基于神经网络／遗传算法的液态挤压工艺优化.pdfVIP

基于神经网络／遗传算法的液态挤压工艺优化 齐乐华侯俊杰李贺军 (西北工业人学7l0072) 摘要液态挤压工艺是近几年发展起来的一种高效成形管、棒、型材新工艺。本文利用人工神经网络方法建寺 r工艺系统模型，用遗传算法对过程参数进行优化．实验结果与预测值吻合良好，为预测和控制设工艺成形质 量提供r行之有效的手段。 7 关键词液态挤压神经网络遗传算法 ”j ·_．．。 。芑1 ]11；o了+j J 1引言 液态挤压是近年来发展起来的一种融液态模锻和热挤压为一体的金属成形新工艺oj。它是 对液态金属直接施加变形力，使其在压力下结晶凝固，承受大塑性变形，一次成形出管、棒、 犁材。该工艺不仅能减少现行工艺的成形工序，实现节能节材的目的，同时对材料还具有双重 强韧化作用“J。但因整个成形过程是集凝固、热传导和大塑性变形为一体的复杂变形过程，其 内部始终保持有液态或准『刮态金属，与常规塑性加工过程有很大区别，而压制速度与金属凝固 速度的协峒是保证该成形』_艺质量的关键。到目前为止，其过程参数的选取依然是靠经验数据． 实施难度较大，且很难根据实际情况进行灵活调整。人工神经网络是在现代神经科学研究成果 上发展起来的新兴边缘科学，具有自学习、自组织、自适应和非线性动态处理等特性，已成功 地用于1F线性系统的建模、性能预测、故障诊断和自适应控制等方面∞·“。本文利用人工神经网 络建立l=艺系统模型，用遗传算法对过程参数进行优化，为保证成形过程的稳定进行提供丁理 论依据。 2人工神经网络建模 图1基于ANN的液态挤压工艺建模过程 液态挤压时．金属的受力情况比较复杂，液态金属要发生压力下流动一凝固过程，准同态 金属要经受大塑性变形，其工艺参数如模具温度、浇注温度、加压前停留时问、变形速度、变 形力等相q制约，无法建立精确的数学模型。人工神经网络对系统的表达方法抛开了传统的建 模方法，它可以从大量的离做实验数据中经过学习训练，提取其领域知识．并将这些知识表示 为网络联结权值的大小与分布，从而建立相应的系统模型。神经网络的建模过程为：第一，建 105 立模拟实际工艺系统的人j二神经网络模型；第二，根据实际情况选择合适的神经网络结构：第 三，将通过实验所获得的样本数据划分为两个部分，一部分称为训练样本片j丁训练神经网络， 另一部分称为测试样本用r}：测神经网络的训练结果：第四，训练网络，取得联结权值及阕值， 即网络的知识参数：第五 验证所确定的神经网模型，并将网络用于实际上艺系统中f图11。 本文采用BP删络模型进行建模，其拓扑结构示丁图2。它由输入层、隐层和输出层所组成。 每一层肖点数根据实际情况而定。设输入为zol，x2，…，x。)，输出为，，(M，儿，…，∥。)，隐层 前点数为s，输入层与隐层之间的连接权值矩阵为∞，，∈R…，隐层与输出层之间的连接权值矩 阵为出m∈月…，隐层阀值向量为护，∈R‘．输出层阈值向量为目。∈月…，则以上关系构成从 输入空间尺”到输出空间月…的一个非线性映射：爿斗y 输入层 隐层 输出层 圈2三层BP网络拓朴结构 表1zLl08合金卯F网络预测误差 样本号 1 2 3 4 5 6 7 F(MPa)88．85291．79091．87091．83495 95092 082 95．037 86 90 90 90 94 94 94 F+(MPa) 相对误差(％) 3．31 1．98 207 2．03 1．15 1．16 1．10 样本号 8 9