摘    要：選取了某企業生產的汽車消聲器連結法蘭盤零件為參數優化對象。利用Dynaform軟件對零件沖壓過程進行有限元數值模擬并記錄27組實驗數據。建立BP神經網絡模型并完成神經網絡模型的訓練及測試，最后結合遺傳算法優化工藝參數，得到最優值的試驗條件為：壓邊力68kN,凸模圓角半徑12mm,摩擦系數0.12,凸凹模間隙2.5mm。經過沖壓試驗，觀察該零件，成形質量完好，孔口處未見明顯的開裂。將神經網絡和遺傳算法相結合優化法蘭盤沖壓成形工藝參數的方法尋優范圍更大，獲取的最優值也更加準確。

關鍵詞：神經網絡;遺傳算法;參數優化;法蘭盤;沖壓成形;

神經網絡和遺傳算法相結合可以解決很多參數優化類的問題，在機械行業的應用也越來越廣泛。利用有限元軟件Dynaform對汽車消聲器連結法蘭盤的圓孔翻邊過程進行模擬分析，影響其成形質量的因素主要有凸模圓角半徑、壓邊力、摩擦系數和凸凹模間隙[1]。從理論上建立起成形質量影響因素與試驗結果的對應關系是非常復雜的，準確描述兩者之間關系的數學模型是很難建立的。在這種情況下，利用人工神經網絡可以逼近非線性函數的特點，首先進行法蘭盤沖壓成形工藝參數對成形結果的預測，再結合遺傳算法尋找最優的沖壓成形工藝參數。

工藝參數的優化常采用的方法是對正交實驗獲得數據進行分析，選擇結果最好的實驗數據作為最優的工藝參數。但是這種方法需要做大量的實驗，還要確保加工條件不能改變。目前關于沖壓工藝參數優化的研究主要有：李雷等[2]利用人工神經網絡，對封頭成形工藝參數進行優化，得到質量優異的封頭構件。王泌寶[3]依據Autoform有限元軟件得到實驗值，基于BP神經網絡擬合工藝參數與質量參數之間的關系，并依據預測均方根誤差驗證了擬合的精確性。雷艷惠等[4]構建了鋁合金機械圓盤沖鍛工藝神經網絡優化模型，經過訓練、預測驗證獲得了鋁合金機械圓盤沖鍛工藝的最佳參數。利用神經網絡和遺傳算法對法蘭盤沖壓件工藝參數的優化未見報道。因此，先利用Dynaform軟件對法蘭盤零件的沖壓成型過程進行數值模擬并記錄相關數據進行研究分析，然后提出一種基于神經網絡與遺傳算法的沖壓成形工藝參數優化方法，最后通過實際的沖壓試驗驗證該尋優方法的可行性。

1 有限元數值模擬

圖1為某企業生產的汽車消聲器連結法蘭盤零件圖，該產品由SPHE熱軋軟鋼板加工制造，板厚為3mm。其中，內孔的尺寸是Φ44.7mm, 采用圓孔翻邊沖壓的工藝進行加工。板料的內孔預制尺寸依據文獻[5]的計算公式進行計算，得到預制內孔徑為Φ22.187mm。沖壓模具的凸模直徑大小為Φ44.2mm, 凹模直徑的尺寸依據凸凹模間隙的大小來定，根據圖1所示的尺寸建立有限元模型，見圖2。

圖1 消聲器連結法蘭盤 

圖2 法蘭盤沖壓有限元模型 

使用UG軟件繪制出圖2所示的有限元模型，格式保存為Igs, 將模型數據導入到Dynaform軟件中，對其進行網格劃分。最小單元尺寸取1.0,最大自適應等級取4,時間步長-3.2e-007。手動調整PUNCH、DIE、BINDER三者之間的位置關系。Closing工序中，binder的速度取200mm·s-1,持續時間類型為工具閉合。drawing工序中，punch的速度也取200mm·s-1,持續時間類型為位移控制。

法蘭盤沖壓成形的質量問題主要在于工件翻邊后孔口邊緣的拉裂，孔口處的最小壁厚大小直接影響孔口邊緣是否拉裂。利用Dynaform軟件分別分析壓邊力、凸模圓角半徑、凸凹模間隙、摩擦系數4個工藝參數對成形質量的影響并為下一步人工神經網絡結合遺傳算法尋找最優參數提供合理的范圍。

2 基于BP神經網絡遺傳算法的極值尋優

2.1 BP神經網絡模型的建立

(1)數據預處理

神經網絡的輸入輸出數據往往單位不同，數據大小差異很大，網絡預測的誤差也很大，有必要對試驗數據做一下預處理。通常對試驗數據進行歸一化處理，即把輸入和輸出的數據統一處理成[0,1]區間的數。選擇歸一化函數預處理輸入和輸出的數據，函數表達式如下：

式中，xmin為試驗數據中的最小值；xmax為試驗數據中的最大值。

(2)神經網絡初始化

BP神經網絡采用4個輸入參數，1個輸出參數的模型結構，4個輸入參數分別為凸模圓角半徑、壓邊力、摩擦系數、凸凹模間隙，輸出參數為孔口處最小壁厚。隱含層節點數的數量對BP神經網絡預測精度的好壞有直接影響，最佳的隱含層節點數計算可以參考如下公式[6]:

中，n為輸入層節點數；l為隱含層節點數；m為輸出層節點數；a為0～10之間的常數。

以logsig函數作為隱含層的激活函數，purelin函數作為輸出層的激活函數，訓練函數選擇train函數，選取均方誤差(MSE)作為誤差控制函數。訓練代碼和網絡參數設置如下：

net=newff(inputn, outputn, 10);

net.trainParam.epochs =100;

net.trainParam.goal = 0.0001;

net.trainParam.lr = 0.1;

nettr=train(net, inputn, outputn);

an= sim( net, inputn_test) ;

2.2 神經網絡模型的訓練及測試

采用 LM(Levenberg-Marquardt)算法訓練網絡，其收斂速度快，且均方誤差也較小[7]。BP網絡的預測輸出與期望輸出比較，見圖3(a),BP網絡預測誤差，見圖3(b)。 由圖3可知，獲得的BP網絡模型的準確性較高，BP網絡預測誤差值在-0.006～0.008mm之間。可知經過訓練得到的BP神經網絡具有良好的預測性。

圖3 BP 網絡的預測 

3 結合遺傳算法的工藝參數優化

使用遺傳算法優化BP神經網絡的權值和閾值[8],種群中的每個個體都包含了一個網絡所有權值和閾值，個體通過適應度函數計算個體適應度值，遺傳算法通過選擇、交叉和變異操作找到最優適應度值對應個體[9]。本次遺傳算法尋優屬于無目標函數條件下的尋優計算，不需要利用BP神經網絡擬合得到目標函數的表達式。對于無目標函數的GA尋優采用的方案是利用BP神經網絡反歸一化后的預測作為適應度函數來找到最優值以及實現最優值的試驗條件(參數)。遺傳算法尋優的是極小值，而本次試驗獲得的數據都是正值，要想得到孔口處最小壁厚的最大值，需要輸入數據時在數據前面加上“-”號，使問題轉化為尋找極小值。遺傳算法參數及對應的代碼為：

maxgen=100;

sizepop=8;

pcross=[0.3];

pmutation=[0.2];

如圖4所示為100次迭代之后的適應度變化曲線。從圖4可知，迭代到80次時，平均適應度和最佳適應度互相吻合，遺傳算法呈現的效果，數值為-2.0907,此時MATLAB軟件輸出最優解，見表2。

圖4 適應度變化曲線 

表2 最優的沖壓工藝參數

壓邊力/kN	凸模圓角半徑/mm	摩擦系數	凸凹模間隙/mm
68	12	0.12	2.5

4 實驗結果驗證

BP+GA優化前后仿真成形圖如圖5、6所示，對比結果見表3。經過BP+GA優化后，零件的厚度最大是3.005mm, 孔口處的最小壁厚是2.086mm。而且成形質量更好，可以看出成形后的零件孔口處都處在安全范圍之內沒有開裂，只有一點點有起皺的趨勢，可以忽略不計。

圖6 BP+GA優化后模擬仿真結果 

表3 BP+GA優化前后結果對比

	孔口處最小壁厚 /mm	成形質量
BP+GA優化后	2.086	完好
BP+GA優化前	2.042	凸緣部分有起皺

將優化后得到的沖壓工藝參數應用在該企業，編制加工工藝，設計一套模具，如圖7(a)所示。試制連結法蘭盤零件，最終沖壓成形件如圖7(b)所示。通過觀察該零件，成形質量完好，孔口處未見明顯的開裂，經測量孔口處最小壁厚為2.076mm。優化值與加工驗證值的誤差為0.70%。該試制結果驗證了基于神經網絡和遺傳算法對沖壓成形工藝參數優化計算的可行性。

圖7 沖壓試制 

5 結語

使用Dynaform軟件，對汽車消聲器連結法蘭盤零件模擬沖壓，獲取27組試驗數據。將BP神經網絡反歸一化后的預測值作為適應度函數來找到最優值以及實現最優值的試驗條件為： 壓邊力68kN ,凸模圓角半徑12mm, 摩擦系數0.12,凸凹模間隙2.5mm。 經過現場實際沖壓試驗，觀察該零件，成形質量完好，孔口處未見明顯的開裂，說明將神經網絡和遺傳算法相結合優化法蘭盤沖壓成形工藝參數的方法是可行的。與傳統的試錯法和正交試驗優化參數相比，該算法尋優范圍更大，獲取的最優值也更加準確，提高了企業的生產效率和降低成本。

參考文獻

[1] 趙博寧，岑升波，何娟霞.基于正交試驗的連結法蘭盤圓孔翻邊成形參數對成形質量的影響規律[J].鍛壓技術，2020,45(11):36-44.

[2] 李雷，趙柏森.基于人工神經網絡和遺傳算法的封頭成形工藝參數多目標優化[J].鍛壓技術，2021,46(05):39-45.

[3] 王泌寶.汽車B柱加強板熱沖壓工藝的遺傳算法多目標優化[J].鍛壓技術，2021,46(05):46-52.

[4] 雷艷惠，趙芳霞.基于神經網絡的鋁合金機械圓盤沖鍛工藝優化[J].熱加工工藝，2021,50(05):102-105.

[5] 劉建超，張寶忠.沖壓模具設計與制造[M].北京：高等教育出版社，2010.

[6] 李地紅，高群，夏嫻，張景衛等.基于BP神經網絡的混凝土綜合性能預測[J].材料導報，2019,33(S2):317-320.

[7] 湯耿，岳冬，徐衛平.基于BP神經網絡與遺傳算法的罩蓋壓鑄工藝參數優化[J].熱加工工藝，2016,45(19):114-117.

[8] 王星博，李本威，王永華，等.連分式擴充的粒子群神經網絡壓氣機特性重構方法[J].航空動力學報，2012,27(07):1464-1471.

[9] 張欣潮.基于智能算法的數量化金融預測系統研究[D].北京：中國人民大學，2011.

文章來源內燃機與配件. 2023(19)