基于神经网络和物理模型的增量成形多特征部件的几何精度反馈控制方法
《Engineering Applications of Artificial Intelligence》:A geometric accuracy feed-back control approach for incremental forming multi-featured components based on neural network and physical model
【字体:
大
中
小
】
时间:2026年04月03日
来源:Engineering Applications of Artificial Intelligence 8
编辑推荐:
本文提出基于物理信息神经网络(PINN)的几何误差预测模型及工具路径优化算法,通过补偿策略将复杂组件的几何误差平均降低52.7%-68.1%,验证了模型的有效性。
宋少奇|李彦乐|葛婷宇|龚海|杨成龙|韩福珍|栾晓娜|李芳仪
山东大学机械工程学院,济南,250061,中国
摘要
增量板材成形(ISF)是一种无模具的成形工艺,具有制造复杂形状的极大灵活性,但由于质量要求的不断提高,尤其是对于多特征部件,其几何精度仍需进一步提高。本文创新性地提出了一种基于物理信息神经网络(PINN)的几何误差预测模型,该模型能够同时预测多特征(如直壁、凹面和凸面特征)的成形几何精度。值得注意的是,所提出模型的融合损失降低到了0.04,预测的几何误差的平均绝对偏差(MAD)与实际测量误差相比在0.17毫米以内。此外,还开发了一种新的ISF成形路径生成算法,该算法基于最优补偿值的计算,建立了每个特征位置的最优补偿值与其测量几何误差之间的映射关系。经过补偿后,部件在15毫米成形深度时的直壁、凹面和凸面的平均绝对误差分别为0.15毫米、0.1毫米和0.34毫米,分别减少了62.2%、68.1%和52.7%。除了边缘部分,几何误差低于0.4毫米的面积比例从29.8%提高到了83%,这清楚地验证了最优补偿算法(OCA)的有效性和鲁棒性。本研究提出的基于物理信息神经网络的最优补偿算法(PINN-OCA)模型为复杂部件的增量成形精度控制和优化提供了一种有效方法。
引言
增量板材成形(ISF)是一种新兴的无模具板材成形技术(Duflou等人,2018年),具有低成本、短交货期(Gatea等人,2016年)、高灵活性和减少材料浪费(Cooper和Gutowski,2020年)等优点。由于增量成形可以显著缩短生产周期,因此特别适用于小批量生产(Bowen等人,2022年),例如航空航天、造船、汽车和医疗设备(Chang和Chen,2022年)。
通过成形工艺(增量成形、弯曲、冲压等)制造的零件的几何精度仍然是最大的挑战之一,这是由于复杂的应力和应变演变历史(Attar等人,2023年;Min等人,2018年;Sun等人,2022年)。不同特征的几何误差差异主要源于不同的变形机制(Li等人,2015年;Zhu和Ou,2023年)和力模式(Aerens等人,2010年)。特别是板材回弹引起的几何精度误差是增量成形大规模应用的主要问题。为了提高ISF的几何精度,研究人员付出了大量努力。各种方法已被证明是有效的,包括热处理方法(Behera和Ou,2016年)、低温增量板材成形(Li等人,2024b,2024c年)、工艺参数优化(Baruah等人,2017年;Ham和Jeswiet,2006年;Raju和Narayanan,2016年)、模具辅助成形(Min等人,2018年)和混合增量成形工艺(Li等人,2019年,2023b年)。然而,除了这些因素外,工具路径优化通常也被认为是一个不可忽视的因素(Zhu等人,2021年)。
在增量板材成形中准确预测几何误差对于实现反馈控制至关重要。有限元仿真已被证明是预测板材成形几何精度的一种有效方法(Panthi等人,2010年)。Lee等人(2023年)和Sbayti等人(2022年)使用FE模型预测了截锥体和金字塔形状的增量成形的几何精度和板材厚度,FE模型能够揭示成形进给策略(Z级和螺旋形)对几何误差的影响(Shaker和Klimchick,2023年)。现有的FE模型研究主要集中在简单部件上,而复杂部件的模型建模耗时较长。然而,当前FE研究的一个局限性是它主要关注简单部件,因为建模复杂部件在计算上仍然非常密集且耗时。作为替代方案,传统的数据驱动方法(如回归算法)也被用来拟合实验结果(G?rüs等人,2024年;Moellensiep等人,2020年),但这些方法通常需要大量数据集且模型训练效率较低。最近在人工智能(AI)方面的进展,特别是深度学习架构(如卷积神经网络(CNN)(Chen等人,2020年)和循环神经网络(RNNs),彻底改变了制造领域的预测建模。这些深度学习方法在复杂模式识别任务中取得了显著成功,例如在多模态数据融合(Chen等人,2024b年)、序列学习技术(Chen等人,2024a年)、状态识别(Peng等人,2025a年;Zendehdel等人,2024年)和活动预测(Peng等人,2025b年)中的应用。采用神经网络已被证实是预测增量成形过程中几何精度的一种有效方法(Nagargoje等人,2023年)。普通的反向传播神经网络(BP-NN)模型已被用于简单旋转部件的增量成形的几何误差预测(Li等人,2024a年)。对于复杂部件,Dennis等人(Moellensiep等人,2024年)使用人工神经网络(ANN)来预测成形部件的笛卡尔坐标,Low等人(2023a,2023b年)使用卷积神经网络(CNN)将成形过程的准备图片识别为部件实际轮廓的几何参数以进行误差预测。然而,传统神经网络在整合特定领域的物理规律性方面常常面临限制,需要大量的标记数据进行训练。关键的是,现有的增量成形几何误差预测模型通常仅依赖于基于物理的分析模型或神经网络模型。这种分离限制了它们的有效性,特别是在预测复杂部件的几何误差方面。因此,开发一种结合基于物理的分析模型和神经网络的增量成形复杂部件的误差预测模型是必要的,这使得模型训练更加容易,并且输出的几何误差可以直接用于几何精度反馈控制。
成形工具路径的补偿和优化是提高增量成形精度的关键策略。Chen等人(Dai等人,2019年)使用多道次成形策略将具有阶梯特征的部件的几何误差降低到了0.91毫米。Cao等人(Cao等人,2022年;Leem等人,2022年)提出了一种用于多曲面复杂部件的几何特征成形序列确定方法,使得增量成形的几何误差低于1.01毫米。尽管通过成形策略提高了几何精度,但仍未满足不断提高的质量要求。研究人员尝试通过补偿工具路径来获得更低的几何误差。除了直接使用镜像补偿算法(根据测量或预测的几何误差直接补偿工具路径)进行工具路径补偿(Dai等人,2019年;Moellensiep等人,2020年,2024年;Shi等人,2012年)外,研究人员还尝试探索更有效的工具路径补偿方法。Lu等人(2017年)首次使用了模型预测控制(MPC)方法,该方法在垂直和水平方向上优化工具路径参数以提高ISF过程中的成形精度。在此基础上,He等人(2020年)提出了一种切换MPC方法,Wang等人(2023年)提出了一种基于学习的MPC方法,这些方法在成形复杂部件时取得了更好的精度结果(几何误差低于0.81毫米和0.75毫米)。基于成形阶段之间的视觉测量,Li等人(2024a)提出了一种高精度多阶段增量成形方法,简单旋转部件的几何误差在0.5毫米以内。Cao等人(Ren等人,2019年)提出了一种原位回弹补偿方法,该方法使用离线模型获得的补偿值来修改ISF工具路径的下一轮廓,鱼鳍形状部件的平均几何误差为1.2毫米。这些类型的补偿方法通常需要在增量成形过程中中断以测量几何误差,并且在实现复杂部件的理想精度结果方面存在困难。
现有的基于物理的分析模型和神经网络模型已被用于提高增量成形的几何精度,但迄今为止它们尚未被协同用于多特征复杂部件的精度控制。在这项研究中,我们创新性地提出了一种基于物理信息神经网络(PINN)的模型,用于预测ISF过程中的几何误差,并提出了一种基于最优补偿值计算的ISF工具路径生成方法。然后,对具有多特征(如直壁、凹面和凸面特征)的复杂部件进行了成形实验,并建立了增量成形的FE模型。最后,获得了每个工具路径点的最优补偿值并生成了全新的工具路径。这项工作对该领域的主要贡献包括:
●开发了一种基于PINN的增量板材成形过程几何误差预测模型,该模型创新地将部件的轮廓特征信息作为物理约束添加到神经网络中。
●基于最优补偿算法(OCA),提出了一种考虑ISF中几何误差补偿的工具路径生成方法。
●通过分析应变演变,揭示了多特征部件在增量成形过程中几何误差的变化规律。
方法与模型
在这项研究中,设计了一个复杂部件,其示意图如图1所示,其中包含了几种典型特征,如直壁、凹面、凸面和角。详细来说,图1中的AB、BC和CD段表示直壁特征,而DE和EA段分别表示凹面和凸面特征。按照蓝色箭头的指示创建部件坐标系的x轴和y轴,并设置板材的初始位置
几何误差分布
在本节中,揭示了几何特征和工艺参数对部件几何误差分布的影响。图6展示了具有不同工艺参数的增量成形板材。
测试编号2和7的几何误差数据作为典型样本,用于研究成形深度对几何误差分布的影响。如图7所示,测量了典型目标位置的几何误差。
结论
本文提出了一种基于物理信息神经网络的最优补偿算法(PINN-OCA)模型,用于预测和优化多特征复杂部件在ISF过程中的几何误差。所提出的PINN-OCA模型通过参数实验和复杂多特征(直壁、凹面和凸面特征)部件的有限元仿真进行了验证。结果和分析总结如下。
改进的
作者贡献声明
宋少奇:撰写——原始草案、方法论、调查、形式分析、数据管理、概念化。李彦乐:监督、项目管理、资金获取、概念化。葛婷宇:方法论、调查、形式分析。龚海:项目管理、资金获取。杨成龙:资源、调查。韩福珍:软件、数据管理。栾晓娜:调查、形式分析、数据管理。李芳仪:项目管理、资金
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
致谢
本工作得到了国家自然科学基金(资助编号:52275348)、精密制造极端服务性能国家重点实验室开放研究基金(Kfkt2024-08)、山东省自然科学基金(资助编号:ZR2024YQ029)和济南市产学研融合发展计划(编号:202534068)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号