一种针对薄板冲压成形材料参数反求的实现方法

1.本发明涉及数字化建模及其仿真分析技术领域，具体涉及一种针对薄板冲压成形材料参数反求的实现方法。


背景技术：

2.在金属薄板冲压的过程中，泊松比、刚度、硬化系数等材料属性和冲压速度、压边力等工艺参数直接影响冲压结果的质量。传统的方法以设计者的经验为参照，不断“试错”得到符合成形质量的相关参数，因而开发周期长、灵活度差、成本高。尽管有限元方法在工程软件中广泛运用，但目前的设计模式实际上仍然是依靠经验的参数调试，薄板冲压成形参数获取困难的问题从根本上仍未解决。因此，找到一种无需主观经验和人工调参的参数获取办法对薄板冲压成形技术的进一步完善具有重大意义。
3.目前关于薄板冲压成形参数的反求尚未在概率空间上考虑，传统的点估计使得实际参数的反求过程中不确定性问题常常被忽略，本专利旨在提出一种金属成形的不确定性反求方法。
4.同时，考虑到成形质量最直观的量化标准为fld成形图，本专利利用 fld成形图的图像直接进行识别处理分析，充分利用图像更能反映实际成形性能特征的特点。从而避免在传统的评估准则中因fld数据化损失所造成的反求结果的奇异性(多解)，进而达到充分利用fld特征信息的目的。


技术实现要素：

5.本发明的目的在于提供一种针对薄板冲压成形材料参数反求的实现方法，该方法基于降维分析，对现有的fld成形仿真图像进行识别，运用 pca降维生成的信息构建一个结构简化的、适合分析的特征模型，进而在设计参数与特征空间之间建立替代模型，构建近似贝叶斯所需要的正向响应模型。同时降维特征可作为近似贝叶斯的概括统计量，从而利用近似贝叶斯计算(approximate bayesian computation，abc)和自适应嵌套布点 (adopted nested sampling,ans)方法，获得的设计参数后验区间分布，实现完成材料参数的反求，从而在整体上更全面地反应零件成形质量。
6.本发明的目的可以通过以下技术方案实现：
7.一种针对薄板冲压成形材料参数反求的实现方法，包括以下步骤:
8.步骤一：获取薄板冲压成形fld成形极限图像模型并存储到计算机；
9.步骤二：对所述图像模型进行预处理，首先合成工作区域的掩膜，通过掩膜对原图进行重合，对非掩膜区进行去除，得到零件的实际工作区域；
10.步骤三：构建设计参数与图像的特征之间建立的替代模型，其中，
11.替代模型包括映射fld图的高维特征的pca降维方法和设计参数与特征空间之间建立替代模型的gpr回归方法；
12.步骤四：构建fld成形极限图图像参数反求模型；
13.包括：利用设计材料参数与图像的特征之间建立的替代模型作为正向统计量，再运用近似贝叶斯参数采样-自适应嵌套布点算法得到材料参数的后验。
14.作为本发明进一步的方案：该方法还包括步骤二对步骤一中得到的 fld成形极限图像模型进行图像识别，以提取图像特征，该识别方法包括以下步骤：
15.步骤一：将得到零件的实际工作区域标记为图像子块，图像子块转换为行向量，再将行向量组成矩阵i，其中所有图像子块经过重新排列转换后，则载体图像s(n,n)用尺寸为g
×
的矩阵i表示；
16.步骤二：对矩阵i进行pca变换，得到主成分矩阵y，实现对有效仿真云图的数字化转化。
17.作为本发明进一步的方案：图像特征的提取可分为多层；
18.第一特征提取层的输入为fld图像提取矩阵，输出为提取的第一s特征矩阵；
19.第二特征提取层的输入为第一特征矩阵，输出为提取的第二s特征矩阵；
20.将第一特征矩阵和第二特征矩阵拼接为第三s特征矩阵为第三特征提取层的输入为第三特征矩阵，经过多层提取输出为最终提取的fld成形极限图特征矩阵；
21.作为本发明进一步的方案：对输入输出数据均做归一化处理，采用基于最大、最小标准化进行归一化。
22.作为本发明进一步的方案：步骤四中反求模型的构建具体包括以下步骤：
23.步骤一：构建训练样本集{x,y},其中x＝{,,
…
，},n1表示相关参数的总数，其中样本中的y为材料参数工艺参数对应的fld成形极限图特征提取空间；
24.步骤二：利用高斯过程机器学习模型对冲压成形工艺进行建模，建立设计参数与特征空间之间的映射关系，获取近似贝叶斯所需要的正向响应模型；
25.步骤三：以高斯过程机器学习模型作为近似贝叶斯的正向模拟模型，采用近似贝叶斯估计，利用设计材料参数与图像的特征之间建立的映射关系作为正向统计量，利用近似贝叶斯参数采样-自适应嵌套布点算法，当目标观察统计量与正向模型的统计量足够接近时，得到相关材料参数的后验分布估计。
26.作为本发明进一步的方案：还包括采用pca、svd、dwt融合的特征提取方式，求出右奇异矩阵。
27.作为本发明进一步的方案：dwt在主成分分析前，对载体图像进行离散小波分解，在低频子带上用主成分分析提取出同时含有低频和高频的主成分系数，利用主成分系数的变换，提高对加噪、图像灰度值变化等的鲁棒性。
28.本发明的有益效果：本发明提供的针对薄板冲压图像模型的材料参数反求的实现方法，设计参数与图像的特征之间建立的映射，构建近似贝叶斯获取正向响应，从而获得充分的统计量，最后在成形质量良好的前提下，获取材料参数的后验分布，相比于传统的工程分析方法，本专利采取的图像建模方法具有不需要进行特征简化处理、模型处理更简便、更能反应实际成形特征等优点，能帮助求出更加客观地获取薄板冲压成形中的相关材料参数，在无需主观经验和人工调参的前提下，快速实现薄板冲压材料参数的反求。
附图说明
29.下面结合附图对本发明作进一步的说明。
30.图1是本发明针对fld成形极限图进行数字化建模的流程图的结构示意图；
31.图2是本发明fld成形极限图降维方法的结构示意图。
具体实施方式
32.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
33.请参阅图1-2所示，本发明为一种针对薄板冲压成形材料参数反求的实现方法，包括以下步骤：
34.步骤一：获取需要分析的薄板冲压成形fld成形极限图并存储到计算机；
35.本步骤所获取的fld成形极限图可以最清晰地反应薄板冲压成形效果，零件在工作区域全绿则代表最佳成形质量，但传统方法难以直接建立参数与fld成形极限图之间的关系，如采用最大减薄率、最大增厚率，无法反应零件的全貌。故以下步骤直接采用图像进行参数分析；
36.步骤二：对所述图像模型进行预处理，首先合成工作区域的掩膜，通过掩膜对原图进行重合，对非掩膜区进行去除，得到零件的实际工作区域；
37.本步骤中，采用opencv库对图像进行处理，对成形极限图的预处理具体指分离工作区和非工作区操作，只保留工作区域进行成形参数的反求，以防止非工作区对反求结果造成干扰。
38.在一些实施方式中，图像的预处理的步骤还包括：将图像的像素矩阵集合进行归一化处理，将黑色像素点的值置0且将白色像素点元素的值从原本的255置1，从而形成归一化的像素矩阵集合；
39.步骤三：构建设计参数与图像的特征之间建立的替代模型。所述的替代模型包括映射fld图的高维特征的pca降维方法和设计参数与特征空间之间建立替代模型的gpr回归方法；
40.本步骤中，确定主成分数的确定极为关键，将主成分数记作。如果m较小，则变量的个数少，得到的相应也是便于计算的低维数据，但同时数据降维也很有可能会使目标对象损失部分有用信息。
41.本方法提取前m个主成分的累计贡献率acr(accumulativecontributionrate)来评价数据信息的可靠度。记第i个特征值为，则前m个主成分的累计贡献率acr(m)为：
[0042][0043]
本方法提取前acr值的高低反应出这种替代可靠性的大小。在本专利所指的应用场景中，一般按照acr≥85％确定m值，目的是能够让提取的信息具有较高的总利用率，达到评价优良的状态。然后根据确定的m值来完成主成分矩阵的获取；
[0044]
本步骤中，为了构建模型的快速响应，即给定θ，可快速得到充分统计量y。本步骤
基于gpr的回归特性，采用该方法进行建模,即建立参数θ与充分统计量y之间的数学模型y＝φ(θ)
t
w。高斯过程基于贝叶斯推断来处理建立参数θ与充分统计量y之间的模型y＝φ(θ)
tw
。其核心思想是，认定已经得到的训练数据满足一种概率分布。因此，条件概率p(θ|y)是高斯过程所关注的重点。高斯过程中协方差矩阵不仅仅描述了这个分布的形状，也通过求核函数k的值来确定点与点之间的相似度，从而最终决定了预测的函数所具有的特性，进而得到充分统计量y。
[0045]
本步骤中，为了评价构建模型的响应效果，即给定θ，判断充分统计量y 的拟合优度，根据评估指标r2进行评判模型的准确性，其计算式如下所示，其中i为样本编号，yi为真实值，为预测值，是真实值的平均数。当r2接近于1表示基于降维向量推算的系统响应与真实响应一致，降维算法信息损失小，降维向量可以表征真实响应。
[0046][0047]
在一些实施方案中，如果样本相关矩阵的维数较大，可采用运算速度较快的奇异值分解法svd,利用公式处理大型数据矩阵，求解特征值。
[0048]
步骤四：构建fld成形极限图图像参数反求模型。所述的提取模型包括：利用设计材料参数与图像的特征之间建立的替代模型作为正向统计量，再运用近似贝叶斯参数采样-自适应嵌套布点算法得到材料参数的后验；
[0049]
本步骤引入近似贝叶斯理论。一般的贝叶斯方法在获得模型参数的完整分布方面虽然可以获得更丰富的信息，但在贝叶斯参数确定方法中，需要定义一个似然函数来衡量观测数据和模拟数据之间的一致水平。但往往通过数值计算或者分析方法，均有似然函数难以确定的问题。为了克服这一问题，使复杂系统的推理成为可能，本步骤引入了近似贝叶斯算法 (approximate bayesian computation，abc)。abc提供了使用不同的特征来度量模拟数据和观测数据之间的相似性来推断给定系统的可能性。它利用连续的两个近似避开了似然函数的求解问题，可以较为简便地完成反问题的求解以及不确定性参数的量化。
[0050]
首先利用包含图像信息的低维充分统计量即降维后的主成分代替高维实验观测值，即
[0051]
p(x|d)≈p(x|s(d))
∝
p(x)
·
p(s(d)|x)
[0052]
其中s(
·
)为fld成形图的概括统计量(summary statistics)，即经过降维后的图像特征，其维度远小于原本数据的维度。充分统计量是由观测值统计量组成的集合，它能充分地代表观测值包含的信息，以上步骤中借助了gpr建立了参数与充分统计量y之间的数学模型。但是p(s(d)|x)依然难以求解。因此引入第二步近似：
[0053][0054]
其中为仿真预测。d||
·
||为距离度量，一般为欧几里德距离，ξ≥0表示容差，当ξ＝0时，等式成立。
[0055]
如此通过两部近似就绕开了贝叶斯公式中似然函数难以确定的问题，转化成使得样本的响应的统计量与观测值的统计量逼近的问题。
[0056]
为了高效地得到模型参数的后验分布，本步骤中对后验概率的计算采用ans方法，算法的结构如下方伪代码：
[0057][0058]
在一些实施方案中，为了使得由上述采样方法得到的样本更能全面地搜索参数的后验空间，通常在协方差系数上作用一个放大系数。然后在此采样地正向问题地基础上，求得相关参数的响应。计算响应的充分统计量，并计算该充分统计量与观测值的充分统计量之间的距离，当他们之间的欧几里得距离足够小时，接受该样本，否则拒绝。如此循环直到收敛。在一些实施方案中，可取后验均值代入cae模型，进行数值模拟验证，观察是否有起皱或者破裂的情况出现，并排除固有缺陷的前提下观察整体效果与原样本的效果图。
[0059]
可以看出实际物理参数与本发明的参数反求模型提取到的参数结果具有较好的实用性。可以发现所提出的参数反求模型对成形图的降维反求有着很好的逆代理模型建模能力。对于样本量不足、参数数据维度较高的参数设计问题，使用基于图像的参数反求模型可以在低信息损耗的情况下得到很好的设计结果，并且可以减少计算量以及设计时间。
[0060]
在一个具体的实施方式中：本技术还提供了针对fld成形极限图云图图像识别方法，最大程度提取图像特征，保证目标函数的准确性，该方法包括以下步骤：
[0061]
步骤1：获取需要分析的实体对象的成形极限图像模型并存储到计算机；
[0062]
步骤2：对所述图像模型进行预处理，排除非工作区的图像特征。首先合成工作区
域的掩膜，随后通过掩膜对原图进行布尔运算，对非掩膜区进行剪切，得到零件的实际工作区域；
[0063]
步骤3：将得到的图像子块转换为行向量，再将行向量组成矩阵i，其中所有图像子块经过重新排列转换后，则载体图像s(n,n)用尺寸为g
ꢀ×
的矩阵i表示；
[0064]
步骤4：对矩阵i进行pca变换，得到主成分矩阵y，实现对有效仿真云图的数字化转化。
[0065]
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。