一种基于深度学习的汽车覆盖件回弹预测方法技术

本发明专利技术涉及一种基于深度学习的汽车覆盖件回弹预测方法，属于有限元和人工智能领域，包括以下步骤：S1：样本数据获取：获取汽车覆盖件回弹样本数据，并将样本数据划分为仿真数据和试验数据；S2：数据预处理：分别针对仿真数据和试验数据进行预处理；S3：基于样本数据搭建深度学习神经网络预测模型；S4：训练深度学习神经网络预测模型：对预测模型进行训练和评估，得到最佳预测模型；S5：回弹预测：将训练完成的预测模型，对新样本进行回弹预测。本发明专利技术旨在针对同一类型的系列覆盖件形状，构造和训练神经网络，具有高度的针对性，从而能对同系列汽车覆盖件回弹进行快速、准确预测。能较好地为汽车覆盖件生产提供技术辅助支撑。地为汽车覆盖件生产提供技术辅助支撑。地为汽车覆盖件生产提供技术辅助支撑。

【技术实现步骤摘要】
一种基于深度学习的汽车覆盖件回弹预测方法


[0001]本专利技术属于有限元和人工智能领域，涉及一种基于深度学习的汽车覆盖件回弹预测方法。

技术介绍

[0002]在国民经济发展中，汽车工业既是国家支柱性产业，也是衡量国家工业水平的重要标志。当前，受经济全球化、区域一体化和文化多元化发展影响，汽车款式层出不穷，更新换代越发频繁。又快又好地设计生产出造型动感美观、款式新颖别致的汽车产品已经成为各大汽车企业加速占领细分市场，取得整体竞争优势的关键一环。
[0003]在当前的主流汽车生产工艺中，作为汽车造型设计制造重要部分的车身覆盖件制造大多采用已然成熟的冲压成形技术，但受汽车覆盖件结构复杂、空间曲面变化多等客观因素影响，冲压成形过程中常会出现回弹、磨损、大位移、大变形等各种复杂生产缺陷，极易影响产品的良品率。因此，在前期模具设计过程中对汽车覆盖件的成形性能进行准确判断，对于有效预测冲压成形后覆盖件的回弹量分布就显得尤为重要。
[0004]目前，为解决这一问题，众多国内汽车模具厂已经将模具CAE分析技术作为重点技术引入到模具开发过程之中，这极大改善了汽车覆盖件模具的研发效率与研发质量。虽然CAE可以预测冲压过程中的所有变量，但在目前技术条件下，仍然无法找到这些变量之间的联系，依然需要具备过硬专业背景和一定工程实践经验的工程分析人员进行人工解构分析。特别是随着问题复杂程度的提升，工程师进行建模、前处理、求解、后处理等过程会非常耗时。此外，在遇到以往类似的工程案例时，即使只是几何形状或设定参数的微小变化，工程师也无法利用先前已经完成的模拟结果等知识，往往得将此过程重复数次。
[0005]深度学习对高阶复杂函数有强大的学习能力，在特征提取方面具独特优势，可以进行快速、准确预测。利用深度学习技术搭建深度学习神经网络预测模型，将该模型应用到汽车覆盖件回弹的预测，可以大大减少时间成本和资源的耗费，是一种可行且具有广泛应用前景的新思路。

技术实现思路

[0006]有鉴于此，本专利技术的目的在于提供一种基于深度学习的汽车覆盖件回弹快速预测方法。该方法可以高度提取汽车覆盖件的结构特征，实现对汽车覆盖件回弹的快速、准确预测，大量减少计算时间和资源的耗费。
[0007]为达到上述目的，本专利技术提供如下技术方案：
[0008]一种基于深度学习的汽车覆盖件回弹预测方法，包括以下步骤：
[0009]S1：样本数据获取：获取汽车覆盖件回弹样本数据，并将样本数据划分为仿真数据和试验数据；
[0010]S2：数据预处理：分别针对仿真数据和试验数据进行预处理；
[0011]S3：基于样本数据搭建深度学习神经网络预测模型；
[0012]S4：训练深度学习神经网络预测模型：对预测模型进行训练和评估，得到最佳预测模型；
[0013]S5：回弹预测：将训练完成的预测模型，对新样本进行回弹预测。
[0014]进一步，步骤S1中，所述样本数据表现为点云格式，每个点包含坐标值、回弹值、工艺参数和材料参数；样本数据集分为训练集和验证集；所述样本数据划分为仿真数据和试验数据；所述仿真数据是根据实际覆盖件结构和冲压工艺参数，进行冲压回弹仿真，得到的每个网格节点对应的回弹值数据集合；所述试验数据是通过现场模具进行冲压试验后，现场测量得到的回弹后的坐标集合数据。
[0015]进一步，所述仿真数据通过如下步骤采集：
[0016]梳理汽车覆盖件几何模型的种类，限定工艺参数的范围，选取常用的材料以及限定板料的使用厚度范围，利用正交表来安排试验方案和对试验结果进行计算；
[0017]对汽车覆盖件冲压回弹过程进行仿真分析，直接输出覆盖件冲压前后的高密度三维点云，点云表示为点集合{Pi|i＝1，
…
，N})的形式，每个点Pi是一个包含该点的空间坐标(x，y，z)和回弹量数值的向量，Pi也是有限元分析网格(通常称为节点)的连接点。
[0018]进一步，所述试验数据通过如下步骤采集：
[0019]在汽车覆盖件冲压工序后，在无夹具夹持的情况下，汽车覆盖件应力释放后，经过三维激光扫描仪测量得到的坐标集合，即为现场试验扫描数据，试验数据以点云的形式表达；试验数据表示为点集合{Qi|i＝1，
…
，N})的形式，每个点Qi是一个包含该点的空间坐标(x，y，z)和回弹量数值的向量。
[0020]进一步，步骤S2具体包括以下步骤：
[0021]S21：对仿真数据中的无效数据、离群点数据和缺失数据进行逐条整理和筛选；对试验数据进行滤波，剔除重复数据点；
[0022]S22：对离散参数进行编码；
[0023]S23：对点云数据进行最远点采样，保证输入格式的一致性。
[0024]进一步，步骤S3具体包括以下步骤：
[0025]S31：采用最远点采样方法，对每个样本提取出能代表模型几何特征的N个数据点；
[0026]S32：输入所有数据点的所有参数；
[0027]S33：将数据点连接全连接层进行升维；
[0028]S34：对升维后的数据点进行特征提取；
[0029]S35：对特征提取后的数据点进行降维；
[0030]S36：输出预测回弹值。
[0031]进一步，步骤S4具体包括以下步骤：
[0032]以回弹参数的均方根误差作为损失函数，利用Adam优化算法对神经网络进行迭代优化，优化目标为损失函数最小，直至训练样本数据集的损失函数不再降低，完成训练；
[0033]利用无监督学习方式，将训练集中所有的数据分批导入到神经网络中，获取深度学习神经网络的最佳超参数；
[0034]所述深度学习神经网络将经过卷积和池化处理后的点云数据展开成向量形式，输出所述汽车覆盖件回弹值；
[0035]调用验证集对所述深度学习神经网络的进行测试，判断所述深度学习神经网络是
否符合目标条件，若是，则输出所述深度学习神经网络；若否，则重新设置所述深度学习神经网络的超参数，直至所述深度学习神经网络符合目标条件；
[0036]所述目标条件包括：所述深度神经网络的回弹预测准确率不低于识别阈值；所述识别阈值的取值范围为90％至100％。
[0037]进一步，步骤S3中，点云坐标参数、工艺参数、材料参数表达为参数向量，与计算空间中的网格点坐标一同作为网络的输入参数，表达为(x,y,z,f1,f2,f3...fn)，其中，(x,y,z)为网格点在计算空间中的坐标，(f1,f2,...fn)为汽车覆盖件材料，工艺参数向量；输出层为单个向量回弹值。
[0038]本专利技术的有益效果在于：本专利技术与现有技术相比，可以在保证回弹特征提取和回弹参数预测精度的同时，尽可能减少数据点数和时间耗费，提高效率。本专利技术搭建的多层感知器(MLP)神经网络模型，与现有技术相比，可以刻画更复杂的非线性关系，提高汽车覆盖件回弹特征的分辨度，有助于对回弹特征的精确识别。本专利技术旨在针对同一基准汽车覆盖件衍生的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的汽车覆盖件回弹预测方法，其特征在于：包括以下步骤：S1：样本数据获取：获取汽车覆盖件回弹样本数据，并将样本数据划分为仿真数据和试验数据；S2：数据预处理：分别针对仿真数据和试验数据进行预处理；S3：基于样本数据搭建深度学习神经网络预测模型；S4：训练深度学习神经网络预测模型：对预测模型进行训练和评估，得到最佳预测模型；S5：回弹预测：将训练完成的预测模型，对新样本进行回弹预测。2.根据权利要求1所述的基于深度学习的汽车覆盖件回弹预测方法，其特征在于：步骤S1中，所述样本数据表现为点云格式，每个点包含坐标值、回弹值、工艺参数和材料参数；样本数据集分为训练集和验证集；所述样本数据划分为仿真数据和试验数据；所述仿真数据是根据实际覆盖件结构和冲压工艺参数，进行冲压回弹仿真，得到的每个网格节点对应的回弹值数据集合；所述试验数据是通过现场模具进行冲压试验后，现场测量得到的回弹后的坐标集合数据。3.根据权利要求1所述的基于深度学习的汽车覆盖件回弹预测方法，其特征在于：所述仿真数据通过如下步骤采集：梳理汽车覆盖件几何模型的种类，限定工艺参数的范围，选取常用的材料以及限定板料的使用厚度范围，利用正交表来安排试验方案和对试验结果进行计算；对汽车覆盖件冲压回弹过程进行仿真分析，直接输出覆盖件冲压前后的高密度三维点云，点云表示为点集合{Pi|i＝1，
…
，N})的形式，每个点Pi是一个包含该点的空间坐标(x，y，z)和回弹量数值的向量，Pi也是有限元分析网格的连接点。4.根据权利要求1所述的基于深度学习的汽车覆盖件回弹预测方法，其特征在于：所述试验数据通过如下步骤采集：在汽车覆盖件冲压工序后，在无夹具夹持的情况下，汽车覆盖件应力释放后，经过三维激光扫描仪测量得到的坐标集合，即为现场试验扫描数据，试验数据以点云的形式表达；试验数据表示为点集合{Qi|i＝1，
…
，N})的形式，每个点Qi是一个包含该点的空间坐标(x，y，z)和回弹量数值的向量。5.根据权利要求1所述的基于...

【专利技术属性】
技术研发人员：陈惠，张霞，石明全，张鹏，王晓东，
申请(专利权)人：中国科学院重庆绿色智能技术研究院，
类型：发明
国别省市：