一种基于数字孪生的粉末压制过程工艺参数优化方法技术

本发明专利技术公开了一种基于数字孪生的粉末压制过程工艺参数优化方法，包括：构建粉末压制过程数字孪生模型构建与孪生数据生成模块，该模块基于装填参数、材料参数、工艺参数构建粉末压制过程数字孪生模型，并生成孪生数据；构建质量参数与能耗参数预测模型构建模块，该模块基于孪生数据扩充网络实现孪生数据扩充，并基于扩充后的数据训练质量参数与能耗参数预测模型；构建工艺参数优化模块，该模块基于质量参数与能耗参数预测模型，通过粒子群优化算法对工艺参数进行优化。本发明专利技术能在粉末压制过程数据不足的情况下，解决了工艺参数难以进行精确优化的问题，在降低压制过程能耗的同时有效提升了成品粉柱质量。效提升了成品粉柱质量。效提升了成品粉柱质量。

【技术实现步骤摘要】
一种基于数字孪生的粉末压制过程工艺参数优化方法


[0001]本专利技术属于智能制造领域，具体涉及一种基于数字孪生的粉末压制过程工艺参数优化方法。

技术介绍

[0002]粉末压制工艺广泛应用于冶金、制药、陶瓷等行业领域，是一种非常重要的生产工艺。粉末压制过程所涉及参数众多，包括工艺参数、材料参数、装填参数、质量参数、能耗参数等。当生产某一种特定的产品时，粉末压制过程中的材料参数、装填参数基本固定，而工艺参数可以进行设置，质量参数、能耗参数则由工艺参数、材料参数、装填参数共同决定。工艺参数主要包括保压压强、保压时间、加压阶段滑块移速、泄压阶段滑块移速等，其中，保压压强与保压时间可以进行设置和更改，而加压阶段滑块移速与泄压阶段滑块移速由液压机的性能决定、无法更改，因此，要想在更低能耗的情况下生产出更高质量的成品粉柱，就必须针对保压压强与保压时间进行优化。
[0003]然而，优化保压压强与保压时间需要进行大量粉末压制实验，造成大量原材料浪费，消耗大量能源，花费大量时间，并且部分粉末材料存在一定的危险性，贸然进行粉末压制实验有可能造成安全事故，例如炸药粉末、毒性粉末等，这导致难以进行大量粉末压制实验，造成粉末压制过程缺少数据。因此，本专利技术提出一种基于数字孪生的粉末压制过程工艺参数优化方法，能在粉末压制过程因实验困难导致缺少数据的情况下，解决了工艺参数难以进行精确优化的问题，在降低生产能耗的同时有效提升了成品粉柱质量。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供一种基于数字孪生的粉末压制过程工艺参数优化方法，该方法能在粉末压制过程因实验困难导致缺少数据的情况下，解决了工艺参数难以进行精确优化的问题，在降低生产能耗的同时有效提升了成品粉柱质量。
[0005]为达到上述目的，本专利技术采取以下技术方案：
[0006]一种基于数字孪生的粉末压制过程工艺参数优化方法，包括以下步骤：
[0007]步骤1：基于几何
‑
物理
‑
行为
‑
规则维度的数字孪生模型构建方法，实现粉末压制过程数字孪生模型构建与孪生数据生成，具体包括如下步骤：
[0008](1
‑
1)构建粉末与模具几何模型：基于包括模具内径、粉末初始高度的装填参数以及粉末与模具的几何位置关系，构建面向几何结构的粉末与模具几何模型；
[0009](1
‑
2)构建粉末形变物理模型：基于粉末的包括屈服强度、密度、初始松装相对密度、相对密度为1时的杨氏模量、相对密度为1时的泊松比、shima
‑
oyane模型中的参数γ、shima
‑
oyane模型中的参数β、粉末与模具内壁的摩擦系数的材料参数，考虑粉末与模具的相互作用关系，在MSC Marc有限元仿真分析软件中添加粉末的材料参数，配置粉末与模具的接触关系，从而构建面向粉末形变过程物理量变化的粉末形变物理模型；
[0010](1
‑
3)构建粉末压制行为模型：基于粉末压制过程的加压阶段、保压阶段、泄压阶
段、回弹阶段以及包括保压压力、保压时间的工艺参数，建立加压行为模型、保压行为模型、泄压行为模型、回弹行为模型，并基于上述四种行为模型，构建精确反映各阶段行为的粉末压制行为模型；
[0011](1
‑
4)构建粉末压制规则模型：基于粉末压制过程中保压压强变化规律，构建最大保压压强规则，基于粉末压制过程中保压时间设置经验，构建最大保压时间规则，基于粉末压制过程中粉柱平均相对密度的变化范围，构建最大粉柱平均相对密度规则，基于粉末压制过程中粉柱在回弹阶段的回弹现象持续时间，构建回弹时间设定规则，然后基于最大保压压强规则、最大保压时间规则、最大粉柱平均相对密度规则、回弹时间设定规则，构建面向压制过程约束条件的粉末压制规则模型；
[0012](1
‑
5)构建粉末压制过程数字孪生模型：基于步骤(1
‑
1)～(1
‑
4)中的粉末与模具几何模型、粉末形变物理模型构建、粉末压制行为模型、粉末压制规则模型，构建粉末压制过程数字孪生模型；
[0013](1
‑
6)生成粉末压制过程孪生数据：运行步骤(1
‑
5)所构建的粉末压制过程数字孪生模型，并对模型运行所得数据进行计算，得到成品粉柱的包括平均相对密度、成品粉柱相对密度方差、粉末压制过程中粉柱最大平均相对密度的质量参数以及包括上模冲最大功率、上模冲做功的能耗参数，并基于上述质量参数、能耗参数与步骤(1
‑
1)～(1
‑
3)中使用的装填参数、材料参数、工艺参数，生成粉末压制过程孪生数据；
[0014]步骤2、基于步骤(1
‑
5)所生成粉末压制过程孪生数据，构建质量参数与能耗参数预测模型，具体包括如下步骤：
[0015](2
‑
1)训练孪生数据扩充网络：利用随机噪声和步骤(1
‑
5)所生成孪生数据，训练涵盖数据生成器与数据判别器的生成对抗网络作为孪生数据扩充网络，其中数据生成器用于孪生数据扩充；
[0016](2
‑
2)扩充粉末压制过程孪生数据：基于步骤(2
‑
1)所生成孪生数据扩充网络的数据生成器，利用随机噪声生成粉末压制过程扩充数据；
[0017](2
‑
3)构建参数预测模型：基于粉末压制过程孪生数据与扩充数据，训练卷积神经网络作为质量参数与能耗参数预测模型，完成质量参数与能耗参数预测模型构建，实现基于工艺参数、材料参数、装填参数的质量参数预测与能耗参数预测；
[0018]步骤3、基于步骤2所构建参数预测模型，实现工艺参数优化，具体包括如下步骤：
[0019](3
‑
1)设定优化过程边界条件：基于最大保压压强规则、最大保压时间规则、最大粉柱平均相对密度规则设定工艺参数边界条件与质量参数边界条件，以此作为优化过程边界条件；
[0020](3
‑
2)优化多轮工艺参数：基于粒子群优化算法，以质量参数的期望值为优化目标，以步骤2所构建质量参数与能耗参数预测模型为待寻优函数，考虑步骤(3
‑
1)所设定优化过程边界条件，对工艺参数进行多轮优化，并获得多组包括保压压强与保压时间的工艺参数优化值；
[0021](3
‑
3)选择最优工艺参数：将步骤(3
‑
2)所获得的多组工艺参数优化值以及步骤1构建数字粉末压制过程孪生模型所用的材料参数、装填参数分别输入步骤(2
‑
3)所构建参数预测模型，计算产生最小上模冲做功的工艺参数优化值，并进行应用。
[0022]进一步地，所述步骤中(1
‑
3)中，加压行为为模具上模冲从加压初始位置开始，沿
模具纵向对称轴方向向下匀速直线运动，直到所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的粉末压制过程工艺参数优化方法，其特征在于，包括以下步骤：步骤1：基于几何
‑
物理
‑
行为
‑
规则维度的数字孪生模型构建方法，实现粉末压制过程数字孪生模型构建与孪生数据生成，具体包括如下步骤：(1
‑
1)构建粉末与模具几何模型：基于包括模具内径、粉末初始高度的装填参数以及粉末与模具的几何位置关系，构建面向几何结构的粉末与模具几何模型；(1
‑
2)构建粉末形变物理模型：基于粉末的包括屈服强度、密度、初始松装相对密度、相对密度为1时的杨氏模量、相对密度为1时的泊松比、shima
‑
oyane模型中的参数γ、shima
‑
oyane模型中的参数β、粉末与模具内壁的摩擦系数的材料参数，考虑粉末与模具的相互作用关系，在有限元仿真分析软件中添加粉末的材料参数，配置粉末与模具的接触关系，从而构建面向粉末形变过程物理量变化的粉末形变物理模型；(1
‑
3)构建粉末压制行为模型：基于粉末压制过程的加压阶段、保压阶段、泄压阶段、回弹阶段以及包括保压压力、保压时间的工艺参数，建立加压行为模型、保压行为模型、泄压行为模型、回弹行为模型，并基于上述四种行为模型，构建精确反映各阶段行为的粉末压制行为模型；(1
‑
4)构建粉末压制规则模型：基于粉末压制过程中保压压强变化规律，构建最大保压压强规则，基于粉末压制过程中保压时间设置经验，构建最大保压时间规则，基于粉末压制过程中粉柱平均相对密度的变化范围，构建最大粉柱平均相对密度规则，基于粉末压制过程中粉柱在回弹阶段的回弹现象持续时间，构建回弹时间设定规则，然后基于最大保压压强规则、最大保压时间规则、最大粉柱平均相对密度规则、回弹时间设定规则，构建面向压制过程约束条件的粉末压制规则模型；(1
‑
5)构建粉末压制过程数字孪生模型：基于步骤(1
‑
1)～(1
‑
4)中的粉末与模具几何模型、粉末形变物理模型构建、粉末压制行为模型、粉末压制规则模型，构建粉末压制过程数字孪生模型；(1
‑
6)生成粉末压制过程孪生数据：运行步骤(1
‑
5)所构建的粉末压制过程数字孪生模型，并对模型运行所得数据进行计算，得到成品粉柱的包括平均相对密度、成品粉柱相对密度方差、粉末压制过程中粉柱最大平均相对密度的质量参数以及包括上模冲最大功率、上模冲做功的能耗参数，并基于上述质量参数、能耗参数与步骤(1
‑
1)～(1
‑
3)中使用的装填参数、材料参数、工艺参数，生成粉末压制过程孪生数据；步骤2、基于步骤(1
‑
5)所生成粉末压制过程孪生数据，构建质量参数与能耗参数预测模型，具体包括如下步骤：(2
‑
1)训练孪生数据扩充网络：利用随机噪声和步骤(1
‑
5)所生成孪生数据，训练涵盖数据生成器与数据判别器的生成对抗网络作为孪生数据扩充网络，其中数据生成器用于孪生数据扩充；(2
‑
2)扩充粉末压制过程孪生数据：基于步骤(2
‑
1)所生成孪生数据扩充网络的数据生成器，利用随机噪声生成粉末压制过程扩充数据；(2
‑
3)构建参数预测模型：基于粉末压制过程孪生数据与扩充数据，训练卷积神经网络作为质量参数与能耗参数预测模型，完成质量参数与能耗参数预测模型构建，实现基于工艺参数、材料参数、装填参数的质量参数预测与能耗参数预测...

【专利技术属性】
技术研发人员：左颖，游虎杰，张萌，陶飞，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：