CN114881289A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114881289A CN114881289A CN202210372637.8A CN202210372637A CN114881289A CN 114881289 A CN114881289 A CN 114881289A CN 202210372637 A CN202210372637 A CN 202210372637A CN 114881289 A CN114881289 A CN 114881289A
- Authority
- CN
- China
- Prior art keywords
- forming process
- fusion
- charge forming
- casting
- optimization
- 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
- 238000000034 method Methods 0.000 title claims abstract description 198
- 230000008569 process Effects 0.000 title claims abstract description 157
- 238000005266 casting Methods 0.000 title claims abstract description 120
- 238000005457 optimization Methods 0.000 title claims abstract description 77
- 230000004927 fusion Effects 0.000 title claims abstract description 76
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000000465 moulding Methods 0.000 claims abstract description 34
- 230000008878 coupling Effects 0.000 claims abstract description 23
- 238000010168 coupling process Methods 0.000 claims abstract description 23
- 238000005859 coupling reaction Methods 0.000 claims abstract description 23
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 230000008447 perception Effects 0.000 claims abstract description 7
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 3
- 239000002360 explosive Substances 0.000 claims description 66
- 238000007711 solidification Methods 0.000 claims description 56
- 230000008023 solidification Effects 0.000 claims description 56
- 230000008859 change Effects 0.000 claims description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 37
- 239000007788 liquid Substances 0.000 claims description 20
- 239000003814 drug Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 19
- 230000000474 nursing effect Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 13
- 230000000630 rising effect Effects 0.000 claims description 13
- 229920001971 elastomer Polymers 0.000 claims description 8
- 239000000806 elastomer Substances 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000015271 coagulation Effects 0.000 claims description 4
- 238000005345 coagulation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 2
- 239000000243 solution Substances 0.000 description 39
- 230000008901 benefit Effects 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 239000000843 powder Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000002425 crystallisation Methods 0.000 description 3
- 230000008025 crystallization Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003031 feeding effect Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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,方法包括:通过基于CART回归树的GBRT算法对熔铸装药成型工艺参数与成型质量优化目标进行非线性耦合预测;对选定的成型工艺参数和成型质量优化目标,根据数字孪生数据采集感知技术采集的相关数据,在耦合预测模型基础上,采用多目标智能优化算法进行寻优,获得局部最优解集;采用智能决策分析方法对局部最优解集进行量化评价,输出全局最优的成型工艺参数;验证全局最优成型工艺参数的准确性,并将数据传输到实体生产设备中。本发明解决了传统成型工艺参数设定方法中存在的参数设定成本高、效率低、周期长等问题,提升了熔铸装药成型质量的一致性和装药效率。
Description
技术领域
本发明涉及含能药装药生产领域,具体涉及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。
背景技术
弹药熔铸装药成型具有弹药适应性强、装药效率高、易于回收利用及制造成本低等优点,是弹药的主流装药工艺方法。弹药熔铸装药成型过程涉及物态、热量、体积等多种物理变化,首先是物态由液态变为固态,其次是炸药结晶过程体积收缩、释放热量,是一个复杂的传热、传质过程,经历降温、相变、晶体形成和成长等。熔铸装药成型过程工艺参数主要包括炸药注液温度、弹体预热温度、水浴凝固护理温度、水浴水位上升速度、凝固压力、保压时间、生产环境温度等,其工艺参数较多且各个工艺参数之间相互关联,使得工艺参数与装药成型质量间具有高度的非线性、强耦合与时变性的特点,因而采用构建精准的数学模型来进行生产过程的工艺参数控制极为困难。
成型工艺参数的设定与控制是实现高质量熔铸装药的关键,熔铸装药成型质量主要包含装药密度和密度差(装药的密度均匀性)两个重要指标,装药密度越大越好,密度差越小越好。但传统的工艺参数设定方法依赖操作工艺人员的经验和基于试验的枚举法,导致工艺参数设定的成本高、效率低、周期长、盲目性较大,且在面对多个工艺参数组合时效果不好,一旦某个工艺参数设定不当,就会在药柱中形成气泡、孔隙、裂纹等缺陷,严重影响弹药的产品性能、生产周期、制造成本。因此,如何提供一种熔铸装药成型过程工艺参数优化方法来指导生产过程,有效提升装药成型质量一致性,是生产过程中急需解决的难题之一。
现有弹药生产企业在熔铸装药成型生产工艺技术上仍主要沿用传统经验方法,在成型工艺参数的设定上依赖操作工艺人员的经验和基于试验的枚举法为主;国内弹药熔铸装药成型设备上可采集的数据有限,成型过程中的工艺参数主要依赖于手工纸质记录,存在错记或漏记现象,难以实现质量追溯;对弹药装药成型质量的研究仍基本采用静态观察、模拟实验和破坏性检验相结合的方法,没有根据工艺环节中的成型工艺参数进行装药成型质量的预测判别。
在熔铸装药成型工艺参数中,炸药药液的浇注温度高时流动性好,充型能力强,但导致炸药药液吸收空气严重,成型缩孔缩松倾向大;炸药药液的浇注温度低时流动性差,补充缩孔能力不足,容易引起欠铸、冷隔。弹体预热温度/水浴凝固护理温度过高将降低炸药药液的结晶率,增加了保压时间和成型时间;弹体预热温度/水浴凝固护理温度过低可能导致炸药药液充型过程出现冷夹层,凝固过程出现补缩作用不理想,药柱产生缩松及表面裂纹。水浴水位上升速度过快可能导致充型卷气现象,药柱产生气泡、孔隙等缺陷;水浴水位上升速度过慢会使靠近弹体壁部位的药液过早凝固,药柱出现缩孔、冷隔等缺陷。凝固压力过高将影响炸药药液的结晶形成,无法有效成型;凝固压力过低可能导致药柱产生气泡无法排出。保压时间一般控制在炸药完全凝固成型结束;保压时间过短会使炸药药液在未完全凝固时泄压,导致弹体中心部位补缩不足产生缩孔等缺陷。由于成型工艺参数间的复杂关系,通常装药密度或密度差某一个优化目标的提升会引起另一个目标性能下降,很难得到同时满足两个目标优化的工艺参数组合,因此急需一种单一目标较优而总体目标最优的工艺参数优化方法。
发明内容
本发明所要解决的技术问题是:传统熔铸装药成型工艺参数依靠人工经验和基于试验的枚举法来设定,导致工艺参数设定成本高、效率低、周期长等问题,本发明提供了解决上述问题的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,提升了熔铸装药成型质量的一致性和装药效率。
本发明通过下述技术方案实现:
一种基于数字孪生的熔铸装药成型工艺参数优化方法,包括以下步骤:
S1.通过基于CART回归树的GBRT算法对熔铸装药成型工艺参数与成型质量优化目标进行非线性耦合预测;
S2.对于选定的熔铸装药成型工艺参数和成型质量优化目标,根据熔铸装药成型数字孪生数据采集感知技术采集的相关数据,在步骤S1构建的耦合预测模型基础上,采用多目标智能优化算法进行寻优,获得局部最优解集;
S3.在步骤S2获得的局部最优解集的基础上,采用智能决策分析方法对局部最优解集进行量化评价,输出全局最优的成型工艺参数;
S4.验证步骤S3获得的全局最优熔铸装药成型工艺参数优化结果的准确性,并将全局最优熔铸装药成型工艺参数传输到实体生产设备中,实现熔铸装药成型工艺参数的闭环控制。
进一步优选,选取炸药药液浇注温度Tz、弹体预热温度Tr、水浴凝固护理温度Th、水浴水位上升速度V、凝固压力P五个熔铸装药成型工艺参数为输入变量,以熔铸装药成型后药柱的装药密度ρ(x)、密度差λ(x)两个成型质量性能指标参数为输出目标函数,构建熔铸装药成型工艺参数和装药成型质量性能指标间的非线性映射关系模型如下:
式(1)中,Tz为炸药药液浇注温度,Tr为弹体预热温度,Th为水浴凝固护理温度,V为水浴水位上升速度,P为凝固压力;ae(e=1,2,..,5)为对应输入变量(Tz,Tr,Th,V,P)的取值下限,be(e=1,2,...,5)为对应输入变量(Tz,Tr,Th,V,P)的取值上限;ρ(x)为装药密度目标函数,λ(x)为装药密度差目标函数。
进一步优选,步骤S1中,以装药密度最大化和装药密度差最小化为两个成型质量优化目标,取影响这两个优化目标的五种工艺参数炸药药液浇注温度、弹体预热温度、水浴凝固护理温度、水浴水位上升速度和凝固压力作为优化的设计变量,基于熔铸装药成型工艺数据库抽样所得的样本结果,建立熔铸装药成型工艺参数与成型质量两个优化目标之间的非线性耦合预测模型。
基于熔铸装药成型工艺数据库抽样所得的样本结果,采用基于CART回归树(Classification And Regression Tree,分类回归树)的GBRT算法(Gradient BoostedRegression Trees,梯度提升回归树算法),建立熔铸装药成型过程工艺参数与成型质量两个优化目标之间的非线性耦合预测模型,该算法中选择损失函数为平方损失函数,具有训练复杂度低、预测精度高等优点。
进一步优选,步骤S2包括以下步骤:
S21:状态变化检测:将熔铸装药成型过程中的炸药凝固状态变化作为装药质量性能变化的参数变化量,数字孪生数据采集感知技术检测弹体中炸药凝固状态变化是否达到设定的阈值,再决定是否需要对此进行应答;
S22:状态变化应答:当检测到弹体中炸药凝固状态发生变化达到阈值时,随机重新初始化一部分个体,替代当前凝固状态条件下得到的最优解的一部分个体,此时得到的种群将作为初始种群引入新状态来实现种群的多样性;
S23:采用NSGA-II算法求解获得当前炸药凝固状态下的Pareto最优解,获得最佳熔铸装药成型工艺参数解集为局部最优解集。
进一步优选,步骤S3中,在通过NSGA-II算法优化获得的Pareto解集中,按照熔铸装药成型质量指标,采用TOPSIS算法输出全局最优的成型工艺参数,指导熔铸装药成型物理实体设备。
进一步优选,步骤S4中,通过熔铸装药数字孪生模型仿真试验,验证全局最优熔铸装药成型工艺参数优化结果的准确性。
一种基于数字孪生的熔铸装药成型工艺参数优化系统,包括耦合预测模块、参数寻优模块、决策分析模块和熔铸装药成型数字孪生平台;
所述耦合预测模块用于通过基于CART回归树的GBRT算法对熔铸装药成型工艺参数与成型质量优化目标进行非线性耦合预测;
所述参数寻优模块用于对于选定的熔铸装药成型工艺参数和成型质量优化目标,根据熔铸装药成型数字孪生数据采集感知技术采集的相关数据,在步骤S1构建的耦合预测模型基础上,采用多目标智能优化算法进行寻优,获得局部最优解集;
所述决策分析模块用于在获得的局部最优解集的基础上,采用智能决策分析方法对局部最优解集进行量化评价,输出全局最优的成型工艺参数,指导熔铸装药成型物理实体设备;
所述熔铸装药成型数字孪生平台包括数字孪生数据采集感知系统,数字孪生数据采集感知系统通过数字孪生数据采集感知技术采集的相关数据,用于参数寻优。
进一步优选,所述参数寻优模块包括状态检测、变化应答机制和NSGA-II算法三个子模块:
状态变化检测子模块:用于将熔铸装药成型过程中的炸药凝固状态变化作为装药质量性能变化的参数变化量,数字孪生数据采集感知技术检测弹体中炸药凝固状态变化是否达到设定的阈值,再决定是否需要对此进行应答;
状态变化应答机制子模块:用于当检测到弹体中炸药凝固状态发生变化达到阈值时,随机重新初始化一部分个体,替代当前凝固状态条件下得到的最优解的一部分个体,此时得到的种群将作为初始种群引入新状态来实现种群的多样性;
NSGA-II算法子模块,用于采用NSGA-II算法求解获得当前炸药凝固状态下的Pareto最优解,获得最佳熔铸装药成型工艺参数解集为局部最优解集。
进一步优选,所述决策分析模块用于按照熔铸装药成型质量指标,采用TOPSIS算法输出全局最优的成型工艺参数。
进一步优选,所述熔铸装药成型数字孪生平台还包括熔铸装药成型工艺数据库和数字孪生模型;
熔铸装药成型工艺数据库用于为耦合预测模块提供训练数据;
数字孪生模型用于仿真试验,验证全局最优熔铸装药成型工艺参数优化结果的准确性。
关于本发明中用到的技术缩写说明如下:
DMOP:Dynamic Multi-objective Optimization Problem,动态多目标优化问题。
CART:Classification And Regression Tree,分类回归树算法。
Pareto最优解:通过多目标优化算法获得的一组最佳折衷解。
GBRT:Gradient Boosted Regression Trees,梯度提升回归树算法。
DNSGA-II-A:Dynamic Non-dominated Sorting Genetic Algorithm-II-A,动态非支配排序遗传算法。
NSGA-II:fast elitist Non-dominated Sorting Genetic Algorithm,快速非支配排序遗传算法,属于一种静态多目标优化算法。
TOPSIS:Technique for Order Preference by Similarity to IdealSolution,理想解相似度顺序偏好法。
本发明具有如下的优点和有益效果:
基于成型工艺参数间的复杂关系,通常装药密度或密度差某一个优化目标的提升会引起另一个目标性能下降,很难得到同时满足两个目标优化的工艺参数组合,因此急需一种单一目标较优而总体目标最优的工艺参数优化方法。鉴于成型过程中炸药凝固状态是动态变化的,要充分考虑时间维度上成型工艺参数变化对成型质量结果的影响,成型参数的优化问题可归结为动态多目标优化问题。
本发明实现了基于熔铸装药成型质量预测的最优工艺参数设定与成型过程工艺参数的实时检测反馈控制,解决了传统熔铸装药成型工艺参数依靠人工经验和基于试验的枚举法来设定,导致工艺参数设定成本高、效率低、周期长等问题,提升了熔铸装药成型质量的一致性和装药效率。本发明通过基于数字孪生的熔铸装药成型工艺参数优化方法,动态反应熔铸装药成型过程的工艺参数变化,预测成型过程中可能存在的装药质量缺陷,提前优化修正工艺参数并进行闭环控制,提升装药成型质量一致性和装药效率。具体优势如下所示:
1、本发明通过基于CART回归树的GBRT算法对成型过程工艺参数与成型质量两个优化目标进行非线性耦合预测,具有训练复杂度低、预测精度高的优点;
2、本发明充分考虑时间维度上成型工艺参数变化对装药成型质量结果的影响,采用DNSGA-II-A动态多目标优化算法将成型工艺参数的优化问题转化为一个静态多目标优化问题,具有求解速度快的优点,更适用于在线工艺参数优化控制;
3、本发明通过基于数字孪生的熔铸装药成型工艺参数智能优化方法,解决了传统熔铸装药成型工艺参数依靠人工经验和基于试验的枚举法来设定,导致工艺参数设定成本高、效率低、周期长等问题。
4、本发明通过熔铸装药成型工艺参数优化控制,提高了熔铸装药成型质量一致性,降低了对生产工人的经验要求。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明的一种基于数字孪生的熔铸装药成型工艺参数优化方法框图。
图2为本发明的熔铸装药成型参数动态多目标优化模型的求解流程图。
图3为本发明的基于TOPSIS的工艺参数决策分析流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
在以下描述中,为了提供对本发明的透彻理解阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实施例中,为了避免混淆本发明,未具体描述公知的结构、电路、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
实施例1
本实施例提供了一种基于数字孪生的熔铸装药成型工艺参数优化系统,具体如下所示:
通过分析,选取炸药药液浇注温度Tz、弹体预热温度Tr、凝固护理温度Th、水浴水位上升速度V、凝固压力P共5个熔铸装药成型工艺参数为输入变量,以熔铸装药成型后药柱的装药密度、密度差共2个熔铸装药成型质量性能指标参数为输出目标函数,构建装药成型工艺参数和装药成型质量性能指标间的非线性映射关系模型如下:
式(1)中,Tz为炸药药液浇注温度,Tr为弹体预热温度,Th为凝固护理温度,V为水浴水位上升速度,P为凝固压力;ae(e=1,2,..,5)为对应输入变量(Tz,Tr,Th,V,P)的取值下限,be(e=1,2,...,5)为对应输入变量(Tz,Tr,Th,V,P)的取值上限;ρ(x)为装药密度目标函数,λ(x)为装药密度差目标函数。
1、构建耦合预测模块
采用基于CART回归树(Classification And Regression Tree,分类回归树)的GBRT算法(Gradient Boosted Regression Trees,梯度提升回归树算法),建立熔铸装药成型工艺参数与成型质量间的耦合预测模型。具体算法过程如下:
输出:一颗回归树f(x)
①初始化弱学习器。即估计使损失函数极小化的常数值,它是只有一个根节点的树:
②迭代计算过程。
a.迭代建立M棵提升树,对m=1,2,...,M。(M表示迭代次数,即生成弱学习器的个数);
b.对每个样本i=1,2,...,N,计算损失函数的负梯度在当前模型的值作为残差的估计,当损失函数为平方损失时,计算值即为残差:
c.将上步得到的残差作为样本新的真实值,并将数据(xi,γim),i=1,2,...,N作为下棵树的训练数据,拟合得到一颗新的回归树fm(x),得到第m棵树对应的叶节点区域为Rjm,(j=1,2,...,J)。其中J为回归树t的叶子节点的个数。
d.对叶子区域j=1,2,...,J,利用线性搜索,估计叶节点区域的值,使损失函数极小化,计算:
e.更新强学习器:
③得到最终的学习器:
2、参数寻优模块
采用DNSGA-II-A动态多目标优化算法(Dynamic Non-dominated SortingGenetic Algorithm-II-A,动态非支配排序遗传算法),充分考虑时间维度上成型工艺参数变化对装药成型质量结果的影响,输出当前炸药凝固状态下的成型工艺参数最优解集。
①状态变化检测。熔铸装药成型过程具有时变特性,主要体现在炸药凝固程度变动方面,将熔铸装药成型过程中的炸药凝固状态变化作为装药质量性能的表征因素,数字孪生数据采集感知技术检测弹体中炸药凝固状态变化是否达到设定的阈值,再决定是否需要对此进行应答。
②状态变化应答机制。当检测到弹体中炸药凝固状态发生变化达到阈值时,随机重新初始化一部分个体,替代当前凝固状态条件下得到的最优解的一部分个体,此时得到的种群将作为初始种群引入新状态来实现种群的多样性。
③静态多目标优化算法。由于成型过程中较短时间间隔内炸药凝固状态变化缓慢,可近似看作准静态过程,因此在确定的炸药凝固状态下,成型工艺参数的优化问题就转化为一个静态多目标优化问题。采用NSGA-II算法(fast elitist Non-dominated SortingGenetic Algorithm,快速非支配排序遗传算法)快速求解获得当前炸药凝固状态下的Pareto最优解。
3、决策分析模块
通过参数寻优获得的解是在特定的炸药凝固状态下得出的成型工艺参数Pareto最优解,更侧重于实现部分过程装药成型质量的效果最优,而非全局最优,因此该决策分析主要是寻找全局最优解的过程。采用TOPSIS算法(Technique for Order Preference bySimilarity to Ideal Solution,理想解相似度顺序偏好法)实现面向多目标优化的整个熔铸装药成型工艺参数智能决策。
①将原始数据矩阵正向化处理:
熔铸装药成型质量主要包含装药密度和密度差(装药的密度均匀性)两个重要指标,装药密度ρi要求越大越好,密度差λi要求越小越好。对于密度差λi正向化处理过程为:
②数据标准化处理:
假设有n个待评价的方案,装药密度ρi和密度差λi共两个评价指标,记标准化后的矩阵为Z:
经过正向化处理和标准化处理的评分矩阵Z,里面的数据全是极大型数据。
③计算每个方案各自与最优解和最劣解的距离:
⑤根据Si最大值,输出全局最优的成型工艺参数,将所获得的成型工艺参数用于熔铸装药成型数字孪生模型进行仿真,验证工艺参数的准确性,并指导物理实体设备的生产过程。
4、熔铸装药成型数字孪生平台
熔铸装药成型数字孪生平台包括熔铸装药成型工艺数据库、数字孪生数据采集感知系统和数字孪生模型:
数字孪生数据采集感知系统通过数字孪生数据采集感知技术采集的相关数据,用于参数寻优;
熔铸装药成型工艺数据库用于为耦合预测模块提供训练数据;
数字孪生模型用于仿真试验,验证全局最优熔铸装药成型工艺参数优化结果的准确性。
实施例2
本实施例提供了一种基于数字孪生的熔铸装药成型工艺参数优化方法,具体方法如下所示:
S1:构建熔铸装药成型工艺参数优化目标模型:
选取炸药药液浇注温度Tz、弹体预热温度Tr、水浴凝固护理温度Th、水浴水位上升速度V、凝固压力P共5个熔铸装药成型工艺参数为输入变量,以熔铸装药成型后药柱的装药密度ρ(x)、密度差λ(x)共2个熔铸装药成型质量性能指标参数为输出目标函数,构建装药成型工艺参数和装药成型质量性能指标间的非线性映射关系模型如下:
式(1)中,Tz为炸药药液浇注温度,Tr为弹体预热温度,Th为水浴凝固护理温度,V为水浴水位上升速度,P为凝固压力;ae(e=1,2,...,5)为对应输入变量(Tz,Tr,Th,V,P)的取值下限,be(e=1,2,..,5)为对应输入变量(Tz,Tr,Th,V,P)的取值上限;ρ(x)为装药密度目标函数,λ(x)为装药密度差目标函数。
S2:基于熔铸装药成型工艺数据库抽样所得的样本结果,采用基于CART回归树(Classification And Regression Tree,分类回归树)的GBRT算法(Gradient BoostedRegression Trees,梯度提升回归树算法),得到熔铸装药成型过程工艺参数与成型质量两个优化目标之间的非线性耦合预测模型。
S3:状态变化检测:将熔铸装药成型过程中的炸药凝固状态变化作为装药质量性能变化的参数变化量,数字孪生数据采集感知技术检测弹体中炸药凝固状态变化是否达到设定的阈值,再决定是否需要对此进行应答。
S4:状态变化应答:当检测到弹体中炸药凝固状态发生变化达到阈值时,随机重新初始化一部分个体,替代当前凝固状态条件下得到的最优解的一部分个体,此时得到的种群将作为初始种群引入新状态来实现种群的多样性。
S5:采用NSGA-II算法(fast elitist Non-dominated Sorting GeneticAlgorithm,快速非支配排序遗传算法)快速求解获得当前炸药凝固状态下的Pareto最优解,获得最佳装药成型工艺参数解集。
S6:在通过NSGA-II算法优化获得的Pareto解集中,按照熔铸装药成型要求的装药密度ρ(x)最大化和装药密度差λ(x)最小化的质量指标,采用TOPSIS算法(Technique forOrder Preference by Similarity to Ideal Solution,理想解相似度顺序偏好法)输出全局最优的成型工艺参数。
S7:通过熔铸装药数字孪生模型仿真试验,验证全局最优成型工艺参数优化结果的准确性,得到最佳工艺参数值,实现面向多目标优化的整个成型过程工艺参数智能决策。
S8:将S7中得到的最佳装药成型工艺参数值传输到熔铸装药成型物理实体设备中,通过控制系统实现生产过程工艺参数的智能闭环控制。
优选基于实施例1提供的系统实现该熔铸装药成型工艺参数优化方法。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数字孪生的熔铸装药成型工艺参数优化方法,其特征在于,包括以下步骤:
S1.通过基于CART回归树的GBRT算法对熔铸装药成型工艺参数与成型质量优化目标进行非线性耦合预测;
S2.对于选定的熔铸装药成型工艺参数和成型质量优化目标,根据熔铸装药成型数字孪生数据采集感知技术采集的相关数据,在步骤S1构建的耦合预测模型基础上,采用多目标智能优化算法进行寻优,获得局部最优解集;
S3.在步骤S2获得的局部最优解集的基础上,采用智能决策分析方法对局部最优解集进行量化评价,输出全局最优的成型工艺参数;
S4.验证步骤S3获得的全局最优熔铸装药成型工艺参数优化结果的准确性,并将全局最优熔铸装药成型工艺参数传输到实体生产设备中,实现熔铸装药成型工艺参数的闭环控制。
2.根据权利要求1所述的一种基于数字孪生的熔铸装药成型工艺参数优化方法,其特征在于,选取炸药药液浇注温度Tz、弹体预热温度Tr、水浴凝固护理温度Th、水浴水位上升速度V、凝固压力P五个熔铸装药成型工艺参数为输入变量,以熔铸装药成型后药柱的装药密度ρ(x)、密度差λ(x)两个成型质量性能指标参数为输出目标函数,构建熔铸装药成型工艺参数和装药成型质量性能指标间的非线性映射关系模型如下:
式(1)中,Tz为炸药药液浇注温度,Tr为弹体预热温度,Th为水浴凝固护理温度,V为水浴水位上升速度,P为凝固压力;ae(e=1,2,...,5)为对应输入变量(Tz,Tr,Th,V,P)的取值下限,be(e=1,2,...,5)为对应输入变量(Tz,Tr,Th,V,P)的取值上限;ρ(x)为装药密度目标函数,λ(x)为装药密度差目标函数。
3.根据权利要求1所述的一种基于数字孪生的熔铸装药成型工艺参数优化方法,其特征在于,步骤S1中,以装药密度最大化和装药密度差最小化为两个成型质量优化目标,取影响这两个优化目标的五种工艺参数炸药药液浇注温度、弹体预热温度、水浴凝固护理温度、水浴水位上升速度和凝固压力作为优化的设计变量,基于熔铸装药成型工艺数据库抽样所得的样本结果,建立熔铸装药成型工艺参数与成型质量两个优化目标之间的非线性耦合预测模型。
4.根据权利要求1所述的一种基于数字孪生的熔铸装药成型工艺参数优化方法,其特征在于,步骤S2包括以下步骤:
S21:状态变化检测:将熔铸装药成型过程中的炸药凝固状态变化作为装药质量性能变化的参数变化量,数字孪生数据采集感知技术检测弹体中炸药凝固状态变化是否达到设定的阈值,再决定是否需要对此进行应答;
S22:状态变化应答:当检测到弹体中炸药凝固状态发生变化达到阈值时,随机重新初始化一部分个体,替代当前凝固状态条件下得到的最优解的一部分个体,此时得到的种群将作为初始种群引入新状态来实现种群的多样性;
S23:采用NSGA-Ⅱ算法求解获得当前炸药凝固状态下的Pareto最优解,获得最佳熔铸装药成型工艺参数解集为局部最优解集。
5.根据权利要求1所述的一种基于数字孪生的熔铸装药成型工艺参数优化方法,其特征在于,步骤S3中,在通过NSGA-Ⅱ算法优化获得的Pareto解集中,按照熔铸装药成型质量指标,采用TOPSIS算法输出全局最优的成型工艺参数,指导熔铸装药成型物理实体设备。
6.根据权利要求1所述的一种基于数字孪生的熔铸装药成型工艺参数优化方法,其特征在于,步骤S4中,通过熔铸装药数字孪生模型仿真试验,验证全局最优熔铸装药成型工艺参数优化结果的准确性。
7.一种基于数字孪生的熔铸装药成型工艺参数优化系统,其特征在于,包括耦合预测模块、参数寻优模块、决策分析模块和熔铸装药成型数字孪生平台;
所述耦合预测模块用于通过基于CART回归树的GBRT算法对熔铸装药成型工艺参数与成型质量优化目标进行非线性耦合预测;
所述参数寻优模块用于对于选定的熔铸装药成型工艺参数和成型质量优化目标,根据熔铸装药成型数字孪生数据采集感知技术采集的相关数据,在步骤S1构建的耦合预测模型基础上,采用多目标智能优化算法进行寻优,获得局部最优解集;
所述决策分析模块用于在获得的局部最优解集的基础上,采用智能决策分析方法对局部最优解集进行量化评价,输出全局最优的成型工艺参数,指导熔铸装药成型物理实体设备;
所述熔铸装药成型数字孪生平台包括数字孪生数据采集感知系统,数字孪生数据采集感知系统通过数字孪生数据采集感知技术采集的相关数据,用于参数寻优。
8.根据权利要求7所述的一种基于数字孪生的熔铸装药成型工艺参数优化系统,其特征在于,所述参数寻优模块包括状态检测、变化应答机制和NSGA-Ⅱ算法三个子模块:
状态变化检测子模块:用于将熔铸装药成型过程中的炸药凝固状态变化作为装药质量性能变化的参数变化量,数字孪生数据采集感知技术检测弹体中炸药凝固状态变化是否达到设定的阈值,再决定是否需要对此进行应答;
状态变化应答机制子模块:用于当检测到弹体中炸药凝固状态发生变化达到阈值时,随机重新初始化一部分个体,替代当前凝固状态条件下得到的最优解的一部分个体,此时得到的种群将作为初始种群引入新状态来实现种群的多样性;
NSGA-Ⅱ算法子模块,用于采用NSGA-Ⅱ算法求解获得当前炸药凝固状态下的Pareto最优解,获得最佳熔铸装药成型工艺参数解集为局部最优解集。
9.根据权利要求7所述的一种基于数字孪生的熔铸装药成型工艺参数优化系统,其特征在于,所述决策分析模块用于按照熔铸装药成型质量指标,采用TOPSIS算法输出全局最优的成型工艺参数。
10.根据权利要求7所述的一种基于数字孪生的熔铸装药成型工艺参数优化系统,其特征在于,所述熔铸装药成型数字孪生平台还包括熔铸装药成型工艺数据库和数字孪生模型;
熔铸装药成型工艺数据库用于为耦合预测模块提供训练数据;
数字孪生模型用于仿真试验,验证全局最优熔铸装药成型工艺参数优化结果的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210372637.8A CN114881289B (zh) | 2022-04-11 | 2022-04-11 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210372637.8A CN114881289B (zh) | 2022-04-11 | 2022-04-11 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114881289A true CN114881289A (zh) | 2022-08-09 |
CN114881289B CN114881289B (zh) | 2024-07-02 |
Family
ID=82670566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210372637.8A Active CN114881289B (zh) | 2022-04-11 | 2022-04-11 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881289B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401960A (zh) * | 2023-06-05 | 2023-07-07 | 长春理工大学 | 一种对药柱压制成型过程的优化方法和装置 |
CN116859873A (zh) * | 2023-08-22 | 2023-10-10 | 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 |
CN117035384A (zh) * | 2023-08-10 | 2023-11-10 | 浙江中泽精密科技有限公司 | 用于电池铝壳防爆阀的优化工艺评估方法及系统 |
CN117349102A (zh) * | 2023-12-05 | 2024-01-05 | 网思科技股份有限公司 | 数字孪生运维数据质量检验方法、系统和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112427624A (zh) * | 2020-11-04 | 2021-03-02 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的铸锻双控成型系统及参数优化方法 |
CN113420448A (zh) * | 2021-06-25 | 2021-09-21 | 中国兵器装备集团自动化研究所有限公司 | 一种弹药熔铸装药成型过程的数字孪生系统及方法 |
CN113722992A (zh) * | 2021-08-26 | 2021-11-30 | 江苏师范大学 | 一种带嵌件注塑件注塑工艺参数多目标优化方法 |
-
2022
- 2022-04-11 CN CN202210372637.8A patent/CN114881289B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112427624A (zh) * | 2020-11-04 | 2021-03-02 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的铸锻双控成型系统及参数优化方法 |
CN113420448A (zh) * | 2021-06-25 | 2021-09-21 | 中国兵器装备集团自动化研究所有限公司 | 一种弹药熔铸装药成型过程的数字孪生系统及方法 |
CN113722992A (zh) * | 2021-08-26 | 2021-11-30 | 江苏师范大学 | 一种带嵌件注塑件注塑工艺参数多目标优化方法 |
Non-Patent Citations (1)
Title |
---|
刘强;俞国燕;梅端;: "基于Dynaform与RBF-NSGA-II算法的冲压成形工艺参数多目标优化", 塑性工程学报, no. 03, 28 March 2020 (2020-03-28) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401960A (zh) * | 2023-06-05 | 2023-07-07 | 长春理工大学 | 一种对药柱压制成型过程的优化方法和装置 |
CN117035384A (zh) * | 2023-08-10 | 2023-11-10 | 浙江中泽精密科技有限公司 | 用于电池铝壳防爆阀的优化工艺评估方法及系统 |
CN116859873A (zh) * | 2023-08-22 | 2023-10-10 | 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 |
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 |
CN117349102A (zh) * | 2023-12-05 | 2024-01-05 | 网思科技股份有限公司 | 数字孪生运维数据质量检验方法、系统和介质 |
CN117349102B (zh) * | 2023-12-05 | 2024-03-15 | 网思科技股份有限公司 | 数字孪生运维数据质量检验方法、系统和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114881289B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114881289A (zh) | 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 | |
CN108764517B (zh) | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 | |
CN110640982A (zh) | 一种薄壁注塑件的注塑工艺参数多目标优化方法 | |
CN108803486B (zh) | 基于并联深度学习网络的数控机床热误差预测与补偿方法 | |
CN110377948A (zh) | 一种注塑参数多目标优化方法 | |
Chen et al. | Prediction and control for silicon content in pig iron of blast furnace by integrating artificial neural network with genetic algorithm | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
CN109460890B (zh) | 一种基于强化学习与控制性能监测的智能自愈方法 | |
CN105751470A (zh) | 一种注塑机温度实时控制方法 | |
CN109063416A (zh) | 基于lstm循环神经网络的基因表达预测方法 | |
CN112069610A (zh) | 一种透明复杂多腔塑件的注塑工艺参数优化方法 | |
CN112614021B (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
CN113103535A (zh) | 一种基于ga-elm-ga的注塑件模具参数优化方法 | |
CN109056056B (zh) | 一种直拉硅单晶生长过程热场模型辨识方法 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN107729988B (zh) | 基于动态深度置信网络的蓝藻水华预测方法 | |
CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
CN117908496B (zh) | 一种管制玻璃瓶的自动化生产调控方法及系统 | |
Wang et al. | Study on automotive back door panel injection molding process simulation and process parameter optimization | |
Wang et al. | A novel sensing feature extraction based on mold temperature and melt pressure for plastic injection molding quality assessment | |
Liu et al. | Multiobjective optimization of injection molding process parameters for the precision manufacturing of plastic optical lens | |
Mao et al. | Coating thickness modeling and prediction for hot-dip galvanized steel strip based on GA-BP neural network | |
CN116894379A (zh) | 一种注塑件质量优化方法 | |
CN110807511A (zh) | 粗糙集理论-循环神经网络模型结构 | |
CN116432699A (zh) | 基于时序图卷积网络的高炉铁水硅含量预测方法 |
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 |