第42卷第11期 Vol. 42No.11
饭压技术
FORGING & STAMPING TECHNOLOGY
汽车踏板横梁翻边过程中的回弹预测
沈洪喆，朱兴元，石文华
（武汉理工大学材料科学与工程学院，湖北武汉430070）
2017年11月 Nov.2017
摘要：以汽车踏板横梁为研究对象，结合数值模拟技术与GRNN神经网络对零件翻边过程中的回弹情况进行预测。首先采用 Autoform对踏板横梁翻边过程进行模拟，并与相同参数下实际零件回弹角进行对比，验证模拟结果的准确性和可替代性。再通过设计正交试验获取不同参数组合下各检测点的回弹角数据作为样本数据，并在MATLAB中对GRNN神经网络进行训练。
为保证预测精度，设置多组光滑因子进行训练，发现光滑因子为0.1时，
网络具有最优的通近性能和预测性能，并作为最终
发现预测误差最大为4.3%，满足生产要求。研究表明，GRNN神经
网络模型进行检验。通过预测结果与真实结果进行对比，
网络对板料翻边回弹预测既具有较高效率，又具有较高的精度
关键词：踏板横梁；GRNN神经网络；回弹预测；MATLAB；回弹角；光滑因子；数值模拟 DOI: 10. 13330/j. issn. 1000-3940. 2017. 11. 008
中图分类号：TG386
文献标识码：A
文章编号：1000-3940（2017）11-0042-05
Springbackprediction ofautomobilepedalbeamduringflangingprocess
Shen Hongzhe, Zhu Xingyuan, Shi Wenhua
( School of Materials Science and Engineering, Wuhan University of Technology, Wuhan 430070, China)
Abstract : For automobile pedal beam, the springhack in flanging process was predicted by combining numerical simulation technology with GRNN neural network. At first, the process of pedal beam flanging was simulated by software Autoform, and their springhack angles were compared with the actual ones under the same parameters to verify the accuracy and substitutability of simulation results. Then, the springhack angle data of each detection point with different parameters were obtained by the orthogonal test, and the: GRNN neunal network was trained by MATLAB. In onder to ensure the accuracy of prediction, the multiple sets of spread factors were trained. Furthermore, when the spread factor is 0. 1, the network has the best approximation performance and prediction performance, which is regarded as the final network model to test, and the maximum error between prediction results and actual measurement results is 4. 3% which satisfies re-quirements of production. The results show that the GRNN neural network is of high efficiency and high precision for the springhack pre-diction in sheet metal flanging.
Key words : pedal beam; GRNN neural nehwork ; springback prediction; MATLAB; springback angle; spread factor; numerical simula-tion
板料在冲压过程中往往会出现许多成形缺陷。通常破裂和起皱等缺陷可通过改善生产环境或调整工艺参数达到完全消除的目的，但回弹缺陷在板料实际冲压过程中是不可避免且无法彻底消除的[1] 因而回弹问题，尤其是薄板零件的弯曲回弹，成为许多学者的研究焦点。通常对于弯曲回弹的研究，学者们主要集中在回弹补偿和回弹预测两个方面。合理的回弹补偿方案可以有效提高板料成形的质量
收稿日期：20170512：修订日期：20170716
作者简介：沈洪喆（1992-），男，颈土研究生 E-mail: 362457847@ q- com
通讯作者：宋兴元（1964-），男，博士，副教授万方数据ail:zhu.xingyuan@ hotmail.com
和精度，而精准的回弹预测往往能够指导和帮助回弹补偿的合理化，因此，深入研究回弹预测方法既具有重要的学术意义又具有一定的实用价值[2-4]
目前，常使用有限元分析软件对板料成形后的回弹缺陷进行数值模拟和预测，但由于回弹属于小变形非线性问题，会耗费大量模拟计算时间，极大降低实际生产效率[5]。人工神经网络（ANN）基于自身非线性特点，能够以任意精度逼近任一非线性函数，对非线性输入输出建立非线性关系，拥有极快的运算速度，用于板料回弹预测是可行的。目前，最常用的网络模型为BP网络模型，
但
在解决样本量少的问题时，效果并不理想[6]。广义回归神经网络（GRNN）在分类能力、逼近能力