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。     

薄壁衬套加工夹具设计

对某薄壁衬套进行加工工艺分析,需要为加工油槽和铣两个10°的斜面设计一套专用夹具。根据零件精度要求和工序设计了一套底座为斜面的加工中心专用夹具,该夹具具有快速装夹、定位等功能,提高了生产效率,降低了加工成本。     

基于响应曲面法的错距旋压连杆衬套各旋轮工作圆弧半径的研究

以锡青铜筒形件为研究对象,以成形质量(内径扩径量、外圆度误差、直线度误差)为评价指标,运用Simufact有限元仿真软件对错距旋压过程进行数值模拟,采用响应曲面法对错距旋压成形的各旋轮工作圆弧半径进行分析,分析了每个旋轮工作圆弧半径大小对成形质量(内径扩径量、外圆度误差、直线度误差)的影响,得出最优的旋转工作圆弧半径大小顺序并对其值进行优化,再以实验进行验证。结果表明:各旋轮工作圆弧半径大小顺序为旋轮1旋轮2旋轮3时,成形质量最好,且当旋轮1工作圆弧半径为6 mm、旋轮2工作圆弧半径为5mm、旋轮3工作圆弧半径为4mm时,经强力旋压得到高成形质量的锡青铜连杆衬套。     

基于RBF神经网络的连杆衬套强力旋压轴线直线度预测

为了实现对连杆衬套强力旋压轴线直线度误差的预测,从而改善连杆衬套的性能,基于MATLAB平台,建立了减薄率、进给比、首轮压下比与轴线直线度误差之间的RBF神经网络模型。用仿真数据对其进行训练,然后预测内、外轴线的直线度误差。并将预测值与仿真值比较,得出RBF神经网络预测误差百分比,与实测值进行比较,验证RBF神经网络在实际生产中的预测性能。再与同样条件下所建立的BP神经网络预测误差百分比对比。发现RBF神经网络可以用来预测连杆衬套强力旋压轴线的直线度误差,并且比BP神经网络收敛速度及学习速率更高,训练过程更稳定,预测精度更高。     

基于Simufact筒形件强力旋压与变薄拉深成形质量研究

为了得到较高成形质量的筒形件,采用有限元数值模拟的方法对强力旋压与变薄拉深两种筒形件成形工艺进行分析,使用锡青铜杯形件作为研究对象,利用Simufact有限元仿真软件对同一毛坯进行两种不同成形工艺的数值模拟。以连杆衬套成形件的内径扩径量、外圆度误差、外轴线直线度误差、内轴线直线度误差与喇叭口长度为成形质量评价指标,选取最佳成形工艺,并对仿真可靠性进行试验验证。结果表明,就锡青铜的三旋轮错距强力旋压与三次连续变薄拉深而言,变薄拉深工艺的尺寸精度略优于强力旋压工艺,且变薄拉深工艺形成的喇叭口较短,材料利用率高,适用于单一型号连杆衬套的大批量生产。     

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。