[发明专利]一种基于深度学习的汽车覆盖件回弹预测方法

权利要求书

1.一种基于深度学习的汽车覆盖件回弹预测方法，其特征在于：包括以下步骤：

S1：样本数据获取：获取汽车覆盖件回弹样本数据，并将样本数据划分为仿真数据和试验数据；

S2：数据预处理：分别针对仿真数据和试验数据进行预处理；

S3：基于样本数据搭建深度学习神经网络预测模型；

S4：训练深度学习神经网络预测模型：对预测模型进行训练和评估，得到最佳预测模型；

S5：回弹预测：将训练完成的预测模型，对新样本进行回弹预测。

2.根据权利要求1所述的基于深度学习的汽车覆盖件回弹预测方法，其特征在于：步骤S1中，所述样本数据表现为点云格式，每个点包含坐标值、回弹值、工艺参数和材料参数；样本数据集分为训练集和验证集；所述样本数据划分为仿真数据和试验数据；所述仿真数据是根据实际覆盖件结构和冲压工艺参数，进行冲压回弹仿真，得到的每个网格节点对应的回弹值数据集合；所述试验数据是通过现场模具进行冲压试验后，现场测量得到的回弹后的坐标集合数据。

3.根据权利要求1所述的基于深度学习的汽车覆盖件回弹预测方法，其特征在于：所述仿真数据通过如下步骤采集：

梳理汽车覆盖件几何模型的种类，限定工艺参数的范围，选取常用的材料以及限定板料的使用厚度范围，利用正交表来安排试验方案和对试验结果进行计算；

对汽车覆盖件冲压回弹过程进行仿真分析，直接输出覆盖件冲压前后的高密度三维点云，点云表示为点集合{Pi|i＝1，…，N})的形式，每个点Pi是一个包含该点的空间坐标(x，y，z)和回弹量数值的向量，Pi也是有限元分析网格的连接点。

4.根据权利要求1所述的基于深度学习的汽车覆盖件回弹预测方法，其特征在于：所述试验数据通过如下步骤采集：

在汽车覆盖件冲压工序后，在无夹具夹持的情况下，汽车覆盖件应力释放后，经过三维激光扫描仪测量得到的坐标集合，即为现场试验扫描数据，试验数据以点云的形式表达；试验数据表示为点集合{Qi|i＝1，…，N})的形式，每个点Qi是一个包含该点的空间坐标(x，y，z)和回弹量数值的向量。

5.根据权利要求1所述的基于深度学习的汽车覆盖件回弹预测方法，其特征在于：步骤S2具体包括以下步骤：

S21：对仿真数据中的无效数据、离群点数据和缺失数据进行逐条整理和筛选；对试验数据进行滤波，剔除重复数据点；

S22：对离散参数进行编码；

S23：对点云数据进行最远点采样，保证输入格式的一致性。

6.根据权利要求1所述的基于深度学习的汽车覆盖件回弹预测方法，其特征在于：步骤S3具体包括以下步骤：

S31：采用最远点采样方法，对每个样本提取出能代表模型几何特征的N个数据点；

S32：输入所有数据点的所有参数；

S33：将数据点连接全连接层进行升维；

S34：对升维后的数据点进行特征提取；

S35：对特征提取后的数据点进行降维；

S36：输出预测回弹值。

7.根据权利要求1所述的基于深度学习的汽车覆盖件回弹预测方法，其特征在于：步骤S4具体包括：

以回弹参数的均方根误差作为损失函数，利用Adam优化算法对神经网络进行迭代优化，优化目标为损失函数最小，直至训练样本数据集的损失函数不再降低，完成训练；

利用无监督学习方式，将训练集中所有的数据分批导入到神经网络中，获取深度学习神经网络的最佳超参数；

所述深度学习神经网络将经过卷积和池化处理后的点云数据展开成向量形式，输出所述汽车覆盖件回弹值；

调用验证集对所述深度学习神经网络的进行测试，判断所述深度学习神经网络是否符合目标条件，若是，则输出所述深度学习神经网络；若否，则重新设置所述深度学习神经网络的超参数，直至所述深度学习神经网络符合目标条件；

所述目标条件包括：所述深度神经网络的回弹预测准确率不低于识别阈值；所述识别阈值的取值范围为90％至100％。

8.根据权利要求1所述的基于深度学习的汽车覆盖件回弹预测方法，其特征在于：步骤S3中，点云坐标参数、工艺参数、材料参数表达为参数向量，与计算空间中的网格点坐标一同作为网络的输入参数，表达为(x,y,z,f1,f2,f3...fn)，其中，(x,y,z)为网格点在计算空间中的坐标，(f1,f2,...fn)为汽车覆盖件材料，工艺参数向量；输出层为单个向量回弹值。