基于数字孪生的产品塑性加工前转运阶段温度预测的方法技术

本发明专利技术公开了一种基于数字孪生的产品塑性加工前转运阶段温度预测的方法，属于热处理技术领域，包括以下步骤：步骤10、建立关于热处理工件的有限元模型；步骤20、利用训练数据训练温度预测模型和验证温度预测模型；步骤30、建立数字孪生系统；步骤40、通过训练好的温度预测模型预测转运装置到达加工位置时的热处理工件的温度。本发明专利技术基于热力学原理建立有限元模型并通过与实测数据对比进行优化模型，将有限元仿真的得到的环境温度、时刻与产品最小温度作为训练数据，通过机器学习（包含但不限于神经网络）建立预测模型，将预测模型与软硬件结合建立数字孪生系统，能够实时预测产品塑性加工前转运阶段的温度并对转运行为做出智能决策。能决策。能决策。

【技术实现步骤摘要】
基于数字孪生的产品塑性加工前转运阶段温度预测的方法


[0001]本专利技术属于热处理
，涉及一种产品塑性加工前转运阶段温度预测和转运行为决策的方法。

技术介绍

[0002]锻件以及轧制产品的生产流程一般为热处理、转运、锻造/轧制。在产品生产的整个流程中，温度是一个重要的参数，温度过高会造成晶粒粗大、过烧和过热等问题，损害产品的质量，而锻造/轧制时温度过低会出现不易加工、开裂等问题。温度过高的问题可以通过优化热处理工艺，控制热处理时的最高温度来解决。为了解决轧制/锻造温度过低的问题需要控制轧制/锻造开始时刻的温度，使之不低于允许的开始加工时刻的温度。
[0003]实际生产中，产品在塑性加工之前的转运过程，转运后的产品到达加工台时的温度是否符合要求也无法得知，从而无法控制产品质量与浪费能源。

技术实现思路

[0004]本专利技术要解决的问题是提供一种基于数字孪生的产品塑性加工前转运阶段温度预测的方法，通过有限元模型、神经网络和数字孪生等技术，实现对热处理工件的温度值到达加工台时温度的预测，从而决策转运装置的行为。
[0005]为解决上述技术问题，本专利技术采用的技术方案是：一种基于数字孪生的产品塑性加工前转运阶段温度预测的方法，包括以下步骤：步骤10、建立关于热处理工件的有限元模型，通过向有限元模型输入不同转运环境温度和热处理工件的出炉温度得到不同转运环境温度下不同转运时刻的热处理工件温度值；步骤20、将不同转运环境温度和对应于步骤10中通过有限元模型得到的相应不同转运时刻作为输入参数、不同转运环境温度下不同转运时刻下的热处理工件温度值作为输出参数，输入参数和输出参数组成训练数据，利用训练数据训练温度预测模型和验证温度预测模型；步骤30、通过设置在车间内的用于采集车间内温度的温度传感器、设置在转运装置上的用于采集转运速度的速度传感器和用于检测转运装置与加工位置距离的位置传感器以及后台服务器建立数字孪生系统；步骤40、获取车间内环境温度以及转运装置的转运速度和转运装置与加工台间的距离并通过后台服务器计算得到转运时间，然后通过训练好的温度预测模型预测转运装置到达加工位置时的热处理工件的温度。
[0006]进一步的，在步骤10中，有限元模型中仿真时间为t、仿真转运环境温度的范围为生产车间全年最低温度至最高温度且以3℃为一梯度进行仿真，t的取值范围为0
‑
7200s。
[0007]进一步的，至少采集热处理工件中5个位置的实测温度值与有限元模型中的相对应位置的仿真温度值进行对比，并对有限元模型进行优化直至仿真温度值与实测温度值差值小于2%。
[0008]进一步的，在步骤20中，输入参数和输出参数组成训练数据并将训练数据进行归一化处理，将训练数据中的85%划分为训练集、15%作为测试集，其中训练集用来训练温度预
测模型，测试集用来检测温度预测模型的精准度。
[0009]进一步的，在步骤20中，温度预测模型包括神经网络或BP神经网络。当采用神经网络时，神经网络中隐含层为2层，输入层有2个节点，隐含层有20个节点，传递函数为sigmoid和ReLU函数，梯度下降算法为随机梯度下降算法，损失函数为均方差损失函数，初始学习率为0.1，归一化方法不限于最大最小归一化方法，学习率采用衰减策略，训练次数epoach 为1000000次。
[0010]进一步的，在步骤40中，所有传感器每5s采集一次数据，通过后台服务器计算转运时间后将当前车间内的转运环境温度和计算得到的转运时间输入到训练好的温度预测模型预测转运装置到达加工位置时的热处理工件的温度，然后判断热处理工件到达加工位置时热处理工件温度是否符合要求：如果以当前行进速度转运热处理工件且到达加工位置时小于规定的温度，则判断转运装置的速度是否达到了最大转运速度，如果是则转运装置驱动热处理工件返回热处理炉进行热处理，否则按最大转运速度计算到达的时间并预测到达的温度并判断到达加工位置时热处理工件温度是否大于等于规定的温度，如果是则按最大速度进行转运，否则转运装置驱动热处理工件返回热处理炉进行热处理；如果以当前行进速度转运热处理工件且到达加工位置时大于等于规定的温度，则转运装置以当前行进速度移动。
[0011]本专利技术基于热力学原理建立有限元模型并通过与实测数据对比进行优化模型，将有限元仿真的得到的环境温度、时刻与产品最小温度作为训练数据，通过机器学习（包含但不限于神经网络）建立预测模型，将预测模型与软硬件结合建立数字孪生系统，能够实时预测产品塑性加工前转运阶段的温度并对转运行为做出智能决策。
[0012]下面结合附图对本专利技术进行详细说明。
附图说明
[0013]图1本专利技术的流程图；图2 数字孪生系统构成图；图3数字孪生系统工作原理图；图4本专利技术实施例的环境温度280.15
‑
298.15K的所选的7个工况的产品温度
‑
时间曲线；图5本专利技术实施例中的神经网络预测结果与实际结果的对比曲线。
具体实施方式
[0014]本专利技术提供了一种基于数字孪生的产品塑性加工前转运阶段温度预测的方法，其包括以下步骤。
[0015]步骤10、参见附图1，建立关于热处理工件的有限元模型，通过向有限元模型输入不同转运环境温度和热处理工件的出炉温度得到不同转运环境温度下不同转运时刻的热处理工件温度值。
[0016]转运过程中热处理工件的温度传递过程可以认为是一个自然对流过程，影响热处理工件温度的因素主要有热处理工件的初始温度、环境温度、转运时间。
[0017]有限元模型需要建立2个区域，热处理工件的固体区域以及包裹热处理工件的流
体区域。流体区域的大小是固体区域大小的10倍，工件的初始温度，即出炉温度，为根据生产车间现场实际生产工艺热处理工件离开热处理炉时的温度。采用不可压缩模型，k
‑
ε模型，压力采用body force weight方法，采用瞬态计算方法，仿真时间t的范围为0
‑
7200s，且选定的t要远大于生产车间实际转运时间，有限元模型中热处理工件的初始温度需要根据生产车间现场实际生产工艺而定，为热处理工件离开热处理炉时的温度。环境温度为生产车间全年最低温度至最高温度，以3℃为一梯度进行仿真。选取其中一种工况进行仿真，获得此工况下热处理工件表面处不同时刻5个不同位置的温度值，然后进行实验验证，获得此工况下这5个位置不同时刻的实际测量值，将实际测量值与仿真获得的温度值进行对比，优化有限元模型，直至仿真获得的温度值与实测获得温度值差值小于2%，此时模型优化完成；利用优化后的有限元模型对设计的所有工况进行仿真， 获取不同环境温度下不同时刻热处理工件的最小温度值。此处时刻为从0s开始，间隔为0.2s的时刻。
[0018]步骤20、将不同转运环境温度和对应于步骤10中通过有限元模型得到的相应不同转运时刻作为输入参数、不同转运环境温度下不同转运时刻下的热处理工件温度值作为输出参数，输入参数和输出参数组成训练数据，利用训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的产品塑性加工前转运阶段温度预测的方法，其特征在于，包括以下步骤：步骤10、建立关于热处理工件的有限元模型，通过向有限元模型输入不同转运环境温度和热处理工件的出炉温度得到不同转运环境温度下不同转运时刻的热处理工件温度值；步骤20、将不同转运环境温度和对应于步骤10中通过有限元模型得到的相应不同转运时刻作为输入参数、不同转运环境温度下不同转运时刻下的热处理工件温度值作为输出参数，输入参数和输出参数组成训练数据，利用训练数据训练温度预测模型和验证温度预测模型；步骤30、通过设置在车间内的用于采集车间内温度的温度传感器、设置在转运装置上的用于采集转运速度的速度传感器和用于检测转运装置与加工位置距离的位置传感器以及后台服务器建立数字孪生系统；步骤40、获取车间内环境温度以及转运装置的转运速度和转运装置与加工台间的距离并通过后台服务器计算得到转运时间，然后通过训练好的温度预测模型预测转运装置到达加工位置时的热处理工件的温度。2.根据权利要求1所述的基于数字孪生的产品塑性加工前转运阶段温度预测的方法，其特征在于，在步骤10中，有限元模型中仿真时间为t、仿真转运环境温度的范围为生产车间全年最低温度至最高温度且以3℃为一梯度进行仿真，t的取值范围为0
‑
7200s。3.根据权利要求1所述的基于数字孪生的产品塑性加工前转运阶段温度预测的方法，其特征在于，至少采集热处理工件中5个位置的实测温度值与有限元模型中的相对应位置的仿真温度值进行对比，并对有限元模型进行优化直至仿真温度值与实测温度值差值小于2%。4.根据权利要求1所述的基于数字孪生的产品塑性加工前转运阶段温度预测的方法，其特征在于，在步骤20中，输入参数和输出参数组成训练数据并将训练数据...

【专利技术属性】
技术研发人员：王玉辉，赵金福，徐明哲，陈雨，宋铭达，马怡杰，赵腾祥，孔玲，车海军，
申请(专利权)人：燕山大学，
类型：发明
国别省市：