基于神经网络的板料拉深CAD/CAE集成系统中优化模块的研究

论文摘要

冲压制件的拉深成形是一个复杂的动态过程，在实际生产中制件经常发生拉裂、起皱等各种质量缺陷，甚至造成废品，严重影响正常生产。目前对制件缺陷进行分析优化，主要依靠工程技术人员的知识与经验进行处理，因此往往难以获得令人满意的优化结果。为了解决这一问题，可以在CAD之后的CAE阶段采用数值模拟技术对成形过程进行模拟分析，从而在产品开发的早期通过CAE分析及时避免后续过程可能出现的问题，这种方法就是CAD／CAE集成。虽然板料成形过程数值模拟技术的发展和应用取得了积极的效果，但是在实际应用过程中还存在诸多问题，例如：数值模拟技术软件对实际物理模型描述的失真；实际生产条件与模拟过程的差异所导致的误差；数值模拟结果数据与后续优化模块之间的智能化传输等等。基于以上原因，本课题提出将神经网络技术引入并开发出相应的工艺优化系统。结果证明：该系统能够很好的解决以上问题，获得较高的优化精度。在本课题中，考虑到各种覆盖件拉深成形的生产条件和实验条件都要求较高，在现有的设备和环境下无法获取相关实验数据。因此选用了在拉深成形中最常见也是最典型的圆筒形零件作为实验基础，针对压边力这一拉深成形的主要影响因素，通过大量的拉深网格物理实验获取相关的物理数据。在此物理模型的基础上，采用有限元数值模拟软件DYNAFORM对圆筒形件进行了拉深成形过程的数值模拟研究，并将数值模拟结果与物理实验结果进行对比，验证数值模拟结果的正确性；在成形过程数值模拟所获得数据的基础上，将神经网络技术及设计方法引入，构建拉深成形压边力优化模型；以Matlab数学软件为二次开发平台，结合拉深成形专业知识，采用面向用户的设计方法进行优化系统的详细设计，开发了基于BP神经网络的压边力优化系统；同时验证了该系统不仅能对圆筒形件拉深成形过程进行压边力的优化，同样适用于覆盖件的压边力优化，使系统具有专业化、实用化的特点。本课题的研究表明：基于BP神经网络的压边力优化系统具有较高的优化精度并同时适用于圆筒形件以外的其它拉深零件的压边力优化；数值模拟软件DYNAFORM能够较好的模拟拉深成形过程及其缺陷，从而为工艺优化系统提供准确的训练参数；将现代人工智能设计方法引入到冲压成形工艺优化领域中，充分利用数值模拟的结果，能够很好地解决板料冲压成形过程中的工艺参数优化问题，对于实现板料冲压CAD、CAE数据信息资源共享以及CAD／CAE的集成，甚至于板料冲压并行工程的实现起到了关键的作用。因此，本课题中对于板料冲压CAD／CAE集成系统的研究具有很大的实际应用价值，并能够取得显著的经济效益和社会效益。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 板料成形CAD/CAE集成系统的结构
• 1.2.1 系统的总体框架
• 1.2.2 板料冲压的数值模拟
• 1.2.3 基于神经网络的优化模块
• 1.2.3.1 优化模块的整体构思
• 1.2.3.2 神经网络优化模块模型的建立
• 1.2.3.3 针对拉深成形的压边力优化控制系统
• 1.2.4 CAD与CAE的集成
• 1.3 课题研究的目的、意义及主要工作
• 1.3.1 研究目的、意义
• 1.3.2 研究内容
• 第二章 典型圆筒形件拉深的数值模拟实验
• 2.1 实验构思和准备
• 2.2 模具和毛坯的建模和导入
• 2.3 网格处理
• 2.3.1 毛坯网格划分
• 2.3.2 模具的网格划分
• 2.4 材料参数
• 2.5 拉深过程数值模拟
• 2.6 各组压边力模拟及结果分析
• 2.6.1 压边力对拉深成形的影响
• 2.6.1.1 压边力对起皱的影响
• 2.6.1.2 压边力对厚度的影响
• 2.6.1.3 压边力的理论值
• 2.6.2 不同压边力的模拟实验
• 2.6.2.1 几种典型缺陷情况模拟
• 2.6.2.2 数值模拟结果与物理实验结果的对比
• 2.6.3 结果数据统计分析
• 2.7 本章小结
• 第三章 BP神经网络压边力优化系统的开发
• 3.1 BP神经网络基本原理
• 3.1.1 引言
• 3.1.2 BP网络模型介绍
• 3.1.3 BP网络算法
• 3.2 软件系统的总体设计
• 3.2.1 软件工程概述
• 3.2.2 系统的整体结构设计
• 3.3 系统详细设计及MATLAB神经网络工具箱的应用
• 3.3.1 MATLAB神经网络工具箱（NNT）
• 3.3.2 网络的详细设计
• 3.3.2.1 样本输入方式设计
• 3.3.2.2 数据归一化设计
• 3.3.2.3 网络及训练参数设计
• 3.3.2.4 训练过程设计
• 3.3.2.5 仿真设计
• 3.4 人机界面设计及MATLAB开发工具的应用
• 3.4.1 MATLAB开发工具
• 3.4.1.1 编程语言
• 3.4.1.2 图形用户界面（GUI）
• 3.4.2 主界面设计
• 3.4.2.1 参数输入界面设计
• 3.4.2.2 系统的退出
• 3.4.2.3 菜单设计
• 3.4.3 系统实现
• 3.5 本章小结
• 第四章 压边力优化设计在系统中的应用
• 4.1 圆筒形件拉深压边力优化方案
• 4.1.1 BP网络训练设计过程
• 4.1.1.1 训练样本组织
• 4.1.1.2 网络的层数
• 4.1.1.3 隐含层的神经元数
• 4.1.1.4 初始权值的选择
• 4.1.1.5 学习速率
• 4.1.1.6 期望误差的选取
• 4.1.1.7 几种改进算法
• 4.1.2 结果分析
• 4.2 压边力优化系统应用于复杂拉深件
• 4.2.1 网络训练过程
• 4.2.2 训练结果分析
• 4.3 本章小结
• 第五章 结束语
• 5.1 本文主要的工作和结果
• 5.2 后续工作展望
• 参考文献
• 硕士在读期间科研成果
• 致谢