基于全域压力感知与实时动态补偿的闭环冲压成型工艺的制作方法

本发明涉及汽车零部件冲压成形，尤其涉及基于全域压力感知与实时动态补偿的闭环冲压成型工艺。

背景技术：

1、传统冲压成型工艺为典型的开环、设定式流程：放置板材→上模下行成型→上模上行→顶料脱模。该工艺方法存在固有缺陷：其预设的、固定的压力与行程参数无法响应材料性能波动、摩擦条件变化等实时工况，导致成型过程如同黑箱，零件质量（如回弹、起皱、破裂）仅在脱模后才发现，依赖事后修模或参数调整，效率低、一致性差。

2、具体而言，现有技术主要存在以下技术问题：

3、1.传统冲压工艺中，模具与板材接触面上的压力分布无法被实时监测，操作人员只能通过最终产品的质量间接判断工艺是否正常。一旦出现缺陷，无法准确定位问题发生的时刻和位置，也难以追溯原因。

4、2.板材的批次差异（如屈服强度波动、厚度公差）、润滑状态的变化、模具温度的漂移等生产扰动，都会导致实际成型过程偏离预设参数。由于缺乏实时反馈机制，这些扰动无法在成型过程中得到补偿，造成产品质量波动。

5、3.传统工艺中，零件缺陷（如开裂、起皱、回弹）只能在脱模后通过检测发现，属于被动式质量控制。一旦发现问题，需要停机调整模具或工艺参数，造成废品损失和生产效率下降。

6、4.传统工艺优化依赖试错法，需要通过多次试模、修模来摸索合适的参数组合，周期长、成本高，且优化结果难以跨批次复用。

7、因此，现有技术中亟需一种能够将开环、设定式工艺升级为闭环、自适应的智能冲压成型工艺方法，以实现成型过程的实时感知、动态补偿和持续优化。

技术实现思路

1、本发明为解决上述技术问题所采用的技术方案是：

2、基于全域压力感知与实时动态补偿的闭环冲压成型工艺，其特征在于，包括以下步骤：

3、s1、针对目标零件，通过数值仿真工艺数据，预先定义模具与板材接触面上各微观区域在成型全周期内应达到的动态压力范围图谱，所述图谱关联成型阶段与空间位置的压力目标值；

4、s2、在冲床启动、上模下行至上模上行结束的整个成型周期内，同步执行以下子步骤：

5、s2.1、以不低于1khz的采样频率，实时同步采集模具与板材接触面上多个离散点的法向接触压力数据，生成实时压力分布场；

6、s2.2、将步骤s2.1生成的实时压力分布场，与步骤s1中定义的对应成型阶段的压力分布图谱进行毫秒级实时比对，通过计算实时识别出当前接触面上的压力超限区域和压力不足区域；

7、s2.3、根据步骤s2.2的比对结果，在持续的主成型力作用下，对识别出的压力超限区域施加反向的局部补偿力，以降低该压力超限区域处步骤s2.1所采集的实时法向接触压力值，使其回落至步骤s1所定义的压力范围之内；

8、同时对识别出的压力不足区域施加正向的局部补偿力，以升高该压力不足区域处步骤s2.1所采集的实时法向接触压力值，使其上升至步骤s1所定义的压力范围之内；

9、所述局部补偿力的幅值不大于所述主成型力的10%，且所述局部补偿力的施加是动态、连续且与主成型过程同步进行的；

10、s3、单次成型循环结束后，归档本次成型全周期的压力-时间数据、补偿力施加日志以及最终零件的质量检测结果，利用所述数据通过机器学习算法迭代优化步骤s1中的压力分布图谱，使该图谱自适应材料批次差异，实现工艺的持续自优化。

11、进一步的，在步骤s1中，所述数值仿真采用有限元分析方法，模拟板材在成型全周期内与模具型腔的接触过程，提取各成型阶段、各微观区域的法向接触压力数据，并以二维压力云图或三维压力曲面的形式建立所述动态压力范围图谱。

12、进一步的，在步骤s2.1中，所述多个离散点的法向接触压力数据通过嵌设于模具型腔表面的薄膜压力传感器阵列或压阻式压力传感单元实时采集，所述传感器或传感单元在模具型腔表面的布设密度不低于1个/cm²。

13、进一步的，在步骤s2.2中，所述毫秒级实时比对通过部署于冲压设备本地或边缘端的实时计算单元执行，所述实时计算单元将实时压力分布场与压力分布图谱进行逐像素比对，计算各对应位置的压力偏差值，当所述压力偏差值超过预设阈值时，将该位置标记为压力超限区域或压力不足区域。

14、进一步的，在步骤s2.3中，所述反向的局部补偿力和正向的局部补偿力通过嵌设于模具型腔内的微型液压缸、压电陶瓷致动器或电磁致动器独立施加，各致动器与步骤s2.1中采集压力数据的传感器或传感单元在空间上一一对应，形成闭环控制回路。

15、进一步的，所述微型液压缸、压电陶瓷致动器或电磁致动器的输出力分辨率为额定压力的0.1%~1%，响应时间不大于5ms，所述局部补偿力的幅值不大于主成型力的10%。

16、进一步的，在步骤s2.3中，所述局部补偿力的施加采用比例-积分-微分控制算法或模型预测控制算法，以步骤s2.2计算得到的压力偏差值作为输入，以各致动器的输出力作为输出，在每一个控制周期内更新一次输出力指令，使实时压力分布场逼近压力分布图谱。

17、进一步的，步骤s3中，所述机器学习算法为神经网络、支持向量回归或随机森林回归算法，以所述压力-时间数据和补偿力施加日志作为输入特征，以最终零件的质量检测结果作为标签，训练得到用于预测最优压力分布图谱的工艺模型。

18、进一步的，在步骤s2中，所述成型周期内的闭环控制频率不低于100hz，即每10ms完成一次采集-比对-补偿的完整控制循环。

19、进一步的，在步骤s3中，所述压力-时间数据、补偿力施加日志与最终零件的质量检测结果相关联后，形成该零件的数字工艺孪生档案，所述数字工艺孪生档案用于质量追溯和工艺分析与持续改。

20、本发明的优点在于：

21、1.本发明通过步骤s2.1以不低于1khz的采样频率实时采集模具与板材接触面上多个离散点的法向接触压力数据生成实时压力分布场，并通过步骤s2.2将实时压力分布场与步骤s1定义的压力分布图谱进行毫秒级实时比对，解决了传统冲压成型过程不可控、不可知的技术问题。本工艺方法实现了对成型全周期内模具与板材接触面上压力分布的实时、高分辨率监测，使原本黑箱的成型过程变得透明可视。操作人员能够实时掌握每一微观区域的受力状态，为后续的动态干预提供了精确的数据基础。

22、2.本发明通过步骤s2.3根据比对结果，在持续的主成型力作用下，对压力超限区域施加反向的局部补偿力、对压力不足区域施加正向的局部补偿力，且局部补偿力的幅值不大于主成型力的10%，解决了传统工艺无法响应实时工况变化、无法在成型过程中主动抑制缺陷产生的技术问题。本工艺方法将质量控制从结果检验前置到过程干预，在压力分布异常出现时进行主动纠正，反向补偿力舒缓超限区域的压力，正向补偿力增强不足区域的压力，从而主动抑制回弹、起皱、破裂等缺陷的发生，大幅提升成型精度与批次一致性。同时，局部补偿力幅值限定在10%以内，确保不会过度干扰主成型力，保证了整体成型过程的稳定性。

23、3.本发明通过步骤s3将单次成型全周期的压力-时间数据、补偿力施加日志与最终零件的质量检测结果归档，并利用机器学习算法迭代优化压力分布图谱，解决了传统工艺优化周期长、成本高、无法自适应材料批次差异的技术问题。该工艺方法建立了从数据采集、过程干预到模型优化的完整闭环。每一次成型都产生一组完整的数字工艺孪生数据，机器学习算法能够从中学习压力分布与零件质量之间的映射关系，自动调整压力分布图谱以适应当前批次材料的特性，降低了对操作员经验和来料一致性的要求。

24、4.本发明将压力-时间数据、补偿力施加日志与质量检测结果相关联形成数字工艺孪生档案，每一个零件都拥有一份完整的数字化工艺档案，记录了其成型全周期的所有关键信息。当出现质量问题时，可以快速回溯到具体的压力异常时刻和位置，精准定位问题根源，为持续改进提供了坚实的数据支撑。

25、综上所述，本发明将传统参数预设、开环执行的冲压成型工艺，变革为实时感知、决策、执行一体化的闭环智能工艺，从根本上解决了成型过程不可控的行业难题，实现了从被动检验到主动预防的质量控制模式跃升，具有显著的产业应用价值。