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 PDFInfo
- 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
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
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:
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:
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:
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:
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:
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:
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:
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。
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)
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)
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 |
-
2017
- 2017-07-11 CN CN201710558800.9A patent/CN107491584B/zh active Active
Patent Citations (5)
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)
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 |