Improving the Reliability of Tube Hydroforming Process by the Taguchi Method
Notice bibliographique
Résumé
The tube hydroforming process has undergone extremely rapid development, especially in applications for the automobile industry. In-process variation of forming parameters such as material properties, friction conditions and part geometries will directly affect the quality of forming response by causing variation in the process output. To ensure a reliable hydroforming process at the design stage, applying robust design methodologies becomes crucial to the success of the resulting process. The reliability of the tube hydroforming process based on the tube wall thickness thinning ratio is studied in this paper. In order to improve the reliability of the process, the Taguchi method, which is capable of evaluating the effects of process variables on both the mean and variance of process output, is used to determine the optimal forming parameters for minimizing the variation and average value of the thinning ratio. The Taguchi method is applied to design experimental arrays which incorporate design (i.e., controllable) parameters and noise (i.e., non-controllable) parameters. Finite element simulation is used to analyze the virtual experiments according to the experimental arrays. Through statistical analysis, the influence of each design parameter on both the mean and variance of the thinning ratio is obtained, and is used to find the optimal combination of design parameters for minimum thinning ratio, minimum variance of thinning ratio, and maximum expected process reliability. A cross-extrusion hydroformed tube is employed as an example to illustrate the effectiveness of this approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».