一种板料回弹模型参数优化方法、装置、终端及存储介质

1.本申请涉及加工工艺领域，尤其涉及一种板料回弹模型参数优化方法。


背景技术：

2.金属板料工件是工业生产中的常见零件，其中，常用的金属板料工件包括v型工件。影响金属板料工件弯曲回弹的因素众多，工件尺寸，力学性能和负载条件等都使得板料的弯曲回弹难以得到有效控制。为了解决这种高度复杂的非线性控制问题，目前，在实际工程应用中常用的分析方法包括有限元法。但是，由于影响参数较多，用现有的有限元法分析板料回弹的过程极其复杂，且实施非常耗时。
3.因此，如何提高板料回弹分析的效率和精度成为了本领域技术人员亟需解决的技术问题。


技术实现要素：

4.本申请提供了一种板料回弹模型参数优化方法、装置、终端及存储介质，用于解决现有的有限元法需要引入大量的参数导致分析板料回弹的过程极其复杂，且实施非常耗时的技术问题。
5.有鉴于此，本申请第一方面提供了一种板料回弹模型参数优化方法，包括：
6.s1：获取板料加工的特征变量，并建立初始状态为空集的特征变量集合；
7.s2：通过sfs变量筛选方式，从所述特征变量中确定一个新增变量，并将所述新增变量添加至所述特征变量集合中；
8.s3：以所述特征变量集合为模型输入，通过svr模型进行模型训练和测试，得到当前的特征变量集合的测试工件参数；
9.s4：判断当前的所述特征变量集合中是否包含有所有的所述特征变量，若是，则执行步骤s5，若否，则返回步骤s2；
10.s5：将各个所述测试工件参数逐一与参考工件参数进行对比，分别得到各个所述测试工件参数对应的均方误差和决定系数，其中，所述参考工件参数为根据所述特征变量通过有限元法得到的工件参数或通过实际加工测出的工件参数；
11.s6：根据均方误差和决定系数的差值，确定差值最大的测试工件参数对应的目标特征变量集合。
12.可选地，所述步骤s2具体包括：
13.s21：根据预置的sfs新增变量筛选公式，从所述特征变量中确定一个新增变量，其中所述sfs新增变量筛选公式具体为：
[0014][0015]
式中，x
+
为所述新增变量，j(y
k
+x
+
)为变量筛选的目标函数，y
k
为所述特征变量集合；
[0016]
s22：将所述新增变量添加至所述特征变量集合中。
[0017]
可选地，所述步骤s6之后还包括：
[0018]
s7：以所述目标特征变量集合中的特征变量为输入变量，并输入样本数据进行模型训练，得到板料回弹模型。
[0019]
可选地，所述特征变量具体包括：板料长度、板料宽度、板料厚度、上模具圆角半径、上模具压下量、力学参数、上模具长度、模具单边间隙、上模具行进速度。
[0020]
可选地，所述测试工件参数和所述参考工件参数均包括：张开角和最小弯曲回弹半径。
[0021]
本申请第二方面提供了一种板料回弹模型参数优化装置，包括：
[0022]
变量获取单元，用于获取板料加工的特征变量，并建立初始状态为空集的特征变量集合；
[0023]
变量筛选单元，用于通过sfs变量筛选方式，从所述特征变量中确定一个新增变量，并将所述新增变量添加至所述特征变量集合中；
[0024]
测试结果获取单元，用于以所述特征变量集合为模型输入，通过svr模型进行模型训练和测试，得到当前的特征变量集合的测试工件参数；
[0025]
筛选循环判断单元，用于当前的所述特征变量集合中是否包含有所有的所述特征变量，若是，则执行参数对比单元，若否，则执行参数筛选单元；
[0026]
参数对比单元，用于将各个所述测试工件参数逐一与参考工件参数进行对比，分别得到各个所述测试工件参数对应的均方误差和决定系数，其中，所述参考工件参数为根据所述特征变量通过有限元法得到的工件参数或通过实际加工测出的工件参数；
[0027]
最优参数确定单元，用于根据均方误差和决定系数的差值，确定差值最大的测试工件参数对应的目标特征变量集合。
[0028]
可选地，所述变量筛选单元具体包括：
[0029]
新增变量确定子单元，用于根据预置的sfs新增变量筛选公式，从所述特征变量中确定一个新增变量，其中所述sfs新增变量筛选公式具体为：
[0030][0031]
式中，x
+
为所述新增变量，j(y
k
+x
+
)为变量筛选的目标函数，y
k
为所述特征变量集合；
[0032]
新增变量添加子单元，用于将所述新增变量添加至所述特征变量集合中。
[0033]
可选地，还包括：
[0034]
板料回弹模型构建单元，用于以所述目标特征变量集合中的特征变量为输入变量，并输入相应的样本数据进行模型训练，得到板料回弹模型。
[0035]
本申请第三方面提供了一种终端，包括：处理器和存储器；
[0036]
所述存储器用于存储与如本申请第一方面所述的板料回弹模型参数优化方法相对应的程序代码；
[0037]
所述处理器用于执行所述程序代码。
[0038]
本申请第四方面提供了一种存储介质，所述存储介质中保存有与如本申请第一方面所述的板料回弹模型参数优化方法相对应的程序代码。
[0039]
从以上技术方案可以看出，本申请具有以下优点：
[0040]
本申请提供了一种板料回弹模型参数优化方法，包括：s1：获取板料加工的特征变量，并建立初始状态为空集的特征变量集合；s2：通过sfs变量筛选方式，从特征变量中确定一个新增变量，并将新增变量添加至特征变量集合中；s3：以特征变量集合为模型输入，通过svr模型进行模型训练和测试，得到当前的特征变量集合的测试工件参数；s4：判断当前的特征变量集合中是否包含有所有的特征变量，若是，则执行步骤s5，若否，则返回步骤s2；s5：将各个测试工件参数逐一与参考工件参数进行对比，分别得到各个测试工件参数对应的均方误差和决定系数，其中，参考工件参数为根据特征变量通过有限元法得到的工件参数或通过实际加工测出的工件参数；s6：根据均方误差和决定系数的差值，确定差值最大的测试工件参数对应的目标特征变量集合。
[0041]
本申请通过sfs变量筛选方式将影响板料弯曲回弹的特征变量进行变量组合筛选，并根据筛选的变量组合进行训练，再根据由不同变量组合测出的测试工件参数与参考工件参数进行对比，从而确定出最优的建模变量组合，解决了现有的有限元法需要引入大量的参数导致分析板料回弹的过程极其复杂，且实施非常耗时的技术问题。
附图说明
[0042]
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0043]
图1为本申请提供的一种板料回弹模型参数优化方法的第一个实施例的流程示意图；
[0044]
图2为本申请提供的一种板料回弹模型参数优化方法的第二个实施例的流程示意图；
[0045]
图3为本申请提供的一种板料回弹模型参数优化方法的sfs
‑
svm算法的流程示意图；
[0046]
图4为本申请提供的一种板料回弹模型参数优化装置的第一个实施例的结构示意图；
[0047]
图5为加载和保持步中上模压下到坯料完全接触状态下的坯料的mises应力分布云图；
[0048]
图6为上模移开卸载后板料发生回弹后的示意图；
[0049]
图7为对照组得到的上模移开卸载后板料发生回弹后的示意图。
具体实施方式
[0050]
本申请实施例提供了一种板料回弹模型参数优化方法、装置、终端及存储介质，用于解决现有的有限元法需要引入大量的参数导致分析板料回弹的过程极其复杂，且实施非常耗时的技术问题。
[0051]
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述
的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0052]
请参阅图1和图3，本申请的第一个实施例提供了一种板料回弹模型参数优化方法，包括：
[0053]
步骤101：获取板料加工的特征变量，并建立初始状态为空集的特征变量集合。
[0054]
需要说明的是，首先，构建特征变量集合，用于保存获取到的板料加工的各个特征变量，并作为后续步骤中模型训练的输入变量，具体的，初始建立的特征变量集合为空集。
[0055]
更具体的，获取的特征变量具体包括：板料长度l、板料宽度b、板料厚度t、上模具圆角半径r、上模具压下量e、力学参数σ
s
/e、上模具长度d、模具单边间隙c、上模具行进速度v。
[0056]
步骤102：通过sfs变量筛选方式，从特征变量中确定一个新增变量，并将新增变量添加至特征变量集合中。
[0057]
需要说明的是，当首次执行步骤102时，需要从步骤101获取到的特征变量中确定出一个新增变量，将该新增变量添加到特征变量集合中，若为非首次执行步骤102，则在保存有已筛选变量的特征变量集合的基础上，从未被筛选的特征变量中继续确定一个新增变量，将该新增变量添加到特征变量集合中。
[0058]
步骤103：以特征变量集合为模型输入，通过svr模型进行模型训练和测试，得到当前的特征变量集合的测试工件参数。
[0059]
需要说明的是，利用svr模型，以通过步骤102得到的特征变量集合为模型输入，对svr模型进行训练，并用训练好的模型进行测试，得到当前的特征变量集合的测试工件参数。
[0060]
更具体的，本实施例的工件参数具体包括：张开角和最小弯曲回弹半径
[0061]
步骤104：判断当前的特征变量集合中是否包含有所有的特征变量，若是，则执行步骤105，若否，则返回步骤102。
[0062]
需要说明的是，若当前的特征变量集合中已经包含有步骤101获取的所有的特征变量，则停止循环，可以开始执行步骤105，若否，则返回执行步骤102。
[0063]
步骤105：将各个测试工件参数逐一与参考工件参数进行对比，分别得到各个测试工件参数对应的均方误差和决定系数。
[0064]
需要说明的是，将各个测试工件参数逐一与参考工件参数进行对比，分别计算出每一组测试工件参数相比于参考工件参数的均方误差和决定系数。
[0065]
其中，本实施例的参考工件参数为根据特征变量通过有限元法得到的工件参数或通过实际加工测出的工件参数，具体的，通过三维扫描测量仪扫描弯曲成形后的零件并获得三维的点云数据，然后将获得的数据导入计算机辅助设计软件中完成建模，最后将模型导入有限元分析软件获取成形零件的张开角α和板料圆角半径r，或者根据同样加工参数对实体板料进行加工，然后测出成形零件的张开角α和板料圆角半径r。
[0066]
步骤106：根据均方误差和决定系数的差值，确定差值最大的测试工件参数对应的目标特征变量集合。
[0067]
需要说明的是，接着，根据均方误差和决定系数的差值，确定差值最大的测试工件
参数对应的目标特征变量集合，并以此作为最优的模型参数组合。
[0068]
更具体地，以v型工件的加工结果为例，基于本实施例提及的板料长度l和板料宽度b等7个输入参数的值，模型导入有限元分析软件后可以求解获得弯曲成形零件回弹后的张开角α，板料圆角半径r，即可获得sfs
‑
svm算法训练和测试用数据样本集，实验中样本集共有95行，如表1所示，表2给出了板料长度l和板料宽度b等7个输入变量对sfs
‑
svr模型的目标α和r的预测结果的变量相关度排序情况，参数说明见表2，从表2中可以看出，7个输入变量中对输出结果α和r的相关度排序位于前4的分别是板料厚度t，模具单边间隙c，上模圆角半径r和上模行进速度v。
[0069]
表1.sfs
‑
svm算法训练和测试用数据样本集
[0070][0071]
表2输入变量的相关度排序结果
[0072][0073]
表3所示是一个由sfs
‑
svm模型降维分析获得的最优变量集{t,c,r,v}的详细数据表，我们看到，当维数为4时，特征变量子集由{t、c、r、v}(板料厚度t，模具单边间隙c，上模圆角半径r和上模行进速度v)组成时，算法拥有较高的模型决定系数(r2＝0.972213)和较低的均方误差(mse＝0.00411)，算法模型的预测精度相对较高。
[0074]
表3.特征变量筛选示例(测试集)
[0075][0076]
对v形弯曲回弹进行有限元数值分析，并对回弹试验结果进行验证，有限元分析分三个步骤进行，即加载步，保持步和卸载步。图5给出的是加载和保持步中上模压下到坯料完全接触状态下的坯料的mises应力分布云图，可以清晰地看到，与加载步骤相比，圆角部分mises应力在卸载步发生了少许增大趋势，这主要是弯曲回弹效应导致的结果，另外，从图6中可以看到，塑性变形区主要集中在圆角处，其它区域，尤其是板料上端变形较小，甚至可以看做是刚性平移区，图6给出上模移开卸载后板料发生回弹后的示意图，这是由于板料内部在发生塑性变形的时候，由于弹性变形的存在，导致卸载后，板料发生弹性回复，回弹后的张开角α，板料圆角半径如图6所示。
[0077]
在板料长度l取80mm，板料宽度b取60mm，板料厚度t取3mm，上模圆角半径r取10mm，材料的力学参数σ
s
/e取0.00412，模具单边间隙c取10mm，上模行进速度v取10mm/s，基于常规的实验模具和设备进行v型件弯曲实验，实测得的曲成形零件回弹后的张开角α，板料圆角半径r分别为44.6
°
和11.5mm，。
[0078]
而对照组的实验按照abaqus有限元方法进行，基于abaqus/explicit模块求解塑
性成形中非线性动力学问题，由于板料(工件)的长度和宽度方向尺寸远大于厚度方向尺寸，因此其塑性变形可以看着是一个平面应变过程，模拟成形过程中，将上模和下模看作刚性体，板料为拉格朗日弹塑性变形体，板料材料为表面硬化合金结构钢20mocr4，杨氏模量212gpa，泊松比为0.3，采用厚壳小应变单元s4r，网格类型为8节点六面体线性减缩积分单元。板料尺寸取值范围：厚度t在2到5mm内取值，长l在80到100mm内取值，宽度b在40到80mm内取值，弯曲成形后v型板料的张开角α在42
°
到46
°
范围内变化，v型板料圆角半径r在8到12mm内变化，板料有限元模型如图7所示。
[0079]
对比按照abaqus有限元方法获得的数据，本申请提供的sfs
‑
svm算法和弯曲实验获得弯曲成形零件回弹后的张开角α，板料圆角半径r，结果如表4所示，从表4可以看出，和弯曲实验结果对比，abaqus有限元方法计算的α相对误差为4.7％，r相对误差为8.7％，而采用sfs
‑
svm算法的α相对误差为1.6％，r相对误差为6.9％，基于64核的cpu，进行一次abaqus有限元计算需时为1小时13分钟48秒，sfs
‑
svm算法需时12分13秒，时间成本远低于abaqus有限元计算，并且精度也可以得到保证。
[0080]
表4.不同实验方法测得的张开角α和r的结果对比
[0081][0082]
鉴于工件尺寸和力学性能等诸多因素使得v型工件的弯曲回弹难以预测。本实施例以板料回弹后的张开角α和弯曲回弹半径r为目标函数，采用支持向量机(svm)模型部署到顺序向前筛选算法(sfs)中以高效筛选出最优的特征变量参数子集，从而使构建出来的弯曲回弹模型具有较高的预测精度。
[0083]
以上为本申请提供的一种板料回弹模型参数优化方法的第一个实施例的详细说明，下面为本申请提供的一种板料回弹模型参数优化方法的第二个实施例的详细说明。
[0084]
请参阅图2，在上述提供的第一个实施例的基础上，本实施例的步骤102具体包括：
[0085]
步骤1021：根据预置的sfs新增变量筛选公式，从特征变量中确定一个新增变量，其中sfs新增变量筛选公式具体为：
[0086][0087]
式中，x
+
为新增变量，j(y
k
+x
+
)为变量筛选的目标函数，y
k
为特征变量集合；
[0088]
步骤1022：将新增变量添加至特征变量集合中。
[0089]
另外，本实施例在步骤106之后还包括：步骤107；
[0090]
步骤107：以目标特征变量集合中的特征变量为输入变量，并输入样本数据进行模型训练，得到板料回弹模型。
[0091]
本实施例以板料回弹后的张开角α和最小弯曲回弹半径r为双目标函数，采用支持
向量机(svm)模型部署到顺序向前筛选算法(sfs)中以高效筛选出最优的特征变量参数子集，并以此最优特征变量参数子集构建板料回弹模型，简化了模型构建的参数复杂度，同时使构建出来的弯曲回弹模型具有较高的预测精度。
[0092]
以上为本申请提供的一种板料回弹模型参数优化方法的第二个实施例的详细说明，下面为本申请提供的一种板料回弹模型参数优化装置的第一个实施例的详细说明。
[0093]
请参阅图4，本申请第三个实施例提供了一种板料回弹模型参数优化装置，包括：
[0094]
变量获取单元301，用于获取板料加工的特征变量，并建立初始状态为空集的特征变量集合；
[0095]
变量筛选单元302，用于通过sfs变量筛选方式，从特征变量中确定一个新增变量，并将新增变量添加至特征变量集合中；
[0096]
测试结果获取单元303，用于以特征变量集合为模型输入，通过svr模型进行模型训练和测试，得到当前的特征变量集合的测试工件参数；
[0097]
筛选循环判断单元304，用于当前的特征变量集合中是否包含有所有的特征变量，若是，则执行参数对比单元305，若否，则执行变量筛选单元302；
[0098]
参数对比单元305，用于将各个测试工件参数逐一与参考工件参数进行对比，分别得到各个测试工件参数对应的均方误差和决定系数，其中，参考工件参数为根据特征变量通过有限元法得到的工件参数或通过实际加工测出的工件参数；
[0099]
最优参数确定单元306，用于根据均方误差和决定系数的差值，确定差值最大的测试工件参数对应的目标特征变量集合。
[0100]
可选地，变量筛选单元302具体包括：
[0101]
新增变量确定子单元3021，用于根据预置的sfs新增变量筛选公式，从特征变量中确定一个新增变量，其中sfs新增变量筛选公式具体为：
[0102][0103]
式中，x
+
为新增变量，j(y
k
+x
+
)为变量筛选的目标函数，y
k
为特征变量集合；
[0104]
新增变量添加子单元3022，用于将新增变量添加至特征变量集合中。
[0105]
可选地，还包括：
[0106]
板料回弹模型构建单元307，用于以目标特征变量集合中的特征变量为输入变量，并输入相应的样本数据进行模型训练，得到板料回弹模型。
[0107]
以上为本申请提供的一种板料回弹模型参数优化装置的第一个实施例的详细说明，下面为本申请提供的一种终端和一种存储介质的详细说明。
[0108]
本申请第四个实施例提供了一种终端，包括：处理器和存储器；
[0109]
存储器用于存储与如本申请第一个实施例和第二个实施例提及的板料回弹模型参数优化方法相对应的程序代码；
[0110]
处理器用于执行程序代码。
[0111]
本申请第五个实施例提供了一种存储介质，存储介质中保存有与如本申请第一个实施例和第二个实施例提及的板料回弹模型参数优化方法相对应的程序代码。
[0112]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0113]
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0114]
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0115]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0116]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0117]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0118]
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。