汽车后围板拉深成形过程中的回弹预测

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。

基于随机聚焦搜索算法的汽车后围内板冲压工艺优化设计

汽车覆盖件成形质量的影响因素及控制具有一定的复杂性和不确定性,仅凭经验和试错法,较难确定合理的工艺参数组合。以汽车后围内板为例,采用基于随机聚焦搜索算法的优化设计方法进行冲压工艺参数的优化设计。通过数值模拟与正交实验相结合获取优化模型的训练样本,利用BP神经网络构建随机聚焦搜索算法的优化目标函数模型,在此基础上应用随机聚焦搜索算法对工艺参数进行多目标优化,将优化后的工艺参数分别通过数值模拟和现场试模验证,均能得到较好且一致的成形质量,验证了该优化方法的正确性。

汽车后围内板冲压工艺的高斯扰动粒子群优化

为了提高汽车后围内板的制件质量,提出了基于高斯扰动粒子群算法的冲压工艺优化方法。针对冲压工艺流程,选择拉延工艺参数作为优化参数,以可以反映制件质量的参数作为目标参数,建立了优化目标函数。设计了4因素4水平的正交实验,并使用单隐含层BP神经网络对实验数据进行拟合。以粒子群算法为基础,提出了精英粒子分阶段高斯扰动策略,从而设计了基于高斯扰动粒子群算法的优化模型求解方法,得到了拉延工艺的最优参数。经模拟仿真成形和试制件验证,采用优化后的冲压工艺未出现起皱和开裂现象,验证了优化冲压工艺的有效性。