多角单次弯曲件回弹规律及智能化控制技术的研究

论文摘要

板材弯曲在汽车、农机、航空航天、仪表等领域中应用极为广泛。弯曲成形中最突出的问题是弯曲回弹难以精确控制,尤其是形状复杂的弯曲件。影响弯曲回弹的因素很多,即使是同牌号、同批次的板材,由于材料性能及工艺条件的波动也会引起弯曲件回弹量的较大变化。当前制造业市场的发展趋势是对高精度、多品种、小批量的弯曲件的需求日益增加,而原材料成本与最终产品价格的差额逐渐减小,并且竞争日趋激烈,迫使制造业寻求更为有效的方法,降低生产成本,提高生产率。采用智能化控制技术来实现弯曲回弹的精确控制,是解决上述问题的一种有效途径。板材弯曲智能化是将每个坯料看成性能各异的个体,在弯曲成形过程中,实时识别出每个个体的性能参数及工况参数,进而预测出最优的工艺参数,并以最优的工艺参数完成弯曲成形及其卸载的过程,从而达到更高的精度。本文在板材拉深成形和V形件自由弯曲成形智能化控制的研究成果基础上,分析了板材帽形件弯曲智能化需要解决的关键技术,在理论解析、参数识别及最优工艺参数的预测等方面的相关问题展开了系统研究。在板材弯曲智能化控制所要求的四个基本要素中,参数识别模型和最优工艺参数预测模型的建立是基于对弯曲成形规律认识的基础上的。利用板材成形塑性理论,根据弯曲变形特点,对多角单次弯曲成形及回弹机理进行了深入的理论研究,建立了能够描述多角单次弯曲成形及其回弹过程的U形件自由弯曲模型和帽形件弯曲模型。得出了几何参数和力学参数对弯曲回弹的影响规律,为帽形件弯曲智能化控制提供了理论依据。利用理论解析、有限元模拟和实验等研究手段,分析了对U形件自由弯曲和帽形件弯曲成形及卸载后回弹有影响的主要因素,从而确定了帽形件弯曲智能化控制过程中的参数识别及最优工艺参数预测模型。网络拓扑结构选择前向神经网络结构,Levenberg-Marquarat算法作为网络优化算法,并利用Matlab编程语言编写了神经网络算法程序。通过数值模拟和实验得到数据样本,进行网络训练,使得识别收敛精度达到1‰,且识别的泛化精度较高。此外,研究了样本数据和隐层节点数目对网络模型的效率、精度和泛化能力的影响规律。采用虚拟仪器控制软件LabVIEW、6062E数据采集卡及相关模块,建立了便携式数据采集系统。在该系统上开发了信号采集和传感器标定等程序,获得了令人满意的信号检测与控制的速度和精度。开发了信号采集程序与识别和预测模型之间的接口程序,从而实现了帽形件弯曲过程中材料参数的实时识别与最优工艺参数的实时预测及控制。建立了帽形件弯曲智能化控制系统,通过控制压边力,实现了弯曲回弹的精确控制,从而实现了帽形件弯曲成形的智能化控制。四种板材的帽形件弯曲智能化实验结果表明,按前述理论和实验研究结果建立的智能化弯曲系统是成功的。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 引言
• 1.3 板材成形智能化技术
• 1.4 板材弯曲成形智能化技术的研究现状及国内外发展趋势
• 1.4.1 板材弯曲成形的理论研究
• 1.4.2 弯曲回弹控制技术的研究现状
• 1.4.3 弯曲回弹的人工智能控制方法
• 1.5 选题的意义及主要研究内容
• 1.5.1 选题的意义
• 1.5.2 主要研究内容
• 第2章 U 形件自由弯曲和帽形件弯曲过程理论分析
• 2.1 概述
• 2.2 平面应变弯曲理论
• 2.2.1 纯弯矩弯曲理论
• 2.2.2 板料在模具作用下的弯曲理论
• 2.3 宽板U 形件自由弯曲理论分析
• 2.3.1 基本假设
• 2.3.2 弯矩及其分布
• 2.3.3 曲率
• 2.3.4 弯曲角和回弹角
• 2.3.5 弯曲力和弯曲行程之间的关系
• 2.3.6 影响弯曲力的因素
• 2.4 帽形件模型理论分析
• 2.4.1 基本假设
• 2.4.2 拉力的计算
• 2.4.3 弯矩的计算
• 2.4.4 弯曲行程
• 2.4.5 弯曲与反弯曲变形产生的条件
• 2.4.6 弯曲力
• 2.4.7 板材回弹
• 2.5 本章小结
• 第3章 U 形件自由弯曲及回弹影响因素分析
• 3.1 引言
• 3.2 有限元模拟模型的建立
• 3.2.1 求解算法的选择
• 3.2.2 材料模型的选择
• 3.2.3 单元类型的选择
• 3.2.4 接触分析
• 3.2.5 卸载路径的选择
• 3.2.6 仿真条件
• 3.2.7 数值模拟中摩擦系数的确定
• 3.3 U 形件自由弯曲及回弹的主要影响因素
• 3.3.1 分析模型
• 3.3.2 凸模圆角半径的影响
• 3.3.3 凹模圆角半径的影响
• 3.3.4 凸凹模间隙的影响
• 3.3.5 凹模跨度的影响
• 3.3.6 摩擦系数的影响
• 3.3.7 板材厚度的影响
• 3.3.8 材料性能的影响
• 3.4 本章小结
• 第4章 帽形件弯曲成形及回弹影响因素分析
• 4.1 引言
• 4.2 帽形件弯曲及回弹的主要影响因素
• 4.2.1 分析模型
• 4.2.2 压边力的影响
• 4.2.3 凸模圆角半径的影响
• 4.2.4 凹模圆角半径的影响
• 4.2.5 凸凹模间隙的影响
• 4.2.6 凹模跨度的影响
• 4.2.7 摩擦系数的影响
• 4.2.8 板材厚度的影响
• 4.2.9 材料性能的影响
• 4.3 本章小结
• 第5章 帽形件弯曲智能化控制技术的研究
• 5.1 帽形件弯曲的缺陷形式及控制方法
• 5.2 帽形件弯曲智能化控制方案
• 5.3 帽形件弯曲智能化控制过程的神经网络参数识别
• 5.3.1 人工神经网络技术简介
• 5.3.2 神经网络技术在塑性加工领域中的应用
• 5.3.3 识别网络模型输入输出层设计
• 5.3.4 网络模型隐层数目和隐层节点的选取
• 5.3.5 神经网络的优化算法
• 5.3.6 编程语言的选择
• 5.3.7 样本数据的采集及处理
• 5.3.8 网络模型识别结果
• 5.3.9 样本数据对网络输出变量识别精度的影响
• 5.3.10 网络泛化能力
• 5.4 帽形件弯曲智能化控制过程最优工艺参数的预测
• 5.5 本章小结
• 第6章 帽形件弯曲智能化控制实验系统
• 6.1 引言
• 6.2 系统的构成
• 6.3 液压机液压系统改装及实验装置设计
• 6.4 系统软件的功能及特点
• 6.4.1 系统软件的组成
• 6.4.2 系统软件编程工具的特点
• 6.5 基于LabVIEW 的数据采集系统
• 6.5.1 数据采集系统的工作原理及特点
• 6.5.2 基于便携式数据采集系统上的程序开发
• 6.6 智能化系统的标定
• 6.6.1 监测系统的标定
• 6.6.2 控制系统的标定
• 6.7 单向拉伸实验
• 6.8 帽形件弯曲智能化控制实验
• 6.8.1 帽形件弯曲智能化方案
• 6.8.2 弯曲过程中的参数实时识别及压边力预测
• 6.8.3 帽形件弯曲智能化实验
• 6.9 本章小结
• 结论
• 参考文献
• 攻读博士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介