基于有限元模拟的筒形件错距旋压智能参数优化系统

HEATS

1　前言

　　旋压是用于成形薄壁空心回转体零件的一种金属压力加工方法。该工艺具有变形力小，节约 原材料等优点，被广泛应用于航天、军工、机械等领域^［1］。
　　在大直径薄壁件的生产中，采用一般的三旋轮同平面的强力旋压工艺，往往会由于减薄率的限制，需进行多道次加工。通常，中间退火是难免的过渡工艺，其最终结果是产品质量差、生产效率低。因此，近些年来，错距旋压得到了广泛的应用。错距旋压时，三旋轮在毛坯周向呈120°均布，并在轴向和径向相互错开一定距离(图1)。这样，使旋压变形由三个旋轮分担，增大了道次减薄率，减少了加工道次，提高了加工精度和生产效率。当然，错距旋压也有其缺点：工艺参数较多，而且彼此之间的关系十分复杂，只有当各个工艺参数匹配合理时才能显示出其工艺优势。因此， 对错距旋压工艺参数的优化进行选择非常必要。

图1　筒形件错距旋压示意图

) @ P/ v( f* \4 y9 L

2　参数优化系统框架

5 W/ U. E9 b- }+ C$ l. S6 b1 A

　　实际生产中，仍然在延续着“工艺参数=经验+生产调试”的选择模式；相关的技术资料中也 只能定位在简化的工程近似计算的基础上，应用效果并不好。本文采用有限元模拟与智能技 术相结合的方法，揭示错距旋压的变形机理，实现对旋压工艺参数的优化。图2为本系统的 结构框架^［2,3］。

图2　筒形件错距旋压仿真系统结构框架

　　系统通过工艺设计模块，可以根据输入的工件初始参数得出初始的由解析求得的加工工艺参 数，以此参数为条件，进行有限元建模并输出后处理结果。本文通过对有限元后处理文件的 编程处理，结合人工神经网络方法，实现了对原始工艺参数的优化。最后，输出优化工艺参 数。

3　系统关键技术

1 p8 l3 V. ^5 X6 e9 p g, F$ `

3.1　有限元建模
　　利用通用有限元软件MARC实现了对错距旋压有限元模型 的三维弹塑性数值模拟。模型采用六面体单元，采用反正切摩擦模型来描述摩擦条件。有限元模型见图3。

图3　错距旋压三维

3.2　参数优化的实现
　　本文采用人工神经网络实现优化旋压工艺的目的。模拟用的最初工艺参数来自工艺计算模块，本模块将根据其模拟结果对初始工艺参数进行优化。优化所需特征参数的最终来源为有限元计算的结果输出文件。通过对MARC后处理的二次开发，可以实现对所需具体数据的分 类格式输出。然后通过编程，提取神经网络所需的输入值，主要输入参数为三旋轮压下量Δ t₁、Δt₂、Δt₃，三旋轮间的轴向错距值a₁₂、a₂₃， 三旋 轮的径向力F_r1、F_r2、F_r3，毛坯壁厚t₀，旋轮进给比f。输出为修正 后的三旋轮压下量Δt₁′、Δt₂′、Δt₃′，三旋轮间的轴向错距值a ₁₂′、a₂₃′ ，旋轮进给比f′。人工神经网络采用BP算法，其网络模型如图4所示。神经网络的学习样本来自于大量的模拟优化的成功算例和经验总结。将所得工艺参数重新用于模拟分析，以缺陷（断裂、损伤程度）、尺寸精度和三旋轮的径向分力的平衡程度为主要评定指标，重 复该模拟-评定-模拟的过程，直到得出合格的工艺参数。

. B _( {% p# h: x5 W/ v+ _8 ]% O

图4　人工神经网络模型

3.3　基于人工神经网络的工艺输出
　　在实际生产中，工件的加工精度受毛坯的质量、设备精度、工艺参数等多种因素的影响。所以，通过模拟优化所得的工艺参数仍然无法用于实际加工。这就需要一个合理的转换过程，将毛坯和设备等系统误差的影响考虑在内。这样，所得的模拟优化结果经过转换就可以直接用于实际生产之中。本文通过神经网络实现了由模拟优化的工艺参数向实际工艺参数的映射。神经网络采用BP算法，其学习样本来自于生产中的实际工艺参数和试验及模拟所得 的结果。其输入为毛坯壁厚t₀及经过模拟优化的三旋轮压下量Δt₁、Δt₂ 、Δt₃，三旋轮间的轴向错距值a₁₂、a₂₃，旋轮进给比f。输出为可用 于实际加工的工艺参数：三旋轮压下量Δt₁′、Δt₂′、Δt₃′，三旋 轮间的轴向错距值a₁₂′、a₂₃′，旋轮进给比f′。

4　结论

　　通过对有限元模拟，结合人工智能方法，实现了对筒形件错距旋压工艺参数的优化，其结果 可直接用于指导生产加工，具有重要的实际意义。 -【MechNet】

: ^7 p+ n& G( l/ M1 H