基于神經網絡的不銹鋼圓孔翻邊件成型缺陷預測

趙博寧

（柳州鐵道職業技術學院 裝備制造學院，廣西 柳州 545616）

翻邊類型的零件作為一種常見且應用非常廣泛的沖壓件。位于凸緣區域發生起皺以及孔口部位可能出現裂開的問題是其加工成形過程中發生頻率較高的。現階段，能夠預防起皺的方法通常為設置壓邊圈，其可以使壓邊力更加趨近于穩定，因此不參與成形的區域能夠最大限度地避免起皺現象的發生。假如壓邊力數值比較小，零件的凸緣區域起皺現象就會比較顯著，如果壓邊力數值比較大，零件的凸緣區域則可能發生拉裂的問題，然而對圓孔翻邊件孔口區域加工成形的極限情況會產生什么樣的效果，現階段此方面成果不多。人工神經網絡（英文全稱為Artificial Neural Networks，ANN），指的是由海量的數據處理單元（也就是神經元：英文全稱為Neurons）相互聯接從而形成的一個網格系統，伴隨著學術界對于神經網格系統可以實現的預測及控制功能的研究進一步深化，相關技術正普遍投入于機械產品的加工成形領域。此類技術和人工智能技術相結合，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測工作具有更為現實的研究意義，使用相關技術指導生產過程將會帶來顯著的收益[1]。

1 神經網絡技術概述

1.1 神經網絡的概念

人工類型的神經網絡，某些情況也可以簡稱是神經網絡，另外還可以稱為連接模型，該技術屬于一類對于動物的神經網絡的行為進行模仿，隨后借助分布模式來實現信息數據的并行化處理的數學模型的算法。此種網絡借助復雜的系統，通過對于系統內部的所有節點間連接關系的適當調節操作，實現高效的信息處理的目標。

1.1.1 生物神經網絡的概念

生物神經網絡的概念指的是參考人類大腦內部的神經網絡系統，屬于是人工類型的神經網絡基礎原型結構。人類的大腦是人類進行思維活動的現實基礎結構，通常來講，人類的思維活動的功能區域處在大腦的皮層部位，大腦皮層中含有大量的神經元細胞，所有的神經元細胞又是借助神經突觸結構和其他的神經元細胞相互連接，從而構成一個非常復雜的并且反應靈敏的動態化網絡系統。作為一門高新技術領域的學科，生物神經網絡技術的研究內容主要是人類大腦內部的神經網絡系統的框架結構、主要功能和該系統的主要工作機理，主要的目標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律。

1.1.2 人工神經網絡系統的概念

人工神經網絡系統屬于是生物神經網絡系統在相對精簡之后的一種技術性的再現，屬于一門新興的高新技術學科，其重要的目標是依據生物神經網絡系統的有關原理與應用經驗來構建一個切實可行的人工神經網絡系統的數學模型，并且輔助以對應的學習計算方法，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，之后通過相關技術在實體上進行表現，最終能夠完成對于實際問題的科學應對。也就是說，生物神經網絡系統相關技術主要研究方向和目標是智能化的運行機理。

1.2 神經網絡的分類

人工神經網絡系統根據其數學模型的主體結構能夠分成2個主要類別：前饋型網絡系統（也可以稱為多層類型的感知機網絡系統）、反饋型網絡系統（也可以稱為Hopfield類型的網絡系統。前饋型網絡在數學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結構，反饋型網絡則是一種大范圍的非線性類型動力學框架系統。根據系統不同的學習模式，人工神經網絡系統又能夠分成如下3類，監督學習類型系統、非監督學習型系統以及半監督學習類型系統；人工神經網絡系統如果根據工作模式則能夠分成如下2類，確定性類型系統以及隨機性類型系統；人工神經網絡系統如果根據時間特性還能夠分成如下2類，即為連續型系統以及離散型系統。

1.3 神經網絡的特點

通常來講，不管是哪種類型的人工神經網絡系統，都會具有一定的共同特征，也就是體現在大范圍大規模的并行數據信息處理，分布類型的信息存儲，彈性的拓撲優化操作，高強度冗余以及非線性類型的數學計算。為此人工神經網絡系統具備很快的計算速度，很強的聯想功能，較強的適應能力，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網絡系統對于人類智能思維活動進行模擬的技術前提，并且該技術已經在很多行業取得了比較成功的實際應用。

2 圓孔翻邊件簡介

翻邊件作為一種常見的應用非常廣泛沖壓件。凸緣區域發生起皺以及孔口部位可能出現裂開的問題是其加工成形過程中，發生頻率較高的。本文通過運用數值模擬技術、人工智能BP神經網絡系統配合相關的試驗工作，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測和分析。本文研究的圓孔翻邊件的具體參數如圖1所示。

圖1 圓孔翻邊件的具體尺寸

3 國內外研究現狀分析

現階段國內、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果的研究；最后是對翻邊加工成形中可能出現的裂紋或者起皺問題的研究。這3個研究方向對此類加工成形過程有重要的現實價值，能夠顯著提升產品的質量，并且對于生產成本的有效控制也會發揮重要的作用[2]。

4 預測圓孔翻邊類型零件成形品質的神經網絡系統設計過程簡述

4.1 神經網絡的輸入層以及輸出層內部的節點數量設置

一般來講，BP神經網絡系統的主體架構結構是采用有指導方向的訓練體系，因此在應用BP神經網絡相關技術解決問題之前，研究人員需要設置相應的樣本來進行一定程度的訓練。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、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、材料摩擦因數和沖壓操作的速度。因此主要以上述的四個主要參數（在本文的研究過程中設為A組、B組、C組以及D組）當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網絡的輸出量，對于神經網絡模型進行設置。

使用模擬類型的試驗過程測試相應的數據，應用18組數據當成神經網絡系統訓練過程的樣本數據，在相關的訓練樣本以外進行隨機抽選，選出8組數據作為神經網絡系統測試用樣本，通常狀況下，神經網絡系統的數學模型當成轉換模式的函數，其值域范圍是[0，1]的閉區間。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神經網絡訓練過程之前，需要針對系統的輸入變量、輸出變量的參量取值進行歸一操作。

4.2 BP網絡建模研究

本文擬采用3層BP神經網絡，如圖2所示，確定輸入與輸出層神經元的數量。BP神經網絡系統中的神經元都需要應用sigmoid類型的函數來進行模擬計算，用來明確相關神經網絡系統中的訓練參數取值的數學期望誤差，其可能取得的最小值以及其訓練操作的最大的循環次數數值；參數估計的平滑因子，訓練過程中的動量因數。

圖2 BP神經網絡模型

4.3 隱含層的節點數量確定簡述

通常來講，3層的BP神經網絡系統可以執行N維空間中的的參數映像操作。在使用神經網絡系統相關技術的情況下，最為重要的環節是尋找最恰當的BP神經網絡系統的模型類別。不僅僅要確定初始輸入狀態神經元的有關系統參數，而且還要確定BP神經網絡系統隱含層內部的神經元的相關參數信息。由于系統隱含層內部的神經元參數以及BP神經網絡系統關聯程度之間的高度相關，因此對于BP神經網絡系統的實現與否造成比較直接的影響。神經網絡系統隱含層的作用主要是由神經網絡系統的輸入層選取出各項特征量，保證BP神經網絡擁有可以識別非線性網絡模式的能力[3]。

BP神經網絡系統的建立，成功的關鍵環節主要在于BP神經網絡系統的層數和相關層的節點數值，本文使用傳統的經驗公式評估得到隱含層內部的神經元單元的數量必須保持為8~10之間，因此選擇8個及10個神經元單元的值。使用動態模式來確定與調節神經網絡系統中隱含層的節點數，進行后續的神經元網絡系統的訓練操作。

4.4 基于BP神經網絡的模型樣本訓練

在前述的網絡系統設計過程中可知，因為在規劃設計人工神經網絡里的權值以及閾值通常是在隨機狀態下生成，本文研究過程中設計出圓孔翻邊件翻邊成形過程數值模擬使用的BP神經網絡系統模型使用了3層的BP網絡系統的主體結構，其中輸入層的參數設置為最小的壓邊力、最大的壓邊力以及相應的時間系數，輸出層的參數設置為回彈量數值。此過程中的訓練樣本如圖3所示。

圖3 基于BP神經網絡的圓孔翻邊件翻邊成形預測建模流程圖

5 圓孔翻邊件成形質量的實驗驗證

5.1 加工工藝的優化簡述

應用正交模擬模式的試驗進行驗證工作，選擇了各類沖壓加工過程的相關參數對于實驗零件邊緣區域的最小厚度的影響參數，通過實驗過程，從各種相關指標的不同均值量區間中確定相對符合的選項，這是因為各種不同類型的優化工作的相應指標可以對實驗過程的各類優化參數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的關系，對圓孔翻邊類型零件的翻邊加工成形的品質進行相應的研究以及分析，壓邊力參數的值相對比較小通常是圓孔類型的翻邊零件凸緣區域出現起皺情況的主要原因，加大壓邊力參數能夠顯著降低凸緣部分出現起皺問題的幾率。適當更改壓邊力參數以及系統的摩擦系數，選取壓邊力參數以2 kN作為增、減的參量，選取摩擦系數以0.02作為增、減的參量，其余的參數取值保持不變，經過神經網絡系統進行訓練操作。

經過BP神經網絡系統預測之后，圓孔翻邊件翻邊成形結果比較好的參量組合，借助數值模擬計算優化該組的各項參量數值。結果顯示，零件成形的極限圖的凸緣區域的結果良好、無起皺的問題發生。零件底部無破裂問題出現。

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的零件拉伸過程，本文的實驗是通過常規的沖壓機設備來進行實驗操作的。實驗中應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：屈服極限s=195 Mpa，拉伸系數n=0.16，邊緣倒角半徑r=1 mm。使用的模具原材料為Cr12。在壓邊圈的區域中使用的金屬原材料為Q45鋼。

5.3 實驗方案以及結果分析

實驗A拉伸結果表明圓孔類型的翻邊零件的邊緣區域出現起皺的程度與數值模擬的結果相互吻合。翻邊零件的凸緣區域的材料在厚度方向上受到相對比較大的拉應力的作用，出現了應力集中的情況，這樣的情況應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，導致零件的凸緣區域受到切向方向的額外應力，進而發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。隨后經過再Dynaform程序中實施的模擬計算之后，計算結果獲得的尺寸參數，其沖壓操作以后的效果強于依靠經驗公式獲得的零件參數。該圓孔翻邊零件的上部的階梯區域未發生破裂的情況，沖壓成形操作的效果良好。因此優化目標比較良好。

6 結論

本文通過應用有限元思想的數值模擬相關技術和BP人工神經網絡系統算法等人工智能技術有機結合，建立了圓孔翻邊零件翻邊成形的有限元分析參數化模型，并且建立進行優化各項參數和目標函數間的BP神經網絡系統模型，實施加工工藝的設計。確定拉裂、起皺等缺陷的主要原因以及其對應的制約因素。取得了BP神經網絡訓練過程以及檢測過程的樣本。通過和遺傳算法相互結合，實現了各項工藝參數優化設計的目標，獲得了如下的結論。

（1）通過神經網絡技術，得到了圓孔翻邊零件壓邊力、沖壓速度等參數與最大減薄量之間的關系，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，并且和常規的模擬計算所消耗的時間。預測圓孔翻邊零件翻邊成形的質量，得到了一組結論相對理想的數據。通過相應的數值模擬計算過程進行了相關的驗證，該組參數進行數值模擬的計算結果相對理想，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。把數值模擬仿真技術和人工智能技術相結合，可以為圓孔翻邊零件成形工藝參數的進一步優化工作提供一項合理的方案。實驗結果表明圓孔翻邊零件成形質量優秀，進一步驗證了相應參數優化數據的合理性。