基于POA-BP 的TP2 管材自由彎曲成形結(jié)果預(yù)測(cè)*

郝用興 張旭浩 劉亞輝

（①華北水利水電大學(xué)，河南 鄭州 450045；②河南省數(shù)字化智能裝備工程研究中心，河南 鄭州 450064）

彎管零件能夠從材料和結(jié)構(gòu)滿足產(chǎn)品輕量化、強(qiáng)韌化、低耗環(huán)保的需求，因此在航空、航天、船舶、汽車、醫(yī)療和能源等高技術(shù)產(chǎn)業(yè)得到了日益廣泛的發(fā)展和應(yīng)用[1]。

許多學(xué)者研究了管材彎曲過(guò)程中的起皺、管壁變薄、截面變形和回彈預(yù)測(cè)與控制等問(wèn)題。田娥和劉婧瑤等[2-3]通過(guò)建立BP 神經(jīng)網(wǎng)絡(luò)有效預(yù)測(cè)彎管成形的回彈量；Zhang S 等[4]將管材三維回彈預(yù)測(cè)轉(zhuǎn)化為二維問(wèn)題，建立了平面回彈前后半徑的數(shù)學(xué)關(guān)系，利用幾何連續(xù)性和修正函數(shù)進(jìn)行補(bǔ)償，建立了可靠的三維變曲率管彎曲回彈預(yù)測(cè)數(shù)學(xué)模型；陳光耀等[5]使用RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)管材數(shù)控（NC）彎曲的壁厚減薄率和回彈程度，并利用支持向量機(jī)（SVM）預(yù)測(cè)管材的起皺情況，從而實(shí)現(xiàn)了回彈的預(yù)測(cè)和成形質(zhì)量的提高；賈美慧等[6]通過(guò)粒子群算法優(yōu)化的RBF 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)管材彎曲的多目標(biāo)工藝參數(shù)優(yōu)化；Wu J J 等[7]利用擴(kuò)展卡爾曼濾波算法得出了管材成形的運(yùn)動(dòng)模型和觀測(cè)模型，最終預(yù)測(cè)了成形軌跡并優(yōu)化了加工參數(shù)，證明了加工優(yōu)化方案的有效性；趙陽(yáng)等[8]構(gòu)建了MPSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，用于小半徑彎管成形結(jié)果的快速預(yù)測(cè)，并證明該模型的預(yù)測(cè)結(jié)果可靠有效。

目前針對(duì)管材自由彎曲的成形結(jié)果研究，徐振華等[9]通過(guò)解析法和有限元模擬相結(jié)合的方法預(yù)測(cè)管材自由彎曲的回彈數(shù)值，相較于傳統(tǒng)預(yù)測(cè)方式提升了11.08%的精度；Li Y S 等[10]的研究關(guān)注AL6061管材自由彎曲過(guò)程中的回彈現(xiàn)象，采用有限元和解析法進(jìn)行研究，并通過(guò)添加中性層偏移來(lái)優(yōu)化管材彎曲回彈的解析模型。另外，對(duì)管材彎曲成形結(jié)果的有效預(yù)測(cè)可以幫助相關(guān)生產(chǎn)部門及時(shí)評(píng)估成形品質(zhì)的優(yōu)劣，并為選擇適當(dāng)?shù)募庸?shù)提供有效的參考，對(duì)于推進(jìn)自由彎曲成形技術(shù)的工程化具有重要意義。

本文選用外徑為12 mm，壁厚為1 mm 的TP2銅管，綜合采用理論分析、數(shù)值模擬和神經(jīng)網(wǎng)絡(luò)等方法。通過(guò)數(shù)值模擬建立樣本庫(kù)，并基于BP 神經(jīng)網(wǎng)絡(luò)建立管材自由彎曲成形結(jié)果的預(yù)測(cè)模型，使用鵜鶘優(yōu)化算法優(yōu)化預(yù)測(cè)模型的權(quán)值和閾值，提高預(yù)測(cè)精度，最終實(shí)現(xiàn)POA-BP 預(yù)測(cè)模型對(duì)TP2 管材三維自由彎曲成形結(jié)果的預(yù)測(cè)。

1 管材三維自由彎曲

圖1 所示為管材三維自由彎曲的成形簡(jiǎn)圖。在未成形時(shí)，管材與各個(gè)成形構(gòu)件處于同一軸線上。開(kāi)始成形時(shí)，管材在推進(jìn)機(jī)構(gòu)的作用下，沿著Z軸方向移動(dòng)，導(dǎo)向機(jī)構(gòu)在整個(gè)成形過(guò)程中對(duì)管材起著支撐的作用。球面軸承由兩個(gè)伺服電機(jī)驅(qū)動(dòng)，實(shí)現(xiàn)在XY平面內(nèi)的自由移動(dòng)，帶動(dòng)彎曲模的偏移和旋轉(zhuǎn)。管材通過(guò)成形構(gòu)件的共同作用，在空間范圍內(nèi)實(shí)現(xiàn)自由彎曲。

圖1 管材三維自由彎曲成形簡(jiǎn)圖

2 管材力學(xué)性能測(cè)試與自由彎曲有限元仿真

2.1 管材力學(xué)性能測(cè)試

為了準(zhǔn)確地進(jìn)行管材有限元仿真，需要獲取管材的力學(xué)性能參數(shù)，管材選擇?12 mm，壁厚1 mm的TP2 銅管。用專用夾具塞頭放置在管材兩端[11]，防止拉伸過(guò)程其變形。通過(guò)萬(wàn)能試驗(yàn)機(jī)對(duì)TP2 銅管進(jìn)行3 次各向同性的拉伸試驗(yàn)（圖2），取3 次試驗(yàn)的平均值。經(jīng)過(guò)拉伸試驗(yàn)后，得到的TP2 銅管的材料參數(shù)，見(jiàn)表1。

表1 TP2 銅管材料參數(shù)

圖2 拉伸試驗(yàn)

管材彈性階段的本構(gòu)關(guān)系為

因?yàn)楣懿脑趶澢尚芜^(guò)程中存在加工硬化現(xiàn)象，所以使用冪指數(shù)硬化模型來(lái)描述管材的塑性變形部分。

其中：b為TP2 銅管的初始屈服應(yīng)力。

TP2 管材的塑性階段采用冪指數(shù)硬化模型，并通過(guò)擬合曲線（圖3）表示。

圖3 σ-ε擬合曲線

2.2 管材自由彎曲有限元模擬

在Abaqus 有限元分析軟件中使用Abaqus/Explicit 求解器，建立了如圖4 所示的三維有限元模型來(lái)模擬管材的彎曲過(guò)程。為了提高仿真效率和結(jié)果準(zhǔn)確性，設(shè)置了質(zhì)量縮放系數(shù)為25、摩擦系數(shù)為0.05，并采用通用接觸來(lái)模擬管材的彎曲成形過(guò)程。該模型中，管材被定義為可變形實(shí)體，并采用S4R 通用殼單元進(jìn)行網(wǎng)格劃分。球面軸承、彎曲模、導(dǎo)向機(jī)構(gòu)和推進(jìn)機(jī)構(gòu)則被定義為離散剛體。彎曲模部分采用C3D8R 單元進(jìn)行網(wǎng)格劃分，而導(dǎo)向機(jī)構(gòu)等其他剛體模型則采用R3D4 單元進(jìn)行網(wǎng)格劃分。各部件的網(wǎng)格劃分如圖5 所示。

圖4 管材自由彎曲有限元模型

圖5 各部件網(wǎng)格劃分

管材成形結(jié)果質(zhì)量的評(píng)價(jià)指標(biāo)為管材壁厚減薄率δ和管材橢圓率ε為

式中：t為管材的初始壁厚；tmin為管材經(jīng)過(guò)彎曲后的最小壁厚。當(dāng)管材的壁厚減薄率不超過(guò)10%時(shí)，即認(rèn)為其質(zhì)量良好。

式中：Dmax表示管材經(jīng)過(guò)彎曲后的最大截面直徑；Dmin表示管材經(jīng)過(guò)彎曲后的最小截面直徑。在工業(yè)方面，銅管的橢圓率是要求不超過(guò)8%的。

3 數(shù)值模擬有效性驗(yàn)證及訓(xùn)練樣本和測(cè)試樣本生成

3.1 數(shù)值模擬有效性驗(yàn)證

為了確保管材自由彎曲數(shù)值模擬和實(shí)際加工相吻合，需要對(duì)管材成形數(shù)值模擬進(jìn)行驗(yàn)證，以確保其有效性。

在有限元軟件中，設(shè)置推進(jìn)機(jī)構(gòu)的推進(jìn)速度為120 mm/s、導(dǎo)向機(jī)構(gòu)圓角半徑為2 mm、導(dǎo)向機(jī)構(gòu)與管材間隙為0.3 mm、彎曲模圓角半徑為2 mm、彎曲模與管材間隙為0.1 mm、彎曲變形區(qū)長(zhǎng)度為24 mm、X軸的偏移量為0 mm、6 mm、0 mm，Y軸偏移量為5 mm、0 mm、7 mm，一共有3 個(gè)彎曲段。

在實(shí)際加工過(guò)程中，考慮到不可控因素，設(shè)置主要參數(shù)推進(jìn)機(jī)構(gòu)的推進(jìn)速度為120 mm/s，X軸和Y軸的偏移量與數(shù)值模擬一致。

最終的仿真結(jié)果和實(shí)驗(yàn)結(jié)果如圖6 所示，兩者的幾何形狀較為吻合。3 個(gè)彎曲段的壁厚減薄率和橢圓率對(duì)比結(jié)果見(jiàn)表2，可以看出成形結(jié)果均符合評(píng)價(jià)指標(biāo)，且這3 個(gè)彎曲段的最大壁厚減薄率偏差為0.64%，最大橢圓率偏差為1.15%，管材成形質(zhì)量較好，故管材成形數(shù)值模擬有效。

表2 模擬和實(shí)驗(yàn)結(jié)果對(duì)比

圖6 模擬（上）與實(shí)驗(yàn)（下）彎曲成形結(jié)果對(duì)比

3.2 訓(xùn)練和預(yù)測(cè)樣本生成

相較于傳統(tǒng)的實(shí)驗(yàn)加工方法，使用貼近實(shí)際加工的數(shù)值模擬可用于研究管材自由彎曲成形，同時(shí)也減少了物理實(shí)驗(yàn)和成本的需求。基于經(jīng)過(guò)驗(yàn)證的有限元仿真模型和工廠加工實(shí)際情況，最終確定彎曲模與管材間隙值A(chǔ)1、彎曲模圓角半徑值A(chǔ)2、管材彎曲變形區(qū)長(zhǎng)度A3、導(dǎo)向機(jī)構(gòu)圓角半徑值A(chǔ)4、導(dǎo)向機(jī)構(gòu)與管材間隙值A(chǔ)5作為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入層節(jié)點(diǎn)。壁厚減薄率δ和橢圓率ε作為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型輸出層節(jié)點(diǎn)。

根據(jù)實(shí)際加工和數(shù)值模擬分析結(jié)果，確定以下主要影響因素的取值范圍為：彎曲模與管材間隙值A(chǔ)1為0.1～0.3 mm、彎曲模圓角半徑值A(chǔ)2為1.5～2.5 mm、管材彎曲變形區(qū)長(zhǎng)度A3為21～25 mm、導(dǎo)向機(jī)構(gòu)圓角半徑值A(chǔ)4為1.5～2.5 mm、導(dǎo)向機(jī)構(gòu)與管材間隙值A(chǔ)5為0.2～0.4 mm，其他參數(shù)根據(jù)實(shí)際加工情況進(jìn)行設(shè)定。

根據(jù)影響因素的取值范圍分散選取36 組加工參數(shù)，通過(guò)數(shù)值模擬對(duì)36 組加工參數(shù)進(jìn)行成形，從中隨機(jī)選取6 組作為測(cè)試樣本，剩下的30 組作為訓(xùn)練樣本。

4 POA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

4.1 BP 神經(jīng)網(wǎng)絡(luò)及鵜鶘優(yōu)化算法

4.1.1 BP 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)可處理多變量非線性優(yōu)化問(wèn)題并逼近任何函數(shù)。BP 神經(jīng)網(wǎng)絡(luò)是一種具有多層節(jié)點(diǎn)的前饋神經(jīng)網(wǎng)絡(luò)，它使用誤差逆向傳播算法來(lái)進(jìn)行訓(xùn)練，它具有良好的非線性函數(shù)逼近能力和時(shí)變性，常用于處理多變量非線性優(yōu)化問(wèn)題，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層，且三層或以上的結(jié)構(gòu)可以逼近大多數(shù)的非線性函數(shù)[12]，如圖7 所示。

圖7 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由于BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練開(kāi)始時(shí)，網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)是隨機(jī)給定的，會(huì)出現(xiàn)網(wǎng)絡(luò)的收斂速度較慢、不穩(wěn)定且容易陷入局部最小值的困境，導(dǎo)致最大相對(duì)誤差存在，從而影響網(wǎng)絡(luò)的性能和預(yù)測(cè)準(zhǔn)確性。

4.1.2 鵜鶘優(yōu)化算法

鵜鶘優(yōu)化算法（pelican optimization algorithm，POA）是由Pavel Trojovsky和Mohammad Dehghani在2022 年提出的[13]，該算法模擬了鵜鶘在狩獵過(guò)程中的自然行為，通過(guò)模擬鵜鶘鳥在覓食過(guò)程中的搜索策略和動(dòng)態(tài)調(diào)整能力，來(lái)解決優(yōu)化問(wèn)題，如圖8 所示。該算法將優(yōu)化問(wèn)題轉(zhuǎn)化為參數(shù)搜索的過(guò)程。在算法的迭代過(guò)程中，每個(gè)鵜鶘個(gè)體代表一個(gè)解，根據(jù)當(dāng)前解的適應(yīng)度值進(jìn)行搜索和更新，通過(guò)合作與信息共享，個(gè)體之間共同尋找最優(yōu)解。通過(guò)不斷迭代搜索和位置調(diào)整，鵜鶘優(yōu)化算法能夠逐漸收斂到全局最優(yōu)解，為解決實(shí)際問(wèn)題提供了一種高效而靈活的優(yōu)化方法。

圖8 鵜鶘捕獵的方式

鵜鶘優(yōu)化算法是模擬鵜鶘在攻擊和捕獵獵物時(shí)的行為和策略，以更新候選解，該狩獵策略分為探索和開(kāi)發(fā)兩個(gè)階段進(jìn)行模擬，其數(shù)學(xué)模型如下：

（1）初始化

鵜鶘種群初始化數(shù)學(xué)描述如下：

式中：xi,j為第i個(gè)鵜鶘的第j維的位置；N為鵜鶘的種群數(shù)量；m為求解問(wèn)題的維度；rand是[0,1]范圍內(nèi)的隨機(jī)數(shù)；uj和lj分別是求解問(wèn)題的第j維的上下邊界。

在鵜鶘優(yōu)化算法中，求解問(wèn)題的目標(biāo)函數(shù)可以用來(lái)計(jì)算鵜鶘的目標(biāo)函數(shù)值；鵜鶘種群的目標(biāo)函數(shù)值用向量表示為

式中：F為鵜鶘種群的目標(biāo)函數(shù)向量；Fi為第i個(gè)鵜鶘的目標(biāo)函數(shù)值；Xi表示為為第i個(gè)鵜鶘的位置。

（2）逼近獵物（探索階段）

在探索階段，鵜鶘確定獵物位置并向其移動(dòng)，通過(guò)對(duì)鵜鶘策略建模，掃描搜索空間并利用POA發(fā)現(xiàn)不同區(qū)域。該算法的關(guān)鍵是獵物位置在搜索空間中隨機(jī)生成，增強(qiáng)了精確搜索的能力。這些概念和鵜鶘的移動(dòng)策略可以用數(shù)學(xué)模型式（7）來(lái)表示。

（3）水面飛行，捕捉獵物（開(kāi)發(fā)階段）

在開(kāi)發(fā)階段，當(dāng)鵜鶘達(dá)到水面時(shí)，展開(kāi)翅膀驅(qū)趕獵物向上移動(dòng)，并將其收集在喉袋中。這種策略使更多的獵物在攻擊區(qū)域被捕獲。通過(guò)對(duì)鵜鶘行為建模，POA 能更好地收斂到狩獵區(qū)域的優(yōu)質(zhì)點(diǎn)，提高了本地搜索和開(kāi)發(fā)能力。算法需要檢查鵜鶘周圍的點(diǎn)，以找到更好的解。鵜鶘的捕獵行為可以通過(guò)式（8）進(jìn)行數(shù)學(xué)模擬。

經(jīng)過(guò)上述的搜索和捕獲過(guò)程后，鵜鶘會(huì)再次攻擊和捕獵，即進(jìn)行迭代計(jì)算。不斷更新最優(yōu)位置，鵜鶘群需要不斷地進(jìn)行位置更新。根據(jù)上述得到的設(shè)計(jì)變量和目標(biāo)函數(shù)值的新選擇，用新得到的最優(yōu)位置替換原來(lái)的最優(yōu)位置，然后繼續(xù)迭代計(jì)算，直到找到最優(yōu)解。迭代停止并輸出最終的計(jì)算結(jié)果。

4.1.3 POA-BP 預(yù)測(cè)模型設(shè)計(jì)

根據(jù)BP 神經(jīng)網(wǎng)絡(luò)和鵜鶘優(yōu)化算法的數(shù)學(xué)模型，建立管材自由彎曲成形結(jié)果預(yù)測(cè)模型的步驟如下。

（1）通過(guò)Mapminmax函數(shù)對(duì)管材自由彎曲成形結(jié)果和輸入?yún)?shù)進(jìn)行歸一化處理。利用標(biāo)準(zhǔn)BP 神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，并設(shè)定學(xué)習(xí)速率、學(xué)習(xí)目標(biāo)、最大迭代次數(shù)、動(dòng)量因子和激活函數(shù)。根據(jù)經(jīng)驗(yàn)公式（9），選擇適當(dāng)數(shù)量的隱含層節(jié)點(diǎn)來(lái)確定BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)[14]。

式中：w為隱含層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；v為輸出層節(jié)點(diǎn)數(shù)；z為1～10 的常數(shù)。

（2）初始化鵜鶘種群規(guī)模N、最大迭代次數(shù)T、搜索空間維度m等基本參數(shù)。管材自由彎曲成形結(jié)果預(yù)測(cè)模型中自變量的個(gè)數(shù)o為

（3）將BP 神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值作為鵜鶘個(gè)體的參數(shù)。對(duì)于每個(gè)個(gè)體，隨機(jī)初始化權(quán)重和閾值，并將其作為解的一部分。BP 神經(jīng)網(wǎng)絡(luò)的均方誤差（MSE）作為鵜鶘優(yōu)化算法的適應(yīng)度函數(shù)，表示為

式中：F為適應(yīng)度函數(shù)；Tq為第q項(xiàng)值的期望輸出，q=1,···,e，e為訓(xùn)練樣本總數(shù)；為第q項(xiàng)值第p次迭代后的網(wǎng)絡(luò)輸出；H為總迭代次數(shù)，p=1,···,H。

根據(jù)上述公式計(jì)算得到最優(yōu)鵜鶘個(gè)體捕捉獵物的位置，并將其存儲(chǔ)在Xi中。

（5）將最佳結(jié)果的值賦予BP 神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值，通過(guò)這些優(yōu)化后的權(quán)值和閾值再次訓(xùn)練神經(jīng)網(wǎng)絡(luò)，直至達(dá)到目標(biāo)精度或是最大迭代次數(shù)。

（6）通過(guò)步驟（5）得到的管材自由彎曲成形結(jié)果預(yù)測(cè)模型，輸入新的數(shù)據(jù)即可完成成形結(jié)果的預(yù)測(cè)。

4.2 管材成形結(jié)果預(yù)測(cè)模型建立

4.2.1 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

根據(jù)3.2 節(jié)建立的訓(xùn)練和預(yù)測(cè)樣本，構(gòu)建3 層拓?fù)浣Y(jié)構(gòu)的BP 神經(jīng)網(wǎng)絡(luò)，輸入層節(jié)點(diǎn)數(shù)為5，輸出層節(jié)點(diǎn)數(shù)為2，隱含層采用tansing 激活函數(shù)，輸出層采用purelin 激活函數(shù)，采用梯度下降動(dòng)量和自適應(yīng)學(xué)習(xí)率算法traingdx 進(jìn)行訓(xùn)練，目標(biāo)誤差為0.000 1，學(xué)習(xí)率為0.05，動(dòng)量因子為0.4，最大迭代次數(shù)為800。由式（10）可以得出隱含層節(jié)點(diǎn)數(shù)的可能取值范圍為4～13，依次將不同的隱含層節(jié)點(diǎn)數(shù)代入訓(xùn)練計(jì)算得出均方誤差，結(jié)果見(jiàn)表3，可知當(dāng)隱含層節(jié)點(diǎn)數(shù)為13 的時(shí)候，訓(xùn)練誤差取得最小值，故5-13-2 拓?fù)浣Y(jié)構(gòu)下的BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度最高。

表3 不同隱含層節(jié)點(diǎn)數(shù)訓(xùn)練得到的MSE

為了深入研究具有穩(wěn)定性和收斂速度快的預(yù)測(cè)模型，避免BP 神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)解，需要對(duì)該BP 模型進(jìn)行改進(jìn)。

4.2.2 POA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

根據(jù)4.2.1 小節(jié)確定的BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和查閱相關(guān)資料，設(shè)置鵜鶘優(yōu)化算法的基本參數(shù)見(jiàn)表4。

表4 鵜鶘優(yōu)化算法基本參數(shù)

通過(guò)30 組訓(xùn)練樣本對(duì)POA-BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立POA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)6 組預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)，與BP 預(yù)測(cè)模型的結(jié)果進(jìn)行對(duì)比，如表5 和圖9 所示，可知POA-BP 預(yù)測(cè)模型的壁厚減薄率誤差I(lǐng)t和橢圓率誤差I(lǐng)d最大不超過(guò)2%；另外，POA-BP 預(yù)測(cè)模型的決定系數(shù)高達(dá)0.998 54 和0.997 37，不僅高于BP 神經(jīng)網(wǎng)絡(luò)且更接近于1，故該神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確性和擬合性能均優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)。

表5 BP 模型、POA-BP 模型的預(yù)測(cè)結(jié)果與數(shù)值模擬結(jié)果對(duì)比

圖9 數(shù)值模擬、BP 預(yù)測(cè)模型、POA-BP 預(yù)測(cè)模型結(jié)果對(duì)比圖

4.2.3 POA-BP 預(yù)測(cè)模型實(shí)驗(yàn)對(duì)比驗(yàn)證

由于本文神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本是基于數(shù)值模擬的，所以為了驗(yàn)證POA-BP 預(yù)測(cè)模型在管材實(shí)際加工過(guò)程中的有效性，將隨機(jī)選取的6 組預(yù)測(cè)樣本的加工參數(shù)通過(guò)管材三維自由彎曲成形設(shè)備進(jìn)行實(shí)驗(yàn)，并使用手持式三維掃描儀對(duì)成形后的管材進(jìn)行掃描和后處理，以測(cè)量其各參數(shù)值，如圖10 所示。將成形后的結(jié)果與POA-BP 預(yù)測(cè)模型的結(jié)果進(jìn)行對(duì)比，結(jié)果見(jiàn)表6。

表6 實(shí)際加工與POA-BP 預(yù)測(cè)模型結(jié)果對(duì)比

圖10 實(shí)驗(yàn)設(shè)備

從表6 可以看出，POA-BP 模型的預(yù)測(cè)結(jié)果與實(shí)際加工的成形結(jié)果吻合度較好，說(shuō)明POA-BP 模型可以有效地預(yù)測(cè)實(shí)際加工的成形結(jié)果，也進(jìn)一步驗(yàn)證了數(shù)值模擬的有效性。

5 結(jié)語(yǔ)

（1）管材的加工參數(shù)和成形結(jié)果之間沒(méi)有直接的函數(shù)關(guān)系，因此增加了準(zhǔn)確預(yù)測(cè)管材成形結(jié)果的難度。在實(shí)際管材加工中，準(zhǔn)確預(yù)測(cè)成形結(jié)果對(duì)生產(chǎn)部門至關(guān)重要。它能幫助生產(chǎn)部門及時(shí)評(píng)估成形結(jié)果的質(zhì)量，并為選擇合適的加工參數(shù)提供有價(jià)值的指導(dǎo)。

（2）通過(guò)鵜鶘優(yōu)化算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)模型具有更高的收斂性能、更好的擬合程度、更強(qiáng)的穩(wěn)定性能，有效地改善了標(biāo)準(zhǔn)BP 神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)解的問(wèn)題；研究表明，POA-BP 預(yù)測(cè)模型的壁厚減薄率和橢圓率的最大誤差不超過(guò)2%，故采用POA-BP 神經(jīng)網(wǎng)絡(luò)模型可以準(zhǔn)確地預(yù)測(cè)管材自由彎曲的成形結(jié)果。

（3）通過(guò)對(duì)6 組預(yù)測(cè)樣本進(jìn)行實(shí)際加工并與預(yù)測(cè)模型結(jié)果對(duì)比，驗(yàn)證了POA-BP 預(yù)測(cè)模型在管材自由彎曲成形預(yù)測(cè)方面的實(shí)際價(jià)值。