多孔定位片零件沖壓工藝及模具設(shè)計-落料沖孔、翻孔復合模含28張CAD圖2副-獨家.zip,多孔,定位,零件,沖壓,工藝,模具設(shè)計,沖孔,復合,28,CAD,獨家 10日世界大會在結(jié)構(gòu)和多學科優(yōu)化 2013年5月19日- 24日,奧蘭多,佛羅里達州,美國 沖壓回彈優(yōu)化和失敗的過程 (1)法國的INRIA Sophia Antipolis (2) 穆罕默德五世大學,摩洛哥拉巴特 (3)法國大學Sophia Antipolis, Mathematics Dept, 作者 : fatima.oujebbour@inria.fr 1． 文摘 在汽車行業(yè)的最大挑戰(zhàn)之一重點是板料成形過程中減肥操作, 為了生產(chǎn)高質(zhì)量的金屬部分用最小的成本生產(chǎn)。沖壓是使用最廣泛的金屬板材成形過程,但其實現(xiàn)介紹幾個困難，如回彈和失敗。一個全球性的和簡單的方法來規(guī)避這些不必要的過程缺點在于用創(chuàng)新的方法優(yōu)化工藝參數(shù)。本文的目的是預(yù)防和預(yù)測這兩種現(xiàn)象。為了這個目的,模擬的沖壓工業(yè)工件調(diào)查評估回彈和失敗。優(yōu)化這兩個cri -teria,全局優(yōu)化方法選擇,即模擬退火算法、雜化的同步擾動隨機逼近,以獲得在時間和精度。事實上,一般的沖壓過程的優(yōu)化是多目標和回彈失敗是最常用的標準之一,他們反對信息通信技術(shù)。解決這類問題,正常邊界交點和規(guī)范化正常約束法是兩個件的方法帕累托最優(yōu)解決方案的操作一組與前面點的均勻分布的特征。我們有許多基準問題進行,結(jié)果與NSGA-II相比Non-dominated排序遺傳算法。然后,比較了這兩個標準沖壓問題。結(jié)果表明,該方法是ecient和準確的在大多數(shù)情況下。 2。關(guān)鍵詞:板料成形?；貜?。失敗。多目標優(yōu)化。帕累托最優(yōu) 解決方案。 3所示。介紹 考慮到實際經(jīng)濟需求,沖壓的優(yōu)勢,與其他處理相比,涉及復雜的功能,精確和有用的工件在生產(chǎn)速度高。然而,其實現(xiàn)是dicult。這個操作是在制造廠進行古典擅長-對試驗和錯誤的方法這是一個緩慢而昂貴的方法,以及數(shù)值模擬夜間的沖壓工藝單元法是另一種預(yù)測相關(guān)的許多問題金屬成形過程。在目前的工作,工業(yè)的目標是預(yù)測和預(yù)防回彈和失敗。這兩個現(xiàn)象是在沖壓過程中最常見的缺陷。他們現(xiàn)在diculties優(yōu)化,因為他們是兩個缺點ict的目標。形成測試摘要研究涉及工業(yè)工件的沖壓印有一個十字架。來解決這個優(yōu)化問題,選擇的方法是基于一個啟發(fā)式和雜交直接下降法。這種雜交兩學科,旨在利用隨機和確定性,為了提高魯棒性的eciency混合算法。為多目標問題,我們采用方法基于帕累托的identication前面。有一個收斂之間的妥協(xié)對前面的方式解決方案表示不致敬,我們選擇兩個適當?shù)姆椒?。這些方法有能力捕捉帕累托面前,利用生成一組均勻分布的帕累托最優(yōu)解決方案。的后者財產(chǎn)可以優(yōu)化的重要和實際使用,一般來說,幾個工業(yè)問題,確切地說,在板料成形問題。通過調(diào)整多目標問題成簡略子問題和幾個點,這兩個方法可以計算一個相當均勻分配的帕累托最優(yōu)解決方案,可以幫助設(shè)計者和決策者輕松地選擇一個帕累托的解決方案在設(shè)計空間。重要的是要注意解決單目標的必要性子問題的全局優(yōu)化方法,我們可以獲得一個全球帕累托前沿,而由此產(chǎn)生的最適條件基于使用梯度局部優(yōu)化算法只是當?shù)氐呐晾弁凶顑?yōu)解決方案。評估的eciency多目標方法,經(jīng)典數(shù)值benchmarkswere用于比較所獲得的結(jié)果與成熟的技術(shù)多目標優(yōu)化二Non-dominated排序遺傳算法(NSGAII)。這篇論文結(jié)構(gòu)如下:第四部分介紹了測試用例用于計算兩個標準。部分 5、發(fā)展的全局優(yōu)化方法的原理,基于的雜交methaheuristic算法是模擬退火(SA)[1]和下降法即同步擾動隨機逼近(SPSA)[2]和討論使用的優(yōu)點兩種多目標優(yōu)化的方法,這是正常的邊界的交點(NBI)[3]規(guī)范化正常約束方法(NNCM)[4],生成一組均勻帕累托-最優(yōu)的解決方案。然后一個結(jié)論和觀點看法提供了第六節(jié)。 4所示。 有限元分析的一個工業(yè)工件板料成形需要廣泛的技術(shù)知識的理解,制造-荷蘭國際集團(ing)應(yīng)用標準,交互的處理和材料特性。[5][6][7][8]。的沖壓過程通常用于制造鈑金產(chǎn)品。在這個過程中,最初彎曲或 在空白材料夾模和壓邊圈之間。當沖頭推入死腔,空白是可塑性變形specic形狀的沖頭和模具轉(zhuǎn)移到它。最終產(chǎn)品的質(zhì)量取決于適當?shù)墓ぞ咴O(shè)計,選擇空白的材料,壓邊力、潤滑和其他一些在板料成形工藝參數(shù)。的夜間元素模擬板料成形是一種強大的工具,它允許廉價和快速測試沖壓工藝的試驗參數(shù)。近年來,夜間元素分析(FEA)已經(jīng)成熟 足夠一個eective工具模擬沖壓工藝和預(yù)測回彈失敗。后者是復雜的物理現(xiàn)象,對眾多因素(非常敏感的過程參數(shù)、材料特性、接觸參數(shù)表和工具幾何、屈服函數(shù),很難傳感器,集成方案)。鐵配方中這些標準并不容易。各種各樣的假設(shè)材料的行為,簡單的彈塑性各向異性和加工硬化,可以原因胃鏡偏差的數(shù)值預(yù)測回彈和失敗的在真正的實踐。極其dicult制定這些現(xiàn)象包括所有的分析模型這些因素。同時,diculty與分析方法是缺乏明確的形式的壓力分布在整個表,這限制了簡單的幾何和簡單的分析方法變形情況。 4.1。與LS-DYNA有限元模型 金屬成形過程的數(shù)值模擬是目前的技術(shù)創(chuàng)新之一旨在減少模具成本高和便于分析和解決相關(guān)的問題這個過程。在這項研究中,商業(yè)有限元分析代碼,LS-DYNA,是用來模擬沖壓一個工業(yè)工件。LS-DYNA是一個顯式和隱式有限元程序獻給高度非線性物理現(xiàn)象的模擬和分析。我們的目標是研究影響沖壓工藝的工藝參數(shù)的一個空白交叉穿孔(圖1)?？瞻子筛邚姸鹊秃辖痄?HSLA260)和使用Belytschko-Tsay外殼建模元素,與完整的集成點。 圖1:沖壓工藝的初始和最終步驟(LS-DYNA) 由于對稱性,只有四分之一的空白,死,打孔和空白持有人被建模沿著邊界和對稱邊界條件的飛機。力學性能的材料和工藝特點如表1所示。 表1:流變和案例研究的工藝參數(shù) 材料 HSLA260 楊氏模量 196年平均績點 泊松比 0.307 密度 7750Kg=m3 硬化coecient 0.957 穿孔速度 5m=s 沖壓中風 30mm 布蘭克持有人的努力 79250N 摩擦coecient 0.125 4.2?；貜椨嬎愠杀? 在板料成形,rst變形是彈性和可逆的;然后,這個屬性不再是可能,所以變形是塑料。在這個操作過程中,金屬板通常是畸形的符合形狀的工具,除了卸貨后,其原始表查找連接由于彈性組件的幾何變形之前作為勢能存儲在工作表。這種現(xiàn)象被稱為“回彈”?；貜椀哪M涉及兩個步驟:加載(沖壓)和卸貨。因此,金屬板沖壓仿真后的調(diào)查工件,LS-DYNA生成一個輸出包含所有信息關(guān)于壓力和緊張在卸貨。基于這一信息,LS-DYNA可以模擬一個隱式的回彈集成方案。圖2顯示了一個小德檢驗的角落里代表的一部分 回彈現(xiàn)象。圖 圖2:模擬回彈(LS-DYNA) 估計回彈,rst平均每個元素的殘余壓力,然后提取該組件的所有元素的最大值。因此,rst目標函數(shù),即回彈標準,可以制定為情商。(1)。 在哪里設(shè)計參數(shù)向量,m元素的總數(shù),i元素數(shù)字和平均殘余應(yīng)變, ，n集成的總數(shù)點,j集成點數(shù)量。 4.3。計算失敗的成本 冶金學家的板料成形過程中失敗帶來了一個巨大的挑戰(zhàn),限制的成形性鋼板。當?shù)爻霈F(xiàn)的缺陷,一般來說,在局部地區(qū)的蓋章。為了更好的 描述失敗,rst必要完全理解薄板的成形性。從這個意義上說,的概念,介紹了成形極限曲線(方法)[6][9]。它是由實驗測試允許確定在單獨的主應(yīng)變空間齊次邊界空間 和局部壓力(圖3),只為更多的可靠性,我們認為是一個安全系數(shù)估計為10%,它允許我們考慮曲線方法低10%。因此,這條曲線描述的過渡安全的材料行為材料失敗(如果存在開裂可能發(fā)起除此之外應(yīng)變值曲線)。我們的研究旨在確定材料可以承受壓力下形成沒有失敗的極限曲線。首先,從每個元素的應(yīng)變張量,我們計算了校長空白midsurface菌株。通過將這些值主要菌株的方法圖,我們看到的事實上,上面的元素,它們的主要菌株放置成形極限曲線失敗,證實了這個失敗由LS-DYNA仿真如圖4所示。 圖3:HSLA260鋼板的成形極限圖 圖4:仿真的失敗(LS-DYNA) 是非常重要的提到本金值必須在本地系統(tǒng)而不是計算張量的窩在全球笛卡爾體系。制定第二個目標函數(shù)為情商。(2)。 f2措施成本最關(guān)鍵元素的應(yīng)變之間的距離(1)我和共同回應(yīng)中的應(yīng)變值極限曲線(f)我考慮規(guī)定的安全裕度。 5。優(yōu)化過程 兩個標準的優(yōu)化問題、回彈和失敗,是一個多目標優(yōu)化問題。實際上,這些目標函數(shù)是昂貴的,在大多數(shù)情況下對抗,對一些敏感變量和可以存在多個最適條件。要解決這些問題,我們有追索權(quán)的新方法在全局優(yōu)化方法基于雜交和帕累托前沿,判別方法為了利用全局優(yōu)化方法的魯棒性有一個帕累托面前容易利用工程師帕累托點均勻分布。 5.1。簡略的優(yōu)化 目前,混合meta-heuristics目前前景的方法優(yōu)化,或-der具有較高的質(zhì)量和精度。我們提出一種混合方法,在目前的工作顯示效果很好。主要的優(yōu)化算法是模擬退火(SA)方法[1],與同步擾動隨機逼近雜化(SPSA)方法[2][10][11]。 5.1.1。SA法 該算法建立了柯克帕特里克[1]和賽爾尼[12]。它模擬的發(fā)展系統(tǒng)向最優(yōu)conguration,大致說來,通過模擬一個熱力學的進化對平衡系統(tǒng)。大都市[13]的算法旨在從一個初始conguration開始并提交系統(tǒng)擾動為每個范圍的控制(溫度)參數(shù)t .如果這擾動生成一個解決方案優(yōu)化目標函數(shù)f,我們接受它;如果它oppositeeect,我們畫一個0到1之間的隨機數(shù),如果這個數(shù)字小于或等于e??fT,我們接受conguration。因此,在高T,大多數(shù)congurations被接受的空間。通過逐步減少T,該算法允許更少的解決方案的優(yōu)化目標函數(shù);因此,非常低的T e??fT接近0和算法拒絕移動增加了成本函數(shù)。SA有很多優(yōu)勢,區(qū)別于其他優(yōu)化算法。首先,它是一個全球性的優(yōu)化方法,易于程序和適用于多個領(lǐng)域。另一方面,它有一些不便等參數(shù)的監(jiān)管經(jīng)驗,過度的計算時間和較低的T,接受率的算法變得太弱,所以該方法變得ineective,因此耦合的想法與下降法算法以減少的數(shù)量目標功能評估。 5.1.1。SA與SPSA雜化方法的一個方法,按照這種方法,回答了這個需求的方法命名的同步擾動隨機逼近(SPSA)[2]。它是一種基于梯度的方法從隨機攝動近似目標函數(shù),只需要兩個評估優(yōu)化問題的目標函數(shù)無論維度,占其權(quán)力和相對輕松的實現(xiàn)。的問題最小化損失函數(shù)f(x),x是一個m -維向量,SPSA具有相同的一般遞推隨機近似形式如Eq。(3)。 ^ gk(^ xk)的估計是梯度g(x)= @f在迭代@x ^ xk。這個隨機梯度 近似計算的夜間dierence近似同步擾動,這樣對于所有^ xk隨機攝動我們一起獲得f(^ xk)的兩個評估。然后,每個組件(^ ^ gk xk)是一種比dierence除以一個dierence兩者之間相應(yīng)的評估間隔Eq。(4)。 ck的地方是一個小的正數(shù),變大變小,k和k =(k1,:::,公里)t am維隨機擾動向量;一個簡單的和k的每個組件是證明了選擇用伯努利分布概率12為每1的結(jié)果。收斂性要求是正義與發(fā)展黨和ck去0利率既不太快也不太慢,以及成本函數(shù)嗎應(yīng)該suciently光滑接近最優(yōu)。這樣,當我們方法的收斂速度更快最優(yōu)比模擬退火的隨機波動。增加模擬的準確性退火時,我們需要實現(xiàn)SPSA每次移動后最小化目標函數(shù)。的大都市的標準總是給我們可能逃離當?shù)氐淖钸m條件。 5.2。多目標優(yōu)化 基于帕累托的概念,一個解決方案是帕累托最優(yōu)或支配,如果集不可能改善沒有退化的(成本)組件至少另一個。在目標函數(shù)的空間,所有支配解決方案集的集合稱為帕累托前或eciency集。這是一般在設(shè)計工程師承認任何之一實現(xiàn)設(shè)計必須non-dominated,也就是說,帕累托的知識面前是一個必要的階段。在我們的例子中,我們實現(xiàn)了兩個眾所周知的方法:正常邊界的交點(NBI)法[3]和規(guī)范化正常約束方法 (NNCM)[4]。 5.2.1。正常的邊界交點法 讓x1和x2兩個人兩個目標函數(shù)的解,分別f1(x)f2(x)的組件向量F =[f1(x)f2(x)]t。計算它們,我們使用混合方法先前描述。烏托邦點,F,是全球最小值包含個人的向量,f我= fi(ξ)的目標,即F =[F1 f2)t。 讓Fi =[f1(xi)f2(ξt)]。個別最小值的凸包(詹)可以表示為一組 在情商等點j。(5)。 在哪里叫"Pay-o matrix",叫 和是的總數(shù)。 圖5:正常邊界交點的方法 NBI的主要想法是nd統(tǒng)一的傳播組ecient點形成的十字路口可行的空間之間的邊界和正常~ n的詹在每個點j和指向原點。這一原則是代數(shù)由Das和丹尼斯[3]制定如下:它包含在情商解決單目標問題。(6)在每個點j。 其中t代表點集屬于正常。所以NBI方法上的一個點詹和搜索的最大距離沿著正常的指向原點的解決每個NBI子問題總是與我們的混合方法。 5.2.2。規(guī)范化正常約束方法 NNCM也是一個方法產(chǎn)生帕累托前和NBI一樣的目的。首先,我們和個人獨立全球最小值這兩個目標,稱為“錨點”,我們的混合方法。加入兩個錨點線叫做“烏托邦線”。為了避免尺度依賴性,優(yōu)化進行規(guī)范化設(shè)計目標空間中可以獲得的標準化形式f的Eq。(7)。 在和之后，我們從到矢量定向，叫做“烏托邦行向量” 每個點生成的烏托邦線, 我們解決NNCM子問題制定Eq。(8)。 圖6:規(guī)范化正常約束方法 最后,相對應(yīng)的設(shè)計方案可以評估每個帕累托解的逆轉(zhuǎn)換情商的關(guān)系。(9)。 提出的方法進行了比較與NSGAII算法[14],普遍認為是代表國家的藝術(shù)和各種參考算法在多目標優(yōu)化研究。結(jié)果證明該方法相比也有良好的表現(xiàn)同NSGAII。 5.3。減少并發(fā)回彈和失敗 板料成形過程的一般優(yōu)化問題幾個diculties升起。一個經(jīng)典在結(jié)構(gòu)設(shè)計中,是標準(回彈和失敗)沒有明確的功能與尊重設(shè)計參數(shù)。此外,背后的彈塑性響應(yīng)的計算兩個標準非常昂貴。因此,每個優(yōu)化步驟動員重要計算資源。一個經(jīng)典的解決方案是使用代理。在我們的例子中,我們使用一個三次樣條插值近似的回彈和失敗。這個近似被領(lǐng)導比較評估克里格和RBF方法獲得的元模型。代理的后驗驗證結(jié)果通過比較執(zhí)行他們所做的準確評價LS-DYNA代碼。本研究領(lǐng)導與空白rst時間厚度e和穿孔速度V p作為優(yōu)化變量。SA與SPSA雜化是應(yīng)用于減少回彈和失敗的標準。根據(jù)結(jié)果,兩個多目標優(yōu)化方法,用于nd NBI和NNCM帕累托最優(yōu)解集的標準空間即回彈標準和失效準則。NBI和NNCM方法加上SA雜化與SPSA獲得全球解決方案在每個局部優(yōu)化兩種方法的步驟。圖7顯示了帕累托前沿用這兩種方法,以及NSGAII結(jié)果做了對比。 圖7:回彈/失敗帕累托前沿,從左到右:NBI - NNCM NSGA II。 在第二步中,我們遵循了同樣的程序來測試回彈的敏感性和失敗兩個附加參數(shù)的壓邊力coecient(BHF銀行)和摩擦。眾所周知,這兩個參數(shù)對回彈的影響,失敗不是可以忽略不計。的帕累托前沿取得與我們的方法是與一個獲得NSGAII如圖8所示。 圖8:帕累托的回彈和失敗的四個參數(shù) 帕累托前沿conrm回彈和失效標準是強烈的并發(fā)兩個和四個參數(shù)情況。通過比較gur 7和8的帕累托前沿,通過考慮四個論述——我們的話參數(shù),我們identied更好的帕累托回彈和失效準則比前面 只考慮厚度和穿孔速度。雖然我們的標準在第二種情況下的近似不明顯(使用四維立方樣條函數(shù)),可以捕捉到帕累托解NBI和NNCM方法用更少的分比NSGAII需要大量的人口和幾代獲得帕累托 前面。 6。結(jié)論 我們兩個眾所周知的方法實現(xiàn)的,正常的邊界交點nbi和正常的規(guī)范化約束-NNCM,致力于ecient identication multiobjec——有關(guān)的帕累托方面有效的優(yōu)化問題。我們最初的貢獻是NBI和NNCM全球混合優(yōu)化器,SASP方法。SASP算法使用模擬退火導致全球論述,并使用同步擾動隨機逼近-SPSA——這是一個“隨機梯度”,進行局部優(yōu)化。該方法成功地應(yīng)用于工藝參數(shù)優(yōu)化沖壓的案例研究。的標準考慮回彈和失敗保證工件。這些標準是已知的反對信息通信技術(shù)。作為模擬的彈塑性反應(yīng)在沖壓太計算昂貴,我們用三次樣條的代理人參與成本。然后我們進行帕累托面前identication(代理成本)2四個工藝參數(shù)。獲得的帕累托方面類似于NSGA-II的產(chǎn)生方法,而他們需要更少的成本評估。他們不僅證明了并發(fā)特性考慮成本,但也說明方法NBI的能力/ NNCM SASP和清晰與立方的代理人來處理多目標捕獲相關(guān)的帕累托方面復雜的工藝參數(shù)優(yōu)化。 7所示。Aknowledgement。目前的工作是實現(xiàn)綠洲財團的框架內(nèi), 由法國優(yōu)質(zhì)黃麻格蘭特id。1004009 z。 8。?參考文獻 [1] S. Kirkpatrick, C. D. Gelatt and M. P. Vecchi, Optimization by simulated annealing, Science, 220:671{ 680, 1983. [2] J. C. Spall, Introduction to Stochastic Search and Optimization: Estimation, Simulation, and Control, Jhon Wiley & Sons, Inc., Hoboken, New Jersey, 1998. [3] I. Das and J. E. Dennis, Normal-Boundary Intersection, A new Method for Generating the Pareto Surface in Nonlinear Multicriteria Optimization Problems, SIAM Journal on Optimization, 8(3), 631, 1998. [4] A. Messac, A. Ismail-Yahaya and C. A. Mattson, The Normalized Normal Constraint Method for Generating the Pareto Frontier, Struc. Multidisc. Optim., 25(2), 86-98, 2003. [5] A. Col, L'emboutissage des aciers, Dunod, Paris, 2010. [6] Z. Marciniak, J. L. Duncan and S. J. Hu, Mechanics of Sheet Metal Forming, Butterworth-Heinemann, Oxford, 2002. [7] J. E. Marsden, S. Wiggins, T. J. R. Hughes and L. Sirovich, Computational Inelasticity, Springer- Verlag Inc, New York, 1998. [8] F. Dunne and N. Petrinic, Introduction to computational plasticity, Oxford University Press Inc, New York, 2005. [9] D. T. Llewellyn and R. C. Hudd, Steels: metallurgy and applications, Butterworth-Heinemann, Ox- ford, 1998. [10] J. C. Spall, Implementation of the Simultaneous Perturbation Algorithm for Stochastic Optimiza- tion, IEEE Trans. Aerosp. Electron. Syst., 34(3), pages 817-823, 1998. [11] J. C. Spall, An Overview of the Simultaneous Perturbation Method for E_cient Optimization, Johns Hopkins APL Technical Digest, vol. 19(4), pp. 482492, 1998. [12] V. Cerny, C. D. Gelatt and M. P. Vecchi, Thermodynamical approach to the traveling salesman problem: an e_cient simulation algorithm, Journal of Optimization Theory and Applications, 45, 41{51, 1985. [13] N. Metropolis, A. W. Rosenbluth, M. N. Rosenbluth, A. H. Teller, E. Teller, Equation of state calculations by fast computing machines, J. Chem. Phys., tome 21, pages 1087-1090, 1953. [14] K. Deb, Multiobjective genetic algorithms: Problem di_culties and construction of test problems, Evol. Comput., vol.8, no.2, pp. 205-230, 1999.