CN117540603A - 一种热处理零件的数据驱动设计方法、系统、设备及介质 - Google Patents
一种热处理零件的数据驱动设计方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117540603A CN117540603A CN202311549278.XA CN202311549278A CN117540603A CN 117540603 A CN117540603 A CN 117540603A CN 202311549278 A CN202311549278 A CN 202311549278A CN 117540603 A CN117540603 A CN 117540603A
- Authority
- CN
- China
- Prior art keywords
- heat treatment
- treatment process
- model
- determining
- process parameters
- 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.)
- Pending
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 title claims abstract description 188
- 238000013461 design Methods 0.000 title claims abstract description 126
- 230000008569 process Effects 0.000 claims abstract description 125
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 238000004088 simulation Methods 0.000 claims abstract description 45
- 230000004044 response Effects 0.000 claims abstract description 37
- 239000000463 material Substances 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 239000002826 coolant Substances 0.000 claims description 8
- 238000003756 stirring Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000010791 quenching Methods 0.000 description 5
- 230000000171 quenching effect Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000003825 pressing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000011365 complex material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007723 die pressing method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种热处理零件的数据驱动设计方法、系统、设备及介质，涉及热处理设计领域；所述方法包括：获取热处理零件的参数信息；基于材料参数，构建有限元分析模型；根据参数信息和有限元分析模型，确定热处理的边界条件和设计空间；基于边界条件和设计空间，采用代理模型确定热处理工艺参数和有限元分析模型的目标物理量之间的响应关系；采用目标寻优的方法，以设计空间为约束条件，确定最优热处理工艺参数；根据最优热处理工艺参数和有限元分析模型确定热处理数据驱动模型，用以对热处理工艺过程进行分析模拟预测；本发明能够快速实现热处理工艺的模拟预测。
Description
技术领域
本发明涉及热处理设计领域，特别是涉及一种热处理零件的数据驱动设计方法、系统、设备及介质。
背景技术
热处理工艺作为制造业关键工艺之一，对于提升材料性能、延长零件使用寿命和改善产品质量等方面发挥着至关重要的作用。然而，传统的经验主导型热处理设计方法越来越难以满足日益复杂的应用需求。这种方法往往基于试错和经验，难以准确预测复杂材料在不同热处理条件下的显微组织演变、残余应力分布、尺寸变形及性能变化等，因此亟需一种更为精确、高效的热处理工艺设计方法来应对这一挑战。
发明内容
本发明的目的是提供一种热处理零件的数据驱动设计方法、系统、设备及介质，能够快速实现热处理工艺的模拟预测。
为实现上述目的，本发明提供了如下方案：
一种热处理零件的数据驱动设计方法，所述方法包括：
获取热处理零件的参数信息；所述参数信息包括：材料参数和热处理工艺参数；所述材料参数包括：热物理性能参数、力学性能参数和相变动力学参数；所述热处理工艺参数包括：加热温度、加热时间、冷却介质、介质搅拌速率和工装夹具尺寸；
基于所述材料参数，构建有限元分析模型；所述有限元分析模型是采用建模软件，对所述热处理零件进行几何建模，得到几何模型，并对所述几何模型进行网格划分后，得到的模型；
根据所述参数信息和所述有限元分析模型，确定热处理的边界条件和设计空间；所述边界条件包括：换热系数和环境温度；所述设计空间为所述热处理工艺参数对应的取值区间；
基于所述边界条件和所述设计空间，采用代理模型确定所述热处理工艺参数和所述有限元分析模型的目标物理量之间的响应关系；所述目标物理量包括：显微组织、残余应力、尺寸变形和性能分布；
采用目标寻优的方法，以所述设计空间为约束条件，确定最优热处理工艺参数；所述最优热处理工艺参数是基于所述响应关系，在所述目标物理量的分布值最小时，对应的热处理工艺参数；
根据所述最优热处理工艺参数和所述有限元分析模型确定热处理数据驱动模型；所述热处理数据驱动模型用于对热处理工艺过程进行分析模拟预测。
可选地，基于所述边界条件和所述设计空间，采用代理模型确定所述热处理工艺参数和所述有限元分析模型的目标物理量之间的响应关系，具体包括：
确定样本点集；所述样本点集是根据所述设计空间确定的多个样本点的集合；每个所述样本点均对应一个参数设计组合；所述参数设计组合是根据所述热处理工艺参数进行随机组合得到的；
根据所述边界条件和所述样本点集，采用数值模拟的方法，确定目标物理量的模拟结果；
根据所述模拟结果，采用代理模型确定所述热处理工艺参数和所述目标物理量之间的响应关系。
可选地，采用拉丁超立方法或正交试验法确定样本点集。
可选地，所述代理模型为多项式模型、径向基函数、Kriging模型或者神经网络模型。
可选地，所述多项式模型的函数表达式为：
其中，y(X)为多项式模型的函数；xi和xj为第i和j个热处理工艺参数；β0、βii、βi、βi均为二次多项式的待定系数；ε为拟合值与实际值之间的误差；N为热处理工艺参数总个数。
可选地，采用目标寻优的方法，以所述设计空间为约束条件，确定最优热处理工艺参数，具体包括：
对所述样本点集中的任一样本点，以所述设计空间为约束条件，根据所述响应关系和设定目标值确定第一差值；
对所述样本点集中的任一样本点，以所述设计空间为约束条件，根据所述响应关系和设定变量值确定函数值；
对任一所述函数值，根据所述函数值和所述设定目标值确定第二差值；
确定目标函数值；所述目标函数值是对所有的所述第一差值和所有的所述第二差值进行数值比较，数值最小的一个目标物理量的分布值；
将所述目标函数值对应的热处理工艺参数，确定最优热处理工艺参数。
一种热处理零件的数据驱动设计系统，所述系统包括：
参数信息获取模块，用于获取热处理零件的参数信息；所述参数信息包括：材料参数和热处理工艺参数；所述材料参数包括：热物理性能参数、力学性能参数和相变动力学参数；所述热处理工艺参数包括：加热温度、加热时间、冷却介质、介质搅拌速率和工装夹具尺寸；
模型构建模块，用于基于所述材料参数，构建有限元分析模型；所述有限元分析模型是采用建模软件，对所述热处理零件进行几何建模，得到几何模型，并对所述几何模型进行网格划分后，得到的模型；
确定模块，用于根据所述参数信息和所述有限元分析模型，确定热处理的边界条件和设计空间；所述边界条件包括：换热系数和环境温度；所述设计空间为所述热处理工艺参数对应的取值区间；
响应模块，用于基于所述边界条件和所述设计空间，采用代理模型确定所述热处理工艺参数和所述有限元分析模型的目标物理量之间的响应关系；所述目标物理量包括：显微组织、残余应力、尺寸变形和性能分布；
寻优模块，用于采用目标寻优的方法，以所述设计空间为约束条件，确定最优热处理工艺参数；所述最优热处理工艺参数是基于所述响应关系，在所述目标物理量的分布值最小时，对应的热处理工艺参数；
处理模块，用于根据所述最优热处理工艺参数和所述有限元分析模型确定热处理数据驱动模型；所述热处理数据驱动模型用于对热处理工艺过程进行分析模拟预测。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述所述的热处理零件的数据驱动设计方法。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的热处理零件的数据驱动设计方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种热处理零件的数据驱动设计方法、系统、设备及介质，通过获取热处理零件的参数信息；基于材料参数，构建有限元分析模型；根据参数信息和有限元分析模型，确定热处理的边界条件和设计空间；基于边界条件和设计空间，采用代理模型确定热处理工艺参数和有限元分析模型的目标物理量之间的响应关系；采用目标寻优的方法，以设计空间为约束条件，确定最优热处理工艺参数；根据最优热处理工艺参数和有限元分析模型确定热处理数据驱动模型，用以对热处理工艺过程进行分析模拟预测，因此，本发明能够快速实现热处理工艺的模拟预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的热处理零件的数据驱动设计方法的流程图；
图2为本发明实施例提供的热处理零件的数据驱动设计系统的结构图。
符号说明：
参数信息获取模块-1、模型构建模块-2、确定模块-3、响应模块-4、寻优模块-5、处理模块-6。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为应对传统方法的限制，本发明将先进的数据分析技术与材料科学专业知识相融合，通过对大量热处理数据和模拟数据进行深入挖掘，为热处理工艺的设计与优化提供了新的范式。数据驱动方法的核心思想在于运用机器学习、人工智能等技术，从大量数据中建立代理模型，进而对热处理目标实时快速自动的优化设计，实现对热处理工艺的精准预测和智能设计。本发明提供的一种热处理零件的数据驱动设计方法、系统、设备及介质，具有计算速度快，智能化程度高，成本低廉等优点，将为热处理工艺设计提供新的模式。
本发明的目的是提供一种热处理零件的数据驱动设计方法、系统、设备及介质，能够快速实现热处理工艺的模拟预测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本发明实施例提供了一种热处理零件的数据驱动设计方法，该方法包括：
步骤100：获取热处理零件的参数信息。其中，参数信息包括：材料参数和热处理工艺参数；材料参数包括：热物理性能参数、力学性能参数和相变动力学参数；热处理工艺参数包括：加热温度、加热时间、冷却介质、介质搅拌速率和工装夹具尺寸。
步骤200：基于材料参数，构建有限元分析模型。其中，有限元分析模型是采用建模软件，对热处理零件进行几何建模，得到几何模型，并对几何模型进行网格划分后，得到的模型。
步骤300：根据参数信息和有限元分析模型，确定热处理的边界条件和设计空间。其中，边界条件包括：换热系数和环境温度；设计空间为热处理工艺参数对应的取值区间。
步骤400：基于边界条件和设计空间，采用代理模型确定热处理工艺参数和有限元分析模型的目标物理量之间的响应关系。目标物理量包括：显微组织、残余应力、尺寸变形和性能分布。
基于边界条件和设计空间，采用代理模型确定热处理工艺参数和有限元分析模型的目标物理量之间的响应关系，具体包括：
确定样本点集；样本点集是根据设计空间确定的多个样本点的集合；每个样本点均对应一个参数设计组合；参数设计组合是根据热处理工艺参数进行随机组合得到的。具体地，采用拉丁超立方法或正交试验法确定样本点集。
根据边界条件和样本点集，采用数值模拟的方法，确定目标物理量的模拟结果。
根据模拟结果，采用代理模型确定热处理工艺参数和目标物理量之间的响应关系。
其中，代理模型为多项式模型、径向基函数、Kriging模型或者神经网络模型。
多项式模型的函数表达式为：
其中，y(X)为多项式模型的函数；xi和xj为第i和j个热处理工艺参数；β0、βii、βi、βi均为二次多项式的待定系数；ε为拟合值与实际值之间的误差；N为热处理工艺参数总个数。
步骤500：采用目标寻优的方法，以设计空间为约束条件，确定最优热处理工艺参数。最优热处理工艺参数是基于响应关系，在目标物理量的分布值最小时，对应的热处理工艺参数。
采用目标寻优的方法，以设计空间为约束条件，确定最优热处理工艺参数，具体包括：
对样本点集中的任一样本点，以设计空间为约束条件，根据响应关系和设定目标值确定第一差值。
对样本点集中的任一样本点，以设计空间为约束条件，根据响应关系和设定变量值确定函数值。
对任一函数值，根据函数值和设定目标值确定第二差值。
确定目标函数值；目标函数值是对所有的第一差值和所有的第二差值进行数值比较，数值最小的一个目标物理量的分布值。
将目标函数值对应的热处理工艺参数，确定最优热处理工艺参数。
步骤600：根据最优热处理工艺参数和有限元分析模型确定热处理数据驱动模型。其中，热处理数据驱动模型用于对热处理工艺过程进行分析模拟预测。
实施例2
如图2所示，本发明实施例提供了一种热处理零件的数据驱动设计系统，该系统包括：参数信息获取模块1、模型构建模块2、确定模块3、响应模块4、寻优模块5和处理模块6。
参数信息获取模块1，用于获取热处理零件的参数信息；参数信息包括：材料参数和热处理工艺参数；材料参数包括：热物理性能参数、力学性能参数和相变动力学参数；热处理工艺参数包括：加热温度、加热时间、冷却介质、介质搅拌速率和工装夹具尺寸。
模型构建模块2，用于基于材料参数，构建有限元分析模型；有限元分析模型是采用建模软件，对热处理零件进行几何建模，得到几何模型，并对几何模型进行网格划分后，得到的模型。
确定模块3，用于根据参数信息和有限元分析模型，确定热处理的边界条件和设计空间；边界条件包括：换热系数和环境温度；设计空间为热处理工艺参数对应的取值区间。
响应模块4，用于基于边界条件和设计空间，采用代理模型确定热处理工艺参数和有限元分析模型的目标物理量之间的响应关系；目标物理量包括：显微组织、残余应力、尺寸变形和性能分布。
寻优模块5，用于采用目标寻优的方法，以设计空间为约束条件，确定最优热处理工艺参数；最优热处理工艺参数是基于响应关系，在目标物理量的分布值最小时，对应的热处理工艺参数。
处理模块6，用于根据最优热处理工艺参数和有限元分析模型确定热处理数据驱动模型；热处理数据驱动模型用于对热处理工艺过程进行分析模拟预测。
实施例3
本发明实施例提供了一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例1中的热处理零件的数据驱动设计方法。
作为一种可选地实施方式，本发明还提供了一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现实施例1中的热处理零件的数据驱动设计方法。
在实际应用中，关于热处理零件的数据驱动设计方法的具体操作步骤如下：
步骤1：建立零件热处理过程的有限元分析模型，设置模型的材料参数和边界条件，开展热处理有限元模拟计算，并进行实验对模型和参数进行优化，实现对零件热处理后的显微组织、残余应力、尺寸变形、性能分布等物理量的准确模拟预测。
步骤1.1：热处理过程的有限元分析模型包括热处理零件的几何模型和网格模型；具体地，采用CAD建模软件先建立几何模型，然后对几何模型进行网格划分。
步骤1.2：设置模型的材料参数和边界条件中的材料基本参数包括热物性能参数、力学性能参数和相变动力学参数。边界条件为基于优化前的热处理工艺参数设置的约束及换热边界条件。
具体地，设置边界条件是指零件表面边界上的条件，主要就是换热边界条件，也就是与边界上零件与环境的换热系数和环境温度。
例如热处理加热温度为1000℃，那么就设置换热边界中的环境温度为1000℃。
步骤1.3：开展热处理有限元模拟计算，并进行实验对模型和参数进行优化是指对优化前的热处理工艺进行有限元模拟参数，并开展对应的实验来验证模拟计算的显微组织、残余应力、尺寸变形、性能分布等结果，基于结果对模型、材料参数和边界条件中的相关参数进行进一步优化。
步骤2：确定热处理工艺参数设计变量和设计空间，设计变量即为待优化的热处理工艺参数，通常为加热温度、加热时间、冷却介质、介质搅拌速率、工装夹具尺寸等，设计空间为设计变量的取值范围。
步骤2.1：热处理工艺参数设计变量是指待优化的热处理工艺参数，通常为加热温度、加热时间、冷却介质、介质搅拌速率、工装夹具尺寸等。设计空间是指上述热处理工艺参数的取值范围。例如对加热温度在800-1000℃范围内进行优化，那么加热温度就是一个设计变量，800-1000℃就是该设计变量对应的设计空间。
步骤3：基于拉丁超立方法或正交试验法对步骤2中确立的设计空间来确定样本点。每一个样本点对应一组热处理工艺参数设计组合。
步骤3.1：一个样本点是指一个热处理工艺。比如待优化的工艺为加热温度和加热时间，那么就在这两个设计变量的设计空间内取多个值进行组合，即拉丁超立方法或正交试验法进行抽样，每个组合即为一个样本点。
步骤4：基于步骤3的样本点进行数值模拟，获得不同设计组合下模型所有节点上的显微组织、残余应力、尺寸变形、性能分布等物理量。
步骤4.1：基于步骤3的样本点进行数值模拟是指步骤3中样本点中设计变量的参数设置为步骤1中模型边界条件上对应的参数。例如步骤3中设计了30个样本点，每个样本点为不同的加热温度和加热时间组合，那么就在步骤1中设置30组换热边界条件和加热时间，然后分别进行数值模拟，最后获得30组模拟结果。
步骤5：确定目标物理量，也就是针对哪个物理量进行优化，这个物理量通常为显微组织、残余应力、尺寸变形、性能分布等。基于样本点模拟结果，利用代理模型建立待优化工艺参数和模型所有节点上目标物理量之间的响应关系。此处的代理模型包括多项式模型、径向基函数、Kriging模型、神经网络模型等。
步骤5.1：利用代理模型建立待优化工艺参数和模型所有节点上目标物理量之间的响应关系是指基于步骤4的所有样本点的模拟结果，可以基于代理模型建立设计变量和结果之间的对应关系。例如，采用多项式模型进行建模。
采用数值模拟获得30组不同加热温度和加热时间组合下的模拟结果后，将30组样本参数和节点目标物理量数据作为训练数据，对多项式模型进行拟合，那么不同节点处将会获得不同的β0、βii、βij、βi，ε。这样就建立起待优化工艺参数和模型所有节点上的物理量之间的响应关系。
步骤6：建立可视化仿真平台。将步骤一中的有限元分析模型导入到可视化平台中，在可视化平台中设置设计变量输入，基于步骤5中的代理模型计算所有节点的数据，并根据数值大小将可视化平台中模型的不同节点赋予不同的颜色，实现有限元分析模型、目标物理量的三维可视化。
步骤7：建立目标寻优系统。将零件热处理后的目标物理量分布作为y，优化目标作为y0，那么目标函数公式即为F＝min(y-y0)。以工艺参数设计变量的可调整范围为约束条件，进行最优问题求解，即：随机产生一组工艺参数组合；采用步骤5中的代理模型计算节点处的物理场分布，进而计算目标函数y1；给初始点增加一个5％-10％变量值的微小量δ，带入到代理模型中计算对应的目标函数y2；若|y2-y0|<|y1-y0|则继续重复上述步骤；当遍历所有工艺参数组合后获得的最优目标函数y2对应的工艺参数组合即为所得的最优工艺参数组合。
已有的热处理工艺优化手段是基于经验或数值模拟的试错型设计方法，即通过设置不同的工艺参数来获得多个结果，并基于这些结果选择最佳的工艺参数。这种方法研发成本较高，周期较长，设计效率较低，并且无法确定最终的工艺参数是最优工艺方案。本发明基于高通量数值模拟结果建立代理模型，并构建热处理目标自动寻优方法，是一种数据驱动的热处理工艺设计方法，具有计算速度快，智能化程度高，成本低廉等优点。
计算速度快来源于步骤5中建立的代理模型。传统的方法进行一次热处理有限元数值模拟需要基于热弹塑性本构方程来进行求解，求解效率低。而采用代理模型可以快速计算出输入参数的响应结果，是一种数据驱动型的模型，计算响应速度为毫秒级。
智能化程度高来源于步骤6-步骤7的可视化平台建立及自动寻优算法。可视化平台可以直观显示不同输入下的物理场结果，自动寻优算法可以自动化遍历所有参数组合，并快速计算获得目标函数，进而确定最优的工艺参数。
成本低廉是基于步骤1-4中的通过数值模拟方法来获得代理模型的训练样本，相比于高通量实验试错具有成本低廉的优点。
实施例4
代理模型采用的是径向基函数时，以螺旋锥齿轮的模压淬火热处理工艺设计为例来对该发明进行说明。螺旋锥齿轮采用815℃模压淬火工艺。需要对工艺参数进行优化设计，减小模压淬火后轴向和齿形面锥角变形量，待优化的热处理工艺参数包括模具压力角x1，组合尺寸x2，涨环压力x3，内环压力x4。因此在本实施例中，设计变量为x1、x2、x3和x4；目标物理量为尺寸变形量。
步骤1：建立螺旋锥齿轮热处理过程的有限元分析模型，设置一组x1、x2、x3、x4参数，开展模压淬火数值模拟计算，并开展对应的实验对模拟结果进行验证，模拟获得零件热处理后的尺寸变形。
步骤2：设计变量为模具压力角x1，组合尺寸x2，涨环压力x3，内环压力x4。分别确认四个参数的设计空间。
步骤3：基于拉丁超立方法设计50组设计变量组合，作为待计算的50个样本点。
步骤4：将步骤3获得的50组设计变量组合作为模拟的输入参数开展数值模拟，获得50组不同设计组合下，所有节点的x、y、z方向上的变形数据。其中模型的变形量放大50倍。
步骤5：以样本的50组设计变量组合作为输入，所有节点的x、y、z方向变形数据为输出，采用径向基函数模型进行代理模型训练，建立输入和输出的代理模型。
步骤6：基于vtk图像库和qt界面设计库建立可视化仿真平台，该平台中可输入4个设计变量，并将变形结果进行云图显示。为将变形结果显示更为明显，对模型的变形放大50倍进行显示，云图数据按实际变形值显示。
步骤7：以零件轴向变形和齿形面锥角变形最小作为优化目标，以四个设计变量的设计空间作为约束条件，开展最优问题求解。先随机产生一组设计变量组合，然后计算获得齿轮轴向变形数据和齿形面锥角数据。然后不断调整四个设计变量，使其按照5％的变量值遍历所有设计组合，共计194481种组合。由于在同一组设计变量下零件轴向变形和齿形面锥角变形难以同时达到最小，因此适当增加最优目标范围，进而获得最佳优化组合。
通过代理模型计算任意一种设计变量组合下的节点变形数据所需时间约为1e-4s，遍历194481种组合下的变形量所需的计算时间约为20s。相比于传统方法对模压淬火工艺进行设计，热处理变形量下降了60％，研发时间由数十天降低至数小时，大大提高了热处理工艺开发效率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种热处理零件的数据驱动设计方法，其特征在于，所述方法包括：
获取热处理零件的参数信息；所述参数信息包括：材料参数和热处理工艺参数；所述材料参数包括：热物理性能参数、力学性能参数和相变动力学参数；所述热处理工艺参数包括：加热温度、加热时间、冷却介质、介质搅拌速率和工装夹具尺寸；
基于所述材料参数，构建有限元分析模型；所述有限元分析模型是采用建模软件，对所述热处理零件进行几何建模，得到几何模型，并对所述几何模型进行网格划分后，得到的模型；
根据所述参数信息和所述有限元分析模型，确定热处理的边界条件和设计空间；所述边界条件包括：换热系数和环境温度；所述设计空间为所述热处理工艺参数对应的取值区间；
基于所述边界条件和所述设计空间，采用代理模型确定所述热处理工艺参数和所述有限元分析模型的目标物理量之间的响应关系；所述目标物理量包括：显微组织、残余应力、尺寸变形和性能分布；
采用目标寻优的方法，以所述设计空间为约束条件，确定最优热处理工艺参数；所述最优热处理工艺参数是基于所述响应关系，在所述目标物理量的分布值最小时，对应的热处理工艺参数；
根据所述最优热处理工艺参数和所述有限元分析模型确定热处理数据驱动模型；所述热处理数据驱动模型用于对热处理工艺过程进行分析模拟预测。
2.根据权利要求1所述的热处理零件的数据驱动设计方法，其特征在于，基于所述边界条件和所述设计空间，采用代理模型确定所述热处理工艺参数和所述有限元分析模型的目标物理量之间的响应关系，具体包括：
确定样本点集；所述样本点集是根据所述设计空间确定的多个样本点的集合；每个所述样本点均对应一个参数设计组合；所述参数设计组合是根据所述热处理工艺参数进行随机组合得到的；
根据所述边界条件和所述样本点集，采用数值模拟的方法，确定目标物理量的模拟结果；
根据所述模拟结果，采用代理模型确定所述热处理工艺参数和所述目标物理量之间的响应关系。
3.根据权利要求2所述的热处理零件的数据驱动设计方法，其特征在于，采用拉丁超立方法或正交试验法确定样本点集。
4.根据权利要求2所述的热处理零件的数据驱动设计方法，其特征在于，所述代理模型为多项式模型、径向基函数、Kriging模型或者神经网络模型。
5.根据权利要求4所述的热处理零件的数据驱动设计方法，其特征在于，所述多项式模型的函数表达式为：
其中，y(X)为多项式模型的函数；xi和xj为第i和j个热处理工艺参数；β0、βii、βi、βi均为二次多项式的待定系数；ε为拟合值与实际值之间的误差；N为热处理工艺参数总个数。
6.根据权利要求2所述的热处理零件的数据驱动设计方法，其特征在于，采用目标寻优的方法，以所述设计空间为约束条件，确定最优热处理工艺参数，具体包括：
对所述样本点集中的任一样本点，以所述设计空间为约束条件，根据所述响应关系和设定目标值确定第一差值；
对所述样本点集中的任一样本点，以所述设计空间为约束条件，根据所述响应关系和设定变量值确定函数值；
对任一所述函数值，根据所述函数值和所述设定目标值确定第二差值；
确定目标函数值；所述目标函数值是对所有的所述第一差值和所有的所述第二差值进行数值比较，数值最小的一个目标物理量的分布值；
将所述目标函数值对应的热处理工艺参数，确定最优热处理工艺参数。
7.一种热处理零件的数据驱动设计系统，其特征在于，所述系统包括：
参数信息获取模块，用于获取热处理零件的参数信息；所述参数信息包括：材料参数和热处理工艺参数；所述材料参数包括：热物理性能参数、力学性能参数和相变动力学参数；所述热处理工艺参数包括：加热温度、加热时间、冷却介质、介质搅拌速率和工装夹具尺寸；
模型构建模块，用于基于所述材料参数，构建有限元分析模型；所述有限元分析模型是采用建模软件，对所述热处理零件进行几何建模，得到几何模型，并对所述几何模型进行网格划分后，得到的模型；
确定模块，用于根据所述参数信息和所述有限元分析模型，确定热处理的边界条件和设计空间；所述边界条件包括：换热系数和环境温度；所述设计空间为所述热处理工艺参数对应的取值区间；
响应模块，用于基于所述边界条件和所述设计空间，采用代理模型确定所述热处理工艺参数和所述有限元分析模型的目标物理量之间的响应关系；所述目标物理量包括：显微组织、残余应力、尺寸变形和性能分布；
寻优模块，用于采用目标寻优的方法，以所述设计空间为约束条件，确定最优热处理工艺参数；所述最优热处理工艺参数是基于所述响应关系，在所述目标物理量的分布值最小时，对应的热处理工艺参数；
处理模块，用于根据所述最优热处理工艺参数和所述有限元分析模型确定热处理数据驱动模型；所述热处理数据驱动模型用于对热处理工艺过程进行分析模拟预测。
8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至6中任意一项所述的热处理零件的数据驱动设计方法。
9.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的热处理零件的数据驱动设计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311549278.XA CN117540603A (zh) | 2023-11-20 | 2023-11-20 | 一种热处理零件的数据驱动设计方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311549278.XA CN117540603A (zh) | 2023-11-20 | 2023-11-20 | 一种热处理零件的数据驱动设计方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117540603A true CN117540603A (zh) | 2024-02-09 |
Family
ID=89783762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311549278.XA Pending CN117540603A (zh) | 2023-11-20 | 2023-11-20 | 一种热处理零件的数据驱动设计方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117540603A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117792404A (zh) * | 2024-02-28 | 2024-03-29 | 福建省金瑞高科有限公司 | 一种用于铝合金压铸零件的数据管理方法 |
| CN117792404B (zh) * | 2024-02-28 | 2024-05-10 | 福建省金瑞高科有限公司 | 一种用于铝合金压铸零件的数据管理方法 |
-
2023
- 2023-11-20 CN CN202311549278.XA patent/CN117540603A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117792404A (zh) * | 2024-02-28 | 2024-03-29 | 福建省金瑞高科有限公司 | 一种用于铝合金压铸零件的数据管理方法 |
| CN117792404B (zh) * | 2024-02-28 | 2024-05-10 | 福建省金瑞高科有限公司 | 一种用于铝合金压铸零件的数据管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Torabi et al. | Design and optimization of turbine blade preform forging using RSM and NSGA II | |
| KR100244582B1 (ko) | 선체 외판의 곡면가공방법 및 장치 | |
| CN108875213B (zh) | 一种反应堆堆芯热工水力多尺度分析方法 | |
| Afazov et al. | Development of a Finite Element Data Exchange System for chain simulation of manufacturing processes | |
| CN107992939B (zh) | 基于深度增强学习的等切削力齿轮加工方法 | |
| Lambiase | Optimization of shape rolling sequences by integrated artificial intelligent techniques | |
| CN111046601A (zh) | 基于工件变形代理模型的薄壁曲面加工进给速度优化方法 | |
| CN117540603A (zh) | 一种热处理零件的数据驱动设计方法、系统、设备及介质 | |
| CN111353250B (zh) | 一种基于ansys仿真平台的斜齿轮螺旋式感应加热的模拟方法 | |
| CN106292289B (zh) | 流程工业控制回路对象的混合精英随机搜索优化方法 | |
| CN109948215B (zh) | 一种热冲压工艺制定方法 | |
| CN106407609B (zh) | 基于Neumann随机有限元对齿轮箱进行优化设计的方法 | |
| JP7058723B2 (ja) | 多次元の許容限界に関する逐次埋め込み式統計的解析 | |
| CN110162897B (zh) | 一种大口径弯管加热导磁体优化方法 | |
| CN116910984B (zh) | 压射曲线参数优化方法、装置、电子设备和存储介质 | |
| CN107832537B (zh) | 一种复杂形式残余应力的数值模拟方法 | |
| CN112507567A (zh) | 一种钛合金锻件锻造微观组织失稳缺陷预测方法 | |
| CN111210877A (zh) | 一种推断物性参数的方法及装置 | |
| CN115906714B (zh) | 一种板式pecvd反应腔气流模拟方法及其模拟设备 | |
| CN116822258B (zh) | 基于正交试验设计的飞行器气动性能不确定度评估算法 | |
| CN101482898B (zh) | 一种用于修正Aspen Plus中模型缺陷的模型扩展方法 | |
| JP6599460B2 (ja) | 製造プロセスおよび製品をシミュレーションするためにメッシュを変形するための方法およびシステム | |
| CN107506547B (zh) | 一种混合煤气热值与压力稳定方法及系统 | |
| CN113627059B (zh) | 一种考虑相变热的大规格棒材空冷温度场计算方法 | |
| Denkana | Methodology for thermal optimization of motor spindles |
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 |