锆合金薄板冲压工艺的多种群社会群体算法优化

为了减小锆合金薄板冲压成形件的最大减薄率、提高冲压成形件质量,提出了基于多种群社会群体算法的冲压工艺优化方法。介绍了冲压件的3维尺寸和锆合金材料力学参数,以有限元仿真的方式确定了锆合金冲压成形的缺陷。选择冲压速度、压边力、模具间隙作为优化参数,以减小冲压件的最大减薄率为目标建立了优化模型。使用智能神经网络建立了输入参数与输出参数的回归模型,并对回归效果进行了检验。分析了社会群体优化算法的多样性缺陷,在算法中加入了多种群机制和多知识来源机制,提出了多种群社会群体优化算法。使用多种群社会群体算法求解优化模型,得到了工艺参数的优化值。依据优化参数生产了10个冲压试制件,经测量冲压试制件的最大减薄率均值为7.916%,明显小于优化前的最大减薄率10.746%,说明经过优化明显减小了锆合金冲压件的最大减薄率。10个试制件的最大减薄率标准差仅为0.652%,说明生产过程稳定。     

基于灰色理论和GA-BP的拉延筋参数反求

采用灰色关联分析对影响拉延筋阻力的因子进行分析,获得主要的影响因子.利用拉丁超立方试验设计方法对主要因子进行取样,利用DYNAFORM软件对方盒件成形进行仿真,得到样本数据.以成形件中的减薄、增厚和主应变为输入,以拉延筋几何参数为输出,建立拉延筋参数的反求模型.利用遗传算法优化反向传播(Back propagation,BP)网络权值,通过与单纯使用BP进行映射得出的几何参数预测值进行比较,该模型的精度得到很大提高,表明基于遗传算法(Genetic algorithm,GA)优化的BP神经网络的模型能极大提高预测能力.基于GA-BP模型,以拉延筋几何参数为输入,增厚为输出目标,利用训练好的优化权值,获得拉延筋几何参数与成形件增厚的非线性映射关系式,并再次利用遗传算法对其优化,获得最佳的拉延筋几何参数.通过比较优化前后的数值仿真结果,优化后的拉延筋能极大地提高板料成形性能.     

基于NSGA-Ⅱ算法的汽车后背门内板拉延成形质量控制与预测

为避免汽车覆盖件冲压时出现起皱、开裂等成形缺陷,提出基于带精英策略的非排序遗传算法（NSGA-Ⅱ）对冲压成形工艺参数进行优化,实现对冲压成形质量的控制与预测。以某型汽车后背门内板作为研究对象,以压边力、摩擦系数、冲压速度和模具间隙作为试验因素,拉延变形时的最大增厚率和最大减薄率作为质量控制目标。应用拉丁超立方抽样方法并结合CAE分析技术建立试验样本,构建冲压工艺参数同成形质量控制目标之间的响应面模型,基于NSGA-Ⅱ算法在构建的响应面模型内计算获得了满足成形质量的一组最优工艺参数组合,同时给出了成形质量的预测值。实际冲压试模结果证明了文章所提方法的有效性,为汽车覆盖件的冲压成形质量控制与预测提供了一套可借鉴的方法。     

基于随机聚焦搜索算法的冲压成形工艺优化

针对板料冲压成形工艺优化问题,研究了一种群集智能算法。该方法通过正交实验与数字化仿真技术相结合获取神经网络的学习样本,利用反向传播神经网络构建随机聚焦搜索算法的目标函数模型。在此模型基础上,应用随机聚焦搜索算法对板料冲压成形的工艺参数进行优化。以深盒形件为例,将优化后的工艺参数输入eta／DYNAFORM仿真模型进行验证,结果表明该算法可获得较好的成形质量。为了进一步验证随机聚焦搜索算法在执行效率及寻优的全局搜索方面的优越性,与遗传算法的优化结果进行对比分析,说明随机聚焦搜索在板料冲压成形工艺参数优化方面是一种较好的优化算法。     

汽车引擎盖外板拉延成形工艺参数优化研究

针对汽车引擎盖外板拉延成形容易产生起皱、破裂、拉延不充分等缺陷的问题,对影响引擎盖外板成形质量的工艺参数进行了研究。运用单因素变量法,研究了压边力、凸凹模间隙、摩擦因数、拉延筋高度、冲压速度对引擎盖外板拉延成形的影响;提出了一种基于正交试验法和极差分析法,以最大减薄率为优化目标,获得了最优工艺参数组合,确定了各因素对引擎盖外板最大减薄率影响主次顺序的优化方法,并对试验结果进行了方差分析,得出了影响最大减薄率的显著因素;应用优化后的工艺参数进行了模拟仿真,获得了良好的拉延成形效果。研究结果表明:使用最优工艺参数组合进行试模,获得的引擎盖外板最大减薄率为19.585%,最大增厚率为1.047%,成形质量较好;应用基于正交试验法的数值模拟技术能够提高引擎盖外板成形质量,减少试模次数、缩短生产周期、降低生产成本。     

基于BP-NSGA的注塑参数多目标智能优化设计

为获得成型性能最优的注塑参数设计方案,提出了基于BP神经网络和非支配排序遗传算法的注塑参数多目标优化方法。将注塑模结构尺寸参数和注塑工艺参数作为待优化的设计变量,建立了以高质量、低成本、高效率为优化目标的注塑参数优化设计模型。基于非支配排序遗传算法获取给定参数范围内的所有Pareto最优解,并通过建立多输入和多输出的BP神经网络来快速获得非支配排序遗传算法优化进程中所有个体的适应度值。开发了基于BP神经网络与非支配排序遗传算法集成的注塑参数智能优化设计系统,并通过鼠标注塑参数设计实例,验证了其适用性和有效性。     

基于代理模型的螺旋输送器特征值反求

螺旋输送器的动态特性设计可归结于特征值反问题的求解.针对结构参数到结构响应之间的非线性映射关系,通过一种基于神经网络代理模型的优化策略,采用正交试验设计在设计空间中选择初始样本点,构造神经网络代理模型,神经网络结合遗传算法求解,利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力,引入训练后的BP神经网络预测结果作为个体适应度值,获得全局最优值及对应输入值.解决了遗传算法能获全局最优解与有限元大量结构重分析之间的矛盾,是结构反问题的一种有效求解策略.     

基于遗传算法优化的BP神经网络在粗糙度预测上的应用

针对BP神经网络预测工件表面粗糙度精度不高的问题,提出了一种基于遗传算法优化的BP神经网络预测方法。首先用遗传算法对BP神经网络的初始权值、阈值进行全局寻优,然后对优化的BP神经网络进行训练、预测。通过MATLAB进行了粗糙度预测仿真验证。结果表明:优化的BP神经网络比未优化的BP神经网络具有更高的预测精度。     

基于POA-BP的TP2管材自由弯曲成形结果预测

将壁厚减薄率和椭圆率作为管材自由弯曲成形结果的评价指标,选取弯曲模与管材间隙值、弯曲模圆角半径值、管材弯曲变形区长度、导向机构圆角半径值、导向机构与管材间隙值作为影响因子。利用数值模拟方法对管材自由弯曲成形结果的评价指标和影响因子建立样本库,并随机选取6组作为测试样本,其余的作为训练样本,结合BP神经网络和鹈鹕优化算法对预测模型进行训练,构建POA-BP神经网络预测模型对管材自由弯曲成形结果进行预测。结果表明,POA-BP预测模型的壁厚减薄率和椭圆率的最大预测误差不超过2%,故POA-BP预测模型能够有效预测管材成形结果。     

RSM优化冲焊型液力变矩器叶片冲压工艺及回弹抑制

冲焊型液力变矩器性能与叶片形状密切相关，为提高叶片成形精度，减小回弹对性能的影响，以摩擦系数、模具间隙、冲压速度为试验因素，以叶片最大减薄率和最大回弹量为优化目标，基于优化拉丁超立方试验方法，通过Dynaform对涡轮叶片冲压过程及回弹变形进行模拟获得样本数据，研究不同工艺参数对叶片成形质量的影响，并得到关于优化目标的多项式回归响应面模型。结合多目标优化算法对冲压工艺进行优化求解，获得最优解集，选取最优冲压工艺参数组合。最后对所选优化工艺参数进行仿真验证，结果显示，优化后叶片成形质量良好，减薄率和回弹均得到优化。     

TRIP600钢板成形汽车前纵梁冲压工艺研究

TRIP高强度钢板具有高强度、高应变率变形时的高动态吸能特性,符合现代汽车用钢材料的发展趋势。基于有限元法对TRIP600的汽车前纵梁冲压成形过程进行数值模拟,通过调整坯料外形,改善了成形质量;采用多元非线性回归模型分别拟合成形工艺参数(压边力、摩擦因数和拉深筋阻力)与破裂目标函数及回弹目标函数间的非线性关系,并基于NSGA-II多目标遗传算法,进行了成形工艺参数的优化,进一步提高了成形质量。     

BP-GA算法对斗轮堆取料机回转平台的结构优化

提出了一种基于BP神经网络和遗传算法(GA)的多工况离散变量结构优化设计方法,并对某斗轮堆取料机回转平台进行优化设计。该方法将多工况问题处理为多约束问题,利用正交试验法选择神经网络训练样本点,通过参数化有限元模型计算出各工况下的样本数据,建立起基于BP神经网络的回转平台数学模型,为遗传算法提供适应度函数,最后运用遗传算法完成寻优计算。结果表明,回转平台自重减轻13.8%,取得了满意的优化效果。     

区间不确定多目标优化算法在薄板冲压成形中的应用研究

提出一种薄板冲压成形不确定多目标优化方法,该方法将冲压成形中的摩擦因数作为不确定参数,采用区间描述,以厚度不均最小和起皱最小为目标函数,以压边力和拉深筋阻力作为设计变量。基于非线性区间数值规划将不确定多目标优化问题转换为确定的多目标优化问题。采用Kriging近似模型提高优化效率,基于多目标遗传算法和序列二次规划算法的混合优化算法取得Pareto解集。应用算例说明了该算法的有效性。     

基于混合神经遗传算法的梁式结构损伤识别研究

由于裂纹对结构动态行为具有重要影响,为识别结构裂纹的位置和深度,引入混合神经遗传算法。该方法将遗传算法(GA)与神经网络相结合,利用遗传算法全局寻优的特点对BP网络进行优化。通过有限元分析得到裂纹梁的固有频率,并将其作为神经网络的输入,裂纹的位置和深度作为网络的输出。首先,利用遗传算法(GA)优化网络的权重和阈值;然后将优化结果作为三层BP神经网络的初始值,经过样本数据的训练得到合适的网络;最后以裂纹梁固有频率作为测试值,得到裂纹参数的预测结果,通过理论值与预测值的比较,结果证明了该算法能够对结构损伤进行准确的识别。     

基于渐变凹模圆角半径的高强钢扭曲回弹补偿

为减少高强钢冲压成形扭曲回弹,提出一种基于渐变凹模圆角半径的模具补偿方法。以高强钢TRIP780双C件为研究对象,采用板料冲压成形仿真软件DYNAFORM对该双C件的冲压、扭曲回弹过程进行数值模拟。提出一种评价双C件扭曲回弹程度的指标,并进行双C件扭曲回弹试验,通过三坐标测量仪测量扭曲回弹角,对有限元模型进行了验证。以冲压成形后的扭曲回弹为优化目标,结合相关的工艺参数,利用BP神经网络,基于正交试验,建立凹模圆角半径渐变量、工艺参数与扭曲回弹角之间的网络模型。最后采用遗传算法对该模型迭代寻优获得最优凹模圆角半径渐变量和工艺参数。通过对比优化前后的扭曲回弹角,证明了优化流程有效地减少了双C件扭曲回弹。该方法为扭曲回弹的控制提供了一种新的思路。     

基于神经网络和粒子群算法的管材弯曲工艺参数优化

针对弯管成形质量受多个工艺参数耦合影响的问题,提出基于神经网络和粒子群算法相结合的工艺参数优化方法。以压模压力、压模助推力、芯轴间隙、芯轴伸出量作为优化对象,以壁厚减薄率、横截面畸变率和起皱值最小为优化目标,通过神经网络构建优化对象和优化目标之间的非线性函数关系,并以此作为粒子群优化算法的适应度函数,实现管材弯曲的多目标工艺参数优化,最后进行了理论分析和实验验证。     

车辆前纵梁封板冲压的聚集度自适应粒子群优化

为了提高车辆前纵梁封板的冲压件质量,提出了基于聚集度自适应粒子群算法的冲压工艺优化方法。介绍了前纵梁封板的三维模型、坯料设计结果和冲压成形原理。基于成形极限曲线,以减小冲压件的减薄率、增厚率、回弹量为目标,建立了多目标优化模型。使用复合中心实验法设计了5因素5水平的32组实验,基于Autoform软件获得了实验数据。使用BP神经网络拟合了输入输出间的回归关系,并验证了回归模型的精度。在粒子群算法基础上,依据粒子相似度和种群聚集度,将Levy飞行融入到粒子群算法中,提高粒子多样性和算法优化能力,从而并提出了聚集度自适应粒子群算法。将改进粒子群算法应用于多优化模型求解,改进粒子群算法收敛速度早于传统算法,且改进粒子群算法搜索的目标函数值比传统算法减小了3.71%,说明了改进算法的优越性。经验证,优化后的试制件外观合格,减薄率、增厚率及回弹量均满足质量要求,可以进行批量生产。     

BP神经网络与遗传算法结合下的温挤压模具优化设计

以汽车转向螺杆类杯-杆件的温挤压凹模为例进行模具磨损分析及其寿命预测。以影响温挤压凹模磨损的4个主要因素,即凹模入口处圆角大小、模具初始硬度、模具初始温度、摩擦因子作为工艺参数,并分别选取4个不同水平值,确定四因素四水平的32组温挤压凹模磨损试验方案,通过Deform 3D有限元数值模拟软件进行成形过程的数值模拟。以不同影响因素和对应模具的磨损量为样本训练BP神经网络,建立4个主要因素与凹模磨损量之间的映射关系,以温挤压凹模磨损量为目标函数,通过遗传算法对4个影响因素进行组合优化,使凹模磨损量最小、寿命最长。     

基于BP网络和遗传算法的铝型材挤压模工作带优化模型

建立了改进的BP神经网络、数值仿真和遗传算法相结合的铝型材挤压模工作带长度优化模型。将型材截面划分单元 ,由正交试验法得到单元工作带长度值作为网络训练样本的输入值 ,模型目标值为变形后质点速度均方差。采用基于有限体积法的数值仿真技术获得样本目标值。模型的全局优化解由遗传算法求得。计算实例给出了模型实现和求解的完整过程     

基于BP神经网络和遗传算法的变耦合系数型时栅结构优化

为了提高变耦合系数型时栅感应信号的强度,选取其转齿和定齿间气隙宽度(L1),定子齿宽(L2),转子与定子齿宽比(L3)和齿厚度(L4)4个参数,通过ANSOFT有限元仿真结合正交试验设计,获得感应信号训练样本.选用基于LM算法的BP神经网络对样本进行训练,建立输入与输出间的非线性映射关系.将训练好的神经网络作为遗传算法目标函数求解器进行全局寻优,旨在获得最优参数组合.