本发明涉及金属塑性成形领域，尤其涉及一种热冲压压边力优化控制方法。
背景技术：
压边力在铝合金热冲压工艺中是一个十分重要的工艺参数，合适的压边力大小有利于提高冲压件的成形质量。过大的压边力则易导致破裂的产生；过小的压边力则起不到压边效果，易导致起皱的出现。在热冲压过程中，采用如图1所示的冲压模型，包括凸模1、压料板2、板料3和凹模4，压料板2为单块整体式，各部分压边力大小相同，压边力的控制在绝大多数情况下使用的是单一压边力，即在压边区对板料始终施加同样大小的压边力。这种方案的优势是方便控制，便于实施；不足之处在于对压边力的控制缺乏灵活性，导致成形件在部分区域产生破裂，而又在部分区域产生起皱。在现阶段，铝合金热冲压技术的应用仍然没能走向工业化应用，限制其应用的一个重要原因是复杂形状零件的热冲压成形质量差。采用多块分区式压料板对压边力进行控制，同时设定压边力的数值可随时间而变化，可有效解决单一压边力所面临的问题。因此，本发明分区多块式压边力控制方案，结合有限元仿真分析与神经网络优化算法，给出合理的压边力优化控制方案。可实现压料板对成形件不同区域、不同成形阶段的压边力控制，避免破裂或起皱的产生，改善原有热冲压件的成形质量。
技术实现要素：
有鉴于此，本发明旨在提出一种热冲压压边力优化控制方法，以减少现有铝合金热冲压工艺中铝合金板料成形质量差的问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种热冲压压边力优化控制方法，包括以下步骤：
步骤1：建立包含有分块式压料板的冲压仿真模型；
步骤2：将所述压料板的各部分分别编号为1至n；
步骤3：对所述冲压仿真模型进行有限元仿真分析，获取冲压成型参数；
步骤4：对有限元分析结果进行判断，判断所述冲压成型参数是否均在阈值范围内，如果是，进入步骤6，如果否进入步骤5；
步骤5：对有限元分析结果利用神经网络进行优化分析，并返回步骤4；
步骤6：利用热冲压实验验证有限元仿真分析的可靠性。
在采用分区式压料板热冲压实验之前进行有限元仿真分析，可以大大减少直接实验的次数，降低模具成本，可实现压料板对成形件不同区域、不同成形阶段的压边力控制，避免破裂或起皱的产生，改善原有热冲压件的成形质量。
进一步的，所述步骤3中有限元仿真分析包括采用正交试验设计的方法设计有限元仿真方案。
正交试验设计，是指研究多因素多水平的一种试验设计方法。根据正交性从全面试验中挑选出部分有代表性的点进行试验，这些有代表性的点具备均匀分散，齐整可比的特点，在热冲压实验中，影响压边力的因素有多个，具体正交试验步骤为1)确定试验因素；2)选用合适的正交表；3)列出试验方案及试验结果；4)对正交试验设计结果进行分析，包括极差分析和方差分析；5)确定最优或较优因素水平组合。
进一步的，所述有限元仿真分析中设计变量为压边力数值，控制变量为压料板的各部分编号以及压边力间隔步长。
利用正交试验设计得出设计变量为压边力数值、控制变量为压料板的各部分编号以及压边力间隔步长为最优或较优因素水平组合。
进一步的，所述步骤3中冲压成型参数包括最大减薄量、最大增厚量、厚度均匀度。
进一步的，所述步骤5中利用神经网络进行优化分析时将设计变量、控制变量作为输入变量，有限元仿真结果的冲压成型参数作为输出变量。
所述神经网络算法包括输入层、输出层神经元，具体算法为公知技术，将压边力数值作为神经网络首次优化计算时输出层的输入，压料板的各部分编号以及压边力间隔步长作为输出层各个输出神经元的输入，将最大减薄量、最大增厚量、厚度均匀度作为神经网络的输出变量，判断实际输出与理想输出之间的误差值是否小于1％，如果所述误差值小于1％，则输出该有限元模型的参数，完成设计，如果所述误差值大于1％，进行迭代修正；完成所述迭代过程后，得到有限元模型的参数，完成设计。
进一步的，所述步骤6中在热冲压实验过程中，采用分区式压料板进行压边力控制。
进一步的，所述压边力根据有限元仿真分析结果或利用神经网络优化分析后的有限元仿真分析结果设定。
对冲压仿真模型完成有限元分析及优化后，能够得出整个过程中分区式压料板各个部分压边力大小，将其输入冲压实验模具控制系统，对分区式压料板进行压边力控制。
进一步的，所述分区式压料板与液压缸或气压缸连接，并由所述液压缸或气压缸控制所述压边力。
液压缸或气压缸控制使得结构简单，并且模具成本较低，控制精准。
进一步的，所述分区式压料板的各部分压边力大小随时间变化。在冲压过程中，为了保证成型质量，不同成形阶段的压边力具有差别，在冲压实验模具控制系统输入不同成型阶段的压边力，使得分区式压料板的各部分压边力大小随时间变化。
本发明所述的一种热冲压压边力优化控制方法具有以下优势：
(1)本发明所述的一种热冲压压边力优化控制方法，通过压边力优化控制的方式对铝合金板料在热冲压过程中的压边力分布进行控制，以合理控制成形件不同区域的压边力大小，对于提高零件的整体成形质量具有重要意义；
(2)本发明所述的一种热冲压压边力优化控制方法，通过有限元分析，并结合神经网络优化算法，工艺简单，应用灵活，同时可大幅降低热冲压实验费用，具有较好的经济性。
(3)本发明所述的一种热冲压压边力优化控制方法，可以应用到其他热冲压件需要压边力优化控制的场合。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的常用单块整体式压料板的示意图；
图2为本发明实施例所述的分区多块式压料板的示意图；
图3为本发明实施例所述的压边力优化控制流程图；
图4为本发明实施例所述的具体的压边力优化方案流程图。
附图标记说明：
1、凸模；2、压料板；20、压料块；3、板料；4、凹模。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明中涉及“第一”、“第二”、“上”、“下”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“上”、“下”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当实施例之间的技术方案能够实现结合的，均在本发明要求的保护范围之内。
下面将参考附图并结合实施例来详细说明本发明。
如图2所示的实施例，冲压模具包括凸模1、凹模4，所述凹模4为圆环形，所述凸模1为圆柱形，且与所述凹模4同轴设置，圆形板料3放置在凹模4上，压料板2设置在板料3上部边缘，所述压料板2内部开设有圆形孔，以便凸模1穿过压料板2进行冲压，所述凸模1悬置在所述压料板3上方，当冲压进行时，所述凸模1向下运动，将板料3进行冲压，压料板2压住板料3无需冲压的位置，保证板料3冲裁后剩余部分不起皱不变形。在该实施例中，所述压料板2为分区式，包括多个压料块20，多个所述的压料块20组合排列设置于板料3边缘上，冲压时每个所述压料块20在冲压方向能够单独受力，并且能够对板料边缘不同区域产生不同的压边力。优选的，该实施例中压料板2为圆环形，并且为组合式设置，所述压料块20为弧形块，多个压料块20组合成圆环形的压料板2，压料块20数量至少为两块，并且根据实际冲压板料3的整体面积以及需要冲压的面积、厚度等进行设置。
在实际生产中，直接进行生产实验，需要进行多次试验，容易产生废品，浪费材料，并且有可能损伤模具，导致生产成本提高，因此在实际实验之前，进行有限元仿真模拟，能够大大降低生产成本。
如图3所示，本实施例中提出一种热冲压压边力优化控制方法，一种热冲压压边力优化控制方法，包括以下步骤：
步骤1：建立包含有分块式压料板的冲压仿真模型；
步骤2：将所述压料板的各部分分别编号为1至n；
所述压料板2包括多个压料块20，由于压料块20至少为2块，n的取值为大于等于2的整数，考虑到压料块20越多，支撑和控制压料块20的部件越多，模具成本提高，因此n的取值小于等于10，优选的，n的取值为4或5或6，能够确保有限元分析的快捷以及控制模具成本，并且尽可能使压边力控制效果更好；
步骤3：对所述冲压仿真模型进行有限元仿真分析，获取冲压成型参数；
进一步的，所述步骤3中冲压成型参数包括最大减薄量、最大增厚量、厚度均匀度，有限元仿真分析包括采用正交试验设计的方法设计有限元仿真方案；
具体正交试验步骤为1)确定试验因素；2)选用合适的正交表；3)列出试验方案及试验结果；4)对正交试验设计结果进行分析，包括极差分析和方差分析；5)确定最优或较优因素水平组合，利用正交试验设计得出设计变量为压边力数值、控制变量为压料板的各部分编号以及压边力间隔步长为最优或较优因素水平组合；
步骤4：对有限元分析结果进行判断，判断所述冲压成型参数是否均在阈值范围内，如果是，进入步骤6，如果否进入步骤5；
各冲压成型参数的阈值为理论值，例如板料3厚度为h，h取值大于0，最大减薄量理论值为板料3厚度的25％，即0.25h；最大增厚量理论值为板料3厚度的10％，即0.1h；厚度均匀度的理论值为板料3厚度的5％偏差，即(1±0.05)h。所述有限元分析结果中最大减薄量大于等于0，小于等于0.25h；最大增厚量大于等于0，小于等于0.1h；厚度均匀度大于等于0.95h，小于等于1.05h。同时满足三个条件进入步骤6，假如最大减薄量、最大增厚量、厚度均匀度其中有一个超过理论值，则进入步骤5；
步骤5：对有限元分析结果利用神经网络进行优化分析，并返回步骤4；
进一步的，所述有限元仿真分析中设计变量为压边力数值，控制变量为压料板的各部分编号以及压边力间隔步长；
进一步的，所述步骤5中利用神经网络进行优化分析时将设计变量、控制变量作为输入变量，有限元仿真结果的冲压成型参数作为输出变量；
所述神经网络算法包括输入层、输出层神经元，具体算法为公知技术，将压边力数值作为神经网络首次优化计算时输出层的输入，压料板的各部分编号以及压边力间隔步长作为输出层各个输出神经元的输入，将最大减薄量、最大增厚量、厚度均匀度作为神经网络的输出变量，判断实际输出与理想输出之间的误差值是否小于1％。如果所述误差值小于1％，则输出该有限元模型的参数，完成设计。如果所述误差值大于1％，进行迭代修正；完成所述迭代过程后，得到有限元模型的参数，完成设计；
步骤6：利用热冲压实验验证有限元仿真分析的可靠性；
进一步的，所述步骤6中在热冲压实验过程中，采用分区式压料板进行压边力控制。
进一步的，所述压边力根据有限元仿真分析结果或利用神经网络优化分析后的有限元仿真分析结果设定。
进一步的，所述分区式压料板与液压缸或气压缸连接，并由所述液压缸或气压缸控制所述压边力。
进一步的，所述分区式压料板的各部分压边力大小随时间变化。
具体的，压边力优化方案如图4所示，在冲压实验设备取消原有的整体式压料板，替换为分区式压料板，分区式压料板包括6块压料块20，对每块压料块20编号为1、2、3、4、5、6，建立包括6块压料块20的冲压仿真模型，采用正交试验设计的方法设计有限元仿真方案，根据正交试验得出设计变量为压边力数值，控制变量为压料块20的编号以及压边力间隔步长，进行有限元仿真分析；输出有限元仿真结果，包括最大减薄量、最大增厚量、厚度均匀度三个指标，判断最大减薄量、最大增厚量、厚度均匀度是否均在各指标理论值的范围内，所述有限元分析结果中最大减薄量大于等于0且小于等于0.25h，最大增厚量大于等于0且小于等于0.1h；厚度均匀度大于等于0.95h且小于等于1.05h，如果是直接利用热冲压实验验证有限元仿真的可靠性；如果有一个指标不满足大于0且小于等于理论值的条件，将设计变量、控制变量作为神经网络输入变量，有限元仿真结果作为神经网络输出变量，利用神经网络进行优化分析，判断实际输出与理想输出之间的误差值是否小于1％。如果所述误差值小于1％，则输出该有限元模型的参数，完成设计。如果所述误差值大于1％，进行迭代修正；完成所述迭代过程后，得到有限元模型的参数，完成设计；并再一次判断三个指标是否满足上述条件，将满足上述条件的有限元仿真结果作为热冲压实验中压边力的控制方案；利用热冲压实验验证有限元仿真的可靠性；在板料3在冲压过程中，采用分区式压料板进行压边力控制；压边力大小的数值根据满足条件的有限元仿真分析结果设定，并由液压缸或气压缸执行，最终实现压边力在不同区域的可随时间变化的控制。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
1.一种热冲压压边力优化控制方法，其特征在于，包括以下步骤：
步骤1：建立包含有分块式压料板的冲压仿真模型；
步骤2：将所述压料板的各部分分别编号为1至n；
步骤3：对所述冲压仿真模型进行有限元仿真分析，获取冲压成型参数；
步骤4：对有限元分析结果进行判断，判断所述冲压成型参数是否均在阈值范围内，如果是，进入步骤6，如果否进入步骤5；
步骤5：对有限元分析结果利用神经网络进行优化分析，并返回步骤4；
步骤6：利用热冲压实验验证有限元仿真分析的可靠性。
2.根据权利要求1所述的热冲压压边力优化控制方法，其特征在于，所述步骤3中有限元仿真分析包括采用正交试验设计的方法设计有限元仿真方案。
3.根据权利要求2所述的热冲压压边力优化控制方法，其特征在于，所述有限元仿真分析中设计变量为压边力数值，控制变量为压料板的各部分编号以及压边力间隔步长。
4.根据权利要求3所述的热冲压压边力优化控制方法，其特征在于，所述步骤3中冲压成型参数包括最大减薄量、最大增厚量、厚度均匀度。
5.根据权利要求4所述的热冲压压边力优化控制方法，其特征在于，所述步骤5中利用神经网络进行优化分析时将设计变量、控制变量作为输入变量，有限元仿真结果的冲压成型参数作为输出变量。
6.根据权利要求5所述的热冲压压边力优化控制方法，其特征在于，所述步骤6中在热冲压实验过程中，采用分区式压料板进行压边力控制。
7.根据权利要求6所述的热冲压压边力优化控制方法，其特征在于，所述压边力根据有限元仿真分析结果或利用神经网络优化分析后的有限元仿真分析结果设定。
8.根据权利要求7所述的热冲压压边力优化控制方法，其特征在于，所述分区式压料板与液压缸或气压缸连接，且由液压缸或气压缸控制所述压边力。
9.根据权利要求8所述的热冲压压边力优化控制方法，其特征在于，所述分区式压料板的各部分压边力大小随时间变化。
技术总结