神经网络在板料拉深CAD/CAE集成系统优化模块中的应用

"这篇硕士学位论文主要探讨了基于神经网络的板料拉深CAD/CAE集成系统的优化模块研究，旨在解决板料拉深过程中出现的质量缺陷，如拉裂和起皱，通过数值模拟技术和神经网络技术提高工艺优化的精度和效率。" 在当前的工业生产中，板料拉深是一种常见的金属成形工艺，用于制造各种形状的部件，但这个过程常常伴随着各种质量问题。传统的解决方法依赖于工程师的经验和知识，这往往限制了优化效果。为了解决这个问题，论文提出了将CAD（计算机辅助设计）和CAE（计算机辅助工程）集成，利用CAE中的数值模拟技术在设计初期预测和避免可能出现的缺陷。 数值模拟技术尽管在板料成形过程中取得了显著的进步，但仍然面临诸如模型失真、模拟与实际生产的差异以及数据传输的智能化问题。为解决这些问题，研究者引入了神经网络技术，开发了一套工艺优化系统。神经网络以其强大的学习能力和非线性映射能力，能够处理复杂的数据关系，提高优化精度。 论文选择了在拉深成形中最常见且最具代表性的圆筒形零件作为研究对象，通过大量物理实验收集压边力等相关数据。使用有限元软件DYNAFORM进行数值模拟，对比实验和模拟结果以验证模拟的准确性。随后，研究者利用MATLAB软件作为开发平台，结合神经网络（如BP神经网络）构建了压边力优化模型，并设计了用户友好的优化系统。 该系统不仅适用于圆筒形件的压边力优化，还能应用于更广泛的覆盖件，体现出其专业性和实用性。这一研究为板料拉深工艺的自动化优化提供了新的工具，有望提升产品质量，降低废品率，进一步推动制造业的高效发展。