基于GS理论与神经网络的汽车覆盖件成形优化

利用GS理论和神经网络遗传算法函数寻优法,搭乘非线性有限元分析软件Dynaform,对轻型卡车左后侧围外板拉延成形过程工艺参数寻优,以解决该零件在成形过程中出现的破裂和过度减薄质量缺陷。将GS理论和正交试验设计相结合,获得各工艺参数组合下的最大减薄率,并对获取的数据进行灰色关联度分析,找出影响减薄率的两个主要因素,即冲压速度和压边力;基于神经网络遗传算法函数寻优模型,借助拉丁超立方抽样对选出的两个主要因素进行随机抽样,将冲压速度和压边力作为输入,最大减薄率作为输出,获得输入与输出之间的非线性映射关系,并获得BP神经网络预测结果。最后,将预测结果进行个体适应度值计算,得到全局最优解和对应输入值。对比优化前后的数值模拟结果以及实验结果可知,采用此方法所得的工艺参数组合可有效提高板料成形的性能和质量。