带下陷的直凸弯边零件回弹补偿及试验验证

为提高飞机钣金零件的成形质量,对带下陷的直凸弯边零件在橡皮囊成形过程中的回弹问题进行研究。对新淬火状态下的2024-W铝合金材料进行单向拉伸试验,获得材料的力学性能参数,为回弹补偿和有限元模拟提供条件;采用CATIA二次开发系统,对带下陷的直凸弯边钣金件的圆角部分和弯边部分两个位置进行回弹补偿,生成准确的回弹补偿模具;采用Pam-stamp 2G有限元模拟软件,对新设计的补偿模具进行有限元数值模拟并进行试验验证,验证了经回弹补偿模块设计带下陷的直凸弯边补偿模具的可行性。结果表明:在成形压力为50 MPa时,零件回弹前后的角度误差为1°,满足尺寸设计要求,验证了有限元模拟的可信度以及回弹补偿系统的准确性。     

基于BP神经网络的W形微弯曲回弹预测

能准确预测并有效控制微弯曲回弹对于提高其尺寸精度和成形质量具有重要意义。首次以W形微弯曲成形为研究对象,开展基于BP神经网络的微弯曲回弹预测研究。首先采用基于I优化准则的试验设计方法对影响成形精度的4个因素进行了试验,得到56组数据。再分别利用40组、8组、8组数据对神经网络进行了训练、验证和预测。结果表明,BP神经网络能快速预测回弹量,且预测精度满足实际工程要求,可为W形微弯曲成形尺寸精度的控制提供参考。     

不同动应力比下加筋前后砾性土的动三轴试验分析

针对加筋前后饱和砾性土填料的动力特性,开展循环荷载下饱和砾性土动三轴试验。对比分析不同动应力比下加筋作用对饱和砾性土轴向累积应变、回弹模量和动孔隙水压力等动力特性的影响,并对不同动应力比下的轴向累积应变与振次关系进行拟合分析。结果表明:加筋前后,试样的轴向累积应变均随动应力比的增大而增大;与加筋前相比,加筋后的试样轴向累积应变均有减小;加筋前后,试样的回弹模量均随动应力比的增大而增大,且加筋试样的回弹模量均大于无筋试样;随着动应力比的增大,无筋试样的动孔隙水压力减小,加筋试样动孔隙水压力变化不大。加筋前后,砾性土轴向累积应变与振次的拟合公式和拟合参数可为预测加筋砾性土在长期循环荷载作用下的累积变形提供参考。     

[成形过程的数据挖掘与深度学习方法]基于机器学习的管材弯曲回弹有效预测与补偿

采用基于优化的误差反向传播(BP)神经网络的机器学习算法建模，提出了考虑材料参数、几何参数等多因素的弯管回弹精确预测和高效控制方法。该方法通过引入非线性惯性权重及遗传算法的杂交算子，改进了粒子群优化(PSO)算法，进而通过改进的PSO算法对BP神经网络进行优化，构建了基于改进的PSO-BP神经网络机器学习回弹预测和补偿模型。以多种规格的铝合金数控弯管构件为对象，将实际生产中不同规格、批次、成形参数下回弹数据作为训练样本，实现了所建机器学习预测模型的应用验证。所建模型获得的预测结果平均相对误差为6.3%，与未优化的BP神经网络等传统模型相比，预测精度最大提高了18.5%，计算时间可从1.5 h缩短至300 s，同时实现了回弹预测与补偿精度以及计算效率的显著提高。     

铝合金地板梁拉延成形回弹分析及补偿

针对铝合金梁类件容易产生回弹的问题,以某铝合金汽车地板梁为例,采用Dynaform有限元模拟软件对地板梁的拉延、切边、回弹成形过程进行了模拟,研究回弹变化规律,通过正交试验,得到优化的工艺参数分别为压边力F为1400 kN、摩擦系数f为0. 12、冲压速度v为4000 mm·s~(-1)、模具间隙c为2. 835 mm。采用回弹补偿的方式对模具型面进行补偿,经过4次回弹补偿,制件的最大回弹量降低至0. 729 mm,符合制件工艺要求。在数值模拟分析的基础上,进行了制件的冲压试验,最终得到的制件实际回弹量与模拟结果最大误差为12. 1%,符合产品的质量标准。     

基于Autoform的汽车车门外板回弹补偿方法

针对汽车车门外板制件的特点,运用Autoform对制件进行回弹模拟分析,利用CATIA软件制作补偿数模,将补偿后得数模再进行CAE回弹仿真分析,经过这个迭代反复的过程,得到优化后的模具型面。实践证明,此方式可以在保证车身外覆盖件成形质量的同时,提高了车身外覆盖件的符合度。     

热轧酸洗板SAPH370冲压汽车底梁回弹原因分析及解决方案

邯钢生产的汽车结构用热轧酸洗板SAPH370应用于某品牌乘用车底梁,但在冲压过程中出现回弹倾向严重的问题,为此进行化学成分、力学性能、显微组织等对比分析。结果表明,SAPH370钢的屈服强度和抗拉强度明显高于某钢厂,断后延伸率较某钢厂偏低;屈服强度偏高是导致回弹倾向严重的根本原因。采取优化热轧工艺、降低强度、提高断后延伸率的方法,成功解决了SAPH370钢板冲压汽车底梁回弹问题。     

基于BP神经网络的条带刚凸特征回弹预测

为了研究核燃料组件格架的条带刚凸特征的回弹量与压边力、冲压速度、凸凹模间隙、摩擦系数等冲压工艺参数之间的关系,首先,获取包含50个GA拉丁超立方抽样的数据点以及10个随机抽样的数据点的数据集,前者作为训练集、后者作为测试集。将前者输入到BP神经网络进行训练,后者验证训练模型的精度。最后,通过响应面图研究各因素之间的交互作用以及各因素的敏感程度。结果表明:BP神经网络能够有效预测刚凸回弹量与冲压工艺参数之间的关系,相对于其他因素,压边力对回弹量的影响特别明显,冲压速度对回弹量的影响不明显,但与凸凹模间隙和摩擦系数有明显的交互作用。