基于多策略改进复合麻雀搜索算法的自冲铆成形质量预测

doi:10.3969/j.issn.1004-132X.2026.02.022

摘要/Abstract

摘要：

为了高效预测自冲铆接头的成形质量，建立AA5754铝合金自冲铆成形有限元模型，通过实验验证仿真模型的有效性，基于仿真分析获得了176组有效接头成形截面数据集。通过整合麻雀算法和蝴蝶算法，初步构建复合优化算法。采取种群初始化和透镜反向学习策略改进算法的收敛速度和求解质量，引入多向学习和Levy飞行策略增强算法跳出局部最优，提高了全局搜索能力。研究表明所建模型预测结果的平均绝对百分比误差MAPE均在10%以下，相关系数R²均在0.99以上，均方误差MSE稳定在0.001以下，证明所提改进模型具有较高的预测精度和鲁棒性。

关键词: 自冲铆, 神经网络, 优化算法, 成形质量预测, 仿真

Abstract:

To efficiently predict the forming quality of self-piercing riveted joints， a finite element model of self-piercing riveting for AA5754 aluminum alloys was established， and the effectiveness of the simulation model was verified through experiments. Based on the simulation analysis， 176 sets of effective cross-sectional data of the joints were obtained. By integrating the sparrow search algorithm and the butterfly algorithm， a composite optimization algorithm was constructed. The algorithm's convergence speed and solution quality were improved by employing population initialization and lens reverse learning strategies. Multidirectional learning and Levy flight strategies were introduced to enhance the algorithm's ability to escape local optima， thereby improving the global search capabilities. Research indicates that the prediction results of the established model have a MAPE of less than 10%， a correlation coefficient R² higher than 0.99， and a mean square error MSE consistently less than 0.001. Therefore， the proposed improved model has high predictive accuracy and robustness.

Key words: self-piercing riveting, neural network, optimization algorithm, forming quality prediction, simulation

中图分类号:

TG938

刘洋, 吴庆军, 郭浩, 祁凯飞, 庄蔚敏, 伏广省. 基于多策略改进复合麻雀搜索算法的自冲铆成形质量预测[J]. 中国机械工程, 2026, 37(2): 476-486.

LIU Yang, WU Qingjun, GUO Hao, QI Kaifei, ZHUANG Weimin, FU Guangsheng. Prediction of Self-piercing Riveting Quality Based on Multi-strategy Improved Composite Sparrow Search Algorithm[J]. China Mechanical Engineering, 2026, 37(2): 476-486.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.02.022

https://www.cmemo.org.cn/CN/Y2026/V37/I2/476

图/表 24

图1 AA5754铝合金的失效参数确定流程

Fig.1 Flowchart for determining failure parameters of AA5754 aluminum alloy

表1 AA5754铝合金的平均应力三轴度、平均罗德角参数、断裂应变及失稳应变

Tab.1 Average stress triaxiality， mean lode angle parameters， fracture strain， and instability strain of AA5754 aluminum alloy

试件类型	平均应力三轴度	平均罗德角参数	断裂应变	失稳应变
圆棒试件	0.460 50	1.00	0.670 00	0.1360
缺口12 mm 的圆棒试件	0.676 93	0.97	0.548 64	0.1033
缺口4 mm 的圆棒试件	0.906 10	1.00	0.491 68	0.0720
缺口2.4 mm 的薄板试件	0.732 70	0.03	0.226 60	0.0260
剪切试件	0.084 70	0.02	0.385 20	0.0503
圆柱压缩试件R3H7.5	$-$ 0.695 90	$-$ 1.00	2.007 40	1.3457

表1 AA5754铝合金的平均应力三轴度、平均罗德角参数、断裂应变及失稳应变

Tab.1 Average stress triaxiality， mean lode angle parameters， fracture strain， and instability strain of AA5754 aluminum alloy

试件类型	平均应力三轴度	平均罗德角参数	断裂应变	失稳应变
圆棒试件	0.460 50	1.00	0.670 00	0.1360
缺口12 mm 的圆棒试件	0.676 93	0.97	0.548 64	0.1033
缺口4 mm 的圆棒试件	0.906 10	1.00	0.491 68	0.0720
缺口2.4 mm 的薄板试件	0.732 70	0.03	0.226 60	0.0260
剪切试件	0.084 70	0.02	0.385 20	0.0503
圆柱压缩试件R3H7.5	$-$ 0.695 90	$-$ 1.00	2.007 40	1.3457

表2 材料模型的失效参数

Tab. 2 Failure parameters of material model

材料	c₁	c₂	c₃	LES值
AA5754	0.05	166	1.004	0.0383

图2 AA5754铝合金的失效曲面

Fig.2 Failure surface of AA5754 aluminum alloy

表3 三组接头的自冲铆接工艺参数

Tab.3 Self-piercing riveting parameters of the three groups of joints

编号	上板厚度/mm	下板厚度/mm	铆钉长度/mm	冲头位移/mm
J-1	2.0	2.0	5.0	5.1
J-2	2.0	2.5	5.5	5.6
J-3	2.5	2.0	6.0	6.1

图3 自冲铆成形有限元模型

Fig.3 Finite element model of self-piercing riveting

表4 AA5754铝合金和铆钉的力学性能参数

Tab.4 Mechanical property parameters of AA5754 aluminum alloy and rivets

名称

密度/

（kg·m $- 3$ ）

表4 AA5754铝合金和铆钉的力学性能参数

Tab.4 Mechanical property parameters of AA5754 aluminum alloy and rivets

名称

密度/

（kg·m $- 3$ ）

弹性模量/GPa

泊松比

屈服强度/MPa

抗拉强度/MPa

铆钉

7800

210

0.3

885.6

1170.6

AA5754

2700

0.3

162.1

244.1

图4 自冲铆接头成形质量评价指标

Fig.4 Evaluation indicators for the forming quality of self-piercing riveted joint

图5 实验和仿真获得的接头成形截面对比

Fig.5 Comparison of joint forming sections obtained by experiments and simulations

表5 接头成形截面几何参数的预测误差

Tab.5 Prediction errors of cross-section geometric parameters of the joints

接头	钉脚张开度			残余底厚			下板中心厚度
接头	实验值/mm	仿真值/mm	误差/%	实验值/mm	仿真值/mm	误差/%	实验值/mm	仿真值/mm	误差/%
J-1	0.448	0.401	10.49	0.690	0.631	8.55	1.483	1.552	4.65
J-2	0.491	0.473	3.67	0.755	0.714	5.43	1.962	1.891	3.62
J-3	0.359	0.371	3.34	0.344	0.364	5.81	1.563	1.661	6.27

图6 五种输入工艺参数示意图

Fig.6 Schematic diagram of five input process parameters

表6 五因素三水平全因子工艺参数设计

Tab.6 Design of full factorial process parameters for five factors at three levels

因素	范围	水平
因素	范围	1	2	3
上板厚度/mm	1.5~2.5	1.5	2.0	2.5
下板厚度/mm	1.5~2.5	1.5	2.0	2.5
铆钉长度/mm	5.0~6.0	5.0	5.5	6.0
凸台高度/mm	0.0~1.8	0.0	1.0	1.8
凹槽深度/mm	1.8~2.2	1.8	2.0	2.2

图7 BP神经网络结构示意图

Fig.7 Structure diagram of a BP neural network

图8 不同隐含层神经元个数下模型验证集的均方根误差

Fig.8 RMSE of model validation sets with varying numbers of neurons in hidden layers

图9 透镜成像原理

Fig.9 Schematic of lens imaging principle

图10 MIC_SSA优化神经网络预测模型流程图

Fig.10 Flowchart of MIC_SSA optimized neural network prediction model

图11 MIC_SSA_BP模型适应度变化曲线

Fig.11 Fitness variation curve of the MIC_SSA_BP model

图12 测试集中模型预测值与真实值对比

Fig.12 Comparison of model predicted values and true values in the test set

图13 各模型的预测误差对比

Fig.13 Comparison of prediction errors among various models

表7 各模型预测结果的误差评价指标计算

Tab.7 Computational data for error evaluation metrics of prediction results from various models

	指标	BP模型	GA_BP 模型	MIC_SSA_BP模型
钉脚张开度	RMSE/10 $- 2$	8.524	5.792	1.950
	MAE/10 $- 2$	7.258	5.650	1.756
	MAPE/%	18.445	15.771	4.884
残余底厚	RMSE/10 $- 2$	18.106	12.348	2.385
	MAE/10 $- 2$	12.062	10.027	2.103
	MAPE/%	13.680	13.239	3.300
下板中心厚度	RMSE/10 $- 2$	20.519	13.654	2.600
	MAE/10 $- 2$	14.729	12.167	2.418
	MAPE/%	21.415	16.228	3.740

表7 各模型预测结果的误差评价指标计算

Tab.7 Computational data for error evaluation metrics of prediction results from various models

	指标	BP模型	GA_BP 模型	MIC_SSA_BP模型
钉脚张开度	RMSE/10 $- 2$	8.524	5.792	1.950
	MAE/10 $- 2$	7.258	5.650	1.756
	MAPE/%	18.445	15.771	4.884
残余底厚	RMSE/10 $- 2$	18.106	12.348	2.385
	MAE/10 $- 2$	12.062	10.027	2.103
	MAPE/%	13.680	13.239	3.300
下板中心厚度	RMSE/10 $- 2$	20.519	13.654	2.600
	MAE/10 $- 2$	14.729	12.167	2.418
	MAPE/%	21.415	16.228	3.740

图14 各模型预测结果的误差评价指标

Fig.14 Error evaluation metrics for the prediction results of each model

表8 各模型预测结果的R2值和MSE值

Tab.8 R2 and MSE values of prediction results for each model

	指标	BP	GA_BP	MIC_SSA_BP
钉脚张开度	R²	0.856 04	0.933 53	0.992 46
钉脚张开度	MSE/10 $- 3$	7.265 00	3.354 00	0.380 00
残余底厚	R²	0.849 65	0.930 07	0.997 39
残余底厚	MSE/10 $- 3$	32.782 00	15.246 00	0.569 00
下板中心厚度	R²	0.830 97	0.925 16	0.997 28
下板中心厚度	MSE/10 $- 3$	42.103 00	18.642 00	0.676 00

表8 各模型预测结果的R2值和MSE值

Tab.8 R2 and MSE values of prediction results for each model

	指标	BP	GA_BP	MIC_SSA_BP
钉脚张开度	R²	0.856 04	0.933 53	0.992 46
钉脚张开度	MSE/10 $- 3$	7.265 00	3.354 00	0.380 00
残余底厚	R²	0.849 65	0.930 07	0.997 39
残余底厚	MSE/10 $- 3$	32.782 00	15.246 00	0.569 00
下板中心厚度	R²	0.830 97	0.925 16	0.997 28
下板中心厚度	MSE/10 $- 3$	42.103 00	18.642 00	0.676 00

图15 测试集中各模型的预测精度对比

Fig.15 Comparison of prediction accuracy among various models in the test set

图16 实验和预测的接头截面几何参数对比

Fig.16 Comparison of joint cross-sectional geometric parameters between experimental and predicted data

参考文献 28

[1]	DU Bing， LI Qichang， ZHENG Changqi， et al. Application of Lightweight Structure in Automobile Bumper Beam： a Review［J］. Materials， 2023， 16（3）： 967.
[2]	符平坡，丁华，曾祥瑞，等. 板材厚度组合对CFRP-Al自冲铆接头底切值的影响［J］. 塑性工程学报， 2024， 31（9）： 127-134.
	FU Pingpo， DING Hua， ZENG Xiangrui， et al. Influence of Plate Thickness Combination on Undercut Value of CFRP-Al Self-piercing Riveting Joint［J］. Journal of Plasticity Engineering， 2024， 31（9）： 127-134.
[3]	林忠钦，马运五，夏裕俊，等. 载运工具高性能薄壁承载结构成形及连接工艺研究进展［J］. 机械工程学报， 2023， 59（20）： 1-17.
	LIN Zhongqin， MA Yunwu， XIA Yujun， et al. Advances in Forming and Joining Processes of Lightweight High-strength Thin-walled Vehicle Structures［J］. Journal of Mechanical Engineering， 2023， 59（20）： 1-17.
[4]	刘洋，庄蔚敏. 金属-聚合物及金属-复合材料薄壁结构压印连接技术的研究进展［J］. 材料导报， 2023， 37（3）： 213-224.
	LIU Yang， ZHUANG Weimin. Research Progress on Clinching Technologies for Metal-polymer and Metal-composite Thin-walled Structures［J］. Materials Reports， 2023， 37（3）： 213-224.
[5]	XIE Chong， WANG Dengfeng， KONG Dewen， et al. Material-structure-process-performance Integrated Optimization Method of Steel/Aluminum Self-piercing Riveted Joint［J］. The International Journal of Advanced Manufacturing Technology， 2024， 132（3）： 2045-2059.
[6]	MA Yunwu， LOU Ming， LI Yongbing， et al. Effect of Rivet and Die on Self-piercing Rivetability of AA6061-T6 and Mild Steel CR4 of Different Gauges［J］. Journal of Materials Processing Technology， 2018， 251： 282-294.
[7]	秦怡歆，邢保英，张洪申，等. 穿透式自冲铆接接头成形工艺及力学性能［J］. 塑性工程学报， 2024， 31（5）： 48-54.
	QIN Yixin， XING Baoying， ZHANG Hongshen， et al. Forming Process and Mechanical Properties of Self-piercing-through Riveting Joint［J］. Journal of Plasticity Engineering， 2024， 31（5）： 48-54.
[8]	黄志超，李玲玲，李海洲. 碳纤维复合材料与5052铝合金空心与半空心自冲铆接静强度分析［J］. 塑性工程学报， 2022， 29（2）： 20-27.
	HUANG Zhichao， LI Lingling， LI Haizhou. Static Strength Analysis of Hollow and Semi-hollow Self-piercing Riveting between Carbon Fiber Composite and 5052 Aluminum Alloy［J］. Journal of Plasticity Engineering， 2022， 29（2）： 20-27.
[9]	KAPPE F， ZIRNGIBL C， SCHLEICH B， et al. Determining the Influence of Different Process Parameters on the Versatile Self-piercing Riveting Process Using Numerical Methods［J］. Journal of Manufacturing Processes， 2022， 84： 1438-1448.
[10]	FERRÁNDIZ B， DAOUD M， KOHOUT N， et al. Prediction of Cross-sectional Features of SPR Joints Based on the Punch Force-displacement Curve Using Machine Learning［J］. The International Journal of Advanced Manufacturing Technology， 2023， 128（9）： 4023-4034.
[11]	LI Mushi， LIU Zhao， HUANG Li， et al. Multi-fidelity Data-driven Optimization Design Framework for Self-piercing Riveting Process Parameters［J］. Journal of Manufacturing Processes， 2023， 99： 812-824.
[12]	ZHAO Huan， HAN Li， LIU Yunpeng， et al. Quality Prediction and Rivet/Die Selection for SPR Joints with Artificial Neural Network and Genetic Algorithm［J］. Journal of Manufacturing Processes， 2021， 66： 574-594.
[13]	涂效铭，金加庚，李光耀，等. 基于神经网络预测电磁自冲铆凹模匹配设计研究［J］. 塑性工程学报， 2025， 32（5）： 43-51.
	TU Xiaoming， JIN Jiageng， LI Guangyao， et al. Research on Matching Design of Electromagnetic Self Piercing Riveting Die Based on Neural Network Prediction［J］. Journal of Plasticity Engineering， 2025， 32（5）： 43-51.
[14]	NEUKAMM F， FEUCHT M， BISCHOFF M. On the Application of Continuum Damage Models to Sheet Metal Forming Simulations［C］∥ International Conference on Computational Plasticity COMPLAS X. Barcelona， 2009：1-4.
[15]	LEE S K， LEE J S， SONG J H， et al. Fracture Simulation of Cold Roll Forming Process for Aluminum 7075-T6 Automotive Bumper Beam Using GISSMO Damage Model［J］. Procedia Manufacturing， 2018， 15： 751-758.
[16]	TILL E T， HACKL B， SCHAUER H. Crash Simulation of Roll Formed Parts by Damage Modelling Taking into Account Preforming Effects［J］. AIP Conference Proceedings， 2011， 1383（1）： 267-274.
[17]	BAO Yingbin， WIERZBICKI T. A Comparative Study on Various Ductile Crack Formation Criteria［J］. Journal of Engineering Materials and Technology， 2004， 126（3）： 314-324.
[18]	BAI Yuanli， WIERZBICKI T. Application of Extended Mohr–Coulomb Criterion to Ductile Fracture［J］. International Journal of Fracture， 2010， 161（1）： 1-20.
[19]	甘守武，陈志军，赵磊娜. 基于单隐藏层BP神经网络Ti-55531合金流变应力预测模型的建立［J］. 热加工工艺， 2018， 47（22）： 59-61.
	GAN Shouwu， CHEN Zhijun， ZHAO Leina. Construction of Flow Stress Prediction Model for Ti-55531 Alloy Based on BP Neural Network with Single Hidden Layer［J］. Hot Working Technology， 2018， 47（22）： 59-61.
[20]	林伟路，丁小凤，双远华. BP神经网络对斜轧穿孔轧制力的预测［J］. 锻压技术， 2018， 43（10）： 175-178.
	LIN Weilu， DING Xiaofeng， SHUANG Yuanhua. Prediction on Rolling Force of Oblique Rolling Piercing Based on BP Neural Network［J］. Forging & Stamping Technology， 2018， 43（10）： 175-178.
[21]	程玥. BP神经网络的算法改进与应用研究［D］. 重庆：重庆大学， 2011.
	CHENG Yue. Research on Algorithm Improvement and Application of BP Neural Network［D］. Chongqing： Chongqing University， 2011.
[22]	张秉华，王小亮. NIR-BP联合定量模型快速分析长春西汀注射液的含量［J］. 西北药学杂志， 2022， 37（6）： 30-36.
	ZHANG Binghua， WANG Xiaoliang. Rapid Content Determination of Vinpocetine Injections by NIR-BP United Quantitative Analysis Model［J］. Northwest Pharmaceutical Journal， 2022， 37（6）： 30-36.
[23]	GAO Xiaozhi， GUO Wang， MEI Chunxiao， et al. Short-term Wind Power Forecasting Based on SSA-VMD-LSTM［J］. Energy Reports， 2023， 9： 335-344.
[24]	XUE Jiankai， SHEN Bo. A Novel Swarm Intelligence Optimization Approach： Sparrow Search Algorithm［J］. Systems Science & Control Engineering， 2020， 8（1）： 22-34.
[25]	LI Xingjia， GU Jinan， SUN Xiaohong， et al. Parameter Identification of Robot Manipulators with Unknown Payloads Using an Improved Chaotic Sparrow Search Algorithm［J］. Applied Intelligence， 2022， 52（9）： 10341-10351.
[26]	张达敏，徐航，王依柔，等. 嵌入Circle映射和逐维小孔成像反向学习的鲸鱼优化算法［J］. 控制与决策， 2021， 36（5）： 1173-1180.
	ZHANG Damin， XU Hang， WANG Yirou， et al. Whale Optimization Algorithm for Embedded Circle Mapping and Onedimensional Oppositional Learning Based Small Hole Imaging［J］. Control and Decision， 2021， 36（5）： 1173-1180.
[27]	YANG Xinshe. Nature-inspired Metaheuristic Algorithms［M］. Second Edition. Frome： Luniver Press， 2010.
[28]	杨俊祺，范晓军，赵跃华，等. 基于PSO-BP神经网络的山西省碳排放预测［J］. 环境工程技术学报， 2023， 13（6）： 2016-2024.
	YANG Junqi， FAN Xiaojun， ZHAO Yuehua， et al. Prediction of Carbon Emissions in Shanxi Province Based on PSO-BP Neural Network［J］. Journal of Environmental Engineering Technology， 2023， 13（6）： 2016-2024.