基于不等截面拉延筋的冲压工艺及回弹控制

提出了一种面向金属薄板拉延成形模具的不等截面拉延筋设计新工艺,该工艺根据冲压件上各部位在成形过程中所需的拉延阻力不同,在相应部位设置不同形状截面的拉延筋,从而使得拉延成形过程各部分材料均得到充分的延展.对该拉延筋的阻力模型进行了分析,以某型号轿车发动机盖零件冲压成形为例,对不同形状的拉延筋对拉延成形质量的影响情况进行了仿真分析.分析结果表明,采用不等截面拉延筋冲压工艺可以有效地控制冲压件的回弹,提高成形件的质量.     

汽车翼子板多工步拉延成形有限元模拟分析

运用Dynaform软件对翼子板的拉延成形进行模拟和数值分析,通过对板料、工具、工序及控制参数等相关参数的设置,研究压边力、冲压速度和拉延筋对翼子板拉延成形的影响,并预测成形过程中板料的裂纹、起皱和减薄;根据板料变形的复杂程度设置拉延筋阻力的大小和分布,合理改变变形区板料的受力状态,提高实际冲压过程中的加工质量。     

一种变截面拉延筋新工艺及其在回弹控制中的应用

在薄板冲压成形工艺中,引入了一种变截面拉延筋新工艺,对该拉延筋的阻力模型进行了分析,并以汽车外覆盖件为研究对象,根据板料成形特点及回弹规律,对顶盖冲压成形进行了回弹仿真分析.在回弹仿真过程中,该拉延筋对冲压件的成形有着显著的影响,使之得到充分的延展,大大提高了覆盖件的成形质量.仿真结果显示,采用变截面拉延筋新工艺,可以有效控制浅冲压件拉延成形的回弹,对实际生产中制定合理的冲压工艺方案具有一定的指导意义.     

行李箱盖板大变形区域的压延筋结构研究

分析了各种结构形式的压延筋、压延筋的几何形状和参数对拉延阻力分布的影响，以及拉延阻力分布状况对覆盖件拉延成形过程中金属流动的影响，提出了覆盖件模具中压延筋设计的基本准则．应用非线性有限元方法对轿车行李箱盖板拉延过程进行了数值模拟仿真，根据基本准则和仿真结果，局部修改压延筋的几何形状和几何参数，即通过调整局部拉延阻力分布和改善拉延成形过程中金属的流动，提高拉延制件的质量．实践证明，压延筋的设计准则和数值模拟成形方法完全可行．     

基于FEA的拼焊板轿车中立柱拉延成形

运用DYNAFORM软件,对轿车侧围激光拼焊板中立柱进行冲压成形有限元数值模拟研究。通过观察成形极限图和厚度分布图对零件进行成形缺陷分析。针对成形结果中出现的拉裂、起皱和减薄等缺陷问题,采用调整成形工艺参数以及设置等效拉深筋的方法改善使成形结果,并根据仿真分析的结果,提出改进及优化工艺的方案。利用数值模拟过程中优化的工艺参数,进行实际零件的拉延成形实验,得到了质量较好的成形零件。研究结果表明:拼焊板焊缝模型的选取、板坯及工具网格的划分直接影响数值模拟的精度;冲压速度、压边力和拉深筋等工艺参数的选取直接影响零件的拉延成形,尤其是通过对拉深筋阻力的调节,平衡了材料的流动,解决了用调节压边力的方法无法解决的拼焊板零件成形问题。     

卡车后围板的冲压仿真与优化

以某新型卡车后围板为研究对象,利用数值模拟软件DYNAFORM,采用真实拉延筋的方法对其进行了成形模拟,通过模拟分析对其成形工艺参数和模型进行了必要的优化,避免了开裂等缺陷的产生.模拟结果与实验结果对比,验证了冲压仿真技术的可靠性.利用数值模拟技术对汽车覆盖件进行成形性分析,为冲压工艺规划和模具的设计提供指导性意见.     

基于DYNAFORM的汽车覆盖件成形分析

针对汽车车身模具中主要的汽车覆盖件模具的设计制造,采用DYNAFORM软件对典型的汽车覆盖件发动机罩外板进行成形分析,模拟分析设置不同的拉延筋和不设置拉延筋对汽车发动机罩外板成形的影响,预测覆盖件冲压成形过程中易产生的缺陷,根据模拟分析的结果可以修改模具设计和生产工艺,不仅可以降低生产周期和生产成本,而且减少了复杂多次的试模与修模,使生产效率提高、市场竞争力加强。     

基于CAE技术的拉延模具设计与制造

轿车油底盘在冲压成形时会出现拉裂、起皱的现象,通过Autoform软件对轿车油底盘的CAE工艺性分析,采用拉延筋、增大凸模圆角等方法来消除缺陷。对轿车油底盘设计出一套合理的工艺成形方案和连续模,最后,通过冲压实验验证模具结构设计的合理性。冷冲压模具CAD/CAM/CAE分析可以大大提高模具的设计质量,缩短模具的设计周期,提高模具的生产效率。     

基于 FASTAMP 的汽车发动机罩数值模拟

发动机罩是汽车覆盖件中的重要组成部件之一。该制件刚度和表面质量要求高,成形过程中常伴有板料变形不足的缺陷。基于 FASTAMP 对发动机罩的成形进行了冲压数值模拟,通过设计工艺补充面和压料面、调整压边力、布置拉延筋等措施,得到了可行的工艺方案,为类似冲压件的成形提供了一条行之有效的途径。     

汽车加油口盖组合成形工艺

针对传统的成形工艺易造成汽车零件厚度大幅减薄,致使零件成形后刚度降低的问题,采用组合成形工艺对该零件进行制造,即在预成形阶段采用液压成形,在成形阶段用冲压成形,通过数值模拟与试验设计相结合的方法,确定预成形阶段中预成形高度、预成形压边力、板料的尺寸、拉延筋阻力对成形质量的影响程度;利用响应面法建立各影响因素与目标之间的函数关系,通过遗传算法对该函数关系进行寻优计算,从而确定优化的参数组合,并通过试制验证了该组合工艺成形的可行性.     

径向基概率神经网络的结构优化算法研究

径向基概率神经网络（RBPNN）是在径向基函数神经网络（RBFNN）和概率神经网络（PNN）的基础上发展起来的一种新型的前馈神经网络（FNN）模型。该网络模型充分吸收了径向基函数神经网络和概率神经网络的优点,这种新的模型具有计算复杂度低、收敛速度快等优点。本文深入研究了径向基概率神经网络的结构优化算法,在遗传结构优化方法的基础上,提出一种新的两步学习算法,基于遗传算法的梯度学习算法。该算法一方面优化了网络结构,使网络结构尽可能的精简,另一方面有效地提高了网络的推广能力。     

基于遗传神经网络的数字化渐进成形回弹预测

针对传统BP神经网络具有易陷入局部极小等缺陷,采用遗传算法(GA)对BP神经网络(初始权值、阈值)进行了优化,将人工智能技术和激光扫描测量技术有机结合,建立了金属板材数字化渐进成形回弹预测的遗传神经网络模型,对计算结果与BP神经网络预测结果进行比较,表明遗传神经网络预测值与实测值之间具有很高的相关性和精确度,该模型可用于预测渐进成形工艺参数与回弹量之间的映射关系,为金属板材数字化渐进成形回弹量的预测开辟了一条新的途径.     

基于可控拉深筋的高强度板拉深性能优化及预测

合理地调节拉深筋阻力可以有效地改善板料拉深的成形质量,为此提出可控拉深筋技术以提高高强度钢板成形性能.以JAC590Y高强度钢板为研究对象,首先通过正交试验设计和数值模拟软件Dyanform相结合,研究三种不同类型的拉深筋运动轨迹对平底盒形件成形性能的影响,以极限拉深深度评判成形性能优劣,确定了优化的拉深筋运动轨迹类型为上升—静止—下降路线,并通过极差分析得到其主要影响因子H1和H2,同时结果表明三类可控拉深筋运动轨迹均能提高高强度钢板的成形性能.然后基于优化的可控拉深筋运动轨迹类型,通过模拟试验数据建立其各个因子与极限拉深深度的GA-BP(遗传算法-反向传播)神经网络预测模型,检验表明该模型能够较好地预测因子对极限拉深深度的影响,预测值与测试值的误差在5%以内.     

一种新的元胞网络模型

用元胞替换传统人工神经网络中的神经元,以局部连接取代相邻层级元胞之间的全连接,用规则演化算法替代BP算法,建立元胞网络模型．设计了元胞网络的训练过程：内嵌的遗传算法用于寻优各元胞状态离散化边界值以及元胞网络拓扑结构．以一个红酒分类基准数据为例,检验了元胞网络的学习性能和分类性能,获得了较为满意的结果．     

基于GA-PID神经网络的板形模式识别方法

针对传统板形模式识别方法存在抗干扰能力差和识别精度有限等缺点,提出了基于遗传算法(GA)优化的PID神经网络板形模式识别方法.PID神经网络不仅具备传统多层前向网络的特点,而且其隐含层具有动态特性,可以直接用于动态系统辨识.GA具备良好的并行设计结构,具有全局优化的特点,利用GA对网络权值进行优化,克服了传统BP算法易陷于局部极小的不足.仿真结果表明:GA-PID神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形模式识别精度,可以满足板带轧机高精度的板形控制要求.     

板材成形过程中直拉深筋作用的数值模拟

本文通过对板料在直拉深筋中变形过程的分析,给出了一个简化的直拉深筋作用分析模型.针对这个模型建立了有限变形弹塑性有限元方程,并利用所编制的程序计算了半圆形截面和方形截面直拉深筋作用下板料的变形.实验表明数值分析结果是可靠的.     

基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。