CN116757068A - 一种基于深度学习对cfrp自冲铆接成形过程的预测方法 - Google Patents
一种基于深度学习对cfrp自冲铆接成形过程的预测方法 Download PDFInfo
- Publication number
- CN116757068A CN116757068A CN202310660481.8A CN202310660481A CN116757068A CN 116757068 A CN116757068 A CN 116757068A CN 202310660481 A CN202310660481 A CN 202310660481A CN 116757068 A CN116757068 A CN 116757068A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- self
- cfrp
- layer
- forming process
- 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 72
- 230000008569 process Effects 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 239000004918 carbon fiber reinforced polymer Substances 0.000 title claims abstract description 30
- 238000006073 displacement reaction Methods 0.000 claims abstract description 45
- 229920000049 Carbon (fiber) Polymers 0.000 claims abstract description 14
- 239000004917 carbon fiber Substances 0.000 claims abstract description 14
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 14
- 239000002131 composite material Substances 0.000 claims abstract description 10
- 229910000838 Al alloy Inorganic materials 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 33
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 239000000956 alloy Substances 0.000 claims description 8
- 229910045601 alloy Inorganic materials 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 229910052751 metal Inorganic materials 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005304 joining Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000011208 reinforced composite material Substances 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 235000004257 Cordia myxa Nutrition 0.000 description 1
- 244000157795 Cordia myxa Species 0.000 description 1
- 241000587161 Gomphocarpus Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 229910001069 Ti alloy Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003562 lightweight material Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习对CFRP自冲铆接成形过程的预测方法，建立了一种新的深度学习框架，通过向模型中输入冲头行程位移百分比就能够快速预测SPR连接成形过程不同位移百分比下的模型结果，从而得到对应的截面形状，即从输入不同位移百分比预测采用SPR连接从刺入上板到完成铆接过程中碳纤维复合材料的分层与上表面损伤、铝合金的变形以及铆钉所处位置动态变化过程，提高了分析效率，相比于传统的有限元方法，深度学习方法可以避免复杂的物理模型和计算过程，提高预测的准确性和效率。
Description
技术领域
本发明涉及自冲铆接技术领域，更具体的是，本发明涉及一种基于深度学习对CFRP自冲铆接成形过程的预测方法。
背景技术
随着轻量化材料在车身结构中应用越来越广泛，多材料混合结构对连接技术提出了挑战。车身采用轻质材料代替传统钢材是实现汽车轻量化有效的途径之一，在汽车制造中，铝合金、钛合金、复合材料等新的轻型材料被广泛应用，碳纤维增强复合材料(CFRP,Carbon Fiber Reinforced Polymer)因具有高的比强度和比刚度，在新能源汽车和高端汽车上得到应用。多材料混合车身结构设计中，CFRP需要与金属框架连接形成完整的车身结构，对CFRP与金属的连接技术提出了挑战。SPR(自冲铆接)作为一种新型机械连接技术，它可以在不需要预制孔的情况下，将CFRP和金属进行有效连接。SPR具有连接效率高、成本低、可靠性好等优点，接头具有高强度和良好的密封性。
自冲铆属于机械内锁连接，从接头外部不能了解基板和铆钉的变形过程。为了解接头的成形机理，目前研究者主要通过连接中断实验，将冲头行程设置为依次增加的特定数值，随后将接头从中部切开，采用剖面直观检测法观察接头在整个连接过程中的动态成形过程。然而这种方法需要耗费大量的时间和经济成本，接头在切割过程中也会产生较大的误差。相对于金属材料，CFRP由多个铺层构成，铆接过程中各铺层的变形状态不一致，接头切割会对材料造成二次损伤，使得CFRP自冲铆接成形过程分析难度增大。此外，复合材料在自冲铆过程中，铆接区域会发生损伤，例如纤维断裂、基体开裂、分层等，成形损伤缺陷影响接头的密封性和力学性能。因此，亟需开发一种能够快速准确预测CFRP-金属自冲铆接成形过程及损伤的方法。
发明内容
本发明的目的是设计开发了一种基于深度学习对CFRP自冲铆接成形过程的预测方法，准确预测CFRP和合金板在自冲铆接过程中基板的动态变形过程及上表面损伤，缩短预测时间，提高精确度。
本发明提供的技术方案为：
一种基于深度学习对CFRP自冲铆接成形过程的预测方法，包括如下步骤：
步骤一、采集冲头行程位移百分比；
步骤二、建立预测模型；
其中，所述预测模型包括生成器和判别器；
所述生成器的第1、3、5、7、9层均为卷积残差块，第2、4、6、8层均为转置残差块，第10层为激活函数层；
所述判别器的第1-4层均为卷积层、批标准化层和整流层组成，第5层为卷积层；
步骤三、以多个不同冲头行程位移百分比下的碳纤维复合材料与合金自冲铆接图像对所述预测模型进行训练，获得基于深度学习的条件生成对抗网络；
步骤四、将随机噪声和冲头行程位移百分比输入所述基于深度学习的条件生成对抗网络中，获得预测的截面分割及上表面损伤图像。
优选的是，所述卷积残差块包括依次连接的卷积层、批标准化层、整流层、卷积层和批标准化层。
优选的是，所述转置残差块包括平行设置的转置卷积调整通道和依次连接的转置卷积层、批标准化层和整流层；
其中，所述转置卷积调整通道的卷积核尺寸为1×1，所述转置卷积层的卷积核尺寸为3×3。
优选的是，所述生成器的目标函数为：
式中，V(G)为生成器G的最小二乘损失，Ec,z为条件信息为c且随机噪声为z时的期望，D(G(c,z),c)为判别器D给出生成数据G(c,z)和条件信息为c是真实数据的概率，λ为正则化系数，F(G)为正则化项。
优选的是，所述判别器的目标函数为：
式中，V(D)为判别器D的最小二乘损失，Ex,c为真实数据为x、条件信息为c时的期望，D(x,c)为判别器D给出真实数据x和条件信息c为真实数据的概率。
优选的是，所述步骤三具体包括：
步骤1、以多个不同冲头行程位移百分比下的碳纤维复合材料与合金自冲铆接图像构建初始训练集；
步骤2、对所述初始训练集进行数据预处理；
步骤3、将数据预处理后的训练集样本进行图像增强处理后生成对应剖面分割图像；
步骤4、将所述对应剖面分割图像与数据预处理后的训练集样本作为数据集对所述预测模型进行训练，获得基于深度学习的条件生成对抗网络。
优选的是，所述数据预处理包括：
对初始训练集中的初始样本图像通过标注工具进行标注，标注出铆钉、下板材、碳纤维复合材料分层的轮廓以及碳纤维上表面的损伤区域，其他区域作为背景。
优选的是，所述图像增强处理为：
对所述数据预处理后的训练集样本随机进行色彩调节、明暗调节、平移、模糊、裁剪、锐化、翻转、缩放或随机角度的旋转。
优选的是，所述预测模型的训练参数包括：训练优化器、学习率、L2正则化系数、批次大小和损失函数。
优选的是，所述合金为铝合金。
本发明所述的有益效果：
(1)、本发明设计开发的一种基于深度学习对CFRP自冲铆接成形过程的预测方法，解决现有技术中，实验复杂，耗费财力物力，周期长，并且在进行数值模拟分析复杂模型过程中也需要精确的参数，并且耗费大量时间精力等问题，极大的提高了SPR测量剖面形状的测量时间，提高分析效率，克服现在实验中反复观察与手动测量和标注剖面图像存在的缺点，为后续提高效率与自动测量剖面几何参数提供支持，减少了实验的繁琐性与误差，并且此网络架构基于实验数据，不存在任何的假设，因此预测结果更加接近实际值，具有分析过程简单、成本低等特点。
(2)、本发明设计开发的基于深度学习对CFRP自冲铆接成形过程的预测方法，通过深度学习网络学习CFRP和合金之间的连接过程特征，从而可以快速预测SPR连接成形过程中CFRP和金属板的截面形状，即碳纤维的分层结构与上表面损伤以及金属的变化过程，提高了分析效率，相比于传统的有限元方法，深度学习方法可以避免复杂的物理模型和计算过程，提高预测的准确性和效率，为SPR连接设计和优化提供更好的支持。
附图说明
图1为本发明所述预测模型的结构示意图。
图2为本发明所述卷积残差块的结构示意图。
图3为本发明所述转置残差块的结构示意图。
图4为本发明所述判别器的结构示意图。
图5为本发明所述预测模型的训练流程示意图。
图6为本发明所述实施例中下模的结构示意图。
图7为本发明所述实施例中铆钉的结构示意图。
图8为本发明所述实施例中有限元提取图像示意图。
图9为本发明所述实施例中数据预处理后的图像示意图。
图10为本发明所述冲头行程位移百分比为19％时预测的截面分割及上表面损伤图像示意图。
图11为本发明所述冲头行程位移百分比为19％时有限元仿真得到的连接截面云图与上板损伤图像示意图。
图12为本发明所述冲头行程位移百分比为68％时预测的截面分割及上表面损伤图像示意图。
图13为本发明所述冲头行程位移百分比为68％时有限元仿真得到的连接截面云图与上板损伤图像示意图。
图14为本发明所述冲头行程位移百分比为100％时预测的截面分割及上表面损伤图像示意图。
图15为本发明所述冲头行程位移百分比为100％时有限元仿真得到的连接截面云图与上板损伤图像示意图。
具体实施方式
下面结合对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明提供的一种基于深度学习对CFRP自冲铆接成形过程的预测方法，包括如下步骤：
步骤一、采集冲头行程位移百分比；
步骤二、建立预测模型；
其中，所述预测模型是基于CNN的带有残差块的条件生成对抗网络的新生成模型，即是一种生成式模型，如图1所示，它由两个神经网络组成，生成器和判别器，生成器从随机噪声中生成图像，而判别器则尝试区分真实图像和生成图像，这两个网络相互博弈，直到生成器可以生成足够逼真的图像，为了提高生成模型的性能，使用残差块来构建生成器，残差块是一种可以跳过一层或多层网络的结构，它可以避免梯度消失的问题，使输入图像得到提升，具体的，所述生成器包括：
第1、3、5、7、9层均为卷积残差块，第2、4、6、8层均为转置残差块，第10层为激活函数层，用于对输入图像进行提升，且所述生成器的目标函数为：
式中，V(G)为生成器G的最小二乘损失，Ec,z为冲头行程位移百分比为c且随机噪声为z时的期望，G(c,z)为生成器G根据冲头行程位移百分比c和随机噪声z生成数据的函数，D(G(c,z),c)为判别器D给出生成数据G(c,z)和冲头行程位移百分比为c是真实数据的概率，λ为正则化系数，F(G)为正则化项，用于约束生成器G的输出范围或分布；
所述正则化项满足：
F(G)＝FL1(G)＝Ex,c,z[||x-G(c,z)||1]；
式中，FL1(G)为使用L1范数作为正则化项的函数，Ex,c,z为真实数据为x、冲头行程位移百分比为c且随机噪声为z时的期望，||x-G(c,z)||1为真实数据x和生成数据G(c,z)之间的L1范数，也就是它们之间的绝对值之和。
如图2所示，所述卷积残差块包括依次连接的卷积层、批标准化层、整流层、卷积层和批标准化层，用于对特征进行提取，所述卷积层的卷积核尺寸为3×3；
所述整流层为ReLU激活函数，且满足：
式中，f1(x)为ReLU激活函数的输出值，x1为ReLU激活函数的输入值。
如图3所示，所述转置残差块包括平行设置的转置卷积调整通道和依次连接的转置卷积层、批标准化层和整流层，所述转置卷积调整通道的卷积核尺寸为1×1，用于调整输入转置残差块的图像通道数，所述转置卷积层的卷积核尺寸为3×3，若是卷积残差块输出的图像的通道数与转置卷积层的通道数相同的话，则卷积残差块的输出直接通过依次连接的转置卷积层、批标准化层和整流层，若是卷积残差块输出的图像的通道数与转置卷积层的通道数不同的话，则卷积残差块的输出通过转置卷积调整通道进行通道数的调整，所述整流层为ReLU激活函数。
所述激活函数层可以使用Softmax、Sigmoid、Tanh、Relu、Leaky Relu、PRelu、RRelu、Elu、Selu、Swish或Maxout但是，因为softmax函数可以将输入映射到(0,1)之间的概率分布，使得输出的总和为1，能够更好地区分不同类别的概率(主要用于多分类)，因此本申请的激活函数层选择softmax函数。
如图4所示，所述判别器的第1-4层均为卷积层、批标准化层和整流层组成，第5层为卷积层，损失函数在原始cGAN Loss中添加常规损失函数L1loss(或者CEE)得到的效果比原始损失函数边缘更加清晰，判别器的目标函数为：
式中，V(D)为判别器D的最小二乘损失，Ex,c为真实数据为x、冲头行程位移百分比为c时的期望，D(x,c)为判别器D给出真实数据x和冲头行程位移百分比c为真实数据的概率；
所述整流层为LeakReLU函数，且满足：
式中，f2(x2)为LeakReLU函数的输出值，x2为LeakReLU函数的输入值，α为比较小的正数；
在本实施例中，α＝0.3，0.3表示负半区间的斜率，即当输入为正时，输出等于输入，当输入为负时，输出等于输入乘以0.3。
在本实施例中，通过深度学习框架Tensorflow、Keras、Pytorch、Caffe、Theano、PaddlePaddle、MXNet、CNTK、Chainer、Deeplearning4j中的一种建立cGAN模型；
所述预测模型的损失函数为LSGAN损耗与传统的L1损耗。
步骤三、如图5所示，以训练数据集对所述预测模型进行训练，获得基于深度学习的条件生成对抗网络，具体包括如下几个过程：
1、构建初始训练集：
所述初始训练集应该包含足够多的样本，因此，所述初始训练集是针对SPR连接工艺，通过实验和仿真获得连接件在选定冲头位移下的接头剖面图像作为初始样本图像，以便预测模型可以从中学习，从而训练自己的模型；
2、数据预处理：
对初始训练集中的初始样本图像通过标注工具进行标注，标注出铆钉、下板材、碳纤维复合材料分层的轮廓以及碳纤维上表面的损伤区域，其他区域作为背景，去除实验得到的OM图像中包含的不必要的信息，如表面细节、材料的纹理、图像对比度、噪声等，只保留材料的几何形状和位置等基本信息，获得标注完成的与所述初始样本图像对应的剖面分割图像作为初始训练样本；
在本实施例中，所述标注工具可以选择EISeg、CVAT、VIA、Labelme、PixlAnnotationTool中的一种或者多种组合。
3、将初始训练样本进行图像增强处理，生成对应剖面分割图像，将初始训练样本与增强后的图像作为数据集：
对剖面分割图像随机进行平移、翻转、旋转、加噪、模糊、锐化、裁剪、缩放、色彩调节、明暗调节中的一种或者多种组合；
在本实施例中，所述工具可选用OpenCV、Imgaug ug、Skimage、PIL、Augmentor、Albumentations中的一种或者多种组合。
数据增强并不局限于在数据预处理之后，也可以先进行数据增强再进行数据预处理；
4、对cGAN模型进行训练：
其中，训练参数包括：训练优化器、学习率、L2正则化系数、批次大小和损失函数；
在训练过程中，首先初始化生成器和判别器的参数，设置学习率、优化器、损失函数等超参数，然后从初始训练样本与增强后的图像构成的数据集中随机抽取一批真实数据x和对应的冲头行程位移百分比c，将随机噪声z和冲头行程位移百分比c输入生成器获得一批生成数据G(c,z)，并将生成数据G(c,z)和冲头行程位移百分比c输入判别器，获得判别结果D(G(c,z),c)，再将真实数据x和对应的冲头行程位移百分比c输入判别器获得判别结果D(x,c)，计算判别器的损失函数,根据损失函数更新判别器的参数，使得D(x,c)接近1，D(G(c,z),c)接近0，然后再进行一次上述训练，计算生成器的损失函数并通过判别器的反馈更新生成器的参数，使D(G(c,z),c)接近1，直至达到收敛。
即训练过程就是向生成器中输入冲头行程位移百分比与随机噪声向量，判别器接收三个输入即冲头行程位移百分比、生成图片和真实图片，通过python代码将两者调整到长度和高度一样的形状，并使两者在通道维度上拼接在一起，它可以指导生成器生成符合条件的剖面图像，生成器生成剖面接头的分割图像并传递给判别器，判别器也接收外界真实的图像以及冲头行程位移百分比，在判别器中也进行冲头行程位移百分比与图像在通道维度上的拼接，以帮助判别器区分真实和生成的剖面图像，不断地训练生成器和判别器，以便生成器可以生成更加接近真实的数据，重复此步骤，直到生成器可以生成准确率足够高的足够真实的图像。
在本实施例中，观察生成器和判别器的损失函数曲线，看是否趋于稳定或者周期性变化来判断是否达到收敛，或者观察生成器生成的样本质量，看是否清晰，符合期望来判断是否达到收敛。
在本实施例中，整个训练过程的优化器可以选择Adam、Adamax、Nadam、BGD、SGD、MBGD、Momentum、Adagrad、Adadelta或RMSprop中的一种或多种组合。
步骤四、将随机噪声和冲头行程位移百分比输入所述基于深度学习的条件生成对抗网络中，获得预测的截面分割及上表面损伤图像。
实施例
步骤一、确定冲头行程总位移为4.621，采集冲头行程位移百分比为19％、68％和100％；
其中，如图6所示，为下模的结构示意图，其中凹槽直径为12mm，最大深度为1.8mm，如图7所示，为5mm铆钉的结构示意图，对碳纤维增强复合材料和铝合金进行SPR。
步骤二、建立预测模型；
步骤三、以初始训练样本与增强后的图像构成的数据集对所述预测模型进行训练获得基于深度学习的条件生成对抗网络；
其中，初始训练集为不同冲头位移百分比下各40张SPR铆接的图像，如图8所示，为通过有限元提取的图像，如图9所示，为对图8的有限元图像进行数据预处理后的剖面分割图像，再对所述剖面分割图像进行图像增强处理，具体包括：对所有剖面分割图像进行明暗调节和色彩调节，对所有标签图像进行最大角度为6°的随机角度旋转，对所有剖面分割图像的二分之一图像进行尺度为0.9的裁剪等弱图像变化，由此生成8000张的数据集；
整个训练过程采用的Adam优化器，贝叶斯优化是一种用于全局优化的顺序设计策略，它不假设任何函数形式，可以更快地找到全局最优解，因此，通过贝叶斯优化，学习率设置为2.562×10-5，L2正则化系数λ设置为10-5，批次大小为16，判别器中使用了2个dropout层来减少特征之间的相互依赖来并防止过拟合，提高模型的泛化能力；
步骤四、将随机噪声和3种冲头行程位移百分比分别输入所述基于深度学习的条件生成对抗网络中，获得预测的截面分割及上表面损伤图像；
如图10所示，为本实施例中在冲头行程位移百分比为19％时预测的截面分割及上表面损伤图像，如图11所示，为相同冲头行程位移百分比下进行的有限元仿真得到的连接截面云图与上板损伤图像；如图12和图13所示，为本实施例中在冲头行程位移百分比为68％时预测的截面分割及上表面损伤图像和有限元仿真得到的连接截面云图与上板损伤图像；如图14和图15所示，为本实施例中在冲头行程位移百分比为100％时预测的截面分割及上表面损伤图像和有限元仿真得到的连接截面云图与上板损伤图像，测量两个图像的联锁长度、底部厚度和钉头高度，通过对比可得，本实施例中所预测的结果可达到仿真模型中分割剖面图像的95.36％，满足后续SPR铆接几何参数测量需求。
本发明设计开发的一种基于深度学习对CFRP自冲铆接成形过程的预测方法，基于实验数据，没有任何假设，因此预测结果更接近实验结果，减少运算的复杂性，同时利用深度学习的特征提取和表示能力，捕捉铆钉变化过程中的复杂和非线性关系，提升准确度，提高模型的泛化能力；并与传统仿真模拟相比，一旦训练结束，预测时间极短(在几秒内)，此外，还消除了网格划分和时间步长的问题，减少反复观察不同位移百分比下铆钉截面形状与上表面损伤且有效缩短SPR铆接剖面几何参数测量时间，规避测量者主观因素干扰，提升测量精度，因此将本发明应用于自冲铆动态变化可以显著提高效率与精度，降低实验成本，促进该领域的技术发展和进步，为未来SPR工程应用提供更加精确、高效、可靠的方法。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。
Claims (10)
1.一种基于深度学习对CFRP自冲铆接成形过程的预测方法，其特征在于，包括如下步骤：
步骤一、采集冲头行程位移百分比；
步骤二、建立预测模型；
其中，所述预测模型包括生成器和判别器；
所述生成器的第1、3、5、7、9层均为卷积残差块，第2、4、6、8层均为转置残差块，第10层为激活函数层；
所述判别器的第1-4层均为卷积层、批标准化层和整流层组成，第5层为卷积层；
步骤三、以多个不同冲头行程位移百分比下的碳纤维复合材料与合金自冲铆接图像对所述预测模型进行训练，获得基于深度学习的条件生成对抗网络；
步骤四、将随机噪声和冲头行程位移百分比输入所述基于深度学习的条件生成对抗网络中，获得预测的截面分割及上表面损伤图像。
2.如权利要求1所述的基于深度学习对CFRP自冲铆接成形过程的预测方法，其特征在于，所述卷积残差块包括依次连接的卷积层、批标准化层、整流层、卷积层和批标准化层。
3.如权利要求2所述的基于深度学***行设置的转置卷积调整通道和依次连接的转置卷积层、批标准化层和整流层；
其中，所述转置卷积调整通道的卷积核尺寸为1×1，所述转置卷积层的卷积核尺寸为3×3。
4.如权利要求1所述的基于深度学习对CFRP自冲铆接成形过程的预测方法，其特征在于，所述生成器的目标函数为：
式中，V(G)为生成器G的最小二乘损失，Ec,z为条件信息为c且随机噪声为z时的期望，D(G(c,z),c)为判别器D给出生成数据G(c,z)和条件信息为c是真实数据的概率，λ为正则化系数，F(G)为正则化项。
5.如权利要求1所述的基于深度学习对CFRP自冲铆接成形过程的预测方法，其特征在于，所述判别器的目标函数为：
式中，V(D)为判别器D的最小二乘损失，Ex,c为真实数据为x、条件信息为c时的期望，D(x,c)为判别器D给出真实数据x和条件信息c为真实数据的概率。
6.如权利要求1所述的基于深度学习对CFRP自冲铆接成形过程的预测方法，其特征在于，所述步骤三具体包括：
步骤1、以多个不同冲头行程位移百分比下的碳纤维复合材料与合金自冲铆接图像构建初始训练集；
步骤2、对所述初始训练集进行数据预处理；
步骤3、将数据预处理后的训练集样本进行图像增强处理后生成对应剖面分割图像；
步骤4、将所述对应剖面分割图像与数据预处理后的训练集样本作为数据集对所述预测模型进行训练，获得基于深度学习的条件生成对抗网络。
7.如权利要求6所述的基于深度学习对CFRP自冲铆接成形过程的预测方法，其特征在于，所述数据预处理包括：
对初始训练集中的初始样本图像通过标注工具进行标注，标注出铆钉、下板材、碳纤维复合材料分层的轮廓以及碳纤维上表面的损伤区域，其他区域作为背景。
8.如权利要求7所述的基于深度学习对CFRP自冲铆接成形过程的预测方法，其特征在于，所述图像增强处理为：
对所述数据预处理后的训练集样本随机进行色彩调节、明暗调节、平移、模糊、裁剪、锐化、翻转、缩放或随机角度的旋转。
9.如权利要求8所述的基于深度学习对CFRP自冲铆接成形过程的预测方法，其特征在于，所述预测模型的训练参数包括：训练优化器、学习率、L2正则化系数、批次大小和损失函数。
10.如权利要求9所述的基于深度学习对CFRP自冲铆接成形过程的预测方法，其特征在于，所述合金为铝合金。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310660481.8A CN116757068B (zh) | 2023-06-06 | 2023-06-06 | 一种基于深度学习对cfrp自冲铆接成形过程的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310660481.8A CN116757068B (zh) | 2023-06-06 | 2023-06-06 | 一种基于深度学习对cfrp自冲铆接成形过程的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116757068A true CN116757068A (zh) | 2023-09-15 |
| CN116757068B CN116757068B (zh) | 2024-01-09 |
Family
ID=87954465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310660481.8A Active CN116757068B (zh) | 2023-06-06 | 2023-06-06 | 一种基于深度学习对cfrp自冲铆接成形过程的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757068B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108162420A (zh) * | 2017-12-26 | 2018-06-15 | 吉林大学 | 一种热塑性碳纤维复合材料板与合金板自冲铆接装置及柳接方法 |
| KR20190070050A (ko) * | 2017-12-12 | 2019-06-20 | 한국생산기술연구원 | 이종 소재 접합체, 이종 소재 접합 장치 및 방법 |
| CN110956591A (zh) * | 2019-11-06 | 2020-04-03 | 河海大学 | 一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法 |
| CN112184731A (zh) * | 2020-09-28 | 2021-01-05 | 北京工业大学 | 一种基于对抗性训练的多视图立体深度估计方法 |
| KR20210065623A (ko) * | 2019-11-27 | 2021-06-04 | 한국생산기술연구원 | 셀프 피어싱 리벳팅 장치 및 셀프 피어싱 리벳팅 방법 |
| CN113971676A (zh) * | 2021-10-20 | 2022-01-25 | 长三角先进材料研究院 | 一种基于深度学习的连接件剖面图像自动分割方法 |
| CN114119391A (zh) * | 2021-11-04 | 2022-03-01 | 深圳市智佐生物科技有限公司 | 对抗神经网络去噪模型的建立方法及超声图像去噪方法 |
| CN114706023A (zh) * | 2022-06-06 | 2022-07-05 | 中国科学技术大学 | 生物分子相互作用的磁学检测方法 |
| CN115019120A (zh) * | 2022-05-17 | 2022-09-06 | 长三角先进材料研究院 | 一种基于条件生成对抗网络的连接件剖面预测方法 |
| WO2022267641A1 (zh) * | 2021-06-25 | 2022-12-29 | 南京邮电大学 | 一种基于循环生成对抗网络的图像去雾方法及*** |
| CN116012739A (zh) * | 2023-02-01 | 2023-04-25 | 湖南大学 | 一种基于对抗学习与对比学习的无人机遥感视频盲去运动模糊方法 |
-
2023
- 2023-06-06 CN CN202310660481.8A patent/CN116757068B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190070050A (ko) * | 2017-12-12 | 2019-06-20 | 한국생산기술연구원 | 이종 소재 접합체, 이종 소재 접합 장치 및 방법 |
| CN108162420A (zh) * | 2017-12-26 | 2018-06-15 | 吉林大学 | 一种热塑性碳纤维复合材料板与合金板自冲铆接装置及柳接方法 |
| CN110956591A (zh) * | 2019-11-06 | 2020-04-03 | 河海大学 | 一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法 |
| KR20210065623A (ko) * | 2019-11-27 | 2021-06-04 | 한국생산기술연구원 | 셀프 피어싱 리벳팅 장치 및 셀프 피어싱 리벳팅 방법 |
| CN112184731A (zh) * | 2020-09-28 | 2021-01-05 | 北京工业大学 | 一种基于对抗性训练的多视图立体深度估计方法 |
| WO2022267641A1 (zh) * | 2021-06-25 | 2022-12-29 | 南京邮电大学 | 一种基于循环生成对抗网络的图像去雾方法及*** |
| CN113971676A (zh) * | 2021-10-20 | 2022-01-25 | 长三角先进材料研究院 | 一种基于深度学习的连接件剖面图像自动分割方法 |
| CN114119391A (zh) * | 2021-11-04 | 2022-03-01 | 深圳市智佐生物科技有限公司 | 对抗神经网络去噪模型的建立方法及超声图像去噪方法 |
| CN115019120A (zh) * | 2022-05-17 | 2022-09-06 | 长三角先进材料研究院 | 一种基于条件生成对抗网络的连接件剖面预测方法 |
| CN114706023A (zh) * | 2022-06-06 | 2022-07-05 | 中国科学技术大学 | 生物分子相互作用的磁学检测方法 |
| CN116012739A (zh) * | 2023-02-01 | 2023-04-25 | 湖南大学 | 一种基于对抗学习与对比学习的无人机遥感视频盲去运动模糊方法 |
Non-Patent Citations (3)
| Title |
|---|
| XUE ZHIGANG等: "Equivalent characterization of pre-strained material properties and mechanical behavior prediction of steel/aluminum self-piercing riveted joints", 《THIN-WALLED STRUCTURES》, no. 182, pages 1 - 18 * |
| 吴帆: "基于神经网络的医学图像融合算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 12, pages 138 - 310 * |
| 杜爱民等: "自冲铆接工艺参数对接头性能影响的研究", 《新技术新工艺》, no. 4, pages 1 - 7 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116757068B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444821B (zh) | 一种城市道路标志自动识别方法 | |
| WO2021139069A1 (zh) | 自适应注意力指导机制的一般性目标检测方法 | |
| CN110321923B (zh) | 不同尺度感受野特征层融合的目标检测方法、***及介质 | |
| Liu et al. | Deep learning in sheet metal bending with a novel theory-guided deep neural network | |
| CN112465790A (zh) | 基于多尺度卷积和三线性全局注意力的表面缺陷检测方法 | |
| CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
| CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
| CN113642486A (zh) | 一种具有机载前端识别模型的无人机配网巡检方法 | |
| CN115147341A (zh) | 一种基于生物视觉启发的织物表面缺陷分类深度网络方法 | |
| CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
| CN115908276A (zh) | 融合深度学习的桥梁表观损伤双目视觉智能检测方法及*** | |
| CN116912218A (zh) | 一种基于深度学习的电池表面缺陷检测方法和装置 | |
| CN111310791A (zh) | 一种基于小样本数目集的动态渐进式自动目标识别方法 | |
| CN115147347A (zh) | 一种面向边缘计算的玛钢管件表面缺陷检测的方法 | |
| CN116757068B (zh) | 一种基于深度学习对cfrp自冲铆接成形过程的预测方法 | |
| CN117788472A (zh) | 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 | |
| Liu et al. | Forming process prediction of a self-piercing riveted joint in carbon fibre reinforced composites and aluminium alloy based on deep learning | |
| CN117392450A (zh) | 一种基于进化多尺度特征学习的钢铁材料质量解析方法 | |
| CN116630343A (zh) | 一种基于深度学习的无铆钉铆接接头剖面图像分割方法 | |
| CN115496941B (zh) | 基于知识增强计算机视觉的结构健康诊断方法 | |
| CN116958662A (zh) | 一种基于卷积神经网络的钢带缺陷分类方法 | |
| Wu et al. | Detection of defects on aluminum profile surface based on improved YOLO | |
| CN116485021A (zh) | 一种煤炭企业技术技能人才人岗匹配预测方法与*** | |
| CN116311514A (zh) | 一种基于2d-3d坐标匹配策略的行人检测与姿态估计方法 | |
| CN111222529A (zh) | 一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法 |
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 |