光》;20200229;第40卷(第1期);全文 * |
| 船用钢板激光弯曲成形机理及成形规律的研究;裴继斌;《中国优秀博硕士学位论文全文数据库(博士)》;20080815(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112906136A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112906136B (zh) | 船体外板的激光热成形变形预测方法和系统 | |
| Ambrogio et al. | An analytical model for improving precision in single point incremental forming | |
| Schuh et al. | Sheet metal forming using additively manufactured polymer tools | |
| Bahloul et al. | A study on optimal design of process parameters in single point incremental forming of sheet metal by combining Box–Behnken design of experiments, response surface methods and genetic algorithms | |
| Zhang et al. | Investigation of Lagrangian and Eulerian finite element methods for modeling the laser forming process | |
| CN108108582A (zh) | 一种曲面件柔性轧制成形过程的数值模拟方法 | |
| Kahhal et al. | Multi-objective optimization of sheet metal forming die using genetic algorithm coupled with RSM and FEA | |
| CN104550496B (zh) | 一种模具动态配合精度补偿的工作方法 | |
| Han et al. | Method of closed loop springback compensation for incremental sheet forming process | |
| Liu et al. | Multi-objective optimization of an auto panel drawing die face design by mesh morphing | |
| CN103514325A (zh) | 轮辐三旋轮错距强力旋压工艺的有限元数值模拟方法 | |
| Feng et al. | Application of machine learning to optimize process parameters in fused deposition modeling of PEEK material | |
| Chen et al. | Application of integrated formability analysis in designing die-face of automobile panel drawing dies | |
| Landwehr et al. | The finite cell method for the prediction of machining distortion caused by initial residual stresses in milling | |
| Zhang et al. | A new method for automatic optimization of drawbead geometry in the sheet metal forming process based on an iterative learning control model | |
| CN109214100B (zh) | 板料快速成形预测方法 | |
| Fu et al. | Study on multiple-step incremental air-bending forming of sheet metal with springback model and FEM simulation | |
| CN115952597A (zh) | 一种汽车翼子板锐棱成形模具磨损仿真方法 | |
| CN100487612C (zh) | 基于压弯和移动点热源的整体壁板数字化复合成形工艺 | |
| Yanamundra et al. | Finite element simulation and Experimental verification of Incremental Sheet metal Forming | |
| Taufik et al. | Computer aided visualization tool for part quality analysis of additive manufacturing process | |
| Iorio et al. | Design of deformable tools for sheet metal forming | |
| Zhang et al. | Research on springback control in stretch bending based on iterative compensation method | |
| Kashid et al. | Prediction of life of die block using artificial neural network | |
| Wang et al. | A new approach for FEM simulation of NC machining processes |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220722 |