CN114239349A - 基于增强现实的舱段不可测装配质量检测方法 - Google Patents
基于增强现实的舱段不可测装配质量检测方法 Download PDFInfo
- Publication number
- CN114239349A CN114239349A CN202111457308.5A CN202111457308A CN114239349A CN 114239349 A CN114239349 A CN 114239349A CN 202111457308 A CN202111457308 A CN 202111457308A CN 114239349 A CN114239349 A CN 114239349A
- Authority
- CN
- China
- Prior art keywords
- assembly
- cabin
- quality
- data
- particle
- 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
Images
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
- G06F30/23—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]
- G06F30/10—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]
- G06F30/10—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
- G06F30/27—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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Molecular Biology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及本发明公开了基于增强现实的舱段不可测装配质量检测方法,涉及智能装配制造领域。该方法基于舱段实测模型,取得装配部件的几何特征数据,根据装配过程中的装配工艺参数,使用有限元方法计算得到装配体内部不可测质量数据作为样本集;使用生成‑对抗神经网络对样本数据进行扩张,用扩张后的样本集训练装配质量仿真计算模型,对舱段不可测装配质量进行快速计算;将舱段装配质量计算结果通过3D变形图、应变云图、变形数值显示窗等方式叠加在增强现实环境中,实现舱段不可测装配质量的可视化,帮助控制舱段装配质量。
Description
技术领域
本发明属于发动机数字孪生对接装配领域,具体的说是一种基于增强现实的发动机舱段不可测装配质量仿真检测方法。
背景技术
固体火箭发动机等受力大、精度要求高的航天产品设计为内嵌式过定位装配接口,其通过多台阶过定位配合提高精度及受力特性。但由于内嵌式过定位接口的装配过程无法观测,装配结果无法测量,给发动机装配质量的控制带来了很大的困难。
为了提高舱段的装配质量,通过物理空间实测零部件真实形状,根据装配过程中的装配工艺参数,使用有限元方法计算得到装配体内部不可测质量数据作为样本集,构建装配质量仿真计算模型,对舱段装配质量进行快速计算,并通过增强现实手段实现可视化辅助装配质量检测。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于增强现实的舱段不可测装配质量仿真检测方法。
本发明为实现上述目的所采用的技术方案是:基于增强现实的舱段不可测装配质量检测方法,包括以下步骤:
步骤S1:基于实测舱段获得舱段几何特征数据,根据装配工艺参数通过有限元方法计算得到舱段装配内部质量数据;
步骤S2:将S1中得到的几何特征数据、装配工艺参数及舱段装配内部质量数据作为样本集,使用生成-对抗网络扩张样本数;
步骤S3:基于实测舱段获得的几何特征数据,结合装配过程中的装配工艺参数,使用基于机器学习的装配质量仿真神经网络模型得到舱段的装配内部质量数据,以获取实时的舱段装配内部不可见状态。
所述步骤S1中包括以下步骤:
步骤S1.1:使用实验舱段模拟发动机舱段装配过程,在舱段对接表面安置应变片进行受力检测;
步骤S1.2:采集舱段的几何特征数据、装配工艺参数、应力应变、密封圈剪切力、密封圈挤压量,通过X探伤检测装置检测舱段在装配过程中的装配间隙、装配干涉;所述装配间隙、装配干涉、应力应变、密封圈剪切力、密封圈挤压量构成内部质量状态数据;
步骤S1.3:使用有限元方法获得舱段在数字空间中虚拟舱段的内部质量状态,根据S1.2得到的实测舱段内部质量状态修正舱段的有限元分析计算模型;
步骤S1.4:通过重复步骤S1.1-S1.3采集多组实验舱段的几何特征及装配工艺参数、并通过有限元分析方法计算得到舱段有限元分析模型的内部质量状态数据,将舱段的几何特征及装配工艺参数、内部质量状态数据作为初始的样本数据集。
所述步骤S1.3包括以下步骤:
步骤S1.3.1:将虚拟舱段导入有限元分析软件,添加材料属性及连接条件,添加夹具条件、载荷约束;
步骤S1.3.2:进行网格划分;
步骤S1.3.3:通过分析取得虚拟舱段的内部质量状态数据;
步骤S1.3.4:根据S1.1-S1.2得到的内部质量状态校正有限元方法计算得到的虚拟舱段的内部质量状态数据,修正有限元分析计算模型。
所述步骤S2包括以下步骤:
步骤S2.1:将步骤S1.4得到的几何特征数据、装配工艺参数、内部质量状态数据构建样本数据集,并构建条件式生成-对抗神经网络;所述条件式生成-对抗神经网络包括生成器和判别器,所述生成器根据已知的几何特征数据、装配工艺参数及内部质量状态数据继续生成样本数据;所述判别器为生成样本质量判别器,根据已知的样本数据对生成器的生成样本数据进行判别;
步骤S2.2:使用训练后的判别器对生成器生成的数据和样本数据集中的样本数据进行质量判别,将通过质量判别的生成数据加入样本数据集;
步骤S2.3:使用扩充后的数据集重复执行步骤S2.1-S2.2,继续训练生成器,直至质量判别器无法分辨真假,即判别概率0.5时停止训练;
步骤S2.4:由生成器根据通过步骤S1.4获取的几何特征数据、装配工艺参数及内部质量状态数据,对样本数据集进行扩张。
步骤S2.1中的生成器和判别器进行训练,包括以下步骤:
步骤S2.1.1:使用样本数据初次训练判别器;
步骤S2.1.2:使用样本数据初次训练生成器;
步骤S2.1.3:使用训练后的生成器产生数据集,对初次训练后的质量判别器进行二次训练。
所述步骤S3中包括以下步骤:
步骤S3.1:构建装配质量仿真神经网络模型;
步骤S3.2:将步骤S2.4得到的扩张后样本数据集分为训练集和测试集,进行装配质量仿真神经网络模型的训练;
步骤S3.3:对于已完成装配的舱段,根据实测舱段获得的几何特征,结合装配过程中的装配工艺参数,使用装配质量仿真神经网络模型得到舱段内部不可测的质量状态数据。
所述步骤S3.2包括:
步骤S3.2.1:将样本数据集划分训练集和测试集;
步骤S3.2.2:以舱段几何特征数据及装配工艺参数为训练输入,内部质量状态数据为训练输出,进行数据归一化处理;
步骤S3.2.3:训练装配质量仿真计算神经网络模型,使用粒子群算法对网络参数进行寻优。
所述步骤S3.2.3包括:
步骤S3.2.3.1:初始化粒子群的大小,设置最大的速度区间和搜索区间,在搜索空间和速度区间内随机初始化初始位置、初始速度;
所述粒子的优化目标为装配质量仿真计算神经网络的参数:输入层节点个数、隐含层数、各隐含层节点个数、输出层节点个数;
步骤S3.2.3.2:设置粒子更新的惯性因子ω和加速常数C1、C2,设置终止条件为达到最大迭代次数Gmax或神经网络结构下验证集的均方误差MSE小于ε;
步骤S3.2.3.3:计算各个粒子对应网络结构下验证集的均方误差,找到各粒子当前的个体极值pb和整个粒子群的当前全局最优解gb,并判断是否达到终止条件;
若是,则输出目前粒子群最优位置作为装配质量仿真计算神经网络参数优化结果;
若否,根据下列公式更新各个粒子的速度和位置:
new_v=ω·v+C1·rand()·(pb-position)+C2·rand()·(gb-position)
new_position=position+new_v·t
其中,new_v为粒子更新后的速度,ω为惯性因子,v为粒子当前的速度,C1、C2为加速常数,rand()为0到1之间的随机数,pb为粒子最优位置,gb为全体粒子最优位置,position为粒子当前位置,new_position为粒子更新后的位置,t为时间;
判断更新后粒子位置是否在搜索区间之内;若是,则重新执行步骤S3.2.3.3,若否,设置该粒子的位置为搜索区间的边界值,重新执行步骤S3.2.3.3。
基于增强现实的舱段不可测装配质量检测方法,还包括步骤S4:将装配质量数据以3D图像或变形件变形数值的形式叠加到虚实配准后的增强现实环境中,实现可视化辅助装配质量检测。
本发明具有以下有益效果及优点:
1.使用实验舱段实测采集舱段装配体的内部质量状态数据,对比有限元方法计算得到的虚拟舱段装配体的内部质量状态数据,修正有限元分析计算模型。使用有限元分析计算模型代替实际测量方法得到舱段内部质量数据,实现舱段内部质量状态的无损检测。
2.使用生成-对抗网络代替有限元分析计算模型的多次计算,扩张有限的样本数据,快速获取大量样本数据训练装配质量仿真计算神经网络。
3.所得到的装配质量仿真计算神经网络能够根据舱段的几何特征及装配过程中的工艺参数对舱段装配后的内部不可见质量状态进行快速仿真计算,将其计算结果通过增强现实方法进行可视化,帮助装配技术人员实现对舱段装配质量的控制。
附图说明
图1是本发明舱段不可测装配质量仿真计算方法总流程;
图2是本发明实施例中步骤S2的原理框图;
图3是本发明实施例中步骤S3的原理框图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明公开了一种基于增强现实的舱段不可测装配质量仿真计算方法,涉及智能装配制造领域。该方法基于舱段实测模型,取得装配部件的几何特征数据,根据装配过程中的装配工艺参数,使用有限元方法计算得到装配体内部不可测质量数据作为样本集;使用生成-对抗神经网络对样本数据进行扩张,用扩张后的样本集训练装配质量仿真计算模型,对舱段不可测装配质量进行快速计算;将舱段装配质量计算结果通过3D变形图、应变云图、变形数值显示窗等方式叠加在增强现实环境中,实现舱段不可测装配质量的可视化,帮助控制舱段装配质量。
如图1所示,一种基于增强现实的舱段不可测装配质量仿真计算方法,包括以下步骤:
步骤S1:基于实测实验舱段模型获得实验舱段几何特征数据(舱段接口尺寸),根据装配工艺参数(装配力、装配速度、装配运动方向)进一步通过有限元方法计算得到实验装配体内部质量数据(装配间隙、装配干涉、应力应变、密封圈剪切力、密封圈挤压量);
步骤S2:将S1中得到的几何特征数据、装配工艺参数及装配体内部质量数据作为样本集,使用生成-对抗网络扩张样本数;
步骤S3:基于实测舱段模型获得舱段几何特征数据,结合装配过程中的装配工艺参数,使用基于深度学习的装配质量仿真计算模型代替有限元分析方法对装配部件的装配质量进行内部不可见状态在线高精度计算;
步骤S4:将装配体内部质量数据以3D图像、数值显示窗口等形式叠加到虚实配准后的增强现实环境中,实现可视化辅助装配质量检测。
具体的,所述步骤S1中包括以下步骤:
步骤S1.1:构建实验产品模拟发动机舱段装配过程,在实验产品对接表面安置应变片进行受力检测,得到试验产品装配体的应力应变、密封圈剪切力、密封圈挤压量数据;
步骤S1.2:采集实验产品的几何特征数据(舱段接口尺寸)、装配工艺参数(装配力、装配速度、装配运动方向),通过X探伤检测装置检测实验产品在装配过程中的装配间隙、装配干涉等装配体内部质量状态;
步骤S1.3:使用有限元方法分析实验产品在数字空间中虚拟装配体的内部质量状态,根据S1.1-S1.2得到的实测装配体内部质量数据修正有限元分析模型;
步骤S1.4:采集多组实际装配部件的几何特征数据及装配工艺参数,使用有限元分析方法计算得到装配体内部质量状态数据;
将步骤S1.4中得到的几何特征及装配工艺参数、装配体内部质量数据作为初始数据,通过生成-对抗网络进行样本扩张,所述步骤S2中包括以下步骤:
步骤S2.1:构建样本数据生成环境和条件式生成-对抗神经网络,所述条件式生成-对抗神经网络包括生成器和判别器,生成器根据已知的几何特征数据、装配工艺参数及装配体内部质量数据继续生成样本数据;所述判别器为生成样本质量判别器,根据已知的装配部件的几何特征数据及装配质量有限元分析结果对生成器的生成样本数据进行判别;如图2所示
步骤S2.2:使用训练后的质量判别器对生成器生成的数据和有限元分析得到的样本数据进行质量判别,将通过质量判别的生成数据加入样本数据集;
步骤S2.3:使用扩充后的数据集继续重复执行步骤S2.1-S2.2,继续训练生成器,直至质量判别器无法分辨真假,即判别概率0.5时停止训练;
步骤S2.4:由生成器根据已知的几何特征数据、装配工艺参数及装配体内部质量数据,对样本数据集进行扩张。
所述步骤S3中包括以下步骤:
步骤S3.1:针对舱段内部不可见的装配间隙、装配干涉、应力应变、密封圈剪切力、密封圈挤压量计算问题,设计装配质量仿真计算深度神经网络模型;
步骤S3.2:将步骤S2中扩张后的样本数据集分为训练集和测试集,进行装配质量仿真计算模型的训练;
其中所述步骤S3.2包括:
步骤S3.2.1:对样本数据进行检查和处理并划分训练集和测试集;
步骤S3.2.2:以装配体模型几何特征数据及装配工艺参数为训练输入,装配质量为训练输出,进行数据归一化处理;
步骤S3.2.3:训练装配质量仿真计算深度神经网络模型,使用粒子群算法对模型参数进行寻优;
如图3所示,其中所述步骤S3.2.3包括:
步骤S3.2.3.1:初始化粒子群的大小,设置最大的速度区间和搜索区间,在搜索空间和速度区间内随机初始化初始位置、初始速度;
步骤S3.2.3.2:设置粒子更新的惯性因子ω和加速常数C1、C2,设置终止条件为达到最大迭代次数Gmax或该网络结构下验证集的均方误差MSE小于ε。
步骤S3.2.3.3:计算各个粒子对应网络结构下验证集的均方误差,找到各粒子当前的个体极值pb和整个粒子群的当前全局最优解gb,并计算判断是否达到终止条件,若是则输出目前粒子群最优位置作为神将网络参数优化结果;若否,根据公式
new_v=ω·v+C1·rand()·(pb-position)+C2·rand()·(gb-position)
new_position=position+new_v·t
更新各个粒子的速度和位置,其中,new_v为粒子更新后的速度,ω为惯性因子,v为粒子当前的速度,C1、C2为加速常数,rand()为0到1之间的随机数,pb为粒子最优位置,gb为全体粒子最优位置,position为粒子当前位置,new_position为粒子更新后的位置,t为时间;
判断更新后粒子位置是否在搜索区间之内,若是,则重新执行步骤S3.2.3.3,若否,设置该粒子的位置为搜索区间的边界值,重新执行步骤S3.2.3.3;
步骤S3.3:对于已完成装配的舱段,根据实测舱段模型获得的部件几何特征和装配过程中的装配工艺参数,使用装配质量仿真计算模型计算得到舱段装配体内部不可测质量数据;
具体的,所述步骤S4中包括以下步骤:
步骤S4.1:设计用于增强现实辅助装配的标志物,并将跟踪标记固定在各舱段上;
步骤S4.2:利用增强现实设备的图像采集系统采集装配现场舱段的图像,保证相机视野中标志物清晰完整;
步骤S4.3:通过识别图像中的标志物,获得预定义标志物与当前场景标志物的位姿转换矩阵,完成虚拟信息的三维跟踪注册;
步骤S4.4:构建包含装配体内部装配间隙、装配干涉、密封圈剪切力、密封圈挤压量、应力应变的虚拟3D图像、变形件变形数值显示窗,将其叠加到增强现实环境中;
步骤S4.5:通过语音、图像等人机交互方式,辅助工人完成舱段不可测装配质量的检测。
Claims (9)
1.基于增强现实的舱段不可测装配质量检测方法,其特征在于,包括以下步骤:
步骤S1:基于实测舱段获得舱段几何特征数据,根据装配工艺参数通过有限元方法计算得到舱段装配内部质量数据;
步骤S2:将S1中得到的几何特征数据、装配工艺参数及舱段装配内部质量数据作为样本集,使用生成-对抗网络扩张样本数;
步骤S3:基于实测舱段获得的几何特征数据,结合装配过程中的装配工艺参数,使用基于机器学习的装配质量仿真神经网络模型得到舱段的装配内部质量数据,以获取实时的舱段装配内部不可见状态。
2.根据权利要求1所述的基于增强现实的舱段不可测装配质量检测方法,其特征在于:
所述步骤S1中包括以下步骤:
步骤S1.1:使用实验舱段模拟发动机舱段装配过程,在舱段对接表面安置应变片进行受力检测;
步骤S1.2:采集舱段的几何特征数据、装配工艺参数、应力应变、密封圈剪切力、密封圈挤压量,通过X探伤检测装置检测舱段在装配过程中的装配间隙、装配干涉;所述装配间隙、装配干涉、应力应变、密封圈剪切力、密封圈挤压量构成内部质量状态数据;
步骤S1.3:使用有限元方法获得舱段在数字空间中虚拟舱段的内部质量状态,根据S1.2得到的实测舱段内部质量状态修正舱段的有限元分析计算模型;
步骤S1.4:通过重复步骤S1.1-S1.3采集多组实验舱段的几何特征及装配工艺参数、并通过有限元分析方法计算得到舱段有限元分析模型的内部质量状态数据,将舱段的几何特征及装配工艺参数、内部质量状态数据作为初始的样本数据集。
3.根据权利要求1所述的基于增强现实的舱段不可测装配质量检测方法,其特征在于:所述步骤S1.3包括以下步骤:
步骤S1.3.1:将虚拟舱段导入有限元分析软件,添加材料属性及连接条件,添加夹具条件、载荷约束;
步骤S1.3.2:进行网格划分;
步骤S1.3.3:通过分析取得虚拟舱段的内部质量状态数据;
步骤S1.3.4:根据S1.1-S1.2得到的内部质量状态校正有限元方法计算得到的虚拟舱段的内部质量状态数据,修正有限元分析计算模型。
4.根据权利要求1所述的基于增强现实的舱段不可测装配质量检测方法,其特征在于:所述步骤S2包括以下步骤:
步骤S2.1:将步骤S1.4得到的几何特征数据、装配工艺参数、内部质量状态数据构建样本数据集,并构建条件式生成-对抗神经网络;所述条件式生成-对抗神经网络包括生成器和判别器,所述生成器根据已知的几何特征数据、装配工艺参数及内部质量状态数据继续生成样本数据;所述判别器为生成样本质量判别器,根据已知的样本数据对生成器的生成样本数据进行判别;
步骤S2.2:使用训练后的判别器对生成器生成的数据和样本数据集中的样本数据进行质量判别,将通过质量判别的生成数据加入样本数据集;
步骤S2.3:使用扩充后的数据集重复执行步骤S2.1-S2.2,继续训练生成器,直至质量判别器无法分辨真假,即判别概率0.5时停止训练;
步骤S2.4:由生成器根据通过步骤S1.4获取的几何特征数据、装配工艺参数及内部质量状态数据,对样本数据集进行扩张。
5.根据权利要求4所述的基于增强现实的舱段不可测装配质量检测方法,其特征在于:步骤S2.1中的生成器和判别器进行训练,包括以下步骤:
步骤S2.1.1:使用样本数据初次训练判别器;
步骤S2.1.2:使用样本数据初次训练生成器;
步骤S2.1.3:使用训练后的生成器产生数据集,对初次训练后的质量判别器进行二次训练。
6.根据权利要求1所述的基于增强现实的舱段不可测装配质量检测方法,其特征在于:所述步骤S3中包括以下步骤:
步骤S3.1:构建装配质量仿真神经网络模型;
步骤S3.2:将步骤S2.4得到的扩张后样本数据集分为训练集和测试集,进行装配质量仿真神经网络模型的训练;
步骤S3.3:对于已完成装配的舱段,根据实测舱段获得的几何特征,结合装配过程中的装配工艺参数,使用装配质量仿真神经网络模型得到舱段内部不可测的质量状态数据。
7.根据权利要求6所述的基于增强现实的舱段不可测装配质量检测方法,其特征在于:所述步骤S3.2包括:
步骤S3.2.1:将样本数据集划分训练集和测试集;
步骤S3.2.2:以舱段几何特征数据及装配工艺参数为训练输入,内部质量状态数据为训练输出,进行数据归一化处理;
步骤S3.2.3:训练装配质量仿真计算神经网络模型,使用粒子群算法对网络参数进行寻优。
8.根据权利要求7所述的基于增强现实的舱段不可测装配质量检测方法,其特征在于:所述步骤S3.2.3包括:
步骤S3.2.3.1:初始化粒子群的大小,设置最大的速度区间和搜索区间,在搜索空间和速度区间内随机初始化初始位置、初始速度;
所述粒子的优化目标为装配质量仿真计算神经网络的参数:输入层节点个数、隐含层数、各隐含层节点个数、输出层节点个数;
步骤S3.2.3.2:设置粒子更新的惯性因子ω和加速常数C1、C2,设置终止条件为达到最大迭代次数Gmax或神经网络结构下验证集的均方误差MSE小于ε;
步骤S3.2.3.3:计算各个粒子对应网络结构下验证集的均方误差,找到各粒子当前的个体极值pb和整个粒子群的当前全局最优解gb,并判断是否达到终止条件;
若是,则输出目前粒子群最优位置作为装配质量仿真计算神经网络参数优化结果;
若否,根据下列公式更新各个粒子的速度和位置:
new_v=ω·v+C1·rand()·(pb-position)+C2·rand()·(gb-position)
new_position=position+new_v·t
其中,new_v为粒子更新后的速度,ω为惯性因子,v为粒子当前的速度,C1、C2为加速常数,rand()为0到1之间的随机数,pb为粒子最优位置,gb为全体粒子最优位置,position为粒子当前位置,new_position为粒子更新后的位置,t为时间;
判断更新后粒子位置是否在搜索区间之内;若是,则重新执行步骤S3.2.3.3,若否,设置该粒子的位置为搜索区间的边界值,重新执行步骤S3.2.3.3。
9.根据权利要求1所述的基于增强现实的舱段不可测装配质量检测方法,其特征在于:还包括步骤S4:将装配质量数据以3D图像或变形件变形数值的形式叠加到虚实配准后的增强现实环境中,实现可视化辅助装配质量检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111457308.5A CN114239349A (zh) | 2021-12-02 | 2021-12-02 | 基于增强现实的舱段不可测装配质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111457308.5A CN114239349A (zh) | 2021-12-02 | 2021-12-02 | 基于增强现实的舱段不可测装配质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239349A true CN114239349A (zh) | 2022-03-25 |
Family
ID=80752706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111457308.5A Pending CN114239349A (zh) | 2021-12-02 | 2021-12-02 | 基于增强现实的舱段不可测装配质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239349A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115822533A (zh) * | 2022-11-28 | 2023-03-21 | 新疆敦华绿碳技术股份有限公司 | 一种底水砂岩油藏驱油方法 |
-
2021
- 2021-12-02 CN CN202111457308.5A patent/CN114239349A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115822533A (zh) * | 2022-11-28 | 2023-03-21 | 新疆敦华绿碳技术股份有限公司 | 一种底水砂岩油藏驱油方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Development of a physics-informed doubly fed cross-residual deep neural network for high-precision magnetic flux leakage defect size estimation | |
CN111209620B (zh) | 含裂纹结构剩余承载力及裂纹扩展路径的预测方法 | |
CN112613118B (zh) | 火箭发动机内部不可测装配质量数字孪生建模与追溯方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
Jaramillo et al. | On-line 3-D system for the inspection of deformable parts | |
CN114239349A (zh) | 基于增强现实的舱段不可测装配质量检测方法 | |
Lai et al. | Framework for long-term structural health monitoring by computer vision and vibration-based model updating | |
CN115327270A (zh) | 基于数据-模型驱动的变压器小样本故障诊断系统 | |
CN115526096A (zh) | 盾构机施工掘进参数的预测方法、装置及可存储介质 | |
CN115758576A (zh) | 船体结构极限强度试验用虚实融合系统及方法 | |
CN107092808B (zh) | 一种编队目标合并机动模式下的跟踪方法 | |
CN116627157B (zh) | 一种运载火箭的运行控制方法、装置及设备 | |
Dascotte | Model updating for structural dynamics: past, present and future outlook | |
Liang et al. | Elimination of end effects in LMD by Bi-LSTM regression network and applications for rolling element bearings characteristic extraction under different loading conditions | |
Karadogan et al. | Potential use of machine learning to determine yield locus parameters | |
CN117150425A (zh) | 基于机理数据融合的管片拼装机运动状态预测方法 | |
CN116952583A (zh) | 一种数字孪生驱动深度迁移学习模型的滚动轴承故障诊断方法 | |
Lin et al. | Dynamic modeling and parameter identification of a gun saddle ring | |
Cheng | Algorithm of CAD surface generation for complex pipe model in Industry 4.0 background | |
Watanabe et al. | Towards EFD/CFD integration: development of DAHWIN-digital/analog-hybrid wind tunnel | |
CN112215957A (zh) | 一种空中目标红外特性仿真方法 | |
CN111625995A (zh) | 一种集成遗忘机制和双超限学习机的在线时空建模方法 | |
Chacón et al. | On the use of systems for tests on stainless steel members and frames aimed at interoperability | |
Xie | Advanced scan-to-model framework for analysis of irregular structures | |
CN117057047B (zh) | 一种航空发动机的性能测试方法及系统 |
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 |