摘 要

针对零件设计周期长，生产效率低的问题，本文借助企业提供的不同结构的A柱下的内外减薄率，以及python语言对应的多种API：numpy，pandas，tensorflow等编写神经网络。并通过贝叶斯优化超参数解决了小样本数据预测精度不高的问题，最终五组数据内外减薄率预测平均误差分别为：0.275%，0.287%。

论文主要研究了不同结构参数与A柱下减薄率的非线性关系。利用神经网络暴力解算出每个结构参数对减薄率的影响程度。

最后求解出QP980钢在极限减薄率25%下的工件拉伸高度为55.417mm，同样高度下进行冲压仿真减薄率为25.3%，相差不大，证实了神经网络的准确性，并利用LS-dyna进行撞击有限元仿真，对零件的内应力进行分析。

关键词：循环神经网络、汽车A柱、交叉验证、贝叶斯优化、仿真模拟

Abstract

To solve the problem of long part design cycle and low production efficiency, this paper USES the internal and external thinning rate under column A of different structures provided by enterprises, as well as various python apis: numpy, pandas, tensorflow, etc., to write the neural network. In addition, the problem of low prediction accuracy of small sample data was solved through bayesian optimization of hyper-parameters. Finally, the average prediction error of internal and external thinning rate of the five groups of data was 0.275% and 0.287% respectively.

The nonlinear relationship between different structural parameters and the thinning rate under column A is studied in this paper. The influence of each structural parameter on the thinning rate was calculated by using neural network violence.

Finally, the tensile height of the workpiece of QP980 steel at the limit thinning rate of 25% is 55.417mm, and the thinning rate of the stamping simulation at the same height is 25.3%, with little difference, which proves the accuracy of the neural network. In addition, ls-dyna is used for impact finite element simulation to analyze the internal stress of the part.

Key Words：Recurrent Neural Network（RNN）；automobile A column；cross validation；bayesian optimization（BO）; simulation

目 录

第1章绪论 1

1.1研究背景和课题来源 1

1.2国内外零件设计研究现状 1

1.2.1计算机辅助工程 1

1.2.2 最优化设计 2

1.3高强钢概况 2

1.3.1分类 2

1.3.2 应用现状 3

1.4本文研究内容 3

第2章 神经网络介绍 4

2.1 神经网络简介 4

2.2 数学表达式 5

2.2.1正向传播 5

2.2.2反向传播 5

2.3相关算法 6

2.3.1 Adam算法 6

2.3.2 贝叶斯优化算法 7

第3章 普通全连接神经网络的建立 8

3.1 实验材料 8

3.2 构件几何特征分析 8

3.3 数据分析 10

3.4 数据预处理 11

3.5建立神经网络 11

第4章 贝叶斯优化模型 13

4.1 模型搭建 13

4.2 模型训练 14

4.3 模型验证及对比 15

4.4 权重计算 18

第5章 仿真验证 20

5.1 冲压仿真验证 20

5.1.1软件介绍 20

5.1.2 仿真流程 20

5.2 碰撞安全仿真 21

5.2.1 软件介绍 21

5.2.2 仿真流程 21

5.3 本章小结 25

总结与展望 26

参考文献 27

致谢 29

第1章绪论

1.1研究背景和课题来源

随着物质需求的逐渐发展，人均汽车保有量逐步上升。统计局数据标明，截至2019年底，汽车保有量在全国范围内到达2.6亿辆，相比与2018年增加8%。其中新能源汽车的增长尤为显著，达到了46%。说明节能环保的车辆逐渐成为了消费者追求的目标。同时国家排放标准的进一步紧缩表明节能减排已经成为工业界中首要的待解决问题^[3-6]。

在所有汽车所造成的污染中，燃油燃烧之后的废气是对环境最大的挑战。在进一步思考更高效的燃油利用率的同时，人们也在考虑在不明显降低汽车性能的情况下提高经济性。研究标明汽车整车重量减少10%，油耗降低6~8%，排放减少4%^[1,2]。不可避免，汽车轻量化被提上了议程。

为了避免材料的减轻影响到汽车的安全性等性能，高强钢作为一种典型的轻量化生产资料，在强度刚度性能方面具有显著优势，不仅可以减少排放，更能提高乘车安全性^[7]。企业如果想提高行业竞争力，更大规模地应用高强钢已经成为必然趋势。

高强钢顾名思义具有高强度的特点，多用于车身防撞构件或加强构件，比如前后门及保险杠，以增强汽车的安全性能^[8-10,3]。但是由于汽车车身零件结构繁杂，加工工艺要求严格等原因，强度高，塑性相对较差的高强钢在冷热冲压过程中经常出现各种工艺缺陷^[11,12]。

值得指出的是，高强钢加工缺陷在冲压由以下三种形式组成：

1. 破裂：由于拉应力超过极限范围，则会产生开裂现象；或者因为变形能力超出极限造成破裂，俗称减薄破裂。成型极限图（FLD）是对其一种良好的评价标准。
2. 起皱：由于原材料在冲压过程中压缩受力失稳造成，常由多种应力造成，比如压应力，剪应力，弯曲应力。起皱极限曲线（WLC）是一种对其良好的评判标准。
3. 回弹：在冲压完成卸除外部载荷时，因为材料的弹性变形得到释放，最终零件的形状发生相应变化的现象。

1.2国内外零件设计研究现状

1.2.1计算机辅助工程

目前车身设计领域主要借助计算机(CAE)数值模拟技术，结合人工试验，通过不断试错，调整参数来解决高强钢冲压成形难题。通过对建好的三维模型进行处理进而对产品的性能进行分析和模拟，进而为后续生产提供依据，达到节约时间成本，财力成本，缩减生产周期的目的^[13-18]。