基于GA-BP神經(jīng)網(wǎng)絡(luò)晶粒尺寸預(yù)測模型的輪端輪轂鍛造工藝優(yōu)化

孔德瑜，晏洋，張浩，鄧?yán)?，王新云，龔攀，張茂

基于GA-BP神經(jīng)網(wǎng)絡(luò)晶粒尺寸預(yù)測模型的輪端輪轂鍛造工藝優(yōu)化

孔德瑜1，晏洋2，張浩1，鄧?yán)?*，王新云1，龔攀1，張茂1

（1.華中科技大學(xué) 材料成形與模具技術(shù)全國重點實驗室，武漢 430074；2.湖北三環(huán)鍛造有限公司，湖北 襄陽 441700）

針對6082鋁合金輪端輪轂在熱處理過程中出現(xiàn)的粗晶問題，利用基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)晶粒尺寸預(yù)測模型模擬優(yōu)化鍛造工藝方案，避免產(chǎn)生粗晶。以遺傳算法替代梯度下降法優(yōu)化神經(jīng)網(wǎng)絡(luò)各節(jié)點的權(quán)值和閾值，建立高精度的GA-BP神經(jīng)網(wǎng)絡(luò)晶粒尺寸預(yù)測模型，再以輪端輪轂為對象，設(shè)計鍛造工藝方案并利用Deform進(jìn)行微觀組織仿真，研究壓下速率、坯料初始溫度對晶粒尺寸的影響，獲得最優(yōu)方案。優(yōu)化模型預(yù)測的晶粒尺寸平均值和最大值的平均絕對百分比誤差分別為2.55%、0.43%，與常規(guī)的BP神經(jīng)網(wǎng)絡(luò)相比，準(zhǔn)確性有了較大提高。對比不同鍛造方案的結(jié)果，得到輪轂較優(yōu)的初始坯料溫度為500 ℃，壓下速率為200 mm/s，經(jīng)試驗驗證，鍛件特征位置的晶粒尺寸預(yù)測值與實際值之間的誤差均在10%以下，表明該預(yù)測模型具有良好的工程應(yīng)用價值。遺傳算法的引入大大增強(qiáng)了BP神經(jīng)網(wǎng)絡(luò)的全局尋優(yōu)能力，提高了模型的準(zhǔn)確性。在Deform中復(fù)現(xiàn)的預(yù)測模型對鍛件的晶粒尺寸分布有較好的預(yù)測效果，并基于此成功模擬、優(yōu)化了輪端輪轂的鍛造方案。

輪端輪轂；晶粒尺寸預(yù)測；遺傳算法；神經(jīng)網(wǎng)絡(luò)；數(shù)值模擬

近年來，由于裝配和輕量化的要求，輪端輪轂逐漸發(fā)展為輪端輪轂單元，其由帶法蘭盤的內(nèi)圈和外圈組合而成，帶法蘭盤的外圈連接在懸架上，內(nèi)圈連接到剎車盤和鋼圈上，主要承擔(dān)2大功能：一是承載車身的重量，二是為輪轂提供精準(zhǔn)導(dǎo)向。其在服役過程中同時承受軸向載荷和徑向載荷，要求制件須具有優(yōu)良的機(jī)械性能，故目前越來越多的輪端輪轂選擇采用鍛造成形以滿足高性能要求[1-3]。隨著節(jié)能減排要求的提高[4]，輕量化成為汽車行業(yè)緊迫的發(fā)展需求，6XXX系鋁合金以其輕質(zhì)、高比強(qiáng)度、高剛度、耐蝕的優(yōu)勢成為理想選材之一[5-8]。

但該類型鍛件形狀較為復(fù)雜，在鍛造過程中不同部位金屬的變形程度不均勻，如果鍛造過程及后續(xù)的熱處理控制不當(dāng)，就會使鍛件在熱處理中出現(xiàn)異常晶粒長大現(xiàn)象，產(chǎn)生粗晶，導(dǎo)致制件的強(qiáng)度、延伸率、疲勞性能下降[9-12]。針對異常晶粒長大現(xiàn)象，學(xué)者們從不同的角度開展了研究，Birol[13]分析了6082鋁合金擠壓棒材的成形溫度和Cr的濃度對鍛件表面粗晶區(qū)晶粒尺寸的影響，發(fā)現(xiàn)較高的擠壓溫度可降低應(yīng)變能，能有效延緩鍛件表面在熱處理時的靜態(tài)再結(jié)晶及晶粒生長，Cr則能形成釘扎晶界的第二相，抑制晶界遷移。陳微等[14]研究了變形溫度、應(yīng)變量以及應(yīng)變速率對固溶時6061鋁合金鍛件粗晶形成的影響，認(rèn)為預(yù)鍛時采用較高的變形溫度和較小的變形量，終鍛時采用較低的變形溫度和較大的變形量能有效地控制粗晶尺寸。Vysotskiy等[15]研究了6061鋁合金熱成形過程中的異常晶粒長大現(xiàn)象，認(rèn)為合適的預(yù)拉伸工藝可以激活更多的再結(jié)晶，從而有效抑制異常晶粒長大行為。張繼祥等[16]采用Monte Carlo Potts改進(jìn)模型，模擬研究了高純鋁在各向異性晶界能和晶界遷移率條件下的晶粒長大行為，分析了組織、動力學(xué)和晶粒尺寸分布特征，結(jié)果表明：異常晶粒長大只出現(xiàn)在中等強(qiáng)度的織構(gòu)組織中，而不會在太強(qiáng)或太弱的織構(gòu)組織中出現(xiàn)。

鋁合金鍛造過程中的晶粒尺寸演化受到多種因素的影響，僅通過實驗方法難以定量描述工藝參數(shù)對晶粒尺寸演化的影響規(guī)律。因此，探明工藝參數(shù)與晶粒尺寸之間的關(guān)系，建立鋁合金鍛件晶粒尺寸及粗晶的預(yù)測模型，對鍛件的精密成形和組織調(diào)控具有重要意義。傳統(tǒng)晶粒尺寸預(yù)測模型大多是唯象模型，根據(jù)試驗觀察到的物理現(xiàn)象總結(jié)獲得，比如Gourdet等[17]構(gòu)建的晶粒尺寸指數(shù)模型，描述了鋁合金動態(tài)再結(jié)晶后的平均晶粒度隨應(yīng)變、應(yīng)變速率及溫度的變化規(guī)律。但唯象模型由于本身的限制，當(dāng)輸入變量的種類變多時，模型的構(gòu)建會愈發(fā)困難，需要耗費大量的時間、精力，且唯象模型僅能處理特定類型的數(shù)據(jù)，難以構(gòu)建高維、非線性或復(fù)雜數(shù)據(jù)集之間的聯(lián)系。利用BP神經(jīng)網(wǎng)絡(luò)可以同時分析多種影響因素的共同作用，與其他算法相比，BP神經(jīng)網(wǎng)絡(luò)易于處理高維、非線性或復(fù)雜的數(shù)據(jù)集，具有非線性映射能力強(qiáng)、精度高、可重復(fù)性好、成本低、預(yù)測能力強(qiáng)等優(yōu)勢，可以方便快捷地建立鍛件工藝參數(shù)與晶粒尺寸之間的非線性關(guān)系，因此在晶粒尺寸預(yù)測領(lǐng)域得到了廣泛應(yīng)用。唐士杰[18]利用神經(jīng)網(wǎng)絡(luò)模型建立了鋁合金平均晶粒尺寸的預(yù)測模型，分析了鑄造速度、澆注溫度、電壓、磁場頻率及電磁強(qiáng)度等工藝參數(shù)對鑄造鋁合金平均晶粒尺寸的影響規(guī)律，并利用得到的預(yù)測模型改進(jìn)了3001鋁合金低頻電磁鑄造的工藝方案。劉彬等[19]基于正交實驗獲得的優(yōu)選實驗數(shù)據(jù)，建立了Mg-Al-Ca系合金的人工神經(jīng)網(wǎng)絡(luò)晶粒尺寸預(yù)測模型，模型具有較高的平均相關(guān)系數(shù)和較低的誤差。李海娜[20]引入粒子群PSO算法優(yōu)化了基于BP神經(jīng)網(wǎng)絡(luò)的鋁帶坯晶粒度軟測量模型，提高了原有晶粒尺寸預(yù)測模型的實時性、穩(wěn)定性和泛化能力，對鋁帶坯晶粒度的在線實時測量研究具有重要意義。

本工作針對6082鋁合金輪端輪轂鍛件在后續(xù)熱處理過程中發(fā)生的粗晶現(xiàn)象，建立基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)晶粒尺寸預(yù)測模型，結(jié)合有限元模擬，研究輪端輪轂不同鍛造方案的晶粒尺寸分布，分析晶粒尺寸演化規(guī)律，并依據(jù)最優(yōu)的模擬方案進(jìn)行試驗驗證。

1 晶粒尺寸預(yù)測模型的建立

BP神經(jīng)網(wǎng)絡(luò)通過沿著網(wǎng)絡(luò)誤差變化的負(fù)梯度方向調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值和閾值，最終使網(wǎng)絡(luò)誤差達(dá)到極小值或最小值。然而由于梯度下降算法本身的局限性，傳統(tǒng)BP學(xué)習(xí)算法通常存在收斂速度慢、容易陷入局部極小值等缺點[21-22]。而遺傳算法則是一類模擬生物界適者生存、優(yōu)勝劣汰的進(jìn)化機(jī)制演化而來的啟發(fā)式隨機(jī)搜索算法，其利用概率化的尋優(yōu)，通過一連串選擇、交叉、變異的遺傳迭代，無需誤差函數(shù)的梯度信息就可以高效可靠地搜尋到全局中的最優(yōu)解，是一種優(yōu)化、搜索和機(jī)器學(xué)習(xí)的有力工具。將遺傳算法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合（以下稱為GA-BP神經(jīng)網(wǎng)絡(luò)），以遺傳算法取代傳統(tǒng)的梯度下降法來調(diào)整神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，迭代得到神經(jīng)網(wǎng)絡(luò)隱含層各個節(jié)點最優(yōu)的權(quán)值、閾值，優(yōu)化神經(jīng)網(wǎng)絡(luò)的運(yùn)算，能夠克服BP算法在訓(xùn)練權(quán)值時易陷入局部最優(yōu)的缺點[23-25]。

由于本文數(shù)據(jù)有限，神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)與輸出參數(shù)較多，利用單級神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測波動性較大，所以本文利用幾何必需位錯密度、晶粒參考取向偏差作為過渡構(gòu)建了雙級神經(jīng)網(wǎng)絡(luò)[26]，即以變形溫度、應(yīng)變速率、變形量作為第一級神經(jīng)網(wǎng)絡(luò)的輸入，以幾何必需位錯密度、晶粒參考取向偏差大于5°區(qū)域的占比[27]作為輸出，再以這2個反映試樣變形狀態(tài)的微觀組織特征參數(shù)及固溶溫度、固溶時間作為第二級神經(jīng)網(wǎng)絡(luò)的輸入，以晶粒尺寸平均值和最大值作為輸出，將文獻(xiàn)[27]的20組熱壓縮正交試驗數(shù)據(jù)集中80%的數(shù)據(jù)作為訓(xùn)練集輸入GA-BP和BP神經(jīng)網(wǎng)絡(luò)模型分別進(jìn)行訓(xùn)練，并對余下的數(shù)據(jù)進(jìn)行預(yù)測，2種模型的晶粒尺寸平均值的平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）如圖1所示。由圖1可知，在相同的拓?fù)浣Y(jié)構(gòu)下，GA-BP模型的MAPE值遠(yuǎn)低于BP模型。為兼顧預(yù)測精度和計算耗時，選定隱含層數(shù)為3，此時BP模型、GA-BP模型的MAPE值分別為12.64%、2.55%，可見，遺傳算法的引入大大提高了BP模型的全局尋優(yōu)能力，增強(qiáng)了模型的準(zhǔn)確性。

GA-BP模型關(guān)于晶粒尺寸平均值和最大值的預(yù)測結(jié)果與實際結(jié)果的對比如圖2所示，可以看出，預(yù)測值與實際值之間相差較小，表明GA-BP晶粒尺寸預(yù)測模型能夠準(zhǔn)確預(yù)測6082鋁合金變形-熱處理后的晶粒尺寸。

圖2 GA-BP模型晶粒尺寸預(yù)測值與實際值對比

模型在建立后，被集成入Deform模擬軟件，用于晶粒尺寸的預(yù)測，其工作流程如圖3所示。要實現(xiàn)Deform中神經(jīng)網(wǎng)絡(luò)的構(gòu)建，主、子程序之間參數(shù)的傳遞與計算，以及在后處理中對晶粒尺寸平均值、晶粒尺寸最大值、粗晶評價因子等數(shù)值的查看，還需要事先在子程序中定義相應(yīng)的變量。其中，粗晶評價因子等于單元晶粒尺寸最大值與晶粒尺寸平均值的比值，本研究將該數(shù)值大于2視作相應(yīng)區(qū)域發(fā)生了異常晶粒長大。在相應(yīng)變量設(shè)置完成后，將GA-BP模型3個隱含層的權(quán)重、閾值導(dǎo)出，依據(jù)GA-BP模型結(jié)構(gòu)重新編譯子程序即可完成晶粒尺寸預(yù)測模型的集成[28]。

圖3 GA-BP神經(jīng)網(wǎng)絡(luò)模型工作流程

2 輪端輪轂鍛造工藝方案設(shè)計

圖4為本文研究的輪端輪轂鍛件，為旋轉(zhuǎn)對稱結(jié)構(gòu)，其具有以下特征：

1）法蘭盤大而薄，直徑為383.3 mm，厚度為25.9 mm，成形難度大。

2）鍛件整體高度為251.6 mm，截面變化大，桿部外側(cè)存在規(guī)則排列的突起，一次成形難度大。

根據(jù)鍛件的結(jié)構(gòu)特征，設(shè)計了輪端輪轂“預(yù)鍛-終鍛”兩道次成形工藝，終鍛采用小飛邊精鍛工藝，飛邊槽只設(shè)橋部，不設(shè)倉部，雖然增加了鍛件的成形力，但金屬流入飛邊槽阻力增大，金屬能更好地充型，飛邊體積小，大大節(jié)省了材料的成本。

預(yù)鍛件形狀的設(shè)計應(yīng)保證終鍛成形時金屬能順利充填型腔，輪端輪轂成形的難點在于其較深的內(nèi)腔及大直徑的法蘭盤[29]，因此在預(yù)鍛成形時，應(yīng)預(yù)先成形部分形狀且預(yù)鍛件尺寸應(yīng)使終鍛成形時的多余金屬能合理流動，以較小的成形力充滿模具型腔，避免金屬回流、折疊等缺陷的發(fā)生，還應(yīng)保證預(yù)鍛件的高度尺寸大于終鍛件2～5 mm，確保終鍛成形時金屬流動以鐓粗為主。設(shè)計出的預(yù)鍛件如圖5所示。

圖4 輪端輪轂鍛件的三維模型

圖5 輪端輪轂預(yù)鍛件的三維模型

采用Deform軟件對輪端輪轂的預(yù)鍛和終鍛進(jìn)行有限元模擬，上下模初始溫度設(shè)置為200 ℃，摩擦系數(shù)設(shè)置為0.4，熱傳導(dǎo)率設(shè)置為11 N/s/mm/℃，鍛件后續(xù)熱處理為標(biāo)準(zhǔn)的T6熱處理，即固溶處理（530 ℃，2.5 h）和時效處理（170 ℃，10 h）。本文研究的工藝參數(shù)為預(yù)鍛階段的初始坯料溫度和壓下速率，不同方案的參數(shù)設(shè)置見表1。

表1 不同方案的初始坯料溫度和壓下速率

Tab.1 Initial billet temperature and compression rate settings for different schemes

3 結(jié)果與討論

3.1 輪端輪轂鍛件的物理場分布

以方案3模擬結(jié)果為例，對鍛件溫度場、應(yīng)變場、應(yīng)變速率場等的分布特征進(jìn)行說明，其預(yù)鍛件、終鍛件的應(yīng)變分布分別如圖6a～b所示，終鍛時鍛件內(nèi)腔的大部分應(yīng)變在1.5～1.9，內(nèi)腔下部與輪轂的法蘭盤邊緣處等效應(yīng)變在3左右。在應(yīng)變速率方面，由圖6c～d可知，成形過程中大部分區(qū)域應(yīng)變速率在10 s?1以下，而法蘭盤外緣處應(yīng)變速率較高，達(dá)到了50 s?1，綜合應(yīng)變分布和應(yīng)變速率分布可以看出，法蘭盤的金屬變形劇烈，相應(yīng)地，在圖6e～f中，溫度較高的位置主要分布在鍛件的上半部分及法蘭盤的外緣，溫度在510 ℃以上，鍛件內(nèi)腔與鍛模接觸部分由于熱傳遞的作用，溫度較鍛件主體部分低。終鍛時由于法蘭盤外緣處金屬劇烈變形，溫度會進(jìn)一步升高至530 ℃以上，鍛件內(nèi)腔中部溫度則進(jìn)一步降低至490 ℃以下。整體來看，鍛件模擬過程中未出現(xiàn)折疊、充不滿等缺陷，兩步成形工藝取得了較好的成形效果。

3.2 工藝參數(shù)對晶粒尺寸的影響

基于對Deform用戶子程序的二次開發(fā)，得到了輪轂鍛件熱處理后的晶粒尺寸預(yù)測結(jié)果，壓下速率不同的模擬結(jié)果如圖7所示，從圖7a、d可以看出，壓下速率為25 mm/s時，鍛件整體晶粒尺寸在130 μm左右，晶粒尺寸較小，但在上下內(nèi)腔隔斷處、法蘭盤以及外壁突起處出現(xiàn)了嚴(yán)重的異常晶粒長大。壓下速率為200 mm/s時，鍛件中為協(xié)調(diào)變形而增殖、運(yùn)動的位錯數(shù)量增多，不同應(yīng)變區(qū)域間位錯密度梯度較小，變形儲能差異就較小，熱處理時，這些位錯提供了足夠多的形核位點，加之有變形儲能作為驅(qū)動力[30]，熱處理過程中多數(shù)晶粒能夠長大，另外從圖7e中可以看出，晶粒尺寸最大值與平均值相近，比較均勻。壓下速率為700 mm/s時，位錯數(shù)量進(jìn)一步增多，同時不同應(yīng)變區(qū)域間位錯密度梯度增加，形變儲能差異增大，熱處理后，不僅平均晶粒尺寸較壓下速率為200 mm/s時有所增加，晶粒尺寸最大值與平均值之間的差異也有所提高。綜合上述分析和實際生產(chǎn)效率來看，鍛造壓下速率應(yīng)在200 mm/s左右。

不同初始坯料溫度的有限元模擬結(jié)果如圖8所示，從圖8a、d可以看出，坯料初始溫度為350 ℃時，鍛件上內(nèi)腔底部整體晶粒尺寸較大，在242.5 μm以上，鍛件腔體內(nèi)壁的粗晶評價因子在2以上，出現(xiàn)了異常晶粒長大現(xiàn)象。隨著坯料初始溫度的升高，鍛件整體的晶粒尺寸減小，粗晶評價因子逐漸降低，晶粒尺寸分布更為均勻，異常晶粒長大區(qū)域逐漸減小。這是由于鍛件在較高溫度下成形時，位錯合并與晶界遷移運(yùn)動加劇，晶粒的形變儲能得到釋放，抑制了后續(xù)熱處理過程中的再結(jié)晶及晶粒長大行為，有效地細(xì)化了晶粒。當(dāng)坯料初始溫度上升到450 ℃時，異常晶粒長大區(qū)域幾乎消失，鍛件整體晶粒尺寸在210.3 μm左右。與圖7b、e對比可以發(fā)現(xiàn)，坯料初始溫度升高到500 ℃時，鍛件整體晶粒尺寸更加細(xì)小、均勻。

綜上，輪端輪轂的最優(yōu)工藝參數(shù)為：壓下速率200 mm/s，初始坯料溫度500 ℃。

3.3 最優(yōu)方案實際驗證

為驗證最優(yōu)鍛造工藝方案的準(zhǔn)確性，開展了輪端輪轂的鍛造實驗，在鍛件縱剖面取樣并進(jìn)行EBSD表征，取樣位置如圖9所示，#1、#2、#3、#4位置分別位于輪轂法蘭盤外緣、鍛件主體部分、內(nèi)腔上壁邊緣部分與內(nèi)腔下壁邊緣部分。

圖6 方案3模擬結(jié)果

圖7 不同壓下速率下鍛件的晶粒尺寸分布及異常晶粒長大區(qū)域分布

圖8 不同初始坯料溫度下鍛件的晶粒尺寸分布及異常晶粒長大區(qū)域分布

圖9 鍛件縱剖面取樣位置

圖10為EBSD表征得到的不同取樣位置的微觀組織，圖11為利用OIM分析軟件得到的4個取樣位置的晶粒尺寸平均值與晶粒尺寸最大值的統(tǒng)計結(jié)果。可以看出，4個位置晶粒尺寸的平均值均在150 μm以下，最大值在270 μm以下，區(qū)域內(nèi)晶粒尺寸較小且較為均勻，未出現(xiàn)異常晶粒長大現(xiàn)象，說明該鍛造方案取得了較好的效果，驗證了高溫低速是輪端輪轂成形較優(yōu)的工藝區(qū)間。

取樣位置晶粒尺寸的預(yù)測值與實際值的對比如圖11所示，4個位置晶粒尺寸平均值的誤差分別為3.51%、9.83%、4.83%、6.57%；晶粒尺寸最大值的誤差分別為8.69%、3.65%、5.79%、5.51%，2種指標(biāo)預(yù)測值與實際值的誤差均在10%以下。表明晶粒尺寸預(yù)測模型針對鍛件的晶粒尺寸分布有較好的預(yù)測效果，可用于輪端輪轂鍛件及以鐓粗成形為主的6082鋁合金鍛件工藝方案的預(yù)測和優(yōu)化。

圖10 不同取樣位置的取向成像圖

圖11 取樣位置晶粒尺寸預(yù)測值及實際值對比

4 結(jié)論

本工作優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)晶粒尺寸預(yù)測模型，通過二次開發(fā)將其嵌入Deform并對輪端輪轂不同壓下速率和不同初始坯料溫度的鍛造方案進(jìn)行了模擬優(yōu)化，最終依據(jù)優(yōu)化方案進(jìn)行實際鍛造，對比模擬結(jié)果和實際鍛造結(jié)果，得出以下結(jié)論：

1）利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型在相同拓?fù)浣Y(jié)構(gòu)下與原BP神經(jīng)網(wǎng)絡(luò)模型相比，預(yù)測準(zhǔn)確度得到了大幅提高。

2）根據(jù)輪端輪轂鍛件的形狀特點設(shè)計了“預(yù)鍛-終鍛”的兩步成形工藝，在預(yù)鍛時先成形部分內(nèi)腔及外法蘭盤，再由終鍛完成最終成形。有限元模擬結(jié)果表明，設(shè)計的兩步成形工藝取得了較好的效果。

3）利用晶粒尺寸預(yù)測模型模擬了鍛件鍛造和熱處理后的晶粒尺寸分布，模型有較好的預(yù)測效果。針對鍛件的粗晶問題，開展了不同壓下速率及不同初始坯料溫度的鍛造模擬實驗。對比模擬結(jié)果并進(jìn)行實際驗證后得到輪端輪轂較優(yōu)的初始溫度為500 ℃左右，較優(yōu)的壓下速率為200 mm/s左右，相應(yīng)的鍛件晶粒尺寸細(xì)小均勻，成形效果較好。

[1] 徐圓義. 基于服役性能及鍛造工藝的6061鋁合金輪轂結(jié)構(gòu)優(yōu)化[D]. 合肥: 合肥工業(yè)大學(xué), 2019.

XU Y Y. Optimization of 6061 Aluminum Alloy Wheel Hub Structure Based on Service Performance and Forging Process[D]. Hefei: Hefei University of Technology, 2019.

[2] 郭巍. 轎車輪轂軸承單元精鍛工藝設(shè)計及數(shù)值模擬[D]. 武漢: 武漢理工大學(xué), 2008.

GUO W. The Process Engineering and Numerical Simulation on Precision of Hub Unit Bearing[D]. Wuhan: Wuhan University of Technology, 2008.

[3] 馮儀, 余俊, 夏自力, 等. 汽車輪轂精鍛成形工藝與自動化精鍛生產(chǎn)線的研發(fā)及應(yīng)用[J]. 鍛壓技術(shù), 2021, 46(11): 11-17.

FENG Y, YU J, XIA Z L, et al. Development and Application of Automobile Wheel Hub Precision Forging Process and Automated Precision Forging Production Line[J]. Forging & Stamping Technology, 2021, 46(11): 11-17.

[4] DAS S, GRAZIANO D, UPADHYAYULA V K K, et al. Vehicle Lightweighting Energy Use Impacts in U.S. Light-Duty Vehicle Fleet[J]. Sustainable Materials and Technologies, 2016, 8: 5-13.

[5] 洪騰蛟, 董福龍, 丁鳳娟, 等. 鋁合金在汽車輕量化領(lǐng)域的應(yīng)用研究[J]. 熱加工工藝, 2020, 49(4): 1-6.

HONG T J, DONG F L, DING F J, et al. Application of Aluminum Alloy in Automotive Lightweight[J]. Hot Working Technology, 2020, 49(4): 1-6.

[6] SHANG B C, YIN Z M, WANG G, et al. Investigation of Quench Sensitivity and Transformation Kinetics during Isothermal Treatment in 6082 Aluminum Alloy[J]. Materials & Design, 2011, 32(7): 3818-3822.

[7] LIU Y, LIU H B, CHEN Z H. Post-Fire Mechanical Properties of Aluminum Alloy 6082-T6[J]. Construction and Building Materials, 2019, 196: 256-266.

[8] ZHOU B, YANG L, YANG S B, et al. Stress Corrosion Behavior of 6082 Aluminum Alloy[J]. Materials and Corrosion, 2020, 71(7): 1194-1205.

[9] WANG Z X, CHEN L, TANG J W, et al. Strategy for Suppressing Abnormal Grain Growth of ZK60 Mg Alloy during Solution by Pre-Compression: A Quasi-in-Situ Study[J]. Journal of Materials Science & Technology, 2024, 171: 115-128.

[10] TANG J W, CHEN L, ZHAO G Q, et al. Formation Mechanism and Evolution of Surface Coarse Grains on a ZK60 Mg Profile Extruded by a Porthole Die[J]. Journal of Materials Science & Technology, 2020, 47: 88-102.

[11] UTTARASAK K, CHONGCHITNAN W, MATSUDA K, et al. Evolution of Fe-Containing Intermetallic Phases and Abnormal Grain Growth in 6063 Aluminum Alloy during Homogenization[J]. Results in Physics, 2019, 15: 102535.

[12] ZOU X, LIU C L, DENG M Y, et al. Inhibition of Abnormal Grain Growth in Stir Zone via In-Situ Intermetallic Particle Formation during Friction Stir Welding of AA6061[J]. Acta Metallurgica Sinica (English Letters), 2023, 36(4): 597-610.

[13] BIROL Y. Effect of Extrusion Press Exit Temperature and Chromium on Grain Structure of EN AW 6082 Alloy Forgings[J]. Materials Science and Technology, 2015, 31(2): 207-211.

[14] 陳微, 谷艷飛, 官英平. 鍛造高鈦6061鋁合金粗晶控制方法的研究[J]. 熱加工工藝, 2018, 47(21): 61-65.

CHEN W, GU Y F, GUAN Y P. Study on Coarse Grain Control Method of Forged High Titanium 6061 Aluminum Alloy[J]. Hot Working Technology, 2018, 47(21): 61-65.

[15] VYSOTSKIY I V, MALOPHEYEV S S, MIRONOV S Y, et al. Optimization of Friction-Stir Welding of 6061-T6 Aluminum Alloy[J]. Physical Mesomechanics, 2020, 23(5): 402-429.

[16] 張繼祥, 關(guān)小軍. 異常晶粒長大的Monte Carlo模擬[J]. 中國有色金屬學(xué)報, 2006, 16(10): 1689-1697.

ZHANG J X, GUAN X J. Simulation of Abnormal Grain Growth by Monte Carlo[J]. The Chinese Journal of Nonferrous Metals, 2006, 16(10): 1689-1697.

[17] GOURDET S, MONTHEILLET F. A Model of Continuous Dynamic Recrystallization[J]. Acta Materialia, 2003, 51(9): 2685-2699.

[18] 唐士杰. 鋁合金微觀組織的神經(jīng)網(wǎng)絡(luò)預(yù)測研究[D]. 沈陽: 東北大學(xué), 2020.

TANG S J. Study on Prediction of Microstructures of Aluminum Alloys Using Neural Network Method[D]. Shenyang: Northeastern University, 2020.

[19] 劉彬, 湯愛濤, 潘復(fù)生, 等. 基于參數(shù)優(yōu)選的人工神經(jīng)網(wǎng)絡(luò)的Mg-Al-Ca系鑄態(tài)合金晶粒尺寸預(yù)測模型[J]. 材料導(dǎo)報, 2011, 25(18): 117-120.

LIU B, TANG A T, PAN F S, et al. A Model for Predicting Grain Sizes of As-Cast Mg-Al-Ca Alloys Based on an Artificial Neural Network with Parameter Optimization[J]. Materials Review, 2011, 25(18): 117-120.

[20] 李海娜. 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的鋁帶坯晶粒度軟測量建模及優(yōu)化[D]. 長沙: 中南大學(xué), 2009.

LI H N. Soft Sensor Modeling and Optimization of Aluminum Strip Grain Size Based on PSO-BP[D]. Changsha: Central South University, 2009.

[21] YU H H, YIN A M, XU Z, et al. Grain Size Characterization of TA1 with GA-BP Neural Network Using Laser Ultrasonics[J]. Optik, 2023, 275: 170600.

[22] YU F, XU X Z. A Short-Term Load Forecasting Model of Natural Gas Based on Optimized Genetic Algorithm and Improved BP Neural Network[J]. Applied Energy, 2014, 134: 102-113.

[23] DING S F, SU C Y, YU J Z. An Optimizing BP Neural Network Algorithm Based on Genetic Algorithm[J]. Artificial Intelligence Review, 2011, 36(2): 153-162.

[24] HE F, ZHANG L Y. Mold Breakout Prediction in Slab Continuous Casting Based on Combined Method of GA-BP Neural Network and Logic Rules[J]. The International Journal of Advanced Manufacturing Technology, 2018, 95(9): 4081-4089.

[25] 蘇崇宇, 汪毓鐸. 基于改進(jìn)的自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[J]. 工業(yè)控制計算機(jī), 2019, 32(1): 67-69.

SU C Y, WANG Y D. BP Neural Network Optimized by Improved Adaptive Genetic Algorithm Computer Engineering and Applications[J]. Industrial Control Computer, 2019, 32(1): 67-69.

[26] 何迎. 雙級卷積神經(jīng)網(wǎng)絡(luò)高光譜圖像分類[D]. 蘭州: 蘭州大學(xué), 2020.

HE Y. Dual-Level Convolutional Neural Network for HSI Classification[D]. Lanzhou: Lanzhou University, 2020.

[27] 張浩, 王國文, 曾凡宜, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的6082鋁合金固溶時效處理后的晶粒尺寸預(yù)測[J]. 鍛壓技術(shù), 2023, 48(3): 227-235.

ZHANG H, WANG G W, ZENG F Y, et al. Grain Size Prediction of 6082 Aluminum Alloy after Solution and Aging Treatment Based on BP Neural Network[J]. Forging & Stamping Technology, 2023, 48(3): 227-235.

[28] 武歡, 陳康, 代先東, 等. 基于Deform二次開發(fā)的連桿折疊缺陷預(yù)測及優(yōu)化[J]. 鍛壓技術(shù), 2022, 47(2): 12-18.

WU H, CHEN K, DAI X D, et al. Prediction and Optimization on Folding Defect for Connecting Rod Based on Secondary Development of Deform[J]. Forging & Stamping Technology, 2022, 47(2): 12-18.

[29] 王宏斌. 輪轂軸承內(nèi)圈自動化鍛造生產(chǎn)線設(shè)計及時序規(guī)劃[D]. 武漢: 華中科技大學(xué), 2020.

WANG H B. Design and Timing Planning of Automatic Forging Production Line for Inner Ring of Hub Bearing[D]. Wuhan: Huazhong University of Science and Technology, 2020.

[30] WANG X, HUANG Z W, CAI B, et al. Formation Mechanism of Abnormally Large Grains in a Polycrystalline Nickel-Based Superalloy during Heat Treatment Processing[J]. Acta Materialia, 2019, 168: 287-298.

Optimization of Wheel End Hub Forging Process Based on GA-BP Neural Network Grain Size Prediction Model

KONG Deyu1, YAN Yang2, ZHANG Hao1, DENG Lei1*, WANG Xinyun1, GONG Pan1, ZHANG Mao1

(1. State Key Laboratory of Material Processing and Die and Mould Technology, Huazhong University of Science and Technology, Wuhan 430074, China; 2. Hubei Triring Forging Co., Ltd., Hubei Xiangyang 441700, China)

Aiming at the coarse grains of the 6082 aluminum alloy wheel end hub occurring during heat treatment, the work aims to simulate and optimize the forging process with the BP neural network grain size prediction model based on genetic algorithm optimization so as to avoid coarse grains. The weights and thresholds of each node in the neural network were optimized by using the genetic algorithm instead of the gradient descent method. A GA-BP neural network grain size prediction model with high precision was established. Subsequently, taking the wheel end hub as the object, different forging process schemes were designed and microstructure simulation was conducted using Deform to investigate the impact of compression rate and initial billet temperature on grain size, and obtain the optimal scheme. The mean absolute percentage error of the average and maximum grain size predicted by the optimized model were 2.55% and 0.43%, respectively, which was a significant improvement in accuracy compared with the conventional BP neural network. The optimal initial billet temperature of the wheel end hub was determined to be 500 ℃, with a compression rate of 200 mm/s, based on comparative analysis of different forging schemes. The experimental results demonstrated that the error between the predicted and the actual grain size of the characteristic position was less than 10%, which indicated that the prediction model had good engineering application value. The introduction of genetic algorithm greatly enhances the global optimization ability of the BP neural network and improves the accuracy of the model. The prediction model reproduced in Deform has a good prediction effect on the grain size distribution of forgings, and based on this, the forging scheme of wheel end hub is successfully simulated and optimized.

wheel end hub; grain size prediction; genetic algorithm; neural network; numerical simulation

10.3969/j.issn.1674-6457.2024.03.004

TG316.3

A

1674-6457(2024)03-0044-08

2024-01-15

2024-01-15

國家重點研發(fā)計劃（2022YFB3706903）；國家自然科學(xué)基金（52090043）

National Key R&D Program of China (2022YFB3706903); The National Natural Science Foundation of China (52090043)

孔德瑜, 晏洋, 張浩, 等. 基于GA-BP神經(jīng)網(wǎng)絡(luò)晶粒尺寸預(yù)測模型的輪端輪轂鍛造工藝優(yōu)化[J]. 精密成形工程, 2024, 16(3): 44-51.

KONG Deyu, YAN Yang, ZHANG Hao, et al. Optimization of Wheel End Hub Forging Process Based on GA-BP Neural Network Grain Size Prediction Model[J]. Journal of Netshape Forming Engineering, 2024, 16(3): 44-51.

（Corresponding author）