2022年9月JOURNAL OF NETSHAPE FORMING ENGINEERING41
虚拟制造研究
张德海，付亮，李艳芹，李军恒，祝志逢，黄子帆
（郑州轻工业大学 机电工程学院，郑州 450002）
摘要：目的以某汽车内饰板为研究对象进行虚拟制造，以提前得到相对准确的工艺参数并减少成形缺陷的产生。方法研究了工艺参数对产品拉延成形质量的影响，并确定了拉丁超立方抽样区间，在抽样区间内抽取60组样本数据，以最大减薄率为目标值，以前50组样本数据为测试集、后10组样本数据为预测集，使用基于GA–BP神经网络的遗传算法得到最优工艺参数，并将其代入有限元分析软件DYNAFORM中进行虚拟制造。结果训练后GA–BP模型的预测值与期望值最大误差为0.299 7%，最大预测误差率为1.747 38%； 遗传算法预测的最大减薄率为16.548%，虚拟制造得到的减薄率为16.167%，虚拟制造值与预测值的大
小仅相差0.318%，仿真误差的误差率为2.36%。结论虚拟制造结合先进算法的优化方法可以指导后续生产。
关键词：DYNAFORM；GA–BP神经网络；内饰板
DOI：10.3969/j.issn.1674-6457.2022.09.006
中图分类号：TG302；TG386.3 文献标识码：A 文章编号：1674-6457(2022)09-0041-09
Virtual Manufacturing of Automotive Interior Trim Panels
Based on GA-BP Neural Network
ZHANG De-hai,FU Liang,LI Yan-qin,LI Jun-heng,ZHU Zhi-feng,HUANG Zi-fan
(School of Mechanical and Electrical Engineering, Zhengzhou University of
Light Industry, Zhengzhou 450002, China)
ABSTRACT: The work aims to conduct virtual manufacturing with automotive interior panel as the research object to obtain relatively accurate process parameters in advance and reduce the occurre
nce of forming defects. Firstly, the effects of process parameters on the quality of product drawing was studied, and the Latin hypercube sampling interval was determined; secondly,
60 sets of sample data were drawn in the sampling interval, and the maximum thinning rate was used as the target value, the first
50 sets of sample data were used as the test set and the last 10 sets of sample data were taken as expected set. Genetic algorithm
based on GA-BP neural network was used to obtain the optimal process parameters, which were substituted into DYNAFORM for virtual manufacturing. After training, the maximum error between the test value and the expected value of the GA-BP model was 0.299 7%, and the maximum prediction error rate was 1.747 38%; the maximum thinning rate predicted by the genetic algo-rithm was 16.548%, and the thinning rate obtained by virtual manufacturing was 16.167%. The difference between the virtual manufacturing value and the predicted value was only 0.318%, and the error rate of the simulation error was 2.36%. The opti-mization method of virtual manufacturing combined with advanced algorithms can guide subsequent production.
KEY WORDS: DYNAFORM; GA-BP neural network; interior panel
收稿日期：2021–11–13
基金项目：江苏省盐城市“515”创新领军人才项目（盐委[2020]40号）；河南省科技攻关项目（202102210087）；郑州市科技局产学研项目（郑科函[2020]3号）
42精密成形工程 2022年9月
内饰板产品越来越多地应用在汽车、航天、交通等领域中，其往往采用薄板冲压的方式进行成形。有些产品因为表面形状复杂、成形工艺烦琐等多方面因素的影响，在成形过程中经常会出现起皱、破裂、回弹、成形不足等质量缺陷。这些缺陷往往是由多个因素引起的，因此难以通过控制某个因素来解决问题，通常要同时对多个参数进行调整。为到相对合理的工艺参数，往往采用“试错法”来调整成形时的工艺参数，但这种方法要消耗大量的人力、物力和时间[1-3]。
近年来，随着计算机技术的发展，数值模拟及智能制造技术得到了广泛应用，先进算法结合虚拟制造的优化方法可以得到相对准确的工艺参数并减少成形缺陷的产生。近年来，国内外学者对此类交叉问题进行了深入探讨，并进行了大量探究。孙慧等[4]为解决拉伸件在拉深过程中出现的起皱问题，通过正交实验得到了最佳工艺参数的组合。徐小娟等[5]以铝合金板料的自冲铆接工艺为分析对象，以正交实验和方差分析为手段，确定了各工艺参数对底切量影响的主次顺序，并得出了最优的工艺方案。臧其其等[6]以DYNAFORM为基础，对某轿车铝合金地板梁的拉延成形过程进行了仿真，根据仿真结果
对拉延参数进行了优化，最后得到了符合质量要求的产品零件。王康康等[7]使用DYNAFORM与神经网络相结合的方法，以汽车行李箱内板为研究对象，以最大减薄率为目标，得到了最优工艺参数。刘强等[8]利用DYNAFORM 对空调压缩机壳冲压成形过程进行了仿真实验，利用仿真获得的实验数据训练径向基函数（RBF）神经网络，并结合遗传算法（NSGA–Ⅱ）和逼近理想排序法（TOPSIS）进行评价筛选，得到了产品的最优工艺参数。Zhang等[9]利用DYNAFORM软件对压边力、毛坯形状和毛坯尺寸进行了仿真计算，并采用数值模拟和实验相结合的方法解决了飞机蒙皮双曲率薄壁铝合金件（DCTAP）在成形过程中圆角不饱满、裂纹和起皱等问题。崔学习等[10]采用冲压成形工艺和电磁成形工艺相结合的方法，获得了成形覆盖件的最佳工艺参数，解决了铝合金材料在冲压时回弹量过大、流动性差等问题。Ma等[11]以汽车下层板为研究对象，研究了BHF（空白支架力）、模角半径、摩擦因数和模具间隙对最大减薄率和最大增厚率的影响，并在此基础上对4个参数进行了优化，获得了优质产品。上述研究主要集中于使用DYNAFORM软件进行数值模拟，并结合遗传算法、正交实验等方法得到最优工艺参数，而文中将采用基于GA–BP神经网络的遗传算法与DYNAFORM数值模拟相结合的方法对工艺参数进行优化，并将预测值与仿真值进行对比，以验证此方法的准确性。
为得到最优工艺参数、降低在设计阶段的人力物力、减少实验阶段的成本，文中以DYNAFORM软件为平台，建立GA–BP神经网络模型，通过遗传算法寻最优解。主要步骤如下：首先通过设计的仿真实验探究压边力、冲压速度、摩擦因数、拉延筋阻力占比等参数对成形质量的影响规律，从而得到最
优工艺参数范围；其次用拉丁超立方抽样的方法抽取60组样本数据，以此数据为原始训练数据构建精准的GA–BP神经网络模型，再用智能算法对全局寻优得到最优工艺参数；最后通过虚拟制造验证其准确性。
1 内饰板的工艺分析
内饰板形状如图1所示，零件尺寸为316 mm× 1 450 mm×1.2 mm，通过对其进行工艺分析，确定工序为拉深、修边、冲孔。材料选用DYNAFORM材料库中的HRDQSK，材料性能参数如表1所示，硬化曲线如图2所示，FLC曲线如图3所示。分析零件可知，零件的上部有较长的凸起部分，在冲压时容易发生破裂，左侧有几字形凸起，在成形过程中，此处极易因厚度变薄而导致破裂，右下侧也有一部分倒角，这些部位在冲压时容易破裂。
产品整体没有较大的曲率，因此零件在拉伸时较少涉及回弹，零件需要在DYNAFORM软件中进行工艺补充以及压料面的设计。几字形凸起及设计后的内饰板如图4所示。
图1 内饰板形状
Fig.1 Shape of interior trim panel
表1 材料性能参数
Tab.1 Performance parameters of materials
密度/
(kg·mm−3)
弹性模量/
MPa
泊松比
屈服应力/
MPa
硬化(强化)
模量/MPa
7.85×10−9207 000.00.28 221.0 571.1
图2 硬化曲线
Fig.2 Hardening curve
第14卷第9期张德海，等：基于GA–BP神经网络的汽车内饰板虚拟制造研究43
图3 FLC曲线
Fig.3 FLC curve
图4 几字形凸起及工艺补充后的内饰板Fig.4 A Ω-shaped protrusion and the interior trim panel
after the process is supplemented
设计后的产品可通过DYNAFORM得到拉延模具，其仿真模型如图5所示。工艺补充面有大部分为平面，需设计拉延筋，据经验设计的拉延筋位置如图6所示。成形工序为单动拉延，板料采用壳单元，在划分网格时，板料网格划分为4 mm，材料模型选择36号材料[12]，模具设置为不变形的刚体，划分网格为5 mm。
压铸机料筒的设计图5 零件仿真模型
环境模拟舱
Fig.5 Simulation model of parts
2 不同工艺参数对成形质量影响
为增加GA–BA模型的准确度，使后续遗传算法的全局搜索更加准确，得到更为合适的压边力、冲压速度、摩擦因数、拉延筋阻力占比，研究不同工艺参数对成形质量的影响非常必要。文中通过将4个工艺参数分成不同梯度来研究工艺参数对拉延成形的影响，以得到GA–BP模型最为合适的参数范围。
图6 拉延筋设置
Fig.6 Drawbead setting
2.1 不同工艺参数初步选取
定时药盒成形工艺中进料的阻力大小会影响成形质量。压边力的大小可根据式（1）[13]来计算。
Q Sq
(1)
式中：Q为压边力，kN；q为单位面积的压边力，MPa，q一般为2~4.5 MPa；S为压边圈下板料投影面积，mm2。经测量，S≈670 000 mm2，q=2 MPa，所以拉延时的压边力约为1 350 kN。
摩擦力可以控制材料的流动情况，是影响成形质量的一个关键因素。根据经验及文献[14]，摩擦因数取0.12，初次冲压速度取1 000~7 000 mm/s，适当地设计拉延筋可以很好地处理局部拉延不足等问题，故拉延筋阻力占比（此时拉延筋阻力占完全锁死时拉延筋阻力的百分比，下同）取25%左右[14]。各参数设定如表2所示。
2.2 不同工艺参数仿真分析
通过DYNAFORM对表2中的数据进行仿真，通过分析仿真后各组的FLD图得到不同工艺参数对板料成形质量的影响，如图7所示。
由图7a可知，当压边力增大时，最大减薄率呈先增大后减小的趋势，当压边力为1 200 kN左右时，最大减薄率较小，因此在后续拉丁超立方抽样时，压边力选取区间为800~1 600 kN。随着摩擦因数的增大，最大减薄率呈上升趋势，最大值为27%，摩擦力的大小可以影响板料流动的快慢进而影响板料成形质量[6]，根据图7中最大减薄率的变化趋势，选取摩擦因数为0.06~0.15进行拉丁超立方抽样。随着冲压速度的增大，最大减薄率呈先增大后减小的趋势，分析可知，冲压速度的拉丁超立方抽样区间为4 000~7 000 mm/s最为合理。当拉延筋阻力占比为29%时，减薄率最小，故拉延筋阻力占比的拉丁超立方抽样区间设置为25%~34%。分析图7b可知，在冲压仿真时，板料的最大增厚率为2.4%。
最终拉丁超立方抽样区间设置如下：压边力为
44
精 密 成 形 工 程 2022年9月
图7 不同参数下的成形质量
Fig.7 Forming quality under different parameters
表2 各参数设定
Tab.2 Setting of each parameter
因素
疫苗伴侣水平
压边力/ kN
冲压速度/
(mm·s −1
)
摩擦因数 拉延筋阻力占比/% 1 400 2 600
3 1 000
4 1 200
5 1 600
4 000
0.12 25
1 1 000
2 2 500
3 4 000 4 5 500 5
600 7 000
0.12 25
1 0.06
2 0.09
3 0.12
4 0.15
5
600 4 000 0.18
25压铸机料筒的设计
1 17
2 21
3 25
4 29
5 600 4 000 0.12 33
400~1 600 kN 、冲压速度为4 000~7 000 mm/s 、摩擦
因数为0.06~0.15、拉延筋阻力占比为25%~34%。
当压边力为600 kN 、冲压速度为4 000 mm/s 、摩擦因数为0.12、拉延筋阻力占比为25%时，FLD 图中的厚度变化情况如图8所示。可知，板料成形时凸起部位即①处厚度变化最为明显，此处有破裂的风险；起皱以及起皱趋势出现压边圈以外的区域②处。当工艺参数变化时，最大减薄率和最大增厚率也将跟着变化。为使最大减薄率、最大增厚率最小，将通过数值模拟与智能算法相结合的方法得到最优的压边力、冲压速度、摩擦因数、拉延筋阻力占比。
图8 FLD 图中的厚度变化情况
Fig.8 Thickness change in FLD diagram
3 基于GA –BP 神经网络的遗传算法
的参数优化 3.1 拉丁超立方抽样 超立方抽样是一种广泛应用于解决工程问题的随机抽样的实验设计方法，其特点是抽样点分布均匀，可以在较少的抽样样本下，快速地达到计算收敛[15-18]。根据2.2节确定的各参数范围，使用拉丁超立方的方法在抽样区间内抽取60组样本数据，然后以此样本点为数据库来构建GA–BP 神经网络模型。其中，以前50组样本数据为测试集、后10组样本数据为预测集。
3.2 GA –BP 神经网络模型的建立 BP 神经网络又称误差反向传播（back propaga-tion ）神经网络，可以实现输入层到输出层任意的非线性映射。在神经网络中，输入为正向传播，误差为反向传播，训练方式是通过得到输出层的响应值y k 与期望值的误差D i ，并基于误差反向传播逐层训练其中的权值[19]。BP 神经网络结构模型如图9所示，该模型由输入层、隐藏层、输出层3层结构组成，主要参数包括输入层数据x i 、输入层到隐藏层权值矩阵
第14卷 第9期
张德海，等：基于GA–BP 神经网络的汽车内饰板虚拟制造研究
45
W a 1
、隐藏层输出变量m j 、隐藏层到输出层权值矩阵W b 2、输出层参数y k 。
图9 BP 神经网络结构
Fig.9 Structure of BP neural network
BP 神经网络传递的基本原理如式（2）—（3）所示。
对于隐藏层，有：
2
net 11net
() j j m il i i j
g w x m f g =⎧=⎪⎨
⎪=⎩∑
(2)
对于输出层，有：
2net 12net ()
中药煎药器k k l
jl j
j k
g w m y f g =⎧=⎪⎨
⎪=⎩∑
(3)
式中：x i 为输入层参数；m j 为隐藏层输出变量；y k 为输出层输出变量；il w 为输入层到隐藏层权值；
jl w 为隐藏层到输出层权值；11
()1e x
f x -=+为隐藏层
的神经元传递函数；f 2(x )=x 为输出层的神经元传递函数；net j g 、net k g 为神经元传递函数的输入。 在训练BP 神经网络时，可以通过判断输出值与期望值的误差，反向调整权值矩阵，但由于权值初始值的取值范围一般为0~1，因此在网络训练初期
权值波动较大，这将导致BP 神经网络学习效率低、收敛过慢。
遗传算法（genetic algorithm ，GA ）是1957年 由美国Michigan 大学的Holland 教授及其科研团队提
出的，算法的原理是通过模拟达尔文生物进化论中“优胜劣汰”的自然选择和进化机制来构造计算模型[20-23]，其主要特点是可以实现快速全局搜索。其主要原理将问题编码成染体，染体上不同的位置代表不同的基因，不同基因会控制不同的表现型，在优化时，不同位置的基因会发生选择、交叉、变异等操作，然后将适应度好的基因遗传到下一代、适应度差的基因淘汰，经过多次迭代，最后的适应度结果将无限接近理论最优值。
GA–BP 神经网络模型的原理主要是使用遗传算法对神经网络的权值和阈值进行优化，然后将优化后的权值和阈值代入遗传算法中，以大幅度提高神经网络的准确性以及稳定性。GA–BP 神经网络模型由BP 神经网络的确定、遗传算法的优化、遗传算法的预测3部分组成[24]。GA–BP 流程图如图10所示。
在GA–BP 神经网络模型神经网络的确定部分中，神经网络中待优化参数为压边力、冲压速度、摩擦因数、拉延筋阻力占比，以待优化参数为神经网络中的4个输入层节点，以仿真FLD 图的最大减薄率为神经网络输出值，因此神经网络有1个输出层节点，并设置10个隐含层节点。在训练神经网络时，以拉丁超立方抽样的前50组样本数据为训练数据、后10组样本数据为测试数据。在遗传算法优化部分，以神经网络的预测值和期望值的绝对值为遗传算法的适应度，经过遗传算法的反复迭代，将最优适应度所对应的权值和阈值返回给神经网络中，从而得到最为精确的GA–BP 神经网络模型。神经网络的部分参
图10 GA–BP 神经网络流程图
Fig.10 Flow chart of GA-BP neural network
