基于BP神经网络矩形盒件拉深成形变压边力的预测

针对板料拉伸过程中出现拉裂、起皱等缺陷,通过人工神经网络技术研究了变压边力对矩形盒件拉伸成形效果的影响。建立了有限元模型,利用仿真软件Dynaform及"固定间隙法"获取样本数据;通过建立网络模型并对其学习训练,利用训练好的网络模型展开了对板料拉伸成形过程中变压边力预测技术的研究,获取了理想的压边力控制曲线。预测结果是板料的最大减薄率为16.2%,最大增厚率为6.6%,精度符合要求。仿真结果表明,BP神经网络可以实现对板料拉深成形变压边力的预测。     

汽车覆盖件拉深过程中的压边力预测

结合数值模拟与人工神经网络技术研究了汽车内覆盖件承载地板在冲压成形中压边力的预测。将板料模型零件导入到Dynaform中进行网格划分并对其拉深过程进行模拟仿真,结合正交试验获取不同参数条件下最佳压边力的数据样本,然后运用Matlab软件中的GRNN神经网络工具箱对数据进行训练学习,采用训练好的神经网络对板料成形过程中的压边力进行预测,获得了板料拉深过程中的压边力变化曲线。通过预测结果和模拟结果对比,预测误差在10%以内。将预测的曲线对零件模拟仿真,结果显示零件最大减薄率在25%以内,并对板料进行实际冲压验证。结果显示成形效果良好,无起皱、破裂缺陷,符合实际生产的要求,说明GRNN神经网络可以用于零件冲压过程中压边力的预测。     

油箱盖板拉深成形的有限元分析及工艺参数优化

以油箱盖板为研究对象,利用Dynaform有限元软件模拟了油箱盖板的拉深成形过程,分析了板料拉深成形过程中的起皱与拉裂等缺陷,选取模具间隙、冲压速度以及压边力3种工艺参数进行正交试验及参数优化,通过正交试验的极差分析得出影响油箱盖板最大减薄率的主次顺序为:模具间隙、压边力、冲压速度.此外由方差分析可知模具间隙及压边力对最大减薄率的影响显著.模拟结果表明,油箱盖板拉深成形的最优工艺方案为:模具间隙1.5t,冲压速度3000 mm·s-1以及压边力60 kN,其零件的最大减薄率及最大增厚率分别为13.23％与11.12％.采用拉深模具对优化后的工艺方案进行实验验证,零件的最大减薄率及最大增厚率分别为14.87％与12.64％,模拟结果与实验结果比较吻合,且油箱盖板的成形质量较好.     

基于Dynaform的汽车发动机盖内板成形分析

对汽车发动机盖内板的成形过程进行了研究,基于数值模拟的方法对其成形过程进行了有限元仿真分析,得到零件的成形极限图和厚度变化图,并以此来判断成形效果。针对成形过程中出现的拉深不足和起皱等缺陷,通过反复调整工艺参数和拉深筋尺寸及分布,得出了较好的零件成形状态,零件的最大减薄率为22.8%,最大增厚率为5.9%。根据该工艺方案进行了实际冲压试验,通过比较仿真分析与试验结果不同测点位置的厚度,其偏差小于3%,从而验证了两者的一致性。研究结果表明,数值模拟分析用于板料成形分析是可行的,能够提高设计生产效率。     

航空变曲率内蒙皮零件精确成形参数优化北大核心CSCD

为推动复杂曲面航空钣金构件的快速制造,以航空变曲率内蒙皮零件为研究对象,基于冲压拉深技术,通过设计合理的工艺模型并结合有限元分析手段来实现零件的精确成形。以零件减薄率为目标响应值,以压边力、凹模与板料间的摩擦因数、压边圈与板料间的摩擦因数为优化变量,设计3因素5水平正交试验,建立了BP神经网络代理模型,并通过粒子群优化算法(PSO)求解得到最佳的工艺参数组合:压边力为607 kN、凹模与板料间的摩擦因数为0.20、压边圈与板料间的摩擦因数为0.13。采用优化后的工艺参数进行成形仿真,零件的减薄率与成形质量均有所改善,仿真模型的预测值与实际值的平均绝对百分比误差MAPE为2.49%,满足优化精度要求。同时,采用优化后的参数进行工艺试验,一次即成形出合格零件,其实际减薄率与仿真模型预测值的相对误差不大于4.8%,验证了仿真模型的准确性,也证明了优化方法的有效性。     

基于Dynaform的托辊轴承座壁厚减薄率的影响因素研究

利用板料成形软件Dynaform模拟了托辊轴承座的拉深成形过程,建立了相对凸模圆角半径与壁厚最大减薄率的线性回归模型,推导出壁厚最大减薄率的计算式,并通过试验验证了其正确性.结果表明:模拟计算结果与试验测量结果相差1％,能够较为准确的反映模具尺寸和壁厚均匀性之间的关系.     

动力电池方形铝壳变薄拉深数值模拟

选取某方形锂电池铝壳为研究对象,基于冲压成形Dynaform软件开展变薄拉深成形工艺有限元数值模拟。首先,对板料进行3个方向的静态拉伸实验,获取材料的应力-应变曲线和3个方向的各向异性系数;其次,对板料进行极限减薄率实验,获取材料的最大减薄率;然后,基于Dynaform软件进行有限元建模,板料采用三维实体单元进行模拟,采用动态显式非线性有限元分析软件LS-DYNA进行求解;最后,在Dynaform软件中分析计算结果。结果表明,变薄拉深模拟结果在形貌、厚度、高度、成形性等方面与实验结果吻合较好,验证了变薄拉深模拟方法的有效性,为锂电池铝壳的薄壁化提供了重要的虚拟预报和轻量化设计支持。     

基于BP神经网络的传力片冲裁凸模磨损仿真预测

以离合器盖总成中的传力片作为研究对象,借助Deform-3D仿真软件模拟了传力片冲裁过程中的凸模磨损情况,依据正交仿真试验的数据以及BP人工神经网络对传力片冲裁凸模的磨损量进行仿真预测。将冲裁间隙、凹模刃口圆角半径与冲裁速度作为BP神经网络的输入层,将冲裁凸模的最大磨损深度作为BP神经网络的输出层,建立3-12-1的3层BP神经网络。BP神经网络通过训练之后,仿真预测的最大误差为1.14%。基于正交试验的仿真数据对BP神经网络的性能进行检验,BP神经网络的仿真预测值与数值模拟值之间的误差为2.09%,并利用冲压级进模对BP神经网络的仿真预测值进行试验验证,两者之间的相对误差为8.25%,验证了BP人工神经网络应用于传力片冲裁凸模磨损仿真预测的准确性。     

基于FEM-BPNN技术的飞机框肋零件橡皮囊成形回弹仿真预测

为了精确预测和控制回弹量,利用有限元模拟软件PAM-STAMP 2G对橡皮囊成形过程进行模拟,并将模拟的回弹值结果与试验结果进行对比,吻合良好,验证了有限元模型的有效性。以成形压力、凸模圆角半径、摩擦系数、硬化指数、翻边高度及板料厚度为输入层,以回弹量作为输出层,建立了6-13-1的3层结构BP神经网络模型。基于正交试验设计及有限元模拟回弹结果值的相关数据对BP神经网络预测模型进行训练和测试,得出此预测模型的预测值与有限元模拟值的最大误差为9. 61%。进行了橡皮囊成形试验验证,结果显示试验值与预测值的误差为8. 58%,在工业要求的误差之内,进而验证了BP神经网络预测模型的可靠性,符合生产要求。     

罩盖液压拉深成形的数值模拟分析

板料液压成形是制造难成形件的一种有效方法。分析了罩盖液压拉深成形的工艺性,通过运用Dynaform板料成形软件,对罩盖零件的液压拉深成形过程进行了数值模拟,获得了成形后的零件成形极限图和变薄率分布图,并分析了其拉深成形过程。研究结果表明,采用初始设定的参数,罩盖在液压拉深过程中,最大变薄率约为18.27%,小于25%,成形效果良好,不容易破裂。采用模拟中使用的各成形条件,通过液压拉深实验能拉深出合格的成形零件,验证了模拟过程的正确性。     

基于遗传算法和神经网络技术的板料拉深成形参数优化

结合数值模拟和人工神经网络技术．建立了板料拉深成形的加工参数（压边力和冲压速度）与其成形质量之间的映射关系，既保证了精度，又减少了数值模拟次数。在神经网络建模的基础上，利用遗传算法对板料拉深成形的加工参数进行了优化，通过实例可以看出，该方法具有较好的优化结果。     

人工神经网络在塑性成形领域中的应用研究

在概述人工神经网络发展及应用的基础上,综述了国内外神经网络在塑性成形领域中应用的现状,着重介绍了板材成形和模具设计与制造方面应用神经网络的现状。利用人工神经网络实现了板材拉深成形智能化控制过程中摩擦系数的实时识别,并对其进行了实验证,结果表明,神经网络模型能够很好地解决板材拉深成形智能化控制过程中摩擦系数的实时识别问题,实现整个拉深化过程的智能化控制。最后指出了当前人工神经网络研究与应用中的不足之处及今后的研究方向。     

关键参数对薄壁筒形件充液成形的影响规律

为了研究初始反胀高度(IRBH)、反胀压力(IRBP)和液室压力加载路径3个工艺参数对板料充液成形的影响规律,以不锈钢321材料为研究对象,进行板材充液成形工艺过程的分析。首先,利用数值模拟的方法,在有初始反胀(IRB)的充液成形基础上,研究了初始反胀高度与初始反胀压力的组合形式以及液室压力加载路径对制件成形的影响规律,然后分别研究了有无初始反胀的充液成形过程。最后,通过实验的方法进行验证。结果表明:当初始反胀高度为3.75 mm、初始反胀压力为2 MPa时,充液结束时板料的最大减薄率为4.803%,在所有结果中最小;无初始反胀时,零件壁厚最大减薄率为5%;当在充液拉深后期继续加大液室压力时,板料底部发生波动,出现二次变形,与此同时,板料最大减薄率增大。从而验证了合适的初始反胀高度和反胀压力可以减小制件壁厚的最大减薄率,液室压力加载路径不同,零件的壁厚分布也不同。     

基于RSM与GA的汽车后备箱盖板成形工艺参数多目标优化

针对某车型的后备箱盖板拉延成形时出现的破裂和起皱现象,首先,基于DYNAFORM建立后备箱盖板的有限元模型;其次,探究压边力x1、拉延筋1的阻力x2和拉延筋2的阻力x3对后备箱盖板拉延成形的综合影响,建立中心复合试验设计(CCD)方案,通过中心复合试验设计方案构建了影响成形的工艺参数的二阶响应面法(RSM)模型,以板料的最大减薄率y1和最大成形力y2为优化目标,建立多目标优化函数;运用改良型的遗传算法(GA)进行模型寻优,获得影响后备箱盖板成形的最佳工艺参数组合,即x1=520.05 kN,x2=80.03 N·mm,x3=82.18 N·mm;最后,对最佳工艺参数组合进行试验验证,试验结果表明,提出的方法可有效地提高汽车后备箱盖板的成形质量,同时对类似覆盖件的成形质量控制具有一定的指导意义。     

汽车轮毂端盖拉伸成形模计算机辅助工程

建立了汽车轮毂端盖拉伸成形三维弹塑性有限元模型,并利用MARC软件对其拉伸变形过程进行了数值模拟。分析了金属材料在拉伸成形时的流动及拉伸成形后的残留应力和应变分布情况,研究了凸模圆角半径对板料成形性能的影响及防止产生起皱与破裂的措施。研究结果表明,当凸模圆角半径值小于2~3倍料厚时,材料易产生拉裂现象。模拟结果与实际生产吻合较好,说明所建立的有限元模型是合理的。     

汽车后围板拉深成形过程中的回弹预测

以汽车后围板为对象,运用BP神经网络对其拉深过程中的回弹量进行预测。通过CATIA建立CAD模型,运用Dynaform软件对板料冲压过程进行仿真分析,借助正交试验获取不同参数组合下的回弹数据,并通过试验验证了关键数据的可靠性,建立了4-9-6的3层BP神经网络回弹预测模型。通过对数据样本进行训练学习,控制其预测的精度为0.01,将预测结果与实际测量结果进行对比,显示预测误差最大为5.62%。说明运用BP神经网络可以实现对复杂拉深件成形的回弹预测,可以大量节省仿真预测的时间,对模具的设计具有很好的指导作用。     

铝合金曲面斜法兰罩盖成形工艺的数值模拟与试验研究

研究了铝合金罩盖刚性模拉深预成形-新淬火-充液拉深终成形的多道次成形工艺。通过分析零件的几何特征,确定预成形中间构型的几何形状以及确定合理的冲压方向。基于有限元分析软件Dynaform对成形工艺进行模拟分析,优化成形过程的关键工艺参数,并进行试验验证与优化。研究表明:液室压力及加载路径对充液拉深成形零件质量影响较大,成形所需最大液室压力为15 MPa,充液拉深终成形后的零件壁厚最大减薄率为11.424%,侧壁与法兰没有明显的起皱趋势。试验证明对于该铝合金罩盖零件,采用刚性模拉深预成形-新淬火-充液拉深终成形的多道次成形工艺较传统多道次拉深工艺有明显的优势,可得到表面质量良好的合格零件。     

充液拉深数值模拟流体力学模型的建立

充液拉深中的流体流动行为在充液拉深过程中起着重要的作用 ,但目前对流体的流动规律和如何把流体压力作用与板料的成形有效地结合起来缺乏深入的研究。有限元模拟是塑性成形中一个强有力的分析手段 ,但对流体压力行为缺乏研究 ,已成为充液拉深有限元模拟的瓶颈。本文通过对筒形件充液拉深工艺的分析 ,建立了接近实际的充液拉深流体力学模型。结合有限元数值模拟技术 ,提出了充液拉深流体压力行为在数值模拟分析中的实现方法 ,为充液拉深有限元数值模拟提供有效途径     

人工神经网络技术及其在板料成形智能化中的应用

本文在概述人工神经网络特性、BP网络模型及BP算法的基础上 ,对BP算法改进、训练样本及网络结构等相关技术进行了总结。重点综述了人工神经网络技术在板料成形专家系统、成形力预测、参数识别、智能控制、故障诊断、缺陷分析、板料成形性能研究和模具优化设计等板料成形智能化相关技术中的应用 ,探讨了应用中存在的问题 ,并展望其发展趋势