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

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

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

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：

$C={\∫}_0^{{\stackrel{\‾}{\mathrm{\ϵ}}}_f}\left(\frac{{\mathrm{\σ}}^{*}}{\stackrel{\‾}{\mathrm{\σ}}}\right)d\stackrel{\‾}{\mathrm{\ϵ}}$

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：

$\mathrm{dV}=k\frac{\mathrm{dp}*\mathrm{dL}}{H^2}$

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：

$\mathrm{dZ}=k\frac{\mathrm{\σv}}{H^2}\mathrm{dt}$

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＝f^l(∑ω₃f^s(∑ω₂f^s(∑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；f^l为隐藏层2同输出层之间的线性转换函数；f^s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：

S_i＝S_i-1+η*w_i

式中，S_i为第i次冲裁后的冲裁间隙；S_i-1代表第i-1次冲裁后的冲裁间隙；w_i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：

$R_{i+1}=R_i+(1+\sqrt{2}){\mathrm{\μw}}_{i+1}$

式中，R_i，R_i+1分别为第i次及第i+1次冲裁后的凹模圆角半径；w_i+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。

$H_i=\left\{\begin{array}{cc}{H}_0+{\mathrm{ik}}_1& i<n_1\\ H_{i-1}& n_1\&le;i\&le;n_2\\ H_{i-1}-k_2(i-n_2)& i\&GreaterEqual;n_2\end{array}\right.$

式中，H₀为模具的初始硬度值；H_i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＝F_w(P₀，E₀，V₀，S₀，R₀，H₀)；

计算第2次冲裁时的精冲工艺参数：

P₁＝f_p(w₁)；E₁＝f_e(w₁)；V₁＝f_v(w₁)；S₁＝f_s(w₁)；R₁＝f_r(w₁)；H₁＝f_h(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＝F_w(P₁，E₁，V₁，S₁，R₁，H₁)；

计算第3次冲裁时的精冲工艺参数：

P₂＝f_p(w₂)；E₂＝f_e(w₂)；V₂＝f_v(w₂)；S₂＝f_s(w₂)；R₂＝f_r(w₂)；H₂＝f_h(w₂)

步骤i：

计算第i次冲裁时的精冲模磨损量：

w_i＝F_w(P_i-1，E_i-1，V_i-1，S_i-1，R_i-1，H_i-1)；

计算第(i+1)th次冲裁时的精冲工艺参数：

P_i＝f_p(w_i)；E_i＝f_e(w_i)；V_i＝f_v(w_i)；S_i＝f_s(w_i)；R_i＝f_r(w_i)；H_i＝f_h(w_i)

总磨损量：sum(w₁，...，w_i)

其中，w_i为第i次冲裁时的模具磨损量；F_w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；P_i，E_i，V_i，S_i，R_i和H_i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；f_p，f_e，f_v，f_s，f_r以及f_h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：

$C={\&Integral;}_0^{{\stackrel{\&OverBar;}{\mathrm{\&epsiv;}}}_f}\left(\frac{{\mathrm{\&sigma;}}^{*}}{\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}\right)d\stackrel{\&OverBar;}{\mathrm{\&epsiv;}}---\left(1\right)$

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。

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：

$\mathrm{dV}=k\frac{\mathrm{dp}*\mathrm{dL}}{H^2}---\left(2\right)$

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：

$\mathrm{dZ}=k\frac{\mathrm{\&sigma;v}}{H^2}\mathrm{dt}---\left(4\right)$

(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＝f^l(∑ω₃f^s(∑ω₂f^s(∑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；f^l为隐藏层2同输出层之间的线性转换函数；f^s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：

S_i＝S_i-1+η*w_i    (6)

式中，S_i为第i次冲裁后的冲裁间隙；S_i-1代表第i-1次冲裁后的冲裁间隙；w_i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：

$R_{i+1}=R_i+(1+\sqrt{2}){\mathrm{\&mu;w}}_{i+1}---\left(7\right)$

式中，R_i，R_i+1分别为第i次及第i+1次冲裁后的凹模圆角半径；w_i+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。

$H_i=\left\{\begin{array}{cc}{H}_0+{\mathrm{ik}}_1& i<n_1\\ H_{i-1}& n_1\&le;i\&le;n_2\\ H_{i-1}-k_2(i-n_2)& i\&GreaterEqual;n_2\end{array}\right.---\left(8\right)$

式中，H₀为模具的初始硬度值；H_i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＝F_w(P₀，E₀，V₀，S₀，R₀，H₀)；

计算第2次冲裁时的精冲工艺参数：

P₁＝f_p(w₁)；E₁＝f_e(w₁)；V₁＝f_v(w₁)；S₁＝f_s(w₁)；R₁＝f_r(w₁)；H₁＝f_h(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＝F_w(P₁，E₁，V₁，S₁，R₁，H₁)；

计算第3次冲裁时的精冲工艺参数：

P₂＝f_p(w₂)；E₂＝f_e(w₂)；V₂＝f_v(w₂)；S₂＝f_s(w₂)；R₂＝f_r(w₂)；H₂＝f_h(w₂).

………………………

………………………

………………………

步骤i

计算第i次冲裁时的精冲模磨损量：

w_i＝F_w(P_i-1，E_i-1，V_i-1，S_i-1，R_i-1，H_i-1)；

计算第(i+1)次冲裁时的精冲工艺参数：

P_i＝f_p(w_i)；E_i＝f_e(w_i)；V_i＝f_v(w_i)；S_i＝f_s(w_i)；R_i＝f_r(w_i)；H_i＝f_h(w_i).

总磨损量：sum(w₁，...，w_i).

其中，w_i为第i次冲裁时的模具磨损量；F_w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；P_i，E_i，V_i，S_i，R_i和H_i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；f_p，f_e，f_v，f_s，f_r以及f_h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。

2.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：

$C={\&Integral;}_0^{{\stackrel{\&OverBar;}{\mathrm{\&epsiv;}}}_f}\left(\frac{{\mathrm{\&sigma;}}^{*}}{\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}\right)d\stackrel{\&OverBar;}{\mathrm{\&epsiv;}}$

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。

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：

$\mathrm{dV}=k\frac{\mathrm{dp}*\mathrm{dL}}{H^2}$

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：

$\mathrm{dZ}=k\frac{\mathrm{\&sigma;v}}{H^2}\mathrm{dt}.$

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＝f^l(∑ω₃f^s(∑ω₂f^s(∑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；f^l为隐藏层2同输出层之间的线性转换函数；f^s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：

S_i＝S_i-1+η*w_i

式中，S_i为第i次冲裁后的冲裁间隙；S_i-1代表第i-1次冲裁后的冲裁间隙；w_i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：

$R_{i+1}=R_i+(1+\sqrt{2}){\mathrm{\&mu;w}}_{i+1}$

式中，R_i，R_i+1分别为第i次及第i+1次冲裁后的凹模圆角半径；w_i+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：

$H_i=\left\{\begin{array}{cc}{H}_0+{\mathrm{ik}}_1& i<n_1\\ H_{i-1}& n_1\&le;i\&le;n_2\\ H_{i-1}-k_2(i-n_2)& i\&GreaterEqual;n_2\end{array}\right.$

式中，H₀为模具的初始硬度值；H_i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＝F_w(P₀，E₀，V₀，S₀，R₀，H₀)；

计算第2次冲裁时的精冲工艺参数：

P₁＝f_p(w₁)；E₁＝f_e(w₁)；V₁＝f_v(w₁)；S₁＝f_s(w₁)；R₁＝f_r(w₁)；H₁＝f_h(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＝F_w(P₁，E₁，V₁，S₁，R₁，H₁)；

计算第3次冲裁时的精冲工艺参数：

P₂＝f_p(w₂)；E₂＝f_e(w₂)；V₂＝f_v(w₂)；S₂＝f_s(w₂)；R₂＝f_r(w₂)；H₂＝f_h(w₂)

步骤i：

计算第i次冲裁时的精冲模磨损量：

w_i＝F_w(P_i-1，E_i-1，V_i-1，S_i-1，R_i-1，H_i-1)；

计算第(i+1)th次冲裁时的精冲工艺参数：

P_i＝f_p(w_i)；E_i＝f_e(w_i)；V_i＝f_v(w_i)；S_i＝f_s(w_i)；R_i＝f_r(w_i)；H_i＝f_h(w_i)

总磨损量：sum(w₁，...，w_i)

其中，w_i为第i次冲裁时的模具磨损量；F_w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；P_i，E_i，V_i，S_i，R_i和H_i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；f_p，f_e，f_v，f_s，f_r以及f_h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。

Images