CN115906557A - 一种冲压件坯料轮廓偏移判定成形缺陷的智能检测方法 - Google Patents

Abstract

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压成形质量检测的人工依赖性，具有检测效率高、准确性高、成本低的优点。

Description

一种冲压件坯料轮廓偏移判定成形缺陷的智能检测方法

技术领域

本发明属于合金板材成形质量检测领域，具体涉及一种冲压件坯料轮廓偏移判定成形缺陷的智能检测方法。

背景技术

汽车的生产过程中，约有60％～70％的零部件是冲压件，如汽车引擎盖板，车架，汽车支撑件，钣金件等。这些零件对冲压成形技术精密性等要求高，质量要求严格。各种相关材料属性、工艺参数、模具结构及其有关参数的变化都会影响冲压成形质量。冲压件制造工艺水平不高可能会带来一系列问题，如破裂、起皱、表面擦伤、压凹痕、塌陷、暗坑、凸包、冲击线、滑移线、回弹、翘曲等缺陷。如果冲压件表面存在缺陷，最终成品的尺寸会发生偏差，并导致不同的电磁特性，最终产品的涂镀效果也会受到影响。

高效、准确的缺陷检测方法是得到高质量冲压产品的关键，只有在生产过程中，能够实时的反馈出冲压件的缺陷信息，才能够通过及时调整冲压参数避免产生大批量的缺陷件。国内制造企业对于检测产品质量，大多依靠专业的检测人员对产品进行检测。检测人员通过训练和对于不同缺陷的认知，对冲压产品进行依次检测。但人工检测具有效率低，检测能力依赖于检测人员自身情绪及工作态度等局限性。

针对这种情况，机器视觉提出了一种新的检测方法，即通过对计算机中冲压件图像的处理，使用不同的算法代替人眼的功能，得到图像中正确的有效信息，进而检测缺陷区域的形态和分布。机器视觉相较于人眼的优势在于，具有强大的运算能力以及对于结果的客观性，但其检测精度依赖于输入图像的分辨率，成本较高。且冲压缺陷种类众多，机器视觉仅适于检测较为明显的表面缺陷，对于暗坑、内裂、回弹、应变不足、厚度不均、过度减薄等缺陷则无能为力，因此人工检测的依赖性并未获得彻底解决。

发明内容

为解决上述技术难题，本发明提供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，能快速、准确依据坯料轮廓偏移判定有/无冲压缺陷及缺陷种类，有效提高冲压成形质量检测效率和准确性。

本发明采用以下技术方案来实现：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集。

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偏移量，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、翘曲和回弹等；

神经元激活函数选用线性修正单元(Rectified Linear Unit，ReLU)，其公式为：

f(x)＝max(0,x)

其中，x为神经元的输入。

输出层神经元激活函数为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_i表示输入Softmax分类器的向量的第i个值；

y_i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_j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，可以在训练过程中改变学习率的值，根据梯度的一阶矩估计和二阶矩估计提供自适应性学习率。

利用训练数据集样本图像进行模型训练；再利用验证数据集进一步监督模型的训练情况，及时调整参数，加快训练进度。

进一步的，所述步骤B中采用的损失函数为交叉熵损失函数，其定义公式为：

其中，y_n为第n个样本的真实值；

为第n个样本的预测值；

N为总测试样本数；

C、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，并将其作为训练好的BP神经网络模型输入值，输出缺陷分类结果。

步骤A 1)中，利用有限元软件进行冲压仿真模拟的具体步骤如下：

建立模具和坯料的三维几何仿真模型，输入经精确实测的材料模型、优化后工艺参数、接近实际的边界条件和冲压动作工序，模拟无缺陷产品冲压成形，输出对应的坯料轮廓模拟结果；根据实际工艺情况，以无缺陷产品模拟的输入参数为基准设置相应的偏差，包括在危险点设置原始坯料缺陷、改变材料参数、工艺参数和边界条件等，模拟成形过程中各类冲压缺陷，并输出相应的坯料轮廓模拟结果；

所述的原始坯料缺陷包括：厚度不均、表面粗糙度不均、暗坑、暗伤、凸包等；所述的材料参数包括：屈服、硬化模型相关参数等；所述的工艺参数包括：模具间隙、压边力、拉延筋系数等；所述的边界条件包括：凸凹模形状、摩擦系数、冲压速度等。

步骤A 4)中，根据模拟后冲压结果手动标注缺陷类型的方法如下：

评估有限元模拟出冲压件质量，人工进行分类，可分为两大类：一类为正常冲压件，标注为“正常”；另一类为存在缺陷的冲压件，对其存在的冲压缺陷进行细分，依次进行标注，标签列表为：{0：正常，1：破裂，2：起皱，3：表面擦伤，4：压/凹痕，4：塌陷，6：暗坑，7：凸包，8：翘曲，9：回弹，……}，坯料轮廓特征点偏移量与标注列表的数字一一对应，构建冲压缺陷数据库。

进一步的，步骤A4)中随机选择80％的样本作为训练数据集，10％的样本作为验证数据集，10％的样本作为测试数据集。

进一步的，步骤C中通过设置若干激光测距传感器，利用安装支架调整横向以及纵向高度来保证测量点与工件冲压件的坯料轮廓特征点位置重合，测量各特征点沿材料流入方向的偏移量。

本发明的有益效果：

本发明所涉及的冲压成形质量检测的智能建模主要依据精确的有限元模拟，因此数据样本获取成本低，建模效率高，所检测缺陷基本覆盖目前冲压拉延缺陷种类的绝大多数，这一点远超现有的机器视觉检测方法。本发明方法极大地缓解了目前冲压成形质量检测的人工依赖性，提高了产品质量检测效率。同时，本发明方法为冲压模具调试提供依据，改变目前依据模具钳工经验为主的模式，提高试模效率，从而降低企业成本。

附图说明

为了更清楚地介绍本发明实施例的工作流程，下面对实施例描述中所需要的附图做一个简单的介绍：

图1是本发明一种冲压件坯料轮廓偏移判定成形缺陷的智能检测方法的流程图；

图2是本发明计算模拟后坯料轮廓特征点偏移量示意图；图中短划线为坯料线，实线为进料线；

图3是本发明的神经网络模型示意图；

具体实施方式

下面结合附图，对本发明作详细的说明。

本发明提供一种冲压件坯料轮廓偏移判定成形缺陷的智能检测方法，其具体流程图如图1所示，具体包括以下步骤：

S1.冲压缺陷模拟：建立模具和坯料的三维几何仿真模型，输入经精确实测的材料模型、优化后工艺参数、接近实际的边界条件和冲压动作工序，模拟无缺陷产品冲压成形，输出对应的坯料轮廓模拟结果；根据实际工艺情况，以无缺陷产品模拟的输入参数为基准设置相应的偏差，包括在危险点设置原始坯料缺陷，改变材料模型、工艺参数和边界条件等，模拟成形过程中各类冲压缺陷，并输出相应的坯料轮廓模拟结果；

所述的原始坯料缺陷包括：厚度不均、表面粗糙度不均、暗坑、暗伤、凸包等；所述的材料参数包括：屈服、硬化模型相关参数等；所述的工艺参数包括：模具间隙、压边力、拉延筋系数等；所述的边界条件包括：凸凹模形状、摩擦系数、冲压速度等。

S2.数据库构建：需对有限元输出数据进行处理，得到用于神经网络的数据库。所述步骤S2具体包括以下步骤：

(1)计算模拟后坯料轮廓特征点偏移量，如图2所示，沿原始坯料轮廓布置若干个特征点，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。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，材料流入方向一般情况下为落料边界线法线方向。

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；

(2)评估有限元模拟出冲压件质量，人工进行分类，可分为两大类：一类为正常冲压件，标注为“正常”；另一类为存在缺陷的冲压件，对其存在的冲压缺陷进行细分，依次进行标注，标签列表为：{0：正常，1：破裂，2：起皱，3：表面擦伤，4：压/凹痕，4：塌陷，6：暗坑，7：凸包，8：翘曲，9：回弹，……}，坯料轮廓特征点偏移量与标注列表的数字一一对应，构建冲压缺陷数据库。

(3)数据库建立时随机选择80％的样本作为训练集，10％的样本作为验证集，10％的样本作为测试集。在训练完成后，测试集不需要制作文字标签，在神经网络训练完成的模型下预测出缺陷类型。

S3.冲压预测和分类：构建神经网络，实现冲压件坯料轮廓对冲压件缺陷的预测；所述步骤S3具体包括以下步骤：

(1)本发明选用BP神经网络，BP神经网络包含3部分：数据的输入层、隐藏层及输出层，其具体结构如图3所示。输入层输入坯料轮廓特征点偏移量，其神经元数量与所选取的特征点个数相等。隐藏层为网络中各神经元的连接结构，此处选用两层隐藏层。输出层输出测试集的分类标签。当给定输入数据、模型参数并确定了网络结构后，通过前向传播过程计算结果。还需利用反向传播及梯度下降算法对网络参数进行优化，通过将数据输入网络并不断进行反向传播优化算法，最终得到最优网络参数。

网络使用激活函数选用线性修正单元(Rectified Linear Unit，ReLU)，其公式为：

f(x)＝max(0,x)

其中，x为神经元的输入。与使用Tanh或Sigmoid等激活函数训练相比，ReLU激活函数训练速度要快得多。

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，可以在训练过程中改变学习率的值，根据梯度的一阶矩估计和二阶矩估计提供自适应性学习率。

输出层的激活函数为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_i表示输入Softmax分类器的向量的第i个值；

y_i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_j表示输入Softmax分类器的向量的第j个值，T表示缺陷类别数；

(2)设计缺陷判定网络模型的损失函数，利用训练集样本图像进行模型训练，监控指标选择准确率(accuracy)；再利用验证集进一步监督模型的训练情况，及时调整参数，加快训练进度。此处采用的损失函数为交叉熵损失函数(binary_crossentropy)，其定义公式为：

其中，y_n为第n个样本的真实值；

为第n个样本的预测值；

N为总测试样本数；

(3)利用训练好的智能判定模型进行冲压缺陷判断及分类，输出缺陷判断种类，统计缺陷判断结果。生产中可用激光测距快速准确地测量板材流入量，所述激光测距传感器通过调整安装支架横向以及纵向高度来保证测量点与工件轮廓特征点位置重合，测量特征点沿材料流入方向的偏移量。作为神经网络的输入，用训练好的神经网络快速准确对冲压缺陷进行判定。

Claims (6)

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_i表示输入Softmax分类器的向量的第i个值；

y_i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_j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，用于在训练过程中改变学习率的值，根据梯度的一阶矩估计和二阶矩估计提供自适应性学习率。

利用训练数据集样本进行模型训练；再利用验证数据集进一步监督模型的训练情况，及时调整参数，加快训练进度；

C、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，并将其作为训练好的BP神经网络模型输入值，输出缺陷分类结果。

2.根据权利要求1所述的冲压件坯料轮廓偏移判定成形缺陷的智能检测方法，其特征在于，所述步骤B中采用的损失函数为交叉熵损失函数，其定义公式为：

其中，y_n为第n个样本的真实值；

为第n个样本的预测值；

N为总测试样本数。

3.根据权利要求1所述的冲压件坯料轮廓偏移判定成形缺陷的智能检测方法，其特征在于，步骤A1)中，利用有限元软件进行冲压仿真模拟的具体步骤如下：

建立模具和坯料的三维几何仿真模型，输入经精确实测的材料模型、优化后工艺参数、接近实际的边界条件和冲压动作工序，模拟无缺陷产品冲压成形，输出对应的坯料轮廓模拟结果；根据实际工艺情况，以无缺陷产品模拟的输入参数为基准设置相应的偏差，包括在危险点设置原始坯料缺陷、改变材料参数、工艺参数和边界条件等，模拟成形过程中各类冲压缺陷，并输出相应的坯料轮廓模拟结果；

所述的原始坯料缺陷包括：厚度不均、表面粗糙度不均、暗坑、暗伤、凸包等；所述的材料参数包括：屈服、硬化模型相关参数等；所述的工艺参数包括：模具间隙、压边力、拉延筋系数等；所述的边界条件包括：凸凹模形状、摩擦系数、冲压速度等。

4.根据权利要求1所述的冲压件坯料轮廓偏移判定成形缺陷的智能检测方法，其特征在于，步骤A4)中，根据模拟后冲压结果手动标注缺陷类型的方法如下：

评估有限元模拟出冲压件质量，人工进行分类，可分为两大类：一类为正常冲压件，标注为“正常”；另一类为存在缺陷的冲压件，对其存在的冲压缺陷进行细分，依次进行标注，标签列表为：{0：正常，1：破裂，2：起皱，3：表面擦伤，4：压/凹痕，4：塌陷，6：暗坑，7：凸包，8：翘曲，9：回弹，……}，坯料轮廓特征点偏移量与标注列表的数字一一对应，构建冲压缺陷数据库。

5.根据权利要求1所述的冲压件坯料轮廓偏移判定成形缺陷的智能检测方法，其特征在于，步骤A4)中随机选择80％的样本作为训练数据集，10％的样本作为验证数据集，10％的样本作为测试数据集。

6.根据权利要求1所述的冲压件坯料轮廓偏移判定成形缺陷的智能检测方法，其特征在于，步骤C中通过设置若干激光测距传感器，利用安装支架调整横向以及纵向高度来保证测量点与工件冲压件的坯料轮廓特征点位置重合，测量各特征点沿材料流入方向的偏移量。

Images