本发明属于板料充液成形的技术领域，具体涉及一种板料充液成形加载路径优化设计方法。
背景技术：
板料充液成形是指采用液态的油或水等作为传力介质，代替传统刚性的凹模或凸模，使坯料在传力介质的压力作用下，贴合凸模或凹模而成形的柔性介质辅助成形技术，此技术生产出的零件整体结构好、回弹量小，能够使复杂形状零件生产简化、柔性化程度高，并大幅度降低模具套数和成本，在航空航天领域、汽车制造工业、核能应用技术等高新科技产业中具有广泛的应用前景。
在充液成形过程中，液室压力需要随着模具下压而不断变化，加载路径是指液室压力随模具位移的变化情况，是板料充液成形技术中核心的工艺问题，正确合理的加载路径可以减少和消除成形过程中破裂、起皱等成形缺陷，改善零件成形性，提高成形质量。同时，有且只有在一定范围内设计合理的液室加载路径才可以避免破裂与起皱缺陷的产生，并将这一区域称作充液成形的“工艺窗口”。
但是，目前充液成形加载路径设计缺乏科学系统的指导，主要依赖经验估计方法，一方面精度差，受限于工艺人员个人经验和能力的差异，其设计往往存在随意性大、科学性差的缺点，得到的方案通常不是最佳方案；另一方面效率低，往往需要多次反复试错才能形成可靠的制造方案。这直接制约了我国航空航天等工业生产制造的进步与发展。
因此，发掘液室压力与成形零件之间的作用关系，应用科学的方法对液室压力加载路径进行快速而最优的设计，是发挥充液成形工艺在复杂零件制造领域中优势的关键所在。
技术实现要素：
本发明的目的在于提供一种板料充液成形加载路径优化设计方法，使用遗传方法对充液加载路径进行优化设计，在每次遗传方法的迭代计算过程中，调用基于神经网络的充液成形预测模型来预测成形结果，并计算采用优化的充液加载路径进行零件充液成形后的最大减薄率、破裂因子和起皱因子，最终得到最优的充液加载路径。
本发明通过下述技术方案实现：
一种板料充液成形加载路径优化设计方法，采用遗传方法对充液成形加载路径进行迭代优化，并在迭代优化的过程中调用神经网络预测模型预测充液成形的结果以得到最优的充液加载路径，包括以下步骤：
步骤1、确定神经网络的输入参数和输出参数，将充液加载路径上的若干特征点的坐标变量作为神经网络的输入参数，将充液成形零件以当前充液成形路径进行成形后的若干成形质量考评参数作为神经网络的输出参数；
步骤2、通过特征点的坐标变量建立神经网络的训练样本，并根据训练样本针对若干成形质量考评参数分别进行神经网络训练，使得神经网络预测精度达标；
步骤3、基于预测精度达标的神经网络进行训练以建立与若干成形质量考评参数相对应的充液成形预测模型；
步骤4、通过充液成形预测模型预测不同充液加载路径下的成形质量考评参数，并采用遗传方法根据成形质量考评参数计算充液加载路径的适应度函数，根据适应度函数得出最优的充液加载路径。
为了更好的实现本发明，进一步地，所述步骤3中建立充液成形预测模型包括以下步骤：
步骤3.1、采用l-m学习方法对三层结构的bp神经网络进行训练，采用试凑法确定训练的最佳隐含节点数，采用经验公式确定训练的最少隐含节点数，并使用最少隐含节点数对三层结构的bp神经网络进行训练；
步骤3.2、基于同一个训练样本，从最少隐含节点数逐渐增加隐含节点数至最佳隐含节点数对三层结构的bp神经网络进行训练；
步骤3.3、确定三层结构的bp神经网络预测精度最高时对应的隐含节点数，并采用该隐含节点数建立充液成形预测模型。
为了更好的实现本发明，进一步地，步骤3.2中对充液成形预测模型进行训练的训练公式如下：
其中：m为隐含节点数；n为输入层的节点数；l为输出层的节点数；a为1-10之间的常数。
为了更好的实现本发明，进一步地，所述步骤4包括以下步骤：
步骤4.1、通过充液成形预测模型预测不同充液加载路径下的成形质量考评参数；
步骤4.2、采用matlab中的启发式交叉方法与自适应可行变异方法作为遗传方法，并根据步骤4.1中得到不同充液加载路径对应的成形质量考评参数进行迭代计算，以得到充液加载路径的适应度函数；
步骤4.3、根据适应度函数得出最优的充液加载路径并输出最优的充液加载路径下对应的成形质量考评参数。
为了更好的实现本发明，进一步地，所述步骤4中，所述遗传方法的种群规模为80，交叉操作比例为80％，最大运行代数设置为100。
为了更好的实现本发明，进一步地，所述步骤2包括以下步骤：
步骤2.1、选取部分征点的坐标变量作为检测样本，将剩余的特征点的坐标变量作为训练样本；
步骤2.2、对训练样本进行归一化处理，并根据归一化处理后的训练样本对神经网络进行训练以得到训练结果，并将训练结果与检测样本进行对比以得到神经网络预测精度；
步骤2.3、若神经网络预测精度达标，则表明当前神经网络精度达标；若神经网络预测精度不达标，则调整训练样本的输入参数，直到神经网络预测精度达标。
为了更好的实现本发明，进一步地，所述步骤2.2中归一化处理采用公式如下：
其中：w为归一化值；w为归一化前值；wmax为归一化前的最大值；wmin为归一化前的最小值。
为了更好的实现本发明，进一步地，所述成形质量考评参数包括壁厚最大减薄率mtr、破裂因子qr、起皱因子qw，所述适应度函数的计算公式如下：
f(x)＝mtr(x) r{max[qr(x)] max[qw(x)|}；
其中：f(x)为适应度函数；mtr(x)为壁厚最大减薄率的充液成形预测模型；qr(x)为破裂因子的充液成形预测模型；qw(x)为起皱因子的充液成形预测模型；x为充液成形优化向量的取值区间。
为了更好的实现本发明，进一步地，所述破裂因子qr的充液成形预测模型如下：
其中：qr为破裂因子；
为了更好的实现本发明，进一步地，所述起皱因子qw的充液成形预测模型如下：
其中：qw为起皱因子；σθ为切向压应力；
本发明与现有技术相比，具有以下优点及有益效果：
(1)本发明采用遗传方法来设计充液成形加载路径，获取加载路径的最优值，解决了现有设计的盲目性、经验性、非最优等问题，充分发挥了材料的成形性能，提高了充液成形质量；
(2)本发明在每次遗传方法的迭代中，调用基于神经网络的充液成形预测模型来预测成形结果，计算最大减薄率、破裂因子和起皱因子，在保证精度的同时，降低了数十倍的有限元模拟工作量，大大提高了优化效率，缩短研发周期；同时可以直接通过算法进行反复试错取代实际充液成形试错，有效降低了生产成本。
附图说明
图1为本发明的步骤流程示意图；
图2为充液成形预测模型的预测结果示意图；
图3为最优的充液加载路径优化示意图；
图4为31组充液加载路径对应的输出参数示意图。
具体实施方式
实施例1：
本实施例的一种板料充液成形加载路径优化设计方法，如图1所示，采用遗传方法对充液成形加载路径进行迭代优化，并在迭代优化的过程中调用神经网络预测模型预测充液成形的结果以得到最优的充液加载路径，包括以下步骤：
步骤1、确定神经网络的输入参数和输出参数，将充液加载路径上的若干特征点的坐标变量作为神经网络的输入参数，将充液成形零件以当前充液成形路径进行成形后的若干成形质量考评参数作为神经网络的输出参数；
充液加载路径上的特征点的坐标变量能够直观地反映液室压力变化规律，因此选择特征点的坐标变量作为神经网络的输入参数；从便于测量的角度考虑，定义零件模拟结果中最大减薄率、起皱因子、破裂因子作为神经网络的输出参数。
步骤2、通过特征点的坐标变量建立神经网络的训练样本，并根据训练样本针对若干成形质量考评参数分别进行神经网络训练，使得神经网络预测精度达标，以保证后续的模拟分析精度；
步骤3、基于预测精度达标的神经网络进行训练以建立与若干成形质量考评参数相对应的充液成形预测模型，对应上述最大减薄率、起皱因子、破裂因子三种输出参数，则分别得到对应最大减薄率的最大减薄率充液成形预测模型，对应起皱因子的起皱因子充液成形预测模型，对应破裂因子的破裂因子充液成形预测模型。
步骤4、通过充液成形预测模型预测不同充液加载路径下的成形质量考评参数，针对不同的输出参数调取相应的充液成形预测模型进行预测计算，如对应最大减薄率则调取最大减薄率充液成形预测模型进行预测计算得出当前充液加载路径条件下零件成形后的最大减薄率。然后采用遗传方法根据成形质量考评参数计算充液加载路径的适应度函数，适应度函数的适应度越高，则表明当前的充液加载路径越优化，直到遗传方法得带计算得出适应度最高的最优的充液加载路径为止。
实施例2：
本实施例在实施例1的基础上做进一步优化，所述步骤3中建立充液成形预测模型包括以下步骤：
步骤3.1、采用l-m学习方法对三层结构的bp神经网络进行训练，采用试凑法确定训练的最佳隐含节点数，采用经验公式确定训练的最少隐含节点数，并使用最少隐含节点数对三层结构的bp神经网络进行训练。三层结构的bp神经网络包括输入层、隐含层、输出层，所述输入层与隐含层之间的传递函数为tanh函数“tansig”，所述隐含层与输出层之间的传递函数为线性函数“purelin”，误差选取1.0×10-7。
步骤3.2、基于同一个训练样本，从最少隐含节点数逐渐增加隐含节点数至最佳隐含节点数对三层结构的bp神经网络进行训练；
步骤3.3、确定三层结构的bp神经网络预测精度最高时对应的隐含节点数，并采用该隐含节点数建立充液成形预测模型。
进一步的，隐含节点数一般选择7个，最大训练次数设置为10000次。
进一步的，步骤3.2中对充液成形预测模型进行训练的训练公式如下：
其中：m为隐含节点数；n为输入层的节点数；l为输出层的节点数；a为1-10之间的常数。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
本实施例在上述实施例1或2的基础上做进一步优化，所述步骤4包括以下步骤：
步骤4.1、通过充液成形预测模型预测不同充液加载路径下的成形质量考评参数；
步骤4.2、采用matlab中的启发式交叉方法与自适应可行变异方法作为遗传方法，并根据步骤4.1中得到不同充液加载路径对应的成形质量考评参数进行迭代计算，以得到充液加载路径的适应度函数；
步骤4.3、根据适应度函数得出最优的充液加载路径并输出最优的充液加载路径下对应的成形质量考评参数。
利用神经网络对非线性模型的逼近功能，来预测目标函数值，每个新种群产生后调用相应的神经网络模型分别计算每个个体的最大减薄率、破裂因子和起皱因子；为了提高遗传方法搜索全局最优解的效率，以向量的形式计算适应度函数。
采用遗传方法进行充液加载路径优化方案如下：
minimize：mtr(x)；
subjectto：qr(x)＜0；
qw(x)＞0；
x＝(y1，x2，y2，x3，y3，y4)；
其中：mtr(x)为壁厚最大减薄率的充液成形预测模型；qr(x)为破裂因子的充液成形预测模型；qw(x)为起皱因子的充液成形预测模型；x为充液成形优化向量的取值区间；y1为液室加载曲线上初始反胀压力；x2为第二特征点的位移；y2为第二特征点的压力；x3为最大压力时凸模位移；y3为最大压力；y4为成形结束时的压力。
进一步的，所述步骤4中，所述遗传方法的种群规模为80，交叉操作比例为80％，最大运行代数设置为100。
本实施例的其他部分与上述实施例1或2相同，故不再赘述。
实施例4：
本实施例在上述实施例1-3任一项的基础上做进一步优化，所述步骤2包括以下步骤：
步骤2.1、根据特征点的坐标变量的中间值与边界值选取部分征点的坐标变量作为检测样本，将剩余的特征点的坐标变量作为训练样本；
步骤2.2、对训练样本进行归一化处理，减少后续训练过程中的运算量，有效提高训练效率；然后根据归一化处理后的训练样本对神经网络进行训练以得到训练结果，并将训练结果与检测样本进行对比以得到神经网络预测精度；
步骤2.3、若神经网络预测精度达标，则表明当前神经网络精度达标；若神经网络预测精度不达标，则调整训练样本的输入参数，直到神经网络预测精度达标。
进一步的，所述步骤2.2中归一化处理采用公式如下：
其中：w为归一化值；w为归一化前值；wmax为归一化前的最大值；wmin为归一化前的最小值。
本实施例的其他部分与上述实施例1-3相同，故不再赘述。
实施例5：
本实施例在上述实施例1-4任一项的基础上做进一步优化，所述成形质量考评参数包括壁厚最大减薄率mtr、破裂因子qr、起皱因子qw，所述适应度函数的计算公式如下：
f(x)＝mtr(x) r{max[qr(x)] max[qw(x)]}；
其中：f(x)为适应度函数；mtr(x)为壁厚最大减薄率的充液成形预测模型；qr(x)为破裂因子的充液成形预测模型；qw(x)为起皱因子的充液成形预测模型；x为充液成形优化向量的取值区间。
实施例6：
本实施例在上述实施例1-5任一项的基础上做进一步优化，所述成形质量考评参数包括最大减薄率mtr、破裂因子qr、起皱因子qw，所述适应度函数的计算公式如下：
f(x)＝mtr(x) r{max[qr(x)] max[qw(x)]}；
其中：f(x)为适应度函数；mtr(x)为最大减薄率的充液成形预测模型；qr(x)为破裂因子的充液成形预测模型；qw(x)为起皱因子的充液成形预测模型；x为充液成形优化向量的取值区间。
所述破裂因子qr的充液成形预测模型如下：
其中：qr为破裂因子；
若计算得出的qr＜0，则表明会发生破裂；若0≤qr≤0.08，则表明可能发生破裂；若qr＞0.08，则表明不会发生破裂。
所述起皱因子qw的充液成形预测模型如下：
其中：qw为起皱因子；σθ为切向压应力；
若qw＜0，则表明不会发生起皱；若qw≥0，则表明会发生起皱。
本实施例的其他部分与上述实施例1-5相同，故不再赘述。
实施例7：
采用上述板料充液成形加载路径优化设计方法对飞机的伞罩零件进行充液成形路径优化，步骤如下：
首先定义充液加载路径上的特征点的坐标变量x2和y2为神经网络的输入参数，定义在当前充液加载路径下进行充液成形后，伞罩零件的最大减薄率、破裂因子、起皱因子为神经网络的输出参数。
将特征点的坐标变量通过数值模拟建立神经网络的训练样本，并建立伞罩零件充液成形的四分之一模型，其中凹模圆角为8mm，压边圈圆角为5mm，凸模与板料之间以及凹模压边圈与板料之间的摩擦系数分别为0.2和0.5。
对伞罩零件的充液成形四分之一模型的输入参数进行31组取值，即31组充液成形路径，并将31组输入参数导入有限元分析软件进行有限元仿真。如图4所示，进而得出对应在31组输入参数下进行充液成形得到的伞罩零件的最大减薄率、破裂因子、起皱因子数据。
然后通过matlab软件中的软件神经网络工具箱实现基于bp神经网络的充液成形预测模型的建立。采用三层结构的bp网络来进行预测，输入层和隐含层之间的传递函数选择tanh函数“tansig”，隐含层和输出层之间的传递函数选择线性函数“purelin”，误差取1.0×10-7，采用l-m学习方法进行训练。
设置伞罩充液成形神经网络预测模型隐含节点数目为5个，最大训练次数均为10000次。选择3号、9号、17号和22号试验数据作为伞罩零件充液成形预测样本，其余均匀设计试验数据作为训练样本，对伞罩零件充液成形预测模型进行训练。如图2所示，为伞罩零件充液成形神经网络预测结果，神经网络模型对测试样本的预测结果与有限元模拟的结果吻合，因此调用神经网络模型来预测成形结果准确可靠。
在matlab软件中使用遗传算方法优化加载路径，伞罩零件加载路径优化中遗传方法的种群规模定为80，交叉操作比例为80％，最大运行代数设为100，并应用matlab软件中的crossoverheuristic启发式交叉方法和mutationadaptfeaible自适应可行变异方法搜索全局最优解。
伞罩零件充液成形最优的充液加载路径如图3所示，在最优的充液加载路径下，伞罩零件的最大减薄率为14.74％，破裂因子为0.624、起皱因子为-5.33，均满足合格条件。在最优的充液加载路径条件下进行有限元仿真，数值模拟结果显示伞罩零件最大减薄率约为14.92％，且伞罩零件侧壁无明显起皱缺陷，并且最大减薄率、起皱和破裂情况优于其余任意加载路径，证明神经网络模型预测准确，遗传方法优化结果为最优方案。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
1.一种板料充液成形加载路径优化设计方法，其特征在于，采用遗传方法对充液成形加载路径进行迭代优化，并在迭代优化的过程中调用神经网络预测模型预测充液成形的结果以得到最优的充液加载路径，包括以下步骤：
步骤1、确定神经网络的输入参数和输出参数，将充液加载路径上的若干特征点的坐标变量作为神经网络的输入参数，将充液成形零件以当前充液成形路径进行成形后的若干成形质量考评参数作为神经网络的输出参数；
步骤2、通过特征点的坐标变量建立神经网络的训练样本，并根据训练样本针对若干成形质量考评参数分别进行神经网络训练，使得神经网络预测精度达标；
步骤3、基于预测精度达标的神经网络进行训练以建立与若干成形质量考评参数相对应的充液成形预测模型；
步骤4、通过充液成形预测模型预测不同充液加载路径下的成形质量考评参数，并采用遗传方法根据成形质量考评参数计算充液加载路径的适应度函数，根据适应度函数得出最优的充液加载路径。
2.根据权利要求1所述的一种板料充液成形加载路径优化设计方法，其特征在于，所述步骤4包括以下步骤：
步骤4.1、通过充液成形预测模型预测不同充液加载路径下的成形质量考评参数；
步骤4.2、采用matlab中的启发式交叉方法与自适应可行变异方法作为遗传方法，并根据步骤4.1中得到不同充液加载路径对应的成形质量考评参数进行迭代计算，以得到充液加载路径的适应度函数；
步骤4.3、根据适应度函数得出最优的充液加载路径并输出最优的充液加载路径下对应的成形质量考评参数。
3.根据权利要求2所述的一种板料充液成形加载路径优化设计方法，其特征在于，所述步骤4中，所述遗传方法的种群规模为80，交叉操作比例为80％，最大运行代数为100。
4.根据权利要求1-3任一项所述的一种板料充液成形加载路径优化设计方法，其特征在于，所述步骤3中建立充液成形预测模型包括以下步骤：
步骤3.1、采用l-m学习方法对三层结构的bp神经网络进行训练，采用试凑法确定训练的最佳隐含节点数，采用经验公式确定训练的最少隐含节点数，并使用最少隐含节点数对三层结构的bp神经网络进行训练；
步骤3.2、基于同一个训练样本，从最少隐含节点数逐渐增加隐含节点数至最佳隐含节点数对三层结构的bp神经网络进行训练；
步骤3.3、确定三层结构的bp神经网络预测精度最高时对应的隐含节点数，并采用该隐含节点数建立充液成形预测模型。
5.根据权利要求4所述的一种板料充液成形加载路径优化设计方法，其特征在于，对神经网络进行训练的训练公式如下：
其中：m为隐含节点数；n为输入层的节点数；l为输出层的节点数；a为1-10之间的常数。
6.根据权利要求1-3任一项所述的一种板料充液成形加载路径优化设计方法，其特征在于，所述步骤2包括以下步骤：
步骤2.1、选取部分征点的坐标变量作为检测样本，将剩余的特征点的坐标变量作为训练样本；
步骤2.2、对训练样本进行归一化处理，并根据归一化处理后的训练样本对神经网络进行训练以得到训练结果，并将训练结果与检测样本进行对比以得到神经网络预测精度；
步骤2.3、若神经网络预测精度达标，则表明当前神经网络精度达标；若神经网络预测精度不达标，则调整训练样本的输入参数，直到神经网络预测精度达标。
7.根据权利要求6所述的一种板料充液成形加载路径优化设计方法，其特征在于，所述步骤2.2中归一化处理采用公式如下：
其中：w为归一化值；w为归一化前值；wmax为归一化前的最大值；wmin为归一化前的最小值。
8.根据权利要求1-3任一项所述的一种板料充液成形加载路径优化设计方法，其特征在于，所述成形质量考评参数包括壁厚最大减薄率mtr、破裂因子qr、起皱因子qw，所述适应度函数的计算公式如下：
f(x)＝mtr(x) r{max[qr(x)] max[qw(x)]}；
其中：f(x)为适应度函数；mtr(x)为最大减薄率的充液成形预测模型；qr(x)为破裂因子的充液成形预测模型；qw(x)为起皱因子的充液成形预测模型；x为充液成形优化向量的取值区间。
9.根据权利要求8所述的一种板料充液成形加载路径优化设计方法，其特征在于，所述破裂因子qr的充液成形预测模型如下：
其中：qr为破裂因子；
10.根据权利要求8所述的一种板料充液成形加载路径优化设计方法，其特征在于，所述起皱因子qw的充液成形预测模型如下：
其中：qw为起皱因子；σθ为切向压应力；
