基于Taguchi方法的滑动轴承二道次旋压工艺参数优化

以QSn7-0.2锡青铜为试验材料,以减薄率、道次分配比、一道次进给比和二道次进给比为试验参数,设计正交试验,以成形件内外轴线直线度误差为评价指标,利用Simufact软件对二道次错距旋压进行数值模拟,利用Taguchi方法分析仿真结果的信噪比,优化试验参数,得到各参数对滑动轴承内外轴线直线度误差的影响程度顺序与最优工艺参数组合,并进行试验验证。结果表明,Taguchi方法可有效降低工件内外轴线直线度误差,提高产品性能。     

金属丝网减振器非线性特性研究

研究了某金属丝网减振器非线性特性，建立兼有干摩擦和线性阻尼特性的混合型阻尼模型，根据数学模型与实测数据的误差最小对所建模型的参数进行了识别，最后得到了模型中的待识别参数．结果表明：所建的数学模型比较合理，能够合理反映兼有不同性质阻尼的滞后非线性特性．     

工艺参数对筒形件错距正旋成形尺寸精度的影响

采用单因素试验设计方法,通过测量旋压件轴向不同位置处的内、外径值,获得了旋压件内径扩径量、外径偏差、壁厚偏差沿轴向的分布规律,并由此得到了工艺参数对旋压件尺寸精度的影响规律。结果表明:在筒形件错距正旋成形过程中,进给比对旋压件内径扩径量的影响最大,减薄率次之,随着进给比和减薄率的增大,最大内径扩径量减小,较小的径向错距有利于减小最大内径扩径量;工艺参数对旋压件外径偏差和壁厚偏差的影响规律基本一致,随着减薄率和径向错距的增加,外径偏差和壁厚偏差均增大,旋压件底部和口部位置处的外径偏差和壁厚偏差随进给比的增大而增大,旋压件中部的外径偏差随进给比的增大先增大后减小。     

基于田口算法的连杆衬套尺寸精度优化

对锡青铜QSn7-0. 2强力旋压成形过程进行了不同进给比、首轮压下比和轴向错距下的有限元仿真模拟。利用田口算法对仿真结果进行了优化,得到了不同工艺参数对内径公差和圆度误差的影响。利用数控强力旋压机对锡青铜QSn7-0. 2进行了强力旋压成形,并利用圆度仪测量了旋压件的内径公差和圆度误差。结果表明:当进给比为0. 6 mm·r-1、首轮压下比为50%、轴向错距为4 mm时,强力旋压连杆衬套具有最优的内径公差和圆度误差。各工艺参数对内径公差的显著影响顺序为:进给比首轮压下比轴向错距;对圆度误差的显著影响顺序为:进给比轴向错距首轮压下比。     

基于有限元的发动机连杆衬套温挤压工艺参数优化

以锡青铜连杆衬套为研究对象,通过Deform-3D软件进行了数值模拟。利用单一因素工艺参数试验法和正交试验优化试验方法对发动机连杆衬套的温挤压过程进行了数值模拟分析,得到了摩擦因数、温挤压速度、温挤压温度等参数在温挤压过程中对挤压力、损伤值的影响规律和显著性影响。利用极差分析得到了两组最优的温挤压工艺参数,并通过数值模拟两组较优解对挤压力、损伤值的影响规律的对比,最终得到一组最优解,即摩擦因数为0.1、温挤压速度为5 mm·s-1、温挤压温度为700℃。根据连杆衬套温挤压试验验证了使用优化后的工艺参数能够制造出表面质量高的成形件。     

基于BP神经网络的连杆衬套强力旋压轴线直线度预测

强力旋压成形工艺的轴线直线度误差对采用该工艺生产的连杆衬套的产品使用可靠性有很大影响。采用单因素试验设计方法,利用数值模拟技术手段,获得了以减薄率、进给比、首轮压下比、主轴转速为试验因素,内、外轴线直线度误差为评价指标的试验数据。基于试验因素和评价指标应用BP神经网络技术建立了4-10-2的三层神经网络结构模型,得到了减薄率、进给比、首轮压下比、主轴转速和轴线直线度误差之间的非线性关系。用试验所得到的数据对模型进行了训练和预测,并将预测值与仿真值相比较。结果表明:该模型可以有效预测连杆衬套强力旋压轴线直线度误差。     

基于Simufact的QSn7-0.2筒形件正、反旋数值模拟研究

为了得到成形质量高、变形均匀的QSn7-0.2连杆衬套筒形件,采用有限元数值模拟的方法对正、反旋两种筒形件强力旋压的旋压方式进行分析,介绍了两种筒形件强力旋压方式的工艺原理,并制定了相应的成形工艺方案。使用锡青铜作为研究对象,利用Simufact有限元仿真软件,对两种不同的筒形件强力旋压方式的成形过程进行了数值模拟。结果表明,正旋的成形质量好于反旋;正旋的瞬时最大等效应力应变值及径向和切向的最大应力分量的变化幅度均小于反旋;反旋的旋压时间小于正旋,在精度允许的范围内,反旋的生产效率高于正旋。     

基于灰色神经网络模型的强力旋压连杆衬套屈服强度预测

强力旋压连杆衬套的力学性能与旋压参数之间的关系复杂,难以用较为系统的数学公式进行表达。为科学准确预测连杆衬套的屈服强度,采用灰色系统理论,选取旋压工艺参数作为系统相关因素,建立预测连杆衬套屈服强度的GM(0,3)模型,经过后验差检验,模型精度二级,平均相对误差为3.25%。为提高模型精度,利用RBF神经网络对预测残差进行修正后,将模型精度提高为一级。在将外来数据回代检验时,GM(0,3)+RBF模型预测结果相对误差在1%左右。研究结果表明:利用灰色理论建立的GM(0,3)+RBF模型能够较精确的预测连杆衬套屈服强度,且预测能力较强,建模简单快速。