外文翻译-优化低压压铸工艺参数的智能系统

宁波大红鹰学院 毕业设计（论文）外文翻译 所在学院： 机械与电气工程学院 班 级： 姓 名 ： 学 号： 指导教师 ： 合作导师 ： 2012 年 11 月 15 日 原文： 题目 （ 件） 优化低压压铸工艺参数的智能 系统 摘要 ： 低压铸造（ 广泛应用于制造薄壁铝合金产品。由于低压铸造的铸件质量主要取决于其工艺条件，所以如何确定最佳的工艺条件是提高工件质量的关键。在本文中，将人工神经网络和遗传算法（ 结合的方法，提出了优化的低压铸造工艺。用此方法，在研究更复杂薄壁铸件的准备过程中，将人工神经网络模型与学习矢量量化和反向传播（ 结合的算法，提出了映射低压铸造工艺条件和质量指标之间的复杂关系。同时，应用正交试验和数值模拟获得试验样本，而不是进行真实的实验，从而节约成本。采用遗传算法和以训练过的 人工神经网络模型为基础的适用值函数，优化工艺参数。然后，通过设置优化好的参数，一件长度为 300，宽为 100度为 薄壁组件就成功准备完成了。结果表明，该智能系统是一个优化低压铸造工艺的有效工具。 关键词 ： 低压铸造、工艺参数、人工神经网络、遗传算法、数值模拟 1 引言 由于低压铸造有生产低孔隙度和半自动化生产的能力，因此其铸件质量好和生产效率高。低压压铸工艺（ 铝合金铸造成形技术中占主导地位。作为一项主要的制造工艺，低压铸造工艺的演变与发展被大量的研究人员所探讨 14。一台低压铸造机通常包括一个位于模具台下方的加压熔融炉和将熔料从熔炉运送到模具底部的输送管。低压铸造机的原理图如图 1 所示。 图 这个工艺是对帕斯卡压力理论的应用。熔炉中熔融金属表面在相对低压的情况下，受到干保护气体的挤 压以克服模具和熔融金属表面的不同金属压力。然后熔融金属受迫充满冒口流道、给料机和浇注系统，从而流入模具型腔。当模具型腔被充满时，增加注射压力来给铸件加压和改善金属液在固化过程中的进给收缩。一旦铸件完全固化，外部的压力释放了，给料机和冒口流道中的熔融金属还未凝固，就会通过重力回流到熔炉中。 在过去十年中，数值模拟技术已高速发展并成功地应用于许多铸造行业以改善产品质量和降低制造成本 57。然而，数值模拟通常不足以产生令人满意的工艺参数，尤其是在有大量参数，甚至在有少量可能值需要检查是否覆盖预期的波动范围的情 况下。此外，大量的模拟运行，加上每次运行的冗长的执行时间（大约好几个小时，甚至好几天，这取决于计算能力和零件的复杂性）可能会导致完全不符合实际的调查研究。因此，为获得质量好的铸件和高生产效率，急需先进的方法来建模和优化低压铸造工艺。在近几年，研究人员热衷于发展人工智能（ 术来快速和精确地获得在铸造过程中工艺参数的预报 910。人工智能技术同人工神经网络和遗传算法一样，已被广泛应用于解决复杂和多元的制造问题。人工神经网络和遗传算法是最有前景的自然计算技术 11， 12。 雅拉加达 13 开发了一个 集成的神经网络系统，应用在金属注射成型中对工艺参数的预测。这个集成系统被实施应用于 境中，通过使用神经网络工具箱而得以实现。在其工作中，先用前馈型神经网络，然后在输入层构建四个神经元（熔体温度、模具温度、型腔深度和流道长度），在输出层构建一个神经元（注射时间）。沈等人 14 提出了一种结合人工神经网络和遗传算法（ 方法来优化注塑成型工艺。在此方法中，通过开发反向传播神经网络模型来映射工艺条件和注塑件的质量指标之间复杂的非线性关系，并应用遗传算法和以人工神经网络模型为基础的适用值 函数来优化工艺条件参数。通过使用 件的体积收缩变化质量指标得到了显著的改善。克瑞潘尼斯等人 9试图开发一个混合模式，包括人工神经网络和遗传算法，用于选择最佳的压铸工艺参数。这根据实验设计结果，共有 16 个数据集（从 拟中获得）被用于训练两个独立的神经网络配置，从而预测固化时间和缺陷（即充满 /不完全填充），它们的平均相对误差分别为 15%。在莱等人 10近期的工作中，一个被称为神经网络，基于铸造工艺的物理模型 (开发出来，用于实时估算高压铸造的最 佳工艺参数。通过提交以下四个工艺参数，即（ a）进口熔融温度，（ b）模具初始温度，（ c）进口第一阶段速度，（ d）进口第二阶段速度，将其输入 可同时获得充填时间，固化时间和孔隙度。因此，该人工神经网络（ 型是通过由 款基于有限元模拟的软件）所产生的数据来进行训练的。 得预测数据的准确性表明了在建模复杂多变量问题时的能力，还包括其他各种制造工艺中人工神经网络的能力。 从上述对人工智能系统应用的回顾中可以得出以下结论：人工智能系统可用于解决复杂和多元 的制造问题。然而，它们主要应用于注塑和压铸工艺领域。目前，还没有应用于低压铸造的此类案例，仍缺乏综合模型考虑整体成型工艺变量之间的复杂关系。 本文记录了将 者相结合的方法，用金属铸模建模和优化薄壁铝合金 低压铸造工艺参数。同时将学习矢量量化（ 反向传播（ 法应用于人工神经网络模型来映射低压铸造工艺条件和质量指标之间的复杂关系。而且，应用正交试验和数值模拟技术来获得神经网络系统的试验数据，而不是进行真实的实验。这个系统相比之前的操作的主要优点是：它提供三个输出，即缺陷的存在， 填充时间和最大温差，从单一配置中获得，具有更高的预测精度。 2 低压铸造实验 在本文中，研究的是一 为 300为 100为 图 2所示。实验材料为 石墨坩埚使其在电热熔炉中熔化。其化学成分如表 1所示。 图 表 356铝合金的化学成分 模型的部分示意图如图 3所示 。 图 由此可以看出，冷却水道和浇注系统位于模具的底部。考虑到薄壁铸件的充填能力差，而且在充填型腔过程中会卷气，所以在顶模和底模的接口处设计一些排气口是很有必要的。根据实验需要，选用一台小型的低压铸造机作为实验设备。通过将 合 所示。 图 4. 结合 这包括一组低压铸造的工艺参数，质量指标，试验样本的准备，有预测性的人工神经网络模型的建立和工艺参数的优化。工艺参数的优化是通过遗传算法得以实现的。 3 低压铸造工艺参数的选择 在低压铸造过程中，许多工艺参数对提高铸件的 质量起着十分重要的作用，如充填压力、充填速度、保压压力、保压时间、浇铸温度、模具温度等等。对于薄壁铸件，这些工艺参数对缺陷的形成（如冷隔和短填充）起着更加重要的影响，因为熔融金属在充填期间充填能力较差。例如，若铸造和模具温度过低，铸造充型能力降低，铸件就越容易形成冷隔和短充填。然而，过高的充填压力也会缩短模具的寿命。通常，浇铸温度在 680于模具，其温度应为在450C15均匀温度。低压铸造操作中的另一关键是控制好坩埚中施加的压力，以确保从输料管进入模具的熔融金属为层流 状态。若没有适当的控制好充模流动，铸件会有相关的缺陷，如短充填或气孔。实际操作中，充填速度是由压力来控制的。 因此，在这个实验中，人工神经网络的输入量为入口熔融温度、初始模具温度和充填速度，输出量为缺陷预测、充填时间和最大温差。 4 神经网络模型 人工神经网络模型是一种计算模型，由隐层神经元构成。隐层神经元用来连接输入与输出之间的神经元。各神经元之间的关系按重量来辨别，是通过训练来决定的。非线性双曲函数通常作为激活功能来提高了建模的灵活性。在这项工作中，学习矢量量化（ 工神经网络模型用于预测铸造中 存在的缺陷。低压铸造产品中的缺陷是表示制造工艺成功与否的一条重要准则。人工神经网络模型和反向传播（ 法被应用于映射充填时间、最大温差和工艺参数三者之间的关系。反向传播网络是典型的人工神经网络，已被广泛应用于许多研究领域 18，19。在 2显示了神经元数量的多少在反向传播网络中的影响。 表 2. 在反向传播网络中神经元数量的影响 以在这项工作中，它被用于预测铸造中存在的缺陷。这个问题有两类，第一种在表 3中标为“ 1”，表示充填很好，第二种，标为“ 2”，表示铸造中的缺陷。 表 用 模需要确定以下内容： 最大和最小输入值 竞争层神经元的数目 训练子集中两类所占的百分比 训练速率 最大和最小输入值和训练子集中两类所占的百分比可以从训练样本中计算出来。竞争层的神经元和训练速率实际上各自代表了人工神经网络的架构和训练算法。四个竞争层的神经元和 们是通 过训练跟踪来确定的。此外，为了加快训练的速度和提升训练的算法，注射速度的值要放大 10000倍。 人工神经网络模型的训练是通过反向传播算法来映射充填时间、最大温差和工艺参数三者之间的关系。 所示。 图 它由三层组成：输入层、隐藏层和输出层。输入层和输出层分别有三个和两个神经元。输入层的神经元对应的是熔融温度、模具温度和注射速度。输出层对应的是充填时间和最大温差。然而，隐藏层中神经元数量的确定通常是很复杂的。如果 练好的网络可能没有足够的能力来正确地获得程序。相反，如果其构架太复杂，在训练中可能不会汇集或者训练好的数据可能过拟合。通常，是按经验来确定神经元的数量的。在这项研究中，用试错法确定隐藏层中有七个神经元。 基于这种方法，分析了训练中不同数量神经元的影响和检验误差，结果如表 2所示。显然，当神经元数量为 7时，训练和检测的结果最好。 在 形函数被采用作为传递函数，如下： 其中 示神经元之间 的连接强度。 有效的训练人工神经网络模型之前，它对执行输入和输出数据的整合起着重要的意义。因此，在训练人工神经网络模型之前，通过以下公式对本研究中的输入输出数据进行标准化。 xi xi 入值 标准化的值，范围为 0到 5 通过遗传算法优化工艺参数 遗传算法是一种随机优化程序。在计算机上，通过模拟达尔文进化论，这种程序可以解决复杂的问题 20遗传算法所隐含的概念是指在一个复杂多模态的搜索空间中对目标函数的全局优化。通过遗传算法，有了优化问题的解决方案，这开始于一组随机选择的染色体。这一整组染色体构成了一个整体。经过迭代或几代的时间，染色体进化了。通过使用基因交叉和突 变技术会产生新一代（后代）染色体。基因交叉指先分开两条染色体，然后分别与另一对染色体结合。基因突变指染色体的其中一条翻转了。通过一定适当的标准对染色体进行评估，留下最好的，去掉其余的染色体。重复这个过程，直到选出最合适的染色体，这是解决优化问题的最好方法。 基于遗传算法的优化目标函数，是根据仿真功能制定的。这一仿真功能是通过前一章节中提到的人工神经网络模型来获得的： 其中 X）是用于观测缺陷存在的 X）是用于测算充填时间和最大温差的 前定义的问题通过浮点编码遗传算法优化。群体规模为 30，几代间的最大数目为 80。交叉率和突变率分别是 6 结果与讨论 目前实验的主要目标是研究建模和预测的低压铸造零件的质量的可能性，以及优化工艺条件， 采用神经网络 /遗传算法方法相结合的方法以提高零件的质量。来计算和获取训练样本，而不是为了节省成本，进行真实的实验。有限元方法的另一个优点是其训练网络所需的时间远少于真正的实验。因为，计算数据与实验数据相比，没有噪音 9。采用五个级别、三个参数的正交实验以获得训练样本。正交实验是系统地组织实验运行的一个程序，以通过最有效的方式来提高工艺。它还进行最少的实验次数并且不会丢失重要的数据 23。 所选的低压铸造工艺参数如下： 670熔融温度 730； 350模 具温度 550； s注射速度 s。 正交实验总共产生了 25组实验样本。其中的 20组样本被用于训练人工神经网络，如图 6和图 7所示。 图 6. 训练误差在 图 7. 训练误差在 图 6显示的是训练误差与对应的学习矢量量化人工神经网络的时间点。鉴于这训练与测试子集的规模，所得到的实验结果是不错的。图 7显示的是反向传播人工神经网络训练期间的训练误差。所有 后，把剩余的 5个样本拿来测试人工 神经网络的性能。人工神经网络预测也与模拟结果吻合良好。这表明人工神经网络具有良好的性能，它可以准确地映射的铸造工艺条件和质量指标之间的关系。 常见的低压铸造工艺参数包括浇铸温度、模具温度和充填压力等等。在这项研究中，基于 应用将 过分析铸造充状态和铸件质量的主要影响因素以得到优化的参数。图 8显示的是基于遗传算法的后代的演变。 图 显然，经过约 30代左右，其演变趋于一致。优化工艺条件如下：熔融温度726，模具温度 493，注 射速度为 s。相应的， 造中的充填时间和最大温差分别为 如表 3所示。表 3显示的是对 过应用优化的工艺参数，将其作为数值模拟的初始条件，从而得到数值计算数据。然后，可以估算出低压铸造时，不同充模时间段的充填状态的变化和相应的温度场。经过对这些结果的分析，可得到充填状态、充填时间和最大温差的数据，如表 3所示。从表 3可以看出，其相对误差较大，但是充填时间和最大温差的绝对误差较小，分别为 人工神经 网络训练中，训练样本是通过商业有限元软件 不是为了节省成本而进行实际的实验。这可能是为什么相对误差那么大的主要原因。然而，绝对误差小表明利用人工神经网络建模和遗传算法搜索技术来做模型和优化低压铸造工艺的精确度是足够的。 图 9显示的是一低压铸造实验结果的产品。图片展示的是一长 300100为 一铸件成功地制备采用优化的低压