第３４卷第７期
中国机械工程
V o l ．３４㊀N o ．７２０２３年４月
C H I N A M E C HA N I C A LE N G I N E E R I N G
p p
．８３８Ｇ８４６基于深度学习的汽车梁类件冲压回弹研究
聂㊀昕１㊀谭㊀天１㊀申丹凤２
１．湖南大学汽车车身先进设计制造国家重点实验室，长沙,４１００８２
２．湖南湖大艾盛汽车技术开发有限公司，长沙,４１０２０５
摘要：提出了基于深度学习的汽车梁类零件回弹预测方法.基于二维回弹理论，将三维梁类零件离散为若干截面，采用双平面投影法和图像二值化方法，将梁类零件的截面曲线转换为神经网络模型可识别的双通道图像数据.基于拉丁超立方采样法对影响梁结构零件的冲压工艺参数及板料材料参数变量进行采样，
通过C A E 回弹仿真得到后续深度学习网络的训练样本.为研究梁结构在不同几何截面㊁材料参数㊁工艺参数作用下的回弹问题，采用基于L e N e t Ｇ５㊁A l e x N e t ㊁N i N 的卷积神经网络模型作为几何截面识别模型，同时使用全连接神经网络模型耦合材料参数和工艺参数的方法，得到该梁类零件回弹算法模型.以某汽车梁类结构零件作为研究对象，基于高斯混合聚类将回弹样本分为小回弹㊁中等回弹㊁大回弹三个类型.将各类回弹样本分别通过回弹算法模型进行验证，结果表明，基于A l e x N e t 的模型准确度最高，同时算法鲁棒性相较于其他两种也更强，更适合梁类件的回弹预测
.
关键词：梁类零件；冲压回弹；深度学习；拉丁超立方采样；高斯混合聚类中图分类号:T G １５６;U ４６６
D O I :１０．３９６９/j ．i s s n ．１００４ １３２X．２０２３．０７．０１０开放科学(资源服务)标识码(O S I D )
:R e s e a r c ho nS t a m p i n g S p r i n g
b a
c ko fA u t o m o b i l eB e a mP a r t sB a s e do n D e e p L e a r n i n g
N I EX i n １㊀T A N T i a n １㊀S H E N D a n f e n g
２
１．S t a t eK e y L a b o r a t o r y o fA d v a n c e dD e s i g na n d M a n u f a c t u r i n g f o rV e h i c l eB o d y ,H u n a nU n i v e r s i t y
,C h a n g s h a ,４１００８２２．A I S N A u t oR&DC o ．,L t d ．,C h a n g
s h a ,４１０２０５A b s t r a c t :A m e t h o d w a s p r o p o s e dh e r e i nf o rs p r i n g
b a
c k p r e
d i c t i o no fa u t o m o b i l eb
e a m p a r t s b a s e do nd e e p l e a r n i n g ．B a s e do n t h e t w o Ｇd i m e n s i o n a l s p r i n g b a c k t h e o r y
,t h e t h r e e Ｇd i m e n s i o n a l b e a m p
a r t sw e r e d i s c r e t i z e d i n t o s e v e r a l s e c t i o n s ,a n d t h e c r o s s Ｇs e c t i o n c u r v e o f t h e
b e a m p a r t sw a s
c o n v e r Ｇt e
d i n t o ad u a l Ｇc h a n n
e l i m a g e t h a t c o u l db e r e c o g n i z e db y n e u r a l n e t w o r k m o d e l u s i n g t h em e t h o do
f d o u b l e Ｇp l a n e p r o j e c t i o na n d t h e i m a
g eb i n a r i z a t i o nm e t
h o d ．B a s e do nL a t
i nh y p e r c u b e s a m p l i n g m e t h Ｇo d ,t h e s t a m p i n gp r o c e s s p a r a m e t e r s a n d s h e e tm a t e r i a l p
a r a m e t e r s o f t h e
b e a ms t r u
c t u r e p a r t sw e r e s a m p l e
d ,a n d t h
e s u b s e q u e n td e e p l e a r n i n g n e t w o r kt r a i n i n g s a m p l e sw e r eo b t a i n e db y C A Es p r i n g
Ｇb a c ks i m u l a t i o n ．I no r d e r t o s t u d y t h e s p r i n g
b a
c ko f b e a ms t r u c t u r e s u n
d
e r d i
f f e r e n t
g e o m e t r i c c r o s s Ｇs e c t i o n s ,m a t e r i a l p a r a m e t e r s ,a n d p r o c e s s i n g p
a r a m e t e r s ,c o n v o l u t i o n a l n e u r a l n e t w o r km o d e l s
b a s e d o nL e N e t Ｇ５,A l e x N e t a n dN i N w e r eu s e da s g e o m e t r i
c c r o s s Ｇs e c t i o nr e c o g
n i t i o n m o d e l s ．M e a n w h i l e ,t h e f u l l y c o n n e c t e dn e u r a l n e t w o r k m o d e lw a su s e d t o c o u p l em a t e r i a l p a r a m e t e r s a n d p r o c e s s i n gp a Ｇr a m e t e r s t oo b t a i nt h es p r i n g b a c ka l g
o r i t h m m o d e lo fb e a m p a r t s ．C a rb e a m s t r u c t u r a l p a r t sw e r e t a k e na s t h e r e s e a r c ho b j e c t ．B a s e do nG a u s s i a n m i x t u r e c l u s t e r i n g ,t h e s p r i n g b a c ks a m p
l e sw e r ed i Ｇv i d e d i n t ot h r e et y p e s :s m a l l s p r i n g b a c k ,m e d i u m s p r i n g b a c k ,a n dl a r g es p r i n g b a c k ．E a c ht y p
eo f s p r i n g b a c ks a m p l ew a s v e r i f i e db y t h e s p r i n g b a c ka l g
o r i t h m m o d e l ．V e r i f i c a t i o n r e s u l t s s h o wt h a t t h e d e e p l e a r n i n g m o d e l h a s t h e h i g h e s t a c c u r a c y b a s e d o nA l e x N e t ,a n d t h e a l g
o r i t h m s r o b u s t n e s s i s a l s o s t r o n g e r t h a n t h a t o f t h e o t h e r t w o ,w h i c h i sm o r e s u i t a b l e f o r s p r i n g
b a
c k p r e
d i c t i o no f b
e a m p a r t s ．K e y w
o r d s :b e a m p a r t ;s t a m p i n g s p r i n g b a c k ;d e e p l e a r n i n g ;L a t i nh y p e r c u b e s a m p l i n g ;G a u s s i a n m i x t u r e c l u s t e r i n g
收稿日期:２０２２０６２３
基金项目：湖南省自然科学基金(２０２０J J ４１９６)；柳州市科技计划重大专项(柳科攻２０２１C B A ０１０１)
；国家重点研发计划(２０２１Y F B ２５０１８００
)０㊀引言
梁类零件是承载式车身零件中最重要的结构
件之一，它的存在保证了白车身的承载能力，以及车身自身的刚度，该类零件具有特殊的性能要求
８３８ Copyright ©博看网. All Rights Reserved.
和受载能力要求，通常选用高强钢作为生产制造的材料.这些梁类零件跨越车身的几大总成，同时和其他
零部件具有焊接或装配关系，因此，汽车梁类结构零件的生产精度是否满足要求直接关系到后续生产环节的顺利进行.目前国内外汽车行业正在开展 ２mm 工程，即保证整车在装配环节的整体误差在２mm以内，这也表明对汽车零部
件的制造精度有严格要求.
近年来，许多学者对金属板料冲压回弹进行了深入研究，其中，基于二维截面法的梁类零件冲压回弹研究是一种常见的分析方法.聂昕等[１Ｇ２]通过与实际冲压件的对比表明使用二维截面法对冲压零件进行回弹预测具有较好的效果.刘迪辉等[３]通过截面法对不同形状的二维截面曲线回弹进行理论研究，并通过一B柱零件验证理论的正确性，结果表明利用二维截面法简化三维零件的回弹，能够保证最终结果的精度[４].然而，使用二维截面法很难准确预测形状变化复杂的三维零件.
对于形状变化复杂的三维零件，目前国内外学者大多集中在采用有限单元法对零件进行成形过程模拟进而分析回弹量大小.高志国等[５]以７００M P a高强钢钢带为研究对象，使用C A E仿真研究了多种参数下钢带冲压成形的回弹大小，并基于响应面法得到相应参数和回弹的函数模型，最终通过寻优算法得到回弹最小的成形工艺参数.张旭等[６]以高强钢防撞梁为研究对象，通过D y n a f o r m有限元软件研究该零件由热冲压改为冷冲压的成形过程，通过优化冲压工艺参数，使零件顺利冲压成形，且减小成形后的回弹.黄仁勇[７]基于有限元模型研究扭曲回弹机理，采用V o c eＧC h a b o c h e混合硬化模型分析双C
梁的扭曲回弹，结合响应面法和蚁算法得到优化参数，减小双C梁的扭曲回弹.以上研究虽然在金属薄板冲压回弹领域取得了不错的研究成果，但是侧重点主要集中在简单截面曲线㊁工艺参数及材料参数的某个方面上.现实生产中，梁类结构零件往往有复杂的几何形状㊁多种类的材料类型以及多变的工艺参数，使用C A E仿真方法对梁类结构零件进行回弹分析预测，存在参数设置复杂㊁使用门槛较高㊁计算时间长㊁计算轮次多等问题，极大延长了企业的生产周期.
人工智能方法具有运算速度快㊁处理数据能力强㊁模型设置简单等优点.部分学者采用人工智能网络来研究汽车零件的成形回弹等问题.
C R I N A[８]以一圆筒为研究对象，以拉深工序中的工艺参数为输入变量，产品的最终回弹为输出变
量，经样本训练后建立相应的人工神经网络，并通过优化相应的工艺参数，成功减小了产品的回弹.
H AM B L I等[９]将有限元冲压成形模拟技术与人工神经网络技术相结合，研究板材冲压时的模具间隙与成形后的材料延伸率之间的函数关系.龙仕彰[１０]基于有限元冲压模拟技术，结合人工神经网络模型，研究冲压工艺参数对盒形件冲压成形回弹的影响，并通过遗传算法优化冲压工艺参数，减小了盒形件的回弹.张玉平[１１]通过正交试验方法和C A E仿真获得的试验样本，基于B P(b a c k p r o p a g a t i o n)网络建立了U形件弯曲回弹预测系统，并通过附加试验验证预测系统的准确性.不同工艺参数值在有限的取值区间内是规律的连续变量，由于设计和材料制备的原因，零件的形状和材料属性参数取值空间大㊁
难控制㊁无规律㊁离散变量多㊁需求样本多，因此，以上使用人工神经网络模型的研究更侧重于研究不同工艺参数下的回弹，而未考虑零件实际的几何形状和材料属性.
为更准确地研究几何形状因素㊁材料属性因素㊁工艺参数对梁结构零件回弹的综合影响，本文在上述研究的基础上提出了基于深度学习的梁类结构回弹算法模型，应用于汽车梁结构零件的回弹分析.
１㊀基于二维截面法的三维零件图像化基于深度学习卷积神经网络的回弹预测模型的技术路线图见图１.
图１㊀基于深度学习卷积神经网络的回弹预测模型
F i g．１㊀S p r i n g b a c k p r e d i c t i o nm o d e l b a s e do nd e e p
l e a r n i n g c o n v o l u t i o n a l n e u r a l n e t w o r k
其中，二维截面法是指将三维梁类零件离散为若干特征截面，将离散得到的特征截面曲线拉伸成 几 字形的简单二维形状，再通过L SＧ
９３８
基于深度学习的汽车梁类件冲压回弹研究 聂㊀昕㊀谭㊀天㊀申丹凤
Copyright©博看网. All Rights Reserved.
D Y N A 等有限元仿真软件对拉伸得到的简单几何
形状零件进行相应的冲压仿真及回弹计算，通过仿真结果判断离散特征截面的实际回弹.
本文在二维截面法的基础上，通过深度学习图像识别技术，研究零件截面线在不同参数下的回弹情况.采用人工智能与二维截面法研究三维零件的回弹，首先需要将二维截面线转变为人工智能网络可识别的信息.为此，将梁类零件二维截面线分别在俯视平面㊁左视平面上投影并将投影曲线转化为数值矩阵，形成一种既能反映二维截面曲线形状特征，又包含空间位置信息，并能被深度学习等人工智能网络识别的二维截面离散数值转化方法.
使用二值化模型，可以方便快捷地将曲线转化为计算机可识别的图像矩阵.首先在投影平面上划分若干栅格，然后将曲线向其投影，将投影曲线内的栅格数值置为１，其余置为０，如图２所示,
就能将平面二维曲线转化为图像信息
.
图２㊀曲线二值图F i g ．２㊀B i n a r y c
u r v e 使用二值化模型对三维空间曲线进行转化，将梁类零件沿其长度方向分布若干点；以每个点为基点，该点在边长曲线上的法平面为剖切平面，对该零件进行剖切，得到相应的截面曲线；对截面曲线分别在左视平面㊁俯视平面上投影，得到两条投影曲线；对投影曲线进行二值化转化，得到双通道图像矩
阵.
２㊀回弹预测算法模型
该深度学习网络模型主要由两部分组成，第一部分通过卷积神经网络实现对输入的双通道图像矩阵进行特征提取，得到一组抽象的几何特征向量；第二部分是一个全连接神经网络模型，将第一部分得到的几何特征向量与工艺参数㊁高强钢材料参数结合，预测出相应截面线处回弹大小.
在该模型中，首先基于二维回弹理论，将梁类结构零件划分为若干截面，做出相应的截面特征线，然后使用曲线二值化的方法，得到网络模型需要的双通道图像数据，分别经L e N e t Ｇ５㊁A l e x N e t ㊁N i N 卷积神经网络[１
２
]
进行图像数据特征提取后，将得到的数据特征向量与影响回弹的冲压工艺参
数及材料本身的材料参数通过全连接神经网络结构耦合，最终得到不同截面线形状在多种工艺条件和不同材料类型下的回弹预测模型.
２．１㊀基于A l e x N e t 的卷积神经网络结构
传统A l e x N e t 网络采用三通道输入来处理R G B 类型图片数据，调整架构后使其适用于双通道图片输入，增加卷积层数，增强对较大图像的处理能力，同时去掉网络末端用于解决分类问题的r e d u c e m e a n 层和s o f t m a x 层,
直接使用神经元作为下层用于回弹回归预测的全连接神经网络输入端，修改后的A l e x N e t 网络架构如表１所示.
表１㊀基于A l e x N e t 的卷积神经网络结构设置
T a b ．１㊀C o n v o l u t i o n a l n e u r a l n e t w o r k s t r u c t u r e s e t t i n g
b a s e do nA l e x N e t
A l e x N e t
网络结构相关参数
卷积层１
核个数:９６；核大小:５ˑ５；步长:４ˑ４
最大池化层１核大小:３ˑ３；步长:２ˑ２D r o u p o u t 层卷积层２核个数:１９２；核大小:５ˑ５；步长:２ˑ２最大池化层核大小:３ˑ３；步长:２ˑ２D r o p o u t 层卷积层３核个数:２５６；核大小:３ˑ３；步长:３ˑ３最大池化层３核大小:３ˑ３；步长:２ˑ２D r o p o u t 层卷积层４核个数:３８４；核大小:３ˑ３；步长:１ˑ１最大池化层４核大小:３ˑ３；步长:２ˑ２D r o p o u t 层卷积层５
核个数:２５６；核大小:３ˑ３；步长:１ˑ１最大池化层５核大小:３ˑ３；步长:２ˑ２D r o p
o u t 层全连接层F C １输出神经元个数:１０２４;L ２正则化D r o p o u t 层全连接层F C ２输出神经元个数:１５２;L ２正则化
㊀㊀该部分网络的主体结构为５个卷积层和２个全连接层.这是由于输入的双通道图像是较为简单的曲线图像，图像所包含的信息比其他类型的图片少，因此在原A l e x N e t 网络模型的基础上减小了模型规模，既能防止模型的过拟合，又减少了模型所含参数，降低存储空间的要求，加快模型训练速度.同时，考虑对截面回弹影响较大的曲线圆角半径，选用较小的卷积核，防止由于卷积核的感受野太大而造成的信息丢失.在每个网络层后均添加D r o p o u t 层并使用L ２正则化方法降低整个模型的过拟合问题.保留全连接层的１５２个神经元，构成最终的图像特征向量.
２．２㊀基于L e N e t Ｇ５的卷积神经网络结构
传统L e N e t Ｇ５网络采用三通道输入来处理R G B 类型图片数据,
调整架构后，该网络在原始
０４８ 中国机械工程第３４卷第７期２０２３年４月上半月
Copyright ©博看网. All Rights Reserved.
L e N e tＧ５的网络模型基础上保持主要的结构构型不变，使用较小的卷积核以便卷积层能更好地观察到曲线图像的细节，同时使用D r o p o u t层防止网络的过拟合现象，去掉了原L e N e tＧ５网络中的s o f t m a x层，并将原模型中的激活函数更换为R e L u[１３]激活函数，提高计算效率，加速模型训练，同时避免原激活函数 梯度弥散 等问题，保留了全连接层的１５２个神经元，构成最终的图像特征向量.调整过的L e N e tＧ５网络结构如表２所示.
表２㊀基于L e N e tＧ５的卷积神经网络结构设置
T a b．２㊀C o n v o l u t i o n a l n e u r a l n e t w o r k s t r u c t u r e s e t t i n g
b a s e do nL e N e tＧ５
L e N e tＧ５层结构相关参数
卷积层１核个数:９６；核大小:５ˑ５；步长:１ˑ１
最大池化层１核大小:３ˑ３；步长:２ˑ２
D r o u p o u t层
卷积层２核个数:１９２；核大小:３ˑ３；步长:１ˑ１
最大池化层核大小:３ˑ３；步长:２ˑ２
D r o p o u t层
全连接层F C１输出神经元个数:１５２;L２正则化
D r o p o u t层
全连接层F C２输出神经元个数:１５２;L２正则化㊀㊀与A l e x N e t网络相比,L e N e tＧ５网络的卷积核运算操作相似，使用了相同的激活函数对网络模型进行非线性化，不同之处在于A l e x N e t网络比L e N e tＧ５网络层数更深㊁模型更大.
２．３㊀基于N i N的卷积神经网络结构
与上文处理方式类似，将N i N卷积神经网络结构的输入通道改为双通道图像输入并调整参数.优化后的网络结构参数如表３所示.
表３㊀基于N i N的卷积神经网络结构设置
T a b．３㊀C o n v o l u t i o n a l n e u r a l n e t w o r k s t r u c t u r e s e t t i n g
b a s e do nN i N
N i N层结构相关参数
卷积层１核个数:１９２；核大小:３ˑ３；步长:１ˑ１
卷积层１核个数:２５６；核大小:１ˑ１；步长:１ˑ１
卷积层２核个数:１９６；核大小:１ˑ１；步长:１ˑ１
最大池化层核大小:３ˑ３；步长:１ˑ１
D r o p o u t层
卷积层３核个数:１９２；核大小:３ˑ３；步长:１ˑ１
卷积层１核个数:１９２；核大小:１ˑ１；步长:１ˑ１
卷积层４核个数:１５２；核大小:１ˑ１；步长:１ˑ１
平均池化层核大小:３ˑ３；步长:１ˑ１
湖南汽车㊀㊀优化后的网络使用了更小卷积核以便保留曲线的细节信息；去掉了一层M L P结构，这是因为网络所学习的图片信息相较于原始网络信息量更小，去掉一层网络结构更有利于网络的训练，同时能避免过拟合；加深了卷积层的深度，提高网络提取图像信息的维度，提高网络的精度.
２．４㊀网络结构
R e L u函数的数学表达式为
f(x)＝m a x(０,x)(１)通过分析R e L u函数在定义域内的导数可以发现，当输入值xɪ[－ɕ,０]时，导数恒为０；当输入值xɪ[０,＋ɕ]时，该函数的导数大于零.因此该激活函数求导形式简单，并且激活区域内的导数值不随网络的深度变化而变小，解决了深度学习中的 梯度消失 问题.
由于本文采用的是R e L u激活函数，故权重初始值采用H E等[１４]推荐的初始值(下称H e初始值).当前一层的节点数为n时,H e初始值使用标准差为２n的高斯分布.
A d a m优化算法使用梯度的一阶矩估计和二阶矩估计对深度网络模型中的每个参数的学习率均进行优化修正[１５]，该算法深度学习网络中相应的权重系数迭代修正方式如下:
m t＝β１m t－１＋(１－β１)g t(２)
v t＝β２v t－１＋(１－β２)g２t(３)
m^t＝m t
１－β(t)１(４)
v^t＝v t
１－β(t)２(５)
ωt＝ωt－１－ηm
^t
v^t＋ε
(６)式中,g t为网络损失函数的一阶梯度值;m t为梯度在动量形式下的一阶矩估计;v t为梯度在动量形式下的二阶矩估计;m^t为偏差纠正后的一阶矩阵估计;v^t为偏差纠正后的二阶矩估计;η为模型学习率;ωt为第t轮迭代时神经网络中的待学习参数;β１㊁β２分别为一阶矩估计的衰减率和二阶矩估计的衰减率;ε为小常数，防止式(６)分母为０.
L２正则化数学表达式如下:
l２＝１２λ W ２２(７)式中,W为对应的网络层权重系数参数;λ为正则化系数，通过控制λ的大小控制整个模型的复杂度.
D r o p o u t正则化又称为随机失活法[１６]，令神经网络中的每个神经元都以概率P处于抑制状态，在测试阶段使得每个神经元都处于激活状态，同时乘以权重１ＧP以保持模型在训练阶段和测试阶段有相同的权重.
２．５㊀自定义损失函数
损失函数用于定量地区分模型的估计输出(预测)与正确输出(真实标注)之间的差异，本文问题属于回归预测类型，选用绝对值损失函数，定义如下:
L＝１Nðj|p j－y j|(８)
１４８
基于深度学习的汽车梁类件冲压回弹研究 聂㊀昕㊀谭㊀天㊀申丹凤
Copyright©博看网. All Rights Reserved.
式中,jɪ[１,N];y j表示训练样本的真实结果;p j表示模型的预测结果;N为样本数量.
截面线上不同位置的回弹程度不同，为使模型的输出结果更符合截面线回弹的分布规律，提高模型的训练效率，在选用绝对值损失函数的基础上，对每个点的结果添加不同的权重系数，使模型的输出结果更符合样本数据的分布.该损失函数的形式如下:
L(p k,j,y k,j)＝１Nðj(１mðkαk|p k,j－y k,j|)(９)
kɪ[１,m]㊀㊀jɪ[１,N]
式中,p k,j㊁y k,j分别为单个样本点回弹的预测值和真实值;m为输出结果的维度，本文中m＝１０;αk为相应的权重系数.
由于本文研究的梁结构截面曲线两端回弹大㊁中间回弹小，并且两者相差较大，所以在设置权重系数αk
时，通过加大截面线中间点的权重系数以提高模型对截面线中间点的训练精度，使模型输出结果更贴合实际结果.
２．６㊀全连接回弹预测结构
全连接层神经网络主要负责对上一级卷积神经网络得到的特征向量与样本工艺参数及样本材料参数进行耦合，层与层之间采用全连接方式进行连接.该网络主要包括输入层㊁隐藏层和输出层.输入层为卷积神经网络的输出和样本参数，输出层为对二维截面线的１０个参考点回弹量的预测值.采用正则化等方法降低数据过拟合问题.全连接层的神经网络结构如图３所示.
图３㊀全连接层的神经网络结构
F i g．３㊀N e u r a l n e t w o r k s t r u c t u r e o f f u l l y
c o n n e c t e
d l a y
e r
在图３中,A１,A２, ,A１５２为上层卷积神经网络最终得到的１５２个图像特征向量,B１,B２, , B８为８个样本工艺参数及样本材料参数,Y１, Y２, ,Y１０为１０个参考点的回弹量大小.具体的网络结构如表４所示.
该部分的主体结构由输入层㊁两层中间层以及输出层构成，在全连接层F C_３和全连接层F C_４
表４㊀全连接层神经网络结构设置
T a b．４㊀F u l l c o n n e c t i o n l a y e r n e u r a l n e t w o r k
s t r u c t u r e s e t t i n g
全连接层结构相关参数
输入层神经元个数:１６０
全连接层１神经元个数:１２５
D r o p o u t层
全连接层２神经元个数:１２５
D r o p o u t层
输出层神经元个数:１０
后均添加了D r o p o u t层以及使用L２正则化方法降低模型过拟合发生的风险.最终输出的１０个点为截面曲线上１０个参考点的回弹值大小.３㊀仿真验证及训练
３．１㊀基于拉丁超立方采样的回弹仿真样本
以某汽车大梁为研究对象，调研文献[１７Ｇ１９]，本次试验设计的变量见表５，设定采样样本数目为４００.
表５㊀拉丁超立方采样参数
T a b．５㊀L a t i nh y p e r c u b e s a m p l i n gp a r a m e t e r s
压边力F７０t~１５０t
摩擦因数μ０．０８~０．１８
材料厚度h(mm)０．８~１．６
模具间隙λ０．８h~２．８h
强化系数k(M P a)５５０~１７００
硬化指数n０．０８~０．３０
各向异性系数R０．７０~０．１７
初始屈服应变ε０４ˑ１０－４~０．２
㊀㊀对典型的类U形梁类零件进行仿真.梁上有吸收冲压时纵梁高度过度区域内的吸皱凹坑，防止零件在冲压时材料堆积引发起皱问题；在梁的左部区域有用于安装定位的装配孔，这段区域内的梁结构呈凸起形状.结构如图４所示，在D y n a f o r m中根据采样结果设置相关仿真参数，提交求解器运算,C A E网格模型如图５所示.
图４㊀梁类结构零件
F i g．４㊀B e a ms t r u c t u r a l p a r t s
统计仿真结果，去除１０个无效样本后，总共３９０个回弹分析样本，对每个样本作截面曲线(图６)并统计截面曲线处的回弹值，作为回弹算法模型的训练样本.
３．２㊀三类回弹类型样本建立
对梁类零件而言，截面线端点处的回弹值最大也最值得关注.为提高后续神经网络的拟合效果，将每根曲线的回弹最大值即端点处(点１和点
２４８
中国机械工程第３４卷第７期２０２３年４月上半月Copyright©博看网. All Rights Reserved.
发布评论