CN112446110A - 一种基于eoasm算法在码垛机器人驱动臂座的代理模型构建中的应用方法 - Google Patents
一种基于eoasm算法在码垛机器人驱动臂座的代理模型构建中的应用方法 Download PDFInfo
- Publication number
- CN112446110A CN112446110A CN202011227323.6A CN202011227323A CN112446110A CN 112446110 A CN112446110 A CN 112446110A CN 202011227323 A CN202011227323 A CN 202011227323A CN 112446110 A CN112446110 A CN 112446110A
- Authority
- CN
- China
- Prior art keywords
- model
- driving arm
- arm seat
- proxy
- robot
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000010276 construction Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 12
- 230000004044 response Effects 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 230000003068 static effect Effects 0.000 claims abstract description 12
- 238000013461 design Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims 1
- 238000005094 computer simulation Methods 0.000 abstract description 4
- 239000003795 chemical substances by application Substances 0.000 description 25
- 238000005457 optimization Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于EOASM算法在码垛机器人驱动臂座的代理模型构建中的应用方法。由于解决复杂工程问题时,需要采用计算机仿真,成本高、周期长,所以提出一种基于局部误差期望加点的组合代理模型构建方法(EOASM法),并应用在码垛机器人驱动臂座的最大应力建模中。首先,构造驱动臂座的几何模型;其次,产生初始样本,选择驱动臂座的最大应力为性能函数,并调用静力学仿真模型获取初始样本的真实响应值;然后,构建初始的Kriging和RBF代理模型;最后通过本发明提出的EOASM算法构建满足精度要求的最终组合代理模型。本发明提出一种EOASM算法,不仅能保证模型预测精度,也能使样本总数尽可能低,具有较强的稳健性,应用前景更广泛。
Description
技术领域
本发明属于工程设计技术领域,尤其涉及一种基于局部误差期望加点的组合代理模型构建方法(EOASM法)在码垛机器人驱动臂座的代理模型构建中的应用方法。
背景技术
在机械设计和优化等工程问题中,进行大量的真实物理实验是困难的,通常采用计算机仿真替代大部分的真实物理实验。对于复杂工程问题,即使是计算机仿真实验通常也需要大量时间成本,进而导致后期的分析与优化设计工作难以进行。代理模型是对真实物理模型的一种近似建模,可以在确保模型精度的前提下,节约大量分析计算成本,极大地减少了大型工程优化问题中的工作量,进而得到了广泛的应用。代理模型的基本原理是利用插值技术或者拟合技术对复杂或者未知的函数关系或工程实例进行替代。现今常用的代理模型主要有Kriging模型、人工神经网络模型、径向基函数(Radial Basis Function,RBF)模型、支持向量回归模型、多项式响应面模型等。
代理模型的构建基础便是样本点,若想一次获得高精度代理模型,需要一次性加入大量样本点,计算量过大。现在针对单一代理模型发展了各种加点方法,即开始采取少量样本点后期根据代理模型的精度变化特点而进行序列加点,如此可以在同等精度条件下有效减少所需样本总量。但是现有的加点策略主要是针对单一的某一种代理模型,通用性较差。如果需要针对不同种类代理模型进行加点,则加点与建模成本过高,所以本发明提出了一种通用的基于局部误差期望的加点策略。该方法首先将每个样本点的局部误差统一考虑,计算所有样本点的期望值后并在满足加点条件的样本点处加点,进而平衡全局与局部预测精度。
另外对于一个特定的复杂工程实例问题来说,如何找到一个适合此问题的代理模型与其匹配是一个难题。为提高代理模型的适应性,一个合理的选择是使用多个单一代理模型的线性组合,即组合代理模型。和单一代理模型相比,组合代理模型直接对代理模型候选集进行加权组合,节约了大量浪费在筛选代理模型上的时间。黄焕军等人发现,组合代理模型不仅比单一代理模型的预测精度高,而且还能促进搜索优化问题的最优解;晏良等人提出一种新的权函数构造方法,该方法与最优子模型的精度相当,同时能提高对真实响应分布的逼近;吕志明等提出一种基于多代理模型的优化方法,结果显示比单一代理模型的寻优效果更好;L.H.Ouyang等人运用方差分析方法确定组合代理模型中单一代理模型权重的选择,并通过一个微钻过程说明了该技术的有效性,比较结果表明,此方法不仅能提高模型的预测性能,而且能生成可靠的质量设计方案。但是在现有的代理模型研究中,很少有学者将组合代理模型与序列采样有机结合起来。本发明在基于本发明提出的局部误差期望加点序列采样方法的基础上,进一步提出了一种自适应组合代理模型构建方法(Ensemble ofAdaptive Surrogate Model,简称为EOASM)。
随着工业自动化的发展,码垛机器人因其高生产效率、节省人力物力而使用广泛,但是由于高强度的运作,码垛机器人的大臂与其驱动臂座装配处经常产生较大的应力,长时间容易产生疲劳损伤,使零部件的故障率提高,工作的可靠性降低。由于应力的非线性程度较强,难以用显式函数表达,目前常用的方法便是依靠大规模的计算机仿真实验,但是其十分耗费人力物力。本发明将本发明提出的基于局部误差期望加点的自适应组合代理模型应用到码垛机器人驱动臂座的应力计算中,可以在减少人力物力消耗的条件下获得较高精度的最大应力模型。
本发明首次提出基于局部误差期望加点的采样策略,有机融合了自适应加点与组合代理模型构建,流程方便简洁,在保证一定精度前提下所添加的样本总数得到有效控制,具有更广泛的应用前景。
发明内容
本发明的发明目的是:为了解决传统代理模型加点策略的不统一性,预测精度的稳健性较低,本发明提出了一种基于局部误差期望加点的组合代理模型构建方法在码垛机器人驱动臂座的代理模型构建中的应用方法。
本发明的技术方案是:一种基于局部误差期望加点的组合代理模型构建方法在码垛机器人驱动臂座的代理模型构建中的应用方法,其特征在于,包括以下步骤:
A、建立码垛机器人驱动臂座的几何模型;
B、对码垛机器人驱动臂座的几何模型进行材料配置;
C、利用试验设计技术产生初始样本,选择码垛机器人驱动臂座的最大应力为性能函数,并调用静力学仿真模型获取初始样本对于性能函数的真实响应值;
D、根据C中的样本信息及其响应值构建初始的Kriging和RBF代理模型;
E、通过EOASM算法构建满足精度要求的最终组合代理模型;
所述步骤A建立码垛机器人驱动臂座的几何模型为通过ANSYS依据相关参数建立的几何模型。
所述步骤B对码垛机器人驱动臂座的几何模型进行材料配置,具体为:
B1、定义码垛机器人驱动臂座的材料属性,确定设计变量。驱动臂座的材料采用QT500-7,密度为7×103Kg/m3,弹性模量为1.62×1011Pa,泊松比为0.28,屈服强度为3.2×108Pa,张力强度为5×108Pa,抗剪模量为6.27×1010Pa,所确定的设计变量有4个分别为x1、x2、x3、x4。
B2、执行网格无关性检验并选择适合的方案。
所述步骤C利用试验设计技术产生初始样本,选择码垛机器人驱动臂座的最大应力为性能函数,并调用静力学仿真模型获取初始样本对于性能函数的真实响应值,具体为:
C1、利用拉丁超立方试验生成初始样本点,选择码垛机器人驱动臂座的最大应力为性能函数;
C2、调用静力学仿真模型获取初始样本点处针对性能函数的真实响应值;
进一步地,所述步骤D根据C中的样本信息及其响应值构建初始的Kriging和RBF代理模型;
所述步骤E通过D中建立的初始代理模型构建最终的组合代理模型,利用基于局部误差期望加点的序列迭代准则建立精度更高的单一代理模型,最后通过组合代理模型构建方法构建最终的组合代理模型,具体包括以下分步骤:
E1、根据步骤A、B、C和D得到码垛机器人驱动臂座的几何模型,包括设计变量的个数以及其取值范围;
E2、利用初始样本分别获取Kriging和RBF代理模型每个点的局部误差,以及每个单一代理模型对于性能函数的局部误差均值;
E3、通过局部误差期望加点准则进行迭代求解,增加新的样本点,并获取其响应值;
E4、基于E3中已更新的样本集,重新建立Kriging和RBF代理模型;
E5、检查收敛准则,如果满足,得到最终单一代理模型,构建最终码垛机器人驱动臂座的最大应力的组合代理模型,否则返回E2继续迭代加点。
本发明的有益效果是:本发明首次提出基于局部误差期望加点的采样策略,有机融合了自适应加点与组合代理模型构建,流程方便简洁,在保证一定精度前提下所添加的样本总数得到有效控制,在实际工程应用中,尤其是复杂工程优化问题或者黑箱问题,具有更广泛的应用前景。
附图说明
图1是本发明的一种基于局部误差期望加点的组合代理模型构建方法在码垛机器人驱动臂座的代理模型构建中的应用方法流程示意图。
图2是本发明中码垛机器人驱动臂座的外形结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,为本发明的一种基于EOASM算法在码垛机器人驱动臂座的代理模型构建中的应用方法流程示意图。一种基于局部误差期望加点的组合代理模型构建方法在码垛机器人驱动臂座的代理模型构建中的应用方法,包括以下步骤:
A、建立码垛机器人驱动臂座的几何模型;
B、对码垛机器人驱动臂座的几何模型进行材料配置;
C、利用试验设计技术产生初始样本,选择码垛机器人驱动臂座的最大应力为性能函数,并调用静力学仿真模型获取初始样本对于性能函数的真实响应值;
D、根据C中的样本信息及其响应值构建初始的Kriging和RBF代理模型;
E、通过本发明提出的EOASM算法构建满足精度要求的最终的码垛机器人驱动臂座的最大应力的组合代理模型;
在步骤A中,本发明以码垛机器人驱动臂座设计为例。通过ANSYS依据相关参数建立的几何模型。
在步骤B中,对码垛机器人驱动臂座的几何模型进行材料配置具体为:
B1、定义码垛机器人驱动臂座的材料属性,确定设计变量。驱动臂座的材料采用QT500-7,密度为7×103Kg/m3,弹性模量为1.62×1011Pa,泊松比为0.28,屈服强度为3.2×108Pa,张力强度为5×108Pa,抗剪模量为6.27×1010Pa,所确定的设计变量有4个分别为x1、x2、x3、x4。
B2、执行网格无关性检验并选择适合的方案。
在步骤C中,利用试验设计技术产生初始样本集合并调用静力学仿真模型获取初始样本的响应值,该步骤具体为:
C1、利用拉丁超立方试验设计方法生成初始样本点;
拉丁超立方试验设计方法生成初始样本的过程为:1)将4个设计变量均等分成m个区间;2)在每个设计变量的区间内随机取值;3)根据变量值随机选取配对,已经取过的分量不再选择,从而构成4维空间,样本数为m的拉丁超立方设计。
C2、调用静力学仿真模型获取初始样本针对最大应力的响应值;
利用拉丁超立方试验设计方法生成的样本点,并调用静力学仿真模型,获取相应样本点的响应值。
在步骤D中,通过初始样本及其响应值,利用Kriging近似方法和RBF近似方法构建初始代理模型。
在步骤E中,通过EOASM算法构建满足精度要求的码垛机器人驱动臂座的最大应力的最终组合代理模型具体步骤为:
E1、根据步骤A、B、C和D得到码垛机器人驱动臂座的几何模型,确定性能函数为码垛机器人驱动臂座的最大应力,包括设计变量的个数以及其取值范围,具体形式为:
fstress为性能函数,代表码垛机器人驱动臂座所受最大应力,式中的x1,x2,x3,x4分别为模型的四个设计变量,具体含义如下,
x1:码垛机器人驱动臂座的前板厚度,取值范围13-18mm;
x2:码垛机器人驱动臂座的后板厚度,取值范围8-13mm;
x3:码垛机器人驱动臂座的后板厚度,取值范围20-25mm;
x4:码垛机器人驱动臂座的加强筋厚度,取值范围8-13mm。
E2、利用初始样本分别获取Kriging和RBF代理模型每个点的局部误差,以及整个模型的局部误差均值,主要有以下几个步骤:
(1)根据初始样本及其响应值构建Kriging和RBF代理模型;
(2)局部误差用绝对误差(Absolute Error,AE)评价,利用交叉验证分别获得每个样本点的局部误差;
(3)计算局部误差期望E[AE],表达式如下所示:
式中,AEi为每一个样本点的绝对误差,N为样本点个数。
E3、通过局部误差期望加点准则进行迭代求解,增加新的样本点,并获取其响应值,具体过程如下:
(1)计算样本点支配半径。由于拉丁超立方抽样确定的初始样本点具有一定的样本均布性,可以给每个样本点设置相同的加点半径。N个样本点可以将设计空间N-1部分,为确保每个样本点的加点半径尽可能不相交,本专利提出样本点支配半径的概念,样本点第j个维度坐标的支配半径Rj,表达式如下:
式中,n为维度大小,xjmax与xjmin分别为该工程问题设计空间不同维度的上下限。则每个样本点的加点半径R=(R1,R2,...Rj,...Rn)。
(2)获取新样本点。当AEi>E[AE]时,可知此样本点非线性程度比较大,其预测不确定性比已有样本点的平均预测不确定性大,所以在此样本点的支配半径R内等概率随机加入一个样本点。
(3)对于新获取的样本点,代入静力学仿真计算出其真实的最大应力响应值。
E4、基于E3中已更新的样本集,重新建立Kriging和RBF代理模型;
E5、检查收敛准则,如果满足,得到最终单一代理模型,进而构建最终的码垛机器人驱动臂座所受最大应力的组合代理模型,否则返回E2继续迭代加点。最终组合代理模型的构建步骤为:
(1)计算收敛后的Kriging代理模型和RBF代理模型的权系数,其权系数计算公式为:
(2)进而通过对各单一代理模型进行线性加权获得最终的码垛机器人驱动臂座的最大应力的组合代理模型。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种基于EOASM算法在码垛机器人驱动臂座的代理模型构建中的应用方法,其特征在于,包括以下步骤:
A、建立码垛机器人驱动臂座的几何模型;
B、对码垛机器人驱动臂座的几何模型进行材料配置;
C、利用试验设计技术产生初始样本,选择码垛机器人驱动臂座的最大应力为性能函数,并调用静力学仿真模型获取初始样本对于性能函数的真实响应值;
D、根据C中的样本信息及其响应值构建初始的Kriging和RBF代理模型;
E、通过本发明提出的EOASM算法构建满足精度要求的最终组合代理模型;
所述步骤A建立码垛机器人驱动臂座的几何模型为通过ANSYS依据相关参数建立的几何模型;
所述步骤B对码垛机器人驱动臂座的几何模型进行材料配置,具体为:
B1、定义码垛机器人驱动臂座的材料属性,确定设计变量;
B2、执行网格无关性检验并选择适合的方案;
所述步骤C利用试验设计技术产生初始样本,选择码垛机器人驱动臂座的最大应力为性能函数,并调用静力学仿真模型获取初始样本对于性能函数的真实响应值,具体为:
C1、利用拉丁超立方试验生成初始样本点,选择码垛机器人驱动臂座的最大应力为性能函数;
C2、调用静力学仿真模型获取初始样本点处针对性能函数的真实响应值;
进一步地,所述步骤D根据C中的样本信息及其响应值构建初始Kriging和RBF代理模型;
所述步骤E通过D中建立的初始代理模型通过本发明提出的EOASM算法构建最终的组合代理模型,利用基于局部误差期望加点的序列迭代准则建立精度更高的单一代理模型,最后通过组合代理模型构建方法构建最终的组合代理模型,具体包括以下分步骤:
E1、根据步骤A、B、C和D得到码垛机器人驱动臂座的几何模型,包括设计变量的个数以及其取值范围;
E2、利用初始样本分别获取Kriging和RBF代理模型每个点的局部误差,以及每个单一代理模型对于性能函数的局部误差均值;
E3、通过局部误差期望加点准则进行迭代求解,增加新的样本点,并获取其响应值;
E4、基于E3中已更新的样本集,重新建立Kriging和RBF代理模型;
E5、检查收敛准则,如果满足,得到最终单一代理模型,通过反比例平均化法构建码垛机器人机械臂座的最大应力的组合代理模型,否则返回E2继续迭代加点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011227323.6A CN112446110B (zh) | 2020-11-06 | 2020-11-06 | 基于eoasm算法的代理模型在码垛机器人驱动臂座的应用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011227323.6A CN112446110B (zh) | 2020-11-06 | 2020-11-06 | 基于eoasm算法的代理模型在码垛机器人驱动臂座的应用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112446110A true CN112446110A (zh) | 2021-03-05 |
CN112446110B CN112446110B (zh) | 2022-04-05 |
Family
ID=74736771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011227323.6A Expired - Fee Related CN112446110B (zh) | 2020-11-06 | 2020-11-06 | 基于eoasm算法的代理模型在码垛机器人驱动臂座的应用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446110B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094642A (zh) * | 2021-04-14 | 2021-07-09 | 电子科技大学 | 一种面向区域内机械臂定位误差估算的新增采样的方法 |
CN113378314A (zh) * | 2021-05-25 | 2021-09-10 | 电子科技大学 | Tw-ei在机械夹爪手指部件设计中的应用方法 |
CN114722491A (zh) * | 2022-01-21 | 2022-07-08 | 电子科技大学 | 一种基于代理模型的集成优化设计在燃料舱外壳成形中的应用方法 |
CN114722658A (zh) * | 2022-01-21 | 2022-07-08 | 电子科技大学 | 一种基于数据驱动的多信任度协同元模型在预测燃料舱焊接变形的应用方法 |
WO2023077275A1 (zh) * | 2021-11-02 | 2023-05-11 | 西门子股份公司 | 机床加工精度预测方法、装置、存储介质和电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491627A (zh) * | 2018-03-22 | 2018-09-04 | 东北大学 | 一种机械零部件结构的可靠性分析方法 |
CN109236258A (zh) * | 2018-10-27 | 2019-01-18 | 中国地质大学(北京) | 一种基于自适应代理模型的致密油藏压裂水平井优化方法 |
WO2019085145A1 (zh) * | 2017-10-31 | 2019-05-09 | 中国矿业大学 | 超深井提升容器多失效模式的可靠性稳健设计方法 |
CN110110385A (zh) * | 2019-04-12 | 2019-08-09 | 电子科技大学 | 基于复合形的自适应代理模型在电池模块优化设计中的应用方法 |
CN110362929A (zh) * | 2019-07-17 | 2019-10-22 | 重庆大学 | 一种组合结合面的装配误差传递属性分析方法 |
CN110659741A (zh) * | 2019-09-03 | 2020-01-07 | 浩鲸云计算科技股份有限公司 | 一种基于分片式自动学习的ai模型训练系统和方法 |
-
2020
- 2020-11-06 CN CN202011227323.6A patent/CN112446110B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019085145A1 (zh) * | 2017-10-31 | 2019-05-09 | 中国矿业大学 | 超深井提升容器多失效模式的可靠性稳健设计方法 |
CN108491627A (zh) * | 2018-03-22 | 2018-09-04 | 东北大学 | 一种机械零部件结构的可靠性分析方法 |
CN109236258A (zh) * | 2018-10-27 | 2019-01-18 | 中国地质大学(北京) | 一种基于自适应代理模型的致密油藏压裂水平井优化方法 |
CN110110385A (zh) * | 2019-04-12 | 2019-08-09 | 电子科技大学 | 基于复合形的自适应代理模型在电池模块优化设计中的应用方法 |
CN110362929A (zh) * | 2019-07-17 | 2019-10-22 | 重庆大学 | 一种组合结合面的装配误差传递属性分析方法 |
CN110659741A (zh) * | 2019-09-03 | 2020-01-07 | 浩鲸云计算科技股份有限公司 | 一种基于分片式自动学习的ai模型训练系统和方法 |
Non-Patent Citations (5)
Title |
---|
HUANWEIXU等: "Adaptive surrogate model-based optimization framework applied to battery pack design", 《MATERIALS & DESIGN》 * |
LAURELINE JOSSET等: "Local and Global Error Models to Improve Uncertainty Quantification", 《MATHEMATICAL GEOSCIENCES》 * |
李小刚等: "基于双层更新Kriging模型的机械结构动态特性稳健优化设计", 《机械工程学报》 * |
李志华 等: "一种优化迭代权因子的组合代理模型构建方法", 《农业机械学报》 * |
许焕卫 等: "基于灵敏度分析的区间不确定性稳健设计", 《中国机械工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094642A (zh) * | 2021-04-14 | 2021-07-09 | 电子科技大学 | 一种面向区域内机械臂定位误差估算的新增采样的方法 |
CN113094642B (zh) * | 2021-04-14 | 2023-03-31 | 电子科技大学 | 一种面向区域内机械臂定位误差估算的新增采样的方法 |
CN113378314A (zh) * | 2021-05-25 | 2021-09-10 | 电子科技大学 | Tw-ei在机械夹爪手指部件设计中的应用方法 |
WO2023077275A1 (zh) * | 2021-11-02 | 2023-05-11 | 西门子股份公司 | 机床加工精度预测方法、装置、存储介质和电子设备 |
CN114722491A (zh) * | 2022-01-21 | 2022-07-08 | 电子科技大学 | 一种基于代理模型的集成优化设计在燃料舱外壳成形中的应用方法 |
CN114722658A (zh) * | 2022-01-21 | 2022-07-08 | 电子科技大学 | 一种基于数据驱动的多信任度协同元模型在预测燃料舱焊接变形的应用方法 |
CN114722491B (zh) * | 2022-01-21 | 2023-10-24 | 电子科技大学 | 一种基于代理模型的集成优化设计在燃料舱外壳成形中的应用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112446110B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112446110B (zh) | 基于eoasm算法的代理模型在码垛机器人驱动臂座的应用方法 | |
Sathish | Prediction of springback effect by the hybridisation of ANN with PSO in wipe bending process of sheet metal | |
CN111182564B (zh) | 一种基于lstm神经网络的无线链路质量预测方法 | |
CN107368649A (zh) | 一种基于增量Kriging的序列优化试验设计方法 | |
CN111597631A (zh) | 基于自适应代理模型的汽车风阻系数优化方法 | |
CN113204906B (zh) | 一种考虑结构稳定性的多相材料拓扑优化设计方法和系统 | |
CN114792037B (zh) | 一种超材料隔振器的序贯稳健性优化设计方法 | |
CN113378314A (zh) | Tw-ei在机械夹爪手指部件设计中的应用方法 | |
CN109255141A (zh) | 一种汽车车身正向概念设计截面形状优化方法 | |
CN114564787A (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
CN111913887B (zh) | 一种基于贝塔分布和贝叶斯估计的软件行为预测方法 | |
CN111539138A (zh) | 基于阶跃函数的结构动力学峰值时域响应灵敏度求解方法 | |
CN114818128B (zh) | 船体局部曲面优化神经网络建模方法及优化方法 | |
CN116756851A (zh) | 基于nffd背景网格的参数化网格变形方法及系统 | |
CN113705060B (zh) | 考虑边界优化的拓扑优化方法、系统及存储介质 | |
CN114676522B (zh) | 融合gan和迁移学习的气动形状优化设计方法及系统及设备 | |
CN113763710B (zh) | 一种基于非线性自适应系统的短期交通流预测方法 | |
CN114722658B (zh) | 一种基于数据驱动的多信任度协同元模型在预测燃料舱焊接变形的应用方法 | |
Weyer et al. | The ASMOD algorithm: some new theoretical and experimental results | |
CN113722853B (zh) | 一种面向智能计算的群智能进化式工程设计约束优化方法 | |
CN112947329B (zh) | 分布参数系统的事件触发控制方法及系统 | |
Shao et al. | A high-order iterative learning control for discrete-time linear switched systems | |
CN114494642B (zh) | 基于应力梯度的自适应t样条fcm结构优化设计方法 | |
Tang et al. | Forming Parameter Optimization based on Kriging Model and Genetic Algorithm | |
CN114722491B (zh) | 一种基于代理模型的集成优化设计在燃料舱外壳成形中的应用方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220405 |