异型线缆拉拔模具的设计方法及系统与流程

本发明涉及模具技术领域的设计方法，具体地，涉及一种基于人工智能和有限元分析且负载均衡的异型线缆拉拔模具的设计方法及系统。

背景技术：

异型线缆是相对于圆形截面导线而言的，是除圆形截面以外的各种不同几何形状的非圆形截面导线。异型线广泛地应用于航天、机械、汽车、电子工业及通讯等领域。智能电网作为七大战略新兴产业之一，将促使我国的电线电缆行业飞速地发展。同时，新能源电站的兴建、装备制造的发展、轨道交通的推广等也极大地扩充了电缆的新型应用领域。异型线材广泛应用于同心绞架空导线及电磁线，与圆线同心绞架空导线相比，型线绞架空导线具有更大的导体截面利用率，截面相同时能减小直径约10％；等直径时，则可增大有效截面20％～25％。为提高特高压输电线的传输能力，较大截面的电缆导体必须采用分割导体，以减小交流电传输时因“集肤效应”和“邻近效应”引起的导体电阻增加及输电容量的下降。分割导体一般采用异型线(如“S形、Z形”及梯形型线，)，是由于异型线具有增大导体截面利用率、降低导线弧垂率、防腐性能好、断线损害小、自阻尼性能强、减小风载、降低架空导线舞动发生几率等优点。

异型线缆在国外尤其是发达国家已广泛采用，而目前国内的生产和应用还处于起步阶段，拉拔模的加工精度、耐用性等指标均有待进一步改善。异型线缆模具的质量是高质量异型电线电缆生产的保证，因此异型拉拔模具的研究对我国电线电缆行业的发展以及节能降耗具有重要的意义。

目前，国内异型线材的生产主要采用辊模拉拔和固定模拉拔的方法。辊模拉拔实质是拉拔与轧制相结合的拔轧过程，辊子是由拉拔件与其间的摩擦力带动旋转，在孔型中实现拉拔件变形的。与固定模拉拔相比，辊模拉拔的拉拔力小，能耗低，压缩率大，加工极限高，对润滑要求低，模具寿命长，对坯料要求低(如坯料的断面变形、尺寸变化、焊接等性质不均和表面缺陷等)，成品的弹性极限和屈服强度提高，断面硬度分布较均匀，残余应力小等优点，但产品精度较固定模拉拔低，仍需进行后续尺寸精整处理。固定模的生产通常采用拉丝配模的方法。拉丝配模的方法就是，金属丝拉拔时根据成品尺寸、形状和材料，确定圆坯或扁坯的尺寸，确定拉制道次及每道次的尺寸与形状，并确定中间退火时间的方法。但是采用拉丝配模的方法拉制型线，工件变形的不均匀性比拉圆线时更严重，形成的残余应力更大，造成外形弯扭、尺寸不精确、局部裂纹的可能性也更大。因此，在进行异型线材拉拔模具设计时，应克服传统设计方法的不足，借助大数据来解决传统设计中带来的尺寸及应力问题。

众所周知，人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，旨在研究如何利用计算机等现代化工具种系统来模仿人类的智能行为。人工智能技术的发展为生产数据与信息的分析和处理提供了有效的方法，给制造技术增添了智能的翅膀。人工智能技术尤其适合于解决特别复杂和不确定的问题，在制造过程的各个环节几乎都可广泛应用人工智能技术。神经网络作为集脑科学、神经心理学和信息科学等多学科的交叉研究领域，已在模式识别、机器学习、专家系统等多个方面得到应用，成为人工智能研究中的活跃领域。本发明针对神经网络较强学习能力的特点，基于连续线性变化的孔型设计方法的软件建模，将神经网络与有限元技术相结合，应用于异型线材拉拔模具的设计不仅简化了模具的设计流程，保证模具设计尺寸的精确性，而且使得模具的耐磨性、使用寿命等方面都有很大提升。

经对现有技术文献的检索发现，钟苏于2011年提出了一种利用CAXA电子图板，设计拉线模中间过渡孔形截面的方法。在拉拔道次和最终成形截面形状确定的情况下，对圆形截面过渡到型线要求截面的模具孔型进行设计。最终以样条线的形式，近似得出了各过渡孔形截面，并利用CAXA软件在电火花线切割机上进行加工，从而得到比较精确的孔型。但是这种设计方法需要对金属加工流动特性进行研究，建模过程复杂，且在确定每一道次的孔型界面的面积时，用到了缩放调整，使得设计参数存在一定的误差。

公开号为1979496A，申请号为200510047903.6的中国发明申请，该申请公开一种铜合金管材铸轧工艺参数设计及优化的方法，以数据库为设计基础，神经网络为工艺参数和工艺指标的设计方法，遗传算法为工艺参数优化手段，综合集成神经网络、遗传算法，有限元模拟、试验设计、CAD参数化设计和数据库技术于工艺设计和参数优化中，设计并优化铜合金管材铸轧的工艺参数。该发明自动化程度高、能适用于铜合金管材的加工变形，使缺少丰富专业知识人员也能制定出准确规范的加工工艺。但是该方法无法适用于异型线缆拉拔模具的设计。

因此，如何设计一种快速获得优化参数且更加准确可靠的异型线缆拉拔模具的设计方法已成为解决问题的关键。

技术实现要素：

针对现有技术中的缺陷，本发明的目的是提供一种异型线缆拉拔模具的设计方法及系统，可以设计出既符合逐渐过渡的孔型变化规律，又满足拉丝机速比参数的拉丝模具孔型截面。

根据本发明第一方面，提供一种异型线缆拉拔模具的设计方法，所述方法在仿真和人工智能基础之上，将有限元仿真、人工神经网络、遗传算法与软件建模相结合,并且所述方法能够保证所设计模具具有局部负载均衡和全局负载均衡的特点；

所述的有限元仿真，用于计算两部分应力：

一部分是：进线截面积和延伸率相同，但几何参数不同的拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值；比较得到内孔表面各段等效应力变化范围最小的模具的几何参数，所得几何参数即为该进线截面积和延伸率下满足局部负载均衡的最优模具几何参数；

另一部分是：多次改变进线截面积和延伸率后，对应不同几何参数的拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值；经仿真优化计算得到不同进线截面积和延伸率下的最优模具几何参数；

所述的神经网络，是构建拉拔模具内孔表面的平均应力值与母材初始截面面积及延伸率之间映射关系的神经网络；

所述的遗传算法，用于确定模具拉拔道次的取值范围，并对各道次下的延伸率进行优化求解；

所述的软件建模，是以连续“线性”变形的孔型设计方法为依据，设计出整个拉拔过程的模具结构，并根据延伸率的设计值分割出各分道次下的模具结构。

优选地，所述的神经网络，是将进线截面积和延伸率作为输入，最优的模具几何参数以及对应的模具内孔表面的平均应力值作为输出进行训练，从而构建拉拔模具内孔表面的平均应力值与母材初始截面面积及延伸率之间映射关系的BP神经网络拓扑结构。

优选地，所述的局部负载均衡，是指：进线截面积和延伸率相同但几何参数不同的拉拔模具内孔表面各段的等效应力的变化范围，即取值范围最小。

优选地，所述的全局负载均衡，是指：多道次拉拔的整个拉拔过程中，各分道次下拉拔模具内孔表面所受平均应力值的变化范围，即取值范围最小。

具体的，所述异型线缆拉拔模具的设计方法，包括如下步骤：

第一步、选用正交试验设计方法，在拉拔模具延伸率及初始截面积相同的条件下，以拉拔模具的几何参数，包括压缩区半角、压缩区长度、定径区长度为设计变量，进行有限元仿真并计算不同几何参数下拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值；

第二步、为满足模具局部载荷均衡，比较第一步中的不同几何参数下拉拔模具内孔表面各段的等效应力的取值范围，取值范围最小的拉拔模具所对应的几何参数，即为该延伸率和初始截面积下的最优模具设计几何参数；

第三步、改变拉拔模具的延伸率及初始截面积，重复第一步的仿真计算，进而得到不同延伸率和初始截面积下的等效应力和平均应力值；

第四步、构建神经网络系统，并将进线截面积和延伸率作为输入，最优的模具几何参数以及对应的模具内孔表面的平均应力值作为输出进行训练，构建拉拔模具内孔表面的平均应力值与母材初始截面面积及延伸率之间映射关系的BP神经网络拓扑结构；

第五步、以多道次拉拔过程中各个分道次拉拔的安全系数为优化目标，以各个分道次的延伸率为优化参数，采用遗传算法作为优化器确定拉拔道次的取值范围，并对不同拉拔道次下各分道次的延伸率进行求解；

第六步、在不同拉拔道次下，按各分道次的延伸率设计值在神经网络中求出最优的模具设计几何参数值以及对应的内孔表面的平均应力值；

第七步、为满足模具全局负载均衡，比较第六步得到的不同拉拔道次下各分道次之间的平均应力值的变化范围，平均应力变化范围最小的模具拉拔道次，即为模具的最优拉拔道次；

第八步、以连续“线性”变形的孔型设计方法为依据，设计出整个拉拔过程的模具结构，并根据延伸率的设计值分割出各分道次下的模具结构。

更优选地，第五步中，所述安全系数的取值K在1.40-2.00之间。

更优选地，第八步中，具体包括以下步骤：

(1)绘制矩形线成品尺寸图及毛坯尺寸图；

(2)绘制直纹面；

(3)提取各道次模具截面；

(4)提取截面设计图，并将设计的样条线转化为由线段和圆弧组成的截面曲线。

根据本发明第二方面，提供一种用于实现上述方法的异型线缆拉拔模具的设计系统，包括：

有限元仿真模块，该模块用于计算两部分应力，一部分是：进线截面积和延伸率相同，但几何参数不同的拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值；比较得到内孔表面各段等效应力变化范围最小的模具的几何参数，所得几何参数即为该进线截面积和延伸率下满足局部负载均衡的最优模具几何参数；另一部分是：多次改变进线截面积和延伸率后，对应不同几何参数的拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值；经仿真优化计算得到不同进线截面积和延伸率下的最优模具几何参数；

神经网络模块，该模块将进线截面积和延伸率作为输入，最优的模具几何参数以及对应的模具内孔表面的平均应力值作为输出进行训练，构建拉拔模具内孔表面的平均应力值与母材初始截面面积及延伸率之间映射关系的BP神经网络拓扑结构；

遗传算法模块，利用遗传算法确定拉拔道次的取值范围，并对不同拉拔道次下每一分道次的延伸率值进行优化求解；

软件建模模块，该模块以连续“线性”变形的孔型设计方法为依据，设计出整个拉拔过程的模具结构，并根据延伸率的设计值分割出各分道次下的模具结构。

优选地，所述遗传算法模块，在不同拉拔道次下，按各分道次的延伸率设计值在神经网络中求出最优的模具设计几何参数值以及对应的内孔表面的平均应力值。

优选地，为满足模具全局负载均衡，所述遗传算法模块计算不同拉拔道次下各分道次之间的平均应力值的变化范围，比较得到平均应力变化范围最小的模具拉拔道次，该拉拔道次即为模具的最优设计道次。

与现有技术相比，本发明具有如下的有益效果：

1、本发明以有限元的优化结果为样本，训练人工神经网络，建立了拉拔模具内孔表面的平均应力值、最优模具尺寸参数与母材初始截面面积及延伸率之间的映射关系；

2、本发明采用遗传优化算法，对多道次拉拔中的延伸率分配进行了优化；

3、本发明在多道次拉拔过程中模具所受的局部和全局负载均衡，且前一道次的成形尺寸是后道次的压缩区初始尺寸，以保证后道次模具的压缩区与线材同时接触，尽量减小拉拔线材内部应力应变的不均匀性，从而设计出既符合逐渐过渡的孔型变化规律，又满足拉丝机速比参数的拉丝模具孔型截面。

综上，本发明借助仿真优化，使用人工神经网络用于计算拉拔力优化值，大大减少了有限元计算量；结合遗传算法强大的全局寻优能力，对多道次拉拔中延伸率分配问题进行求解，显著地减少了设计过程的工作量；基于模具局部、全局负载均衡的原则，保证各拉拔道次拉拔过程中能受力均衡，有效地减缓了模具的磨损，延长模具的使用寿命；借助软件建模，对拉拔模具的孔型进行优化设计，不仅能充分发挥拉拔模具和拉拔设备的性能，而且对于高速自动化的拉拔生产线而言，在极大延长了模具寿命的同时，还减少了更换维护模具的时间，生产效率得到大幅提高，对提高整个金属线、管材拉拔行业的经济效益十分重要。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1a～1d为本发明方法原理框图；

图2为本发明一实施例拉拨过程示意图；

图3中(a)、(b)、(c)、(d)为本发明一实施例矩形拉拨模具设计图；

图4中(a)、(b)、(c)为本发明一实施例瓦形拉拨模具设计图；

图5为本发明一实施例瓦形线材拉拨生产示意图；

图6为本发明系统结构框图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

如图1所示，一种异型线缆拉拔模具的设计方法，所述方法是一种在仿真和人工智能基础之上，提出有限元仿真、人工神经网络、遗传算法与软件建模相结合的多道次拉拔配模设计的方法,并且该设计方法可以保证模具局部和全局的负载均衡。所述方法：

如图1a所示，所述的有限元仿真用于计算两部分应力：

一部分是：进线截面积和延伸率相同，但几何参数不同的拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值；比较得到内孔表面各段等效应力变化范围最小的模具的几何参数，所得几何参数即为该进线截面积和延伸率下满足局部负载均衡的最优模具几何参数；

另一部分是：多次改变进线截面积和延伸率后，对应不同几何参数的拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值；经仿真优化计算得到不同进线截面积和延伸率下的最优模具几何参数；

所述的神经网络如图1b所示，是构建拉拔模具内孔表面的平均应力值与母材初始截面面积及延伸率之间映射关系的神经网络；

所述的遗传算法如图1c所示，用于确定模具拉拔道次的取值范围，并对各道次下的延伸率进行优化求解；

所述的软件建模，如图1d所示，是以连续“线性”变形的孔型设计方法为依据，设计出整个拉拔过程的模具结构，并根据延伸率的设计值分割出各分道次下的模具结构。

以连续“线性”变形的孔型设计方法为依据，即在多道次拉拔过程中前一道次的成形尺寸是后道次的压缩区初始尺寸，以保证后道次模具的压缩区与线材同时接触，尽量减小拉拔线材内部应力应变的不均匀性，从而设计出既符合逐渐过渡的孔型变化规律，又满足拉丝机速比参数的拉丝模具孔型截面模型。

实施例1

如图2所示，本实施例提供一种异型线缆拉拔模具的设计方法，所述方法通过以下步骤进行：

第一步、仿真优化

首先在ANSYS Workbench的前处理模块中建立模具及矩形线材的几何模型；然后将通过实验获得的摩擦系数和金属材料的应力应变数据加载到模型当中，划分网格即可得到拉拔过程仿真的有限元模型；在仿真过程中，拉拔模具的底部被施加固定约束，在线材的前端施加-60mm的轴向位移载荷，用来模拟施加的拉拔力，拉拔速度设定为3m/s，仿真时间为0.02s；选择的矩形线材材料为铜材，取定线材的初始截面积和延伸率值，然后选用正交试验设计方法，以拉拔模具的几何参数(压缩区半角范围10-18°、压缩区长度1-5mm、定径区长度取值2-6mm)为设计变量，进行有限元仿真并计算不同几何参数下拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值。

第二步、模具的局部负载均衡

比较得到内孔表面各段等效应力变化范围最小的模具的几何参数，所得几何参数即为该进线截面积和延伸率下满足局部负载均衡的最优模具几何参数。

第三步、扩充模具设计样本

多次改变矩形线材的初始截面积和延伸率值，重复第一步中的建模及后处理过程，然后选用正交试验设计方法，进行有限元仿真并计算不同几何参数下拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值，并筛选出不同初始截面积和延伸率下对应的最优模具几何参数，得到更多的模具设计参数样本。

第四步、建立BP人工神经网络

将进线截面积和延伸率作为输入，最优的模具几何参数以及对应的模具内孔表面的平均应力值作为输出用于训练建立的神经网络系统，构建拉拔模具内孔表面的平均应力值与母材初始截面面积及延伸率之间映射关系的BP神经网络拓扑结构；

其神经网络结构为：

(1)输入：2个输入参数即母材初始截面积及延伸率；

(2)隐含层：两层，分别具有10个神经元和5个神经元；

(3)输出层：6个神经元即目标函数值；隐含层采用logsig作为传递函数，输出层采用prulin做为传递函数；

对已建立的网络模型进行神经网络训练，设定最小期望误差值err_goal＝0.001；设定最大循环次数max_epoch＝35000；设定修正权值的学习速率lr＝0.01；经过1000次训练后，训练结束。

第五步、遗传算法求总拉拔道次取值范围及各分道次延伸率

以多道次拉拔过程中各个分道次拉拔的安全系数为优化目标，以各个分道次的延伸率为优化参数，采用遗传算法作为优化器确定拉拔道次的取值范围，并对不同拉拔道次下各分道次的延伸率进行求解；

本实施例的母材截面积为70.89、延伸率为7.8；根据已有的拉拔经验选择5-10道次作为本实施例拉拔的优化道次范围，采用遗传算法分别计算5道次到10道次铜线材多道次拉拔的最优结果，由所计算的结果可以看出，安全系数K随着道次数N的增加而增加，道次数越少的拉拔过程越容易发生断丝现象；观察优化结果可以发现：

当拉拔道次数N取5时，安全系数K约为1.02；

当拉拔道次数N取6时，安全系数K约为1.14；

当拉拔道次数N取7时，安全系数K约为1.27；

当拉拔道次数N取8时，安全系数K约为1.4；

当拉拔道次数N取9时，安全系数K在1.48-1.58之间；

当拉拔道次数N取10时，安全系数K在1.7-2.1之间；

由计算结果可知，当拉拔道次数N取8、9时，安全系数K均在1.4-2.0之间，满足安全拉拔的条件。因此，最终拉拔道次的优化结果为8或9道次。

其中遗传算法的参数设置如下：

种群规模取200；交叉算子采用两点算术交叉，交叉概率为0.8；变异算子采用高斯变异，变异概率为0.2；最大遗传代数为500代。

第六步、模具的全局负载均衡

拉拔道次为8时，将母材初始截面积70.89及各分道次的延伸率值(1.31，1.3，1.3，1.3，1.25，1.28，1.34，1.26)作为已知条件，在神经网络中求出每一分道次最优的模具几何参数值以及对应的内孔表面的平均应力值(511.65MPa，454.1MPa，467.33MPa，471.59MPa，539.94MPa，556.57MPa，589.7MPa，598.97MPa)，由结果可知该道次下模具内孔表面平均应力的变化范围为：454.1MPa-598.97MPa；

拉拔道次为9时，将母材初始截面积70.89及各分道次的延伸率值(1.28，1.26，1.27，1.26，1.23，1.23，1.26，1.35，1.18)作为已知条件，在神经网络中求出每一分道次最优的模具几何参数值以及对应的内孔表面的平均应力值(509.09MPa，301.28MPa，396.2MPa，450.71MPa，538.31MPa，599.3MPa，632.1MPa，574.33MPa，611.5MPa)，由结果可知该道次下模具内孔表面平均应力的变化范围为：301.28MPa-632.1MPa；

比较两种拉拔道次下，模具内孔表面的平均应力的变化范围，9道次下的应力变化范围更小，所以选择9道次作为该矩形线材拉拔模具的拉拔道次。

第七步、AutoCAD建模

根据优化得到的各道次设计参数，利用AutoCAD软件进行建模：

(1)绘制矩形线成品尺寸图及毛坯尺寸图：利用CAD软件画出矩形电磁线的成品尺寸图，建立面域，找出面域的重心坐标，在重心位置高10mm处画出进线毛坯的尺寸，如图3(a)所示。

(2)绘制直纹面：选取上下两截面(矩形线的成品尺寸图和毛坯尺寸图)进行放样，得到由圆形截面逐渐向型线过渡的直纹面，如图3(b)所示。

(3)提取各道次模具截面：根据选取的速比先计算中间过渡截面的目标面积作为后序确定截面高度的依据。用slice命令截取中间过渡截面，使其面积符合一定的速比要求(若截得面积大于目标面积，则降低截取高度；反之亦然)，如图3(c)所示。

(4)新建一个图层，在新图层下选取所有曲面，使用xedges命令提取边缘，得到样条线截面曲线，即为所需的各道次的截面设计图。由于此处得到的是样条线，在使用慢走丝电火花线切割加工时，不能被线切割加工软件识别，故还应将设计的样条线转化为由线段和圆弧组成的截面曲线(比如可以采用通过燕秀工具箱软件进行转化)，如图3(d)所示。

(5)通过改变异型拉拔模具的高度以控制其压缩区半角，并在慢走丝电火花线切割机床上实现加工生产。

实施例2

如图4、图5所示，本实施例提供一种异型线缆拉拔模具的设计方法，通过以下步骤进行：

第一步、仿真优化

首先在ANSYS Workbench的前处理模块中建立模具及瓦形线材的几何模型。然后将通过实验获得的摩擦系数和金属材料的应力应变数据加载到模型当中，划分网格即可得到拉拔过程仿真的有限元模型。仿真过程中，拉拔模具的底部被施加固定约束，在线材的前端施加-60mm的轴向位移载荷，用来模拟施加的拉拔力，拉拔速度设定为3m/s，仿真时间为0.02s。选择的矩形线材材料为低碳钢材，取定线材的初始截面积和延伸率值，然后选用正交试验设计方法，以拉拔模具的几何参数(压缩区半角范围4-10°、压缩区长度2-8mm、定径区长度取值1-6mm)为设计变量，进行有限元仿真并计算不同几何参数下拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值。

第二步、模具的局部负载均衡

比较得到内孔表面各段等效应力变化范围最小的模具的几何参数，所得几何参数即为该进线截面积和延伸率下满足局部负载均衡的最优模具几何参数。

第三步、扩充模具设计样本

多次改变瓦形线材的初始截面积和延伸率值，重复第一步中的建模及后处理过程，然后选用正交试验设计方法，进行有限元仿真并计算不同几何参数下拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值，并筛选出不同初始截面积和延伸率下对应的最优模具几何参数，得到更多的模具设计参数样本。

第四步、建立BP人工神经网络

将进线截面积和延伸率作为输入，最优的模具几何参数以及对应的模具内孔表面的平均应力值作为输出用于训练建立的神经网络系统，构建拉拔模具内孔表面的平均应力值与母材初始截面面积及延伸率之间映射关系的BP神经网络拓扑结构；

其神经网络结构为：

(1)输入：2个输入参数即母材初始截面积及延伸率；

(2)隐含层：两层，分别具有10个神经元和5个神经元；

(3)输出层：6个神经元即目标函数值。隐含层采用logsig作为传递函数，输出层采用prulin做为传递函数。

对已建立的网络模型进行神经网络训练，设定最小期望误差值err_goal＝0.001；设定最大循环次数max_epoch＝35000；设定修正权值的学习速率lr＝0.01。经过1500次训练后，训练结束。

第五步、遗传算法求总拉拔道次取值范围及各分道次延伸率

以多道次拉拔过程中各个分道次拉拔的安全系数为优化目标，以各个分道次的延伸率为优化参数，采用遗传算法作为优化器确定拉拔道次的取值范围，并对不同拉拔道次下各分道次的延伸率进行求解；

本实施例的母材截面积为152.84、延伸率为6.7。根据已有的拉拔经验，选择5-10道次作为本实施例拉拔的优化道次范围，采用遗传算法分别计算5道次到10道次低碳钢线材多道次拉拔的最优结果，由所计算的结果可以看出，安全系数K随着道次数N的增加而增加，道次数越少的拉拔过程越容易发生断丝现象。观察优化结果可以发现：

当拉拔道次数N取5时，安全系数K约为1.01；

当拉拔道次数N取6时，安全系数K约为1.09；

当拉拔道次数N取7时，安全系数K约为1.14；

当拉拔道次数N取8时，安全系数K约为1.32；

当拉拔道次数N取9时，安全系数K在1.42；

当拉拔道次数N取10时，安全系数K在1.5-1.89之间。

由计算结果可知，当拉拔道次数N取9、10时，安全系数K均在1.4-2.0之间，满足安全拉拔的条件。因此，最终拉拔道次的优化结果为9或10道次。

其中遗传算法的参数设置如下：

种群规模取300；交叉算子采用两点算术交叉，交叉概率为0.8；变异算子采用高斯变异，变异概率为0.2；最大遗传代数为800代。

第六步、模具的全局负载均衡

拉拔道次为9时，将母材初始截面积152.84及各分道次的延伸率值(1.15，1.18，1.22，1.23，1.22，1.24，1.30，1.31，1.28)作为已知条件，在神经网络中求出每一分道次最优的模具几何参数值以及对应的内孔表面的平均应力值(650.126MPa，557.048MPa，671.503MPa，732.618MPa，733.409MPa，748.226MPa，694.598MPa，701.97MPa，711.55MPa)，由结果可知该道次下模具内孔表面平均应力的变化范围为：557.048MPa-748.226MPa；

拉拔道次为10时，将母材初始截面积152.84及各分道次的延伸率值(1.09，1.13，1.18，1.23，1.24，1.23，1.25，1.24，1.26，1.27)作为已知条件，在神经网络中求出每一分道次最优的模具几何参数值以及对应的内孔表面的平均应力值(562.22MPa，536.18MPa，668.21MPa，640.71MPa，690.32MPa，710.55MPa，632.16MPa，707.35MPa，699.5MPa，720.64MPa)，由结果可知该道次下模具内孔表面平均应力的变化范围为：536.18MPa-720.64MPa；

比较两种拉拔道次下，模具内孔表面的平均应力的变化范围，10道次下的应力变化范围更小，所以选择10道次作为该矩形线材拉拔模具的拉拔道次。

第七步、AutoCAD建模

根据优化得到的各道次设计参数，利用AutoCAD软件进行建模：

(1)绘制矩形线成品尺寸图及毛坯尺寸图：利用CAD软件画出矩形电磁线的成品尺寸图，建立面域，找出面域的重心坐标，在重心位置高25mm处画出进线毛坯的尺寸，如图4(a)所示。

(2)绘制直纹面：选取上下两截面(瓦形线的成品尺寸图和毛坯尺寸图)进行放样，得到由圆形截面逐渐向型线过渡的直纹面，如图4(b)所示。

(3)提取各道次模具截面：根据选取的速比先计算中间过渡截面的目标面积作为后序确定截面高度的依据。用slice命令截取中间过渡截面，使其面积符合一定的速比要求(若截得面积大于目标面积，则降低截取高度；反之亦然)。

(4)新建一个图层，在新图层下选取所有曲面，使用xedges命令提取边缘，得到样条线截面曲线，即为所需的各道次的截面设计图。由于此处得到的是样条线，在使用慢走丝电火花线切割加工时，不能被线切割加工软件识别，故还应将设计的样条线转化为由线段和圆弧组成的截面曲线，如图4(c)所示。

(5)通过改变异型拉拔模具的高度以控制其压缩区半角，并在慢走丝电火花线切割机床上实现加工生产。

上述实施例异型线材拉拔模具方法能够设计出既符合逐渐过渡的孔型变化规律，又满足拉丝机速比参数的拉丝模具孔型截面。在实际的模具生产加工过程中，能充分发挥拉拔模具和拉拔设备的性能，在实际的模具应用中极大延长了模具寿命的同时，还减少了更换维护模具的时间，生产效率得到大幅提高，对提高整个金属线、管材拉拔行业的经济效益十分重要。

实施例3

本实施例提供一种异型线缆拉拔模具的设计方法，通过以下步骤进行：

第一步、仿真优化

首先在ANSYS Workbench的前处理模块中建立模具及S形线材的几何模型。然后将通过实验获得的摩擦系数和金属材料的应力应变数据加载到模型当中，划分网格即可得到拉拔过程仿真的有限元模型。仿真过程中，拉拔模具的底部被施加固定约束，在线材的前端施加-60mm的轴向位移载荷，用来模拟施加的拉拔力，拉拔速度设定为1m/s，仿真时间为0.05s。选择的S形线材材料为铜材，取定线材的初始截面积和延伸率值，然后选用正交试验设计方法，以拉拔模具的几何参数(压缩区半角范围6-13°、压缩区长度4-10mm、定径区长度取值3-8mm)为设计变量，进行有限元仿真并计算不同几何参数下拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值。

第二步、模具的局部负载均衡

比较得到内孔表面各段等效应力变化范围最小的模具的几何参数，所得几何参数即为该进线截面积和延伸率下满足局部负载均衡的最优模具几何参数。

第三步、扩充模具设计样本

多次改变S形线材的初始截面积和延伸率值，重复第一步中的建模及后处理过程，然后选用正交试验设计方法，进行有限元仿真并计算不同几何参数下拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值，并筛选出不同初始截面积和延伸率下对应的最优模具几何参数，得到更多的模具设计参数样本。

第四步、建立BP人工神经网络

将进线截面积和延伸率作为输入，最优的模具几何参数以及对应的模具内孔表面的平均应力值作为输出用于训练建立的神经网络系统，构建拉拔模具内孔表面的平均应力值与母材初始截面面积及延伸率之间映射关系的BP神经网络拓扑结构；

其神经网络结构为：

(1)输入：2个输入参数即母材初始截面积及延伸率；

(2)隐含层：两层，分别具有10个神经元和5个神经元；

(3)输出层：6个神经元即目标函数值。隐含层采用logsig作为传递函数，输出层采用prulin做为传递函数。

对已建立的网络模型进行神经网络训练，设定最小期望误差值err_goal＝0.001；设定最大循环次数max_epoch＝35000；设定修正权值的学习速率lr＝0.01。经过1500次训练后，训练结束。

第五步、遗传算法求总拉拔道次取值范围及各分道次延伸率

以多道次拉拔过程中各个分道次拉拔的安全系数为优化目标，以各个分道次的延伸率为优化参数，采用遗传算法作为优化器确定拉拔道次的取值范围，并对不同拉拔道次下各分道次的延伸率进行求解；

本实施例的母材截面积为85.10、延伸率为7.4。根据已有的拉拔经验，选择5-9道次作为本实施例拉拔的优化道次范围，采用遗传算法分别计算5道次到9道次S形铜线材多道次拉拔的最优结果，由所计算的结果可以看出，安全系数K随着道次数N的增加而增加，道次数越少的拉拔过程越容易发生断丝现象。观察优化结果可以发现：

当拉拔道次数N取5时，安全系数K约为1.03-1.08；

当拉拔道次数N取6时，安全系数K约为1.18；

当拉拔道次数N取7时，安全系数K约为1.29；

当拉拔道次数N取8时，安全系数K约为1.42-1.48；

当拉拔道次数N取9时，安全系数K在1.63之间；

当拉拔道次数N取10时，安全系数K在1.81-2.25之间。

由计算结果可知，当拉拔道次数N取8、9时，安全系数K均在1.4-2.0之间，满足安全拉拔的条件。因此，最终拉拔道次的优化结果为8或9道次。

其中遗传算法的参数设置如下：

种群规模取200；交叉算子采用两点算术交叉，交叉概率为0.8；变异算子采用高斯变异，变异概率为0.2；最大遗传代数为500代。

第六步、模具的全局负载均衡

拉拔道次为8时，将母材初始截面积85.10及各分道次的延伸率值(1.30，1.28，1.29，1.30，1.27，1.25，1.32，1.27)作为已知条件，在神经网络中求出每一分道次最优的模具几何参数值以及对应的内孔表面的平均应力值(612.11MPa，553.20MPa，637.28MPa，590.19MPa，648.70MPa，699.37MPa，710.71MPa，640.33MPa)，由结果可知该道次下模具内孔表面平均应力的变化范围为：553.20MPa-710.71MPa；

拉拔道次为9时，将母材初始截面积85.10及各分道次的延伸率值(1.28，1.25，1.23，1.24，1.24，1.26，1.25，1.30，1.20)作为已知条件，在神经网络中求出每一分道次最优的模具几何参数值以及对应的内孔表面的平均应力值(521.16MPa，501.33MPa，579.30MPa，611.52MPa，629.09MPa，575.32MPa，671.69MPa，570.21MPa，567.18MPa)，由结果可知该道次下模具内孔表面平均应力的变化范围为：501.33MPa-671.69MPa；

比较两种拉拔道次下，模具内孔表面的平均应力的变化范围，8道次下的应力变化范围更小，所以选择8道次作为该矩形线材拉拔模具的拉拔道次。

第七步、AutoCAD建模

根据优化得到的各道次设计参数，利用AutoCAD软件进行建模：

(1)绘制矩形线成品尺寸图及毛坯尺寸图：利用CAD软件画出矩形电磁线的成品尺寸图，建立面域，找出面域的重心坐标，在重心位置高13mm处画出进线毛坯的尺寸。

(2)绘制直纹面：选取上下两截面(S形线的成品尺寸图和毛坯尺寸图)进行放样，得到由圆形截面逐渐向型线过渡的直纹面。

(3)提取各道次模具截面：根据选取的速比先计算中间过渡截面的目标面积作为后序确定截面高度的依据。用slice命令截取中间过渡截面，使其面积符合一定的速比要求(若截得面积大于目标面积，则降低截取高度；反之亦然)。

(4)新建一个图层，在新图层下选取所有曲面，使用xedges命令提取边缘，得到样条线截面曲线，即为所需的各道次的截面设计图。由于此处得到的是样条线，在使用慢走丝电火花线切割加工时，不能被线切割加工软件识别，故还应将设计的样条线通过燕秀工具箱软件转化为由线段和圆弧组成的截面曲线。

(5)通过改变异型拉拔模具的高度以控制其压缩区半角，并在慢走丝电火花线切割机床上实现加工生产。

实施例4

如图6所示，对应于上述实施例1-3所述方法，本实施例提供用于实现上述方法的异型线缆拉拔模具的设计系统，包括：

有限元仿真模块，该模块用于计算两部分应力，一部分是：进线截面积和延伸率相同，但几何参数不同的拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值；比较得到内孔表面各段等效应力变化范围最小的模具的几何参数，所得几何参数即为该进线截面积和延伸率下满足局部负载均衡的最优模具几何参数；另一部分是：多次改变进线截面积和延伸率后，对应不同几何参数的拉拔模具内孔表面各段的等效应力以及内孔表面的平均应力值；经仿真优化计算得到不同进线截面积和延伸率下的最优模具几何参数；

神经网络模块，该模块以所述有限元仿真模块的进线截面积和延伸率作为输入，最优的模具几何参数以及对应的模具内孔表面的平均应力值作为输出进行训练，构建拉拔模具内孔表面的平均应力值与母材初始截面面积及延伸率之间映射关系的BP神经网络拓扑结构；

遗传算法模块，利用遗传算法确定拉拔道次的取值范围，并对不同拉拔道次下每一分道次的延伸率值进行优化求解，之后将求得的拉拔道次与母材初始截面积作为已训练完成的神经网络模块的输入，求解出满足模具内孔表面平均应力的变化范围最小的最优拉拔道次；

软件建模模块，该模块以连续“线性”变形的孔型设计方法为依据，设计出整个拉拔过程的模具结构，并根据遗传算法模块求得的各分道次延伸率的设计值分割出各分道次下的模具结构。

上述系统中各个模块对应实现的技术与方法中相应的步骤类似，在此不再赘述。

综上，本发明借助仿真、优化及软件设计，对拉拔模具的孔型进行优化设计，不仅能充分发挥拉拔模具和拉拔设备的性能，而且对于高速自动化的拉拔生产线而言，在极大延长了模具寿命的同时，还减少了更换维护模具的时间，生产效率得到大幅提高，对提高整个金属线、管材拉拔行业的经济效益十分重要。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。