CN113591205B - 一种汽车结构件智能设计方法及系统 - Google Patents
一种汽车结构件智能设计方法及系统 Download PDFInfo
- Publication number
- CN113591205B CN113591205B CN202110770984.1A CN202110770984A CN113591205B CN 113591205 B CN113591205 B CN 113591205B CN 202110770984 A CN202110770984 A CN 202110770984A CN 113591205 B CN113591205 B CN 113591205B
- Authority
- CN
- China
- Prior art keywords
- information
- difficult
- automobile structural
- structural part
- intelligent
- 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
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
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Automobile Manufacture Line, Endless Track Vehicle, Trailer (AREA)
Abstract
本发明涉及汽车设计领域,尤其涉及一种汽车结构件智能设计方法及系统。采用综合结构、工艺、材料、性能信息的智能设计方法,使其在设计之初就能满足产品的安装、工艺和使用的需求,减少了设计部门与制造部门之间的反复修改的次数,大大减小产品的研发周期,节约时间成本,并且对难成形区域和易成形区域进行划分,可以着重对难成形区域进行智能设计,节约设计资源,更容易将其参数化表达与编码,同时,使用智能学习算法和智能推理算法对材料、结构、工艺和性能进行学习和推理,可以弥补在大数据情况下人工的不足,可以最大化、有效化的利用汽车结构件设计和制造过程中的各类数据信息,并且当案例库的数据越丰富,推理得到的结果越准确。
Description
技术领域
本发明涉及汽车设计领域,尤其涉及一种汽车结构件智能设计方法及系统。
背景技术
在传统的汽车结构件产品研发过程中,一般是先进行零件的结构设计,再进行工艺设计。但是在实际的研发过程中,这一过程并不是一次完成的,往往要经过几轮的结构设计-工艺设计-再结构设计-再工艺设计,期间还要进行零件的性能校核。整个设计过程经历多个反复设计,浪费大量的时间和精力,严重影响产品的研发周期。
以往的结构-工艺并行设计都是采用人工同时对零件进行结构合适和工艺设计,实际上并没有减少反复修改设计的次数。人工智能的出现和使用,可以代替人工做这部分反复修改的工作,但是复杂的零件难以将其参数化编码。同时,针对汽车结构件而言,并不是零件上的所有区域都需要进行结构设计-工艺设计的多轮优化,只有零件难以成形的区域需要进行反复优化,且零件难成形区域在整个零件中的占比往往不足一半。现有的汽车结构件设计模式未对零件的难易成形区域进行划分,因而存在大量的重复设计和无效设计,且造成时间和资源的浪费。
发明内容
本发明要解决的技术问题是:提供一种汽车结构件智能设计方法及系统,能够减少汽车结构件产品在设计部门与制造部门之间反复修改的次数,大大减小汽车结构件产品的研发周期,节约时间成本。
为解决上述技术问题,本发明采用的技术方案是:
一种汽车结构件智能设计方法,包括以下步骤:
S1,确定所要设计的汽车结构件的产品种类;
S2,将所要设计的汽车结构件划分为难成形区域和易成形区域,若为难成形区域,则执行S3,若为易成形区域,则不进行智能设计;
S3,输入汽车结构件难成形区域的初始结构信息、工艺信息、材料信息和性能信息,并进行参数化编码处理;
S4,根据安装、工艺和使用的需求,确定所要设计的难成形区域的约束条件,具体包括结构约束、工艺约束、材料约束和性能约束;
S5,结合案例库中已有的案例信息,运用智能学习算法对初始结构、工艺、材料、性能信息参数化编码处理后的值进行学习,得出耦合结构、工艺、材料、性能信息的训练模型;
S6,以S4中所述约束条件作为边界条件,并以S5中所述训练模型作为初始函数建立适应度函数,运用智能推理算法推理得出初步局部模型;
S7,对S6中所述初步局部模型进行试制和性能校核试验,判断其是否满足合格件要求,若不满足,则根据其缺陷在约束条件中进一步约束,并重新执行S6;若满足,则将该局部模型输出为智能设计后的难成形区域,并将该局部模型及其结构、工艺、材料、性能信息作为案例信息存入案例库中;
S8,将所述智能设计后的难成形区域与所述易成形区域组合在一起,形成所要设计的汽车结构件。
进一步的,所述划分为难成形区域和易成形区域的依据是:根据该种类汽车结构件的模拟仿真结果和实际生产经验,将实际加工成形过程中容易损坏或出现缺陷的区域划分为难成形区域,不易损坏且不易出现缺陷的区域划分为易成形区域。
进一步的,所述结构信息为汽车结构件难成形区域的几何结构参数,可分为纵轴线参数和横截面参数,所述纵轴线参数包括拐角和圆角的角度值,所述横截面参数包括截面宽度值、拉深高度值、法兰边宽度值和上圆角、下圆角、拔模角角度值;
所述工艺信息为汽车结构件难成形区域加工过程中的工艺参数,包括冲压速度、压边力、拉延系数、凹凸模圆角角度值;
所述材料信息为汽车结构件难成形区域所用材料的特性参数,包括材料种类、屈服强度、抗拉强度、硬化指数;
所述性能信息为汽车结构件难成形区域性能参数,包括零件的减薄率、回弹值、强度、刚度。
进一步的,所述结构约束为汽车结构件难成形区域安装所需的结构尺寸,具体为所述结构信息中为满足安装需求而必须保证的参数;
所述工艺约束为汽车结构件难成形区域工艺设计时的要求值,具体为所述工艺信息中为满足工艺加工需求而必须保证的参数;
所述材料约束与所述所述材料信息相同,在汽车结构件难成形区域使用的材料型号确定后,所述材料约束就已确定;
所述性能约束为汽车结构件难成形区域的产品性能的要求,具体为所述性能信息中为满足产品使用需求而必须保证的参数。
进一步的,所述智能学习算法具体为神经网络算法,将初始结构、工艺、材料、性能信息中任意三类信息作为输入,输出剩余的一类信息,其训练学习用的数据来源于案例库中已有的案例信息;所述训练模型具体为神经网络模型。
进一步的,所述智能推理算法具体为遗传算法,根据所述适应度函数和所述边界条件进行寻优计算,输入结构、工艺、材料、性能参数中的任意三种参数,即可输出剩余的一种参数,进而得出满足安装、工艺和使用需求的初步局部模型。
进一步的,所述初步局部模型中包括结构信息、工艺信息、材料信息和性能信息参数化值。
进一步的,所述满足合格件的依据是:试制的产品经试验检验满足产品的性能需求,且试制加工过程中没有损坏或出现缺陷。
一种汽车结构件智能设计系统,包括:
产品选择模块,用于选择汽车结构件的产品种类;
分区选择模块,用于选择汽车结构件的难成形区域;
产品结构模块,用于输入和显示汽车结构件难成形区域的结构信息,并进行参数化编码和存储;
产品工艺模块,用于输入和显示汽车结构件难成形区域制造过程中的工艺信息,并进行参数化编码和存储;
产品材料模块,用于输入和显示汽车结构件难成形区域所用的材料信息,并进行参数化编码和存储;
产品性能模块,用于输入和显示汽车结构件难成形区域的性能信息,并进行参数化编码和存储;
智能推理模块,用于将结构信息、工艺信息、材料信息和性能信息闭环化处理,利用智能学习算法和智能推理算法建立一个结构-工艺-材料-性能的闭环化模型,所述闭环化模型可根据结构、工艺、材料、性能信息中的任意三类信息,推出剩余的一类信息;
案例库,用于储存进行试制和性能校核试验后,满足合格件的局部模型案例及其结构信息、工艺信息、材料信息、性能信息。
进一步的,所述闭环化处理具体为执行上述方法所述的步骤S4~S7;所述智能学习算法具体为神经网络算法,所述智能推理算法具体为遗传算法。
本发明与现有技术相比具有以下主要的优点:
1、采用综合结构、工艺、材料、性能信息的智能设计方法,同时考虑了汽车结构件的结构信息、工艺信息、材料信息和性能信息,使其在设计之初就能满足产品的安装、工艺和使用的需求,减少了设计部门与制造部门之间的反复修改的次数,大大减小产品的研发周期,节约时间成本。
2、对汽车结构件难成形区域和易成形区域进行划分,可以着重对难成形区域进行智能设计,节约设计资源,同时,使得复杂的汽车结构件整体模型简化拆分为简单的几何结构模型,更容易将其参数化表达与编码,且简化模型还可以提高智能设计方法的效率和准确性。
3、使用智能学习算法和智能推理算法对汽车结构件的材料、结构、工艺和性能进行学习和推理,可以弥补在大数据情况下人工的不足,可以最大化、有效化的利用汽车结构件设计和制造过程中的各类数据信息,并且当案例库的数据越丰富,推理得到的结果越准确。
附图说明
图1为本发明智能设计方法的设计流程图;
图2为本发明智能设计系统的模块关系图;
图3为本发明汽车结构件难、易成形区划分示意图;
图4为本发明汽车结构件难成形区结构示意图;
图5为本发明汽车结构件难成形区a-a横截面示意图。
图中:1、易成形区域;2、难成形区域;3、圆角;4、拐角;5、上圆角;6、拉深高度;7、拔模角;8、法兰边宽度;9、下圆角;10、截面宽度。
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1~5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仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
实施例一,以A柱下加强板为例,根据本发明实施的一种汽车结构件智能设计方法如图1所示,包括以下步骤:
S1,确定所要设计的汽车结构件的产品种类,本实施例中包括A柱上加强板、A柱下加强板、B柱加强板等,此处选择A柱下加强板。
S2,将所要设计的汽车结构件划分为难成形区域和易成形区域,若为难成形区域,则执行S3,若为易成形区域,则不进行智能设计。
所述划分为难成形区域和易成形区域的依据是:根据该种类汽车结构件的模拟仿真结果和实际生产经验,将实际加工成形过程中容易损坏或出现缺陷的区域划分为难成形区域,不易损坏且不易出现缺陷的区域划分为易成形区域。
本实施例中,由于A柱下加强板零件结构复杂,将其参数化编码的难度非常大,因此需单独对其难成形区域进行研究。根据目前对大量零件的模拟仿真结果和实际生产经验得知,在冲压过程中A柱下加强板的易破裂位置在L形拐角处。因此,如图3所示,将下部分L形拐角区域划分为难成形区域2,将上部分区域划分为易成形区域1。
S3,输入汽车结构件难成形区域的初始结构信息、工艺信息、材料信息和性能信息,并进行参数化编码处理。
所述结构信息为汽车结构件难成形区域的几何结构参数,可分为纵轴线参数和横截面参数,所述纵轴线参数包括拐角4和圆角3的角度值,所述横截面参数包括截面宽度值、拉深高度值、法兰边宽度值和上圆角、下圆角、拔模角角度值;
所述工艺信息为汽车结构件难成形区域加工过程中的工艺参数,包括冲压速度、压边力、拉延系数、凹凸模圆角角度值;
所述材料信息为汽车结构件难成形区域所用材料的特性参数,包括材料种类、屈服强度、抗拉强度、硬化指数;
所述性能信息为汽车结构件难成形区域性能参数,包括零件的减薄率、回弹值、强度、刚度。
本实施例中,对L形拐角区域进行结构参数化编码处理。传统的此类零件设计方法一般为先进行截面设计,再根据轴线进行拉延。根据这种设计方法对A柱下加强板进行结构参数化,如图4~5所示,将其分为纵轴线参数和横截面参数,纵轴线参数包括外侧的圆角3和拐角4,横截面参数包括截面宽度10、拉深高度6和内外侧的法兰边宽度8、上圆角5、下圆角9、拔模角7;
材料参数包括材料种类、屈服强度、抗拉强度、硬化指数等;
工艺参数包括冲压速度、压边力、拉延系数、凹凸模圆角等;
性能参数包括减薄率、强度、刚度等。
S4,根据安装、工艺和使用的需求,确定所要设计的难成形区域的约束条件,具体包括结构约束、工艺约束、材料约束和性能约束。
所述结构约束为汽车结构件难成形区域安装所需的结构尺寸,具体为所述结构信息中为满足安装需求而必须保证的参数;
所述工艺约束为汽车结构件难成形区域工艺设计时的要求值,具体为所述工艺信息中为满足工艺加工需求而必须保证的参数;
所述材料约束与所述所述材料信息相同,在汽车结构件难成形区域使用的材料型号确定后,所述材料约束就已确定;
所述性能约束为汽车结构件难成形区域的产品性能的要求,具体为所述性能信息中为满足产品使用需求而必须保证的参数。
本实施例中,所述智能推理算法具体为遗传算法(其他智能寻优算法亦可),在约束条件中,对于结构约束,由于此A柱下加强板要与门槛梁贴合焊接,所以法兰边长度约束为20mm,其他结构不做约束;材料约束中选择超高强钢做为材料;工艺约束中,设置凸凹模圆角范围在8-15mm,其他参数不做约束;性能约束中,减薄率控制在0.15,强度和刚度符合安全标准。
S5,结合案例库中已有的案例信息,运用智能学习算法对初始结构、工艺、材料、性能信息参数化编码处理后的值进行学习,得出耦合结构、工艺、材料、性能信息的训练模型;所述训练模型具体为神经网络模型。
本实施例中,所述智能学习算法具体为神经网络算法(也可使用其他的学习算法),将结构、工艺、材料信息作为输入,性能信息作为输出,获得耦合结构、材料、工艺、性能的神经网络模型。其训练学习用的数据来源于案例库中已有的案例信息。
S6,以S4中所述约束条件作为边界条件,并以S5中所述训练模型作为初始函数建立适应度函数,运用智能推理算法推理得出初步局部模型,所述初步局部模型中包括结构信息、工艺信息、材料信息和性能信息参数化值。
本实施例中,以上述约束条件为边界,以神经网络模型为初始函数建立适应度函数,利用遗传算法寻找最优解,通过输入结构、工艺和材料参数,即可获得符合产品使用要求的性能参数。
这样得到的零件既可以满足安装和强度、刚度等产品设计师的要求,也不会因为结构极端而无法制造出来,减少了设计部门和制造部门之间的反复修改,大大减少研发周期。
S7,对S6中所述初步局部模型进行试制和性能校核试验,判断其是否满足合格件要求,若不满足,则根据其缺陷在约束条件中进一步约束,并重新执行S6;若满足,则将该局部模型输出为智能设计后的难成形区域,并将该局部模型及其结构、工艺、材料、性能信息作为案例信息存入案例库中。
所述满足合格件的依据是:试制的产品经试验检验满足产品的性能需求,且试制加工过程中没有损坏或出现缺陷。
本实施例中,对设计的零件进行试制和性能校核试验。若不满足,根据实际情况在约束条件中进一步约束,重新生成模型;若满足要求,则将该案例存储到数据库中,增加数据库的案例信息。案例库的信息越丰富,经过智能学习得到的神经网络模型越真实,推理出的模型越准确,越能体现出智能学习推理算法相比于人的优越性。
S8,将所述智能设计后的难成形区域与所述易成形区域组合在一起,形成所要设计的汽车结构件。
基于同一发明构思,本申请实施例还提供了一种汽车结构件智能设计系统,如图2所示,包括:
产品选择模块,用于选择汽车结构件的产品种类;
分区选择模块,用于选择汽车结构件的难成形区域;
产品结构模块,用于输入和显示汽车结构件难成形区域的结构信息,并进行参数化编码和存储;
产品工艺模块,用于输入和显示汽车结构件难成形区域制造过程中的工艺信息,并进行参数化编码和存储;
产品材料模块,用于输入和显示汽车结构件难成形区域所用的材料信息,并进行参数化编码和存储;
产品性能模块,用于输入和显示汽车结构件难成形区域的性能信息,并进行参数化编码和存储;
智能推理模块,用于将结构信息、工艺信息、材料信息和性能信息闭环化处理,利用智能学习算法和智能推理算法建立一个结构-工艺-材料-性能的闭环化模型,所述闭环化模型可根据结构、工艺、材料、性能信息中的任意三类信息,推出剩余的一类信息;
案例库,用于储存进行试制和性能校核试验后,满足合格件的局部模型案例及其结构信息、工艺信息、材料信息、性能信息。
其中,所述闭环化处理具体为执行上述方法所述的步骤S4~S7;所述智能学习算法具体为神经网络算法,所述智能推理算法具体为遗传算法。
实施例二,本实施例的原理和技术方案与实施例一基本相同,其不同之处在于:在步骤S5中,将结构、工艺、性能信息作为输入,材料信息作为输出;在步骤S6中,通过输入结构、工艺和性能参数,来获得符合产品使用要求的材料参数,并以此选择合适的材料,避免材料的过量浪费。
实施例三,本实施例的原理和技术方案与实施例一和实施例二基本相同,其不同之处在于:在步骤S5中,将结构、材料、性能信息作为输入,工艺信息作为输出;在步骤S6中,通过输入结构、材料和性能参数,来获得符合工艺加工要求的工艺参数,并以此设定加工过程中的工艺参数,避免反复加工试制调整参数,大大节省时间成本。
实施例四,本实施例的原理和技术方案与实施例一、实施例二和实施例三基本相同,其不同之处在于:在步骤S5中,将材料、工艺、性能信息作为输入,结构信息作为输出;在步骤S6中,通过输入材料、工艺和性能参数,来获得符合安装配合要求的结构参数,并以此作为汽车结构件产品难成形区域的几何尺寸,可避免零件因为结构极端而无法制造出来。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种汽车结构件智能设计方法,其特征在于,包括以下步骤:
S1,确定所要设计的汽车结构件的产品种类;
S2,将所要设计的汽车结构件划分为难成形区域和易成形区域,若为难成形区域,则执行S3,若为易成形区域,则不进行智能设计;
S3,输入汽车结构件难成形区域的初始结构信息、工艺信息、材料信息和性能信息,并进行参数化编码处理;
S4,根据安装、工艺和使用的需求,确定所要设计的难成形区域的约束条件,具体包括结构约束、工艺约束、材料约束和性能约束;
S5,结合案例库中已有的案例信息,运用智能学习算法对初始结构、工艺、材料、性能信息参数化编码处理后的值进行学习,得出耦合结构、工艺、材料、性能信息的训练模型;
S6,以S4中所述约束条件作为边界条件,并以S5中所述训练模型作为初始函数建立适应度函数,运用智能推理算法推理得出初步局部模型;
S7,对S6中所述初步局部模型进行试制和性能校核试验,判断其是否满足合格件要求,若不满足,则根据其缺陷在约束条件中进一步约束,并重新执行S6;若满足,则将该局部模型输出为智能设计后的难成形区域,并将该局部模型及其结构、工艺、材料、性能信息作为案例信息存入案例库中;
S8,将所述智能设计后的难成形区域与所述易成形区域组合在一起,形成所要设计的汽车结构件。
2.根据权利要求1所述的一种汽车结构件智能设计方法,其特征在于,所述划分为难成形区域和易成形区域的依据是:根据该种类汽车结构件的模拟仿真结果和实际生产经验,将实际加工成形过程中容易损坏或出现缺陷的区域划分为难成形区域,不易损坏且不易出现缺陷的区域划分为易成形区域。
3.根据权利要求1所述的一种汽车结构件智能设计方法,其特征在于,所述结构信息为汽车结构件难成形区域的几何结构参数,可分为纵轴线参数和横截面参数,所述纵轴线参数包括拐角和圆角的角度值,所述横截面参数包括截面宽度值、拉深高度值、法兰边宽度值和上圆角、下圆角、拔模角角度值;
所述工艺信息为汽车结构件难成形区域加工过程中的工艺参数,包括冲压速度、压边力、拉延系数、凹凸模圆角角度值;
所述材料信息为汽车结构件难成形区域所用材料的特性参数,包括材料种类、屈服强度、抗拉强度、硬化指数;
所述性能信息为汽车结构件难成形区域性能参数,包括零件的减薄率、回弹值、强度、刚度。
4.根据权利要求1所述的一种汽车结构件智能设计方法,其特征在于,所述结构约束为汽车结构件难成形区域安装所需的结构尺寸,具体为所述结构信息中为满足安装需求而必须保证的参数;
所述工艺约束为汽车结构件难成形区域工艺设计时的要求值,具体为所述工艺信息中为满足工艺加工需求而必须保证的参数;
所述材料约束与所述材料信息相同,在汽车结构件难成形区域使用的材料型号确定后,所述材料约束就已确定;
所述性能约束为汽车结构件难成形区域的产品性能的要求,具体为所述性能信息中为满足产品使用需求而必须保证的参数。
5.根据权利要求1所述的一种汽车结构件智能设计方法,其特征在于,所述智能学习算法具体为神经网络算法,将初始结构、工艺、材料、性能信息中任意三类信息作为输入,输出剩余的一类信息,其训练学习用的数据来源于案例库中已有的案例信息;所述训练模型具体为神经网络模型。
6.根据权利要求1所述的一种汽车结构件智能设计方法,其特征在于,所述智能推理算法具体为遗传算法,根据所述适应度函数和所述边界条件进行寻优计算,输入结构、工艺、材料、性能参数中的任意三种参数,即可输出剩余的一种参数,进而得出满足安装、工艺和使用需求的初步局部模型。
7.根据权利要求1或6所述的一种汽车结构件智能设计方法,其特征在于,所述初步局部模型中包括结构信息、工艺信息、材料信息和性能信息参数化值。
8.根据权利要求1所述的一种汽车结构件智能设计方法,其特征在于,所述满足合格件的依据是:试制的产品经试验检验满足产品的性能需求,且试制加工过程中没有损坏或出现缺陷。
9.一种汽车结构件智能设计系统,其特征在于,包括:
产品选择模块,用于选择汽车结构件的产品种类;
分区选择模块,用于选择汽车结构件的难成形区域;
产品结构模块,用于输入和显示汽车结构件难成形区域的结构信息,并进行参数化编码和存储;
产品工艺模块,用于输入和显示汽车结构件难成形区域制造过程中的工艺信息,并进行参数化编码和存储;
产品材料模块,用于输入和显示汽车结构件难成形区域所用的材料信息,并进行参数化编码和存储;
产品性能模块,用于输入和显示汽车结构件难成形区域的性能信息,并进行参数化编码和存储;
智能推理模块,用于将结构信息、工艺信息、材料信息和性能信息闭环化处理,利用智能学习算法和智能推理算法建立一个结构-工艺-材料-性能的闭环化模型,所述闭环化模型可根据结构、工艺、材料、性能信息中的任意三类信息,推出剩余的一类信息;
案例库,用于储存进行试制和性能校核试验后,满足合格件的局部模型案例及其结构信息、工艺信息、材料信息、性能信息。
10.根据权利要求9所述的一种汽车结构件智能设计系统,其特征在于,所述闭环化处理具体为执行权利要求1中所述的步骤S4~S7;所述智能学习算法具体为神经网络算法,所述智能推理算法具体为遗传算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110770984.1A CN113591205B (zh) | 2021-07-08 | 2021-07-08 | 一种汽车结构件智能设计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110770984.1A CN113591205B (zh) | 2021-07-08 | 2021-07-08 | 一种汽车结构件智能设计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591205A CN113591205A (zh) | 2021-11-02 |
CN113591205B true CN113591205B (zh) | 2023-10-17 |
Family
ID=78246321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110770984.1A Active CN113591205B (zh) | 2021-07-08 | 2021-07-08 | 一种汽车结构件智能设计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591205B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063550A (zh) * | 2011-01-07 | 2011-05-18 | 浙江工业大学 | 机器智能参与设计决策的冷挤压件智能设计系统 |
JP2012214212A (ja) * | 2011-03-31 | 2012-11-08 | Nippon Steel Corp | 構造部材の設計方法 |
CN102945307A (zh) * | 2012-11-27 | 2013-02-27 | 北京汽车股份有限公司 | 汽车底盘关键结构件结构优化设计方法 |
CN105095542A (zh) * | 2014-05-13 | 2015-11-25 | 广州汽车集团股份有限公司 | 一种汽车悬架关键结构件优化设计方法 |
CN108829914A (zh) * | 2018-04-23 | 2018-11-16 | 同济大学 | 一种frp结构件的结构与工艺一体化设计方法 |
AU2020103808A4 (en) * | 2020-01-17 | 2021-02-11 | Beijing University Of Technology | A design method of the fail-safe topology optimization of continuum structures with the frequency and displacement constraints |
-
2021
- 2021-07-08 CN CN202110770984.1A patent/CN113591205B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063550A (zh) * | 2011-01-07 | 2011-05-18 | 浙江工业大学 | 机器智能参与设计决策的冷挤压件智能设计系统 |
JP2012214212A (ja) * | 2011-03-31 | 2012-11-08 | Nippon Steel Corp | 構造部材の設計方法 |
CN102945307A (zh) * | 2012-11-27 | 2013-02-27 | 北京汽车股份有限公司 | 汽车底盘关键结构件结构优化设计方法 |
CN105095542A (zh) * | 2014-05-13 | 2015-11-25 | 广州汽车集团股份有限公司 | 一种汽车悬架关键结构件优化设计方法 |
CN108829914A (zh) * | 2018-04-23 | 2018-11-16 | 同济大学 | 一种frp结构件的结构与工艺一体化设计方法 |
AU2020103808A4 (en) * | 2020-01-17 | 2021-02-11 | Beijing University Of Technology | A design method of the fail-safe topology optimization of continuum structures with the frequency and displacement constraints |
Also Published As
Publication number | Publication date |
---|---|
CN113591205A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102799704B (zh) | 一种拼焊板车门的优化设计方法 | |
Esche et al. | Process and die design for multi-step forming of round parts from sheet metal | |
Shao et al. | Evolutionary forging preform design optimization using strain-based criterion | |
CN105893661A (zh) | 一种多工位级进模模具母体结构拓扑优化方法 | |
CN106980742B (zh) | 向有限元仿真模型引入冲压成型信息的载荷投影映射方法 | |
CN113591205B (zh) | 一种汽车结构件智能设计方法及系统 | |
CN111014415A (zh) | 一种基于cae技术的拉延筋制造方法 | |
Kang et al. | Application of computer-aided process planning system for non-axisymmetric deep drawing products | |
CN107025354A (zh) | 一种基于极差分析的车窗升降板成形工艺优化方法 | |
Zirngibl et al. | APPROACH FOR THE AUTOMATED AND DATA-BASED DESIGN OF MECHANICAL JOINTS. | |
CN106001933B (zh) | 激光切割修边线的优化方法 | |
CN115544746A (zh) | 一种多属性目标驱动的铝制副车架优化设计方法及系统 | |
Bock | Material-process selection methodology: design for manufacturing and cost using logic programming | |
Wei et al. | Robust methodology of automatic design for automobile panel drawing die based on multilevel modeling strategy | |
Eshel | AUTOMATIC GENERATION OF PROCESS OUTLINES OF FORMING AND MACHINING PROCESSES (PROCESS PLANNING, CAM, COMPUTATIONAL GEOMETRY) | |
JP4528962B2 (ja) | 設計支援方法 | |
CN106326592A (zh) | 一种轻量化钢制车轮的设计方法 | |
Park et al. | Preform optimization for bevel gear of warm forging process | |
CN114676511A (zh) | 一种减震塔的加工方法及装置 | |
CN109033512A (zh) | 一种精冲模具最优刃口形状的判定方法 | |
Klocke et al. | Numerical shape optimization of cold forging tools by means of FEM/BEM simulation | |
CN112347587A (zh) | 用虚拟模型逻辑模块智能化生成整体模具的方法 | |
CN114186335B (zh) | 一种汽车车架优化设计方法 | |
Chuman et al. | Innovation of Design and Development Process using Structure Optimization Technology | |
CN115017612B (zh) | 一种用于批量铆接部件的变形预测方法 |
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 |