汽车冲压件缺陷预测分析助力产品前期开发应用!

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十秒到几分钟，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/One-step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 67.19%，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。

关键词

深度学习；Faster R-CNN；冲压件成形仿真数据集；成形缺陷预测

引言

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十秒到几分钟，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，因此在产品早期设计阶段如何进行实时的可成形性预测就成为亟需克服的关键问题。

近年来兴起的深度学习技术为解决上述问题提供了可能，也开始有学者将人工智能引入到板材冲压成形领域中，Dhumal等人在2012年提出了一种利用人工神经网络（ANN）来预测钢材坯料在拉延过程中的最大拉延深度和外轮廓线[1]，与有限元软件的分析结果相比，具有较高的准确度。Rahman等人在2016年提出一种统计特征的人工神经网络识别器[2]，以较小的网络架构减少了工作量，用来检测冲压过程中金属材料所产生的非正常变化（unnatural variation），与原始方法相比，该方法准确率高达100%，可以进行实时检测。Hossein Rafizadeh等人在2017提出一种基于人工神经网络的拉延过程起皱的预测方法[3]，通过改变拉延过程中材料的参数,分别用人工神经网络方法和响应面法（response surface methodology）进行预测，对比发现，采用人工神经网络的方法进行预测具有更高的准确度，结果表明通过改变凸模圆角是减小起皱的最有效的方法。李兵等人在2017年提出了一种基于BP人工神经网络的油箱端盖拉深成形仿真预测方法[4]，大大减少了数值模拟的求解时间和试验成本，BP神经网络和数值模拟之前最大误差值仅为2.15%，使得BP人工神经网络预测类似产品拉深成形质量仿真成为了可能。Chokshi在2017年提出了一种新的基于人工神经网络（ANN）的相位分布预测模型[5]，用于定制热冲压过程中的相位分布预测。该模型是使用热机械物理模拟实验和基于纳米压痕的相位量化方法生成的数据开发和验证的，最终预测与实验生成的数据表现出良好的一致性。Yang ZJ等人在2018年提出了一种三维CNN网络来获取三维材料微观结构和宏观尺度的非线性映射[6]，结果表明，这种方法可以预测具有多种微观结构的高对比度弹性复合材料的宏观尺度，有较高精度和低计算成本。

综上所述,目前的相关研究主要集中在拉伸过程中，而基于深度学习的汽车覆盖件可成形性预测尚未检索到相关研究。因此,本文针对产品早期设计阶段可成形性预测的实时性要求，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，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/One-step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，图 1是基于深度学习的冲压件缺陷预测研究路线图。

图1 研究路线图

1、基于KMAS/One-step的汽车冲压件数据库的构建

构建数据库共需要经历CAD模型筛选，CAD模型几何清理，利用KMAS/One-step计算零件展开厚度云图和零件高斯曲率图等几个过程，具体技术路线如下图所示。

图 2 技术路线图

1.1 CAD 模型筛选

筛选汽车冲压件 CAD 模型是数据库构造的基础工作。为了满足深度学习对数据规模的要求，本次数据库构造选取了绝大多数汽车覆盖件，包括汽车左、右翼子板；A/B柱，左、右侧围，发动机盖等零部件的 CAD 数据模型。而这些 CAD 模型绝大多数是从 Chery，BMW，Jeep等汽车品牌的整车模型中选取出来的，CAD 模型总计 354 件。

1.2 CAD 模型几何清理

由于汽车覆盖件一般都是一次拉深成形，而且零部件又不能出现擦伤或者波纹缺陷。而在工业界拉深件都要经过翻边展开、缺口填补和工艺补充才能成为满足工艺要求的品质良好的零部件。考虑到本文选取的 CAD 模型结构复杂，数量庞大，所以对 CAD 模型进行了裁剪卷边、补充缺失面和删除多余面等操作。图3为CAD模型几何清理示意图。

图 3 CAD 模型几何清理

1.3 基于 UG 的 one_step 生成零件厚度云图并截取视图

下一步的工作就是对经过几何清理的 CAD 模型利用 UG 中一步逆成型和高斯曲率分析处理，计算出冲压件模型的厚度云图和零件曲率云图。最后，以模型冲压方向为旋转轴，每隔 15°截取模型的厚度云图和高斯曲率云图。接下来本文以一个典型的方盒零件为例给出上述的数据集构造过程。

零件厚度云图

首先利用KMAS/One-step软件计算模型厚度云图，如下图所示。

图 4 厚度云图

图 5 高斯曲率分析云图

截取模型厚度云图和高斯曲率云图

本次实验要求每个零件获取 24 张厚度云图视图和 24 张高斯云图视图，且厚度云图与高斯云图要一一对应，即在同一位置分别截取厚度云图和高斯曲率云图。以零件某个平面法线为旋转轴，每隔 15°旋转一次零件，并截取厚度云图和高斯曲率云图各一张，将零件旋转一周（360°）为止。图 6为连续截取的 24 张厚度云图，图 7为连续截取的 24 张高斯云图。

图 6厚度云图

在本次研究中，厚度云图用于生成标签 XML 文件使用，而高斯曲率云图用于神经网络训练、验证和测试使用。

图 7 高斯曲率云图

Pascal_VOC 数据集的制作

本文建立的数据集以Pascal VOC2007标准为参考，由于厚度云图和高斯曲率云图中零部件在图像中的位置完全吻合，所以在厚度云图上进行标注的效果和直接在曲率云图标注效果是一样的，而厚度云图可以反映冲压件在冲压后的褶皱和破裂信息，为此，本文将对冲压件厚度云图进行标注。其中云图中最厚的地方标注为褶皱（Wrinkling），最薄的地方标注为破裂(Crack)。图 8为方盒件标签制作示意图。

图 8 标签制作示意图

2、基于 Faster R-CNN 的冲压件缺陷研究

2.1 Fast R-CNN 网络模型

Fast RCNN 是在 RCNN 的基础上进一步优化而得到，它能够把物体检测的类别概率和位置同时输出[7]。Fast RCNN 网络结构如下图 9 所示：

图 9 Fast RCNN 网络结构

Fast RCNN 中每个 ROI 都会被池化成同一大小的特征图，然后输入到全连接层中。由从图9可知，每个 ROI 都有 2 个输出即 Softmax 概率和检测框偏移量。图 10 为 Fast RCNN 详细网络模型。其中在 roi_pool 阶段输入 P 个候选区域信息[7]。

图 10 Fast RCNN 网络参数

两个平行全连接层的输入是第五阶的特征，而在之后就是分类和位置调整阶段，如图 11 所示。

图 11 分类和位置调整

2.2Faster R-CNN 网络结构模型

本文基于Faster R-CNN所实现的网络模型如图12所示。其算法可以分为区域建议网络（RPN）和 Fast RCNN 两部分。

图 12 Fast R-CNN 简化模型

研究采用 VGG16 网络为特征提取模型，VGG16模型结构如图13 所示：

图 13VGG16 网络参数

由上图可知 VGG16 有 13 层卷积层，3 层全连接层。正是由于 VGG16 深度深的优点，更能很好的提取特征，所以成为很受欢迎的网络模型。而本文研究采用的 VGG16 结构和上述网络是有区别的，基于VGG16 的 Faster R-CNN 只使用了上图全连接层前面的网络结构。

图 14 是基于 VGG16 的 Faster R-CNN 网络结构。从图中不难看出，特征图（feature map）以前的部分正是 VGG16 部分。Faster R-CNN 工作过程可以分为以下几个过程：

（1）输入的图片经过卷积操作提取到图片特征，得到 feature map；

（2）feature map 输入到区域建议网络（RPN），得到候选框。

（3）使用分类器判断候选框内容类别；

（4) 回归器进行位置调整。

图 14基于 VGG16 的 Faster R-CNN

2.3 冲压件缺陷预测实验

冲压件缺陷预测算法目的是对工件在冲压中产生的缺陷的类别和所在位置实现预测。本文基于 Faster R-CNN 网络模型实现的冲压件缺陷具体实验流程如图 15 所示。将冲压件的高斯云图作为训练好的 Faster R-CNN 网络的输入，系统最后会将预测的缺陷类别和概率大小以及其所在位置都一一标注在图片之上。其中红色的区域为预测的缺陷位置，而蓝色的文字和数字表示缺陷类别以及其概率大小。

图 15 Faster R-CNN 网络结构

2.4评价标准

Precision-Recall 曲线

为了评价一个分类器的质量，常用 Precision-Recall（精确度-召回率）的曲线去度量。以信息检索为例，Precision（精确度）往往是衡量结果相关性的指标，而 Recall（召回率）常常用来衡量返回真正先关的指标。Precision-Recall 曲线能权衡在不同阈值下的 Precision 和 Recall。

一般情况下，如果一个系统其 Recall 的值较高，而 Precision 的值较低，那么表明模型返回了很多预测结果，但是预测结果与真实值（标签）相比较，大多数的预测都是错误的。若系统有较高的 Precision 值和较低的 Recall 值，那么情况恰恰相反。表明系统返回的预测值较少，大多数的预测值都是正确的。

图 16IoU 示意图

2.5实验结果

经统计，本文训练的标签矩形框边长主要集中在30-130mm区间内，而原始锚框边长在90-725mm之间，所以锚框尺寸相较于本训练集而言偏大，需要修改锚框大小，适应标签矩形框，从而提高预测准确度。本文作者决定使用ResNet101作为Faster R-CNN特征选取网络，来提高模型预测准确度。下表为采用不同模型和锚框大小在测试集上检测的结果。

从上表可以看出，采用ResNet101作为模型特征提取网络效果较VGG16有所提升，准确度提高了19.56%，原因在于锚框值减小之后，可以将较小的缺陷区域框选出来，大大提高了准确度。

经过对训练后的 Faster R-CNN 在测试集上测试，现在对其性能进行评估。首先查看 Precision-Recall 曲线，如图 17 和 18 所示。

图 17 褶皱的 Precision-Recall 曲线

图 18 褶皱的 Precision-Recall 曲线

由上图可以看出：褶皱和破裂的 Precision-Recall 曲线走势基本重合，说明在该网络模型中，针对褶皱和破裂的预测精度相当，比较均衡。

由于 Precision-Recall 不能准确的衡量网络模型的性能，还需比较褶皱与破裂的 AP 值和 mAP 值，如图 19 所示。

图 19 测试结果

由上图可知，本文提出的基于深度学习的汽车冲压件缺陷预测的综合精度为 67.19%，而破裂（Crack）的精度能达到 76.12%，但是褶皱（Wrinkling）的精度达到61.25%。

其它实验结果如下图所示。

图 20预测结果

图 2.12 中，上面的图片是厚度云图，中间图片是高斯云图上显示的人工标记的标签，下面的图片是 Faster R-CNN 预测结果。通过对预测结果和高斯云图上人工标记的标签对比发现，缺陷类型基本正确，且缺陷位置与人工标记的位置大致相同，漏选和错选现象较少，基本满足实验预期。

3、结论

本文针对产品早期设计阶段可成形性预测的实时性这一关键问题，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。以某整车数据为基础，利用自主研发的KMAS/One-step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3951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 67.13%，其中破裂（crack）的精度达到76.12%，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。

作者：张向奎 刘光彬 佟罡 胡平 申国哲 王长生 祝雪峰