一种复合材料分步电磁成形方法及系统
本发明涉及电磁成形和智能制造，尤其涉及一种复合材料分步电磁成形方法及系统。
背景技术：
1、电磁成形(emf)是利用脉冲电磁力的一种加工技术，因其使工件成形速度极快、加工件高表面质量以及能极大提高材料成形极限等优势，得到了工业和学术界的广泛关注。电磁成形技术目前被大量的应用于轻质片材的加工，已有研究证明通过电磁成形可以提高aa1060-h24片材的成形极限，高达68.3％。有部分学者对于金属聚合物复合材料的电磁成形进行了研究，同样在提升材料成形极限方面表现优异。但是目前对于金属复合材料的电磁成形的研究仍然十分有限，而在新一代的航空航天技术中，金属复合材料正在逐步的替代单金属材料，在其他领域，金属复合材料的需求也越来越大。如多层al-ti板具有强延展性和高比强度的特征，被大量的运用于汽车工业和航空航天。al/mg复合材料有效的融合了mg的高比强度、轻质和al的延展性等优势特征，其性能远好于单金属。所以研究复合材料的电磁成形技术，使电磁成形技术更加匹配于复合材料的加工，提高复合材料成形的性能，成为一个重要的工程问题。
2、在金属复合材料的电磁成形上，存在三大主要问题：(1)电磁成形仿真计算效率低，涉及结构、电磁多物理场，提高电磁成形计算效率，成为业界的一大关键问题；(2)复合材料各个部分延展性不同，在成形时需要进行过程控制，减少成形过程中产生的材料分离变形等问题；(3)因为多物理场耦合，参数众多，如电流等电磁参数、宽度和厚度等工件参数、摩擦和压力等工艺参数，调控和优化多参数，成为电磁成形的一大难点。
技术实现思路
1、为解决现有电磁成形方案计算效率低、参数优化难和过程控制难的技术问题，本发明实施例提供一种复合材料分步电磁成形方法及系统。
2、本发明实施例的技术方案是这样实现的：
3、本发明实施例提供了一种复合材料分步电磁成形方法，所述方法应用于复合材料分步电磁成形系统，所述复合材料分步电磁成形系统包括可移动平台和复合网络模型；所述可移动平台包括基体模具、放电线圈和丝杆升降机；所述基体模具，用于为加工工件提供成形形状；所述放电线圈，用于产生电磁力，使加工工件在所述电磁力作用下成型；所述丝杆升降机，用于调节所述放电线圈到所述加工工件的距离；所述复合网络模型包括第一网络模型、第二网络模型和第三网络模型；所述方法包括：利用所述第一网络模型对加工工件的电磁成型过程进行有限元仿真，获得多组仿真数据；每组仿真数据包括电磁参数、工件参数、工艺参数、调节参数、对应的加工工件的最大变形和最大应力；将所述多组仿真数据输入所述第二网络模型，获得所述第二网络模型生成的相似仿真数据；将所述仿真数据和所述相似仿真数据拼接后进行数据格式处理，获得训练样本；利用所述训练样本训练所述第三网络模型，并利用训练后的所述第三网络模型预测所述加工工件在电磁参数、工件参数、工艺参数和最大变形条件下的调节参数和最大应力；训练后的所述第三网络模型包含电磁参数、工件参数、工艺参数、最大变形到调节参数的映射关系和电磁参数、工件参数、工艺参数、最大变形到最大应力的映射关系；根据所述最大应力判断是否符合加工工件的加工许可范围；在符合加工工件的加工许可范围的情况下，控制所述丝杆升降机对所述放电线圈到所述加工工件的距离进行调节，以使所述放电线圈到所述加工工件的距离为所述调节参数；重复多次上述操作，直至加工工件到达基体模具的底部为止，完成所述加工工件的电磁成形。
4、在一实施例中，所述第一网络模型包括第一脚本和第一求解器；利用所述第一网络模型对加工工件的电磁成型过程进行有限元仿真，获得多组仿真数据，包括：通过第一软件建立初始仿真过程，获得第一脚本；在第一求解器中运行所述第一脚本，进行参数和循环条件的设置后，输入多组电磁参数、工件参数、工艺参数和调节参数，获取对应输出的最大应力和最大变形；基于多组电磁参数、工件参数、工艺参数、调节参数、对应的最大应力和最大变形，获得多组仿真数据。
5、在一实施例中，所述第二网络模型包括编码器、生成器和鉴别器，将所述多组仿真数据输入所述第二网络模型，获得所述第二网络模型生成的相似仿真数据，包括：将所述多组仿真数据输入所述编码器，获得所述编码器输出的中间变量；将所述中间变量输入所述生成器，获得所述生成器输出的相似仿真数据；将所述仿真数据和所述相似仿真数据输入所述鉴别器中，获得所述鉴别器输出的鉴别概率；所述鉴别概率用于鉴别所述相似仿真数据是否符合预设要求，将符合预设要求的相似仿真数据进行输出。
6、在一实施例中，所述编码器、所述生成器和所述鉴别器均为深度神经网络，所述编码器的输入层包含8个神经元或6个神经元，所述编码器的输出层包含2个神经元；所述生成器的输入层包含2神经元，所述生成器的输出层包含8个神经元或6个神经元；所述鉴别器的输入层包含16个神经元或12个神经元，所述鉴别器的输出层包含一个神经元；所述编码器、所述生成器和所述鉴别器隐藏层和隐藏层神经元的数量与仿真数据的数据量正相关。
7、在一实施例中，所述第二网络模型训练时的损失函数包括第一重构损失部分和第二部分损失：
8、所述第一重构损失部分包括：
9、lossreconstruction→||outputgenerator-g(e(inputencoder))||
10、其中，g()为生成器，e()为编码器，outputgenerator为生成器的输出，inputencoder为编码器的输入；
11、所述第二部分损失包括：
12、lossgan→log(d(inputencoder))+log(1-d(g(e(outputencoder))))+log(1-d(g(zp1,zp2
13、)))
14、其中，d()为鉴别器，zp1,zp2为中间变量，为在正态分布空间中重采样得到，inputencoder为编码器的输入，outputencoder为编码器的输出，g()为生成器，e()为编码器。
15、在一实施例中，将所述仿真数据和所述相似仿真数据拼接后进行数据格式处理，获得训练样本，包括：将所述仿真数据和所述相似仿真数据按行拼接，获得拼接数据；对所述拼接数据进行输入输出关系的调整，获得训练样本；所述训练样本包括第一训练样本和第二训练样本；所述第一训练样本的输入项为电磁参数、工件参数、工艺参数和最大变形，所述第一训练样本的输出项为调节参数；所述第二训练样本的输入项为电磁参数、工件参数、工艺参数和最大变形，所述第二训练样本的输出项为最大应力。
16、在一实施例中，所述第三网络模型包括第一子模型和第二子模型；利用所述训练样本训练所述第三网络模型，包括：利用所述第一训练样本训练所述第一子模型；利用所述第二训练样本训练所述第二子模型；训练后的第一子模型包含电磁参数、工件参数、工艺参数、最大变形到调节参数的映射关系；训练后的第二子模型包含电磁参数、工件参数、工艺参数、最大变形到最大应力的映射关系。
17、在一实施例中，所述第一子模型训练时的损失函数为：
18、
19、其中，hi为调节参数，即线圈到加工工件距离(线圈到模具最低点表示)，h′i为对应生成器生成参数，h″i为lstm1预测参数，m为lstm的数据量；
20、所述第二子模型训练时的损失函数为：
21、
22、其中，smaxi为工件最大应力，smax′i为生成器生成应力，smax″i为lstm2预测应力，m为lstm的数据量。
23、在一实施例中，控制所述丝杆升降机对所述放电线圈到所述加工工件的距离进行调节，包括：
24、利用线性二次型调节器控制所述丝杆升降机对所述放电线圈到所述加工工件的距离进行调节。
25、本发明实施例还提供了一种复合材料分步电磁成形系统，所述复合材料分步电磁成形系统包括可移动平台、复合网络模型和处理器；所述可移动平台包括基体模具、放电线圈和丝杆升降机；所述基体模具，用于放置加工工件；所述放电线圈，用于产生电磁力，使加工工件在所述电磁力作用下成型；所述丝杆升降机，用于调节所述放电线圈到所述加工工件的距离；所述复合网络模型包括第一网络模型、第二网络模型和第三网络模型；所述处理器，用于执行上述任一项所述方法的步骤。
26、本发明实施例提供的复合材料分步电磁成形方法及系统，利用所述第一网络模型对加工工件的电磁成型过程进行有限元仿真，获得多组仿真数据；每组仿真数据包括电磁参数、工件参数、工艺参数、调节参数、对应的加工工件的最大变形和最大应力；将所述多组仿真数据输入所述第二网络模型，获得所述第二网络模型生成的相似仿真数据；将所述仿真数据和所述相似仿真数据拼接后进行数据格式处理，获得训练样本；利用所述训练样本训练所述第三网络模型，并利用训练后的所述第三网络模型预测所述加工工件在电磁参数、工件参数、工艺参数和最大变形条件下的调节参数和最大应力；训练后的所述第三网络模型包含电磁参数、工件参数、工艺参数、最大变形到调节参数的映射关系和电磁参数、工件参数、工艺参数、最大变形到最大应力的映射关系；根据所述最大应力判断是否符合加工工件的加工许可范围；在符合加工工件的加工许可范围的情况下，控制所述丝杆升降机对所述放电线圈到所述加工工件的距离进行调节，以使所述放电线圈到所述加工工件的距离为所述调节参数；重复多次上述操作，直至加工工件到达基体模具的底部为止，完成所述加工工件的电磁成形。本发明提供的方案通过有限元仿真和神经网络架构，建立多参数间的关系，实现线圈到加工工件距离的智能调控以及应力预测，通过多次调节，实现多次分步成形。
技术特征：
1.一种复合材料分步电磁成形方法，其特征在于，所述方法应用于复合材料分步电磁成形系统，所述复合材料分步电磁成形系统包括可移动平台和复合网络模型；所述可移动平台包括基体模具、放电线圈和丝杆升降机；所述基体模具，用于为加工工件提供成形形状；所述放电线圈，用于产生电磁力，使加工工件在所述电磁力作用下成型；所述丝杆升降机，用于调节所述放电线圈到所述加工工件的距离；所述复合网络模型包括第一网络模型、第二网络模型和第三网络模型；所述方法包括：
2.根据权利要求1所述的复合材料分步电磁成形方法，其特征在于，所述第一网络模型包括第一脚本和第一求解器；利用所述第一网络模型对加工工件的电磁成型过程进行有限元仿真，获得多组仿真数据，包括：
3.根据权利要求1所述的复合材料分步电磁成形方法，其特征在于，所述第二网络模型包括编码器、生成器和鉴别器，将所述多组仿真数据输入所述第二网络模型，获得所述第二网络模型生成的相似仿真数据，包括：
4.根据权利要求3所述的复合材料分步电磁成形方法，其特征在于，所述编码器、所述生成器和所述鉴别器均为深度神经网络，所述编码器的输入层包含8个神经元或6个神经元，所述编码器的输出层包含2个神经元；所述生成器的输入层包含2神经元，所述生成器的输出层包含8个神经元或6个神经元；所述鉴别器的输入层包含16个神经元或12个神经元，所述鉴别器的输出层包含一个神经元；所述编码器、所述生成器和所述鉴别器隐藏层和隐藏层神经元的数量与仿真数据的数据量正相关。
5.根据权利要求3所述的复合材料分步电磁成形方法，其特征在于，所述第二网络模型训练时的损失函数包括第一重构损失部分和第二部分损失：
6.根据权利要求1所述的复合材料分步电磁成形方法，其特征在于，将所述仿真数据和所述相似仿真数据拼接后进行数据格式处理，获得训练样本，包括：
7.根据权利要求6所述的复合材料分步电磁成形方法，其特征在于，所述第三网络模型包括第一子模型和第二子模型；利用所述训练样本训练所述第三网络模型，包括：
8.根据权利要求7所述的复合材料分步电磁成形方法，其特征在于，所述第一子模型训练时的损失函数为：
9.根据权利要求1所述的复合材料分步电磁成形方法，其特征在于，控制所述丝杆升降机对所述放电线圈到所述加工工件的距离进行调节，包括：
10.一种复合材料分步电磁成形系统，其特征在于，所述复合材料分步电磁成形系统包括可移动平台、复合网络模型和处理器；所述可移动平台包括基体模具、放电线圈和丝杆升降机；所述基体模具，用于放置加工工件；所述放电线圈，用于产生电磁力，使加工工件在所述电磁力作用下成型；所述丝杆升降机，用于调节所述放电线圈到所述加工工件的距离；所述复合网络模型包括第一网络模型、第二网络模型和第三网络模型；所述处理器，用于执行权利要求1至9任一项所述方法的步骤。
技术总结
本发明公开了一种复合材料分步电磁成形方法及系统。其中，方法包括对加工工件的电磁成型过程进行有限元仿真，获得多组仿真数据；根据多组仿真数据获得相似仿真数据；将仿真数据和相似仿真数据拼接后进行数据格式处理，获得训练样本；利用训练样本训练第三网络模型，并预测加工工件在一定条件下的调节参数和最大应力；根据最大应力判断是否符合加工工件的加工许可范围；在符合的情况下，控制丝杆升降机对放电线圈到加工工件的距离进行调节；重复多次，直至加工工件到达基体模具的底部为止。本发明提供的方案通过有限元仿真和神经网络架构，建立多参数间的关系，实现线圈到加工工件距离的智能调控以及应力预测，通过多次调节，实现多次分步成形。
技术研发人员：李洲,宁康,李俊豪,夏士奇,崔晓辉
受保护的技术使用者：中南大学
技术研发日：
技术公布日：2024/12/5