CN107292029A - 一种基于成形缺陷预测板料成形工艺参数的确定方法 - Google Patents
一种基于成形缺陷预测板料成形工艺参数的确定方法 Download PDFInfo
- Publication number
- CN107292029A CN107292029A CN201710477625.0A CN201710477625A CN107292029A CN 107292029 A CN107292029 A CN 107292029A CN 201710477625 A CN201710477625 A CN 201710477625A CN 107292029 A CN107292029 A CN 107292029A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mfrac
- msup
- msubsup
- technological parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明涉及一种基于成形缺陷预测板料成形工艺参数的确定方法,属于金属板料拉延成形技术领域。包括如下步骤:拉延过程工艺参数试验设计矩阵的数据获取;拉延过程成形缺陷响应值的计算;拉延过程工艺参数与目标响应数据预处理;建立工艺参数与目标响应之间的高斯过程回归模型;采用多目标遗传算法求解高斯过程回归模型;对获得的非劣解集进行反归一化处理,获得板料拉延成形的实际工艺参数组合。该方法利用代理模型技术建立各种工艺参数和有限元模拟结果之间的非线性关系,并采用优化技术求解最优工艺参数组合。不仅可以大大减少试模修改的次数,而且还可以优化得出最佳的设计方案,对于提高产品质量及设计利用率具有非常重要的意义。
Description
技术领域
本发明属于金属板料拉延成形技术领域,具体涉及一种基于成形缺陷预测板料成形工艺参数的确定方法。
背景技术
钣金件冲压成形作为现在工业中一种非常重要的制造技术,广泛地应用于汽车、航空和军事工业中。钣金件加工对产品制造质量、周期和成本有重要影响,钣金件的制造精度和质量直接影响外形精度、产品性能和装配质量。因此,钣金成形技术是先进制造技术的重要组成部分,在很大程度上决定了产品质量、效益和开发能力,是一个国家制造业竞争力的重要影响因素之一。
不合理的工艺参数组合选取会导致如起皱、破裂等成形缺陷出现在钣金件的模面上,影响工件的成形质量。传统的冲压过程工艺参数选取依赖设计者的经验,即设计者通过反复修改工艺参数、试模来确定能够保证钣金件成形质量的工艺参数组合。上述方法的时间和经济成本都比较高,无法满足现代制造业的要求。同时,钣金件冲压成形过程是一个典型的多目标问题,其多个缺陷评价指标存在耦合关系,即在同一时刻将所有缺陷评价指标降到最低几乎不可能。综上,依靠设计者经验难以高效地确定合适的工艺参数组合。因此,研究者需要寻找一种能缩短设计周期、减少设计成本且保证成形质量的工艺参数优化法。
发明内容
有鉴于此,本发明的目的在于提供一种基于成形缺陷预测板料成形工艺参数的确定方法,利用高斯过程回归模型对金属板料拉延成形过程中产生的破裂、起皱缺陷大小进行回归分析,对拉延过程的成形缺陷进行准确预测,同时采用多目标遗传算法求解高斯过程回归模型,获取工艺参数组合的非劣解集,从而保证金属板料在拉延成形之后的成形质量,指导金属板料的实际生产。
为达到上述目的,本发明提供如下技术方案:
1、一种基于成形缺陷预测板料成形工艺参数的确定方法,包括如下步骤:
1)拉延过程工艺参数试验设计矩阵的数据获取
利用有限元仿真软件,通过最陡坡实验确定板料拉延过程中各段拉延筋的阻尼系数与板料的压边力大小的取值范围,采用中心复合试验构建试验设计矩阵中训练样本集合的设计变量部分,并在设计空间中随机选点构成试验设计矩阵中测试样本集合的设计变量部分,通过有限元分析,获取各组工艺参数的有限元分析结果;
2)拉延过程成形缺陷响应值的计算,构建试验设计矩阵
采用基于成形极限图的成形缺陷计算法,以步骤1)中有限元分析结果中各单元到成形极限曲线的距离之和计算板料在不同工艺参数组合下的起皱和破裂缺陷大小,完善训练样本集合和测试样本集合,构建完整的试验设计矩阵,所述完整的试验设计矩阵表示为{xi,obfi,obwi},其中,i为样本的组数,xi表示板料拉延过程中各段拉延筋的阻尼系数和板料的压边力大小,obfi表示拉延过程中板料的破裂缺陷值大小,obwi表示拉延过程中板料的起皱缺陷值大小;
3)拉延过程工艺参数与目标响应数据预处理
采用归一化方法对步骤2)中完善后的训练样本集合和测试样本集合进行预处理;
4)建立工艺参数与目标响应之间的高斯过程回归模型
利用步骤3)预处理后的训练样本集合建立高斯过程回归模型;
5)采用多目标遗传算法求解高斯过程回归模型
采用多目标遗传算法求解步骤4)所建立的高斯过程回归模型,获取板料拉延成形工艺参数组合的非劣解集;
6)对步骤5)中获得的非劣解集进行反归一化处理,获得板料拉延成形的实际工艺参数组合。
进一步,步骤1)具体为:建立工件的三维模型,将其导入dynaform软件中,进行工艺补充面设计,建立有限元模型,进行拉延筋分布配置,通过最陡坡实验确定板料拉延过程中各段拉延筋的阻尼系数与板料的压边力大小的取值范围,采用中心复合试验构建试验设计矩阵中训练样本集合的设计变量部分,并在设计空间中随机选取十个点构成试验设计矩阵中测试样本集合的设计变量部分,通过有限元分析,获取各组工艺参数的有限元分析结果。
进一步,步骤3)中,归一化预处理公式为:
其中,x表示变量,mean(x)为变量x的均值,var(x)为变量x的方差;
其中,y表示变量,mean(y)为变量y的均值,var(y)为变量y的方差。
进一步,步骤4)还包括利用步骤3)预处理后的测试样本集合验证所建立高斯过程回归模型的精度,即计算测试样本集合的拟合度和均方根误差,同时绘制回归曲线。
进一步,步骤4)中,所述拟合度和均方根误差的计算公式分别为:
其中,R2为决定系数,RMSE为均方根误差,和分别代表测试样本集的真值和预测值,代表测试样本集真值的平均值。
进一步,步骤4)中,所述高斯过程回归模型的核函数采用各项同性型核函数,具体为平方指数协方差函数:
其中,,l,为高斯过程回归模型的超参数;为核函数的信号方差,用来控制局部相关性的程度;l为关联性测定超参数,值越大表示输入与输出相关性就越小;表示模型噪声的方差。
进一步,步骤4)中,所述高斯过程回归模型的最优超参数的获取方法采用共轭梯度法,具体为:
其中,θ为包含模型的所有超参数的向量。
进一步,步骤5)中,反归一化预处理公式为:
y*=var(y)*y+mean(y)
其中:y*表示预测值,y为测试样本变量mean(y)的均值,var(y)为变量y的方差。
本发明的有益效果在于:本发明提供了一种基于成形缺陷预测板料成形工艺参数的确定方法,该方法基于代理模型理论和优化技术的发展,利用代理模型技术建立各种工艺参数和有限元模拟结果之间的非线性关系,并采用优化技术求解最优工艺参数组合。将近似统计理论的抽样法、代理模型技术和智能优化理论应用于板料冲压成形优化设计中,不仅可以大大减少试模的次数,而且还可以优化得出最佳的设计方案,对于提高产品质量及设计利用率具有非常重要的意义。该方法中采用中心复合试验设计法,构造工艺参数组合的试验设计矩阵,训练设计变量与成形缺陷的高斯过程回归模型,使预测模型包含整个设计变量空间,其适应能力更强,预测精度更高;通过回归模型为金属板料拉延成形工艺的分析及优化提供理论指导,其中,高斯过程回归模型结果具有概率意义,具有可解释性;采用Pareto遗传算法解决金属板料拉延成形工艺参数优化问题,直接采用多目标优化求解而不是通过权重系数或罚函数形式将多目标转化为单目标优化问题求解,所求为工艺参数组合的非劣解集而不是全局最优解,提升了优化解的可选择性和工程实际适用性。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明流程图;
图2为汽车前隔板的有限元模型;
图3为汽车前隔板拉延过程拉延筋分布图;
图4为基于成形极限图的缺陷计算法图;
图5为高斯过程回归模型的测试集预测值;
图6为经过多目标优化之后的工艺参数组合非劣解集。
具体实施方式
下面将对本发明的优选实施例进行详细的描述。
实施例1
本发明高斯过程回归模型建立原理为:
设有训练样本集其中xi表示d维输入向量,yi表示一维输出,现需要根据训练样本集D,预测新的输入x*对应的输出
高斯过程回归模型假定:样本的输出是随机变量yi的观察值,yi定义为
yi=f(xi)+εi
式中f(xi)是高斯过程{f(x)}在时刻xi对应的随机变量;εi是独立同分布的噪声。一般假设高斯过程{f(x)}的均值函数恒等于0,εi服从正态分布
其中,fi=f(xi),f*=f(x*),X=[x1,x2,...,xn]T,y=[y1,y2,…,yn]T,f=[f1,f2,...,fn]T。因为高斯过程的任意维分布是高斯分布,所以f服从高斯分布,进一步可以推导出:
进而可得:
式中:
通过上述分析表明,高斯过程回归模型的预测结果是以概率分布的形式表示的,这是高斯回归模型区别于其他建模法的独特之处。
参照图1中的流程,以汽车前隔板拉延成形过程为例,获得其成型工艺参数:
1)拉延过程工艺参数试验设计矩阵的数据获取
以汽车前隔板拉延成形过程为例,板料的材质为ST13。材料性质如下:厚度为0.8mm,杨氏模量为2.07GPa,泊松比为0.28,屈服强度为176MPa。将其在dynaform中进行工艺补充面设计,获得的有限元模型如图2所示。之后在软件中进行拉延筋配置,其分布如图3所示。采用拉延筋阻尼系数和压边力大小作为设计变量,根据设计变量的分布,采用最陡坡实验,获得汽车前隔板拉延过程中各段拉延筋的阻尼系数及压边力大小的范围,如表1所示。之后采用中心复合试验构建试验设计矩阵中训练样本集合的设计变量部分,并在设计空间中选取十个点构成试验设计矩阵中测试样本集合的设计变量部分。通过有限元分析,获取各组工艺参数的有限元分析结果,在进行有限元仿真的过程中,冲压速度设置为5m/s,模面间的摩擦系数设置为0.125。
表1 汽车前隔板拉延过程中各段拉延筋的阻尼系数及压边力大小的范围
2)拉延过程成形缺陷响应值的计算
在获取试验设计矩阵中训练样本集合和测试样本集设计变量部分的基础上,采用基于成形极限图的缺陷计算法,以步骤1)中有限元分析结果中各单元到成形极限曲线的距离之和计算板料在不同工艺参数组合下的起皱和破裂缺陷大小,具体操作如图4所示。即采用成形单元的主次应变值到成形极限曲线的距离计算汽车前隔板拉延成形过程中起皱缺陷和破裂缺陷的大小,完善训练样本集合和测试样本集合,构建完整的试验设计矩阵,如表2所示。计算公式如下:
其中,ε1表示主应变,ε2表示次应变,表示破裂评价曲线,w(ε2)表示起皱评价曲线,k表示有限元模型的单元总数。
表2 试验设计矩阵
3)拉延过程工艺参数与目标响应数据预处理
为提高计算速度、优化处理过程在此对步骤2)中完善后的训练样本集合和测试样本集合采用归一化方法进行预处理,归一化处理方法如下:
其中:x表示变量,mean(x)为变量x的均值,var(x)为变量x的方差。
其中:y表示变量,mean(y)为变量y的均值,var(y)为变量y的方差。
4)建立工艺参数与目标响应之间的高斯过程回归模型
利用步骤3)预处理后的训练样本集合建立高斯过程回归模型;
高斯过程回归模型的核函数采用各项同性型(ISO)核函数,具体采用平方指数核函数(SEiso):
其中l,为高斯过程回归模型的超参数。为核函数的信号方差,用来控制局部相关性的程度;l为关联性测定超参数,值越大表示输入与输出相关性就越小;表示模型噪声的方差。
高斯过程回归模型的最优超参数的获取方法采用共轭梯度法,其形式如下:
其中,θ为包含模型的所有超参数的向量。
利用步骤(3)预处理后的测试样本集合验证所建立高斯过程回归模型的精度,即计算测试样本集合的拟合度(R2)和均方根误差(RMSE),具体公式如下:
其中,和分别代表测试样本集的真值和预测值;代表测试样本集真值的平均值。RMSE表示了回归模型的预测精度,R2表示回归模型中所有解释变量对因变量的联合影响程度,拟合度越大,自变量对因变量的解释程度越高,拟合效果越好。
高斯过程回归模型的测试集预测值如图5所示,性能指标如表3所示。
表3 性能指标
5)采用多目标遗传算法求解高斯过程回归模型,获取工艺参数组合非劣解集
采用Pareto遗传算法进行多目标优化时,选用浮点编码方式,设定算法的相关参数:优化前沿系数为0.2,种群大小为100,最大进化代数为200,交叉概率为0.8,变异概率为0.2。图6为经过多目标优化之后的工艺参数组合非劣解集,图中可以看出,非劣解集提供了20个可行解,可根据现场的实际情况进行选解。
6)对步骤5)中获得的非劣解集进行反归一化处理,获得板料拉延成形的实际工艺参数组合
对预测变量通过模型进行预测后,需要对预估值进行反归一化处理预估出当前测试样本集合对应的金属管内药剂的密度值,反归一化处理方法如下:
y*=var(y)*y+mean(y)
其中:y*表示预测值,y为测试样本变量mean(y)的均值,var(y)为变量y的方差。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (8)
1.一种基于成形缺陷预测板料成形工艺参数的确定方法,其特征在于,包括如下步骤:
1)拉延过程工艺参数试验设计矩阵的数据获取
利用有限元仿真软件,通过最陡坡实验确定板料拉延过程中各段拉延筋的阻尼系数与板料的压边力大小的取值范围,采用中心复合试验构建试验设计矩阵中训练样本集合的设计变量部分,并在设计空间中随机选点构成试验设计矩阵中测试样本集合的设计变量部分,通过有限元分析,获取各组工艺参数的有限元分析结果;
2)拉延过程成形缺陷响应值的计算,构建试验设计矩阵
采用基于成形极限图的成形缺陷计算法,以步骤1)中有限元分析结果中各单元到成形极限曲线的距离之和计算板料在不同工艺参数组合下的起皱和破裂缺陷大小,完善训练样本集合和测试样本集合,构建完整的试验设计矩阵,所述完整的试验设计矩阵表示为{xi,obfi,obwi},其中,i为样本的组数,xi表示板料拉延过程中各段拉延筋的阻尼系数和板料的压边力大小,obfi表示拉延过程中板料的破裂缺陷值大小,obwi表示拉延过程中板料的起皱缺陷值大小;
3)拉延过程工艺参数与目标响应数据预处理
采用归一化方法对步骤2)中完善后的训练样本集合和测试样本集合进行预处理;
4)建立工艺参数与目标响应之间的高斯过程回归模型
利用步骤3)预处理后的训练样本集合建立高斯过程回归模型;
5)采用多目标遗传算法求解高斯过程回归模型
采用多目标遗传算法求解步骤4)所建立的高斯过程回归模型,获取板料拉延成形工艺参数组合的非劣解集;
6)对步骤5)中获得的非劣解集进行反归一化处理,获得板料拉延成形的实际工艺参数组合。
2.根据权利要求1所述的一种基于成形缺陷预测板料成形工艺参数的确定方法,其特征在于,步骤1)具体为:建立工件的三维模型,将其导入dynaform软件中,进行工艺补充面设计,建立有限元模型,进行拉延筋分布配置,通过最陡坡实验确定板料拉延过程中各段拉延筋的阻尼系数与板料的压边力大小的取值范围,采用中心复合试验构建试验设计矩阵中训练样本集合的设计变量部分,并在设计空间中随机选取十个点构成试验设计矩阵中测试样本集合的设计变量部分,通过有限元分析,获取各组工艺参数的有限元分析结果。
3.根据权利要求1所述的一种基于成形缺陷预测板料成形工艺参数的确定方法,其特征在于,步骤3)中,归一化预处理公式为:
<mrow>
<mi>x</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>var</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,x表示变量,mean(x)为变量x的均值,var(x)为变量x的方差;
<mrow>
<mi>y</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>y</mi>
<mo>-</mo>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>var</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,y表示变量,mean(y)为变量y的均值,var(y)为变量y的方差。
4.根据权利要求1所述的一种基于成形缺陷预测板料成形工艺参数的确定方法,其特征在于,步骤4)还包括利用步骤3)预处理后的测试样本集合验证所建立高斯过程回归模型的精度,即计算测试样本集合的拟合度和均方根误差,同时绘制回归曲线。
5.根据权利要求4所述的一种基于成形缺陷预测板料成形工艺参数的确定方法,其特征在于,步骤4)中,所述拟合度和均方根误差的计算公式分别为:
<mrow>
<msup>
<mi>R</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<msubsup>
<mover>
<mi>y</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
<mo>*</mo>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<msubsup>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
<mo>*</mo>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
其中,R2为决定系数,RMSE为均方根误差,和分别代表测试样本集的真值和预测值,代表测试样本集真值的平均值。
6.根据权利要求1所述的一种基于成形缺陷预测板料成形工艺参数的确定方法,其特征在于,步骤4)中,所述高斯过程回归模型的核函数采用各项同性型核函数,具体为平方指数协方差函数:
<mrow>
<mi>k</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>f</mi>
<mn>2</mn>
</msubsup>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>l</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>n</mi>
<mn>2</mn>
</msubsup>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
其中,l,为高斯过程回归模型的超参数;为核函数的信号方差,用来控制局部相关性的程度;l为关联性测定超参数,值越大表示输入与输出相关性就越小;表示模型噪声的方差。
7.根据权利要求1所述的一种基于成形缺陷预测板料成形工艺参数的确定方法,其特征在于,步骤4)中,所述高斯过程回归模型的最优超参数的获取方法采用共轭梯度法,具体为:
<mrow>
<mi>L</mi>
<mo>=</mo>
<mi>lg</mi>
<mo>&lsqb;</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>|</mo>
<mi>X</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mi>t</mi>
<mi>T</mi>
</msup>
<msup>
<mi>Q</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>t</mi>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>lg</mi>
<mo>|</mo>
<mi>Q</mi>
<mo>|</mo>
<mo>-</mo>
<mfrac>
<mi>n</mi>
<mn>2</mn>
</mfrac>
<mi>lg</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mfrac>
<mi>d</mi>
<mrow>
<msub>
<mi>d&theta;</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mi>lg</mi>
<mo>&lsqb;</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>|</mo>
<mi>X</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>t</mi>
<mi>r</mi>
<mo>&lsqb;</mo>
<msup>
<mi>&alpha;&alpha;</mi>
<mi>T</mi>
</msup>
<mo>-</mo>
<msup>
<mi>Q</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>&rsqb;</mo>
<mfrac>
<mrow>
<mi>d</mi>
<mi>Q</mi>
</mrow>
<mrow>
<msub>
<mi>d&theta;</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,θ为包含模型的所有超参数的向量。
8.根据权利要求1所述的一种基于成形缺陷预测板料成形工艺参数的确定方法,其特征在于,步骤5)中,反归一化预处理公式为:
y*=var(y)*y+mean(y)
其中:y*表示预测值,y为测试样本变量mean(y)的均值,var(y)为变量y的方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710477625.0A CN107292029A (zh) | 2017-06-20 | 2017-06-20 | 一种基于成形缺陷预测板料成形工艺参数的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710477625.0A CN107292029A (zh) | 2017-06-20 | 2017-06-20 | 一种基于成形缺陷预测板料成形工艺参数的确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292029A true CN107292029A (zh) | 2017-10-24 |
Family
ID=60096920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710477625.0A Pending CN107292029A (zh) | 2017-06-20 | 2017-06-20 | 一种基于成形缺陷预测板料成形工艺参数的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292029A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009357A (zh) * | 2017-12-01 | 2018-05-08 | 湖南大学 | 一种复合材料板形变量的分析方法 |
CN109190273A (zh) * | 2018-09-13 | 2019-01-11 | 合肥工业大学 | 一种产品等离子喷焊修复工艺参数优化方法 |
CN110046378A (zh) * | 2019-02-28 | 2019-07-23 | 昆明理工大学 | 一种基于进化多目标优化的选择性分层集成高斯过程回归软测量建模方法 |
CN110852423A (zh) * | 2019-11-12 | 2020-02-28 | 中铁工程装备集团有限公司 | 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 |
CN112474986A (zh) * | 2020-09-30 | 2021-03-12 | 成都飞机工业(集团)有限责任公司 | 一种板料充液成形加载路径优化设计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101241521A (zh) * | 2008-03-06 | 2008-08-13 | 上海交通大学 | 基于支持向量机的轿车车身综合性能指标建模方法 |
CN103425888A (zh) * | 2013-08-22 | 2013-12-04 | 重庆大学 | 基于夯实密度预测的金属管药剂夯实方法 |
-
2017
- 2017-06-20 CN CN201710477625.0A patent/CN107292029A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101241521A (zh) * | 2008-03-06 | 2008-08-13 | 上海交通大学 | 基于支持向量机的轿车车身综合性能指标建模方法 |
CN103425888A (zh) * | 2013-08-22 | 2013-12-04 | 重庆大学 | 基于夯实密度预测的金属管药剂夯实方法 |
Non-Patent Citations (2)
Title |
---|
LIN JINGDONG: "Forming Defects Prediction for Sheet Metal Forming Using Gaussian Process Regression", 《2017 29TH CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
温彤: "塑性成形过程的缺陷分析模型及其应用", 《CMET锻压装备与制造技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009357A (zh) * | 2017-12-01 | 2018-05-08 | 湖南大学 | 一种复合材料板形变量的分析方法 |
CN108009357B (zh) * | 2017-12-01 | 2021-01-29 | 湖南大学 | 一种复合材料板形变量的分析方法 |
CN109190273A (zh) * | 2018-09-13 | 2019-01-11 | 合肥工业大学 | 一种产品等离子喷焊修复工艺参数优化方法 |
CN110046378A (zh) * | 2019-02-28 | 2019-07-23 | 昆明理工大学 | 一种基于进化多目标优化的选择性分层集成高斯过程回归软测量建模方法 |
CN110046378B (zh) * | 2019-02-28 | 2022-09-13 | 昆明理工大学 | 一种基于进化多目标优化的选择性分层集成高斯过程回归软测量建模方法 |
CN110852423A (zh) * | 2019-11-12 | 2020-02-28 | 中铁工程装备集团有限公司 | 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 |
CN112474986A (zh) * | 2020-09-30 | 2021-03-12 | 成都飞机工业(集团)有限责任公司 | 一种板料充液成形加载路径优化设计方法 |
CN112474986B (zh) * | 2020-09-30 | 2022-04-08 | 成都飞机工业(集团)有限责任公司 | 一种板料充液成形加载路径优化设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292029A (zh) | 一种基于成形缺陷预测板料成形工艺参数的确定方法 | |
CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
CN106096073B (zh) | 一种基于损伤力学非概率区间分析模型的金属疲劳裂纹全寿命预估方法 | |
CN108388762A (zh) | 基于深度置信网络的烧结矿化学成分预测方法 | |
CN105678015B (zh) | 一种高超声速三维机翼的非概率可靠性气动结构耦合优化设计方法 | |
CN104765912A (zh) | 一种铝板冲压工艺的稳健性优化方法 | |
CN101339577A (zh) | 基于支持向量回归机的平板裂缝天线建模方法 | |
CN107480395A (zh) | 一种车辆转向节载荷谱预测模型的构建方法及系统 | |
CN101782769B (zh) | 一种基于指标补偿的平均流经时间快速预测方法 | |
El Mrabti et al. | Springback optimization of deep drawing process based on FEM-ANN-PSO strategy | |
CN103279596B (zh) | 一种基于数值模拟的可变速度控制温挤压方法 | |
Liu et al. | Prediction method of non-stationary random vibration fatigue reliability of turbine runner blade based on transfer learning | |
CN102620980B (zh) | 一种利用神经网络预报板材成形性能的方法 | |
CN110750926A (zh) | 基于粒子群算法的高速拉伸曲线的处理及预测方法 | |
CN106355273A (zh) | 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法 | |
CN107092745A (zh) | 一种基于方差分析的车窗升降板成形工艺优化方法 | |
CN116822146A (zh) | 一种基于多层感知机的柔性防护系统智能快速计算方法 | |
CN106202694A (zh) | 基于组合预测方法的组合Kriging模型构建方法 | |
CN101295374A (zh) | 一种多因素影响下的油田开发动态定量方法 | |
CN113255069B (zh) | 一种超声波喷丸材料表面形貌预测方法 | |
CN104537167B (zh) | 基于鲁棒区间极限学习机的区间型指标预报方法 | |
CN114492155A (zh) | 一种运用多目标遗传算法优化卸胎机法兰盘结构的方法 | |
Kim et al. | Finite element analysis to optimize forming conditions for lower control arm | |
Liu et al. | Process optimal control of sheet metal forming springback based on evolutionary strategy | |
Weimin et al. | Research on Antenna Cabin Structure Optimization Based on Response Surface and Multi-island Genetic Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |
|
RJ01 | Rejection of invention patent application after publication |