一种基于自适应动态规划的锻造工艺参数在线规划方法与流程

本发明属于锻造技术领域，涉及一种基于自适应动态规划的锻造工艺参数在线规划方法。

背景技术：

在复杂的锻造过程中，实时地监控锻件的微观组织状态，并且在线地对锻造工艺参数进行规划和调整，是保证锻件品质的关键。因此，如何根据锻件的微观组织目标快速、准确地确定未来的工艺参数是实现微观组织调控急需解决的难题。

自适应动态规划方法是基于最优控制理论和强化学习原理的智能控制方法，是解决大规模复杂非线性优化控制问题的有效方法。自适应动态规划的思想是利用函数近似结构，逼近动态规划方程中的性能指标函数和控制策略，以满足最优性原理从而获得最优控制和最优性能指标函数。基于强化学习原理，自适应动态规划方法模拟人从环境反馈学习的思路，实现智能学习。鉴于自适应动态规划方法的自适应、自学习能力，此方法已经广泛应用于机器人控制、能源控制以及经济管理与决策等众多领域。针对金属锻件微观组织难以精确调控的问题，可以考虑利用自适应动态规划方法，在线规划锻造工艺参数并且实时调控锻件的微观组织。

本发明在自适应动态规划的基础上，提出了一种在线规划锻造工艺参数的方法，实现锻件微观组织的在线调控，在一定程度上提高锻件的品质和性能。

技术实现要素：

本发明的目的在于提供一种基于自适应动态规划的锻造工艺参数在线规划方法，解决了锻件的微观组织在锻造过程中难以精确调控的问题。

本发明解决上述难题的方案是：一种基于自适应动态规划的锻造工艺参数在线规划方法，该方法包括如下步骤：

步骤1：初始化自适应动态规划方法的执行网络和评价网络的权值；

步骤2：根据锻造系统当前时刻和上一时刻金属锻件的微观组织状态，由执行网络给出下一时刻的锻造工艺参数；

步骤3：将锻造工艺参数输入到锻造系统，获得下一时刻金属锻件的微观组织状态；

步骤4：根据当前时刻的锻造工艺参数和金属锻件的微观组织状态，由评价网络给出性能指标函数的估计值，对执行网络和评价网络的权值进行更新；

步骤5：转入步骤2，进行下一时刻的锻造工艺参数规划。

按照上述方案，步骤1中所述自适应动态规划方法的执行网络和评价网络可以描述为：

执行网络和评价网络都是用bp神经网络构建，分别可以表示为

u(k)＝wa2(k)·σ(wa1(k)·x(k))(1)

j(k)＝wc2(k)·σ(wc1(k)·[x(k)；u(k)])(2)

式中：x和u分别表示执行神经网络的输入和输出，j是评价神经网络的输出(性能指标函数的估计值)，wa1和wa2是执行神经网络的权值，wc1和wc2是评价神经网络的权值，σ(·)是激活函数。性能指标函数j可以表示为：

式中：γ是折扣因子(0≤γ≤1)，u为效用函数。

效用函数是以控制微观组织为目的，可以表示为：

u(k)＝a(f(k)-fexp)²+b(g(k)-gexp)²(4)

式中：f和g分别表示再结晶分数和平均晶粒尺寸，fexp和gexp分别表示期望的再结晶分数和平均晶粒尺寸，a和b分别为再结晶分数和平均晶粒尺寸的权重。

按照上述方案，步骤2中所述金属锻件的微观组织状态可以描述为：

在锻造过程中，金属锻件的微观组织状态是指再结晶分数和平均晶粒尺寸，这两个状态量无法实时测量，可以利用微观组织模型预测。

按照上述方案，步骤4中所述对执行网络和评价网络的权值进行更新可以描述为：

执行神经网络的权值更新公式为：

wa(k+1)＝wa(k)+δwa(k)(6)

式中：wa是执行神经网络的权值，

评价神经网络的权值更新公式为：

wc(k+1)＝wc(k)+δwc(k)(8)

式中：wc是评价神经网络的权值，

按照上述方案，利用金属锻件的微观组织模型实时预测微观组织状态，根据构建的控制微观组织的效用函数，通过自适应动态规划方法，在线规划锻造工艺参数，对金属锻件的微观组织进行调控。

本发明的有益效果：本发明针对实际工业生产过程中金属锻件的微观组织难以精确调控的问题，根据面向微观组织的效用函数，利用自适应动态规划方法在线规划锻造工艺参数，实时调控金属锻件的微观组织，能够应用到多种金属锻件模锻和自由锻造加工中，为获得均匀精细的微观组织提供新方法。该方法的发明和推广应用对调控金属锻件的微观组织具有重要工程意义。

附图说明：

图1基于自适应动态规划的锻造工艺参数在线规划流程图；

图2镍基合金(gh4169)锻造试样：(a)锻造之前；(b)锻造之后；

图3执行网络结构；

图4评价网络结构；

图5规划的锻造工艺参数；

图6镍基合金微观组织控制结果:(a)再结晶分数；(b)平均晶粒尺寸；

图7最终获得的镍基合金微观组织。

具体实施方式：

下面结合附图和具体实施方式对本发明进行详细的说明。

本发明是一种基于自适应动态规划的锻造工艺参数在线规划方法，其流程图如图1所示。下面以镍基合金(gh4169)试样(图2)的锻造过程为例，详细介绍本发明涉及的锻造工艺参数在线规划的实施细节，其方法包括：

步骤1：初始化自适应动态规划方法的执行网络和评价网络的权值；

在自适应动态规划方法中，执行网络和评价网络都是用bp神经网络构建的。在锻造实验之前，自适应动态规划方法的执行网络和评价网络的权值都是随机生成的。

步骤2：根据锻造系统当前时刻和上一时刻金属锻件的微观组织状态，由执行网络给出下一时刻的锻造工艺参数；

执行网络结构如图3所示，其表达式为：

ha1(k)＝wa1(k)·[f(k)；g(k)；f(k-1)；g(k-1)](9)

式中：f和g分别表示再结晶分数和平均晶粒尺寸，为应变速率，wa1和wa2是执行神经网络的权值，ha1和ha2分别表示隐含层的输入和输出。根据锻造系统当前时刻和上一时刻镍基合金锻件的微观组织状态，利用执行网络求出下一时刻的锻造工艺参数。

步骤3：将锻造工艺参数输入到锻造系统，获得下一时刻镍基合金锻件的微观组织状态；

在锻造过程中，镍基合金微观组织演变极其复杂，其再结晶分数和平均晶粒尺寸无法实时测量，可以利用镍基合金微观组织模型根据锻造工艺参数进行预测，该预测模型为：

式中：f为动态再结晶分数，ε为应变，εc为动态再结晶临界应变，ε0.5为再结晶发生50％的应变，gdrx，g和g0分别表示动态再结晶晶粒尺寸，平均晶粒尺寸和初始晶粒尺寸，为应变速率，t为成形温度，r为气体常量。

步骤4：根据当前时刻的锻造工艺参数和镍基合金锻件的微观组织状态，由评价网络给出性能指标函数的估计值，对执行网络和评价网络的权值进行更新；

评价网络结构如图4所示，其表达式为：

j(k)＝wc2(k)·hc2(k)(15)

式中：wc1和wc2是评价神经网络的权值，hc1和hc2分别表示隐含层的输入和输出，j是评价神经网络的输出(性能指标函数的估计值)。性能指标函数j可以表示为：

式中：γ是折扣因子(0≤γ≤1)，u为效用函数。

效用函数是以控制镍基合金锻件微观组织为目的，可以表示为：

u(k)＝0.4(f(k)-1)²+0.6(g(k)-10)²(17)

式中：f和g分别表示再结晶分数和平均晶粒尺寸。本次实验中期望的再结晶分数和平均晶粒尺寸分别为100％和10μm，目的是获得最均匀细小的微观组织。

评价网络会根据执行网络给出的锻造工艺参数估计性能指标函数，并且反馈到执行神经网络进行权值更新以提高其性能，执行网络权值更新公式为：

wa2(k+1)＝wa2(k)+δwa2(k)(19)

wa1(k+1)＝wa1(k)+δwa1(k)(21)

式中：la为执行神经网络学习率，一般取0.1。

评价网络需要使性能指标函数序列收敛，其权值更新公式为：

wc2(k+1)＝wc2(k)+δwc2(k)(23)

wc1(k+1)＝wc1(k)+δwc1(k)(25)

式中：lc为评价神经网络学习率，一般取0.1。

步骤5：转入步骤2，进行下一时刻的锻造工艺参数规划。

按照上述的锻造工艺参数在线规划方法，根据构建的控制微观组织的效用函数，对镍基合金锻造工艺参数进行在线规划，获得的锻造工艺参数如图5所示，在应变小于0.4时，应变速率大约为0.08s^-1；随着应变的增加，应变速率线性减小至0.02s^-1，在应变大于0.9之后，应变速率一直为0.02s^-1。镍基合金微观组织控制结果如图6所示，在应变为0.9时，再结晶分数达到100％，最终获得的平均晶粒尺寸为11μm。对锻造后的镍基合金试样进行微观组织观察，最终获得的微观组织如图7所示，得到的微观组织非常均匀精细，再结晶分数和平均晶粒尺寸为99％和12μm，与提出方法控制的效果一致。这说明提出方法能有效地规划锻造工艺参数，对镍基高温合金的微观组织进行调控。

从上述结果可以发现，本发明提出的方法能够在线规划锻造工艺参数，实现镍基合金锻件微观组织的有效调控，为获得均匀精细的镍基高温合金锻件微观组织提供了可靠的途径。

上面结合附图对本发明的实例进行了说明，但本发明不局限于上述具体的实施方式，上述的具体实施方式仅是示例性的。任何不超过本发明权利要求的发明，均在本发明的保护范围之内。