CN102103646A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN102103646A CN102103646A CN 201010585412 CN201010585412A CN102103646A CN 102103646 A CN102103646 A CN 102103646A CN 201010585412 CN201010585412 CN 201010585412 CN 201010585412 A CN201010585412 A CN 201010585412A CN 102103646 A CN102103646 A CN 102103646A
- Authority
- CN
- China
- Prior art keywords
- fine blanking
- wear
- die
- stamping
- mould
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Mounting, Exchange, And Manufacturing Of Dies (AREA)
Abstract
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。本发明包括建立有限元分析模型步骤,在有限元分析计算平台上模拟精冲工艺过程,利用Archard磨损模型计算精冲过程中模具的磨损量;建立神经网络模型步骤,利用正交试验设计所指导的有限元分析结果对设计好的神经网络模型进行训练,以获取精冲模磨损量同精冲工艺参数之间的函数关系;精冲工艺参数步骤,根据几何关系以及生产实践获取精冲工艺参数同模具磨损量、冲裁次数等之间的函数关系;精冲模磨损预测模型建立与仿真步骤。本发明具有预测精度高,响应速度快,可操作性强的特点。
Description
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:
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:
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;
为了计算模具的磨损深度值,以便于通过几何关系构建冲裁间隙以及凹模圆角半径同模具磨损之间的关系,对上式进行变换:
dV=dZ*dA,dp=σ*dA,dL=v*dt
式中dZ是指模具磨损深度值;dA为坯料同模具的接触面积;dL代表坯料同模具之间的相对滑动距离;σ,v,dt分别代表坯料同模具之间的应力,相对滑动速度以及滑动时间;将以上等式带入式中,等式两边同除以dA,即得:
所述神经网络模型建立步骤中,精冲模具磨损量同精冲工艺参数之间的函数映射关系包含于训练好的网络模型之中,其基本表达式如下:
W=fl(∑ω3fs(∑ω2fs(∑ω1X)))
式中,W代表模具磨损量;X=[x1,x2,Λ,x6]代表着包含有各工艺参数的矩阵;fl为隐藏层2同输出层之间的线性转换函数;fs为在输入层同隐藏层1,隐藏层1同隐藏层2之间的S型转换函数;ω1,ω2,ω3分别代表输入层同隐藏层1,隐藏层1同隐藏层2以及隐藏层2同输出层之间的连接权矩阵。
所述确定几何参数同模具磨损之间关系的步骤中的冲裁间隙为:
随着冲裁次数的增加,冲裁间隙在逐渐增大:
Si=Si-1+η*wi
式中,Si为第i次冲裁后的冲裁间隙;Si-1代表第i-1次冲裁后的冲裁间隙;wi为第i次冲裁时的模具磨损深度值;η为实验校正系数;
所述确定几何参数同模具磨损之间关系的步骤中的凹模圆角半径为:
凹模圆角半径也是在对着冲裁次数的变化而变化,根据几何关系得出:
式中,Ri,Ri+1分别为第i次及第i+1次冲裁后的凹模圆角半径;wi+1为第i+1次冲裁时的模具磨损深度值;μ为实验校正系数;
所述确定几何参数同模具磨损之间关系的步骤中的模具材料硬度为:
模具刃口处承受很大的接触应力,其硬度值同冲裁次数具备一定的函数关系。
式中,H0为模具的初始硬度值;Hi为第i次冲裁后,模具刃口处材料硬度;k1,k2分别为模具在跑和磨损阶段以及剧烈磨损阶段其刃口处材料硬度变化率;n1,n2分别为跑和磨损阶段以及稳定磨损阶段的冲裁次数,k1,k2以及n1,n2需要实验校正。
精冲模具磨损预测模型建立步骤包括以下子步骤:
初始工艺参数:P0,E0,V0,S0,R0,H0
步骤1:计算第一次冲裁时的精冲模磨损量:
w1=Fw(P0,E0,V0,S0,R0,H0);
计算第2次冲裁时的精冲工艺参数:
P1=fp(w1);E1=fe(w1);V1=fv(w1);S1=fs(w1);R1=fr(w1);H1=fh(w1)
步骤2:根据步骤1中的精冲工艺参数计算第2次精冲模磨损量:
w2=Fw(P1,E1,V1,S1,R1,H1);
计算第3次冲裁时的精冲工艺参数:
P2=fp(w2);E2=fe(w2);V2=fv(w2);S2=fs(w2);R2=fr(w2);H2=fh(w2)
步骤i:
计算第i次冲裁时的精冲模磨损量:
wi=Fw(Pi-1,Ei-1,Vi-1,Si-1,Ri-1,Hi-1);
计算第(i+1)th次冲裁时的精冲工艺参数:
Pi=fp(wi);Ei=fe(wi);Vi=fv(wi);Si=fs(wi);Ri=fr(wi);Hi=fh(wi)
总磨损量:sum(w1,...,wi)
其中,wi为第i次冲裁时的模具磨损量;Fw为精冲模磨损量同各工艺参数之间的内在的函数关系,该关系可以通过神经网络模型获取;Pi,Ei,Vi,Si,Ri和Hi分别代表在第i次冲裁时的精冲工艺参数:压边力,反顶力,冲裁速度,冲裁间隙,凹模圆角半径以及模具硬度;fp,fe,fv,fs,fr以及fh分别代表了压边力,反顶力,冲裁速度,冲裁间隙,凹模圆角半径以及模具硬度同模具磨损之间的函数关系。
本发明具有以下优点和积极效果:预测精度高,响应速度快,可操作性强。
附图说明
图1是本发明中所使用的神经网络模型。
图2是本发明中凹模圆角半径同模具磨损之间的几何关系。
图3是本发明中精冲模磨损预测模型方法流程图。
图4是本发明中精冲模磨损预测模型模拟仿真结果。
具体实施方式
本发明提供的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,以有限元分析技术以及人工神经网络模型为研究手段,在Matlab计算平台上建立精冲模磨损预测模型,能够快速准确的预测任意冲裁次数的模具即时磨损量以及模具总磨损量,以达到指导生产的目的。
基于有限元技术和人工神经网络的精冲模磨损预测方法包括以下实现步骤:
(1)有限元分析模型:在Deform-3D中建立精冲模磨损有限元分析模型。有限元分析模型建立关键步骤如下:
1)断裂准则
在有限元分析过程中,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:
2)磨损模型
Archard磨损模型被用来计算在精冲过程中模具的磨损情况:
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。
为了计算模具的磨损深度值,以便于通过几何关系构建冲裁间隙以及凹模圆角半径同模具磨损之间的关系,对上式进行变换:
dV=dZ*dA,dp=σ*dA,dL=v*dt (3)
式中dZ是指模具磨损深度值;dA为坯料同模具的接触面积;dL代表坯料同模具之间的相对滑动距离;σ,v,dt分别代表坯料同模具之间的应力,相对滑动速度以及滑动时间。将以上等式带入式(2),等式两边同除以dA,即可得:
(2)神经网络模型
神经网络模型应用于该发明中去获取精冲模磨损量同各工艺参数之间的数学函数关系。首先采用正交试验设计方法设计实验,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。该函数关系包含于训练好的网络模型之中,其基本表达式如下:
W=fl(∑ω3fs(∑ω2fs(∑ω1X))) (5)
式中,W代表模具磨损量;X=[x1,x2,Λ,x6]代表着包含有各工艺参数的矩阵;fl为隐藏层2同输出层之间的线性转换函数;fs为在输入层同隐藏层1,隐藏层1同隐藏层2之间的S型转换函数;ω1,ω2,ω3分别代表输入层同隐藏层1,隐藏层1同隐藏层2以及隐藏层2同输出层之间的连接权矩阵。
(3)精冲工艺参数
1)冲裁间隙
随着冲裁次数的增加,冲裁间隙在逐渐增大:
Si=Si-1+η*wi (6)
式中,Si为第i次冲裁后的冲裁间隙;Si-1代表第i-1次冲裁后的冲裁间隙;wi为第i次冲裁时的模具磨损深度值;η为实验校正系数。
2)凹模圆角半径
凹模圆角半径也是在对着冲裁次数的变化而变化,根据几何关系得出:
式中,Ri,Ri+1分别为第i次及第i+1次冲裁后的凹模圆角半径;wi+1为第i+1次冲裁时的模具磨损深度值;μ为实验校正系数。
3)模具材料硬度
模具刃口处承受很大的接触应力,其硬度值同冲裁次数具备一定的函数关系。
式中,H0为模具的初始硬度值;Hi为第i次冲裁后,模具刃口处材料硬度;k1,k2分别为模具在跑和磨损阶段以及剧烈磨损阶段其刃口处材料硬度变化率;n1,n2分别为跑和磨损阶段以及稳定磨损阶段的冲裁次数。k1,k2以及n1,n2需要实验校正。
4)其他精冲工艺参数
本发明认为其他工艺参数如:压边力、冲裁速度以及反顶力在一般情况下设置为常数,不随着模具磨损而发生变化。当然,根据生产需要,它们可能会随着时间或者冲裁次数发生变化,这种函数关系可以在实际生产中得到。
(4)精冲模磨损预测模型
初始工艺参数:P0,E0,V0,S0,R0,H0
步骤1
计算第一次冲裁时的精冲模磨损量:
w1=Fw(P0,E0,V0,S0,R0,H0);
计算第2次冲裁时的精冲工艺参数:
P1=fp(w1);E1=fe(w1);V1=fv(w1);S1=fs(w1);R1=fr(w1);H1=fh(w1).
步骤2
根据步骤1中的精冲工艺参数计算第2次精冲模磨损量:
w2=Fw(P1,E1,V1,S1,R1,H1);
计算第3次冲裁时的精冲工艺参数:
P2=fp(w2);E2=fe(w2);V2=fv(w2);S2=fs(w2);R2=fr(w2);H2=fh(w2).
………………………
………………………
………………………
步骤i
计算第i次冲裁时的精冲模磨损量:
wi=Fw(Pi-1,Ei-1,Vi-1,Si-1,Ri-1,Hi-1);
计算第(i+1)次冲裁时的精冲工艺参数:
Pi=fp(wi);Ei=fe(wi);Vi=fv(wi);Si=fs(wi);Ri=fr(wi);Hi=fh(wi).
总磨损量:sum(w1,...,wi).
其中,wi为第i次冲裁时的模具磨损量;Fw为精冲模磨损量同各工艺参数之间的内在的函数关系,该关系可以通过神经网络模型获取;Pi,Ei,Vi,Si,Ri和Hi分别代表在第i此冲裁时的精冲工艺参数:压边力,反顶力,冲裁速度,冲裁间隙,凹模圆角半径以及模具硬度;fp,fe,fv,fs,fr以及fh分别代表了压边力,反顶力,冲裁速度,冲裁间隙,凹模圆角半径以及模具硬度同模具磨损之间的函数关系。
下面以具体实施例结合附图对本发明作进一步说明:
基于有限元技术和人工神经网络的精冲模磨损预测方法,按如下步骤实现:
1)建模:在Deform-3D中建立精冲模磨损有限元分析模型,采用Normalized Cockcroft andLatham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。
在Deform-3D中建立精冲模磨损有限元分析模型。其中模拟所用材料为AISI-1035的坯料以及AISI-D2的凹摸。冲裁件为半径为9mm,厚度为5mm的圆形件。精冲工艺参数设置如下:压边力:100KN;反顶力:100KN;冲裁速度:10mm/s;冲裁间隙:0.4%t;凹模圆角半径:0.5mm;模具硬度:60HRC。断裂准则临界值为2.9。
此外,为了提高计算精度和节约计算时间,该有限元模型采用了网格局部细化功能:模具刃口处以及坯料冲裁区的网格尺寸远远小于其他区域的网格尺寸;同时,为了避免由于坯料冲裁区较大的网格畸变所引起的计算不收敛,该有限元分析模型采用了自动网格划分功能:每3个计算步,坯料有限元网格将重新划分一次。模拟分析结果获得,模具最大磨损深度在模具刃口附近,为1.13e-5mm。
2)神经网络模型的建立:本发明中所建立的神经网络模型如图1所示。该网络模型结构为6-16-16-1型。其结构包含一个含有6节点的输入层,两个分别含有16个节点的隐藏层以及含有一个节点的输出层。
3)各几何参数同模具磨损之间的关系
精冲过程中,冲裁间隙以及凹模圆角半径同模具磨损量具备一定的几何关系。其中冲裁间隙会越来越大,凹模圆角半径同模具磨损量的几何关系如图2所示,根据该几何关系即可推导出凹模圆角半径同模具磨损量之间的函数关系。模具硬度将会随着冲裁次数的变化而发生变化,本发明用一分段函数来对二者之间的关系进行描述,相关参数需要实验校正。
4)精冲模磨损预测模型
根据已经获取的精冲模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计算平台建立了精冲模磨损预测模型,该预测模型的算法流程如图3所示。
图4为该预测模型在一组给定的精冲工艺参数以及试验校正系数下的计算仿真结果曲线,通过该曲线可以得到任意冲裁次数的精冲模具的磨损量以及总的精冲模磨损量,以指导生产实践。相关参数设置:压边力:100KN;反顶力:100KN;冲裁速度:10mm/s;冲裁间隙:0.4%t;凹模圆角半径:0.5mm;模具硬度:60HRC;η:0.8;μ:0.9;k1:5e-4;k2:5e-3;n1:4000;n2:20000。
以上实施例仅供说明本发明之用,而非对本发明的限制,有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下,还可以作出各种变换或变型,因此所有等同的技术方案,都落入本发明的保护范围。
Claims (6)
1.一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,其特征在于,包括:
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。
3.根据权利要求1或2所述的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,其特征在于:
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:
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;
为了计算模具的磨损深度值,以便于通过几何关系构建冲裁间隙以及凹模圆角半径同模具磨损之间的关系,对上式进行变换:
dV=dZ*dA,dp=σ*dA,dL=v*dt
式中dZ是指模具磨损深度值;dA为坯料同模具的接触面积;dL代表坯料同模具之间的相对滑动距离;σ,v,dt分别代表坯料同模具之间的应力,相对滑动速度以及滑动时间;将以上等式带入式等式两边同除以dA,即得:
4.根据权利要求1所述的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,其特征在于:
所述神经网络模型建立步骤中,精冲模具磨损量同精冲工艺参数之间的函数映射关系包含于训练好的网络模型之中,其表达式如下:
W=fl(∑ω3fs(∑ω2fs(∑ω1X)))
式中,W代表模具磨损量;X=[x1,x2,Λ,x6]代表着包含有各工艺参数的矩阵;fl为隐藏层2同输出层之间的线性转换函数;fs为在输入层同隐藏层1,隐藏层1同隐藏层2之间的S型转换函数;ω1,ω2,ω3分别代表输入层同隐藏层1,隐藏层1同隐藏层2以及隐藏层2同输出层之间的连接权矩阵。
5.根据权利要求1所述的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,其特征在于:
所述确定几何参数同模具磨损之间关系的步骤中的冲裁间隙为:
随着冲裁次数的增加,冲裁间隙在逐渐增大:
Si=Si-1+η*wi
式中,Si为第i次冲裁后的冲裁间隙;Si-1代表第i-1次冲裁后的冲裁间隙;wi为第i次冲裁时的模具磨损深度值;η为实验校正系数;
所述确定几何参数同模具磨损之间关系的步骤中的凹模圆角半径为:
凹模圆角半径也是在对着冲裁次数的变化而变化,根据几何关系得出:
式中,Ri,Ri+1分别为第i次及第i+1次冲裁后的凹模圆角半径;wi+1为第i+1次冲裁时的模具磨损深度值;μ为实验校正系数;
所述确定几何参数同模具磨损之间关系的步骤中的模具材料硬度为:
模具刃口处承受的接触应力,其硬度值同冲裁次数具备一定的函数关系:
式中,H0为模具的初始硬度值;Hi为第i次冲裁后,模具刃口处材料硬度;k1,k2分别为模具在跑和磨损阶段以及剧烈磨损阶段其刃口处材料硬度变化率;n1,n2分别为跑和磨损阶段以及稳定磨损阶段的冲裁次数,k1,k2以及n1,n2需要实验校正。
6.根据权利要求1-5中任一项所述的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,其特征在于:
精冲模具磨损预测模型建立步骤包括以下子步骤:
初始工艺参数:P0,E0,V0,S0,R0,H0
步骤1:计算第一次冲裁时的精冲模磨损量:
w1=Fw(P0,E0,V0,S0,R0,H0);
计算第2次冲裁时的精冲工艺参数:
P1=fp(w1);E1=fe(w1);V1=fv(w1);S1=fs(w1);R1=fr(w1);H1=fh(w1)
步骤2:根据步骤1中的精冲工艺参数计算第2次精冲模磨损量:
w2=Fw(P1,E1,V1,S1,R1,H1);
计算第3次冲裁时的精冲工艺参数:
P2=fp(w2);E2=fe(w2);V2=fv(w2);S2=fs(w2);R2=fr(w2);H2=fh(w2)
步骤i:
计算第i次冲裁时的精冲模磨损量:
wi=Fw(Pi-1,Ei-1,Vi-1,Si-1,Ri-1,Hi-1);
计算第(i+1)th次冲裁时的精冲工艺参数:
Pi=fp(wi);Ei=fe(wi);Vi=fv(wi);Si=fs(wi);Ri=fr(wi);Hi=fh(wi)
总磨损量:sum(w1,...,wi)
其中,wi为第i次冲裁时的模具磨损量;Fw为精冲模磨损量同各工艺参数之间的内在的函数关系,该关系可以通过神经网络模型获取;Pi,Ei,Vi,Si,Ri和Hi分别代表在第i次冲裁时的精冲工艺参数:压边力,反顶力,冲裁速度,冲裁间隙,凹模圆角半径以及模具硬度;fp,fe,fv,fs,fr以及fh分别代表了压边力,反顶力,冲裁速度,冲裁间隙,凹模圆角半径以及模具硬度同模具磨损之间的函数关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105854128A CN102103646B (zh) | 2010-12-14 | 2010-12-14 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105854128A CN102103646B (zh) | 2010-12-14 | 2010-12-14 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102103646A true CN102103646A (zh) | 2011-06-22 |
CN102103646B CN102103646B (zh) | 2012-11-14 |
Family
ID=44156416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105854128A Active CN102103646B (zh) | 2010-12-14 | 2010-12-14 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102103646B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999676A (zh) * | 2012-12-24 | 2013-03-27 | 湖南大学 | 一种钢/铝激光熔钎焊的工艺优化方法 |
CN103279627A (zh) * | 2013-06-17 | 2013-09-04 | 清华大学 | 一种基于有限元的热-机械-磨损耦合分析数值模拟方法 |
CN104794266A (zh) * | 2015-04-03 | 2015-07-22 | 上海交通大学 | 基于摩擦功和数值模拟的成形界面损伤预测方法 |
CN105334105A (zh) * | 2015-07-10 | 2016-02-17 | 南京航空航天大学 | 一种高速冲裁裂纹萌生临界损伤阀值的获取方法及装置 |
CN105574300A (zh) * | 2016-02-24 | 2016-05-11 | 武汉理工大学 | 基于bp神经网络和遗传算法的钢轨焊缝精铣机床横梁体优化设计方法 |
CN105973737A (zh) * | 2016-04-28 | 2016-09-28 | 辽宁科技学院 | 一种用于摩擦片磨损量的获取方法 |
CN107491600A (zh) * | 2017-08-04 | 2017-12-19 | 华北理工大学 | 一种优化冲裁工艺参数的方法 |
CN104794266B (zh) * | 2015-04-03 | 2018-02-09 | 上海交通大学 | 基于摩擦功和数值模拟的成形界面损伤预测方法 |
CN107766626A (zh) * | 2017-09-28 | 2018-03-06 | 河南理工大学 | 一种考虑多因素交互作用的液固两相流冲蚀磨损性能的影响因子评价方法 |
CN108536948A (zh) * | 2018-04-02 | 2018-09-14 | 武汉理工大学 | 一种钛合金精冲成形方法 |
CN109033512A (zh) * | 2018-06-15 | 2018-12-18 | 华中科技大学鄂州工业技术研究院 | 一种精冲模具最优刃口形状的判定方法 |
CN109084975A (zh) * | 2018-09-29 | 2018-12-25 | 南京理工大学 | 一种厚壁圆筒内壁磨损定量性研究方法 |
CN109446470A (zh) * | 2018-11-16 | 2019-03-08 | 厦门大学 | 基于非接触式检测的弧齿锥齿轮加工用模具磨损预测方法 |
TWI684080B (zh) * | 2018-06-21 | 2020-02-01 | 高聖精密機電股份有限公司 | 智慧型調整系統及其方法 |
CN110960843A (zh) * | 2019-12-23 | 2020-04-07 | 天水师范学院 | 一种篮球技巧辅助训练系统 |
US10990873B2 (en) | 2016-06-22 | 2021-04-27 | Saudi Arabian Oil Company | Systems and methods for rapid prediction of hydrogen-induced cracking (HIC) in pipelines, pressure vessels, and piping systems and for taking action in relation thereto |
CN113792467A (zh) * | 2021-09-17 | 2021-12-14 | 福州大学 | 高速铣削adc12铝合金刀具磨损预测方法 |
CN113997122A (zh) * | 2021-11-17 | 2022-02-01 | 武汉理工大学 | 一种刀具磨损监测方法及系统 |
CN114646563A (zh) * | 2022-05-23 | 2022-06-21 | 河南银金达新材料股份有限公司 | 一种具有金属涂层的聚酯膜表面耐磨度检测方法 |
CN117057515A (zh) * | 2023-10-11 | 2023-11-14 | 中安创科(深圳)技术有限公司 | 一种子弹智能管理系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101670533A (zh) * | 2009-09-25 | 2010-03-17 | 南京信息工程大学 | 基于工件加工表面图像分析的刀具磨损状态评价方法 |
-
2010
- 2010-12-14 CN CN2010105854128A patent/CN102103646B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101670533A (zh) * | 2009-09-25 | 2010-03-17 | 南京信息工程大学 | 基于工件加工表面图像分析的刀具磨损状态评价方法 |
Non-Patent Citations (4)
Title |
---|
《塑性工程学报》 20060430 黄瑶等 基于BP神经网络的挤压模具磨损预测 64-66 1-6 第13卷, 第2期 * |
《塑性工程学报》 20080831 华林等 板材冲挤复合成形模拟与裂纹预测 46-50 1-6 第15 卷, 第4 期 * |
《润滑与密封》 20080531 汪学阳等 基于FEM的热锻模磨损分析与寿命预测 49-53 1-6 第33卷, 第5期 * |
《第十届全国塑性工程学术年会、第三届国际塑性加工先进技术研讨会论文集》 20071231 汪学阳等 轮毂热模锻数值模拟及模具磨损寿命预测 211-214 1-6 , * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999676A (zh) * | 2012-12-24 | 2013-03-27 | 湖南大学 | 一种钢/铝激光熔钎焊的工艺优化方法 |
CN103279627B (zh) * | 2013-06-17 | 2015-10-28 | 清华大学 | 一种基于有限元的热-机械-磨损耦合分析数值模拟方法 |
CN103279627A (zh) * | 2013-06-17 | 2013-09-04 | 清华大学 | 一种基于有限元的热-机械-磨损耦合分析数值模拟方法 |
CN104794266B (zh) * | 2015-04-03 | 2018-02-09 | 上海交通大学 | 基于摩擦功和数值模拟的成形界面损伤预测方法 |
CN104794266A (zh) * | 2015-04-03 | 2015-07-22 | 上海交通大学 | 基于摩擦功和数值模拟的成形界面损伤预测方法 |
CN105334105A (zh) * | 2015-07-10 | 2016-02-17 | 南京航空航天大学 | 一种高速冲裁裂纹萌生临界损伤阀值的获取方法及装置 |
CN105334105B (zh) * | 2015-07-10 | 2018-03-02 | 南京航空航天大学 | 一种高速冲裁裂纹萌生临界损伤阀值的获取方法及装置 |
CN105574300A (zh) * | 2016-02-24 | 2016-05-11 | 武汉理工大学 | 基于bp神经网络和遗传算法的钢轨焊缝精铣机床横梁体优化设计方法 |
CN105574300B (zh) * | 2016-02-24 | 2017-12-08 | 武汉理工大学 | 基于bp神经网络和遗传算法的钢轨焊缝精铣机床横梁体优化设计方法 |
CN105973737A (zh) * | 2016-04-28 | 2016-09-28 | 辽宁科技学院 | 一种用于摩擦片磨损量的获取方法 |
US11681898B2 (en) | 2016-06-22 | 2023-06-20 | Saudi Arabian Oil Company | Systems and methods for rapid prediction of hydrogen-induced cracking (HIC) in pipelines, pressure vessels, and piping systems and for taking action in relation thereto |
US10990873B2 (en) | 2016-06-22 | 2021-04-27 | Saudi Arabian Oil Company | Systems and methods for rapid prediction of hydrogen-induced cracking (HIC) in pipelines, pressure vessels, and piping systems and for taking action in relation thereto |
CN107491600A (zh) * | 2017-08-04 | 2017-12-19 | 华北理工大学 | 一种优化冲裁工艺参数的方法 |
CN107491600B (zh) * | 2017-08-04 | 2021-01-19 | 华北理工大学 | 一种优化冲裁工艺参数的方法 |
CN107766626A (zh) * | 2017-09-28 | 2018-03-06 | 河南理工大学 | 一种考虑多因素交互作用的液固两相流冲蚀磨损性能的影响因子评价方法 |
CN108536948B (zh) * | 2018-04-02 | 2021-09-07 | 武汉理工大学 | 一种钛合金精冲成形方法 |
CN108536948A (zh) * | 2018-04-02 | 2018-09-14 | 武汉理工大学 | 一种钛合金精冲成形方法 |
CN109033512B (zh) * | 2018-06-15 | 2023-07-18 | 华中科技大学鄂州工业技术研究院 | 一种精冲模具最优刃口形状的判定方法 |
CN109033512A (zh) * | 2018-06-15 | 2018-12-18 | 华中科技大学鄂州工业技术研究院 | 一种精冲模具最优刃口形状的判定方法 |
TWI684080B (zh) * | 2018-06-21 | 2020-02-01 | 高聖精密機電股份有限公司 | 智慧型調整系統及其方法 |
CN109084975B (zh) * | 2018-09-29 | 2020-02-14 | 南京理工大学 | 一种厚壁圆筒内壁磨损定量性研究方法 |
CN109084975A (zh) * | 2018-09-29 | 2018-12-25 | 南京理工大学 | 一种厚壁圆筒内壁磨损定量性研究方法 |
CN109446470A (zh) * | 2018-11-16 | 2019-03-08 | 厦门大学 | 基于非接触式检测的弧齿锥齿轮加工用模具磨损预测方法 |
CN110960843A (zh) * | 2019-12-23 | 2020-04-07 | 天水师范学院 | 一种篮球技巧辅助训练系统 |
CN113792467A (zh) * | 2021-09-17 | 2021-12-14 | 福州大学 | 高速铣削adc12铝合金刀具磨损预测方法 |
CN113997122A (zh) * | 2021-11-17 | 2022-02-01 | 武汉理工大学 | 一种刀具磨损监测方法及系统 |
CN113997122B (zh) * | 2021-11-17 | 2024-03-26 | 武汉理工大学 | 一种刀具磨损监测方法及系统 |
CN114646563A (zh) * | 2022-05-23 | 2022-06-21 | 河南银金达新材料股份有限公司 | 一种具有金属涂层的聚酯膜表面耐磨度检测方法 |
CN117057515A (zh) * | 2023-10-11 | 2023-11-14 | 中安创科(深圳)技术有限公司 | 一种子弹智能管理系统 |
CN117057515B (zh) * | 2023-10-11 | 2024-02-06 | 中安创科(深圳)技术有限公司 | 一种子弹智能管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102103646B (zh) | 2012-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102103646A (zh) | 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 | |
CN103761423B (zh) | 一种基于pso-elm的热轧板材组织-性能预测方法 | |
CN101436264B (zh) | 基于分段模糊bp神经网络的矿山井下泥石流预测方法 | |
CN106529035A (zh) | 一种基于三维分形理论的栓接结构动态特性分析方法 | |
CN103136428A (zh) | 基于两种不确定的轿车车身结构稳健设计方法 | |
CN104794296A (zh) | 一种基于动态贝叶斯网络的机械系统时变可靠性评估方法 | |
CN112862069B (zh) | 基于svr-lstm混合深度学习的滑坡位移预测方法 | |
CN105205502A (zh) | 一种基于马尔柯夫蒙特卡罗的负荷特性综合分类方法 | |
CN105022919B (zh) | 一种预测圆形金属薄板低速冲击凹坑尺寸的方法 | |
CN103469918B (zh) | 地铁车辆段钢筋混凝土双向分隔楼板耐火优化设计方法 | |
CN103593553B (zh) | 一种盾构隧道管片非均质等效梁单元模型结构计算方法 | |
CN106202598A (zh) | 一种复合材料冲击损伤后剩余压缩强度的分析方法 | |
CN104200037A (zh) | 一种小双曲度钣金件的成形模具设计方法 | |
CN109935054A (zh) | 一种滑坡短期时间预报方法 | |
CN111881568A (zh) | 一种提高风功率预测精度的方法及系统 | |
CN105426629B (zh) | 一种汽车覆盖件拉延模具结构强度计算方法 | |
CN101944143A (zh) | 双层圆挤压筒过盈量参数化设计方法 | |
CN106202686A (zh) | 一种涡轮盘等温模锻预成形坯料的多目标设计方法 | |
CN104008286A (zh) | 一种基于粒子群算法的空间柔性机构动态可靠性分析方法 | |
JP2009045627A (ja) | プレス成形条件最適化方法、およびプレス成形条件最適化プログラム | |
CN104504173A (zh) | 耦合晶粒尺寸的钛合金压力连接界面连接率预测方法 | |
KR20110021372A (ko) | 단조용 프리폼 설계 방법 | |
CN102004661A (zh) | 一种通用的数据驱动的软件和系统可靠性模型及参数优化方法 | |
CN106874611A (zh) | 一种基于超体积迭代策略的含区间参数结构响应区间的分析方法 | |
CN103412968B (zh) | 一种硬化延迟材料的本构关系模型的建立方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200617 Address after: 430200 No.16 Sunshine Avenue, Miaoshan office, Jiangxia Economic Development Zone, Wuhan City, Hubei Province Patentee after: WUHAN BUS MANUFACTURING Co.,Ltd. Address before: 430070 Hubei Province, Wuhan city Hongshan District Luoshi Road No. 122 Patentee before: WUHAN University OF TECHNOLOGY |
|
TR01 | Transfer of patent right |