摘要:为了解决模拟建模过程复杂、试验成本高、效率低的问题,提出了一种基于数据驱动的自冲铆接头成形质量预测方法。采用图像分割技术对试验获得的自冲铆接头截面图像进行预处理,生成了用于模型训练的接头成形截面类别区分图,详细标注了铆钉、上板、下板和背景的不同部分,为模型提供了丰富的视觉信息;基于试验图像获得模型的数据集,建立基于卷积神经网络的条件生成对抗模型体系结构的深度学习模型,将上下板材厚度与铆钉长度整合成一个包含3个标量的向量作为该网络模型的输入;在模型训练阶段,设计了15种不同的铆接工艺参数组合,分2个阶段对模型进行训练和预测,通过大量试验数据的训练和参数调整,模型的学习效果不断优化;在预测阶段,将模型的输出与试验获取的接头截面图像进行了对比分析,重点对标了钉脚张开度和残余底厚这2个关键几何参数。研究结果表明:训练后的深度学习模型可以准确预测不同基板厚度和铆钉长度组合的接头截面形状,钉脚张开度和残余底厚的平均预测精度分别为92.03%和92.48%;构建的自冲铆接头成形质量预测模型精度较高,提高了连接工艺的设计效率。
有色
2026年08月06日
1 点赞
0 评论
45 浏览