(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210548922.0 (22)申请日 2022.05.20 (65)同一申请的已公布的文献号 申请公布号 CN 114781098 A (43)申请公布日 2022.07.22 (66)本国优先权数据 202210077359.3 202 2.01.24 CN (73)专利权人 深圳职业 技术学院 地址 518055 广东省深圳市南 山区留仙大 道7098号 (72)发明人 赵伦　林森　龚涛　陈伟　张亮　 甘增康　霍小乐　罗义　 (74)专利代理 机构 北京格允知识产权代理有限 公司 11609 专利代理师 周娇娇(51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 20/00(2019.01) B21J 15/04(2006.01) 审查员 张春洁 (54)发明名称 自冲铆工艺参数的确定方法、 装置、 电子设 备及存储介质 (57)摘要 本发明实施例涉及自冲铆技术领域， 特别涉 及一种自冲铆工艺参数的确定方法、 装置、 电子 设备及存储介质。 具体地， 该方法包括： 获取待铆 接板材的板材参数； 调用预先训练好的工艺参数 确定模型； 其中， 工艺参数确定模型是对样本板 材参数和样 本工艺参数进行训练得到的； 将板材 参数输入到工艺参数确定模型中， 确定用于对待 铆接板材进行自冲铆的工艺参数。 本发明提供的 技术方案通过设置工艺参数确定模 型， 这样实现 了在自冲铆的过程中， 可以将待铆接板材的板材 参数输入到工艺参数确定模型中， 得到用于对待 铆接板材进行自冲铆的工艺参数， 从而可以避免 在自冲铆前需要进行大量的试错实验， 解决了确 定自冲铆工艺参数的相关技术存在消耗大量的 人力物力的问题。 权利要求书2页 说明书6页 附图1页 CN 114781098 B 2022.10.18 CN 114781098 B 1.一种自冲铆工艺 参数的确定方法， 其特 征在于， 包括： 获取待铆接 板材的板材参数； 调用预先训练好的工艺参数确定模型； 其中， 所述工艺参数确定模型是对样本板材参 数和样本 工艺参数进行训练得到的； 将所述板材参数输入到所述工艺参数确定模型中， 确定用于对所述待铆接板材进行自 冲铆的工艺 参数； 所述板材参数包括弹性模量、 屈服强度、 伸长率、 硬度、 断面收缩率和厚度， 所述样本板 材参数包括弹性模量、 屈服强度、 伸长率、 硬度、 断面收缩率和厚度； 所述工艺参数包括冲头行程、 铆接速度、 穿刺力、 保压力、 预紧力、 铆钉型号、 模具型号， 所述样本 工艺参数包括冲头行程、 铆接 速度、 穿刺力、 保压力、 预紧力、 铆钉型号、 模具 型号； 所述样本 板材参数 是通过如下 方式确定的： 获取自冲铆实验的实验参数； 其中， 所述实验参数包括待筛选板材参数和样本工艺参 数； 利用灰度关联度分析的方法从所述待筛 选板材参数中筛 选得到所述样本 板材参数； 所述工艺 参数确定模型 是通过如下 方式确定的： 构建反向传播神经网络； 其中， 所述反向传播神经网络包括输入层、 隐藏层和输出层， 所述输入层的神经元的数量与样本板材参数的数量相同， 所述输出层的神经元数量与样本 工艺参数的数量相同； 对所述反向传播神经网络进行优化； 利用已知的样本板材参数和已知的样本工艺参数对优化后的反向传播神经网络进行 训练， 得到 工艺参数确定模型。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述反向传播神经网络进行优化， 包括： 利用带有热重启的学习率调整策略和Dropout策略对所述反向传播神经网络进行优 化。 3.根据权利要求1 ‑2中任一项所述的方法， 其特征在于， 所述预先训练好的工艺参数确 定模型部署于云端。 4.一种自冲铆工艺 参数的确定装置， 其特 征在于， 包括： 获取模块， 用于获取待铆接 板材的板材参数； 调用模块， 用于调用预先训练好的工艺参数确定模型； 其中， 所述工艺参数确定模型是 对样本板材参数和样本 工艺参数进行训练得到的； 确定模块， 用于将所述板材参数输入到所述工艺参数确定模型中， 确定用于对所述待 铆接板材进行自冲铆的工艺 参数； 所述板材参数包括弹性模量、 屈服强度、 伸长率、 硬度、 断面收缩率和厚度， 所述样本板 材参数包括弹性模量、 屈服强度、 伸长率、 硬度、 断面收缩率和厚度； 所述工艺参数包括冲头行程、 铆接速度、 穿刺力、 保压力、 预紧力、 铆钉型号、 模具型号， 所述样本 工艺参数包括冲头行程、 铆接 速度、 穿刺力、 保压力、 预紧力、 铆钉型号、 模具 型号； 所述样本 板材参数 是通过如下 方式确定的： 获取自冲铆实验的实验参数； 其中， 所述实验参数包括待筛选板材参数和样本工艺参权　利　要　求　书 1/2 页 2 CN 114781098 B 2数； 利用灰度关联度分析的方法从所述待筛 选板材参数中筛 选得到所述样本 板材参数； 所述工艺 参数确定模型 是通过如下 方式确定的： 构建反向传播神经网络； 其中， 所述反向传播神经网络包括输入层、 隐藏层和输出层， 所述输入层的神经元的数量与样本板材参数的数量相同， 所述输出层的神经元数量与样本 工艺参数的数量相同； 对所述反向传播神经网络进行优化； 利用已知的样本板材参数和已知的样本工艺参数对优化后的反向传播神经网络进行 训练， 得到 工艺参数确定模型。 5.一种电子设备， 包括存储器和处理器， 所述存储器中存储有计算机程序， 所述处理器 执行所述计算机程序时， 实现如权利要求1 ‑3中任一项所述的方法。 6.一种计算机可读存储介质， 其上存储有计算机程序， 当所述计算机程序在计算机中 执行时， 令计算机执 行权利要求1 ‑3中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114781098 B 3