他们工作的主要贡献在于,通过生成基于巨趋势扩散(MTD)函数和粒子群优化算法的虚拟数据库,弥补了用于训练 ANN 模型的实验数据量有限的问题,从而提高了 SPIF 力预测的准确性。MTD 技术假定数据有上下限。Liu 和 Li 提出了一个优化问题,该问题有一个目标函数,其目标是在考虑将新值添加到所选数据时使预测误差最小。该优化问题的约束条件是,要添加的数据必须在之前设定的上下限之间。这个问题是通过粒子群优化来解决的。对两个 ANN 模型进行了训练,一个仅使用实验数据,另一个使用
实验数据和人工生成的数据。对两个 ANN 模型的性能进行了比较,结果表明后一个模型能更好地预测力。
Garcia-Romeu 及其合作者也开发了两个模型,但这次探索的是一个 ANN 模型和一个与 ANN 模型耦合的遗传算法 (GA) 模型(GA-ANN)[27]。他们将模型用于 TPIF 工艺,以预测正反刀具在三个正交方向上的成形力。模型将两个主要工艺参数(增量角度和增量深度)作为输入,以预测 FeP04 深冲钢的成形力。使用三层反向传播网络来训练 ANN 模型,其中隐层和输出层的传递函数分别为 sigmoid 和线性。作为对 ANN 模型的改进,利用 GA 为网络寻找最佳或近似最佳连接权重和偏置,然后利用反向传播算法调整最终权重。据报告,GA-ANN 模型在预测力方面表现更佳。不过,不同的主轴速度、刀具直径、材料和板材厚度对成形力的影响不在他们的研究范围之内。
人工智能应用在这一研究领域的主要贡献之一,是提供预期几何偏差与工艺参数和材料特性之间的严格关系,以消除或补偿几何误差。正如下文所总结的,显著的努力集中在澄清和量化这些关系上。预测几何偏差主要有两种方法,即开发 ANN 和/或回归模型。此外,还开发了其他人工智能模型,如响应面方法学、粒子群优化与方差网络、深度信念网络和堆叠自动编码器。
图 9.几何误差的类型。
Ambrogio 等人[35] 提出了一个预测几何偏差的工作实例,他们开发了一个 ANN 模型,用于预测 SPIF 过程中出现的回弹效应导致的几何偏差。他们考虑了铝合金 AA1050-0 板材的成形问题,以生产锥形和金字塔形的凹面。ANN 模型的输入包括:坯料厚度、最终高度、成形部件壁的倾斜角度和对称条件(平面应变或轴对称)。这项工作的主要目标是证明,ANN 是一种很有前途的工具,可用于解决使用 SPIF 制造零件的尺寸精度问题。作者使用有限元模型生成二维数据集,用于训练和测试 ANN 模型。
Ambrogio 等人[36]在先前工作的基础上开发了 ANN 模型,该模型利用实验和数值数据进行训练,以 X 和 Y 方向的几何偏差预测金字塔凹面的回弹,如图 9 所示。模型输入包括零件几何形状(倾斜角和所需零件深度)、材料(杨氏模量和板材厚度)和工艺(冲头直径)参数。模型使用两种材料类型:铝合金和钢。为了改进预测,尝试了不同的 ANN 结构(就隐层数而言)。据报告,在隐层中配置 20 或 30 个隐节点的 ANN 模型可提供更好的结果。开发该模型的主要目的是利用回弹产生的几何偏差来修改刀具轨迹,以提高尺寸精度。研究成形区局部加热的效果及其对回弹的影响不在本工作范围之内。
与 Ambrogio 及其同事类似,Möllensiep 等人[23] 开发了一个 ANN 模型,用于预测 TPIF 过程中产生的几何偏差。这项工作的主要重点是探索 TPIF 中支撑力和支撑角的影响,以便找到这两个变量的最佳组合,使几何偏差最小化。作者使用了 67 个参数作为 ANN 模型的输入,包括一般工艺参数、刀具路径和零件几何形状。
一些研究人员还开发了其他与 ANN 相结合的方法。其中之一是 Radu 等人的报告,他们开发了 ANN 和 RSM 模型来预测 SPIF 生产的制件的精度[38]。这些模型预测了用 304 不锈钢制造的双斜面金字塔的理论尺寸偏差。对理论尺寸偏差的预测与几个工艺参数有关,即刀具直径、刀具垂直步距、主轴转速和进给量。ANN 结构包括一个包含四个神经元的输入层、一个包含四个神经元的隐藏层和一个包含三个神经元的输出层。结果表明,ANN 模型预测尺寸偏差的能力优于 RSM。所开发的模型有助于通过改变四个工艺参数来提高 SPIF 制造的零件的几何精度。预测不同材料和不同几何形状的偏差不在本文研究范围之内。同样,Zwierzycki 等人开发了使用 ISF 成型锥体的 ANN 和线性回归模型[39]。具有四层的 ANN 模型根据输入的网格模型预测潜在的制造几何形状,而线性回归模型则量化目标深度和制造深度之间的关系。
Opritescu 和 Volk 首次提出了使用 ANN 模型的概念,即根据零件的几何形状以及所用毛坯的尺寸和材料,为 ISFF 制定刀具轨迹[19]。我们进行了一项案例研究,以证明使用 ANN 预测一种材料(深冲钢 DC04)和特定毛坯尺寸的 L 形轮廓的刀具轨迹的潜力。由于这项工作的主要目标是介绍使用 ANN 预测刀具轨迹的可能性,因此没有考虑不同的毛坯尺寸和材料类型。
[1] A. K. Ibrahim和W. K. Hamdan:《自适应神经模糊推理系统在增量式金属板材成型工艺中表面粗糙度预测中的应用》,第20页,2015年。
[2] J.-J. Park 和 Y.-H.Kim, "Fundamental studies on the incremental sheet metal forming technique," J. Mater.Process.Technol.,第 7 页,2003 年。
[3] C. Hartmann, D. Opritescu, and W. Volk, "An artificial neural network approach for tool path generation in incremental sheet metal freeforming," J. Intell.Manuf.》,第 30 卷,第 2 期,第 757-770 页,2019 年 2 月,doi: 10.1007/s10845-016-1279-x。
[4] C. V. Ajay, C. Boopathi, and P. Kavin, "Incremental sheet metal forming (ISMF):文献综述》,印度泰米尔纳德邦,2019 年,第 030012 页,doi:10.1063/1.5117955。
[5] A. Taherkhani、A. Basti、N. Nariman-Zadeh 和 A. Jamali,"通过多目标优化在最短时间内实现单点增量成形的最大尺寸精度和表面质量",Proc. Inst. Mech.Eng.Part B J. Eng.Manuf.3,900-913 页,2019 年 2 月,doi: 10.1177/0954405418755822。
[6] R. Abd Ali、W. Chen、M. S. H. Al-Furjan、X. Jin 和 Z. Wang,"使用机器学习对增量成形过程中 Al//\mathrm{Al} / SUS 双金属片的最大成形角和表面粗糙度进行实验研究和优化预测",《材料》,第 12 卷,第 24 期,第 4150 页,2019 年 12 月,doi: 10.3390/ma12244150。
[7] J. Jeswiet, F. Micari, G. Hirt, A. Bramley, J. Duflou, and J. Allwood, "Asymmetric Single Point Incremental Forming of Sheet Metal," CIRP Ann., vol. 54, no. 2, pp.
[8] A. K. Behera, J. Verbert, B. Lauwers, and J. R. Duflou, "Tool path compensation strategies for single point incremental sheet forming using multivariate adaptive regression splines," Comput.-Aided Des.3,第 575-590 页,2013 年 3 月,doi: 10.1016/j.cad.2012.10.045。
[9] S. P. Leo Kumar, "State of The Art-Intense Review on Artificial Intelligence Systems Application in Process Planning and Manufacturing," Eng.Appl.Intell.》,第 65 卷,第 294-329 页,2017 年 10 月,doi:10.1016/j.engappai.2017.08.005。
[10] D. T. Pham 和 A. A. Afify,"机器学习技术及其在制造业中的应用",Proc. Inst.Eng.Part B J. Eng.Manuf.5, pp.
[11] S. Fahle, C. Prinz, and B. Kuhlenkötter, "Systematic review on machine learning (ML) methods for manufacturing processes Identifying artificial intelligence (AI) methods for field application," Procedia CIRP, vol. 93, pp.
[12] D. D. Störkle、P. Seim、L. Thyssen 和 B. Kuhlenkötter,"增量薄板成型中的机器学习",第 7 页,2016 年。
[13] S. Kashid 和 S. Kumar,"模具设计专家系统:A Review," Journal of Manufacturing Engineering, vol. 7, no.4, p. 8, 2012.
[14] S. Kashid 和 S. Kumar,"人工神经网络在金属板材加工中的应用--综述",Am.J. Intell.Syst.》,第 2 卷,第 7 期,第 168-176 页,2013 年 1 月,doi:10.5923/j.ajis.20120207.03。
[15] V. Naranje 和 S. Kumar,《人工智能在金属冲压模具设计中的应用--综述》,世界科学、工程和技术学院,第 7 页,2010 年。
[17] D. K. Bhatt、J. Rana、K. Shah 和 K. J. Patel,"增量式金属薄板成型工艺:A Review," Int.J. Eng.Res.》,第 4 卷,第 10 期,第 9 页,2016 年。
[18] Y. Kumar 和 S. Kumar,"增量薄板成型(ISF)",《材料成型与接合进展》,R. G. Narayanan 和 U. S. Dixit 编辑,新德里:Springer India,2015 年,第 29-46 页。新德里:施普林格印度出版社,2015 年,第 29-46 页。
[19] D. Opritescu 和 W. Volk,"个性化钣金零件生产的自动驾驶--神经网络方法",《机器人。Comput.-Integr.Manuf.》,第 35 卷,第 144-150 页,2015 年 10 月,doi:10.1016/j.rcim.2015.03.006。
[20] C. Hartmann 和 W. Volk:《使用概率密度函数和 voronoi 分区的基于知识的增量金属板材自由成型》,《Procedia Manuf》,第 29 卷,第 4-11 页,2019 年,doi:10.1016/j.promfg.2019.02.097。
[21] M. Pohlak、J. Majak 和 R. Küttner,"增量板材成形的可制造性和局限性",《爱沙尼亚学术会议》,第 2 卷,第 3 期,第 2 页。Estonian Acad.科学与工程》,第 12 页,2007 年。
[22] D. H. Nimbalkar 和 V. M. Nandedkar, "Review of Incremental Forming of Sheet Metal Components," Int.工程研究与应用期刊》,2013 年。
[23] D. Möllensiep, M. Ohm, D. D. Störkle, and B. Kuhlenkötter, "Experimentelle Validierung geglätteter, auf maschinellem Lernen basender Parametrierung des lokalen Gegenhalters in der roboterbasierten incremental sheet forming:Experimentelle Validierung geglätteter, auf maschinellem Lernen basierender Parametrierung des lokalen Gegenhalters in der roboterbasierten inkrementellen Blechumformung," in Production at the leading edge of technology, J. P. Wulfsberg, W. Hintze, and B.-A. Behrens, Eds.Behrens, Eds.柏林,海德堡:Springer Berlin Heidelberg, 2019, pp.
[24] A. Mulay、B. S. Ben、S. Ismail 和 A. Kocanda,"使用人工神经网络预测单点增量成形中的平均表面粗糙度和可成形性",Arch.Civ.机械。19, no.4,第 1135-1149 页,2019 年 8 月,doi: 10.1016/j.acme.2019.06.004。
[26] Z. Liu、Y. Li:《利用神经网络建立单点增量成形中成形力的小数据驱动模型》,第1-9页,2019年。
[27] M. L. Garcia-Romeu、E. Ceretti、A. Fiorentino 和 C. Giardini,"使用与遗传算法相结合的反向传播神经网络进行两点增量成形中的成形力预测",ASME 2010 国际制造科学与工程会议,第 2 卷,美国宾夕法尼亚州伊利市,2010 年 1 月,第 99-106 页,doi:10.1115/MSEC2010-34142。
[28] M. Tera, R. E. Breaz, O. Bologa, and S. G. Racz, "Developing a Knowledge Base about the Technological Forces within the Asymmetric Incremental Forming Process," Key Eng.Mater.》,第 651-653 卷,第 1115-1121 页,2015 年 7 月,doi: 10.4028/www.scientific.net/KEM.651-653.1115。
[29] S. G. Racz, R. E. Breaz, O. Bologa, M. Tera, and V. S. Oleksik, "Using an Adaptive Network-based Fuzzy Inference System to Estimate the Vertical Force in Single Point Incremental Forming," Int. J. Computing.Comput.控制》,第 14 卷,第 1 期。控制》,第 14 卷,第 1 期,第 63-77 页,2019 年 2 月,doi: 10.15837/ijccc.2019.1.3489。
[30] A. Alsamhan, A. E. Ragab, A. Dabwan, M. M. Nasr, and L. Hidri, "Prediction of formation force during single-point incremental sheet metal forming using artificial intelligence techniques," PLOS ONE, vol. 14, no. 8, p. e0221341, Aug. 2019, doi: 10.1371/journal.pone.0221341 .
[G.Ambrogio和L.Filice,"应用神经网络技术预测增量成形过程中的可成形性",《关键工程与材料》,第410-411卷,第381-389页,2009年3月,10 4028/。Mater., vol. 410-411, pp.
[33] G. Ambrogio, L. Filice, F. Guerriero, R. Guido, and D. Umbrello, "Prediction of incremental sheet forming process performance by using a neural network approach," Int. J. Adv. Manuf.J.Adv.Manuf.Technol.,第 54 卷,第 9-12 期,第 921-930 页,2011 年 6 月,doi: 10.1007/s00170-010-3011-x。
[34] G. Ambrogio, C. Ciancio, L. Filice, and F. Gagliardi, "Innovative metamodelling-based process design for manufacturing: an application to Incremental Sheet Forming," Int.Mater.Form.3,第 279-286 页,2017 年 6 月,doi: 10.1007/s12289-015-1276-1。
[35] G. Ambrogio、L. Filice、F. Gagliardi、F. Micari 和 D. Umbrella,"应用神经网络技术减少增量成形过程中的回弹",在 2005 年第八届 ESAFORM 材料成形会议上发表。
[36] G. Ambrogio, D. Umbrello, L. Filice, and F. Micari, "Neural Network Based Approach for improving Geometrical Precision in Incremental Forming." in th CIRP International Seminar on Intelligent Computation in Manufacturing Engineering, 2006, pp.
[37] F. Han, J. Mo, H. Qi, R. Long, X. Cui, and Z. Li, "Springback prediction for incremental sheet forming based on FEM-PSONN technology," Trans.中国有色金属学会Soc. China, vol. 23, no.4, pp.
[38] C. Radu, I. Cristea, E. Herghelegiu, and S. Tabacu, "Improving the Accuracy of Parts Manufactured by Single Point Incremental Forming," Appl.Mater.》,第 332 卷,第 443-448 页,2013 年 7 月,doi: 10.4028/www.scientific.net/AMM.332.443。
[39] M. Zwierzycki、P. Nicholas 和 M. Ramsgaard Thomsen,"机器学习在机器人增量板材成型中的本地化和学习应用",《人性化数字现实》,K. De Rycke、C. Gengnagel、O. Baverel、J. Burry、C. Mueller、M. M. Nguyen、P. Rahm 和 M. R. Thomsen 编辑。新加坡:Springer Singapore, 2018, pp.
[40] S. Akrichi、A. Abbassi、S. Abid 和 N. Ben yahia,"使用深度学习方法进行单点增量成形中的圆度和定位偏差预测",Adv. Mech.Eng., vol. 11, no. 7, p. 1687814019864465, Jul. 2019, doi: 10.1177/1687814019864465.
[41] J. Verbert、A. K. Behera、B. Lauwers 和 J. R. Duflou,"多变量自适应回归样条曲线作为提高 FSPIF 生产零件精度的工具",《关键工程材料》,第 473 卷,第 841846 页,2011 年,doi: 10.4028/www.scientific.net/KEM.473.841。
[42] D. Möllensiep, P. Kulessa, L. Thyssen, and B. Kuhlenkötter, "Regression-based compensation of part inaccuracyies in incremental sheet forming at elevated temperature," Int.109卷,第7-8期,第1917-1928页,2020年8月,doi: 10.1007/s00170-020-05625-y。
[43] D. Störkle, P. Altmann, D. Möllensiep, L. Thyssen, and B. Kuhlenkötter, "Automated parameterization of local support at every toolpath point in robot-based incremental sheet forming," Procedia Manuf.
[44] M. Oraon 和 V. Sharma,"使用人工神经网络预测 AA3003-O 合金单点增量成形中的表面粗糙度",Int.Mater.Eng.Innov.,第 9 卷,第 1 期,第 1 页,2018 年,doi: 10.1504/IJMATEI.2018.092181.
[45] S. Kurra, N. Hifzur Rahman, S. P. Regalla, and A. K. Gupta, "Modeling and optimization of surface roughness in single point incremental forming process," J. Mater.Res. Technol.3,第 304-313 页,2015 年 7 月,doi: 10.1016/j.jmrt.2015.01.003。
[46] A. Mulay、S. Ben 和 S. Ismail:《单点增量薄板成型工艺质量预测的人工神经网络建模》,2017 年 12 月,第 244-250 页,doi:10.14257/astl.2017.147.34。