盒形件作为一种常见的冲压件应用非常广泛.将激光拼焊板应用到盒形件后，由于焊缝及热影响区的存在，不同厚度、不同部位的非均匀变形会使整个零件的成形变得非常困难^[1-2].人工智能技术应用于板料冲压成形具有广阔的应用前景，智能预测压边力系统的开发更是具有较为实际的意义，将其应用于指导实际生产将产生较大的经济效益.

Manabe等^[3]基于人工神经网络技术和弹塑性理论提出一种新的参数识别方法，并应用于拉深零件压边力的自适应控制.李新城等^[4]建立了以焊接工艺参数为输入变量的基于主成分分析的BP神经网络模型，能够准确预测拼焊板力学性能.姜银方等^[5]建立了拼焊板回弹的BP神经网络预测模型，对拼焊板U型零件的回弹进行预测.陈水生等^[6]建立了基于人工神经网络的拼焊板成形极限预测模型，分析了摩擦系数对拼焊板最小极限应变的影响.然而，目前关于拼焊板成形压边力预测方面的研究还比较少.

本文将数值模拟、人工神经网络技术及正交试验相结合，对拼焊板盒形件拉深成形压边力进行预测.首先完成拼焊板盒形件拉深成形的数值模拟，重点讨论压边力加载方式对拼焊板盒形件成形质量的影响规律.在此基础上，基于BP神经网络技术建立拼焊板盒形件拉深成形压边力预测模型，通过正交试验结合数值模拟，建立神经网络模型所需的训练及测试样本数据库，并通过遗传算法对神经网络模型进行优化，最终获取理想的压边力预测曲线，为实现智能化冲压奠定基础.

1 拼焊板盒形件冲压成形数值模拟

本文所用拼焊板(tailor welded blank, TWB)材料牌号为DQSK T36，其性能参数如表 1所示.采用工程上比较常用的只建立焊缝位置模型的方法，选取圆形坯料以获得更好的板料成形性能^[7]，板料直径为ϕ215 mm.板料有限元网格选取4节点BT壳单元，网格尺寸2 mm.压边圈以及凸凹模定义为刚体，压边圈类型选择分瓣刚性压边圈.为了尽可能减少焊缝移动时压边圈对板料流动的影响以及防止焊缝处出现起皱破裂等缺陷，厚板侧压边圈向薄板侧偏移5 mm，如图 1所示.拼焊板板料厚度组合取0.8/1.0，0.8/1.1，0.8/1.2，0.8/1.3，0.8/1.4五种情况(对应料厚比依次为1.25，1.375，1.5，1.625，1.75)，凸模的截面尺寸为100 mm×100 mm，凸模圆角尺寸变化范围8~12 mm，凹模圆角尺寸变化范围10~14 mm，凹凸模转角半径尺寸变化范围10~14 mm.摩擦系数为0.125，成形深度50 mm，采用LS-DYNA动力显式求解算法计算拼焊板盒形件成形过程，有限元模型如图 2所示.

2 压边力加载方式对拼焊板盒形件成形质量的影响

本文选取常见的7种压边力(blank holder force, BHF)加载方式，分析其对拼焊板盒形件成形质量的影响^[8].压边力加载方式如图 3所示.

通过对仿真结果的分析发现，加载方式7，即减小—恒定—增大的方式可以同时使拼焊板的最大减薄率和焊缝移动量达到最小，即压边力加载方式7为相对较优的选择.因此，对加载方式7作进一步研究.对拼焊板成形过程中施加定常压边力进行仿真研究，可以测得拼焊板出现破裂的临界压边力值与出现起皱的临界压边力值，这两个值组成的区间称为压边力安全成形区间.当拉深成形过程中施加的压边力位于该区间时不会产生破裂或起皱等缺陷，本文测得的安全区间为20~80 kN.针对这一安全区间设计三种变压边力加载方案：① 80—20—20—80 kN；②80—30—30—80 kN；③80—40—40—80 kN.三种加载方案在拉深行程的始末段压边力值均相等，中间恒定段的压边力值逐渐增加.仿真结果列于表 2.

分析表 2中数据变化发现，当始末段压边力大小不变时，随着中间恒定段施加的压边力值的增大，拼焊板的最大减薄率与焊缝移动量均呈现上升趋势，即恒定段压边力数值增大不利于最终的板料成形.临界起皱压边力值对应为安全区间的最小值20 kN，临界破裂压边力值对应为安全区间的最大值80 kN.因此为了保证成形质量，恒定段压边力值最小可减少至临界起皱压边力值20 kN，故认为恒定段压边力数值较小且接近临界起皱压边力值更有利于成形.

通过上述分析，较优压边力的加载方式可以确定为：随着拉深行程的增加，由初始压边力80 kN开始减小，然后维持在临界起皱压边力20 kN一段时间，再逐渐增大至80 kN.

3 基于BP神经网络的压边力模型建立及优化 3.1 神经网络模型的建立

通过MATLAB建立BP神经网络模型实现对拼焊板盒形件压边力值的实时预测.网络模型的输入、输出层包含对拉深成形有较大影响的主要因素^[9-10].输入层参数：凹凸模转角半径、凸模圆角半径、凹模圆角半径和拼焊板的料厚比；输出层参数：随拉深行程变化的压边力数值(压边力曲线).采用单隐含层，当隐含层节点数为16个时，实测神经网络的性能较好.隐含层节点转移函数选择tansig，函数可以将输出值限制在[-1, 1]之间，而输出层节点转移函数选择purelin，输出可以是任意值^[11].

3.2 训练样本获取

采用正交试验法结合有限元数值模拟获取样本数据^[12-13].采用5水平6因素正交表L₂₅(5⁶)设计正交试验，其中最后两列为空列，所得正交试验方案如表 3所示.其中，材料类型为DQSK T36，磨擦系数0.125，拉深深度50 mm，压边力加载类型为加载方式7.在正交试验基础上，再设计25组试验，共50组作为总试验样本.训练样本数据进行归一化处理，然后即可在MATLAB中进行神经网络的训练.训练时将随机选取49组样本作为训练样本，余下1组样本作为测试样本用以测试神经网络的预测能力.

3.3 神经网络预测性能检验

神经网络经49组样本训练完成后，采用剩下的1组数据进行神经网络预测能力的检测，随机抽取的检测样本参数如表 4所示，预测得到的压边力值及预测误差如表 5所示.

由表 5中数据可知，BP神经网络对压边力的预测误差在拉深行程的中间段(10~35 mm)相对较小，而在起始段(0~10 mm)与结束段(35~50 mm)相对较大，且在拉深行程为45 mm时达到最大值15.68%，很难满足实际生产的工艺要求.因此，需要对BP神经网络进行优化，进一步提高预测精度.

3.4 遗传算法优化神经网络模型

采用遗传算法对神经网络的初始权值和阈值进行优化，算法流程见图 4.个体编码方式采用实数编码，选择方法为轮盘赌法；为了保证个体适应度值较高的个体在选择时不被淘汰，选择过程中加入了精英保留策略；交叉概率0.2，变异概率0.02.

测试样本仍采用表 4中的相关参数，将这些参数输入优化后的神经网络，得到的预测值如表 6所示.表 6中同时列出了样本值，并计算了预测误差.对样本值进行插值，最后得到如图 5所示的优化后神经网络的预测压边力加载曲线.

对比表 5中数据可以发现，优化后神经网络的压边力预测值与样本值在拉深行程中间段非常接近，在起始段与结束段误差略大，在拉深行程为50 mm时达到最大值，仅为5.08%；相比未优化网络的最大预测误差15.68%有较大程度的降低.优化后网络在起始段与结束段的预测误差相比未优化网络均有所改善.通过图 5也能够知道，优化后神经网络预测得到的压边力加载曲线更接近样本压边力加载曲线，尤其在中间段几乎完全重合，且整体变化趋势保持一致，即优化后的神经网络具有更好的预测性能.

将优化后神经网络模型预测得到的压边力曲线输入到有限元模拟软件中进行拼焊板盒形件的冲压成形仿真，得到拼焊板的最大减薄率为18.000%，焊缝移动量为1.192 mm，成形效果较为理想.

4 结论

1) 通过数值模拟确定了压边力的安全成形区间为20~80 kN，并找到一条较优的压边力加载曲线，其大致变化趋势为：随着拉深行程的增加，由初始压边力80 kN逐渐减小至临界起皱压边力20 kN并保持一段时间，再逐渐增大至80 kN.

2) 建立了适用于拼焊板盒形件拉深成形压边力预测的BP神经网络模型，采用遗传算法通过在选择过程中加入精英保留策略优化了神经网络的初始权值和阈值，优化后的神经网络具有较好的预测性能，最大预测误差由15.68%大幅降至5.08%，能够满足生产实际的要求.