梁类零件是车身零件中最重要的结构件之一,其在制造中通常存在严重的回弹问题。通过CAE仿真技术预测梁类零件的回弹存在计算时间长,设置复杂等问题,实现对板料冲压成形回弹的快速预测,成为加快冲压模具研发,降低企业生产成本的重要手段。本文以某汽车梁类结构零件作为研究对象,基于回弹二维截面法理论与有限元仿真技术,使用深度学习网络模型与图像识别技术,综合板料材料因素与冲压工艺因素,研究梁类结构零件不同截面处的回弹问题,快速预测汽车梁类零件的回弹。本文的主要研究内容如下:1、三维梁类零件的二维离散及数值转换。基于二维回弹理论,使用二维截面法研究三维回弹问题,将三维梁类零件离散为若干截面,采用双平面投影的方法和图像二值化方法,将梁类零件的截面曲线转换为神经网络模型可识别的双通道图像数据。2、基于拉丁超立方采样研究不同材料参数和工艺参数下的回弹大小。将压边力大小、摩擦系数、模具间隙、材料厚度、材料强化系数、材料硬化指数、初始屈服应变、各向异性系数等8个参数作为冲压工艺参数及板料材料参数变量进行拉丁超立方采样,利用Dynaform软件进行CAE回弹仿真,得到后续人工智能网络的训练样本。3、基于深度学习网络的梁类零件冲压回弹研究,本文提出了将深度学习的图像识别技术应用在汽车梁类零件的回弹预测的方法。首先在LeNet-5深度学习模型、AlexNet深度学习模型、NiN深度学习模型基础上对模型参数优化,将其作为截面图像的识别网络,然后将该网络通过全连接神经网络与板料材料因素与冲压工艺因素耦合,最后得到本文的梁类零件回弹算法模型。4.基于高斯混合聚类的回弹类型分类及算法模型验证。以一汽车梁类结构零件作为研究对象,通过仿真获得回弹样本,按照样本的回弹数值的大小,使用高斯混合分类的方法将回弹样本分为大回弹、中等回弹、大回弹三个类型。将每种类型的回弹样本分别通过LeNet-5深度学习模型、AlexNet深度学习模型、NiN深度学习模型进行训练优化,通过样本验证集对比模型性能。验证结果表明,基于AlexNet深度学习模型准确度最高,同时算法鲁棒性相较于其他两种也更强。