读论文《基于 GA － BP 的汽车行李箱盖内板冲压成形工艺优化》 —— 如何使用AI技术优化模具产业中工件冲压工艺

最近到了模具公司工作，本来以为身边同事对模具生产和工件生产的流程（大致流程）会比较了解，结果一问才知道基本都是一问三不知，大家都在模具公司工作但是貌似很多人干的和模具生产和工件制造的工作关联性并不强，有的人即使确实在模具生产环节工作结果也是只知道某一环节下的某个操作是如何，最后在模具公司呆了一周多也没有搞清楚这个模具生产的基本流程和概念，最后只能上网来搜索资料（这也太尴尬了，国企的夕阳西下真是无法挽救了）。

其实，模具公司往往都是乙方，而不是甲方，甲方是汽车厂商，比如：一汽红旗、一汽大众、一汽丰田、小米、蔚来，等等，这些汽车厂商设计好汽车的外形，然后把外形的3D文件以及一些技术参数发给模具公司，然后模具公司按照汽车厂商所要制造的工件的3D模型和技术参数来设计并生产出模具；生产的模具往往是铸压生成上下模具的基台，然后使用冲压生产出模具基台和工件之间的模面（模具基台和工件的直接接触部分），生产完成所有模具后模具公司要试运行，也就是使用自己设计出的模具生产一定数量的工件，看看这些模具生产出的工件是否符合汽车厂商的要求，如果不符合则需要修改模具和修改工件生产时的工艺系数，也就是说模具公司最后提供给汽车厂商的除了模具还要提供使用该模具生产的工艺参数；修改模具，比较参见的就是对缺肉的地方使用电焊再焊上去些，对于多肉的地方再用机床削下去些，如果实在是差的离谱那么这个模具就是费的，需要重新修改模具设计并生产新的模具；修改使用模具生产工件的工艺系数，如冲压时的摩擦系数、压边力、模具间隙和冲压速度，等等。

本文的大意：

冲压工件会存在减薄程度和加厚程度这两个概念，减薄程度大则容易出现冲压件断裂的问题，加厚程度大则会出现工件褶皱问题，这两个问题都会导致加工后的工件不合格成为费件，因此我们需要控制加工后的加工件的厚度在一个合适的范围内。

论文作者采用拉丁超立方抽样的方式抽样了60组摩擦系数、压边力、模具间隙和冲压速度数据，然后使用仿真软件获得了这60组数据对应的冲压后工件的最大减薄程度；使用GA-BP算法对60组数据的45组进行训练拟合，另外15组数据作为测试数据，最后获得了一个拟合程度较好的神经网络，使用该神经网络可以很好的拟合摩擦系数、压边力、模具间隙和冲压速度数据对应的最大减薄程度；最后以所获得的神经网络作为GA算法的适应度函数来计算寻找出最大减薄程度对应的一组摩擦系数、压边力、模具间隙和冲压速度数据，然后用该组数据通过仿真器获得仿真所对应的最大减薄程度，判断神经网络的拟合程度与仿真器求解值之间的差距，最后发现二者差距在可以接受的范围内，最终得出该论文所提算法的有效性。

一些个人的观点：

该论文在很多地方的描述有自相矛盾的地方，很多关键的地方并没有给详细描述和参数，因此该论文的可复现性基本为零，因此这个国内论文的真实性也就自然是存疑的，但是通读这个论文可以看到论文作者的构思还是蛮下功夫的，最终可能真实的实验确实没有达到设想的效果，但是本文的创意还是有的，这个idea还是有一定可以借鉴的意义的。

首先，我并不清楚真实场景下（一个汽车部件的冲压场景）所需要控制的系数数量，像本文中所给出的4个变量或许并不是十分足够的，或许真实的场景下要远远高于这个数量；其次，本文中说给的目标变量是最大减薄程度，在真实的场景中我们需要达到的目标变量是否真的只有这样一个目标呢，是否会有多个目标呢，比如在控制最大减薄程度不能过大的情况下也需要控制最大增厚程度不能过大呢。

本文对优化目标函数有一个比较好的设想，那就是只使用比较少的目标函数，这里只使用了一个，即最大减薄程度，因此也使本文论文在理论上是具备可行性的，这也给后人提供了一思考，那就是如果使用AI优化方法的话就应该尽可能使用较少数量的目标函数，最好就是本文中的那样只使用一个目标函数。

需要注意：

上面描述的模具生产中模具基台使用的是铸压和模面的冲压，而使用模具生产工件的则是冲压（除特斯拉以外基本其他的汽车厂商的方案都是使用冲压技术生产工件）。