基于遗传算法和神经网络的曲面零件拉伸类翻边研究

利用遗传算法和BP神经网络建立曲面零件拉伸类翻边的计算模型,该模型可代替系统原来的有限元模型,提高了优化过程的效率。首先通过分析曲面零件拉伸类翻边的变形特点,找出影响其成形极限的主要因素,并利用正交试验法和有限元技术确定神经网络训练样本,同时得到了上述因素对翻边结束后板料最大变薄率的影响规律和影响重要程度,最后利用遗传算法的神经网络构建了主要影响因素对零件最大变薄率的响应面,并得到使翻边成形性能最优的设计参数组合。

汽车覆盖件翻边开裂问题解析

分析了伸长类翻边,翻边前和翻边后的几何特征变化。通过模拟翻边过程阐述了翻边伸长类似于扇形"弧度角"在不同半径下导致的弧长变化。根据几何学原理,将伸长变形显现化。结合现场常见案例,分析了在不同工艺下导致的开裂原因,并将整改后可能导致的问题提示说明。最后总结了常见翻边开裂问题的解决方案,为模具前期开发、制件造型、工艺规避及中后期模具维修调试提供了参考依据。

基于快速计算方法的汽车厚板料零件结构工艺性研究

通过深入研究快速计算方法的基础理论及其对工艺、计算方面的简化和假设,给出了该计算方法的适用条件,即应变路径线性条件,汽车上绝大部分弯曲、压形、翻边和简单拉延的零件都满足上述条件。从最满足线性加载条件的、简化和假设最少并且产品设计中出现问题较多的伸长类翻边结构入手,利用精确计算结果对快速计算结果及参数设定进行测试和校准,并给出该计算方法的评判标准和注意事项。通过计算结果对比可知,精确计算与快速计算偏差在±10%以内,因此利用快速计算方法进行伸长类翻边结构的工艺评审是可行的。