基于神经网络的薄板冲压成形中的反演问题研究

论文摘要

薄板冲压成形是一种非常重要的制造技术，在汽车、航空、电器和国防等工业都有广泛的应用，薄板冲压工艺与模具设计则是薄板冲压成形技术的关键。在工程实际中，薄板冲压工艺与模具大多凭经验设计，或借助CAE技术对设计方案进行验证。本研究则将薄板冲压工艺与模具设计视作一个反问题，即已知零件的形状尺寸和预期成形质量，反求工艺参数、模具参数和板料毛坯形状等，开展了薄板冲压成形反演问题的反演方法及应用研究。本文对常用的参数反演方法——神经网络方法进行了较为深入的研究，针对如何设计神经网络的结构，提高其泛化能力的问题，提出了三种基于泛化的多层前向神经网络的结构设计方法，并将其应用于拉延筋几何参数反求、冲压件的毛坯反求、变压边力反求等典型的薄板冲压成形反演问题中，通过反演计算快速得到可行的或者指导性的薄板冲压工艺与模具设计方案。 本研究的主要创新点包括以下几个方面： （1）综合运用泛化能力的多种改进方法，即交叉测试法和最优停止法、在测试样本中增加少量的高斯噪声，在网络性能函数中添加Gauss先验分布的正则化项等方法，来提高网络的泛化能力和鲁棒性。 （2）从神经网络结构的全局优化的角度，针对常用的隐层结点激活函数为S形函数的多层前向神经网络，开展了遗传算法在神经网络结构设计中的应用研究，提出了一种基于改进遗传算法IP-μGA（a modified micro genetic algorithm with the strategy ofIntergeneration Projection）的多层前向网络结构优化设计方法（Structure optimization of multilayer feedforward network using genetic algorithm，简称SOMFNGA），编制了相应的计算程序。在SOMFNGA方法中，运用改进的遗传算法IP-μGA搜索与给定样本相适应的多层前向网络结构，其间综合运用网络泛化能力的多种改进方法以及快速搜索机制确定学习速率、动量系数、跳跃因子和正则化系数的方法，对解空间中个体对应的网络结构进行训练。数值算例结果表明，运用SOMFNGA方法设计的神经网络不仅具有较好的训练精度，而且具有较强的泛化能力和鲁棒性。以某车型前地板角支撑板的拉延工序为例，运用SOMFNGA方法研究了给定冲压件成形效果衡量指标反求拉延筋几何参数的方法。该方法的实际应用效果表明，反求得到的设计方案对于实际应用具有重要的指导意义。与此同时提出了基于初始训练样本集的渐进式局部密化样本点的样本设计方法，研究结果表明该方法可加快神经网络设计进程，提高网络计算精度。 （3）从构造的角度，针对常用的隐层结点激活函数为S形函数的多层前向

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 概述
• 1.2 课题研究的主要内容
• 第2章 薄板冲压成形反演问题研究的基本原理和方法
• 2.1 引言
• 2.2 薄板冲压成形中的有限元仿真原理及关键技术
• 2.2.1 冲压过程仿真的基本步骤
• 2.2.2 板料变形的描述
• 2.2.3 材料弹塑性行为的描述
• 2.2.4 常用的屈服准则
• 2.2.5 材料的塑性流动规律
• 2.2.6 加载-卸载准则
• 2.2.7 Belytschko-Tsay壳单元理论
• 2.2.8 接触与摩擦算法
• 2.2.9 有限元方程及求解方法
• 2.3 反演问题及其方法概述
• 2.3.1 反演问题的一般描述
• 2.3.2 反演问题的类型
• 2.3.3 反演问题的求解难点
• 2.3.4 试验数据的模拟
• 2.3.5 反演问题求解方法概述
• 2.4 小结
• 第3章 基于神经网络的拉延筋几何参数反演研究
• 3.1 引言
• 3.2 基于IP-μGA的多层前向网络结构优化设计方法（SOMFNGA）
• 3.2.1 IP-μGA算法简介
• 3.2.2 神经网络泛化能力的改进方法
• 3.2.3 基于IP-μGA的多层前向网络结构优化设计
• 3.2.4 SOMFNGA在正弦函数逼近网络设计中的应用
• 3.3 等效拉延筋阻力的模拟计算方法
• 3.3.1 拉延筋的作用机理
• 3.3.2 板料经过拉延筋时基本假设及受力分析
• 3.3.3 屈服函数的选择
• 3.3.4 板料经过拉延筋时的切向应力应变关系
• 3.3.5 弯曲力和反弯曲力的计算
• 3.3.6 拉延筋阻力计算
• 3.3.7 试验验证
• 3.3.8 等效拉延筋阻力影响因素分析
• 3.4 拉延筋几何参数反演研究
• 3.4.1 求解策略
• 3.4.2 正问题求解
• 3.4.3 反演问题求解
• 3.5 小结
• 第4章 基于神经网络的薄板成形件毛坯反演研究
• 4.1 引言
• 4.2 基于泛化的多层前向网络动态结构设计方法（DYNSDMFN）
• 4.2.1 基本思想
• 4.2.2 关键技术
• 4.2.3 程序实现
• 4.2.4 DYNSDMFN方法在正弦函数逼近网络设计中的应用
• 4.3 板料毛坯反演神经网络设计中的关键技术
• 4.4 基于神经网络的低方形盒毛坯反演研究
• 4.4.1 低方形盒毛坯形状影响因素
• 4.4.2 毛坯形状的描述
• 4.4.3 运用DYNSDMFN方法设计神经网络模型
• 4.4.4 运用SOMFNGA方法设计低方形盒毛坯反演神经网络结构
• 4.5 基于神经网络的B柱零件毛坯反演方法
• 4.6 小结
• 第5章 基于神经网络的回弹预测及变压边力反演研究
• 5.1 引言
• 5.2 基于泛化的径向基函数神经网络动态结构设计（DYNSDRBF）
• 5.2.1 径向基函数神经网络简介
• 5.2.2 基于泛化的径向基函数神经网络的动态结构设计方法
• 5.2.3 DYNSDRBF在正弦函数逼近网络设计中的应用
• 5.3 基于神经网络的凸（凹）圆弧翻边回弹预测研究
• 5.3.1 凸（凹）弧翻边试验简介
• 5.3.2 翻边回弹预测神经网络模型设计
• 5.4 基于神经网络的变压边力反演研究
• 5.4.1 问题的提出
• 5.4.2 求解策略
• 5.4.3 正问题求解
• 5.4.4 反演问题求解
• 5.5 小结
• 结论
• 参考文献
• 致谢
• 附录 A 攻读学位期间所发表和已投稿的学术论文目录