论文部分内容阅读
在传统的冲压成形工艺与模具设计中,工程人员通常采用“试错法”对板料成形工艺方案反复修改和调试才能达到设计要求,增加了生产成本。实际生产中,方盒件的成形工艺参数选取一般采用类比法,缺乏全面、系统的研究,即使通过有限元数值模拟也很难得到零件成形工艺参数最优解。因此,传统的方法已不能适应激烈的市场竞争和现代化工业的发展要求。本文将人工智能技术应用于冲压成形工艺设计和参数优化。
首先,分析了国内外数值模拟技术在冲压成形中的发展概况以及优化设计技术的发展及趋势,阐述了数值模拟技术在成形过程中的作用和工艺参数优化存在的不足。
其次,着重研究了各工艺参数对方盒件冲压成形质量的影响,以5种主要工艺参数(凸凹模间隙、摩擦系数、压边力、冲压速度及凹模圆角半径)作为优化设计变量,利用成形极限图量化冲压成形质量指标,建立了合理的板料质量评价准则,并以此作为目标函数。
然后,利用人工神经网络基本原理,在MATLAB软件环境下设计了一个RBF神经网络来建立各因素与成形质量目标函数之间的近似模型。近似模型建立步骤为:选取RBF神经网络模型,确定网络的输入、输出、隐含层及拓扑结构,运用正交试验方法和数值模拟技术获取网络的训练样本,并对网络性能进行测试。
最后,将神经网络和粒子群优化算法结合起来建立了方盒件冲压成形工艺参数优化模型。利用人工神经网络建立了冲压成形多目标优化近似模型,用粒子群算法对工艺参数进行全局寻优,确定了一组非劣解集,从非劣解集中选取了一组最优参数组合,并在DYNAFORM中进行了验证。数值模拟与优化后的试验对比表明:数值模拟技术提供建立近似模型的神经网络训练样本,应用多目标粒子群优化算法获取成形最优工艺参数组合能显著改善成形质量。
本文提出的分析方法可推广到其他冲压成形工艺的优化设计,对指导冲压成形工艺设计具有普遍意义。