【技术实现步骤摘要】
本专利技术是一种基于神经网络的金属板材冲压应变修正方法，具体来说是通过神经网络和机器学习算法对有限元模拟计算出的应变值进行修正，从而得到真实的应变值，以此分析和预测板材冲压过程中可能产生的缺陷。
技术介绍
1、现有金属板材冲压过程中通常采用有限元计算其应力、应变分布，存在一定计算误差，计算值和实际值不能够精确匹配。而使用电阻式应变片直接测量应变，又会对冲压过程中的应力应变分布造成影响。
2、机器学习近年来发展飞速，利用神经网络对数据线性回归分析已经成为一种非常常见且有效的方法。具体来说，有限元计算出的应变值和真实应变有一定误差，将有限元计算值和冲压速度压力等参数结合，由神经网络进行线性回归分析，对计算值进行修正，从而得到更准确的应变值。通过神经网络对有限元计算出的应变值进行修正，不仅提高了应变值的准确性，也提高了计算速度，使应力应变分析可以做到实时同步，甚至是对结果进行预测，从而为金属板材冲压缺陷预警创造了条件。
3、金属板材冲压过程中会产生一些裂纹孔洞等微观缺陷，这些缺陷会影响材料的强度使用寿命，更严重会对生产安全造成严重影响。传统情况中，缺陷的检测往往依赖于加工之后的观察分析，这种检测方式和精度都无法满足大型工程中的应用。对此，将机器学习和缺陷检测结合，本专利技术提供了一个神经网络作为异常检测器，通过对不同冲压情况的分析，结合缺陷产生的特征情况，解决了冲压过程中缺陷预测困难的问题。
技术实现思路
1、本专利技术针对金属板材冲压有限元模拟计算应变有误差问题
2、技术方案为：
3、1.一种适用于金属板材冲压过程的有限元模拟应变修正方法，其特征在于，步骤如下：
4、s1.根据实际冲压作业需求采集冲压数据，构建压力机初始数据集，用于训练和测试深度卷积神经网络算法的数据；
5、s1.1选取几种不同厚度不同材料(如钢板、铝板)的金属板材，在板材上放置感压纸，使用压力机分别改变不同压力和不同冲压速度进行压制，使用扫描仪记录试纸颜色变化，共1000张。
6、s1.2在两块相同板材之间加上应变试纸，以不同的速度和压力，进行筒形件冲压工艺，扫描记录试纸颜色变化，更换材料和板材厚度再次记录，共500张。
7、s1.3采用同一套模具，以同样的冲压速度和压力对不同厚度的板材进行冲压，冲压相同深度，记录试纸颜色变化，共500张。
8、s1.4更换模具结构(模面粗糙度、凹模半径、凸模半径、凸模粗糙度等)，重复以上步骤，获得应变试纸颜色变化，和板材不同位置变形量之间的关系，共8000张。
9、s2.对冲压后的板材进行处理，以测量板材应变，并将测量结果和计算结果进行对应；
10、s2.1采用机械加工方法，如线切割，激光切割等，如果选择剪切，则需要尽量控制毛刺的大小，将冲压后板材不同部位分割开来，其中要包括筒形件周边边缘部位，筒形件上圆弧部位，筒形件下圆弧部位，以及筒形件底端部位，如图1所示；
11、s2.2采用打磨的方式，对分割后端口进行毛刺处理，尽量完全消除毛刺。
12、s2.3采用螺旋测微器，游标卡尺等测量工具，对不同部位进行厚度测量。
13、s2.4依据测量的厚度数据，计算变形量。
14、s2.5根据板材不同位置形变情况，计算该处应变，公式如下：
15、正应变：
16、其中s0为板材原长度，s为板材变形后的长度；
17、切应变：
18、其中为位移，sl为原材料抗剪弹性模量；
19、总应变：
20、其中εi是各个方向的正应变，γij是各个方向的切应变；
21、s2.6采用deform等有限元软件对上述方案分别进行计算，根据有限元模拟应变方法计算出对应应变，并将数据做好标记，把每组测量值、计算值、扫描感压纸生成的图片对应，存入相应的文件。该文件下包含通过测量产生的真实应变值和同样情况下有限元模拟计算出的计算值。
22、s3.根据算法的常用模型，搭建本方法所用的卷积神经网络算法；
23、s3.1使用经过图像数据集预训练后的图像识别模型作为图像特征编码器，使用多层感知机作为数值型特征编码器，使用多层感知机作为回归器。
24、s3.2选用wideresnet50作为图像特征编码器，主网络借鉴resnet网络的残差结构，第一组卷积为3*3大小16通道卷积核，其输出大小为32*32；第二组卷积为50个3*3大小16*3个通道，其输出大小为32*32；第三组卷积为3*3大小32*3个通道，其输出大小为16*16；第四组卷积为3*3大小64*3个通道，其输出大小为8*8；最后使用8*8大小avg-pool层下采样。
25、s3.3将图像处理后的特征和初始参数输入多层感知机，多层感知机选用3层256维度数值型编码器，激活函数选用relu函数，形式如下：
26、max(x，0)小于0时取0，大于0则y＝x；计算对应应变值，对有限元模拟的结果进行修正。
27、s3.4选取损失函数对预测应变值，与真实应变值计算损失，损失函数选取均方误差损失函数(mse),形式如下：
28、
29、s3.5对于上述损失值，选取优化器进行优化，优化器使用随机梯度下降(sgd)，形式如下：
30、
31、s4.为了提高计算速度，优化算法泛化能力，对神经网络进行完善；
32、s4.1将算法模型经过imagenet图像数据集进行预训练。
33、s4.2在模型进行训练时候通过在梯度上添加高斯噪声来增强模型泛化能力，形式如下：
34、其中sf为随机生成器，f(b)为特征生成器,为高斯噪声的分布。
35、s4.3进一步增强数据集，选用对抗网络(gan)生成伪数据，进而进一步增强模型的性能，其形式如下：
36、
37、s4.4对对抗网络(gan)进行优化，避免梯度消失同时提高数据多样性，优化器形式如下：
38、
39、s4.5对于要学习的特征，选取图像特征编码器与数值型特征编码器拼接后的数据作为gan输入的真实值，并将训练好的gan所生成的数据作为回归器的训练数据，用于数据增强。
40、s5.将初始数据和gan网络生成的增强数据混合，并把混合后的数据分为训练数据集和测试数据集；
41、s5.1选取70％为训练数据集，30％为测试数据集，用训练集训练搭建好的神经网络算法。
42、s6.根据实际操作，将更多情况所产生的应力应变数据提供给神经网络，使计算和预测结果可以更准确，并进一步预测冲压过程中可能产生的缺陷；
43、s6.1对步骤1冲压过程中板材结构检测，把产生裂纹、孔洞的情况汇总分类。
44、s6.2将产生缺陷的板材数据本文档来自技高网...
【技术保护点】
1.一种适用于金属板材冲压过程的有限元模拟应变修正方法，其特征在于，步骤如下：
【技术特征摘要】
1.一种适用于金属板材冲压过程的有限元模...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。