挤压模具修模技术讨论

挤压模具修模技术讨论（精选3篇）

1.挤压模具修模技术讨论 篇一

随着铝及铝合金制品在民用建筑、汽车工业等许多方面的应用越来越广泛, 铝合金挤压工业得到了空前的发展。在2007年铝材加工产量达到了1176万吨, 超过美国居世界第一。铝合金挤压模的工作条件十分恶劣, 加上模具设计的好坏, 模具材料选择的差异, 以及热处理和表面强化处理的合理性等诸多因素, 都可能直接影响模具的使用寿命。挤压模具的失效形式主要有:磨损失效、塑性变形、疲劳损伤和断裂。

其中断裂的形式有脆性断裂、韧性断裂、疲劳断裂等。通常断裂发生在模具型腔尖角处、凸台悬臂处等。脆断主要是材质问题或内部有缺陷, 热处理硬度过高, 型腔形状、工作带厚度以及模具结构产生的应力集中等原因引起的。疲劳断裂表象为模具表面龟裂, 然后聚集扩展形成断裂, 内在原因是反复变化的拉、压应力和热应力引起的。韧性断裂是由于材料太软或工作温度过高外界压力过大造成的。所以, 选择模具制造材料非常严格, 一般应具备高强度、高硬度、高耐热性和良好的抗氧化稳定性、高冲击韧性和断裂韧性和良好的淬透性等。

模具的使用寿命跟很多因素相关, 但其中模具材料是占主要的, 模具失效原因经统计大致为:设计不合理占13%, 材料存在问题占10%, 热处理产生的问题占60%, 表面处理产生的问题占9%, 其他原因占8%。由此可见模具材料的选用与处理方法最为重要。

二、H13钢

目前常用钢材是H13钢。H13钢是美国牌号的一种空冷硬化的热作模具钢, 成分性能等同于中国钢材4Cr5MoSiV1。H13钢主要化学成可参见中国的GB标准来:C含量0.32~0.45, Si含量0.80~1.20, Mn含量0.20~0.50, P含量≤0.030, S含量≤0.030, Cr含量4.75~5.50, Mo含量1.10~1.75, V含量0.80~1.20。

正确热处理时, H13钢材由于增加了V元素, 淬火时只有少量VC碳化物溶于奥氏体中, 大部分VC碳化物并未溶于奥氏体中, 这对细化奥氏体晶粒起到显著作用, 大大的提高了钢的强韧性和热稳定性, 也有助于改善热疲劳性能。而固溶于奥氏体中的V元素在淬火时又固溶于基体组织中, 固溶强化基体组织。高温回火时, V元素又以VC碳化物的形式从基体组织中析出, 弥散分布于基体组织中, 增加钢的强度、硬度与耐磨性, 产生二次硬化效应。但也削弱了基体组织的强度性能。正因为H13钢具有较高的热强性、耐磨性、韧性和耐热疲劳性能, 同时又具备较高的淬透性, 尤其是空冷即可淬硬, 淬火变形又小, 所以H13钢广泛地用于挤压模等。

三、案例

下面以一套铝合金挤压模具为例说明热处理对模具寿命的影响。

通过检查模具的整体外观形貌, 如图1- (a) 所示, 模具开裂部位均发生在模芯与分流桥过渡的部位, 如 (a) 图箭头所指; (b) 图为模具分流桥处开裂部位的局部放大图像, 裂纹如 (b) 图箭头所指。现对其进行金相组织分析。

在图1- (b) 中箭头所指开裂部位切取纵向试样, 并制成金相分析试样, 按照中国国家标准“GB/T13298-1991金属显微组织检验方法”, 对其进行冶金缺陷和金相组织评定。

1冶金缺陷分析

试样金相观察磨面未经浸蚀的微观形貌可发现 (b) 图为 (a) 图的局部放大图像。由图可见, 材料中基本上为点粒状非金属夹杂物, 尺寸与数量尚可。参照“GB/T10561-2005钢中非金属夹杂物显微评定方法”, 按标准评级图评级, 评定材料的非金属夹杂物为D类细系2.0级。

2材料金相组织分析

试样金相观察磨面经4%硝酸乙醇溶液浸蚀后的金相组织如图2、3所示。其中 (a) 图为模具的心部金相组织图像, (b) 图为 (a) 图的局部放大图像; (c) 图为模芯与分流桥过渡处开裂部位的金相组织, (d) 图为 (c) 图的局部放大图像。模具材料的金相组织分析如下:

(1) 钢中金相组织为“回火马氏体+少量残余奥氏体+二次碳化物+少量液析碳化物”。

(2) 钢中马氏体组织粗大。根据中国机械行业标准“JB/T8420-96热作模具钢显微组织评级”, 评定马氏体等级为6级。表明材料存在过热的组织缺陷。该组织缺陷与材料在热加工过程 (热处理或锻造) 中存在超温现象有关。材料组织粗大导致材料脆性增大, 当模具表面形成裂纹, 将迅速扩展而使模具开裂。

(3) 模具表面存在明显的脱碳现象。图3- (c) 箭头所指方向从模具表面往心部垂直方向的硬度分布曲线。由图可见, 模具表面脱碳层深度达到0.8mm以上。模具表面脱碳导致模具表层强度下降。模具表面的脱碳组织缺陷是由于热处理过程中未进行有效的保护而造成的。

(4) 模具裂纹起源于模芯与分流桥过渡的R位处, 裂纹沿晶界扩展, 扩展方向如图3- (d) 箭头所指。由于模具服役时该部位存在较大的应力集中, 加上模具表面存在脱碳, 强度较低, 当工作应力超过材料强度时, 模具即发生开裂。

综上所述, 模具材料组织粗大和表面存在严重脱碳是导致模具开裂的主要原因。

3改进措施

(1) 降低淬火温度。淬火温度应控制在1020℃~1050℃。

(2) 热处理时采用保护气氛炉或真空炉。常用的保护气氛有氢气、氮气、氨气、丙烷、丁烷、甲醇、一氧化碳、丙烯等。

结语

由此可知, 热处理不当是模具失效的主要原因。作为从事模具行业的人员要想把模具做好、做精, 那么仅仅懂得如何设计和制造模具是不够的, 还应当具备足够的金属知识和热处理技术。

摘要：铝合金挤压模具的失效形式主要有四种, 本文通过对一套H13钢制作的铝合金挤压模具进行失效分析, 得出H13钢制铝合金挤压模具的主要失效原因。

关键词：H13钢,铝合金,挤压模具,失效分析

参考文献

[1]李学忠.铝合金挤压型材平面分流组合模结构要素解剖与设计[OL].全国第十二届轻合金加工学术交流会论文集.

2.高压开关用导电管冷挤压模具设计 篇二

关键词：导电管,冷挤压,工艺方案,模具结构

高压开关用导电管如图1所示, 材料选用紫铜T2Y, 具有优良的导电导热性, 塑性很好, 但切削加工性不十分理想。原工艺采用φ70紫铜棒进行切削加工, 材料利用率仅为55.4%, 且该工件内孔较小较深, 切削加工较为困难。本文采用冷挤压成形工艺制造该零件, 内孔直接冷挤压成形, 材料利用率达84.3%, 大大节约了原材料, 提高了生产效率, 降低了生产制造成本。

1 冷挤压成形工艺方案

根据导电管产品结构, 制定了冷挤压成形工艺方案:下料→退火→喷砂→润滑处理→冷挤压成形→机加工。

1.1 冷挤压毛坯设计

根据导电管尺寸、形状及材料性能, 通过DEFORM软件数值模拟, 设计出冷挤压毛坯, 见图2。φ38内孔直接成形, 外圆及长度方向留量加工, 为便于工件脱模, 外圆设计一定的拔模斜度。

1.2 下料尺寸确定

铜材规格选用φ65 T2R棒材, 根据冷挤压毛坯图, 按照体积不变定律, 计算得出下料尺寸为183mm, 下料方式采用带锯下料。

1.3 毛坯退火处理

为降低变形抗力, 延长模具寿命, 冷挤压前对原材料进行退火处理, 退火温度700±20℃, 保温2h, 空冷, 退火后喷砂处理, 以去除坯料表面氧化皮。

1.4 表面润滑工艺

冷挤压表面润滑技术可采用如下工艺: (1) 锻造石墨乳; (2) 工业豆油 (菜油) ; (3) 猪油13%、十四醇3%、纯机油84%。配制方法为:将猪油加热到200℃, 几分钟后加入纯机油, 搅拌均匀 (约3min) , 最后加入十四醇[1]。

1.5 冷挤压力计算

其中, P—总挤压力, N;p—单位挤压力, MPa;Z—模具形状系数;n—挤压方式及变形程度修正系数;σ—挤压前材料的抗拉强度, MPa;F—凸模工作部分横断面积, mm。

2 冷挤压模具设计

设计凸模时, 为便于挤压过程中材料流动, 降低挤压力, 提高模具使用寿命, 采用带平底的锥形凸模结构, 见图3。凸模工作带以上设计退让槽, 过渡圆角处设计足够大的圆角半径[2]。

反挤压时凹模内壁承受较大的单位压力, 经理论计算, 导电管冷挤压成形时单位挤压力达1144Mpa。为提高凹模强度, 防止凹模纵向开裂, 采用双层组合凹模结构, 组合凹模结构见图4。组合凹模压合工艺采用冷压法, 压合角采用1.5°, 且锥面要求70%以上的接触面积。

为保证导电管内孔与外圆同轴度, 减少外圆切削加工量, 要求凸模、凹模对中良好, 该模具设计了专用的对中工装, 有效地保证了内孔与外圆的同轴度, 凸模与凹模对中调整方式见图5。

为便于导电管脱模, 在凹模底部设计了顶出杆, 模具顶出结构见图6所示, 顶出杆通过可移动的凹模镶块将成形后的导电管顶出。考虑到冷挤压成形后的导电管可能被凸模带出, 在凹模上端设计了卸料板, 卸料结构见图7所示。

3 工艺实践

基于本工艺方案对导电管进行工艺试制, 成功获得了满足各项使用要求的导电管成品, 如图8所示, 实现了铜导电管的冷挤压成形。采用该工艺制造导电管, 内孔尺寸精度达到φ38 (-0.1, 0) , 实现了内孔的净成形加工, 材料利用率达到84.3%, 且大大提高了生产效率。

4 结论

采用冷挤压工艺生产出了满足使用要求的铜导电管, 与传统工艺相比, 每件可节约原材料2.81kg, 年节约成本40万元, 且生产效率大大提高。该工艺对其他同类型零部件成形有着很好的借鉴意义, 具有很好的推广应用价值。

参考文献

[1]金仁钢.实用冷挤压技术[M].哈尔滨工业大学出版社, 2005.

3.挤压模具修模技术讨论 篇三

关节轴承具有结构紧凑、质量轻、耐冲击、免维护、安全可靠性高和寿命长等优点[1], 常用于低速时的摆动运动, 也能在一定角度范围内做倾斜运动, 能承受较大的载荷。它是工程机械、载重汽车、水利设备、军工机械等领域的重要零件[2]。冷挤压作为关节轴承最重要的成形方式, 已有较多学者对其进行了研究。Yang等[3]分析了关节轴承双收口成形相对单边收口成形的优势;Orsolini等[4]用ABAQUS软件分别建立了关节轴承挤压成形的二维轴对称模型和三维模型, 得出二者模拟结果差别小于百分之一的结论, 并用理论和实验验证了模型的可靠性;Woodhead等[5]用ABAQUS软件对关节轴承一次挤压成形进行了数值模拟, 并分析了外圈与模具之间的摩擦因数对挤压力的影响;Wang等[6]利用ANSYS软件对自润滑关节轴承挤压装配过程进行了数值模拟并与实验结果进行了对比。

实际生产的关节轴承常常由于密合度过大而不合格, 而挤压模具是冷挤压的关键工艺设备, 是技术密集型产品, 其设计及制造工作量大, 周期长。模具的不合理设计会直接导致轴承密合度过大, 因此, 以提高内外圈间隙分布的均匀性为目标, 对挤压模具进行优化设计是现今轴承行业的研究热点。闫洪等[7]提出了一种集数值仿真、人工神经网络和遗传算法为一体的工艺参数优化模型, 合理配置了非对称角铝型材模模孔位置;kahhal等[8]利用遗传算法结合有限元方法对薄板成形模具进行了多目标优化, 有效地改善了板料的成形质量;Wu等[9]和Zhao等[10]采用神经网络结合遗传算法对挤压模具进行了优化设计, 优化后的模具大大提升了挤压件的成形质量。

本文根据关节轴承挤压装配的特点, 采用ABAQUS软件对关节轴承挤压装配过程进行数值模拟, 以L16 (45) 正交试验和6个补充试验作为BP神经网络的训练样本, 建立模具圆弧半径R1和R2、轴承收口半径Ra、定径带长度h以及内外圈最大间隙与最小间隙之差δ的非线性映射关系;以内外圈间隙均匀分布为目标, 运用遗传算法对模具型腔进行优化。最终得出模具型腔圆弧半径R1、R2, 轴承收口半径Ra, 定径带长度h等4个参数最佳的组合, 结合实验证明了优化结果的可靠性。

1 有限元模型的建立

本文选用GEW12DEM1T轴承进行模拟。轴承外圈材料为0Cr17Ni4Cu4Nb, 内圈材料为9Cr18Mo。根据关节轴承实际挤压装配条件, 对模具和轴承进行建模。由于挤压过程中轴承几何形状和受力情况都是对称的, 所以建立二维轴对称有限元模型进行分析。模具与定位套均采用解析刚体进行求解。每个刚体设置一个参考点, 用参考点代表它们的运动。根据模具和轴承的实际尺寸, 完成每个零件的几何造型并按照实际工况装配起来, 如图1所示。

由于关节轴承挤压装配过程属于材料非线性、几何非线性、接触非线性问题, 故采用ABAQUS/Expilcit求解器进行挤压分析。根据实际运动关系, 本文定义7个接触对。接触面之间的摩擦采用库仑摩擦定律, 摩擦因数取为0.15。下模固定, 上模和定位套有z方向的进给运动。分析模型的单元尺寸由材料的变形程度确定, 因外圈变形较大, 对其使用ALE自适应网格划分技术, 内圈与外圈有接触的部位网格划分得较细, 无接触部分网格划分得较粗。

回弹过程的模拟是基于挤压成形过程的模拟。采用ABAQUS/Standard求解器进行静态隐式分析。将成形过程中的模具和定位套都去除, 并对内圈和外圈施加z方向的约束。

2 非线性函数关系的建立

在MATLAB环境下, 以模具型腔圆弧半径R1和R2、轴承收口半径Ra、定径带长度h4个参数作为网络的输入量, 以内外圈最大间隙与最小间隙之差为网络的输出量, 实现BP神经网络的建模。输入层的神经元数取输入参数的个数, 输出层神经元数取输出参数的个数。对于各层的激活函数, 隐含层采用S形正切激活函数tansig, 输出层选用线性激活函数purelin。

2.1 BP神经网络训练样本的选择

神经网络的仿真可信度与选择的样本关系较大, 因此在选择网络的训练样本时, 应尽可能全局反映各参数的变化规律[11]。图2给出了挤压模具结构要素图, 由图2可以看出, 模具圆弧型腔由半径R1、R2、Ra和定径带长度h决定。其中, 模具型腔的圆弧部分主要由半径为R1的圆弧和半径为R2的圆弧组成, 为了保证外圈能逐渐缓慢地变形, 半径为R2的圆弧的弧度应小于半径为R1的圆弧的弧度。此外, 为保证模具型腔的两段圆弧光滑过渡, 以R1为半径的圆应内切于以R2为半径的圆, 所以半径R2的值也远大于R1的值。表1为四个工艺参数的变化范围, 表1中定径带长度和收口半径的大小分别根据外圈的高度和厚度进行取值, 半径R2的大小主要根据外圈的外径进行取值, 最后根据半径R2、Ra、定径带长度h的值, 并在保证以R1为半径的圆应内切于以R2为半径的圆的前提下, 获得半径R1的取值范围。在该范围内, 采用L16 (45) 正交试验组成16组试验, 并在表1中再随机选取6个补充试验, 共22组试验数据为网络的训练样本。针对各参数组合通过采用弹塑性有限元法来获得内外圈最大间隙与最小间隙之差δ, 从而组成一个训练样本, 如表2所示。

2.2 BP神经网络的构建

根据文献[12], 至少具有一个S形隐含层加上一个线性输出层的网络, 能够逼近任何有理函数。因而本文实验在满足训练要求的前提下, 采用三层前馈网络, 结构参数如下:输入层神经元个数4个, 隐含层神经元个数10个, 输出层神经元个数1个。其中隐含层神经元数是在经验公式M=2 N+1的基础上, 再适当增加1~2个余量。其中, M为隐含层神经元个数, N为输入层神经元个数。

2.2.1 样本的归一化处理

由表2给出的训练样本可知, 当样本中输入数据的数值差距很大时, 输入样本就构成了奇异矩阵, 这影响网络的收敛性能及网络精度。因此本次实验调用了mapminmax函数, 对输入向量和目标向量进行归一化处理。

2.2.2 附加动量法的采用

为了防止BP算法所求的解不是误差平面的全局最小解[13], 本文采用附加动量法对网络进行训练。网络训练过程中, 训练误差先落入局部极小值, 在附加动量的作用下, 训练误差能继续向前产生一个正向斜率的运动, 跳出峰值, 落入全局最小值。

2.2.3 自适应学习速率的采用

根据文献[14], BP网络所采用的速率一般凭经验或采用试验的方法选取。这种固定的学习速率不能确保BP网络训练的准确性。本文采用自适应的学习速率, 既能加快网络的收敛速度, 又能得到较为稳定的神经网络, 大大缩短了训练时间。在MATLAB环境下, 可以调用traingdx.m把附加动量法和自适应学习速率结合运用。

2.3 BP网络的训练过程

图3给出了网络预测值与有限元计算值的比较, 由图3可以看出, 函数关系曲线较好地拟合了22组输入样本向量和输出样本向量。由此可知, 此时的BP网络基本上建立了输入参数与输出参数良好的映射模型。图4给出了网络预测值与有限元计算值之间的误差百分比。由图4可以看出, 两者误差很小, 最大误差也小于5%。由此说明, 训练结束后网络具有较好的推广性, 可以作为后续优化模型的知识源。

3 工艺参数的优化

3.1 遗传算法程序的构建

为了避免搜索过程中产生欺骗性结果或不能有效定位全局的最小值, 程序采用格雷码编码。变量取值范围与各个工艺参数的取值范围一致。初始种群采用crtbp创建, 随后产生一个矩阵Chorm, 它由50个均匀分布长度为50×30的格雷码构成。选用BP神经网络训练构建出良好的输入输出映射关系作为目标函数。适应度函数选择基于排序的适应度函数ranking分配计算。交叉概率为0.4, 变异概率为0.2, 如果变量是浮点变量, 则长度为1。

3.2 遗传算法优化过程

图5为采用遗传算法对目标函数进行优化后, 目标函数值迭代次数变化的性能跟踪图。经过250次迭代后, 目标函数的最优适应度和平均适应度就基本趋于平稳, 且目标函数最小值为0, 所对应的最优解组合为h=6.1074 mm, R1=4.6132 mm, R2=29.6502 mm, Ra=14.1077mm。

4 实验验证

4.1 FEM模拟验证

为验证GA寻优的真伪, 采用FEM对该组实验参数组合进行数值模拟, 将其所得到结果与GA的最优解作对比, 其结果如表3所示。由表3可知, 两者的误差相差较小, 仅为0.018mm, 说明GA寻优获得的结果是真实可靠的。

mm

从金属流速角度分析优化后的结果, 在挤压成形过程中, 外圈表面速度是否均匀, 直接影响轴承外圈表面的质量。为了准确地描述轴承外圈表面的速度均匀程度, 本文引入轴承外圈表面金属流速均方差Fsdv, 其表达式为[15]

式中, vi为被考察外圈表面i节点处的流动速度;为所有被考察节点的平均速度;n为被考察节点速度总数。

显然, 速度均方差越小, 轴承表面速度分布越均匀。本文选取轴承外圈表面所有节点并记录其速度值以准确地计算轴承外圈表面速度均方差值。

图6为优化前轴承截面的金属流速分布图, 图7为优化后轴承截面的金属流速分布图。由图6、图7可以看出, 优化前最大速度为93.51mm/s, 最小速度为22.62mm/s, 轴承外圈表面速度均方差为0.73mm/s;优化后最大速度为84.80mm/s, 最小速度为28.23mm/s, 轴承外圈表面速度均方差为0.06mm/s。由此说明通过GA优化模具型腔后, 不仅内外圈间隙分布均匀性增加, 轴承表面质量也明显提高了。

4.2 物理实验验证

为了验证优化模具的实用性, 用经GA寻优后的挤压模具参数组合在100t的挤压机上对轴承进行挤压装配。图8为挤压获得的关节轴承, 其表面质量好, 无褶皱、屈曲等缺陷。为测量关节轴承内外圈之间间隙, 将关节轴承固化后剖开, 如图9所示。再用万能工具显微镜测量内外圈之间的间隙, 实验测得最大间隙与最小间隙之差为0.0212mm, 与优化前最大间隙与最小间隙之差0.0442mm相比得到了大幅度的减小。

5 结论

(1) 利用ABAQUS软件对关节轴承挤压装配过程进行了数值模拟, 并分析了挤压模具的关键参数。

(2) 基于虚拟正交试验获得了BP神经网络训练样本, 利用BP神经网络建立了挤压模具型腔参数与关节轴承内外圈最大间隙与最小间隙之差的映射关系。