板料成形工艺设计是汽车覆盖件等模具生产的关键环节,进行成形工艺优化设计方法的研究,对于提高模具设计与制造水平具有重要意义。随着有限元和计算机技术的发展,数值模拟已成为板料成形工艺设计的重要工具,利用数值模拟对板料成形工艺进行优化,可以减少试模费用、降低试验成本。但这种方法计算时间长,操作不方便。此外,板料成形工艺设计是一个多目标优化问题,采用加权方法将多目标问题转变成单目标问题进行求解,常常不能取得最佳效果。如何将数值模拟技术与优化技术相结合,提高工艺设计的效率和质量,是板料成形工艺优化设计面临的重要问题。 针对以上问题,本文提出了基于ANN(Artificial Neural Network)近似模型的优化方法,并围绕ANN近似模型的相关理论与板料成形工艺优化的关键问题展开了研究,给出了一系列优化方法,进行了大量实验,并取得了以下的主要创新性成果： (1)提出了利用ANN近似模型进行工艺优化设计的方法,研究了建立近似模型的步骤和利用近似模型进行优化设计的流程。该方法建立了设计变量和设计响应间的显式关系,基于此关系进行优化计算,可以克服基于数值模拟的优化方法存在的计算时间长的问题。由于ANN具有高度非线性映射能力,利用ANN拟合板料成形工艺参数与目标函数间的非线性关系,提高了近似模型对原系统的拟合精度,进而可以提高优化的效率。 (2)给出了基于ANN近似模型进行拉延筋优化设计的方法。该方法以BPNN(Back Propagation Neural Network)为近似模型拟合等效拉延筋阻力与成形质量之间的复杂非线性关系,解决了数值模拟中无法建立设计变量与响应目标之间显式关系的问题。在建立近似模型的过程中,将IGA(Improved Genetic Algorithm)与BP(Back Propagation)算法相结合,用于优化BPNN的权值和网络结构。与常规BP算法相比,采用IGA-BP方法通过较少的迭代计算就能获得较优的网络结构,同时提高了网络的泛化能力。将该方法应用于汽车侧壁外板成形的拉延筋设计,取得了良好的效果。 (3)给出了基于ANN近似模型进行坯料快速预测及优化的方法。该方法利用RBFNN(Radial Basis Function Neural Network)作为近似模型拟合零件几何参数与坯料外形轮廓间的映射关系。基于该模型可以实现坯料的快速设计,避免在坯料设计过程中进行繁琐耗时的有限元计算。在建立近似模型过程中,提出了新的RBF网络训练算法MPSO-OLS,采用该算法可以简化网络的结构、提高网络的泛化能力。通过有限元反向法为神经网络提供训练样本,并采用沿变形路径优化的方法对样本进行了优化,提高了坯料的预测精度。针对坯料外形复杂程度不同的情况,提出了坯料外形整体描述法和图元分解描述法,并将上述方法成功应用于简单盒形件和复杂的后立柱零件的坯料设计。 (4)将GRA(Gray Relation Analysis)方法应用于基于ANN近似模型的多目标优化中,提出了利用GRA进行稳健多目标优化的方法,以解决板料成形工艺设计中的质量波动问题。该方法首先利用GRA对影响板料成形质量的因素进行分析,找出影响成形质量的关键因素,进而建立ANN近似模型。在对ANN近似模型进行确定性多目标优化的基础之上,利用GRA从确定性优化解中寻求最佳稳健解。将确定性优化与稳健优化解进行对比,结果表明稳健优化不仅提高了优化效率,而且提高了设计的稳健性。