基于代理模型的鍛造模具結(jié)構(gòu)智能優(yōu)化研究.pdf

1、鍛造是金屬塑性加工中常用的加工方法，由于材料經(jīng)過鍛造加工之后具有各項(xiàng)優(yōu)良的機(jī)械性能，所以廣泛應(yīng)用于各種機(jī)械產(chǎn)品的加工。鍛造模具是鍛造生產(chǎn)中的主要裝備，其設(shè)計(jì)和制造的質(zhì)量以及使用壽命決定了鍛件的質(zhì)量和成本。對(duì)鍛件質(zhì)量的控制，主要是要對(duì)鍛造模具進(jìn)行控制。
　　 影響鍛造工藝及鍛件質(zhì)量的因素可歸納為模具結(jié)構(gòu)形狀設(shè)計(jì)、模具材料、模具加工、鍛件復(fù)雜程度、設(shè)備性能等因素。由于在金屬塑性變形過程中材料的流動(dòng)主要受模具形狀的影響及控制，因此，合

2、理選擇與設(shè)計(jì)模具結(jié)構(gòu)的形狀參數(shù)就顯得尤為重要。
　　 隨著數(shù)值模擬仿真技術(shù)日益成熟，基于模擬的設(shè)計(jì)方法在塑性成形工程中得到了廣泛應(yīng)用。這種設(shè)計(jì)方法是應(yīng)用有限元技術(shù)對(duì)金屬塑性成形過程中的應(yīng)力應(yīng)變進(jìn)行計(jì)算，在后處理結(jié)果中直觀地分析成形過程中金屬的流動(dòng)規(guī)律以及設(shè)計(jì)變量對(duì)成形過程的影響，判斷是否會(huì)產(chǎn)生成形缺陷，預(yù)測(cè)成形載荷，然后對(duì)工藝參數(shù)和模具形狀的進(jìn)行修改。
　　 為了提高鍛造模具的設(shè)計(jì)效率、降低制造成本和提高產(chǎn)品質(zhì)量，有必要

3、對(duì)鍛造工藝及其模具結(jié)構(gòu)中影響鍛件質(zhì)量的各項(xiàng)工藝參數(shù)進(jìn)行優(yōu)化。目前，基于有限元分析的優(yōu)化設(shè)計(jì)方法在鍛造成形工藝及其模具設(shè)計(jì)中的已成為一種趨勢(shì)。
　　 作為基于有限元分析的優(yōu)化方法之一，基于目標(biāo)函數(shù)值的擬合優(yōu)化方法因其通用性好而最具推廣價(jià)值?；谀繕?biāo)函數(shù)值的擬合優(yōu)化方法，其特點(diǎn)是優(yōu)化與有限元程序分離，通用性強(qiáng)。可直接利用現(xiàn)有的商用有限元分析軟件，充分發(fā)揮其強(qiáng)大的有限元計(jì)算功能?；谀繕?biāo)函數(shù)值的擬合優(yōu)化方法，其實(shí)質(zhì)是代理模型方法，即用

4、擬合的方法建立近似模型，通過近似模型逼近目標(biāo)函數(shù)和設(shè)計(jì)變量之間的函數(shù)關(guān)系，然后求解這個(gè)近似模型的極值點(diǎn)來逼近真實(shí)的極值點(diǎn)。
　　 基于目標(biāo)函數(shù)值的擬合優(yōu)化方法中，關(guān)鍵是要通過一定的擬合方法，建立起能夠正確反映設(shè)計(jì)變量與目標(biāo)函數(shù)之間關(guān)系的近似模型。
　　 為了能夠正確地反映設(shè)計(jì)變量各個(gè)參數(shù)的重要性，必須采用合理的試驗(yàn)設(shè)計(jì)方法獲得所需的樣本點(diǎn)。得到足夠的樣本點(diǎn)后，通過一定的機(jī)理模型，采用數(shù)值模擬程序進(jìn)行求解，獲得所關(guān)心的目標(biāo)

5、函數(shù)值。然后選擇合適的近似模型構(gòu)建方法進(jìn)行擬合。最后，對(duì)得到的近似模型進(jìn)行優(yōu)化分析(低維的采用常規(guī)線性規(guī)劃或非線性規(guī)劃，高維的采用智能優(yōu)化算法)。
　　 由于金屬塑性成形問題的多因素高維非線性無法用常規(guī)優(yōu)化迭代方法尋優(yōu)，而智能優(yōu)化方法可以不用求導(dǎo)數(shù)，且全局探索能力強(qiáng)，非常適用于塑性成形問題的優(yōu)化。另外，充分考慮到Kriging模型適于對(duì)高維非線性問題進(jìn)行插值擬合的特點(diǎn)。本文將Kriging模型與遺傳算法(Genetic Algo

6、rithms，GA)相耦合，提出Kriging-GA優(yōu)化策略，用于鍛造模具結(jié)構(gòu)參數(shù)的優(yōu)化設(shè)計(jì)。Kriging-GA優(yōu)化策略由三部分組成：近似模型的構(gòu)建；多目標(biāo)問題的變換；遺傳算法尋優(yōu)。Knging模型的構(gòu)建與遺傳算法尋優(yōu)通過在Matlab下編程進(jìn)行耦合。
　　 與遺傳算法比較而言，粒子群算法容易實(shí)現(xiàn)，并且由于其不需要遺傳交叉、變異等操作，使之需要調(diào)整的參數(shù)較少。另外，粒子群算法具有收斂速度快的優(yōu)點(diǎn)。本文將Kriging模型與粒子

7、群優(yōu)化算法(Particle Swarm Optimization，PSO)相耦合，首次提出了Kriging-PSO優(yōu)化策略，在Matlab下編程實(shí)現(xiàn)。
　　 將Kriging-GA優(yōu)化策略用于汽車法蘭盤鍛模和汽車曲軸鍛模的優(yōu)化中，與多項(xiàng)式響應(yīng)面方法進(jìn)行了對(duì)比。研究結(jié)果表明，Kriging-GA優(yōu)化法較多項(xiàng)式響應(yīng)面方法的預(yù)測(cè)精度高，但收斂慢。在此基礎(chǔ)上，將Kriging-PSO優(yōu)化策略應(yīng)用于該汽車曲軸鍛模的優(yōu)化問題作為對(duì)比。結(jié)果