基于多模态信息融合的分流孔分类方法.pdf
《基于多模态信息融合的分流孔分类方法.pdf》由会员分享,可在线阅读,更多相关《基于多模态信息融合的分流孔分类方法.pdf(6页珍藏版)》请在咨信网上搜索。
1、模具工业 2023年第49卷第10期基于多模态信息融合的分流孔分类方法周钢亮1,2,秦昊2,林卓胜1,张昱2(1.五邑大学 智能制造学部,广东 江门 529020;2.广东省科学院智能制造研究所,广东 广州 510075)摘要:为探究机器学习方法在挤压模设计智能化上的应用,结合型材截面图与数值分析,提出基于多模态信息融合的分流孔分类模型(CMMIF)。CMMIF利用卷积神经网络(CNN)实现型材面图像特征抽取,利用ReliefF算法对数值数据进行特征筛选,将2种不同的图像特征与数值特征进行融合。试验结果表明,与同基线模型对比CMMIF能有效表示分流孔特征,分类模型F1值为91.83%,实现对多
2、种模态信息的准确分类,该研究成果为实现挤压模分流孔的智能设计提供支撑。关键词:挤压模设计;机器学习;智能设计;多模态融合中图分类号:TG375.41 文献标识码:B 文章编号:1001-2168(2023)10-0020-06 DOI:10.16787/ki.1001-2168.dmi.2023.10.003Porthole classification method based on multimodal information fusionZHOU Gangliang1,2,QIN Hao2,LIN Zhuosheng1,ZHANG Yu2(1.Faculty of Intelligent
3、 Manufacturing,Wuyi University,Jiangmen 529020,China;2.Guangdong Institute of Intelligent Manufacturing,Guangzhou 510075,China)Abstract:In order to explore the application of machine learning method in the intelligent design of extrusion die,combined with the profile section and numerical analysis,a
4、 porthole classification model based on multimodal information fusion(CMMIF)was proposed.The CMMIF model utilized convolutional neural networks(CNN)to extract features for profile cross-section image feature extraction,used the ReliefF algorithm to carry out feature screening of numerical data,and t
5、wo different image features were fused with numerical features.The experiment results showed that the CMMIF model could adequately represent the characteristics of the porthole compared with the same baseline model,the F1 value of the classification model was 91.83%,and the accurate classification o
6、f multimodal information was realized,which provided strong support for the intelligent design of extrusion die porthole.Key words:extrusion die design;machine learning;intelligent design;multimode fusion0引 言在铝型材挤压模设计中,分流孔的设计是其重要组成部分及难点所在。根据型材面进行分流孔的设计较为困难,虽然有对应的设计原则,能够根据挤压比、型材面特性、挤压机压力、挤压产品数目及其排列位置
7、综合设计分流孔,但没有特定的公式可以参考,更多的是凭借以往的设计经验1-2。理论上,一种型材面存在多种可行的分流孔设计方案,可从模具可挤压性、经济性等综合因素判断较为合理的设计方案,模具设计师需花费大量时间调整设计分流孔,因此分流孔模具设计智能化具有重要的实际工程意义3,能够提升模具设计效率,但这同时对模具设计知识固化提出了挑战。目前,J LLORCA-SCHENK 等对分流孔设计进行几何数据的统计分析,拟合出2套线性与非线性的模具设计公式,并采用有限元模拟证实其有效性4。章弦采用人工智能与数值模拟方法研究挤压收稿日期:2023-07-20。基金项目:广东省重点领域研发计划项目(2021B01
8、01220006)。作者简介:周钢亮(1998-),男(汉族),浙江台州人,硕士研究生,主要研究方向:智能设计。通信作者:张 昱(1973-),男(汉族),湖北武汉人,研究员,主要研究方向:智能建模技术。20模具工业 2023年第49卷第10期模分流桥结构设计的优化5。于利伟归纳平面模与分流组合模的结构设计原则,将模具结构和工艺参数化,利用 MenuScript 脚本文件对 UG 进行二次开发6。M KAZUYA 等 提 出 通 用 锻 模 设 计 方 法GeneDie,结合专家系统改进了知识设计方法以实现模具智能设计7。以上学者结合不同方法研究模具设计,提供不同结构的设计方案,但采用机器学习
9、方法与分流孔结构研究较少。近年来,随着计算机运算能力的不断提升和机器学习与神经网络算法的快速发展,机器学习和深度学习在各行业得到应用。薛阳等采用卷积神经网络对不同模态数据提取特征并融合,在有噪声情况下可以较好判断滚动轴承的状况8。张胜文等构建深度学习零件特征分类器以及将加工零件图像特征化,能准确分类加工零件的结构9。张文广等提出基于残差网络构建迟滞特性图的检测方法,判断执行器的磨损老化状况,正确地对执行器进行迟滞 检 测10。C SUMAN 等 采 用 3 种 模 型(ResNet、VGG、CNN)提取不同模态特征,应用不同的注意力机制融合,输入全连接层,通过sigmoid函数最终输出预测分类
10、11。特征选择算法的数值数据处理能力出众,其中ReliefF算法属于过滤式特征选择方法,具有易实现、易结合的特点。ZHANG B S 等基于ReliefF算法提出随机多子空间的特征选择方法,在不同分类器下的试验结果都高于其他特征选择算法12;XUE Y等提出了一种基于ReliefF多目标算法的混合特征选择算法,能够充分利用过滤式与包裹式方法的优点,在切割大量特征的同时保证了良好的分类性能13。现针对当前机器学习在挤压模设计领域的缺失,构建分流孔模具设计数据库,通过数据增强手段,如几何变换、增加分流孔较少类别样本、平衡每类样本的数量。利用卷积神经网络模型(convolutional neural
11、 networks,CNN)对型材面提取图像特征,使用ReliefF算法筛选有效数值特征,以多模态融合的方式,构建一个基于多模态信息融合的分流孔分类模型(classification model based on multimodal information fusion,CMMIF),展开分流孔分类方法研究。最后在模具设计数据集上与主流基线模型进行试验对比,证实 CMMIF 在分流孔分类上具有优势。1模型的构建基 于 多 模 态 信 息 融 合 的 分 流 孔 分 类 模 型(CMMIF)的整体架构如图1所示,模型主要由3个主体部分构成,分别是基于卷积神经网络CNN的简单图像型材截面特征提取
12、、ReliefF算法选择分流孔设计相关数值特征和多模态融合与分类方法。1.1图片特征抽取对于图像模态部分,型材截面由黑色线条构成,属于简单图像,其中有效像素点占比较少,如果采用类似VGG、ResNet等深度神经网络,可能会导致无效像素点在特征向量中占比较重,而忽视型材截面图像。为了避免该问题,卷积神经网络作为提取特征的主要算法,设计了五层网络结构的CNN,如图2所示。CNN的输入是2562561的单通道图片,经过3个以33为卷积核卷积层与3个采用最大池化方法的池化层进行卷积提取图片特征,生成特征向量,以ReLU为激活函数14,用于保留图像的重要细节,同时能够减少参数。CNN的最后连接2个全连接
13、层,采用dropout方法15从网络中随机删除节点,减少网络的过拟合。该CNN结构简单,训练效率高,用于抽取型材截面的特征。图1CMMIF整体架构21模具工业 2023年第49卷第10期1.2数值特征选择分流孔数值属性多,维度较高,有非连续性数据,为了能够更好挖掘分流孔数值属性与分流孔的关系,采用ReliefF算法对数值数据进行建模,选择相关性较高的数值属性。ReliefF算法是对Relief算法的一种改进13,能够处理多分类的特征,该算法根据各个不同特征和类别的关联性计算其权重。分流孔数据库中提供8种特征值,分别是型材面名称、模具编号、最小外接圆直径、面积、周长、挤压机压力、型材材料和挤压比
14、。首先,随机从分流孔数据库中挑选一个训练样本R,并从样本R的相同类型的数据中获取 k 个近邻样本集合 H(Near Hits);其次,从样本R的不同类型样本的数据中找出k个最近邻样本 M(Near Misses);最后计算 R与 H和 M 中样本的距离,如果类间距大于类内距,增加该属性特征的权重W,反之则减少权重16。不断迭代更新n次后再将每个属性的特征权重取均值,根据设定阈值 a,筛选出大于阈值的特征12。算法流程如图 3所示。1.3多模态信息融合及分类CNN提取的图片特征与ReliefF算法选择的数值特征,采用 Concatenate函数实现特征融合,组成全新的长向量,该方法不仅能提升多模
15、态分类模型的性能,而且方式简单有效17。提取的型材截面特征向量表示为v1,(v1 R576)和v2,(v2 R4),将2个向量于同一阶进行组合,得到多模态特征向量如公式(1)所示。Y=v1v2,Y R580 (1)其中,表示拼接操作;580表示融合后多模态特征向量的维度。对于多分类问题,神经网络输出层的激活函数选择SoftMax函数。模型的损失函数选择多分类交叉熵损失函数,如公式(2)所示。loss=-i=1nyiln ai (2)其中,n表示分类个数;yi表示实际分类;ai表示模型分类预测值。损失函数用于衡量预测结果和实际标签之间的差异,通过最小化loss函数来优化模型参数。2试 验试验设计
16、如下:构建分流孔数据集与设计预处理方法;搭建试验环境,确定使用 CNN 与 RelifF 算法,调整试验参数;设置不同模态的对照试验与不图2神经网络模型结构图3ReliefF算法流程22模具工业 2023年第49卷第10期同模型的对照试验,用精确率、召回率、F1值作为试验的评价指标,分析试验结果得出最后结论。2.1数据集与数据预处理试验数据集来自于企业模具设计部近3年挤压模设计数据,其中包含模具型材面图、平面设计图、三维图、仿真结果与仿真视频等,主要使用的数据是型材图与平面设计图。型材图中包含的数据由型材面图片与型材的周长、最小外截面直径、拟采用挤压机压力、材料等信息。模具平面设计图记录分流孔
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 多模态 信息 融合 分流 分类 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。