[发明专利]基于图卷积网络的白车身点焊变形预测模型构建方法

说明书

本发明公开了一种基于图卷积网络的白车身点焊变形预测模型构建方法，包括如下步骤：1)获取焊点w_i的焊接特征和三维坐标构成特征向量x_i；提取每个三坐标测量点的设计三维坐标；2)经编码器编码后，分别得到焊点隐空间向量和测点隐空间向量；采用K近邻算法，构建图拓扑结构G；3)将所得图拓扑结构G进行图拉普拉斯特征向量分解并得到其频域分量，对每个频域分量所对应的特征值进行线性变换从而构建多层图卷积神经网络；每层图卷积神经网络均具有不同的频域滤波器，以自适应提取白车身每个测量点邻域内的力热动力信息；4)将每个测量点的力热动力信息分别输入深度神经网络，解码出各测量点的最终变形；5)优化模型。

技术领域

本发明属于焊接技术领域，具体的为一种基于图卷积网络的白车身点焊变形预测模型构建方法。

背景技术

白车身是一个以支撑部件为载体的钢结构，由上百个冲压薄板件通过焊接连接组成。其中电阻点焊因其良好的稳定性及易于实现自动化等诸多优良特点，成为白车身冲压件薄板连接最主要的焊接方式。电阻点焊通过在两电极与待焊工件间施加几百至几万安培的大电流，通过压力与焦耳热的联合作用使工件界面熔化并形成焊点，整个焊接过程涉及十分复杂的力热传递，对薄板材料变形具有显著影响。一辆汽车白车身含有约五千个以上的电阻点焊焊点，每个焊点都可能具有不同的工艺参数以及不同的焊接质量，数以千计的焊点在复杂的联合作用下共同导致白车身车体的整体变形，给白车身精度控制带来很大困扰。而其变形成因机理长期以来未被揭示，更缺乏有效的变形预测控制方法，给车企的生产质量及经济效益带来了阻碍。

当前国内汽车制造企业自动化生产线日趋成熟，且随着近来工业大数据的快速发展，汽车生产过程全周期海量数据得以被便捷、快速采集存储，包括白车身各焊点工艺参数、白车身车体变形三坐标在线测量数据等。随着海量数据的便捷采集及在当下智能制造及人工智能技术快速发展推动下，融合大数据智能诊断算法和智能决策预示的智能系统展现出了在海量制造数据中挖掘潜在规律的潜能，为汽车点焊变形精度预测控制难题带来了新的契机。

发明内容

有鉴于此，本发明的目的在于提供一种基于图卷积网络的白车身点焊变形预测模型构建方法，以实现对汽车白车身生产过程中因电阻点焊产生的最终变形进行快速预测。

为达到上述目的，本发明提供如下技术方案：

一种基于图卷积网络的白车身点焊变形预测模型构建方法，包括如下步骤：

1)获取白车身生产过程中的每个焊点及三坐标测量点；提取每个焊点w_i的焊接特征和三维坐标，并以焊点w_i的焊接特征和三维坐标构成特征向量x_i；提取每个三坐标测量点的设计三维坐标；

2)将所有焊点的特征向量分别输入深度神经网络MLP_1，经深度神经网络MLP_1的编码器encoder_1编码后，得到焊点隐空间向量；将每个三坐标测量点的设计三维坐标向量分别输入深度神经网络MLP_2，经深度神经网络MLP_2的编码器encoder_2编码后，得到测点隐空间向量；采用K近邻算法，为焊点隐空间向量和测点隐空间向量添加边际关系，构建图拓扑结构G；

3)将所得图拓扑结构G进行图拉普拉斯特征向量分解并得到其频域分量，对每个频域分量所对应的特征值进行线性变换从而构建多层图卷积神经网络；每层图卷积神经网络均具有不同的频域滤波器，以自适应提取白车身每个测量点邻域内的力热动力信息；

4)将每个测量点的力热动力信息分别输入深度神经网络MLP_3，经深度神经网络MLP_3的编码器decoder编码到三维坐标空间并解码出各测量点的最终变形，输出每个测量点的预测变形三维向量；

5)优化模型。

进一步，所述步骤1)中，焊接特征包括：