TubeBEND

TubeBEND是一个包含318个旋转管弯曲过程的现实世界数据集，由来自各个领域的专家收集和整理，用于评估机器学习和信号分析方法。该数据集旨在解决预测第一阶段弯曲几何形状的工业挑战，这对于设计两阶段旋转拉拔弯曲中第二阶段弯曲的机器夹紧模具是有益的。该数据集记录了某些几何标准，如管子的最终弯曲角度（或回弹）及其横截面变形。通过记录一些工艺参数，如工具运动和对它们的力或扭矩，我们提供了关于它们对最终管材几何形状影响的详细信息。我们的工作重点是发现可以替代传统方法（如试错或基于仿真的预测）的解决方案，通过将实验过程变量纳入机器学习算法中。我们的数据集在https://github.com/zeyneddinoz/tubebend和https://zenodo.org/records/16614082上公开发布，作为提高该领域数据驱动方法的基准。

TubeBEND is a real-world dataset containing 318 rotational tube bending processes, collected and curated by experts from various fields to evaluate machine learning and signal analysis methods. This dataset aims to address the industrial challenge of predicting first-stage bending geometry, which is beneficial for designing machine clamping dies for the second-stage bending in two-stage rotary draw bending. It records key geometric metrics such as the final bending angle (or springback) of the tube and its cross-sectional deformation. By documenting process parameters including tool motions and the applied forces or torques, we provide detailed insights into their impacts on the final geometry of the bent tube. Our work focuses on developing solutions to replace traditional approaches such as trial-and-error or simulation-based prediction by incorporating experimental process variables into machine learning algorithms. Our dataset is publicly released at https://github.com/zeyneddinoz/tubebend and https://zenodo.org/records/16614082 as a benchmark to advance data-driven methods in this field.

原始信息汇总

旋转弯管工艺数据集概述

数据集基本信息

• 名称：Rotary Tube Bending Process Dataset
• 作者：Zeyneddin Oz, Jonas Knoche, Alireza Yazdani, Bernd Engel, Kristof Van Laerhoven
• 机构：德国锡根大学
• 样本数量：318个弯管工艺过程（包含3个失败案例：ID 1、48和166）
• 数据格式：Python pickle序列化文件
• 文件名称：experiments_process_and_results.pkl
• 文件大小：约800 MB
• 数据追踪：使用Git Large File Storage (Git LFS)管理

数据集内容结构

A- 弯曲设置

• 管材参数：外径、壁厚
• 机器参数：
  • 弯曲目标角度
  • 刮模缩短量
  • 压模横向位置
  • 压模距离
  • 压模增压
  • 芯轴位置
  • 芯轴回缩时机
  • 夹头增压
  • 夹模横向位置

B- 工艺参数

• 载荷数据：
  • 机器载荷：弯曲模横向、弯曲模旋转、弯曲模垂直、夹模横向、夹头轴向、夹头旋转、芯轴轴向、压模轴向、压模横向、压模左轴向
  • 传感器载荷：芯轴轴向、压模横向1、压模横向2
• 运动数据：弯曲模横向、弯曲模旋转、弯曲模垂直、夹模横向、夹头轴向、夹头旋转、芯轴轴向、压模轴向、压模横向、压模左轴向

C- 几何数据

• STL适用数据：
  • 线性1：弧线一端点的50组数据系列
  • 弧线：从0到弯曲目标角度，每1度递增的数据系列
  • 线性2：弧线另一端点的25组数据系列
• 关键特征：
  • 线性1：次轴、主轴、圆度偏差
  • 弧线：次轴、主轴、圆度偏差
  • 线性2：次轴、主轴、圆度偏差

数据访问与使用

• 加载方式：通过Python pickle库加载
• 编程要求：Python 3.10或更高版本
• 依赖安装：pip install -r requirements.txt
• 实验选择：支持选择特定实验编号（1-318）进行数据提取

数据可视化

• 提供多传感器子图绘制功能
• 支持单个特征数据可视化
• 生成交互式图表（仅限Firefox浏览器）

资助信息

由德国研究基金会（DFG）资助 - 项目ID 520256321

许可说明

数据集仅供预览和研究用途，许可证后续添加

参考文献

[1] Borchmann, L., Schneider, D., and Engel, B. "Design of a fuzzy controller to prevent wrinkling during rotary draw bending" (2021)

搜集汇总

数据集介绍

构建方式

在金属塑性成形领域，TubeBEND数据集的构建依托于工业级旋转拉弯设备WAFIOS RBV 35，通过多模态传感系统采集了318次真实管材弯曲实验。数据采集涵盖工艺参数（弯曲角度、夹头运动系数、芯棒回撤时序）、机器轴载荷与位移（20Hz采样频率）、以及高精度三维几何扫描（GOM ATOS Q 8M光学扫描仪）。所有数据通过PLC控制系统与传感器网络实现时间同步，并以分层字典结构序列化为Python pickle格式，确保过程参数与几何结果的精确映射。

特点

该数据集的核心价值在于其工业真实性，完整记录了不锈钢管弯曲过程中的弹性回弹、截面塌陷、椭圆度等关键几何特征。其多维数据架构包含三大模块：弯曲工艺配置（静态参数）、过程动态参数（机器与传感器载荷、运动轨迹）、以及几何量化指标（线性段与弧段的截面轴径、圆度）。特别值得注意的是，数据集包含了3例工艺失败案例，为缺陷分析提供了珍贵样本，且所有数据均通过VDI 3430标准进行几何对齐与特征提取。

使用方法

研究者可通过加载序列化的pkl文件，以分层字典形式访问多维度数据。例如调用TB['Exp 47']['geometry_data_key_characteristics_linear_1']可获取特定实验的几何量化指标。该数据集支持机器学习任务如随机森林回归、LSTM时序预测、物理信息神经网络（PINNs）等，适用于回弹补偿、缺陷根因分析、工艺参数优化等场景。数据结构的可扩展性允许研究者跨模态关联工艺参数与几何结果，为数字孪生与闭环控制提供基准。

背景与挑战

背景概述

TubeBEND数据集由德国锡根大学 ubiquitous computing 实验室与成形技术研究所于2025年联合发布，聚焦旋转拉弯成形领域的几何形状预测难题。该数据集收录了318组工业级不锈钢管旋转拉弯实验数据，涵盖弯曲角度、截面变形量等关键几何特征，以及工具运动轨迹、多轴载荷等高频过程参数。其诞生旨在解决传统有限元仿真与试错法在真实生产环境中因未建模物理现象和参数波动导致的预测偏差，为智能制造领域提供高精度真实数据支撑。

当前挑战

该数据集核心挑战在于旋转拉弯过程中弹塑性变形的多物理场耦合建模难题，具体表现为：弹簧回弹效应的非线性响应、截面畸变与皱褶缺陷的协同控制、真实生产环境中工具弹性变形与材料性能波动的量化表征。构建过程中需克服工业传感器多源异构数据同步采集、高精度光学扫描点云与力学参数的时空对齐、以及工艺参数（芯轴回撤时序、夹头推进因子）在极端工况下的标定精度等工程技术瓶颈。

常用场景

经典使用场景

在金属塑性成形领域，TubeBEND数据集为旋转拉弯工艺的几何预测提供了关键实验数据支撑。该数据集通过记录318次真实工业环境下的管材弯曲过程，包括工具运动轨迹、作用力扭矩及最终几何形变参数，为机器学习模型训练提供了多模态输入输出映射关系。其经典应用场景集中于构建高精度弹簧回弹角预测模型，通过分析压力模具侧向进给量、芯轴回撤时机等工艺参数与管材截面变形量的关联规律，替代传统试错法和有限元仿真方法。

解决学术问题

TubeBEND有效解决了金属管材弯曲过程中非线性形变预测的学术难题。通过提供同步采集的工艺参数与几何测量数据，该数据集使研究者能够建立数据驱动的本构建模方法，突破传统有限元仿真中简化模型导致的预测偏差限制。其重要意义在于首次实现了真实工业环境下多物理场耦合数据的标准化采集，为研究弹簧回弹机理、截面畸变传播规律以及工艺参数敏感性分析提供了可靠基准，推动了智能制造领域数字孪生技术的发展。

衍生相关工作

TubeBEND催生了多个经典研究方向，包括基于物理信息的神经网络(PINNs)在塑性成形中的应用。研究者利用该数据集将弹性恢复本构方程嵌入损失函数，开发出能同时预测弹簧回弹和截面变形的多任务学习模型。此外数据集支撑了数字孪生框架的构建，如Sun等人提出的多源输入MTL方法实现了弯曲过程实时预测。在工艺优化方面，衍生出基于特征重要性分析的参数帕累托优化研究，通过权衡截面畸变与弹簧回弹的竞争关系，为多目标工艺优化提供了数据基础。