金属板料成形过程中,裂纹的产生是主要的失效形式之一。裂纹在形成和扩展过程中,由于材料局部能量的快速释放,会伴随有声发射信号的产生,且不同位置裂纹的声发射信号参数有所不同。本文在广泛查阅国内外科技文献的基础上,将神经网络技术和声发射检测技术相结合,对拉深件裂纹位置实施在线监测,达到识别裂纹位置的目的。其主要内容和结果如下:　　 首先,本文介绍了声发射信号产生机理、声发射源等相关基础理论。结合板料成形过程中裂纹的形成和扩展,分析了对应声发射信号特点;同时根据板料成形的工艺特点,确定了裂纹声发射源的定位方法。　　 其次,介绍了神经网络的基本理论,详细阐述了BP神经网络识别金属拉深件裂纹位置的原理、BP神经网络的结构设计和算法。通过比较采用不同数量的隐层神经元网络的训练误差,确定本研究中神经网络的隐层神经元个数。　　 再次,基于有限元分析方法,建立了金属拉深件畚斗冲压成形的有限元模型,仿真研究了畚斗成形过程中应力应变随时间变化的情况、金属拉深件畚斗厚度减薄情况。根据相关准则,得到畚斗在底部圆角外侧位置容易产生裂纹。同时为了能够在实验中采集到更好的声发射信号,通过在减薄严重区域设置弹性波激励源,来仿真凹模凸缘对弹性波的响应,从而可以将传感器放置在响应最好的位置。　　 最后,为了获得BP神经网络的训练样本数据和测试数据,进行了畚斗拉深成形实验,采集了不同位置裂纹声发射信号参数数据和测试数据。通过设计BP神经网络特征提取器,提取了能够很好表征信号的5五个特征参数:幅度、振铃计数、能量、持续时间和时间消耗,且不影响对畚斗裂纹位置的识别结果。5个特征参数对应的数据作为BP神经网络的输入,基于BP神经网络模式识别技术对畚斗成形中的裂纹位置进行了识别。　　 研究结果表明,通过神经网络进行特征参数提取,特征参数从11个降维到5个,且不影响识别结果。利用5个特征参数进行BP神经网络畚斗成形裂纹位置识别,成功实现了裂纹位置识别,从而达到裂纹定位目的。研究过程和结果不仅对板料成形过程的工艺参数选取有参考作用,对于塑性成形中初始裂纹的位置状态识别也有一定的指导意义。