学生姓名：张子晗

班学生级：机械2017-09班

指导教师：谢延敏

毕设题目：BP神经网络在汽车覆盖件成形中的应用

一、概况

1.选题意义

冲压工艺作为一个产业，在国民经济的加工业中占有重要地位。据统计，冲压件在各行业中占有相当大的比重，特别是在汽车、电机、仪器仪表、军工、家电等行业。冲压有着广泛的应用，从精密电子元件、仪表指针到大型机器的重要面板和横梁、高压容器的头部、航天飞行器的蒙皮和机身。

如今的冲压成形，形状复杂，难度增加，以汽车覆盖件为例，汽车覆盖件是一个大挠度、大变形的塑性变形过程，涉及板料在不同塑性成形工序中复杂的应力、应变状态下产生塑性流动和塑性变形的过程，容易引起破裂、起皱、回弹、拉延不充分等成形缺陷问题。单凭经验往往很难对板料成形结果作出合理预测，进而加大了模具制造、调模及试模的难度和成本。为了准确把握板料的冲压成形性能，在当前板料冲压成形生产中利用先进的 CAE 技术进行汽车覆盖件成形过程的数值模拟，可以及早发现问题，结合近似代理模型法（预测模型）可以有效地预测并控制缺陷的产生，改进模具设计，优化冲压参数，从而大大缩短调模试模周期，降低模具制造成本。

本毕业设计基于BP神经网络以及多目标优化算法，而非单纯利用经验法或实验设计的方法，从而可以更加准确的确定一组合理的工艺参数使得成形质量明显提高；也可以利用毕业设计中的改进神经网络模型，在仅知道工艺参数的情况下，对冲压成形质量进行准确预测。

2.任务分解

1、查阅中外相关文献，选择其中相关度高的文献进行精读。

2、确定优化指标，筛选工艺参数。借助成形极限图（FLD）量化冲压件缺陷的程度并作为优化指标，再利用正交实验设计（极差分析、方差分析）筛选出对优化指标有显著影响的工艺参数。

3、学习Dynaform仿真软件，对冲压件的冲压过程进行仿真，学习python以及matlab编程软件，用于神经网络模型的构建以及优化算法程序的编写。

4、构建近似代理模型即神经网络预测模型，用于构建出优化指标与工艺参数之间的非线性函数关系，验证模型的预测精度和稳定性，并与其他预测模型进行比较。

5、由于需要优化的指标往往不止一个，并且优化指标之间可能存在负相关的关系，因此利用基于perato解集的多目标优化算法，求得一组perato解集，并利用优劣解距离法（TOPSIS）求得最优解。

6、分章节撰写毕业论文。

二、已完成工作

    1、查阅资料，并进行外文文献翻译。选择NUMISHEET’93的标准考题方盒件以及NUMISHEET’02的标准考题翼子板（一种汽车覆盖件）作为研究对象，利用Dynaform软件，进行冲压件模型的建立以及冲压过程仿真分析。

2、利用正交实验分析，在可能影响板料成形质量的多个潜在因素中，筛选出对板料成形质量影响显著性较大的若干个工艺参数（自变量），并利用拉丁超立方抽样，获取用于训练神经网络模型的样本。

3、确定近似代理模型，将集成学习的思想应用于神经网络之中，以BP神经网络作为弱学习器，集成多个弱学习器组成强学习器BP_AdaBoost，作为板料成形的近似代理模型。

4、将样本分为训练集和测试集，利用matlab软件，基于训练集，构建神经网络预测模型（BP_AdaBoost）并利用测试集对模型的泛化性能进行测试，结果显示该模型对方盒件以及翼子板的成形质量预测精度均达到要求，并将构建的神经网络模型与其他智能算法优化的BP神经网络模型进行对比。

5、利用NSGA-Ⅱ算法以及优劣解距离法（TOPSIS），基于BP_Adaboost模型，寻找到使得成形质量最优的工艺参数并进行验证。

三、下一步工作计划

    1、对神经网络模型进行改进，调整模型的参数，寻求使得模型预测精度和稳定性更高的可能。

2、改进多目标优化算法，使得寻优结果所对应的成形质量更加优秀，并使得寻优时间以及计算量尽可能少。

3、分部撰写毕业论文，使章节结构清晰。 

问题一：所谓多目标是哪些呢？

回生答：查阅文献后，冲压件主要的缺陷为拉裂、起皱、拉延不充分。

问题二：为什么用多目标优化？

回生答:因为在多种缺陷中，缺陷之间有些是负相关关系，获取良好的成形质量需要平衡和控制多种缺陷。

在过去几个月中，我收获颇丰，从寒假开始，在家中阅读了大量的中外文献，并对一些前沿的外文文献进行熟读，选择其中一篇进行翻译，了解到了冲压加工中的优化过程，并且学习了之前从未接触过的建模仿真软件Dynaform以及很多实验方法，例如正交设计试验，拉丁超立方抽样等等，还接触到了很多有关机器学习的知识，例如神经网络以及集成学习的思想均来自于此，除此之外还自学了智能算法以及其寻优过程，所谓智能算法，是将大自然中的一些自然现象的原理应用在寻优算法中可以极大的提高寻优算法的效率。

在学习了毕业设计所需要的基础知识后，我将其应用在了自己的毕业设计之中，在这个过程中也遇到了不少困难，一是工艺参数的选择和确定是需要经过多方面考虑的，无法凭经验确定；二是神经网络的参数没有明确的规定如何调节，因此需要不断的尝试，三是BP神经网络在预测一些复杂冲压件成形质量时暴露出精度不足以及稳定性不足的缺点，因此需要利用其他算法进行优化。经过谢老师的点拨指导，我也受到了很大得启发，加上自己的不断尝试，将集成学习的思想应用到毕业设计中，才使得自己的毕业设计可以按照进度顺利进行。

经过此次毕业设计的中期检查，我发现我还有一些部分需要改进，神经网络模型在汽车翼子板模型上的应用，预测精度和稳定性还需提高；多目标优化算法由于计算量较大，因此耗时较长，还需进行优化，提高效率。

最后，临近毕业，在交大的校园时光可能仅剩两个多月，我十分珍惜这些时间，也希望所有交大学子的毕业设计在最后可以完美解题，为生活在交大的四年时光画上完整的句号。