技术特征：
1.一种改进型低误差的金属材料力学性能检测分析方法，其特征在于，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。2.根据权利要求1所述的改进型低误差的金属材料力学性能检测分析方法，其特征在于，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a
e
、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r
m
、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r
r
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e
c
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τ
m
、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。3.根据权利要求1所述的改进型低误差的金属材料力学性能检测分析方法，其特征在于，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,...,bl
i
），bl
i
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,...,by
j
）,by
j
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,...,bn
k
），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。4.根据权利要求3所述的改进型低误差的金属材料力学性能检测分析方法，其特征在于，记所述步骤s3中得到的指标数据为outx，outx=（x1,x2,...,x
h
），其中，x
h
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,...,x
h
）中的指标项与（bl1,bl2,...,bl
i
）中的指标项依次对应，即x
h
与bl
i
为对应相同的指标项；对于（x1,x2,...,x
h
）中的任意一个指标项x
h
，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x
h
对应相同的指标项bl
i
中的最小值min（bl
i
）和最大值max（bl
i
），若min（bl
i
）≤x
h
≤max（bl
i
），则判定x
h
为正常数据；若x
h
＜γ1*min（bl
i
）或x
h
＞η1*max（bl
i
），则判定x
h
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（bl
i
）≤x
h
＜min（bl
i
），或max（bl
i
）＜x
h
≤η1*max（bl
i
），则通过人工对指标项x
h
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,...,x
h
）中的指标项与（by1,by2,...,by
j
）中的指标项依次对应，即x
h
与by
j
为对应相同的指标项；对于（x1,x2,...,x
h
）中的任意一个指标项x
h
，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x
h
对应相同的指标项by
j
中的最小值min（by
j
）和最大值max（by
j
），若min（by
j
）≤x
h
≤max（by
j
），则判定x
h
为正常数据；若x
h
＜γ2*min（by
j
）或x
h
＞η2*max（by
j
），则判定x
h
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（by
j
）≤x
h
＜min（by
j
），或max（by
j
）＜x
h
≤η2*max（by
j
），则通过人工对指标项x
h
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,...,x
h
）中的指标项与（bn1,bn2,...,bn
k
）中的指标项依次对应，即x
h
与bn
k
为对应相同的指标项；对于（x1,x2,...,x
h
）中的任意一个指标项x
h
，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x
h
对应相同的指标项bn
k
中的最小值min（bn
k
）和最大值max（bn
k
），若min（bn
k
）≤x
h
≤max（bn
k
），则判定x
h
为正常数据；若x
h
＜γ3*min（bn
k
）或x
h
＞η3*max（bn
k
），则判定x
h
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（bn
k
）≤x
h
＜min（bn
k
），或max（bn
k
）＜x
h
≤η3*max（bn
k
），则通过人工对指标项x
h
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。5.根据权利要求4所述的改进型低误差的金属材料力学性能检测分析方法，其特征在于，其中，γ1、γ2、γ3均介于0.2-0.7之间，η1、η2、η3均介于2-7之间。6.根据权利要求4所述的改进型低误差的金属材料力学性能检测分析方法，其特征在于，其中，λ1、λ2、λ3均介于0.05-0.2之间。7.根据权利要求4所述的改进型低误差的金属材料力学性能检测分析方法，其特征在于，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d
y
、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d
w
，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d
z
；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
、d
y
、d
w
、d
z
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
、d
y
、d
w
、d
z
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、d
y
与by之间的关系c2、d
w
与bn之间的关系c3，以及d
z
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
、d
y
、d
w
、d
z
；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
、d
y
、d
w
中对应于该一项或两项的力学性能分级结果。8.根据权利要求7所述的改进型低误差的金属材料力学性能检测分析方法，其特征在于，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
、d
y
、d
w
、d
z
；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。9.一种改进型低误差的金属材料力学性能检测分析装置，其特征在于，其采用如权利要求1-8中任意一项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、显示设备以及如权利要求1-8中任意一项所述的数据处理与分析模型。10.根据权利要求9所述的改进型低误差的金属材料力学性能检测分析装置，其特征在于，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分级结果，并通过所述显示设备显示。
技术总结
本发明公开了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，该方法包括：S1、预先构建数据处理与分析模型：S2、通过检测设备对金属材料样品进行力学性能进行检测；S3、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、剔除异常数据；S5、对当前金属材料样品的力学性能等级进行评价，输出评价结果。本发明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工作量；同时能够剔除异常数据，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。输出。输出。
技术研发人员：阚伟 张磊 程维维
受保护的技术使用者：南通伟烨检测服务有限公司
技术研发日：2022.04.08
技术公布日：2022/6/30