《表2 19个输入特征量：基于机器学习的大锻件拔长变形预测》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于机器学习的大锻件拔长变形预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

拔长过程中，锻坯状态变化最明显的是应力与应变，因为应变的分布反映了变形的程度、材料流动的趋势以及变形均匀性，同时，应变和应力相结合，还可以作为预测材料是否开裂或存在其他缺陷的基础数据。这两类变量也是各种成形实验中最关注的基本变量，因此，选取拔长过程的应力和应变作为输出特征量。在使用机器学习方法时，若几个输入特征量之间具有较强的相关性，学习结果会自动对相关特征量进行过滤。因此，在选取输入特征量时，需要对模型的描述足够全面。本文中将温度、时间、尺寸、工艺参数等作为输入特征量，构建了一个19维向量作为一组数据，19个输入特征量的具体选择如表2所示，其中，点的绝对坐标通过以锻坯一个端点为原点的直角坐标系来进行计算，点的相对坐标则是点的绝对坐标与锻坯对应方向上的长度的比值。对于每组模拟，从锻坯中32个不同的位置提取数据，形成包含约100万组19维向量的数据集，以锻坯长度为5000 mm、锻坯高度为2000 mm、锻坯宽度为2000 mm、砧宽为1700 mm、进给量为1530 mm、压下量为0.1、初始温度为1250℃以及关注点原点为例，这一组数据的形式为:（5000，2000，2000，0，0，0，0，0，0，1700，1530，0.17，0.85，1，4，0.1，1，1250，3），数据依次代表19个输入特征量的具体取值。