CN113111436B - 一种飞机大部件预连接布局及多约束作用顺序优化方法 - Google Patents
一种飞机大部件预连接布局及多约束作用顺序优化方法 Download PDFInfo
- Publication number
- CN113111436B CN113111436B CN202110407377.9A CN202110407377A CN113111436B CN 113111436 B CN113111436 B CN 113111436B CN 202110407377 A CN202110407377 A CN 202110407377A CN 113111436 B CN113111436 B CN 113111436B
- Authority
- CN
- China
- Prior art keywords
- assembly
- ann
- connection
- connection layout
- airplane
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000009471 action Effects 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010197 meta-analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000004044 response Effects 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
- G06F30/15—Vehicle, aircraft or watercraft 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
Abstract
本发明提供一种飞机大部件预连接布局及多约束作用顺序优化方法,包括:采用有限元分析软件,进行预连接过程仿真,获得复数组一一对应的预连接布局及顺序与装配偏差和残余间隙数据,作为训练数据;基于多层非线性人工神经网络RBF‑ANN建立飞机大部件预连接装配质量预测模型;基于该装配质量预测模型,以装配偏差加权范数和装配残余间隙加权范数构造的装配质量综合指标最小化为适应度函数,建立飞机大部件预连接布局及多约束作用顺序优化模型,求解得到最优预连接布局和最优作用顺序。本发明通过创建预连接布局及多约束作用顺序优化模型,快速准确获得飞机大部件预连接和顺序最优方案,提高装配效率和产品质量。
Description
技术领域
本发明涉及飞机大部件装配制造领域,尤其涉及一种飞机大部件预连接布局及多约束作用顺序优化方法。
背景技术
由于飞机大部件装配过程中极易产生误差和变形,且各误差源在逐级装配过程中不断传递和累积,使得实际典型飞机大部件“机翼翼盒”的壁板与骨架均偏离其名义外形尺寸,出现较大的装配间隙。飞机大部件装配间隙超差可能导致制孔毛刺进入间隙划伤产品、壁板拆卸复位时与骨架上的紧固孔位置对其、连接后部件出现鼓包等问题。
目前,在飞机机翼翼盒装配工艺中,通常先将壁板与骨架对合后,加工预紧固孔并安装穿心夹或螺栓等预连接件,实现壁板与骨架的临时连接和相对定位,来减小壁板与骨架之间的装配间隙,以便后续翼盒自动化制孔设备的连续制孔、插钉。生产过程中发现,预连接布局(即预连接点的位置分布)及预连接点的连接顺序会影响预连接后翼盒的装配偏差以及翼盒其余紧固孔位置的间隙水平,需要不断尝试,现有技术中还没有能快速找到满足一定装配偏差和间隙控制效果的预连接布局及顺序的方法。有鉴于此,亟待找出一种可以快速查找最优化的预连接布局及顺序以降低装配偏差和间隙的方法,提高装配效率,从而提高产品质量。
发明内容
本发明要解决的技术问题,在于提供一种飞机大部件预连接布局及多约束作用顺序优化方法,提高产品质量和装配效率。
本发明提供了一种飞机大部件预连接布局及多约束作用顺序优化方法,包括:
步骤S1、采用有限元分析软件,基于可等效样本总体的有限样本进行预连接过程仿真,获得复数组一一对应的预连接布局及顺序与装配偏差Δvariation和残余间隙Δresidualgap数据,作为训练数据;
步骤S2、基于多层非线性人工神经网络RBF-ANN建立飞机大部件预连接装配质量预测模型,并采用所述步骤S1中的训练数据进行训练,所述装配质量预测模型为:
其中,dANN和sANN为预连接装配质量预测模型的神经网络RBF-ANN的输入,dANN表示预连接布局训练数据,sANN表示预连接顺序训练数据,DANN为所有可能的预连接布局构成的解空间,SANN为所有可能的多约束作用顺序构成的解空间;oANN为神经网络RBF-ANN的输出,oANN表示基于装配偏差Δvariation加权范数和装配残余间隙Δresidualgap加权范数构造的装配质量综合指标训练数据,OANN为所有可能的装配质量综合指标构成的数据空间;
步骤S3、以装配偏差加权范数和装配残余间隙加权范数构造的装配质量综合指标最小化为适应度函数,建立飞机大部件预连接布局及多约束作用顺序优化模型Φ,求解得到最优预连接布局和最优作用顺序所述飞机大部件预连接布局及多约束作用顺序优化模型Φ如下:
其中,DANN表示预连接布局变量,SANN表示预连接顺序变量。
进一步的,所述步骤S1前还包括:
设定机翼翼盒的紧固孔个数为K个,预连接点个数为k,引入工程约束,获取装配工艺中确定不变的预连接点个数k0,其中k0≤k,经排列组合得到P(K-k0,k-k0)组对应的数据,作为训练数据。
进一步的,所述训练数据中装配质量综合指标oANN的具体公式如下:
进一步的,所述方法还包括:通过历史积累的相关数值模拟数据以及现场实测数据,驱动所述预测模型持续更新。
本发明的优点在于:
通过创建预连接布局及多约束作用顺序优化模型,以飞机大部件装配偏差和残余间隙综合评价指标最优为目标函数,求得最佳装配效果下预连接布局和预连接顺序,实现对飞机大部件预连接和顺序最优化的快速查找,为装配工艺规范提供理论基础和技术支持,从而提高装配效率,减小装配间隙,提高产品质量。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明一种飞机大部件预连接布局及多约束作用顺序优化方法的执行流程图。
图2为本发明涉及的典型飞机大部件机翼翼盒装配间隙示意图。
具体实施方式
如图1和图2所示,本发明的一种飞机大部件预连接布局及多约束作用顺序优化方法,包括:
步骤S1、采用有限元分析软件,基于可等效样本总体的有限样本进行预连接过程仿真,获得复数组一一对应的预连接布局及顺序与装配偏差Δvariation和残余间隙Δresidualgap数据,作为训练数据;
步骤S2、基于多层非线性人工神经网络RBF-ANN建立飞机大部件预连接装配质量预测模型,并采用所述步骤S1中的训练数据进行训练,所述装配质量预测模型为:
其中,dANN和sANN为预连接装配质量预测模型的神经网络RBF-ANN的输入,dANN表示预连接布局训练数据,sANN表示预连接顺序训练数据,DANN为所有可能的预连接布局构成的解空间,SANN为所有可能的多约束作用顺序构成的解空间;oANN为神经网络RBF-ANN的输出,oANN表示基于装配偏差Δvariation加权范数和装配残余间隙Δresidualgap加权范数构造的装配质量综合指标训练数据,OANN为所有可能的装配质量综合指标构成的数据空间;飞机大部件预连接布局及顺序与装配偏差和残余间隙等装配质量评价指标之间为多因素耦合的复杂非线性关系,因而基于多层非线性人工神经网络如RBF-ANN,建立飞机大部件预连接装配质量预测模型,可以揭示装配质量对预连接布局及顺序的非线性响应规律。将预连接布局dANN及顺序sANN作为RBF-ANN的输入,同时将基于装配偏差Δvariation加权范数和装配残余间隙Δresidualgap加权范数构造的装配质量综合指标作为RBF-ANN的输出oANN,比如,在一典型飞机大部件机翼翼盒装配结构中,如图2所示,壁板和骨架叠层结构上需开设K个紧固孔,用于壁板与骨架进行连接,壁板内形与骨架外形之间的空间叫做装配间隙,例如,假设需要设置9个紧固孔,那么某一种预连接布局可以表示为[1,1,0,1,0,1,0,0,1],其表示第1,2,4,6,9个紧固孔被选为预连接点,而3,5,7,8未被选中。而顺序可以理解为:对于当1,2,4,6,9这五个紧固孔被选为预连接点后,这五个预连接点的预连接先后顺序。装配偏差Δvariation是指在飞机大部件这个装配体表面上设置一些观测点,装配前后观测点的变形量或者偏移量叫做装配偏差。而装配残余间隙是在预连接点之间选择一些位置作为观测点,通常将未被选为预连接点的紧固孔位置作为装配残余间隙观测点,监测预连接后这些位置点处的间隙大小,将预连接前这些点的间隙称为初始间隙,预连接后这些位置点的间隙一般随着预连接点的连接而减小,称为残余间隙。
步骤S3、以装配偏差加权范数和装配残余间隙加权范数构造的装配质量综合指标最小化为适应度函数,建立飞机大部件预连接布局及多约束作用顺序优化模型Φ,求解得到最优预连接布局和最优作用顺序所述飞机大部件预连接布局及多约束作用顺序优化模型Φ如下:
其中,DANN表示预连接布局变量,SANN表示预连接顺序变量。
较佳的,所述步骤S1前还包括:
设定机翼翼盒的紧固孔个数为K个,预连接点个数为k,引入工程约束,获取装配工艺中确定不变的预连接点个数k0,其中k0≤k,经排列组合得到P(K-k0,k-k0)组对应的数据,作为训练数据。作为典型飞机大部件,机翼翼盒的预连接涉及从K个紧固孔中选取k个作为预连接点,预连接布局及顺序的排列组合数量多达Pall(K,k)个,本申请引入工程约束,即选择k0个紧固孔作为初始预连接点并按顺序实施预连接,其中k0≤k,进而通过有限样本等效预连接布局及顺序的样本总体。考虑工程约束后的飞机大部件预连接布局及顺序排列组合数量为P(K-k0,k-k0),与预连接布局及顺序样本总体的比值为rconst。之后采用有限元分析,基于可等效样本总体的有限样本进行预连接过程仿真,可以获得飞机大部件预连接装配质量预测步骤S2装配质量预测模型的训练数据,即多组一一对应的预连接布局及顺序与装配偏差和残余间隙数据。该比值rconst用公式表示如下:
从该公式可以看出,考虑工程约束后,可以极大的缩减预连接布局及约束作用顺序优化的样本数量,分母与K相关,当K越大,是否考虑工程约束的样本总体的差值也越大。
较佳的,所述训练数据中装配质量综合指标oANN的具体公式如下:
其中,w表示装配偏差观测点数量,u表示装配残余间隙观测点数量,χi表示第i个装配偏差的权重值,κj表示第j个装配残余间隙的权重值,表示装配偏差加权范数的权重值,表示装配残余间隙加权范数的权重值。考虑不同装配偏差观测点的重要性以及不同紧固孔处残余间隙的影响不同,对其施加不同权重χi和κj,同时为了平衡装配偏差和残余间隙对RBF-ANN模型训练过程的影响,对两者的范数施加不同权重和上述权重值的取值范围一般在[0,1]之间,可以依据飞机部件不同区域的设计容差来确定。对于设计容差较紧的区域的观测点的权重可以设置的大一些,若某区域对装配间隙的要求相对于外形要求更高的,可以将装配残余间隙Δresidualgap加权范数的权重值设计的更大些。在此基础上,通过步骤S1所获得的样本数据的模型训练,建立基于RBF-ANN的飞机大部件预连接装配质量预测模型。
较佳的,所述步骤S3中采用粒子群优化算法,求解得到最优预连接布局和最优作用顺序预连接布局及多约束作用顺序优化本质上属于排列组合优化问题,可以采用群体智能算法如粒子群算法求解。基于飞机大部件预连接工艺过程样本等效策略,快速求解各预连接布局及顺序下的装配偏差及残余间隙样本数据。
较佳的,所述方法还包括:通过历史积累的相关数值模拟数据以及现场实测数据,驱动所述预测模型的持续更新。
本发明通过创建预连接布局及多约束作用顺序优化模型,以飞机大部件装配偏差和残余间隙综合评价指标最优为目标函数,求解得最佳装配效果下预连接布局和预连接顺序,实现对飞机大部件预连接和顺序最优化的快速查找,为装配工艺规范提供理论基础和技术支持,从而提高装配效率,减小装配间隙,提高装配质量。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (5)
1.一种飞机大部件预连接布局及多约束作用顺序优化方法,其特征在于:包括:
步骤S1、采用有限元分析软件,基于可等效样本总体的有限样本进行预连接过程仿真,获得复数组一一对应的预连接布局及顺序与装配偏差Δvariation和残余间隙Δresidualgap数据,作为训练数据;
步骤S2、基于多层非线性人工神经网络RBF-ANN建立飞机大部件预连接装配质量预测模型,并采用所述步骤S1中的训练数据进行训练,所述装配质量预测模型为:
其中,dANN和sANN为预连接装配质量预测模型的神经网络RBF-ANN的输入,dANN表示预连接布局训练数据,sANN表示预连接顺序训练数据,DANN为所有可能的预连接布局构成的解空间,SANN为所有可能的多约束作用顺序构成的解空间;oANN为神经网络RBF-ANN的输出,oANN表示基于装配偏差Δvariation加权范数和装配残余间隙Δresidualgap加权范数构造的装配质量综合指标训练数据,OANN为所有可能的装配质量综合指标构成的数据空间;
步骤S3、以装配偏差加权范数和装配残余间隙加权范数构造的装配质量综合指标最小化为适应度函数,建立飞机大部件预连接布局及多约束作用顺序优化模型Φ,求解得到最优预连接布局和最优作用顺序所述飞机大部件预连接布局及多约束作用顺序优化模型Φ如下:
其中,DANN表示预连接布局变量,SANN表示预连接顺序变量。
2.如权利要求1所述的一种飞机大部件预连接布局及多约束作用顺序优化方法,其特征在于:所述步骤S1前还包括:
设定机翼翼盒的紧固孔个数为K个,预连接点个数为k,引入工程约束,获取装配工艺中确定不变的预连接点个数k0,其中k0≤k,经排列组合得到P(K-k0,k-k0)组对应的数据,作为训练数据。
5.如权利要求1所述的一种飞机大部件预连接布局及多约束作用顺序优化方法,其特征在于:所述方法还包括:通过历史积累的相关数值模拟数据以及现场实测数据,驱动所述预测模型持续更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407377.9A CN113111436B (zh) | 2021-04-15 | 2021-04-15 | 一种飞机大部件预连接布局及多约束作用顺序优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407377.9A CN113111436B (zh) | 2021-04-15 | 2021-04-15 | 一种飞机大部件预连接布局及多约束作用顺序优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111436A CN113111436A (zh) | 2021-07-13 |
CN113111436B true CN113111436B (zh) | 2022-05-31 |
Family
ID=76717392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110407377.9A Active CN113111436B (zh) | 2021-04-15 | 2021-04-15 | 一种飞机大部件预连接布局及多约束作用顺序优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111436B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077295B (zh) * | 2023-10-16 | 2023-12-19 | 泉州装备制造研究所 | 一种基于预连接数字孪生模型的预连接件数量优选方法 |
CN117113589B (zh) * | 2023-10-23 | 2024-02-13 | 泉州装备制造研究所 | 一种弱刚性薄壁结构预连接工艺多目标智能优化方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750408B (zh) * | 2012-06-08 | 2014-06-11 | 中国航空工业集团公司西安飞机设计研究所 | 一种飞机辅助动力装置安装拉杆布局方法 |
CN108733914A (zh) * | 2018-05-17 | 2018-11-02 | 复旦大学 | 基于人工神经网络的跨音速翼型自然层流延迟转捩设计方法 |
CN108648224B (zh) * | 2018-05-18 | 2021-07-13 | 杭州电子科技大学 | 一种基于人工神经网络的实时场景布局识别及重建的方法 |
US11604906B2 (en) * | 2019-09-17 | 2023-03-14 | Dassault Systemes Simulia Corp. | System and method for crashworthiness analytics in design |
-
2021
- 2021-04-15 CN CN202110407377.9A patent/CN113111436B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113111436A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113111436B (zh) | 一种飞机大部件预连接布局及多约束作用顺序优化方法 | |
CN111257934B (zh) | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 | |
CN109271653B (zh) | 一种基于形位公差与尺寸公差的机械零件选配方法 | |
CN110046408B (zh) | 基于bp神经网络微分与区间分析的区间不确定性优化方法 | |
CN109063234A (zh) | 一种考虑多类型不确定性的高速压力机施力部件可靠性设计方法 | |
CN116305522A (zh) | 一种基于数字孪生的飞机结构可靠性仿真试验模型标定方法、设备、介质 | |
CN112989521B (zh) | 一种基于微弯曲成形尺寸精度多目标优化的控制方法 | |
CN111325308A (zh) | 一种非线性系统辨识方法 | |
CN113804997B (zh) | 基于双向WaveNet深度学习的电压暂降源定位方法 | |
Nielsen et al. | Product design for matrix-structured manufacturing systems | |
CN113239491B (zh) | 一种风电齿轮箱中箱体加强筋的多参数优化设计方法 | |
CN112287484B (zh) | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 | |
Bader Eddin et al. | A sound insulation prediction model for floor structures in wooden buildings using neural networks approach | |
Ma et al. | Efficient and effective dimension control in automotive applications | |
CN117154690A (zh) | 一种基于神经网络的光伏发电功率预测方法及系统 | |
CN108959721B (zh) | 一种风车荷载作用下的大跨度桥梁构件可靠度计算方法 | |
CN108334667B (zh) | 一种基于环境折合的加速可靠性试验方案设计方法 | |
CN115221622A (zh) | 一种大尺寸复合材料机身壁板装配定位夹持布局优化方法 | |
CN110083956B (zh) | 机床运动机构可靠性灵敏度分析方法 | |
CN114266349A (zh) | 一种基于自适应神经网络的潮流计算方法 | |
CN113779803A (zh) | 一种基于动态容差的加工装配交互方法 | |
CN113239495A (zh) | 一种基于矢量混合代理模型的复杂结构可靠性设计方法 | |
CN111474905A (zh) | 一种机电产品制造过程参数漂移故障诊断方法 | |
CN111506998B (zh) | 一种构建机电产品制造过程参数漂移故障特征样本库的方法 | |
CN117113589B (zh) | 一种弱刚性薄壁结构预连接工艺多目标智能优化方法 |
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 |