(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210963897.2 (22)申请日 2022.08.11 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 王自立　周涛涛　张树有　谭建荣　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 林超 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于Bo-LSTM的金属管件全弯段截面轮 廓渐进预测方法 (57)摘要 本发明公开了一种基于Bo ‑LSTM的金属管件 全弯段截面轮廓渐进预测方法。 对弯曲成形工艺 参数进行采样， 按照工艺参数进行仿真， 对仿真 结果数据进行截面提取， 对全弯段截面数据进行 序列表征， 对截面序列表征进行工艺参数特征的 维度拓展； 然后， 初始化Bo ‑LSTM网络的超参数并 训练处理好的数据、 根据验证集上 RMSE更新网络 超参数、 迭代生成最终预测模型； 最后用训练好 的模型渐进地预测成形过程中的全弯段截面轮 廓数据， 得到后续时刻的金属管件全弯段截面轮 廓。 采用本发 明可以提高金属管件弯曲成形过程 中全弯段截面轮廓的预测精度， 为有效干预成形 过程、 实现高精度成形提供基础。 权利要求书2页 说明书6页 附图4页 CN 115329485 A 2022.11.11 CN 115329485 A 1.一种基于Bo ‑LSTM的金属管件全弯段截面轮廓渐进预测方法， 其特征在于， 包括以下 步骤： 1)对金属管件成形工艺中的可调参数进行拉丁超立方采样， 得到采样后的工艺参数 表； 2)根据步骤1的工艺参数表， 对每组可调参数均进行对应参数下成形过程的仿真， 获得 金属管件 全弯段的仿真结果数据； 3)对仿真结果数据进行截面提取， 包括结点分组、 最近邻结点搜索和通过插值方法获 得截面轮廓点； 4)基于截面轮廓的向量描述， 对全弯段截面数据进行序列表征， 转换为适合神经网络 输入的形式； 5)通过引入工艺参数特征， 对全弯段截面数据的序列表征进行维度扩展， 获得融合工 艺参数的截面轮廓向量描述； 6)设计基于Bo ‑LSTM的深度学习网络并初始化超参数， 训练采用步骤5处理后的数据， 根据验证集上的均方根 误差RMSE更新网络超参数， 迭代生成最终预测模型； 7)对待测的金属管件， 输入工艺参数和某一角度弯角下的全弯段截面轮廓数据， 使用 步骤6训练好的模型渐进预测金属管件成形过程中后续弯角下的金属管件全弯段截面轮 廓。 2.根据权利 要求1所述的一种基于Bo ‑LSTM的金属管件全弯段截面轮廓渐进预测方法， 其特征在于， 所述步骤1中的可调参数包括管件外径、 管件壁 厚、 弯曲半径、 管件与 弯曲模的 摩擦系数、 管件与压模的摩擦系数、 管件与防皱模的摩擦系数、 助推速度、 压模起始 位置、 弯 曲速度。 3.根据权利 要求1所述的一种基于Bo ‑LSTM的金属管件全弯段截面轮廓渐进预测方法， 其特征在于， 所述步骤2中， 每组参数对应的仿真结果数据包括弯曲角度从0 °到α每隔设定 角度Δθ 的仿真结果数据。 4.根据权利 要求1所述的一种基于Bo ‑LSTM的金属管件全弯段截面轮廓渐进预测方法， 其特征在于， 所述 步骤3中， 将仿真结果数据中的结点 坐标信息导入Matlab进行点云处 理： 3.1)结点分组： 将管件弯曲前位于同一条母线上的结点划分为同一组， 同组的各个结点根据序号大小 沿母线单调排列； 3.2)最近邻结点搜索： 对于每组结点， 按组内结点序号大小依次遍历所有的相邻两结点， 当下述不等式成立 时， 对应的相邻两结点S1、 S2为同组结点中距离目标截面平面的最近邻两点A、 B： [tan(OS1)‑tan( θp)]*[tan(OS2)‑tan( θp)]＜0 其中， S1、 S2分别为同组结点中的相邻两结点； tan(OS1)、 tan(OS2)分别为OS1、 OS2与弯曲 起始平面夹角的正切值， tan( θp)为目标截面平面与弯曲起始 平面夹角的正切值； 目标截面平面为距离弯曲起始平面夹角为θp的平面， θp＝p*Δθ， 0≤p≤n， n＝α/ △θ， α 为弯曲起始 平面和弯曲终止平面之间的夹角； 3.3)通过插值方法获得截面轮廓点 Q： OQ＝(DB*OA+DA*OB)/AB权　利　要　求　书 1/2 页 2 CN 115329485 A 2其中， O为金属管件弯 曲中心， Q为金属管件截面轮廓点； A、 B为各组结点中距离目标截 面平面最近的两点且分列平面两侧； D为目标截面平面与直线AB的交点。 5.根据权利 要求1所述的一种基于Bo ‑LSTM的金属管件全弯段截面轮廓渐进预测方法， 其特征在于， 所述 步骤4中： 截面内轮廓和外轮廓的全弯段截面数据的序列表征为： lT＝(L1T， L2T， ...LNT) 其中， T表示当前弯 曲时刻； l表示整个弯 曲段， L表示弯 曲段上截面的向量描述， N表示 全弯段内的截面数量； 弯曲段上截面轮廓的向量描述L是由截面右半侧轮廓上各个采样点到截面中心Omid的 距离依次排列构成的多维向量； 其中， 截面中心Omid取为截面轮廓最左点和最右点的中点； 截面轮廓上的采样点是以截面 中心为中心， 按照角度间隔 均匀分布的截面轮廓点， 截面轮廓点 通过步骤3获得。 6.根据权利 要求1所述的一种基于Bo ‑LSTM的金属管件全弯段截面轮廓渐进预测方法， 其特征在于， 所述步骤5中， 特征维度扩展为在 截面的多维向量描述L中加入了步骤1的可调 参数， 获得融合工艺 参数的截面轮廓向量描述 L。 7.根据权利 要求1所述的一种基于Bo ‑LSTM的金属管件全弯段截面轮廓渐进预测方法， 其特征在于， 所述 步骤6中： Bo‑LSTM深度学习网络包括预测模型A和预测模型B， 均由序列输入层、 LSTM层、 全连接 层和回归层构成， 并采用贝叶斯优化算法获得LSTM层的隐藏单元数、 全连接层的神经元数 量、 初始化学习率、 L2正则化 参数的最优配置； 两个预测模型的输入均为当前弯曲时刻下融合工艺参数的全弯段截面轮廓向量描述， 记输入的全弯段上截面轮廓的数量为N； 预测模型A的输出为下一弯曲时刻下前N个融合工 艺参数的截面轮廓向量描述； 预测模型B的输出为下一弯曲时刻下后N个融合工艺参数的截 面轮廓向量描述； 深度学习网络最终的预测结果为结合两个预测模型的输出， 对两个预测模型输出的重 合部分数据取平均。 8.根据权利 要求1所述的一种基于Bo ‑LSTM的金属管件全弯段截面轮廓渐进预测方法， 其特征在于， 所述 步骤7中： 渐进预测模式是根据前一弯角的全弯段截面轮廓数据预测后一弯角的全弯段截面轮 廓， 再将预测 值根据实际反馈修正后作为后续预测的输入数据， 进而预测出后续弯角的全 弯段截面轮廓。权　利　要　求　书 2/2 页 3 CN 115329485 A 3