内高压成形工艺参数优化 - 文章

内高压成形工艺参数优化

作者：邱建新张士宏李国禄李章刚张金利

欢迎访问e展厅
展厅 10	锻压/冲压/轧制设备展厅压力机, 空气锤, 锻压机床, 单柱液压机, 四柱液压机, ...

摘要：内高压成形技术是以轻量化和一体化为特征的一种空心变截面轻体构件的先进制造技术。目前，内高压成形技术越来越受到人们的关注，特别是汽车制造企业。管材的内高压成形过程与很多因素有关，其中施加在管件内部的压力与轴向进给量之间的配比关系尤为重要的，对两者的匹配关系进行优化是内高压成形面临的重要课题。传统的优化方法需要大量的模拟计算，耗时多且不易掌握.针对这一问题，本文提出了将均匀设计法、神经网络和遗传算法相结合进行参数优化，既利用了均匀设计试验的均匀可靠性，又运用神经网络的非线性映射、网络推理和预测功能，最后发挥遗传算法的全局优化特性，得出了最优结果，并直接为实际生产提供了可靠的参数依据。
关键词：内高压成形，均匀设计，神经网络，遗传算法，优化。

1. 引言

在汽车工业等领域，减轻结构质量以减少能量消耗是人们长期追求的目标，也是先进制造技术发展的趋势之一[1]。内高压成形正是以轻量化和一体化为特征开发出来的一种空心变截面轻体构件的先进制造技术。最近几年，由于汽车工业和航空工业的快速发展，内高压成形技术受到越来越多的重视[2]。管材的内高压成形过程与很多因素有关，其中施加在管件内部的压力与轴向进给量之间的配比关系是尤为重要的，它影响截面的形状，厚度分布和最终的成形尺寸。过大的进给量会导致起皱，甚至折叠；相反压力给的过大，而进给不足时，就会胀裂[3]。因此如何将两者的匹配关系优化好是内高压成形技术在实际应用方面的最重要的课题。由于内部压力和轴向进给量之间的关系很难用显函数形式表达，属于非线性问题，所以传统的优化方法存在以下困难：(1)优化中靠经验调整的参数较多，掌握困难；(2)优化计算效率较低。优化时需要大量的有限元模拟计算，计算耗时过多，且结果往往不尽人意。(3)难以保证求得全局最优，往往陷入局部最优[4]。

为了解决这些困难，本文采用了将均匀设计实验法，神经网络和遗传算法相结合求解内高压成形工艺最佳参数。充分利用均匀设计代表性好，试验次数少，试验效益高的特点，来建立神经网络的训练样本；然后利用神经网络具有联想、记忆、分类、优化计算和模式识别的功能，找出输入(决策变量)与输出(目标函数值)之间的关系(映射)；最后利用遗传算法的全局寻优功能得出最优参数，指导实际生产。

2.均匀设计法、神经网络和遗传算法

2.1 均匀设计法

均匀设计技术[5]是70年代末由中科院数学所方开泰教授与王元院士共同提出来的。均匀试验设计是在正交试验设计的基础上进一步发展而成的方法。均匀试验设计相对正交试验设计有着明显的试验次数少，布点均匀的优势。均匀试验设计根据数论在多维数值积分中的应用原理，构造一套均匀设计表，用来进行均匀试验设计。均匀设计表是一种规格化的表格，是均匀试验设计的基本工具，用Un(m k) 表示，表中U是均匀设计表代号，n表示横行数即试验次数，m表示每纵列中的不同字码的个数，即每个因素的水平数，k表示纵列数，即该均匀设计表最多安排的因素数。均匀设计法的优点：(1)布点均匀，代表性好；(2)试验次数明显比其他方法少；(3)可通过计算机给出的定量的数学模型进行处理，分析工艺条件结果的影响；(4)试验的效益高[6]。

2.2 神经网络

神经网络是对人类大脑的一种物理结构上的模拟，即以计算机仿真的方法，从物理结构上模拟人脑，以使系统具有人脑的某些智能。在众多的神经网络模型中，多层前馈神经网络模型是目前应用最为广泛的模型，见图1。数学上已经证明，一个典型的三层神经网络就能逼近任意非线性函数。

图1 网络结构模型

用反向传播学习算法(简称BP算法)可以实现多层前馈神经网络的训练。BP算法的学习过程如下[7]：

(1) 构造网络拓扑结构，选取合理的网络学习参数。
(2) 置网络各权值和阈值的初始值Ｗij(0)、θi(0)为[-1，1]区间内的随机数。
(3) 加载训练用的学习样本:输入向量Xp (p=1，2，…，k)和期望输出Yp (p=1，2，…，k)，对每个样本重复步骤4～8。
(4) 计算网络的实际输出及隐层单元的状态(假定激励函数为Sigmoid函数)：

(5) 计算网络输出误差：

(6) 若E(7) 计算训练误差：

(8) 修正权值和阈值：

(9) 转向步骤(3)。

2.3 遗传算法

遗传算法是以生物进化过程为背景，模拟生物进化的步骤，将繁殖、杂交、变异、竞争和选择等概念引入到算法中。通过维持一组可行解，并通过对可行解的重新组合，改进可行解在多维空间内的移动轨迹或趋向，最终走向最优解。它克服了传统优化方法容易陷入局部极值的缺点，是一种全局优化算法。遗传算法的步骤如下：

(1) 定义一个目标函数。
(2) 将可行解群体在一定的约束条件下初始化，每一个可行解用一个向量x来编码，称为一条染色体，向量的分量代表基因，它对应可行解的某一决策变量。
(3) 计算群体中每条染色体xi (i=1，2， 3，…，n)所对应的目标函数值，并以此计算适应值Fi，按Fi，的大小来评价该可行解的好坏。
(4) 以优胜劣汰的机制，将适应值差的染色体淘汰掉，对幸存的染色体根据其适应值的好坏，按概率随机选择，进行繁殖，形成新的群体。
(5) 通过杂交和变异的操作，产生子代。杂交是随机选择两条染色体(双亲)，将某一点或多点的基因互换而产生两个新个体。变异是基因中的某一点或多点发生突变。
(6) 对子代群体重复步骤(3)～(5)的操作，，进行新一轮遗传进化过程，直到迭代收敛(适应值趋稳定)即找到了最优解或准最优解。

3. 应用与讨论

3.1 内高压成形技术简介

内高压成形是一种以液体为传压介质，利用内高压（工作压力通常为100～400MPa，最高达1000MPa）使金属管坯变形成为具有三维形状零件的现代塑性加工技术，属于液力成形的范畴[1]。内高压成形原理是通过内部加压和轴向加力补料把管坯压入到模具型腔使其成形。高压流体通常使用水或液压油，此外在某些特殊用途上也采用气体、低熔点金属、粉末、粘性聚合物等等。基本工艺过程是，首先将管坯放入下模，闭合上模，然后在管坯内充满液体，并开始加压，在加压的同时管端的冲头按与内压一定的匹配关系向内送料使管坯成形。内高压成形适用于制造航空航天及汽车行业所使用的沿构件轴线有变化的圆形截面、矩形截面或异型截面空心构件。

本文要优化的实例就是管材在内部压力和轴向加力补料作用下使之胀出一个菱形，最终形状见图2。

图2 优化实例的最终形状

3.2 在内高压成形参数优化中的结合应用

(1) 首先确定内高压成形工艺当中要优化的参数。主要考虑4个输入变量，低压成形的压力P1，最大内压P2，轴向进给量S和进给速率V。这4个变量作为均匀设计法的4个因素，分别要确定它们的取值范围，见表1。(注：为了提高模拟计算效率，其中速率的放大因子为1000。)

表1 设计因素取值范围

设计因素	最小值	最大值
低压成形压力P1 (MPa)	60	80
最大内压P2 (MPa)	200	250
轴向进给量S (mm)	15	19
进给速率V (mm/s)	2.6	3.0

(2) 由于神经网络-遗传算法求解问题的精确度，在很大程度上依赖于神经网络所建立的变量之间的映射关系是否正确，只有建立了正确的映射关系，才有可能找到全局最优解，因此必需有足够多的且具有代表性的试验点(样本)用以进行网络学习。利用均匀设计法可以满足上述要求，而且计算效益高。根据设计因素，选择了21个水平，最终得到U21(21 4)的设计方案。均匀设计表见表2。

表2 训练样本均匀设计表

因子	P1	P2	S	V
N1	21	14	13	16
N2	7	7	20	17
N3	4	5	12	2
N4	12	17	8	1
N5	14	18	18	20
N6	18	21	11	7
N7	16	13	6	12
N8	15	8	16	5
N9	5	20	15	14
N10	17	4	7	19
N11	6	2	5	6
N12	20	10	3	3
N13	19	3	19	10
N14	13	6	1	15
N15	9	11	10	21
N16	8	19	2	9
N17	1	9	9	11
N18	11	1	14	13
N19	3	16	4	18
N20	10	15	21	4
N21	2	12	17	8

(3) 对于这21个样本分别进行有限元的模拟，从每个样本中分别得出三个输出结果，即最大鼓胀高度h，最大厚度hmax，最小厚度hmin。然后将输入变量和对应的输出结果作为训练样本带入到神经网络进行训练学习，再对网络进行网络测试，从而得到稳定的神经网络模型。

(4) 确定评价函数为：

其中C1 ，C2 为权重，取C1＝0.4，C2＝0.6。

对于该评价函数，主要考虑了最终成形工件的厚度差和最大鼓胀高度。厚度差越小，说明成形后的厚度均匀性更好；最大鼓胀高度表示了最终工件的贴模程度，也说明了最终的几何尺寸是否满足成形要求。因此只要求得目标函数的最大值就可以找到最优结果。

(5) 利用VB开发多目标神经网络遗传算法优化程序，将优化方法可视化，利用神经网络和遗传算法相结合进行寻优，从中找出目标值最大的优化参数作为最优参数，结果见表3。

表3 最优参数结果

输入变量				输出结果
P1(MPa)	P2(MPa)	S(mm)	V(mm/s)	h(mm)	hmax (mm)	hmin(mm)
78.32	239.01	17.48	2.855	6.754	1.942	0.979

(6) 将找出的最优化结果当中的输入变量带入到有限元当中进行模拟检验，最终得出模拟输出结果，分别为h＝6.657，hmax＝1.919，himin＝0.986。与神经网络遗传算法的优化输出结果相对比，可见误差都在2％以下，说明该多目标神经网络遗传算法优化程序很稳定，并且能为内高压成形工艺参数的优化提供有效的优化参考。

4.结论

(1) 用“均匀设计法”设计神经网络训练样本，该方法以较小的试验付出，获得参数结构较为合理的网络模型，缩短了试验周期，将其运用于神经网络的设计是行之有效的。

(2) 本文充分利用了神经网络的自学习、自组织、自适应以及很强的非线性逼近能力，也发挥了遗传算法的自然选择和进化的全局寻优特性，将两者结合起来，用神经网络建模，遗传算法优化，可以不要求待优化的参数与优化目标值之间有明确的数学映射关系，避免了常规化方法中种种脱离实际的简化。

(3) 将均匀设计法、神经网络和遗传算法结合在一起，充分利用了它们各自的优势，形成了一种新颖的拟合和优化手段，为内高压成形工艺参数的优化提供了新的途径。优化结果与有限元检验结果误差不大，可见基于三者结合的优化方法能够满足内高压成形参数优化的要求。

参考文献
[1]苑世剑，王仲仁，内高压成形的应用进展，中国机械工程，2002。
[2] S.H. Zhang， Development in hydroforming， Journal of Materials Processing Technology，91(1999)236-244。
[3] 箫锫元，管液压成形负载条件之最佳化研究，国立中山大学硕士论文，2002.
[4] 郭海丁，路志峰，基于BP神经网络和遗传算法的结构优化设计，航空动力学报，2003，18(2):216-220。
[5] 方开泰，王元，均匀设计与均匀设计表，北京中国科学出版社，1994。
[6] 金汀，均匀设计优化软件的开发及应用，医药工程设计，1998，PP41－43。
[7]肖专文等，求解复杂工程优化问题的一种实用方法，水利学报，1992，PP23-27。

作者简介：邱建新，男，1979年1月生，河北唐山人，河北工业大学与中国科学院金属研究所、中科院精密铜管工程研究中心联合培养硕士研究生。
联系电话：022－26564803，0373－2682604，13820398321。
电子邮箱：qjx116@163.com 。(end)

文章内容仅供参考 (投稿) (如果您是本文作者，请点击此处) (3/9/2006)


您的位置：首页 > 机床与金属加工设备展区 > 锻压/冲压/轧制设备展厅 > 产品库 > 技术论文 > 正文	产品库会展人才帮助 \| 注册登录