为应对来自汽车轻量化的挑战， 高强度钢板已 成为颇具竞争力的汽车轻量化材料，它在抗碰撞性 能、耐蚀性能和成本方面较其他材料具有较大的优 势。然而高强度钢板低塑性的特点限制了它的广泛 应用。拉深筋作为板料成形中的重要控制手段，在 改善高强度钢板的成形质量方面也起到了积极的 作用。 目前，固定拉深筋用于普通板材成形方面已经相 当成熟。在冲压过程中，固定拉深筋提供恒定的进料 阻力，使材料发生塑性变形来成形零件。由于拉深筋 高度与拉深筋阻力之间存在着较好的线性增长关系， 且对拉深筋阻力的影响幅度也较大[1]，因此，对于难 成形的高强度钢板， 利用可控拉深筋来实时调整拉 深筋的高度， 以此调节成形过程中的塑性流动阻力 来改善其成形质量。国外有学者对可控拉深筋在提 高板料成形性能方面进行了相关研究， 通过监测成 形过程中的拉深阻力，调节拉深筋的高度位置，进而 基于可控拉深筋的高强度板U 形件 回弹质量研究 ●冲压技术● 控制板料拉深的成形质量。近年来，美国密西根科技 大学Xu Siguang、BohnMichael Lawrence 和William J Emblom 等人通过实验和模拟仿真技术相结合的 方法将可控拉深筋技术成功运用于铝板6111-T4， 并同时得到其相关成形规律[2-4]。 可控拉深筋与固定拉深筋在冲压过程中均是提 供成形阻力， 然而对于成形后的零件其内部应力应 变情况却不尽相同，因此，在其他条件相同情况下成 形后的零件回弹情况也不相同。而且，国内外在可控 拉深筋技术对回弹的影响方面的研究也尚未见报 道。 本文将可控拉深筋技术应用到高强度钢板，以 JAC590Y 高强度钢板为研究对象，建立U 形件拉深 成形过程的有限元仿真模型, 研究可控拉深筋运动 路径对高强度钢板U 形件法兰最大回弹量的影响， 并与传统的固定拉深筋比较， 得出该技术条件下的 回弹影响情况。 1 可控拉深筋技术原理 可控拉深筋拉深是在传统的普通拉深基础上， 辅以可以独立控制的拉深筋代替传统固定拉深筋， 实现了实时控制法兰区板料向凹模型腔流动的速 度，同时改变其径向拉深阻力。因此，在冲压成形过 程中其它工艺参数不变的条件下运用可控拉深筋拉 深技术可以进一步提高板材的拉深性能， 增加大高 径比、难成形材料零件的可成形性，其成形原理如图 1 所示。 2 可控拉深筋下弯曲回弹仿真分析 2.1 有限元模型的建立 采用Dynaform 软件建立JAC590Y 高强度钢板 U 形件的可控拉深筋弯曲成形有限元模型（见图 2）。拉深筋圆角半径为5mm，坯料尺寸为270mm× 80mm× 1mm，选用JAC590Y 高强度钢板，其主要 材料参数如下： 杨氏模量E=207 Gpa， 泊松比为 0.28，硬化指数为0.204，强度系数为1033MPa，各向 异性指数r0=0.643，r45=1.107，r90=0.772。板料单元采 用BT 壳单元，接触类型为单向面-面接触，凸模、凹 模、可控拉深筋及压边圈视为刚性体。摩擦条件为库 仑摩擦， 板料与所接触刚体的摩擦系数均取值 0.125。压边采用定间隙的方法，间隙为1.1mm。应用 各向异性材料屈服特性的三参数Barlat 屈服准则。 2.2 回弹评价指标 只有在除路径参数外其他模拟参数均相同时来 考查回弹量才有讨论意义。因此，回弹约束时选取相 同的约束方式和约束点， 在回弹后处理结果中选取 相同位置截面的最大回弹量作为零件回弹的评价指 标。由后续仿真分析可知，该最大回弹量处均处于法 兰最边缘，且U 形件各部位的弹性回复均能在法兰 边缘处得到体现。因此，该回弹评价指标的选择是合 理可行的。见图3。 2.3 基于拉丁超立方抽样方法的可控拉深筋运动路 径设计 通过对可控拉深筋工艺条件下的冲压过程进行 分析，确定相应的实验过程参数和变量，以得到仿真 分析的路径样本。 F 凸模 可控拉深筋 板料 压边圈 凹模 压边圈 板料 凹模 可控拉深筋 2.3.1 运动过程分析 在模拟过程中， 拉深筋运动路径对零件弯曲成 形性能起着重要的影响。为了研究可控拉深筋运动 路径对零件回弹的影响， 首先对5mm 固定拉深筋 条件下的弯曲过程进行了模拟， 得知零件最大回弹 量为5.45mm。 经分析， 可控拉深筋运动路径取决于冲压过程 中拉深筋的高度变化与冲头行程之间的匹配关系。 因此，我们首先确定运动参数与变量：约定冲头接触 板料时为冲头运动的零点，向下运动为正，最大行程 为U 形件最大弯曲深度55mm；圆形拉深筋最高点 与压边圈平齐时为拉深筋运动的零点， 向上运动为 正，最大运动高度为5mm。从理论上讲，凸模与拉深 筋对应无穷多种运动路径，冲压后得到的U 形件回 弹值也各不相同。但从工程实际应用而论，某些运动 路径匹配没有实际意义，最为重要的是，如果运动过 程节点选的越多， 经由液压电气控制的控制系统响 应时间可能极小，不能实现动作，且响应时间极小时 冲压得到的零件回弹量也相差无几。因此，凸模运动 过程中设计P1、P2、P3、P4 共4 四个节点，拉深筋对应 设计N1、N2、N3 共三个节点，P1、P2、P3、P4 相邻点之间 其最少相距5mm，该实验选择的压机最大运动速度 为8mm/s，则控制系统响应时间最少为t=5/8=0.625 s，控制系统足以达到要求。运动过程见表1。 2.3.2 拉丁超立方抽样 拉丁超立方抽样(LHS)方法是由McKay 等专门 为仿真实验提出的一种实验设计类型。拉丁超立方 实验设计是一种充满空间的设计[5]，能够避免重复 抽取已经出现的样本，抽样效率较高。该方法可以在 抽取较少样本的情况下， 获得较高的计算精度。以 Matlab7.2 为工具，选择拉丁超立方抽样方法，输入 P1、P2、P3、P4，N1、N2、N3 及其取值范围得到实验样本， 并对这些试验进行仿真分析， 样本实验以及得到的 回弹量S 见表2。 2.4 模拟结果分析 通过模拟分析， 得到各实验方案下相同截面的 弯曲回弹量（见图4，5）。由于上述因素的参数范围 没有包括凸模与拉深筋同时开始与停止运动的情 况， 该两种情况单独模拟分析的回弹量为10.68、 10.35mm。由图4，5 可知，在样本范围内，固定拉深 筋条件下的弯曲回弹量为最小， 可控拉深筋工艺条 实验组 因素回弹量 凸模运动节点位置P 可控拉深筋运动节点位置N 图4 凸模与拉深筋匹配运动曲线 Fig.4 Curve of match movement between punch and drawbead 凸模拉深筋P 取值范围/ mm N 取值范围/ mm 表1 凸模与拉深筋匹配运动情况表 固定拉深筋条 件下的回弹值 实验样本序号 回弹量/mm 件下抽样样本路径的回弹值均大于固定拉深筋条件 下的回弹值。 3 基于GA-BP 神经网络的全局寻优 通过以上分析，可控拉深筋路径与回弹量之间关 系具有不可预测性和模糊性，属于多因素单目标的非 线性问题， 因此适用于人工神经网络来进行回弹预 测，并结合遗传算法来搜寻全局最优解。 BP 神经网络是一种多层前馈形神经网络,可以 实现从多输入到多输出的任意非线性映射， 但不能 实现自动寻优。用遗传算法结合神经网络，可以实现 在自变量范围自动搜寻全局最优解。本文运用基于 遗传算法的BP 神经网络来建立可控拉深筋运动路 径-回弹量的GA-BP 网络，该网络选取三层构造，输 入层参数为P1、P2、P3、P4、N1、N2、N3，输出层为最小回 弹值，经过反复试凑，隐含层节点数选取为11，输入 层和隐含层的传递函数选择S 型正切函数， 输出层 和隐含层的传递函数选择线性函数， 输入和输出数 据均通过归一化处理，学习算法选择L-M 算法[6]。权 值优化时的编码方案采用实数编码方式， 初始群体 设定为16 个个体，种群的最大遗传代数为200。遗传 操作参数设置为：复制概率为0.1，交叉概率为0.9，变 异概率为0.03， 最优个体选择概率为0.02。通过 Matlab7.2 进行编程实现。经过200 次迭代，程序得 到最小的误差平方和值为2.10。 此时选择P1、P2、P3、P4、N1、N2、N3 参数范围（见表 1） 的5 种组合路径来检验通过样本数据构建的 GA-BP 神经网络的精度。将这5 种组合轨迹下的有 限元仿真值与GA-BP 神经网络的预测值相比较，得 出其相对误差如表3 所示。 从表3 可以看出， 最大的相对误差为5.8%，反 映了构建的GA-BP 神经网络具有较好的预测能力， 可以代替真实模型预测回弹。通过建立的GA-BP 人 工神经网络在自变量范围内自动寻找全局最优解为 5.82， 大于同等条件下固定拉深筋情况的回弹量 5.45。即：在弯曲成形过程中，固定拉深筋相当于可 控拉深筋在压弯的整个过程中处于5mm 的最高位 置不变，此时零件能获得更大的塑性变形，因此卸载 后由弹性回复引起的回弹量相对较小。
4 结束语 （1） 可控拉深筋技术可以实时调节板料流动阻 力，减少修模、试模时间。但和固定拉深筋比较，会增 加零件的回弹量。 （2） 对于高强板等难成形材料成形时， 在成形 质量要求严格，回弹质量要求不高时，采用可控拉深 筋技术是很好的选择。 （3） 采用可控拉深筋成形时， 其本身的运动路 径对回弹也有较大影响， 可以根据经验和多次调试 寻找成形与回弹质量的平衡点， 获得更高质量的产品。
|
