【技术实现步骤摘要】
本申请涉及金属热成形领域，尤其是涉及一种复杂件热成形的变压边力优化方法。
技术介绍
1、随着制造产业的发展和需求的不断深入，复杂拉延件(以下简称复杂件)的应用越来越广泛。然而，复杂件的成形往往伴随着多重缺陷——仅仅依赖单一压料面的压力产生的流动摩擦力并不足以满足精确控制板料塑性流动的要求，使得设计质量无法保证，减薄和增厚区域不均匀。在热成形过程中，由于温度、润滑等非线性因素的影响，使得上述问题更加突出。
2、采用分块压边力以及随着时间、行程变化的压边力可以解决上述单一压料面压力所存在的问题，具体的，可以调整进料阻力，在较大范围内控制变形区的大小和分布，抑制破裂、起皱、回弹等多种拉深成形质量问题的产生。然而，采用上述分块压边力以及随着时间、行程变化的压边力进行大型薄板拉深成形模具设计时，需要经过不断的微调、试模等操作，高度依赖设计者的经验水平，使得人工试错成本较高，开发周期也较长(至少需要几天)。同理，在该模具的辅助下采用分块压边力以及随着时间、行程变化的压边力进行复杂件的生产时，所生产的产品质量会存在问题，也需要不断的调整，导致产品生产的周期较长，成本较高。
3、因此，如何缩短大型薄板拉深成形模具设计及复杂件产品生产的周期并降低成本，是目前本领域技术人员亟待解决的重要技术问题。
技术实现思路
1、为了缩短大型薄板拉深成形模具设计及复杂件产品生产的周期并降低成本，本申请提供一种复杂件热成形的变压边力优化方法。
2、本申请提供的一种复杂件热成形的变压
3、一种复杂件热成形的变压边力优化方法，包括以下步骤：
4、确定复杂件热成形时压料面的分段数量及各个分段中压力的取值范围；
5、以所述分段中各个阶段的压边力值作为自变量，以最大减薄率和最大起皱值为因变量，构建svr支持向量回归模型；
6、利用改进的基于遗传思想的粒子群算法寻找所述svr支持向量回归模型的最优解，从而获得复杂件热成形时压料面的各个分段中各个阶段的压边力最优值。
7、本申请中通过构建svr支持向量回归模型，并利用改进的基于遗传思想的粒子群算法寻找所述svr支持向量回归模型的最优解，从而获得复杂件热成形时压料面的各个分段中各个阶段的压边力最优值，从而实现了快速、准确的对热成形复杂件的变压边力进行优化，无需反复进行微调、试模等过程，因而可以大大缩短大型薄板拉深成形模具设计及复杂件产品生产的周期并降低成本，同时采用本申请的上述方法进行复杂拉延模具的压边块设计，可以产生均匀的板料流动，获得良好的成形质量产品。
8、优选的，所述利用改进的基于遗传思想的粒子群算法寻找所述svr支持向量回归模型的最优解，包括：
9、本申请中通过将遗传算法和粒子群算法进行嵌入式混合，具体的，将遗传算法的选择、交叉和变异算子嵌入粒子群算法中，通过粒子的选择、交叉和变异操作进行个体极值和群体极值的更新；将所述svr支持向量回归模型写入改进的基于遗传思想的粒子群算法适应度函数中，设定寻优参数，进行全局的算法寻优，将遗传算法的选择策略嵌入粒子群算法中，进行排序筛选优胜略汰，此操作可以使得种群中适应度值较好的个体的数量能够快速增加，从而提高算法的高效实用性；另外，交叉算子注重局部优化搜索，针对处理高维目标优化问题时个体空间稀疏性挑战有较好的结果；最后，本申请中将粒子群的进化思想结合变异算子，能够发挥粒子群算法的收敛速度块，全局优化同时计算简单，还能提高运算速度的优点。总的来说，采用本申请的上述技术方案，可以增强算法的局部收敛性和全局优化性以及运行速度，本申请中进行全局算法寻优可以自动利用算法寻得最佳参数，而人工费时费力，只能依据经验进行调整，这也是为什么要用svr回归数学模型代替仿真模型的过程。
10、更优选的，所述利用改进的基于遗传思想的粒子群算法寻找所述svr支持向量回归模型的最优解，包括：
11、进行参数初始化，设定寻优参数；
12、计算所述svr支持向量回归模型的适应度值，并将个体按照适应度值大小进行降序排列，去除第一预设数量的个体，复制剩余个体中第二预设数量的个体及保留其它两部分个体到下一代中，重新组成新的种群；
13、粒子群算法在进化代数内更新所述新的种群中个体的速度和位置；当满足进化代数后，令两两个体随机为一组，取出每组中适应度高的个体形成第一新组并对所述第一新组中的个体两两进行交叉和变异；
14、将所述每组中剩余的个体组成第二新组并更新第二新组中个体的速度和位置；
15、将所述第一新组和第二新组中处理后的个体进行合并，组成新的种群个体；
16、重复步骤将个体按照所述svr支持向量回归模型的适应度值大小进行降序排列至将所述第一新组和第二新组中处理后的个体进行合并，组成新的种群个体，直至达到总进化代数，获得所述svr支持向量回归模型的最佳适应度值及最优解。
17、本申请中，通过将个体按照适应度值大小进行降序排列，去除第一预设数量的个体，复制剩余个体中第二预设数量的个体及保留其它两部分个体到下一代中，重新组成新的种群，从而可以使得种群中适应度值较好的个体的数量能够快速增加，提高了算法的高效实用性和局部收敛性。具体实施时可以采用比如传统的轮盘概率选择法或熵权法选择法等。
18、另外，本申请中，通过粒子群算法更新所述新的种群中个体的速度和位置；当满足进化代数后，令两两个体随机为一组，取出每组中适应度高的个体形成第一新组并对所述第一新组中的个体两两进行交叉和变异；将所述每组中剩余的个体组成第二新组并更新第二新组中个体的速度和位置，前者通过选择算子提高了全局收敛性，这里则需要保证算子全局优化性能，主要通过交叉和变异实现，申请的交叉算子注重局部优化搜索，针对处理高维目标优化问题时个体空间稀疏性挑战有较好的结果；而且本申请中将粒子群的进化思想结合变异算子，能够发挥粒子群算法的收敛速度块，全局优化的优点外，同时计算简单，还能提高运算速度。
19、另外，本申请中重复步骤将个体按照所述svr支持向量回归模型的适应度值大小进行降序排列至将所述第一新组和第二新组中处理后的个体进行合并，组成新的种群个体，直至达到总进化代数，获得所述svr支持向量回归模型的最佳适应度值及最优解，从而可以进一步增强融合算法的全局性能，以保证不会陷入局部解，同时算法内置交叉等算子进一步增强局部收敛性，整体可以实现准确快速的进行参数寻优。
20、进一步优选的，交叉后的新个体为：
21、x1new＝1/2[(1+a)*x2+(1-a)*x1]
22、x2new＝1/2[(1+a)*x1+(1-a)*x2]
23、其中，
24、式中，η表示自定义的分布因子，η越大则产生的后代个体逼近父代个体的概率越大；uj为定义的随机数，以0.5为分界；a是一个由分布因子η根据公式动态随机决定的参数；x1new、x2new表示本文档来自技高网...
【技术保护点】
1.一种复杂件热成形的变压边力优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的复杂件热成形的变压边力优化方法，其特征在于，所述利用改进的基于遗传思想的粒子群算法寻找所述SVR支持向量回归模型的最优解，包括：
3.根据权利要求2所述的复杂件热成形的变压边力优化方法，其特征在于，所述利用改进的基于遗传思想的粒子群算法寻找所述SVR支持向量回归模型的最优解，包括：
4.根据权利要求3所述的复杂件热成形的变压边力优化方法，其特征在于：
5.根据权利要求3所述的复杂件热成形的变压边力优化方法，其特征在于，若基于遗传思想的粒子群算法适应度函数值与所述SVR支持向量回归模型的适应度值成倒数关系，则所述的第一预设数量为从适应度值最低的个体开始按适应度值由低到高的四分之一；
6.根据权利要求1所述的复杂件热成形的变压边力优化方法，其特征在于，所述的以所述分段中各个阶段的压边力值作为自变量，以最大减薄率和最大起皱值为因变量，构建SVR支持向量回归模型包括：
7.根据权利要求6所述的复杂件热成形的变压边力优化方法，其
8.根据权利要求1所述的复杂件热成形的变压边力优化方法，其特征在于，在步骤确定复杂件热成形时压料面的分段数量及各个分段中压力的取值范围之前还包括：
9.根据权利要求8所述的复杂件热成形的变压边力优化方法，其特征在于，利用所述的试验点和获得的最大减薄率和最大起皱值构建SVR支持向量回归模型时，对所述的最大减薄率和最大起皱值进行量纲消除处理：
10.根据权利要求1所述的复杂件热成形的变压边力优化方法，其特征在于，在步骤构建SVR支持向量回归模型之后，还包括：
...【技术特征摘要】
1.一种复杂件热成形的变压边力优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的复杂件热成形的变压边力优化方法，其特征在于，所述利用改进的基于遗传思想的粒子群算法寻找所述svr支持向量回归模型的最优解，包括：
3.根据权利要求2所述的复杂件热成形的变压边力优化方法，其特征在于，所述利用改进的基于遗传思想的粒子群算法寻找所述svr支持向量回归模型的最优解，包括：
4.根据权利要求3所述的复杂件热成形的变压边力优化方法，其特征在于：
5.根据权利要求3所述的复杂件热成形的变压边力优化方法，其特征在于，若基于遗传思想的粒子群算法适应度函数值与所述svr支持向量回归模型的适应度值成倒数关系，则所述的第一预设数量为从适应度值最低的个体开始按适应度值由低到高的四分之一；
6.根据权利要求1所述的复杂件热成形的变压边...
【专利技术属性】
技术研发人员：袁熙，李耀聪，
申请(专利权)人：瀚蕾智造广东科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。