面向冲压成形质量监测的工艺能量图谱的生成方法与系统技术方案

本发明专利技术属于冲压成形工艺监测领域，具体涉及一种面向冲压成形质量监测的工艺能量图谱的生成方法与系统。该方法包括如下步骤：S1：测量目标冲压工件的设备参数和工件厚度。S2：计算设备参数对应的工艺能量、最大增厚率和最大减薄率。S3：构建原始数据集。S4：选择备选模型并进行预训练。S5：对备选模型进行相关性分析和预测精度评估。S6：从备选模型中选择基模型和元模型搭建预测网络。S7：对预测网络进行两阶段训练。S8：绘制工艺能量图谱，并采用网络模型进行工艺能量图谱的数值填充和着色。S9：对着色后的工艺能量图谱进行分区。本发明专利技术解决了传统的冲压工艺的成形质量监测难度较大，冲压加工图谱的精度不足的问题。加工图谱的精度不足的问题。加工图谱的精度不足的问题。

【技术实现步骤摘要】
面向冲压成形质量监测的工艺能量图谱的生成方法与系统


[0001]本专利技术属于冲压成形工艺监测领域，具体涉及一种面向冲压成形质量监测的工艺能量图谱的生成方法、系统以及相应的数据处理设备。

技术介绍

[0002]在冲压加工工艺中，如何对加工过程进行成形质量监测一直是本领域技术人员面临的一个难题。由于冲压模具的封闭性，冲压工件加工通常在一个封闭的加工环境中快速完成；技术上难以对冲压工件的成形质量进行直接测量。现有技术通常是基于设备的运行参数或反馈信号对加工过程的冲压工件厚度变化进行预测，进而实现冲压工件成形质量的评估。
[0003]技术人员在对现有各类单形状特征和多形状特征的冲压工件厚度变化监测方法进行测试后发现：尽管现有方案在测量特定类型冲压工件成形时的厚度变化和成形质量具有较高的测量精度，但在对参数、材料与形状等工艺条件不同的冲压工件进行厚度变化监测时，其监测精度差异较大，监测精度并不稳定。例如，对于某个适用于特定冲压工件的成形质量监测方法，当将其应用于DP600高强钢单形状特征冲压工件的厚度变化监测时，其平均绝对百分比误差e
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向冲压成形质量监测的工艺能量图谱的生成方法，其特征在于，所述工艺能量图谱用于反映指定冲压工件在冲压加工过程中的冲压深度h
p
、工艺能量E与厚度变化量TV间的映射关系，并通过相应分区对不同冲压深度h
p
及工艺能量E条件下的冲压工件成形质量进行划分；所述工艺能量图谱的生成方法包括如下步骤：S1：测量同一类型的各个目标冲压工件在指定工艺条件下的设备参数和工件厚度D；所述设备参数包括冲压深度h
p
和冲压力F；S2：分别计算每组设备参数对应的工艺能量E、最大增厚率Δ
MTC
和最大减薄率Δ
MTN
；其中，上式中，h
max
表示当前目标冲压工件对应的设备的最大冲压深度；D
i
表示冲压工件中指定测量点的冲压前厚度；D
i+1
表示冲压工件中指定测量点的冲压后厚度；S3：将每组设备参数对应的冲压深度h
p
、工艺能量E和厚度变化量TV，作为一组元数据，构成原始数据集；其中，所述厚度变化量TV包括最大增厚率Δ
MTC
和最大减薄率Δ
MTN
；S4：选择M个机器学习模型作为备选模型，以冲压深度h
p
和工艺能量E为输入，厚度变化量TV为输出，利用原始数据集中的元数据对备选模型进行预训练和预测试；S5：对各个备选模型在预测试阶段的预测结果进行相关性分析和预测精度评估；S6：选择相关性较弱的n个机器学习模型作为基模型，n＜M；预测精度最高的机器学习模型作为元模型，搭建一个基于Stacking集成学习框架的预测网络；S7：利原始数据集对预测网络进行两阶段训练，保留训练完成的预测网络作为所需的厚度变化量预测模型；S8：以冲压深度h
p
和工艺能量E分别为横纵坐标绘制空白工艺能量图谱，然后利用厚度变化量预测模型预测工艺能量图谱中各点的厚度变化量TV，并根据厚度变化量TV中的最大增厚率Δ
MTC
、最大减薄率Δ
MTN
及其颜色映射对空白工艺能量图谱进行着色；S9：对着色后的工艺能量图谱进行分区，将工艺能量图谱中最大增厚率Δ
MTC
超出起皱阈值的所有像素点对应的区域标记为起皱区；将工艺能量图谱中最大减薄率Δ
MTN
超出破裂阈值的所有像素点对应的区域标记为破裂区。2.如权利要求1所述的面向冲压成形质量监测的工艺能量图谱的生成方法，其特征在于：步骤S3中，原始数据集A表示为：A＝(E,TV)，其中，E为J
×
2的测量工艺能量矩阵，E＝(h
p
,E
p
)上式中，h
p
为J
×
1的冲压深度向量，h
p
＝[h
p,1
,h
p,2
,...,h
p,J
]
‑1；E
p
为J
×
1的工艺能量向量，E
p
＝[E
p,1
,E
p,2
,...,E
p,J
]
‑1；TV为J
×
2的厚度变化矩阵，表示为：TV＝(Δ
MTN
,Δ
MTC
)上式中，Δ
MTN
为J
×
1的最大减薄率向量，Δ
MTN
＝[Δ
MTN,1
,Δ
MTN,2
,...,Δ
MTN,J
]
‑1；Δ
MTC
为J
×
1的最大增厚率向量，Δ
MTC
＝[Δ
MTC,1
,Δ
MTC,2
,...,Δ
MTC,J
]
‑1。3.如权利要求1所述的面向冲压成形质量监测的工艺能量图谱的生成方法，其特征在于，步骤S4中，备选模型包括SVM、RF、GBDT、XGBoost、KNN以及LSTM。4.如权利要求1所述的面向冲压成形质量监测的工艺能量图谱的生成方法，其特征在于：步骤S5中，采用皮尔逊相关分析对备选模型进行相关性分析；其中，备选模型的皮尔逊相关系数r
xy
的计算公式如下：其中，TV
p,i,x
与TV
p,i,y
分别为第x个与第y个备选模型的厚度变化预测结果；与分别为第x个与第y个备选模型的厚度变化预测结果的平均值；I为预测结果的总数量；各备选模型的预测精度采用平均绝对百分比误差e
MA
与均方误差e
MS
来评价，计算公式如下：下：其中，c
i
'与c
i
分别为测量与监测的数据；N为监测数据的数量。5.如权利要求1所述的面向冲压成形质量监测的工艺能量图谱的生成方法，其特征在于：步骤S6中，搭建出的基于Stacking集成学习框架的预测网络中的基模型选择XGBoost、LSTM、SVM和KNN，元模型选择XGBoost；搭建出的预测网络中，每个基模型的输入均为冲压深度h
p
和工艺能量E，输出为各自预测的厚度变化量TV
p,i
，i＝1,...,n；所述元模型的输入为各个基模型的输出，元模型的输出为最终预测出的厚度变化量TV。6.如权利要求1所述的面向冲压成形质量监测的工艺能量图谱的生成方法，其特征在于：步骤S7中，预测网络的两阶段训练过程如下：第一阶段：(1)将原始数据集划分为n个子数据集，A1～A
n
；(2)将其中的n
‑
1个子数据集作为训练集，最后一个作为测试集；(3)利用训练集和测试集对各个基模型进行第一阶段的训练和测试；(4)根据训练结果，得到原始数据集中每个元数据对应的n个预测结果TV
p,1
～TV...

【专利技术属性】
技术研发人员：黄海鸿，甘雷，汪钊翼，李磊，刘志峰，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：