基于集成学习和改进粒子群优化算法的流程制造工艺参数优化

针对流程制造过程中工艺过程复杂、多工序耦合严重、工艺参数优化困难等问题,提出一种基于长短期记忆(LSTM)神经网络、极限梯度提升(XGBoost)算法和改进粒子群优化(IPSO)算法的多工序工艺参数融合优化方法。基于LSTM神经网络建立了数据预处理模型,通过LSTM神经网络提取流程工艺数据的时序特征,进而实现了对工艺数据中异常值的处理。在此基础上,通过XGBoost算法拟合工艺参数与质量指标间的非线性关系,并结合粒子群算法构建了PSO-XGBoost质量预测模型,再将预测模型的输出作为适应度,调用改进粒子群算法反向搜索全局最优工艺参数,得到各工序的最优工艺参数组合,从而实现了流程制造加工质量的融合优化。以某企业的一条流程生产线为例,验证了多工序工艺参数融合优化模型的有效性。

异形截面构件多工序充液成形工艺及过程优化

汽车悬架臂零件为异形截面构件,是汽车底盘结构件的典型代表之一。为了提高材料利用率和成形效率,悬架臂零件采用一坯两件生产方式。基于动力显示有限元软件Dynaform,对充液成形多工序工艺路线进行数值模拟,并结合正交试验,研究主要工艺参数对充液成形的影响。在此基础上进行弯曲、预成形和充液成形工艺试验。研究结果表明:多工序充液成形有限元模拟结果与试验结果基本一致。在补料压力30 MPa、补料量15 mm、摩擦因数0.06时,成形出合格零件。