[发明专利]管筒形零件机械扩径工艺参数的优化方法

权利要求书

1.一种管筒形零件机械扩径工艺参数的优化方法，其特征是：运用BP神经网络映射机械扩径参数与制品精度之间的非线性关系，提供遗传算法必须的适应度函数，以此完成整个优化过程，最终达到参数设计的目的，具体包括以下由计算机系统执行的步骤：

1)确定机械扩径成形精度的影响因素；

2)权衡对比各影响因素对成形精度的影响程度，筛选出精度敏感的主要因素，摒弃次要因素，修正模拟结果；

3)提出优化问题：

3.1)建立数学模型，确定加权因子；

3.2)置迭代次数k＝0，随机产生初始种群即一系列的参数值；

3.3)利用Marc软件和python语言的连接模块py_mentat计算训练BP神经的样本，通过该样本训练的BP神经网络计算适应度函数；

3.4)根据适应度值判断是否有优良的种子出现；

3.5)输出最优值，得到设计参数。

2.根据权利要求1所述的管筒形零件机械扩径工艺参数的优化方法，其特征是：确定影响机械扩径成形精度的因素：坯料材料、摩擦条件、坯料规格即坯料直径和壁厚、管坯形状、扩径率、模具直径及其边缘圆角半径；

(1)坯料的材质：本专利用到的材料：管线钢，属于低合金高强度钢或微合金化低碳高强度钢，主要有X42，X46，X52，X56，X60，X65，X70，X80；

(2)摩擦条件：本专利采用摩擦类型为粘滑摩擦；

(3)管坯外径D_1w：根据管坯外径、扩径率及制品外径的相互关系，管坯外径的计算公式取为：D1w=D2w1+α]]>

式中：

D_2w-制品外径；

α-扩径率；

D_1w-管坯外径；

(4)管坯厚度t₁：已知制品外径，厚度及管坯外径可反推得管坯厚度；由体积不变原理，管坯壁厚的计算公式为：

t1=12(D1w-D1w2-[D2w2-(D2w-2t2)2]);]]>

式中：

D_1w-管坯外径；

D_2w-制品外径；

t₂-制品厚度；

t₁-管坯厚度；

(5)管坯形状即断面圆度λ₁： 据现有制管技术，-般情况下管坯的断面圆度取为2％～3％；

(6)变形程度即扩径率α：不同的扩径率对应不同的制品工称外径，且制品圆度的因素也相应不同，本专利将扩径率确定在0.5％～2.5％之间；

(7)模具直径D_m：为了确定模具直径和制品尺寸之间的关系，引入一个无量纲的量ψ，令其等于模具外径与制品内径之比，称作相对凸模直径；相对凸模直径对机械扩径的影响就代表了模具直径对机械扩径的影响；根据现有研究成果，综合考虑相对凸模直径对制品精度，对制品壁厚，对回弹等的影响程度，本发明认为相对凸模直径可采用ψ＝0.925～1.075；从而得到模具的直径取值范围：

D_m＝ψ(D_2w-2t₂)

式中：

D_2w-制品外径；

t₂-制品厚度；

ψ-相对凸模直径；

D_m-模具直径；

(8)模具边缘圆角半径r：模具边缘圆角半径是对制品外观形状有显著影响的因素之一；边缘圆角半径越大，悬空段越长，悬空段刚度越小，反之亦然；边缘圆角半径又不能太小，太小会出现尖角现象；本发明边缘圆角半径的取值范围：r＝5～10mm。

3.根据权利要求1或2所述的管筒形零件机械扩径工艺参数的优化方法，其特征是：在管坯直径、变形程度、模具直径和模具边缘圆角半径的合理范围内，寻求一组成形参数以使最终制品的横断面尺寸精度和形状精度同时达到综合最优，采用加权组合方法使多目标问题转化为单目标优化问题：

(1)对制品规格为D_2w×t₂的管子的机械扩径优化所建立数学模型为：

minf(x)＝ω₁f₁(x₁，x₂，x₃，x₄)+ω₂f₂(x₁，x₂，x₃，x₄)

式中：

x₁-管坯外径，x₁＝0.976D_2w～0.996D_2w；

x₂-变形程度，x₂＝0.5％～2.5％；

x₃-模具直径，x3=12×0.925(D2w-2t2)~12×1.075(D2w-2t2);]]>

x₄-模具边缘圆角半径，x₄＝5～10mm；

ω₁，ω₂-加权因子；

f₁-制品横断面的尺寸误差；

f₂-制品横断面的形状误差；

f-总目标函数。

加权因子在优化过程中动态更新：

ω_i＝ω_i1·ω_i2  i＝(1，2)

式中，ω_i1反映第i项目标函数相对重要程度的加权因子，ω_i2用于调整各目标函数在数量级差别方面的影响，在迭代过程中逐步加以校正。采用目标函数的梯度f_i来衡量；

ω_i2＝1/‖f_i(x₁，x₂，x₃，x₄)‖²    i＝(1，2)

由于目标函数与设计变量之间不存在显式函数，在计算梯度时，采用目标函数差与设计变量之差近似代替目标函数对设计变量的偏导数；

(2)置迭代次数k＝0，随机产生初始种群，设种子数M＝10；

(3)通过BP神经网络计算适应度函数值即目标函数值；利用Marc软件和python语言的连接模块py_mentat计算训练BP神经网络的样本；通过该样本训练的BP神经网络映射机械扩径工艺参数和制品尺寸精度和形状精度的非线性关系；

(4)根据计算得到的适应度值判断是否有优良的种子出现，若有，计算目标函数梯度，更新加权因子，通过遗传算法和变异操作生成新的种群；若没有，直接进行遗传和变异操作生成新的种群；返回到(3)计算适应度值；

(5)检验适应度值，没有达到最优则返回(4)，直到得到最优的结果，最后输出最优结果作为设计值。