基于時間序列數據驅動的壓鑄機壓射系統機理模型

鐘建輝發表于2024/9/24 9:44:21 理論公式模型液壓系統

原標題：寧波大學&力勁科技：基于時間序列數據驅動的壓鑄機壓射系統機理模型

近年來，我國航空航天和國防工業快速發展，但飛機、導彈、飛船和衛星上具有眾多復雜構件，對成形過程要求極高，還需滿足輕量化等要求，隨之而來的成形方法日益受到關注。壓鑄工藝已經廣泛地應用于航空航天領域，能夠實現傳統鑄造工藝無法實現的各種復雜形狀鑄件的制造，且鑄件具有尺寸精確、輪廓清晰、力學性能優越等特點，而壓鑄機壓射時的壓射速度對鑄件的品質影響巨大，不同的產品所需要的壓射速度也不相同，因此需要建立壓鑄機壓射過程中關于壓射速度的模型來對其進行準確控制。目前，還有很多壓鑄機中使用普通的手動調節插裝閥來調節壓射速度，這種閥無法做到實時控制壓射速度，只能在每次壓射完成后調節閥芯位移量使壓射速度在下一次壓射時達到期望值，因此需要建立準確的模型來預測期望壓射速度對應的閥芯位移量。

研究者推導了液壓系統的液壓缸活塞桿運動速度和閥芯位移的數學公式，建立了理論公式模型，為后續對液壓系統的控制和仿真奠定了基礎。對壓鑄機的壓射系統進行建模，建立壓射系統的開環傳遞函數模型。在建模過程中對負載進行了簡化處理，根據力平衡方程和流量連續性方程建立了關于閥的輸入信號與壓射缸壓射速度的微分方程數學模型。上述研究都對真實模型做了較大的簡化處理，未充分考慮壓鑄機壓射系統的大慣性以及壓射過程中壓射活塞與壓射缸、沖頭與模具之間的摩擦，還有插裝閥閥芯開啟瞬間流過插裝閥的流量變化，因此所建立的數學模型與實際系統會有較大誤差。為了實現對壓射速度進行精確的控制，建立一個能準確反映壓射系統機理的模型十分必要。考慮到壓鑄機具有比較強的非線性、遲滯性特性，要建立其壓射系統準確的數學模型難度較大，且壓射速度數據具有較強的時序特性，而LSTM神經網絡能夠有效地處理時間序列，為解決難以得到壓鑄機壓射系統準確模型的問題提供了一個新的方法和思路。本研究提出基于時間序列數據驅動的建模方法對整個壓射過程的速度曲線與閥芯位移量之間的關系進行建模，考慮速度曲線中包含的所有信息，讓LSTM神經網絡自動學習速度曲線中包含的特征信息和建立的模型可以更準確地描述壓射速度與閥芯位移的關系，有效地解決理論建模方法誤差大、模型不準確的問題，為手動調節速度的壓射系統的速度控制提供參考。

圖文結果

壓鑄機的壓射過程可分為慢速階段和快速階段，其中快速階段時有90%以上的流量由蓄能器提供。快速階段的速度很難控制，且該階段的速度對產品的品質影響極大，本研究僅選取快速階段作為研究對象，同時為簡化模型，忽略快速階段時油泵提供的流量。壓鑄機壓射系統的原理見圖1，該系統主要由蓄能器、電磁閥、插裝閥和壓射缸組成。

插裝閥閥芯的位移量是可調節的，在壓鑄機壓射系統上體現為對閥口開度的調節，同時插裝閥的通斷可由安裝在其上的電磁閥進行控制。壓鑄機壓射速度大小的控制是通過調節插裝閥閥芯的位移量來實現的。壓射過程的工藝流程見圖2。

圖1 壓鑄機壓射系統原理
1.模具 2.沖頭 3.磁柵式位移傳感器 4.插裝閥5.電磁閥 6.蓄能器 7.增壓缸 8.壓射缸

圖2 壓射工藝流程圖

基于時間序列數據驅動的壓射系統機理模型由數據預處理部分和LSTM神經網絡模型兩部分組成，其中LSTM神經網絡模型又包括序列輸入層、LSTM層、Relu層、全連接層和回歸層，其結構見圖3。在壓鑄機壓射過程中，通過位移傳感器采集到活塞桿的位移-時間信息，進一步處理成速度-時間信息。壓射速度曲線是隨時間變化的曲線，具有較強的時序特性，因此采用善于解決時間序列數據的LSTM神經網絡來尋找壓射速度與閥芯位移量之間的關系。

由于壓射系統的壓射活塞與壓射缸、沖頭與模具之間存在摩擦，且插裝閥閥芯開啟與達到穩態時閥口兩端的壓力差存在變化，導致實測采集的速度曲線會存在噪聲，在對速度曲線進行分析前需要對其進行去噪處理。首先，數據預處理通過小波分解將速度信息分解成多個高頻和低頻成分，然后再對相應的高頻部分進行小波閾值去噪。

圖3 壓射系統機理模型框架

圖4 小波分解過程示意圖

圖5 LSTM神經網絡單元

LSTM神經網絡作為一種特殊的循環神經網絡（Recurrent Neural Network， RNN），在傳統RNN的基礎上增加了記憶細胞單元，可用于保存時間狀態。每個記憶細胞單元包含遺忘門、輸入門和輸出門等。這3個門可以共同控制輸入信息的遺忘和記憶，解決了RNN梯度消失和梯度爆炸的問題，能有效處理長時間、距離的依賴問題，使其更善于處理時間序列數據。

研究數據來源于某型鎖模力為2800 kN的壓鑄機，其結構部分的實物圖見圖6。通過安裝在活塞桿上的磁柵式傳感器，采集由蓄能器供油時壓鑄機在快速階段下快速插裝閥不同開度百分比對應的速度數據，其中插裝閥閥芯的最大位移量為ymax，閥口開度百分比P取較有代表性的值為20%~52%（每隔2%取一個值），蓄能器儲能時的壓力為14 MPa，每個閥口開度百分比采集30組速度數據，共510組數據，所采集到的部分速度曲線見圖7。

圖6 壓射機結構實物圖
1.沖頭 2.活塞桿 3.蓄能器4.磁柵式位移傳感器 5.壓射缸

圖7 壓射速度曲線

圖8 sym8小波尺度函數與小波函數

小波分解后的高低頻信息見圖9，其中u2為第2層的低頻近似系數，w1和w2分別為第1層和第2層的高頻細節系數。對分解后的高頻信息進行閾值去噪處理，去噪與重構后的結果見圖10，對比初始速度信號與去噪后的速度信號可以看出，通過小波閾值去噪后，由壓射活塞與壓射缸、沖頭與模具之間摩擦力以及插裝閥閥口兩端壓差變化引起的噪聲能被有效去除，同時速度曲線也變得更平滑。去除噪聲后的速度信號能最大程度地減小將其輸入模型時對特征自動提取的干擾。