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 手藝 ，直接影響產物 質量、臨盆 效力 及臨盆 本錢 。傳統(tǒng)的鋁型材擠壓模具設計首要 依托 工程類比和設計經驗，其設計流程通常為 依照 “設計—頻頻 試模—頻頻 修模、改模—頻頻 調劑 擠壓工藝參數”的模式進行，這類 經驗試錯法（Trial and Error），對 新產物 的開辟 、工藝改良等存在設計周期長、試模次數多、成材率低、臨盆 本錢 高檔 弱點。近些年 來，行使 較量爭論 機手藝 對模具參數進行優(yōu)化設計逐步 引發(fā) 人們的存眷 ，其根基 模式是經由過程 三維設計軟件建模，按照所成立的三維產物 模子 進行模具設計，行使 闡明軟件對所設計的擠壓模具進行擠壓進程 的有限元摹擬 來獲得方針函數值，由此成立人工神經收集 模子 并生成神經收集 常識 源，連系 遺傳算法的全局尋優(yōu)模子 實現方針值的最優(yōu)化，最后經由過程 數值仿真手藝 闡明和驗證優(yōu)化效果 的有用 性。采取 這類 模式經由過程 數字試?？捎杏?避免模具設計進程 中經驗化、盲目化、反復 化的不足，年夜 幅度下降 模具本錢 。

國外在神經收集 和遺傳算法方面的研究已較為成熟，但采取 神經收集 和遺傳算法展開 擠壓模具優(yōu)化設計工作的報導 很少。已有的相干 報導 通常為 采取 上述模式實現單身分 或雙身分 （如?？孜恢茫┑膬?yōu)化[1,2,3]。本文將數值仿真、神經收集 和遺傳算法手藝 有機連系 ，成立了一套完全 有用 的擠壓模具CAO系統(tǒng)，以實現鋁型材擠壓模的優(yōu)化設計。

2.理論模子

2.1BP收集 設計

BP神經收集 （Back Propagation Neural Network）是一種能向著知足 給定的輸入輸出關系偏向 進行自組織的神經收集 ，最具代表性的是以旌旗燈號 處置理論為根本成長 起來的前向多層神經收集 及誤差反向流傳 [4]。人工神經收集 經由過程 進修 和練習 ，“記住”輸入到輸出間的一般映照 關系，從年夜 量離散嘗試數據中經由過程 進修 和練習 ，提取其范疇 常識 ，并將這些常識 默示為收集 聯(lián)絡 權值的年夜 小，進而成立響應 的數學模子 。

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別 為對象。選擇、交叉和變異是遺傳算法的三個首要 操作算子。遺傳算法包括 以下 6個根基 要素[5]：

(1) 參數編碼

經由過程 編碼將它們默示成遺傳空間的基因型布局數據，成立起解空間與染色體空間點的逐一 對應關系。經常使用 的編碼方式 首要 有二進制符號編碼法和十進制浮點數編碼法。

(2) 初始群體生成

在進化的最先 必需 為遺傳把持預備 一個由若干初始解組成的初始群體，也稱為進化的初始代，即第一代。初始群體的每一個 個別 都是經由過程 隨機方式 發(fā)生 的。

(3) 順應 度評估檢測

順應 度是由方針函數值顛末某種函數關系轉換過來的。對 求最小值問題，順應 度可經由過程 下述函數獲得 ：

此中Cmax選擇有多種方式 ，可以取為輸入參數，到今朝 為止Fi的最年夜 值和在當前群體中或 比來 幾代中Fi的最年夜 值。Cmax最好與群體無關。

(4) 選擇

選擇或復制操作是為了從當前群體當選 出優(yōu)秀 的個別 ，使它們有機遇 作為父代為下一代滋生 子孫。個別 順應 度越高，其被選中的機遇 就越多。常采取 與順應 度成比例的幾率 方式 進行選擇。

(5) 交叉

交叉操作是遺傳算法中最首要 的遺傳操作。首要 有一點交叉，兩點交叉，多點交叉和一致交叉等。以簡單的一點交叉為例，交叉分為兩步進行：起首 對群體中個別 進行隨機配對；其次，在配對個別 中隨機設定一個或多個交叉點，配對個別 交流 交叉點后面的所有基因位，構成 兩個新的個別 。新個別 組成 子代群體。經由過程 交叉，遺傳算法的搜刮 能力得以奔騰 提高。

(6) 變異

變異操作是對群體中個別 的某些基因位上的基因值做更動，從而發(fā)生 一個在某些基因位分歧 于原個別 的新個別 。變異操作一樣 也是隨機進行的。

2.3 正交實驗 法[5]

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

2.4 鋁型材擠壓成形CAE系統(tǒng)的實現

鋁型材擠壓成形CAE子系統(tǒng)是磨練 CAD模子 設計是不是 公道 的有用 手段，也是展望鋁型材擠壓成形進程 中金屬活動 、金屬組織布局轉變 、應力應變散布 、溫度場散布 、擠壓工藝和模具參數對成形質量的影響等紀律 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 ，并經由過程 STL花式輸入到CAE系統(tǒng)中進行仿真摹擬 ，為CAO系統(tǒng)供應 練習 樣本。

3.CAO系統(tǒng)設計

鋁型材擠壓多種參數的優(yōu)化設計是一個組合優(yōu)化問題，難以用傳統(tǒng)數學優(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 并對其成形進程 及參數轉變 紀律 進行CAE仿真的根本上，可以采取 基于正交嘗試、人工神經收集 、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與擠壓質量間的關系映照 模子 ，并展望分歧 參數值搭配對擠壓質量的影響，進而肯定 優(yōu)化參數。

本文在MATLAB6.5軟件平臺上開辟 的鋁型材擠壓模具參數CAO系統(tǒng)（Computer Aided Optimization，較量爭論 機輔助優(yōu)化，簡稱CAO）首要 包括：設計參數和方針函數選擇、正交嘗試組合放置 、人工神經收集 建模、方針函數擬合、遺傳算法優(yōu)化、優(yōu)化效果 輸出等模塊。根基 步調 有：（1）肯定 鋁型材擠壓CAO的設計參數和方針函數，利用正交嘗試法放置 實驗 組合，以較少的組組合數反應 周全 的參數轉變 紀律 ；（2）對 每一種參數組合，采取 鋁型材擠壓CAD系統(tǒng)成立響應 的模具及坯料模子 ，輸入到CAE系統(tǒng)中進行仿真獲得方針函數，作為神經收集 建模的練習 樣本；（3）用人工神經收集 成立由CAE系統(tǒng)獲得 的設計參數和方針函數之間的映照 關系；（4）將神經收集 獲得的映照 關系采取 曲線擬合、回歸闡明切近親近 求得設計變量與方針值的函數關系表達式作為遺傳算法的順應 度函數；（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)中進行驗證。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

在鋁型材擠壓進程 中，由于鋁型材斷面外形 比力復雜，各部位金屬都試圖以分歧 的流速流出?？祝X型材作為一個整體卻阻礙了這一點的實現，進而致使 鋁型材擠出后泛起 扭擰、海浪 、曲折 和裂紋等缺點 。是以 在優(yōu)化設計時應以擠壓進程 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，其具體界說 為：

此中：

N── 所斟酌 區(qū)域的特點 點數量 ，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取一個特點 點。

── 研究截面上第i個特點 點坯料擠出的軸向速度；

── 研究截面上所有特點 點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 0，但現實 上是難以到達 的。在用遺傳算法優(yōu)化時，SDV值只能無窮 切近親近 0，是以 我們需要取一個比力公道 的SDV值作為要到達 的方針。

3.2 選擇優(yōu)化參數

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

程度

因子

鋁型材質心偏移量

/mm

最小工作帶長度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 設計正交實驗

由于優(yōu)化參數及其程度 多且影響復雜，為了可以或許 有用 的削減 摹擬 次數，采納正交設計進行數值摹擬 實驗 。正交實驗 的身分 與程度 見表1。按照正交設計道理 ，設計正交實驗 表如表2。

3.4 CAO建模與優(yōu)化

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

按照上述正交實驗 表，組織 擠壓工模具和坯料的CAD/CAE模子 ，并進行了CAE仿真求解，獲得了各個實驗 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驗 法

實驗 號

各因子所取程度

實驗 號

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

實驗 號

SDV

實驗 號

SDV

實驗 號

SDV

實驗 號

SDV

實驗 號

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 數值摹擬 驗證

將SDV值和 所對應的優(yōu)化參數值經BP神經頻頻 收集 建模與練習 ，獲得鋁型材擠壓參數與SDV值間優(yōu)越 的神經收集 映照 模子 。以練習 好的神經收集 模子 作為常識 庫，對各參數進行遺傳算法優(yōu)化。獲得的最優(yōu)解為：

最小工作帶長度= 3.045mm； 鋁型材質心偏移：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 更加 平均 。

圖4為圖3所示的實心鋁型材擠壓時的金屬Z向流速散布 。

由圖可知，在擠壓初始階段，由于設計時將坯料直徑界說 為與擠壓筒直徑相等，是以 不存在坯料的鐓粗現象。在擠壓進程 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?復雜，分外是在?？谕庑?突變處。這是由于 在模口處罰 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 環(huán)境的復雜性。是以 ，在設計模具時平常采取 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 在設計模具時，為了更好的不雅 察質心位置對金屬流速的影響，將?？踪|心與模具中間 重合，壁厚較年夜 處與壁厚較小處相對 模具中間 的距離相等，造成截面流速發(fā)生差別 ，工作帶長度已沒法 對金屬流速的不平均 性起到調理 感化 。是以 在進行模具優(yōu)化時，應重點斟酌 模孔的質心位置，已到達 金屬平均 流出模孔的效果。

4.結論

成立了BP神經收集 、數值摹擬 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軟件對鋁型材擠壓進程 進行數值摹擬 ，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 平均 性的根本上，進行了模具設計參數和擠壓工藝參數的優(yōu)化。鋁型材擠壓是一個多參數耦合感化 的、復雜的、離散性的系統(tǒng)，各個參數的轉變 規(guī)模差別 很年夜 ，很難用傳統(tǒng)的數學優(yōu)化方式 解決。本文以有限元摹擬 成形進程 為根本，基于MATLAB平臺，采取 正交嘗試法、BP神經收集 與遺傳算法，開辟 了鋁型材擠壓模具CAO系統(tǒng)，進而優(yōu)化工藝參數。經由過程 對舛訛稱槽形鋁型材和簡單方管鋁型材的模具進行的參數優(yōu)化，證實 顛末優(yōu)化后的模具，金屬活動 更加 平均 。