CN112632810A - 一种杆件折弯上模下压量规律的预测方法 - Google Patents
一种杆件折弯上模下压量规律的预测方法 Download PDFInfo
- Publication number
- CN112632810A CN112632810A CN202011374293.1A CN202011374293A CN112632810A CN 112632810 A CN112632810 A CN 112632810A CN 202011374293 A CN202011374293 A CN 202011374293A CN 112632810 A CN112632810 A CN 112632810A
- Authority
- CN
- China
- Prior art keywords
- bending
- upper die
- pressing amount
- neural network
- environment
- 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.)
- Pending
Links
- 238000005452 bending Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003825 pressing Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000465 moulding Methods 0.000 claims abstract description 4
- 239000000463 material Substances 0.000 claims abstract description 3
- 238000013499 data model Methods 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 13
- 238000012937 correction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007723 die pressing method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/22—Moulding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bending Of Plates, Rods, And Pipes (AREA)
Abstract
本发明涉及数据模型预测领域，公开了一种杆件折弯上模下压量规律的预测方法，通过对折弯机床、上模具、下模具等折弯部件模型的自动化装配，在三维软件中实现虚拟折弯环境配置，构建与实际折弯加工环境相一致的虚拟折弯环境；在上述虚拟环境中设计试验表，以获得多个试验方案并进行仿真分析，且每个实验方案作为一个样本点；通过模拟的折弯环境来进行折弯成型下压量的模拟分析，以获取各所述样本点对应的下压量的数值；选择板宽、材料参数、板厚以及目标角度作为输入参数；选择上模具的下压量来作为BP神经网络的输出，并训练所述的BP神经网络；将当前待预测的上下模具参数输入完成训练的BP神经网络，生成预测结果，完成成型预测。
Description
技术领域
本发明涉及数据模型预测领域，尤其涉及了一种杆件折弯上模下压量规律的预测方法。
背景技术
杆件在加工过程的折弯过程实现主要依靠折弯机来进行，折弯加工是上模滑块通过冲压板材成型，完成所需的角度来完成折弯的目的。传统折弯加工过程中，折弯机操作的实现主要依靠人工进行折弯工艺设计，再通过将编译完成的折弯工艺信息输入折弯机并对机床进行手动设置，这样的生产方式大大降低了企业生产效率。在这之中上模下压量就是工艺信息中的重要一环，因为板材在折弯的过程中会出现回弹现象，而目前的研究现状还没有能够从根本上控制板材折弯回弹这个问题，国内对自由折弯工艺的研究大多数是集中于工程应用上，多数以试验纪录、经验校正为主，最终通过多次的试折校正来得出最佳的上模下压量。目前在控制折弯回弹的研究上主要有数学模型分析法、有限元分析法和试折校正法。其中数学模型分析法是理论基础最为充分的方法，从几何原理与折弯原理着手研究，本质上是解决折弯回弹问题的根本所在。有限元分析方法能够对各种形状的折弯件都能做出准确预测模拟，但是由于这种方法本身的复杂性，所以对于各种样式的板料而言，难以使用统一标准应用于工业生产中。试折校正法是现在市面上应用最为广泛的手段，其理论简单，操作简便，可用于批量生产，但是仍有生产效率低下的缺点。综上而言，现阶段难以找到一种方法能够同时满足折弯件精度和效率需求。
发明内容
为了克服现有技术不足，本发明提供了一种杆件折弯上模下压量规律的预测方法，用于解决现有技术中上模具下压量的预测方法存在的预测精度低和效率低的技术问题。
本发明通过如下技术方案实现：本发明提出了一种杆件折弯上模下压量规律的预测方法，其特征在于：包括如下步骤：
步骤1、通过对折弯机床、上模具、下模具等折弯部件模型的自动化装配，在三维软件中实现虚拟折弯环境配置，构建与实际折弯加工环境相一致的虚拟折弯环境；
步骤2、在上述虚拟环境中设计试验表，以获得多个试验方案并进行仿真分析，且每个实验方案作为一个样本点；
步骤3、通过模拟的折弯环境来进行折弯成型下压量的模拟分析，以获取各所述样本点对应的下压量的数值；
步骤4、选择板宽、材料参数、板厚以及目标角度作为输入参数；选择上模具的下压量来作为BP神经网络的输出，并训练所述的BP神经网络；
步骤5、将当前待预测的上下模具参数输入完成训练的BP神经网络，生成预测结果，完成成型预测。
进一步，上述BP神经网络通过对模拟折弯环境得到的下压量样本数据的训练，通过反传误差函数
其中Ti为期望输出、Oi为网络的计算输出，不断修正网络权值和阈值使误差函数E沿负梯度方向下降最终达到最小值。
进一步，上述步骤4中该BP神经网络由每组数据的各项影响因子作为输入，以上模具下压量作为输出。
进一步，上述步骤4中训练所述的BP神经网络，选用MATLAB中的神经网络工具箱进行网络的训练。
进一步，上述BP神经网络是含有一个隐含层的三层多输入单输出建立预测模型。
本发明相对于现有技术，具有以下有益效果：
本发明可以快速获取之前数据库未储存的上模具下压量，省去算法计算与试折校正的步骤，节约大量时间和人力资源，大大提高生产效率。
附图说明
图1为本发明的杆件折弯上模下压量规律的预测方法流程示意图；
图2为本发明的BP神经网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
并且，本发明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，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参见图1所示，本实施例提供一种杆件折弯上模下压量规律的预测方法，以用于工件在进形折弯成型时的上模具下压量的预测。所述建立折弯上模具下压量预测模型的方法的包括以下步骤：
步骤1：通过虚拟折弯环境配置，构建与实际钣金折弯加工环境相一致的虚拟折弯环境，在三维软件中完成折弯机的装配，为后续的模拟加工做准备。
步骤2：针对工件折弯过程建立上模具下压量模型，以获得在各个因素影响下的下压量的变化情况，设计实验表，选取板材属性，板厚，板宽，目标角度作为影响因子，每个影响因子有多个水平，这样就包含了众多实验。
步骤3：运用步骤1虚拟折弯环境对各个所述样本点进行上模具下压量的模拟分析，以获取各所述样本点对应的所述下压量的数值。需要说明的是，在本实施例中，选取板材属性、板材厚度、板材宽度和目标角度作为试验影响因子，这是发明人经过对多个可能影响的因子进行研究后，选取的对下压量影响较显著的几个，能够有效提高加工的效率和精度。
步骤4：将步骤3中的实验数据存放在数据库中，建立影响折弯的参数表，规划各表之间的逻辑关系，建立庞大的数据集，当折弯的角度或者宽度或者厚度发生改变时，可以直接查询数据库中的数据得到上模具的下压量，同时这部分可以直接用于实际生产应用中。在得到的大量数据中，一部分用作神经网络的训练，一部分作为预测可靠性的验证和测试数据。
步骤5、将当前待预测的上下模具参数输入完成训练的BP神经网络，生成预测结果，完成成型预测。
参见图2所示，建立三层BP神经网络模型，
(1)输入输出层的设计
该模型由每组数据的各项影响因子作为输入，以上模具下压量作为输出，所以输入层的节点数为4，输出层的节点数为1。
(2)隐含层设计
BP神经网络存在一个隐含层的神经网络，并且只要隐节点足够多，就可以以任意精度逼近一个非线性函数。因此，本发明采用含有一个隐含层的三层多输入单输出的BP网络建立预测模型，因为在网络设计过程中，隐含层神经元数的确定十分重要。隐含层神经元个数过多,会加大网络计算量并容易产生过度拟合问题，神经元个数少，则会影响网络性能，达不到预期效果。网络中隐含层神经元的数目与实际问题的复杂程度、输入和输出层的神经元数以及对期望误差的设定有着直接的联系。目前，对于隐含层中神经元数目的确定并没有明确的公式,只有一些经验公式，神经元个数的最终确定还是需要根据经验和多次实验来确定。本申请在选取隐含层神经元个数的问题上参照了以下的经验公式:
其中，n为输入层神经元个数，m为输出层神经元个数，a取1-10之间的常数。根据上式可以计算出神经元个数为4-13个之间，在本实施例中选择隐含层神经元个数为6个。
本实施例中预测选用MATLAB中的神经网络工具箱进行网络的训练，预测模型的具体实现步骤如下：将训练样本数据归一化后输入网络,设定网络隐层和输出层激励函数分别为tansig和logsig函数,网络训练函数为traingdx,网络性能函数为mse,隐层神经元数初设为6。之后设定网格参数，设定完网络迭代次数为和期望误差以及学习速率。在设定完参数之后在MATLAB中运行并开始训练网络，如果所得到的误差不能满足你的需求，则需重复上述的步骤直至能够满足期望误差，该网络通过多次重复学习达到期望误差后则完成学习。最后将最终的得到的各种数据以及其拟合值进行保存，然后查看，就可以得到所要的拟合值，也就是得到最终的预测结果。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (5)
1.一种杆件折弯上模下压量规律的预测方法，其特征在于：包括如下步骤：
步骤1、通过对折弯机床、上模具、下模具等折弯部件模型的自动化装配，在三维软件中实现虚拟折弯环境配置，构建与实际折弯加工环境相一致的虚拟折弯环境；
步骤2、在上述虚拟环境中设计试验表，以获得多个试验方案并进行仿真分析，且每个实验方案作为一个样本点；
步骤3、通过模拟的折弯环境来进行折弯成型下压量的模拟分析，以获取各所述样本点对应的下压量的数值；
步骤4、选择板宽、材料参数、板厚以及目标角度作为输入参数；选择上模具的下压量来作为BP神经网络的输出，并训练所述的BP神经网络；
步骤5、将当前待预测的上下模具参数输入完成训练的BP神经网络，生成预测结果，完成成型预测。
2.根据权利要求1所述的一种杆件折弯上模下压量规律的预测方法，其特征在于：所述BP神经网络通过对模拟折弯环境得到的下压量样本数据的训练，通过反传误差函数
其中Ti为期望输出、Oi为网络的计算输出，不断修正网络权值和阈值使误差函数E沿负梯度方向下降最终达到最小值。
3.根据权利要求1所述的一种杆件折弯上模下压量规律的预测方法，其特征在于：所述步骤4中该BP神经网络由每组数据的各项影响因子作为输入，以上模具下压量作为输出。
4.根据权利要求1所述的一种杆件折弯上模下压量规律的预测方法，其特征在于：所述步骤4中训练所述的BP神经网络，选用MATLAB中的神经网络工具箱进行网络的训练。
5.根据权利要求1所述的一种杆件折弯上模下压量规律的预测方法，其特征在于：所述BP神经网络采用含有一个隐含层的三层多输入单输出建立预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011374293.1A CN112632810A (zh) | 2020-11-30 | 2020-11-30 | 一种杆件折弯上模下压量规律的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011374293.1A CN112632810A (zh) | 2020-11-30 | 2020-11-30 | 一种杆件折弯上模下压量规律的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112632810A true CN112632810A (zh) | 2021-04-09 |
Family
ID=75306877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011374293.1A Pending CN112632810A (zh) | 2020-11-30 | 2020-11-30 | 一种杆件折弯上模下压量规律的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112632810A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113941624A (zh) * | 2021-10-19 | 2022-01-18 | 珠海格力智能装备有限公司 | 板料的折弯成形方法、装置、系统及计算机可读存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751487A (zh) * | 2008-12-18 | 2010-06-23 | 北京航空航天大学 | 利用人工神经网络的弯曲位移 |
| CN101901283A (zh) * | 2010-06-22 | 2010-12-01 | 北京理工大学 | 一种导管数控弯曲成形质量的预测方法及装置 |
| CN104923595A (zh) * | 2015-05-31 | 2015-09-23 | 南京蒙福液压机械有限公司 | 一种折弯机 |
| CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
| CN106055844A (zh) * | 2016-07-06 | 2016-10-26 | 中南大学 | 基于bp神经网络的镍基高温合金微观组织预测控制方法 |
| CN109108168A (zh) * | 2018-10-30 | 2019-01-01 | 上汽大众汽车有限公司 | 冲压模具合模间隙的计算方法 |
| CN110147602A (zh) * | 2019-05-15 | 2019-08-20 | 合肥工业大学 | 一种建立折弯回弹角预测模型的方法及其应用 |
| CN110334440A (zh) * | 2019-07-04 | 2019-10-15 | 西北工业大学 | 基于神经网络的转子有限元模型优化设计方法 |
| CN110362861A (zh) * | 2019-06-10 | 2019-10-22 | 广东工业大学 | 一种考虑能效的模具结构参数多目标优化方法 |
| EP3657362A1 (en) * | 2018-11-22 | 2020-05-27 | AMS Belgium bvba | System and method for simulating a rotational moulding process |
| CN111695858A (zh) * | 2020-06-09 | 2020-09-22 | 厦门嵘拓物联科技有限公司 | 一种模具全生命周期管理系统 |
| CN111916159A (zh) * | 2020-06-29 | 2020-11-10 | 烟台南山学院 | 一种铝合金型材在线挤压淬火力学性能预测的方法 |
| US20210325838A1 (en) * | 2019-02-25 | 2021-10-21 | Omron Corporation | Prediction control development device, prediction control development method, and computer readable storage medium |
-
2020
- 2020-11-30 CN CN202011374293.1A patent/CN112632810A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751487A (zh) * | 2008-12-18 | 2010-06-23 | 北京航空航天大学 | 利用人工神经网络的弯曲位移 |
| CN101901283A (zh) * | 2010-06-22 | 2010-12-01 | 北京理工大学 | 一种导管数控弯曲成形质量的预测方法及装置 |
| CN104923595A (zh) * | 2015-05-31 | 2015-09-23 | 南京蒙福液压机械有限公司 | 一种折弯机 |
| CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
| CN106055844A (zh) * | 2016-07-06 | 2016-10-26 | 中南大学 | 基于bp神经网络的镍基高温合金微观组织预测控制方法 |
| CN109108168A (zh) * | 2018-10-30 | 2019-01-01 | 上汽大众汽车有限公司 | 冲压模具合模间隙的计算方法 |
| EP3657362A1 (en) * | 2018-11-22 | 2020-05-27 | AMS Belgium bvba | System and method for simulating a rotational moulding process |
| US20210325838A1 (en) * | 2019-02-25 | 2021-10-21 | Omron Corporation | Prediction control development device, prediction control development method, and computer readable storage medium |
| CN110147602A (zh) * | 2019-05-15 | 2019-08-20 | 合肥工业大学 | 一种建立折弯回弹角预测模型的方法及其应用 |
| CN110362861A (zh) * | 2019-06-10 | 2019-10-22 | 广东工业大学 | 一种考虑能效的模具结构参数多目标优化方法 |
| CN110334440A (zh) * | 2019-07-04 | 2019-10-15 | 西北工业大学 | 基于神经网络的转子有限元模型优化设计方法 |
| CN111695858A (zh) * | 2020-06-09 | 2020-09-22 | 厦门嵘拓物联科技有限公司 | 一种模具全生命周期管理系统 |
| CN111916159A (zh) * | 2020-06-29 | 2020-11-10 | 烟台南山学院 | 一种铝合金型材在线挤压淬火力学性能预测的方法 |
Non-Patent Citations (6)
| Title |
|---|
| 卞鸿巍 等: "现代信息融合技术在组合导航中的应用", 31 December 2019, 国防工业出版社, pages: 250 - 255 * |
| 李欣;王晓燕;: "基于EtherCAT和遗传-BP神经网络的等温锻造电液伺服系统优化研究", 机电工程, no. 05, 20 May 2019 (2019-05-20) * |
| 王飞;游有鹏;: "基于材料参数检测的板料回弹预测方法", 沈阳工业大学学报, no. 05, 15 October 2011 (2011-10-15) * |
| 田娥;孙建东;刘自萍;李立新;: "基于BP神经网络的弯管机回弹量预测", 现代制造工程, no. 03, 18 March 2016 (2016-03-18) * |
| 薛洋洋: "板料三点弯曲成形力学原理及其成形控制研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, no. 01, 15 January 2019 (2019-01-15), pages 022 - 958 * |
| 黎明;钱怡;平东良;单佳莹;: "影响板材折弯回弹因素的研究", 轻工机械, no. 03, 20 June 2016 (2016-06-20) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113941624A (zh) * | 2021-10-19 | 2022-01-18 | 珠海格力智能装备有限公司 | 板料的折弯成形方法、装置、系统及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pilani et al. | A hybrid intelligent systems approach for die design in sheet metal forming | |
| CN1165391C (zh) | 用于弯曲钢板的成形方法和装置 | |
| Fei et al. | Springback prediction for incremental sheet forming based on FEM-PSONN technology | |
| CN106140901A (zh) | 金属板材弯曲成形控制方法 | |
| CN109977464A (zh) | 一种基于bp神经网络的活塞切削加工变形量的预测方法 | |
| CN111651929A (zh) | 一种基于Dynaform与智能算法融合的多目标优化方法 | |
| Feng et al. | Optimization of variable blank holder force in deep drawing based on support vector regression model and trust region | |
| CN108564205A (zh) | 一种基于实测数据的负荷模型及参数辨识优化方法 | |
| CN110210654A (zh) | 产品模型设计系统及方法 | |
| CN107292029A (zh) | 一种基于成形缺陷预测板料成形工艺参数的确定方法 | |
| CN109871605A (zh) | 折弯成形方法、系统、装置及介质 | |
| Kahhal et al. | Multi-objective optimization of sheet metal forming die using genetic algorithm coupled with RSM and FEA | |
| CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
| CN112632810A (zh) | 一种杆件折弯上模下压量规律的预测方法 | |
| Sika et al. | Synergy of modeling processes in the area of soft and hard modeling | |
| Zobeiry et al. | Theory-guided machine learning composites processing modelling for manufacturability assessment in preliminary design | |
| CN112475586A (zh) | 一种焊接接头强度预测方法 | |
| CN107092745A (zh) | 一种基于方差分析的车窗升降板成形工艺优化方法 | |
| CN110826280A (zh) | 基于有限元模拟的筒形件拉深凸耳改善的工艺优化方法 | |
| Governi et al. | A genetic algorithms-based procedure for automatic tolerance allocation integrated in a commercial variation analysis software | |
| Srinivasan et al. | Prediction of spring-back and bend force in air bending of electro-galvanised steel sheets using artificial neural networks | |
| CN114556247B (zh) | 用于确定产品质量的方法和设备 | |
| Zhang et al. | Optimization of sheet metal forming process parameters by artificial neural network and orthogonal test method | |
| CN116680944B (zh) | 基于数值模拟及深度学习的电弧增材构件工艺预测方法 | |
| Haifeng et al. | Research on the Cost Estimating of China's Aviation Aircraft Development Project Based on the Parametric Method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |