多点模具拉形中回弹的数值分析

采用多点模具拉形时,由于弹性垫的使用,拉形后成形件的回弹量与使用整体模拉形时有所不同.应用ABAQUS软件研究分析了预拉量及板料厚度对成形件回弹的影响,对预拉量为0.5%、0.75%、1%及板料厚度为1mm、1.5mm、2mm的拉形过程进行数值模拟.结果表明,在一定范围内,预拉量增大,拉形件的回弹量减小;板料的厚度增大,拉形件的回弹量减小.     

基于正交试验和神经网络的激光拼焊板回弹预测

准确预测和有效控制拼焊板成形回弹,研究各因素的影响及其交互作用具有重要意义。以U形件拼焊板为研究对象,通过数值模拟、正交试验和神经网络相结合的方法,考察多个工艺参数对拼焊板回弹的交互作用,建立拼焊板回弹的BP神经网络预测模型,对U形件拼焊板的回弹进行预测和控制。结果表明,板料参数、焊缝位置、压边力、模具间隙、凹模圆角等均对拼焊板回弹有重要的影响,并存在交互作用;建立的BP神经网络模型能很好地预测U形件拼焊板在各参数影响下的回弹变化趋势,和给定一组工艺参数下的拼焊板回弹量,为拼焊板的回弹控制提供了可靠的依据。神经网络技术在拼焊板回弹预测中的应用,为拼焊板成形优化研究提出了新思路。     

蒙皮件多点拉形过程中成形缺陷的数值模拟

多点拉形是一种将柔性制造技术和计算机技术结合为一体的先进制造技术。文章基于动力显式有限元算法,从板厚、材质、变形程度和塑性指数等工艺参数入手,对球形和鞍形件的多点拉形过程进行数值模拟。研究表明,正确的选择工艺参数可以减轻或消除压痕缺陷。同时利用显-隐式算法,分析了板材厚度和成形件目标曲率半径对回弹的影响,得到了回弹的趋势和分布规律,即回弹量与板材厚度成反比,与成形件的曲率半径成正比。研究结果对蒙皮件多点拉形技术的实际应用具有一定的参考价值。     

可重构柔性模具蒙皮拉形闭环形状控制系统设计

蒙皮拉形过程中板料的成形是一个复杂的非线性变形过程,拉形模具设计技术还停留在经验设计阶段,采用实体拉形模具,需要经过多次修模才能修正零件的回弹。可重构柔性模具能够迅速修改模具型面,主动补偿零件回弹,获得准确的零件曲面。文章从控制理论的角度阐述了可重构柔性模具型面设计技术,以模具型面为输入值,蒙皮零件形状为控制目标,设计出变形传递函数,并结合闭环形状控制算法,开发了蒙皮拉形闭环形状控制程序,并在拉形试验平台进行了实验验证,取得了满意的效果。     

2A97铝合金时效成形过程中的回弹量和抗拉强度（英文）

基于正交实验,运用方差分析、多元二次回归和径向人工神经网络研究2A97铝合金时效成形过程中的回弹量和抗拉强度。方差分析结果表明,在预弯半径为400 mm、时效温度为210°C时效20 h后试样具有最小的回弹量;而在预弯半径为1000 mm、时效温度为180°C下时效15 h后试样具有最大的抗拉强度。确定了预弯半径、时效温度和时效时间这3个因素对试样回弹量和抗拉强度影响大小的顺序。多元二次回归方法和径向人工神经网络的预测结果表明,径向人工神经网络模型具有更高的预测精度。     

某型轿车门框三维拉弯模具设计方法研究

为减少某型轿车门框的三维拉弯回弹,通过单向拉伸试验,获得了SPCC材料的弹性模量、抗拉强度、屈服强度、应变硬化模量等材料的力学性能参数和真实的应力-应变曲线方程。基于板料弯曲回弹计算,给出了拉弯件内层材料的回弹前和回弹后曲率半径的关系以及回弹半径的表达式。在此基础上,提出将工件形线离散化,计算工件回弹前的形线方法,确定拉弯模形线,并进一步绘制拉弯模外形。根据理论分析结果,设计门框的三维拉弯模具,进行拉弯试验,并得到了合格的工件,验证了该方法适用于拉弯模具的设计。     

柔性压辊拉形中回弹的数值模拟

拉形是飞机蒙皮件的主要成形方法。柔性压辊拉形是一种新的拉形工艺,将传统的拉形过程中使用夹钳进行拉伸包覆的加载方式,改变为利用柔性压辊垂直下压的加载方式,使板料产生变形。对柔性压辊拉形成形球形件的过程和回弹进行数值模拟,分析加载量、板厚、板料与模具之间的摩擦系数等因素对回弹的影响。研究结果表明,在柔性压辊拉形方式下,成形件应力分布比较均匀,且在成形一定尺寸的球形件时,加载量越小,回弹量越大;板料越薄,回弹量越大;板料与模具之间的摩擦系数越大,回弹量越大。     

钛合金蒙皮拉形数值模拟与试验

蒙皮类零件通常采用拉形工艺进行成形。基于通用分析软件Abagus对钛合金蒙皮拉形工艺过程进行了数值模拟,通过正交试验获得了较优加载轨迹组合参数,并分析了较优加载轨迹参数下零件成形效果,试验结果表明,回弹量大,成形零件不合格,需进一步控制回弹;研究了预拉与补拉对蒙皮拉形的影响,得出预拉可使板料应力均匀分布和补拉可减小回弹量的结论;利用Think Design软件对模具型面进行回弹补偿,模拟结果显示可以将回弹量控制在有效范围内。     

Spherical—cymbal换能器端帽自由胀形回弹预测与控制

为更经济地制造出质量更高的Spherical-cymbal换能器端帽，在其成形中用自由液压胀形工艺取代传统的冲压工艺，并对其自由胀形中的回弹问题进行了重点研究。采用ANSYS／LS-DYNA软件对端帽的自由胀形回弹量进行了预测，并根据约束条件及有限元模拟结果提出了回弹控制措施。实验结果验证了采用有限元数值模拟进行Spherical—cymbal换能器端帽自由胀形回弹预测与控制的可行性。     

基于数值模拟的U形件板料校正弯曲研究

为了掌握U形件回弹的规律,本文运用数值模拟技术及回归分析的方法,建立了U形件校正弯曲的多因素回弹预测数学模型.此模型与实验结果的相关性达到了86%,并对结果进行了残差分析验证,对U形件回弹起到了较好的预测作用.     

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     

金属液体凝固中直接挤压工艺的神经网络

金属液体凝固中直接挤压工艺是近几年发展起来的一种高效成形管、棒、型材新工艺。利用人工神经网络方法研究了该工艺的参数协调和变形力预测等问题, 建立了神经网络预测模型。实验结果与预测值吻合良好, 从而为预测和控制该工艺成形质量提供了有效的手段     

盒形件拉深智能化控制关键技术研究

在圆锥形零件拉深成形智能化控制的研究基础上,分析了盒形件拉深智能化控制需要解决的技术关键。采用LabVIEW虚拟仪器技术,可以令人满意地实现拉深过程中信号的监测与控制。采用神经网络技术,可实现材料性能参数的实时识别,利用LM(LevenbergMarquarat)优化算法达到了2‰的网络误差。最佳工艺参数的预测模型尚待深入研究,该文提出3种参考方案,即理论成形三极限预测模型、神经网络/模糊推论预测模型以及自适应反馈控制模型。     

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。     

基于BP人工神经网络模型的激光焊缝宽度预测方法

激光焊缝宽度是考核激光拼焊板质量的重要指标之一,直接影响到拼焊板的成形性能.因此,通过对激光焊缝宽度进行预测可以达到焊接工艺参数优化的目的,以提高拼焊板的焊接质量与成形性能.本文利用BP人工神经网络技术建立了焊缝宽度预测模型,该模型可以实现对焊缝宽度的有效预测,预测精度达到96%以上,具有较好的工业实用价值.     

Modelling and prediction of cut shape for plasma arc cutting based on artificial neural network

Abstract

An artificial neural network approach for the modelling of plasma arc cutting processes is introduced. Neural network models have been proposed for predicting the cut shape and estimating the special cutting variables. The implementation of artificial neural networks in the modelling of cutting processes is discussed in detail. The performance of the neural networks in modelling is presented and evaluated using actual cutting data. Moreover, prediction applications of the above neural network models are described for various cutting conditions. It is shown that estimated results based on the proposed models agree well with experimental data; the neural network models yield good prediction results over the entire range of cutting process parameters spanned by the training data. The testing and prediction results show the effectiveness and satisfactory prediction accuracy of the artificial neural network modelling. The developed models are applicable to carbon steel.     

融合轧制机理和深度学习的带钢精轧宽度预测

宽度精度是热轧带钢成形过程的重要指标,准确预测精轧宽度有助于及时修正粗轧宽度设定模型,提高成品带钢的宽度精度。然而,依据轧制机理建立的宽度预测模型偏离实际工况从而精度较低,依据神经网络建立的模型由于过程黑箱导致可信度低。为此,提出了一种融合轧制机理和人工神经网络的热轧带钢精轧宽度组合预测模型,以基于Hill公式的机理模型计算精轧宽度的预测基准值,以基于深度置信网络(DBN)的深度学习模型预测精轧宽度的修正值。选取实际生产的2 730组数据中的49个特征值作为试验数据进行建模分析,结果表明:该组合模型预测精度高、稳定性好且预测时间短,其均方根误差为0.428 15 mm,相比机理模型降低了79.6%,相比神经网络模型降低了6.2%,实现了精轧宽度的高精度预测。     

基于人工智能的钛合金热变形工艺参数优化

在深入分析热变形工艺参数对Ti-15-3合金显微组织及成形载荷的影响的基础上,以变形温度、变形程度和变形速率等热变形工艺参数作为设计变量,以显微组织和成形力的最佳综合为目标,建立了该合金热塑性成形工艺参数的多目标优化数学模型。以显微组织参数和成形力的人工神经网络预测模型作为优化算法的知识源,将人工神经网络与修正的遗传算法相结合,对Ti-15-3合金的热塑性成形工艺参数进行优化。结果表明,提出的修正的遗传算法是有效的,采用将其与人工神经网络相结合的方法对钛合金的热塑性成形工艺参数进行优化是可行的。     

基于人工神经网络的不锈钢双辉离子渗碳性能预报

采用多组双辉离子渗碳工艺对1Cr18Ni9Ti不锈钢进行了试验研究。对渗后试件的显微硬度、耐磨性等指标进行测试。将人工神经网络应用于双辉离子渗碳的研究,在对人工神经网络训练的基础上,建立了双辉离子渗碳工艺与渗层性能预报的数学模型。试验结果验证了性能预报神经网络模型的可靠性,为解决双辉离子渗碳性能预报问题提供了一条先进、合理的途径。     

Spray Forming Quality Predictions via Neural Networks

]To produce consistently high-quality spray-formed parts,correlations must be made between the input process parameters and the final part quality. The Spray Forming Technology Group at the Naval Surface Warfare Center decided to “model” this correlation through the use of artificial neural networks. In this study, neural networks accurately predicted trends in spray forming process outputs based on variations in process inputs. The graphs generated by the neural network prediction help to define the optimal operating region for the spray forming process and indicate the effect of changing input process parameters on final part quality The Johns Hopkins University Department of Materials Science and Engineering, Baltimore,MD 21218 United States Naval Academy, Department of Mechanical Engineering, Annapolis, MD 21401.