薄板V形自由折弯的回弹预测与分析

建立了薄板V形自由折弯的有限元模型,利用拉丁超立方抽样法确定了影响折弯回弹的主要因素组合方案,利用有限元模拟的回弹角度作为样本数据,对用于预测折弯回弹角度的BP神经网络模型进行了训练,采用平均影响值法对影响回弹角度的因素进行了敏感性分析,并利用蒙特卡罗法对折弯过程中的不可控因素进行了模拟,研究了折弯回弹角度的分布规律与变化区间。结果表明,建立的BP神经网络模型精度较高,可以准确预测V形自由折弯回弹角度;受不可控因素影响,折弯回弹角度基本符合正态分布,在置信系数为99.73%时,角度的波动达19.87%,表明不可控因素的波动对折弯回弹角度具有显著影响。

折弯机自由折弯时制件角度误差的原因分析与对策

折弯机自由折弯时制件角度误差的原因分析与对策余松敏（天水锻压机床厂研究所７４１０２０）在板料折弯机上进行板料的Ｖ型折弯，目前常用的方式有这么几种：①强制折弯或校正折弯；②自由折弯；③三点式折弯。如图１所示。图１这几种折弯方式虽然都能把板料压弯折制成设...

折弯机自由折弯时滑块进深的计算和实用公式

折弯机自由折弯时滑块进深的计算和实用公式余松敏（天水锻压机床厂研究所）在折弯机上用自由折弯方式对板料进行某一设定角度折弯时，要计算和控制滑块的进深，也就是控制滑块上下运动时的定位值，使装在滑块上的上模在压弯板料达到某一位置时，恰好能把板料折成某设定角...

在线接触加热的高强钢板自由温折弯成形工艺研究

针对普通热成形工艺难以用于高强钢折弯等常见局部成形的现状,以NM450TP耐磨高强钢为研究对象,利用实验和数值模拟研究了基于局部在线接触加热的自由温折弯成形新方法,探讨了NM450TP材料的温成形特性、接触加热热传导行为以及温折弯变形等问题。结果表明,通过对坯料折弯变形区的局部、精确接触加热,NM450TP板自由温折弯性能得到了大幅提升,有效避免了自由温折弯的开裂。该方法具有模具结构简单、易于实现和加热效率高等优点,可为难变形材料的局部自由折弯温成形提供借鉴。

基于DPSO-BP神经网络的V形自由折弯成形角度和回弹预测

采用基于DPSO算法优化BP神经网络(DPSO-BP)的机器学习算法建模,提出一种考虑材料参数和几何参数的V形自由折弯成形角度和回弹的预测方法。该方法主要引入非线性惯性权重改进粒子群(PSO)算法,进一步优化神经网络的初始权值和阈值,构建神经网络预测模型。以不同批号的SUS304不锈钢板料为研究对象,通过设计正交试验得到45个训练样本数据,验证所建立的预测模型的准确性。结果表明:采用DPSO-BP神经网络模型预测的成形角和回弹角的平均误差分别为0.150°和0.120°,与未优化的PSO-BP神经网络模型相比,预测的成形角和回弹角的平均误差明显减小,且计算耗时由14.0 min大幅缩短至0.8 min,同时实现了高预测精度和高计算效率。

板料V形自由折弯成形数据库校正方法

自由折弯因其模具通用性好、加工效率高,因而在小批量板料折弯成形中得到广泛应用。但对其加工精度的控制,特别对与成形角度直接相关的V形板料折弯滑块下压量的精度控制一直是业内一个难点问题。为获得更高的角度精度,常采用多次试折法,渐进达到加工要求,且对加工人员经验要求较高。对自由折弯成形中滑块下压量进行理论计算推导,提出一种通过角度经验校正数据库修正理论计算的方法。基于以上方法在不同模具上使用不同厚度的Q235和不锈钢板料进行不同折弯角度折板实验,两次试折后,实验折弯角度误差在±0.5°,满足国标GB/T 14349-2011中对钣金产品折弯角度的精度要求。该方法已应用于本实验室自主研发的折弯机数控系HNC-SPB60中。

基于径向基函数近似模型的板料自由折弯成形回弹预测

为实现对钣材V形自由折弯的有效控制,首先建立了V形自由折弯卸载前上模下压量模型,并基于此理论模型在有限元分析软件ABAQUS中运用显示和隐式相结合的方法,对板材V形自由折弯成形与回弹过程进行有限元仿真。然后以板料回弹量为试验指标,以板料厚度、板料弹性模量、上模圆角半径和下模开口宽度为影响因子,每个影响因子取5个水平数,设计了正交试验。根据正交试验方案及结果,建立自由折弯板料成形回弹的径向基函数近似模型。通过仿真试验与实际折弯试验对模型进行了验证,回弹预测角度误差为±0. 8°,验证了方法的可行性,为下一步应用于自主研发的折弯机数控系统提供支持。

基于BPNN神经网络的板材V型折弯回弹预测模型

针对板材V型自由折弯工艺,首先合理地选择13个回弹影响因素,采用拉丁超立方进行实验设计,基于V型折弯回弹的有限元分析,建立对应不同因素组合的回弹数据大规模样本。通过平均冲击值法对13个回弹影响因素进行敏感性分析,确定影响较为显著的前7个因素。然后,通过遗传算法与反向传播神经网络相结合的方法(GA-BPNN)分别构建了考虑13因素和7因素的板材折弯回弹预测模型。经板材V型折弯实验及有限元模拟结果验证,考虑13因素的回弹预测模型比考虑7个敏感因素的回弹预测模型具有更高的预测精度,说明基于GA-BPNN算法的折弯回弹建模应全面合理地考虑回弹影响因素。

基于改进PSO-BP神经网络的回弹预测研究

在V形自由折弯中,准确地预测板料回弹,有利于实际生产中精确地控制回弹以提高生产效率。由于板料回弹的影响因素众多,呈现出复杂的非线性变化特征,采用传统的BP神经网络难以满足高精度的预测要求,因此为了进一步有效预测板料的回弹,提出基于改进粒子群算法优化的BP神经网络预测模型。对标准粒子群算法的缺陷进行改进,利用改进粒子群算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解,提高了BP神经网络预测模型的收敛精度和泛化能力。将改进PSO-BP神经网络预测模型应用在板料回弹预测中,并与LM-BP神经网络预测模型进行对比仿真,结果表明改进PSO-BP神经网络预测模型具有更高的非线性拟合优度和预测精度。