板料拉深成形工艺的6sigma稳健优化设计研究

《板料拉深成形工艺的6sigma稳健优化设计研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、板料拉深成形工艺的6-sigma稳健优化设计研究摘要影响板料冲压成形质草的设计参数很多，不合理的参数选择可能会导致严重的产品缺陷。随着计算技术和有限元理论的快速发展，基于数值模拟的板料成形‘I：艺优化不仅可以降低繁琐的人二I：修改，而且可以快速、有效地寻找到最优参数组合，因此该技术已成为金属板料成形1：艺设计与分析的重要手段。但由于设计参数和设计响应之间的非线性隐式关系，基丁．梯度的传统优化技术面临计算时间超长等新的挑战。另外，实际生产中影响产品质量稳定性的冈素很多，材料性能和润滑条件的波动、模具的磨损等噪声因素可能会导致冲压失效或显著增加废品率。冲压质簧的评判存在多种准则，它们之间可

2、能会相互冲突，有必要协调多目标之间的关系并降低多个优化目标对随机波动的敏感性。上述问题已成为目前板料成形优化迫切需要解决的前沿性课题。本文从如F)L个方面着手对E述问题进行研究：针对实际生产工艺和材料中存在的波动，提出了考虑多因素随机波动的6-sigma稳健设计方法和优化模型，开发了6-sigma稳健优化程序。通过对波动引起的质鼍分散效应进行数学量化，达到了在设计阶段提高产品质量可靠性和稳健性的目的。分析了传统的确定性优化、可靠性优化和6-sigma稳健设计对噪声因素的不同度量方法。通过实例对比，表明所提出的方法可以有效降低质量目标对设计变鼙波动的敏感性，同时也使得设计的可靠性得剑显著

3、提高。针对板料成形工艺等具有明显的多目标优化特性，提出了基丁．遗传算法的6-sigma多目标稳健设计方法。对多目标优化设计中由噪声因素引起的多目标质量波动特性进行了分析。通过对不同实例进行优化，结果表明所提出的方法较确定性多目标优化从整体上提高了优化解的稳定性和可靠性。提出了6-sigma稳健设计的序列双响应面优化方法，以解决多设计变蹙情况一F稳健优化计算时间过长的问题。根据响应面法可以建立设计响应和设计变量之间显式的非线性映射关系，以及响麻面法的序惯性特点，通过改进的试验设计方案和推导的概率分布特征计算公式来获得双响戍面近似模型，基于该近似模犁进行稳健设计可以同时提高优化效率和设计质

4、量。为获得板料冲压成形中噪声因素的概率分布特性，通过对不同种类钢板进行材料性能拉伸测试，获得了材料性能的概率分布情况，通过板料的拉深试验研究，测晕了成形二『：艺参数的随机分布特性。分析了材料性能，成形参数等噪声因素对产品质量目标影响的显著性。分别基于数值模拟和试验对板料拉深成形进行田口稳健设计研究，两者获得的晟优参数组合相吻合。为将6-sigma稳健设计应用到板料成形工艺中，并提高优化效率，开发了计算机辅助稳健试验设计程序。基于此程序和给出的板料成形6-sigma稳健设计流程对不同冲压件成形进行稳健设计，通过和不同优化方法相比较，表明6-sigma稳健优化不仅提高了最优解的稳定性，降低

5、了质量目标的变异，而且使设计达到了6-sigma质最水平。采用试验分别验证了本文采_}l{的数值模拟和稳健优化方法的可靠性。表明采用本文方法可以用于拉深成形的工艺参数设计和质量改进。将所提出的6-sigma多目标稳健设计方法应用到复杂零件的成形中，所获得的Pareto解集有效地实现了不同优化目标之间的权衡。不仅为板料成形工艺设计提供了多个最优可选设计方案，而且通过考虑噪声波动对质量分散性的影响，降低了冲压成形多质量目标对工艺参数或材料等波动的敏感性。关键词：板料成形工艺，参数优化，数值模拟，六西格玛，稳健设计，可靠性设计RESB粼HONSⅨsIGMAROBUSToPlln缸ZA：ⅡON

6、OFSHEErrM匝r】噙LFORⅣⅡNGTherearctoomany臼ctoⅨthathaveeffectsOnthestampingpart’squality,whileirregularselectionoldesi印parameterswouldleadtofataldefects．Withthequicklydevelopmentofcomputerscienceandcomputer-aided矗lg_m∞血l吕CAE-basedot蚰-nizationh罄慨becomingoneofthe丑10slimpor锄tmethodsforsheetmetalforming．T

7、hismethod∞decreasemanua．yoperationandhelloto如dtheoplilllllmcombinationofparametels．ButtheexistenceofnonlinearfelationshipbetweendesignparametcPsanddesignresponsesmadeithardtoperformgradient-basedoptimization．Inaddition,thest