10.3969/j.issn.1004-132X.2023.07.010
基于深度学习的汽车梁类件冲压回弹研究
提出了基于深度学习的汽车梁类零件回弹预测方法.基于二维回弹理论,将三维梁类零件离散为若干截面,采用双平面投影法和图像二值化方法,将梁类零件的截面曲线转换为神经网络模型可识别的双通道图像数据.基于拉丁超立方采样法对影响梁结构零件的冲压工艺参数及板料材料参数变量进行采样,通过CAE回弹仿真得到后续深度学习网络的训练样本.为研究梁结构在不同几何截面、材料参数、工艺参数作用下的回弹问题,采用基于LeNet-5、AlexNet、NiN的卷积神经网络模型作为几何截面识别模型,同时使用全连接神经网络模型耦合材料参数和工艺参数的方法,得到该梁类零件回弹算法模型.以某汽车梁类结构零件作为研究对象,基于高斯混合聚类将回弹样本分为小回弹、中等回弹、大回弹三个类型.将各类回弹样本分别通过回弹算法模型进行验证,结果表明,基于AlexNet的模型准确度最高,同时算法鲁棒性相较于其他两种也更强,更适合梁类件的回弹预测.
梁类零件、冲压回弹、深度学习、拉丁超立方采样、高斯混合聚类
34
TG156;U466(金属学与热处理)
湖南省自然科学基金项目;柳州市科技计划;国家重点研发计划
2023-04-27(万方平台首次上网日期,不代表论文的发表时间)
共9页
838-846