[发明专利]一种基于深度学习的汽车覆盖件回弹预测方法

说明书

本发明涉及一种基于深度学习的汽车覆盖件回弹预测方法，属于有限元和人工智能领域，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。本发明旨在针对同一类型的系列覆盖件形状，构造和训练神经网络，具有高度的针对性，从而能对同系列汽车覆盖件回弹进行快速、准确预测。能较好地为汽车覆盖件生产提供技术辅助支撑。

技术领域

本发明属于有限元和人工智能领域，涉及一种基于深度学习的汽车覆盖件回弹预测方法。

背景技术

在国民经济发展中，汽车工业既是国家支柱性产业，也是衡量国家工业水平的重要标志。当前，受经济全球化、区域一体化和文化多元化发展影响，汽车款式层出不穷，更新换代越发频繁。又快又好地设计生产出造型动感美观、款式新颖别致的汽车产品已经成为各大汽车企业加速占领细分市场，取得整体竞争优势的关键一环。

在当前的主流汽车生产工艺中，作为汽车造型设计制造重要部分的车身覆盖件制造大多采用已然成熟的冲压成形技术，但受汽车覆盖件结构复杂、空间曲面变化多等客观因素影响，冲压成形过程中常会出现回弹、磨损、大位移、大变形等各种复杂生产缺陷，极易影响产品的良品率。因此，在前期模具设计过程中对汽车覆盖件的成形性能进行准确判断，对于有效预测冲压成形后覆盖件的回弹量分布就显得尤为重要。

目前，为解决这一问题，众多国内汽车模具厂已经将模具CAE分析技术作为重点技术引入到模具开发过程之中，这极大改善了汽车覆盖件模具的研发效率与研发质量。虽然CAE可以预测冲压过程中的所有变量，但在目前技术条件下，仍然无法找到这些变量之间的联系，依然需要具备过硬专业背景和一定工程实践经验的工程分析人员进行人工解构分析。特别是随着问题复杂程度的提升，工程师进行建模、前处理、求解、后处理等过程会非常耗时。此外，在遇到以往类似的工程案例时，即使只是几何形状或设定参数的微小变化，工程师也无法利用先前已经完成的模拟结果等知识，往往得将此过程重复数次。

深度学习对高阶复杂函数有强大的学习能力，在特征提取方面具独特优势，可以进行快速、准确预测。利用深度学习技术搭建深度学习神经网络预测模型，将该模型应用到汽车覆盖件回弹的预测，可以大大减少时间成本和资源的耗费，是一种可行且具有广泛应用前景的新思路。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的汽车覆盖件回弹快速预测方法。该方法可以高度提取汽车覆盖件的结构特征，实现对汽车覆盖件回弹的快速、准确预测，大量减少计算时间和资源的耗费。

为达到上述目的，本发明提供如下技术方案：

一种基于深度学习的汽车覆盖件回弹预测方法，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。

进一步，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。