[发明专利]一种板料充液成形加载路径优化设计方法

权利要求书

1.一种板料充液成形加载路径优化设计方法，其特征在于，采用遗传方法对充液成形加载路径进行迭代优化，并在迭代优化的过程中调用神经网络预测模型预测充液成形的结果以得到最优的充液加载路径，包括以下步骤：

步骤1、确定神经网络的输入参数和输出参数，将充液加载路径上的若干特征点的坐标变量作为神经网络的输入参数，将充液成形零件以当前充液成形加载路径进行成形后的若干成形质量考评参数作为神经网络的输出参数；

步骤2、通过特征点的坐标变量建立神经网络的训练样本，并根据训练样本针对若干成形质量考评参数分别进行神经网络训练，使得神经网络预测精度达标；

步骤3、基于预测精度达标的神经网络进行训练以建立与若干成形质量考评参数相对应的充液成形预测模型；

步骤4、通过充液成形预测模型预测不同充液加载路径下的成形质量考评参数，并采用遗传方法根据成形质量考评参数计算充液加载路径的适应度函数，根据适应度函数得出最优的充液加载路径；

所述步骤4包括以下步骤：

步骤4.1、通过充液成形预测模型预测不同充液加载路径下的成形质量考评参数；

步骤4.2、采用Matlab中的启发式交叉方法与自适应可行变异方法作为遗传方法，并根据步骤4.1中得到不同充液加载路径对应的成形质量考评参数进行迭代计算，以得到充液加载路径的适应度函数；

步骤4.3、根据适应度函数得出最优的充液加载路径并输出最优的充液加载路径下对应的成形质量考评参数；

利用神经网络对非线性模型的逼近功能，来预测目标函数值，每个新种群产生后调用相应的神经网络预测模型分别计算每个个体的壁厚最大减薄率、破裂因子和起皱因子；为了提高遗传方法搜索全局最优解的效率，以向量的形式计算适应度函数；采用遗传方法进行充液加载路径优化的模型如下：

Minimize：MTR(x)；

Subjectto：Q_R(x)＜0；

Q_W(x)＞0；

x＝(y1,x2,y2,x3,y3,y4)；

其中：MTR(x)为壁厚最大减薄率的充液成形预测模型；Q_R(x)为破裂因子的充液成形预测模型；Q_W(x)为起皱因子的充液成形预测模型；x为充液成形优化向量的取值区间；y1为液室加载曲线上初始反胀压力；x2为特征点的位移；y2为特征点的压力；x3为最大压力时凸模位移；y3为最大压力；y4为成形结束时的压力。

2.根据权利要求1所述的一种板料充液成形加载路径优化设计方法，其特征在于，所述步骤4中，所述遗传方法的种群规模为80，交叉操作比例为80％，最大运行代数为100。

3.根据权利要求1或2所述的一种板料充液成形加载路径优化设计方法，其特征在于，所述步骤3中建立充液成形预测模型包括以下步骤：

步骤3.1、采用L-M学习方法对三层结构的BP神经网络进行训练，采用试凑法确定训练的最佳隐含节点数，采用经验公式确定训练的最少隐含节点数，并使用最少隐含节点数对三层结构的BP神经网络进行训练；

步骤3.2、基于同一个训练样本，从最少隐含节点数逐渐增加隐含节点数至最佳隐含节点数对三层结构的BP神经网络进行训练；

步骤3.3、确定三层结构的BP神经网络预测精度最高时对应的隐含节点数，并采用该隐含节点数建立充液成形预测模型。

4.根据权利要求3所述的一种板料充液成形加载路径优化设计方法，其特征在于，对神经网络进行训练的训练公式如下：

其中：m为隐含节点数；n为输入层的节点数；l为输出层的节点数；a为1-10之间的常数。