CN117689085B - 一种复合材料制品成型加工控制方法及系统 - Google Patents
一种复合材料制品成型加工控制方法及系统 Download PDFInfo
- Publication number
- CN117689085B CN117689085B CN202410137874.5A CN202410137874A CN117689085B CN 117689085 B CN117689085 B CN 117689085B CN 202410137874 A CN202410137874 A CN 202410137874A CN 117689085 B CN117689085 B CN 117689085B
- Authority
- CN
- China
- Prior art keywords
- layer
- characteristic information
- cold forging
- size
- aluminum alloy
- 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
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 title claims abstract description 33
- 238000000465 moulding Methods 0.000 title claims abstract description 27
- 238000010273 cold forging Methods 0.000 claims abstract description 226
- 238000009826 distribution Methods 0.000 claims abstract description 194
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 124
- 239000010959 steel Substances 0.000 claims abstract description 124
- 229910000838 Al alloy Inorganic materials 0.000 claims abstract description 120
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 claims abstract description 75
- 239000010936 titanium Substances 0.000 claims abstract description 75
- 229910052719 titanium Inorganic materials 0.000 claims abstract description 75
- 239000000463 material Substances 0.000 claims abstract description 66
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 238000005457 optimization Methods 0.000 claims abstract description 53
- 239000011185 multilayer composite material Substances 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 239000000523 sample Substances 0.000 claims description 141
- 238000013433 optimization analysis Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 7
- 238000004886 process control Methods 0.000 claims description 7
- 238000005219 brazing Methods 0.000 claims description 4
- 238000003466 welding Methods 0.000 claims description 4
- 238000004080 punching Methods 0.000 abstract description 19
- 230000000694 effects Effects 0.000 abstract description 4
- 229910052751 metal Inorganic materials 0.000 abstract description 2
- 239000002184 metal Substances 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 404
- 230000006978 adaptation Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 7
- 230000006698 induction Effects 0.000 description 5
- 230000035699 permeability Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910001069 Ti alloy Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21J—FORGING; HAMMERING; PRESSING METAL; RIVETING; FORGE FURNACES
- B21J5/00—Methods for forging, hammering, or pressing; Special equipment or accessories therefor
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Mechanical Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Forging (AREA)
Abstract
本申请提供了一种复合材料制品成型加工控制方法及系统，涉及金属冲压技术领域，该方法包括：获取多层复合材料的多个材料特征信息；对钛层、铝合金层和导磁钢层进行优化冲压成型，测试获得内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息；生成导热分布场和导磁分布场；获得最优铝合金层冷锻方案；获得最优导磁钢层冷锻方案；进行复合材料制品加工，解决了现有技术中存在的由于缺乏对于不同层复合材料的性能分析优化，进而导致加工成品性能不佳，质量不高的技术问题，通过对钛层、铝合金层和导磁钢层进行冲压参数优化后，对铝合金层和导磁钢层进行冷锻工艺优化，达到提升复合材料制品的加工质量，同时提升导热性能和导磁性能的技术效果。
Description
技术领域
本申请涉及金属冲压技术领域，具体涉及一种复合材料制品成型加工控制方法及系统。
背景技术
复合材料可以将不同特性的材料结合在一起，可以有效解决单层材料制品导致的导热性差，且成品重的问题。复合材料的结合过程中，首先对每一层材料进行冲压加工，然后将冲压成型的多层材料贴合在一起。不仅需要保证各层材料的性能，同时还需将多层材料贴合精密。但是，现有技术中，由于缺乏对于不同层复合材料的性能分析优化，进而导致加工成品性能不佳，质量不高。
发明内容
本申请提供了一种复合材料制品成型加工控制方法及系统，用以解决现有技术中存在的由于缺乏对于不同层复合材料的性能分析优化，进而导致加工成品性能不佳，质量不高的技术问题。
根据本申请的第一方面，提供了一种复合材料制品成型加工控制方法，包括：获取待进行成型加工的复合材料制品的多层复合材料的多个材料特征信息，其中，复合材料制品为锅，所述多层复合材料包括钛层、铝合金层和导磁钢层，多个材料特征信息包括钛层特征信息、铝合金特征信息和导磁钢特征信息；根据所述多个材料特征信息，对钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，并在完成后测试获得内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息；基于所述中层尺寸特征信息和外层尺寸特征信息，进行导热性能和导磁性能分析，生成导热分布场和导磁分布场；基于所述导热分布场，对所述铝合金层进行冷锻优化分析，获得最优铝合金层冷锻方案，其中，冷锻优化中，根据导热分布场与预设导热分布场的相似度，以及冷锻后的中层尺寸特征信息与所述内层尺寸特征信息的匹配度进行优化；基于所述导磁分布场，对所述导磁钢层进行冷锻优化分析，获得最优导磁钢层冷锻方案，其中，冷锻优化中，根据导磁分布场与预设导磁分布场的相似度，以及冷锻后的外层尺寸特征信息与冷锻后中层尺寸特征信息的匹配度进行优化；采用所述最优铝合金层冷锻方案和最优导磁钢层冷锻方案，对所述铝合金层和导磁钢层进行冷锻，然后结合所述钛层进行钎焊成型，进行复合材料制品加工。
根据本申请的第二方面，提供了一种复合材料制品成型加工控制系统，包括：材料特征信息获取模块，所述材料特征信息获取模块用于获取待进行成型加工的复合材料制品的多层复合材料的多个材料特征信息，其中，复合材料制品为锅，所述多层复合材料包括钛层、铝合金层和导磁钢层，多个材料特征信息包括钛层特征信息、铝合金特征信息和导磁钢特征信息；成型测试模块，所述成型测试模块用于根据所述多个材料特征信息，对钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，并在完成后测试获得内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息；性能分析模块，所述性能分析模块用于基于所述中层尺寸特征信息和外层尺寸特征信息，进行导热性能和导磁性能分析，生成导热分布场和导磁分布场；第一冷锻优化分析模块，所述第一冷锻优化分析模块用于基于所述导热分布场，对所述铝合金层进行冷锻优化分析，获得最优铝合金层冷锻方案，其中，冷锻优化中，根据导热分布场与预设导热分布场的相似度，以及冷锻后的中层尺寸特征信息与所述内层尺寸特征信息的匹配度进行优化；第二冷锻优化分析模块，所述第二冷锻优化分析模块用于基于所述导磁分布场，对所述导磁钢层进行冷锻优化分析，获得最优导磁钢层冷锻方案，其中，冷锻优化中，根据导磁分布场与预设导磁分布场的相似度，以及冷锻后的外层尺寸特征信息与冷锻后中层尺寸特征信息的匹配度进行优化；成型加工模块，所述成型加工模块用于采用所述最优铝合金层冷锻方案和最优导磁钢层冷锻方案，对所述铝合金层和导磁钢层进行冷锻，然后结合所述钛层进行钎焊成型，进行复合材料制品加工。
根据本申请采用的一个或多个技术方案，其可达到的有益效果如下：
获取待进行成型加工的复合材料制品的多层复合材料的多个材料特征信息，其中，复合材料制品为锅，所述多层复合材料包括钛层、铝合金层和导磁钢层，多个材料特征信息包括钛层特征信息、铝合金特征信息和导磁钢特征信息，根据多个材料特征信息，对钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，并在完成后测试获得内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息，基于中层尺寸特征信息和外层尺寸特征信息，进行导热性能和导磁性能分析，生成导热分布场和导磁分布场，基于导热分布场，对铝合金层进行冷锻优化分析，获得最优铝合金层冷锻方案，其中，冷锻优化中，根据导热分布场与预设导热分布场的相似度，以及冷锻后的中层尺寸特征信息与内层尺寸特征信息的匹配度进行优化，基于导磁分布场，对导磁钢层进行冷锻优化分析，获得最优导磁钢层冷锻方案，其中，冷锻优化中，根据导磁分布场与预设导磁分布场的相似度，以及冷锻后的外层尺寸特征信息与冷锻后中层尺寸特征信息的匹配度进行优化，采用最优铝合金层冷锻方案和最优导磁钢层冷锻方案，对铝合金层和导磁钢层进行冷锻，然后结合钛层进行钎焊成型，进行复合材料制品加工。通过对钛层、铝合金层和导磁钢层进行冲压参数优化后，对铝合金层和导磁钢层进行冷锻工艺优化，达到提升复合材料制品的加工质量，同时提升导热性能和导磁性能的技术效果。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种复合材料制品成型加工控制方法的流程示意图；
图2为本申请实施例提供的一种复合材料制品成型加工控制系统的结构示意图。
附图标记说明：材料特征信息获取模块11，成型测试模块12，性能分析模块13，第一冷锻优化分析模块14，第二冷锻优化分析模块15，成型加工模块16。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显，下面将参照附图详细描述本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
说明书中使用的术语用于描述实施例，而不是限制本申请。如在说明书中所使用的，单数术语“一”“一个”和“该”旨在也包括复数形式，除非上下文另有清楚指示。当在说明书中使用时，术语“包括”和/或“包含”指定了步骤、操作、元件和/或组件的存在，但是不排除一个或多个其他步骤、操作、元件、组件和/或其组的存在或添加。
除非另有定义，本说明书中使用的所有术语(包括技术和科学术语)应具有与本申请所属领域的技术人员通常理解的相同含义。术语，如常用词典中定义的术语，不应以理想化或过于正式的意义来解释，除非在此明确定义。在整个说明书中，相同的附图标记表示相同的元件。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
实施例一
图1为本申请实施例提供的一种复合材料制品成型加工控制方法图，所述方法包括：
获取待进行成型加工的复合材料制品的多层复合材料的多个材料特征信息，其中，复合材料制品为锅，所述多层复合材料包括钛层、铝合金层和导磁钢层，多个材料特征信息包括钛层特征信息、铝合金特征信息和导磁钢特征信息；
在一个优选实施例中，还包括：
获取待进行成型加工的复合材料制品的多层复合材料，多层复合材料包括钛层、铝合金层和导磁钢层；采集所述钛层、铝合金层和导磁钢层的材料成分信息和材料性能信息，获得多个材料特征信息。
复合材料制品为锅，钛层为了保证锅被加热后的食品安全，因为铝合金层直接接触食品加热会导致铝合金中的部分元素侵入食品，因此将钛层置于铝合金层上，保证食品安全。铝合金层则是作为导热介质，保证最终的复合材料制品的导热效果，且重量较轻。导磁钢层则是保证复合材料制品可被电磁炉加热。
获取待进行成型加工的复合材料制品的多层复合材料的多个材料特征信息，多个材料特征信息包括钛层特征信息、铝合金特征信息和导磁钢特征信息，材料特征信息包括每一层复合材料的材料成分信息和材料性能信息，具体需根据实际加工的工厂所使用的原料以及质量标准确定。比如钛层的材料成分信息可为纯钛或钛合金，对应的材料性能信息则包括硬度、抗拉强度等性能，以此组成钛层特征信息。铝合金层的材料成分信息可为具体的铝合金牌号，对应的材料性能信息则包括抗拉强度、导热性能等性能，以此组成铝合金层特征信息。同理，导磁钢层的材料成分信息可为具体的导磁钢牌号或种类，对应的材料性能信息则包括抗拉强度、屈服强度、磁感应强度、矫顽力等等性能，以此组成导磁钢层特征信息。
以钛层特征信息、铝合金特征信息和导磁钢特征信息组成多个材料特征信息，为后续的复合材料制品的成型控制提供基础。
根据所述多个材料特征信息，对钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，并在完成后测试获得内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息；
预设尺寸是指对复合材料制品的加工尺寸要求，由用户自行设定，包括每一层复合材料对应的厚度、大小等尺寸信息。进而根据所述多个材料特征信息，对钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，具体地，可根据所述多个材料特征信息，结合现有技术选择与所述多个材料特征信息匹配的冲压工艺，对钛层、铝合金层和导磁钢层进行冲压成型，直到每一层复合材料的尺寸均满足预设尺寸。
在冲压完成后，基于现有的尺寸测量设备对冲压成型后的产品进行尺寸测量，得到每一层复合材料的多个位置的厚度、大小等尺寸，将多个位置的厚度、大小等尺寸进行三维建模融合，形成每一层复合材料的三维尺寸模型作为内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息。
在一个优选实施例中，还包括：
获取所述钛层、铝合金层和导磁钢层的内层预设尺寸要求、中层预设尺寸要求和外层预设尺寸要求；基于钛层、铝合金层和导磁钢层的历史冲压数据，采集三个样本材料特征信息集合、三个样本冲压参数集合和三个样本冲压尺寸信息集合；采用所述三个样本材料特征信息集合、三个样本冲压参数集合和三个样本冲压尺寸信息集合，构建冲压尺寸预测器，所述冲压尺寸预测器包括三个冲压尺寸预测分支；基于所述冲压尺寸预测器，对所述钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，进行冲压，并测试获得内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息。
在一个优选实施例中，还包括：
获取三个冲压参数范围；在三个冲压参数范围内随机生成冲压参数，结合所述多个材料特征信息，基于冲压尺寸预测器，预测获得三个冲压尺寸信息，分别判断是否满足所述内层预设尺寸要求、中层预设尺寸要求和外层预设尺寸要求；若是，则获得三个合格冲压参数，若否，则继续进行冲压参数的随机生成和优化，直到获得三个合格冲压参数。
具体而言，基于实际需求设置所述钛层、铝合金层和导磁钢层分别对应的厚度、大小等尺寸信息作为内层预设尺寸要求、中层预设尺寸要求和外层预设尺寸要求，即只有成型后的复合材料制品每一层的尺寸均达到内层预设尺寸要求、中层预设尺寸要求和外层预设尺寸要求，冲压质量才合格。基于钛层、铝合金层和导磁钢层的历史冲压数据，历史冲压数据是指在过去时间内，比如过去一个月内进行三层复合材料冲压成型时的冲压记录数据，包括所使用的冲压参数、冲压尺寸、复合材料的特征信息等，从中提取三个样本材料特征信息集合、三个样本冲压参数集合和三个样本冲压尺寸信息集合，冲压参数包括冲压速度、模具温度等参数。三个样本材料特征信息集合、三个样本冲压参数集合和三个样本冲压尺寸信息集合对应钛层、铝合金层和导磁钢层。
采用所述三个样本材料特征信息集合、三个样本冲压参数集合和三个样本冲压尺寸信息集合，构建冲压尺寸预测器，所述冲压尺寸预测器包括三个冲压尺寸预测分支，即钛层冲压尺寸预测分支、铝合金层冲压尺寸预测分支和导磁钢层冲压尺寸预测分支，冲压尺寸预测分支基于现有的机器学习模型构建，比如神经网络模型。具体地，基于所述三个样本材料特征信息集合、三个样本冲压参数集合和三个样本冲压尺寸信息集合，提取导磁层对应的样本材料特征信息集合、样本冲压参数集合和样本冲压尺寸信息集合，将样本材料特征信息集合和样本冲压参数集合中的一组数据输入导磁钢层冲压尺寸预测分支，以样本冲压尺寸信息集合对应的样本冲压尺寸信息进行导磁钢层冲压尺寸预测分支的输出监督调整，使得输出的冲压尺寸信息与样本冲压尺寸信息一致，由此将导磁钢层冲压尺寸预测分支训练至收敛。采用相同的方法，基于所述三个样本材料特征信息集合、三个样本冲压参数集合和三个样本冲压尺寸信息集合将剩下的压尺寸预测分支训练至收敛，将收敛的三个冲压尺寸预测分支集成作为冲压尺寸预测器。
进而基于所述冲压尺寸预测器，对所述钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，具体方法为：
首先可根据历史冲压数据，为钛层、铝合金层和导磁钢层分别确定可能的冲压参数范围作为三个冲压参数范围。在三个冲压参数范围内随机生成钛层、铝合金层和导磁钢层分别对应的冲压参数。
进一步将冲压参数和所述多个材料特征信息输入冲压尺寸预测器，以冲压尺寸预测器中的三个冲压尺寸预测分支进行三层复合材料的尺寸预测，输出获得三个冲压尺寸信息，分别判断三个冲压尺寸信息是否满足所述内层预设尺寸要求、中层预设尺寸要求和外层预设尺寸要求，若是，则将对应的冲压参数作为三个合格冲压参数，若否，则继续进行冲压参数的随机生成和优化，直到获得三个合格冲压参数。由此实现冲压参数的优化，保证复合材料制品的冲压质量。
最后以三个合格冲压参数进行冲压，并通过现有的测量设备测试冲压后的复合材料制品的钛层、铝合金层和导磁钢层的不同位置处的尺寸信息，构建每一层复合材料的三维尺寸模型作为内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息。由此实现冲压后的多层复合材料尺寸检测，便于后续进行导热分布和导磁分布分析，进行冷锻优化，提升复合材料制品的导热性能和导磁性能。
基于所述中层尺寸特征信息和外层尺寸特征信息，进行导热性能和导磁性能分析，生成导热分布场和导磁分布场；
具体而言，中层即为铝合金层，该层不同位置的尺寸会影响复合材料制品的导热性能；外层即为导磁钢层，该层不同位置的尺寸会影响复合材料制品不同位置能否被电磁炉加热。因此，需要进行导热性能和导磁性能分析，生成导热分布场和导磁分布场，具体方法如下详述。
在一个优选实施例中，还包括：
获取样本中层尺寸特征信息集合和样本外层尺寸特征信息集合，并进行导热性能和导磁性能测试，获得样本导热分布场集合和样本导磁分布场集合；采用所述样本中层尺寸特征信息集合和样本导热分布场集合，构建导热分布分析分支，采用所述样本外层尺寸特征信息集合和样本导磁分布场集合，构建导磁分布分析分支；结合所述导热分布分析分支和导磁分布分析分支，获得性能分布分析器；采用所述性能分布分析器，对所述中层尺寸特征信息和外层尺寸特征信息进行性能分布分析，获得所述导热分布场和导磁分布场。
从复合材料制品的历史加工数据中收集样本中层尺寸特征信息集合和样本外层尺寸特征信息集合，样本中层尺寸特征信息集合和样本外层尺寸特征信息集合中的样本数据均有对应的复合材料样品，基于现有技术对复合材料样品进行导热性能和导磁性能测试，示例性的，可通过测量复合材料样品最内层和最外层的温差和热量流速，计算不同位置的热传导系数组合作为样本导热分布场，以此类推，得到样本中层尺寸特征信息集合对应的样本导热分布场，热传导系数的测试计算为本领域技术人员常用技术手段，在此不进行展开。
同理，可基于现有技术通过磁感应强度测量设备对复合材料样品的不同位置的磁感应强度进行测试，并计算获取不同位置的磁导率组合作为样本导磁分布场，进而得到样本外层尺寸特征信息集合对应的样本导磁分布场集合，磁导率的计算为本领域技术人员常用技术手段，在此不进行展开。
进一步采用所述样本中层尺寸特征信息集合和样本导热分布场集合，构建导热分布分析分支，采用所述样本外层尺寸特征信息集合和样本导磁分布场集合，构建导磁分布分析分支，导热分布分析分支和导磁分布分析分支均通过对现有技术中的机器学习模型训练构建，比如神经网络模型，将所述样本中层尺寸特征信息集合中的样本中层尺寸特征信息输入导热分布分析分支，以样本导热分布场集合中对应的样本导热分布场进行输出监督调整，将导热分布分析分支训练至收敛，得到符合要求的导热分布分析分支。以同样的方法所述样本外层尺寸特征信息集合和样本导磁分布场集合训练构建导磁分布分析分支。
集成所述导热分布分析分支和导磁分布分析分支，得到性能分布分析器。采用所述性能分布分析器，对所述中层尺寸特征信息和外层尺寸特征信息进行性能分布分析，输出获得所述导热分布场和导磁分布场。由此在复合材料制品冲压成型完成后进行导热性能和导磁性能分析，为后续的冷锻优化分析提供支持，便于提升导热性能和导磁性能，从而提升复合材料制品的加工质量。
基于所述导热分布场，对所述铝合金层进行冷锻优化分析，获得最优铝合金层冷锻方案，其中，冷锻优化中，根据导热分布场与预设导热分布场的相似度，以及冷锻后的中层尺寸特征信息与所述内层尺寸特征信息的匹配度进行优化；
在一个优选实施例中，还包括：
获取铝合金层的冷锻方案空间，其中，每个冷锻方案包括对铝合金层的多个位置进行不同次数的冷锻；在所述冷锻方案空间内随机生成获得第一冷锻方案；基于所述第一冷锻方案、钛层特征信息和中层尺寸特征信息，进行模拟冷锻，获取冷锻后的第一中层尺寸特征信息，并进行导热性能分析，获得第一导热分布场；基于所述第一中层尺寸特征信息，与所述内层尺寸特征信息进行匹配度分析，获得第一匹配度，基于所述第一导热分布场与预设导热分布场进行相似度分析，获得第一相似度，结合所述第一匹配度，计算获得第一适应度；再次在所述冷锻方案空间内随机生成获得第二冷锻方案，并处理获得第二适应度，结合所述第一适应度，生成适应度概率分布；随机生成大于0小于1的随机数，根据所述随机数在所述适应度概率分布内的落入位置，将第一冷锻方案或第二冷锻方案作为继续进行冷锻优化的基础，进行冷锻优化，获得最优铝合金层冷锻方案。
在一个优选实施例中，还包括：
获取样本中层尺寸特征信息集合和样本内层尺寸特征信息集合，并进行匹配度评估，获取样本匹配度集合；采用所述样本中层尺寸特征信息集合、样本内层尺寸特征信息集合和样本匹配度集合，构建尺寸匹配度分析器；获取样本导热分布场集合，结合预设导热分布场，进行相似度评估，获得样本相似度集合；采用所述样本导热分布场集合、预设导热分布场和样本相似度集合，基于孪生网络，构建导热相似度分析器；采用所述尺寸匹配度分析器和导热相似度分析器，分别分析获得所述第一匹配度和第一相似度；对所述第一匹配度和第一相似度加权计算，获得所述第一适应度。
基于所述导热分布场，对所述铝合金层进行冷锻优化分析，获得最优铝合金层冷锻方案，就是说，在完成冲压后，基于最优铝合金层冷锻方案可对复合材料制品的尺寸进一步进行调整，且强化力学性能。其中，冷锻优化中，根据导热分布场与预设导热分布场的相似度，以及冷锻后的中层尺寸特征信息与所述内层尺寸特征信息的匹配度进行优化，具体方法如下详述。
获取铝合金层的冷锻方案空间，冷锻方案空间包括多个冷锻方案，其中，每个冷锻方案包括对铝合金层的多个位置进行不同次数的冷锻，具体可根据历史冷锻数据提取。在所述冷锻方案空间内随机选择一个冷锻方案作为第一冷锻方案。基于所述第一冷锻方案、钛层特征信息和中层尺寸特征信息，进行模拟冷锻，具体来说，可基于现有的数字孪生建模软件基于历史冷锻数据进行冷锻建模，获得冷锻模拟模型，数字孪生建模是本领域技术人员常用技术手段，在此不进行展开。以冷锻模拟模型对所述第一冷锻方案、钛层特征信息和中层尺寸特征信息，进行模拟冷锻，读取冷锻后的第一中层尺寸特征信息，第一中层尺寸特征信息包括冷锻后中层，即铝合金层上不同位置处的尺寸，进而通过前述的导热分布分析分支对第一中层尺寸特征信息进行导热性能分析，获得第一导热分布场。
进一步基于所述第一中层尺寸特征信息，与所述内层尺寸特征信息进行匹配度分析，获得第一匹配度，可以理解的，中层与内层最终需要贴合在一起，因此两者的尺寸需要相匹配，否则会出现空隙，第一匹配度用于表示中层和内层的贴合度。进一步基于所述第一导热分布场与预设导热分布场进行相似度分析，获得第一相似度，预设导热分布场由本领域技术人员结合实际自行设定，可以立即为理想情况下的导热分布场。对第一相似度和所述第一匹配度进行加权平均计算，获得第一适应度。具体计算方法如下：
基于历史加工数据获取样本中层尺寸特征信息集合和样本内层尺寸特征信息集合，并基于现有技术对样本中层尺寸特征信息集合和样本内层尺寸特征信息集合进行匹配度评估，获取样本匹配度集合。基于现有的机器学习模型构建尺寸匹配度分析器，并采用所述样本中层尺寸特征信息集合、样本内层尺寸特征信息集合和样本匹配度集合对尺寸匹配度分析器进行训练，以所述样本中层尺寸特征信息集合、样本内层尺寸特征信息集合中的数据作为输入，以样本匹配度集合中对应的样本匹配度进行输出监督调整，由此将尺寸匹配度分析器训练至收敛。
进一步基于历史加工数据获取样本导热分布场集合，结合预设导热分布场，进行相似度评估，并对样本导热分布场集合中的样本导热分布场分别与预设导热分布场进行相似性比对，示例性的，以样本导热分布场分别与预设导热分布场相同的部分所占的比例作为样本相似度，获得样本相似度集合。采用所述样本导热分布场集合、预设导热分布场和样本相似度集合，基于孪生网络，构建导热相似度分析器，孪生网络是现有的一种深度学习网络，用于判断两个输入是否相似，本实施例中，用于判断输入的导热分布场与预设导热分布场是否相似，就是说，将所述样本导热分布场集合中的样本导热分布场与预设导热分布场输入导热相似度分析器，以样本相似度集合中对应的样本相似度进行输出监督调整，由此将导热相似度分析器训练至收敛。
采用所述尺寸匹配度分析器对所述第一中层尺寸特征信息，与所述内层尺寸特征信息进行匹配度分析，输出第一匹配度。采用导热相似度分析器，所述第一导热分布场与预设导热分布场进行相似度分析，输出第一相似度。对所述第一匹配度和第一相似度加权计算，获得所述第一适应度，加权计算的权重可由本领域技术人员自行设定。
由此实现对第一冷锻方案的适应度计算，第一适应度可表示第一冷锻方案的加工质量，第一适应度越大，加工质量越优，便于进行冷锻方案的优化筛选，提升复合材料制品的导热性能的导磁性能。
进一步的，再次在所述冷锻方案空间内随机生成获得除第一冷锻方案以外的其他冷锻方案作为第二冷锻方案，并采用与获取第一适应度相同的方法，处理获得第二适应度，结合所述第一适应度，生成适应度概率分布，就是计算第一适应度和第二适应度的适应度总和，然后以第一适应度与适应度总和之比作为第一适应度概率，以第二适应度与适应度总和之比作为第二适应度概率，两者之和为1，以第一适应度概率和第二适应度概率建立适应度概率分布。
随机生成大于0小于1的随机数，根据所述随机数在所述适应度概率分布内的落入位置，即判断所述随机数在第一适应度还是第二适应度，将落入位置对应的第一冷锻方案或第二冷锻方案作为继续进行冷锻优化的基础，进行冷锻优化，就是说，以第一冷锻方案或第二冷锻方案为基础，继续获取第三冷锻方案并重复上述步骤，以此类推，直到达到预设次数的优化迭代，获取适应度最高的冷锻方案作为最优铝合金层冷锻方案。
由此实现铝合金层的冷锻优化，提升复合材料制品的导热性能和加工质量。
基于所述导磁分布场，对所述导磁钢层进行冷锻优化分析，获得最优导磁钢层冷锻方案，其中，冷锻优化中，根据导磁分布场与预设导磁分布场的相似度，以及冷锻后的外层尺寸特征信息与冷锻后中层尺寸特征信息的匹配度进行优化；
采用与获取最优铝合金层冷锻方案相同的方法，基于所述导磁分布场，对所述导磁钢层进行冷锻优化分析，获得最优导磁钢层冷锻方案，其中，冷锻优化中，根据导磁分布场与预设导磁分布场的相似度，以及冷锻后的外层尺寸特征信息与冷锻后中层尺寸特征信息的匹配度进行优化。
具体地，获取导磁钢层的第二冷锻方案空间，第二冷锻方案空间包含多个导磁钢层冷锻方案，每个导磁钢层冷锻方案包括对导磁钢层的多个位置进行不同次数的冷锻，在所述第二冷锻方案空间内随机生成获得第一导磁钢层冷锻方案。基于所述第一导磁钢层冷锻方案、导磁钢层特征信息和外层尺寸特征信息，进行模拟冷锻，获取冷锻后的第一外层尺寸特征信息，并进行导磁性能分析，获得第一导磁分布场。基于所述第一外层尺寸特征信息，与所述中层尺寸特征信息进行匹配度分析，获得对应匹配度，基于所述第一导磁分布场与预设导磁分布场进行相似度分析，获得对应相似度，结合匹配度加权计算获得第一导磁钢层适应度；
再次在第二冷锻方案空间内随机生成获得第二导磁钢层冷锻方案，并处理获得第二导磁钢层适应度，结合所述第一导磁钢层适应度，生成导磁钢层适应度概率分布，随机生成大于0小于1的随机数，根据所述随机数在导磁钢层适应度概率分布的落入位置，将第一导磁钢层冷锻方案或第二导磁钢层冷锻方案作为继续进行冷锻优化的基础，进行冷锻优化，获得最优导磁钢层冷锻方案。
采用所述最优铝合金层冷锻方案和最优导磁钢层冷锻方案，对所述铝合金层和导磁钢层进行冷锻，然后结合所述钛层进行钎焊成型，进行复合材料制品加工。
最后，采用所述最优铝合金层冷锻方案和最优导磁钢层冷锻方案，对所述铝合金层和导磁钢层进行冷锻，然后结合所述钛层进行钎焊成型，就是将钛层、铝合金层和导磁钢层焊接贴合在一起，进行复合材料制品加工。
基于上述分析可知，本申请提供的一个或多个技术方案，可达到的有益效果如下：
获取待进行成型加工的复合材料制品的多层复合材料的多个材料特征信息，其中，复合材料制品为锅，所述多层复合材料包括钛层、铝合金层和导磁钢层，多个材料特征信息包括钛层特征信息、铝合金特征信息和导磁钢特征信息，根据多个材料特征信息，对钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，并在完成后测试获得内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息，基于中层尺寸特征信息和外层尺寸特征信息，进行导热性能和导磁性能分析，生成导热分布场和导磁分布场，基于导热分布场，对铝合金层进行冷锻优化分析，获得最优铝合金层冷锻方案，其中，冷锻优化中，根据导热分布场与预设导热分布场的相似度，以及冷锻后的中层尺寸特征信息与内层尺寸特征信息的匹配度进行优化，基于导磁分布场，对导磁钢层进行冷锻优化分析，获得最优导磁钢层冷锻方案，其中，冷锻优化中，根据导磁分布场与预设导磁分布场的相似度，以及冷锻后的外层尺寸特征信息与冷锻后中层尺寸特征信息的匹配度进行优化，采用最优铝合金层冷锻方案和最优导磁钢层冷锻方案，对铝合金层和导磁钢层进行冷锻，然后结合钛层进行钎焊成型，进行复合材料制品加工。通过对钛层、铝合金层和导磁钢层进行冲压参数优化后，对铝合金层和导磁钢层进行冷锻工艺优化，达到提升复合材料制品的加工质量，同时提升导热性能和导磁性能的技术效果。
实施例二
基于与前述实施例中一种复合材料制品成型加工控制方法同样的发明构思，如图2所示，本申请还提供了一种复合材料制品成型加工控制系统，所述系统包括：
材料特征信息获取模块11，所述材料特征信息获取模块11用于获取待进行成型加工的复合材料制品的多层复合材料的多个材料特征信息，其中，复合材料制品为锅，所述多层复合材料包括钛层、铝合金层和导磁钢层，多个材料特征信息包括钛层特征信息、铝合金特征信息和导磁钢特征信息；
成型测试模块12，所述成型测试模块12用于根据所述多个材料特征信息，对钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，并在完成后测试获得内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息；
性能分析模块13，所述性能分析模块13用于基于所述中层尺寸特征信息和外层尺寸特征信息，进行导热性能和导磁性能分析，生成导热分布场和导磁分布场；
第一冷锻优化分析模块14，所述第一冷锻优化分析模块14用于基于所述导热分布场，对所述铝合金层进行冷锻优化分析，获得最优铝合金层冷锻方案，其中，冷锻优化中，根据导热分布场与预设导热分布场的相似度，以及冷锻后的中层尺寸特征信息与所述内层尺寸特征信息的匹配度进行优化；
第二冷锻优化分析模块15，所述第二冷锻优化分析模块15用于基于所述导磁分布场，对所述导磁钢层进行冷锻优化分析，获得最优导磁钢层冷锻方案，其中，冷锻优化中，根据导磁分布场与预设导磁分布场的相似度，以及冷锻后的外层尺寸特征信息与冷锻后中层尺寸特征信息的匹配度进行优化；
成型加工模块16，所述成型加工模块16用于采用所述最优铝合金层冷锻方案和最优导磁钢层冷锻方案，对所述铝合金层和导磁钢层进行冷锻，然后结合所述钛层进行钎焊成型，进行复合材料制品加工。
进一步而言，所述材料特征信息获取模块11还包括：
获取待进行成型加工的复合材料制品的多层复合材料，多层复合材料包括钛层、铝合金层和导磁钢层；
采集所述钛层、铝合金层和导磁钢层的材料成分信息和材料性能信息，获得多个材料特征信息。
进一步而言，所述成型测试模块12还包括：
获取所述钛层、铝合金层和导磁钢层的内层预设尺寸要求、中层预设尺寸要求和外层预设尺寸要求；
基于钛层、铝合金层和导磁钢层的历史冲压数据，采集三个样本材料特征信息集合、三个样本冲压参数集合和三个样本冲压尺寸信息集合；
采用所述三个样本材料特征信息集合、三个样本冲压参数集合和三个样本冲压尺寸信息集合，构建冲压尺寸预测器，所述冲压尺寸预测器包括三个冲压尺寸预测分支；
基于所述冲压尺寸预测器，对所述钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，进行冲压，并测试获得内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息。
进一步而言，所述成型测试模块12还包括：
获取三个冲压参数范围；
在三个冲压参数范围内随机生成冲压参数，结合所述多个材料特征信息，基于冲压尺寸预测器，预测获得三个冲压尺寸信息，分别判断是否满足所述内层预设尺寸要求、中层预设尺寸要求和外层预设尺寸要求；
若是，则获得三个合格冲压参数，若否，则继续进行冲压参数的随机生成和优化，直到获得三个合格冲压参数。
进一步而言，所述性能分析模块13还包括：
获取样本中层尺寸特征信息集合和样本外层尺寸特征信息集合，并进行导热性能和导磁性能测试，获得样本导热分布场集合和样本导磁分布场集合；
采用所述样本中层尺寸特征信息集合和样本导热分布场集合，构建导热分布分析分支，采用所述样本外层尺寸特征信息集合和样本导磁分布场集合，构建导磁分布分析分支；
结合所述导热分布分析分支和导磁分布分析分支，获得性能分布分析器；
采用所述性能分布分析器，对所述中层尺寸特征信息和外层尺寸特征信息进行性能分布分析，获得所述导热分布场和导磁分布场。
进一步而言，所述第一冷锻优化分析模块14还包括：
获取铝合金层的冷锻方案空间，其中，每个冷锻方案包括对铝合金层的多个位置进行不同次数的冷锻；
在所述冷锻方案空间内随机生成获得第一冷锻方案；
基于所述第一冷锻方案、钛层特征信息和中层尺寸特征信息，进行模拟冷锻，获取冷锻后的第一中层尺寸特征信息，并进行导热性能分析，获得第一导热分布场；
基于所述第一中层尺寸特征信息，与所述内层尺寸特征信息进行匹配度分析，获得第一匹配度，基于所述第一导热分布场与预设导热分布场进行相似度分析，获得第一相似度，结合所述第一匹配度，计算获得第一适应度；
再次在所述冷锻方案空间内随机生成获得第二冷锻方案，并处理获得第二适应度，结合所述第一适应度，生成适应度概率分布；
随机生成大于0小于1的随机数，根据所述随机数在所述适应度概率分布内的落入位置，将第一冷锻方案或第二冷锻方案作为继续进行冷锻优化的基础，进行冷锻优化，获得最优铝合金层冷锻方案。
进一步而言，所述第一冷锻优化分析模块14还包括：
获取样本中层尺寸特征信息集合和样本内层尺寸特征信息集合，并进行匹配度评估，获取样本匹配度集合；
采用所述样本中层尺寸特征信息集合、样本内层尺寸特征信息集合和样本匹配度集合，构建尺寸匹配度分析器；
获取样本导热分布场集合，结合预设导热分布场，进行相似度评估，获得样本相似度集合；
采用所述样本导热分布场集合、预设导热分布场和样本相似度集合，基于孪生网络，构建导热相似度分析器；
采用所述尺寸匹配度分析器和导热相似度分析器，分别分析获得所述第一匹配度和第一相似度；
对所述第一匹配度和第一相似度加权计算，获得所述第一适应度。
前述实施例一中的一种复合材料制品成型加工控制方法具体实例同样适用于本实施例的一种复合材料制品成型加工控制系统，通过前述对一种复合材料制品成型加工控制方法的详细描述，本领域技术人员可以清楚地知道本实施例中一种复合材料制品成型加工控制系统，所以为了说明书的简洁，在此不再详述。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (8)
1.一种复合材料制品成型加工控制方法，其特征在于，所述方法包括：
获取待进行成型加工的复合材料制品的多层复合材料的多个材料特征信息，其中，复合材料制品为锅，所述多层复合材料包括钛层、铝合金层和导磁钢层，多个材料特征信息包括钛层特征信息、铝合金特征信息和导磁钢特征信息；
根据所述多个材料特征信息，对钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，并在完成后测试获得内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息；
基于所述中层尺寸特征信息和外层尺寸特征信息，进行导热性能和导磁性能分析，生成导热分布场和导磁分布场；
基于所述导热分布场，对所述铝合金层进行冷锻优化分析，获得最优铝合金层冷锻方案，其中，冷锻优化中，根据导热分布场与预设导热分布场的相似度，以及冷锻后的中层尺寸特征信息与所述内层尺寸特征信息的匹配度进行优化；
基于所述导磁分布场，对所述导磁钢层进行冷锻优化分析，获得最优导磁钢层冷锻方案，其中，冷锻优化中，根据导磁分布场与预设导磁分布场的相似度，以及冷锻后的外层尺寸特征信息与冷锻后中层尺寸特征信息的匹配度进行优化；
采用所述最优铝合金层冷锻方案和最优导磁钢层冷锻方案，对所述铝合金层和导磁钢层进行冷锻，然后结合所述钛层进行钎焊成型，进行复合材料制品加工。
2.根据权利要求1所述的方法，其特征在于，获取待进行成型加工的复合材料制品的多层复合材料的多个材料特征信息，包括：
获取待进行成型加工的复合材料制品的多层复合材料，多层复合材料包括钛层、铝合金层和导磁钢层；
采集所述钛层、铝合金层和导磁钢层的材料成分信息和材料性能信息，获得多个材料特征信息。
3.根据权利要求1所述的方法，其特征在于，根据所述多个材料特征信息，对钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，并在完成后测试获得内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息，包括：
获取所述钛层、铝合金层和导磁钢层的内层预设尺寸要求、中层预设尺寸要求和外层预设尺寸要求；
基于钛层、铝合金层和导磁钢层的历史冲压数据，采集三个样本材料特征信息集合、三个样本冲压参数集合和三个样本冲压尺寸信息集合；
采用所述三个样本材料特征信息集合、三个样本冲压参数集合和三个样本冲压尺寸信息集合，构建冲压尺寸预测器，所述冲压尺寸预测器包括三个冲压尺寸预测分支；
基于所述冲压尺寸预测器，对所述钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，进行冲压，并测试获得内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息。
4.根据权利要求3所述的方法，其特征在于，基于所述冲压尺寸预测器，对所述钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，包括：
获取三个冲压参数范围；
在三个冲压参数范围内随机生成冲压参数，结合所述多个材料特征信息，基于冲压尺寸预测器，预测获得三个冲压尺寸信息，分别判断是否满足所述内层预设尺寸要求、中层预设尺寸要求和外层预设尺寸要求；
若是，则获得三个合格冲压参数，若否，则继续进行冲压参数的随机生成和优化，直到获得三个合格冲压参数。
5.根据权利要求1所述的方法，其特征在于，基于所述中层尺寸特征信息和外层尺寸特征信息，进行导热性能和导磁性能分析，生成导热分布场和导磁分布场，包括：
获取样本中层尺寸特征信息集合和样本外层尺寸特征信息集合，并进行导热性能和导磁性能测试，获得样本导热分布场集合和样本导磁分布场集合；
采用所述样本中层尺寸特征信息集合和样本导热分布场集合，构建导热分布分析分支，采用所述样本外层尺寸特征信息集合和样本导磁分布场集合，构建导磁分布分析分支；
结合所述导热分布分析分支和导磁分布分析分支，获得性能分布分析器；
采用所述性能分布分析器，对所述中层尺寸特征信息和外层尺寸特征信息进行性能分布分析，获得所述导热分布场和导磁分布场。
6.根据权利要求1所述的方法，其特征在于，基于所述导热分布场，对所述铝合金层进行冷锻优化分析，获得最优铝合金层冷锻方案，包括：
获取铝合金层的冷锻方案空间，其中，每个冷锻方案包括对铝合金层的多个位置进行不同次数的冷锻；
在所述冷锻方案空间内随机生成获得第一冷锻方案；
基于所述第一冷锻方案、钛层特征信息和中层尺寸特征信息，进行模拟冷锻，获取冷锻后的第一中层尺寸特征信息，并进行导热性能分析，获得第一导热分布场；
基于所述第一中层尺寸特征信息，与所述内层尺寸特征信息进行匹配度分析，获得第一匹配度，基于所述第一导热分布场与预设导热分布场进行相似度分析，获得第一相似度，结合所述第一匹配度，计算获得第一适应度；
再次在所述冷锻方案空间内随机生成获得第二冷锻方案，并处理获得第二适应度，结合所述第一适应度，生成适应度概率分布；
随机生成大于0小于1的随机数，根据所述随机数在所述适应度概率分布内的落入位置，将第一冷锻方案或第二冷锻方案作为继续进行冷锻优化的基础，进行冷锻优化，获得最优铝合金层冷锻方案。
7.根据权利要求6所述的方法，其特征在于，基于所述第一中层尺寸特征信息，与所述内层尺寸特征信息进行匹配度分析，获得第一匹配度，基于所述第一导热分布场与预设导热分布场进行相似度分析，获得第一相似度，结合所述第一匹配度，计算获得第一适应度，包括：
获取样本中层尺寸特征信息集合和样本内层尺寸特征信息集合，并进行匹配度评估，获取样本匹配度集合；
采用所述样本中层尺寸特征信息集合、样本内层尺寸特征信息集合和样本匹配度集合，构建尺寸匹配度分析器；
获取样本导热分布场集合，结合预设导热分布场，进行相似度评估，获得样本相似度集合；
采用所述样本导热分布场集合、预设导热分布场和样本相似度集合，基于孪生网络，构建导热相似度分析器；
采用所述尺寸匹配度分析器和导热相似度分析器，分别分析获得所述第一匹配度和第一相似度；
对所述第一匹配度和第一相似度加权计算，获得所述第一适应度。
8.一种复合材料制品成型加工控制系统，其特征在于，用于执行权利要求1至7任意一项所述方法的步骤，所述系统包括：
材料特征信息获取模块，所述材料特征信息获取模块用于获取待进行成型加工的复合材料制品的多层复合材料的多个材料特征信息，其中，复合材料制品为锅，所述多层复合材料包括钛层、铝合金层和导磁钢层，多个材料特征信息包括钛层特征信息、铝合金特征信息和导磁钢特征信息；
成型测试模块，所述成型测试模块用于根据所述多个材料特征信息，对钛层、铝合金层和导磁钢层进行优化冲压成型，直到满足预设尺寸要求，并在完成后测试获得内层尺寸特征信息、中层尺寸特征信息和外层尺寸特征信息；
性能分析模块，所述性能分析模块用于基于所述中层尺寸特征信息和外层尺寸特征信息，进行导热性能和导磁性能分析，生成导热分布场和导磁分布场；
第一冷锻优化分析模块，所述第一冷锻优化分析模块用于基于所述导热分布场，对所述铝合金层进行冷锻优化分析，获得最优铝合金层冷锻方案，其中，冷锻优化中，根据导热分布场与预设导热分布场的相似度，以及冷锻后的中层尺寸特征信息与所述内层尺寸特征信息的匹配度进行优化；
第二冷锻优化分析模块，所述第二冷锻优化分析模块用于基于所述导磁分布场，对所述导磁钢层进行冷锻优化分析，获得最优导磁钢层冷锻方案，其中，冷锻优化中，根据导磁分布场与预设导磁分布场的相似度，以及冷锻后的外层尺寸特征信息与冷锻后中层尺寸特征信息的匹配度进行优化；
成型加工模块，所述成型加工模块用于采用所述最优铝合金层冷锻方案和最优导磁钢层冷锻方案，对所述铝合金层和导磁钢层进行冷锻，然后结合所述钛层进行钎焊成型，进行复合材料制品加工。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137874.5A CN117689085B (zh) | 2024-02-01 | 2024-02-01 | 一种复合材料制品成型加工控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137874.5A CN117689085B (zh) | 2024-02-01 | 2024-02-01 | 一种复合材料制品成型加工控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117689085A CN117689085A (zh) | 2024-03-12 |
| CN117689085B true CN117689085B (zh) | 2024-05-24 |
Family
ID=90128508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410137874.5A Active CN117689085B (zh) | 2024-02-01 | 2024-02-01 | 一种复合材料制品成型加工控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117689085B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0852065A (ja) * | 1994-08-17 | 1996-02-27 | Toshiba Corp | 電磁調理器用鍋およびその鍋を使用した電磁調理炊飯器 |
| JPH09108851A (ja) * | 1995-10-13 | 1997-04-28 | Kobe Steel Ltd | 電磁調理器用容器の鍛造圧接方法 |
| CN106235864A (zh) * | 2016-08-11 | 2016-12-21 | 汕头大学 | 一种导磁陶瓷锅及其制备工艺 |
| CN110449844A (zh) * | 2019-09-05 | 2019-11-15 | 应亮 | 一种钛锅制作工艺 |
| CN112643291A (zh) * | 2020-12-01 | 2021-04-13 | 李冬阳 | 一种一体压铸成型复合炊具的制备方法 |
| CN114645239A (zh) * | 2022-03-02 | 2022-06-21 | 爱仕达股份有限公司 | 一种烹饪锅具及其制备方法 |
-
2024
- 2024-02-01 CN CN202410137874.5A patent/CN117689085B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0852065A (ja) * | 1994-08-17 | 1996-02-27 | Toshiba Corp | 電磁調理器用鍋およびその鍋を使用した電磁調理炊飯器 |
| JPH09108851A (ja) * | 1995-10-13 | 1997-04-28 | Kobe Steel Ltd | 電磁調理器用容器の鍛造圧接方法 |
| CN106235864A (zh) * | 2016-08-11 | 2016-12-21 | 汕头大学 | 一种导磁陶瓷锅及其制备工艺 |
| CN110449844A (zh) * | 2019-09-05 | 2019-11-15 | 应亮 | 一种钛锅制作工艺 |
| CN112643291A (zh) * | 2020-12-01 | 2021-04-13 | 李冬阳 | 一种一体压铸成型复合炊具的制备方法 |
| CN114645239A (zh) * | 2022-03-02 | 2022-06-21 | 爱仕达股份有限公司 | 一种烹饪锅具及其制备方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117689085A (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stoffel et al. | Deep convolutional neural networks in structural dynamics under consideration of viscoplastic material behaviour | |
| CN110659718A (zh) | 基于深度卷积神经网络的小卷积核细胞计数方法及系统 | |
| CN105929024A (zh) | 混凝土缺陷智能化检测与定量识别方法 | |
| CN104867138A (zh) | 基于pca和ga-elm的立体图像质量客观评价方法 | |
| CN108596016A (zh) | 一种基于深度神经网络的个性化头相关传输函数建模方法 | |
| CN113191178B (zh) | 一种基于听觉感知特征深度学习的水声目标识别方法 | |
| CN110096810A (zh) | 一种基于逐层数据扩充深度学习的工业过程软测量方法 | |
| CN117689085B (zh) | 一种复合材料制品成型加工控制方法及系统 | |
| CN108735192A (zh) | 一种结合曲风的钢琴演奏音质评价系统及方法 | |
| CN114091539A (zh) | 一种多模态深度学习的滚动轴承故障诊断方法 | |
| CN113420385A (zh) | 一种基于机器学习的钢材微观组织力学性能预测方法 | |
| CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
| CN117990865B (zh) | 基于三层共挤吹膜的复合膜袋性能测试方法及系统 | |
| Bui et al. | Improved knowledge-based neural network (KBNN) model for predicting spring-back angles in metal sheet bending | |
| CN111579634A (zh) | 一种铁磁性材料表面残余应力的抽样评估方法 | |
| CN106443243A (zh) | 一种电磁环境对装备性能影响因素的主次关系分析方法 | |
| CN116299684A (zh) | 基于人工神经网络中双模态神经元的新型微震分类方法 | |
| CN116399588A (zh) | 一种小样本下基于WPD和AFRB-LWUNet的滚动轴承故障诊断方法 | |
| CN102620980B (zh) | 一种利用神经网络预报板材成形性能的方法 | |
| Sha et al. | Deep transfer learning-enabled hardness classification of bearing rings using pulsed eddy current testing | |
| CN107723527A (zh) | 一种汽车轻量化底盘铝合金结构件及其制备方法 | |
| Yan et al. | FilterNet: A deep convolutional neural network for measuring plastic deformation from raw Barkhausen noise waveform | |
| CN112861949B (zh) | 一种基于人脸和声音的情绪预测方法和系统 | |
| CN112836433A (zh) | 高温合金晶粒尺寸识别模型的构建方法及尺寸识别方法 | |
| CN112036353A (zh) | 一种基于内存的协同过滤轴承电流损伤故障识别方法 |
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 | ||
| GR01 | Patent grant |