[发明专利]一种基于PSO的零件回弹成形工艺参数优化方法

说明书

技术领域

本发明属于SGCC板料复杂弯曲成形工艺领域，尤其涉及一种基于PSO的零件回弹成形工艺参数优化方法。

背景技术

随着汽车在生活、生产领域的迅速普及与更新，车窗升降板作为调节汽车窗口的重要活动零件，其装配性能和使用性能的好坏直接决定了车窗活动的平稳性和顺滑度，同时也在很大程度上影响人们的体验感受。由于车窗升降板的结构相对于其他大型覆盖件和结构件而言，具有形状复杂、曲率变化大、零件装配尺寸要求高的特点，导致在实际生产过程中为了获得质量上佳的零件，需要尽可能地减小零件回弹，避免造成零件尺寸精度的下降。

现阶段，在对冲压件进行回弹分析时，有较为成熟的解析求解法，但是只有在分析形状相对简单、容易成形的零件才有用，比如常见的U型件和V型件等。一旦涉及到形状复杂、特征较多的异形件时，解析求解法则无用武之地。同时有研究发现，在试验条件下的回弹量理论计算值均偏大，且平均相对误差高达88％，所以仅仅依靠理论公式的解析计算来预测零件回弹量是远远不可行的，甚至会给出错误的预测结果，误导实际应用。

发明内容

本发明要解决的技术问题是：提供一种基于PSO的零件回弹成形工艺参数优化方法，能够预测复杂弯曲件存在的缺陷和不足，为了降低车窗升降板的回弹量，以满足装配和使用性能，需要对成形工艺参数进行选择优化，使得回弹量最小，以解决上述现有技术中存在的问题。

本发明采取的技术方案为：一种基于PSO的零件回弹成形工艺参数优化方法，以CV-SVM近似模型为主体，以板料厚度、冲压速度、摩擦因数三个成形工艺参数的取值区间为约束条件，零件回弹的最小位移为优化目标，采用粒子群算法进行迭代寻优，获取其最优的成形工艺参数组合，将优化后的成形工艺参数导入DYNAFORM软件中进行数值模拟与验证，对比前后回弹数据的优化效果，该方法包括以下步骤：

(1)针对一种汽车异形弯曲件零件，建立回弹预测数字模型，首先把零件成形后发生回弹的最大位移量作为优化目标，同时根据零件回弹位移设立约束条件；

(2)运用粒子群算法在CV-SVM近似模型中迭代寻优，以K折交叉验证法获得最优惩罚因子C和核宽度σ，并以此构建支持向量机回归预测模型CV-SVM近似模型，用粒子群算法进行参数寻优；

(3)将CV-SVM近似模型中得到的寻优参数进行优化的成形工艺参数数值模拟验证，将获得的成形工艺参数输入至DYNAFORM软件中进行回弹数值模拟，将零件成形回弹后的最大位移量与厚度通过云图形式进行显示，显示出最大位移量数值与最小厚度。

优选的，上述步骤(2)中程序迭代寻优后获得的最优成形工艺参数是：板料厚度A＝0.900682mm、冲压速度B＝5933.782mm/s，摩擦因数C＝0.143287，预测零件回弹的最大位移量为y＝0.474205mm。

步骤(3)中零件成形回弹后的最大位移量最大值为0.54mm，零件的厚度最小厚度为tmin＝0.67mm，减薄率为25.6％。

本发明的有益效果：与现有技术相比，本发明效果如下：

(1)本发明通过CV-SVM近似模型代替车窗升降板成形工艺参数与零件回弹量之间的复杂联系，采用粒子群算法在成形工艺参数的约束区间内分别进行迭代寻优，找到使得零件回弹量(最大移动位移)最小的参数组合。经过对成形工艺参数进行数值模拟与分析验证，得出基于CV-SVM近似模型获得的工艺参数能够较大程度上降低零件回弹量，提升零件质量。并推荐出一组最佳的成形工艺参数，使得零件回弹量最小，产品质量最好。并进一步缩短产品的开发周期，降低生产成本；

(2)本发明通过K折交叉验证法获得的最优惩罚因子C和核宽度σ构建支持向量机回归预测模型CV-SVM为研究平台，用粒子群算法进行参数寻优。能够获得区间内最优成形工艺参数，并预测出零件回弹的最大位移量使整个工艺设计流程周期变短、设计效率更高、时间和材料成本降低，降低试模次数；

(3)通过DYNAFORM软件，将获得的成形工艺参数进行回弹数值模拟，通过数值模拟对比分析，获得零件成形回弹后的最大位移量为0.54mm，小于开始的最大位移量0.7mm，满足零件的使用和装配要求，零件的最小厚度为t_min＝0.67mm，减薄率为25.6％，较好地优化成形工艺参数，降低零件缺陷，为实际生产提供理论依据。

附图说明

图1为CV-SVM下粒子群算法寻优；

图2为车窗升降板复杂弯曲件三维模型；