【技术实现步骤摘要】
本专利技术涉及一种薄壁件加工变形的预测方法，尤其涉及一种基于数据驱动模型的加工变形预测方法。
技术介绍
1、薄壁加工零件从解除夹具的离线状态开始发生弯曲、扭转、错位等加工变形，使几何特征的最终形态和夹具解除前产生偏差，无法满足规定的精度要求，进而影响零件的成品率。因此，准确预测零件的加工变形对优化工艺参数、提升工件质量具有重要意义。
2、研究表明，加工变形的诱发因素是残余应力，如初始残余应力和加工残余应力。随着工件夹具的解除，残余应力的平衡特性被打破，导致工件整体变形，需要经过长时间的时效特性，才能重新平衡。于是，许多学者从残余应力表征的角度构建工件的变形机理。然而，这种基于机理驱动模型的变形预测方法存在两点不足：其一，加工过程中的不确定项过多，计算效率不高；其二，以现今的测量方法无法做到准确且大面积的测量残余应力，这增加了模型验证的难度。
3、为解决上述难题，基于数据驱动模型的变形预测方法被广泛应用，该方法将变形相关的监测数据作为输入，与未知几何变形数据建立映射关系。虽然数据驱动方法省去了机理模型中繁多的假设与验证，运用先进的数据分析方法合理有效地预测加工变形，但也存在诸多难点，比如薄壁零件在加工完成后的72h以内都会产生明显变形，离线阶段十分漫长，为保证模型的预测能力需要大量的监测数据作为支撑，提升了实际加工中数据获取的难度，增加了模型训练的时间成本。因此，在保证模型预测能力的基础上减小模型输入量，是快速准确预测加工变形的关键。
技术实现思路
1、针对现
2、本专利技术的目的是通过下述技术方案实现的。
3、本专利技术公开的一种基于迁移学习的薄壁件加工变形预测方法，包括如下步骤：
4、步骤一、从实际采集的薄壁件离线状态时序变形数据中，选择两段小样本数据，按照时序先后分为源域和目标域，并将源域和目标域数据转换为图像数据。由于数据的非线性非稳态变化关系，以及图像在时间和频率上的分辨率问题，源域和目标域的转换方法可分为三个步骤：标准化处理、极值域均值模态分解和时频变换。
5、步骤1.1：标准化处理
6、将源域和目标域数据进行标准化处理，处理方法为：
7、
8、式中{x1,···,xi,···,xn}为源域和目标域数据集，μ和σ分别为源域和目标域数据集的均值和方差，y(t)为标准化处理的源域和目标域数据集。将y(t)作为初始化函数。
9、步骤1.2：极值域均值模态分解
10、(1)找出初始化函数的全部极值，组成函数的极值集合。
11、(2)根据积分中值定理，计算任意相邻极值点的局部均值，再采用三次样条插值拟合局部均值函数，并将初始化函数和局部均值函数的差值定义为误差函数。
12、(3)判定误差函数的特征。若误差函数是本征模态函数，则将本征模态函数从初始化函数中分离，余下的局部均值函数更新为初始化函数，执行步骤(4)；若误差函数不是本征模态函数，则将误差函数更新为初始化函数，并跳回步骤(1)。
13、本征模态函数的判定依据可表示为：
14、
15、式中g(t)为初始化函数，m(t)为局部均值函数，t为时序总长，δt为时序间隔。
16、(4)找出更新后的初始化函数的极值点。若极值点数量不小于2，则跳回步骤(1)；若极值点数量小于2，则将更新后的初始化函数作为残差函数。
17、完成步骤(1)～(4)，此时y(t)被分解为多个本征模态函数和一个残差函数：
18、
19、式中ci(t)为分解的第i个本征模态函数，δ(t)为残差函数，i为本征模态函数的个数。
20、步骤1.3：时频变换
21、(1)将所有的本征模态函数分别进行希尔伯特变换，得到相应的幅值函数和频率函数。而残差函数作为一个特征无关量，在变换中被舍去。因此，源域和目标域的时域函数皆可表示为：
22、
23、式中ai(t)和ωi(t)为第i个本征模态函数的幅值函数和频率函数。
24、(2)通过傅里叶变换将时域函数转换为频域函数，可表示为：
25、
26、联立式(4)和(5)，得到源域和目标域的时频图，即为图像数据。
27、步骤二、搭建resnet-50神经网络训练模型，从而训练源域图像数据，该过程可分为三个步骤：定义残差函数、搭建网络结构和图像数据训练。
28、步骤2.1：定义残差函数
29、为了解决网络结构中因层数增加而导致的退化问题，将resnet-50的多个卷积层组成一个残差块，以恒等变换的方式训练模型。残差块分为同维和降维两类，其残差函数可表示为：
30、
31、式中x为输入，w为变换矩阵，h(·)为操作函数，wi为第i个残差块的权重。此时，定义模型的训练目标为f(x)→0，使得增层网络都在恒等变换。
32、步骤2.2：搭建网络结构
33、(1)第一个卷积层执行卷积、正则化、激活函数和最大池化操作。
34、(2)第2～49个卷积层组成四个残差块层，标记为残差块层ι、ιι、ιιι和ιv。其中，每个残差块层包括1个降维残差块和2～5个同维残差块，经过残差块层的训练，模型残差矩阵可表示为：
35、
36、式中σ为激活函数。
37、(3)最后一个卷积层执行平均池化和全连接操作，将残差矩阵转化成特征向量，并计算特征向量。
38、步骤2.3：图像数据训练
39、将图像数据作为第一个卷积层的输入，执行网络结构的操作，经过多轮迭代，最终输出模型参数：特征分布和权重。
40、步骤三、将目标域图像数据的前80％的数据作为训练集，另外20％的数据作为测试集。采用不同的迁移学习策略，根据训练集对源域上训练所得的模型参数进行修正。按照模型训练的网络结构，迁移学习策略可分为五种。
41、策略1：将所有网络层全部投入训练，修正每个网络层的权重；
42、策略2：第一个卷积层的权重保持不变，其余网络层投入训练，修正权重；
43、策略3：第一个卷积层、残差块层ι的权重保持不变，其余网络层投入训练，修正权重；
44、策略4：第一个卷积层、残差块层ι和ιι的权重保持不变，本文档来自技高网...
【技术保护点】
1.一种基于迁移学习的薄壁件加工变形预测方法，其特征在于：包括如下步骤，
2.如权利要求1所述的一种基于迁移学习的薄壁件加工变形预测方法，其特征在于：步骤一中将源域数据和目标域数据转换为图像数据的实现方法为，
3.如权利要求2所述的一种基于迁移学习的薄壁件加工变形预测方法，其特征在于：步骤二实现方法为，
【技术特征摘要】
1.一种基于迁移学习的薄壁件加工变形预测方法，其特征在于：包括如下步骤，
2.如权利要求1所述的一种基于迁移学习的薄壁件加工变形预测方法，其特征在于：步...
【专利技术属性】
技术研发人员：冯睽睽，张发平，王武宏，吴贞鹤，张梦迪，王彪，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
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。