一种金属异质板料无铆钉铆接接头性能优化方法

本发明属于板料连接
技术领域：
，具体涉及一种金属异质板料无铆钉铆接接头性能优化方法。
背景技术：
：无铆钉铆接是利用铆接模具使待铆接板料发生弹塑性变形，板料流动到凹模的凹槽内，构建出锁紧结构，进而形成有效连接的连接技术，这种连接方式具有无热输入、自动化程度高、工序简单等优点，在板料连接方面得到了越来越多的应用，如汽车天窗的骨架连接，然而，无铆钉铆接过程中，由于金属异质板料流变特性的差异，不合理的结构工艺参数选取会导致成形后无铆钉铆接接头力学性能不佳，甚至失效。传统的无铆钉铆接过程结构工艺参数选取依赖设计者的经验和有限元仿真，即设计者通过反复地修改仿真模型、试模来确定能够保证接头力学性能的结构工艺参数，上述的方法和经济成本比较高，无法满足现代制造业的要求，同时异质板料的无铆钉铆接是个复杂工艺过程，多种因素相互作用，即在同一时刻选取到最优的结构工艺参数的组合几乎不可能，综上，依靠设计者的经验和有限元仿真模拟难以高效地确定出合适的结构工艺参数，因此设计者需要寻找一种能缩短设计周期、减少设计成本且保证无铆钉铆接接头力学性能的优化方法。技术实现要素：发明目的：为解决实际工程中的金属异质板料无铆钉接头力学优化的问题，本文提出一种金属异质板料无铆钉铆接接头性能优化方法，包括以下步骤：步骤1：对金属异质板料无铆钉铆接结构工艺参数进行数字化，设计相应变量；步骤2：定义样本空间，进行拉丁超立方抽样试验；步骤3：进行金属异质板料的无铆钉铆接试验及接头性能测试试验，并用试验中的结构工艺参数在abaqus中仿真模拟无铆钉铆接成形过程，试验与仿真的接头截面关键尺寸进行对比；步骤4：建立kriging代理模型，并通过试验和abaqus有限元仿真模拟两个尺度检验kriging代理模型的预测精度；步骤5：将kriging代理模型预传入遗传算法中，全局搜索得到pareto最优解集；步骤6：从pareto最优解集中，选取符合条件的解集，进行金属异质板料无铆钉铆接接头成形以及性能实验。进一步的，所述步骤1具体为：无铆钉铆接接头关于中心线轴对称，在cad中画出二维的轴对称模型，定义影响接头尺寸tn、tu的结构工艺参数主要为：凸模半径(x1)、凹模半径(x2)、凹模深度(x3)、凹槽宽度(x4)、冲程(x5)。进一步的，所述步骤2具体为：定义设计空间的下边界xlow、上边界xup，进行m组拉丁超立方抽样试验。进一步的，所述步骤3具体为：根据试验中的结构工艺参数，在abaqus中仿真模拟无铆钉铆接成形过程，试验与仿真的接头截面的颈厚值、自锁值、板料最大缝隙进行对比，如果仿真和试验的误差过大，则调整abaqus中网格的划分形式和求解方式。进一步的，所述步骤4具体为：包括以下子步骤：p4-1：在一个新的试验点，颈厚值和自锁值的线性无偏预测可以表示为：p4-2：f(x)是预先设置的基函数，f是关于样本点和f(x)的系数矩阵，rt是长度为ns的未实验的样本点和已经实验样本点间的关系向量，其中相关函数采用高斯函数：nd是设计变量的数目，θk是第k个设计变量对应相关函数中的参数，xik和xjk是xi和xj的第k个分量，参数和求得方式如下：利用极大似然估计求解kriging模型的相关参数θk，如下：p4-3：在抽样范围内，随机地选取一组结构工艺参数为输入参数，利用试验和abaqus仿真模拟，检验kriging模型的预测精度，若精度不满足，则返回步骤2，增大样本空间和抽样次数。进一步的，所述步骤5具体为：将kriging模型定义为函数，作为适应度函数传入遗传算法中，利用遗传算法的全局搜索能力，得到tn和tu的pareto解集。进一步的，所述步骤6具体为：从pareto最优解集中，选取符合条件的解集，并从中选取一组解，当作输入的结构工艺参数，进行金属异质板料无铆钉铆接接头成形以及性能实验，若最大抗拉力和抗剪力均大于步骤3的试验结果，则优化成功，否则从符合条件的解集里再选择另一组解，直到优化成功为止，若整个解集都不满足，则返回步骤2，增大样本空间和抽样次数。附图说明图1为本发明的一种金属异质板料无铆钉铆接接头性能优化方法总体流程图。图2为本发明的结构工艺参数数字化图。图3为本发明的试验与仿真接头截面关键尺寸对比图。图4为本发明的pareto最优解集图。图5(a)为接头抗拉伸过程的力-位移曲线。图5(b)为接头抗剪切过程的力-位移曲线。具体实施方式下面结合附图和实施例进一步阐述本发明现对本发明的一种金属异质板料无铆钉铆接接头性能优化方法介绍如下：整体优化流程见附图1，实施例中选择hc340/dp590高强钢和6061铝合金为待铆接板料。实施例步骤1：对无铆钉铆接结构工艺参数进行数字化，设计相应变量，定义凸模半径(x1)、凹模半径(x2)、凹模深度(x3)、凹槽宽度(x4)、冲程(x5)为优化过程中的自变量，定义颈厚值tn、自锁值tu待优化过程中的目标值，见附图2。步骤2：定义样本空间，确定x的下边界xlow、上边界xup，如表1：自变量x1x2x3x4x5下限2.74.11.513.2上限2.94.31.71.23.4进行28组拉丁超立方抽样试验。步骤3：进行钢铝异质板料的无铆钉铆接成形和性能试验，并用相同的结构工艺参数在abaqus中仿真模拟无铆钉铆接过程，试验与仿真的接头截面关键尺寸进行对比，见附图3，检验abaqus的计算精度，如果仿真和试验的误差过大，则调整abaqus中网格的划分形式和求解方式，直到误差在20％之内。步骤4：p4-1：建立kriging模型，具体的为：根据步骤2得到的拉丁超立方抽样的样本点，在abaqus中计算出其响应值，如表2：kriging模型可以表示为：p4-2：f(x)是预先设置的基函数，选择f(x)＝1，其中相关函数采用高斯函数：nd是设计变量的数目，nd＝5，考虑各向异性，针对于5个变量，每一个变量选取一个θ，θk＝5，参数和求得方式如下：利用极大似然估计求解kriging模型的相关参数θk，如下：p4-3：在表(1)的抽样范围内，随机地选取一组结构工艺参数为输入参数，分别地在kriging模型、abaqus有限元仿真、试验中的得到其响应值，若相对误差均小于20％，进入下一步，否则，返回步骤2，增大样本空间和抽样次数。步骤5：定义kriging代理模型为函数，传入多目标优化遗传算法中，如下式：步骤6：利用遗传算法得到pareto最优解集，见附图4，从之选取符合条件的解集，即颈厚值大于0.359，自锁值大于0.238的集，并选取一组解当作输入的结构工艺参数，进行无铆钉铆接接头成形和性能实验，测量最大抗拉力和最大抗剪力，得到力-位移曲线，若最大抗拉力和抗剪力均大于步骤3的试验结果，见附图5，则优化成功，否则从符合条件的解集里再选择另一组解，直到优化成功为止，若整个解集都不满足，则返回步骤2，增大样本空间和抽样次数。当前第1页12