CN107491584B - 基于几何参数的熔模铸件收缩率预测方法 - Google Patents

基于几何参数的熔模铸件收缩率预测方法 Download PDF

Info

Publication number
CN107491584B
CN107491584B CN201710558800.9A CN201710558800A CN107491584B CN 107491584 B CN107491584 B CN 107491584B CN 201710558800 A CN201710558800 A CN 201710558800A CN 107491584 B CN107491584 B CN 107491584B
Authority
CN
China
Prior art keywords
shrinkage
value
calculated
mean square
root mean
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.)
Active
Application number
CN201710558800.9A
Other languages
English (en)
Other versions
CN107491584A (zh
Inventor
卜昆
田国良
赵丹青
张雅丽
任帅军
邱飞
张现东
金宗李
李扬
廖金明
张明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201710558800.9A priority Critical patent/CN107491584B/zh
Publication of CN107491584A publication Critical patent/CN107491584A/zh
Application granted granted Critical
Publication of CN107491584B publication Critical patent/CN107491584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Geometry (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于几何参数的熔模铸件收缩率预测方法，用于解决现有铸件收缩率预测方法实用性差的技术问题。技术方案是采用基于几何参数的收缩率预测的方法。通过统计铸件各位置所属的几何参数，根据主要几何参数中每个几何参数和收缩率的映射关系，构建基函数。通过将基函数作为一个整体，建立收缩率与基函数之间的回归方程。然后，将上述回归方程预测和实测值的差值作为误差，通过一定的误差修正规则，反馈修正基函数的系数。从而确定基于几何参数的收缩率预测方程，实现对铸件各位置的收缩率预测，实用性好。

Description

基于几何参数的熔模铸件收缩率预测方法
技术领域
本发明涉及一种铸件收缩率预测方法，特别涉及一种基于几何参数的熔模铸件收缩率预测方法。
背景技术
文献“基于BP神经网络的注塑成型收缩率预测，塑料，2017，vol.46(2),p86-88”公开了一种基于BP神经网络的注塑成型收缩率预测方法。该方法通过正交与模拟结合的方法，分析了影响电连接器盖板体积收缩的因素，获得主要工艺参数对体积收缩率的敏感性，采用BP人工神经网络模型预测体积收缩率。然而，由于产品在宏观上具备几何参数，实际产品收缩率与产品各位置所处的几何参数密切相关，采用文献方法只能通过工艺参数预测产品的体积收缩率，无法预测铸件各位置的实际收缩率。
发明内容
为了克服现有铸件收缩率预测方法实用性差的不足，本发明提供一种基于几何参数的熔模铸件收缩率预测方法。该方法采用基于几何参数的收缩率预测的方法。通过统计铸件各位置所属的几何参数，根据主要几何参数中每个几何参数和收缩率的映射关系，构建基函数。通过将基函数作为一个整体，建立收缩率与基函数之间的回归方程。然后，将上述回归方程预测和实测值的差值作为误差，通过一定的误差修正规则，反馈修正基函数的系数。从而确定基于几何参数的收缩率预测方程，实现对铸件各位置的收缩率预测，实用性好。
本发明解决其技术问题所采用的技术方案：一种基于几何参数的熔模铸件收缩率预测方法，其特点是包括以下步骤：
步骤一、在铸件CAD模型中，统计铸件各位置所属的几何参数，将能表征铸件结构的几何参数进行提取，构建学习样本，建立收缩率与单个几何参数之间的一元非线性回归方程，设共有m个样本，每个样本共有n个几何参数，则
ki＝fj(xij) (1)
其中，m表示样本个数，n表示每个样本几何参数的个数，xij表示第i个样本的第j个几何参数，fj表示第j个几何参数与收缩率之间的对应关系，ki表示第i个样本的收缩率。
步骤二、将公式(1)中所有包含xij，其中i∈(1，m)，j∈(1，n)的基本函数gij(xij)提出，并作为新函数的基函数。
其中，i∈(1，m)表示i取1到m之间的整数，j∈(1，n)表示j取1到m之间的整数，gij(xij)表示包含xij项的第i个基函数。
步骤三、建立ki和gij(xij)之间的映射关系：
Figure BDA0001346516980000021
式中，k(xi1,xi2,...,xin)表示包含几何参数的收缩率，λij表示基函数对应的系数，nj表示包含xij项的基函数数目。
步骤四、将基函数对应的系数进行修正；设第i个样本的几何参数Xi＝(xi1,xi2,xi3,…,xin)，输入公式(2)得出计算收缩率kic，求出其与实测收缩率值kim的偏差devi。接着求出m个样本中计算收缩率与实测收缩率之间的均方根误差RMSE值,根据RMSE值进行修正。
其中，Xi＝(xi1,xi2,xi3,…,xin)表示第i个样本的全部几何参数，kic为第i个样本的计算收缩率，kim代表第i个样本的实测收缩率，devi为根据公式(2)得出的计算收缩率与实测收缩率的偏差，RMSE代表m个样本中计算收缩率与实测收缩率之间的均方根误差值。
步骤五、根据项λijgij(xij)变化率占k(xi1,xi2,…,xin)在各个方向变化率之和的比值大小来进行均方根误差RMSE值的分配。设定项λijgij(xij)变化率占k(xi1,xi2,…,xin)在各个方向变化率之和的比值大小与RMSE分配给此项的值呈负相关。
其中，λijgij(xij)表示包含xij项的第j个函数。
步骤六、重新得到新的ki和gij(xij)之间的映射关系:
Figure BDA0001346516980000022
在公式(3)中，λijnew是基函数对应的新系数。
步骤七、将第i个样本的几何参数Xi＝(xi1,xi2,xi3,…,xin)，输入公式(3)得出计算收缩率kicxiu，求出其与实测收缩率值kimxiu的偏差devixiu。接着求出m个样本中计算收缩率与实测收缩率之间的均方根误差RMSExiu值，若RMSExiu值达到设定误差值，则停止迭代。若RMSExiu的值未达到设定误差值，则重复步骤四、五、六、七。
其中，kicxiu表示第i个样本的计算收缩率，kimxiu表示第i个样本的计算收缩率，devixiu表示第i个样本的计算和实测收缩率的偏差，RMSExiu表示m个样本中计算和实测收缩率的偏差。
步骤八、将预测样本几何参数Yi＝(yi1,yi2,yi3,…,yin)输入已经迭代完毕的公式(3)中，获取收缩率预测结果。
其中，Yi＝(yi1,yi2,yi3,…,yin)表示第i个预测样本的几何参数。
本发明的有益效果是：该方法采用基于几何参数的收缩率预测的方法。通过统计铸件各位置所属的几何参数，根据主要几何参数中每个几何参数和收缩率的映射关系，构建基函数。通过将基函数作为一个整体，建立收缩率与基函数之间的回归方程。然后，将上述回归方程预测和实测值的差值作为误差，通过一定的误差修正规则，反馈修正基函数的系数。从而确定基于几何参数的收缩率预测方程，实现对铸件各位置的收缩率预测，实用性好。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
图1是本发明基于几何参数的熔模铸件收缩率预测方法的流程图。
具体实施方式
参照图1。本发明基于几何参数的熔模铸件收缩率预测方法具体步骤如下：
步骤一、首先需构建收缩率与单个因素之间的一元非线性回归方程。在铸件CAD模型中，统计铸件各位置所属的几何参数，将能表征铸件结构的几何参数进行提取，几何参数具体为顶点数、边数、边几何尺寸、边与边之间夹角，通过回归法构建收缩率与单个几何参数之间的一元非线性回归方程，设共有m个样本，每个样本共有n个几何参数，则
ki＝fj(xij) (1)
其中，m表示样本个数，n表示每个样本几何参数的个数，xij表示第i个样本的第j个几何参数，fj表示第j个几何参数与收缩率之间的对应关系，ki表示第i个样本的收缩率。
步骤二、提取一元非线性方程的基础函数为新的基函数。将公式(1)中所有包含xij，其中i∈(1，m)，j∈(1，n)的基本函数gij(xij)提出，并作为新函数的基函数。
其中i∈(1，m)表示i取1到m之间的整数，j∈(1，n)表示j取1到m之间的整数，gij(xij)表示包含xij项的第i个基函数。若基函数为多项式函数，则次数不超过3。
步骤三、构建收缩率与这些基函数之间的多元非线性回归方程。建立ki和gij(xij)之间的映射关系：
Figure BDA0001346516980000041
式中，k(xi1,xi2,...,xin)表示包含几何参数的收缩率，λij表示基函数对应的系数，nj表示包含xij项的基函数数目。
步骤四、在预测误差大于设定值时进行误差修正。将基函数对应的系数进行以下修正:设第i个样本的几何参数Xi＝(xi1,xi2,xi3,…,xin)，输入公式(2)得出计算收缩率kic，求出其与实测收缩率值kim的偏差devi。接着求出m个样本中计算收缩率与实测收缩率之间的均方根误差RMSE值,根据RMSE值进行修正。
其中，Xi＝(xi1,xi2,xi3,…,xin)表示第i个样本的全部几何参数，kic为第i个样本的计算收缩率，kim代表第i个样本的实测收缩率，devi为根据公式(2)得出的计算收缩率与实测收缩率的偏差，RMSE代表m个样本中计算收缩率与实测收缩率之间的均方根误差值。
步骤五、根据项λijgij(xij)变化率占k(xi1,xi2,…,xin)在各个方向变化率之和的比值大小来进行均方根误差RMSE值的分配。令项λijgij(xij)变化率占k(xi1,xi2,…,xin)在各个方向变化率之和的比值大小与误差分配值成反比，则项λijgij(xij)的误差分配值δλijgij(xij)为：
Figure BDA0001346516980000042
其中，δλijgij(xij)代表项λijgij(xij)的误差分配值。
则λij的更新值为：
λijnew＝δλijgij(xij)/gij(xij) (4)
步骤六、重新得到新的ki和gij(xij)之间的映射关系:
Figure BDA0001346516980000043
在式(5)中，λijnew是基函数对应的新系数。
步骤七、将第i个样本的几何参数Xi＝(xi1,xi2,xi3,…,xin)，输入公式(5)得出计算收缩率kicxiu，求出其与实测收缩率值kimxiu的偏差devixiu。接着求出m个样本中计算收缩率与实测收缩率之间的均方根误差RMSExiu值，若RMSExiu值达到设定误差值，则停止迭代。本实施例设定误差值定为10-4。若RMSExiu的值未达到设定误差值，则重复步骤四、五、六、七。
其中，kicxiu表示第i个样本的计算收缩率，kimxiu表示第i个样本的计算收缩率，devixiu表示第i个样本的计算和实测收缩率的偏差，RMSExiu表示m个样本中计算和实测收缩率的偏差。
步骤八、进行收缩率预测。将预测样本几何参数Yi＝(yi1,yi2,yi3,…,yin)输入已经迭代完毕的公式(5)中，获取收缩率预测结果，收缩率预测结果以百分数表示。
其中，Yi＝(yi1,yi2,yi3,…,yin)表示第i个预测样本的几何参数。

Claims (1)

1.一种基于几何参数的熔模铸件收缩率预测方法，所述几何参数为铸件的顶点数、边数、边几何尺寸、边与边之间的夹角；其特征在于包括以下步骤：
步骤一、在铸件CAD模型中，统计铸件各位置所属的几何参数，将能表征铸件结构的几何参数进行提取，构建学习样本，建立收缩率与单个几何参数之间的一元非线性回归方程，设共有m个样本，每个样本共有n个几何参数，则
ki＝fj(xij) (1)
其中，m表示样本个数，n表示每个样本几何参数的个数，xij表示第i个样本的第j个几何参数，fj表示第j个几何参数与收缩率之间的对应关系，ki表示第i个样本的收缩率；
步骤二、将公式(1)中所有包含xij，其中i∈(1，m)，j∈(1，n)的基本函数gij(xij)提出，并作为新函数的基函数；
其中，i∈(1，m)表示i取1到m之间的整数，j∈(1，n)表示j取1到m之间的整数，gij(xij)表示包含xij项的第i个基函数；
步骤三、建立ki和gij(xij)之间的映射关系：
Figure FDA0002466424420000011
式中，k(xi1,xi2,...,xin)表示包含几何参数的收缩率，λij表示基函数对应的系数，nj表示包含xij项的基函数数目；
步骤四、将基函数对应的系数进行修正；设第i个样本的几何参数Xi＝(xi1,xi2,xi3,…,xin)，输入公式(2)得出计算收缩率kic，求出其与实测收缩率值kim的偏差devi；接着求出m个样本中计算收缩率与实测收缩率之间的均方根误差RMSE值,根据均方根误差RMSE值进行修正；
其中，Xi＝(xi1,xi2,xi3,…,xin)表示第i个样本的全部几何参数，kic为第i个样本的计算收缩率，kim代表第i个样本的实测收缩率，devi为根据公式(2)得出的计算收缩率与实测收缩率的偏差，均方根误差RMSE值代表m个样本中计算收缩率与实测收缩率之间的均方根误差值；
步骤五、根据项λijgij(xij)变化率占k(xi1,xi2,…,xin)在各个方向变化率之和的比值大小来进行均方根误差RMSE值的分配；设定项λijgij(xij)变化率占k(xi1,xi2,…,xin)在各个方向变化率之和的比值大小与均方根误差RMSE值分配给此项的值呈负相关；
其中，λijgij(xij)表示包含xij项的第j个函数；
步骤六、重新得到新的ki和gij(xij)之间的映射关系:
Figure FDA0002466424420000021
在公式(3)中，λijnew是基函数对应的新系数；
步骤七、将第i个样本的几何参数Xi＝(xi1,xi2,xi3,…,xin)，输入公式(3)得出计算收缩率kicxiu，求出其与实测收缩率值kimxiu的偏差devixiu；接着求出m个样本中计算收缩率与实测收缩率之间的均方根误差RMSExiu值，若均方根误差RMSExiu值达到设定误差值，则停止迭代；若均方根误差RMSExiu的值未达到设定误差值，则重复步骤四、五、六、七；
其中，kicxiu表示第i个样本的计算收缩率，kimxiu表示第i个样本的计算收缩率，devixiu表示第i个样本的计算和实测收缩率的偏差，均方根误差RMSExiu表示m个样本中计算和实测收缩率的偏差；
步骤八、将预测样本几何参数Yi＝(yi1,yi2,yi3,…,yin)输入已经迭代完毕的公式(3)中，获取收缩率预测结果；
其中，Yi＝(yi1,yi2,yi3,…,yin)表示第i个预测样本的几何参数。
CN201710558800.9A 2017-07-11 2017-07-11 基于几何参数的熔模铸件收缩率预测方法 Active CN107491584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710558800.9A CN107491584B (zh) 2017-07-11 2017-07-11 基于几何参数的熔模铸件收缩率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710558800.9A CN107491584B (zh) 2017-07-11 2017-07-11 基于几何参数的熔模铸件收缩率预测方法

Publications (2)

Publication Number Publication Date
CN107491584A CN107491584A (zh) 2017-12-19
CN107491584B true CN107491584B (zh) 2020-07-14

Family

ID=60644403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710558800.9A Active CN107491584B (zh) 2017-07-11 2017-07-11 基于几何参数的熔模铸件收缩率预测方法

Country Status (1)

Country Link
CN (1) CN107491584B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113466426A (zh) * 2021-06-30 2021-10-01 中国航发动力股份有限公司 一种试样铸件收缩率的获取方法及叶片收缩率的确定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102789525A (zh) * 2012-07-10 2012-11-21 同济大学建筑设计研究院(集团)有限公司 高层建筑结构非弹性时变分析方法
CN104504195A (zh) * 2014-12-18 2015-04-08 上海交通大学 一种熔模精铸模具收缩率的确定方法
CN104677721A (zh) * 2015-03-13 2015-06-03 天津汇丰金属探测股份有限公司 铸钢材质力学性能在线预测方法
CN105975649A (zh) * 2016-03-30 2016-09-28 西安电子科技大学 一种方形太阳帆表面褶皱形态的建模方法
CN106169002A (zh) * 2016-07-11 2016-11-30 中铁二院工程集团有限责任公司 一种铁路桥梁高强混凝土收缩预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102789525A (zh) * 2012-07-10 2012-11-21 同济大学建筑设计研究院(集团)有限公司 高层建筑结构非弹性时变分析方法
CN104504195A (zh) * 2014-12-18 2015-04-08 上海交通大学 一种熔模精铸模具收缩率的确定方法
CN104677721A (zh) * 2015-03-13 2015-06-03 天津汇丰金属探测股份有限公司 铸钢材质力学性能在线预测方法
CN105975649A (zh) * 2016-03-30 2016-09-28 西安电子科技大学 一种方形太阳帆表面褶皱形态的建模方法
CN106169002A (zh) * 2016-07-11 2016-11-30 中铁二院工程集团有限责任公司 一种铁路桥梁高强混凝土收缩预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
压铸工艺参数对铝合金压铸件局部收缩裂纹的影响及研究;郑岩;《2014中国铸造活动周论文集》;20141231;全文 *
基于BP神经网络的注塑成型收缩率预测;陆广华 等;《塑料》;20170227;第46卷(第2期);全文 *
基于类神经网络注塑成型翘曲和收缩值之预测;吴学霖;《机械研究与应用》;20121231(第2期);全文 *

Also Published As

Publication number Publication date
CN107491584A (zh) 2017-12-19

Similar Documents

Publication Publication Date Title
US20230053412A1 (en) Production line adaptation methods based on industrial internet of things, systems and storage mediums thereof
Jayaram et al. A Neural Network Approach To Tolerance Synthesis and Cost Optimisation in Assembly
CN107526860B (zh) 基于电场能建模技术的vlsi标准单元布局方法
CN110262245A (zh) 基于事件触发机制的多智能体系统的控制器设计方法
CN108107723A (zh) 非线性间歇过程的2d最优模糊控制器设计方法
CN104865827B (zh) 一种基于多工况模型的抽油机采油优化方法
CN110247396A (zh) 基于自适应抗差无迹卡尔曼滤波的配电网状态估计方法及系统
CN107491584B (zh) 基于几何参数的熔模铸件收缩率预测方法
CN114330067A (zh) 一种软基水闸有限元模型修正方法
CN103150760B (zh) 获取曲线控制顶点、几何形状的方法及图形处理装置
CN110851911B (zh) 终端状态计算模型训练方法、控制序列搜索方法及装置
CN114357370A (zh) 具有非凸激活函数的噪声抑制零化神经网络求解时变矩阵平方根
CN110163507A (zh) 一种配电网线损的处理方法
CN109800477A (zh) 锂离子电池三因素不一致性预测方法及装置
CN116703008B (zh) 一种用于新建公路的交通出行量预测方法、设备及介质
CN103925939B (zh) 一种光电编码器全量程的标定补偿方法
Chan et al. Modelling and optimization of fluid dispensing for electronic packaging using neural fuzzy networks and genetic algorithms
JP2020172682A (ja) 形状設定方法、形状設定装置、及びコンピュータプログラム
CN107944154A (zh) 电弧填丝增材制造分层切片工艺变量自动计算方法
Basterrech et al. Irradiance prediction using echo state queueing networks and differential polynomial neural networks
CN114298319A (zh) 联合学习贡献值的确定方法、装置、电子设备及存储介质
CN108549033A (zh) 变温变流工况下锂电池退化演变基准路径的构建方法
Rouhani et al. A fast accurate implicit polynomial fitting approach
CN107609274B (zh) 基于传输线与级别调度法的二维静磁场并行有限元方法
CN111709552A (zh) 一种快速获取输电线路复合绝缘子临界污闪电压方法

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
GR01 Patent grant
GR01 Patent grant