CN116653346B 一种冲压工件成形质量的在线监测方法与工具 （合肥工业大学）

一种冲压工件成形质量的在线监测方法与及一种冲压工件成形质量的在线监测方法与工程采集的实时冲压深度和实时冲压力计算出实2和工艺能量E条件下的最大增厚率ΔMTC和最大减薄率ΔMTN为坐标点的状态属性；并根据坐标点的状态属性划分出所述工艺能量图谱中起皱区和破裂区ppS03：根据加工过程采集的实时冲压深度hreal和实时冲压力Freal计算出实时工艺能量S04：根据当前冲压工件加工过程的实时冲压深度hreal和实时工艺能量Ereal的状态变(N)当状态轨迹经过破裂区，且终止于起皱区时，判定当前冲压工件发生破裂且存在以冲压深度h和工艺能量E分别为横坐标和纵坐包括材料属性和设备参数；所述材料属性包括冲压工件加工过程采用的板料的材料标号、pppp(Ⅲ)利用一个经过训练的厚度变化量预测模型生成待填充区内每个坐标点对应的厚pp3(W)将填充区内满足ΔMTN＞βMTN的所有坐标点构成的区域划分为破裂区。pp7.一种冲压工件成形质量的在线监测工具，其特pp据加工过程采集的实时冲压深度hreal和实时冲压力Freal计算出实时轨迹生成单元，其用于查询所述参考数据库，获取当前冲压工件在当质量判定单元，其用于根据状态轨迹在工艺能量图谱中(ü)当状态轨迹仅经过破裂区时，判定当前冲压工件发生破裂；(泣)当状态轨迹仅终止于8.一种冲压工件成形质量的可视化方法，其特根据预设的设备加工参数查询当前冲压工件对pppp4个如权利要求7所述的冲压工件成形质量的在线监测工具，所述在线监测工具用于根据实所述交互组件用于根据权利要求8所述的冲压工件成形质量的可视化方法，向用户实5冲压工件样品的成形质量进行缺陷检测。然后由QA部门的检查结果反馈至前端生产部门，由生产部门根据质检结果决定是否需要对生产工艺进行p[0009]本发明中的工艺能量图谱是一种预先生成的，以冲压深度h和工艺能量E分别为p横坐标和纵坐标，任意冲压深度hp和工艺能量E条件下的最大增厚率ΔMTC和最大减薄率pp[0014]S05：根据当前冲压工件加工过程的状态轨迹在工艺能量图谱中的位置做出如下6p[0021]数据采集单元用于实时采集冲压设备在加工过程中的冲压深度h和冲压力F，并p根据加工过程采集的实时冲压深度hreal和实时冲压力Freal计算出实时工艺能工艺能量图谱，然后根据当前冲压工件加工过程的实时冲压深度hreal和实时工艺能量Ereal[0023]质量判定单元用于根据状态轨迹在工艺能量图谱中位置生成一个对应的质量评pp的像素点的色相差异来表征对应最大增厚率ΔMTC的值。第一画面中还划分了起皱区的边pp的像素点的色相差异来表征对应最大减薄率ΔMTN的值。第二画面中还划分了破裂区的边[0031](2)根据实时采集到的冲压设备的反馈信号，确定加工过程对应的实时冲压深度7轨迹与工艺能量图谱中破裂区和起皱区间的位置关系确定冲压工件是否发生起皱和破裂[0041]图2为本发明实施例1中搭建出的基于Stacking集成学习框架的预测网络的架构[0043]图4为本发明实施例2中提供的一种面向冲压工件成形质量监测的工艺能量图谱[0044]图5为本发明实施例4中提供的一种冲压工件成形质量的在线监测方法的步骤流8工件厚度变化的监测结果；图13中(b)部分表示15.5mm冲压深度下冲压工件厚度变化的监绝对百分比误差；图14中(b)部分表示冲压工件最大增厚率监测结果的平均绝对百分比误中(b)部分表示冲压工件最大增厚率监测结[0059]本实施例提供一种面向冲压工件成形质量在线监测的工艺能量图谱的生成方法，本发明中的工艺能量图谱是一种用于反映指定冲压工件在冲压加工过程中的冲压深度hp、工艺能量E与厚度变化量TV间的映射关系的图像。该图像中还通过不同分区对冲压工件在pppp[0062]S2：分别计算每组设备参数对应的工艺能量E、最大增厚率ΔMTC和最大减薄率p[0065]需要特别说明的是：冲压深度h指的是冲压过程中冲压设备压头的整体下压深p9Ep为J×1的工艺能ppp,i,xp,i,yp,i,xp,i,y[0077]各备选模型的预测精度采用平均绝对百分比误差eMA与均方误差eMS来评价，计算[0089](4)根据训练结果，得到原始数据集中每个元数据对应的n个预测结果TVp,1~p,n[0091](5)将原始数据集中厚度变化矩阵TV与对应的n个基模型的预测结果Tp,nTV分别为第1～第n个基模型的预测结果构成的J×2的厚度变化矩阵。J的长度即为设备p,npppppp[0101]在本实施例设计出的工艺能量图谱中，将基于最大增厚率ΔMTC判定工件是否起[0102]本实施例方案主要是通过颜色的色相差异来表征每一个坐标点对应的最大增厚[0106]S91：判断着色后的工艺能量图谱中每个像素点对应的最大增厚率ΔMTC是否超出[0108](2)当最大增厚率ΔMTC位于起皱阈值内，则将当前像素点的第一状态属性标记为[0109]S92：判断着色后的工艺能量图谱中每个像素点对应的最大减薄率ΔMTN是否超出[0111](2)当最大减薄率ΔMTN位于破裂阈值内，则将当前像素点的第二状态属性标记为用如实施例1的面向冲压工件成形质量监测的工艺能量图谱的生成方法，根据目标冲压工[0116]如图4所示，本实施例中的面向冲压工件成形质量监测的工艺能量图谱的生成系pp[0118]数据集生成模块，将每组设备参数对应的冲压深度hp、工艺能量E和厚度变化量XGBoost作为元模型的基于Stacking集成学习框架的预测网络；预测网络训练模块用于利pppp入到厚度变化量预测模型中，生成每个像素点对应的最大增厚率Δ着色单元用于根据预设颜色映射关系将每个像素点的最大增厚率ΔMTC和最大减薄率ΔMTNpppp[0134]S04：根据当前工件加工过程的实时冲压深度hreal和实时工艺能量Ereal的状态变[0135]S05：根据当前冲压工件加工过程的状态轨迹在工艺能量图谱中的位置做出如下[0139](w)当状态轨迹经过破裂区，且终止于起皱区时，判定当前冲压工件发生破裂且ppp[0143](聂)根据当前冲压工件的工艺条件中冲压深度h和工艺能量E间的约束关系，在p[0144](Ⅲ)利用一个经过训练的厚度变化量预测模型生成待填充区内每个坐标点对应pp[0147](Ⅴ)将填充区内满足ΔMTC＞[0148](W)将填充区内满足ΔMTN＞βMTN的所有坐标点构成的区域划分为破裂区，形成破[0150]在冲压工件成形质量监测过程中，当监测到的冲压过程的状态轨迹经过破裂区发生起皱则需要分析加工轨迹的终点是否落入到起[0152]基于实施例4中提供的一种冲压工件成形质量的在线监测方法，本实施例还提供一种冲压工件成形质量的在线监测工具，其用于采用实施例4中的冲压工件成形质量的在p[0155]数据采集单元用于实时采集冲压设备在加工过程中的冲压深度h和冲压力F，并p根据加工过程采集的实时冲压深度hreal和实时冲压力Freal计算出实时工艺能[0157]质量判定单元用于根据状态轨迹在工艺能量图谱中位置生成一个对应的质量评pp的像素点的色相差异来表征对应最大增厚率ΔMTC的值。第一画面中还划分了起皱区的边pp的像素点的色相差异来表征对应最大减薄率ΔMTN的值。第二画面中还划分了破裂区的边[0167](2)根据实时采集到的冲压设备的反馈信号，确定加工过程对应的实时冲压深度pppp[0173]冲压设备中还包括一个如实施例5中的冲压工件成形质量的在线监测工具，在线[0174]交互组件用于根据实施例6的冲压工件成形质量的可视化方法，向用户实时呈现压工件经评估为非完全合格状态时，向冲压设备的主控制器下达一个表征停机的驱动指[0177]为了验证本发明实施例1中提供的面向冲压工件成形质量监测的工艺能量图谱的架的预测网络。本实施例中选用较为常用的机器学习模型如支持向量机(SupportVector(GradientBoostingDecisionTree,GBDT)、随机森林(RandomForest,RF)、K近邻算法(K_NearestNeighborClassification,KNN)与长短期记忆神经网络(LongShort_Term[0188]首先分别采用平均绝对百分比误差eMA与均方误差eMS来对各个备选模型的预测精误差线，所示误差也显示XGBoost拥有最小的预测误差，因此选用XGBoost作为基于Stacking集成学习厚度变化预测模型的[0190]在获得各备选模型的预测结果后，再通过皮尔逊相关分析进行模型相关性分4}用于基模型的训练。每个子数据集包含7个冲压深度对应下的测量工艺能量与厚度变化度变化监测以探究所构建的工艺能量图谱在训练集数与元模型如表5所示。BC1至BC4主要用于探究基模型对基于Stacking集成学习构建的工艺[0210]对训练集厚度变化即冲压深度为5mm与23mm下冲压工件的厚度变化的监测结果如图12所示，可以观察到通过本实施例方案[0214]不同预测模型构建的工艺能量图谱的监测结果如图12和图艺能量图谱对冲压深度为5mm的冲压工件最大减薄率的监测结果)与0.36％2(即使用SVM构建的工艺能量图谱对冲压深度为23mm的压工件厚度变化监测结果的最大平均绝对百分比误差eMA与均方误差eMS分别为13.66％(即使用SVM构建的工艺能量图谱对冲压深度为27.5mm的冲压工件最大增厚率的监测结果)与2[0218]结合图14和图15可知：由薄板样条插值TPS构建的工艺能量图谱对不同冲压深度板样条插值TPS构建的工艺能量图谱如图16所示，可以看到工艺能量图谱中存在锯齿状的波动、无规律的预测数据会导致由薄板样条插值TPS构建的工艺能量图谱对未知数据即样条插值TPS构建的工艺能量图谱破裂识别准确率与起皱识别准确率分别为53.13％与的工艺能量图谱对不同冲压深度下厚度变化的监测误差差异也十分明显。由XGBoost构建的工艺能量图谱最小监测误差为1.30即对冲压深度为23mm的冲压工件最大减薄率监测结果的平均绝对百分比误差，而最大监测误差为9.42即对冲压深度[0223]这些由机器学习模型构建的工艺能量图谱监测精度不稳定的原因可能来源于厚[0224]由于机器学习模型输入(即工艺能量)和输出(即厚度变化)之间的低相关性也会现，冲压深度为5mm时工艺能量与厚度变化相关度较低的原因在于在此冲压深度下板料的[0226]由此可以总结，本发明方案构建的工艺能量图谱具有高精度的原因主要在两方能量图谱的监测误差整体上要低于由数据插值与机器学习模型构建的工艺能量图谱的监工艺能量图谱的监测误差仍高于应用本发明方案构建的工艺能量图谱不包含拥有最佳预测性能的XGBoost，导致用BC2和BC4构建的Stacking集成学习预测模型[0230]而使用泛化能力低的机器学习模型作为元模型，容易造成过拟合，导致构建的步提高了构建出的工艺能量图谱的监测精度与稳定性。应用本发明构建出的工艺能量图