L'IA pour le formage de tôle : prédiction du retour élastique et optimisation de la conception des matrices

lorsque tôle est bent dans a opération de formage, cela does pas reste au Le exact angle de Le die. cela springs back partially toward ses original flat shape. Ce retour élastique est caused par Le récupération élastique de Le matériaux après Le forces de formage sont removed. Le montant de retour élastique depends sur Le type de matériau, thickness, rayon de cintrage, direction du grain, et Le procédé de formage paramètres.

Compensating pour retour élastique est un de Le la plupart challenging aspects de tôle conception de matrice. si vous avez besoin a 90-degree bend dans Le finished pièces, vous pourrait besoin à bend cela à 88 degrees dans Le die, sachant cela va spring back 2 degrees. mais que 2-degree retour élastique est pas constant. cela changements avec lot de matériau variations, températures, et usure d'outil. AI prédiction et compensation fait Ce procédé plus precise.

Why retour élastique est difficile à prédit

retour élastique depends sur Le stress-strain behavior de Le matériaux, which est pas perfectly décrit par Le normes propriétés du matériau sur Le certificat d'usine. Le actual retour élastique pour a spécifique pièces depends sur Le matériaux limite d'élasticité, module élastique, écrouissage behavior, et anisotropie, tout de which varient entre bobines et even au sein de a unique bobines.

analyse par éléments finis (FEA) simulation peut prédit retour élastique, mais Le précision depends sur ayant bon matériaux données et Un précis modèle de frottement, both de which sont difficile à obtain pour production conditions. Le résultats est que FEA predictions de retour élastique souvent ont significatif erreurs, exigeant essais et erreurs adjustment de Le die.

How AI améliore prédiction

AI-based prédiction du retour élastique learns de actual production données. cela correlates Le mesuré retour élastique sur formed pièces avec Le propriétés du matériau de Le certificat d'usine, Le actual forming paramètres (tonnage, vitesse, températures), et Le état de l'outil. sur temps, cela construit a prédiction modèles que est plus précis than FEA alone parce que cela captures Le real-monde effects que theoretical modèles manque.

lorsque a nouveau bobines de matériaux arrive, Le AI utilise ses certificat d'usine properties à prédit Le expected retour élastique pour chaque pièces géométries. si Le prédit retour élastique differs de Le compensation de matrice, Le AI recommends procédé adjustments: changeant Le angle de surcintrage, adjusting Le tonnage, ou modifying Le temps de maintien.

Adaptive compensation de matrice

dans Le la plupart advanced implementations, Le presse de formage adjusts automatiquement en fonction de Le AI prédiction du retour élastique. presses à entraînement servo peut modify Le profondeur de course, profil de vitesse, et temps de maintien sur a pièces-par-pièces basis. lorsque Le AI prédit plus retour élastique pour a particular lot de matériau, Le press automatiquement augmente Le surcintrage à compensate.

Ce adaptive approche produit pièces que sont cohérent au sein de tolérances regardless de lot de matériau variations. cela réduit Le scrap et rework que traditional static die designs produit lorsque propriétés du matériau changements.

pour en savoir plus sur AI procédé optimisation dans fabrication, consultez la FirmAdapt page d'analyse de fabrication.