基于BP神經網絡和遺傳算法的鑄鋼件補縮系統(tǒng)工藝優(yōu)化.pdf

1、鑄鋼件具有強度高、塑性和韌性好等優(yōu)點，廣泛應用于航空航天、汽車、泵閥、采礦機械、建筑五金及家用電器等領域，在國民經濟中發(fā)揮著重要的作用。然而，鑄鋼件的液態(tài)凝固成形過程非常復雜，在熱節(jié)處常產生縮孔、縮松等缺陷，嚴重影響鑄鋼件的質量和使用壽命。為避免產生縮松和縮孔，在工藝上通過補縮系統(tǒng)來消除這類缺陷，通常采用大的冒口進行補縮，導致工藝出品率過低，造成較大的資源浪費。故亟需對鑄鋼件補縮系統(tǒng)優(yōu)化問題進行研究。目前，對于鑄鋼件補縮系統(tǒng)的工藝優(yōu)化多

2、是根據(jù)技術人員的經驗進行反復試錯，這種試錯優(yōu)化方式有較大的隨意性和主觀性，且效率低。圍繞上述關鍵問題，本文針對鑄鋼件補縮系統(tǒng)工藝優(yōu)化的近似建模技術、組合優(yōu)化策略及軟件集成進行了理論研究和實驗驗證，采用改進的BP（Back Propagation）神經網絡建立優(yōu)化的近似替代模型，用遺傳算法對模型進行優(yōu)化，并將此組合優(yōu)化方法集成在同一平臺。所取得的成果如下：
　　首先，論文詳細描述了鑄鋼件凝固物理過程，分析該物理過程中縮孔、縮松形成機

3、理。鑒于該過程的復雜性，從影響鑄鋼件補縮的眾多因素，如物性參數(shù)、澆注參數(shù)、冒口和冷鐵等工藝參數(shù)中篩選出敏感性因素，采用 OED(正交試驗設計）對工藝參數(shù)進行采樣，構建設計變量空間。結合數(shù)值模擬結果中縮孔、縮松的定量體積大小作為響應值，用 L-M（Levenberg-Marguart）和BR（貝葉斯正則化）算法改進的BP神經網絡建立輸入變量和輸出響應之間關系的近似替代模型，采用K折交叉驗證方法獲得泛化能力強的優(yōu)化模型。該近似替代模型可不經

4、過數(shù)值模擬實現(xiàn)對同一鑄件的不同工藝參數(shù)組合的縮孔、縮松體積的定量預測。
　　其次，對近似替代模型的優(yōu)化策略進行研究，提出采用GA（遺傳算法）和BP神經網絡組合優(yōu)化策略對鑄鋼件補縮系統(tǒng)工藝優(yōu)化模型進行優(yōu)化。首先采用GA對BP網絡的初始權值與閾值進行優(yōu)化，顯著提高了BP神經網絡近似替代模型的泛化能力；隨后GA對該模型進行極值尋優(yōu)，得到鑄鋼件補縮系統(tǒng)的最優(yōu)化工藝，實現(xiàn)了鑄鋼件補縮系統(tǒng)工藝優(yōu)化的組合優(yōu)化策略。
　　再次，為實現(xiàn)多樣本

5、數(shù)值模擬前處理及數(shù)值模擬結果的智能提取與反饋，研究了鑄鋼件CAD/CAE集成系統(tǒng)的關鍵技術，主要包括：（1）冒口、冷鐵參數(shù)化模型的知識集成；（2）鑄鋼件補縮系統(tǒng)幾何模型的自動獲取與轉換；（3）基于知識模板的CAE模型智能建模技術；（4）基于知識的CAE分析結果智能反饋技術。實現(xiàn)了批量建立鑄造數(shù)值模擬分析模型，自動完成鑄鋼溫度場的連續(xù)模擬以及從數(shù)值模擬結果中批量提取響應值。
　　然后，構建了鑄鋼件補縮系統(tǒng)工藝優(yōu)化系統(tǒng)框架，開發(fā)了基于

6、UG NX和華鑄CAE軟件平臺的鑄鋼件補縮系統(tǒng)工藝優(yōu)化系統(tǒng)，將基于BP神經網絡和遺傳算法的鑄鋼件補縮系統(tǒng)工藝優(yōu)化流程和工藝模型批量設計集成到該系統(tǒng)中。運用該集成系統(tǒng)，對典型鑄鋼件走輪案例進行了試驗方案設計，批量創(chuàng)建CAD/CAE優(yōu)化集成模型和 BP神經網絡建模，最后用遺傳算法進行優(yōu)化。經該系統(tǒng)優(yōu)化后，得到了鑄鋼件走輪的補縮系統(tǒng)的優(yōu)化工藝方案。
　　最后，在工廠對4個有代表性的方案和經系統(tǒng)優(yōu)化后的方案共5組方案進行澆注實驗。對5組方