滕菲　梁繼才　張萬(wàn)喜　王雪　高嵩

(1.大連理工大學(xué) 汽車工程學(xué)院∥工業(yè)裝備結(jié)構(gòu)分析國(guó)家重點(diǎn)實(shí)驗(yàn)室, 遼寧 大連 116024；

2.吉林大學(xué) 材料科學(xué)與工程學(xué)院, 吉林 長(zhǎng)春 130022)

矩形截面型材三維拉彎成形的回彈預(yù)測(cè)*

滕菲1梁繼才1張萬(wàn)喜1王雪2高嵩1

(1.大連理工大學(xué) 汽車工程學(xué)院∥工業(yè)裝備結(jié)構(gòu)分析國(guó)家重點(diǎn)實(shí)驗(yàn)室, 遼寧 大連 116024；

2.吉林大學(xué) 材料科學(xué)與工程學(xué)院, 吉林 長(zhǎng)春 130022)

摘要：設(shè)計(jì)了用于三維拉彎成形的、可重構(gòu)的柔性模具，并采用支持向量回歸機(jī)和有限元模擬對(duì)柔性三維拉彎成形的回彈進(jìn)行預(yù)測(cè).使用有限元法分析了對(duì)回彈量影響較大的6個(gè)因素(包括材料參數(shù)、幾何參數(shù)和工藝參數(shù))，以及它們對(duì)回彈的影響趨勢(shì).選用這6個(gè)參數(shù)設(shè)計(jì)有限元三維拉彎模擬實(shí)驗(yàn)，并用模擬結(jié)果訓(xùn)練和檢驗(yàn)支持向量回歸機(jī)回彈預(yù)測(cè)模型.通過(guò)與廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的預(yù)測(cè)值和有限元模擬試驗(yàn)結(jié)果的比較，檢驗(yàn)該回彈預(yù)測(cè)模型的準(zhǔn)確性.研究發(fā)現(xiàn)，該模型與神經(jīng)網(wǎng)絡(luò)相比具有更高的準(zhǔn)確度，在試驗(yàn)中根據(jù)該模型預(yù)測(cè)的回彈量對(duì)模具型面進(jìn)行相應(yīng)的補(bǔ)償，可以有效地減小回彈和形狀偏差.

關(guān)鍵詞：型材；回彈預(yù)測(cè)；支持向量回歸機(jī)；人工神經(jīng)網(wǎng)絡(luò)；三維拉彎成形

隨著汽車輕量化的發(fā)展，鋁型材已廣泛應(yīng)用于汽車行業(yè)當(dāng)中[1-2].在鋁型材拉彎成形過(guò)程中，回彈是影響成形質(zhì)量的主要原因，其引起的與目標(biāo)形狀的偏差導(dǎo)致裝配困難[3-4].因此，研究拉彎成形過(guò)程中回彈產(chǎn)生的原因及對(duì)回彈量進(jìn)行預(yù)測(cè)具有重要的意義[5-6].

Clausen等[7]探討了拉伸力和應(yīng)變硬化性能對(duì)回彈的影響規(guī)律.Miller等[8]基于截面在拉彎成形過(guò)程中長(zhǎng)度不變的假設(shè)，提出了一種簡(jiǎn)單的回彈預(yù)測(cè)模型，并證明較大的拉力能夠減小回彈.Oliveira等[9]研究發(fā)現(xiàn)，在回彈預(yù)測(cè)過(guò)程中應(yīng)變硬化的影響沒(méi)有前人研究的那么大.Yu等[10]研究了工藝參數(shù)對(duì)尺寸精度的影響，如壓邊力和拉力等.Panthi等[11]采用有限元法對(duì)板料成形回彈進(jìn)行預(yù)測(cè)，研究了材料性質(zhì)和幾何參數(shù)對(duì)回彈的影響，結(jié)果表明，回彈量隨彈性模量的增大而減小，隨屈服應(yīng)力增大而增大.以上這些研究表明，回彈隨拉彎過(guò)程中拉力的增大而減小，在拉彎成形過(guò)程中影響回彈量的主要因素包括材料性質(zhì)、幾何參數(shù)和工藝參數(shù).

有限元是較為常用的預(yù)測(cè)回彈的方法，但它需要消耗大量的時(shí)間，通過(guò)訓(xùn)練和結(jié)合神經(jīng)網(wǎng)絡(luò)能夠很好地解決這一問(wèn)題.人工神經(jīng)網(wǎng)絡(luò)(ANN)結(jié)合有限元方法已廣泛應(yīng)用于回彈預(yù)測(cè)當(dāng)中.Kazan等[12]提出了一種用于折彎過(guò)程中預(yù)測(cè)回彈的神經(jīng)網(wǎng)絡(luò)模型，方法中采用有限元模擬得到的數(shù)據(jù)訓(xùn)練該模型.Nasrollahi等[13]提出了一種采用神經(jīng)網(wǎng)絡(luò)和有限元法預(yù)測(cè)帶孔薄板回彈的模型.Song等[14]基于人工神經(jīng)網(wǎng)絡(luò)方法建立了T型截面梁彎曲過(guò)程的回彈預(yù)測(cè)模型.用于回歸預(yù)測(cè)的支持向量機(jī)叫做支持向量回歸(SVR)，目前已廣泛應(yīng)用于諸多領(lǐng)域，它能夠?qū)崿F(xiàn)少量樣本的回歸求解.龍玲等[15]采用SVR建立了起皺和破裂的非線性擬合，研究證實(shí)了SVR的準(zhǔn)確性高于ANN；Liu等[16]提出了基于SVR的非線性問(wèn)題代理模型，該模型的準(zhǔn)確性和有效性已被證實(shí)；Singh等[17]采用SVR預(yù)測(cè)了沖壓拉深過(guò)程中杯壁的厚度變化，研究表明采用SVR模型預(yù)測(cè)精度高于ANN.這些研究表明，SVR比傳統(tǒng)技術(shù)ANN具有更強(qiáng)的泛化能力，并且能夠更好地解決非線性預(yù)測(cè)問(wèn)題，同時(shí)SVR能夠預(yù)測(cè)板料成形等復(fù)雜問(wèn)題.但是，SVR很少應(yīng)用于鋁型材拉彎成形回彈的預(yù)測(cè).

文中首先介紹了柔性三維拉彎模具和SVR原理；然后通過(guò)有限元模擬確認(rèn)對(duì)回彈影響較大的因素；采用這些因素作為設(shè)計(jì)變量進(jìn)行有限元三維拉彎模擬，建立型材柔性三維拉彎成形回彈預(yù)測(cè)的SVR模型，其中預(yù)測(cè)模型的訓(xùn)練樣本是有限元數(shù)值模擬結(jié)果；最后，對(duì)三維拉彎成形SVR回彈預(yù)測(cè)模型的精度進(jìn)行驗(yàn)證，將SVR模型和ANN模型的預(yù)測(cè)結(jié)果和試驗(yàn)結(jié)果進(jìn)行比較，檢驗(yàn)SVR模型的預(yù)測(cè)精度，并用試驗(yàn)對(duì)采用SVR預(yù)測(cè)模型得到的回彈量對(duì)柔性三維拉彎模具進(jìn)行型面補(bǔ)償后減小回彈的有效性進(jìn)行驗(yàn)證.

1柔性模具和SVR

1.1柔性三維拉彎模具

柔性拉彎成形模具由若干單元體組成，這些單元體代替了傳統(tǒng)的整體模具.柔性拉彎模具的型面可通過(guò)調(diào)節(jié)單元體的位移和旋轉(zhuǎn)成形滑塊實(shí)現(xiàn)重構(gòu).每個(gè)基本體由支架、垂直導(dǎo)軌、導(dǎo)向滑塊、成形面滑塊，以及限位元件等構(gòu)成，并安裝在可以前后移動(dòng)的獨(dú)立支架上，如圖1所示.型材三維拉彎成形過(guò)程首先實(shí)現(xiàn)水平面的彎曲，然后再進(jìn)行垂直面彎曲.

(a)前視圖 (b)左視圖

圖1基本體示意圖

Fig.1Diagramoftheunit-body

1—高度控制螺桿；2—垂直銷軸；3—水平銷軸；4—螺栓；5—支架；6—導(dǎo)向鍵；7—垂直導(dǎo)軌；8—成形面滑塊底板；9—導(dǎo)向滑塊；10—多點(diǎn)模具；11—墊塊

1.2回彈評(píng)價(jià)

常見(jiàn)的回彈評(píng)價(jià)方法有3種：曲率半徑的變化量、回彈角的變化量和回彈法向位移的變化量，如圖2所示.很多研究者采用法向位移的變化作為衡量回彈大小的指標(biāo).但是該方法適用于二維拉彎，而不適用于三維拉彎.三維拉彎是在水平面和垂直面都進(jìn)行拉彎成形，故采用法向位移不能完整地表示出回彈的大小.文中針對(duì)三維拉彎成形的特點(diǎn)，采用水平面拉彎成形和垂直面拉彎成形的回彈角來(lái)表征回彈量.回彈角通過(guò)以下公式計(jì)算：

δ=θ-θ0

(1)

式中，θ為變形區(qū)域回彈后的圓心角，θ0為變形區(qū)域回彈前的圓心角，

(2)

(3)

R0為目標(biāo)曲率半徑，R為回彈后的曲率半徑，xs、ys分別為回彈后變形區(qū)域末端節(jié)點(diǎn)的水平面內(nèi)坐標(biāo).

圖2　回彈量評(píng)價(jià)Fig.2　Springback evaluation

1.3支持向量機(jī)

支持向量機(jī)是基于統(tǒng)計(jì)學(xué)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則建立起來(lái)的新機(jī)器學(xué)習(xí)方法.支持向量機(jī)主要解決非線性問(wèn)題，通過(guò)核函數(shù)把初始空間非線性問(wèn)題轉(zhuǎn)化成高維特征空間內(nèi)的線性問(wèn)題，然后在高維特征空間內(nèi)對(duì)線性問(wèn)題求解[18].支持向量機(jī)用于解決回歸問(wèn)題時(shí)稱為支持向量機(jī)回歸(SVR)，SVR能夠較好地解決小樣本求解問(wèn)題.SVR的目的是為了尋找一決策函數(shù)y=+b，求解非線性回歸問(wèn)題的過(guò)程如下：

(1)給定一個(gè)用于訓(xùn)練的樣本集合

(4)

(xi∈Rn,yi∈R,i=1,...,l)

為了推斷任意一個(gè)輸入值x所對(duì)應(yīng)的輸出值y，需要根據(jù)式(4)在實(shí)數(shù)集R上尋找一個(gè)實(shí)值函數(shù)g(x).這類問(wèn)題屬于在n維空間Rn內(nèi)的回歸問(wèn)題，回歸問(wèn)題分為線性回歸和非線性回歸問(wèn)題，而三維拉彎成形過(guò)程回彈預(yù)測(cè)屬于非線性回歸.

(2)選擇恰當(dāng)?shù)暮撕瘮?shù)K(x,xi)，以及適當(dāng)?shù)木圈藕蛻土P函數(shù)C.通常情況下采用多項(xiàng)式核函數(shù)和高斯徑向基核函數(shù).

多項(xiàng)式核函數(shù)：

K(x,xi)=[(x,xi)+1]d

(5)

高斯徑向基核函數(shù)：

(6)

(3)構(gòu)造并求解凸二次規(guī)劃問(wèn)題：

(7)

(4)構(gòu)造決策函數(shù)：

(8)

(9)

2有限元分析

2.1正交試驗(yàn)

型材拉彎成形回彈量主要受到材料參數(shù)、幾何參數(shù)和工藝參數(shù)的影響.根據(jù)不同條件對(duì)回彈影響的分析，文中選取彈性模量E、屈服應(yīng)力σ0、水平彎曲角度θh、垂直彎曲角度θv、預(yù)拉量δ0和補(bǔ)拉量δ1作為正交試驗(yàn)的因子，這些因子的變化范圍如表1所示，各個(gè)因子在各自范圍內(nèi)選取5個(gè)水平.如果采用六因素五水平全面的試驗(yàn)方法，則需要進(jìn)行56組試驗(yàn)，利用正交試驗(yàn)設(shè)計(jì)安排試驗(yàn)方案，能夠顯著提高試驗(yàn)效率，減少試驗(yàn)數(shù)量，并能夠保證結(jié)果的合理性.因此，使用L25(56)正交表設(shè)計(jì)試驗(yàn)方案，通過(guò)數(shù)值模擬獲得訓(xùn)練和檢驗(yàn)數(shù)據(jù).為了增加樣本數(shù)量，選擇成形效果良好的另外15組數(shù)據(jù)增加到樣本中，那么就有40組樣本用于SVR模型的訓(xùn)練和檢驗(yàn).

表1正交試驗(yàn)設(shè)計(jì)輸入?yún)?shù)及其變化范圍
Table1Inputparametersandtheirrangesfororthogonaldesign

參數(shù)變化范圍彈性模量/MPa50000~250000屈服應(yīng)力/MPa100~300預(yù)拉量/%0.6~1.4補(bǔ)拉量/%0.6~1.4水平彎曲角度/(°)10~30垂直彎曲角度/(°)10~30

2.2有限元模擬

數(shù)值模擬采用商業(yè)有限元軟件ABAQUS，其中ABAQUS/Explicit模塊模擬型材三維拉彎成形過(guò)程，ABAQUS/Standard模塊模擬卸載回彈過(guò)程.考慮到邊界條件和加載的對(duì)稱性，取1/2模型進(jìn)行模擬.圖3為柔性三維拉彎成形裝配圖，由鋁型材、若干單元體和夾鉗組成.型材的長(zhǎng)度為1m，柔性三維拉彎成形模具由16組單元體構(gòu)成，型材目標(biāo)彎曲半徑為1500mm，其他參數(shù)根據(jù)正交試驗(yàn)進(jìn)行設(shè)計(jì).考慮到夾鉗和單元體的變形不需要計(jì)算，為了提高計(jì)算速度，夾鉗和基本體采用離散剛體殼單元，夾鉗與型材綁定，型材選用離散實(shí)體單元.圖4為型材回彈前后形狀對(duì)比，圖中黑色圖形為回彈前的型材，綠色圖形為回彈后的型材，在型材的端點(diǎn)處回彈較明顯.

在三維拉彎成形過(guò)程中，首先完成水平面彎曲，然后進(jìn)行垂直面彎曲.在預(yù)拉階段，模具固定，通過(guò)對(duì)夾鉗施加軸向位移實(shí)現(xiàn)型材的拉伸；在彎曲階段，采用位移-時(shí)間曲線以1m/s速率控制型材逐步彎曲與模具成形面貼合；最后，施加切向位移對(duì)型材進(jìn)行補(bǔ)拉.面與面的接觸采用罰函數(shù)法.

圖3　有限元模型裝配圖Fig.3　Assembling-up of the simulation model

圖4　三維拉彎成形回彈Fig.4　Springback of three-dimension stretch bending

為了獲得樣本數(shù)據(jù)需要進(jìn)行40組有限元模擬，其中20組用于訓(xùn)練SVR和ANN模型，剩余20組用于檢驗(yàn)SVR和ANN模型的準(zhǔn)確性.各因素的極差如表2所示.

表2水平面和垂直面各因素極差
Table2Rangeofvariousfactorsinhorizontalandverticalplanes

因素極差水平面垂直面E0.6850.402σ00.2230.103δ00.2790.207δ10.2320.232θh0.8820.126θv0.2090.736

由表2可以看出，對(duì)于水平面拉彎回彈，影響較大的是水平彎曲角度、彈性模量和預(yù)拉量，而補(bǔ)拉量、屈服應(yīng)力和垂直方向彎曲角度對(duì)回彈影響相對(duì)較??；對(duì)于垂直面回彈，影響較大的是垂直方向彎曲角度、彈性模量和補(bǔ)拉量；而預(yù)拉量、水平彎曲角度和屈服應(yīng)力對(duì)回彈影響相對(duì)較小.

3回彈預(yù)測(cè)

3.1SVR模型的訓(xùn)練

表1中的6組參數(shù)設(shè)為輸入?yún)?shù)，水平方向回彈角θhs和垂直方向回彈角θvs作為輸出參數(shù).由表1可以看出，不同參數(shù)的輸入值存在較大的量級(jí)差異，訓(xùn)練和檢驗(yàn)數(shù)據(jù)需進(jìn)行歸一化處理.歸一化能有效改善預(yù)測(cè)精度，使數(shù)據(jù)分布在較小的范圍內(nèi)，訓(xùn)練和檢驗(yàn)數(shù)據(jù)經(jīng)歸一化后處于[-1,1]之間.

核函數(shù)的選擇對(duì)最終的預(yù)測(cè)結(jié)果有很大的影響，文中采用臺(tái)灣大學(xué)開(kāi)發(fā)的Libsvm-3.17程序包進(jìn)行回歸預(yù)測(cè).SVR分為epsilon-SVR和nu-SVR，核函數(shù)有3種類型：線性、多項(xiàng)式和徑向基函數(shù)(RBF).為了找到SVR類型和核函數(shù)的最佳組合，對(duì)不同的組合進(jìn)行研究，結(jié)果如表3所示.研究發(fā)現(xiàn)，采用epsilon-SVR和徑向基核函數(shù)的回彈預(yù)測(cè)模型具有更高的準(zhǔn)確性.

表3SVR類型和核函數(shù)的組合結(jié)果
Table3ResultsofcombinationofSVRclassandkernelfunction

SVR核函數(shù)迭代次數(shù)均方誤差相關(guān)系數(shù)epsilon-SVR線性1110.1098970.745366epsilon-SVR多項(xiàng)式210.2809370.201485epsilon-SVR徑向基20340.0901590.744558nu-SVR線性310.2112220.662721nu-SVR多項(xiàng)式200.3091940.269683nu-SVR徑向基1800.1887480.461243

在采用SVR模型預(yù)測(cè)回彈之前，需要確定懲罰系數(shù)C和參數(shù)g的大小.C和g是平衡模型的適應(yīng)性和預(yù)測(cè)準(zhǔn)確性的重要參數(shù)，對(duì)模型最終的預(yù)測(cè)結(jié)果有很大影響.在不同的C和g值組合中，通常采用交叉驗(yàn)證方法找出具有最高預(yù)測(cè)精度的組合.文中采用gridregression函數(shù)尋找最佳的C和g值組合，根據(jù)研究，C=512、g=1時(shí)預(yù)測(cè)結(jié)果精度最高，均方誤差為0.03426.在40組樣本中隨即選取20組作為SVR模型的訓(xùn)練樣本.

3.2SVR模型的檢驗(yàn)

采用剩余樣本對(duì)SVR預(yù)測(cè)模型進(jìn)行檢驗(yàn).為了檢驗(yàn)SVR算法回彈預(yù)測(cè)的精度，文中選用目前已在回彈預(yù)測(cè)方面得到廣泛應(yīng)用的人工神經(jīng)網(wǎng)絡(luò)算法(ANN)進(jìn)行對(duì)比.神經(jīng)網(wǎng)絡(luò)有3層網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、隱含層和輸出層，其中隱含層包含56個(gè)節(jié)點(diǎn)，輸出層2個(gè)節(jié)點(diǎn).選用與訓(xùn)練SVR模型相同的數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練誤差控制在10-5內(nèi).圖5為SVR和ANN模型預(yù)測(cè)結(jié)果的對(duì)比，可以看出采用SVR算法預(yù)測(cè)回彈值與實(shí)驗(yàn)數(shù)據(jù)更加接近；表4和5分別為兩個(gè)方向上回彈量的誤差比較，從均方誤差的對(duì)比中可以看出SVR模型預(yù)測(cè)回彈的準(zhǔn)確性高于ANN模型.

(a)水平面回彈角預(yù)測(cè)

(b)垂直面回彈角預(yù)測(cè) 圖5　SVR和ANN模型的預(yù)測(cè)結(jié)果對(duì)比Fig.5　Comparison of springback prediction results obtained by SVR and ANN

表4水平方向回彈角的誤差對(duì)比

Table4Comparisonoferrorsofspringbackangleinthehorizontaldirection

預(yù)測(cè)模型均值最小值最大值平均誤差SVR0.702870.102851.133180.11353ANN0.612030.398610.783590.30698

表5垂直方向回彈角的誤差對(duì)比

Table5Comparisonoferrorsofspringbackangleintheverticaldirection

預(yù)測(cè)模型均值最小值最大值平均誤差SVR0.951790.636681.231860.12543ANN1.073260.542441.526480.18556

4試驗(yàn)檢驗(yàn)

文中通過(guò)兩組柔性三維拉彎成形試驗(yàn)，檢驗(yàn)SVR模型對(duì)回彈的預(yù)測(cè)精度.一組試驗(yàn)用于檢驗(yàn)預(yù)測(cè)模型的準(zhǔn)確性，另一組試驗(yàn)根據(jù)SVR模型的回彈預(yù)測(cè)值，對(duì)模具型面進(jìn)行相應(yīng)的補(bǔ)償，從而達(dá)到減小回彈的目的.

矩形截面型材采用AA6082鋁合金，其彈性模量E為71GPa，泊松比ν為0.345，屈服應(yīng)力σ0為139.5MPa，假定材料服從Hill’48各向異性屈服準(zhǔn)則，F(xiàn)=1.625,G=1.476,H=0.524,N=4.047.表6為預(yù)測(cè)模型的輸入數(shù)據(jù)，表7為分別采用
SVR和ANN模型的預(yù)測(cè)結(jié)果和誤差.基于相同的輸入數(shù)據(jù)，通過(guò)真實(shí)的柔性三維拉彎成形試驗(yàn)獲得的水平方向回彈角和垂直方向回彈角分別為0.685°和0.861°；表7所示的兩種模型的預(yù)測(cè)誤差再次證明SVR預(yù)測(cè)結(jié)果更加準(zhǔn)確.

表6預(yù)測(cè)模型的輸入數(shù)據(jù)
Table6Inputofthepredictionmodels

E/GPaσ0/MPaδ0/%δ1/%θh/°θv/°71139.50.80.83030

表7模型預(yù)測(cè)結(jié)果及誤差
Table7Predictionresultsanderrorsofthemodels

模型預(yù)測(cè)θhs/(°)預(yù)測(cè)θvs/(°)水平回彈角誤差/%垂直回彈角誤差/%SVR0.6562830.8163624.235.14ANN0.8726451.13756427.332.1

基于兩種模型對(duì)回彈的預(yù)測(cè)結(jié)果，對(duì)模具型面進(jìn)行相應(yīng)的補(bǔ)償，補(bǔ)償后對(duì)型材進(jìn)行柔性三維拉彎成形試驗(yàn)，從而獲得根據(jù)兩種模型補(bǔ)償后的形狀偏差.兩種模型補(bǔ)償后的型材形狀偏差如圖6所示.

圖6　模具補(bǔ)償后形狀誤差的對(duì)比Fig.6　Comparison of shape error after the die shape compensation

由圖6可以看出，根據(jù)ANN預(yù)測(cè)對(duì)模具補(bǔ)償后的形狀偏差大于SVR預(yù)測(cè)補(bǔ)償后的偏差.由此可知，SVR回彈補(bǔ)償比ANN準(zhǔn)確，從而證明SVR的回彈預(yù)測(cè)比ANN的回彈預(yù)測(cè)精度高.

5結(jié)語(yǔ)

通過(guò)設(shè)計(jì)正交試驗(yàn)進(jìn)行有限元模擬測(cè)試6組參數(shù)(包括材料參數(shù)、幾何參數(shù)和工藝參數(shù))對(duì)三維拉彎成形回彈影響大小進(jìn)行分析.分析證明這些參數(shù)對(duì)水平面回彈角與垂直面的回彈角影響程度不同.設(shè)計(jì)了選用這些參數(shù)作為輸入?yún)?shù)、對(duì)柔性三維拉彎成形進(jìn)行回彈預(yù)測(cè)的SVR模型，并將該模型與ANN模型的預(yù)測(cè)精度進(jìn)行對(duì)比.實(shí)驗(yàn)結(jié)果證明，采用SVR預(yù)測(cè)模型能夠?qū)崿F(xiàn)對(duì)三維拉彎成形回彈的預(yù)測(cè)，且預(yù)測(cè)精度高于ANN.采用SVR模型回彈預(yù)測(cè)值對(duì)三維拉彎成形試驗(yàn)的模具型面進(jìn)行相應(yīng)補(bǔ)償，能夠有效減小回彈和形狀偏差.

參考文獻(xiàn):

[1]李落星，周佳，張輝.車身用鋁、鎂合金先進(jìn)擠壓成形技術(shù)及應(yīng)用[J].機(jī)械工程學(xué)報(bào),2012,48(18):35-43.

LiLuo-xing,ZhouJia,Zhanghui.Advancedextrusiontechnologyandapplicationofaluminummagnesiumalloyforvehiclebody[J].JournalofMechanicalEngineering,2012,48(12):35-43.

[2]馬銘圖,李志剛,易紅亮,等.汽車輕量化及鋁合金的應(yīng)用[J].世界有色金屬，2006,10：10-14.

MaMing-tu,LiZhi-gang,YiHong-liang,etal.Polarizationoflight-weightedcarsandapplicationofaluminumalloys[J].WorldNonferrousMetals,2006,10：10-14.

[3]梁繼才，滕菲，高嵩，等.柔性三維拉彎成形模具型面修正關(guān)鍵技術(shù)的研究[J].機(jī)械工程學(xué)報(bào),2013,49(17):187-192.

LiangJi-cai,TengFei,GaoSong,etal.Keytechnologiesresearchontheiterativedie-faceadjustmentintheformingprocessofflexiblethree-dimensionalstretch-bending[J].JournalofMechanicalEngineering,2013,49(17):187-192.

[4]梁繼才，滕菲，高嵩，等.矩形鋁型材柔性三維拉彎工藝的多目標(biāo)優(yōu)化[J].華南理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2013,41(9):143-148.

LiangJi-cai,TengFei,GaoSong,etal.Multi-objectiveoptimizationofflexiblethree-dimensionalstretch-bendingformingprocessrectangularhollowaluminumprofiles[J].JournalofSouthChinaUniversityofTechnology:NaturalScienceEdition,2013,41(9):143-148.

[5]徐義，李落星，李光耀，等.型材彎曲工藝的現(xiàn)狀及發(fā)展前景[J].塑性工程學(xué)報(bào)，2008,15(3):61-70.

XuYi,LiLuo-xing,LiGuang-yao,etal.Extrusionbending:method,applicationandrecentdevelopment[J].JournalofPlasticityEngineering,2008,15(3):61-70.

[6]刁可山，周賢賓，李曉星，等.矩形截面型材拉彎成形[J].北京航空航天大學(xué)學(xué)報(bào)，2005，31(2):134-137.

DiaoKe-shan,ZhouXian-bin,LiXiao-xing,etal.Stretchbendingofaluminumextrusion[J].JournalofBeijingUniversityofAeronauticsandAstronautics，2005,31(2):134-137.

[7]ClausenArildH,HopperstadOddS,LangsethMagnus.Sensitivityofmodelparametersinstretchbendingofaluminumextrusions[J].InternationalJournalofMechanicalSciences,2001,43:427-453.

[8]MillerJE,KyriakidesS,CoronaE.Onbend-stretchformingofaluminumextrudedtubes-Ⅱ:analysis[J].InternationalJournalofMechanicalSciences,2001,43:1319-1338.

[9]OliveiraMC,AlvesJL,ChaparroB.M,etal.Studyontheinfluenceofwork-hardeningmodelinginspringbacksimulationaccuracyofV-freebending[J].InternationalJournalofPlasticity,2007,23:516-543.

[10]YuZhong-qi,LinZhong-qin.NumericalanalysisofdimensionprecisionofU-shapedaluminumprofilerotaystretchbending[J].TransactionsofNonferrousMetalsSocietyofChina,2007,17:581-585.

[11]PanthiK,RamakrishnanN,AhmedMeraj,etal.Finiteelementanalysisofsheetmetalbendingprocesstopredictthespringback[J].MaterialandDesign,2010,31:657-662.

[12]KazanR,FiratM,TiryakiAE.Predictionofspringbackinwipe-bendingprocessofsheetmetalusingneuralnetworks[J].MaterialsandDesign,2009,30(2):418-423.

[13]NasrollahiV,ArezooB.Predictionofspringbackinsheetmetalcomponentswithholesonthebendingarea,usingexperiments,finiteelementandneuralnetworks[J].MaterialsandDesign,2012,36:331-336.

[14]SongY,YuZ.SpringbackpredictioninT-sectionbeambendingprocessusingneuralnetworksandfiniteelementmethod[J].ArchiveofCivilandMechanicalEngineering,2013,3:229-241.

[15]龍玲，殷國(guó)富，宋超，等.基于支持向量機(jī)的隨機(jī)聚焦搜索算法優(yōu)化沖壓成形工藝[J].四川大學(xué)學(xué)報(bào)：工程科學(xué)版,2012,44(5):220-225.

LongLing,YinGuo-fu,SongChao,etal.ApplicationofstochasticfocusingsearchalgorithmbasedonSVMinoptimizationofsheetmetalformingprocess[J].JournalofSichuanUniversity：EngineeringScienceEdition,2012,44(5):220-225.

[16]LiuYu-lin,ChenWen-liang,DingLi-ping,etal.Responsesurfacemethodologybasedonsupportvectorregressionforpolygonblankshapeoptimizationdesign[J].InternationalJournalofAdvancedManufacturingTechnology,2013,66:1397-1405.

[17]SinghSwadenshKumar,GuptaAmitKumar.Applicationofsupportvectorregressioninpredictingthicknessstrainsinhydro-mechanicaldeepdrawingandcomparisonwithANNandFEM[J].CIRPJournalofManufacturingScienceandTechnology,2010,3:66-72.

[18]丁世非，齊丙娟，譚紅艷.支持向量機(jī)理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報(bào)，2011,40(1):2-10.

DingShi-fei,QiBing-juan,TanHong-yan.Anoverviewontheoryandalgorithmofsupportvectormachines[J].JournalofUniversityofElectronicandScienceandTechnologyofChina,2011,40(1):2-10.

文章編號(hào)：1000-565X(2015)02-0107-07

收稿日期：2014-08-06

*基金項(xiàng)目：國(guó)家工信部重點(diǎn)產(chǎn)業(yè)振興和改造技術(shù)專項(xiàng)(吉工信投資[2011]350)

Foundation item：Supported by the National Ministry Key Industrial Revitalization and Transformation of Special Technology(Ministry of Jilin Province([2011]350)

作者簡(jiǎn)介：滕菲(1985-)，女，博士生，主要從事汽車材料加工研究.E-mail: tengfei325@126.com

中圖分類號(hào)：TG386

doi：10.3969/j.issn.1000-565X.2015.02.016

SpringbackPredictionofRectangularProfilesDuringThree-Dimension
StretchBendingForming

Teng Fei1Liang Ji-cai1Zhang Wan-xi1Wang Xue2Gao Song1

(1.SchoolofAutomotiveEngineering//StateKeyLaboratoryofStructuralAnalysisforIndustrialEquipment,

DalianUniversityofTechnology,Dalian116024,Liaoning,China; 2.CollegeofMaterialsScienceandEngineering,

JilinUniversity,Changchun130022,Jilin,China)

Abstract:In this paper, first, a reconfigurable flexible die for the three-dimension stretch bending forming is designed, and the springback of profiles during the forming is predicted by means of the support vector regression and the finite element simulation. Then, six factors that greatly affect the springback magnitude (including material parameters, geometrical parameters and process parameters) are analyzed by using the finite element method, and their impact trends on the springback are also investigated. Moreover, these six factors are employed to design a simulation of three-dimension finite-element stretch bending, and the simulated results are used to train and test the springback prediction model based on the support vector regression machine. Finally, for the purpose of verifying the proposed apringback prediction model, the predicted results are compared with those obtained by the widely-used neural network forecasting method and the finite element simulation. It is found that the proposed model is more accurate than the neural network-based method, and that, in experiments, suitable compensations to the die shape according to the springback value predicted by the model may effectively reduce the springback and the shape deviation.

Key words:profile; springback prediction; support vector regression machine; artificial neural networks; three-dimension stretch bending forming