本发明涉及板料冲压成形，尤其涉及一种基于机器学习模型的冲压零件回弹补偿方法和装置。
背景技术：
1、板料冲压成形是一种利用模具和冲压设备对金属板料施加压力，从而获得具有一定形状、尺寸和性能的冲压零件的金属塑性成形方法，广泛应用于航空航天、汽车机车、电机电器、日用品制造等工业领域的。由于板料在成形过程中既发生了塑性变形，也同时发生了弹性变形，因此成形件从模具中取出后由于负荷卸载会产生一定的回弹变形，严重影响着冲压件的成形质量和尺寸精度。铝合金和高强钢工件的回弹量很大，是冲压制造中较为棘手的难题。随着汽车轻量化趋势的不断发展，铝合金和高强钢的应用日益普及，板料冲压的回弹问题也愈发受到冲压行业的关注，需要采用模具型面反向补偿技术解决。
2、传统的回弹补偿技术有两种。一种是基于实际零件检测的实物加工试错法，即根据实际零件成型后的检测数据采用多轮反复的“零件偏差量检测、模具型面调整、模具加工再生产、零件偏差量再检测、模具型面再调整”的试错方法，该方法不仅需要技术人员依靠工艺经验预判模面补偿量，而且耗费大量的人力和物力。另一种是基于有限元数值模拟的数值迭代试错法，即根据冲压成形cae仿真的回弹预测结果采用多轮反复的“零件回弹后的偏差值预测、模具型面调整、冲压成形cae仿真、零件回弹后的偏差值再预测、模具型面再调整”的虚拟试错方法，该方法的有效性完全取决于冲压成形仿真的计算精度。因此，在实际模具制作过程中，当冲压件尺寸实测结果超差需要进行回弹处理时，技术人员需要基于零件实测偏差量靠工艺经验进行实物加工试错；或者基于零件实测偏差量校正有限元数值预测精度再次通过冲压成形cae仿真技术进行虚拟的回弹补偿试错。综上所述，传统的冲压零件回弹补偿方法对技术人员的工艺经验和冲压成形仿真技术的依赖性很强。不同的工艺经验、不同的冲压成形仿真软件以及对软件不同的掌握程度均会导致不同的试错迭代过程，需要较大的模具开发成本和制作周期。
3、近年来随着人工智能技术的迅速发展，机器学习方法开始应用于工程制造领域，可以对大量的数据进行处理和分析，发现数据中的规律和模式，并给出相应的结果和决策，从而提高生产效率。目前，尚没有将机器学习算法应用于冲压零件回弹补偿技术的相关报导。
4、因此，如何采用机器学习算法建立一种以数据驱动的冲压零件回弹补偿模型，提高模具设计效率的同时，保证冲压零件尺寸精度，成为亟待解决的技术问题。
技术实现思路
1、有鉴于此，为了克服现有技术的不足，本发明旨在提供一种基于机器学习模型的冲压零件回弹补偿方法和装置。
2、根据本发明的第一方面，提供一种基于机器学习模型的冲压零件回弹补偿方法，该方法包括：
3、为冲压零件设置工艺参数条件，为设置的工艺参数条件设置初始值，获得初始工艺参数条件；
4、对冲压零件进行有限元采样，通过cae成形仿真回弹预测和补偿计算，获得初始工艺参数条件下的样本数据；
5、遍历初始工艺参数条件中的参数，循环调整每个参数的参数值，获得样本数据集；
6、对样本数据集进行预处理，采用预处理后的样本数据集对机器学习模型进行训练，获得回弹补偿大数据模型；
7、将冲压零件的实测偏差矢量值作为输入，通过回弹补偿大数据模型获得预测的回弹补偿矢量值。
8、优选地，本发明基于机器学习模型的冲压零件回弹补偿方法中，工艺参数条件包括成形工艺参数条件和材料参数条件，所述成形工艺参数包括成形压边力、润滑条件参数、成形速度参数，所述材料参数条件包括零件尺寸参数。
9、优选地，本发明基于机器学习模型的冲压零件回弹补偿方法中，对冲压零件进行有限元采样，通过cae成形仿真回弹预测和补偿计算，获得初始工艺参数条件下的样本数据，包括：将冲压零件的有限元模型的单元节点作为采样位置点，通过cae成形仿真回弹预测和补偿计算，获得冲压零件各采样位置点回弹后的尺寸偏差矢量值和回弹补偿矢量值，将获得的冲压零件各采样位置点回弹后的尺寸偏差矢量值和回弹补偿矢量值作为初始工艺参数条件下的样本数据。
10、优选地，本发明基于机器学习模型的冲压零件回弹补偿方法中，遍历初始工艺参数条件中的参数，循环调整每个参数的参数值，获得样本数据集，包括：
11、遍历初始工艺参数条件中的参数，循环调整每个参数的参数值，获得调整后的对应工艺参数条件；
12、在每个对应工艺参数条件下，对冲压零件进行有限元采样，通过cae成形仿真回弹预测和补偿计算，获得对应工艺参数条件下的样本数据；
13、将初始工艺参数条件下的样本数据以及各个对应工艺参数条件下的样本数据作为样本数据集。
14、优选地，本发明基于机器学习模型的冲压零件回弹补偿方法中，对样本数据集进行预处理，采用预处理后的样本数据集对机器学习模型进行训练，获得回弹补偿大数据模型，包括：
15、对样本数据集进行归一化前处理，对归一化处理后的样本数据集进行数据增强，将增强后的样本数据集作为训练输入数据；
16、采用基于卷积神经网络算法的机器学习模型对训练输入数据进行训练，通过将模型预测值与期望回弹补偿矢量值的偏差作为损失函数，构建回弹补偿大数据模型。
17、根据本发明的第二方面，提供一种基于机器学习模型的冲压零件回弹补偿装置，该装置包括回弹补偿服务端，所述回弹补偿服务端用于：为冲压零件设置工艺参数条件，为设置的工艺参数条件设置初始值，获得初始工艺参数条件；对冲压零件进行有限元采样，通过cae成形仿真回弹预测和补偿计算，获得初始工艺参数条件下的样本数据；遍历初始工艺参数条件中的参数，循环调整每个参数的参数值，获得样本数据集；对样本数据集进行预处理，采用预处理后的样本数据集对机器学习模型进行训练，获得回弹补偿大数据模型；将冲压零件的实测偏差矢量值作为输入，通过回弹补偿大数据模型获得预测的回弹补偿矢量值。
18、优选的，本发明基于机器学习模型的冲压零件回弹补偿装置中，回弹补偿服务端包括：
19、数据采集模块，用于为冲压零件设置工艺参数条件，为设置的工艺参数条件设置初始值，获得初始工艺参数条件；对冲压零件进行有限元采样，通过cae成形仿真回弹预测和补偿计算，获得初始工艺参数条件下的样本数据；遍历初始工艺参数条件中的参数，循环调整每个参数的参数值，获得样本数据集；
20、模型构建模块，用于对样本数据集进行预处理，采用预处理后的样本数据集对机器学习模型进行训练，获得回弹补偿大数据模型；
21、回弹补偿预测模块，用于将冲压零件的实测偏差矢量值作为输入，通过回弹补偿大数据模型获得预测的回弹补偿矢量值。
22、优选的，本发明基于机器学习模型的冲压零件回弹补偿装置中，数据采集模块，具体用于：
23、为冲压零件设置工艺参数条件，为设置的工艺参数条件设置初始值，获得初始工艺参数条件；
24、将冲压零件的有限元模型的单元节点作为采样位置点，通过cae成形仿真回弹预测和补偿计算，获得冲压零件各采样位置点回弹后的尺寸偏差矢量值和回弹补偿矢量值，将获得的冲压零件各采样位置点回弹后的尺寸偏差矢量值和回弹补偿矢量值作为初始工艺参数条件下的样本数据；
25、遍历初始工艺参数条件中的参数，循环调整每个参数的参数值，获得调整后的对应工艺参数条件；在每个对应工艺参数条件下，对冲压零件进行有限元采样，通过cae成形仿真回弹预测和补偿计算，获得对应工艺参数条件下的样本数据；将初始工艺参数条件下的样本数据以及各个对应工艺参数条件下的样本数据作为样本数据集。
26、优选的，本发明基于机器学习模型的冲压零件回弹补偿装置中，工艺参数条件包括成形工艺参数条件和材料参数条件，所述成形工艺参数包括成形压边力、润滑条件参数、成形速度参数，所述材料参数条件包括零件尺寸参数。
27、优选的，本发明基于机器学习模型的冲压零件回弹补偿装置中，模型构建模块，具体用于：对样本数据集进行归一化前处理，对归一化处理后的样本数据集进行数据增强，将增强后的样本数据集作为训练输入数据；采用基于卷积神经网络算法的机器学习模型对训练输入数据进行训练，通过将模型预测值与期望回弹补偿矢量值的偏差作为损失函数，构建回弹补偿大数据模型。
28、根据本发明的第三方面，提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明第一方面所述的方法。
29、本发明的基于机器学习模型的冲压零件回弹补偿方法和装置，基于物理模型的有限元数值模型进行数据生成，通过有限元仿真预测完成数据采集，并由此自动建立零件偏差值和回弹补偿值的规律，产生回弹补偿大数据模型，用于根据零件实测偏差直接预测得到最优回弹补偿结果，可以避免了传统方法中的试错迭代过程，从而能够快捷、有效并且低成本地完成冲压模具型面补偿。
1.一种基于机器学习模型的冲压零件回弹补偿方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于机器学习模型的冲压零件回弹补偿方法，其特征在于，工艺参数条件包括成形工艺参数条件和材料参数条件，所述成形工艺参数包括成形压边力、润滑条件参数、成形速度参数，所述材料参数条件包括零件尺寸参数。
3.根据权利要求1所述的基于机器学习模型的冲压零件回弹补偿方法，其特征在于，对冲压零件进行有限元采样，通过cae成形仿真回弹预测和补偿计算，获得初始工艺参数条件下的样本数据，包括：将冲压零件的有限元模型的单元节点作为采样位置点，通过cae成形仿真回弹预测和补偿计算，获得冲压零件各采样位置点回弹后的尺寸偏差矢量值和回弹补偿矢量值，将获得的冲压零件各采样位置点回弹后的尺寸偏差矢量值和回弹补偿矢量值作为初始工艺参数条件下的样本数据。
4.根据权利要求1所述的基于机器学习模型的冲压零件回弹补偿方法，其特征在于，遍历初始工艺参数条件中的参数，循环调整每个参数的参数值，获得样本数据集，包括：
5.根据权利要求1所述的基于机器学习模型的冲压零件回弹补偿方法，其特征在于，对样本数据集进行预处理，采用预处理后的样本数据集对机器学习模型进行训练，获得回弹补偿大数据模型，包括：
6.一种基于机器学习模型的冲压零件回弹补偿装置，其特征在于，所述装置包括回弹补偿服务端，所述回弹补偿服务端用于：为冲压零件设置工艺参数条件，为设置的工艺参数条件设置初始值，获得初始工艺参数条件；对冲压零件进行有限元采样，通过cae成形仿真回弹预测和补偿计算，获得初始工艺参数条件下的样本数据；遍历初始工艺参数条件中的参数，循环调整每个参数的参数值，获得样本数据集；对样本数据集进行预处理，采用预处理后的样本数据集对机器学习模型进行训练，获得回弹补偿大数据模型；将冲压零件的实测偏差矢量值作为输入，通过回弹补偿大数据模型获得预测的回弹补偿矢量值。
7.根据权利要求6所述的基于机器学习模型的冲压零件回弹补偿装置，其特征在于，回弹补偿服务端包括：
8.根据权利要求7所述的基于机器学习模型的冲压零件回弹补偿装置，其特征在于，数据采集模块，具体用于：
9.根据权利要求7所述的基于机器学习模型的冲压零件回弹补偿装置，其特征在于，工艺参数条件包括成形工艺参数条件和材料参数条件，所述成形工艺参数包括成形压边力、润滑条件参数、成形速度参数，所述材料参数条件包括零件尺寸参数。
10.根据权利要求7所述的基于机器学习模型的冲压零件回弹补偿装置，其特征在于，模型构建模块，具体用于：对样本数据集进行归一化前处理，对归一化处理后的样本数据集进行数据增强，将增强后的样本数据集作为训练输入数据；采用基于卷积神经网络算法的机器学习模型对训练输入数据进行训练，通过将模型预测值与期望回弹补偿矢量值的偏差作为损失函数，构建回弹补偿大数据模型。
