一种基于深度学习对无铆钉铆接接头成形截面的预测方法技术

本发明专利技术公开了一种基于深度学习对无铆钉铆接接头成形截面的预测方法，包括：步骤一、采集条件信息；步骤二、建立基于CNN且带有残差块的条件生成对抗网络的预测模型，基于CNN且带有残差块的条件生成对抗网络的预测模型包括：生成器和判别器，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；步骤三、以训练数据集对基于CNN且带有残差块的条件生成对抗网络的预测模型进行训练获得深度学习网络模型；步骤四、将随机噪声和条件信息输入深度学习网络模型中，获得无铆钉铆接接头成形的截面图像。本发明专利技术具有大幅度缩短预测时间、提高精确度和消除网格划分及时间步长的特点。划分及时间步长的特点。划分及时间步长的特点。

【技术实现步骤摘要】
一种基于深度学习对无铆钉铆接接头成形截面的预测方法


[0001]本专利技术涉及图像处理
，更具体的是，本专利技术涉及一种基于深度学习对无铆钉铆接接头成形截面的预测方法。

技术介绍

[0002]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。在此背景下，无铆钉铆接因无需额外的紧固件，通过基板的塑性变形形成自锁结构，通过控制连接工艺参数接头具有较高的强度和疲劳性能。无铆钉铆接技术可用于异种材料及难焊接材料的连接，该技术降低了结构件的重量及制造成本，在汽车和家电行业广泛应用。
[0003]然而，无铆钉铆接接头的成形质量受基板厚度、冲头形状、下模形状和冲头位移等参数影响，若连接工艺参数选择不合适，易造成接头自锁量和颈部厚度较小，甚至产生颈部断裂。针对特定的连接材料，目前主要通过大量的实验获得接头的最优铆接参数，实验成本较高且耗时，增加了产品的开发周期，建立接头的成形仿真模型，采用数值模拟方法预测接头的成形截面形状，从而对模具形状和铆接工艺参数进行优化是缩短车辆开发周期的有效解决方案之一。但是无铆钉铆接仿真涉及材料损伤、复杂多体接触和网格大变形，仿真中常采用较小的网格尺寸增加预测精度，传统的有限元仿真分析也需要花费较多的时间。

技术实现思路

[0004]本专利技术的目的是设计开发了一种基于深度学习对无铆钉铆接接头成形截面的预测方法，通过cGAN网络实现无铆钉铆接接头的成形截面预测，大幅度缩短预测时间，提高精确度。
[0005]本专利技术提供的技术方案为：/>[0006]一种基于深度学习对无铆钉铆接接头成形截面的预测方法，包括如下步骤：
[0007]步骤一、采集条件信息：冲头位移、上板厚度、下板厚度、下模直径和凹槽深度；
[0008]步骤二、建立基于CNN且带有残差块的条件生成对抗网络的预测模型；
[0009]其中，所述基于CNN且带有残差块的条件生成对抗网络的预测模型包括：生成器和判别器；
[0010]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，且所述生成器的目标函数为：
[0011][0012]式中，V(G)为生成器G的最小二乘损失，E
c,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；
[0013]步骤三、以训练数据集对所述基于CNN且带有残差块的条件生成对抗网络的预测
模型进行训练获得深度学习网络模型；
[0014]步骤四、将随机噪声和条件信息输入所述深度学习网络模型中，获得无铆钉铆接接头成形的截面图像。
[0015]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。
[0016]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；
[0017]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。
[0018]优选的是，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，且所述判别器的目标函数为：
[0019][0020]式中，V(D)为判别器D的最小二乘损失，E
x,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。
[0021]优选的是，所述转置残差块中的整流层为线性整流函数。
[0022]优选的是，所述激活函数层为归一化指数函数。
[0023]优选的是，所述训练数据集为标签图像及增强后的图像；
[0024]其中，所述标签图像获取过程包括如下步骤：
[0025]步骤1、通过实验及多次仿真模型，获得无铆钉铆接接头的剖面图像作为样本图像；
[0026]步骤2、对所述样本图像进行标注，按照上板、下板进行分割后保留材料的几何形状和位置信息，获得所述样本图像对应的标签图像；
[0027]所述增强后的图像为对所述标签图像随机进行色彩调节、明暗调节、平移、模糊、裁剪、锐化、翻转、缩放或随机角度的旋转，且所述旋转的最大角度为12
°
。
[0028]优选的是，所述增强后的图像包括：标签图像进行明暗调节后的图像、标签图像进行色彩调节后的图像、标签图像进行最大角度为12
°
的随机角度旋转后的图像、标签图像的二分之一图像进行左右翻转后的图像和标签图像的二分之一图像进行比例为原图像90％的裁剪后图像。
[0029]优选的是，所述基于CNN且带有残差块的条件生成对抗网络的预测模型的训练参数包括：
[0030]训练优化器、学习率、正则化系数、批次大小和损失函数。
[0031]优选的是，所述判别器中的整流层为带泄露线性整流函数。
[0032]本专利技术所述的有益效果：
[0033](1)、本专利技术设计开发的一种基于深度学习对无铆钉铆接接头成形截面的预测方法，将深度学习领域内的cGAN深度神经网络调整架构后，引入至无铆钉铆接成型剖面图像的工程应用中，可以有效缩短无铆钉铆接剖面几何参数测量时间，规避测量者主观因素干扰，提升测量精度和效率，减少了实验的繁琐，降低实验成本，缩短实验周期；
[0034](2)、本专利技术设计开发的基于深度学习对无铆钉铆接接头成形截面的预测方法，由
于cGAN深度神经网络在训练基于实验数据，没有任何假设(数据驱动)，因此预测结果更加接近实验结果，并且cGAN深度神经网络可以处理复杂的非线性关系，能够更好地捕捉数据中的潜在结构和特征，生成器可以生成高质量的无铆钉铆接剖面几何参数测量数据，从而扩大训练数据集，提高模型的泛化能力；
[0035](3)、本专利技术设计开发的一种基于深度学习对无铆钉铆接接头成形截面的预测方法，与传统FEM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，因此在计算复杂性和计算资源消耗方面具有更高的效率，可以促进该领域的技术发展和进步，为未来无铆钉铆接工程应用提供更加精确、高效、可靠的方法。
附图说明
[0036]图1为本专利技术所述基于深度学习对无铆钉铆接接头成形截面的预测方法的流程示意图。
[0037]图2为本专利技术所述基于CNN且带有残差块的条件生成对抗网络的预测模型的结构示意图。
[0038]图3为本专利技术所述卷积残差块的结构示意图。
[0039]图4为本专利技术所述转置残差块的结构示意图。
[0040]图5为本专利技术所述判别器的结构示意图。
[0041]图6为本专利技术所述实施例中下模的结构示意图。
[0042]图7为本专利技术所述实施例中标签图像的示意图。
[0043]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习对无铆钉铆接接头成形截面的预测方法，其特征在于，包括如下步骤：步骤一、采集条件信息：冲头位移、上板厚度、下板厚度、下模直径和凹槽深度；步骤二、建立基于CNN且带有残差块的条件生成对抗网络的预测模型；其中，所述基于CNN且带有残差块的条件生成对抗网络的预测模型包括：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，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，E
c,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；步骤三、以训练数据集对所述基于CNN且带有残差块的条件生成对抗网络的预测模型进行训练获得深度学习网络模型；步骤四、将随机噪声和条件信息输入所述深度学习网络模型中，获得无铆钉铆接接头成形的截面图像。2.如权利要求1所述的基于深度学习对无铆钉铆接接头成形截面的预测方法，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所述的基于深度学习对无铆钉铆接接头成形截面的预测方法，其特征在于，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。4.如权利要求1所述的基于深度学习对无铆钉铆接接头成形截面的预测方法，其特征在于，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，且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，E

【专利技术属性】
技术研发人员：刘洋，吴庆军，代祎琳，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：