神经网络与遗传算法在拉延筋参数反求中的应用

以某车型前地板角支撑板的拉延工序为例,讨论BP神经网络技术与遗传算法在拉延筋几何参数反求中的综合应用问题,建立能描述反映成形效果的三个参数与半圆形拉延筋几何参数之间非线性映射关系的神经网络模型,并运用遗传算法对神经网络结构进行了优化。提出逐次局部密化样本点的样本点设计方法。该方法有助于加快神经网络的设计进程,提高神经网络的模拟精度。当训练样本数据可通过有限元法自动获得时,使用该方案则更为便利。     

基于近似模型的拉延筋几何参数反求

引入响应面方法和遗传算法建立基于近似模型的拉延筋几何参数反求方法。首先以等效拉延阻力为设计变量，通过均匀拉丁方试验设计方法提取适当的设计参数样本构造响应面近似模型，并不断优化响应面模型，获取最优等效拉延阻力；然后以最优等效拉延阻力为约束条件，结合等效拉延阻力计算和小种群遗传算法反求拉延筋几何参数。整个反求过程采用等效拉延筋有限元模型进行仿真计算，避免有限元模型的网格重划分及由真实拉延筋模型引入的计算效率问题。数值算例表明，基于近似模型的拉延筋几何参数反求方法可在设计兴趣域内快速寻优，有助于加快模具设计进程，降低生产成本。     

基于SVR模型的双锐棱铝合金翼子板成形工艺优化

为了实现双锐棱设计在轻量化材料的设计和应用,以铝合金材料的某车型双锐棱翼子板为研究对象,针对翼子板拉延成形过程中棱线部位滑移线不易控制等问题,采用基于支持向量机回归(SVR)的代理模型,并利用粒子群算法(PSO)建立优化模型寻求最优工艺参数。选取压边力B.H.F.、拉延筋系数f₁、拉延筋系数f₂、摩擦系数μ为优化参数,以主、副棱线最大滑移量为优化目标,建立了SVR模型并利用PSO建立多目标优化模型寻求最优工艺参数。获得最优工艺参数组合为：压边力为B.H.F.=1 281.43 kN,拉延筋系数f₁=0.193,摩擦系数μ=0.150,拉延筋系数f₂=0.205,将优化后的工艺参数进行仿真求解得出主棱线滑移量为1.92 mm,副棱线滑移量1.31 mm,满足成形仿真判断标准。最后利用优化后的工艺参数以及仿真结果指导现场试模,得到了成形质量良好,无明显棱线滑移的合格零件。研究表明,采用SVR与PSO相结合的方法可以快速、有效地优化铝合金双锐棱翼子板成形工艺方案。     

遗传算法在覆盖件拉延筋参数优化中的应用

指出拉延筋几何参数（拉筋高度，拉筋圆角）是影响拉延筋阻力的主要因素。提出在拉延成形中，拉延筋，凹模圆角参数设计需满足拉延筋各几何参数间的约束，筋参数变化约束以及“协同变化”原则，将遗传算法应用于拉延筋几何参数的优化设计，并用实例验证。     

灰色关联分析法在覆盖件成形优化中的应用

由于汽车覆盖件塑性变形过程复杂,容易产生多种质量缺陷,最优成形工艺参数难以确定。现将正交试验设计方法、灰色关联分析法与冲压数值仿真相结合,针对拉延工艺参数进行优化设计,借助板料成形仿真软件Pam Stamp对某汽车翼子板拉延过程数值仿真。通过仿真数据分别计算单目标函数关联度系数,多目标函数关联度和自变量对理想质量目标平均关联度,从而全面衡量压边力、摩擦因子及拉延筋几何尺寸对翼子板拉延成形质量影响,确定最优拉延工艺参数组合,为汽车覆盖件成形工艺参数设计提供理论依据。     

基于水平集理论和Kriging模型的镁合金差温成形伪拉延筋设计及优化

压边圈结构对改善差温成形中压边圈摩擦、传热及材料的流动阻力起着重要的作用。利用水平集理论和Kriging模型,对镁合金差温成形中的压边圈结构进行优化,提出一种伪拉延筋。以NUMISHEET2011十字杯形件为研究对象,建立相应的热力耦合模型,利用相关的试验数据,对有限元模型进行验证。基于一步法理论反求影响镁合金成形件质量的压边圈关键区域,并对该区域进行了重新离散化及处理。以部分节点坐标为设计变量,以随机水平集值为目标,建立压边圈的Kriging水平集模型。利用初始水平集阈值,对伪拉延筋进行设计。利用拉丁超立方对水平集阈值、凸模温度和凹模温度进行抽样,获得伪拉延筋样本。基于镁合金差温成形热力耦合模型,对相应的样本进行有限元仿真分析,获得镁合金成形件的成形质量,建立水平集阈值与质量之间的Kriging模型。利用粒子群算法,对该Kriging模型进行优化,获得最佳水平集阈值,实现伪拉延筋的优化。利用最优伪拉延筋,进行相应的差温成形分析。研究表明,基于水平集理论和Kriging模型,优化伪拉延筋能有效地提高成形件的减薄率均匀性。该方法为压边圈设计提供一种有益的指导。     

瑞风商务车托架拉延成形数值模拟及工艺参数优化

基于逆向工程建立瑞风商务车托架零件的几何模型,并基于Dynaform软件平台对不同工艺参数下该零件的拉延成形过程进行数值模拟。在此基础上,以压边力、拉延筋高度和拉延筋圆角半径作为设计变量,以零件不发生破裂为优化目标,以有限元数值模拟结果作为虚拟样本,建立目标函数的人工神经网络预测模型;将人工神经网络预测模型作为优化算法的知识源,采用遗传算法对压边力、拉深筋几何参数等工艺参数进行了优化设计。试验结果表明,数值模拟、神经网络预测和工艺优化是可靠的,从而可为制定金属板料最佳的冲压成形工艺提供一条先进、合理的途径。     

基于ANN/GA的汽车覆盖拉延件要领设计专家系统

提出了要领设计的新概念， 即通过该环节为汽车覆盖拉延件成形的有限元模拟提供初始条件， 分析了要领设计的必要性和特点。提出将流入量 （从压料面下进入凹模型腔的局部材料线素长度） 作为衡量局部成形阻力的指标。通过人工神经网络由覆盖件侧壁高度得到局部流入量， 将其添加在拉延件轮廓 （在成品件上添加工艺补充得到） 外侧， 即得初始毛料外形。把拉延筋的设计原则转化为约束条件， 将遗传算法和神经网络用于拉筋及凹模圆角几何参数的优化设计。另外还阐述了特征建模、面向对象知识库的应用。     

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。     

基于数值模拟的TRIP钢板汽车覆盖件成形研究

对使用新型高强度相变诱发塑性钢(TRIP)钢板拉伸成形的汽车发动机罩内板进行研究,采用BP(BackPropagation)神经网络建立内板成形工艺参数与成形质量之间的非线性映射关系,使用多目标遗传算法NSGA-II获得成形最优工艺参数,并利用有限元数值模拟进行验证.研究发现,神经网络结合多目标遗传算法可以获得最优成形工艺参数,使用TRIP钢板生产大型汽车覆盖件是可行的.