基于遺傳算法的鋁型材擠壓模具CAE/CAO系統(tǒng)的研發(fā)

1.引言

模具手藝 是鋁型材擠壓的焦點(diǎn) 手藝 ，直接影響產(chǎn)物 質(zhì)量、臨盆 效力 及臨盆 本錢 。傳統(tǒng)的鋁型材擠壓模具設(shè)計(jì)首要 依托 工程類比和設(shè)計(jì)經(jīng)驗(yàn)，其設(shè)計(jì)流程通常為 依照 “設(shè)計(jì)—頻頻 試模—頻頻 修模、改模—頻頻 調(diào)劑 擠壓工藝參數(shù)”的模式進(jìn)行，這類 經(jīng)驗(yàn)試錯(cuò)法（Trial and Error），對(duì) 新產(chǎn)物 的開辟 、工藝改良等存在設(shè)計(jì)周期長(zhǎng)、試模次數(shù)多、成材率低、臨盆 本錢 高檔 弱點(diǎn)。近些年 來，行使 較量爭(zhēng)論 機(jī)手藝 對(duì)模具參數(shù)進(jìn)行優(yōu)化設(shè)計(jì)逐步 引發(fā) 人們的存眷 ，其根基 模式是經(jīng)由過程 三維設(shè)計(jì)軟件建模，按照所成立的三維產(chǎn)物 模子 進(jìn)行模具設(shè)計(jì)，行使 闡明軟件對(duì)所設(shè)計(jì)的擠壓模具進(jìn)行擠壓進(jìn)程 的有限元摹擬 來獲得方針函數(shù)值，由此成立人工神經(jīng)收集 模子 并生成神經(jīng)收集 常識(shí) 源，連系 遺傳算法的全局尋優(yōu)模子 實(shí)現(xiàn)方針值的最優(yōu)化，最后經(jīng)由過程 數(shù)值仿真手藝 闡明和驗(yàn)證優(yōu)化效果 的有用 性。采取 這類 模式經(jīng)由過程 數(shù)字試模可有用 避免模具設(shè)計(jì)進(jìn)程 中經(jīng)驗(yàn)化、盲目化、反復(fù) 化的不足，年夜 幅度下降 模具本錢 。

國(guó)外在神經(jīng)收集 和遺傳算法方面的研究已較為成熟，但采取 神經(jīng)收集 和遺傳算法展開 擠壓模具優(yōu)化設(shè)計(jì)工作的報(bào)導(dǎo) 很少。已有的相干 報(bào)導(dǎo) 通常為 采取 上述模式實(shí)現(xiàn)單身分 或雙身分 （如模孔位置）的優(yōu)化[1,2,3]。本文將數(shù)值仿真、神經(jīng)收集 和遺傳算法手藝 有機(jī)連系 ，成立了一套完全 有用 的擠壓模具CAO系統(tǒng)，以實(shí)現(xiàn)鋁型材擠壓模的優(yōu)化設(shè)計(jì)。

2.理論模子

2.1BP收集 設(shè)計(jì)

BP神經(jīng)收集 （Back Propagation Neural Network）是一種能向著知足 給定的輸入輸出關(guān)系偏向 進(jìn)行自組織的神經(jīng)收集 ，最具代表性的是以旌旗燈號(hào) 處置理論為根本成長(zhǎng) 起來的前向多層神經(jīng)收集 及誤差反向流傳 [4]。人工神經(jīng)收集 經(jīng)由過程 進(jìn)修 和練習(xí) ，“記住”輸入到輸出間的一般映照 關(guān)系，從年夜 量離散嘗試數(shù)據(jù)中經(jīng)由過程 進(jìn)修 和練習(xí) ，提取其范疇 常識(shí) ，并將這些常識(shí) 默示為收集 聯(lián)絡(luò) 權(quán)值的年夜 小，進(jìn)而成立響應(yīng) 的數(shù)學(xué)模子 。

BP收集 從布局上看是一種分層型收集 ，具有輸入層、隱含層和輸出層三層布局，如圖1所示。

2.2遺傳算法

遺傳算法是一種群體性操作，該操作以群體中的所有個(gè)別 為對(duì)象。選擇、交叉和變異是遺傳算法的三個(gè)首要 操作算子。遺傳算法包括 以下 6個(gè)根基 要素[5]：

(1) 參數(shù)編碼

經(jīng)由過程 編碼將它們默示成遺傳空間的基因型布局?jǐn)?shù)據(jù)，成立起解空間與染色體空間點(diǎn)的逐一 對(duì)應(yīng)關(guān)系。經(jīng)常使用 的編碼方式 首要 有二進(jìn)制符號(hào)編碼法和十進(jìn)制浮點(diǎn)數(shù)編碼法。

(2) 初始群體生成

在進(jìn)化的最先 必需 為遺傳把持預(yù)備 一個(gè)由若干初始解組成的初始群體，也稱為進(jìn)化的初始代，即第一代。初始群體的每一個(gè) 個(gè)別 都是經(jīng)由過程 隨機(jī)方式 發(fā)生 的。

(3) 順應(yīng) 度評(píng)估檢測(cè)

順應(yīng) 度是由方針函數(shù)值顛末某種函數(shù)關(guān)系轉(zhuǎn)換過來的。對(duì) 求最小值問題，順應(yīng) 度可經(jīng)由過程 下述函數(shù)獲得 ：

此中Cmax選擇有多種方式 ，可以取為輸入?yún)?shù)，到今朝 為止Fi的最年夜 值和在當(dāng)前群體中或 比來 幾代中Fi的最年夜 值。Cmax最好與群體無關(guān)。

(4) 選擇

選擇或復(fù)制操作是為了從當(dāng)前群體當(dāng)選 出優(yōu)秀 的個(gè)別 ，使它們有機(jī)遇 作為父代為下一代滋生 子孫。個(gè)別 順應(yīng) 度越高，其被選中的機(jī)遇 就越多。常采取 與順應(yīng) 度成比例的幾率 方式 進(jìn)行選擇。

(5) 交叉

交叉操作是遺傳算法中最首要 的遺傳操作。首要 有一點(diǎn)交叉，兩點(diǎn)交叉，多點(diǎn)交叉和一致交叉等。以簡(jiǎn)單的一點(diǎn)交叉為例，交叉分為兩步進(jìn)行：起首 對(duì)群體中個(gè)別 進(jìn)行隨機(jī)配對(duì)；其次，在配對(duì)個(gè)別 中隨機(jī)設(shè)定一個(gè)或多個(gè)交叉點(diǎn)，配對(duì)個(gè)別 交流 交叉點(diǎn)后面的所有基因位，構(gòu)成 兩個(gè)新的個(gè)別 。新個(gè)別 組成 子代群體。經(jīng)由過程 交叉，遺傳算法的搜刮 能力得以奔騰 提高。

(6) 變異

變異操作是對(duì)群體中個(gè)別 的某些基因位上的基因值做更動(dòng)，從而發(fā)生 一個(gè)在某些基因位分歧 于原個(gè)別 的新個(gè)別 。變異操作一樣 也是隨機(jī)進(jìn)行的。

2.3 正交實(shí)驗(yàn) 法[5]

正交實(shí)驗(yàn) 法是按照數(shù)理統(tǒng)計(jì)學(xué)的道理 ，從年夜 量的實(shí)驗(yàn) 中遴選 適當(dāng) 的具有代表性的實(shí)驗(yàn) 點(diǎn)，利用一種尺度 化了的“正交表”來公道 放置 多身分 實(shí)驗(yàn) 的一種科學(xué)方式 。由于具有平衡 分離性和整潔 可比性，所以可以提高實(shí)驗(yàn) 效力 ，削減 實(shí)驗(yàn) 次數(shù)。一般使用正交實(shí)驗(yàn) 法處置問題時(shí)，需要針對(duì)問題肯定 指標(biāo)、弄清影響身分 、選擇位極，然后選用正交表，放置 實(shí)驗(yàn) 。

2.4 鋁型材擠壓成形CAE系統(tǒng)的實(shí)現(xiàn)

鋁型材擠壓成形CAE子系統(tǒng)是磨練 CAD模子 設(shè)計(jì)是不是 公道 的有用 手段，也是展望鋁型材擠壓成形進(jìn)程 中金屬活動(dòng) 、金屬組織布局轉(zhuǎn)變 、應(yīng)力應(yīng)變散布 、溫度場(chǎng)散布 、擠壓工藝和模具參數(shù)對(duì)成形質(zhì)量的影響等紀(jì)律 的環(huán)節(jié)方式 。本文彩 取 已 成立的CAD系統(tǒng)成立鋁型材擠壓模具和坯料的三維幾何模子 ，并經(jīng)由過程 STL花式輸入到CAE系統(tǒng)中進(jìn)行仿真摹擬 ，為CAO系統(tǒng)供應(yīng) 練習(xí) 樣本。

3.CAO系統(tǒng)設(shè)計(jì)

鋁型材擠壓多種參數(shù)的優(yōu)化設(shè)計(jì)是一個(gè)組合優(yōu)化問題，難以用傳統(tǒng)數(shù)學(xué)優(yōu)化方式 解決。在利用鋁型材擠壓CAD/CAE手藝 成立鋁型材擠壓CAD模子 并對(duì)其成形進(jìn)程 及參數(shù)轉(zhuǎn)變 紀(jì)律 進(jìn)行CAE仿真的根本上，可以采取 基于正交嘗試、人工神經(jīng)收集 、曲線擬合和遺傳算法的鋁型材擠壓CAO手藝 成立鋁型材擠壓各參數(shù)與擠壓質(zhì)量間的關(guān)系映照 模子 ，并展望分歧 參數(shù)值搭配對(duì)擠壓質(zhì)量的影響，進(jìn)而肯定 優(yōu)化參數(shù)。

本文在MATLAB6.5軟件平臺(tái)上開辟 的鋁型材擠壓模具參數(shù)CAO系統(tǒng)（Computer Aided Optimization，較量爭(zhēng)論 機(jī)輔助優(yōu)化，簡(jiǎn)稱CAO）首要 包括：設(shè)計(jì)參數(shù)和方針函數(shù)選擇、正交嘗試組合放置 、人工神經(jīng)收集 建模、方針函數(shù)擬合、遺傳算法優(yōu)化、優(yōu)化效果 輸出等模塊。根基 步調(diào) 有：（1）肯定 鋁型材擠壓CAO的設(shè)計(jì)參數(shù)和方針函數(shù)，利用正交嘗試法放置 實(shí)驗(yàn) 組合，以較少的組組合數(shù)反應(yīng) 周全 的參數(shù)轉(zhuǎn)變 紀(jì)律 ；（2）對(duì) 每一種參數(shù)組合，采取 鋁型材擠壓CAD系統(tǒng)成立響應(yīng) 的模具及坯料模子 ，輸入到CAE系統(tǒng)中進(jìn)行仿真獲得方針函數(shù)，作為神經(jīng)收集 建模的練習(xí) 樣本；（3）用人工神經(jīng)收集 成立由CAE系統(tǒng)獲得 的設(shè)計(jì)參數(shù)和方針函數(shù)之間的映照 關(guān)系；（4）將神經(jīng)收集 獲得的映照 關(guān)系采取 曲線擬合、回歸闡明切近親近 求得設(shè)計(jì)變量與方針值的函數(shù)關(guān)系表達(dá)式作為遺傳算法的順應(yīng) 度函數(shù)；（5）遺傳算法求得模子 的全局最優(yōu)解并輸出。再將效果 輸入到CAE系統(tǒng)中進(jìn)行驗(yàn)證。其整體 框架如圖2所示。

圖2 鋁型材擠壓模CAE/CAO系統(tǒng)布局框架

3.1 肯定 方針函數(shù)

在鋁型材擠壓進(jìn)程 中，由于鋁型材斷面外形 比力復(fù)雜，各部位金屬都試圖以分歧 的流速流出?？?，但鋁型材作為一個(gè)整體卻阻礙了這一點(diǎn)的實(shí)現(xiàn)，進(jìn)而致使 鋁型材擠出后泛起 扭擰、海浪 、曲折 和裂紋等缺點(diǎn) 。是以 在優(yōu)化設(shè)計(jì)時(shí)應(yīng)以擠壓進(jìn)程 中平衡金屬流速為方針，拔取 金屬流速均方差作為方針參數(shù)，其具體界說 為：

此中：

N── 所斟酌 區(qū)域的特點(diǎn) 點(diǎn)數(shù)量 ，首要 闡明工作帶出口的速度散布 ，在工作帶出口Oxy截面上每隔3-5mm取一個(gè)特點(diǎn) 點(diǎn)。

── 研究截面上第i個(gè)特點(diǎn) 點(diǎn)坯料擠出的軸向速度；

── 研究截面上所有特點(diǎn) 點(diǎn)處坯料擠出的平均軸向速度。

明顯 ，SDV值越小越好，最好能到達(dá) 0，但現(xiàn)實(shí) 上是難以到達(dá) 的。在用遺傳算法優(yōu)化時(shí)，SDV值只能無窮 切近親近 0，是以 我們需要取一個(gè)比力公道 的SDV值作為要到達(dá) 的方針。

3.2 選擇優(yōu)化參數(shù)

本文需要成立導(dǎo)流模參數(shù)和SDV值之間的神經(jīng)收集 模子 ，圖3為一舛訛稱槽形鋁型材的截面外形 ，由于在擠壓進(jìn)程 中，?？椎墓?設(shè)置裝備擺設(shè) 和工作帶長(zhǎng)度的公道 較量爭(zhēng)論 直接影響到金屬活動(dòng) 的平衡 性。是以 選擇最小工作帶長(zhǎng)度和?？踪|(zhì)心偏移量作為優(yōu)化變量。

程度

因子

鋁型材質(zhì)心偏移量

/mm

最小工作帶長(zhǎng)度lbmin/mm

Sx

Sy

1

30

6

2.5

2

31

9

2.75

3

32

11

3.0

4

33

13

3.25

5

34

15

3.5

3.3 設(shè)計(jì)正交實(shí)驗(yàn)

由于優(yōu)化參數(shù)及其程度 多且影響復(fù)雜，為了可以或許 有用 的削減 摹擬 次數(shù)，采納正交設(shè)計(jì)進(jìn)行數(shù)值摹擬 實(shí)驗(yàn) 。正交實(shí)驗(yàn) 的身分 與程度 見表1。按照正交設(shè)計(jì)道理 ，設(shè)計(jì)正交實(shí)驗(yàn) 表如表2。

3.4 CAO建模與優(yōu)化

鋁型材擠壓參數(shù)CAO系統(tǒng)的主界面由神經(jīng)收集 和遺傳算法預(yù)處置區(qū)、運(yùn)行按鈕、優(yōu)化效果 后處置區(qū)、圖形顯示區(qū)，效果 輸出欄組成。

按照上述正交實(shí)驗(yàn) 表，組織 擠壓工模具和坯料的CAD/CAE模子 ，并進(jìn)行了CAE仿真求解，獲得了各個(gè)實(shí)驗(yàn) 方案的SDV值，如表3。

表2 舛訛稱槽形鋁型材擠壓方案正交實(shí)驗(yàn) 法

實(shí)驗(yàn) 號(hào)

各因子所取程度

實(shí)驗(yàn) 號(hào)

各因子所取程度

Sx

Sy

lbmin

Sx

Sy

lbmin

1

1

1

1

14

3

4

1

2

1

2

2

15

3

5

2

3

1

3

3

16

4

1

4

4

1

4

4

17

4

2

5

5

1

5

5

18

4

3

1

6

2

1

2

19

4

4

2

7

2

2

3

20

4

5

3

8

2

3

4

21

5

1

5

9

2

4

5

22

5

2

1

10

2

5

1

23

5

3

2

11

3

1

3

24

5

4

3

12

3

2

4

25

5

5

4

13

3

3

5

表3 舛訛稱槽形鋁型材CAE仿真SDV值

實(shí)驗(yàn) 號(hào)

SDV

實(shí)驗(yàn) 號(hào)

SDV

實(shí)驗(yàn) 號(hào)

SDV

實(shí)驗(yàn) 號(hào)

SDV

實(shí)驗(yàn) 號(hào)

SDV

1

0.2401

6

0.2971

11

0.2305

16

0.2792

21

0.2566

2

0.2810

7

0.2942

12

0.2413

17

0.2737

22

0.2727

3

0.2083

8

0.2248

13

0.2201

18

0.2977

23

0.2807

4

0.2167

9

0.2413

14

0.2662

19

0.2401

24

0.2166

5

0.2631

10

0.2812

15

0.2854

20

0.2201

25

0.2549

3.5 優(yōu)化效果 數(shù)值摹擬 驗(yàn)證

將SDV值和 所對(duì)應(yīng)的優(yōu)化參數(shù)值經(jīng)BP神經(jīng)頻頻 收集 建模與練習(xí) ，獲得鋁型材擠壓參數(shù)與SDV值間優(yōu)越 的神經(jīng)收集 映照 模子 。以練習(xí) 好的神經(jīng)收集 模子 作為常識(shí) 庫，對(duì)各參數(shù)進(jìn)行遺傳算法優(yōu)化。獲得的最優(yōu)解為：

最小工作帶長(zhǎng)度= 3.045mm； 鋁型材質(zhì)心偏移：Sx=36.279mm；Sy=13.423mm。

顛末優(yōu)化后的SDV=0.1220，較優(yōu)化前有較年夜 的削減 ，申明 金屬活動(dòng) 更加 平均 。

圖4為圖3所示的實(shí)心鋁型材擠壓時(shí)的金屬Z向流速散布 。

由圖可知，在擠壓初始階段，由于設(shè)計(jì)時(shí)將坯料直徑界說 為與擠壓筒直徑相等，是以 不存在坯料的鐓粗現(xiàn)象。在擠壓進(jìn)程 中，坯料與模具、坯料與擠壓筒之間存在猛烈 的磨擦 感化 ，致使 在接近 ?？谔幣髁匣顒?dòng) 復(fù)雜，分外是在?？谕庑?突變處。這是由于 在?？谔幜P 歧 流向的坯料發(fā)生交匯，而外形 突變的部位，各流向之間的差別 性更年夜 ，這類 差別 性造成了坯料活動(dòng) 環(huán)境的復(fù)雜性。是以 ，在設(shè)計(jì)模具時(shí)平常采取 增年夜 圓角半徑的方式 來減小流速梯度。

從金屬的Z向流速年夜 小闡明，發(fā)現(xiàn)擠壓截面壁厚較年夜 處流速顯明快于壁厚較小處，這是由于 在設(shè)計(jì)模具時(shí)，為了更好的不雅 察質(zhì)心位置對(duì)金屬流速的影響，將?？踪|(zhì)心與模具中間 重合，壁厚較年夜 處與壁厚較小處相對(duì) 模具中間 的距離相等，造成截面流速發(fā)生差別 ，工作帶長(zhǎng)度已沒法 對(duì)金屬流速的不平均 性起到調(diào)理 感化 。是以 在進(jìn)行模具優(yōu)化時(shí)，應(yīng)重點(diǎn)斟酌 ?？椎馁|(zhì)心位置，已到達(dá) 金屬平均 流出?？椎男Ч?p/>

4.結(jié)論

成立了BP神經(jīng)收集 、數(shù)值摹擬 和遺傳算法相連系 的鋁型材擠壓模具優(yōu)化模子 。由正交嘗試法肯定 摹擬 嘗試組合，采取 DEFORM軟件對(duì)鋁型材擠壓進(jìn)程 進(jìn)行數(shù)值摹擬 ，成立了一套完全 有用 的擠壓模具CAE/CAO系統(tǒng)。并在比較 闡清楚明了 舛訛稱槽形鋁型材擠壓模優(yōu)化前后金屬活動(dòng) 平均 性的根本上，進(jìn)行了模具設(shè)計(jì)參數(shù)和擠壓工藝參數(shù)的優(yōu)化。鋁型材擠壓是一個(gè)多參數(shù)耦合感化 的、復(fù)雜的、離散性的系統(tǒng)，各個(gè)參數(shù)的轉(zhuǎn)變 規(guī)模差別 很年夜 ，很難用傳統(tǒng)的數(shù)學(xué)優(yōu)化方式 解決。本文以有限元摹擬 成形進(jìn)程 為根本，基于MATLAB平臺(tái)，采取 正交嘗試法、BP神經(jīng)收集 與遺傳算法，開辟 了鋁型材擠壓模具CAO系統(tǒng)，進(jìn)而優(yōu)化工藝參數(shù)。經(jīng)由過程 對(duì)舛訛稱槽形鋁型材和簡(jiǎn)單方管鋁型材的模具進(jìn)行的參數(shù)優(yōu)化，證實(shí) 顛末優(yōu)化后的模具，金屬活動(dòng) 更加 平均 。