共查询到20条相似文献,搜索用时 281 毫秒
1.
《塑性工程学报》2017,(2)
基于有限元数值模拟软件LS-DYNAFORM,对拼焊板方盒形件拉深成形进行模拟研究。通过改变拉深成形过程中压边力这一最重要且易于控制的工艺参数,寻求拼焊板方盒形件拉深成形时较优的变压边力曲线加载形式。为预测不同工艺参数下拼焊板方盒形件拉深成形时的较优压边力加载曲线,建立了变压边力的BP神经网络预测模型,并将该模型预测的结果与数值模拟得到的结果进行对比分析。研究结果表明,拼焊板薄板采用变压边力、厚板采用恒定压边力、且薄板压边力不小于厚板压边力的加载形式,拼焊板成形件整体质量较好,焊缝移动量较小;神经网络预测模型能较好的预测拼焊板方盒形件拉深成形时的变压边力,与数值模拟结果的最大相对误差在12.3%以内。 相似文献
2.
3.
拼焊板U形件冲压成形中焊缝移动与回弹的研究 总被引:2,自引:0,他引:2
通过数值模拟技术,并结合正交试验设计方法,研究了具有纵向焊缝的拼焊板U形件在不同板厚比、不同强度比、不同压边力和不同拉深筋阻力情况下的焊缝移动与回弹及其相互关系,为高强钢激光拼焊板的焊缝移动和回弹控制研究提供依据.研究表明:拼焊板的不同板厚比和强度比对焊缝移动和回弹有显著影响,为了保证冲压成形质量,板厚比一般不小于0.5,强度比在0.8~1.3为宜;在此基础上,选择合理的压边力和拉深筋阻力分布可以减小焊缝移动,从而有效地控制拼焊板的回弹,并在某车型中立柱的实际生产中得到应用和证实. 相似文献
4.
针对U形件弯曲回弹问题,在Abaqus软件中建立6061铝合金薄板U形件拉延成形二维有限元模型,使用Numisheet’ 2011会议回弹测量方法和成形极限图缺陷判据,研究U形件成形过程中单工艺参数对回弹量的影响,通过L_9(3~4)正交试验获取U形件回弹控制最优工艺参数组合。结果表明:不改变其他成形工艺参数,U形件回弹量随着凸、凹模圆角半径或拉延深度的加大,总体呈上升趋势,随凸、凹模间隙值的减小总体呈下降趋势;U形件回弹量随"凸模-板料"摩擦因数的增大而增大,随"凹模、压边圈-板料"摩擦因数或压边力的增大而减小;成形工艺参数影响U形件回弹量的主次顺序依次为"凹模、压边圈-板料"摩擦因数、"凸模-板料"摩擦因数、凸、凹模间隙值、压边力,以优水平工艺参数组合A_2B_3C_1D_3进行成形模拟,U形件法兰端部最大位移偏移量为0.84 mm,回弹控制效果明显。 相似文献
5.
6.
7.
8.
9.
10.
11.
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。 相似文献
12.
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。 相似文献
13.
Fei HAN Jian-hua MO Hong-wei QI Rui-fen LONG Xiao-hui CUI Zhong-wei LI 《中国有色金属学会会刊》2013,23(4):1061-1071
In the incremental sheet forming (ISF) process, springback is a very important factor that affects the quality of parts. Predicting and controlling springback accurately is essential for the design of the toolpath for ISF. A three-dimensional elasto-plastic finite element model (FEM) was developed to simulate the process and the simulated results were compared with those from the experiment. The springback angle was found to be in accordance with the experimental result, proving the FEM to be effective. A coupled artificial neural networks (ANN) and finite element method technique was developed to simulate and predict springback responses to changes in the processing parameters. A particle swarm optimization (PSO) algorithm was used to optimize the weights and thresholds of the neural network model. The neural network was trained using available FEM simulation data. The results showed that a more accurate prediction of springback can be acquired using the FEM-PSONN model. 相似文献
14.
15.
为了评估DP980高强钢材料的成形与回弹特性,通过加载-卸载实验与单向拉伸-压缩循环加载实验,获得了考虑包申格效应的吉田-上森硬化模型参数,并对DP980高强钢的U形弯曲实验进行了研究。实验结果表明,DP980高强钢U形件在凹模圆角处易开裂,在成形过程中需减小压边力并增大凹模圆角。由于材料的回弹量与施加的压边力有关,可通过增大压边力来减小U形件的回弹,但压边力过大又可能导致开裂,因此,需合理选择压边力。同时,对U形件成形后的回弹进行仿真分析,仿真中分别采用等向硬化模型与吉田-上森硬化模型,通过将实验数据与模拟的回弹结果进行对比分析发现,采用吉田-上森硬化模型的仿真结果与实验结果吻合良好,证明了吉田-上森硬化模型模拟回弹的准确度较高,可以应用于回弹仿真中。 相似文献
16.
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. 相似文献
17.
考虑包辛格效应的高强钢U型件冲压回弹规律分析 总被引:1,自引:0,他引:1
回弹问题限制高强钢的广泛使用。数值模拟预测高强钢回弹的精度很大程度上取决于所应用的材料模型是否能对材料的包辛格效应准确描述。本研究旨在将力学解析方法、数值模拟技术、响应面分析法综合应用于高强度薄钢板U型件冲压回弹的预测中。基于考虑包辛格效应的材料模型实现高精度模拟预测回弹,随后利用理论解析方法结合有限元模拟与响应面法分析压边力、摩擦系数、模具圆角半径对回弹的影响规律。结果表明,摩擦系数较小时,板料的回弹程度随压边力的增大而减小;而摩擦系数较大时,板料的回弹程度随压边力的增大而增大。选择合适的模具圆角半径可以显著减小零件的回弹量。 相似文献
18.
研究具有纵向焊缝的拼焊板在不同压边力作用下的回弹与焊缝移动及其相互关系,为拼焊板的回弹控制找到切入点.基于厚/薄侧变形均匀的思想,采用拼焊板两侧的截面应力相等的方法,理论推导了控制焊缝移动的公式,以此计算控制焊缝移动和拼焊板回弹所需要的拼焊板两侧压边力分布值.研究表明,总压边力的增大,带来双重效应:一方面随总压边力的增大拼焊板回弹降低;另一方面随总压边力的增大拼焊板焊缝移动增加,焊缝移动增加回弹增加.维持总压边力不变,通过调整压边力分布,消除焊缝移动,同时回弹也达到最小值.采用足够高的压边力的同时,对拼焊板厚/薄侧施加不均匀压边力,降低焊缝移动,这为拼焊板回弹控制提出了新的理论和方法. 相似文献
19.
20.
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。 相似文献