[发明专利]一种板料充液成形加载路径优化设计方法

说明书

本发明公开了一种板料充液成形加载路径优化设计方法，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；采用遗传方法来设计充液成形加载路径，获取加载路径的最优值，解决了现有设计的盲目性、经验性、非最优等问题，充分发挥了材料的成形性能，提高了成形质量；同时在每次遗传方法的迭代中，调用神经网络模型来预测成形结果，计算最大减薄率、破裂因子和起皱因子，在保证精度的同时，降低了数十倍的有限元模拟工作量，优化设计准确性高。

技术领域

本发明属于板料充液成形的技术领域，具体涉及一种板料充液成形加载路径优化设计方法。

背景技术

板料充液成形是指采用液态的油或水等作为传力介质，代替传统刚性的凹模或凸模，使坯料在传力介质的压力作用下，贴合凸模或凹模而成形的柔性介质辅助成形技术，此技术生产出的零件整体结构好、回弹量小，能够使复杂形状零件生产简化、柔性化程度高，并大幅度降低模具套数和成本，在航空航天领域、汽车制造工业、核能应用技术等高新科技产业中具有广泛的应用前景。

在充液成形过程中，液室压力需要随着模具下压而不断变化，加载路径是指液室压力随模具位移的变化情况，是板料充液成形技术中核心的工艺问题，正确合理的加载路径可以减少和消除成形过程中破裂、起皱等成形缺陷，改善零件成形性，提高成形质量。同时，有且只有在一定范围内设计合理的液室加载路径才可以避免破裂与起皱缺陷的产生，并将这一区域称作充液成形的“工艺窗口”。

但是，目前充液成形加载路径设计缺乏科学系统的指导，主要依赖经验估计方法，一方面精度差，受限于工艺人员个人经验和能力的差异，其设计往往存在随意性大、科学性差的缺点，得到的方案通常不是最佳方案；另一方面效率低，往往需要多次反复试错才能形成可靠的制造方案。这直接制约了我国航空航天等工业生产制造的进步与发展。

因此，发掘液室压力与成形零件之间的作用关系，应用科学的方法对液室压力加载路径进行快速而最优的设计，是发挥充液成形工艺在复杂零件制造领域中优势的关键所在。

发明内容

本发明的目的在于提供一种板料充液成形加载路径优化设计方法，使用遗传方法对充液加载路径进行优化设计，在每次遗传方法的迭代计算过程中，调用基于神经网络的充液成形预测模型来预测成形结果，并计算采用优化的充液加载路径进行零件充液成形后的最大减薄率、破裂因子和起皱因子，最终得到最优的充液加载路径。

本发明通过下述技术方案实现：

一种板料充液成形加载路径优化设计方法，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。

为了更好的实现本发明，进一步地，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；