1、薄板沖壓成形是一種非常重要的制造技術，在汽車、航空、電器和國防等工業(yè)都有廣泛的應用，薄板沖壓工藝與模具設計則是薄板沖壓成形技術的關鍵。在工程實際中，薄板沖壓工藝與模具大多憑經(jīng)驗設計，或借助CAE技術對設計方案進行驗證。本研究則將薄板沖壓工藝與模具設計視作一個反問題，即己知零件的形狀尺寸和預期成形質量，反求工藝參數(shù)、模具參數(shù)和板料毛坯形狀等，開展了薄板沖壓成形反演問題的反演方法及應用研究。本文對常用的參數(shù)反演方法——神經(jīng)網(wǎng)絡方法進行了較為

2、深入的研究，針對如何設計神經(jīng)網(wǎng)絡的結構，提高其泛化能力的問題，提出了三種基于泛化的多層前向神經(jīng)網(wǎng)絡的結構設計方法，并將其應用于拉延筋幾何參數(shù)反求、沖壓件的毛坯反求、變壓邊力反求等典型的薄板沖壓成形反演問題中，通過反演計算快速得到可行的或者指導性的薄板沖壓工藝與模具設計方案。 本研究的主要創(chuàng)新點包括以下幾個方面：(1)綜合運用泛化能力的多種改進方法，即交叉測試法和最優(yōu)停止法、在測試樣本中增加少量的高斯噪聲，在網(wǎng)絡性能函數(shù)中添加Ga

3、uss先驗分布的正則化項等方法，來提高網(wǎng)絡的泛化能力和魯棒性。 (2)從神經(jīng)網(wǎng)絡結構的全局優(yōu)化的角度，針對常用的隱層結點激活函數(shù)為S形函數(shù)的多層前向神經(jīng)網(wǎng)絡，開展了遺傳算法在神經(jīng)網(wǎng)絡結構設計中的應用研究，提出了一種基于改進遺傳算法IP-μGA(amodifiedmicrogeneticalgorithmwiththestrategyofIntergenerationProiection)的多層前向網(wǎng)絡結構優(yōu)化設計方法(Struc

4、tureoptimizationofmultilayerfeedforwardnetworkusinggeneticalgorithm，簡稱SOMFNGA)，編制了相應的計算程序。在SOMFNGA方法中，運用改進的遺傳算法IP-μGA搜索與給定樣本相適應的多層前向網(wǎng)絡結構，其間綜合運用網(wǎng)絡泛化能力的多種改進方法以及快速搜索機制確定學習速率、動量系數(shù)、跳躍因子和正則化系數(shù)的方法，對解空間中個體對應的網(wǎng)絡結構進行訓練。數(shù)值算例結果表明，運用

5、SOMFNGA方法設計的神經(jīng)網(wǎng)絡不僅具有較好的訓練精度，而且具有較強的泛化能力和魯棒性。以某車型前地板角支撐板的拉延工序為例，運用SOMFNGA方法研究了給定沖壓件成形效果衡量指標反求拉延筋幾何參數(shù)的方法。該方法的實際應用效果表明，反求得到的設計方案對于實際應用具有重要的指導意義。與此同時提出了基于初始訓練樣本集的漸進式局部密化樣本點的樣本設計方法，研究結果表明該方法可加快神經(jīng)網(wǎng)絡設計進程，提高網(wǎng)絡計算精度。 (3)從構造的角度

6、，針對常用的隱層結點激活函數(shù)為S形函數(shù)的多層前向神經(jīng)網(wǎng)絡，開展了神經(jīng)網(wǎng)絡的動態(tài)結構設計研究，提出了一種基于泛化的多層前向網(wǎng)絡動態(tài)結構設計方法(Dynamicstructuredesignofmultilayerfeedforwardnetwork，簡稱DYNSDMFN)，編制了相應的計算程序。在DYNSDMFN中，基于OckhamsRazor原則，從一個較小的基本網(wǎng)絡開始，通過動態(tài)增加隱結點或隱層，綜合運用網(wǎng)絡泛化能力的多種改進方法，改

7、進的BP算法(帶跳躍因子的附加動量法)以及快速搜索機制和全局搜索機制相結合確定學習速率、動量系數(shù)、跳躍因子和正則化系數(shù)的方法，采用網(wǎng)絡權值的局部和全局調節(jié)方案，對多層前向網(wǎng)絡進行動態(tài)結構設計。數(shù)值算例結果表明，運用DYNSDMFN方法設計的神經(jīng)網(wǎng)絡不僅具有較好的訓練精度，而且具有較強的泛化能力和魯棒性。分別以帶法蘭的低方形盒和某車型B柱零件為例，開展了綜合運用有限元網(wǎng)格映射法、一步模擬法和神經(jīng)網(wǎng)絡方法的板料毛坯反演研究。討論了薄板沖壓成

8、形毛坯反求神經(jīng)網(wǎng)絡的設計方法和途徑，研究了毛坯反求神經(jīng)網(wǎng)絡設計中的一些關鍵的技術問題，如：毛坯形狀的描述、訓練樣本的合理設計、神經(jīng)網(wǎng)絡模型的結構設計等。分別運用DYNSDMFN和SOMFNGA方法進行低方形盒毛坯反求神經(jīng)網(wǎng)絡的設計研究結果表明，兩種方法設計的網(wǎng)絡計算精度均能滿足工程計算的要求，不失為較好的多層前向網(wǎng)絡結構設計方法；其中運用DYNSDMFN方法設計的低方形盒毛坯反求神經(jīng)網(wǎng)絡計算精度比SOMFNGA方法更好一些。 (

9、4)針對常用的徑向基函數(shù)神經(jīng)網(wǎng)絡，開展了動態(tài)結構設計問題研究，提出一種基于泛化的徑向基函數(shù)神經(jīng)網(wǎng)絡的動態(tài)結構設計方法(Dynamicstructuredesignofradialbasisfunctionnetwork，簡稱DYNSDRBF)，編制了相應的計算程序。該方法將RBF網(wǎng)絡學習問題分為兩個階段，即粗調階段和精調階段。在粗調階段，只按正交最小平方法動態(tài)增加隱結點的數(shù)目及選取相應的樣本輸入作為數(shù)據(jù)中心，直至隱結點數(shù)滿足一定要求；在

10、精調階段，用改進BP算法對粗調得到的RBF網(wǎng)絡進行學習，其中包括數(shù)據(jù)中心、擴展常數(shù)和連接權值的動態(tài)調整等。調整過程中，綜合運用神經(jīng)網(wǎng)絡泛化能力的多種改進方法來提高網(wǎng)絡的泛化能力和魯棒性。在以上兩個階段中所涉及的擴展常數(shù)的初值、給定的最多隱結點數(shù)和正則化系數(shù)則運用IP-μGA算法來確定。數(shù)值算例結果表明，運用DYNSDRBF方法設計的神經(jīng)網(wǎng)絡不僅具有較好的訓練精度，而且具有較強的泛化能力和魯棒性。以翻邊回彈預測和某車型B柱零件拉延工序中的

11、變壓邊力反演為例，分別運用DYNSDRBF、DYNSDMFN和SOMFNGA方法開展了回彈預測神經(jīng)網(wǎng)絡設計和變壓邊力反演研究。研究發(fā)現(xiàn)，三種方法設計的網(wǎng)絡計算精度均能滿足工程計算要求，不失為較好的多層前向網(wǎng)絡結構設計方法。三種方法在上述兩個具體問題中的應用結果表明：在翻邊回彈預測問題中，運用SOMFNGA方法設計的網(wǎng)絡計算精度更好一些；而在變壓邊力反演問題中，運用DYNSDRBF方法設計的網(wǎng)絡計算精度更好一些。在實際應用中，可從三種方法

12、中選擇較為合適者來進行神經(jīng)網(wǎng)絡的結構設計。此外，變壓邊力反演研究結果表明，只要沖壓回彈仿真計算準確，利用上述求解方法可有效地提高沖壓件的成形質量，節(jié)省大量反復試模修模過程所耗費的人力和物力。 (5)在采用等效拉延筋的拉延筋幾何參數(shù)反演中，等效拉延筋阻力計算是反演研究所必須解決的正問題的一個組成部分。本文提出了一種綜合考慮多種因素影響的等效拉延筋阻力的模擬計算方法，編制了相應的計算程序。在該方法中，采用平面應變假設，針對不同的材料

13、類型，選用不同的屈服準則；考慮了Bauschinger效應、應變速率敏感性、板料變形過程中板厚的變化以及中性層偏移等多種因素對拉延筋阻力的影響。并與經(jīng)典的Nine試驗數(shù)據(jù)進行比較，驗證了該方法的有效性。 綜上所述，本研究在常用的參數(shù)反演方法——神經(jīng)網(wǎng)絡的泛化能力的改善和結構設計方面取得了一些成果，提出了三種基于泛化的多層前向神經(jīng)網(wǎng)絡的結構設計方法以及漸進式局部密化樣本點的神經(jīng)網(wǎng)絡樣本設計方法，為多層前向神經(jīng)網(wǎng)絡的結構設計探索了一