CN113779885B - 一种基于遗传算法的容差优化方法 - Google Patents

一种基于遗传算法的容差优化方法 Download PDF

Info

Publication number
CN113779885B
CN113779885B CN202111084548.5A CN202111084548A CN113779885B CN 113779885 B CN113779885 B CN 113779885B CN 202111084548 A CN202111084548 A CN 202111084548A CN 113779885 B CN113779885 B CN 113779885B
Authority
CN
China
Prior art keywords
tolerance
manufacturing
chromosome
product
population
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
Application number
CN202111084548.5A
Other languages
English (en)
Other versions
CN113779885A (zh
Inventor
齐振超
姚晨熙
陈文亮
张子亲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202111084548.5A priority Critical patent/CN113779885B/zh
Publication of CN113779885A publication Critical patent/CN113779885A/zh
Application granted granted Critical
Publication of CN113779885B publication Critical patent/CN113779885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/12—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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于遗传算法的容差优化方法，引入容差矢量描述制造过程中零部件、工艺装备以及装配配合等各类容差的波动对飞机性能的影响，提出动态容差的概念；另一方面，在实时数据、尺寸链以及动态尺寸链的基础上，本发明设计了多目标约束的动态容差更新方法，该方法考虑解的多样性避免了算法“早熟”，并且解决了传统容差分配方法存在的“小概率不合格”问题。最后，本发明以飞机前缘‑缝翼的制造过程为应用对象，对比交互方法与传统方法发现：交互方法下的平均制造成本较传统容差方法的制造成本降低了9.1％，且平均制造精度较传统容差方法的制造精度提高了0.04mm(44％)。

Description

一种基于遗传算法的容差优化方法
技术领域
本发明属于飞机制造领域，具体涉及一种基于遗传算法的容差优化方法。
背景技术
区别于一般机械产品，飞机的制造过程极其复杂，主要表现在：零部件繁多，结构和外形十分复杂，加工困难；零部件间的协调路线长且协调关系极其复杂，装配困难。另外，不同于一般机械产品关注统计意义上的制造能力，飞机等重大工程装备由于其造价高、批量小的特点，对制造的一次合格率要求极高。
传统的模式将飞机制造分为零部件加工和飞机装配两个独立的部分，其中装配为主要部分，占飞机制造总工作量的50％～70％。
飞机装配历经了模线样板-标准件装配模式到数字化装配模式的转变，然而其内核始终是静态的互换与协调。具体来说，首先根据各类行业标准、控制性文件以及技术人员的经验进行各零部件、工艺装备以及装配过程的容差初分配；然后采用概率法或极值法进行误差分析，检验容差分配方案是否能满足装配准确度要求并以此循环调整容差分配方案；最后按照调整后的容差分配结果进行装配。飞机零部件和工艺装备的加工模式也与这种静态的装配模式类似。
这种传统的飞机制造模式割裂了加工和装配，依赖统计方法预先设计整个制造过程，对制造过程中出现的随机问题估计不足，导致装配合格率低，需要多次返工修配。
近年来，随着计算机科学与技术、检测与测量技术、物联网工程以及系统工程等相关领域的长足发展，促进了人工智能与飞机制造的结合，涌现出许多新的方法，主要包括：采用实时感知、大数据分析、虚拟仿真等方法的制造过程仿真技术；采用各类机器学习方法的制造质量预测技术；采用各类智能算法的工艺优化与控制技术。总的来说，这些新的方法是对传统制造模式的完善与提升，并没有考虑加工和装配割裂的问题。
发明内容
本发明针对上述问题，提出了一种基于遗传算法的容差优化方法。
本发明通过下述技术方案实现：
一种基于遗传算法的容差优化方法，其特征在于，该方法包括以下步骤：
(1)根据加工、装配实际问题生成尺寸链；根据实时测量数据更新尺寸链；形成多种后续容差分配方案，并编码形成初始种群；
(2)根据产品质量要求设计具体g函数，并设置g函数临界值；计算染色体适应度判断是否满足终止条件；若满足跳至第(4)步，若不满足跳至第(3)步；
(3)采用轮盘赌法对种群中的个体进行选择。计算每个交叉点/变异点的显著性概率，对种群中的个体进行交叉和变异；
(4)将优化后的染色体解码，并更新动态容差，指导下一步的加工和装配；在完成下一步骤的制造后，重新进入第(1)步。
进一步地，第(1)步还包括将每一种备选的制造方案看作个体，将制造方案中所有的尺寸和几何容差看作个体编码后对应的染色体，那么某个制造环节的容差就是染色体上的一个基因；考虑到尺寸链方程的特点，将个体编码为中点染色体Xj0和半带宽染色体Xjw两部分,表示为：
其中，j表示种群中的第j个体也即第j个染色体，i表示染色体中的第i个基因，Ai0表示容差中点，Aiw表示容差半带宽。
进一步地，第(2)步还包括根据制造容差的性质，将种群中半带宽染色体对应位置上基因离散程度的均值定义为种群的多样性R，表示为：
n表示每个染色体有n个基因，即每个制造方案有n个容差；m表示种群中有m个染色体，即有m个备选的方案。
进一步地，第(2)步还包括以关键特性的尺寸或几何准确度作为产品性能要求QS，那么每个制造方案对应的实际产品性能Q可以用中点值Q0与半带宽值Qw表示；这里的半带宽Qw是假设各制造环节的误差都服从正态分布，按照概率法并通过经验修正得到的；
其中第一式为尺寸链方程，ΔY为关键特性的误差，ki为传递系数。
进一步地，第(2)步还包括考虑制造成本和质量损失对制造方案进行多目标优化；产品的制造成本C可表示为,
其中，αip表示与容差变动相关的加工、装配成本参数。
进一步地，第(2)步还包括引入指标L描述当产品的所有制造误差均处于容差的3σ处时产品的质量损失程度；拟通过约束L来控制小概率不合格问题，即L≥L0，以及累积误差过大接近容差边缘时所造成的损失，即0＜L＜L0；具体表示为，
其中，第一式为尺寸链方程，Δi3σ为处于容差的3σ处误差，L0为产品关键特性的累积误差处于容差边缘时的质量损失。
进一步地，第(2)步还包括将适应度函数表示为，
即在满足产品性能要求的个体中，选择多目标性能最优的个体。
有益的技术效果：
引入容差矢量描述制造过程中零部件、工艺装备以及装配配合等各类容差的波动对飞机性能的影响，改静态容差为动态容差；在实测既定制造误差的基础上对剩余制造环节进行误差分析，设计智能算法优化并更新动态容差，根据产品实际需求实时调整制造方案。这种加工-装配交互的新模式可实现装配和加工的并行，并考虑了单次生产过程中的随机误差，突破了装配协调问题的瓶颈，最大限度保证了飞机的一次合格率，将制造能力最大效益化。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是尺寸、容差和动态容差的关系示意图；
图2是动态容差更新算法流程图；
图3是前缘-缝翼装配示意图；
图4是前缘-缝翼的加工-装配过程示意图；
图5是前缘-缝翼的模拟制造结果对比图；
图6是前缘-缝翼的模拟制造成本对比图；
图7是前缘-缝翼的模拟制造精度对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本说明书发明的限定。
实施例1
容差是允许加工和装配过程中尺寸和几何的变动量。定义容差矢量为向着预期制造质量调整时容差的变动量。以此体现容差的波动对制造结果的影响，即动态容差的思想。
引入动态容差的目的是为了在制造过程中交互加工与装配，保证制造的质量和效率。具体来说：实时感知加工和装配过程中的既定误差，在既定误差的基础上对后续的制造过程进行分析与优化，实时更新容差矢量，利用容差矢量“调紧”或“放松”后续的制造容差，使制造能力最大效益化，实现高质量、高效率、低成本的飞机制造。
设加工和装配过程中所有尺寸和几何的公称值为(Xi)N，极限上、下偏差分别为(XiS)N、(XiL)N，那么可以将容差Ai表示为式(1)，
其中，AiS,AiL分别表示容差的上下限，Δi表示实际的误差。
不同于一般的机械产品关注统计意义上的制造能力，飞机等重大工程装备由于其造价高、批量小，更关注一次制造的合格率。因此仅采用静态的容差去分析飞机的加工装配过程远不能满足飞机制造的要求，需要动态容差适时调整制造过程，消除随机误差对制造质量的影响。
各制造环节的误差在统计意义上决定了产品的性能，而各制造环节的容差决定了制造成本、产品质量损失等其他因素。可以表示为式(2)，
其中，Q为产品性能，QS为产品性能要求，C、L等为成本、质量损失等其他需要综合考虑的目标，g为多目标间的关系，f为误差与产品性能的关系。
设制造过程中前若干环节的误差已经产生，那么后续误差与产品性能的关系就会在f的基础上相应地更新，结合式(2)的其他约束，可以优化得到新的容差分配方案，容差的上下限AiS,AiL也会相应地更新，容差会产生波动，引入容差矢量dAi来描述这种动态容差，
其中AiSN,Ais(N-1)表示第N次和第N-1次优化后的容差上限，AiLN,ALs(N-1)类似。尺寸、容差和动态容差的关系如图1所示。
尺寸链方程描述了各制造环节容差之间的关系，以及各环节的误差累计路线。在尺寸链概念的基础上，将动态尺寸链方程定义为各制造环节容差矢量之间的关系，以及各容差变动量的累计路线。动态容差链方程不仅反映了各环节容差波动间的相互影响关系，还可以反映各环节容差波动对产品关键特性的协同影响作用。
根据前面的定义，动态容差链方程可以通过对尺寸链方程做一阶微分得到，或者对几何关系方程做二阶微分得到。
为了简要说明加工装配交互这种新制造模式的可行性，本发明不讨论制造过程中的测量方法，默认测量精度满足要求。另外，本发明以制造过程中关键特性的尺寸或几何准确度作为产品的性能要求QS。采用尺寸链方程描述误差与产品性能的关系f。
接下来，本申请采用改进的遗传算法匹配动态容差更新问题，实时修正制造方案，满足产品性能要求。
将每一种备选的制造方案看作个体，将制造方案中所有的尺寸和几何容差看作个体编码后对应的染色体，那么某个制造环节的容差就是染色体上的一个基因。考虑到尺寸链方程的特点，将个体编码为中点染色体Xj0和半带宽染色体Xjw两部分,表示为：
其中，j表示种群中的第j个体也即第j个染色体，i表示染色体中的第i个基因，Ai0表示容差中点，Aiw表示容差半带宽。
为了避免遗传算法“早熟”陷入局部最优，本发明在适应度函数中引入种群多样性的约束，解决种群中个体相似度过高的问题，保证优化结果的可靠性。根据制造容差的性质，将种群中半带宽染色体对应位置上基因离散程度的均值定义为种群的多样性R，表示为：
n表示每个染色体有n个基因，即每个制造方案有n个容差；m表示种群中有m个染色体，即有m个备选的方案。
为了方便描述，以下针对某一单个染色体讨论其适应度，即不写出表示不同染色体的上标j。
本发明以关键特性的尺寸或几何准确度作为产品性能要求QS，那么每个制造方案对应的实际产品性能Q可以用式(6)中的中点值Q0与半带宽值Qw表示。值得注意的是，这里的半带宽Qw是假设各制造环节的误差都服从正态分布，按照概率法并通过经验修正得到的。
其中式(6)中的第一式即为尺寸链方程，ΔY为关键特性的误差，ki为传递系数。若QS包含Q即表示性能满足要求。
在性能要求的基础上，本发明考虑制造成本和质量损失对制造方案进行多目标优化。产品的制造成本C可表示为,
其中，aip表示与容差变动相关的加工、装配成本参数。
由于产品的性能是按照概率法核算的，只能保证在大数情况下的合格。换言之，若多个环节的误差都处于容差的边缘，则有可能出现关键特性的累积误差接近容差边缘，甚至超过容差设计要求。虽然这种情况是小概率事件，但由于飞机制造成本极高，我们仍需设法避免这类事件，或控制这类事件发生时所造成的损失。
因此，在各制造环节误差均为正态分布的假设基础上，引入指标L描述当产品的所有制造误差均处于容差的3σ处时产品的质量损失程度。拟通过约束L来控制小概率不合格问题(L≥L0)，以及累积误差过大接近容差边缘时所造成的损失(0＜L＜L0)。具体表示为，
其中，式(8)中的第一式为尺寸链方程，Δi3σ为处于容差的3σ处误差，L0为产品关键特性的累积误差处于容差边缘时的质量损失。
综上，可将适应度函数表示为，
即在满足产品性能要求的个体中，选择多目标性能最优的个体。
这种适应度函数的构建方法一方面解决了易“早熟”陷入局部最优的问题，另一方面考虑了概率法求解尺寸链带来的小概率不合格问题，与动态容差更新的实际问题匹配较好。
当染色体中基因较多时，为了提升种群的多样性，需要进行多次的交叉和变异，增加了时间复杂度。这对加工-装配交互模式下动态容差的更新是不利的。
但实际上，并不是所有制造环节的误差都对产品性能有显著的影响，就像不是所有的基因都对生物的某一性状有显著的作用。因此，在交叉和变异之前，对各制造环节的误差进行显著度分析，并按照误差显著度顺序对相应位置的基因进行交叉和变异。
本发明是以关键特性的尺寸或几何准确度作为产品的性能要求QS。因此，各环节误差的显著度coni可以表示为，
其中f即是前文提到的尺寸链方程。
交叉操作采用两点交叉方法，这样一方面保证了种群迭代的效率，另一方面又避免了交叉点过多导致种群中重要模式的丢失。根据误差显著度计算每个交叉点的显著性概率pi，并按照pi选取交叉点。显著性概率pi表示为，
变异点的选取与交叉点的选取方法相同。变异操作是将选取的基因随机扩大或缩小0.05倍，即对容差范围随机扩大或缩小0.05倍。
本发明提出的动态容差更新算法由初始化模块、评价模块、进化模块和更新模块组成，如图2所示，具体步骤如下：
(1)根据加工、装配实际问题生成尺寸链。根据实时测量数据更新尺寸链。参考相关规范和工艺人员经验形成30种后续容差分配方案，并编码形成初始种群。
(2)根据产品质量要求设计具体g函数，并设置g函数临界值。计算染色体适应度，判断是否满足终止条件。若满足跳至第(4)步，若不满足跳至第(3)步。
(3)采用轮盘赌法对种群中的个体进行选择。计算每个交叉点/变异点的显著性概率，对种群中的个体进行交叉和变异。重新回到第(2)步。
(4)将优化后的染色体解码，并更新动态容差，指导下一步的加工和装配。在完成下一步骤的制造后，重新进入第(1)步。
本发明拟将加工装配交互方法应用于飞机前缘-缝翼的加工-装配过程，并于传统的装配方法进行对比，验证其有效性。飞机前缘-缝翼的一般结构形式如图3(a)、(b)所示。缝翼通过滑轨与机翼前缘连接。机翼借助滑轨与滑轮的相对运动伸缩缝翼，改变整体气动外形。
缝翼下缘前端点到前缘下平面的距离Q是制造性能要求之一，其制造尺寸链可以表示为式(12)，
其中，Δw1～Δw4、ΔD1～ΔD4为四个滑轮孔的位置度误差和孔径误差，Δd1～Δd4为四个滑轮的直径误差，Δp1为滑轮卡板下平面的平面度误差，Δw5和Δw6为滑轨与缝翼连接孔的位置度误差，Δp2为缝翼下缘的平面度误差，ΔS为工艺装备的定位误差，取定值0.01mm。由于滑轨与缝翼多采用干涉连接，因此不考虑其孔轴尺寸误差。
将前缘-缝翼的加工-装配过程分为四个工序：(1)滑轮卡板的加工与装配；(2)滑轮的加工与装配；(3)滑轨的加工与装配；(4)缝翼的加工与装配，每一工序又可为若干个工步，具体制造过程如图4所示。
四个工序之间的加工、装配误差交互作用，共同影响着最终的产品性能。每个工序内的工步之间也存在着相同的交互作用。基于前文的动态容差理论，对前缘-缝翼的加工-装配过程进行实时的动态调整。
首先，根据相关标准和装配经验进行容差分配并采用概率法核算，结果如表1所示。
表1初步容差分配方案
然后，根据动态容差更新方法进行实时的加工装配交互。适应度函数具体表示为，
其中，Qw根据式(6)和式(12)计算得到。由于缺乏实际生产数据，为了说明方法的有效性，假设各环节成本参数相同，成本参数为aip。
设置初始种群规模为50，以连续10代最优解的上下浮动量的均值在5％以内作为算法的收敛标准。
假设每个环节的误差都在容差范围内呈正态分布。一方面，在表1容差分配方案基础上，实时更新动态容差，基于加工装配交互方法模拟制造过程；另一方面，根据表1的容差分配方案，基于蒙特卡洛法模拟传统的制造过程。两种方法各进行20次。
黑色的离散点表示采用动态容差方法模拟得到的前缘-缝翼制造的结果，将每次模拟结果的平均值用黑色的线连接，红色的直线表示采用传统容差方法得到的前缘-缝翼制造的结果，如图5所示。
可以看到，在采用动态容差优化后，大部分制造环节的容差较传统方法确定的初始容差更加宽松了。这说明加工装配交互方法可以更精确地给出最适合当前制造工况的方案，将制造能力最大化。另外，制造容差与制造容差相较于其初始容差更小了，这说明这两处的误差对制造性能影响较大，需要将其设置的紧一点以保证制造性能要求。
将采用动态容差方法的制造成本与传统容差方法的制造成本对比，如图6所示。可以看到，在20次模拟实验中，动态容差方法的平均制造成本较传统容差方法的制造成本降低了9.1％，在第二次模拟中最大降低了16.3％。这说明，动态容差方法实现了装配和加工的并行，在考虑单次制造随机误差的基础上，将制造能力最大效益化。
将采用动态容差方法的制造精度与传统容差方法的制造精度对比，如图7所示。可以看到，在20次模拟实验中，动态容差方法的平均制造精度较传统容差方法的制造精度提高了0.04mm(44％)，制造精度最大降低了0.1mm(89％)。这说明，动态容差方法不仅降低了制造成本，同时考虑了制造误差的随机性，提高了制造性能。
总之，这种加工-装配交互的新模式可实现装配和加工的并行，并考虑随机误差对制造过程的影响，平衡了成本与质量的要求，将制造能力最大化，保证了飞机的一次制造合格率。
本发明提出了加工-装配交互方法，将其应用于飞机前缘-缝翼的制造过程，并与传统的概率方法进行了对比，得到以下结论：
1)基于动态容差实时更新的加工-装配交互方法关联了加工和装配过程，可以更精确地给出最适合当前制造工况的容差分配方案，提升了制造能力。
2)针对飞机前缘-缝翼制造过程实例，对比交互方法与传统方法发现：交互方法下的平均制造成本较传统容差方法的制造成本降低了9.1％，且平均制造精度较传统容差方法的制造精度提高了0.04mm(44％)。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (1)

1.一种基于遗传算法的容差优化方法，其特征在于，该方法包括以下步骤：
（1）根据加工、装配实际问题生成尺寸链；根据实时测量数据更新尺寸链；形成多种后续容差分配方案，并编码形成初始种群；将每一种备选的制造方案看作个体，将制造方案中所有的尺寸和几何容差看作个体编码后对应的染色体，那么某个制造环节的容差就是染色体上的一个基因；考虑到尺寸链方程的特点，将个体编码为中点染色体X j0 和半带宽染色体X jw 两部分,表示为：
；
其中，j表示种群中的第j个体也即第j个染色体，i表示染色体中的第i个基因，A i0 表示容差中点，A iw 表示容差半带宽，A iS , A iL 分别表示容差的上下限；
（2）根据产品质量要求设计具体g函数，并设置g函数临界值；根据制造容差的性质，将种群中半带宽染色体对应位置上基因离散程度的均值定义为种群的多样性R，表示为：
；
n表示每个染色体有n个基因，即每个制造方案有n个容差；m表示种群中有m个染色体，即有m个备选的方案；以关键特性的尺寸或几何准确度作为产品性能要求Q S ，那么每个制造方案对应的实际产品性能Q用中点值Q 0 与半带宽值Q w 表示；这里的半带宽Q w 是假设各制造环节的误差都服从正态分布，按照概率法并通过经验修正得到的；
；
其中第一式为尺寸链方程，ΔY为关键特性的误差，ki为传递系数；考虑制造成本和质量损失对制造方案进行多目标优化;产品的制造成本C表示为,
；
其中，α ip 表示与容差变动相关的加工、装配成本参数；引入指标L描述当产品的所有制造误差均处于容差的3σ处时产品的质量损失程度；拟通过约束L来控制小概率不合格问题，即L≥L 0 ，以及累积误差过大接近容差边缘时所造成的损失，即0＜L＜L 0 ；具体表示为，
；
其中，第一式为尺寸链方程，Δ i3σ 为处于容差的3σ处误差，L 0 为产品关键特性的累积误差处于容差边缘时的质量损失；适应度函数表示为，
；
即在满足产品性能要求的个体中，选择多目标性能最优的个体；计算染色体适应度判断是否满足终止条件；若满足跳至第(4)步，若不满足跳至第(3)步；
（3）采用轮盘赌法对种群中的个体进行选择；计算每个交叉点/变异点的显著性概率，对种群中的个体进行交叉和变异；
（4）将优化后的染色体解码，并更新动态容差，指导下一步的加工和装配；在完成下一步骤的制造后，重新进入第(1)步。
CN202111084548.5A 2021-09-16 2021-09-16 一种基于遗传算法的容差优化方法 Active CN113779885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111084548.5A CN113779885B (zh) 2021-09-16 2021-09-16 一种基于遗传算法的容差优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111084548.5A CN113779885B (zh) 2021-09-16 2021-09-16 一种基于遗传算法的容差优化方法

Publications (2)

Publication Number Publication Date
CN113779885A CN113779885A (zh) 2021-12-10
CN113779885B true CN113779885B (zh) 2024-04-30

Family

ID=78844377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111084548.5A Active CN113779885B (zh) 2021-09-16 2021-09-16 一种基于遗传算法的容差优化方法

Country Status (1)

Country Link
CN (1) CN113779885B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114489156B (zh) * 2022-01-25 2024-05-07 南京晨光集团有限责任公司 一种基于三轴转台的高精度控制策略
CN114880796B (zh) * 2022-04-29 2024-04-16 沈阳飞机工业（集团）有限公司 一种用于飞机装配工艺优化的容差分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271653A (zh) * 2018-07-13 2019-01-25 西安交通大学 一种基于形位公差与尺寸公差的机械零件选配方法
CN110690698A (zh) * 2018-07-06 2020-01-14 施耐德电气美国股份有限公司 电力监控系统的动态容差曲线
CN111898206A (zh) * 2020-07-30 2020-11-06 长安大学 一种基于改进遗传算法的参数优化方法、计算机设备及存储介质
WO2021022637A1 (zh) * 2019-08-06 2021-02-11 南京赛沃夫海洋科技有限公司 一种基于改进遗传算法的无人艇路径规划方法及系统
CN112699607A (zh) * 2020-12-31 2021-04-23 中国计量大学 一种基于遗传算法的多目标优化选择装配方法
CN112749517A (zh) * 2020-06-03 2021-05-04 浙江大学 一种公差优化分配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102711266B (zh) * 2012-05-17 2014-08-13 北京邮电大学 基于遗传算法的调度与资源分配联合优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110690698A (zh) * 2018-07-06 2020-01-14 施耐德电气美国股份有限公司 电力监控系统的动态容差曲线
CN109271653A (zh) * 2018-07-13 2019-01-25 西安交通大学 一种基于形位公差与尺寸公差的机械零件选配方法
WO2021022637A1 (zh) * 2019-08-06 2021-02-11 南京赛沃夫海洋科技有限公司 一种基于改进遗传算法的无人艇路径规划方法及系统
CN112749517A (zh) * 2020-06-03 2021-05-04 浙江大学 一种公差优化分配方法
CN111898206A (zh) * 2020-07-30 2020-11-06 长安大学 一种基于改进遗传算法的参数优化方法、计算机设备及存储介质
CN112699607A (zh) * 2020-12-31 2021-04-23 中国计量大学 一种基于遗传算法的多目标优化选择装配方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘鹏 ; 洪军 ; 刘志刚 ; 郭俊康 ; 周强 ; .采用自适应遗传算法的机床公差分配研究.西安交通大学学报.(01),第115-123页. *
利用改进的遗传算法优化产品性能参数模型;梅小华;郑力新;;自动化仪表;20130320(03);第17-20页 *
基于制造公差的复杂机械产品精准选配方法;曹杰;高智勇;高建民;谢军太;;计算机集成制造系统;20200715(07);第1729-1736页 *
基于层次分析法与粒子群算法的飞机装配公差多目标优化;邱晞;牟伟强;魏生民;;航空制造技术;20100815(16);第66-69、72页 *
装配尺寸链的交互式生成和公差遗传优化;廖小云, 黄血成;机械;20011228(06);第37-44页 *

Also Published As

Publication number Publication date
CN113779885A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN113779885B (zh) 一种基于遗传算法的容差优化方法
CN113779803B (zh) 一种基于动态容差的加工装配交互方法
CN111353604B (zh) 一种柔性装配多目标动态优化方法
CN109193807B (zh) 一种电力系统经济调度方法及系统
CN107256441B (zh) 基于非支配排序遗传算法的配电网规划建设方案设计方法
CN111688192B (zh) 一种选区激光熔化主要工艺参数匹配优化方法
CN113204851B (zh) 一种全焊接组件的公差优化方法
Kumar et al. Optimum manufacturing tolerance to selective assembly technique for different assembly specifications by using genetic algorithm
CN104636871A (zh) 一种基于数据的单阶段多产品批处理的控制方法
CN116306864A (zh) 一种对电力系统的深度学习模型进行训练的方法
CN111785326B (zh) 基于生成对抗网络的药物作用后基因表达谱预测方法
CN110929930A (zh) 一种船用曲轴生产线排产调度优化方法
Victor Raj et al. Optimization of assembly tolerance variation and manufacturing system efficiency by using genetic algorithm in batch selective assembly
CN115169520A (zh) 一种采用自适应性粒子群算法对pid参数进行整定优化方法
CN110675055A (zh) 一种自动化生产线建模与布局规划方法及系统
Yan et al. Kalman filtering parameter optimization techniques based on genetic algorithm
Babu et al. Modelling in selective assembly with symmetrical interval-based Taguchi loss function for minimising assembly loss and clearance variation
Keskin Process integration and automated multi-objective optimization supporting aerodynamic compressor design
CN114217580B (zh) 基于改进型差分进化算法的功能性纤维生产排产方法
CN109447131B (zh) 相似高维目标信息识别方法及系统
CN103383752A (zh) 一种飞机的装配调度方法
CN115600309B (zh) 一种基于曲面重构的汽车挡风玻璃模具型面设计方法及装置
EP4063469A1 (en) Reverse design device for gasification process, and method
CN118325639A (zh) 一种乙烯装置急冷系统的优化方法
CN110096741B (zh) 一种基于预测模型及改进遗传算法的预锻成形模具设计方法

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