基于人工智能技术的板料冲压成形回弹预测研究方法探析

徐 岩 包头职业技术学院材料工程系 内蒙古包头 014030

秦 波 内蒙古科技大学机械工程学院 内蒙古包头 014010

【文章摘要】

回弹是影响冲压件成形质量的主要因素之一, 它是一个多变量、强耦合、强非线性的过程，对其进行精准预测和有效控制是提高冲压件成形质量的关键。在介绍回弹的成因及其影响因素的基础上，详细阐述了人工智能技术在回弹预测领域的应用，以期为有关技术人员提供一些有益的参考。

【关键词】

回弹；预测；人工智能

0 引言

板料冲压成形作为一种重要的塑性加工工艺，广泛应用于航空航天、汽车、仪表、装备制造等领域，随着上述行业的飞速发展，对板料成形精度的要求越来越高。而板料成形过程中普遍存在最棘手的回弹问题，它的存在会影响冲压件的形状精度和表面质量，当回弹量超过允许容差后，成为成形缺陷，因此对回弹控制进行深入研究有重要意义。

1 回弹的成因及影响因素

回弹是当载荷和模具卸去后，由于板料塑性变形不充分和冲压成形过程中存在弹性变形，成形板料的形状得到部分恢复，造成零件的形状和尺寸与模具的尺寸形状不一致的现象。其成因：1）在板料成形过程中，当板料内外缘表层纤维进入塑性状态，而板料中心仍处于弹性状态，这时当凸模上升外部载荷去除后板料产生弹性回复；2）金属塑性成形总是伴有弹性变形，所以板料弯曲时，即使内外层纤维全部进入塑性状态，在去除外力时，弹性变形消失，出现回弹。影响板料回弹的主要影响因素有: 材料的力学性能、相对弯曲半径 及模具几何参数等。

2 冲压件回弹的智能优化预测研究

在冲压成形过程中回弹是模具几何参数、材料性能、摩擦接触以及成形动作轨迹等多因素综合作用的结果，回弹量与板料尺寸、材料性能、模具形状等因素之间存在非线性的关系，其复杂性表明对其进行精准的预测有利于有效地控制回弹。冲压成形过程系统动力学的不确定性和复杂性，便于人工智能技术在回弹研究中的运用。将人工智能技术和方法引入冲压成形领域是当前冲压成形研究的一个热点，人工神经网络是一种模拟人脑脑神经传递信息的方式而建立起来的一种人工智能的方法，在不具备先验知识的条件下，仅通过样本学习就可以获得数据中内在的规律，具有较强的泛化能力和抗噪能力。利用人工神经网络所表现出来的良好的非线性映射能力，在分析板料成形工艺参数对成形回弹量的影响的基础上，将神经网络理论与数值模拟、有限元方法等技术相结合建立冲压成形工艺参数与回弹量的数学模型，为解决冲压件回弹的预测研究提供了一条有效的新途径。

众多研究人员对此进行了深入研究。在国外， 2003 年，RidhaHambli 等应用有限元和神经网络模拟预测了冲裁间隙与材料延伸率，毛刺高度间的非线性关系； 在国内，2004 年，扬州大学的陆国民对车身上U 形碰撞盒的冲压成形进行了数值模拟和分析，并基于BP 神经网络对回弹的预测方法进行了研究。上述将神经网络与成形数值模拟相结合的方法进行回弹预测仅使用了部分数值模拟结果作为网络训练样本进行网络训练，再利用神经网络对成形件的回弹量进行预测和优化控制，虽可提高预测精度和成形件的品质。但是，神经网络存在易陷入局部最优和收敛速度慢等缺陷，有学者尝试用模糊逻辑、遗传算法及回归分析等方法对BP 神经网络的结构、权值和阈值等参数进行优化，建立一种非线性组合回弹预测模型。2003 年，湖南大学的黄智等提出利用自适应模糊神经网络(ANFIS) 对非线性问题的良好逼近能力, 采用基于有限元方法获得训练样本, 经训练后得到具有回弹预测能力的ANFSI 模型, 并通过实验验证了该方法的有效性；2008 年，华中科技大学的韩飞等采用遗传算法对BP 神经网络进行了优化，将人工智能技术和激光扫描测量技术相结合，对金属板材数字化渐进成形回弹进行了预测，预测了渐进成形工艺参数与回弹量之间的映射关系。上述研究表明，采用神经网络的组合方法进行回弹预测，不仅能克服传统BP 网络局部收敛的缺陷，并且有助于提高网络的学习速度和预测精度。

3 结束语

板料冲压成形是一个极其复杂的多重非线性过程，对回弹进行精准预测和有效控制是提高冲压件成形质量的关键。利用人工神经网络及其组合方法等人工智能技术改善神经网络的某些缺陷，发展基于神经网络的非线性组合预测方法不仅能大大提高板料成形回弹的预测精度，而且业已成为当前研究的热点。

【参考文献】

[1] 《冲模设计手册》编写组，冲压设计手册模具手册之四[M]. 北京: 机械工业出版社，1988.7 P161

[2] 沈清, 胡德文, 等. 神经网络应用技术[[M]. 长沙: 国防科技大学出版社, 1993

[3]Ridha Hambli, FabriceGuerin. Application of a neural network for optimum clearance prediction in sheet metal blanking processes[ J]. Finite Elements i n A n a l y s i s a n d D e s i g n . 2 0 0 3 , 39:1039-1052.

[4] 陆国民.U 形车身覆盖件冲压成形数值模拟分析与回弹预测[D]. 扬州: 扬州大学, 2004, 5.

[5] 黄智, 等. 自适应模糊神经网络在板料弯曲回弹预测中的应用[J]. 计算机仿真, 2003, 20(11): 58- 60.

[6] 韩飞, 等. 基于遗传神经网络的数字化渐进成形回弹预测[J]. 华中科技大学学报, 2008, 36(1): 121-124.

【作者简介】

徐岩（1963-），女，黑龙江省北安人，实验师，主要从事于模具设计与制造的教学、实训工作。

秦波（1982-），男，河南南阳人，工学硕士，讲师，主要从事于复杂工业过程建模、优化及故障诊断教学、研究工作。041

智能应用

Intelligence Application

电子制作