CN112464526B - 无芯模旋压成形旋轮加载路径智能优化方法 - Google Patents
无芯模旋压成形旋轮加载路径智能优化方法 Download PDFInfo
- Publication number
- CN112464526B CN112464526B CN202011236816.6A CN202011236816A CN112464526B CN 112464526 B CN112464526 B CN 112464526B CN 202011236816 A CN202011236816 A CN 202011236816A CN 112464526 B CN112464526 B CN 112464526B
- Authority
- CN
- China
- Prior art keywords
- spinning
- forming
- instantaneous
- coreless
- loading path
- 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.)
- Active
Links
- 238000009987 spinning Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 19
- 238000013461 design Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D22/00—Shaping without cutting, by stamping, spinning, or deep-drawing
- B21D22/14—Spinning
-
- 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
- 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
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)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mechanical Engineering (AREA)
- Shaping Metal By Deep-Drawing, Or The Like (AREA)
Abstract
本发明属于零件成形制造相关技术领域，公开了一种无芯模旋压成形旋轮加载路径智能优化方法，采用有限元软件，建立无芯模旋压有限元模型、无芯模旋压瞬时成形工况及状态实时提取模型，并获取不同初始工况下瞬时成形工况与瞬时成形状态对应的量化数据；基于量化数据采用深度神经网络建立无芯模旋压不同瞬时成形工况下的旋压成形状态预测模型；采用粒子群优化算法构造粒子群优化算法适应度函数，对瞬时旋轮加载路径优化；最后建立无芯模旋压成形旋轮加载路径优化平台，运行得满足优化目标的旋轮加载路径。本发明用于优化无芯模旋压成形旋轮加载路径，能有效降低旋压成形过程中的凸缘波动程度，避免起皱缺陷的形成，获得目标壁厚减薄率。
Description
技术领域
本发明属于零件成形制造相关技术领域，具体涉及一种无芯模旋压成形旋轮加载路径智能优化方法。
背景技术
无芯模旋压是一种先进的局部加载柔性成形工艺，成形中通过尾顶和通用夹持模将圆形板坯固定并以一定转速旋转，通过对旋轮加载路径的设计和控制，对坯料施加局部点加载作用，以产生连续的局部变形累积实现整体成形。由于没有芯模支撑和约束，其成形过程强烈依赖于旋轮对坯料的加载路径。而旋轮加载路径具有极高的柔性与复杂性，涉及加载半锥角、进给比、芯模转速等众多成形条件且随成形过程变化，使得旋轮加载路径在理论上存在无数种可能性。在复杂的柔性加载条件作用下，成形中会发生凸缘收缩、壁厚减薄等复杂变形，容易形成起皱、壁厚超差等成形缺陷。无芯模旋压成形是一个高度非线性的渐进成形过程，无芯模旋压加载路径与变形特征的复杂性，使得无芯模旋压成形中旋轮加载路径优化设计十分困难。
在目前，旋轮加载路径中半锥角变化过程（即旋轮轨迹）的优化仍采用经验性设计方法，依赖于工程人员技术水平，常需要反复试错，设计效率低，且无法保证设计得到的旋轮轨迹为目标成形质量下的最优轨迹。除旋轮轨迹外，芯模转速、旋轮进给比等条件对无芯模旋压成形质量也具有重要影响，目前在优化芯模转速、旋轮进给比等时均将其当作在成形过程固定不变的量，然后结合实验设计与数学建模方法，建立其与某些特征点处结果间“黑箱”式关联模型，并据此进行全过程旋压工艺参数的优化设计，但这种方法未考虑复杂曲面件无芯模旋压中成形状态与变形规律的复杂变化，其获得的优化工艺参数组合实质上无法适用整个渐变的旋压过程，甚至可能无法得到合格的成形构件。
发明内容
本发明的目的，是要提供一种无芯模旋压成形旋轮加载路径智能优化方法，结合无芯模旋压有限元模型、瞬时成形工况及状态实时提取模块，通过深度神经网络学习建立无芯模旋压不同瞬时成形工况下的旋压状态预测模型，以实现成形条件实时提取、成形状态实时预测、旋轮加载路径在线智能优化的无芯模旋压集成模拟仿真，从而有效降低旋压成形过程中的凸缘波动程度，避免起皱缺陷的形成，获得目标壁厚减薄率。
为实现上述目的，本发明提供如下技术方案：
一种无芯模旋压成形旋轮加载路径智能优化方法，包括以下步骤：
S1、基于有限元软件，建立无芯模旋压有限元模型；
S2、基于有限元软件，建立无芯模旋压瞬时成形工况及状态实时提取模型；
S3、基于无芯模旋压有限元模型、无芯模旋压瞬时成形工况及状态实时提取模型，获取不同初始工况下旋压瞬时成形工况与旋压瞬时成形状态对应的量化数据，并采用深度神经网络方法，建立无芯模旋压不同瞬时成形工况下的旋压成形状态预测模型；
S4、基于无芯模旋压瞬时成形工况及状态实时提取模型、无芯模旋压不同瞬时成形工况下的旋压成形状态预测模型，采用粒子群优化算法，构造粒子群优化算法适应度函数，对无芯模旋压瞬时旋轮加载路径进行优化；
S5、将步骤S1~S4进行集成，建立无芯模旋压成形旋轮加载路径优化平台，运行获得满足优化目标的瞬时旋轮加载路径，将优化输出的离散结果平滑即可获得全过程无芯模旋压成形旋轮加载路径。
作为限定，步骤S2中，无芯模旋压瞬时成形工况的参量包括：旋轮作用半径、凸缘宽度、半锥角、进给比和芯模转速；无芯模旋压瞬时成形状态包括：凸缘波动程度、壁厚减薄率；
所述旋轮作用半径是旋轮与坯料接触点距通用芯模中心轴线的距离；凸缘宽度是坯料半径与旋轮作用半径的差值；凸缘波动程度指坯料最外缘最高点和最低点的高度差。
作为第二种限定，步骤S3中包括的具体步骤为：
S31、基于步骤S1建立的无芯模旋压有限元模型，采用拉丁超立方试验设计方法设计不同初始工况下的无芯模旋压有限元模拟试验；
S32、基于步骤S1建立的无芯模旋压有限元模型以及步骤S2建立的无芯模旋压瞬时成形工况及状态实时提取模型，开展步骤S31设计的不同初始工况下的无芯模旋压有限元模拟试验，并获取不同初始工况下瞬时成形工况与瞬时成形状态对应的量化数据；
S33、基于获取的不同初始工况下瞬时成形工况与瞬时成形状态对应的量化数据，采用深度神经网络方法，建立无芯模旋压不同瞬时成形工况下的旋压成形状态预测模型。
作为进一步限定，步骤S31，初始工况中，初始旋轮作用半径与目标件成形芯模半径相同，其它初始工况的选取范围分别为：半锥角0~90°、进给比0.4~3mm/r、芯模转速30~150r/min、凸缘宽度30~d 0+30mm，其中，d 0为目标件成形时的初始凸缘宽度。
作为第三种限定，步骤S4中，构造的粒子群优化算法适应度函数Fitness为：
；
式中，δ t为目标壁厚减薄率，ω 1为壁厚减薄率δ对应的权重，ω 2为凸缘波动程度λ对应的权重，ω 3为半锥角α对应的权重。
作为第四种限定，步骤S4、S5中，所述旋轮加载路径包括：半锥角、进给比与芯模转速的变化过程。
本发明由于采用了上述的技术方案，其与现有技术相比，所取得的技术进步在于：
（1）本方法基于有限元模拟软件和深度神经网络学习，建立了无芯模旋压不同瞬时成形工况下的旋压状态预测模型，并在此基础上基于粒子群优化算法对旋压加载路径进行了动态优化；
（2）本发明能够有效降低旋压成形过程中的凸缘波动程度，避免起皱缺陷的形成，并获得目标壁厚减薄率；
（3）本发明的优化方法考虑了曲面件无芯模旋压中成形状态与变形规律的复杂变化，成形状态与优化结果适用于整个渐进成形过程；
（4）本发明具备无芯模旋压成形条件自感知、成形规律自学习、加载路径自优化决策的智能优化设计特征，突破了现有方法依赖于工程人员技术水平，需要反复试错的弊端，显著提升了设计效率与效果。
本发明属于零件成形制造相关技术领域，用于优化无芯模旋压成形旋轮加载路径。
附图说明
图1为本发明实施例中无芯模旋压成形示意图；
图2为本发明实施例的流程示意图；
图3为本发明实施例中无芯模旋压成形过程中半锥角的优化曲线；
图4为本发明实施例中无芯模旋压成形过程中进给比优化曲线；
图5为本发明实施例中无芯模旋压成形过程中芯模转速优化曲线；
图6为本发明实施例中无芯模旋压成形加载路径优化后的凸缘波动程度；
图7为本发明实施例中无芯模旋压成形加载路径优化后的壁厚减薄率。
图中：1、旋轮；2、坯料；3、通用芯模。
具体实施方式
下面结合实施例对本发明作进一步说明，但本领域的技术人员应当理解，本发明并不限于以下实施例，任何在本发明具体实施例基础上做出的改进和变化都在本发明权利要求保护的范围之内。
实施例 无芯模旋压成形旋轮加载路径智能优化方法
如图1及图2所示，两个旋轮1关于通用芯模3中心轴线对称布置，使通用芯模3带着坯料2旋转。本实施例是对于通用芯模3半径为45mm，坯料2半径为110mm的无芯模旋压成形旋轮加载路径进行优化，选取的无芯模旋压初始工况的参数为：旋轮作用半径为45mm，凸缘宽度为65mm。
本实施例包括以下步骤：
S1、采用ABAQUS有限元软件，建立无芯模旋压有限元模型，并采用ABAQUS有限元软件中的Explicit分析模块对无芯模旋压成形过程进行数值模拟计算；
本步骤中，无芯模旋压有限元模型的建立包括以下四个关键步骤：采用S4R单元把坯料2离散划分为放射状网格；将材料拉伸变形的应力-应变数据输入构建材料模型；选取库仑摩擦模型描述工件与模具间界面的接触摩擦条件；通过幅值曲线设置旋轮加载半锥角、进给比、芯模转速加载边界条件；
S2、基于ABAQUS有限元软件所提供的VUMAP用户子程序，建立无芯模旋压瞬时成形工况及状态实时提取模型；
本步骤中，无芯模旋压瞬时成形工况的参量包括：旋轮作用半径r、凸缘宽度d、半锥角α、进给比f和芯模转速n；无芯模瞬时旋压成形状态包括：凸缘波动程度λ、壁厚减薄率δ；
其中，旋轮作用半径是指旋轮1与坯料2接触点距通用芯模3中心轴线的距离；凸缘宽度是指坯料2半径与旋轮作用半径的差值；半锥角为旋轮1的运动轨迹与通用芯模3中心轴线的夹角；进给比为旋轮1在通用芯模3转动一圈过程中的进给距离；芯模转速为通用芯模每分钟的旋转周数；凸缘波动程度指坯料2最外缘最高点和最低点的高度差；
壁厚减薄率δ的公式为：
；
其中，t 0为坯料2的初始壁厚，t为成形后壁厚；
S3、基于无芯模旋压有限元模型、无芯模旋压瞬时成形工况及状态实时提取模型，获取不同初始工况下瞬时成形工况与瞬时成形状态对应的量化数据，并采用深度神经网络方法，建立无芯模旋压不同瞬时成形工况下的旋压成形状态预测模型；
本步骤包括的具体步骤为：
S31、基于步骤S1建立的无芯模旋压有限元模型，采用拉丁超立方试验设计方法设计不同初始工况下的无芯模旋压有限元模拟试验；
本步骤中，无芯模旋压有限元模拟试验设计中，初始旋轮作用半径为45mm，其它初始工况参数选取范围为：凸缘宽度为30~95mm，半锥角为0~90°，进给比为0.4~3mm/r，芯模转速为30~150r/min。然后在上述四个参数的选取范围内，采用拉丁超立方试验设计方法设计四十六组不同初始工况下的无芯模旋压有限元模拟试验；
S32、基于步骤S1建立的无芯模旋压有限元模型以及步骤S2建立的无芯模瞬时旋压成形工况及状态实时提取模型，开展步骤S31设计的不同初始工况下的无芯模旋压有限元模拟试验，并获取不同初始工况下瞬时成形工况与瞬时成形状态对应的量化数据；
S33、基于获取的不同初始工况下瞬时成形工况与瞬时成形状态对应的量化数据，采用深度神经网络方法，建立无芯模旋压不同瞬时成形工况下的旋压成形状态预测模型；
其中，本步骤中是选择半锥角、进给比、芯模转速、旋轮作用半径和凸缘宽度作为输入参数，选取壁厚减薄率、凸缘波动程度作为输出参数，对各参数进行归一化处理，作为深度神经网络的训练样本；深度神经网络建模的关键参数设置如下：构建九层神经网络结构，选取Relu线性整流函数作为深度神经网络的激活函数，Huber函数作为损失函数，Adam优化算法作为优化算法，其中初始学习率为0.005；
S4、基于无芯模旋压瞬时成形工况及状态实时提取模型、无芯模旋压不同瞬时成形工况下的旋压成形状态预测模型，采用粒子群优化算法，构造粒子群优化算法适应度函数，对无芯模旋压瞬时旋轮加载路径进行优化；
本步骤中，旋轮加载路径包括：半锥角、进给比与芯模转速的变化过程；其中，旋轮加载路径是指无芯模旋压成形中旋轮1对坯料2的加载路径，即在坯料2上留下的路径，由旋轮轨迹、进给比和芯模转速共同决定；本发明针对旋轮轨迹，以一个进给比为单位将其离解为多段直线，然后用每段直线的半锥角表征其运行方向，多段直线首尾相连，这样就可以表示整个旋轮轨迹，因此本步骤中旋轮轨迹是用半锥角表示；
本步骤中，构造的粒子群优化算法适应度函数Fitness为：
；
式中，δ t为目标壁厚减薄率，ω 1为壁厚减薄率δ对应的权重，ω 2为凸缘波动程度λ对应的权重，ω 3为半锥角α对应的权重；
其中，粒子群优化算法中参数设置如下：粒子群数目为15，学习因子c1、c2为2.05，δ t为0即不减薄，ω 1权重为0.15，ω 2权重为0.05，ω 3权重为0.8，最大迭代数为15；
S5、将步骤S1~S4进行集成，建立无芯模旋压成形旋轮加载路径优化平台，运行获得满足优化目标的瞬时旋轮加载路径，将优化输出的离散结果平滑即可获得全过程无芯模旋压成形旋轮加载路径。
本实施例中，选取的无芯模旋压初始工况的参数为：旋轮作用半径为45mm，凸缘宽度为65mm。执行步骤S1~S5后，得到了满足优化目标的旋轮加载路径，其中半锥角、进给比和芯模转速的优化结果如图3至图5所示。从图3可以看出优化后的半锥角从50°随时间先增加到70°后略有减小，从图4可以看出优化后的进给比在0.8~2mm/r的范围内随时间线性增加，从图5可以看出优化后的芯模转速在70~100r/min的范围内随时间线性增加。
如图6及图7所示，为无芯模旋压成形过程中旋轮加载路径优化后的凸缘波动程度、壁厚减薄率，从图中可以看出，优化后的旋轮加载路径可将凸缘波动控制在2.5mm内，壁厚减薄率控制在9%以内，因此能够有效降低无芯模旋压成形过程中的凸缘波动以及防止壁厚过薄，实现了旋压成形优化目标。
Claims (3)
1.一种无芯模旋压成形旋轮加载路径智能优化方法，其特征在于，包括以下步骤：
S1、基于有限元软件，建立无芯模旋压有限元模型；
S2、基于有限元软件，建立无芯模旋压瞬时成形工况及状态实时提取模型；
S3、基于无芯模旋压有限元模型、无芯模旋压瞬时成形工况及状态实时提取模型，获取不同初始工况下旋压瞬时成形工况与旋压瞬时成形状态对应的量化数据，并采用深度神经网络方法，建立无芯模旋压不同瞬时成形工况下的旋压成形状态预测模型；
S4、基于无芯模旋压瞬时成形工况及状态实时提取模型、无芯模旋压不同瞬时成形工况下的旋压成形状态预测模型，采用粒子群优化算法，构造粒子群优化算法适应度函数，对无芯模旋压瞬时旋轮加载路径进行优化；
S5、将步骤S1~S4进行集成，建立无芯模旋压成形旋轮加载路径优化平台，运行获得满足优化目标的瞬时旋轮加载路径，将优化输出的离散结果平滑即可获得全过程无芯模旋压成形旋轮加载路径；
其中，步骤S2中，无芯模旋压瞬时成形工况的参量包括：旋轮作用半径、凸缘宽度、半锥角、进给比和芯模转速；无芯模旋压瞬时成形状态包括：凸缘波动程度、壁厚减薄率；
所述旋轮作用半径是旋轮与坯料接触点距通用芯模中心轴线的距离；凸缘宽度是坯料半径与旋轮作用半径的差值；凸缘波动程度指坯料最外缘最高点和最低点的高度差；
步骤S4中，构造的粒子群优化算法适应度函数Fitness为：
；
式中，δ t为目标壁厚减薄率，ω 1为壁厚减薄率δ对应的权重，ω 2为凸缘波动程度λ对应的权重，ω 3为半锥角α对应的权重；
步骤S4、S5中，所述旋轮加载路径包括：半锥角、进给比与芯模转速的变化过程。
2.根据权利要求1所述的无芯模旋压成形旋轮加载路径智能优化方法，其特征在于，步骤S3中包括的具体步骤为：
S31、基于步骤S1建立的无芯模旋压有限元模型，采用拉丁超立方试验设计方法设计不同初始工况下的无芯模旋压有限元模拟试验；
S32、基于步骤S1建立的无芯模旋压有限元模型以及步骤S2建立的无芯模旋压瞬时成形工况及状态实时提取模型，开展步骤S31设计的不同初始工况下的无芯模旋压有限元模拟试验，并获取不同初始工况下瞬时成形工况与瞬时成形状态对应的量化数据；
S33、基于获取的不同初始工况下瞬时成形工况与瞬时成形状态对应的量化数据，采用深度神经网络方法，建立无芯模旋压不同瞬时成形工况下的旋压成形状态预测模型。
3.根据权利要求2所述的无芯模旋压成形旋轮加载路径智能优化方法，其特征在于，步骤S31，初始工况中，初始旋轮作用半径与目标件成形芯模半径相同，其它初始工况的选取范围分别为：半锥角0~90°、进给比0.4~3mm/r、芯模转速30~150r/min、凸缘宽度30~d 0+30mm，其中，d 0为目标件成形时的初始凸缘宽度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011236816.6A CN112464526B (zh) | 2020-11-09 | 2020-11-09 | 无芯模旋压成形旋轮加载路径智能优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011236816.6A CN112464526B (zh) | 2020-11-09 | 2020-11-09 | 无芯模旋压成形旋轮加载路径智能优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112464526A CN112464526A (zh) | 2021-03-09 |
| CN112464526B true CN112464526B (zh) | 2024-04-19 |
Family
ID=74825710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011236816.6A Active CN112464526B (zh) | 2020-11-09 | 2020-11-09 | 无芯模旋压成形旋轮加载路径智能优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112464526B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113134539B (zh) * | 2021-04-29 | 2022-06-28 | 西北工业大学 | 一种旋轮、旋压组件及旋压工艺 |
| CN113642180B (zh) * | 2021-08-17 | 2022-09-02 | 西北工业大学 | 旋压成形状态在线感知方法 |
| CN118106395A (zh) * | 2024-04-18 | 2024-05-31 | 沈阳欧施盾新材料科技有限公司 | 一种基于旋压成型的气瓶壁厚不均调整方法、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001030018A (ja) * | 1999-07-19 | 2001-02-06 | Sango Co Ltd | スピニング加工による有底筒体の製造方法及び装置 |
| CN103514325A (zh) * | 2013-09-18 | 2014-01-15 | 华侨大学 | 轮辐三旋轮错距强力旋压工艺的有限元数值模拟方法 |
| CN103934344A (zh) * | 2014-04-21 | 2014-07-23 | 浙江大学 | 复合式板料旋压机及其旋压方法 |
| CN104550393A (zh) * | 2014-12-03 | 2015-04-29 | 华南理工大学 | 一种大长细比带凹底薄壁筒形件精密成形方法 |
| CN106650016A (zh) * | 2016-11-23 | 2017-05-10 | 上海交通大学 | 基于粒子群算法的车身侧围结构多工况协同优化实现方法 |
| CN108491673A (zh) * | 2018-05-28 | 2018-09-04 | 南通福乐达汽车配件有限公司 | 一种多楔带轮旋压成形数值模拟的建模方法 |
| CN111069392A (zh) * | 2019-12-20 | 2020-04-28 | 傲垦数控装备(苏州)有限公司 | 风机配件的无芯模旋压工艺 |
-
2020
- 2020-11-09 CN CN202011236816.6A patent/CN112464526B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001030018A (ja) * | 1999-07-19 | 2001-02-06 | Sango Co Ltd | スピニング加工による有底筒体の製造方法及び装置 |
| CN103514325A (zh) * | 2013-09-18 | 2014-01-15 | 华侨大学 | 轮辐三旋轮错距强力旋压工艺的有限元数值模拟方法 |
| CN103934344A (zh) * | 2014-04-21 | 2014-07-23 | 浙江大学 | 复合式板料旋压机及其旋压方法 |
| CN104550393A (zh) * | 2014-12-03 | 2015-04-29 | 华南理工大学 | 一种大长细比带凹底薄壁筒形件精密成形方法 |
| CN106650016A (zh) * | 2016-11-23 | 2017-05-10 | 上海交通大学 | 基于粒子群算法的车身侧围结构多工况协同优化实现方法 |
| CN108491673A (zh) * | 2018-05-28 | 2018-09-04 | 南通福乐达汽车配件有限公司 | 一种多楔带轮旋压成形数值模拟的建模方法 |
| CN111069392A (zh) * | 2019-12-20 | 2020-04-28 | 傲垦数控装备(苏州)有限公司 | 风机配件的无芯模旋压工艺 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112464526A (zh) | 2021-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112464526B (zh) | 无芯模旋压成形旋轮加载路径智能优化方法 | |
| CN108637020B (zh) | 一种自适应变异pso-bp神经网络带钢凸度预测方法 | |
| CN108920863B (zh) | 一种机器人伺服系统能耗估计模型的建立方法 | |
| CN105404153A (zh) | 一种基于bp神经网络的绕线机控制方法及绕线机 | |
| CN107357967B (zh) | 一种滚珠丝杠载荷谱的提取方法 | |
| CN109772987B (zh) | 一种调节两旋轮旋压错距量的方法 | |
| WO2020175418A1 (ja) | 予測制御開発装置、予測制御開発方法、及び予測制御開発プログラム | |
| CN110090478B (zh) | 一种充填场景下的深锥浓密机智能控制方法 | |
| Lambiase | Optimization of shape rolling sequences by integrated artificial intelligent techniques | |
| CN109165694A (zh) | 一种对非平衡数据集的分类方法及系统 | |
| CN109732022A (zh) | 一种环轧机抱辊运动轨迹的优化方法 | |
| CN116000106B (zh) | 一种冷连轧升降速阶段的轧制力设定方法 | |
| CN102129242A (zh) | 基于两层混合智能优化的批处理生产过程产品质量控制方法 | |
| Kim et al. | Design of an optimal fuzzy logic controller using response surface methodology | |
| CN110245408A (zh) | 一种汽轮机单圆弧压力面叶型设计方法 | |
| CN113609672B (zh) | 一种基于增量模型的数字孪生系统协同进化方法 | |
| CN115081330A (zh) | 一种齿轮传动系统数字孪生模型虚实数据镜像更新方法 | |
| CN115034437A (zh) | 一种基于改进XGBoost的热轧板凸度预测方法 | |
| CN107256453B (zh) | 一种基于改进elm算法的毛管质量预报方法 | |
| CN117608246A (zh) | 一种适用于多工序零件的数控机床自适应加工方法 | |
| CN116441354A (zh) | 一种矫直机板形预测及矫直工艺控制方法 | |
| CN111069363B (zh) | 一种原位纳米增强高强韧钢的弯曲成形工艺实现方法 | |
| GONDO et al. | Roller path solver system for multi-objective task-priority control of multipass conventional spinning | |
| Xiao et al. | Research on the Control Strategy of Battery Roller Press Deflection Device by Introducing Genetic Algorithm to Optimize Integral Separation PID | |
| CN112036090A (zh) | 一种线性液动压抛光波纹度预测优化方法 |
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 |