張華偉， 鄭曉濤

(東北大學秦皇島分校 控制工程學院， 河北 秦皇島 066004)

盒形件作為一種常見的沖壓件應用非常廣泛.將激光拼焊板應用到盒形件后，由于焊縫及熱影響區(qū)的存在，不同厚度、不同部位的非均勻變形會使整個零件的成形變得非常困難[1-2].人工智能技術應用于板料沖壓成形具有廣闊的應用前景，智能預測壓邊力系統(tǒng)的開發(fā)更是具有較為實際的意義，將其應用于指導實際生產(chǎn)將產(chǎn)生較大的經(jīng)濟效益.

Manabe等[3]基于人工神經(jīng)網(wǎng)絡技術和彈塑性理論提出一種新的參數(shù)識別方法，并應用于拉深零件壓邊力的自適應控制.李新城等[4]建立了以焊接工藝參數(shù)為輸入變量的基于主成分分析的BP 神經(jīng)網(wǎng)絡模型，能夠準確預測拼焊板力學性能.姜銀方等[5]建立了拼焊板回彈的BP 神經(jīng)網(wǎng)絡預測模型，對拼焊板U型零件的回彈進行預測.陳水生等[6]建立了基于人工神經(jīng)網(wǎng)絡的拼焊板成形極限預測模型，分析了摩擦系數(shù)對拼焊板最小極限應變的影響.然而，目前關于拼焊板成形壓邊力預測方面的研究還比較少.

本文將數(shù)值模擬、人工神經(jīng)網(wǎng)絡技術及正交試驗相結(jié)合，對拼焊板盒形件拉深成形壓邊力進行預測.首先完成拼焊板盒形件拉深成形的數(shù)值模擬，重點討論壓邊力加載方式對拼焊板盒形件成形質(zhì)量的影響規(guī)律.在此基礎上，基于BP神經(jīng)網(wǎng)絡技術建立拼焊板盒形件拉深成形壓邊力預測模型，通過正交試驗結(jié)合數(shù)值模擬，建立神經(jīng)網(wǎng)絡模型所需的訓練及測試樣本數(shù)據(jù)庫，并通過遺傳算法對神經(jīng)網(wǎng)絡模型進行優(yōu)化，最終獲取理想的壓邊力預測曲線，為實現(xiàn)智能化沖壓奠定基礎.

1 拼焊板盒形件沖壓成形數(shù)值模擬

本文所用拼焊板(tailor welded blank, TWB)材料牌號為DQSK T36，其性能參數(shù)如表1所示.采用工程上比較常用的只建立焊縫位置模型的方法，選取圓形坯料以獲得更好的板料成形性能[7]，板料直徑為φ215 mm.板料有限元網(wǎng)格選取4節(jié)點BT殼單元，網(wǎng)格尺寸2 mm.壓邊圈以及凸凹模定義為剛體，壓邊圈類型選擇分瓣剛性壓邊圈.為了盡可能減少焊縫移動時壓邊圈對板料流動的影響以及防止焊縫處出現(xiàn)起皺破裂等缺陷，厚板側(cè)壓邊圈向薄板側(cè)偏移5 mm，如圖1所示.拼焊板板料厚度組合取0.8/1.0，0.8/1.1，0.8/1.2，0.8/1.3，0.8/1.4五種情況(對應料厚比依次為1.25，1.375，1.5，1.625，1.75)，凸模的截面尺寸為100 mm×100 mm，凸模圓角尺寸變化范圍8～12 mm，凹模圓角尺寸變化范圍10～14 mm，凹凸模轉(zhuǎn)角半徑尺寸變化范圍10～14 mm.摩擦系數(shù)為0.125，成形深度50 mm，采用LS-DYNA動力顯式求解算法計算拼焊板盒形件成形過程，有限元模型如圖2所示.

表1 DQSK性能參數(shù)Table 1 Properties of DQSK

2 壓邊力加載方式對拼焊板盒形件成形質(zhì)量的影響

本文選取常見的7種壓邊力(blank holder force, BHF)加載方式，分析其對拼焊板盒形件成形質(zhì)量的影響[8].壓邊力加載方式如圖3所示.

通過對仿真結(jié)果的分析發(fā)現(xiàn)，加載方式7，即減小—恒定—增大的方式可以同時使拼焊板的最大減薄率和焊縫移動量達到最小，即壓邊力加載方式7為相對較優(yōu)的選擇.因此，對加載方式7作進一步研究.對拼焊板成形過程中施加定常壓邊力進行仿真研究，可以測得拼焊板出現(xiàn)破裂的臨界壓邊力值與出現(xiàn)起皺的臨界壓邊力值，這兩個值組成的區(qū)間稱為壓邊力安全成形區(qū)間.當拉深成形過程中施加的壓邊力位于該區(qū)間時不會產(chǎn)生破裂或起皺等缺陷，本文測得的安全區(qū)間為20～80 kN.針對這一安全區(qū)間設計三種變壓邊力加載方案：① 80—20—20—80 kN； ②80—30—30—80 kN；③80—40—40—80 kN.三種加載方案在拉深行程的始末段壓邊力值均相等，中間恒定段的壓邊力值逐漸增加.仿真結(jié)果列于表2.

表2 仿真結(jié)果Table 2 Simulation results

分析表2中數(shù)據(jù)變化發(fā)現(xiàn)，當始末段壓邊力大小不變時，隨著中間恒定段施加的壓邊力值的增大，拼焊板的最大減薄率與焊縫移動量均呈現(xiàn)上升趨勢，即恒定段壓邊力數(shù)值增大不利于最終的板料成形.臨界起皺壓邊力值對應為安全區(qū)間的最小值20 kN，臨界破裂壓邊力值對應為安全區(qū)間的最大值80 kN.因此為了保證成形質(zhì)量，恒定段壓邊力值最小可減少至臨界起皺壓邊力值20 kN，故認為恒定段壓邊力數(shù)值較小且接近臨界起皺壓邊力值更有利于成形.

通過上述分析，較優(yōu)壓邊力的加載方式可以確定為：隨著拉深行程的增加，由初始壓邊力80 kN 開始減小，然后維持在臨界起皺壓邊力20 kN一段時間，再逐漸增大至80 kN.

3 基于BP神經(jīng)網(wǎng)絡的壓邊力模型建立及優(yōu)化

3.1 神經(jīng)網(wǎng)絡模型的建立

通過MATLAB建立BP神經(jīng)網(wǎng)絡模型實現(xiàn)對拼焊板盒形件壓邊力值的實時預測.網(wǎng)絡模型的輸入、輸出層包含對拉深成形有較大影響的主要因素[9-10].輸入層參數(shù)：凹凸模轉(zhuǎn)角半徑、凸模圓角半徑、凹模圓角半徑和拼焊板的料厚比；輸出層參數(shù)：隨拉深行程變化的壓邊力數(shù)值(壓邊力曲線).采用單隱含層，當隱含層節(jié)點數(shù)為16個時，實測神經(jīng)網(wǎng)絡的性能較好.隱含層節(jié)點轉(zhuǎn)移函數(shù)選擇tansig，函數(shù)可以將輸出值限制在[-1，1]之間，而輸出層節(jié)點轉(zhuǎn)移函數(shù)選擇purelin，輸出可以是任意值[11].

3.2 訓練樣本獲取

采用正交試驗法結(jié)合有限元數(shù)值模擬獲取樣本數(shù)據(jù)[12-13].采用5水平6因素正交表L25(56)設計正交試驗，其中最后兩列為空列，所得正交試驗方案如表3所示.其中，材料類型為DQSK T36，磨擦系數(shù)0.125，拉深深度50 mm，壓邊力加載類型為加載方式7.在正交試驗基礎上，再設計25組試驗，共50組作為總試驗樣本.訓練樣本數(shù)據(jù)進行歸一化處理，然后即可在 MATLAB中進行神經(jīng)網(wǎng)絡的訓練.訓練時將隨機選取49組樣本作為訓練樣本，余下1組樣本作為測試樣本用以測試神經(jīng)網(wǎng)絡的預測能力.

表3 正交試驗水平因素表Table 3 Level and factor table of orthogonal test

3.3 神經(jīng)網(wǎng)絡預測性能檢驗

神經(jīng)網(wǎng)絡經(jīng)49組樣本訓練完成后，采用剩下的1組數(shù)據(jù)進行神經(jīng)網(wǎng)絡預測能力的檢測，隨機抽取的檢測樣本參數(shù)如表4所示，預測得到的壓邊力值及預測誤差如表5所示.

表4 測試樣本參數(shù)Table 4 Sample parameters for test

由表5中數(shù)據(jù)可知，BP神經(jīng)網(wǎng)絡對壓邊力的預測誤差在拉深行程的中間段(10～35 mm)相對較小，而在起始段(0～10 mm)與結(jié)束段(35～50 mm)相對較大，且在拉深行程為45 mm時達到最大值15.68%，很難滿足實際生產(chǎn)的工藝要求.因此， 需要對BP神經(jīng)網(wǎng)絡進行優(yōu)化， 進一步提高預測精度.

3.4 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡模型

采用遺傳算法對神經(jīng)網(wǎng)絡的初始權值和閾值進行優(yōu)化，算法流程見圖4.個體編碼方式采用實數(shù)編碼，選擇方法為輪盤賭法；為了保證個體適應度值較高的個體在選擇時不被淘汰，選擇過程中加入了精英保留策略；交叉概率0.2，變異概率0.02.

測試樣本仍采用表4中的相關參數(shù)，將這些參數(shù)輸入優(yōu)化后的神經(jīng)網(wǎng)絡，得到的預測值如表6所示.表6中同時列出了樣本值，并計算了預測誤差.對樣本值進行插值，最后得到如圖5所示的優(yōu)化后神經(jīng)網(wǎng)絡的預測壓邊力加載曲線.

表5 神經(jīng)網(wǎng)絡預測的壓邊力值及預測誤差Table 5 Prediction values and errors of BHF from neural network

對比表5中數(shù)據(jù)可以發(fā)現(xiàn)，優(yōu)化后神經(jīng)網(wǎng)絡的壓邊力預測值與樣本值在拉深行程中間段非常接近，在起始段與結(jié)束段誤差略大，在拉深行程為50 mm時達到最大值，僅為5.08%；相比未優(yōu)化網(wǎng)絡的最大預測誤差15.68%有較大程度的降低.優(yōu)化后網(wǎng)絡在起始段與結(jié)束段的預測誤差相比未優(yōu)化網(wǎng)絡均有所改善.通過圖5也能夠知道，優(yōu)化后神經(jīng)網(wǎng)絡預測得到的壓邊力加載曲線更接近樣本壓邊力加載曲線，尤其在中間段幾乎完全重合，且整體變化趨勢保持一致，即優(yōu)化后的神經(jīng)網(wǎng)絡具有更好的預測性能.

將優(yōu)化后神經(jīng)網(wǎng)絡模型預測得到的壓邊力曲線輸入到有限元模擬軟件中進行拼焊板盒形件的沖壓成形仿真，得到拼焊板的最大減薄率為18.000%，焊縫移動量為1.192 mm，成形效果較為理想.

表6 優(yōu)化后的神經(jīng)網(wǎng)絡預測壓邊力值及預測誤差Table 6 Prediction values and errors of BHF from optimized neural network

4 結(jié) 論

1) 通過數(shù)值模擬確定了壓邊力的安全成形區(qū)間為20～80 kN，并找到一條較優(yōu)的壓邊力加載曲線，其大致變化趨勢為：隨著拉深行程的增加，由初始壓邊力80 kN逐漸減小至臨界起皺壓邊力20 kN并保持一段時間，再逐漸增大至80 kN.

2)建立了適用于拼焊板盒形件拉深成形壓邊力預測的BP神經(jīng)網(wǎng)絡模型，采用遺傳算法通過在選擇過程中加入精英保留策略優(yōu)化了神經(jīng)網(wǎng)絡的初始權值和閾值，優(yōu)化后的神經(jīng)網(wǎng)絡具有較好的預測性能，最大預測誤差由15.68%大幅降至5.08%，能夠滿足生產(chǎn)實際的要求.