一种改进型低误差的金属材料力学性能检测分析方法及装置与流程

1.本发明涉及检测技术领域，特别涉及一种改进型低误差的金属材料力学性能检测分析方法及装置。


背景技术：

2.金属材料的力学性能检测对于金属材料的研发、应用、材料的改进等方面具有重要意义。力学性能检测常见的项目包括拉伸性能检测、压缩性能检测和扭转性能检测等。例如专利cn212964418u-利于检测不同温度下金属材料抗拉强度的万能材料试验机，专利cn107543754a公开的一种高温高压含氢金属材料力学性能检测试验装置，cn108489822a公开的一种超导带低温拉扭综合加载实验装置等。每个检测项目均会产生大量数据，然后需要根据这些数据计算大量表征力学性能的指标数据。例如表征拉伸性能的端面收缩率z、断后伸长率a、屈服点延伸率ae、最大力总延伸率a
gt
、拉伸弹性模量e、上屈服强度r
eh
、下屈服强度r
el
、抗拉强度rm、规定总延伸强度r
t
、规定塑性延伸强度r
p
和规定残余延伸强度rr等。可见，这些指标数据数量繁多，通过人工计算会具有较大负担，且容易产生人为误差。常规方案中采用计算机或其他辅助设备计算时，虽然能够减轻人员的负担，但这些方案中无法对异常数据实现有效剔除，导致检测结果中掺杂有错误数据，会增大误差；另一方面，通过如上述的数量繁多的指标数据去表征金属材料的力学性能时，还需要对这些指标数据进行解读，费时费力，对人员的专业能力有一定要求，且不直观。
3.所以，现在有必要提供一种更可靠的方案。


技术实现要素：

4.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种改进型低误差的金属材料力学性能检测分析方法及装置。
5.为解决上述技术问题，本发明采用的技术方案是：一种改进型低误差的金属材料力学性能检测分析方法，包括：s1、预先构建用于进行金属材料力学性能检测分析的数据处理与分析模型：该数据处理与分析模型包括数据计算模块、数据剔除模块、数据分析模块以及数据库，所述数据计算模块包括数据输入分类模块和3个计算子模块：拉伸数据计算子模块、压缩数据计算子模块、扭转数据计算子模块；s2、通过检测设备对金属材料样品进行力学性能进行检测，力学性能检测项目包括拉伸性能检测、压缩性能检测和扭转性能检测中的至少一种；s3、数据计算：将力学性能检测项目获得的原始检测数据输入所述数据处理与分析模型，所述数据输入分类模块对原始检测数据进行拉伸数据、压缩数据和扭转数据的分类，然后根据分类结果传输至对应的计算子模块，该计算子模块根据原始检测数据计算得到若干表征力学性能的指标数据；s4、数据剔除模块：所述数据剔除模块接收所述步骤s3得到的指标数据，并进行正
常与异常数据的判定，当判定为正常数据时将该指标数据存入数据库中并更新数据库，进入下一步；否则返回步骤s2，对当前的金属材料样品重新进行力学性能进行检测；s5、所述数据分析模块接收所述步骤s4输出的指标数据，然后对当前金属材料样品的力学性能进行评价，输出力学性能分级结果。
6.优选的是，其中，拉伸数据计算子模块计算得到的指标数据至少包括：端面收缩率z、断后伸长率a、屈服点延伸率ae、最大力总延伸率a
gt
、拉伸弹性模量e、上屈服强度r
eh
、下屈服强度r
el
、抗拉强度rm、规定总延伸强度r
t
、规定塑性延伸强度r
p
和规定残余延伸强度rr中的一项或多项；其中，压缩数据计算子模块计算得到的指标数据至少包括：规定总压缩强度r
tc
、上压缩屈服强度r
ehc
、下压缩屈服强度r
elc
、抗压强度r
mc
、压缩弹性模量ec中的一项或多项；其中，扭转数据计算子模块计算得到的指标数据至少包括：模量剪切模量g、上扭转屈服强度τ
eh
、下扭转屈服强度τ
el
、抗扭强度τm、规定非比例扭转强度τ
p
、最大非比例切应变γ
max
中的一项或多项。
7.优选的是，所述数据库包括拉伸数据子库、压缩数据子库和扭转数据子库，所述数据库中包括若干个数据包括，数据包分为三种类别：拉伸数据包、压缩数据包和扭转数据包，三种数据包分别存储于对应的数据子库中；每个数据包b均包括与之对应类型的若干指标项，记为：b=（b1,b2,b3...）,每个拉伸数据包中的拉伸指标数据bl均包括i个不同的指标项，记为bl=（bl1,bl2,...,bli），bli表示单个表征拉伸性能的指标项；每个压缩数据包中的压缩指标数据by均包括j个不同的指标项，记为by=（by1,by2,...,byj）,byj表示单个表征压缩性能的指标项；每个扭转数据包中的扭转指标数据bn均包括k个不同的指标项，记为bn=（bn1,bn2,...,bnk），表示单个表征扭转性能的指标项；其中，拉伸数据包、压缩数据包和扭转数据包中预先收集有若干对应的指标数据。
8.优选的是，记所述步骤s3中得到的指标数据为outx，outx=（x1,x2,...,xh），其中，xh表示单个表征力学性能的指标项；所述步骤s4具体包括：s4-1、所述数据剔除模块接收所述步骤s3得到的指标数据outx,然后调用所述步骤s3中的数据输入分类模块对该指标数据对应的原始检测数据的分类结果，确定该指标数据outx的类别，再进行如下处理：s4-2、当outx为拉伸数据时，则h=i,（x1,x2,...,xh）中的指标项与（bl1,bl2,...,bli）中的指标项依次对应，即xh与bli为对应相同的指标项；对于（x1,x2,...,xh）中的任意一个指标项xh，作以下判断：s4-2-1、筛选出拉伸数据子库中所有拉伸数据包中与指标项xh对应相同的指标项bli中的最小值min（bli）和最大值max（bli），若min（bli）≤xh≤max（bli），则判定xh为正常数据；若xh＜γ1*min（bli）或xh＞η1*max（bli），则判定xh为异常数据；其中，γ1为小于1的常数，η1为大于1的常数若γ1*min（bli）≤xh＜min（bli），或max（bli）＜xh≤η1*max（bli），则通过人工对指标项xh进行正常数据与异常数据的判定；
s4-2-2、当判定为异常数据的所有指标项的总数量不大于λ1*h时，判定当前指标数据outx为正常数据，将该指标数据outx存入拉伸数据子库中并更新拉伸数据子库,进入步骤s5，否则返回步骤s2，对当前的金属材料样品重新进行力学性能进行检测；其中，λ1为小于0.5的常数；s4-3、当outx为压缩数据时，则h=j,（x1,x2,...,xh）中的指标项与（by1,by2,...,byj）中的指标项依次对应，即xh与byj为对应相同的指标项；对于（x1,x2,...,xh）中的任意一个指标项xh，作以下判断：s4-3-1、筛选出压缩数据子库中所有压缩数据包中与指标项xh对应相同的指标项byj中的最小值min（byj）和最大值max（byj），若min（byj）≤xh≤max（byj），则判定xh为正常数据；若xh＜γ2*min（byj）或xh＞η2*max（byj），则判定xh为异常数据；其中，γ2为小于1的常数，η2为大于1的常数若γ2*min（byj）≤xh＜min（byj），或max（byj）＜xh≤η2*max（byj），则通过人工对指标项xh进行正常数据与异常数据的判定；s4-3-2、当判定为异常数据的所有指标项的总数量不大于λ2*h时，判定当前指标数据outx为正常数据，将该指标数据存压缩数据子库中并更新压缩数据子库,进入步骤s5，否则返回步骤s2，对当前的金属材料样品重新进行力学性能进行检测；其中，λ2为小于0.5的常数；s4-4、当outx为扭转数据时，则h=k,（x1,x2,...,xh）中的指标项与（bn1,bn2,...,bnk）中的指标项依次对应，即xh与bnk为对应相同的指标项；对于（x1,x2,...,xh）中的任意一个指标项xh，作以下判断：s4-4-1、筛选出扭转数据子库中所有扭转数据包中与指标项xh对应相同的指标项bnk中的最小值min（bnk）和最大值max（bnk），若min（bnk）≤xh≤max（bnk），则判定xh为正常数据；若xh＜γ3*min（bnk）或xh＞η3*max（bnk），则判定xh为异常数据；其中，γ3为小于1的常数，η3为大于1的常数若γ3*min（bnk）≤xh＜min（bnk），或max（bnk）＜xh≤η3*max（bnk），则通过人工对指标项xh进行正常数据与异常数据的判定；s4-4-2、当判定为异常数据的所有指标项的总数量不大于λ3*h时，判定当前指标数据outx为正常数据，将该指标数据存扭转数据子库中并更新扭转数据子库,进入步骤s5，否则返回步骤s3，对当前的金属材料样品重新进行力学性能进行检测；其中，λ3为小于0.5的常数。
9.优选的是，其中，γ1、γ2、γ3均介于0.2-0.7之间，η1、η2、η3均介于2-7之间。
10.优选的是，其中，λ1、λ2、λ3均介于0.05-0.2之间。
11.优选的是，所述数据分析模块为基于机器学习的分析模型，记为vnet；所述步骤s5具体包括：s5-1、构建基于机器学习的分析模型vnet；s5-2、构建训练数据集：从公开的数据中或是通过实验获得若干种金属材料的以下数据集f：
每种金属材料的拉伸指标数据bl、压缩指标数据by、扭转指标数据bn，根据该金属材料的拉伸指标数据bl人为划分的拉伸性能等级d
l
、根据该金属材料的压缩指标数据bl人为划分的压缩性能等级dy、根据该金属材料的扭转指标数据bl人为划分的扭转性能等级dw，以及根据该金属材料的拉伸指标数据bl、压缩指标数据by、扭转指标数据bn综合分析后人为划分的综合力学性能等级dz；将金属材料种类、该金属材料的各个指标数据bl、by、bn与该金属材料的各个性能等级d
l
、dy、dw、dz进行对应，形成一个该金属材料的数据单元f，通过若干种金属材料的若干个数据单元f构建成所述数据集f，即为训练数据集；s5-3、通过训练数据集对分析模型vnet进行训练：将各个指标数据bl、by、bn作为输入、各个性能等级d
l
、dy、dw、dz作为目标输出对分析模型vnet进行训练，得到d
l
与bl之间的对应关系c1、dy与by之间的关系c2、dw与bn之间的关系c3，以及dz与bl、by、bn三者之间的综合关系c4，最终获得训练好的分析模型vnet'；其中，c1、c2、c3、c4为函数式或矩阵；s5-4、所述数据剔除模块输出的指标数据输入训练好的分析模型vnet'中，分析模型vnet'输出力学性能分级结果；其中，当输入的指标数据包括一个金属材料样品的bl、by、bn时，输出针对该金属材料样品的力学性能分级结果：d
l
、dy、dw、dz；当输入的指标数据只包括一个金属材料样品的bl、by、bn中的一项或两项时，只对应输出d
l
、dy、dw中对应于该一项或两项的力学性能分级结果。
12.优选的是，所述步骤s5还包括以下步骤：s5-5、每隔t时间对分析模型vnet'进行修正：s5-5-1、将t时间内分析模型vnet'每次输入的指标数据和得到的等级评价结果进行对应，形成一个数据单元e，存入分类结果数据集e中；s5-5-2、每隔t时间，采集若干标准金属材料样品的数据单元q形成一个标准数据集q，该数据单元q包括同一种金属材料的各个指标数据bl、by、bn以及该金属材料的各个性能等级d
l
、dy、dw、dz；s5-5-3、从数据集e中选择若干个数据单元e与数据集q一起融合到数据集f中，形成新的训练数据集f'，然后采用新的训练数据集f'按照步骤s5-3的方法对分析模型vnet'进行训练，修正c1、c2、c3、c4，得到修正后的分析模型vnet''，将分析模型vnet''作为更新后的数据分析模块，用于步骤s5中对力学性能等级进行评价。
13.本发明还提供一种改进型低误差的金属材料力学性能检测分析装置，其采用如上所述的方法进行金属材料的力学性能检测与分析，该装置包括力学性能检测设备、显示设备以及如上所述的数据处理与分析模型。
14.优选的是，所述力学性能检测设备包括拉伸性能检测机构、压缩性能检测机构以及扭转性能检测机构；所述拉伸性能检测机构、压缩性能检测机构以及扭转性能检测机构的检测数据输入所述数据处理与分析模型中，所述数据处理与分析模型中的数据计算模块根据检测数据计算得到若干表征力学性能的指标数据；所述数据处理与分析模型中的数据剔除模块将指标数据中的异常数据剔除；
所述数据处理与分析模型中的数据分析模块接收正常的指标数据后输出当前金属样品的力学性能等级评价结果，并通过所述显示设备显示。
15.本发明的有益效果是：本发明提供了一种改进型低误差的金属材料力学性能检测分析方法，能够根据金属材料样品力学性能检测原始数据自动计算得到具体的表征力学性能的指标数据，能够降低计算误差以及计算工作量；同时通过数据剔除模块能够剔除异常数据，并反馈至检测步骤，以进行重新检测，从而能降低检测误差；更进一步的，通过数据分析模块基于机器学习算法能够将众多表征力学性能的指标数据转化为更加直观的力学性能等级进行输出；本发明进行异常数据剔除时，以能够不断丰富的先验知识作为比较对象，来评价当前的数据是否正常，使得该评价结果更值得信赖，从而能够更精准剔除异常数据，提高后续力学性能评价的准确度，同时能反馈至前步骤的力学性能检测环节：当数据异常，反馈需要重新检测，从而可降低力学性能检测的误差；本发明中通过基于机器学习算法的分类器依据指标数据将力学性能进行等级划分，能够更直观进行输出，且智能化程度高，可靠性强、可参考价值高。
附图说明
16.图1为本发明的一种改进型低误差的金属材料力学性能检测分析方法的流程图；图2为本发明的一种改进型低误差的金属材料力学性能检测分析装置的原理框图。
具体实施方式
17.下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
18.应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
19.参照图1，本实施例的一种改进型低误差的金属材料力学性能检测分析方法，包括：s1、预先构建用于进行金属材料力学性能检测分析的数据处理与分析模型：该数据处理与分析模型包括数据计算模块、数据剔除模块、数据分析模块以及数据库，数据计算模块包括数据输入分类模块和3个计算子模块：拉伸数据计算子模块、压缩数据计算子模块、扭转数据计算子模块；s2、通过检测设备对金属材料样品进行力学性能进行检测，力学性能检测项目包括拉伸性能检测、压缩性能检测和扭转性能检测中的至少一种；s3、数据计算：将力学性能检测项目获得的原始检测数据输入数据处理与分析模型，数据输入分类模块对原始检测数据进行拉伸数据、压缩数据和扭转数据的分类，然后根据分类结果传输至对应的计算子模块，该计算子模块根据原始检测数据计算得到若干表征力学性能的指标数据；s4、数据剔除模块：数据剔除模块接收步骤s3得到的指标数据，并进行正常与异常数据的判定，当判定为正常数据时将该指标数据存入数据库中并更新数据库，进入下一步；
否则返回步骤s2，对当前的金属材料样品重新进行力学性能进行检测；s5、数据分析模块接收步骤s4输出的指标数据，然后对当前金属材料样品的力学性能等级进行评价，输出力学性能分级结果。
20.本发明的总体构思是：将金属材料样品力学性能检测原始数据，输入数据处理与分析模型后，通过计算子模块即可自动计算得到具体的表征力学性能的指标数据，能够降低计算误差以及计算工作量；同时通过数据剔除模块能够剔除异常数据（即默认为错误数据），并反馈至检测步骤，以进行重新检测，从而能降低检测误差；更进一步的，通过数据分析模块基于机器学习算法能够将众多表征力学性能的指标数据转化为更加直观的力学性能等级进行输出。
21.其中，步骤s2中，完成一个金属材料样品的全部检测后再将原始检测数据输入数据处理与分析模型，例如一个金属材料样品只需要进行拉伸性能检测，则完成该单项检测后，即将原始检测数据输入数据处理与分析模型；若一个金属材料样品需要进行拉伸性能、压缩性能和扭转性能三项检测时，则当完成三项检测后，将三项检测结果打包作为原始检测数据一起输入数据处理与分析模型中进行处理。
22.其中，拉伸数据计算子模块计算得到的指标数据至少包括：端面收缩率z、断后伸长率a、屈服点延伸率ae、最大力总延伸率a
gt
、拉伸弹性模量e、上屈服强度r
eh
、下屈服强度r
el
、抗拉强度rm、规定总延伸强度r
t
、规定塑性延伸强度r
p
和规定残余延伸强度rr中的一项或多项。在优选的实施例中，拉伸数据按照gb/t7314-2017《金属材料室温压缩试验方法》对金属材料样品进行实验获得。
23.压缩数据计算子模块计算得到的指标数据至少包括：规定总压缩强度r
tc
、上压缩屈服强度r
ehc
、下压缩屈服强度r
elc
、抗压强度r
mc
、压缩弹性模量ec中的一项或多项。在优选的实施例中，压缩数据按照gb/t228.1-2010《金属材料拉伸试验方法》对金属材料样品进行实验获得。
24.扭转数据计算子模块计算得到的指标数据至少包括：模量剪切模量g、中的一项或多项。在优选的实施例中，扭转数据按照gb/t 10128-2007《金属室温扭转试验方法》对金属材料样品进行实验获得。
25.其中，数据库包括拉伸数据子库、压缩数据子库和扭转数据子库，数据库中包括若干个数据包括，数据包分为三种类别：拉伸数据包、压缩数据包和扭转数据包，三种数据包分别存储于对应的数据子库中，即拉伸数据包存储于拉伸数据子库中，压缩数据包存储于压缩数据子库中，扭转数据包存储于扭转数据子库中；每个数据包b均包括与之对应类型的若干指标项，记为：b=（b1,b2,b3...）,每个拉伸数据包中的拉伸指标数据bl均包括i个不同的指标项，记为bl=（bl1,bl2,...,bli），bli表示单个表征拉伸性能的指标项；每个压缩数据包中的压缩指标数据by均包括j个不同的指标项，记为by=（by1,by2,...,byj）,byj表示单个表征压缩性能的指标项；每个扭转数据包中的扭转指标数据bn均包括k个不同的指标项，记为bn=（bn1,bn2,...,bnk），表示单个表征扭转性能的指标项；其中，拉伸数据包、压缩数据包和扭转数据包中预先收集有若干对应的指标数据。预先通过公开数据集（如公开的相关实验数据、论文等）收集大量不同金属材料的拉伸指标数据、压缩指标数据和扭转指标数据，构建成数据库，该数据扩能够体现大量常见的金属材
料的一般的力学性能指标，从而将该数据库作为后续步骤s4中进行异常数据剔除时的参考。
26.记步骤s3中得到的指标数据为outx，outx=（x1,x2,...,xh），其中，xh表示单个表征力学性能的指标项；步骤s4具体包括：s4-1、数据剔除模块接收步骤s3得到的指标数据outx,然后调用步骤s3中的数据输入分类模块对该指标数据对应的原始检测数据的分类结果，确定该指标数据outx的类别，再进行如下处理：s4-2、当outx为拉伸数据时，则h=i,（x1,x2,...,xh）中的指标项与（bl1,bl2,...,bli）中的指标项依次对应，即xh与bli为对应相同的指标项，例如（x1,x2,...,xh）中的x1,x2,...,xh依次表示端面收缩率z，断后伸长率a,...,规定残余延伸强度rr；那么（bl1,bl2,...,bli）中的bl1,bl2,...,bli同样也依次表示端面收缩率z，断后伸长率a,...,规定残余延伸强度rr，以下步骤中相同，不再赘述；对于（x1,x2,...,xh）中的任意一个指标项xh，作以下判断：s4-2-1、筛选出拉伸数据子库中所有拉伸数据包中与指标项xh对应相同的指标项bli中的最小值min（bli）和最大值max（bli），若min（bli）≤xh≤max（bli），则判定xh为正常数据；若xh＜γ1*min（bli）或xh＞η1*max（bli），则判定xh为异常数据；其中，γ1为小于1的常数，η1为大于1的常数若γ1*min（bli）≤xh＜min（bli），或max（bli）＜xh≤η1*max（bli），则通过人工对指标项xh进行正常数据与异常数据的判定；s4-2-2、当判定为异常数据的所有指标项的总数量不大于λ1*h时，判定当前指标数据outx为正常数据，将该指标数据outx存入拉伸数据子库中并更新拉伸数据子库,进入步骤s5，否则返回步骤s2，对当前的金属材料样品重新进行力学性能进行检测；其中，λ1为小于0.5的常数；s4-3、当outx为压缩数据时，则h=j,（x1,x2,...,xh）中的指标项与（by1,by2,...,byj）中的指标项依次对应，即xh与byj为对应相同的指标项；对于（x1,x2,...,xh）中的任意一个指标项xh，作以下判断：s4-3-1、筛选出压缩数据子库中所有压缩数据包中与指标项xh对应相同的指标项byj中的最小值min（byj）和最大值max（byj），若min（byj）≤xh≤max（byj），则判定xh为正常数据；若xh＜γ2*min（byj）或xh＞η2*max（byj），则判定xh为异常数据；其中，γ2为小于1的常数，η2为大于1的常数若γ2*min（byj）≤xh＜min（byj），或max（byj）＜xh≤η2*max（byj），则通过人工对指标项xh进行正常数据与异常数据的判定；s4-3-2、当判定为异常数据的所有指标项的总数量不大于λ2*h时，判定当前指标数据outx为正常数据，将该指标数据存压缩数据子库中并更新压缩数据子库,进入步骤s5，否则返回步骤s2，对当前的金属材料样品重新进行力学性能进行检测；其中，λ2为小于0.5的常数；
s4-4、当outx为扭转数据时，则h=k,（x1,x2,...,xh）中的指标项与（bn1,bn2,...,bnk）中的指标项依次对应，即xh与bnk为对应相同的指标项；对于（x1,x2,...,xh）中的任意一个指标项xh，作以下判断：s4-4-1、筛选出扭转数据子库中所有扭转数据包中与指标项xh对应相同的指标项bnk中的最小值min（bnk）和最大值max（bnk），若min（bnk）≤xh≤max（bnk），则判定xh为正常数据；若xh＜γ3*min（bnk）或xh＞η3*max（bnk），则判定xh为异常数据；其中，γ3为小于1的常数，η3为大于1的常数若γ3*min（bnk）≤xh＜min（bnk），或max（bnk）＜xh≤η3*max（bnk），则通过人工对指标项xh进行正常数据与异常数据的判定；s4-4-2、当判定为异常数据的所有指标项的总数量不大于λ3*h时，判定当前指标数据outx为正常数据，将该指标数据存扭转数据子库中并更新扭转数据子库,进入步骤s5，否则返回步骤s3，对当前的金属材料样品重新进行力学性能进行检测；其中，λ3为小于0.5的常数。
27.在优选的实施例中，γ1、γ2、γ3均介于0.2-0.7之间，η1、η2、η3均介于2-7之间，λ1、λ2、λ3均介于0.05-0.2之间，这些值均可根据实际情况进行选用。
28.即本发明中进行异常数据剔除的思路为：由于力学性能数据包括很多项，各项之间的相互关系难以明确表示，同时也无法通过确定的现有标准去评价各个指标项的范围，故本发明中，以大量的公开数据为参考数据库（即以上拉伸数据包、压缩数据包和扭转数据包中预先收集的大量不同金属材料的的指标数据），该参考数据库囊括了大量金属材料正常的指标数据范围，且随本发明方法的进行，该参考数据库的数据量会不断丰富，使其覆盖面、参考价值越来越大，通过将当前的指标项的值与该参考数据库中对应该指标项的正常的最大值和最小值进行比较，从而来判定该指标项是否正常；通过以能够不断丰富的先验知识作为比较对象，来评价当前的数据是否正常，使得该评价结果更值得信赖，从而能够更精准剔除异常数据，提高后续力学性能评价的准确度，同时能反馈至前步骤的力学性能检测环节：检测数据异常，需要重新检测，从而可降低力学性能检测的误差。
29.其中，数据分析模块为基于机器学习算法的分析模型，记为vnet；步骤s5具体包括：s5-1、构建基于机器学习算法的分析模型vnet；在优选的实施例中，分析模型vnet为基于随机森林模型的分类器或基于最小二乘支持向量机（least square support vector machine, lssvm）的分类器或基于小波神经网络的分类器或基于resnet-50网络的分类器；s5-2、构建训练数据集：从公开的数据中或是通过实验获得若干种金属材料的以下数据集f：每种金属材料的拉伸指标数据bl、压缩指标数据by、扭转指标数据bn，根据该金属材料的拉伸指标数据bl人为划分的拉伸性能等级d
l
、根据该金属材料的压缩指标数据bl人为划分的压缩性能等级dy、根据该金属材料的扭转指标数据bl人为划分的扭转性能等级dw，以及根据该金属材料的拉伸指标数据bl、压缩指标数据by、扭转指标数据bn综合分析后人为划分的综合力学性能等级dz；
将金属材料的种类、该金属材料的各个指标数据bl、by、bn与该金属材料的各个性能等级d
l
、dy、dw、dz进行对应，形成一个该金属材料的数据单元f，通过若干种金属材料的若干个数据单元f构建成数据集f，即为训练数据集；s5-3、通过训练数据集对分析模型vnet进行训练：将各个指标数据bl、by、bn作为输入、各个性能等级d
l
、dy、dw、dz作为目标输出对分析模型vnet进行训练，得到d
l
与bl之间的对应关系c1、dy与by之间的关系c2、dw与bn之间的关系c3，以及dz与bl、by、bn三者之间的综合关系c4，最终获得训练好的分析模型vnet'；其中，c1、c2、c3、c4为函数式或矩阵；s5-4、数据剔除模块输出的指标数据输入训练好的分析模型vnet'中，分析模型vnet'输出力学性能分级结果；其中，当输入的指标数据包括一个金属材料样品的bl、by、bn时，输出针对该金属材料样品的力学性能分级结果：d
l
、dy、dw、dz；当输入的指标数据只包括一个金属材料样品的bl、by、bn中的一项或两项时，只对应输出d
l
、dy、dw中对应于该一项或两项的力学性能分级结果。
30.例如输入数据为一个金属材料样品的拉伸指标数据bl时，该分析模型vnet'输出金属材料样品的拉伸性能等级d
l
；输入拉伸指标数据bl和压缩指标数据by时，则同时输出拉伸性能等级d
l
和压缩性能等级dy；而当输入的指标数据同时包括bl、by、bn时，则输出对应的三个单独性能等级d
l
、dy、dw以及一个综合性能等级，从而能够更加直观、简单的对金属材料样品的力学性能进行呈现。
31.由于表征力学性能的指标数据众多，通过这些指标数据去解读力学性能费时费力，对人员的专业能力有一定要求，且不直观；而本发明中通过基于机器学习算法的分类器依据指标数据将力学性能进行等级划分，能够更直观进行输出，且智能化程度高，可靠性强、可参考价值高。
32.在优选的实施例中，步骤s5还包括以下步骤：s5-5、每隔t时间对分析模型vnet'进行修正：s5-5-1、将t时间内分析模型vnet'每次输入的指标数据和得到的等级评价结果进行对应，形成一个数据单元e，存入分类结果数据集e中；s5-5-2、每隔t时间，采集若干标准金属材料样品的数据单元q形成一个标准数据集q，该数据单元q包括同一种金属材料的各个指标数据bl、by、bn以及该金属材料的各个性能等级d
l
、dy、dw、dz；s5-5-3、从数据集e中选择若干个数据单元e与数据集q一起融合到数据集f中，形成新的训练数据集f'，然后采用新的训练数据集f'按照步骤s5-3的方法对分析模型vnet'进行训练，修正c1、c2、c3、c4，得到修正后的分析模型vnet''，将分析模型vnet''作为更新后的数据分析模块，用于步骤s5中对力学性能等级进行评价。
33.本发明的上述步骤s5中的思路是：每隔一段时间，通过添加标准数据集q来更新并丰富训练数据集f'，然后进行训练，以对vnet'中的关系c1、c2、c3、c4进行调整，使得vnet'的分类结果更加准确；同时又采用一定数量的vnet'的输入和输出作为数据单元添加到训练数据集f'，一方面是丰富训练数据集f'，另一方面能使vnet'的修正是在其先前网络的基础上进行，可从其先前网络的实际处理数据中进行学习，从而能够很好的结合先前网络的
框架和当前数据的修正，使得修正后的分析模型vnet''具有高的精准率。
34.以上为本发明的总体构思，以下基于此提供具体的实施例。
35.实施例1一种改进型低误差的金属材料力学性能检测分析方法，包括：s1、预先构建用于进行金属材料力学性能检测分析的数据处理与分析模型：该数据处理与分析模型包括数据计算模块、数据剔除模块、数据分析模块以及数据库，数据计算模块包括数据输入分类模块和3个计算子模块：拉伸数据计算子模块、压缩数据计算子模块、扭转数据计算子模块。
36.其中，拉伸数据计算子模块计算得到的指标数据至少包括：端面收缩率z、断后伸长率a、屈服点延伸率ae、最大力总延伸率a
gt
、拉伸弹性模量e、上屈服强度r
eh
、下屈服强度r
el
、抗拉强度rm、规定总延伸强度r
t
、规定塑性延伸强度r
p
和规定残余延伸强度rr中的一项或多项；压缩数据计算子模块计算得到的指标数据至少包括：规定总压缩强度r
tc
、上压缩屈服强度r
ehc
、下压缩屈服强度r
elc
、抗压强度r
mc
、压缩弹性模量ec中的一项或多项；扭转数据计算子模块计算得到的指标数据至少包括：模量剪切模量g、上扭转屈服强度τ
eh
、下扭转屈服强度τ
el
、抗扭强度τm、规定非比例扭转强度τ
p
、最大非比例切应变γ
max
中的一项或多项。。
37.数据库包括拉伸数据子库、压缩数据子库和扭转数据子库，数据库中包括若干个数据包括，数据包分为三种类别：拉伸数据包、压缩数据包和扭转数据包，三种数据包分别存储于对应的数据子库中；每个数据包b均包括与之对应类型的若干指标项，记为：b=（b1,b2,b3...）,每个拉伸数据包中的拉伸指标数据bl均包括i个不同的指标项，记为bl=（bl1,bl2,...,bli），bli表示单个表征拉伸性能的指标项；每个压缩数据包中的压缩指标数据by均包括j个不同的指标项，记为by=（by1,by2,...,byj）,byj表示单个表征压缩性能的指标项；每个扭转数据包中的扭转指标数据bn均包括k个不同的指标项，记为bn=（bn1,bn2,...,bnk），表示单个表征扭转性能的指标项；其中，拉伸数据包、压缩数据包和扭转数据包中预先收集有若干对应的指标数据。
38.s2、通过检测设备对金属材料样品进行力学性能进行检测，力学性能检测项目包括拉伸性能检测、压缩性能检测和扭转性能检测中的至少一种。
39.s3、数据计算：将力学性能检测项目获得的原始检测数据输入数据处理与分析模型，数据输入分类模块对原始检测数据进行拉伸数据、压缩数据和扭转数据的分类，然后根据分类结果传输至对应的计算子模块，该计算子模块根据原始检测数据计算得到若干表征力学性能的指标数据。
40.s4、数据剔除模块：数据剔除模块接收步骤s3得到的指标数据，并进行正常与异常数据的判定，当判定为正常数据时将该指标数据存入数据库中并更新数据库，进入下一步；否则返回步骤s2，对当前的金属材料样品重新进行力学性能进行检测。
41.记步骤s3中得到的指标数据为outx，outx=（x1,x2,...,xh），其中，xh表示单个表征力学性能的指标项；步骤s4具体包括：s4-1、数据剔除模块接收步骤s3得到的指标数据outx,然后调用步骤s3中的数据输入分类模块对该指标数据对应的原始检测数据的分类结果，确定该指标数据outx的类
别，再进行如下处理：s4-2、当outx为拉伸数据时，则h=i,（x1,x2,...,xh）中的指标项与（bl1,bl2,...,bli）中的指标项依次对应，即xh与bli为对应相同的指标项；对于（x1,x2,...,xh）中的任意一个指标项xh，作以下判断：s4-2-1、筛选出拉伸数据子库中所有拉伸数据包中与指标项xh对应相同的指标项bli中的最小值min（bli）和最大值max（bli），若min（bli）≤xh≤max（bli），则判定xh为正常数据；若xh＜0.5*min（bli）或xh＞2*max（bli），则判定xh为异常数据；其中，γ1为小于1的常数，η1为大于1的常数若0.5*min（bli）≤xh＜min（bli），或max（bli）＜xh≤2*max（bli）0.5*min，则通过人工对指标项xh进行正常数据与异常数据的判定；s4-2-2、当判定为异常数据的所有指标项的总数量不大于0.1*h时，判定当前指标数据outx为正常数据，将该指标数据outx存入拉伸数据子库中并更新拉伸数据子库,进入步骤s5，否则返回步骤s2，对当前的金属材料样品重新进行力学性能进行检测；s4-3、当outx为压缩数据时，则h=j,（x1,x2,...,xh）中的指标项与（by1,by2,...,byj）中的指标项依次对应，即xh与byj为对应相同的指标项；对于（x1,x2,...,xh）中的任意一个指标项xh，作以下判断：s4-3-1、筛选出压缩数据子库中所有压缩数据包中与指标项xh对应相同的指标项byj中的最小值min（byj）和最大值max（byj），若min（byj）≤xh≤max（byj），则判定xh为正常数据；若xh＜0.5*min（byj）或xh＞2*max（byj），则判定xh为异常数据；其中，γ2为小于1的常数，η2为大于1的常数若0.5*min（byj）≤xh＜min（byj），或max（byj）＜xh≤2*max（byj），则通过人工对指标项xh进行正常数据与异常数据的判定；s4-3-2、当判定为异常数据的所有指标项的总数量不大于0.1*h时，判定当前指标数据outx为正常数据，将该指标数据存压缩数据子库中并更新压缩数据子库,进入步骤s5，否则返回步骤s2，对当前的金属材料样品重新进行力学性能进行检测；s4-4、当outx为扭转数据时，则h=k,（x1,x2,...,xh）中的指标项与（bn1,bn2,...,bnk）中的指标项依次对应，即xh与bnk为对应相同的指标项；对于（x1,x2,...,xh）中的任意一个指标项xh，作以下判断：s4-4-1、筛选出扭转数据子库中所有扭转数据包中与指标项xh对应相同的指标项bnk中的最小值min（bnk）和最大值max（bnk），若min（bnk）≤xh≤max（bnk），则判定xh为正常数据；若xh＜0.5*min（bnk）或xh＞2*max（bnk），则判定xh为异常数据；其中，γ3为小于1的常数，η3为大于1的常数若0.5*min（bnk）≤xh＜min（bnk），或max（bnk）＜xh≤2*max（bnk），则通过人工对指标项xh进行正常数据与异常数据的判定；s4-4-2、当判定为异常数据的所有指标项的总数量不大于0.1*h时，判定当前指标数据outx为正常数据，将该指标数据存扭转数据子库中并更新扭转数据子库,进入步骤s5，
否则返回步骤s3，对当前的金属材料样品重新进行力学性能进行检测。
42.s5、数据分析模块接收步骤s4输出的指标数据，然后对当前金属材料样品的力学性能等级进行评价，输出力学性能分级结果。
43.具体包括：s5-1、构建基于机器学习的分析模型vnet；分析模型vnet为基于resnet-50网络的分类器；s5-2、构建训练数据集：从公开的数据中或是通过实验获得若干种金属材料的以下数据集f：每种金属材料的拉伸指标数据bl、压缩指标数据by、扭转指标数据bn，根据该金属材料的拉伸指标数据bl人为划分的拉伸性能等级d
l
、根据该金属材料的压缩指标数据bl人为划分的压缩性能等级dy、根据该金属材料的扭转指标数据bl人为划分的扭转性能等级dw，以及根据该金属材料的拉伸指标数据bl、压缩指标数据by、扭转指标数据bn综合分析后人为划分的综合力学性能等级dz；将金属材料的种类、该金属材料的各个指标数据bl、by、bn与该金属材料的各个性能等级d
l
、dy、dw、dz进行对应，形成一个该金属材料的数据单元f，通过若干种金属材料的若干个数据单元f构建成数据集f，即为训练数据集；s5-3、通过训练数据集对分析模型vnet进行训练：将各个指标数据bl、by、bn作为输入、各个性能等级d
l
、dy、dw、dz作为目标输出对分析模型vnet进行训练，得到d
l
与bl之间的对应关系c1、dy与by之间的关系c2、dw与bn之间的关系c3，以及dz与bl、by、bn三者之间的综合关系c4，最终获得训练好的分析模型vnet'；其中，c1、c2、c3、c4为矩阵式；s5-4、数据剔除模块输出的指标数据输入训练好的分析模型vnet'中，分析模型vnet'输出力学性能分级结果；其中，当输入的指标数据包括一个金属材料样品的bl、by、bn时，输出针对该金属材料样品的力学性能分级结果：d
l
、dy、dw、dz；当输入的指标数据只包括一个金属材料样品的bl、by、bn中的一项或两项时，只对应输出d
l
、dy、dw中对应于该一项或两项的力学性能分级结果；s5-5、每隔t时间对分析模型vnet'进行修正：s5-5-1、将t时间内分析模型vnet'每次输入的指标数据和得到的等级评价结果进行对应，形成一个数据单元e，存入分类结果数据集e中；s5-5-2、每隔t时间，采集若干标准金属材料样品的数据单元q形成一个标准数据集q，该数据单元q包括同一种金属材料的各个指标数据bl、by、bn以及该金属材料的各个性能等级d
l
、dy、dw、dz；s5-5-3、从数据集e中选择若干个数据单元e与数据集q一起融合到数据集f中，形成新的训练数据集f'，然后采用新的训练数据集f'按照步骤s5-3的方法对分析模型vnet'进行训练，修正c1、c2、c3、c4，得到修正后的分析模型vnet''，将分析模型vnet''作为更新后的数据分析模块，用于步骤s5中对力学性能等级进行评价。
44.实施例2参照图2，一种改进型低误差的金属材料力学性能检测分析装置，其采用实施例1
的方法进行金属材料的力学性能检测与分析，该装置包括力学性能检测设备、显示设备以及实施例1中的数据处理与分析模型。
45.力学性能检测设备包括拉伸性能检测机构、压缩性能检测机构以及扭转性能检测机构；拉伸性能检测机构、压缩性能检测机构以及扭转性能检测机构的检测数据输入数据处理与分析模型中，数据处理与分析模型中的数据计算模块根据检测数据计算得到若干表征力学性能的指标数据；数据处理与分析模型中的数据剔除模块将指标数据中的异常数据剔除；数据处理与分析模型中的数据分析模块接收正常的指标数据后输出当前金属样品的力学性能等级评价结果，并通过显示设备显示。
46.尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。