[发明专利]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

说明书

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Deform-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Deform-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：

C=∫0ϵ‾f(σ*σ‾)dϵ‾]]>

式中C是指断裂临界值；为材料在发生变形过程中的等效应变；和σ^*分别表示材料在发生塑性变形时的等效应力和最大主应力。

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：

dV=kdp*dLH2]]>

式中V是指磨损体积；H代表模具材料硬度；p代表模具和坯料之间的接触压力；L代表坯料和模具的相对滑动距离；k是指磨损系数；