基于深度学习的汽车冲压件缺陷预测

摘要

近年来随着CAE技术的不断发展,尤其是板材一步及多步逆成形CAE仿真技术的日趋成熟,汽车冲压件的可成形性预测被引入到产品设计的早期,纠正设计缺陷,从而能够有效缩短开发周期,提高工业产品数字化设计质量.但是,逆成形仿真技术虽然很大程度上简化了前处理过程,能够直接在产品最终零件上直接进行可成形性分析预测,但必要的人工交互(比如网格划分、冲压方向选取等)还是必需的,同时逆成形仿真求解计算一般需要几f'秒到几分钟,对于造型工程师而言不仅导致工作效率下降,也意味着有较高创造性要求的造型思路不断被打断.针对该问题,本文以汽车覆盖件CAE成形仿真结果为基础构建数据集,结合近年来兴起的深度学习技术将前述CAE成形仿真数据集转化为专家经验,从而实现在产品设计早期对零件的可成形性进行实时预测.由于目前国内外相关研究很少,尤其国内尚未检索到相关研究,没有专门针对汽车冲压件缺陷相关公开的数据集,本文以某车型整车数据为基础利用自主研发的KMAS/Onestep软件构造了汽车覆盖件成形仿真分析的厚度云图及对应的高斯曲率云图5985多张,训练集包括云图3591张,测试集包括云图1197张,之后基于Faster R-CNN神经网络搭建了汽车覆盖件缺陷预测训练模型,算例结果表明对于起皱和破裂缺陷的综合预测准确度(AP)为67.lg％,实现了在产品早期设计阶段对冲压缺陷实时预测,对产品造型工程师具有重要指导意义.