基于神經(jīng)網(wǎng)絡(luò)的薄板沖壓成形中的反演問(wèn)題研究.pdf

1、薄板沖壓成形是一種非常重要的制造技術(shù)，在汽車(chē)、航空、電器和國(guó)防等工業(yè)都有廣泛的應(yīng)用，薄板沖壓工藝與模具設(shè)計(jì)則是薄板沖壓成形技術(shù)的關(guān)鍵。在工程實(shí)際中，薄板沖壓工藝與模具大多憑經(jīng)驗(yàn)設(shè)計(jì)，或借助CAE技術(shù)對(duì)設(shè)計(jì)方案進(jìn)行驗(yàn)證。本研究則將薄板沖壓工藝與模具設(shè)計(jì)視作一個(gè)反問(wèn)題，即己知零件的形狀尺寸和預(yù)期成形質(zhì)量，反求工藝參數(shù)、模具參數(shù)和板料毛坯形狀等，開(kāi)展了薄板沖壓成形反演問(wèn)題的反演方法及應(yīng)用研究。本文對(duì)常用的參數(shù)反演方法——神經(jīng)網(wǎng)絡(luò)方法進(jìn)行了較為

2、深入的研究，針對(duì)如何設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，提高其泛化能力的問(wèn)題，提出了三種基于泛化的多層前向神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)方法，并將其應(yīng)用于拉延筋幾何參數(shù)反求、沖壓件的毛坯反求、變壓邊力反求等典型的薄板沖壓成形反演問(wèn)題中，通過(guò)反演計(jì)算快速得到可行的或者指導(dǎo)性的薄板沖壓工藝與模具設(shè)計(jì)方案。 本研究的主要?jiǎng)?chuàng)新點(diǎn)包括以下幾個(gè)方面：(1)綜合運(yùn)用泛化能力的多種改進(jìn)方法，即交叉測(cè)試法和最優(yōu)停止法、在測(cè)試樣本中增加少量的高斯噪聲，在網(wǎng)絡(luò)性能函數(shù)中添加Ga

3、uss先驗(yàn)分布的正則化項(xiàng)等方法，來(lái)提高網(wǎng)絡(luò)的泛化能力和魯棒性。 (2)從神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的全局優(yōu)化的角度，針對(duì)常用的隱層結(jié)點(diǎn)激活函數(shù)為S形函數(shù)的多層前向神經(jīng)網(wǎng)絡(luò)，開(kāi)展了遺傳算法在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)中的應(yīng)用研究，提出了一種基于改進(jìn)遺傳算法IP-μGA(amodifiedmicrogeneticalgorithmwiththestrategyofIntergenerationProiection)的多層前向網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法(Struc

4、tureoptimizationofmultilayerfeedforwardnetworkusinggeneticalgorithm，簡(jiǎn)稱(chēng)SOMFNGA)，編制了相應(yīng)的計(jì)算程序。在SOMFNGA方法中，運(yùn)用改進(jìn)的遺傳算法IP-μGA搜索與給定樣本相適應(yīng)的多層前向網(wǎng)絡(luò)結(jié)構(gòu)，其間綜合運(yùn)用網(wǎng)絡(luò)泛化能力的多種改進(jìn)方法以及快速搜索機(jī)制確定學(xué)習(xí)速率、動(dòng)量系數(shù)、跳躍因子和正則化系數(shù)的方法，對(duì)解空間中個(gè)體對(duì)應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練。數(shù)值算例結(jié)果表明，運(yùn)用

5、SOMFNGA方法設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)不僅具有較好的訓(xùn)練精度，而且具有較強(qiáng)的泛化能力和魯棒性。以某車(chē)型前地板角支撐板的拉延工序?yàn)槔?，運(yùn)用SOMFNGA方法研究了給定沖壓件成形效果衡量指標(biāo)反求拉延筋幾何參數(shù)的方法。該方法的實(shí)際應(yīng)用效果表明，反求得到的設(shè)計(jì)方案對(duì)于實(shí)際應(yīng)用具有重要的指導(dǎo)意義。與此同時(shí)提出了基于初始訓(xùn)練樣本集的漸進(jìn)式局部密化樣本點(diǎn)的樣本設(shè)計(jì)方法，研究結(jié)果表明該方法可加快神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)進(jìn)程，提高網(wǎng)絡(luò)計(jì)算精度。 (3)從構(gòu)造的角度

6、，針對(duì)常用的隱層結(jié)點(diǎn)激活函數(shù)為S形函數(shù)的多層前向神經(jīng)網(wǎng)絡(luò)，開(kāi)展了神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)結(jié)構(gòu)設(shè)計(jì)研究，提出了一種基于泛化的多層前向網(wǎng)絡(luò)動(dòng)態(tài)結(jié)構(gòu)設(shè)計(jì)方法(Dynamicstructuredesignofmultilayerfeedforwardnetwork，簡(jiǎn)稱(chēng)DYNSDMFN)，編制了相應(yīng)的計(jì)算程序。在DYNSDMFN中，基于OckhamsRazor原則，從一個(gè)較小的基本網(wǎng)絡(luò)開(kāi)始，通過(guò)動(dòng)態(tài)增加隱結(jié)點(diǎn)或隱層，綜合運(yùn)用網(wǎng)絡(luò)泛化能力的多種改進(jìn)方法，改

7、進(jìn)的BP算法(帶跳躍因子的附加動(dòng)量法)以及快速搜索機(jī)制和全局搜索機(jī)制相結(jié)合確定學(xué)習(xí)速率、動(dòng)量系數(shù)、跳躍因子和正則化系數(shù)的方法，采用網(wǎng)絡(luò)權(quán)值的局部和全局調(diào)節(jié)方案，對(duì)多層前向網(wǎng)絡(luò)進(jìn)行動(dòng)態(tài)結(jié)構(gòu)設(shè)計(jì)。數(shù)值算例結(jié)果表明，運(yùn)用DYNSDMFN方法設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)不僅具有較好的訓(xùn)練精度，而且具有較強(qiáng)的泛化能力和魯棒性。分別以帶法蘭的低方形盒和某車(chē)型B柱零件為例，開(kāi)展了綜合運(yùn)用有限元網(wǎng)格映射法、一步模擬法和神經(jīng)網(wǎng)絡(luò)方法的板料毛坯反演研究。討論了薄板沖壓成

8、形毛坯反求神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)方法和途徑，研究了毛坯反求神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中的一些關(guān)鍵的技術(shù)問(wèn)題，如：毛坯形狀的描述、訓(xùn)練樣本的合理設(shè)計(jì)、神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)設(shè)計(jì)等。分別運(yùn)用DYNSDMFN和SOMFNGA方法進(jìn)行低方形盒毛坯反求神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)研究結(jié)果表明，兩種方法設(shè)計(jì)的網(wǎng)絡(luò)計(jì)算精度均能滿足工程計(jì)算的要求，不失為較好的多層前向網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)方法；其中運(yùn)用DYNSDMFN方法設(shè)計(jì)的低方形盒毛坯反求神經(jīng)網(wǎng)絡(luò)計(jì)算精度比SOMFNGA方法更好一些。 (

9、4)針對(duì)常用的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，開(kāi)展了動(dòng)態(tài)結(jié)構(gòu)設(shè)計(jì)問(wèn)題研究，提出一種基于泛化的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)結(jié)構(gòu)設(shè)計(jì)方法(Dynamicstructuredesignofradialbasisfunctionnetwork，簡(jiǎn)稱(chēng)DYNSDRBF)，編制了相應(yīng)的計(jì)算程序。該方法將RBF網(wǎng)絡(luò)學(xué)習(xí)問(wèn)題分為兩個(gè)階段，即粗調(diào)階段和精調(diào)階段。在粗調(diào)階段，只按正交最小平方法動(dòng)態(tài)增加隱結(jié)點(diǎn)的數(shù)目及選取相應(yīng)的樣本輸入作為數(shù)據(jù)中心，直至隱結(jié)點(diǎn)數(shù)滿足一定要求；在

10、精調(diào)階段，用改進(jìn)BP算法對(duì)粗調(diào)得到的RBF網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，其中包括數(shù)據(jù)中心、擴(kuò)展常數(shù)和連接權(quán)值的動(dòng)態(tài)調(diào)整等。調(diào)整過(guò)程中，綜合運(yùn)用神經(jīng)網(wǎng)絡(luò)泛化能力的多種改進(jìn)方法來(lái)提高網(wǎng)絡(luò)的泛化能力和魯棒性。在以上兩個(gè)階段中所涉及的擴(kuò)展常數(shù)的初值、給定的最多隱結(jié)點(diǎn)數(shù)和正則化系數(shù)則運(yùn)用IP-μGA算法來(lái)確定。數(shù)值算例結(jié)果表明，運(yùn)用DYNSDRBF方法設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)不僅具有較好的訓(xùn)練精度，而且具有較強(qiáng)的泛化能力和魯棒性。以翻邊回彈預(yù)測(cè)和某車(chē)型B柱零件拉延工序中的

11、變壓邊力反演為例，分別運(yùn)用DYNSDRBF、DYNSDMFN和SOMFNGA方法開(kāi)展了回彈預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和變壓邊力反演研究。研究發(fā)現(xiàn)，三種方法設(shè)計(jì)的網(wǎng)絡(luò)計(jì)算精度均能滿足工程計(jì)算要求，不失為較好的多層前向網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)方法。三種方法在上述兩個(gè)具體問(wèn)題中的應(yīng)用結(jié)果表明：在翻邊回彈預(yù)測(cè)問(wèn)題中，運(yùn)用SOMFNGA方法設(shè)計(jì)的網(wǎng)絡(luò)計(jì)算精度更好一些；而在變壓邊力反演問(wèn)題中，運(yùn)用DYNSDRBF方法設(shè)計(jì)的網(wǎng)絡(luò)計(jì)算精度更好一些。在實(shí)際應(yīng)用中，可從三種方法

12、中選擇較為合適者來(lái)進(jìn)行神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)。此外，變壓邊力反演研究結(jié)果表明，只要沖壓回彈仿真計(jì)算準(zhǔn)確，利用上述求解方法可有效地提高沖壓件的成形質(zhì)量，節(jié)省大量反復(fù)試模修模過(guò)程所耗費(fèi)的人力和物力。 (5)在采用等效拉延筋的拉延筋幾何參數(shù)反演中，等效拉延筋阻力計(jì)算是反演研究所必須解決的正問(wèn)題的一個(gè)組成部分。本文提出了一種綜合考慮多種因素影響的等效拉延筋阻力的模擬計(jì)算方法，編制了相應(yīng)的計(jì)算程序。在該方法中，采用平面應(yīng)變假設(shè)，針對(duì)不同的材料

13、類(lèi)型，選用不同的屈服準(zhǔn)則；考慮了Bauschinger效應(yīng)、應(yīng)變速率敏感性、板料變形過(guò)程中板厚的變化以及中性層偏移等多種因素對(duì)拉延筋阻力的影響。并與經(jīng)典的Nine試驗(yàn)數(shù)據(jù)進(jìn)行比較，驗(yàn)證了該方法的有效性。 綜上所述，本研究在常用的參數(shù)反演方法——神經(jīng)網(wǎng)絡(luò)的泛化能力的改善和結(jié)構(gòu)設(shè)計(jì)方面取得了一些成果，提出了三種基于泛化的多層前向神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)方法以及漸進(jìn)式局部密化樣本點(diǎn)的神經(jīng)網(wǎng)絡(luò)樣本設(shè)計(jì)方法，為多層前向神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)探索了一