CN115906557B 一种冲压件坯料轮廓偏移判定成形缺陷的智能检测方法 （吉林大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115906557B(45)授权公告日2025.07.11

(21)申请号202211307103.3

(22)申请日2022.10.25

(65)同一申请的已公布的文献号申请公布号CN115906557A

(43)申请公布日2023.04.04

(73)专利权人吉林大学

地址130012吉林省长春市长春高新技术

产业开发区前进大街2699号

(72)发明人管志平李莹郁咏森李金钊宋家旺任明文马品奎赵泼王桂英管晓芳

(51)Int.CI.

GO6F30/23(2020.01)

GO6F30/27(2020.01)

GO6F18/241(2023.01)

GO6F18/2415(2023.01)GO6N3/047(2023.01)

GO6N3/048(2023.01)

GO6N3/084(2023.01)

(56)对比文件

CN109900711A,2019.06.18CN111537517A,2020.08.14审查员贾慧敏

(74)专利代理机构吉林省中玖专利代理有限公

司22219

专利代理师李泉宏

权利要求书2页说明书5页附图3页

(54)发明名称

一种冲压件坯料轮廓偏移判定成形缺陷的智能检测方法

(57)摘要

CN115906557B本发明公开了一种冲压件坯料轮廓偏移判定成形缺陷的智能检测方法，属于板材成形质量检测领域，本发明通过有限元模拟冲压过程获取得到有缺陷状态和无缺陷状态坯料轮廓特征点偏移量，通过人工标注缺陷类型后获得训练数据集、验证数据集，据此构建BP神经网络模型训练得到缺陷检测模型。冲压现场，采用激光测距测量实际冲压后坯料轮廓特征点沿材料流入方向的偏移量，输入BP神经网络缺陷检测模型，输出缺陷判断结果。本发明方法极大地缓解了目前冲

CN115906557B

有限元冲压缺陷模拟

有限元冲压缺陷模拟

计算坯料轮廓特征点偏移量

对冲压缺陷进行分类并标注

制作训练集和测试集

训练集

测试集

(实际生产中采用激光测距测得特征点偏移量)

训练第1次

训练完成后的模型

输出预测正确率获取损伤函数值

使用Adam优化器

调整网络参数统计缺陷预测结果

构建模型

CN115906557B权利要求书1/2页

2

1.一种冲压件坯料轮廓偏移判定成形缺陷的智能检测方法，包括以下步骤：

A、构建坯料轮廓特征点偏移量数据集；

1)利用有限元软件进行若干次冲压仿真模拟；模拟出冲压过程中的各种缺陷和无缺陷的情况，所述缺陷包括：破裂、起皱、表面擦伤、压/凹痕、塌陷、暗坑、凸包、翘曲和回弹；分别输出模具完全闭合时对应各种情况的坯料轮廓线；

2)沿原始坯料轮廓布置若干个特征点，测量特征点沿材料流入方向的偏移量；所述偏移量为冲压前后坯料轮廓沿材料流入方向的距离差值，所述特征点的选取规则如下：沿轮廓四周均布，并依据材料流入量均匀程度增减，即在流入量变化大的区域增加其设置数量；

3)借助CAD软件，计算有限元模拟出的无缺陷及各种缺陷情况下冲压件坯料轮廓与原始坯料轮廓的各个特征点的偏移量；

4)根据模拟后冲压结果手动标注正常和缺陷类型，将各个数据样本的各特征点偏移量及缺陷类型，保存呈数据集格式，随机分成训练数据集、验证数据集和测试数据；

B、构建BP神经网络模型；

所述BP神经网络包含3部分：输入层、二层隐藏层以及输出层；

输入层输入坯料轮廓特征点距离偏差值，输出层输出分类标签，类型包括：正常、破裂、起皱、表面擦伤、压/凹痕、塌陷、暗坑、凸包、翘曲和回弹；

神经元激活函数选用线性修正单元ReLU,其公式为：

f(x)=max(0,x)

其中，x为神经元的输入；

输出层激活函数为Softmax分类器，将冲压缺陷输出结果转化为概率值，其计算公式如下：

其中，a表示输入Softmax分类器的向量的第i个值；

y;表示输出结果y的第i个值，即，输入样本预测为属于类别i的概率；

a;表示输入Softmax分类器的向量的第j个值，T表示缺陷类别数；

通过网络模型的前向传播过程计算结果，利用反向传播及梯度下降算法对网络参数进行优化；优化器选择自适应学习率优化算法Adam,Adam是一种自适应参数更新算法，用于