CN119399201B - 基于生成对抗网络的电辅助渐进成形盲区温度预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于生成对抗网络的电辅助渐进成形盲区温度预测方法，获取板料电辅助渐进成形时，板料加工区域热成像图像被遮挡的盲区温度图，以及获取板料加工区域热成像图像无遮挡的无盲区温度图；构建生成对抗网络模型，其输入为盲区温度图，其输出为无盲区温度图；通过步骤1获取的盲区温度图和无盲区温度图训练得到盲区温度预测模型；将待预测的盲区温度图通过盲区温度预测模型实现盲区温度预测。通过生成对抗网络提供盲区温度预测，提升成形温度的控制精准性，从而提升最终产品质量。

Description

基于生成对抗网络的电辅助渐进成形盲区温度预测方法及 系统

技术领域

本发明涉及渐进成形加工，具体是涉及一种基于生成对抗网络的电辅助渐进成形盲区温度预测方法及系统。

背景技术

渐进成形是一种柔性板料成形技术，它通过一个简单的几何形状刀具，按照预设的路径在板料上逐步施加力，使材料逐渐变形为所需的形状。此技术的最大优点在于其能够实现无模成形，大大缩短了生产准备时间和降低了成本，同时提高了生产灵活性，非常适合小批量、多品种的生产模式。此外，渐进成形设备结构简单，易于操作，能够快速响应市场变化。

不过，当使用成形性较差的材料，比如钛合金等进行零件制造时，渐进成形仍面临挑战。为解决这个问题，通常会采用提高温度的方法来改善材料的成形性能。加热策略包括整体加热和局部加热两种。其中，电辅助渐进成形作为一种局部加热方式，展现了显著的优势。电辅助渐进成形技术能够在不加热整个工件的情况下，仅对成形区域进行局部加热，这不仅节约了能源，还避免了非成形区域因温度过高而发生不必要的塑性变形，同时减少了板材表面的氧化问题。

这项技术已被成功应用于镁合金、铝合金等多种金属材料的成形中。特别是TC4合金等钛合金，因其出色的疲劳强度、耐腐蚀性、高强度重量比以及良好的生物相容性，成为航空航天、汽车和医疗等领域的重要材料。然而，其物理特性决定了其在成形过程中对温度极为敏感，因此，对成形温度的精准控制成为了保证最终产品质量的关键因素之一。

在温度监测方面，传统方法是使用热电偶直接接触板材或加热系统来采集温度数据。这种方法虽然简便，但由于热传导的延迟及热损失，导致测量结果与实际温度存在偏差。红外热成像能够实时测量运动中的物体温度，但其缺点是局部区域容易受到加工设备阻挡的影响，尤其是在刀具附近，这会导致温度图像不能反映加工变形区域的温度分布。

发明内容

发明目的：针对以上缺点，本发明提供一种解决红外热成像无法测得被阻挡的盲区温度分布问题的基于生成对抗网络的电辅助渐进成形盲区温度预测方法及系统。

技术方案：为解决上述问题，本发明采用一种基于生成对抗网络的电辅助渐进成形盲区温度预测方法，包括以下步骤：

步骤1：获取板料电辅助渐进成形时，板料加工区域热成像图像被遮挡的盲区温度图，以及获取板料加工区域热成像图像无遮挡的无盲区温度图；

步骤2：构建生成对抗网络模型，其输入为盲区温度图，其输出为无盲区温度图；通过步骤1获取的盲区温度图和无盲区温度图训练得到盲区温度预测模型；

步骤3：将待预测的盲区温度图通过盲区温度预测模型实现盲区温度预测。

进一步的，所述获取板料加工区域热成像图像无遮挡的无盲区温度图包括通过电辅助单点渐进成形有限元仿真获取无盲区温度图，通过电辅助单点渐进成形实验在板料与工具接触的反侧设置红外热成像仪获取无盲区温度图。

进一步的，所述生成对抗网络模型包括生成网络和对抗网络，所述生成网络用于根据盲区温度图生成无盲区温度图；所述对抗网络用于判断输入是真实的无盲区温度图还是生成网络生成的无盲区温度图，所述生成网络和对抗网络进行交替训练，得到盲区温度预测模型。

进一步的，获取的盲区温度图和无盲区温度图划分为训练数据集和测试数据集，通过训练数据集对生成网络和对抗网络进行交替训练，训练达到预设次数时，停止训练，得到已训练模型，通过测试数据集对已训练模型进行测试，若测试结果满足要求，则将已训练模型作为盲区温度预测模型；若测试结果不满足要求，则调整生成网络和对抗网络的参数，通过训练数据集进行重新训练。

进一步的，所述生成网络的生成过程具体为：

盲区温度图通过裁剪、缩放、剔除盲区后得到特征图F1；

特征图F1经过二维卷积模块处理后得到特征图F2；

特征图F2经过空洞卷积模块处理后得到特征图F3；

特征图F3经过反卷积模块处理后得到特征图F4；

特征图F4与特征图F1进行拼接，得到特征图F5，特征图F5作为生成的无盲区温度图。

进一步的，所述二维卷积模块包括依次连接的步长为1×1的5×5第一卷积池化层、步长为2×2的3×3第二卷积池化层、步长为1×1的3×3第三卷积池化层、步长为2×2的3×3第四卷积池化层、步长为1×1的3×3第五卷积池化层。

进一步的，所述空洞卷积模块包括依次连接的步长为1×1且空洞率为2的3×3第一空洞卷积池化层，步长为1×1且空洞率为4的3×3第二空洞卷积池化层，步长为1×1且空洞率为8的3×3第三空洞卷积池化层，步长为1×1且空洞率为16的3×3第四空洞卷积池化层。

进一步的，所述反卷积模块包括依次连接的步长为1×1的3×3第一卷积池化层、步长为1×1的5×5第二卷积池化层，步长为1/2×1/2的4×4第三反卷积池化层、步长为1×1的3×3第四卷积池化层、步长为1/2×1/2的4×4第五反卷积池化层、步长为1×1的3×3第6卷积池化层。

进一步的，所述对抗网络包括依次连接的五个步长为2×2的5×5卷积池化层，一个全连接层。

本发明还采用一种基于生成对抗网络的电辅助渐进成形盲区温度预测系统，包括：

数据获取模块，用于获取板料电辅助渐进成形时，板料加工区域热成像图像被遮挡的盲区温度图，以及获取板料加工区域热成像图像无遮挡的无盲区温度图；

模型构建模块，用于构建生成对抗网络模型，其输入为盲区温度图，其输出为无盲区温度图；通过获取的盲区温度图和无盲区温度图训练得到盲区温度预测模型；

预测模块，用于将待预测的盲区温度图通过盲区温度预测模型实现盲区温度预测。

基于生成对抗网络的电辅助渐进成形盲区温度预测方法，即包括构建数据集、构建生成网络、构建对抗网络、训练模型、测试模型、实用模型得到温度图像。其中数据集来源于有限元仿真得到的温度分布图和电辅助单点渐进成形的反面红外测温图，训练模型得到刀具、工件、夹具通电时的温度分布规律，并结合非盲区的温度图计算得到盲区的温度预测分布，最后该预测分布与非盲区的温度图拼合予以输出展示。

有益效果：本发明相对于现有技术，其显著优点是通过生成对抗网络不但可以提供盲区温度预测的能力，还由于是综合有限元仿真数据以及电辅助单点渐进成形反面温度的真实数据来进行预测，可相比较于基于单维度的有限元仿真数据进行常规预测的方案，具有更高的预测准确性和真实性，利于提升成形温度的控制精准性，从而提升最终产品质量。

附图说明

图1为本发明预测方法的流程示意图。

图2为本发明中研究对象电辅助渐进成形的原理图。

图3为本发明中电辅助单点渐进成形实验设备图。

图4为本发明中生成对抗网络模型的构建过程示意图。

图5为本发明中生成网络的生成过程示意图。

图6为本发明中二维卷积模块的结构示意图。

图7为本发明中空洞卷积模块的结构示意图。

图8为本发明中反卷积模块的结构示意图。

图9为本发明中对抗网络的结构示意图。

图10为本发明中电辅助渐进成形板料被遮挡的实时红外温度图像。

图11为本发明中电辅助渐进成形盲区未被遮挡的温度图像。

图12为本发明中预测模型的预测误差示意图。

具体实施方式

如图1所示，本实施例中的一种基于生成对抗网络的电辅助渐进成形盲区温度预测方法，解决现有技术对电辅助渐进成形红外热成像无法测得被阻挡的盲区温度分布问题，预测被阻挡盲区中的温度分布，便于成形温度的精准控制以保证最终产品质量。利用图像处理中应用图像补全问题的方式，针对红外热成像仪所得热成像，使用生成对抗网络预测电辅助渐进成形盲区温度。包括以下步骤：

步骤1：通过电辅助单点渐进成形有限元仿真和电辅助单点渐进成形实验构建用于电辅助渐进成形盲区温度预测模型训练的训练数据集和测试数据集，包括板料加工区域热成像图像被遮挡的盲区温度图，以及板料加工区域热成像图像无遮挡的无盲区温度图。电辅助单点渐进成形实验在板料与工具接触同侧（正面）、与工具接触反侧（反面）设置红外热成像仪，分别得到盲区温度图和无盲区温度图。

步骤2：构建生成对抗网络模型，其输入为盲区温度图，其输出为无盲区温度图；通过获取的盲区温度图和无盲区温度图训练数据集训练得到盲区温度预测模型。生成对抗网络模型包括生成网络和对抗网络，生成网络用于根据电辅助渐进成形盲区被遮挡的盲区温度图生成盲区未被遮挡的无盲区温度图；对抗网络用于判断输入的无盲区温度图是真实的温度图还是机器生成的温度图。通过训练数据集对生成网络和对抗网络进行交替训练，当训练达到一定次数时，停止训练，得到已训练模型；利用测试数据集对已训练模型进行测试，若测试结果满足要求，则将该模型作为最终的电辅助渐进成形盲区温度预测模型；若测试结果不满足要求，调整网络参数，通过训练数据集对生成网络和对抗网络重新训练。

如图5所示，所述生成网络的生成过程具体为：盲区温度图经过裁剪、缩放、剔除盲区后得到特征图F1，特征图F1经过二维卷积模块，得到特征图F2；特征图F2经过空洞卷积模块，得到特征图F3；特征图F3经过反卷积模块，得到特征图F4；特征图F4与特征图F1进行拼接，得到特征图F5，特征图F5作为生成的无盲区温度图。

如图6所示，二维卷积模块包括依次连接的五个部分，第一个部分依次包括步长为1×1的5×5卷积层和池化层；第二、四部分依次包括步长为2×2的3×3卷积层和池化层；第三、五部分依次包括步长为1×1的3×3卷积层和池化层。

采用二维卷积模块中的步长为2×2的卷积有助于降低温度图的分辨率以压缩信息。这使得在后续处理过程中，计算的效率得到了增强，并产生更好的去噪效果。

如图7所示，空洞卷积模块包括依次连接的四个部分，第一个部分依次包括步长为1×1且空洞率为2的3×3空洞卷积层和池化层；第二个部分依次包括步长为1×1且空洞率为4的3×3空洞卷积层和池化层；第三个部分依次包括步长为1×1且空洞率为8的3×3空洞卷积层和池化层；第四个部分依次包括步长为1×1且空洞率为16的3×3空洞卷积层和池化层。

采用空洞卷积模块中的空洞卷积，使得网络能够增大感受野，在尽量获取更大范围内的图像信息的同时不损失额外的信息。采用空洞率不同的空洞卷积可以使网络在不同尺度下感知图像的特征，在获取更丰富的信息的同时，有助于理解噪声图像中不同尺度的纹理结构。这使得整个网络模型更具通用性，可以在不同工艺参数的场景下应用于温度预测任务。

如图8所示，反卷积模块包括依次连接的六个部分，第一、四、六个部分依次包括步长为1×1的3×3卷积层和池化层；第二个部分依次包括步长为1×1的5×5卷积层和池化层；第三、五个部分依次包括步长为1/2×1/2的4×4反卷积层和池化层。

如图9所示，对抗网络包括依次连接的五个步长为2×2的5×5卷积层和池化层，一个全连接层。

步骤3：将待预测的盲区温度图通过盲区温度预测模型实现盲区温度预测，将如图10所示的电辅助渐进成形实时红外温度图像，输入到盲区温度预测模型，得到如图11所示，实时的电辅助渐进成形盲区未被遮挡的温度图像，预测模型的预测误差如图12所示。

Claims (7)

1.一种基于生成对抗网络的电辅助渐进成形盲区温度预测方法，其特征在于，包括以下步骤：

步骤1：获取板料电辅助渐进成形时，板料加工区域热成像图像被遮挡的盲区温度图，以及获取板料加工区域热成像图像无遮挡的无盲区温度图；所述获取板料加工区域热成像图像无遮挡的无盲区温度图包括通过电辅助单点渐进成形有限元仿真获取无盲区温度图，通过电辅助单点渐进成形实验在板料与工具接触的反侧设置红外热成像仪获取无盲区温度图；

步骤2：构建生成对抗网络模型，其输入为盲区温度图，其输出为无盲区温度图；通过步骤1获取的盲区温度图和无盲区温度图训练得到盲区温度预测模型；所述生成对抗网络模型包括生成网络和对抗网络，所述生成网络用于根据盲区温度图生成无盲区温度图；所述对抗网络用于判断输入是真实的无盲区温度图还是生成网络生成的无盲区温度图，所述生成网络和对抗网络进行交替训练，得到盲区温度预测模型；

所述生成网络的生成过程具体为：

盲区温度图通过裁剪、缩放、剔除盲区后得到特征图F1；

特征图F1经过二维卷积模块处理后得到特征图F2；

特征图F2经过空洞卷积模块处理后得到特征图F3；

特征图F3经过反卷积模块处理后得到特征图F4；

特征图F4与特征图F1进行拼接，得到特征图F5，特征图F5作为生成的无盲区温度图；

步骤3：将待预测的盲区温度图通过盲区温度预测模型实现盲区温度预测。

2.根据权利要求1所述的电辅助渐进成形盲区温度预测方法，其特征在于，获取的盲区温度图和无盲区温度图划分为训练数据集和测试数据集，通过训练数据集对生成网络和对抗网络进行交替训练，训练达到预设次数时，停止训练，得到已训练模型，通过测试数据集对已训练模型进行测试，若测试结果满足要求，则将已训练模型作为盲区温度预测模型；若测试结果不满足要求，则调整生成网络和对抗网络的参数，通过训练数据集进行重新训练。

3.根据权利要求2所述的电辅助渐进成形盲区温度预测方法，其特征在于，所述二维卷积模块包括依次连接的步长为1×1的5×5第一卷积池化层、步长为2×2的3×3第二卷积池化层、步长为1×1的3×3第三卷积池化层、步长为2×2的3×3第四卷积池化层、步长为1×1的3×3第五卷积池化层。

4.根据权利要求2所述的电辅助渐进成形盲区温度预测方法，其特征在于，所述空洞卷积模块包括依次连接的步长为1×1且空洞率为2的3×3第一空洞卷积池化层，步长为1×1且空洞率为4的3×3第二空洞卷积池化层，步长为1×1且空洞率为8的3×3第三空洞卷积池化层，步长为1×1且空洞率为16的3×3第四空洞卷积池化层。

5.根据权利要求2所述的电辅助渐进成形盲区温度预测方法，其特征在于，所述反卷积模块包括依次连接的步长为1×1的3×3第一卷积池化层、步长为1×1的5×5第二卷积池化层，步长为1/2×1/2的4×4第三反卷积池化层、步长为1×1的3×3第四卷积池化层、步长为1/2×1/2的4×4第五反卷积池化层、步长为1×1的3×3第6卷积池化层。

6.根据权利要求4所述的电辅助渐进成形盲区温度预测方法，其特征在于，所述对抗网络包括依次连接的五个步长为2×2的5×5卷积池化层，一个全连接层。

7.一种基于生成对抗网络的电辅助渐进成形盲区温度预测系统，其特征在于，包括：

数据获取模块，用于获取板料电辅助渐进成形时，板料加工区域热成像图像被遮挡的盲区温度图，以及获取板料加工区域热成像图像无遮挡的无盲区温度图；所述获取板料加工区域热成像图像无遮挡的无盲区温度图包括通过电辅助单点渐进成形有限元仿真获取无盲区温度图，通过电辅助单点渐进成形实验在板料与工具接触的反侧设置红外热成像仪获取无盲区温度图；

模型构建模块，用于构建生成对抗网络模型，其输入为盲区温度图，其输出为无盲区温度图；通过获取的盲区温度图和无盲区温度图训练得到盲区温度预测模型；所述生成对抗网络模型包括生成网络和对抗网络，所述生成网络用于根据盲区温度图生成无盲区温度图；所述对抗网络用于判断输入是真实的无盲区温度图还是生成网络生成的无盲区温度图，所述生成网络和对抗网络进行交替训练，得到盲区温度预测模型；

所述生成网络的生成过程具体为：

盲区温度图通过裁剪、缩放、剔除盲区后得到特征图F1；

特征图F1经过二维卷积模块处理后得到特征图F2；

特征图F2经过空洞卷积模块处理后得到特征图F3；

特征图F3经过反卷积模块处理后得到特征图F4；

特征图F4与特征图F1进行拼接，得到特征图F5，特征图F5作为生成的无盲区温度图；

预测模块，用于将待预测的盲区温度图通过盲区温度预测模型实现盲区温度预测。