CN114139231B - 盒形件毛坯尺寸自动优化预测方法 - Google Patents

盒形件毛坯尺寸自动优化预测方法 Download PDF

Info

Publication number
CN114139231B
CN114139231B CN202111354238.0A CN202111354238A CN114139231B CN 114139231 B CN114139231 B CN 114139231B CN 202111354238 A CN202111354238 A CN 202111354238A CN 114139231 B CN114139231 B CN 114139231B
Authority
CN
China
Prior art keywords
box
blank
parameters
thickness
shaped
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
CN202111354238.0A
Other languages
English (en)
Other versions
CN114139231A (zh
Inventor
杜冰
刘凤华
崔海龙
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN202111354238.0A priority Critical patent/CN114139231B/zh
Publication of CN114139231A publication Critical patent/CN114139231A/zh
Application granted granted Critical
Publication of CN114139231B publication Critical patent/CN114139231B/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]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Complex Calculations (AREA)
  • Bending Of Plates, Rods, And Pipes (AREA)

Abstract

本发明提供一种盒形件毛坯尺寸自动优化预测方法，其包括以下步骤，步骤一：获取初始数据组，计算训练组盒形件的实际体积；步骤二：确定训练组盒形件的等效厚度；步骤三：确定盒形件拉深参数最优值；步骤四：确定盒形件拟合系数的最优值；第五步：预测验证组盒形件毛坯尺寸；第六步：判定验证组盒形件毛坯长短轴是否符合误差要求；符合时，输出毛坯尺寸及图像；不符合时，将验证组盒形件及毛坯参数加入训练组，重新拟合拉深参数。本发明提供了基于盒形件参数预测毛坯尺寸的方法，并实现了程序自动化，提高了设计效率，舍弃了传统公式繁琐的计算步骤，能够实现程序的自动优化，进一步提高计算精度，为减薄拉深盒形件的毛坯计算提供了新方法。

Description

盒形件毛坯尺寸自动优化预测方法
技术领域
本申请涉及机械加工领域，尤其涉及一种盒形件毛坯尺寸自动优化预测方法。
背景技术
传统的毛坯计算方法：将拉深件分解为多个简单的几何形状，分别计算出局部毛坯尺寸，再组合计算出盒形件的毛坯尺寸，计算中涉及大量的公式，数据繁多，计算过程繁琐，在计算时稍有失误就会造成毛坯尺寸选取不正确，且对于减薄拉深件的求取更加繁琐，因此，每次确定毛坯尺寸时，需要多次核算，排除人为失误，确认无误后，才能进行后续工作，计算效率低，且对于减薄拉深件的求取结果往往不尽人意。某公司拉深某类盒形件进行毛坯尺寸预测时，首先通过传统拉深件毛坯表达式进行反复核算，同时需要对盒形件毛坯进行数次试冲，才能最终确定毛坯尺寸，过程繁琐，工作难度加大，且浪费严重。此外，有学者以Visual C++6.0为工具，开发出一个对于在SolidWorks环境下造型的任意旋转体拉深件能自动计算毛坯尺寸的程序，该程序只能计算任意旋转体拉深的毛坯尺寸，要求盒形件形状较单一。本发明基于MATLAB软件，建立盒形件参数预测毛坯尺寸的方法，实现了程序自动化，大幅度提高了设计效率，舍弃了传统公式繁琐的计算步骤，并能够实现程序的自动优化，进一步提高计算精度，为减薄拉深盒形件的毛坯计算提供了新技术方案。
发明内容
为了克服现有技术的不足，本发明提出了基于盒形件参数预测毛坯尺寸的方法，实现了程序自动化，大幅度提高了设计效率，舍弃了传统公式繁琐的计算步骤，能够实现程序的自动优化，进一步提高计算精度与计算效率，为减薄拉深盒形件的毛坯计算提供了新方案。因此，本发明提出便于操作及符合实际生产需求的盒形件毛坯尺寸自动优化预测方法。
为实现上述目的，本发明所采用的解决方案为：
一种盒形件毛坯尺寸自动优化预测方法，其包括以下步骤：
步骤1：获取初始数据组，计算训练组盒形件实际体积；
将初始数据分为训练组和验证组，基于盒形件和毛坯的相关参数，获取w组盒形件及其对应毛坯的相关参数，包含经验所得毛坯长短轴a、b，其中训练组盒形件n个，验证组盒形件m个，且m+n＝w；根据获得的n个训练组盒形件相关参数，计算训练组盒形件的实际体积，其表达式如下式所示：
V＝2(h-t)[L1+L2-2(t1+t2)+2t1t2]+L1L2t底
式中：V表示盒形件的实际体积；L1表示盒形件长边的边长；L2表示盒形件宽边的边长；h表示盒形件高度；t1表示盒形件长边厚度；t2表示盒形件短边厚度；t底表示盒形件的底面厚度；
步骤2：确定盒形件的等效厚度；
获取步骤1计算得到的盒形件实际体积V，根据体积不变原则求得当整个盒形件厚度为侧边厚度ti时的等效厚度Ti：
式中：ti表示盒形件侧边厚度，i＝1时表示长边厚度，i＝2时表示短边厚度；Ti表示盒形件的等效厚度，i＝1，表示盒形件厚度等效为长边厚度时的等效厚度，i＝2，表示盒形件厚度等效为短边厚度时的等效厚度；
步骤3：确定盒形件拉深参数最优值；
计算拉深参数qi的最优值；拉深参数qi的取值范围在[0,2]，初值qi1和qi2均等于0；其迭代关系如下式所示：
qik+1＝qik+0.01；(k＝1,2,…,199)
式中：i＝1，时q1k表示与长边对应的第k次迭代的拉深参数；i＝2，时q2k表示与短边对应的第k次迭代的拉深参数；qik+1表示第k+1次迭代的拉深参数；
获取步骤1计算得到的盒形件的实际体积V，获取步骤2计算得到的盒形件的等效厚度Ti，毛坯长轴尺寸ak与拉深参数q1k的计算关系和毛坯短轴尺寸bk与拉深参数q2k的计算关系如下式所示：
式中：ak表示第k次迭代计算得到的毛坯长轴尺寸；bk表示第k次迭代计算得到的毛坯短轴尺寸；
基于最小误差逆向传播方法确定目标函数zik，可以确保训练组盒形件的毛坯尺寸与预测的毛坯尺寸误差最小，甚至一致，误差函数具体实现形式如下式所示：
式中：z1k和z2k分别表示第k次迭代计算毛坯长轴和短轴对应的目标函数；a0已知毛坯长轴尺寸；b0已知毛坯短轴尺寸；
计算所有迭代过程产生的zik，使用快速排序算法找到zik最小值，其对应的ak、bk，并且相应的qik即为最优的拉深参数；
步骤4：确定盒形件拟合系数的最优值；
基于最小二乘法拟合拉深参数与盒形件参数，获取最优的盒形件拟合系数，并建立函数关系式，即回归方程，该方程建立了多组拉深参数与盒形件参数的拟合关系，通过训练组的经验数据实现拉深参数的最优化拟合；。重复步骤1-3即可得到训练组n个盒形件所对应的2n个最优拉深系数qi，拟合拉深参数与盒形件参数的函数关系式，所述函数关系为：
qi＝Cqi0+Cqi1L1+Cqi2L2+Cqi3h+Cqi4t1+Cqi5t2+Cqi6t+Cqi7r+Cqi8rb
式中：qi表示为盒形件拉深参数，i＝1，时q1表示与长边对应的拉深参数；i＝2，时q2表示与短边对应的拉深参数；Cqi0…Cqi8分别表示9个盒形件拟合系数，i＝1时对应盒形件长边最优拉深参数回归方程，i＝2时对应盒形件短边最优拉深参数回归方程；L1、L2、h、t1、t2、t、r、rb分别表示盒形件的各个参数；
盒形件拟合系数的计算，首先构建拟合回归方程组：
式中：yij＝qij；i∈(1,2)；j∈(1,2,…,n)，qij为第j次计算(与训练组第j个盒形件对应)的最优拉深参数qi；biz＝Cqiz；z∈(0,…,8)，Cqiz表示第z个拟合系数；xjz则对应第j次计算的盒形件的第z个参数，xj1代表盒形件长边L1，xj2代表盒形件短边L2，…，xj8代表盒形件底部内圆角rb；ε表示真实值与预测值的差值，即回归模型的误差；N(0，σ2)表示ε符合正态分布，期望是0，方差为σ2，反映误差大部分集中在0值附近,误差越大的概率越小；
求解上述回归方程组，确定出盒形件拟合系数，得到回归方程：
式中：表示最优拉深参数qi；/>即为盒形件拟合系数Cqi0…Cqi8，其中i＝1时表示计算长轴对应的函数关系式，i＝2时表示计算短轴对应的函数关系式；x1…x8表示盒形件的8个参数；
步骤5：基于回归方程，预测验证组盒形件毛坯尺寸；
获取步骤1、步骤2和步骤4中的实际体积、等效厚度计算公式和拉深参数拟合函数，计算该验证组盒形件(m个任选其一)的实际体积V、等效厚度Ti和拉深参数qi，并参照以下关系式预测盒形件毛坯长短轴；
步骤6：判定预测毛坯尺寸是否符合误差要求，提高预测精度；
获取步骤5中求取的验证组盒形件毛坯尺寸a、b，若同时满足下两式的精度要求，可输出毛坯尺寸及图像；
若不满足，则需要将该验证组盒形件参数及毛坯参数加入训练组重新训练，此时训练组盒形件个数为n+1个，获取拉深参数函数关系，该过程一直持续到满足上述精度要求为止。
可优选的是，所述步骤1中的盒形件参数和毛坯参数具体包括w组盒形件及其对应毛坯的原始数据：
所述盒形件的参数包括：盒形件长边L1、盒形件宽边L2、盒形件高度h、盒形件长边厚度t1、盒形件短边厚度t2、盒形件底面厚度t底、盒形件侧壁内圆角r、底部内圆角rb；所述盒形件参数关系满足下式：
所述毛坯参数包括：初始毛坯厚度t、已知毛坯长轴a0、已知毛坯短轴b0；
所述毛坯是厚度为t的椭圆形毛坯件；
所述的盒形件底面厚度t底与初始毛坯厚度t数值相等。
可优选的是，所述步骤3中的快速排序算法，该算法通过多次比较和交换来实现排序，从而获得最优值。
可优选的是，对所述步骤4中回归方程组进行求解并获取拟合系数，其具体过程如下所示：
构建残差平方和的表达式，以i＝1时，即求解长边对应的拉深参数回归方程时为例，如下式所示：
式中：Q为方程组的残差平方和；y1j＝q1j；j∈(1,2,…,n)表示第j次计算的长边拉深参数；b1z＝Cq1z；z∈(0,…,8)表示第z个盒形件拟合系数；xjz则对应第j次计算的盒形件的第z个参数，xj1代表盒形件长边L1，xj2代表盒形件短边L2，…，xj8代表盒形件底部内圆角rb；
则求Q关于b10，b11，…b18的偏导，并令它们都等于0则，则得：
上式为正规方程组，将上式以矩阵的形式进行表示，如下式所示：
式中：X表示盒形件参数矩阵；Y表示拉深参数向量；B表示盒形件拟合系数向量；
即可转化为：
XB＝Y
因为：
式中：XT表示盒形件参数矩阵的转置；
所以正规方程组又可写成：
XTXB＝XTY
这里假设XTX的逆存在，则：
式中：表示盒形件拟合系数向量的最优解；/>分别表示第0，1，…，8个盒形件拟合系数。
与现有技术相比，本发明的有益效果在于：
(1)本发明可完全基于MATLAB软件平台实现，建立盒形件尺寸参数与毛坯尺寸参数的关系，实现毛坯尺寸的准确预测，借助软件平台实现了程序自动优化计算，大幅度提高了设计效率与精度；
(2)本发明采用统计学方法，原始样本数据的不断增加可以提高模型的准确度，进而提高预测结果的精度，使计算结果与真实结果的偏差缩小；
(3)本发明对盒形件毛坯设计人员的设计经验依赖较少，更有利于其他人对盒形件毛坯尺寸进行设计、研究及应用。
附图说明
图1本发明盒形件毛坯尺寸自动优化预测方法的流程简图；
图2本发明实施例的盒形件尺寸示意图；
图3本发明实施例的盒形件毛坯尺寸示意图；
图4本发明的一个优选实施方式中盒形件毛坯尺寸自动优化方法的流程示意图；
图5为嵌入基于程序设计的盒形件毛坯尺寸自动优化预测方法的软件界面视图；
图6为优化输入界面视图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
本发明实施例提供了一种盒形件毛坯尺寸自动优化预测方法，其特点是高效、精准、便于操作及符合实际生产需求盒形件毛坯计算方法，为了证明本发明的适用性，结合实施例进一步说明，如图1所示为本发明具体方法流程简图，具体包括以下步骤：
一种盒形件毛坯尺寸自动优化预测方法，包括以下步骤：
S1：获取初始数据组，计算训练组盒形件实际体积；
将初始数据分为训练组和验证组，基于盒形件和毛坯的相关参数，获取w组盒形件及其对应毛坯的相关参数，包含经验所得毛坯长短轴a、b，其中训练组盒形件n个，验证组盒形件m个，且m+n＝w。
如图2所示为盒形件三视图，该盒形件的参数具体包括：盒形件长边L1、盒形件宽边L2、盒形件高度h、盒形件长边厚度t1、盒形件短边厚度t2、盒形件底面厚度t底、盒形件侧壁内圆角r、底部内圆角rb；盒形件盒形件参数关系满足下式：
如图3所示为毛坯件图纸，该毛坯参数具体包括：初始毛坯厚度t、已知毛坯长轴a0、已知毛坯短轴b0；毛坯是厚度为t的椭圆形毛坯件；的盒形件底面厚度t底与初始毛坯厚度t数值相等。
根据获得的n个训练组盒形件相关参数，计算训练组盒形件的实际体积，其表达式如下式所示：
V＝2(h-t)[L1+L2-2(t1+t2)+2t1t2]+L1L2t底
式中：V表示盒形件的实际体积；L1表示盒形件长边的边长；L2表示盒形件宽边的边长；h表示盒形件高度；t1表示盒形件长边厚度；t2表示盒形件短边厚度；t底表示盒形件的底面厚度。
S2：确定盒形件的等效厚度；
获取S1计算得到的盒形件实际体积V，根据体积不变原则求得当整个盒形件厚度为侧边厚度ti时的等效厚度Ti：
式中：ti表示盒形件侧边厚度，i＝1时表示长边厚度，i＝2时表示短边厚度；Ti表示盒形件的等效厚度，i＝1，表示盒形件厚度等效为长边厚度时的等效厚度，i＝2，表示盒形件厚度等效为短边厚度时的等效厚度。
S3：确定盒形件拉深参数最优值；
计算拉深参数qi的最优值；拉深参数qi的取值范围在[0,2]，初值qi1和qi2均等于0；其迭代关系如下式所示：
qik+1＝qik+0.01；(k＝1,2,…,199)
式中：i＝1，时q1k表示与长边对应的第k次迭代的拉深参数；i＝2，时q2k表示与短边对应的第k次迭代的拉深参数；qik+1表示第k+1次迭代的拉深参数；
获取S1计算得到的盒形件的实际体积V，获取S2计算得到的盒形件的等效厚度Ti，毛坯长轴尺寸ak与拉深参数q1k的计算关系和毛坯短轴尺寸bk与拉深参数q2k的计算关系如下式所示：
式中：ak表示第k次迭代计算得到的毛坯长轴尺寸；bk表示第k次迭代计算得到的毛坯短轴尺寸。
基于最小误差逆向传播方法确定目标函数zik，可以确保训练组盒形件的毛坯尺寸与预测的毛坯尺寸误差最小，甚至一致，误差函数具体实现形式如下式所示：
式中：z1k和z2k分别表示第k次迭代计算毛坯长轴和短轴对应的目标函数；a0已知毛坯长轴尺寸；b0已知毛坯短轴尺寸。
计算所有迭代过程产生的zik，使用快速排序算法找到zik最小值，其对应的ak、bk，并且相应的qik即为最优的拉深参数。上述快速排序算法，该算法通过多次比较和交换来实现排序，从而获得最优值。
S4：确定盒形件拟合系数的最优值；
基于最小二乘法拟合拉深参数与盒形件参数，获取最优的盒形件拟合系数，并建立函数关系式，即回归方程，该方程建立了多组拉深参数与盒形件参数的拟合关系，通过训练组的经验数据实现拉深参数的最优化拟合。重复S1-S3即可得到训练组n个盒形件所对应的2n个最优拉深系数qi，拟合拉深参数与盒形件参数的函数关系式，函数关系为：
qi＝Cqi0+Cqi1L1+Cqi2L2+Cqi3h+Cqi4t1+Cqi5t2+Cqi6t+Cqi7r+Cqi8rb
式中：qi表示为盒形件拉深参数，i＝1，时q1表示与长边对应的拉深参数；i＝2，时q2表示与短边对应的拉深参数；Cqi0…Cqi8分别表示9个盒形件拟合系数，i＝1时对应盒形件长边最优拉深参数回归方程，i＝2时对应盒形件短边最优拉深参数回归方程；L1、L2、h、t1、t2、t、r、rb分别表示盒形件的各个参数。
盒形件拟合系数的计算，首先构建拟合回归方程组：
式中：yij＝qij；i∈(1,2)；j∈(1,2,…,n)，qij为第j次计算(与训练组第j个盒形件对应)的最优拉深参数qi；biz＝Cqiz；z∈(0,…,8)，Cqiz表示第z个拟合系数；xjz则对应第j次计算的盒形件的第z个参数，xj1代表盒形件长边L1，xj2代表盒形件短边L2，…，xj8代表盒形件底部内圆角rb；ε表示真实值与预测值的差值，即回归模型的误差；N(0，σ2)表示ε符合正态分布，期望是0，方差为σ2，反映误差大部分集中在0值附近,误差越大的概率越小。
构建残差平方和的表达式，以i＝1时，即求解长边对应的拉深参数回归方程时为例，如下式所示：
式中：Q为方程组的残差平方和；y1j＝q1j；j∈(1,2,…,n)表示第j次计算的长边拉深参数；b1z＝Cq1z；z∈(0,…,8)表示第z个盒形件拟合系数；xjz则对应第j次计算的盒形件的第z个参数，xj1代表盒形件长边L1，xj2代表盒形件短边L2，…，xj8代表盒形件底部内圆角rb。
则求Q关于b10，b11，…b18的偏导，并令它们都等于0则，则得：
上式为正规方程组，将上式以矩阵的形式进行表示，如下式所示：
式中：X表示盒形件参数矩阵；Y表示拉深参数向量；B表示盒形件拟合系数向量。
即可转化为：
XB＝Y
因为：
式中：XT表示盒形件参数矩阵的转置。
所以正规方程组又可写成：
XTXB＝XTY
这里假设XTX的逆存在，则：
式中：表示盒形件拟合系数向量的最优解；/>即为盒形件拟合系数Cqi0…Cqi8，其中i＝1时表示计算长轴对应的函数关系式，i＝2时表示计算短轴对应的函数关系式。
确定出盒形件拟合系数，得到回归方程：
式中：表示最优拉深参数qi；/>即为盒形件拟合系数Cqi0…Cqi8，其中i＝1时表示计算长轴对应的函数关系式，i＝2时表示计算短轴对应的函数关系式；x1…x8表示盒形件的8个参数。
S5：基于回归方程，预测验证组盒形件毛坯尺寸；
获取S1、S2和S4中的实际体积、等效厚度计算公式和拉深参数拟合函数，计算该验证组盒形件(m个任选其一)的实际体积V、等效厚度Ti和拉深参数qi，并参照以下关系式预测盒形件毛坯长短轴；
S6：判定预测毛坯尺寸是否符合误差要求，提高预测精度；
获取S5中求取的验证组盒形件毛坯尺寸a、b，若同时满足下两式的精度要求，可输出毛坯尺寸及图像；
若不满足，则需要将该验证组盒形件参数及毛坯参数加入训练组重新训练，此时训练组参数为n+1个，获取拉深参数函数关系，该过程一直持续到满足上述精度要求为止。
如图4所示为发明完整流程示意图，本方法完全基于MATLAB软件进行编程设计和软件开发，其在程序编辑过程中的具体实现过程如下所示：
编写训练程序：
1)首先将若干该类盒形件(已知盒形件毛坯尺寸)，分为训练组和验证组，将训练组盒形件尺寸按照既定顺序在Excel表格中列出，命名为“Initial Data”，便于后读取数据寻找相应文件；
2)编写读取“Initial Data”Excel数据的命令，便于后续使用训练组的盒形件参数；
3)编写获取数据并计算训练组盒形件体积V的命令；
4)编写盒形件整体厚度等效为侧边厚度的命令；
5)编写拉深参数嵌套循环的命令、编写求取拉深参数的命令、编写获取误差最小的拉深参数的命令、编写将误差最小的拉深参数存入“Initial Data”Excel的命令，便于后续拟合拉深参数与盒形件参数的函数关系；
6)编写读取“Initial Data”Excel数据的命令、编写拟合拉深参数与盒形件参数的函数关系的命令，命名为“拉深参数公式”；
编写预测程序：
1)编写输入盒形件参数的命令，盒形件为验证组(任选1个)的；
2)编写计算该盒形件体积V的命令；
3)编写盒形件整体厚度等效为侧边厚度的命令；
4)编写利用训练组拉深参数公式计算拉深参数的命令；
5)编写计算盒形件毛坯长短轴的命令、编写将盒形件椭圆毛坯绘制图像的命令。
编写自动优化程序：
1)编写判定预测毛坯尺寸是否在误差允许范围内的命令，判定为可视化判定，若符合，表明预测程序精度足够，若不符合，表明预测程序精度欠佳。此处假设不符合，便于后续表述自动优化程序；
2)编写输入该验证组真实毛坯长短轴的命令；
3)编写拉深参数嵌套循环的命令、编写求取拉深参数的命令、编写获取误差最小的拉深参数的命令，编写将该验证组拉深参数、真实毛坯长短轴及盒形件尺寸存入“Initial Data”Excel的命令，便于后续进一步拟合拉深参数公式；
4)编写读取“Initial Data”Excel的命令、编写拟合拉深参数公式的命令；
5)编写计算盒形件毛坯长短轴的命令、编写将盒形件椭圆毛坯绘制图像的命令。
依据本实施例，将一种基于程序设计的盒形件毛坯尺寸自动优化预测方法嵌入自研软件“Blank Prediction System”中，如图5所示。
软件运行过程：主程序实现过程为选取初始数据——设置参数(盒形件参数)——开始计算——输出结果(数据、图像)。
数据库内的数据分为训练组和验证组。
初始数据为训练组内的数据。
如图6所示，辅程序实现过程为主程序输出结果不符合要求——输入真实毛坯尺寸——开始计算——输出结果(数据、图像)。
如表1所示为误差对比数据，表中通过两种方法共计算了10组毛坯长轴和短轴；这十组所有误差均小于3.6％，满足误差不大于5％的设计要求，该程序计算得到的毛坯尺寸为实际生产提供了依据。此方法大大地提高了设计效率，为从事工艺设计人员节省了大量时间成本。
表1所示为误差对比数据
序号 经验方法2a 本方法计算2a 误差 经验方法2b 本方法计算2b 误差
1 171.0545 174.8360 2.21％ 91.98369 95.1372 3.43％
2 235.2143 235.1810 0.01％ 161.8777 161.6580 0.14％
3 248.9588 248.3260 0.25％ 129.2668 129.5360 0.21％
4 393.987 394.6670 0.17％ 205.175 207.2460 1.01％
5 383.5928 374.2110 2.45％ 195.1221 188.2770 3.51％
6 299.9696 295.3190 1.55％ 220.82 219.0820 0.79％
7 361.5201 349.8480 3.23％ 197.093 194.0420 1.55％
8 343.9998 331.7060 3.57％ 189.05 183.3350 3.02％
9 339.4997 332.1560 2.16％ 261.9485 253.7660 3.12％
10 280.781 276.112 1.66％ 168.812 163.486 3.15％
与现有技术相比，本发明的有益效果在于：
(1)本发明能基于MATLAB软件平台实现，建立盒形件尺寸参数与预测毛坯尺寸参数的关系，实现毛坯尺寸的准确预测，借助软件平台实现了程序自动优化计算，大幅度提高了设计效率与精度；
(2)本发明采用统计学方法，原始样本数据的不断增加可以提高模型的准确度，进而提高预测结果的精度，使计算结果与真实结果的偏差缩小；
(3)本发明对盒形件毛坯设计人员的设计经验依赖较少，更有利于对盒形件毛坯尺寸进行设计、研究及应用。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种盒形件毛坯尺寸自动优化预测方法，其特征在于，其包括以下步骤：
步骤1：获取初始数据组，计算训练组盒形件实际体积；
将初始数据分为训练组和验证组，基于盒形件和毛坯的相关参数，获取w组盒形件及其对应毛坯的相关参数，包含经验所得毛坯长短轴a、b，其中训练组盒形件n个，验证组盒形件m个，且m+n＝w；根据获得的n个训练组盒形件相关参数，计算训练组盒形件的实际体积，其表达式如下式所示：
V＝2(h-t)[L1+L2-2(t1+t2)+2t1t2]+L1L2t底
式中：V表示盒形件的实际体积；L1表示盒形件长边的边长；L2表示盒形件宽边的边长；h表示盒形件高度；t表示初始毛坯厚度；t1表示盒形件长边厚度；t2表示盒形件短边厚度；t底表示盒形件的底面厚度；
步骤2：确定盒形件的等效厚度；
获取步骤1计算得到的盒形件实际体积V，根据体积不变原则求得当整个盒形件厚度为侧边厚度ti时的等效厚度Ti：
式中：ti表示盒形件侧边厚度，i＝1时表示长边厚度，i＝2时表示短边厚度；Ti表示盒形件的等效厚度，i＝1，表示盒形件厚度等效为长边厚度时的等效厚度，i＝2，表示盒形件厚度等效为短边厚度时的等效厚度；
步骤3：确定盒形件拉深参数最优值；
计算拉深参数qi的最优值；拉深参数qi的取值范围在[0,2]，初值qi1和qi2均等于0；其迭代关系如下式所示：
qik+1＝qik+0.01；(k＝1,2,…,199)
式中：i＝1，时q1k表示与长边对应的第k次迭代的拉深参数；i＝2，时q2k表示与短边对应的第k次迭代的拉深参数；qik+1表示第k+1次迭代的拉深参数；
获取步骤1计算得到的盒形件的实际体积V，获取步骤2计算得到的盒形件的等效厚度Ti，毛坯长轴尺寸ak与拉深参数q1k的计算关系和毛坯短轴尺寸bk与拉深参数q2k的计算关系如下式所示：
式中：ak表示第k次迭代计算得到的毛坯长轴尺寸；bk表示第k次迭代计算得到的毛坯短轴尺寸；
基于最小误差逆向传播方法确定目标函数zik，可以确保训练组盒形件的毛坯尺寸与预测的毛坯尺寸误差最小，甚至一致，误差函数具体实现形式如下式所示：
式中：z1k和z2k分别表示第k次迭代计算毛坯长轴和短轴对应的目标函数；a0已知毛坯长轴尺寸；b0已知毛坯短轴尺寸；
计算所有迭代过程产生的zik，使用快速排序算法找到zik最小值，其对应的ak、bk，并且相应的qik即为最优的拉深参数；
步骤4：确定盒形件拟合系数的最优值；
基于最小二乘法拟合拉深参数与盒形件参数，获取最优的盒形件拟合系数，并建立函数关系式，即回归方程；重复步骤1-3即可得到训练组n个盒形件所对应的2n个最优拉深系数qi，拟合拉深参数与盒形件参数的函数关系式，所述函数关系为：
qi＝Cqi0+Cqi1L1+Cqi2L2+Cqi3h+Cqi4t1+Cqi5t2+Cqi6t+Cqi7r+Cqi8rb
式中：qi表示为盒形件拉伸参数，i＝1，时q1表示与长边对应的拉深参数；i＝2，时q2表示与短边对应的拉深参数；Cqi0…Cqi8分别表示9个盒形件拟合系数，i＝1时对应盒形件长边最优拉深参数回归方程，i＝2时对应盒形件短边最优拉深参数回归方程；L1、L2、h、t1、t2、t、r、rb分别表示盒形件的各个参数；
盒形件拟合系数的计算，首先构建拟合回归方程组：
式中：yij＝qij；i∈(1,2)；j∈(1,2,…,n)，qij为第j次计算与训练组第j个盒形件对应的最优拉深参数qi；biz＝Cqiz；z∈(0,…,8)，Cqiz表示第z个拟合系数；xjz则对应第j次计算的盒形件的第z个参数，xj1代表盒形件长边L1，xj2代表盒形件短边L2，…，xj8代表盒形件底部内圆角rb；ε表示真实值与预测值的差值，也就是回归模型的误差；N(0，σ2)表示ε符合正态分布，期望是0，方差为σ2，反映误差大部分集中在0值附近,误差越大的概率越小；
求解上述回归方程组，确定出盒形件拟合系数，得到回归方程：
式中：表示最优拉深参数qi；/>即为盒形件拟合系数Cqi0…Cqi8，其中i＝1时表示计算长轴对应的函数关系式，i＝2时表示计算短轴对应的函数关系式；x1…x8表示盒形件的8个参数；
步骤5：基于回归方程，预测验证组盒形件毛坯尺寸；
获取步骤1、步骤2和步骤4中的实际体积、等效厚度计算公式和拉深参数拟合函数，计算该验证组盒形件的实际体积V、等效厚度Ti和拉深参数qi，并参照以下关系式预测盒形件毛坯长短轴；
步骤6：判定预测毛坯尺寸是否符合误差要求，提高预测精度；
获取步骤5中求取的验证组盒形件毛坯尺寸a、b，若同时满足下两式的精度要求，可输出毛坯尺寸及图像；
若不满足，则需要将该验证组盒形件参数及毛坯参数加入训练组重新训练，此时训练组盒形件个数为n+1个，获取拉深参数函数关系，该过程一直持续到满足上述精度要求为止。
2.根据权利要求1所述的盒形件毛坯尺寸自动优化预测方法，其特征在于，所述步骤1中的盒形件参数和毛坯参数具体包括w组盒形件及其对应毛坯的原始数据：
所述盒形件的参数包括：盒形件长边L1、盒形件宽边L2、盒形件高度h、盒形件长边厚度t1、盒形件短边厚度t2、盒形件底面厚度t底、盒形件侧壁内圆角r、底部内圆角rb；所述盒形件参数关系满足下式：
所述毛坯参数包括：已知毛坯长轴a0、已知毛坯短轴b0；所述毛坯是厚度为t的椭圆形毛坯件；
所述的盒形件底面厚度t底与初始毛坯厚度t数值相等。
3.根据权利要求1所述的盒形件毛坯尺寸自动优化预测方法，其特征在于，所述步骤3中的排序算法，该算法通过多次比较和交换来实现排序，从而获得最优值。
4.根据权利要求1所述的盒形件毛坯尺寸自动优化预测方法，其特征在于，对所述步骤4中回归方程组进行求解并获取拟合系数，其具体过程如下所示：
构建残差平方和的表达式，以i＝1时，即求解长边对应的拉深参数回归方程时为例，如下式所示：
式中：Q为方程组的残差平方和；y1j＝q1j；j∈(1,2,…,n)表示第j组的长边拉深参数；b1z＝Cq1z；z∈(0,…,8)表示第z个盒形件拟合系数；xjz则对应第j次计算的盒形件的第z个参数，xj1代表盒形件长边L1，xj2代表盒形件短边L2，…，xj8代表盒形件底部内圆角rb；
则求Q关于b10，b11，…b18的偏导，并令它们都等于0则，则得：
上式为正规方程组，将上式以矩阵的形式进行表示，如下式所示：
式中：X表示盒形件参数矩阵；Y表示拉深参数向量；B表示盒形件拟合系数向量；
即可转化为：
XB＝Y
因为：
式中：XT表示盒形件参数矩阵的转置；
所以正规方程组又可写成：
XTXB＝XTY
这里假设XTX的逆存在，则：
式中：表示盒形件拟合系数向量的最优解；/>分别表示第0，1，…，8个盒形件拟合系数。
CN202111354238.0A 2021-11-12 2021-11-12 盒形件毛坯尺寸自动优化预测方法 Active CN114139231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111354238.0A CN114139231B (zh) 2021-11-12 2021-11-12 盒形件毛坯尺寸自动优化预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111354238.0A CN114139231B (zh) 2021-11-12 2021-11-12 盒形件毛坯尺寸自动优化预测方法

Publications (2)

Publication Number Publication Date
CN114139231A CN114139231A (zh) 2022-03-04
CN114139231B true CN114139231B (zh) 2024-05-10

Family

ID=80393460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111354238.0A Active CN114139231B (zh) 2021-11-12 2021-11-12 盒形件毛坯尺寸自动优化预测方法

Country Status (1)

Country Link
CN (1) CN114139231B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004205434A (ja) * 2002-12-26 2004-07-22 Ricoh Co Ltd 画像形成装置、画像形成装置の製造方法、画像形成装置の改造方法および音質評価方法
CN109828532A (zh) * 2019-01-29 2019-05-31 贵州大学 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法
CN111651929A (zh) * 2019-12-24 2020-09-11 广东海洋大学 一种基于Dynaform与智能算法融合的多目标优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443002A (zh) * 2019-08-16 2019-11-12 中国水利水电科学研究院 一种高边坡形变预测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004205434A (ja) * 2002-12-26 2004-07-22 Ricoh Co Ltd 画像形成装置、画像形成装置の製造方法、画像形成装置の改造方法および音質評価方法
CN109828532A (zh) * 2019-01-29 2019-05-31 贵州大学 一种基于ga-gbrt的表面粗糙度预测方法及工艺参数优化方法
CN111651929A (zh) * 2019-12-24 2020-09-11 广东海洋大学 一种基于Dynaform与智能算法融合的多目标优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于RSM的盒形件两因素板料毛坯设计研究;庞林林;万方中国学位论文数据库;20111231;全文 *
基于灰色关联度的筒形件变薄拉深工艺参数优化;袁博;李辉;;锻压技术;20190525(第05期);全文 *

Also Published As

Publication number Publication date
CN114139231A (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
CN103336869A (zh) 一种基于高斯过程联立mimo模型的多目标优化方法
Peddireddy et al. Deep learning based approach for identifying conventional machining processes from CAD data
CN112231839B (zh) 针对高耗时约束的飞行器追峰采样智能探索方法
CN114626015B (zh) 一种基于高斯过程回归的薄壁结构切削颤振预测方法
CN114694139A (zh) 一种数控机床复杂结构件加工特征识别方法及系统
Altan et al. Design for forming and other near net shape manufacturing processes
CN114139231B (zh) 盒形件毛坯尺寸自动优化预测方法
CN116227063A (zh) 一种弯管成形fem模拟结果的几何信息提取方法
Golovin et al. Automation of design of technological processes
CN106777616A (zh) 一种高速水稻钵苗插秧机移箱机构多学科优化设计方法
CN101458714A (zh) 一种基于精确测地线的三维模型检索方法
Gómez et al. A knowledge based application for industrialization design
Dai et al. Multi-objectives design optimization based on multi-objectives Gaussian processes for System-in-Package
Zheng et al. Assembly sequence planning method for optimum assembly accuracy of complex products based on modified teaching–learning based optimization algorithm
Slon et al. An Optimization Framework for Fixture Layout Design for Nonrigid Parts
MORO Active Learning Processes for Smart Inspection, Verification Operations and Modelling of Surfaces with Geometrical Deviations
CN107944182A (zh) 转角轨迹失败的判断方法、电子设备和计算机存储介质
Dannen et al. Methodology for the self-optimizing determination of additive manufacturing process eligibility and optimization potentials in toolmaking
Zhu et al. Two-stage optimization layout of grasping points for sheet metal part based on GSA-Kriging model
CN114970223A (zh) 一种电池包箱体结构的优化方法
Renu et al. Computationally Assisted Retrieval and Reuse of 3D Solid Models and Assembly Work Instructions
Ahmadi Prediction of Orthogonal Cutting Forces Based on Multi-fidelity Modeling
Liu Design and development of an integrated intelligent process planning system taking CAD data files as input
Hermansson Computational Methods for Deformable 1D Objects in Virtual Product Realization
CN113311795A (zh) 一种基于机器学习的智能产线产品质量管控方法及系统

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
GR01 Patent grant
GR01 Patent grant