基于多源输入多任务学习的数字孪生增强金属管材弯曲成形实时预测方法
机器学习
2022-07-05 v1 人工智能
摘要
作为应用最广泛的金属管材弯曲方法之一，旋转拉弯(RDB)工艺可实现可靠且高精度的金属管材弯曲成形(MTBF)。成形精度受到回弹及其他潜在成形缺陷的严重影响，其机理分析难以处理。同时，现有方法主要在离线空间中进行，忽略了物理世界中的实时信息，因而不可靠且低效。为解决该问题，提出一种基于多源输入多任务学习(MTL)的数字孪生增强(DT-enhanced)金属管材弯曲成形实时预测方法。新方法可实现全面的MTBF实时预测。通过在特征共享层和接收层共享多相近域的共同特征并采用组正则化策略，可保证多源输入MTL的精度与效率。在数字孪生增强下，通过改进的Grammy角场(GAF)转换在图像维度上对齐物理实时变形数据，实现对实际加工的反映。不同于传统离线预测方法，新方法融合虚拟与物理数据，实现更高效、更准确的实时预测结果，并可实现虚拟与物理系统之间的DT映射连接。为排除设备误差影响，在所验证的物理实验FE仿真场景下验证了所提方法的有效性。同时，将常用预训练网络与所提方法进行比较，结果表明所提DT增强预测方法更准确高效。
引用
@article{arxiv.2207.00961,
title = {Digital-twin-enhanced metal tube bending forming real-time prediction method based on Multi-source-input MTL},
author = {Chang Sun and Zili Wang and Shuyou Zhang and Taotao Zhou and Jie Li and Jianrong Tan},
journal= {arXiv preprint arXiv:2207.00961},
year = {2022}
}