CN114863063A - 一种单点渐变表面形貌成形用的回弹预测方法 - Google Patents
一种单点渐变表面形貌成形用的回弹预测方法 Download PDFInfo
- Publication number
- CN114863063A CN114863063A CN202210791331.6A CN202210791331A CN114863063A CN 114863063 A CN114863063 A CN 114863063A CN 202210791331 A CN202210791331 A CN 202210791331A CN 114863063 A CN114863063 A CN 114863063A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- point
- grid
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000008859 change Effects 0.000 title claims abstract description 18
- 238000012876 topography Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 79
- 238000003754 machining Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 230000005489 elastic deformation Effects 0.000 claims description 8
- 238000012886 linear function Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- FESBVLZDDCQLFY-UHFFFAOYSA-N sete Chemical compound [Te]=[Se] FESBVLZDDCQLFY-UHFFFAOYSA-N 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 4
- 239000007769 metal material Substances 0.000 description 4
- 230000008676 import Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种单点渐变表面形貌成形用的回弹预测方法，属于表面形貌预测的技术领域。包括以下步骤：预先生成目标模型集合和加工模型集合；以目标模型集合为输入，加工模型集合为输出，通过计算目标模型与加工模型之间回弹值得到差值集，同时确定回弹方向；基于回弹值和回弹方向对应标记出已产生回弹值的点序列；将所有序列点与差值集合并得到训练集T，训练得到预测模型；将三维数模导入预测模型，经预测模型生成关于三维数模的预测数模。本发明创建了回弹预测方法，其目的是为了实现在实际加工之前，基于理论模型做形变预测。取代了现有技术中通过实际加工成形才能判断预测其形变的技术。
Description
技术领域
本发明属于金属表面形貌加工的技术领域，特别是涉及一种单点渐变表面形貌成形用的回弹预测方法。
背景技术
单点增量成形是一种新型板材柔性无模成形技术，与传统冲压成形相比，单点增量成形将待成形的零件离散为一系列的二维平面进行逐点逐层成形，以局部和渐进成形累积代替整体成形。可以缩短产品研发周期，降低研发成本，满足当今制造业的个性化生产需求。
但是，在实际加工过程中，会发现由于加工材质本身的弹性量、以及加工面的形状导致实际加工成型的模型与理想状态的模型存在一定的偏差，即加工过程中局部发生了不可控的弹性形变，且甚至会因此不在预期内的弹性形变带来其他的形变，尤其是金属材料，在外力的作用下易发生弹性形变。如果在不做任何预测或者评估的前提下，直接进行生成加工，将会导致合格率降低，还会造成成本浪费。
发明内容
本发明为解决上述背景技术中存在的技术问题，尤其是对金属材质进行单点成形，提供了一种单点渐变表面形貌成形用的回弹预测方法。
本发明采用以下技术方案：一种单点渐变表面形貌成形用的回弹预测方法，至少包括以下步骤：
预先生成若干个三维目标模型，得到目标模型集合；以三维目标模型为参考，加工得到对应的若干个三维加工模型生成加工模型集合；
以目标模型集合为输入，加工模型集合为输出，通过计算目标模型与加工模型之间回弹值e j 得到差值集E e ={ e 1 , e 2 ,…, e j }，同时确定回弹方向；基于回弹值和回弹方向对应标记出已产生回弹值的点序列D j ={ d j1 , d j2 ,…, d jn }；将所有序列点与差值集合并得到训练集T={T 1 , T 2 ,…, T j }，其中T j =<D j , e j >，训练得到预测模型；
将三维数模导入预测模型，经预测模型生成关于三维数模的预测数模。
在进一步的实施例中，还包括：创建数据库，所述数据库包括：预测数模，以及相对应的回弹信息；基于所述回弹信息对对应的预测数模做负处理得到临时数模；
将所述临时数模作为新的输入，导入预测模型，经预测模型生成检测数模；
将所述检测数模与三维数模进行差值对比，若差值小于阈值，则将所述检测数模定义为当前三维数模的实际输入。
在进一步的实施例中，所述预测模型的训练流程如下：
获取三维目标模型中的三维目标曲面S o ；利用网格模型将所述三维目标曲面S o 划分为若干个目标网格，得到目标网格集G o ，G o ={o 1 , o 2 ,…, o j }；
摄取工件的三维加工曲面S m ，利用所述网格模型将三维加工曲面S m 划分为若干个加工网格得到加工网格G m ，G m ={m 1 , m 2 ,…, m j }；其中，目标网格o j 与加工网格m j 存在预设的对应关系；
基于目标网格和与之相对应的加工网格创建公式，所述公式被设置为计算出回弹值e j ，同时确定回弹方向得到差值集；
选定其中一个目标网格为中心目标网格，按照预定顺序圈出中心目标网格周边的八个目标网格，得到3*3的网格矩阵；
于网格矩阵中选出存在回弹值的目标网格得到关于中心目标网格点序列D j ={ d j1 , d j2 ,…, d jn }，其中d jn 表示中心目标网格周边的目标网格与对应加工网格之间的z的差值。
在进一步的实施例中，所述网格模型的创建流程如下：
在空间坐标体系中选定最低点为原点坐标O(x 0 , y 0 ,0)，给定步长d，按照大小为d*d的方格对曲面进行划分得到若干个网格；
每个网格均由三维坐标（x，y，z）进行定义，其中（x，y）的取值为对应网格的中心点所在的坐标点，z的取值为对应网格相对原点坐标O(x 0 , y 0 ,0)产生的所有高度的平均值；
对目标网格和加工网格分别采用三维坐标进行定义，则目标网格的坐标为（x oj , y oj , z oj ），加工网格的坐标为（x mj , y mj , z mj ），则对应关系如下：
在进一步的实施例中，所述公式的创建流程如下：
基于目标网格o j 、加工网格m j 所有的点分别拟合出目标平面方程P oj 和加工平面方程P mj ；
以目标平面方程为基准面，获取经过所述目标网格中心点（x oj , y oj , z oj ）的目标平面法线，基于所述目标平面法线和加工平面方程得到交点（I x ，I y ，I z ）；
基于交点（I x ，I y ，I z ）与目标网格中心点（x oj , y oj , z oj ）计算得到回弹值，
。
在进一步的实施例中，所述回弹方向的确定流程如下：
弹性形变方向的确认：
在进一步的实施例中，若差值大于阈值，则基于临时数模与检测数模之间的回弹信息对当前的临时数模做负处理得到新的临时数模；
将所述新的临时数模作为新的输入，导入预测模型，经预测模型生成新的检测数模；将所述新的检测数模与新的临时数模做差值对比；
如此反复迭代，直至差值小于阈值，则定义关于所述三维数模的输入值为最新的检测数模。
在进一步的实施例中，还包括：创建存储库，所述存储库用于存储预测数模-实际输入值；其中，所述实际输入值为符合需求的检测数模。
在进一步的实施例中，所述预测模型的网络结构包括：输入门i t ，输出门o t ，隐藏门f t 和更新门
；定义在当前时间节点t至少存在三个输入值，分别为网络当前实际输入Tt，以及网络基于上一个时间节点生成的单元激活向量c t-1 和隐藏状态h t-1 ；则，输入门i t 表示为：i t = ReLU (W xi T t + W hi h t-1 +b i )
隐藏门f t 表示为：f t = ReLU (W xf T t + W hf h t-1 +b f )
输出门o t 表示为：o t= ReLU (W xo T t + W ho h t-1 + b O )；
则更新门表示为：
)
式中，ReLU代表直线单元非线性函数，
代表双曲正切非线性函数，
表示元素乘法；其中，W xi 、W xf 、W xo 、W xg 分别为输入门、隐藏门、输出门和更新门的权重矩阵；W hi 、W hf 、W ho 、W hg 分别为输入门、隐藏门、输出门和更新门的权重系数；b i 、b f 、b O 、b g 分别为输入门、隐藏门、输出门和更新门的补偿系数；
通过计算得到的关于当前时间节点t的单元激活向量c t 和隐藏状态h t ，单元激活向量c t 和隐藏状态h t 用于作为下一个时间节点的其中两个输入值。
在进一步的实施例中，所述目标平面方程P oj 和加工平面方程P mj 的拟合步骤相同，具体如下：
平面方程表示为：Z=b1*X + b2*Y；对应的法线表示为：[b1，b2，-1]；
其中，b1和b2的取值如下：随机获取同一平面内的若干个点坐标，分别组合成3×3阶矩阵A和3×1阶矩阵C，其中矩阵A的元素为点坐标中的（x，y），矩阵C中的元素为点坐标中的z，基于最小二乘法给定3×1阶的回归系数
和3×1阶残差系数的
，则
；
则，最小二乘法平面的系数向量
：
本发明的有益效果：本发明创建了回弹预测方法，其目的是为了实现在实际加工之前，基于理论模型做形变预测。取代了现有技术中通过实际加工成形才能判断预测其形变的技术，在无需损耗工件成本的基础上做出了准确的预测判断；同时也便于在实际加工时做适应性调整，以增加合格率。
另外，本发明涉及了对输入值的优化过程，即通过调整输入值实现输出值与理论模型的一致性，提高加工效率和合格率。
附图说明
图1为本发明的工作流程图。
具体实施方式
下面结合说明书附图和实施例对本发明做进一步的描述。
基于对金属材质进行单点增量加工曲面时，在完成单前操作点时，若当前操作的点符合目标曲面的需求，但是却由于成形位置处以及其周边产生一定的应力，因此会导致工件发生局部形变，而产生的形变会直接影响下一个点以及未来其他的点的作用位置，导致未来一段时间内的实际作用位置与理论作用位置的不同的，进而导致加工出来的曲面与目标曲面不一致，存在一定的误差。
在目前的加工水平中，并不能预先得知这个误差具体是多少或者误差的方向，只有在实际加工后才能去判断，然后再做调整重新加工，导致效率低且增加加工成本。
实施例1
本实施例为解决上述问题，提供了一种单点渐变表面形貌成形用的回弹预测方法，用于基于理论模型提前预测处经实际加工后将会产生的弹性变量，具有实时深度学习和预判的能力，基于当前已经完成的几何位置预判未来一段时间段将会产生的曲面误差，并基于预判出的曲面误差提前调整点增量的位置，高精度的降低误差。
如图1所示，一种单点渐变表面形貌成形用的回弹预测方法，包括以下步骤：
步骤一、预先生成若干个三维目标模型，得到目标模型集合；以三维目标模型为参考，加工得到对应的若干个三维加工模型生成加工模型集合；其目的是为了后期创建预测模型，在预测模型创建后则通过预测模型完成“实际加工”的过程，得到与输入相对应的加工后的模型。举例说明，在执行步骤二之前，使用三维软件绘出多个三维目标模型，所述三维目标模型可以是在某一平面上凹陷出不通的形貌，所述形貌至少包括：直角、不同弧度的弧面、波浪线等等，即多个三维目标模型在形貌和方向上需要具有一定的覆盖性。然后使用实际的加工工具在选定的金属材质的指定表面上加工处与每个三维目标模型相对应的三维加工模型。且得到的三维加工模型将存在形貌或者方向上的偏差。
步骤二、以目标模型集合为输入，加工模型集合为输出，通过计算目标模型与加工模型之间回弹值e j 得到差值集E e ={ e 1 , e 2 ,…, e j }，同时确定回弹方向；基于回弹值和回弹方向对应标记出已产生回弹值的点序列D j ={ d j1 , d j2 ,…, d jn }；将所有序列点与差值集合并得到训练集T={T 1 , T 2 ,…, T j }，其中T i =<D j , e j >，训练得到预测模型；
步骤三、将三维数模导入预测模型，经预测模型生成关于三维数模的预测数模。其中，三维数模则为用户想要加工成型后的模型，用户可以根据需求使用三维软件制备出来。则预测数模则定义为通过上述模型模拟出来的实际加工后的实物模型，该实物模型则因加工材质、或者加工工艺的问题会与三维数模存在一定的偏差，因此通过步骤三预测出来。
在进一步的实施例中，步骤二的预测模型的训练流程如下：
步骤201、获取三维目标模型中的三维目标曲面S o ；利用网格模型将所述三维目标曲面S o 划分为若干个目标网格G o ={o 1 , o 2 ,…, o j }；三维目标曲面S o 即为待加工面，可以是不同形貌的。若三维目标曲面S o 为一个区域，则仅对这个区域及周边使用网格模型做划分处理；若三维维目标曲面S o 为至少一个区域，则对每个区域及周边使用网格模型做划分处理。
步骤202、摄取工件的三维加工曲面S m ，利用所述网格模型将三维加工曲面S m 划分为若干个加工网格G m ={m 1 , m 2 ,…, m j }；其中，目标网格o j 与加工网格m j 存在预设的对应关系；同样的，三维加工曲面S m 为实际加工出来的加工面，且所述加工面是与待加工面的区域及对应的位置关系是一致的。
步骤203、基于目标网格和与之相对应的加工网格创建公式，所述公式被设置为计算出回弹值e j ，同时确定回弹方向得到差值集；
步骤204、选定其中一个目标网格为中心目标网格，按照预定顺序圈出中心目标网格周边的八个目标网格，得到3*3的网格矩阵；
步骤205、于网格矩阵中选出存在回弹值的目标网格得到关于中心目标网格点序列D j ={ d j1 , d j2 ,…, d jn }，其中d jn 表示中心目标网格i周边的目标网格与对应加工网格之间的z的差值。增加了选点的完整性。
在进一步的实施例中，步骤201和步骤202中的网格模型相同，其创建流程如下：
在空间坐标体系中选定最低点为原点坐标O(x 0 , y 0 ,0)，给定步长d，按照大小为d*d的方格对曲面进行划分得到若干个网格；相邻之间的网格可以是重叠连续的也可以是非重叠连续的，可根据曲面进行设定。
每个网格均由三维坐标（x，y，z）进行定义，其中（x，y）的取值为对应网格的中心点所在的坐标点，z的取值为对应网格相对原点坐标O(x 0 , y 0 ,0)产生的所有高度的平均值；取中间值降低误差。
对目标网格和加工网格分别采用三维坐标进行定义，则目标网格的坐标为（x oj , y oj , z oj ），加工网格的坐标为（x mj , y mj , z mj ），则对应关系如下：
即在做差值对比时，首先确定好水平面，然后仅对z轴向进行对比分析，提高了对比精度，和降低了对比分析的难度，不易发生错乱。也保证了在分别对目标曲面和加工曲面做划分处理成数量和水平位置相对应的网格，不会在匹对时出现无法匹对的现象。
在进一步的实施例中，在步骤203中，公式的创建流程如下：
基于目标网格o j 、加工网格m j 所有的点分别拟合出目标平面方程P oj 和加工平面方程P mj ；其中，所述目标平面方程P oj 和加工平面方程P mj 的拟合步骤相同，具体如下：
平面方程表示为：Z=b1*X + b2*Y；对应的法线表示为：[b1，b2，-1]；
其中，b1和b2的取值如下：随机获取同一平面内的若干个点坐标，分别组合成3×3阶矩阵A和3×1阶矩阵C，其中矩阵A的元素为点坐标中的（x，y）；举例说明，选其中的六个点坐标并按照矩阵的行、列进行编号，
则矩阵
，矩阵
；C中的元素来源于矩阵A中的点。
矩阵C中的元素为点坐标中的z，基于最小二乘法给定3×1阶的回归系数
和3×1阶残差系数的
，则
；多次计算，得到：
则，最小二乘法平面的系数向量
：
以目标平面方程为基准面，获取经过所述目标网格中心点（x oj , y oj , z oj ）的目标平面法线，基于所述目标平面法线和加工平面方程得到交点（I x ，I y ，I z ）；具体计算公式：
= 
；
基于交点（I x ，I y ，I z ）与目标网格中心点（x oj , y oj , z oj ）计算得到回弹值，
。
基于此，仅是确定相对应的网格确实有形变产生，但是仍无法获取其形变方向，故在进一步的实施例中，弹性形变方向的确认：
故基于步骤201至步骤203得到差值集E e ={ e 1 , e 2 ,…, e j }，即差值集中的元素均为产生弹性形变的网格。
基于上述描述，本实施例训练得到的预测模型的网络结构包括：输入门i t ，输出门o t ，隐藏门f t 和更新门
；定义在当前时间节点t至少存在三个输入值，分别为网络当前实际输入Tt，以及网络基于上一个时间节点生成的单元激活向量c t-1 和隐藏状态h t-1 ；则，输入门i t 表示为：i t = ReLU (W xi T t + W hi h t-1 +b i )
隐藏门f t 表示为：f t = ReLU (W xf T t + W hf h t-1 +b f )
输出门o t 表示为：o t= ReLU (W xo T t + W ho h t-1 + b O )；
则更新门表示为：
)
式中，ReLU代表直线单元非线性函数，
代表双曲正切非线性函数，
表示元素乘法；其中，W xi 、W xf 、W xo 、W xg 分别为输入门、隐藏门、输出门和更新门的权重矩阵；W hi 、W hf 、W ho 、W hg 分别为输入门、隐藏门、输出门和更新门的权重系数；b i 、b f 、b O 、b g 分别为输入门、隐藏门、输出门和更新门的补偿系数；
通过计算得到的关于当前时间节点t的单元激活向量c t 和隐藏状态h t ，单元激活向量c t 和隐藏状态h t 用于作为下一个时间节点的其中两个输入值。
实施例2
实施例1通过使用训练得到的预测模型，基于目标模型预先生成加工后的预测模型，即为实际加工会得到的产品状态。降低了需要提供实际加工得到产品状态的时间和成本。但是实施例1并不能针对已经发生弹性形变的部分作出调整。因此在实际需求中，绝大部分使用者是希望加工出来的产品是与目标模型相贴合的。
因此，本实施例基于实施例1描述，做了进一步的改进，还包括：
步骤四、创建数据库，所述数据库包括：预测数模，以及相对应的回弹信息；基于所述回弹信息对对应的预测数模做负处理得到临时数模；
步骤五、将所述临时数模作为新的输入，导入预测模型，经预测模型生成检测数模；
步骤六、将所述检测数模与三维数模差值对比，若差值小于阈值，则定义关于所述三维数模的输入值为检测数模。
举例说明：现有一组三维数模导入至实施例所述的预测模型后，预测模型输出的为预测数模，经对比发现预测出来的预测数模与三维数模的形貌相距甚远，即多处发生弹性形变或者回弹值过大。因此，申请人需要做进一步的调整使得预测出来的数模与目标数模相近。将预测数模产生的回弹信息作负处理，其中回弹信息包括回弹值和回弹方向，其中针对回弹值作负处理则为负值处理，针对回弹方向的处理则为反向处理。将取负后的回弹值和取反向的回弹方向作用到预测数模的对应位置处，则预测数模的形貌发生改变得到临时数模，再以临时数模作为新的输入，导入预测模型，经预测模型生成检测数模；将所述检测数模与三维数模差值对比，若差值小于阈值（表示以临时数模为输入得到的检测数模与三维数目相贴合，且符合需求），则定义关于所述三维数模的输入值为检测数模。
在本实施例中，差值的计算可以采用以下方法平均绝对误差、均方误差、均方根误差、R2分数，定义检测数模的差值集为
，三维数模的差值集为
则计算公式分别如下：
平均绝对误差（MAE）：
，式中，
；
均方误差（MSE）：
；
均方根误差（RMSE）：
，式中，P为单位值；
R2分数（R2）：
，式中，
为
的平均值。
但是，当优化仅一次并不能满足需求时，则还包括：步骤七、若差值大于阈值，则基于临时数模与检测数模之间的回弹信息对当前的临时数模做负处理得到新的临时数模；可参考步骤四；
步骤八、将所述新的临时数模作为新的输入，导入预测模型，经预测模型生成新的检测数模；将所述新的检测数模与新的临时数模做差值对比；可参考步骤五和步骤六；
如此反复迭代，直至差值小于阈值，则定义关于所述三维数模的输入值为最新的新的检测数模，迭代次数主要取决于差值与阈值之间的大小关系。
还包括：创建存储库，所述存储库用于存储预测数模-实际输入值；其中，所述实际输入值为符合需求的检测数模，用于记录，后期再次预测对应模型时可直接调用。
实施例3
本实施例公开了一种单点渐变表面形貌成形用的回弹预测系统，用于实现实施例1和实施例2所述的方法，包括：
第一模块，被设置为预先生成若干个三维目标模型，得到目标模型集合；以三维目标模型为参考，加工得到对应的若干个三维加工模型生成加工模型集合；
第二模块，被设置为以目标模型集合为输入，加工模型集合为输出，通过计算目标模型与加工模型之间回弹值e j 得到差值集E e ={ e 1 , e 2 ,…, e j }，同时确定回弹方向；基于回弹值和回弹方向对应标记出已产生回弹值的点序列D j ={ d j1 , d j2 ,…, d jn }；将所有序列点与差值集合并得到训练集T={T 1 , T 2 ,…, T j }，其中T i =<D j , e j >，训练得到预测模型；
第三模块，被设置为将三维数模导入预测模型，经预测模型生成关于三维数模的预测数模。
第四模块，被设置为创建数据库，所述数据库包括：预测数模，以及相对应的回弹信息；基于所述回弹信息对对应的预测数模做负处理得到临时数模；
第五模块，被设置为将所述临时数模作为新的输入，导入预测模型，经预测模型生成检测数模；
第六模块，被设置为将所述检测数模与三维数模差值对比，若差值小于阈值，则定义关于所述三维数模的输入值为检测数模。
第七模块，被设置为若差值大于阈值，则基于临时数模与检测数模之间的回弹信息对当前的临时数模做负处理得到新的临时数模；
第八模块，被设置为将所述新的临时数模作为新的输入，导入预测模型，经预测模型生成新的检测数模；将所述新的检测数模与新的临时数模做差值对比；
第九模块，被设置为如此反复迭代，直至差值小于阈值，则定义关于所述三维数模的输入值为最新的新的检测数模。
Claims (10)
1.一种单点渐变表面形貌成形用的回弹预测方法，其特征在于，至少包括以下步骤：
预先生成若干个三维目标模型，得到目标模型集合；以三维目标模型为参考，加工得到对应的若干个三维加工模型生成加工模型集合；
以目标模型集合为输入，加工模型集合为输出，通过计算目标模型与加工模型之间回弹值e j 得到差值集E e ={ e 1 , e 2 ,…, e j }，同时确定回弹方向；基于回弹值和回弹方向对应标记出已产生回弹值的点序列D j ={ d j1 , d j2 ,…, d jn }；将所有序列点与差值集合并得到训练集T={T 1 , T 2 ,…, T j }，其中T j =<D j , e j >，训练得到预测模型；
将三维数模导入预测模型，经预测模型生成关于三维数模的预测数模。
2.根据权利要求1所述的一种单点渐变表面形貌成形用的回弹预测方法，其特征在于，还包括：
创建数据库，所述数据库包括：预测数模，以及相对应的回弹信息；基于所述回弹信息对对应的预测数模做负处理得到临时数模；
将所述临时数模作为新的输入，导入预测模型，经预测模型生成检测数模；
将所述检测数模与三维数模进行差值对比，若差值小于阈值，则将所述检测数模定义为当前三维数模的实际输入。
3.根据权利要求1所述的一种单点渐变表面形貌成形用的回弹预测方法，其特征在于，所述预测模型的训练流程如下：
获取三维目标模型中的三维目标曲面S o ；利用网格模型将所述三维目标曲面S o 划分为若干个目标网格，得到目标网格集G o ，G o ={o 1 , o 2 ,…, o j }；
摄取工件的三维加工曲面S m ，利用所述网格模型将三维加工曲面S m 划分为若干个加工网格得到加工网格G m ，G m ={m 1 , m 2 ,…, m j }；其中，目标网格o j 与加工网格m j 存在预设的对应关系；
基于目标网格和与之相对应的加工网格创建公式，所述公式被设置为计算出回弹值e j ，同时确定回弹方向；
选定其中一个目标网格为中心目标网格，按照预定顺序圈出中心目标网格周边的八个目标网格，得到3*3的网格矩阵；
于网格矩阵中选出存在回弹值的目标网格得到关于中心目标网格点序列D j ={ d j1 , d j2 ,…, d jn }，其中d jn 表示中心目标网格周边的目标网格与对应加工网格之间的z轴的差值。
4.根据权利要求3所述的一种单点渐变表面形貌成形用的回弹预测方法，其特征在于，所述网格模型的创建流程如下：
在空间坐标体系中选定最低点为原点坐标O(x 0 , y 0 ,0)，给定步长d，按照大小为d*d的方格对曲面进行划分得到若干个网格；
每个网格均由三维坐标（x，y，z）进行定义，其中（x，y）的取值为对应网格的中心点所在的坐标点，z的取值为对应网格相对原点坐标O(x 0 , y 0 ,0)产生的所有高度的平均值；
对目标网格和加工网格分别采用三维坐标进行定义，则目标网格的坐标为（x oj , y oj , z oj ），加工网格的坐标为（x mj , y mj , z mj ），则对应关系如下：
5.根据权利要求3所述的一种单点渐变表面形貌成形用的回弹预测方法，其特征在于，所述公式的创建流程如下：
基于目标网格o j 、加工网格m j 所有的点分别拟合出目标平面方程P oj 和加工平面方程P mj ；
以目标平面方程为基准面，获取经过所述目标网格中心点（x oj , y oj , z oj ）的目标平面法线，基于所述目标平面法线和加工平面方程得到交点（I x ，I y ，I z ）；
基于交点（I x ，I y ，I z ）与目标网格中心点（x oj , y oj , z oj ）计算得到回弹值，
。
6.根据权利要求3所述的一种单点渐变表面形貌成形用的回弹预测方法，其特征在于，所述回弹方向的确定流程如下：
弹性形变方向的确认：
7.根据权利要求2所述的一种单点渐变表面形貌成形用的回弹预测方法，其特征在于，若差值大于阈值，则基于临时数模与检测数模之间的回弹信息对当前的临时数模做负处理得到新的临时数模；
将所述新的临时数模作为新的输入，导入预测模型，经预测模型生成新的检测数模；将所述新的检测数模与新的临时数模做差值对比；
如此反复迭代，直至差值小于阈值，则定义关于所述三维数模的输入值为最新的检测数模。
8.根据权利要求2所述的一种单点渐变表面形貌成形用的回弹预测方法，其特征在于，还包括：创建存储库，所述存储库用于存储预测数模-实际输入值；其中，所述实际输入值为符合需求的检测数模。
9.根据权利要求1所述的一种单点渐变表面形貌成形用的回弹预测方法，其特征在于，所述预测模型的网络结构包括：输入门i t ，输出门o t ，隐藏门f t 和更新门
；定义在当前时间节点t至少存在三个输入值，分别为网络当前实际输入Tt，以及网络基于上一个时间节点生成的单元激活向量c t-1 和隐藏状态h t-1 ；则， 输入门i t 表示为：i t = ReLU (W xi T t + W hi h t-1 +b i )
隐藏门f t 表示为：f t = ReLU (W xf T t + W hf h t-1 +b f )
输出门o t 表示为：o t= ReLU (W xo T t + W ho h t-1 +b O )；
则更新门表示为：
)
式中，ReLU代表直线单元非线性函数，
代表双曲正切非线性函数，
表示元素乘法；其中，W xi 、W xf 、W xo 、W xg 分别为输入门、隐藏门、输出门和更新门的权重矩阵；W hi 、W hf 、W ho 、W hg 分别为输入门、隐藏门、输出门和更新门的权重系数；b i 、b f 、b O 、b g 分别为输入门、隐藏门、输出门和更新门的补偿系数；
通过计算得到的关于当前时间节点t的单元激活向量c t 和隐藏状态h t ，单元激活向量c t 和隐藏状态h t 用于作为下一个时间节点的其中两个输入值。
10.根据权利要求5所述的一种单点渐变表面形貌成形用的回弹预测方法，其特征在于，所述目标平面方程P oj 和加工平面方程P mj 的拟合步骤相同，具体如下：
平面方程表示为：Z=b1*X + b2*Y；对应的法线表示为：[b1，b2，-1]；
其中，b1和b2的取值如下：随机获取同一平面内的若干个点坐标，分别组合成3×3阶矩阵A和3×1阶矩阵C，其中矩阵A的元素为点坐标中的（x，y），矩阵C中的元素为点坐标中的z，基于最小二乘法给定3×1阶的回归系数
和3×1阶残差系数的
，则
；
则，最小二乘法平面的系数向量
：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210791331.6A CN114863063B (zh) | 2022-07-07 | 2022-07-07 | 一种单点渐变表面形貌成形用的回弹预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210791331.6A CN114863063B (zh) | 2022-07-07 | 2022-07-07 | 一种单点渐变表面形貌成形用的回弹预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114863063A true CN114863063A (zh) | 2022-08-05 |
| CN114863063B CN114863063B (zh) | 2022-10-11 |
Family
ID=82627078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210791331.6A Active CN114863063B (zh) | 2022-07-07 | 2022-07-07 | 一种单点渐变表面形貌成形用的回弹预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114863063B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901283A (zh) * | 2010-06-22 | 2010-12-01 | 北京理工大学 | 一种导管数控弯曲成形质量的预测方法及装置 |
| CN107377752A (zh) * | 2017-09-03 | 2017-11-24 | 吉林大学 | 一种自由曲面模具的多工具头自动增量成形机及成形方法 |
| CN109670271A (zh) * | 2019-01-15 | 2019-04-23 | 上海交通大学 | 基于敏感点多点增量成形的大型薄壁加筋板的校形方法 |
| CN111229879A (zh) * | 2020-01-14 | 2020-06-05 | 武汉理工大学 | 一种双曲度板成形回弹的回弹比矩阵描述和回弹补偿方法 |
| CN112560334A (zh) * | 2020-11-30 | 2021-03-26 | 成都飞机工业（集团）有限责任公司 | 一种基于机器学习预测管材弯曲回弹角度的方法 |
| WO2022009576A1 (ja) * | 2020-07-10 | 2022-01-13 | Ｊｆｅスチール株式会社 | 鋼管の真円度予測方法、鋼管の真円度制御方法、鋼管の製造方法、鋼管の真円度予測モデルの生成方法、及び鋼管の真円度予測装置 |
| CN113987705A (zh) * | 2021-10-25 | 2022-01-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于深度学习的汽车覆盖件回弹预测方法 |
| US20220118501A1 (en) * | 2019-02-14 | 2022-04-21 | Northwestern University | In-Situ Springback Compensation In Incremental Sheet Forming |
-
2022
- 2022-07-07 CN CN202210791331.6A patent/CN114863063B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901283A (zh) * | 2010-06-22 | 2010-12-01 | 北京理工大学 | 一种导管数控弯曲成形质量的预测方法及装置 |
| CN107377752A (zh) * | 2017-09-03 | 2017-11-24 | 吉林大学 | 一种自由曲面模具的多工具头自动增量成形机及成形方法 |
| CN109670271A (zh) * | 2019-01-15 | 2019-04-23 | 上海交通大学 | 基于敏感点多点增量成形的大型薄壁加筋板的校形方法 |
| US20220118501A1 (en) * | 2019-02-14 | 2022-04-21 | Northwestern University | In-Situ Springback Compensation In Incremental Sheet Forming |
| CN111229879A (zh) * | 2020-01-14 | 2020-06-05 | 武汉理工大学 | 一种双曲度板成形回弹的回弹比矩阵描述和回弹补偿方法 |
| WO2022009576A1 (ja) * | 2020-07-10 | 2022-01-13 | Ｊｆｅスチール株式会社 | 鋼管の真円度予測方法、鋼管の真円度制御方法、鋼管の製造方法、鋼管の真円度予測モデルの生成方法、及び鋼管の真円度予測装置 |
| CN112560334A (zh) * | 2020-11-30 | 2021-03-26 | 成都飞机工业（集团）有限责任公司 | 一种基于机器学习预测管材弯曲回弹角度的方法 |
| CN113987705A (zh) * | 2021-10-25 | 2022-01-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于深度学习的汽车覆盖件回弹预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| KHAN M S , 等: "An intelligent process model: predicting springback in single point incremental forming", 《THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
| 孙亮等: "金属板材单点渐进成形数值模拟及机理探讨", 《内江科技》 * |
| 文怀兴等: "基于BP神经网络的单点渐进成形回弹预测", 《热加工工艺》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114863063B (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100557614C (zh) | 一种生成三维有限元网格的方法 | |
| CN110543654A (zh) | 激光喷丸成形复杂曲面分布式工艺参数的确定方法 | |
| CN111177906B (zh) | 一种离散化模具型面精确补偿方法 | |
| WO2020168211A1 (en) | In-situ springback compensation in incremental sheet forming | |
| CN109828535B (zh) | 一种基于四阶龙格-库塔算法的nurbs曲线插补方法 | |
| CN108108582A (zh) | 一种曲面件柔性轧制成形过程的数值模拟方法 | |
| CN109766597B (zh) | 一种考虑几何误差的装配位姿高精度线性化求解方法 | |
| CN111222799A (zh) | 一种基于改进粒子群算法的装配序列规划方法 | |
| CN115935734A (zh) | 一种方矩管圆成方辊弯成型模具的设计与优化方法 | |
| CN111079353B (zh) | 应用于复杂流体分析的快速均匀网格划分的方法及装置 | |
| CN107025354A (zh) | 一种基于极差分析的车窗升降板成形工艺优化方法 | |
| CN114863063B (zh) | 一种单点渐变表面形貌成形用的回弹预测方法 | |
| CN116595827B (zh) | 无限维度条带喷丸成形工艺规划方法和系统 | |
| Yin | A partitioning grinding method for complex-shaped stone based on surface machining complexity | |
| CN107092745A (zh) | 一种基于方差分析的车窗升降板成形工艺优化方法 | |
| CN110175372A (zh) | 一种基于母面特征参数的包络面表征方法 | |
| Gao et al. | A 6-sigma robust optimization method for stamping forming of automobile covering parts based on residual error and radial basis interpolation | |
| CN112347575B (zh) | 一种提高渐进成形仿真计算效率的方法 | |
| CN110096741B (zh) | 一种基于预测模型及改进遗传算法的预锻成形模具设计方法 | |
| CN115170734A (zh) | 一种基于截面切片的三维回转结构重构方法及系统 | |
| CN114757102A (zh) | 基于深度强化学习的双点渐进成形制造方法及装置 | |
| CN110096742B (zh) | 一种基于预测模型及粒子群算法的预锻成形模具设计方法 | |
| CN110555267B (zh) | 一种基于隐式b-样条的参数化水平集结构拓扑优化方法 | |
| KR100344917B1 (ko) | 선박용 1차곡면 외판의 가공정보 산출방법 | |
| CN110633497B (zh) | 一种变量补偿因子冲压件回弹补偿方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |