采用灰色关联和D-S证据理论的压射工艺参数选择方法

刘辉; 张超勇; 蔡恒志

doi:10.13433/j.cnki.1003-8728.20220010

采用灰色关联和D-S证据理论的压射工艺参数选择方法

doi: 10.13433/j.cnki.1003-8728.20220010

刘辉^1,,
张超勇^1, ,,
蔡恒志²

1.
华中科技大学数字制造装备与技术国家重点实验室, 武汉 430074
2.
深圳领威科技有限公司, 广东深圳 518000

基金项目:

国家自然科学基金项目 51861165202

国家自然科学基金项目 51575211

国家自然科学基金项目 51805330

国家自然科学基金项目 51705263

广东省重点领域研发计划项目 2019B090921001

详细信息

作者简介:
刘辉(1997-), 硕士研究生, 研究方向为智能制造、车间调度, 614740073@qq.com

通讯作者:
张超勇, 教授, 博士生导师, zcyhust@hust.edu.cn

中图分类号: TG233.1
计量
- 文章访问数: 124
- HTML全文浏览量: 52
- PDF下载量: 15
- 被引次数: 0
出版历程
- 收稿日期: 2021-03-17
- 刊出日期: 2023-07-25

Selection Method of Injection Processing Parameter by Using Grey Relational Analysis and D-S Evidence Theory

1.
State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan 430074, China
2.
Shenzhen Leadwell Technology Co., Ltd., Shenzhen 518000, Guangdong, China

摘要

摘要: 合理的压射工艺对于提高压铸生产效率和降低压铸件缺陷意义重大。本文针对压铸过程中的压射工艺参数的选择提出了基于灰色关联和D-S证据理论相融合的决策方法，摆脱了以往依托专家经验的试错法，使得压射工艺参数的选择更具有科学性。实验证明本文提出的方法在满足准确性的同时具有高效性。
- 压射 /
- 参数选择 /
- 灰色关联 /
- D-S证据理论
Abstract: Reasonable injection process is of great significance to improve the production efficiency and reduce the defects of die casting. In this paper, a decision method based on grey correlation and D-S evidence theory is proposed for selecting injection parameters in die casting. which is more scientific than the trial-and-error method relying on expert experience in the past. The experimental results show that the present method is not only accurate but also efficient.
- injection /
- parameter selection /
- grey relational analysis /
- D-S evidence theory

HTML全文

图 1 压射过程

Figure 1. Injection process

下载: 全尺寸图片幻灯片

图 2 采用灰色关联和D-S证据理论的压射工艺参数选择流程

Figure 2. The process of selecting injection process parameters using grey correlation and D-S evidence theory

下载: 全尺寸图片幻灯片

表 1 压射工艺参数制定的影响因素

Table 1. Factors that influence the formulation of injection process parameters

影响因素	具体表现	本文考虑因素
产品模具相关参数	模具流道参数、模具溢流系统参数、模具排气系统参数、浇注金属液质量、铸件和溢流质量、铸件平均壁厚等	浇注金属液质量、铸件和溢流质量、铸件平均壁厚
材料相关参数	金属种类、浇注金属液密度、金属热膨胀系数、金属固相线温度、金属液相线温度等	浇注金属液密度、金属固相线温度、金属液相线温度
加工设备结构相关参数	锁模力、压射力、压室直径、压室长度、压室充满度等	压室直径、压室长度、压室充满度
辅助设备相关参数	模温机参数、浇注设备参数等
加工环境	环境温度、环境湿度等

下载: 导出CSV

表 2 历史压铸模式

Table 2. Historical die casting modes

历史压铸模式	证据种类									评价指标		综合评价得分
历史压铸模式	浇注金属液密度/(g·cm^-3)	浇注金属液质量/g	铸件和溢流质量/g	金属固相线温度/℃	金属液相线温度/℃	铸件平均壁厚/mm	压室直径/mm	压室长度/mm	压室充满度	等效应力/MPa	孔隙率/%	综合评价得分
1	1.81	595	608	470	595	1.0	70	130	0.66	104.5	2.654	369.9
2	1.81	637	658	470	595	1.0	80	105	0.67	101.8	2.657	367.5
3	1.81	686	710	470	595	1.5	70	150	0.66	104.8	2.701	374.9
4	2.20	789	813	554	650	1.8	70	140	0.67	103.3	2.671	370.4
5	2.20	864	879	554	650	2.0	60	205	0.68	107.9	2.654	373.3
6	2.20	981	998	554	650	2.2	80	140	0.63	104.3	2.756	379.9
7	2.55	1 210	1 229	629	654	2.3	70	260	0.47	107.7	2.734	381.1
8	2.55	1 341	1 366	629	654	2.3	60	365	0.51	105.7	2.706	376.3
9	2.55	1 453	1 478	629	654	2.6	70	450	0.33	103.7	2.754	379.1
10	2.60	1 522	1 550	638	657	2.7	60	510	0.41	107.9	2.754	383.3
11	2.60	1 633	1 657	638	657	2.7	70	430	0.38	103.9	2.812	385.1
12	2.60	1 768	1 790	638	657	2.8	60	575	0.42	103.3	2.873	390.6
13	2.75	1 937	1 993	643	654	3.0	60	620	0.40	105.7	2.987	404.4
14	2.75	2 145	2 195	643	654	3.5	60	555	0.50	106.2	2.934	399.6
15	2.75	2 400	2 415	643	654	3.8	70	650	0.35	107.1	3.107	417.8

下载: 导出CSV

表 3 最终融合结果

Table 3. Final fusion results

模式	融合结果	模式	融合结果
1	1.03×10^-10	9	2.21×10^-1
2	3.04×10^-13	10	1.08×10^-1
3	9.15×10^-10	11	4.46×10^-1
4	9.53×10^-6	12	9.62×10^-2
5	4.65×10^-6	13	4.55×10^-2
6	1.33×10^-5	14	8.45×10^-3
7	4.25×10^-2	15	7.03×10^-3
8	3.22×10^-2	未知	6.78×10^-3

下载: 导出CSV

表 4 压射工艺参数和综合评价结果对比

Table 4. Comparison of results

压射工艺参数	理论计算公式	D-S证据理论	本文方法	实际生产调试
慢压射行程/mm	272	317	340	335
慢压射速/(m·s^-1)	0.14	0.23	0.22	0.20
快压射行程/mm	148	108	92	94
快压射速/(m·s^-1)	2.98	3.80	4.10	4.30
增压行程/mm	40	35	28	31
综合评价得分	572.3	425.7	392.4	383.2

下载: 导出CSV

参考文献(17)

[1]	吴春苗. 压铸技术手册[M]. 2版. 广州: 广东科技出版社, 2007. WU C M. Die casting technical manual[M]. 2nd ed. Guangzhou: Guangdong Science and Technology Press, 2007. (in Chinese)
[2]	周奇, 胡伟民, 梁广涛. p-Q图在压铸工艺及模具设计中的应用[J]. 特种铸造及有色合金, 2019, 39(3): 279-282. https://www.cnki.com.cn/Article/CJFDTOTAL-TZZZ201903013.htm ZHOU Q, HU W M, LIANG G T. Application of the p-Q diagram in die casting process and mould design[J]. Special Casting & Nonferrous Alloys, 2019, 39(3): 279-282. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-TZZZ201903013.htm
[3]	唐继强. 锁模力检测及P-Q图像绘制智能化[J]. 铸造, 2019, 68(6): 628-633. https://www.cnki.com.cn/Article/CJFDTOTAL-ZZZZ201906019.htm TANG J Q. Monitoring of die locking force and intellectualization of P-Q visual plot[J]. Foundry, 2019, 68(6): 628-633. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZZZZ201906019.htm
[4]	FU J H, COLEMAN J, POOLE G, et al. Uncertainty propagation through a simulation of industrial high pressure die casting[J]. ASME Journal of Heat Transfer, 2019, 141(11): 112101. doi: 10.1115/1.4044514
[5]	刘高剑, 郑伟刚, 李威, 等. 基于AnyCasting的换挡塔压铸缺陷分析及工艺改进[J]. 贵州大学学报(自然科学版), 2016, 33(6): 26-28. https://www.cnki.com.cn/Article/CJFDTOTAL-GZDI201606007.htm LIU G J, ZHENG W G, LI W, et al. Die-casting defect analysis and process improvement of shift tower based on AnyCasting[J]. Journal of Guizhou University (Natural Sciences), 2016, 33(6): 26-28. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-GZDI201606007.htm
[6]	岑尧, 高倩. 基于ProCAST的TiB₂/7075复合材料流变压铸数值模拟[J]. 热加工工艺, 2019, 48(7): 90-93. https://www.cnki.com.cn/Article/CJFDTOTAL-SJGY201907023.htm CEN Y, GAO Q. Numerical simulation of rheological die casting of TiB₂/7075 composites based on ProCAST[J]. Hot Working Technology, 2019, 48(7): 90-93. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SJGY201907023.htm
[7]	MUNÕZ-IBAÑEZ C, ALFARO-PONCE M, CHAIREZ I. Hierarchical artificial neural network modelling of aluminum alloy properties used in die casting[J]. The International Journal of Advanced Manufacturing Technology, 2019, 104(1-4): 1541-1550. doi: 10.1007/s00170-019-04019-z
[8]	冯洪高, 张赤斌. 基于PLC和模糊神经网络的压铸控制系统优化研究[J]. 热加工工艺, 2018, 47(17): 108-111. https://www.cnki.com.cn/Article/CJFDTOTAL-SJGY201817030.htm FENG H G, ZHANG C B. Study on optimization of die casting control system based on PLC and fuzzy neural network[J]. Hot Working Technology, 2018, 47(17): 108-111. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SJGY201817030.htm
[9]	张庆, 李晓棠, 于峰, 等. 基于BP神经网络的压铸成型工艺参数的模拟与优化[J]. 铸造设备与工艺, 2011(5): 35-37. https://www.cnki.com.cn/Article/CJFDTOTAL-ZSBY201105014.htm ZHANG Q, LI X T, YU F, et al. Optimization and application of process parameters for die casting process based on neural network of BP[J]. Foundry Equipment and Technology, 2011(5): 35-37. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZSBY201105014.htm
[10]	姜洪权, 高建民, 梁泽明, 等. 基于D-S证据理论的压射工艺模式辨识技术[J]. 计算机集成制造系统, 2015, 21(5): 1343-1349. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJJ201505025.htm JIANG H Q, GAO J M, LIANG Z M, et al. Pattern recognition of die casting process based on D-S evidence theory[J]. Computer Integrated Manufacturing Systems, 2015, 21(5): 1343-1349. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JSJJ201505025.htm
[11]	梁银凤, 杨荣敏. 压铸工艺对新型镁合金汽车压铸件性能的影[J]. 热加工工艺, 2020, 49(15): 54-57. https://www.cnki.com.cn/Article/CJFDTOTAL-SJGY202015015.htm LIANG Y F, YANG R M. Effect of die casting technology on properties of new magnesium alloy die castings for automobile[J]. Hot Working Technology, 2020, 49(15): 54-57. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SJGY202015015.htm
[12]	魏显坤. 汽车用铝合金压铸件的慢压射工艺参数研究[J]. 特种铸造及有色合金, 2020, 40(1): 53-55. https://www.cnki.com.cn/Article/CJFDTOTAL-TZZZ202001021.htm WEI X K. Slow shot parameters of aluminum alloy die castings for automobiles[J]. Special Casting & Nonferrous Alloys, 2020, 40(1): 53-55. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-TZZZ202001021.htm
[13]	王龙生. 压铸工艺设计与实践[J]. 铸造技术, 2019, 40(3): 269-275. https://www.cnki.com.cn/Article/CJFDTOTAL-ZZJS201903012.htm Wang L S. Die casting process design and practice[J]. Foundry Technology, 2019, 40(3): 269-275. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZZJS201903012.htm
[14]	邓聚龙. 汉英对照灰色系统基本方法二[M]. 2版. 武汉: 华中科技大学出版社, 2005. DENG J L. The primary method of gray system theory[M]. 2nd ed. Wuhan: Huazhong University of Science and Technology Press, 2005. (in Chinese)
[15]	王洪奎, 龚晓峰. 基于改进DS证据理论的加权协作频谱检测算法[J]. 电子设计工程, 2018, 26(21): 26-29. https://www.cnki.com.cn/Article/CJFDTOTAL-GWDZ201821006.htm WANG H K, GONG X F. Weighted cooperative spectrum sensing algorithm based on improved dempster shafer evidence theory[J]. Electronic Design Engineering, 2018, 26(21): 26-29. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-GWDZ201821006.htm
[16]	MURPHY C K. Combining belief functions when evidence conflicts[J]. Decision Support Systems, 2000, 29(1): 1-9.
[17]	张玉玺. 压铸模具的工艺参数计算及参数调节[J]. 模具制造, 2009, 9(1): 51-54. https://www.cnki.com.cn/Article/CJFDTOTAL-MJZZ200901025.htm ZHANG Y X. Calculation and adjustment of die-casting die technics parameters[J]. Die & Mould Manufacture, 2009, 9(1): 51-54. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-MJZZ200901025.htm