[发明专利]一种合金板材冲裁质量的智能检测建模方法

权利要求书

1.一种合金板材冲裁质量的智能检测建模方法，其特征在于：它包括以下步骤：

(1)首先采用夹具将声发射传感器固定在合金板材上距离冲裁部位边缘5-20mm的位置，然后在声发射传感器和板材之间涂抹凡士林耦合剂，在距离传感器5-20mm的位置，通过断铅实验检验传感器的灵敏度及传感器和板材之间的耦合度并获得时间-声信号幅值二维图，如果获得的波形信号是突发型信号，说明耦合度良好，再打开冲裁机，先收集机器开机状态下发出的声发射信号，随后设置阈值来排除掉噪声的影响，设置的阈值为冲裁机开机时所发出信号的最大分贝值阈值≤冲裁机开机所发出信号的最大分贝值+3；

(2)步骤(1)所述的阈值设置合理后，对合金板材进行冲裁以及声发射传感器检测，冲裁和声发射传感器检测次数分别设置为1-30万次，收集和记录合金冲裁过程发射出的声发射波形流和特征参数，波形流是冲裁过程中的时间-信号幅值图，特征参数包含振铃计数、能量、有效值电压RMS、平均信号电平ASL参数，其中将振铃计数、能量、有效值电压RMS和平均信号电平ASL参数的最大值分别定义为X1、X2、X3和X4；

(3)通过HHT希尔伯特黄转变对步骤(2)所述的声发射波形流进行去噪及重构，随后对重构后的波形流进行傅里叶转变，获得频率-信号幅值图，将峰值频率定义为X5并将其对应的幅值定义为X6；首先通过经验模式分解的方法将步骤(2)获得的每一个波形流分解成5-30个固有模态函数分量，再将和外界噪声相关的模态函数分量去掉后，再对其剩余模态函数分量重构，此时获得了1-30万个重构后的波形流，再利用傅里叶转变函数将每一个重构后的波形流时间-信号幅值图转变成频率-信号幅值图，将每个图中峰值频率X5及所对应的信号幅值X6记录下来获得频率和幅值的数据集；一次冲裁过程中的一个声发射波形会产生一组X1、X2、X3、X4、X5和X6输入变量；

其中，傅里叶转变函数：

其中，ω为频率，

t为时间，

f(t)为原函数，

i为虚数单位，

e为2.718281828459，

F(ω)为傅里叶变换的像函数；

(4)通过光学检测的方式对步骤(2)获得的1-30万个经过冲裁的板材断面进行检测，用工业相机对每个断面进行拍照，检测记录包括断面光亮区、撕裂区宽度值与圆角区、毛刺高度值，将光亮区宽度定义为Y1，圆角区高度定义为Y2，撕裂区宽度定义为Y3，毛刺高度定义为Y4；

(5)将步骤(3)中的X1、X2、X3、X4、X5、X6中的所有数据分别采用归一化公式获得归一化后的x1、x2、x3、x4、x5、x6；

归一化公式：

其中，

X_norm为x1、x2、x3、x4、x5、x6中的一种，

X为X1、X2、X3、X4、X5、X6中的一种，

X_min为每个输入变量中1-30万个数据中的最小值，

X_max为每个输入变量中1-30万个数据中的最大值；

(6)对步骤(4)中的光亮区宽度、撕裂区宽度、圆角区高度和毛刺高度分别进行归一化处理，将光亮区宽度Y1和撕裂区宽度Y3分别除以板材厚度获得y1、y3，将圆角区高度Y2和毛刺高度Y4分别除以凸凹模间隙获得y2和y4；

(7)训练人工神经网络模型：将步骤(5)所述的x1、x2、x3、x4、x5、x6作为训练神经网络的输入，将步骤(6)所述的y1、y2、y3、y4作为训练神经网络的输出，制作训练人工神经网络模型，此时模型为6个输入、4个输出的结构，通过deepmd kit深度势能软件包来调整神经网络的参数，deepmd kit相当于是一个类似于人工神经网络的黑匣子，将神经网络的输入层数设置为1，输入层神经元个数设置为6；隐藏层数设置为1，隐藏层神经元个数设置为10；输出层数设置为1，输出层神经元个数设置为4；人工神经网络训练过程中网络的初始权值和偏置是随机产生的，输入神经元通过神经网络正向传播的连接神经元公式计算获得输出值y1’、y2’、y3’、y4’，然后计算正向传播输出值y1’、y2’、y3’、y4’分别与训练集输出值y1、y2、y3、y4之间的整体误差，再通过反向误差传播算法进行反向误差传播去修改权值和偏置，然后再正向传播，往复循环，直至误差达到全局最小则训练结束，反向误差传播算法中包含了误差的计算；训练模型的初始学习率设置为0.0001-0.01，定义学习次数为2000-30000次；将1-30万组声发射数据集(x1、x2、x3、x4、x5、x6、y1、y2、y3、y4)以5:1-30:1随机分成训练集和验证集两类，其中训练后的模型对于训练集的准确率为99-99.99％；然后再用验证集数据验证模型准确性，将输入值通过上述训练集的正向传播计算得到输出值，然后通过反归一化方法把模型输出值换算成冲裁件光亮区、撕裂区的宽度值以及圆角区、毛刺的高度值，然后将反归一化后获得的宽度值、高度值分别与验证集中输出值对应的板材断面检测值对比，计算误差及模型准确性，验证集的准确性为98-99.99％；

神经网络正向传播的连接神经元公式：

f(x；θ)＝w^Tx+b

其中，x为神经元输入向量，

w为权值，

b为偏置，

T为转置符号，

θ包含了权值w和偏置b，

f(x；θ)为每层神经元输出向量；

反向误差传播算法公式：

其中，x⁽ⁿ⁾为输入数据集x₁,…,x_n，

y⁽ⁿ⁾为输出数据集y₁,…,y_n，

N为每组输入变量的个数(1≤N≤300000，N∈自然数)，

n为每组输入变量的个数(1≤n≤N，n∈自然数)，

f(x⁽ⁿ⁾；θ)为正向传播输出的结果，

(y⁽ⁿ⁾,f(x⁽ⁿ⁾；θ))为损失函数，

用来量化两个变量之间的差异，即误差，

α为学习率，

θ为包含了权值w和偏置b的参数值，

θ_t为第t次迭代的权值和偏置的参数值。