張德海，付亮，李艷芹，李軍恒，祝志逢，黃子帆

基于GA–BP神經(jīng)網(wǎng)絡(luò)的汽車內(nèi)飾板虛擬制造研究

張德海，付亮，李艷芹，李軍恒，祝志逢，黃子帆

（鄭州輕工業(yè)大學(xué) 機(jī)電工程學(xué)院，鄭州 450002）

以某汽車內(nèi)飾板為研究對象進(jìn)行虛擬制造，以提前得到相對準(zhǔn)確的工藝參數(shù)并減少成形缺陷的產(chǎn)生。研究了工藝參數(shù)對產(chǎn)品拉延成形質(zhì)量的影響，并確定了拉丁超立方抽樣區(qū)間，在抽樣區(qū)間內(nèi)抽取60組樣本數(shù)據(jù)，以最大減薄率為目標(biāo)值，以前50組樣本數(shù)據(jù)為測試集、后10組樣本數(shù)據(jù)為預(yù)測集，使用基于GA–BP神經(jīng)網(wǎng)絡(luò)的遺傳算法得到最優(yōu)工藝參數(shù)，并將其代入有限元分析軟件DYNAFORM中進(jìn)行虛擬制造。訓(xùn)練后GA–BP模型的預(yù)測值與期望值最大誤差為0.299 7%，最大預(yù)測誤差率為1.747 38%；遺傳算法預(yù)測的最大減薄率為16.548%，虛擬制造得到的減薄率為16.167%，虛擬制造值與預(yù)測值的大小僅相差0.318%，仿真誤差的誤差率為2.36%。虛擬制造結(jié)合先進(jìn)算法的優(yōu)化方法可以指導(dǎo)后續(xù)生產(chǎn)。

DYNAFORM；GA–BP神經(jīng)網(wǎng)絡(luò)；內(nèi)飾板

內(nèi)飾板產(chǎn)品越來越多地應(yīng)用在汽車、航天、交通等領(lǐng)域中，其往往采用薄板沖壓的方式進(jìn)行成形。有些產(chǎn)品因?yàn)楸砻嫘螤顝?fù)雜、成形工藝煩瑣等多方面因素的影響，在成形過程中經(jīng)常會出現(xiàn)起皺、破裂、回彈、成形不足等質(zhì)量缺陷。這些缺陷往往是由多個因素引起的，因此難以通過控制某個因素來解決問題，通常要同時對多個參數(shù)進(jìn)行調(diào)整。為找到相對合理的工藝參數(shù)，往往采用“試錯法”來調(diào)整成形時的工藝參數(shù)，但這種方法要消耗大量的人力、物力和時間[1-3]。

近年來，隨著計(jì)算機(jī)技術(shù)的發(fā)展，數(shù)值模擬及智能制造技術(shù)得到了廣泛應(yīng)用，先進(jìn)算法結(jié)合虛擬制造的優(yōu)化方法可以得到相對準(zhǔn)確的工藝參數(shù)并減少成形缺陷的產(chǎn)生。近年來，國內(nèi)外學(xué)者對此類交叉問題進(jìn)行了深入探討，并進(jìn)行了大量探究。孫慧等[4]為解決拉伸件在拉深過程中出現(xiàn)的起皺問題，通過正交實(shí)驗(yàn)得到了最佳工藝參數(shù)的組合。徐小娟等[5]以鋁合金板料的自沖鉚接工藝為分析對象，以正交實(shí)驗(yàn)和方差分析為手段，確定了各工藝參數(shù)對底切量影響的主次順序，并得出了最優(yōu)的工藝方案。臧其其等[6]以DYNAFORM為基礎(chǔ)，對某轎車鋁合金地板梁的拉延成形過程進(jìn)行了仿真，根據(jù)仿真結(jié)果對拉延參數(shù)進(jìn)行了優(yōu)化，最后得到了符合質(zhì)量要求的產(chǎn)品零件。王康康等[7]使用DYNAFORM與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，以汽車行李箱內(nèi)板為研究對象，以最大減薄率為目標(biāo)，得到了最優(yōu)工藝參數(shù)。劉強(qiáng)等[8]利用DYNAFORM對空調(diào)壓縮機(jī)殼沖壓成形過程進(jìn)行了仿真實(shí)驗(yàn)，利用仿真獲得的實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)，并結(jié)合遺傳算法（NSGA–Ⅱ）和逼近理想排序法（TOPSIS）進(jìn)行評價篩選，得到了產(chǎn)品的最優(yōu)工藝參數(shù)。Zhang等[9]利用DYNAFORM軟件對壓邊力、毛坯形狀和毛坯尺寸進(jìn)行了仿真計(jì)算，并采用數(shù)值模擬和實(shí)驗(yàn)相結(jié)合的方法解決了飛機(jī)蒙皮雙曲率薄壁鋁合金件（DCTAP）在成形過程中圓角不飽滿、裂紋和起皺等問題。崔學(xué)習(xí)等[10]采用沖壓成形工藝和電磁成形工藝相結(jié)合的方法，獲得了成形覆蓋件的最佳工藝參數(shù)，解決了鋁合金材料在沖壓時回彈量過大、流動性差等問題。Ma等[11]以汽車下層板為研究對象，研究了BHF（空白支架力）、模角半徑、摩擦因數(shù)和模具間隙對最大減薄率和最大增厚率的影響，并在此基礎(chǔ)上對4個參數(shù)進(jìn)行了優(yōu)化，獲得了優(yōu)質(zhì)產(chǎn)品。上述研究主要集中于使用DYNAFORM軟件進(jìn)行數(shù)值模擬，并結(jié)合遺傳算法、正交實(shí)驗(yàn)等方法得到最優(yōu)工藝參數(shù)，而文中將采用基于GA–BP神經(jīng)網(wǎng)絡(luò)的遺傳算法與DYNAFORM數(shù)值模擬相結(jié)合的方法對工藝參數(shù)進(jìn)行優(yōu)化，并將預(yù)測值與仿真值進(jìn)行對比，以驗(yàn)證此方法的準(zhǔn)確性。

為得到最優(yōu)工藝參數(shù)、降低在設(shè)計(jì)階段的人力物力、減少實(shí)驗(yàn)階段的成本，文中以DYNAFORM軟件為平臺，建立GA–BP神經(jīng)網(wǎng)絡(luò)模型，通過遺傳算法尋找最優(yōu)解。主要步驟如下：首先通過設(shè)計(jì)的仿真實(shí)驗(yàn)探究壓邊力、沖壓速度、摩擦因數(shù)、拉延筋阻力占比等參數(shù)對成形質(zhì)量的影響規(guī)律，從而得到最優(yōu)工藝參數(shù)范圍；其次用拉丁超立方抽樣的方法抽取60組樣本數(shù)據(jù)，以此數(shù)據(jù)為原始訓(xùn)練數(shù)據(jù)構(gòu)建精準(zhǔn)的GA–BP神經(jīng)網(wǎng)絡(luò)模型，再用智能算法對全局尋優(yōu)得到最優(yōu)工藝參數(shù)；最后通過虛擬制造驗(yàn)證其準(zhǔn)確性。

1 內(nèi)飾板的工藝分析

內(nèi)飾板形狀如圖1所示，零件尺寸為316 mm× 1 450 mm×1.2 mm，通過對其進(jìn)行工藝分析，確定工序?yàn)槔?、修邊、沖孔。材料選用DYNAFORM材料庫中的HRDQSK，材料性能參數(shù)如表1所示，硬化曲線如圖2所示，F(xiàn)LC曲線如圖3所示。分析零件可知，零件的上部有較長的凸起部分，在沖壓時容易發(fā)生破裂，左側(cè)有幾字形凸起，在成形過程中，此處極易因厚度變薄而導(dǎo)致破裂，右下側(cè)也有一部分倒角，這些部位在沖壓時容易破裂。產(chǎn)品整體沒有較大的曲率，因此零件在拉伸時較少涉及回彈，零件需要在DYNAFORM軟件中進(jìn)行工藝補(bǔ)充以及壓料面的設(shè)計(jì)。幾字形凸起及設(shè)計(jì)后的內(nèi)飾板如圖4所示。

圖1 內(nèi)飾板形狀

表1 材料性能參數(shù)

Tab.1 Performance parameters of materials

圖2 硬化曲線

圖3 FLC曲線

圖4 幾字形凸起及工藝補(bǔ)充后的內(nèi)飾板

設(shè)計(jì)后的產(chǎn)品可通過DYNAFORM得到拉延模具，其仿真模型如圖5所示。工藝補(bǔ)充面有大部分為平面，需設(shè)計(jì)拉延筋，據(jù)經(jīng)驗(yàn)設(shè)計(jì)的拉延筋位置如圖6所示。成形工序?yàn)閱蝿永?，板料采用殼單元，在劃分網(wǎng)格時，板料網(wǎng)格劃分為4 mm，材料模型選擇36號材料[12]，模具設(shè)置為不變形的剛體，劃分網(wǎng)格為5 mm。

對于隱藏層，有：

圖5 零件仿真模型

2 不同工藝參數(shù)對成形質(zhì)量影響

為增加GA–BA模型的準(zhǔn)確度，使后續(xù)遺傳算法的全局搜索更加準(zhǔn)確，得到更為合適的壓邊力、沖壓速度、摩擦因數(shù)、拉延筋阻力占比，研究不同工藝參數(shù)對成形質(zhì)量的影響非常必要。文中通過將4個工藝參數(shù)分成不同梯度來研究工藝參數(shù)對拉延成形的影響，以得到GA–BP模型最為合適的參數(shù)范圍。

圖6 拉延筋設(shè)置

2.1 不同工藝參數(shù)初步選取

超立方抽樣是一種廣泛應(yīng)用于解決工程問題的隨機(jī)抽樣的實(shí)驗(yàn)設(shè)計(jì)方法，其特點(diǎn)是抽樣點(diǎn)分布均勻，可以在較少的抽樣樣本下，快速地達(dá)到計(jì)算收斂[15-18]。根據(jù)2.2節(jié)確定的各參數(shù)范圍，使用拉丁超立方的方法在抽樣區(qū)間內(nèi)抽取60組樣本數(shù)據(jù)，然后以此樣本點(diǎn)為數(shù)據(jù)庫來構(gòu)建GA–BP神經(jīng)網(wǎng)絡(luò)模型。其中，以前50組樣本數(shù)據(jù)為測試集、后10組樣本數(shù)據(jù)為預(yù)測集。

表1中的數(shù)據(jù)為樣品未經(jīng)任何預(yù)處理而進(jìn)行的色譜和滴定分析結(jié)果，由分析數(shù)據(jù)來看，其主成分雙乙烯酮和醋酐的含量均有較大差距，下面結(jié)合表2和表3中數(shù)據(jù)作進(jìn)一步的分析。

式中：為壓邊力，kN；為單位面積的壓邊力，MPa，一般為2～4.5 MPa；為壓邊圈下板料投影面積，mm2。經(jīng)測量，≈670 000 mm2，=2 MPa，所以拉延時的壓邊力約為1 350 kN。

摩擦力可以控制材料的流動情況，是影響成形質(zhì)量的一個關(guān)鍵因素。根據(jù)經(jīng)驗(yàn)及文獻(xiàn)[14]，摩擦因數(shù)取0.12，初次沖壓速度取1 000～7 000 mm/s，適當(dāng)?shù)卦O(shè)計(jì)拉延筋可以很好地處理局部拉延不足等問題，故拉延筋阻力占比（此時拉延筋阻力占完全鎖死時拉延筋阻力的百分比，下同）取25%左右[14]。各參數(shù)設(shè)定如表2所示。

2.2 不同工藝參數(shù)仿真分析

通過DYNAFORM對表2中的數(shù)據(jù)進(jìn)行仿真，通過分析仿真后各組的FLD圖得到不同工藝參數(shù)對板料成形質(zhì)量的影響，如圖7所示。

該階段企業(yè)己識別生產(chǎn)活動和生產(chǎn)環(huán)境中的風(fēng)險和問題，初步編制并形成了的安全管理的標(biāo)準(zhǔn)和要求，同時，己組建與生產(chǎn)組織和管理部門并重的安全主管部門，負(fù)責(zé)組織、實(shí)施、改進(jìn)安全管理工作、優(yōu)化和持續(xù)完善完全管理標(biāo)準(zhǔn)與制度。在該階段，安全管理工作的主要特征是自上而下單向?yàn)橹?。主要表現(xiàn)在：安全主管部門負(fù)責(zé)編制和形成安全標(biāo)準(zhǔn)和實(shí)施規(guī)范，業(yè)務(wù)部門和人員負(fù)責(zé)執(zhí)行；安全主管部門負(fù)責(zé)發(fā)現(xiàn)問題和隱患，業(yè)務(wù)部門和人員負(fù)責(zé)整改和落實(shí)；安全主管部門負(fù)責(zé)提出安全知識和能力要求并組織培訓(xùn)工作，業(yè)務(wù)部門和人員負(fù)責(zé)參與培訓(xùn)和接受培訓(xùn)。該階段工作組織方式可以稱為以安全主管部門為中心的安全管理體系，見圖2。

由圖7a可知，當(dāng)壓邊力增大時，最大減薄率呈先增大后減小的趨勢，當(dāng)壓邊力為1 200 kN左右時，最大減薄率較小，因此在后續(xù)拉丁超立方抽樣時，壓邊力選取區(qū)間為800～1 600 kN。隨著摩擦因數(shù)的增大，最大減薄率呈上升趨勢，最大值為27%，摩擦力的大小可以影響板料流動的快慢進(jìn)而影響板料成形質(zhì)量[6]，根據(jù)圖7中最大減薄率的變化趨勢，選取摩擦因數(shù)為0.06～0.15進(jìn)行拉丁超立方抽樣。隨著沖壓速度的增大，最大減薄率呈先增大后減小的趨勢，分析可知，沖壓速度的拉丁超立方抽樣區(qū)間為4 000～7 000 mm/s最為合理。當(dāng)拉延筋阻力占比為29%時，減薄率最小，故拉延筋阻力占比的拉丁超立方抽樣區(qū)間設(shè)置為25%～34%。分析圖7b可知，在沖壓仿真時，板料的最大增厚率為2.4%。

遺傳算法（genetic algorithm，GA）是1957年由美國Michigan大學(xué)的Holland教授及其科研團(tuán)隊(duì)提出的，算法的原理是通過模擬達(dá)爾文生物進(jìn)化論中“優(yōu)勝劣汰”的自然選擇和進(jìn)化機(jī)制來構(gòu)造計(jì)算模型[20-23]，其主要特點(diǎn)是可以實(shí)現(xiàn)快速全局搜索。其主要原理將問題編碼成染色體，染色體上不同的位置代表不同的基因，不同基因會控制不同的表現(xiàn)型，在優(yōu)化時，不同位置的基因會發(fā)生選擇、交叉、變異等操作，然后將適應(yīng)度好的基因遺傳到下一代、適應(yīng)度差的基因淘汰，經(jīng)過多次迭代，最后的適應(yīng)度結(jié)果將無限接近理論最優(yōu)值。

圖7 不同參數(shù)下的成形質(zhì)量

表2 各參數(shù)設(shè)定

Tab.2 Setting of each parameter

當(dāng)壓邊力為600 kN、沖壓速度為4 000 mm/s、摩擦因數(shù)為0.12、拉延筋阻力占比為25%時，F(xiàn)LD圖中的厚度變化情況如圖8所示。可知，板料成形時凸起部位即①處厚度變化最為明顯，此處有破裂的風(fēng)險；起皺以及起皺趨勢出現(xiàn)壓邊圈以外的區(qū)域②處。當(dāng)工藝參數(shù)變化時，最大減薄率和最大增厚率也將跟著變化。為使最大減薄率、最大增厚率最小，將通過數(shù)值模擬與智能算法相結(jié)合的方法得到最優(yōu)的壓邊力、沖壓速度、摩擦因數(shù)、拉延筋阻力占比。

圖8 FLD圖中的厚度變化情況

3 基于GA–BP神經(jīng)網(wǎng)絡(luò)的遺傳算法的參數(shù)優(yōu)化

3.1 拉丁超立方抽樣

成形工藝中進(jìn)料的阻力大小會影響成形質(zhì)量。壓邊力的大小可根據(jù)式（1）[13]來計(jì)算。

3.2 GA–BP神經(jīng)網(wǎng)絡(luò)模型的建立

BP神經(jīng)網(wǎng)絡(luò)又稱誤差反向傳播（back propagation）神經(jīng)網(wǎng)絡(luò)，可以實(shí)現(xiàn)輸入層到輸出層任意的非線性映射。在神經(jīng)網(wǎng)絡(luò)中，輸入為正向傳播，誤差為反向傳播，訓(xùn)練方式是通過得到輸出層的響應(yīng)值y與期望值的誤差D，并基于誤差反向傳播逐層訓(xùn)練其中的權(quán)值[19]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型如圖9所示，該模型由輸入層、隱藏層、輸出層3層結(jié)構(gòu)組成，主要參數(shù)包括輸入層數(shù)據(jù)x、輸入層到隱藏層權(quán)值矩陣1、隱藏層輸出變量m、隱藏層到輸出層權(quán)值矩陣2、輸出層參數(shù)y。

王蒙在一篇文章中，也說到個人尺度問題。他說：“上一代人對下一代人的消極評價，究竟有多少是靠得住的？有多少是以己度人度量出來的？反過來說，下一代不是也以自身當(dāng)標(biāo)尺嗎？”意思是說，世事與時俱進(jìn)，一切都在變化，評判是非的尺度不能停步不前，當(dāng)然，對前人的有些好東西，還要珍惜和繼承。因此，無論上代人，還是下代人，只要自己評判是非的尺度錯了，就要自覺改正才好。

繼發(fā)性帕金森病;除陰虛風(fēng)動型外的其他證型帕金森病;心肺腎等功能嚴(yán)重?fù)p傷;中樞神經(jīng)系統(tǒng)嚴(yán)重病變;孕期哺乳期;具有濫用藥史和酗酒習(xí)慣。

本文從歌詞的語言出發(fā)，通過兩首典型“中國風(fēng)”歌曲歌詞修辭格運(yùn)用的分析，試探究修辭格的不同運(yùn)用給“中國風(fēng)”歌曲帶來的效果。試著通過對同一類型歌詞修辭格運(yùn)用的研究，來探索“中國風(fēng)”歌曲對修辭格態(tài)度的異同以及由此帶來的效果對歌曲的影響。

圖9 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)傳遞的基本原理如式（2）—（3）所示。

GA–BP神經(jīng)網(wǎng)絡(luò)模型的原理主要是使用遺傳算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，然后將優(yōu)化后的權(quán)值和閾值代入遺傳算法中，以大幅度提高神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性以及穩(wěn)定性。GA–BP神經(jīng)網(wǎng)絡(luò)模型由BP神經(jīng)網(wǎng)絡(luò)的確定、遺傳算法的優(yōu)化、遺傳算法的預(yù)測3部分組成[24]。GA–BP流程圖如圖10所示。

雖然國別與區(qū)域研究在外語學(xué)科的地位得到了確立，但是外語界對它的認(rèn)識和接受經(jīng)歷了曲折發(fā)展的過程。筆者的個人經(jīng)歷就很好地反映了這一點(diǎn)。

對于輸出層，有：

結(jié)合案例，因新模式增加了投資和融資，產(chǎn)生了財務(wù)杠桿。同時，提高經(jīng)營杠桿至4.79倍，但低于同行業(yè)平均水平。因此，風(fēng)險較低，較之舊模式提高綜合杠桿2.02倍，EBIT提高9%，節(jié)稅效果明顯，利于公司發(fā)展(表10)[1]。

在GA–BP神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)的確定部分中，神經(jīng)網(wǎng)絡(luò)中待優(yōu)化參數(shù)為壓邊力、沖壓速度、摩擦因數(shù)、拉延筋阻力占比，以待優(yōu)化參數(shù)為神經(jīng)網(wǎng)絡(luò)中的4個輸入層節(jié)點(diǎn)，以仿真FLD圖的最大減薄率為神經(jīng)網(wǎng)絡(luò)輸出值，因此神經(jīng)網(wǎng)絡(luò)有1個輸出層節(jié)點(diǎn)，并設(shè)置10個隱含層節(jié)點(diǎn)。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，以拉丁超立方抽樣的前50組樣本數(shù)據(jù)為訓(xùn)練數(shù)據(jù)、后10組樣本數(shù)據(jù)為測試數(shù)據(jù)。在遺傳算法優(yōu)化部分，以神經(jīng)網(wǎng)絡(luò)的預(yù)測值和期望值的絕對值為遺傳算法的適應(yīng)度，經(jīng)過遺傳算法的反復(fù)迭代，將最優(yōu)適應(yīng)度所對應(yīng)的權(quán)值和閾值返回給神經(jīng)網(wǎng)絡(luò)中，從而得到最為精確的GA–BP神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)的部分參數(shù)設(shè)置如下：訓(xùn)練次數(shù)為3 000，學(xué)習(xí)率為0.1，訓(xùn)練目標(biāo)為0.001。遺傳算法的部分參數(shù)設(shè)置如下：迭代次數(shù)為200，種群規(guī)模為80，交叉概率為0.3，變異概率為0.1。

最終拉丁超立方抽樣區(qū)間設(shè)置如下：壓邊力為400～1 600 kN、沖壓速度為4 000～7 000 mm/s、摩擦因數(shù)為0.06～0.15、拉延筋阻力占比為25%～34%。

使用SPSS23.0軟件，計(jì)量資料用均數(shù)±標(biāo)準(zhǔn)差描述，計(jì)數(shù)資料采用構(gòu)成比描述，以雙側(cè)P<0.05為差異有統(tǒng)計(jì)學(xué)意義，計(jì)量資料根據(jù)資料方差的齊性，使用獨(dú)立樣本t檢驗(yàn)；計(jì)數(shù)資料用χ2檢驗(yàn)。若P<0.05則納入多因素Logistic回歸方程，分析其對預(yù)后的影響，作查爾森合并癥指數(shù)以及其他與術(shù)后5年生存率相關(guān)因素的受試者工作曲線(ROC曲線)。

在訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)時，可以通過判斷輸出值與期望值的誤差，反向調(diào)整權(quán)值矩陣，但由于權(quán)值初始值的取值范圍一般為0～1，因此在網(wǎng)絡(luò)訓(xùn)練初期權(quán)值波動較大，這將導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率低、收斂過慢。

圖10 GA–BP神經(jīng)網(wǎng)絡(luò)流程圖

3.3 GA–BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

將拉丁超立方抽樣的樣本數(shù)據(jù)代入GA–BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，模型訓(xùn)練時的最佳驗(yàn)證誤差曲線如圖11所示，由圖11可知，第9代的最佳驗(yàn)證誤差為0.044 536。模型訓(xùn)練的相關(guān)性回歸結(jié)果如圖12所示，由圖12可知，訓(xùn)練集的回歸預(yù)測值為0.938 82，驗(yàn)證集的回歸預(yù)測值為0.918 46，測試集的回歸預(yù)測值為0.826 79，模型精度高達(dá)82.679%。

訓(xùn)練完成的GA–BP神經(jīng)網(wǎng)絡(luò)模型最大減薄率的預(yù)測值與期望值的對比以及預(yù)測值誤差率如圖13所示。由圖13可知，最大減薄率的預(yù)測值與期望值的最大誤差為0.230 5%，最大預(yù)測誤差率為1.328 3%，由此可見，所建立的GA–BP神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確，可以用來預(yù)測板料成形的最優(yōu)工藝參數(shù)。

圖11 GA–BP模型的最佳驗(yàn)證誤差曲線

以訓(xùn)練后GA–BP神經(jīng)網(wǎng)絡(luò)的輸入值（壓邊力1、沖壓速度2、摩擦因數(shù)3、拉延筋阻力占比4）和預(yù)測值為遺傳算法中的個體，以預(yù)測值為遺傳算法的適應(yīng)度值，經(jīng)過遺傳算法的選擇、交叉、變異，使適應(yīng)度值達(dá)到最優(yōu)，此時可得到最優(yōu)適應(yīng)度對應(yīng)的個體，即得到最優(yōu)工藝參數(shù)壓邊力1、沖壓速度2、摩擦因數(shù)3、拉延筋阻力占比4。遺傳算法模型()如式（4）所示。

矩陣Rbe反映了足端坐標(biāo)系到機(jī)身坐標(biāo)系的旋轉(zhuǎn)關(guān)系，三維矢量Pbe反映了足端在機(jī)身坐標(biāo)系中與質(zhì)心的位置關(guān)系，兩者共同體現(xiàn)了機(jī)器人足端的位姿。

圖12 GA–BP模型訓(xùn)練相關(guān)性回歸結(jié)果

圖13 GA–BP神經(jīng)網(wǎng)絡(luò)最大減薄率的預(yù)測值與期望值對比及預(yù)測值誤差率

最優(yōu)個體適應(yīng)度曲線如圖14所示?？梢钥闯?，迭代后得到的最優(yōu)適應(yīng)度即最大減薄率的最小值收斂于16.548%，此時對應(yīng)的最優(yōu)參數(shù)如下：壓邊力為1 251.06 kN、沖壓速度為6 209.20 mm/s、摩擦因數(shù)為0.06、拉延筋阻力占比為28.18%。

將基于GA–BP神經(jīng)網(wǎng)絡(luò)遺傳算法優(yōu)化的輸出參數(shù)帶入DYNAFORM軟件中進(jìn)行數(shù)值模擬，得到的厚度變化情況如圖15所示。由圖15可以看出，仿真結(jié)果的最小厚度為1.006 mm，計(jì)算得到減薄率為16.167%，與基于GA–PB神經(jīng)網(wǎng)絡(luò)遺傳算法的預(yù)測值大小僅相差0.318%，仿真誤差的誤差率為2.36%，這表明基于GA–PB神經(jīng)網(wǎng)絡(luò)遺傳算法的優(yōu)化方法準(zhǔn)確性非常高。整體內(nèi)飾件在拉延過程中都處于安全區(qū)內(nèi)，所得的結(jié)果符合生產(chǎn)實(shí)際要求。

圖15 優(yōu)化后的厚度變化

4 結(jié)論

1）針對內(nèi)飾板拉延時易導(dǎo)致破裂等情況，分析了內(nèi)飾板的結(jié)構(gòu)特點(diǎn)，對其進(jìn)行了工藝補(bǔ)充，并通過仿真實(shí)驗(yàn)驗(yàn)證了工藝補(bǔ)充的正確性。

2）通過DYNAFOEM軟件研究了壓邊力、沖壓速度、摩擦因數(shù)、拉延筋阻力占比4個參數(shù)對拉延成形減薄率的影響規(guī)律，并以此為基礎(chǔ)確定了拉丁超立方抽樣的區(qū)間。

3）建立了GA–BP神經(jīng)網(wǎng)絡(luò)模型，并通過遺傳算法求得最優(yōu)工藝參數(shù)及最優(yōu)解如下：壓邊力為1 251.06 kN、沖壓速度為6 209.20 mm/s、摩擦因數(shù)為0.06、拉延筋阻力占比為28.18%，此時拉延成形的最大減薄率為16.548%。將數(shù)據(jù)帶入仿真軟件DYNAFORM中得到的最大減薄率為16.167%，仿真誤差與預(yù)測誤差大小僅差0.318%，仿真誤差精度為2.36%，說明了GA–BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性。

4）GA–BP神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)如能在生產(chǎn)實(shí)際中獲得，將提高此模型在實(shí)際生產(chǎn)中的預(yù)測精度。

[1] 鄭輝, 車穎. 汽車發(fā)動機(jī)罩內(nèi)板沖壓成形分析[J]. 鍛壓裝備與制造技術(shù), 2011, 46(4): 68-70.

ZHENG Hui, CHE Ying. Analysis of Stamping Forming of Automobile Engine Hood Inner Plate[J]. Forging Equipment and Manufacturing Technology, 2011, 46(4): 68-70.

[2] 田永生, 鄧國朝, 李夢瑤, 等. 基于Autoform-Sigma的汽車A柱內(nèi)板沖壓工藝參數(shù)優(yōu)化[J]. 鍛壓技術(shù), 2021, 46(3): 101-104.

TIAN Yong-sheng, DENG Guo-chao, LI Meng-yao, et al. Optimization of Stamping Process Parameters of Automobile A-Pillar Inner Plate Based on Autoform-Sigma[J]. Forging Technology, 2021, 46(3): 101-104.

[3] 陳小芳, 扶名福, 袁志軍. DYNAFORM數(shù)值模擬技術(shù)在汽車覆蓋件成形中的應(yīng)用[J]. 熱加工工藝, 2009, 38(11): 89-92.

CHEN Xiao-fang, FU Ming-fu, YUAN Zhi-jun. Application of DYNAFORM Numerical Simulation Technology in Automobile Panel Forming[J]. Hot Working Technology, 2009, 38(11): 89-92.

[4] 孫慧, 賈娟娟. 基于Dynaform軟件和正交試驗(yàn)相結(jié)合的拉深工藝參數(shù)優(yōu)化[J]. 鍛壓技術(shù), 2016, 41(3): 148-152.

SUN Hui, JIA Juan-juan. Optimization of Drawing Process Parameters Based on the Combination of Dynaform Software and Orthogonal Experiment[J]. Forging & Stamping Technology, 2016, 41(3): 148-152.

[5] 徐小娟, 穆瑞. 基于正交試驗(yàn)的鋁合金板料自沖鉚接成形參數(shù)優(yōu)化[J]. 鍛壓技術(shù), 2019, 44(9): 51-55.

XU Xiao-juan, MU Rui. Optimization of Aluminum Alloy Sheet Self-Piercing Riveting Forming Parameters Based on Orthogonal Experiments[J]. Forging Technology, 2019, 44(9): 51-55.

[6] 臧其其, 閆華軍, 張雙杰. 基于Dynaform的鋁合金汽車地板梁成形分析及工藝參數(shù)優(yōu)化[J]. 塑性工程學(xué)報, 2019, 26(2): 125-131.

ZANG Qi-qi, YAN Hua-jun, ZHANG Shuang-jie. Dynaform-Based Forming Analysis and Process Parameter Optimization of Aluminum Alloy Automotive Floor Beams[J]. Journal of Plasticity Engineering, 2019, 26(2): 125-131.

[7] 王康康, 陳澤中, 江楠森, 等. 基于GA-BP的汽車行李箱蓋內(nèi)板沖壓成形工藝優(yōu)化[J]. 塑性工程學(xué)報, 2021, 28(9): 28-34.

WANG Kang-kang, CHEN Ze-zhong, JIANG Nan-sen, et al. Optimization of Stamping Forming Process for the Inner Panel of Automobile Trunk Lid Based on GA-BP[J]. Chinese Journal of Plasticity Engineering, 2021, 28(9): 28-34.

[8] 劉強(qiáng), 俞國燕, 梅端. 基于Dynaform與RBF-NSGA-Ⅱ算法的沖壓成形工藝參數(shù)多目標(biāo)優(yōu)化[J]. 塑性工程學(xué)報, 2020, 27(3): 16-25.

LIU Qiang, YU Guo-yan, MEI Duan. Multi-Objective Optimization of Stamping Process Parameters Based on Dynaform and RBF-NSGA-Ⅱ Algorithm[J]. Chinese Journal of Plasticity Engineering, 2020, 27(3): 16-25.

[9] ZHANG D H, BAI D P, LIU J B et al. Formability Behaviors of 2A12 Thin-Wall Part Based on DYNAFORM and Stamping Experiment[J]. Composites Part B, 2013, 55: 591-598.

[10] 崔學(xué)習(xí), 萬敏, 吳向東, 等. 基于電磁輔助成形的汽車覆蓋件成形工藝研究[J]. 精密成形工程, 2021, 13(5): 66-71.

CUI Xue-xi, WAN Min, WU Xiang-dong, et al. Research on the Forming Process of Automobile Panels Based on Electromagnetic Assisted Forming[J]. Journal of Netshape Forming Engineering, 2021, 13(5): 66-71.

[11] MA G Y, HUANG B B, PERERA R. Optimization of Process Parameters of Stamping Forming of the Automotive Lower Floor Board[J]. Journal of Applied MathematicsVolume, 2014: 1-9.

[12] 白金澤. LS-DYNA3D理論基礎(chǔ)與實(shí)例分析[M]. 北京: 科學(xué)出版社, 2005: 30-40.

BAI Jin-ze. LS-DYNA3D Theoretical Basis and Case Analysis[M]. Beijing: Science Press, 2005: 30-40.

[13] 管艷杰. 汽車覆蓋件沖壓成形工藝數(shù)值模擬及優(yōu)化[D]. 太原: 太原科技大學(xué), 2012: 20-25.

GUAN Yan-jie. Numerical Simulation and Optimization of Stamping Process for Automobile Panels[D]. Taiyuan: Taiyuan University of Science and Technology, 2012: 20-25.

[14] 王開陽. 基于CAE的汽車下橫梁成形工藝優(yōu)化[D]. 蕪湖: 安徽工程大學(xué), 2019: 25-27.

WANG Kai-yang. Forming Process Optimization of Automobile Lower Beam Based on CAE[D]. Wuhu: Anhui University of Technology, 2019: 25-27.

[15] 熊文韜. 基于GS理論與神經(jīng)網(wǎng)絡(luò)的汽車覆蓋件成形優(yōu)化[D]. 昆明: 昆明理工大學(xué), 2017: 52-54.

XIONG Wen-tao. Forming Optimization of Automobile Panels Based on GS Theory and Neural Network[D]. Kunming: Kunming University of Science and Technology, 2017: 52-54.

[16] 郭強(qiáng), 鄭燕萍, 朱偉慶, 等. 基于BP神經(jīng)網(wǎng)絡(luò)遺傳算法的高強(qiáng)鋼成形研究[J]. 材料科學(xué)與工藝, 2020, 28(2): 89-96.

GUO Qiang, ZHENG Yan-ping, ZHU Wei-qing, et al. Research on High Strength Steel Forming Based on BP Neural Network Genetic Algorithm[J]. Materials Science and Technology, 2020, 28(2): 89-96.

[17] 陳靖芯, 蔡蘭, 陸國民. 基于BP神經(jīng)網(wǎng)絡(luò)的車身鈑金件沖壓成形回彈預(yù)測[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2005(7): 135-139.

CHEN Jing-xin, CAI Lan, LU Guo-min. Prediction of Springback of Body Sheet Metal Stamping Based on BP Neural Network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2005(7): 135-139.

[18] 白雪, 胡建華, 樊浩森, 等. 汽車后圍板拉深成形過程中的回彈預(yù)測[J]. 鍛壓技術(shù), 2017, 42(9): 42-46.

BAI Xue, HU Jian-hua, FAN Hao-sen, et al. Springback Prediction during Deep Forming of Automobile Rear Wall Plate[J]. Forging Technology, 2017, 42(9): 42-46.

[19] 李奇涵, 王紅強(qiáng), 劉海靜, 等. 基于BP神經(jīng)網(wǎng)絡(luò)矩形盒件拉深成形變壓邊力的預(yù)測[J]. 鍛壓技術(shù), 2015, 40(11): 27-31.

LI Qi-han, WANG Hong-qiang, LIU Hai-jing, et al. Prediction of Variable Blank Holder Force in Deep Drawing of Rectangular Box Based on BP Neural Network[J]. Forging & Stamping Technology, 2015, 40(11): 27-31.

[20] 李丹. 基于改進(jìn)遺傳算法的柔性作業(yè)車間調(diào)度問題的研究[D]. 昆明: 昆明理工大學(xué), 2021: 21-22.

LI Dan. Research on Flexible Job Shop Scheduling Problem Based on Improved Genetic Algorithm[D]. Kunming: Kunming University of Science and Technology, 2021: 21-22.

[21] 郭強(qiáng), 鄭燕萍, 朱偉慶, 等. DP-780高強(qiáng)鋼車身側(cè)圍板成形質(zhì)量優(yōu)化[J]. 塑性工程學(xué)報, 2019, 26(1): 40-45.

GUO Qiang, ZHENG Yan-ping, ZHU Wei-qing, et al. Quality Optimization of Forming Side Panel of DP-780 High-Strength Steel Body[J]. Chinese Journal of Plastic Engineering, 2019, 26(1): 40-45.

[22] 孫元貴. 基于響應(yīng)面與遺傳算法的汽車底板成形優(yōu)化[D]. 昆明: 昆明理工大學(xué), 2018: 56-59.

SUN Yuan-gui. Optimization of Automotive Floor Forming Based on Response Surface and Genetic Algorithm[D]. Kunming: Kunming University of Science and Technology, 2018: 56-59.

[23] 邱小婷, 趙偉, 滕培秀, 等. 基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的方錐件漸進(jìn)成形扭曲位移優(yōu)化[J]. 模具工業(yè), 2017, 43(12): 1-5.

QIU Xiao-ting, ZHAO Wei, TENG Pei-xiu, et al. Progressive Forming of Square Cones Based on Neural Network and Genetic Algorithm for Distortion Displacement Optimization[J]. Mould Industry, 2017, 43(12): 1-5.

[24] MATLAB技術(shù)論壇. MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析[M]. 北京: 北京航空航天大學(xué)出版社, 2013: 34-41.

MATLAB Technology Forum. Analysis of 43 Cases of MATLAB Neural Network[M]. Beijing: Beijing University of Aeronautics and Astronautics Press, 2013: 34-41.

Virtual Manufacturing of Automotive Interior Trim Panels Based on GA-BP Neural Network

ZHANG De-hai,FU Liang,LI Yan-qin,LI Jun-heng,ZHU Zhi-feng,HUANG Zi-fan

(School of Mechanical and Electrical Engineering, Zhengzhou University of Light Industry, Zhengzhou 450002, China)

The work aims to conduct virtual manufacturing with automotive interior panel as the research object to obtain relatively accurate process parameters in advance and reduce the occurrence of forming defects. Firstly, the effects of process parameters on the quality of product drawing was studied, and the Latin hypercube sampling interval was determined; secondly, 60 sets of sample data were drawn in the sampling interval, and the maximum thinning rate was used as the target value, the first 50 sets of sample data were used as the test set and the last 10 sets of sample data were taken as expected set. Genetic algorithm based on GA-BP neural network was used to obtain the optimal process parameters, which were substituted into DYNAFORM for virtual manufacturing. After training, the maximum error between the test value and the expected value of the GA-BP model was 0.299 7%, and the maximum prediction error rate was 1.747 38%; the maximum thinning rate predicted by the genetic algorithm was 16.548%, and the thinning rate obtained by virtual manufacturing was 16.167%. The difference between the virtual manufacturing value and the predicted value was only 0.318%, and the error rate of the simulation error was 2.36%. The optimization method of virtual manufacturing combined with advanced algorithms can guide subsequent production.

DYNAFORM; GA-BP neural network; interior panel

10.3969/j.issn.1674-6457.2022.09.006

TG302；TG386.3

A

1674-6457(2022)09-0041-09

2021–11–13

江蘇省鹽城市“515”創(chuàng)新領(lǐng)軍人才項(xiàng)目（鹽委[2020]40號）；河南省科技攻關(guān)項(xiàng)目（202102210087）；鄭州市科技局產(chǎn)學(xué)研項(xiàng)目（鄭科函[2020]3號）

張德海（1973—），男，博士，教授，主要研究方向?yàn)橄冗M(jìn)材料成形過程控制、三維光學(xué)檢測及其交叉學(xué)科。

責(zé)任編輯：蔣紅晨