CN112733393A - 一种金属异质板料无铆钉铆接接头性能优化方法 - Google Patents

一种金属异质板料无铆钉铆接接头性能优化方法 Download PDF

Info

Publication number
CN112733393A
CN112733393A CN202011354972.2A CN202011354972A CN112733393A CN 112733393 A CN112733393 A CN 112733393A CN 202011354972 A CN202011354972 A CN 202011354972A CN 112733393 A CN112733393 A CN 112733393A
Authority
CN
China
Prior art keywords
rivet
free
test
joint
performance
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
Application number
CN202011354972.2A
Other languages
English (en)
Other versions
CN112733393B (zh
Inventor
李奇涵
韩小亨
高嵩
马风雷
徐传伟
王宝中
孟楷博
孙荧力
赵庆明
何童贵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changchun University of Technology
Original Assignee
Changchun University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changchun University of Technology filed Critical Changchun University of Technology
Priority to CN202011354972.2A priority Critical patent/CN112733393B/zh
Publication of CN112733393A publication Critical patent/CN112733393A/zh
Application granted granted Critical
Publication of CN112733393B publication Critical patent/CN112733393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
  • Insertion Pins And Rivets (AREA)

Abstract

本发明公开了一种金属异质板料无铆钉铆接接头性能优化方法，包括以下步骤：步骤1：对结构工艺参数进行数字化；步骤2：定义样本空间，进行拉丁超立方抽样试验；步骤3：进行接头成形及性能试验，在仿真中模拟无铆钉铆接成形过程，判断仿真的计算精度是否满足要求；步骤4：建立Kriging代理模型并检验预测精度，若满足要求，进入步骤5，否则转到步骤2；步骤5：将Kriging代理模型预传入遗传算法中，全局搜索得到pareto最优解集；步骤6：从符合条件的解集中随机地选取一个解，进行接头成形及性能试验，若最大抗拉力抗剪力均大于步骤3的试验结果，优化成功，否则再选取一个解，直到满足为止，若都不满足，转到步骤2。

Description

一种金属异质板料无铆钉铆接接头性能优化方法
技术领域
本发明属于板料连接技术领域，具体涉及一种金属异质板料无铆钉铆接接头性能优化方法。
背景技术
无铆钉铆接是利用铆接模具使待铆接板料发生弹塑性变形，板料流动到凹模的凹槽内，构建出锁紧结构，进而形成有效连接的连接技术，这种连接方式具有无热输入、自动化程度高、工序简单等优点，在板料连接方面得到了越来越多的应用，如汽车天窗的骨架连接，然而，无铆钉铆接过程中，由于金属异质板料流变特性的差异，不合理的结构工艺参数选取会导致成形后无铆钉铆接接头力学性能不佳，甚至失效。传统的无铆钉铆接过程结构工艺参数选取依赖设计者的经验和有限元仿真，即设计者通过反复地修改仿真模型、试模来确定能够保证接头力学性能的结构工艺参数，上述的方法和经济成本比较高，无法满足现代制造业的要求，同时异质板料的无铆钉铆接是个复杂工艺过程，多种因素相互作用，即在同一时刻选取到最优的结构工艺参数的组合几乎不可能，综上，依靠设计者的经验和有限元仿真模拟难以高效地确定出合适的结构工艺参数，因此设计者需要寻找一种能缩短设计周期、减少设计成本且保证无铆钉铆接接头力学性能的优化方法。
发明内容
发明目的：为解决实际工程中的金属异质板料无铆钉接头力学优化的问题，本文提出一种金属异质板料无铆钉铆接接头性能优化方法，包括以下步骤：
步骤1：对金属异质板料无铆钉铆接结构工艺参数进行数字化，设计相应变量；
步骤2：定义样本空间，进行拉丁超立方抽样试验；
步骤3：进行金属异质板料的无铆钉铆接试验及接头性能测试试验，并用试验中的结构工艺参数在ABAQUS中仿真模拟无铆钉铆接成形过程，试验与仿真的接头截面关键尺寸进行对比；
步骤4：建立Kriging代理模型，并通过试验和ABAQUS有限元仿真模拟两个尺度检验 Kriging代理模型的预测精度；
步骤5：将Kriging代理模型预传入遗传算法中，全局搜索得到pareto最优解集；
步骤6：从pareto最优解集中，选取符合条件的解集，进行金属异质板料无铆钉铆接接头成形以及性能实验。
进一步的，所述步骤1具体为：无铆钉铆接接头关于中心线轴对称，在CAD中画出二维的轴对称模型，定义影响接头尺寸tn、tu的结构工艺参数主要为：凸模半径(X1)、凹模半径(X2)、凹模深度(X3)、凹槽宽度(X4)、冲程(X5)。
进一步的，所述步骤2具体为：定义设计空间的下边界Xlow、上边界Xup，进行M组拉丁超立方抽样试验。
进一步的，所述步骤3具体为：根据试验中的结构工艺参数，在ABAQUS中仿真模拟无铆钉铆接成形过程，试验与仿真的接头截面的颈厚值、自锁值、板料最大缝隙进行对比，如果仿真和试验的误差过大，则调整ABAQUS中网格的划分形式和求解方式。
进一步的，所述步骤4具体为：
包括以下子步骤：
P4-1：在一个新的试验点，颈厚值和自锁值的线性无偏预测可以表示为：
Figure RE-GDA0002980050850000011
P4-2：f(x)是预先设置的基函数，F是关于样本点和f(x)的系数矩阵，rT是长度为ns的未实验的样本点和已经实验样本点间的关系向量，
Figure RE-GDA0002980050850000012
其中相关函数采用高斯函数：
Figure RE-GDA0002980050850000021
nd是设计变量的数目，θk是第k个设计变量对应相关函数中的参数，xik和xjk是xi和xj的第k个分量，参数
Figure RE-GDA0002980050850000022
和
Figure RE-GDA0002980050850000023
求得方式如下：
Figure RE-GDA0002980050850000024
Figure RE-GDA0002980050850000025
利用极大似然估计求解kriging模型的相关参数θk，如下：
Figure RE-GDA0002980050850000026
P4-3：在抽样范围内，随机地选取一组结构工艺参数为输入参数，利用试验和ABAQUS仿真模拟，检验Kriging模型的预测精度，若精度不满足，则返回步骤2，增大样本空间和抽样次数。
进一步的，所述步骤5具体为：将Kriging模型定义为函数，作为适应度函数传入遗传算法中，利用遗传算法的全局搜索能力，得到tn和tu的pareto解集。
进一步的，所述步骤6具体为：从pareto最优解集中，选取符合条件的解集，并从中选取一组解，当作输入的结构工艺参数，进行金属异质板料无铆钉铆接接头成形以及性能实验，若最大抗拉力和抗剪力均大于步骤3的试验结果，则优化成功，否则从符合条件的解集里再选择另一组解，直到优化成功为止，若整个解集都不满足，则返回步骤2，增大样本空间和抽样次数。
附图说明
图1为本发明的一种金属异质板料无铆钉铆接接头性能优化方法总体流程图。
图2为本发明的结构工艺参数数字化图。
图3为本发明的试验与仿真接头截面关键尺寸对比图。
图4为本发明的pareto最优解集图。
图5(a)为接头抗拉伸过程的力-位移曲线。
图5(b)为接头抗剪切过程的力-位移曲线。
具体实施方式
下面结合附图和实施例进一步阐述本发明
现对本发明的一种金属异质板料无铆钉铆接接头性能优化方法介绍如下：
整体优化流程见附图1，实施例中选择HC340/DP590高强钢和6061铝合金为待铆接板料。
实施例
步骤1：
对无铆钉铆接结构工艺参数进行数字化，设计相应变量，定义凸模半径(X1)、凹模半径(X2)、凹模深度(X3)、凹槽宽度(X4)、冲程(X5)为优化过程中的自变量，定义颈厚值tn、自锁值tu待优化过程中的目标值，见附图2。
步骤2：
定义样本空间，确定X的下边界Xlow、上边界Xup，如表1：
自变量 X1 X2 X3 X4 X5
下限 2.7 4.1 1.5 1 3.2
上限 2.9 4.3 1.7 1.2 3.4
进行28组拉丁超立方抽样试验。
步骤3：
进行钢铝异质板料的无铆钉铆接成形和性能试验，并用相同的结构工艺参数在ABAQUS中仿真模拟无铆钉铆接过程，试验与仿真的接头截面关键尺寸进行对比，见附图3，检验ABAQUS的计算精度，如果仿真和试验的误差过大，则调整ABAQUS中网格的划分形式和求解方式，直到误差在20％之内。
步骤4：
P4-1：建立Kriging模型，具体的为：根据步骤2得到的拉丁超立方抽样的样本点，在 ABAQUS中计算出其响应值，如表2：
Figure RE-GDA0002980050850000031
Kriging模型可以表示为：
Figure RE-GDA0002980050850000041
P4-2：f(x)是预先设置的基函数，选择f(x)＝1，其中相关函数采用高斯函数：
Figure RE-GDA0002980050850000042
nd是设计变量的数目，nd＝5，考虑各向异性，针对于5个变量，每一个变量选取一个θ，θk＝5，参数
Figure RE-GDA0002980050850000043
和
Figure RE-GDA0002980050850000044
求得方式如下：
Figure RE-GDA0002980050850000045
Figure RE-GDA0002980050850000046
利用极大似然估计求解kriging模型的相关参数θk，如下：
Figure RE-GDA0002980050850000047
P4-3：在表(1)的抽样范围内，随机地选取一组结构工艺参数为输入参数，分别地在Kriging 模型、ABAQUS有限元仿真、试验中的得到其响应值，若相对误差均小于20％，进入下一步，否则，返回步骤2，增大样本空间和抽样次数。
步骤5：
定义Kriging代理模型为函数，传入多目标优化遗传算法中，如下式：
Figure RE-GDA0002980050850000048
步骤6：
利用遗传算法得到pareto最优解集，见附图4，从之选取符合条件的解集，即颈厚值大于0.359，自锁值大于0.238的集，并选取一组解当作输入的结构工艺参数，进行无铆钉铆接接头成形和性能实验，测量最大抗拉力和最大抗剪力，得到力-位移曲线，若最大抗拉力和抗剪力均大于步骤3的试验结果，见附图5，则优化成功，否则从符合条件的解集里再选择另一组解，直到优化成功为止，若整个解集都不满足，则返回步骤2，增大样本空间和抽样次数。

Claims (7)

1.一种金属异质板料无铆钉铆接接头性能优化方法，其特征在于：
包括以下步骤：
步骤1：对金属异质板料无铆钉铆接结构工艺参数进行数字化，设计相应变量；
步骤2：定义样本空间，进行拉丁超立方抽样试验；
步骤3：进行金属异质板料的无铆钉铆接试验及接头性能测试试验，并用试验中的结构工艺参数在ABAQUS中仿真模拟无铆钉铆接成形过程，试验与仿真的接头截面关键尺寸进行对比；
步骤4：建立Kriging代理模型，并通过试验和ABAQUS有限元仿真模拟两个尺度检验Kriging代理模型的预测精度；
步骤5：将Kriging代理模型预传入遗传算法中，全局搜索得到pareto最优解集；
步骤6：从pareto最优解集中，选取符合条件的解集，进行金属异质板料无铆钉铆接接头成形以及性能实验。
2.根据权利要求1所述的一种金属异质板料无铆钉铆接接头性能优化方法，其特征在于：无铆钉铆接接头关于中心线轴对称，在CAD中画出二维的轴对称模型，定义影响接头尺寸tn、tu的结构工艺参数主要为：凸模半径(X1)、凹模半径(X2)、凹模深度(X3)、凹槽宽度(X4)、冲程(X5)。
3.根据权利要求1所述的一种金属异质板料无铆钉铆接接头性能优化方法，其特征在于：定义设计空间的下边界Xlow、上边界Xup，进行M组拉丁超立方抽样试验。
4.根据权利要求1所述的一种金属异质板料无铆钉铆接接头性能优化方法，其特征在于：根据试验中的结构工艺参数，在ABAQUS中仿真模拟无铆钉铆接成形过程，试验与仿真的接头截面的颈厚值、自锁值、板料最大缝隙进行对比，如果仿真和试验的误差过大，则调整ABAQUS中网格的划分形式和求解方式。
5.根据权利要求1所述的一种金属异质板料无铆钉铆接接头性能优化方法，其特征在于：所述步骤4包括以下子步骤：
P4-1：在一个新的试验点，颈厚值和自锁值的线性无偏预测可以表示为：
Figure RE-FDA0002980050840000011
P4-2：f(x)是预先设置的基函数，F是关于样本点和f(x)的系数矩阵，rT是长度为ns的未实验的样本点和已经实验样本点间的关系向量，
Figure RE-FDA0002980050840000012
其中相关函数采用高斯函数：
Figure RE-FDA0002980050840000013
nd是设计变量的数目，θk是第k个设计变量对应相关函数中的参数，xik和xjk是xi和xj的第k个分量，参数
Figure RE-FDA0002980050840000014
和
Figure RE-FDA0002980050840000015
求得方式如下：
Figure RE-FDA0002980050840000016
Figure RE-FDA0002980050840000017
利用极大似然估计求解kriging模型的相关参数θk，如下：
Figure RE-FDA0002980050840000021
P4-3：在抽样空间内，随机地选取一组结构工艺参数为输入参数，利用试验和ABAQUS仿真模拟，检验Kriging模型的预测精度，若精度不满足，则返回步骤2，增大样本空间和抽样次数。
6.根据权利要求1所述的一种金属异质板料无铆钉铆接接头性能优化方法，其特征在于：将Kriging模型定义为函数，作为适应度函数传入遗传算法中，利用遗传算法的全局搜索能力，得到tn和tu的pareto解集。
7.根据权利要求1所述的一种金属异质板料无铆钉铆接接头性能优化方法，其特征在于：从pareto最优解集中，选取符合条件的解集，并从中选取一组解，当作输入的结构工艺参数，进行金属异质板料无铆钉铆接接头成形以及性能实验，若最大抗拉力和抗剪力均大于步骤3的试验结果，则优化成功，否则从符合条件的解集里再选择另一组解，直到优化成功为止，若整个解集都不满足，则返回步骤2，增大样本空间和抽样次数。
CN202011354972.2A 2020-11-27 2020-11-27 一种金属异质板料无铆钉铆接接头性能优化方法 Active CN112733393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011354972.2A CN112733393B (zh) 2020-11-27 2020-11-27 一种金属异质板料无铆钉铆接接头性能优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011354972.2A CN112733393B (zh) 2020-11-27 2020-11-27 一种金属异质板料无铆钉铆接接头性能优化方法

Publications (2)

Publication Number Publication Date
CN112733393A true CN112733393A (zh) 2021-04-30
CN112733393B CN112733393B (zh) 2023-06-20

Family

ID=75597842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011354972.2A Active CN112733393B (zh) 2020-11-27 2020-11-27 一种金属异质板料无铆钉铆接接头性能优化方法

Country Status (1)

Country Link
CN (1) CN112733393B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591234A (zh) * 2021-06-16 2021-11-02 长三角先进材料研究院 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102653047A (zh) * 2012-02-24 2012-09-05 郑州大学 一种金属材料的无钉铆接-粘接接头的原位涂胶、连接方法及实现涂胶-铆接的联动机构
CN102867083A (zh) * 2012-08-30 2013-01-09 浙江大学 考虑不确定性的压力机滑块机构高刚度轻量化设计方法
JP2014219181A (ja) * 2013-04-30 2014-11-20 祐一 丸山 ミサイルの飛翔方法
CN104880992A (zh) * 2014-12-23 2015-09-02 湘潭大学 基于Kriging代理模型的磁控电弧传感器参数优化方法
CN106202623A (zh) * 2016-06-27 2016-12-07 中国人民解放军装甲兵工程学院 基于Kriging算法的武器站多工况结构优化方法
CN110000287A (zh) * 2019-03-27 2019-07-12 一汽-大众汽车有限公司 一种无铆钉粘铆连接的优化成型系统和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102653047A (zh) * 2012-02-24 2012-09-05 郑州大学 一种金属材料的无钉铆接-粘接接头的原位涂胶、连接方法及实现涂胶-铆接的联动机构
CN102867083A (zh) * 2012-08-30 2013-01-09 浙江大学 考虑不确定性的压力机滑块机构高刚度轻量化设计方法
JP2014219181A (ja) * 2013-04-30 2014-11-20 祐一 丸山 ミサイルの飛翔方法
CN104880992A (zh) * 2014-12-23 2015-09-02 湘潭大学 基于Kriging代理模型的磁控电弧传感器参数优化方法
CN106202623A (zh) * 2016-06-27 2016-12-07 中国人民解放军装甲兵工程学院 基于Kriging算法的武器站多工况结构优化方法
CN110000287A (zh) * 2019-03-27 2019-07-12 一汽-大众汽车有限公司 一种无铆钉粘铆连接的优化成型系统和方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHONGQI WANG 等: ""optimization of riveting parameters using kriging and particle swarm optimization to improve deformation homogeneity in aircraft assembly"", 《ADVANCES IN MECHANICAL ENGINEERING》, no. 8, pages 1 - 8 *
刘磊 等: ""基于Kriging模型的载人航天某装置结构优化设计研究"", 《环境技术》, no. 4, pages 1 - 5 *
周杰 等: "基于遗传算法的锻模阻力墙结构多目标优化设计", 《机械工程学报》, no. 14, pages 1 - 8 *
高玉娇: ""铝合金和高强钢无铆钉铆接仿真研究"", 《内燃机与配件》, no. 6, pages 1 - 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591234A (zh) * 2021-06-16 2021-11-02 长三角先进材料研究院 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法
CN113591234B (zh) * 2021-06-16 2024-06-11 长三角先进材料研究院 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法

Also Published As

Publication number Publication date
CN112733393B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
Kashid et al. Applications of artificial neural network to sheet metal work-a review
JP6558515B2 (ja) 金属板のせん断加工面での変形限界の評価方法、割れ予測方法およびプレス金型の設計方法
CN113591234B (zh) 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法
Ahmadi Brooghani et al. Loading path optimization of a hydroformed part using multilevel response surface method
Zeng et al. Influence of initial fit tolerance and squeeze force on the residual stress in a riveted lap joint
Huang et al. The multi-objective robust optimization of the loading path in the T-shape tube hydroforming based on dual response surface model
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
Abbasi et al. Analytical method for prediction of weld line movement during stretch forming of tailor-welded blanks
CN112733393A (zh) 一种金属异质板料无铆钉铆接接头性能优化方法
Huang et al. The optimization of the loading path for T-shape tube hydroforming using adaptive radial basis function
Liu et al. BP artificial neural network modeling for accurate radius prediction and application in incremental in-plane bending
Li et al. Cold expansion strengthening of 7050 aluminum alloy hole: Structure, residual stress, and fatigue life
Andrade-Campos et al. Optimization and inverse analysis in metal forming: scientific state-of-the-art and recent trends
CN102620980B (zh) 一种利用神经网络预报板材成形性能的方法
Tang et al. Robust design of sheet metal forming process based on adaptive importance sampling
Oh et al. Simulations of cold forging processes by the DEFORM system
Di Lorenzo et al. Integration of gradient based and response surface methods to develop a cascade optimisation strategy for Y-shaped tube hydroforming process design
Javanmard et al. Meshless analysis of backward extrusion by natural element method
CN105631153A (zh) 一种冲压件起皱的预测及控制方法
Wang et al. Springback analysis and strategy for multi-stage thin-walled parts with complex geometries
CN110083956B (zh) 机床运动机构可靠性灵敏度分析方法
Aljibori Non-linear elastic-plastic behaviour of aluminium sheet metal using finite element analysis
Gao et al. Forming limit of local loading forming of Ti-alloy large-scale rib-web components considering defects in the transitional region
CN109033512B (zh) 一种精冲模具最优刃口形状的判定方法
Hambli et al. Finite element prediction of blanking tool cost caused by wear

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
GR01 Patent grant
GR01 Patent grant