面向钣金成形的 AI 应用:回弹预测与模具设计优化

钣金在成形操作中被弯折后,并不会停留在模具的精确角度上,而是会部分回弹至原本的平直状态。这种回弹是由材料在成形力撤除后的弹性恢复所致。回弹量取决于材料类型、厚度、弯曲半径、晶粒方向以及成形工艺参数。

对回弹进行补偿是钣金模具设计中最具挑战性的环节之一。如果成品零件需要 90 度弯角,可能需要在模具中弯到 88 度,以便在 2 度回弹后达到目标。但这 2 度的回弹并非恒定,会随材料批次差异、温度与刀具磨损而变化。AI 预测与补偿使这一过程更加精准。

回弹为何难以预测

回弹取决于材料的应力-应变行为,而轧机出厂证明上的标准材料属性并不能完全描述这一行为。某一具体零件的实际回弹量取决于材料屈服强度、弹性模量、应变硬化行为与各向异性,这些参数在不同卷料之间——甚至同一卷料内部——都会有所差异。

有限元分析(FEA)模拟可以预测回弹,但其精度依赖于优质的材料数据与精准的摩擦模型,而这两者在生产条件下都难以获取。其结果是,FEA 对回弹的预测往往存在显著误差,需要通过反复试错调整模具。

AI 如何提升预测精度

基于 AI 的回弹预测从实际生产数据中学习。它将成形零件上实测的回弹与轧机出厂证明的材料属性、实际成形参数(吨位、速度、温度)以及刀具状态相关联。久而久之,它构建出比单纯 FEA 更精准的预测模型,因为它捕捉到了理论模型所遗漏的真实世界效应。

当一卷新材料抵达时,AI 利用其轧机证明的属性,预测每种零件几何形状的预期回弹。如果预测的回弹量与模具补偿不符,AI 会建议调整工艺:更改过弯角度、调整吨位或修改保压时间。

自适应模具补偿

在最先进的实施方案中,成形压机会基于 AI 的回弹预测自动调整。伺服驱动压机可逐件调整冲程深度、速度曲线与保压时间。当 AI 预测某一材料批次的回弹更大时,压机会自动增加过弯量以进行补偿。

这种自适应方法生产出的零件无论材料批次如何变化,都能始终保持在公差范围内,从而显著减少传统静态模具设计在材料属性变化时所产生的废品与返工。

如需了解更多关于制造业 AI 工艺优化的内容,请访问 FirmAdapt 制造业分析页面。