CN115828676A

CN115828676A - 一种热压罐成型工艺参数优化方法

Info

Publication number: CN115828676A
Application number: CN202211460453.3A
Authority: CN
Inventors: 李雪芹; 郭双喜; 卜广宇; 白江波
Original assignee: AVIC Beijing Aeronautical Manufacturing Technology Research Institute
Current assignee: AVIC Beijing Aeronautical Manufacturing Technology Research Institute
Priority date: 2022-11-17
Filing date: 2022-11-17
Publication date: 2023-03-21

Abstract

本发明涉及仿真交互优化技术领域，特别是涉及一种热压罐成型工艺参数优化方法。通过建模及前置处理，设置所需的优化目标、约束条件，根据实际工况设定所需的优化参数的数值，通过交互界面将优化数值赋予给优化算法作为优化范围的上下限。通过选取不同的优化模式作为优化模型输入，而后对优化算法进行具体设置，在优化算法运行后，可以读取优化结果。数值仿真与优化方法的结合使得热压罐的工艺参数优化更加容易实现，具有更高的计算效率和计算精度，且由于不需要试错的过程优化成本大大降低，能够快速获取工艺方案。同时集成了两种优化模式，使用户能够根据计算效率和计算精度的需要进行选择，具有更强的灵活性和实用性。

Description

一种热压罐成型工艺参数优化方法

技术领域

本发明涉及仿真交互优化技术领域，特别是涉及一种热压罐成型工艺参数优化方法。

背景技术

热压罐成型工艺是复合材料主承力和次承力结构件成型时广泛采用的成型工艺，其优点是工艺方法成熟、稳定可靠、加压均匀，并且可以制备较大尺寸的复合材料零件。复合材料零件热压罐工艺制造过程中还会因复合材料本身的固有特性如各向异性、树脂化学反应放热、树脂体积收缩、热导率低等因素产生各种缺陷。这些缺陷包括孔隙、分层、脱粘、变形、局部纤维体积分数不均匀、局部固化度不均匀等，缺陷的存在严重影响制件的性能和使用寿命，若报废则会造成较大的经济损失并且影响整体研制进度。缺陷的产生与工艺方案密切相关，即使是采用同样的材料，不同尺寸、不同厚度、具有不同特征结构的制件需要对成型工艺参数进行有针对性地调整优化。目前，传统的工艺参数优化需要结合经验通过多次实验或者通过多次模拟仿真获得，需要消耗较长的优化周期和较多的资源。

发明内容

(1)要解决的技术问题

本发明实施例提供了一种热压罐成型工艺参数优化方法，解决了工艺参数优化需要结合经验通过多次实验或者通过多次模拟仿真获得，需要消耗较长的优化周期和较多的资源的技术问题。

(2)技术方案

本发明的实施例提出了一种热压罐成型工艺参数优化方法，包括步骤：选取优化模式；建立构件在热压罐成型的固化仿真模型；对模型进行前置处理；设置模型的优化目标以及约束条件；根据实际工况设定优化参数的数值；通过交互界面将优化数值赋予给优化算法作为优化范围的上下限；对优化算法进行设置；在优化算法运行后，读取优化结果。

进一步地，所述优化模式包括有限元模型优化和神经网络模型优化。

进一步地，所述有限元模型优化包括步骤：在构件热压罐成型的固化仿真模型的基础上搭建仿真对接模块，使得优化算法使用有限元计算文件作为计算模型；通过交互界面对遗传算法进行设置；通过调用已有的多目标优化算法进行优化计算，获得最优解；遗传算法在达到终止条件后，优化结果以文件形式进行保存，数据后处理模块将读取优化结果并进行反归一化和反标准化，将完成的结果进行可视化。

进一步地，所述神经网络模型优化包括步骤：在构件的热压罐成型固化仿真模型的基础上搭建数据扩增模块；对神经网络模块进行设置，所述神经网络模块将对划分完的数据集进行学习，当达到设定的停止条件后，所述神经网络模块将自动结束学习并保存神经网络的结构模型；进行遗传算法的设定；通过调用已有的多目标优化算法进行优化计算，获得最优解；遗传算法在达到终止条件后，数据后处理模块将读取优化结果并进行反归一化处理，获取优化结果；对遗传算法获取的优化结果进行可视化处理，并将结果数据保存为csv文件供用户查看。

进一步地，所述数据扩增模块通过交互界面选取优化目标、设计参数，并设定设计参数的取值范围、约束条件，根据设计参数的范围自动修改固化仿真模型的相关参数并生成计算文件提交运算，根据设定的优化目标提取计算结果，并将每次计算的设计参数和计算结果输出保存为训练数据文件。

进一步地，所述神经网络模块的设置包括神经网络模型的输入神经元数量、输出神经元数量及隐藏层神经元数量。

进一步地，所述遗传算法的设定包括选取的遗传算法类型、遗传代数、种群数量以及各个变量的上下限。

进一步地，所述遗传算法包括NSGA-II、NSGA-III、SPEA-II、MOEA\D。

(3)有益效果

综上，本发明通过使用计算机虚拟制造的方法来对复合材料结构成型过程进行模拟和工艺参数优化，提高复合材料热压罐的成型效率和成型质量。使用现有软件进行建模及前置处理，再将前置处理后的模型读入，设置所需的优化目标、约束条件，根据实际工况设定所需的优化参数的数值，通过交互界面将优化数值赋予给优化算法作为优化范围的上下限。通过选取不同的优化模式作为优化模型输入，而后对优化算法进行具体设置，在优化算法运行后，可以读取优化结果。相比于基于经验通过多次实验进行热压罐的工艺参数优化，数值仿真与优化方法的结合使得热压罐的工艺参数优化更加容易实现，具有更高的计算效率和计算精度，且由于不需要试错的过程优化成本大大降低，能够快速获取工艺方案。同时集成了两种优化模式，使用户能够根据计算效率和计算精度的需要进行选择，相比于传统的优化方式具有更强的灵活性和实用性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的一种热压罐成型工艺参数优化方法的流程示意图；

图2是固化构件的结构图；

图3是本发明实施例的一种热压罐成型工艺参数优化方法的有限元模型优化寻优结果示意图；

图4是本发明实施例的一种热压罐成型工艺参数优化方法的神经网络模型优化寻优结果示意图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理，但不能用来限制本发明的范围，即本发明不限于所描述的实施例，在不脱离本发明的精神的前提下覆盖了零件、部件和连接方式的任何修改、替换和改进。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参照附图并结合实施例来详细说明本申请。

本发明的实施例提出了一种热压罐成型工艺参数优化方法，包括步骤：建立构件在热压罐成型的固化仿真模型；选取优化模式；对模型进行前置处理；设置模型的优化目标以及约束条件；根据实际工况设定优化参数的数值；通过交互界面将优化数值赋予给优化算法作为优化范围的上下限；对优化算法进行设置；在优化算法运行后，读取优化结果。通过使用计算机虚拟制造的方法来对复合材料结构成型过程进行模拟和工艺参数优化，提高复合材料热压罐的成型效率和成型质量。使用现有软件进行建模及前置处理，再将前置处理后的模型读入，设置所需的优化目标、约束条件，根据实际工况设定所需的优化参数的数值，通过交互界面将优化数值赋予给优化算法作为优化范围的上下限。通过选取不同的优化模式作为优化模型输入，而后对优化算法进行具体设置，在优化算法运行后，可以读取优化结果。相比于基于经验通过多次实验进行热压罐的工艺参数优化，数值仿真与优化方法的结合使得热压罐的工艺参数优化更加容易实现，具有更高的计算效率和计算精度，且由于不需要试错的过程优化成本大大降低，能够快速获取工艺方案。同时集成了两种优化模式，使用户能够根据计算效率和计算精度的需要进行选择，相比于传统的优化方式具有更强的灵活性和实用性。

请参考图1，在一些实施例中，热压罐工艺参数优化方法根据使用的优化模型具有两种优化模式：使用有限元模型优化(步骤S1～S5及T1、T2)和使用神经网络模型优化(步骤S1～S5及U1)。

请参考图2，为了详细说明本发明所述的热压罐工艺参数优化方法，在本实施方式中，以固化构件的热压罐成型仿真为例子，分别使用两种优化模式对该优化的步骤流程进行详细说明。

在本实施方式中，当使用有限元模型进行优化计算时，计算步骤如下：

S1：建立构件在热压罐成型的固化仿真模型。所建立的固化仿真模型是涉及热传导、固化动力学、树脂流动-压实及固化变形耦合的计算模型，该计算模型能够准确反映该构件在对应工况下的固化变形。通过对应的构件有相应的固化变形数据，则在设计时需保证建立的有限元固化模型和实际固化过程的误差在允许的范围之内。通过交互界面设定设计参数取值范围、约束条件、遗传算法的类型、种群数、遗传代数等参数。

U1：在步骤S1的基础上搭建仿真对接模块。这一功能模块能够实现优化算法与有限元模型的对接，使得优化算法能够使用有限元计算文件作为计算模型。仿真对接模块能够将有限元计算文件封装为计算模型，计算模型的接口能够与遗传算法中设置的设计变量、目标变量对接，根据遗传算法给定的设计参数值修改有限元计算模型的相应参数，生成有限元计算模型并提交求解运算。计算完成后，根据设定的优化目标自动提取计算结果，作为遗传算法的优化目标数值。

在本实施方式中，通过对L形工件成型后固化变形的测量，验证了多物理场耦合固化模型的准确性，该模型能够较为准确地计算构件的最终变形。

S2：通过交互界面设定遗传算法的相关参数，包括选取的遗传算法类型、遗传代数、种群数量、各个变量的上下限，完成遗传算法的设定。

在本实施方式中，优化目标是L型构件末端沿x,y,z三个方向的位移越小越好，约束条件为Δα≤0.004，其设计变量的取值范围见表1，对应的优化数学模型如下：

表1.

变量序号	设计变量	遗传算法的设计变量范围
			1	a<sub>1</sub>(℃/min)	[1.5,6]
2	a<sub>2</sub>(℃/min)	[1.5,6]
			3	t<sub>p</sub>(min)	[110,155]
4	t<sub>g</sub>(min)	[140,220]
			5	T<sub>1</sub>(℃)	[15,120]
6	T<sub>2</sub>(℃)	[15,120]

S3：完成计算模型的生成后，通过调用已有的多目标优化算法即可进行优化计算，获得最优解。经典的遗传算法有NSGA-II、NSGA-III、SPEA-II、MOEA\D。在本实施方法中，可以通过交互界面调用遗传算法并进行相应的计算。

S4：S3中的遗传算法在达到终止条件后，优化结果以文件形式进行保存，数据后处理模块将读取优化结果并进行反归一化和反标准化。

S5：将完成的结果进行可视化，请参考图3。

在本实施方式中，当使用神经网络模型进行优化计算，计算步骤如下：

S1：建立构件热压罐成型的固化仿真模型。所建立的固化仿真模型是涉及热传导、固化动力学、树脂流动-压实及固化变形耦合的计算模型，该计算模型能够准确反映该构件在对应工况下的固化变形。通过对应的构件有相应的固化变形数据，则在设计时需保证建立的有限元固化模型和实际固化过程的误差在允许的范围之内。通过交互界面设定设计参数取值范围、约束条件、遗传算法的类型、种群数、遗传代数等参数。

在本实施方式中，通过测量L形工件成型后的固化变形，验证了多物理场耦合固化模型的准确性，该模型能够较为准确地计算构件的最终变形。

T1：在步骤S1的基础上，搭建数据扩增模块。数据扩增模块能够通过交互界面选取优化目标、设计参数，同时设定设计参数的取值范围、约束条件，并根据设计参数的范围自动修改固化仿真模型的相关参数并生成计算文件，完成后将计算文件提交运算，根据设定的优化目标提取计算结果，并将每次计算的设计参数和计算结果输出保存为训练数据文件。

相应地，在本实施方式中，使用典型的双平台固化曲线，固化变形仿真的过程中共有6个设计参数，分别为两个加热速率(a₁,a₂)，两个保温时间(t_p,t_g)，两个保温温度(T₁,T₂)，表2列出了6个设计变量的变化范围。

表2.

变量序号	设计变量	变化范围
			1	a<sub>1</sub>(℃/min)	[1,6]
2	a<sub>2</sub>(℃/min)	[1,6]
			3	t<sub>p</sub>(min)	[100,155]
4	t<sub>g</sub>(min)	[165,220]
			5	T<sub>1</sub>(℃)	[0,120]
6	T<sub>2</sub>(℃)	[0,120]

在本实施例中，由数据扩增生成的训练数据文件见表3，数据前处理模块对获得的数据进行前处理，前处理方法包括归一化、标准化、数据集划分。

表3.

序号	a<sub>1</sub>(℃/min)	a<sub>2</sub>(℃/min)	t<sub>p</sub>(min)	t<sub>g</sub>(min)	T<sub>1</sub>(℃)	T<sub>2</sub>(℃)
							1	1	3	110	175	108	83
2	2	2	142	182	47	104
							…	…	…	…	…	…	…
199	3	4	128	191	88	59
							200	1	2	133	168	61	74

T2：基于T1中数据采集模块获得的数据和T1中设置的优化参数、优化目标，神经网络模块设置神经网络模型的输入神经元数量、输出神经元数量及隐藏层神经元数量。完成神经网络结构设置后，神经网络模块将对划分完的数据集进行学习，当达到设定的停止条件后，神经网络模块将自动结束学习并保存神经网络的结构模型。

在本实施方式中，基于python语言，并调用已有的keras机器学习库，使用经典的BP神经网络进行训练。神经网络的输入参数为两个加热速率(a₁,a₂)，两个保温时间(t_p,t_g)，两个保温温度(T₁,T₂)，生成的训练数据的设计变量，输出数据为L型构件末端沿x,y,z三个方向的位移，以及固化反应过程中同一时刻构件上固化度最大值点和最小值点的最大差值，记为Δα。使用处理后的扩增数据集进行训练，训练过程使用Mean Absolute Error(MAE)作为评价指标，其计算公式为：

其中，y_i为第i个样本的预测值，

为第i个样本的实际值。其值越趋近于0则表示模型的精度越高。

在神经网络模型中加入早停机制，当训练过程达到要求时自动停止训练并保存神经网络的模型文件。

S2：通过交互界面设定遗传算法的相关参数，包括选取的遗传算法类型、遗传代数、种群数量、各个变量的上下限，完成遗传算法的设定后，提交进行优化设计。

S3：在步骤T4中完成遗传算法的设置后，通过调用已有的多目标优化算法即可进行优化计算，获得最优解。经典的遗传算法有NSGA-II、NSGA-III、SPEA-II、MOEA\D。在本实施方法中，通过内置接口，可以通过交互界面调用遗传算法并进行相应的计算。

S4：遗传算法在达到终止条件后，数据后处理模块将读取优化结果并进行反归一化和反标准化处理，获取优化结果。

S5：对遗传算法获取的优化结果进行可视化处理，生成结果图，请参考图4，并将结果数据保存为csv文件供用户查看。

需要明确的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本发明并不局限于上文所描述并在图中示出的特定步骤和结构。并且，为了简明起见，这里省略对已知方法技术的详细描述。

以上所述仅为本申请的实施例而已，并不限制于本申请。在不脱离本发明的范围的情况下对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围内。

Claims

1.一种热压罐成型工艺参数优化方法，其特征在于，包括步骤：

建立构件在热压罐成型的固化仿真模型；

选取优化模式；

对模型进行前置处理；

设置模型的优化目标以及约束条件；

根据实际工况设定优化参数的数值；

通过交互界面将优化数值赋予给优化算法作为优化范围的上下限；

对优化算法进行设置；

在优化算法运行后，读取优化结果。

2.根据权利要求1所述的一种热压罐成型工艺参数优化方法，其特征在于，所述优化模式包括有限元模型优化和神经网络模型优化。

3.根据权利要求2所述的一种热压罐成型工艺参数优化方法，其特征在于，所述有限元模型优化包括步骤：

在构件热压罐成型的固化仿真模型的基础上搭建仿真对接模块，使得优化算法使用有限元计算文件作为计算模型；

通过交互界面对遗传算法进行设置；

通过调用已有的多目标优化算法进行优化计算，获得最优解；

遗传算法在达到终止条件后，优化结果以文件形式进行保存，数据后处理模块将读取优化结果并进行反归一化和反标准化，将完成的结果进行可视化。

4.根据权利要求2所述的一种热压罐成型工艺参数优化方法，其特征在于，所述神经网络模型优化包括步骤：

在构件的热压罐成型固化仿真模型的基础上搭建数据扩增模块；

对神经网络模块进行设置，所述神经网络模块将对划分完的数据集进行学习，当达到设定的停止条件后，所述神经网络模块将自动结束学习并保存神经网络的结构模型；

进行遗传算法的设定；

遗传算法在达到终止条件后，数据后处理模块将读取优化结果并进行反归一化处理，获取优化结果；

对遗传算法获取的优化结果进行可视化处理，并将结果数据保存为csv文件供用户查看。

5.根据权利要求4所述的一种热压罐成型工艺参数优化方法，其特征在于，所述数据扩增模块通过交互界面选取优化目标、设计参数，并设定设计参数的取值范围、约束条件，根据设计参数的范围自动修改固化仿真模型的相关参数并生成计算文件提交运算，根据设定的优化目标提取计算结果，并将每次计算的设计参数和计算结果输出保存为训练数据文件。

6.根据权利要求4所述的一种热压罐成型工艺参数优化方法，其特征在于，所述神经网络模块的设置包括神经网络模型的输入神经元数量、输出神经元数量及隐藏层神经元数量。

7.根据权利要求3或4所述的一种热压罐成型工艺参数优化方法，其特征在于，所述遗传算法的设定包括选取的遗传算法类型、遗传代数、种群数量以及各个变量的上下限。

8.根据权利要求3或4所述的一种热压罐成型工艺参数优化方法，其特征在于，所述遗传算法包括NSGA-II、NSGA-III、SPEA-II、MOEA\D。