基于BP神经网络的压铸成型工艺参数的模拟与优化

张 庆，李晓棠，于 峰，陈 泽

（贵州大学机械工程学院，贵州 贵阳 550003）

压铸作为有色金属零件的一种少无切削、高效率生产精密铸件的先进制造技术，在机器制造、仪器仪表、汽车等产业领域具有重要的基础地位。由于压铸成型过程的瞬时性及其影响因素的多样性，决定了成型工艺参数系统是一个难以建立精确数学模型的系统。因此通常不得不依赖于生产实践所积累的经验来进行设计。但工艺参数的选择涉及成千上万种组合，在这无数多的组合面前如果仅凭经验试凑难以得到最优的成型工艺参数组合[1～2]。

本文利用正交试验和数值模拟获得的数据作为神经网络的训练学习的样本与检验，用BP神经网络对压铸成型工艺参数进行预测和优化，可以缩短优化工艺参数的时间，提高工艺设计效率。利用得到的最佳压铸工艺条件，随后进行实验验证。

1 神经网络模型的建立

BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号向前传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，再根据预测误差调整网络权值和阀值，从而使BP神经网络预测输出不断逼近期望输出[3]。还能逼近任意的非线性映射关系且其性能稳定、具有较好的泛化能力。因此，对压铸浇注工艺参数设计中涉及的各种因素间的非线性映射，采用BP网络来模拟是非常合适的。

基于BP神经网络的算法流程如图1[4]所示。

图1 算法流程

1.1 网络输入输出参数的确定

输入输出参数是建立神经网络过程中的关键环节。BP神经网络用输入输出参数训练神经网络，使训练后的网络能够预测输出。根据Kolmegorov定理，对于任意的连续函数或映射关系，总存在一个三层的前向网络，可以任意精度逼近此函数或映射。对于本模型可以构造一个三层前向网络，即输入层、隐含层和输出层。确定人工神经网络输入层节点为浇注温度、模具温度、充填速度和压射比压，网络的输出节点为充型完成时未发生凝固前铸件的最低温度点。压铸工艺参数的BP神经网络模型如图2[4]所示。

图2 压铸工艺参数的BP神经网络模型

隐层单元数的选择是非常重要的，若隐含层含节点数太少，BP神经网络不能建立复杂的映射关系，网络预测误差较大。但是如果节点数过多，网络学习时间增加，并且可能出现“过拟合”现象，就是训练样本预测准确，但是其他样本预测误差较大。本文采用试验凑试法来确定隐含节点数为14，此时的网络性能最好[1]。由此确定出神经网络的结构为4-14-1。

1.2 网络训练样本的选取

网络结构确定之后，选取正确的网络训练样本。本文以一个盒体的压铸成型为例，其几何模型如图3所示。外形尺寸为70mm×4mm×60mm，厚度为3mm，材料为铝合金。根据压铸生产经验确定不同工艺参数值及水平设置如表1所示[7]。

表1 各成型工艺参数值及水平设置

图3 算例几何模型

采用四因素四水平正交试验法对该铸件的压铸工艺方案进行优化设计，即L16（45）正交表，共16组实验。在改变4个工艺参数，其他条件不变的情况下用PROCAST仿真模拟软件对16种工艺方案进行模拟，获得不同工艺参数下铸件最高点温度的样本数据，工艺参数的正交试验表及模拟结果如表2所示。

表2 工艺参数模拟结果

1.3 压铸工艺参数的训练及检验

采用MATLAB中的神经网络工具箱对压铸成型工艺参数进行训练和检验。该网络的输入节点为4，隐含层节点数为14，输出节点为1。由于输入数据的数量级不同，必须对输入数据进行归一化处理。即把所有数据都转化为[0，1]之间的数，避免因为输入输出数据数量级差别较大而造成网络预测误差较大。

本文选取了4个工艺参数，每个工艺参数有4个试验，全部试验个数为44=256，正交试验选取了16组数据作为神经网络训练的样本数据。图4所示为样本训练过程中训练误差与给定的目标误差逐渐逼近的过程。图5所示是样本训练效果图，校本在训练175次后达到了目标误差要求。

图4 训练150次的过程图

图5 训练结果图

通过随机选取5组数据作为测试样本。将测试样本输入到训练后的网络中对网络泛化性能进行检验，如表3所示。通过对表3中的实际模拟结果和预测结果比较分析，表明两者结果基本吻合。因此，可以用此网络模型对实际压铸工艺参数变化所产生的结果进行预测。

1.4 结果分析

用训练好的BP神经网络预测函数输出，预测结果如图6所示。

从图6可以看出，训练好的神经网络具有较高的拟合能力。网络的整体性能不错，能够对输入数据进行较为精确的数值预测。

表3 工艺参数测试样本预测结果

图6 BP神经网络预测输出

2 优化结果

对压铸成型工艺参数进行优化，是在神经网络训练的基础上，根据金属液在充型完毕时刻未发生凝固前提下，以铸件最低温度高于并接近液相线温度632℃为标准，搜寻压射比压最大的工艺参数作为最优工艺参数。如果铸件最低点温度低于液相线，可能会产生浇不足的缺陷，但高出液相线太多，会造成冷却时间过长，不经济。较高的压射比压，使压铸合金结晶越细，结晶层增厚；同时也使填充动能加大，流动性改善，有利于克服浇注系统和充填压铸件型腔的阻力，提高压铸件的表面质量。

原则上最优工艺参数存在一定的范围内，并且各工艺参数存在一个范围之内，设定合理的步长，温度以2.5℃递增，速度以1m/s递增，压射比压以0.2mPa递增，对所有工艺参数下的铸件温度值进行全面预测。由于一共有4个工艺参数，每个工艺参数产生8个水平，则共有4096组工艺参数及其对应铸件温度值。利用MATLAB编制相应的搜寻程序，剔除低于液相线温度值的工艺，再对比温度和压射比压值，搜寻铸件温度高于并接近液相线点的最大压射比压的工艺参数。通过寻优命令操作，搜索到满足要求的最优工艺参数为浇注温度为680℃，模具温度215℃，充填速度26 m/s，压射比压26.2mPa，预测到相应铸件温度为634.6℃，略高于铝合金液相线温度632℃，与预测结果相当接近。因此，利用BP神经网络训练的结果所得到的最优工艺参数组合是可行的。

3 结论

应用PROCAST软件进行数值模拟、正交试验和人工神经网络相结合的方法对铸件压铸的凝固过程的模拟分析、预测和优化，得出如下结论：

1）对整个压铸工艺参数的优化可以缩短优化工艺参数的时间，提高工艺设计效率和产品质量。能够获得比单纯使用正交试验和数值模拟更为优化的模拟结果。

2）建立了该铸件成型工艺参数与铸件最低温度点的神经网络关系模型，通过比较神经网络的预测值与模拟值，可以看出网络的输出结果与模拟值基本相符，证实了基于BP神经网络的铝合金压铸成型工艺参数的模拟与优化过程的可行性。该模型的压铸成型工艺参数的优化结果为：当压射比压为26.2mPa、浇注温度680℃，模具温度215℃，充填速度26 m/s时，铸件温度为634.6℃，为所得的最优成型工艺参数。

［1］邹风山，王承志，黄勇.压铸浇注工艺参数的人工神经网络优化设计［J］.铸造设备研究，2002（6）：13-14.

［2］罗蓬，周锦进.基于BP神经网络的压铸浇注工艺参数设计［J］.铸造，2000（5）：286-288.

［3］赵建华，黄蕙兰，尹冬梅，等.基于神经网络的泵体铸造过程数值模拟的优化与应用［J］.热加工工艺，2009（38）：58-60.

［4］史峰，王小川，郁磊，等.MATLAB神经网络30个案例分析［M］.北京：北京航空航天大学出版社，2010.

［5］刘佳，贾树盛.神经网络在铸造生产中的应用［J］.铸造，2005（1）：18-21.

［6］潘宪曾.压铸模设计手册［M］.2版.北京：机械工业出版社，1998.

［7］黄佰云，李成功，石力开.中国材料工程大典（第四卷）［M］.北京：化学工业出版社，2006.

［8］Luo Peng.Optimization of numerical simulation for solidification process ofcamshaft based on artifical neural network［J］.Journal of Sichuan Univwesity（EngineeringScience Edition），2005，37（2）：120-124.