基于BSO-BP神经网络的吸能盒多道次拉深系数优选方法研究

吸能盒高径比大,需多道次拉深成形,拉深系数对吸能盒成形质量影响重大,为客观合理确定每道次的拉深系数,提出一种基于BSO-BP神经网络的吸能盒多道次拉深系数优选方法。以某型汽车吸能盒为研究对象,将吸能盒的最大减薄率和FLD成形安全域占比作为成形质量评判标准。首先,以每道次拉深系数作为实验因素,应用拉丁超立方实验设计方法并结合有限元分析技术建立实验样本;其次,基于天牛群优化算法(BSO)优化BP神经网络的权重和阈值,建立多道次拉深系数的BSO-BP神经网络模型;再次,应用多目标粒子群算法(MOPSO)在建立的BSO-BP神经网络模型内进行寻优计算获得满足成形质量评判标准的最优多道次拉深系数值;最后,经过实际生产验证了所提方法的有效性,可为工程中深拉深制品的拉深系数客观合理确定提供一种可供参考的新方法。

基于熵权TOPSIS决策的汽车吸能盒冲压成形质量多目标优化

针对汽车吸能盒顶部圆角区域在冲压时易产生材料过度减薄进而引起开裂的成形缺陷问题,以压料力、脱料力和模具间隙为试验因素,以吸能盒最大减薄率最小化和成形极限图安全域占比最大化为质量优化目标,应用拉丁超立方试验设计方法结合有限元分析构建试验因素同质量优化目标之间的多种近似模型,并对近似模型的预测精度进行分析。基于多目标粒子群算法(MOPSO),在优选出的克里金(Kriging)近似模型内进行多目标寻优计算并得到帕累托(Pareto)解集,提出基于熵权逼近理想解排序法(TOPSIS),从Pareto解集中决策出1组最优工艺参数组合,并进行模拟和实际冲压生产验证。试验结果证明所提方法的可靠性及有效性,可为具有类似结构的汽车吸能盒的冲压生产提供有益借鉴。