基于神經(jīng)網(wǎng)絡(luò)的不銹鋼圓孔翻邊件成型缺陷預(yù)測

趙博寧

（柳州鐵道職業(yè)技術(shù)學(xué)院 裝備制造學(xué)院，廣西 柳州 545616）

翻邊類型的零件作為一種常見且應(yīng)用非常廣泛的沖壓件。位于凸緣區(qū)域發(fā)生起皺以及孔口部位可能出現(xiàn)裂開的問題是其加工成形過程中發(fā)生頻率較高的?，F(xiàn)階段，能夠預(yù)防起皺的方法通常為設(shè)置壓邊圈，其可以使壓邊力更加趨近于穩(wěn)定，因此不參與成形的區(qū)域能夠最大限度地避免起皺現(xiàn)象的發(fā)生。假如壓邊力數(shù)值比較小，零件的凸緣區(qū)域起皺現(xiàn)象就會比較顯著，如果壓邊力數(shù)值比較大，零件的凸緣區(qū)域則可能發(fā)生拉裂的問題，然而對圓孔翻邊件孔口區(qū)域加工成形的極限情況會產(chǎn)生什么樣的效果，現(xiàn)階段此方面成果不多。人工神經(jīng)網(wǎng)絡(luò)（英文全稱為Artificial Neural Networks，ANN），指的是由海量的數(shù)據(jù)處理單元（也就是神經(jīng)元：英文全稱為Neurons）相互聯(lián)接從而形成的一個網(wǎng)格系統(tǒng)，伴隨著學(xué)術(shù)界對于神經(jīng)網(wǎng)格系統(tǒng)可以實現(xiàn)的預(yù)測及控制功能的研究進(jìn)一步深化，相關(guān)技術(shù)正普遍投入于機械產(chǎn)品的加工成形領(lǐng)域。此類技術(shù)和人工智能技術(shù)相結(jié)合，對于金屬材料沖壓加工方面的前景非常廣闊，對于圓孔翻邊件壓邊力方面的預(yù)測工作具有更為現(xiàn)實的研究意義，使用相關(guān)技術(shù)指導(dǎo)生產(chǎn)過程將會帶來顯著的收益[1]。

1 神經(jīng)網(wǎng)絡(luò)技術(shù)概述

1.1 神經(jīng)網(wǎng)絡(luò)的概念

人工類型的神經(jīng)網(wǎng)絡(luò)，某些情況也可以簡稱是神經(jīng)網(wǎng)絡(luò)，另外還可以稱為連接模型，該技術(shù)屬于一類對于動物的神經(jīng)網(wǎng)絡(luò)的行為進(jìn)行模仿，隨后借助分布模式來實現(xiàn)信息數(shù)據(jù)的并行化處理的數(shù)學(xué)模型的算法。此種網(wǎng)絡(luò)借助復(fù)雜的系統(tǒng)，通過對于系統(tǒng)內(nèi)部的所有節(jié)點間連接關(guān)系的適當(dāng)調(diào)節(jié)操作，實現(xiàn)高效的信息處理的目標(biāo)。

1.1.1 生物神經(jīng)網(wǎng)絡(luò)的概念

生物神經(jīng)網(wǎng)絡(luò)的概念指的是參考人類大腦內(nèi)部的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，屬于是人工類型的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)原型結(jié)構(gòu)。人類的大腦是人類進(jìn)行思維活動的現(xiàn)實基礎(chǔ)結(jié)構(gòu)，通常來講，人類的思維活動的功能區(qū)域處在大腦的皮層部位，大腦皮層中含有大量的神經(jīng)元細(xì)胞，所有的神經(jīng)元細(xì)胞又是借助神經(jīng)突觸結(jié)構(gòu)和其他的神經(jīng)元細(xì)胞相互連接，從而構(gòu)成一個非常復(fù)雜的并且反應(yīng)靈敏的動態(tài)化網(wǎng)絡(luò)系統(tǒng)。作為一門高新技術(shù)領(lǐng)域的學(xué)科，生物神經(jīng)網(wǎng)絡(luò)技術(shù)的研究內(nèi)容主要是人類大腦內(nèi)部的神經(jīng)網(wǎng)絡(luò)系統(tǒng)的框架結(jié)構(gòu)、主要功能和該系統(tǒng)的主要工作機理，主要的目標(biāo)是為了探索人類大腦的思維活動以及智能行為的主要運行規(guī)律。

1.1.2 人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的概念

人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)屬于是生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)在相對精簡之后的一種技術(shù)性的再現(xiàn)，屬于一門新興的高新技術(shù)學(xué)科，其重要的目標(biāo)是依據(jù)生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)的有關(guān)原理與應(yīng)用經(jīng)驗來構(gòu)建一個切實可行的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的數(shù)學(xué)模型，并且輔助以對應(yīng)的學(xué)習(xí)計算方法，此算法能夠有效地模擬人類大腦的一系列智能化的運行過程，之后通過相關(guān)技術(shù)在實體上進(jìn)行表現(xiàn)，最終能夠完成對于實際問題的科學(xué)應(yīng)對。也就是說，生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)相關(guān)技術(shù)主要研究方向和目標(biāo)是智能化的運行機理。

1.2 神經(jīng)網(wǎng)絡(luò)的分類

人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)根據(jù)其數(shù)學(xué)模型的主體結(jié)構(gòu)能夠分成2個主要類別：前饋型網(wǎng)絡(luò)系統(tǒng)（也可以稱為多層類型的感知機網(wǎng)絡(luò)系統(tǒng)）、反饋型網(wǎng)絡(luò)系統(tǒng)（也可以稱為Hopfield類型的網(wǎng)絡(luò)系統(tǒng)。前饋型網(wǎng)絡(luò)在數(shù)學(xué)模式上來講可以視為一種大范圍的非線性類型的映射系統(tǒng)結(jié)構(gòu)，反饋型網(wǎng)絡(luò)則是一種大范圍的非線性類型動力學(xué)框架系統(tǒng)。根據(jù)系統(tǒng)不同的學(xué)習(xí)模式，人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)又能夠分成如下3類，監(jiān)督學(xué)習(xí)類型系統(tǒng)、非監(jiān)督學(xué)習(xí)型系統(tǒng)以及半監(jiān)督學(xué)習(xí)類型系統(tǒng)；人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)如果根據(jù)工作模式則能夠分成如下2類，確定性類型系統(tǒng)以及隨機性類型系統(tǒng)；人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)如果根據(jù)時間特性還能夠分成如下2類，即為連續(xù)型系統(tǒng)以及離散型系統(tǒng)。

1.3 神經(jīng)網(wǎng)絡(luò)的特點

通常來講，不管是哪種類型的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)，都會具有一定的共同特征，也就是體現(xiàn)在大范圍大規(guī)模的并行數(shù)據(jù)信息處理，分布類型的信息存儲，彈性的拓?fù)鋬?yōu)化操作，高強度冗余以及非線性類型的數(shù)學(xué)計算。為此人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)具備很快的計算速度，很強的聯(lián)想功能，較強的適應(yīng)能力，較強的容錯性以及自我組織的功能。上述特征和功能形成了人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)對于人類智能思維活動進(jìn)行模擬的技術(shù)前提，并且該技術(shù)已經(jīng)在很多行業(yè)取得了比較成功的實際應(yīng)用。

2 圓孔翻邊件簡介

翻邊件作為一種常見的應(yīng)用非常廣泛沖壓件。凸緣區(qū)域發(fā)生起皺以及孔口部位可能出現(xiàn)裂開的問題是其加工成形過程中，發(fā)生頻率較高的。本文通過運用數(shù)值模擬技術(shù)、人工智能BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)配合相關(guān)的試驗工作，對于圓孔翻邊類零件的加工成形過程中的壓邊力情況實施預(yù)測和分析。本文研究的圓孔翻邊件的具體參數(shù)如圖1所示。

圖1 圓孔翻邊件的具體尺寸

3 國內(nèi)外研究現(xiàn)狀分析

現(xiàn)階段國內(nèi)、外對于圓孔翻邊類零件翻邊加工成形過程的研究通常以如下3個方面為主：首先是金屬板料翻邊以后發(fā)生回彈量；其次是針對翻邊類零件的修邊，毛坯材料的形狀以及尺寸對于加工結(jié)果的研究；最后是對翻邊加工成形中可能出現(xiàn)的裂紋或者起皺問題的研究。這3個研究方向?qū)Υ祟惣庸こ尚芜^程有重要的現(xiàn)實價值，能夠顯著提升產(chǎn)品的質(zhì)量，并且對于生產(chǎn)成本的有效控制也會發(fā)揮重要的作用[2]。

4 預(yù)測圓孔翻邊類型零件成形品質(zhì)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)設(shè)計過程簡述

4.1 神經(jīng)網(wǎng)絡(luò)的輸入層以及輸出層內(nèi)部的節(jié)點數(shù)量設(shè)置

一般來講，BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的主體架構(gòu)結(jié)構(gòu)是采用有指導(dǎo)方向的訓(xùn)練體系，因此在應(yīng)用BP神經(jīng)網(wǎng)絡(luò)相關(guān)技術(shù)解決問題之前，研究人員需要設(shè)置相應(yīng)的樣本來進(jìn)行一定程度的訓(xùn)練。通常來說，零件在沖壓加工成形的過程中常見的變量主要有成形模具的幾何參數(shù)、加工工藝參量。在圓孔翻邊件翻邊成形加工的過程中對于成形質(zhì)量影響比較顯著的要素有壓邊力、模具的間隙、材料摩擦因數(shù)和沖壓操作的速度。因此主要以上述的四個主要參數(shù)（在本文的研究過程中設(shè)為A組、B組、C組以及D組）當(dāng)成初始階段的輸入變量，然后用零件沖壓過程的最小的厚度作為神經(jīng)網(wǎng)絡(luò)的輸出量，對于神經(jīng)網(wǎng)絡(luò)模型進(jìn)行設(shè)置。

使用模擬類型的試驗過程測試相應(yīng)的數(shù)據(jù)，應(yīng)用18組數(shù)據(jù)當(dāng)成神經(jīng)網(wǎng)絡(luò)系統(tǒng)訓(xùn)練過程的樣本數(shù)據(jù)，在相關(guān)的訓(xùn)練樣本以外進(jìn)行隨機抽選，選出8組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)系統(tǒng)測試用樣本，通常狀況下，神經(jīng)網(wǎng)絡(luò)系統(tǒng)的數(shù)學(xué)模型當(dāng)成轉(zhuǎn)換模式的函數(shù)，其值域范圍是[0，1]的閉區(qū)間。因為輸出的量分別屬于不同的量級，而且一般情況下各個量級間的差別非常明顯，因此在實施BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程之前，需要針對系統(tǒng)的輸入變量、輸出變量的參量取值進(jìn)行歸一操作。

4.2 BP網(wǎng)絡(luò)建模研究

本文擬采用3層BP神經(jīng)網(wǎng)絡(luò)，如圖2所示，確定輸入與輸出層神經(jīng)元的數(shù)量。BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)中的神經(jīng)元都需要應(yīng)用sigmoid類型的函數(shù)來進(jìn)行模擬計算，用來明確相關(guān)神經(jīng)網(wǎng)絡(luò)系統(tǒng)中的訓(xùn)練參數(shù)取值的數(shù)學(xué)期望誤差，其可能取得的最小值以及其訓(xùn)練操作的最大的循環(huán)次數(shù)數(shù)值；參數(shù)估計的平滑因子，訓(xùn)練過程中的動量因數(shù)。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型

4.3 隱含層的節(jié)點數(shù)量確定簡述

通常來講，3層的BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以執(zhí)行N維空間中的的參數(shù)映像操作。在使用神經(jīng)網(wǎng)絡(luò)系統(tǒng)相關(guān)技術(shù)的情況下，最為重要的環(huán)節(jié)是尋找最恰當(dāng)?shù)腂P神經(jīng)網(wǎng)絡(luò)系統(tǒng)的模型類別。不僅僅要確定初始輸入狀態(tài)神經(jīng)元的有關(guān)系統(tǒng)參數(shù)，而且還要確定BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)隱含層內(nèi)部的神經(jīng)元的相關(guān)參數(shù)信息。由于系統(tǒng)隱含層內(nèi)部的神經(jīng)元參數(shù)以及BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)關(guān)聯(lián)程度之間的高度相關(guān)，因此對于BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的實現(xiàn)與否造成比較直接的影響。神經(jīng)網(wǎng)絡(luò)系統(tǒng)隱含層的作用主要是由神經(jīng)網(wǎng)絡(luò)系統(tǒng)的輸入層選取出各項特征量，保證BP神經(jīng)網(wǎng)絡(luò)擁有可以識別非線性網(wǎng)絡(luò)模式的能力[3]。

BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的建立，成功的關(guān)鍵環(huán)節(jié)主要在于BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的層數(shù)和相關(guān)層的節(jié)點數(shù)值，本文使用傳統(tǒng)的經(jīng)驗公式評估得到隱含層內(nèi)部的神經(jīng)元單元的數(shù)量必須保持為8~10之間，因此選擇8個及10個神經(jīng)元單元的值。使用動態(tài)模式來確定與調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)系統(tǒng)中隱含層的節(jié)點數(shù)，進(jìn)行后續(xù)的神經(jīng)元網(wǎng)絡(luò)系統(tǒng)的訓(xùn)練操作。

4.4 基于BP神經(jīng)網(wǎng)絡(luò)的模型樣本訓(xùn)練

在前述的網(wǎng)絡(luò)系統(tǒng)設(shè)計過程中可知，因為在規(guī)劃設(shè)計人工神經(jīng)網(wǎng)絡(luò)里的權(quán)值以及閾值通常是在隨機狀態(tài)下生成，本文研究過程中設(shè)計出圓孔翻邊件翻邊成形過程數(shù)值模擬使用的BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型使用了3層的BP網(wǎng)絡(luò)系統(tǒng)的主體結(jié)構(gòu)，其中輸入層的參數(shù)設(shè)置為最小的壓邊力、最大的壓邊力以及相應(yīng)的時間系數(shù)，輸出層的參數(shù)設(shè)置為回彈量數(shù)值。此過程中的訓(xùn)練樣本如圖3所示。

圖3 基于BP神經(jīng)網(wǎng)絡(luò)的圓孔翻邊件翻邊成形預(yù)測建模流程圖

5 圓孔翻邊件成形質(zhì)量的實驗驗證

5.1 加工工藝的優(yōu)化簡述

應(yīng)用正交模擬模式的試驗進(jìn)行驗證工作，選擇了各類沖壓加工過程的相關(guān)參數(shù)對于實驗零件邊緣區(qū)域的最小厚度的影響參數(shù)，通過實驗過程，從各種相關(guān)指標(biāo)的不同均值量區(qū)間中確定相對符合的選項，這是因為各種不同類型的優(yōu)化工作的相應(yīng)指標(biāo)可以對實驗過程的各類優(yōu)化參數(shù)的選取帶來某種程度的影響[4]。

通過各類沖壓加工過程的工藝參數(shù)的關(guān)系，對圓孔翻邊類型零件的翻邊加工成形的品質(zhì)進(jìn)行相應(yīng)的研究以及分析，壓邊力參數(shù)的值相對比較小通常是圓孔類型的翻邊零件凸緣區(qū)域出現(xiàn)起皺情況的主要原因，加大壓邊力參數(shù)能夠顯著降低凸緣部分出現(xiàn)起皺問題的幾率。適當(dāng)更改壓邊力參數(shù)以及系統(tǒng)的摩擦系數(shù)，選取壓邊力參數(shù)以2 kN作為增、減的參量，選取摩擦系數(shù)以0.02作為增、減的參量，其余的參數(shù)取值保持不變，經(jīng)過神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行訓(xùn)練操作。

經(jīng)過BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)預(yù)測之后，圓孔翻邊件翻邊成形結(jié)果比較好的參量組合，借助數(shù)值模擬計算優(yōu)化該組的各項參量數(shù)值。結(jié)果顯示，零件成形的極限圖的凸緣區(qū)域的結(jié)果良好、無起皺的問題發(fā)生。零件底部無破裂問題出現(xiàn)。

5.2 圓孔翻邊件的拉伸實驗

存在階梯的筒形零件的拉伸過程屬于比較常規(guī)的零件拉伸過程，本文的實驗是通過常規(guī)的沖壓機設(shè)備來進(jìn)行實驗操作的。實驗中應(yīng)用的材料是一種金屬鋁板材料，其厚度為2 mm，其他的材料參數(shù)：屈服極限s=195 Mpa，拉伸系數(shù)n=0.16，邊緣倒角半徑r=1 mm。使用的模具原材料為Cr12。在壓邊圈的區(qū)域中使用的金屬原材料為Q45鋼。

5.3 實驗方案以及結(jié)果分析

實驗A拉伸結(jié)果表明圓孔類型的翻邊零件的邊緣區(qū)域出現(xiàn)起皺的程度與數(shù)值模擬的結(jié)果相互吻合。翻邊零件的凸緣區(qū)域的材料在厚度方向上受到相對比較大的拉應(yīng)力的作用，出現(xiàn)了應(yīng)力集中的情況，這樣的情況應(yīng)該是因為毛坯零件的外形尺寸比較大的原因，壓邊力相對較小，導(dǎo)致零件的凸緣區(qū)域受到切向方向的額外應(yīng)力，進(jìn)而發(fā)生了顯著的褶皺問題。此時毛坯件B的起皺程度要輕微許多。隨后經(jīng)過再Dynaform程序中實施的模擬計算之后，計算結(jié)果獲得的尺寸參數(shù)，其沖壓操作以后的效果強于依靠經(jīng)驗公式獲得的零件參數(shù)。該圓孔翻邊零件的上部的階梯區(qū)域未發(fā)生破裂的情況，沖壓成形操作的效果良好。因此優(yōu)化目標(biāo)比較良好。

6 結(jié)論

本文通過應(yīng)用有限元思想的數(shù)值模擬相關(guān)技術(shù)和BP人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)算法等人工智能技術(shù)有機結(jié)合，建立了圓孔翻邊零件翻邊成形的有限元分析參數(shù)化模型，并且建立進(jìn)行優(yōu)化各項參數(shù)和目標(biāo)函數(shù)間的BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型，實施加工工藝的設(shè)計。確定拉裂、起皺等缺陷的主要原因以及其對應(yīng)的制約因素。取得了BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程以及檢測過程的樣本。通過和遺傳算法相互結(jié)合，實現(xiàn)了各項工藝參數(shù)優(yōu)化設(shè)計的目標(biāo)，獲得了如下的結(jié)論。

（1）通過神經(jīng)網(wǎng)絡(luò)技術(shù)，得到了圓孔翻邊零件壓邊力、沖壓速度等參數(shù)與最大減薄量之間的關(guān)系，借助實驗的驗證過程，證明了此模型的適用性。其可以確定圓孔類型的翻邊零件的成形品質(zhì)，并且和常規(guī)的模擬計算所消耗的時間。預(yù)測圓孔翻邊零件翻邊成形的質(zhì)量，得到了一組結(jié)論相對理想的數(shù)據(jù)。通過相應(yīng)的數(shù)值模擬計算過程進(jìn)行了相關(guān)的驗證，該組參數(shù)進(jìn)行數(shù)值模擬的計算結(jié)果相對理想，符合成形過程的實際需要。

（2）選取適合的工藝過程參量，對于沖壓成形件加工過程起皺以及破裂等缺陷得到了有效的控制。把數(shù)值模擬仿真技術(shù)和人工智能技術(shù)相結(jié)合，可以為圓孔翻邊零件成形工藝參數(shù)的進(jìn)一步優(yōu)化工作提供一項合理的方案。實驗結(jié)果表明圓孔翻邊零件成形質(zhì)量優(yōu)秀，進(jìn)一步驗證了相應(yīng)參數(shù)優(yōu)化數(shù)據(jù)的合理性。