戰斗部熔鑄裝藥精密成型工藝參數優化方法

李全俊,楊治林,岳 顯,郭進勇,李 昂

(中國兵器裝備集團自動化研究所有限公司, 四川 綿陽 621000)

0 引言

戰斗部熔鑄裝藥成型是將低熔點的載體炸藥加熱熔化,加入高能炸藥組分混合形成淤漿后,注入模具或彈體,經冷卻、凝固成具有一定形狀尺寸和力學強度藥柱的裝藥方法,具有適應性強、裝藥效率高、制造成本低等優點,是主流裝藥工藝之一。熔鑄裝藥成型涉及物態、熱量、體積等多種變化,經歷降溫、相變、晶體形成和成長等,是一個復雜的傳熱、傳質過程,涉及溫度、壓力、速度等多個工藝參數,不同的工藝參數在成型過程的各個階段相互作用,裝藥成型系統面臨非線性、多時滯、強耦合、高緯度等挑戰,裝藥過程數據存在動態多樣性、數學物理意義不明確等問題,無法采用傳統構建精確數學模型的方式來實現工藝參數的精準調控。

西方國家在相關技術領域對我國嚴密封鎖,我國現有彈藥生產企業在戰斗部熔鑄裝藥成型生產過程中主要沿用傳統經驗,對工藝參數和成型質量之間演化規律、變化機制還缺乏有效的方法,在工藝參數的設定上依賴操作工藝人員的經驗和基于試驗的枚舉法為主,在成型質量的研究上基本采用靜態觀察、模擬實驗和破壞性檢驗相結合的方法,無法預測成型質量對工藝參數進行動態優化調整[1]。尤其在面對多個工藝參數組合時,參數優化的成本高、周期長、盲目性較大,一旦某個工藝參數設定不當,就會在藥柱中形成氣泡、孔隙、裂紋等缺陷,嚴重影響彈藥的綜合作戰效能和使用安全性[2]。為解決上述不足,提出一種基于數字孿生的熔鑄裝藥成型工藝參數在線智能優化方法為實際生產提供決策支撐。

1 熔鑄裝藥成型工藝分析

1.1 成型質量影響因素

熔鑄裝藥成型生產過程主要包括輔助準備、裝藥成型、質量檢測3個主要工序,工藝過程如圖1所示。在裝藥成型過程中,工藝參數的調整主要通過質量檢測裝置對成型質量缺陷進行統計分析,根據分析結果優化成型過程工藝參數,反饋到實際生產設備中進行控制,實現戰斗部熔鑄裝藥精密成型和提高生產效率。

圖1 熔鑄裝藥成型工藝流程

熔鑄裝藥成型質量主要包含裝藥密度和密度差2個重要指標,實際生產中要求裝藥密度越大越好,密度差越小越好[3]。在熔鑄裝藥成型生產過程中,影響戰斗部裝藥成型質量的因素是多方面的,在炸藥配方、生產設備、車間環境、操作人員等固定的條件下,工藝參數是影響戰斗部成型質量最重要的因素,主要包括炸藥注液溫度、水浴凝固護理溫度、水浴水位上升速度、凝固壓力、彈體預熱溫度、保壓時間、生產環境溫度等,工藝參數類型眾多且各個工藝參數之間相互關聯。

成型工藝參數的控制導致藥柱中出現的孔隙、裂紋等缺陷的大小和分布不同,最終影響裝藥質量就體現在裝藥密度和密度差2個指標上。根據生產數據和仿真分析發現,由于多個工藝參數在成型過程中相互耦合作用,單一的優化裝藥密度或密度差某個質量目標時,會導致另一個質量目標性能下降,同時滿足兩個裝藥質量目標最優的工藝參數組合無法通過傳統方法得到[7]。

1.2 成型工藝多目標優化模型

通過分析,由于熔鑄裝藥成型過程中炸藥的冷卻凝固狀態是隨時間動態變化的,該過程除了受炸藥各組分本身的理化和力學性質影響外,主要受熔鑄炸藥成型過程內部溫度場的影響,其狀態變化直接與裝藥成型質量息息相關,通過數字孿生平臺的動態映射能力可實時獲取炸藥內部溫度場狀態。為充分考慮時間維度上成型工藝參數對成型質量的影響,選取熔鑄炸藥成型過程內部溫度場狀態作為裝藥成型過程變化的主要表征因素,成型過程多個工藝參數的組合優化實質上轉化為動態多目標的優化問題。選取炸藥注液溫度Tz、彈體預熱溫度Tr、水浴凝固護理溫度Th、水浴水位上升速度V、凝固壓力P共5個工藝參數為輸入變量,以熔鑄裝藥成型后藥柱的裝藥密度ρ(x)、密度差λ(x)共2個質量性能指標為輸出目標函數,構建的裝藥成型工藝參數多目標優化模型為:

(1)

式中:ae(e=1,2,…,5)為對應輸入變量(Tz,Tr,Th,V,P)的取值下限;be(e=1,2,…,5)為對應輸入變量(Tz,Tr,Th,V,P)的取值上限。

2 方案的設計與實現

基于數字孿生的熔鑄裝藥成型工藝參數在線智能優化系統架構如圖2所示,主要由成型質量預測模塊、工藝參數尋優模塊、在線決策分析模塊、數字孿生平臺、物理實體設備5個部分組成[8-9]。首先利用熔鑄裝藥成型生產、試驗、仿真等數據,采用基于CART分類回歸樹的GBRT算法擬合成型工藝參數與成型質量之間的非線性關系,構建成型質量耦合預測模型;其次選取熔鑄炸藥成型過程內部溫度場狀態作為裝藥成型過程變化的主要表征因素,建立基于數字孿生的成型工藝參數動態多目標優化策略,通過數字孿生數據感知技術,監測炸藥內部溫度場狀態的變化并快速調整動態多目標優化模型的參數,實現工藝參數在線尋優更加精準;最后通過決策分析算法,輸出符合裝藥密度以及密度差兩個指標全局最優的工藝參數,并通過幾何層、物理層、行為層、規則層4個維度構建的熔鑄裝藥成型過程數字孿生虛擬模型進行仿真驗證[8],為實體設備生產過程提供指導。

圖2 成型工藝參數優化方法框圖

2.1 成型質量預測模型

在炸藥配方、生產環境等特性參數固定的條件下,成型工藝參數與最終藥柱成型質量之間存在特定的非線性關系,通過何種算法準確描述這種耦合關系直接決定最終工藝參數的優化效果。基于CART分類回歸樹(classification and regression tree)的GBRT算法(gradient boosted regression trees)具有處理數據類型多、擬合能力強、魯棒性好的優點[10],因此采用該算法對成型工藝參數與成型質量之間的非線性關系進行擬合。設定炸藥注液溫度Tz、彈體預熱溫度Tr、水浴凝固護理溫度Th、水浴水位上升速度V、凝固壓力P共5個工藝參數為輸入變量,成型后藥柱的裝藥密度ρ(x)、密度差λ(x)2個指標為輸出結果,通過擬合構建熔鑄裝藥成型工藝參數與成型質量間的耦合預測模型。基于CART分類回歸樹的GBRT算法擬合輸入變量與單個成型質量目標之間的關系步驟為[11]:

現金貸行業的進入壁壘并不高，同行競爭十分激烈。各大平臺為了迅速搶占客源、擴張業務，在沒有真正建立嚴格完善的風險管理體系前提下，而是以高利率來覆蓋高風險，從而吸引投資者。在無抵押、無擔保、高利率的情況下，平臺用戶信用層級進一步下沉，很多借貸者并不具備與借貸金額相匹配的償還能力，卻依舊多頭借貸、重復授信、滾動借貸，從而進一步放大了現金貸行業風險，違約率甚至要顯著高于整個互聯網金融行業的平均違約率。

(2)

1) 對弱學習器進行初始化,即使平方損失函數L為極小化的常數值,作為一個根節點的樹:

(3)

2) 迭代計算過程

a) 迭代建立M棵提升樹,對m=1,2,…,M(M表示迭代次數,即生成弱學習器的個數)。

b) 對每個樣本i=1,2,…,N,計算平方損失函數L的負梯度在當前模型的值作為殘差,殘差值為:

(4)

c) 將式(4)得到的殘差作為樣本新的真實值,并將數據(xi,γim),(i=1,2,…,N),作為下棵樹的訓練數據,擬合得到一顆新的回歸樹fm(x),得到第m棵樹對應的葉節點區域為Rjm,(j=1,2,…,J),其中J為回歸樹t的葉子節點的個數[10-11]。

d) 對葉子區域j=1,2,…,J,利用線性搜索,估計葉節點區域的值,使平方損失函數L極小化,計算:

(5)

K表示第m棵樹的第j個節點中的樣本數量。

e) 更新強學習器

(6)

3) 得到最終的學習器,即耦合關系模型

(7)

首先由熔鑄裝藥工藝數據庫提供30組訓練數據集,根據式(2)—式(7)的算法流程,在提供的30組訓練數據集基礎上,分別采用GBRT算法、梯度提升決策樹(gradient boosted decision trees,GBDT)算法、隨機森林(random forest,RF)算法、支持向量回歸(support vector regression,SVR)4種常用算法,針對裝藥密度ρ(x)、密度差λ(x)2個輸出目標擬合輸入輸出關系,構成屬于每種算法的預測模型,同時統計每種算法構建預測模型占用的時間。其次由熔鑄裝藥工藝數據庫提供10組驗證數據集,對構建的預測模型的預測準確度進行測試。結果表明,采用GBRT算法構建預測模型所用的時間最短,建立的預測模型預測準確度與RF算法相當。

表1 成型質量預測模型用時與預測準確度

2.2 工藝參數動態尋優

在熔鑄裝藥成型過程中,根據當前熔鑄炸藥成型過程內部溫度場狀態確定最佳成型工藝參數,來提高裝藥密度和減小裝藥密度差,傳統靜態多目標優化算法難以兼顧整個成型過程。采用DNSGA-Ⅱ-A動態多目標優化算法(dynamic non-dominated sorting genetic algorithm-Ⅱ-A),在時間維度上分析整個成型中工藝參數變化對裝藥質量的影響[12],建立基于熔鑄炸藥成型過程內部溫度場狀態為表征的工藝參數動態多目標優化模型,其算法如圖3所示。

圖3 成型參數動態多目標優化流程框圖

狀態變化檢測:熔鑄裝藥成型凝固過程具有時變特性,主要體現在炸藥內部溫度場狀態變動方面,將成型過程中炸藥內部溫度場狀態變化作為裝藥質量性能的表征因素,熔鑄裝藥數字孿生平臺中的數據實時感知模塊對炸藥內部溫度場狀態變化進行檢測,判斷狀態變化是否達到設定閾值,達到閾值則啟動應答。選用光纖光柵傳感器對熔鑄炸藥成型過程內部溫度進行多點全方位動態檢測,光纖光柵傳感器的布置采取立體縱橫布置,在中心對稱的情況下沿彈體縱向和橫向平均分布。

狀態變化應答:炸藥內部溫度場狀態變化觸發應答機制時,當前炸藥內部溫度場狀態下最優工藝參數解集的小部分個體隨機重新初始化,通過引入新狀態來實現種群的多樣性,將得到新的種群作為初始種群。

靜態多目標優化:在短時間內(如2～3 min)炸藥凝固狀態變化十分緩慢,屬于準靜態過程,因此在短時間內炸藥溫度場狀態是確定不變的,此時成型工藝參數的優化轉化為一個靜態多目標優化問題[13],采用NSGA-Ⅱ算法(fast elitist non-dominated sorting genetic algorithm)快速求解獲得在當前炸藥內部溫度場狀態下的Pareto最優解。

2.3 工藝參數智能決策分析

在參數動態尋優模塊中輸出的是在某個時間內特定的炸藥凝固狀態下得出的成型工藝參數Pareto最優解集,更注重于部分時間段內裝藥成型質量的效果最優,而不是整個裝藥成效過程全局最優,需要對局部工藝參數Pareto最優解集進行分析排序,從而輸出全局最優的工藝參數解[14]。采用TOPSIS理想解相似度順序偏好算法(technique for order preference by similarity to ideal solution),實現面向多目標優化的整個成型過程工藝參數智能決策[15]。基于TOPSIS算法的工藝參數決策分析流程如圖4所示。

圖4 基于TOPSIS算法的工藝參數決策分析流程圖

首先將原始數據矩陣正向化處理,熔鑄裝藥成型質量主要包含裝藥密度和密度差(裝藥的密度均勻性)2個重要指標,裝藥密度ρi要求越大越好,密度差λi要求越小越好。對于密度差λi正向化處理過程為[16]:

(8)

其次對數據標準化處理,假設有n個待評價的方案,裝藥密度ρi和密度差λi共2個評價指標,記標準化后的矩陣為Z,經過正向化處理和標準化處理的評分矩陣Z,矩陣中的數據全是極大型數據。

(9)

然后計算每個方案各自與最優解和最劣解的距離,與最優解的距離:

(10)

其中:

與最劣解的距離:

(11)

其中:

最后根據最優解和最劣解按式(12)計算得分Si,并對Si的值按大小排序,值越大,排名越靠前。當Si最大取最大值時,輸出全局最優的成型工藝參數

(12)

3 試驗結果分析

采用模擬戰斗部殼體裝填熔鑄炸藥,熔鑄炸藥選型采用在戰斗部裝藥中廣泛使用的DNAN基含鋁炸藥,主要配方組成如表2所示。模擬戰斗部殼體材料為合金鋼,殼體內徑及高度尺寸為φ240 mm×450 mm,殼體厚度為20 mm,殼體熱傳導系數為48 W/(m·K)。

表2 試驗用DNAN基含鋁熔鑄炸藥主要配方組成

對6種不同組成配方的DNAN基含鋁炸藥進行熔鑄裝藥成型試驗,每組配方分別對注液溫度、彈體預熱溫度、凝固護理溫度、水位上升速度、凝固壓力5個優化工藝參數進行統計后取平均值,優化前后的成型工藝參數對比如表3所示。從表3可以看出,優化后的工藝參數均對原有傳統的成型工藝參數進行了調整。

表3 成型工藝參數優化前后對比

圖5為試驗過程中的DNAN基含鋁熔鑄炸藥戰斗部裝藥軸向剖切圖。通過工業CT進行熔鑄裝藥缺陷種類、量級檢測,每種配方隨機選擇一組軸向剖切檢測圖片進行對比,工業CT檢測結果對比圖如表4所示。

從表4可以看出,工藝參數優化后的DNAN基含鋁熔鑄炸藥戰斗部裝藥經檢測,裂紋、疏松等裝藥疵病明顯減少,無直徑≥10 mm的縮孔或氣孔。

圖5 DNAN基含鋁熔鑄炸藥戰斗部裝藥剖切圖

表4 DNAN基含鋁熔鑄炸藥戰斗部裝藥CT檢測結果

試驗編號原有成型參數檢測結果圖優化工藝參數后檢測結果圖S4S5S6

基于GJB772A檢測DNAN基含鋁熔鑄炸藥戰斗部裝藥密度、密度差,分別對裝藥密度、裝藥密度差、成型時間進行統計,優化前后的裝藥密度、裝藥密度差、成型時間對比如表5所示。從表5可以看出,優化后的平均裝藥密度ρi比優化前提高0.037 g/cm3、優化后的平均裝藥密度差λi比優化前減小0.033 g/cm3,優化后的平均成型時間T均≤優化前的成型時間,工藝參數優化后的裝藥質量明顯得到提升。

表5 成型質量及時間統計分析結果

4 結論

本文提出一種基于數字孿生的熔鑄裝藥成型工藝參數在線智能優化方法,主要結論如下:

1) 通過基于CART分類回歸樹的GBRT算法擬合工藝參數與成型質量之間的非線性關系,構建的耦合預測模型準確度高,是實現多個成型工藝參數在線優化的關鍵基礎。

2) 采用基于數字孿生的DNSGA-Ⅱ-A成型工藝參數動態多目標優化策略,通過數字孿生數據實時感知技術,監測熔鑄炸藥成型過程內部溫度場狀態變化并及時有效地調整模型參數,工藝參數決策分析模塊能快速輸出全局最優成型工藝參數。

3) 試驗證明:該方法能有效解決DNAN基含鋁熔鑄炸藥裝藥成型過程多個工藝參數動態優化問題,相對傳統方法能較快獲得當前工藝條件下最優工藝參數,提升裝藥成型質量,具有一定的推廣應用前景。