专利名称：基于有限元技术和人工神经网络的精冲模具磨损预测方法
技术领域：
本发明涉及精密冲裁技术领域，尤其涉及一种基于有限元技术和人工神经网络的 精冲模具磨损预测方法。
背景技术：
精密冲裁(简称精冲)技术能够通过单步工序生产出截面质量高、机械性能好的 冲裁件，省去了后续的加工工序，极大地提高了生产效率和降低了生产成本。目前该技术广 泛应用与摩托车、汽车以及航空航天领域。精密冲裁所具备的特殊的工艺条件带V型齿圈 的压边圈、较高的压边力、较高的反顶力以及较小的冲裁间隙使得精冲模的磨损程度远远 大于普通冲裁过程中的模具磨损程度。当精冲模的磨损量达到一定的程度时，将不能有效 的生产出合格的产品，从而导致模具的报废。磨损失效时精冲模失效的主要形式之一。国 内外对精冲的研究主要集中在研究精冲机理以及精冲件的质量，针对精冲模磨损的研究则 非常少。在以往针对冲裁模磨损的研究中，首次冲裁时的模具磨损量被认为是模具在整个 模具服役期的平均磨损量，并据此来预测模具的寿命以及冲裁件的质量。然而，实践表明 模具在其整个服役期大致经历了跑和磨损、稳定磨损以及剧烈磨损这三个阶段。仅用首次 冲裁时的模具磨损量来代替模具在整个服役期中的平均磨损量来指导生产以及修模显然 是不准确的，不能及时、有效的指导模具的修护以及保证精冲件的质量。
发明内容
针对上述存在的技术问题，本发明的目的是提供一种基于有限元技术和人工神经 网络的精冲模具磨损预测方法，以提高精密冲裁模具磨损的预测精度、缩短响应速度、增强 可操作性。为达到上述目的，本发明采用如下的技术方案有限元分析模型建立步骤，该步骤在Def0rm-3D中建立精冲模磨损有限元分析模 型，采用Normalized Cockcroft and Latham断裂准则来预测精冲过程中坯料的裂纹扩展 过程，引入Archard磨损模型来计算精冲过程中模具的磨损深度值；神经网络模型建立步骤，该步骤采用正交试验设计方法，在Def0rm-3D中进行数 值模拟，将所获取的模拟实验结果对设计好的神经网络模型进行训练，以获取精冲模具磨 损量同精冲工艺参数之间的函数映射关系；确定几何参数同模具磨损之间关系的步骤，该步骤确定冲裁间隙、凹模圆角半径 同模具磨损量之间的函数关系，并确定模具硬度与冲裁次数之间的函数关系；精冲模具磨损预测模型建立步骤，该步骤根据已经获取的精冲模具磨损量同精冲 工艺参数之间的函数关系以及各工艺参数同磨损量之间的函数关系，基于Matlab计算平 台建立精冲模磨损预测模型。所述有限元分析模型建立步骤中的Normalized Cockcroft and Latham断裂准则被用来预测精冲过程中冲裁材料的裂纹扩展过程
权利要求
1.一种基于有限元技术和人工神经网络的精冲模具磨损预测方法，其特征在于，包括有限元分析模型建立步骤，该步骤在Def0rm-3D中建立精冲模磨损有限元分析模型， 采用Normalized Cockcroft and Latham断裂准则来预测精冲过程中坯料的裂纹扩展过 程，引入Archard磨损模型来计算精冲过程中模具的磨损深度值；神经网络模型建立步骤，该步骤采用正交试验设计方法，在Def0rm-3D中进行数值模 拟，将所获取的模拟实验结果对设计好的神经网络模型进行训练，以获取精冲模具磨损量 同精冲工艺参数之间的函数映射关系；确定几何参数同模具磨损之间关系的步骤，该步骤确定冲裁间隙、凹模圆角半径同模 具磨损量之间的函数关系，并确定模具硬度与冲裁次数之间的函数关系；精冲模具磨损预测模型建立步骤，该步骤根据已经获取的精冲模具磨损量同精冲工艺 参数之间的函数关系以及各工艺参数同磨损量之间的函数关系，基于Matlab计算平台建 立精冲模磨损预测模型。
2.根据权利要求1所述的基于有限元技术和人工神经网络的精冲模具磨损预测方法， 其特征在于所述有限元分析模型建立步骤中的Normalized Cockcroft and Latham断裂准则被用来预测精冲过程中冲裁材料的裂纹扩展过程
3.根据权利要求1或2所述的基于有限元技术和人工神经网络的精冲模具磨损预测方 法，其特征在于所述有限元分析模型建立步骤中的Archard磨损模型为 Archard磨损模型被用来计算在精冲过程中模具的磨损情况
4.根据权利要求1所述的基于有限元技术和人工神经网络的精冲模具磨损预测方法，其特征在于所述神经网络模型建立步骤中，精冲模具磨损量同精冲工艺参数之间的函数映射关系 包含于训练好的网络模型之中，其表达式如下 W = f1 ( Σ ω3Γ( Σ ω2Γ( Σ Q1X)))式中，W代表模具磨损量；X = [χι; χ2, Λ，χ6]代表着包含有各工艺参数的矩阵；f1为隐 藏层2同输出层之间的线性转换函数；fs为在输入层同隐藏层1，隐藏层1同隐藏层2之间 的S型转换函数；ω” ω2，ω3分别代表输入层同隐藏层1，隐藏层1同隐藏层2以及隐藏层 2同输出层之间的连接权矩阵。
5.根据权利要求1所述的基于有限元技术和人工神经网络的精冲模具磨损预测方法， 其特征在于所述确定几何参数同模具磨损之间关系的步骤中的冲裁间隙为 随着冲裁次数的增加，冲裁间隙在逐渐增大 Si = S^1+ η ^wi式中，Si为第i次冲裁后的冲裁间隙；S"代表第i-Ι次冲裁后的冲裁间隙 ’Wi为第i 次冲裁时的模具磨损深度值；n为实验校正系数；所述确定几何参数同模具磨损之间关系的步骤中的凹模圆角半径为 凹模圆角半径也是在对着冲裁次数的变化而变化，根据几何关系得出R^+l=R^+(l + 4 )μw^+l 式中，Ri，Ri+1分别为第i次及第i+Ι次冲裁后的凹模圆角半径；为第i+Ι次冲裁时 的模具磨损深度值；μ为实验校正系数；所述确定几何参数同模具磨损之间关系的步骤中的模具材料硬度为 模具刃口处承受的接触应力，其硬度值同冲裁次数具备一定的函数关系H0 + ikxi < TilH1 = j H1^ η, <i< n2H1-I ~k2(i-n2) i>n2 式中，Htl为模具的初始硬度值曲为第i次冲裁后，模具刃口处材料硬度；I^lc2分别为 模具在跑和磨损阶段以及剧烈磨损阶段其刃口处材料硬度变化率；叫，n2分别为跑和磨损 阶段以及稳定磨损阶段的冲裁次数，ki; k2以及n” n2需要实验校正。
6.根据权利要求1-5中任一项所述的基于有限元技术和人工神经网络的精冲模具磨 损预测方法，其特征在于精冲模具磨损预测模型建立步骤包括以下子步骤初始工艺参数:P0，E0, V0, S0, R0, H0步骤1 计算第一次冲裁时的精冲模磨损量wI = Fw(P0，E0, V0, S0, R0, H0)；计算第2次冲裁时的精冲工艺参数P1 = Fp(W1) = fe(Wl) -,N1 = fv(Wl) A1 = fs(Wl) = fr (W1) = fh(Wl) 步骤2 根据步骤1中的精冲工艺参数计算第2次精冲模磨损量 W2 = Fw(PijEijVijSijRijH1)； 计算第3次冲裁时的精冲工艺参数P2 = fP (w2) ；E2 = fe (w2) ；V2 = fv (w2) ； S2 = fs (w2) ；R2 = fr (w2) ；H2 = fh (w2) 步骤i :计算第i次冲裁时的精冲模磨损量 wI = Fw (Pi-I' Eh，Vh, Sh, Ri^1, Hi^1)； 计算第(i + l)th次冲裁时的精冲工艺参数Pi = fp(wi) ;Ei = fe(Wi) ;Vi = fv(Wi) ;Si = fs(Wi) ;Ri = fr (Wi) ;Hi = fh(Wi) 总磨损量:sum(W1, . . . , Wi)其中，Wi为第i次冲裁时的模具磨损量；Fw*精冲模磨损量同各工艺参数之间的内在的 函数关系，该关系可以通过神经网络模型获取；Pi, Ei, Vi, SiAi和Hi分别代表在第i次冲裁 时的精冲工艺参数压边力，反顶力，冲裁速度，冲裁间隙，凹模圆角半径以及模具硬度；fp， fe, fv，fs，fr以及fh分别代表了压边力，反顶力，冲裁速度，冲裁间隙，凹模圆角半径以及模 具硬度同模具磨损之间的函数关系。
全文摘要
本发明涉及精密冲裁技术领域，尤其涉及一种基于有限元技术和人工神经网络的精冲模具磨损预测方法。本发明包括建立有限元分析模型步骤，在有限元分析计算平台上模拟精冲工艺过程，利用Archard磨损模型计算精冲过程中模具的磨损量；建立神经网络模型步骤，利用正交试验设计所指导的有限元分析结果对设计好的神经网络模型进行训练，以获取精冲模磨损量同精冲工艺参数之间的函数关系；精冲工艺参数步骤，根据几何关系以及生产实践获取精冲工艺参数同模具磨损量、冲裁次数等之间的函数关系；精冲模磨损预测模型建立与仿真步骤。本发明具有预测精度高，响应速度快，可操作性强的特点。
文档编号G06F17/50GK102103646SQ20101058541
公开日2011年6月22日 申请日期2010年12月14日 优先权日2010年12月14日
发明者华林, 尹飞, 毛华杰, 钱东升 申请人:武汉理工大学