基于数值模拟的B柱加强板成形工艺优化

王圣波,詹艳然

(1.一汽海马汽车有限公司,海南 海口570216; 2.福州大学 机械工程及自动化学院,福建 福州 350108)



基于数值模拟的B柱加强板成形工艺优化

王圣波1,詹艳然2

(1.一汽海马汽车有限公司,海南 海口570216; 2.福州大学 机械工程及自动化学院,福建 福州 350108)

在对使用拼焊板拉深成形的汽车B柱加强板进行数值模拟的基础上,采用BP神经网络建立工艺参数与成形质量之间的非线性映射关系,通过多目标遗传算法NSGA-II获得最优成形工艺参数.研究结果表明:神经网络结合多目标遗传算法可以获得最优成形工艺参数,可较好地解决B柱加强板的成形问题.

B柱加强板; 拼焊板; 工艺优化; 神经网络; 遗传算法

WANG Sheng-bo1,ZHAN Yan-ran2

(1.FAW HAIMA AUTOMOBILE CO.,LTD,Haikou 570216,China;2.School of Mechanical Engineering and Automation,Fuzhou University,Fuzhou 350108,China)

全世界的汽车工业发展面临三大压力:节能、环保和安全.使用拼焊板成形的汽车零件可优化产品部件的结构,并能够在保证产品刚度的条件下减轻其重量,且提高了碰撞安全性[1],有助于上述问题的解决.拼焊板是指采用两块或两块以上不同厚度、不同材质或不同表面涂层的平板材料焊接在一起而形成的冲压用平板坯料,具有“在冲压零件的不同部位获得不同使用性能”的特点[2].由于焊缝的存在以及焊缝两侧材料性能的差异,使其冲压成形难度较大,板厚不同或材质不同容易引起坯料变形不均匀,从而导致焊缝移动不均匀、材料弯曲不均匀、焊缝处成形极限降低、零件减薄趋势增加、压边圈需要改型、压边力需要控制等问题,因此限制了其在汽车零件上的应用.

传统的板料冲压成形工艺参数的选取和模具设计主要依赖于设计者的经验,对于复杂的问题需要反复试模才能获得可行性方案,周期长、效率低、成本高,已经不适应现代工业的发展要求.况且影响板料成形质量的因素众多,工艺参数和成形质量之间是一种非线性映射关系,难以用普通的方法建立精确的多变量数学模型.如何迅速准确地确定成形工艺参数,并预测成形的结果及成形过程中可能出现的缺陷,目前常采用有限元数值模拟与优化理论相结合的方法[3].本文以“使用差厚拼焊板将某汽车B柱加强板一次冲压成形”这个工艺为例,基于有限元数值模拟,并结合正交设计、神经网络与多目标遗传算法进行工艺参数优化,保证B柱加强板的一次冲压成形.

1 工艺优化前B柱加强板成形的数值模拟

为了解B柱加强板成形的基本情况,从而确定成形方案和影响其成形质量的主要工艺参数,本文首先根据参考资料和有关文献进行成形工艺设计及成形过程的有限元模拟.

1.1 几何模型

B柱加强板的几何模型和模具模型分别如图1a,b所示.该件的长、宽、高分别为1 145 mm×330 mm×164 mm,由厚度为1.8,1.2 mm的两块板坯拼焊而成,并要求成形后焊缝位置偏差不能超过±11.45 mm(零件长度的1%).由图1a可知,该零件形状复杂且有多处空洞和凹陷,两端头的台阶深度较深,中间凸台较高,形状变化剧烈,成形过程中容易开裂和起皱.且拼焊板的应用加剧了这些缺陷的产生,同时又带来焊缝移动和压边不均等新问题.针对差厚拼焊板存在板厚差的特点,本文对凹模进行了板厚差的处理,即在凹模上制出了一个板厚差的台阶,如图1b所示.由文献[4,5]可知,若毛坯的初始形状选择合理,工艺参数控制得当,则该件可以一次成形.因此,本文将对该件的一次拉深成形过程进行分析和优化.

1.2 材料参数与工艺参数的选取

本文选用由宝钢生产的冷轧钢板TRIP600进行模拟研究,表1为有关材料的性能参数.模拟中使用幂指数硬化模型σo=Kεn(σo为屈服应力;K为强度系数;ε为屈服应变;n为硬化指数)和3参数Barlat材料屈服模型.初始坯料选用厚度为1.8 mm和1.2 mm的TRIP 600钢板,拼焊而成.焊缝及热影响区采用刚性建模方法建模,即忽略焊缝类型,只考虑焊缝位置.目前这种方法在成形有限元仿真中最常用,能满足实际工程的需要[6].为了定量分析焊缝的移动量,首先假设板坯初始焊缝位置与预期成形后的焊缝位置重合(此时焊缝的移动量即等于成形后焊缝的位置偏差),焊缝为直线,单元采用四边形Belytschko-Tsay壳单元模型.

图1 B柱加强板

表1 TRIP600 钢板的材料参数

板料成形的主要工艺参数包括:压边力、拉深筋阻力、摩擦系数、冲压速度和模具间隙.模拟中对各参数的取值如表2所示.需要指出的是,模具实际冲压速度较低,在数值模拟中为了提高计算效率,将模拟时的冲压速度设为实际速度的若干倍.

表2 模拟中使用的工艺参数

1.3 数值模拟结果及分析

使用选取的材料参数和工艺参数进行数值模拟,模拟结束后,板料的成形极限图和焊缝移动情况图分别如图2a,b所示(初次模拟不设拉深筋).对成形后零件焊缝移动量较大的部位进行放大,以利于考察成形后零件的焊缝位置偏差是否满足设计的要求,如图2b所示.由图2可知,按初步的成形工艺方案,成形效果较差.图2a表明:成形后零件厚板侧各点的应变低于破裂极限较多,没有出现破裂；除法兰和工艺补充面外,零件的拐角处也出现了较大面积的起皱区域和严重起皱区域.这是由于模拟中压边力较小且未设拉深筋造成的.薄板侧出现破裂.图2b表明:零件局部的焊缝位置偏差较大,最大值为13.7mm,超过了零件长度的1%(±11.45mm).应该注意的是,起皱和破裂本身就是一对矛盾体,因此当采取措施避免起皱的同时,还必须防止零件破裂,此外还要兼顾成形后焊缝的位置偏差.为获得B柱加强板理想的成形效果,本文将以拉深筋阻力、压边力及摩擦系数为控制参数,研究其对成形结果的影响.

图2 优化前

2 成形工艺参数的多目标优化

本文通过正交试验、神经网络和遗传算法相结合以获取B柱加强板成形的最佳工艺参数,其基本过程为:①根据板料成形的基本理论,确定优化目标函数;②利用正交试验获得均匀性较好的神经网络训练样本,并使用BP(Back Propagation)神经网络进行训练,获取工艺参数与优化目标的非线性映射关系;③通过多目标遗传算法NSGA-II选取最佳工艺参数.

2.1 优化目标函数的构建

优化目标函数反映了B柱加强板的成形质量,并可以此为依据控制成形质量.B柱加强板成形质量的主要问题是破裂和起皱,以及由差厚拼焊板带来的焊缝位置偏差,因此本文分别建立破裂、起皱和焊缝移动目标函数进行B柱加强板成形质量的定量表征.图3为破裂目标函数和起皱目标函数的定义,定义破裂目标函数为工件上各点的变形量到破裂极限曲线的法向距离,用dc表示,并规定面内应变值(ε1,ε2)落在破裂极限曲线上方时dc为正值,反之为负值,且dc取极大值;定义起皱目标函数为零件上各点的变形量到起皱极限曲线的法向距离为dw,并规定面内应变值(ε1,ε2)落在起皱极限曲线下方时dw为正值,反之为负值,且dw取极大值;定义成形结束后焊缝上各点距离预期焊缝的最大法向距离为ds,即焊缝位置偏差.显然dc,dw,ds数值越小,成形结果越优.

图3 破裂目标函数和起皱目标函数的定义

2.2 成形工艺参数的选取及神经网络训练

本文选取压边力、拉深筋单位阻力和摩擦系数作为成形质量的控制参数.压边力采用恒力压边,其取值范围为1 000～4 000 kN;采用库伦摩擦模型,摩擦系数的取值范围为0.1～0.15;根据B柱加强板的成形特点、拉深筋的布置原则以及拉深单位阻力对成形结果的影响,将拉深筋分成4段(如图4所示),设定4个不同的拉深筋单位阻力值.因此,本文中共有6个成形工艺参数,分别为:压边力A,拉深筋1单位阻力B;拉深筋2单位阻力D;拉深筋3单位阻力D;拉深筋4单位阻力D;摩擦系数F.

为提高神经网络训练样本分布的均匀性和整体性,本文使用6因素5水平的正交表L25(56)=25次(见表3)进行数值模拟,从而获取不同参数组合下破裂、起皱和焊缝位置偏差目标函数的函数值dc,dw,ds(表4),它们共同组成了神经网络的输入信号.本文采用目前应用最为广泛的BP神经网路,其隐含层为一层,在MATLAB环境中完成神经网络的建模,以表3所示的6个因素作为网络输入参数,输入层神经元数即为输入参数的个数.本文对隐层神经元数取不同的值进行训练,得出不同的训练结果,结果表明隐层神经元个数为13时较好,因此BP神经网络结构设置为6-13-1.在MATLAB环境下,利用BP神经网络,建立起成形质量和主要影响因素之间的非线性映射关系,即(dc,dw,ds)=T(A,B,C,D,E,F).

图4 拉深筋布置

表3 正交试验的因素与水平

各层的传输函数中,隐层传输函数使用Sigmoid函数,其前馈神经网络可以任意精度逼近任意非线性函数,即能实现从Rn空间到Rm空间的任意非线性映射.隐层使用双曲正切传输函数tansig,输出层采用线性传输函数purelin.

为测试所建BP神经网络的预测性能,需要将训练好的神经网络进行回代检验,此时的神经网络相当于一个函数.BP神经网络训练好后便可得到优化变量和目标函数T之间的关系:

T=purelin(net.IW{2,1})(logsig((net.

IW{1,1}p)+net.b{1}))+net.b{2})

式中:IW{1,1}为隐层的神经元权值;IW{2,1}为输出层神经元权值;net.b{1}为隐层神经元的阈值;net.b{2}为输出层神经元的阈值.分别取破裂目标函数dc、起皱目标函数dw和焊缝移动偏差目标函数ds为BP网络的输出目标函数,则可以得到3个独立的映射关系:

dc=T1(A,B,C,D,E,F),dw=T2

(A,B,C,D,E,F),ds=T3(A,B,C,D,E,F)

表4为正交试验方案中目标函数神经网络预测值与有限元模拟结果,通过数据对比表明:有限元模拟值dc,dw,ds与神经网络模型的预测值T1,T2,T3误差较小,均小于5%,因此可以认为该网络建立了设计变量和目标函数的映射关系,可将该网络作为多目标遗传算法优化的目标函数.从表4中可知,第11组工艺参数的模拟结果较优,成形结果没有出现破裂及破裂趋势,也没有起皱现象,但焊缝位置偏差为12.15mm,超过了零件长度的1%(±11.45mm),所以有必要继续对工艺参数进行优化.

2.3 多目标遗传算法优化

遗传算法是近几年来发展起来的全局优化探索算法,以一个种群中的所有个体为对象,对一个被编码的参数空间利用随机化指导技术进行高度搜索,从而获得问题的最优解[7].NSGA-II是其中比较先进的一种算法.针对B柱加强板的质量控制要求,本文希望通过6个成形工艺参数的合理组合,使得破裂、起皱和焊缝位置偏差目标函数均达到最小值.

本文设定的NSGA-II遗传算法参数为:进化代数为150,种群大小为50,选择概率为0.07,交叉概率为0.8,变异概率为0.1.在MATLAB环境中调用工具函数采用NSGA-II算法进行优化运算,最终得到Pareto最优解,见表5.用训练好的BP神经网络对其目标函数进行预测,预测的结果如表5所示.

对比表4正交试验的优选结果(第11组),可知表5中,优化后得到的5组Pareto最优解集的破裂目标函数dc均小于表4的第11组数据;起皱目标函数dw有4组小于表4的第11组数据;焊缝位置偏差目标函数ds有3组小于表4的第11组数据.表5的数据表明:通过工艺优化,能使目标函数值总体上较正交试验的优选方案更好.

表4 正交试验方案中神经网络模型的预测值与有限元模拟结果

表5 优化后Pareto最优解集

基于重点保证成形安全和不起皱,且焊缝位置偏差小的目的,从表5中选第2组数据(压边力为2 410 kN,摩擦系数为0.131,拉深筋1～4阻力分别为140,215,160,90 N·mm-1)作为最优的工艺方案.

2.4 优化结果的验证与分析

对比数值模拟的结果(表4)和优化结果(表5)可以发现,不同工艺方案下焊缝位置偏差的最大值为14.11 mm,最小值为10.64 mm,且最小焊缝位置偏差已十分接近厂方的上限,表明工艺参数对焊缝移动量的影响不大.为了将焊缝位置控制在合理的范围内,本文确定采用表5的第2组工艺参数,并对拼焊板坯的初始焊缝位置进行适当的焊缝移动补偿.坯料焊缝由厚板侧向薄板侧移动ΔS=5 mm,见图5c,其他工艺参数见表1和表2,进行优化结果的验证.通过数值模拟,得到成形极限图、焊缝位置偏差情况图和切边后的等效应变图,如图5所示.

图5 优化后

从优化后的成形极限图(图5a)可知,零件上没有出现破裂,各点的应变均远离成形极限线,起皱只出现在法兰和工艺补充面上.与图2a相比较可以看出,优化后的工艺参数在控制起皱的同时也未出现破裂或破裂趋势,零件的成形质量较好.由图5b的等效应变分布情况来看,该零件成形后的等效应变最小值为3.4%,满足塑性加工零件等效应变不低于3%的要求,成形后零件具有较好的强度和刚度.从图5c中可知,补偿后成形的焊缝较均匀的分布在预期位置的两侧,位置偏差最大值约为6.75 mm(由薄板侧向厚板方向移动),这个数值比表4的第11组数据ds的12.15 mm有了较好的改善,满足了厂家提出的最大位置偏差不超过±11.45 mm的要求.

3 结论

本文以B柱加强板为例,基于有限元数值模拟,结合正交试验、神经网络及多目标遗传算法(NSGA-II),对其成形工艺进行了优化,得出以下结论:

(1) BP神经网络能够方便地建立起板料成形质量与工艺参数之间的非线性映射关系,将其与多目标遗传算法(NSGA-II)相结合,可以有效解决B柱加强板成形的质量问题.

(2) 数值模拟结果表明:当成形工艺参数取压边力为2410 kN,摩擦系数为0.131,拉深筋1～4在单位长度上的阻力分别为140,215,160,90 N·mm-1时,零件最小等效应变为3.4%,焊缝位置偏差最大值为6.75mm,有效地避免了成形过程中的破裂和起皱,且焊缝位置偏差量亦较小.

(3) 数值模拟与优化理论相结合的方法可获得较优的设计参数,能有效降低生产成本,提高生产效率.

[1] 陈炜,杨继昌,林忠钦.拼焊板在车身覆盖件制造中的应用[J].汽车工程,2003,25(1):82-87.

CHEN Wei,YANG Jichang,LIN Zhongqin.A study on the application of tailor-welded blank to car body closure panels manufacturing [J].Automotive Engineering,2003,25(1):82-87.

[2] 张士宏,许沂,王忠堂,等.不等厚拼焊板材的成形性实验研究[J].锻压技术,2002(1):7-10.

XU Shiphong,XU Yi,WANG Zhongtang,et al.Experimental research on stamping formability of non uniform thick tailor welded blanks [J].Forging & Stamping Technology,2002(1):7-10.

[3] 赵仕宇,詹艳然.基于数值模拟的TRIP 钢板汽车覆盖件成形研究[J].中国工程机械学报,2011,9(3):19-24.

ZHAO Shiyu,ZHAN Yanran.Numerical-simulation-based cover panel forming for TRIP steel plates cars [J].Chinese Journal of Construction Machinery,2011,9(3):19-24.

[4] 邢忠文,方华松,徐伟力.汽车B柱成形仿真与分析[J].锻压技术,2008,33(2):27-30.

XING Zhongwen,FANG Huasong,XU Weili.Simulation and formability analysis of drawing process for car B-pillar [J].Forging & Stamping Technology,2008,33(2):27-30.

[5] 陈文亮.板料成形CAE分析教程[M].北京:机械工业出版社,2005.

CHEN Wenliang.CAE analysis tutorial for sheet forming[M].Beijing:China Machine Press,2005.

[6] 曹婷婷,唐勇,薛克敏.拼焊板车门内板冲压成形工艺研究[J].精密成形工程,2010(9):44-48.

CAO Tingting,TANG Yong,XUE Kemin.Study of stamping process of door inner made of tailor-welded blanks[J].Journal of Netshape Forming Eneineering,2010(9):44-48.

[7] 赵满平,张庆民.基于遗传算法的斗轮堆取料机变幅机构的优化设计[J].中国工程机械学报,2009,7(1):77-85.

ZHANO Manping,ZHANG Qingmin.GA-based optimal design for derricking mechanism of bucket stacking-reclaiming machines[J].Chinese Journal of Construction Machinery,2009,7(1):77-85.

Numerical-simulation-based process optimization on B-pillarreinforcement panel forming

Based on the numerical simulation on car B-pillar reinforcement panel forming from the tailored welded blanks,a nonlinear mapping relation between process parameters and forming qualities is first established via BP neural network.By applying the multi-objective genetic algorithm,i.e.NSGA-II,for optimal parameters,it is found from results that the integration of neural network and multi-objective genetic algorithm can obtain the optimal parameters to resolve the B-pillar reinforcement panel forming problems.

B-pillar reinforcement panel; tailored welded blank; process optimization; BP neural network; genetic algorithm

福建省自然科学基金资助项目(2008J0153)

王圣波(1984-),男,机械工程师.E-mail:wangsb02@haima.com

TG 306

A

1672-5581(2016)01-0062-07