CN113591234A - 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 - Google Patents
一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 Download PDFInfo
- Publication number
- CN113591234A CN113591234A CN202110665451.7A CN202110665451A CN113591234A CN 113591234 A CN113591234 A CN 113591234A CN 202110665451 A CN202110665451 A CN 202110665451A CN 113591234 A CN113591234 A CN 113591234A
- Authority
- CN
- China
- Prior art keywords
- model
- simulation model
- parameters
- machine learning
- simulation
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000010801 machine learning Methods 0.000 title claims abstract description 60
- 230000008569 process Effects 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 238000002474 experimental method Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 31
- 239000000463 material Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000010206 sensitivity analysis Methods 0.000 claims description 8
- 238000005094 computer simulation Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000013401 experimental design Methods 0.000 claims description 4
- 229910000838 Al alloy Inorganic materials 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 5
- 238000012937 correction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 238000004514 thermodynamic simulation 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
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Abstract
本发明涉及一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，首先制定物理实验并建立仿真模型，对比实验和仿真的特征输出变量，确定模型误差；选取潜在的不确定参数并确定参数取值范围；获取仿真实验设计样本并运行仿真得到样本输出；建立高精度机器学习模型；基于Sobol分析各模型参数对仿真模型输出影响的显著性；确定模型参数校核对应的数学优化问题；以具有显著性的模型参数为变量，获取仿真实验设计样本，并运行仿真得到样本输出；建立具有显著性影响的仿真模型参数与仿真模型输出参数之间的数学关系的高精度机器学习模型；基于全局优化算法和高精度机器学习模型对具有显著性影响的模型参数进行校核；更新仿真模型参数；本方法能有效提高自冲孔铆接工艺仿真模型精度。
Description
技术领域
本发明属于CAE技术领域，涉及一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法。
背景技术
高精度有限元仿真模型是机械产品设计、加工、制造领域最为经济、高效的分析工具。在CAE技术领域中，对诸如碰撞过程、制造加工过程等具有强非线性特征和大变形的特征的物理过程高精度仿真建模依然存在诸多挑战。一些基于专家经验或简单实验确定的参数是造成模型与实验之间存在较大差异的主要因素之一。模型参数分析是通过统计学手段分析仿真建模过程中不确定参数何种程度的影响仿真模型结果。分析模型参数对仿真结果的影响，可为仿真建模过程中集中资源确定对模型具有显著性影响的参数提供参考。模型参数校核是在确定模型不确定参数的范围的前提下，通过模型参数的调校以提高仿真模型与实验之间的契合度。通过优化技术确定模型参数取值可以有效提高仿真模型精度，将使得后期基于模型驱动的设计与分析更为可靠。此外，具有大变形特征的高精度非线性仿真依赖于更为精细的网格划分和仿真过程中频次更高的网格自适应划分，因而单个仿真计算普遍耗费大量时间与计算资源。而基于全局灵敏度分析的模型参数分析和基于迭代优化的参数校核需要大量密集仿真计算，无疑会大幅加剧对计算资源的需求，导致计算资源的紧缺。将机器学习模型用于构建模型参数与模型输出之间的关系以替代耗时的密集仿真计算是解决计算资源紧缺、提高计算效率的有效技术手段。针对动力学和热力学仿真误差的问题，专利(公开号：CN 110555231A)提出一种动力学仿真模型修正方法，通过简单的参数相关性分析获得模型关键参数，然后基于动力学模型和二次规划算法对模型进行修正；专利(公开号： CN110852016A)提出一种可靠性仿真试验模型修正方法与流程。通过简单的相关性分析获取模型参数与模型输出之间的相关性，搭建响应面模型来表征模型参数与输出之间的关系，采用优化算法对模型参数进行修正。上述专利仅仅针对非线性强度较低的模型，基于有限样本的简单相关性分析所获取信息的可靠性难以保障。此外响应面模型相较于RBF神经网络、 Kriging等模型具有较低的非线性拟合能力，在面对自冲孔铆接工艺仿真这一类具有强非线性仿真模型的修正的问题时，表征模型参数与模型输出之间的数学关系的能力不足。
自冲孔铆接工艺仿真模型是评估铆接接头质量的重要手段。该仿真模型涉及到材料失效、结构断裂、几何大变形等复杂过程，具有强非线性特征。然而，仿真过程中一些模型参数往往基于人工经验设置，导致仿真模型精度较低的情况频繁。本专利将具有强非线性拟合能力的机器学习模型用于自冲孔铆接工艺仿真模型的参数分析与校核。采用适合强非线性模型参数分析的Sobol全局灵敏度分析方法，在高精度机器学习模型提供的海量数据的支持下获取模型参数的全局灵敏度信息。基于遗传算法和高精度机器学习模型对关键模型参数进行修正以提高自冲孔铆接工艺仿真模型的精度。
发明内容
有鉴于此，本发明的目的在于提供一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，该方法针对与物理实验具有较大差异的自冲孔铆接工艺仿真模型，分析模型参数对模型输出的影响，解决模型不确定参数导致的模型精度较低的问题，可应用于自冲孔铆接工艺仿真模型的精度提升和建模过程中模型参数的设置。
为达到上述目的，本发明提供如下技术方案：
一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，包括以下步骤：
步骤一：对自冲孔铆接结构进行物理实验并建立该结构的仿真模型；
步骤二：对比物理实验和仿真模型的输出；获得物理实验与仿真模型之间各个特征输出之间的绝对误差；基于特征输出之间的绝对误差，判断仿真模型精度是否满足要求；
步骤三：当精度不满足要求时，确定自冲孔铆接过程仿真模型的不确定性参数及该参数的取值范围；
步骤四：基于步骤三中的不确定性参数及该参数的取值范围，生成输入样本并运行仿真模型获取输入样本的特征输出；
步骤五：利用步骤四中获得的输入样本及输入样本对应的特征输出训练机器学习模型，用以近似仿真模型；并判断训练后的机器学习模型精度；
步骤六：基于Sobol灵敏度分析获取对仿真输出具有显著影响的参数。
步骤七：以具有显著影响的参数为变量，确定仿真模型校核的数学优化问题；
步骤八：在只考虑具有显著影响的参数情况下，通过实验设计生成输入样本并运行仿真获取样本输出；
步骤九：基于步骤八中所得到的数据(输入样本及样本对应的输出)训练机器学习模型用以近似仿真模型。
步骤十：基于遗传算法和机器学习模型求解步骤七所确立的优化问题。
步骤十一：对仿真模型参数进行更新。
进一步，在步骤一中，通过物理实验、有限元仿真分别获取自冲孔铆接过程的若干特征输出变量的值。
进一步，在步骤二中，对比研究对象的物理实验的特征输出和仿真模型的特征输出的变量值之间的误差，根据该误差判断是否满足精度要求；
进一步，特征输出是单点值、是时间序列曲线或者频率曲线；当特征输出为单点值时，仿真模型相对于物理实验的误差通过相对误差来度量；当特征输出为时间序列曲线或频率曲线时，仿真模型相对于物理实验的误差通过R方来度量。
进一步，在步骤三中，对于需要进行参数校核的仿真模型，确定在仿真建模过程中潜在的不确定性参数，并确定这些不确定性参数的取值范围；自冲孔铆接过程的仿真模型的不确定性参数包括铝合金板材料应力应变曲线缩放因子L1fo、铆钉材料应力应变曲线缩放因子 rivsfo、压边力Clampf、压边圈与上板之间摩擦因子fsb、下板与凹模之间摩擦因子fsd、铆钉与板之间摩擦因子fsr、上下板之间摩擦因子fss。
进一步，在步骤四中，根据步骤三中所确定的不确定性参数及其取值范围，基于最优拉丁超立方采样方法生成训练样本；采用随机采样方法生成测试样本；由训练样本和测试样本组成输入样本；并将测试样本输入仿真模型获取测试样本的特征输出。
进一步，在步骤五中，根据步骤四中所获取的数据，训练和验证各个特征输出变量对应的机器学习模型，采用决定系数R2来定量评估模型预测精度，如果机器模型精度不达标通过增加训练样本直到精度达标。
进一步，在步骤六中，基于Sobol灵敏度分析技术，在高精度机器学习模型的辅助下分析仿真模型参数对各个特征输出变量的影响的显著性，后续步骤中去掉对对各个特征输出变量的影响不显著的模型参数。
进一步，在步骤七中，以对仿真模型特征输出变量具有显著性影响的模型参数为变量，建立面向仿真模型校核的数学优化问题，该优化问题根据校核的需要确定为单目标/多目标的无约束/约束优化问题。
进一步，在步骤八中，根据步骤七所确立的变量及其取值范围，基于最优拉丁超立方采样技术获取参数输入样本；通过数值仿真和后处理获取所有输入样本对应的特征输出变量的值。
进一步，在步骤九中，根据步骤八中所获取的数据，训练和验证各个特征输出变量对应的机器学习模型，如果机器模型精度不达标通过增加训练样本直到精度达标。
进一步，在步骤十中，基于遗传算法和步骤九所建立高精度机器学习模型求解模型校核对应的优化问题，获得模型参数实际值。
进一步，在步骤十一中，以步骤十中所得参数值替换原始仿真模型中的参数以实现模型的更新。
本发明的有益效果在于：本发明所述方法不但能够全面地分析各建模过程中的不确定参数对仿真模型特征输出变量的影响的显著性，为类似的仿真建模过程中需要特别关注的参数提供参考信息，而且通过优化算法确定对模型具有显著性影响的参数的值，有效提高仿真模型的可信度。
附图说明
图1是本发明仿真模型参数分析与校核流程图；
图2是自冲孔仿真模型；
图3是特征输出变量；
图4是仿真模型各个特征输出变量误差；
图5是首轮机器学习模型精度的确认；
图6是参数灵敏度分析结果；
图7是次轮机器学习模型精度的确认；
图8是优化结果，左图展示可行解，右图展示Pareto前沿。
具体实施方式
下面将以具有典型的大变形强非线性特征的自冲孔铆接过程仿真模型的参数分析与校核为例对本发明的优选实施例进行详细的描述。本发明所述方法的流程如图1所示：
本方法包括以下步骤：
步骤一：对自冲孔铆接工艺进行物理实验并建立铆接工艺的仿真模型；在本实施例中，对某自冲孔铆接过程的仿真模型进行参数分析和校核。根据铆接需求(连接板厚度、材料信息、铆钉和铆接模具的选取)进行物理实验并在仿真软件中建立仿真模型。得到如图2所示的2D对称仿真模型。
步骤二：对比物理实验和仿真模型的特征输出；若物理实验的特征输出和仿真模型对应的特征输出满足精度要求，则停止分析；若物理实验的特征输出和仿真模型对应的特征输出不满足精度，则开始对仿真模型进行校核。特征输出是单点值、是时间序列曲线或者频率曲线；当特征输出为单点值时，仿真模型相对于物理实验的误差通过相对误差来度量；当特征输出为时间序列曲线或频率曲线时，仿真模型相对于物理实验的误差通过R方来度量。
在本例中，特征输出为铆接接头的剖面的几何尺寸如图3所示，包括自锁量Int、底部厚度BLT、底板中间厚度BLCT、铆钉最终长度RFL、铆钉尾跨度RTL、铆接间隙SG。表1给出了物理实验与仿真模型的特征输出的值，图4为物理实验与仿真模型之间各个特征输出之间的绝对误差。BLT和Int是衡量铆接接头质量最主要的参数，允许的预测误差设为0.1mm。BLCT、BLRT和SG为次要参数，允许的预测误差设为0.15mm。其他特征参数允许预测误差设为0.25mm。Int和BLT误差超过0.1mm，SG和BLCT误差超过0.3mm，误差较大，仿真模型需要进一步校核。
表1仿真与实验的铆接接头尺寸
步骤三：确定仿真模型潜在的参数及其范围；
在第三步中，根据专家知识确定仿真建模过程中不确定的模型参数及其取值范围。对于自冲孔铆接过程的仿真模型，初步选定自冲孔铆接过程的仿真模型的不确定性参数包括铝合金板材料应力应变曲线缩放因子L1fo、铆钉材料应力应变曲线缩放因子rivsfo、压边力Clampf、压边圈与上板之间摩擦因子fsb、下板与凹模之间摩擦因子fsd、铆钉与板之间摩擦因子fsr、上下板之间摩擦因子fss，不确定性参数及其取值范围如表2所示。其中，材料应力应变曲线是由简单的拉伸试验获得，无法确定能否准确表征铆接过程中材料复杂的应力应变关系，因而引入材料应力应变曲线缩放因子表征材料认知不确定性。
表2仿真模型参数及取值范围
步骤四：通过实验设计生成输入样本并运行仿真模型获取输入样本对应的特征输出；
在第四步中，依据表2所给定不确定的模型参数及其取值范围，采用均匀拉丁超立方采样方法生成训练样本如表3所示，并将训练样本输入仿真模型获取训练样本对应的特征输出；采用随机采样方法生成测试样本如表4所示，并将测试样本输入仿真模型获取测试样本的特征输出。在本实施例中，训练样本和测试样本数分别为800和300，样本数量根据计算资源和单个仿真所需时间来确定，在计算资源充足的情况下尽量采用更多的样本，表3和表4分别展示了部分样本及输出。
表3训练样本部分展示
表4测试样本部分展示
步骤五：基于步骤四中所得的数据(训练样本、测试样本以及训练样本、测试样本对应的特征输出)训练机器学习模型作为仿真模型的代理模型。
在步骤五中，进行首轮的机器学习。采用步骤四中获取的训练样本训练各个特征输出变量对应的机器学习模型并采用测试样本测试对应机器学习模型的精度，如果机器模型精度不达标可适当增加训练样本直到精度达标。在进行训练前需要对训练数据和测试数据的输入进行归一化以消除量纲的影响。模型精度采用决定系数R2来定量评估模型预测表现。其计算公式如下：
其中，yi为第i个测试样本实际输出值，
为所有测试样本实际输出值的均值，
为第i 个测试样本输出的预测值，
为所有测试样本输出的预测值的均值，N为测试样本的数量， R2的取值在0到1之间，其值越趋近于1表明模型精度越高。图5展示了各个特征输出对应的机器学习模型的预测值与仿真实际值的对比。决定系数均在0.8以上且大多数大于0.9，表明各个特征输出对应的机器学习模型都能以较高精度表征铆接工艺过程仿真模型参数与特征输出之间的关系。
步骤六：基于Sobol灵敏度分析获取对仿真输出具有显著影响的参数。
基于Sobol采样技术在表2所给定所谓分析空间生成大量的样本(根据计算机的计算能力确定样本量，推荐值为10v,v为输入变量的总数)，对所生成的样本归一化后采用步骤五中所训练的机器学习模型预测每个样本对应的特征输出变量，通过方差分析得出各个仿真模型参数的变化对特征输出方差的贡献量如图6所示。根据总效应和一阶灵敏度指标可知，压边力和压边圈与板之间的摩擦因子对所有的特征输出变量的影响最为不显著而且趋近于零，因而在后期的校核中可以忽略。因为对一个或多个特征输出变量有显著性影响，fss、fsr、 fsd、L1fo、rivsfo作为具有显著性影响的参数用于后期的模型校核。
步骤七：以具有显著性影响的参数为变量，确定仿真模型校核的数学优化问题；
在步骤七中，将步骤六中确定的具有显著性影响的参数作为变量，确定仿真模型校核的数学优化问题如下式所示：
Find:fss,fsr,fsd,L1fo,rivsfo
Minimize:error_Int,error_BLT
Constraint:error_Int<0.1
error_BLT<0.1
error_BLCT<0.15
error_BLRT<0.15
error_SG<0.15
error_RTL<0.25
error_RFL＜0.25
式中，error_Int，error_BLT，…，error_SG均为机器学习模型预测的特征输出变量与实验之间的绝对误差。优化目标和约束根据工程实际中各个特征输出变量的重要性以及实验最小误差来确定。fss,fsr,fsd,L1fo,rivsfo为需要校核的模型参数，其取值范围参照表2。
步骤八：在只考虑具有显著性影响的参数情况下，通过实验设计生成输入样本并运行仿真获取样本输出；
在步骤八中，根据步骤七中确定的需要校核的模型参数变量以及表2所给定变量区间，采用均匀拉丁超立方采样方法计生成训练样本并运行仿真模型获取样本输出；采用随机采样生成测试样本并运行仿真模型获取样本输出。训练样本和测试样本数分别为600和200，表5 和表6分别展示了部分样本及输出。
表5训练样本部分展示
表6测试样本部分展示
步骤九：基于步骤八中所得到的数据(输入样本及样本对应的输出)训练机器学习模型用以近似仿真模型。
在步骤九中，进行次轮的机器学习。采用步骤七中获取的训练样本训练各个特征输出变量对应的机器学习模型并采用测试样本测试模型精度，如果机器模型精度不达标可适当增加训练样本直到精度达标。在进行训练前需要对训练数据和测试数据的输入进行归一化以消除量纲的影响。图7展示了各个特征输出变量对应的机器学习模型预测值与仿真预测值的对比。根据R2的值都在0.8以上且多数大于0.9，表明次轮机器学习模型具有较高的精度。
步骤十：基于遗传算法和机器学习模型求解步骤七所确立的优化问题。
在步骤十中，结合多目标遗传算法和步骤九中所训练的机器学习模型求解步骤七所确定的多目标优化问题。图8给出了优化可行解以及pareto前沿。理论上pareto前沿上每个解对应的参数均可视作仿真模型校核参数，用户可根据对自锁量Int和底部厚度BLT的仿真精度的需求来选择最终的校核参数。此外由于对计算效率的追求而采用的机器学习模型难免会引入误差，因而可在pareto前沿对应的解集中选择多组仿真模型校核参数，最终通过仿真与实验的对比来确定最终的模型参数。
步骤十一：对仿真模型参数进行更新。
在步骤十-中，根据步骤十中所得模型参数对仿真模型进行校核。表6展示了模型参数和仿真得到的特征输出。表7展示了修正后仿真与实验的截面对比。对比校核前后，仿真模型预测各个特征输出变量的精度都得到了提升，尤其仿真模型预测铆接间隙SG和底板中间厚度BLCT的精度提升较为明显。
表7校核后模型参数及对应特征输出变量的仿真模型预测
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (13)
1.一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，其特征在于，包括以下步骤：
步骤一：对自冲孔铆接结构进行物理实验并建立该结构的仿真模型；
步骤二：对比物理实验和仿真模型的输出；获得物理实验与仿真模型之间各个特征输出之间的绝对误差；基于特征输出之间的绝对误差，判断仿真模型精度是否满足要求；
步骤三：当精度不满足要求时，确定自冲孔铆接过程仿真模型的不确定性参数及该参数的取值范围；
步骤四：基于步骤三中的不确定性参数及该参数的取值范围，生成输入样本并运行仿真模型获取输入样本的特征输出；
步骤五：利用步骤四中获得的输入样本及输入样本对应的特征输出训练机器学习模型，用以近似仿真模型；并判断训练后的机器学习模型精度；
步骤六：基于Sobol灵敏度分析获取对仿真输出具有显著影响的参数；
步骤七：以具有显著影响的参数为变量，确定仿真模型校核的数学优化问题；
步骤八：在只考虑具有显著影响的参数情况下，通过实验设计生成输入样本并运行仿真获取样本输出；
步骤九：基于步骤八中所得到的数据训练机器学习模型用以近似仿真模型。
步骤十：基于遗传算法和机器学习模型求解步骤七所确立的优化问题；
步骤十一：对仿真模型参数进行更新。
2.根据权利要求1所述的一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，其特征在于，在步骤一中，通过物理实验、有限元仿真分别获取自冲孔铆接过程的若干特征输出变量的值。
3.根据权利要求1所述的一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，其特征在于，在步骤二中，对比研究对象的物理实验的特征输出和仿真模型的特征输出的变量值之间的误差，根据该误差判断是否满足精度要求。
4.根据权利要求1、2或3所述的一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，其特征在于，特征输出是单点值、是时间序列曲线或者频率曲线；当特征输出为单点值时，仿真模型相对于物理实验的误差通过相对误差来度量；当特征输出为时间序列曲线或频率曲线时，仿真模型相对于物理实验的误差通过R方来度量。
5.根据权利要求1所述的一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，其特征在于，在步骤三中，对于需要进行参数校核的仿真模型，确定在仿真建模过程中潜在的不确定性参数，并确定这些不确定性参数的取值范围；自冲孔铆接过程的仿真模型的不确定性参数包括铝合金板材料应力应变曲线缩放因子L1fo、铆钉材料应力应变曲线缩放因子rivsfo、压边力Clampf、压边圈与上板之间摩擦因子fsb、下板与凹模之间摩擦因子fsd、铆钉与板之间摩擦因子fsr、上下板之间摩擦因子fss。
6.根据权利要求1所述的一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，其特征在于，在步骤四中，根据步骤三中所确定的不确定性参数及其取值范围，基于最优拉丁超立方采样方法生成训练样本；采用随机采样方法生成测试样本；由训练样本和测试样本组成输入样本；并将测试样本输入仿真模型获取测试样本的特征输出。
7.根据权利要求1所述的一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，其特征在于，在步骤五中，根据步骤四中所获取的数据，训练和验证各个特征输出变量对应的机器学习模型，采用决定系数R2来定量评估模型预测精度，如果机器模型精度不达标通过增加训练样本直到精度达标。
8.根据权利要求1所述的一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，其特征在于，在步骤六中，基于Sobol灵敏度分析技术，在高精度机器学习模型的辅助下分析仿真模型参数对各个特征输出变量的影响的显著性，后续步骤中去掉对对各个特征输出变量的影响不显著的模型参数。
9.根据权利要求1所述的一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，其特征在于，在步骤七中，以对仿真模型特征输出变量具有显著性影响的模型参数为变量，建立面向仿真模型校核的数学优化问题，该优化问题根据校核的需要确定为单目标/多目标的无约束/约束优化问题。
10.根据权利要求1所述的一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，其特征在于，在步骤八中，根据步骤七所确立的变量及其取值范围，基于最优拉丁超立方采样技术获取参数输入样本；通过数值仿真和后处理获取所有输入样本对应的特征输出变量的值。
11.根据权利要求1所述的一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，其特征在于，在步骤九中，根据步骤八中所获取的数据，训练和验证各个特征输出变量对应的机器学习模型，如果机器模型精度不达标通过增加训练样本直到精度达标。
12.根据权利要求1所述的一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，其特征在于，在步骤十中，基于遗传算法和步骤九所建立高精度机器学习模型求解模型校核对应的优化问题，获得模型参数实际值。
13.根据权利要求1所述的一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法，其特征在于，在步骤十一中，以步骤十中所得参数值替换原始仿真模型中的参数以实现模型的更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110665451.7A CN113591234A (zh) | 2021-06-16 | 2021-06-16 | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110665451.7A CN113591234A (zh) | 2021-06-16 | 2021-06-16 | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113591234A true CN113591234A (zh) | 2021-11-02 |
Family
ID=78243743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110665451.7A Pending CN113591234A (zh) | 2021-06-16 | 2021-06-16 | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113591234A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446601A (zh) * | 2018-10-12 | 2019-03-08 | 南京理工大学 | 一种弹丸起始扰动的不确定优化方法 |
| CN114781098A (zh) * | 2022-01-24 | 2022-07-22 | 深圳职业技术学院 | 自冲铆工艺参数的确定方法、装置、电子设备及存储介质 |
| CN116911106A (zh) * | 2023-06-25 | 2023-10-20 | 哈尔滨工业大学 | 一种基于降低仿真与实验之间拟合误差的永磁小球头磁流变抛光材料去除率模型建立方法 |
| CN116936010A (zh) * | 2023-09-14 | 2023-10-24 | 江苏美特林科特殊合金股份有限公司 | 基于合金相图数据库的热力学参数影响分析方法 |
| CN117634101A (zh) * | 2024-01-26 | 2024-03-01 | 杭州广立微电子股份有限公司 | 芯片表面形态确定方法、装置、计算机设备和存储介质 |
| CN116911106B (zh) * | 2023-06-25 | 2024-05-14 | 哈尔滨工业大学 | 一种基于降低仿真与实验之间拟合误差的永磁小球头磁流变抛光材料去除率模型建立方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217067A (zh) * | 2014-08-12 | 2014-12-17 | 内蒙古科技大学 | 一种三步统计学实验设计的铆接过程工艺参数优化方法 |
| CN107609286A (zh) * | 2017-09-20 | 2018-01-19 | 北京安怀信科技股份有限公司 | 一种数学模型验模工具 |
| DE102018207443A1 (de) * | 2018-05-15 | 2019-11-21 | Bayerische Motoren Werke Aktiengesellschaft | Prüfvorrichtung für ein Nietsetzgerät und Verfahren zum Bestimmen wenigstens eines Parameters von Nietsetzgeräten |
| CN110555231A (zh) * | 2019-07-17 | 2019-12-10 | 长沙增逸信息科技有限公司 | 一种动力学仿真模型修正方法 |
| CN110852016A (zh) * | 2019-12-04 | 2020-02-28 | 中国直升机设计研究所 | 一种可靠性仿真试验模型修正方法 |
| CN110909431A (zh) * | 2019-12-02 | 2020-03-24 | 合肥工业大学智能制造技术研究院 | 一种汽车用异种材料连接结构的设计方法及其连接结构 |
| KR102139358B1 (ko) * | 2020-04-22 | 2020-07-29 | 한국생산기술연구원 | 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치 |
| CN112100753A (zh) * | 2020-08-03 | 2020-12-18 | 中铝材料应用研究院有限公司 | 一种大数据的自冲铆接头关键几何参数的预测系统及方法 |
| CN112711813A (zh) * | 2020-12-31 | 2021-04-27 | 中汽研（天津）汽车工程研究院有限公司 | 一种铆接结构的轻量化方法 |
| CN112733393A (zh) * | 2020-11-27 | 2021-04-30 | 长春工业大学 | 一种金属异质板料无铆钉铆接接头性能优化方法 |
| CN112819303A (zh) * | 2021-01-22 | 2021-05-18 | 中国人民解放军国防科技大学 | 基于pce代理模型的飞行器追踪效能评估方法及系统 |
-
2021
- 2021-06-16 CN CN202110665451.7A patent/CN113591234A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217067A (zh) * | 2014-08-12 | 2014-12-17 | 内蒙古科技大学 | 一种三步统计学实验设计的铆接过程工艺参数优化方法 |
| CN107609286A (zh) * | 2017-09-20 | 2018-01-19 | 北京安怀信科技股份有限公司 | 一种数学模型验模工具 |
| DE102018207443A1 (de) * | 2018-05-15 | 2019-11-21 | Bayerische Motoren Werke Aktiengesellschaft | Prüfvorrichtung für ein Nietsetzgerät und Verfahren zum Bestimmen wenigstens eines Parameters von Nietsetzgeräten |
| CN110555231A (zh) * | 2019-07-17 | 2019-12-10 | 长沙增逸信息科技有限公司 | 一种动力学仿真模型修正方法 |
| CN110909431A (zh) * | 2019-12-02 | 2020-03-24 | 合肥工业大学智能制造技术研究院 | 一种汽车用异种材料连接结构的设计方法及其连接结构 |
| CN110852016A (zh) * | 2019-12-04 | 2020-02-28 | 中国直升机设计研究所 | 一种可靠性仿真试验模型修正方法 |
| KR102139358B1 (ko) * | 2020-04-22 | 2020-07-29 | 한국생산기술연구원 | 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치 |
| CN112100753A (zh) * | 2020-08-03 | 2020-12-18 | 中铝材料应用研究院有限公司 | 一种大数据的自冲铆接头关键几何参数的预测系统及方法 |
| CN112733393A (zh) * | 2020-11-27 | 2021-04-30 | 长春工业大学 | 一种金属异质板料无铆钉铆接接头性能优化方法 |
| CN112711813A (zh) * | 2020-12-31 | 2021-04-27 | 中汽研（天津）汽车工程研究院有限公司 | 一种铆接结构的轻量化方法 |
| CN112819303A (zh) * | 2021-01-22 | 2021-05-18 | 中国人民解放军国防科技大学 | 基于pce代理模型的飞行器追踪效能评估方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| SARA PEREIRA ET.AL.: "Data-driven quality prognostics for automated riveting processes", 2018IEEE AEROSPACE CONFERENCE, 31 December 2018 (2018-12-31) * |
| 王健强;汪洋;荣海龙;童洋洋;韩金娥;: "影响无钉铆接质量的工艺参数权重研究", 合肥工业大学学报(自然科学版), no. 01 * |
| 雷昌毅: "无头铆钉干涉连接工艺研究及铆模结构优化", 中国博士学位论文工程科技II辑, no. 12 * |
| 马运五;楼铭;李永兵;: "铝合金高强钢自冲铆接工艺仿真研究", 汽车工艺与材料, no. 08 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446601A (zh) * | 2018-10-12 | 2019-03-08 | 南京理工大学 | 一种弹丸起始扰动的不确定优化方法 |
| CN114781098A (zh) * | 2022-01-24 | 2022-07-22 | 深圳职业技术学院 | 自冲铆工艺参数的确定方法、装置、电子设备及存储介质 |
| CN116911106A (zh) * | 2023-06-25 | 2023-10-20 | 哈尔滨工业大学 | 一种基于降低仿真与实验之间拟合误差的永磁小球头磁流变抛光材料去除率模型建立方法 |
| CN116911106B (zh) * | 2023-06-25 | 2024-05-14 | 哈尔滨工业大学 | 一种基于降低仿真与实验之间拟合误差的永磁小球头磁流变抛光材料去除率模型建立方法 |
| CN116936010A (zh) * | 2023-09-14 | 2023-10-24 | 江苏美特林科特殊合金股份有限公司 | 基于合金相图数据库的热力学参数影响分析方法 |
| CN116936010B (zh) * | 2023-09-14 | 2023-12-01 | 江苏美特林科特殊合金股份有限公司 | 基于合金相图数据库的热力学参数影响分析方法 |
| CN117634101A (zh) * | 2024-01-26 | 2024-03-01 | 杭州广立微电子股份有限公司 | 芯片表面形态确定方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113591234A (zh) | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 | |
| US7788070B2 (en) | Product design optimization method and system | |
| US7831416B2 (en) | Probabilistic modeling system for product design | |
| US20070061144A1 (en) | Batch statistics process model method and system | |
| US8209156B2 (en) | Asymmetric random scatter process for probabilistic modeling system for product design | |
| US20060229753A1 (en) | Probabilistic modeling system for product design | |
| Marretta et al. | Design of sheet stamping operations to control springback and thinning: A multi-objective stochastic optimization approach | |
| US8086640B2 (en) | System and method for improving data coverage in modeling systems | |
| CN105868428A (zh) | 冲压件的回弹补偿方法 | |
| CN103530467A (zh) | 一种基于缺陷概率的工艺分析与优化设计方法 | |
| El Mrabti et al. | Springback optimization of deep drawing process based on FEM-ANN-PSO strategy | |
| Wiebenga | Robust design and optimization of forming processes | |
| Fang et al. | A framework for calibration of self-piercing riveting process simulation model | |
| CN114662406A (zh) | 机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法 | |
| Ledoux et al. | Optimization method for stamping tools under reliability constraints using genetic algorithms and finite element simulations | |
| Luegmair et al. | Challenges in vibroacoustic vehicle body simulation including uncertainties | |
| Bi et al. | Stochastic model updating with uncertainty quantification: an overview and tutorial | |
| CN106682328B (zh) | 一种立式高耸结构隔振系统振动变形量测算方法 | |
| CN112200252A (zh) | 基于概率盒全局灵敏度分析和主动子空间的联合降维方法 | |
| CA2349824C (en) | A method of modeling the forming of anisotropic sheet | |
| Dezelak et al. | MACHINE LEARNING FOR THE IMPROVEMENT OF SPRINGBACK MODELLING. | |
| Frazier et al. | Solving the forecast combination puzzle | |
| Thacker et al. | The role of nondeterminism in model verification and validation | |
| Lefebvre et al. | Failure probability assessment using co-kriging surrogate models | |
| CN117709555B (zh) | 一种基于变压器碳核算模型的碳排预测与评价方法和系统 |
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 |