一种基于数字孪生的熔铸装药成型工艺参数优化方法及系统

摘要

本发明公开了一种基于数字孪生的熔铸装药成型工艺参数优化方法及系统，方法包括：通过基于CART回归树的GBRT算法对熔铸装药成型工艺参数与成型质量优化目标进行非线性耦合预测；对选定的成型工艺参数和成型质量优化目标，根据数字孪生数据采集感知技术采集的相关数据，在耦合预测模型基础上，采用多目标智能优化算法进行寻优，获得局部最优解集；采用智能决策分析方法对局部最优解集进行量化评价，输出全局最优的成型工艺参数；验证全局最优成型工艺参数的准确性，并将数据传输到实体生产设备中。本发明解决了传统成型工艺参数设定方法中存在的参数设定成本高、效率低、周期长等问题，提升了熔铸装药成型质量的一致性和装药效率。

说明书

技术领域

本发明涉及含能药装药生产领域，具体涉及一种基于数字孪生的熔铸装药成型工艺参数优化方法及系统。

背景技术

弹药熔铸装药成型具有弹药适应性强、装药效率高、易于回收利用及制造成本低等优点，是弹药的主流装药工艺方法。弹药熔铸装药成型过程涉及物态、热量、体积等多种物理变化，首先是物态由液态变为固态，其次是炸药结晶过程体积收缩、释放热量，是一个复杂的传热、传质过程，经历降温、相变、晶体形成和成长等。熔铸装药成型过程工艺参数主要包括炸药注液温度、弹体预热温度、水浴凝固护理温度、水浴水位上升速度、凝固压力、保压时间、生产环境温度等，其工艺参数较多且各个工艺参数之间相互关联，使得工艺参数与装药成型质量间具有高度的非线性、强耦合与时变性的特点，因而采用构建精准的数学模型来进行生产过程的工艺参数控制极为困难。

成型工艺参数的设定与控制是实现高质量熔铸装药的关键，熔铸装药成型质量主要包含装药密度和密度差(装药的密度均匀性)两个重要指标，装药密度越大越好，密度差越小越好。但传统的工艺参数设定方法依赖操作工艺人员的经验和基于试验的枚举法，导致工艺参数设定的成本高、效率低、周期长、盲目性较大，且在面对多个工艺参数组合时效果不好，一旦某个工艺参数设定不当，就会在药柱中形成气泡、孔隙、裂纹等缺陷，严重影响弹药的产品性能、生产周期、制造成本。因此，如何提供一种熔铸装药成型过程工艺参数优化方法来指导生产过程，有效提升装药成型质量一致性，是生产过程中急需解决的难题之一。

现有弹药生产企业在熔铸装药成型生产工艺技术上仍主要沿用传统经验方法，在成型工艺参数的设定上依赖操作工艺人员的经验和基于试验的枚举法为主；国内弹药熔铸装药成型设备上可采集的数据有限，成型过程中的工艺参数主要依赖于手工纸质记录，存在错记或漏记现象，难以实现质量追溯；对弹药装药成型质量的研究仍基本采用静态观察、模拟实验和破坏性检验相结合的方法，没有根据工艺环节中的成型工艺参数进行装药成型质量的预测判别。

在熔铸装药成型工艺参数中，炸药药液的浇注温度高时流动性好，充型能力强，但导致炸药药液吸收空气严重，成型缩孔缩松倾向大；炸药药液的浇注温度低时流动性差，补充缩孔能力不足，容易引起欠铸、冷隔。弹体预热温度/水浴凝固护理温度过高将降低炸药药液的结晶率，增加了保压时间和成型时间；弹体预热温度/水浴凝固护理温度过低可能导致炸药药液充型过程出现冷夹层，凝固过程出现补缩作用不理想，药柱产生缩松及表面裂纹。水浴水位上升速度过快可能导致充型卷气现象，药柱产生气泡、孔隙等缺陷；水浴水位上升速度过慢会使靠近弹体壁部位的药液过早凝固，药柱出现缩孔、冷隔等缺陷。凝固压力过高将影响炸药药液的结晶形成，无法有效成型；凝固压力过低可能导致药柱产生气泡无法排出。保压时间一般控制在炸药完全凝固成型结束；保压时间过短会使炸药药液在未完全凝固时泄压，导致弹体中心部位补缩不足产生缩孔等缺陷。由于成型工艺参数间的复杂关系，通常装药密度或密度差某一个优化目标的提升会引起另一个目标性能下降，很难得到同时满足两个目标优化的工艺参数组合，因此急需一种单一目标较优而总体目标最优的工艺参数优化方法。

发明内容

本发明所要解决的技术问题是：传统熔铸装药成型工艺参数依靠人工经验和基于试验的枚举法来设定，导致工艺参数设定成本高、效率低、周期长等问题，本发明提供了解决上述问题的一种基于数字孪生的熔铸装药成型工艺参数优化方法及系统，提升了熔铸装药成型质量的一致性和装药效率。

本发明通过下述技术方案实现：

一种基于数字孪生的熔铸装药成型工艺参数优化方法，包括以下步骤：

S1.通过基于CART回归树的GBRT算法对熔铸装药成型工艺参数与成型质量优化目标进行非线性耦合预测；

S2.对于选定的熔铸装药成型工艺参数和成型质量优化目标，根据熔铸装药成型数字孪生数据采集感知技术采集的相关数据，在步骤S1构建的耦合预测模型基础上，采用多目标智能优化算法进行寻优，获得局部最优解集；

S3.在步骤S2获得的局部最优解集的基础上，采用智能决策分析方法对局部最优解集进行量化评价，输出全局最优的成型工艺参数；

S4.验证步骤S3获得的全局最优熔铸装药成型工艺参数优化结果的准确性，并将全局最优熔铸装药成型工艺参数传输到实体生产设备中，实现熔铸装药成型工艺参数的闭环控制。

进一步优选，选取炸药药液浇注温度T

式(1)中，T

进一步优选，步骤S1中，以装药密度最大化和装药密度差最小化为两个成型质量优化目标，取影响这两个优化目标的五种工艺参数炸药药液浇注温度、弹体预热温度、水浴凝固护理温度、水浴水位上升速度和凝固压力作为优化的设计变量，基于熔铸装药成型工艺数据库抽样所得的样本结果，建立熔铸装药成型工艺参数与成型质量两个优化目标之间的非线性耦合预测模型。

基于熔铸装药成型工艺数据库抽样所得的样本结果，采用基于CART回归树(Classification And Regression Tree，分类回归树)的GBRT算法(Gradient BoostedRegression Trees，梯度提升回归树算法)，建立熔铸装药成型过程工艺参数与成型质量两个优化目标之间的非线性耦合预测模型，该算法中选择损失函数为平方损失函数，具有训练复杂度低、预测精度高等优点。

进一步优选，步骤S2包括以下步骤：

S21：状态变化检测：将熔铸装药成型过程中的炸药凝固状态变化作为装药质量性能变化的参数变化量，数字孪生数据采集感知技术检测弹体中炸药凝固状态变化是否达到设定的阈值，再决定是否需要对此进行应答；

S22：状态变化应答：当检测到弹体中炸药凝固状态发生变化达到阈值时，随机重新初始化一部分个体，替代当前凝固状态条件下得到的最优解的一部分个体，此时得到的种群将作为初始种群引入新状态来实现种群的多样性；

S23：采用NSGA-II算法求解获得当前炸药凝固状态下的Pareto最优解，获得最佳熔铸装药成型工艺参数解集为局部最优解集。

进一步优选，步骤S3中，在通过NSGA-II算法优化获得的Pareto解集中，按照熔铸装药成型质量指标，采用TOPSIS算法输出全局最优的成型工艺参数，指导熔铸装药成型物理实体设备。

进一步优选，步骤S4中，通过熔铸装药数字孪生模型仿真试验，验证全局最优熔铸装药成型工艺参数优化结果的准确性。

一种基于数字孪生的熔铸装药成型工艺参数优化系统，包括耦合预测模块、参数寻优模块、决策分析模块和熔铸装药成型数字孪生平台；

所述耦合预测模块用于通过基于CART回归树的GBRT算法对熔铸装药成型工艺参数与成型质量优化目标进行非线性耦合预测；

所述参数寻优模块用于对于选定的熔铸装药成型工艺参数和成型质量优化目标，根据熔铸装药成型数字孪生数据采集感知技术采集的相关数据，在步骤S1构建的耦合预测模型基础上，采用多目标智能优化算法进行寻优，获得局部最优解集；

所述决策分析模块用于在获得的局部最优解集的基础上，采用智能决策分析方法对局部最优解集进行量化评价，输出全局最优的成型工艺参数，指导熔铸装药成型物理实体设备；

所述熔铸装药成型数字孪生平台包括数字孪生数据采集感知系统，数字孪生数据采集感知系统通过数字孪生数据采集感知技术采集的相关数据，用于参数寻优。

进一步优选，所述参数寻优模块包括状态检测、变化应答机制和NSGA-II算法三个子模块：

状态变化检测子模块：用于将熔铸装药成型过程中的炸药凝固状态变化作为装药质量性能变化的参数变化量，数字孪生数据采集感知技术检测弹体中炸药凝固状态变化是否达到设定的阈值，再决定是否需要对此进行应答；

状态变化应答机制子模块：用于当检测到弹体中炸药凝固状态发生变化达到阈值时，随机重新初始化一部分个体，替代当前凝固状态条件下得到的最优解的一部分个体，此时得到的种群将作为初始种群引入新状态来实现种群的多样性；

NSGA-II算法子模块，用于采用NSGA-II算法求解获得当前炸药凝固状态下的Pareto最优解，获得最佳熔铸装药成型工艺参数解集为局部最优解集。

进一步优选，所述决策分析模块用于按照熔铸装药成型质量指标，采用TOPSIS算法输出全局最优的成型工艺参数。

进一步优选，所述熔铸装药成型数字孪生平台还包括熔铸装药成型工艺数据库和数字孪生模型；

熔铸装药成型工艺数据库用于为耦合预测模块提供训练数据；

数字孪生模型用于仿真试验，验证全局最优熔铸装药成型工艺参数优化结果的准确性。

关于本发明中用到的技术缩写说明如下：

DMOP：Dynamic Multi-objective Optimization Problem，动态多目标优化问题。

CART：Classification And Regression Tree，分类回归树算法。

Pareto最优解：通过多目标优化算法获得的一组最佳折衷解。

GBRT：Gradient Boosted Regression Trees，梯度提升回归树算法。

DNSGA-II-A：Dynamic Non-dominated Sorting Genetic Algorithm-II-A，动态非支配排序遗传算法。

NSGA-II：fast elitist Non-dominated Sorting Genetic Algorithm，快速非支配排序遗传算法，属于一种静态多目标优化算法。

TOPSIS：Technique for Order Preference by Similarity to IdealSolution，理想解相似度顺序偏好法。

本发明具有如下的优点和有益效果：

基于成型工艺参数间的复杂关系，通常装药密度或密度差某一个优化目标的提升会引起另一个目标性能下降，很难得到同时满足两个目标优化的工艺参数组合，因此急需一种单一目标较优而总体目标最优的工艺参数优化方法。鉴于成型过程中炸药凝固状态是动态变化的，要充分考虑时间维度上成型工艺参数变化对成型质量结果的影响，成型参数的优化问题可归结为动态多目标优化问题。

本发明实现了基于熔铸装药成型质量预测的最优工艺参数设定与成型过程工艺参数的实时检测反馈控制，解决了传统熔铸装药成型工艺参数依靠人工经验和基于试验的枚举法来设定，导致工艺参数设定成本高、效率低、周期长等问题，提升了熔铸装药成型质量的一致性和装药效率。本发明通过基于数字孪生的熔铸装药成型工艺参数优化方法，动态反应熔铸装药成型过程的工艺参数变化，预测成型过程中可能存在的装药质量缺陷，提前优化修正工艺参数并进行闭环控制，提升装药成型质量一致性和装药效率。具体优势如下所示：

1、本发明通过基于CART回归树的GBRT算法对成型过程工艺参数与成型质量两个优化目标进行非线性耦合预测，具有训练复杂度低、预测精度高的优点；

2、本发明充分考虑时间维度上成型工艺参数变化对装药成型质量结果的影响，采用DNSGA-II-A动态多目标优化算法将成型工艺参数的优化问题转化为一个静态多目标优化问题，具有求解速度快的优点，更适用于在线工艺参数优化控制；

3、本发明通过基于数字孪生的熔铸装药成型工艺参数智能优化方法，解决了传统熔铸装药成型工艺参数依靠人工经验和基于试验的枚举法来设定，导致工艺参数设定成本高、效率低、周期长等问题。

4、本发明通过熔铸装药成型工艺参数优化控制，提高了熔铸装药成型质量一致性，降低了对生产工人的经验要求。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明的一种基于数字孪生的熔铸装药成型工艺参数优化方法框图。

图2为本发明的熔铸装药成型参数动态多目标优化模型的求解流程图。

图3为本发明的基于TOPSIS的工艺参数决策分析流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实施例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。

在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。

实施例1

本实施例提供了一种基于数字孪生的熔铸装药成型工艺参数优化系统，具体如下所示：

通过分析，选取炸药药液浇注温度T

式(1)中，T

1、构建耦合预测模块

采用基于CART回归树(Classification And Regression Tree，分类回归树)的GBRT算法(Gradient Boosted Regression Trees，梯度提升回归树算法)，建立熔铸装药成型工艺参数与成型质量间的耦合预测模型。具体算法过程如下：

输入：一是熔铸装药成型孪生数据库提供的训练数据集为

二是选择平方损失为损失函数：

输出：一颗回归树f(x)

①初始化弱学习器。即估计使损失函数极小化的常数值，它是只有一个根节点的树：

②迭代计算过程。

a.迭代建立M棵提升树，对m＝1，2，...，M。(M表示迭代次数，即生成弱学习器的个数)；

b.对每个样本i＝1，2，...，N，计算损失函数的负梯度在当前模型的值作为残差的估计，当损失函数为平方损失时，计算值即为残差：

c.将上步得到的残差作为样本新的真实值，并将数据(x

d.对叶子区域j＝1，2，...，J，利用线性搜索，估计叶节点区域的值，使损失函数极小化，计算：

e.更新强学习器：

③得到最终的学习器：

2、参数寻优模块

采用DNSGA-II-A动态多目标优化算法(Dynamic Non-dominated SortingGenetic Algorithm-II-A，动态非支配排序遗传算法)，充分考虑时间维度上成型工艺参数变化对装药成型质量结果的影响，输出当前炸药凝固状态下的成型工艺参数最优解集。

①状态变化检测。熔铸装药成型过程具有时变特性，主要体现在炸药凝固程度变动方面，将熔铸装药成型过程中的炸药凝固状态变化作为装药质量性能的表征因素，数字孪生数据采集感知技术检测弹体中炸药凝固状态变化是否达到设定的阈值，再决定是否需要对此进行应答。

②状态变化应答机制。当检测到弹体中炸药凝固状态发生变化达到阈值时，随机重新初始化一部分个体，替代当前凝固状态条件下得到的最优解的一部分个体，此时得到的种群将作为初始种群引入新状态来实现种群的多样性。

③静态多目标优化算法。由于成型过程中较短时间间隔内炸药凝固状态变化缓慢，可近似看作准静态过程，因此在确定的炸药凝固状态下，成型工艺参数的优化问题就转化为一个静态多目标优化问题。采用NSGA-II算法(fast elitist Non-dominated SortingGenetic Algorithm，快速非支配排序遗传算法)快速求解获得当前炸药凝固状态下的Pareto最优解。

3、决策分析模块

通过参数寻优获得的解是在特定的炸药凝固状态下得出的成型工艺参数Pareto最优解，更侧重于实现部分过程装药成型质量的效果最优，而非全局最优，因此该决策分析主要是寻找全局最优解的过程。采用TOPSIS算法(Technique for Order Preference bySimilarity to Ideal Solution，理想解相似度顺序偏好法)实现面向多目标优化的整个熔铸装药成型工艺参数智能决策。

①将原始数据矩阵正向化处理：

熔铸装药成型质量主要包含装药密度和密度差(装药的密度均匀性)两个重要指标，装药密度ρ

②数据标准化处理：

假设有n个待评价的方案，装药密度ρ

经过正向化处理和标准化处理的评分矩阵Z，里面的数据全是极大型数据。

③计算每个方案各自与最优解和最劣解的距离：

与最优解的距离：

与最劣解的距离：

④根据最优解和最劣解计算得分S

⑤根据S

4、熔铸装药成型数字孪生平台

熔铸装药成型数字孪生平台包括熔铸装药成型工艺数据库、数字孪生数据采集感知系统和数字孪生模型：

数字孪生数据采集感知系统通过数字孪生数据采集感知技术采集的相关数据，用于参数寻优；

熔铸装药成型工艺数据库用于为耦合预测模块提供训练数据；

数字孪生模型用于仿真试验，验证全局最优熔铸装药成型工艺参数优化结果的准确性。

实施例2

本实施例提供了一种基于数字孪生的熔铸装药成型工艺参数优化方法，具体方法如下所示：

S1：构建熔铸装药成型工艺参数优化目标模型：

选取炸药药液浇注温度T

式(1)中，T

S2：基于熔铸装药成型工艺数据库抽样所得的样本结果，采用基于CART回归树(Classification And Regression Tree，分类回归树)的GBRT算法(Gradient BoostedRegression Trees，梯度提升回归树算法)，得到熔铸装药成型过程工艺参数与成型质量两个优化目标之间的非线性耦合预测模型。

S3：状态变化检测：将熔铸装药成型过程中的炸药凝固状态变化作为装药质量性能变化的参数变化量，数字孪生数据采集感知技术检测弹体中炸药凝固状态变化是否达到设定的阈值，再决定是否需要对此进行应答。

S4：状态变化应答：当检测到弹体中炸药凝固状态发生变化达到阈值时，随机重新初始化一部分个体，替代当前凝固状态条件下得到的最优解的一部分个体，此时得到的种群将作为初始种群引入新状态来实现种群的多样性。

S5：采用NSGA-II算法(fast elitist Non-dominated Sorting GeneticAlgorithm，快速非支配排序遗传算法)快速求解获得当前炸药凝固状态下的Pareto最优解，获得最佳装药成型工艺参数解集。

S6：在通过NSGA-II算法优化获得的Pareto解集中，按照熔铸装药成型要求的装药密度ρ(x)最大化和装药密度差λ(x)最小化的质量指标，采用TOPSIS算法(Technique forOrder Preference by Similarity to Ideal Solution，理想解相似度顺序偏好法)输出全局最优的成型工艺参数。

S7：通过熔铸装药数字孪生模型仿真试验，验证全局最优成型工艺参数优化结果的准确性，得到最佳工艺参数值，实现面向多目标优化的整个成型过程工艺参数智能决策。

S8：将S7中得到的最佳装药成型工艺参数值传输到熔铸装药成型物理实体设备中，通过控制系统实现生产过程工艺参数的智能闭环控制。

优选基于实施例1提供的系统实现该熔铸装药成型工艺参数优化方法。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。