薄壁复杂截面环件多辊柔性成形的数据驱动建模与自适应工艺设计

《JOURNAL OF MATERIALS PROCESSING TECHNOLOGY》：Data-driven modeling and adaptive process design for multi-roller flexible forming of thin-walled complex-section rings

　　

• •
  开发了用于薄壁复杂截面环的多辊柔性成形工艺。
• •
  建立了用于成形质量预测的有限元-深度神经网络代理框架。
• •
  通过参数化模拟揭示了非线性的材料-结构-工艺-质量关系。
• •
  实现了针对不同规格环件的自适应工艺设计。

引言

高温合金薄壁复杂截面环凭借其优异的弹性、振动跟随能力和高温下的密封可靠性，被广泛应用于航空航天和核能行业的密封关键部件[1]。为满足不同直径增大、壁厚减薄、截面几何形状更复杂以及采用不同镍基高温合金材料的轻量化和高性能需求，如图1所示，这些环件正在向更大直径、更薄壁厚、更复杂截面几何形状和多种镍基高温合金材料方向发展。然而，难变形材料[2]、[3]、极高径厚比[4]以及复杂截面构型的组合给制造带来了严峻挑战。这些因素导致材料流动、结构变形和工艺约束之间产生复杂的相互作用，进而导致变形不均匀[6]、过度减薄[7]、回弹[8]和几何失稳[9]。当实际生产中需要制造不同规格的环件时，这些挑战变得更加突出。因此，针对不同规格薄壁复杂截面环实现精确且自适应的工艺设计，仍然是一个重要的科学和工程挑战。

目前，薄壁复杂截面环的制造主要依赖于液压成形[10]和轧制[11]。尽管这些工艺已在工业生产中应用，但它们成形灵活性有限，在制造不同材料或不同结构的环件时，需要反复调整模具和工艺参数[12]、[13]。此外，这些环件的大径厚比和低结构刚度使其在成形过程中极易发生旋转失稳和变形不均匀。为克服这些局限性，本研究提出了一种多辊柔性成形工艺。通过采用多个独立控制的成形辊，可以灵活调节变形路径，从而实现对不同规格环件的自适应成形。然而，工艺灵活性的提升也引入了材料性能、结构尺寸、工艺参数和成形质量之间复杂的相互作用。因此，核心问题在于理解和定量描述材料-结构-工艺变量与成形质量之间的非线性关系，这对实现多辊柔性成形的自适应工艺设计至关重要。

近年来，数据驱动方法因其实时预测成形质量和高效工艺优化的能力，在金属成形领域受到越来越多的关注[14]。通过将有限元模拟与机器学习相结合，代理模型在保持满意预测精度的同时，显著降低了传统试错法工艺设计所带来的计算成本[15]。代表性方法包括：电辅助增量成形中温度预测的神经网络模型[16]、用于残余应力预测的物理信息卷积神经网络[17]、用于揭示深冲中工艺参数与壁厚分布关系的深度神经网络模型[18]，以及用于自由曲面钣金冲压工具路径规划的深度学习模型[19]。这些研究展示了数据驱动方法在提高金属成形工艺设计效率和智能化水平方面的巨大潜力[20]、[21]。

然而，现有的数据驱动研究主要针对几何形状相对简单或变量相互作用有限的零件[22]。它们在应用于具有多个相互作用的柔性成形工艺方面仍存在局限性。对于本文提出的多辊柔性成形工艺，需要解决以下几个科学挑战。首先，变形行为同时受材料性能、结构特性和工艺条件的共同控制，难以识别主导变量并建立其内在的支配关系。其次，构建精确的材料-结构-工艺-成形质量映射需要涵盖广泛设计空间的高保真数据集[18]。然而，获取这样的数据集具有挑战性，因为实验成本高昂，而传统有限元建模需要对不同参数组合反复手动定义几何形状、模具配置、接触条件、加载方案和计算流程[23]，导致大规模数据集生成效率低下。因此，开发一种通用的数据驱动材料-结构-工艺-质量映射策略并将其与自适应工艺优化相结合，是关键的科学挑战。

为解决上述挑战，本研究提出了一种用于薄壁复杂截面环的多辊柔性成形数据驱动自适应工艺设计框架。主要贡献总结如下：(1) 建立了参数化有限元模拟策略，自动生成涵盖不同材料、结构和工艺组合的大规模数据集。(2) 开发了深度神经网络模型以捕捉非线性的材料-结构-工艺-质量关系，实现对壁厚减薄率、截面高度偏差和圆度的快速预测。(3) 通过将深度神经网络与多目标优化相结合，实现了针对不同规格环件的自适应工艺设计框架。通过具有代表性的高温合金W形截面环成形实验验证了该框架的有效性和泛化能力。

章节摘要

所提出的多辊柔性成形工艺原理

传统复杂截面环的成形工艺如图1a所示。成形工具主要由芯轴和送进辊组成，两者的外表面均设有轮廓槽。成形过程中，芯轴主动旋转驱动环件，送进辊径向内移逐步成形W形截面。由于环件的径厚比很大，其结构刚度极低。为保持旋转

材料、结构和工艺变量的参数化表征

多辊柔性成形的原始输入通常是高维的：材料应力-应变关系、W形截面轮廓、模具尺寸、加载方案等。直接将这样的高维数据输入神经网络不可避免地导致维度灾难。相比之下，参数化表征将复杂的材料、几何和工艺路径变量分别编码，并将其压缩为一组具有明确工程含义的低维参数集。

用于材料-结构-工艺-质量数据集生成的有限元自动模拟框架

高保真和大规模模拟数据集是神经网络训练的必要前提。为此，本节提出了一种参数化有限元自动模拟策略，以实现多辊柔性成形工艺的批量模拟，如图8所示。基于第3节的内容，多辊柔性成形的材料-结构-工艺方面可通过十七个关键特征变量进行定量表征。然后将这些变量集成到Abaqus/Python平台的关键建模阶段中，包括

深度神经网络代理模型的开发

为准确映射多辊柔性成形中非线性的材料-结构-工艺-质量相关性，设计了如图14所示的深度神经网络架构。输入层包含十七个关键的材料-结构-工艺变量，输出层预测成形质量，如壁厚减薄率、截面高度偏差和圆度。

深度神经网络模型使用有限元生成的数据集进行训练，其中通过拉丁超立方抽样结合高保真有限元分析，系统地构建了1000个材料-结构-工艺-质量样本

结论与展望

建立了高温合金薄壁复杂截面环多辊柔性成形的数据驱动建模和自适应工艺设计方法，并以W形截面环作为典型应用案例。主要结论总结如下：

• (1)
  开发了一种用于不同直径和截面几何形状薄壁W形截面环柔性成形的多辊柔性成形技术。通过采用带槽成形辊和可重构导辊

作者贡献声明

邵光大：撰写-审阅与编辑、撰写-初稿、验证、软件、方法学、调查、经费获取、形式分析、概念化。李宏伟：撰写-审阅与编辑、撰写-初稿、监督、资源、项目管理、方法学、经费获取、概念化。李宝民：验证、软件。张鑫：验证、调查。高鹏飞：撰写-审阅与编辑、方法学、调查。詹梅：

利益冲突声明

作者声明不存在可能影响本文研究工作的已知竞争性经济利益或个人关系。

致谢

本工作得到了国家杰出青年科学基金(编号：52225505)、国家自然科学基金委员会(编号：52505408)、项目(JSYJ-2024-0126)以及华中科技大学材料成型及模具技术国家重点实验室开放研究基金(P2025-004)的支持。

邵光大|李宏伟|李宝民|张鑫|高鹏飞|詹梅