CN115034122B - 3c产品结构的优化方法、装置、可读存储介质及电子设备 - Google Patents

3c产品结构的优化方法、装置、可读存储介质及电子设备 Download PDF

Info

Publication number
CN115034122B
CN115034122B CN202210964698.3A CN202210964698A CN115034122B CN 115034122 B CN115034122 B CN 115034122B CN 202210964698 A CN202210964698 A CN 202210964698A CN 115034122 B CN115034122 B CN 115034122B
Authority
CN
China
Prior art keywords
sample point
initial sample
point set
model
finite element
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
CN202210964698.3A
Other languages
English (en)
Other versions
CN115034122A (zh
Inventor
孙成思
张鑫
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.)
Chengdu Baiwei Storage Technology Co ltd
Original Assignee
Chengdu Baiwei Storage Technology Co ltd
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 Chengdu Baiwei Storage Technology Co ltd filed Critical Chengdu Baiwei Storage Technology Co ltd
Priority to CN202210964698.3A priority Critical patent/CN115034122B/zh
Publication of CN115034122A publication Critical patent/CN115034122A/zh
Application granted granted Critical
Publication of CN115034122B publication Critical patent/CN115034122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/18—Chip packaging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种3C产品结构的优化方法、装置、可读存储介质及电子设备，基于初始样本点集合对有限元模型进行随机振动仿真分析，得到每一初始样本点对应的最大变形量，根据每一初始样本点和最大变形量构建代理模型，基于决定系数对初始样本点集合进行动态加点，得到更新后的样本点集合，基于其对代理模型进行更新，得到最优代理模型，并使用粒子群优化算法对最优代理模型进行寻优，改进后的代理模型可根据模型实际情况进行迭代加点，减少了建模成本，提高了后续寻优精确度，并且大大减少了优化设计时间，更加合理，可靠性更高，从而在有效减少3C产品出现随机振动变形情况的同时，提高优化效率。

Description

3C产品结构的优化方法、装置、可读存储介质及电子设备
技术领域
本发明涉及微电子封装与组装技术领域，尤其涉及一种3C产品结构的优化方法、装置、可读存储介质及电子设备。
背景技术
随着智能化普及以及电子产品市场的持续增长，各种3C产品，如手机、电脑、机顶盒等，已经在日常居家生活中随处可见，深刻融入到现代化生活中。在日常使用中，3C产品（计算机类、通信类和消费类电子产品三者的统称）也伴随着各类失效，进而影响正常使用。根据有关资料显示，日常使用中的3C产品的失效20%是由于机械振动引起的，而3C产品的机械振动冲击大概率是在运输过程中造成的，在运输途中的冲击振动导致3C产品引发的疲劳损伤会进一步影响产品后期运行的可靠性。因此，需要对3C产品进行优化设计，而传统的优化设计方法主要靠人工经验试算，不确定性较高，不够合理，且设计时间长。
发明内容
本发明所要解决的技术问题是：提供一种3C产品结构的优化方法、装置、可读存储介质及电子设备，能够在有效减少3C产品出现随机振动变形情况的同时，提高优化效率。
为了解决上述技术问题，本发明采用的一种技术方案为：
一种3C产品结构的优化方法，包括步骤：
基于3C产品的有限元模型抽取初始样本点集合，并基于所述初始样本点集合对所述有限元模型进行随机振动仿真分析，得到每一所述初始样本点对应的最大变形量；
根据每一所述初始样本点和所述最大变形量构建代理模型；
获取所述代理模型的决定系数，并基于所述决定系数对所述初始样本点集合进行动态加点，得到更新后的样本点集合；
基于所述更新后的样本点集合对所述代理模型进行更新，得到最优代理模型，并使用粒子群优化算法对所述最优代理模型进行寻优，得到所述3C产品的最优有限元模型。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种3C产品结构的优化装置，包括：
仿真分析模块，用于基于3C产品的有限元模型抽取初始样本点集合，并基于所述初始样本点集合对所述有限元模型进行随机振动仿真分析，得到每一所述初始样本点对应的最大变形量；
模型构建模块，用于根据每一所述初始样本点和所述最大变形量构建代理模型；
动态加点模块，用于获取所述代理模型的决定系数，并基于所述决定系数对所述初始样本点集合进行动态加点，得到更新后的样本点集合；
求解模块，用于基于所述更新后的样本点集合对所述代理模型进行更新，得到最优代理模型，并使用粒子群优化算法对所述最优代理模型进行寻优，得到所述3C产品的最优有限元模型。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种3C产品结构的优化方法中的各个步骤。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种3C产品结构的优化方法中的各个步骤。
本发明的有益效果在于：基于初始样本点集合对有限元模型进行随机振动仿真分析，得到每一初始样本点对应的最大变形量，根据每一初始样本点和最大变形量构建代理模型，基于决定系数对初始样本点集合进行动态加点，得到更新后的样本点集合，基于其对代理模型进行更新，得到最优代理模型，并使用粒子群优化算法对最优代理模型进行寻优，得到3C产品的最优有限元模型，比起现有的静态代理模型，改进后的代理模型可根据模型实际情况进行迭代加点，减少了建模成本，提高了后续寻优精确度，并且利用随机振动原理将随机振动所产生的最大变形量作为响应值结合粒子群优化算法对3C产品的随机振动变形进行优化，对比传统的人工优化设计方法，大大减少了优化设计时间，更加合理，可靠性更高，从而在有效减少3C产品出现随机振动变形情况的同时，提高优化效率。
进一步地，所述基于3C产品的有限元模型抽取初始样本点集合之前包括：
建立3C产品的几何模型；
对所述几何模型进行材料赋值，得到赋值后的几何模型，并对所述赋值后的几何模型进行网格划分，得到有限元模型。
由上述描述可知，对几何模型进行材料赋值，并对赋值后的几何模型进行网格划分，得到有限元模型，以便后续基于3C产品的有限元模型进行仿真优化，相较于传统使用人工经验试算，极大地提高了优化效率和结果可靠性。
进一步地，所述基于所述初始样本点集合对所述有限元模型进行随机振动仿真分析，得到每一所述初始样本点对应的最大变形量包括：
基于所述初始样本点集合确定所述有限元模型的固定约束以及模态分析阶数；
基于所述固定约束以及模态分析阶数对所述有限元模型进行模态分析，得到固有频率；
确定所述有限元模型的外部激励和功率谱密度；
基于所述外部激励、所述功率谱密度、所述固定约束和所述固有频率对所述有限元模型进行随机振动分析，得到每一所述初始样本点对应的最大变形量。
由上述描述可知，基于固定约束以及模态分析阶数对有限元模型进行模态分析，以此得到模型的固有频率，再基于外部激励、功率谱密度、固定约束和固有频率对有限元模型进行随机振动分析，能够模拟出3C产品的真实振动环境，使得最后的优化设计结果更贴合实际，准确性以及可靠性更高。
进一步地，所述获取所述代理模型的决定系数包括：
获取每一所述初始样本点在所述代理模型中的预测最大变形量；
根据所述预测最大变形量和所述最大变形量确定所述代理模型的决定系数R 2 ：
Figure 70870DEST_PATH_IMAGE001
；
式中，
Figure 42237DEST_PATH_IMAGE002
表示第i个所述初始样本点对应的最大变形量，
Figure 407097DEST_PATH_IMAGE003
表示所述初始样本点 对应的最大变形量平均值，
Figure 667177DEST_PATH_IMAGE004
表示第i个所述初始样本点在所述代理模型中的预测最大变 形量，n表示所述初始样本点的数量。
由上述描述可知，根据预测最大变形量和最大变形量确定代理模型的决定系数，决定系数表示了当前代理模型的预测精确度，可将决定系数作为后续对模型进行优化的依据，以此提高代理模型的精度。
进一步地，所述基于所述决定系数对所述初始样本点集合进行动态加点，得到更新后的样本点集合包括：
判断所述决定系数是否大于预设阈值，若否，则对所述初始样本点集合进行动态加点，得到更新后的样本点集合，若是，则不对所述初始样本点集合进行动态加点，并将所述初始样本点集合确定为更新后的样本点集合。
由上述描述可知，决定系数越大表示模型的预测精度越高，即代理模型和真实模型近似度越高，决定系数能最为直观地表现出代理模型在全局的预测能力，当决定系数不大于预设阈值时，对样本点进行动态加点，实现对传统的代理模型的改进，从而能够较好地平衡局部误差和全局误差，确保后续寻优精确度。
进一步地，所述对所述初始样本点集合进行动态加点，得到更新后的样本点集合包括：
根据每一所述初始样本点的所述预测最大变形量以及所述最大变形量确定每一初始样本点的绝对误差；
将所述每一初始样本点的绝对误差按照从大到小的顺序进行排序，得到排序后的每一初始样本点的绝对误差；
根据所述排序后的每一初始样本点的绝对误差对所述初始样本点进行排名，并确定位于前预设排名的初始样本点作为目标初始样本点；
基于所述目标初始样本点进行加点，得到新增样本点；
根据所述新增样本点和所述初始样本点集合得到更新后的样本点集合。
由上述描述可知，由于通常的加点方法重点关注全局误差，有时导致虽然全局误差很小，但在某些区域局部误差很大，若最优区域与该区域重合或相交，容易影响后续寻优精确度，因此根据排序后的每一初始样本点的绝对误差确定位于前预设排名的目标初始样本点，基于目标初始样本点进行加点，得到新增样本点，根据新增样本点和初始样本点集合得到更新后的样本点集合，以此使得预测误差较大的区域能增加样本点提高插值预测精度。
进一步地，所述基于所述更新后的样本点集合对所述代理模型进行更新，得到最优代理模型包括：
基于所述更新后的样本点集合返回执行所述基于所述初始样本点集合对所述有限元模型进行随机振动仿真分析步骤直至所述决定系数大于所述预设阈值，得到最优代理模型。
由上述描述可知，基于更新后的样本点集合重新构建代理模型，直至决定系数达到预设阈值，则停止动态加点，表示当前代理模型为最优代理模型，利用最优代理模型能够在产品设计阶段就有效减少3C产品出现随机振动变形情况。
附图说明
图1为本发明实施例的一种3C产品结构的优化方法的步骤流程图；
图2为本发明实施例的一种3C产品结构的优化装置的结构示意图；
图3为本发明实施例的一种电子设备的结构示意图；
图4（a）为本发明实施例的3C产品结构的优化方法中的机顶盒几何模型外部结构示意图；
图4（b）为本发明实施例的3C产品结构的优化方法中的机顶盒几何模型内部结构示意图；
图5为本发明实施例的3C产品结构的优化方法中的机顶盒的设计变量示意图；
图6为本发明实施例的3C产品结构的优化方法中的机顶盒的模态分析得到的固有频率示意图；
图7为本发明实施例的3C产品结构的优化方法中的GJB150 陆地机动随机振动功率谱密度示意图；
图8为本发明实施例的3C产品结构的优化方法中的随机振动分析的功率谱密度设置示意图；
图9为本发明实施例的3C产品结构的优化方法中的优化前机顶盒变形云图；
图10为本发明实施例的3C产品结构的优化方法中的优化后机顶盒变形云图；
标号说明：
1、底部支撑脚；2、外壳；3、PCB。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
本发明上述的3C产品结构的优化方法、装置、可读存储介质及电子设备可用于有支持结构的3C产品的结构设计，比如电脑和机顶盒，以下通过具体实施方式进行说明：
实施例一
请参照图1和图4-图10，本实施例的一种3C产品结构的优化方法，包括步骤：
S0、建立3C产品的几何模型；
本实施例中，所述3C产品为机顶盒；
具体的，根据优化和仿真条件的需求，对机顶盒结构进行简化，建立机顶盒的几何模型，如图4（a）和图4（b）所示，该机顶盒的几何模型包括底部支撑脚1、外壳2和PCB3；
S1、对所述几何模型进行材料赋值，得到赋值后的几何模型，并对所述赋值后的几何模型进行网格划分，得到有限元模型；
具体的，对机顶盒的几何模型的外壳2、芯片和元器件的材料参数进行设置，主要包括密度、泊松比、弹性模量、屈服强度和剪切模量，得到赋值后的几何模型，并对赋值后的几何模型采用六面体网格进行网格划分，当网格纵横比结果大于0.8，且偏斜系数小于0.1时代表在分网成功，得到有限元模型；
S2、基于3C产品的有限元模型抽取初始样本点集合，并基于所述初始样本点集合对所述有限元模型进行随机振动仿真分析，得到每一所述初始样本点对应的最大变形量，具体包括：
S21、使用拉丁超立方抽样方法基于3C产品的有限元模型抽取初始样本点集合；
具体的，确定3C产品的有限元模型对应的设计变量，并根据所述设计变量使用拉丁超立方抽样方法抽取初始样本点集合；
本实施例中，所述设计变量为所述机顶盒的底部支撑脚1中心与两边缘的距离，分别为x1和x2，如图5所示；
S22、基于所述初始样本点集合确定所述有限元模型的固定约束以及模态分析阶数；
具体的，将所述有限元模型的最大变形量确定为性能函数，基于所述初始样本点集合确定所述有限元模型的固定约束以及模态分析阶数；
本实施例中，由于机顶盒底部支撑脚1为与地面的接触面，即激励源头，所述固定约束为所述机顶盒的底部支撑脚1；所述模态分析阶数为12阶；
S23、基于所述固定约束以及模态分析阶数对所述有限元模型进行模态分析，得到固有频率；
其中，所述模态分析可使用ANSYS Workbench的模态仿真模块Modal进行；根据随机振动仿真分析理论，需固有频率的最高频率约为功率谱密度函数（PSD谱）的最高频率的1.5倍才合理，因此当模态频率小于3000Hz时，增加所述模态分析阶数，一般为初始的模态分析阶数的一倍，当大于3000Hz时，停止增加模态分析阶数；
本实施例中，所述机顶盒的模态分析结果的最高阶固有频率需约等于3000Hz，如图6所示，由于GJB150推荐的陆地机动随机振动的最高频率为2000Hz，所述机顶盒符合下一步的随机振动分析，所述随机振动分析可使用ANSYS Workbench的随机振动仿真模块Random Vibration进行；
S24、确定所述有限元模型的外部激励和功率谱密度；
其中，通过Modal的Solution功能进行模型数据共享与分析结果传递，因此只需确定所述有限元模型的外部激励和功率谱密度；
本实施例中，所述机顶盒的外部激励来自于汽车内部的支撑面，该支撑面与机顶盒底部支撑脚1相接触，所以外部激励从机顶盒底部支撑脚1传入；由于电子设备在运输途中由于地面不平度所受的激励主要为公路运输环境，因此采用GJB150推荐的陆地机动随机振动试验条件进行仿真，GJB150 陆地机动随机振动对应的功率谱密度如图7所示，该实验条件与真实振动环境十分接近，可提高仿真分析的准确率，添加PSD G Acceleration（功率谱密度G加速度激励），其中的频率及其对应的功率谱密度大小按照图8进行设置；
S25、基于所述外部激励、所述功率谱密度、所述固定约束和所述固有频率对所述有限元模型进行随机振动分析，得到每一所述初始样本点对应的最大变形量；
具体的，使用ANSYS Workbench的随机振动仿真模块Random Vibration基于所述外部激励、所述功率谱密度、所述固定约束和所述固有频率对所述有限元模型进行随机振动分析，得到每一所述初始样本点对应的最大变形量；对于大量的样本点，使设计变量作为参数化变量，即可进行快速大批量仿真；
S3、根据每一所述初始样本点和所述最大变形量构建代理模型；
其中，所述代理模型为Kriging代理模型；
具体的，根据每一所述初始样本点和所述最大变形量构建Kriging代理模型；
所述Kriging代理模型公式为：
Figure 11571DEST_PATH_IMAGE005
；
式中，
Figure 837445DEST_PATH_IMAGE006
表示最大变形量fdef的初始Kriging代理模型，x1表示底部支撑脚1 中心与边缘的竖直距离，范围为2~5mm，x2表示底部支撑脚1中心与边缘的水平距离，范围为 2~5mm；
S4、获取所述代理模型的决定系数，并基于所述决定系数对所述初始样本点集合进行动态加点，得到更新后的样本点集合，具体包括：
S41、获取每一所述初始样本点在所述代理模型中的预测最大变形量；
S42、根据所述预测最大变形量和所述最大变形量确定所述代理模型的决定系数R 2 ：
Figure 140250DEST_PATH_IMAGE007
；
式中，
Figure 356468DEST_PATH_IMAGE008
表示第i个所述初始样本点对应的最大变形量，
Figure 770132DEST_PATH_IMAGE009
表示所述初始样本点 对应的最大变形量平均值，
Figure 155239DEST_PATH_IMAGE010
表示第i个所述初始样本点在所述代理模型中的预测最大变 形量，n表示所述初始样本点的数量；
决定系数越大，表明代理模型和真实模型近似度越高，决定系数能最为直观地表现出代理模型在全局的预测能力；
S43、判断所述决定系数是否大于预设阈值，若否，则执行S431，若是，则执行S432；
本实施例中，所述预设阈值为80%；
S431、对所述初始样本点集合进行动态加点，得到更新后的样本点集合，具体包括：
S4311、根据每一所述初始样本点的所述预测最大变形量以及所述最大变形量确定每一初始样本点的绝对误差；
所述绝对误差AE为：
Figure 628945DEST_PATH_IMAGE011
；
S4312、将所述每一初始样本点的绝对误差按照从大到小的顺序进行排序，得到排序后的每一初始样本点的绝对误差；
S4313、根据所述排序后的每一初始样本点的绝对误差对所述初始样本点进行排名，并确定位于前预设排名的初始样本点作为目标初始样本点；
其中，所述预设排名为3名；
S4314、基于所述目标初始样本点进行加点，得到新增样本点；
具体的，确定每一所述目标初始样本点对应的任一相邻样本点，并在所述目标初始样本点与所述任一相邻样本点的中间位置进行加点，得到新增样本点；
比如，有三个目标初始样本点，对每一目标初始样本点确定任一相邻样本点，然后在每一目标初始样本点和对应的任一相邻样本点中间位置添加一样本点，得到三个新增样本点；
S4315、根据所述新增样本点和所述初始样本点集合得到更新后的样本点集合；
S432、不对所述初始样本点集合进行动态加点，并将所述初始样本点集合确定为更新后的样本点集合，即所述代理模型为最优代理模型；
S5、基于所述更新后的样本点集合对所述代理模型进行更新，得到最优代理模型，并使用粒子群优化算法对所述最优代理模型进行寻优，得到所述3C产品的最优有限元模型，具体包括：
S51、基于所述更新后的样本点集合返回执行所述S22步骤直至所述决定系数大于所述预设阈值，得到最优代理模型，即基于更新后的样本点集合重新构建代理模型；
S52、使用粒子群优化算法对所述最优代理模型进行寻优，得到所述3C产品的最优有限元模型；
具体的，将最小化最大变形量确定为优化目标，按照所述优化目标使用粒子群优化算法对所述最优代理模型进行寻优，得到尺寸参数值，如上述的x 1和x 2，根据所述尺寸参数值得到所述3C产品的最优有限元模型；
最后可根据最优有限元模型对3C产品结构进行设计，图9展示了优化前的机顶盒变形云图，图10展示了使用本发明的优化设计方法优化后的机顶盒变形云图，可以看出，优化后的机顶盒的随机振动变形大大减小，说明本发明的优化设计效果显著。
实施例二
请参照图2，一种3C产品结构的优化装置，包括：
仿真分析模块，用于基于3C产品的有限元模型抽取初始样本点集合，并基于所述初始样本点集合对所述有限元模型进行随机振动仿真分析，得到每一所述初始样本点对应的最大变形量；
模型构建模块，用于根据每一所述初始样本点和所述最大变形量构建代理模型；
动态加点模块，用于获取所述代理模型的决定系数，并基于所述决定系数对所述初始样本点集合进行动态加点，得到更新后的样本点集合；
求解模块，用于基于所述更新后的样本点集合对所述代理模型进行更新，得到最优代理模型，并使用粒子群优化算法对所述最优代理模型进行寻优，得到所述3C产品的最优有限元模型。
实施例三
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时可实现实施例一中3C产品结构的优化方法的各个步骤。
实施例四
请参照图3，一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一中3C产品结构的优化方法的各个步骤。
综上所述，本发明提供的一种3C产品结构的优化方法、装置、可读存储介质及电子设备，基于3C产品的有限元模型抽取初始样本点集合，并基于所述初始样本点集合对所述有限元模型进行随机振动仿真分析，得到每一所述初始样本点对应的最大变形量；根据每一所述初始样本点和所述最大变形量构建代理模型；获取所述代理模型的决定系数，并基于所述决定系数对所述初始样本点集合进行动态加点，得到更新后的样本点集合，具体当决定系数不大于预设阈值时，对样本点进行动态加点，实现对传统的代理模型的改进，从而能够较好地平衡局部误差和全局误差，确保后续寻优精确度；基于所述更新后的样本点集合对所述代理模型进行更新，得到最优代理模型，并使用粒子群优化算法对所述最优代理模型进行寻优，得到所述3C产品的最优有限元模型，比起现有的静态代理模型，改进后的代理模型可根据模型实际情况进行迭代加点，减少了建模成本，提高了后续寻优精确度，并且利用随机振动原理将随机振动所产生的最大变形量作为响应值结合粒子群优化算法对3C产品的随机振动变形进行优化，对比传统的人工优化设计方法，大大减少了优化设计时间，更加合理，可靠性更高，从而在有效减少3C产品出现随机振动变形情况的同时，提高优化效率，降低产品设计成本与制造成本。
在本申请所提供的上述实施例中，应该理解到，所揭露的方法、装置、计算机可读存储介质以及电子设备，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个组件或模块可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或组件或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为组件显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部组件来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个组件单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种3C产品结构的优化方法，其特征在于，包括步骤：
基于3C产品的有限元模型抽取初始样本点集合，并基于所述初始样本点集合对所述有限元模型进行随机振动仿真分析，得到每一所述初始样本点对应的最大变形量；
根据每一所述初始样本点和所述最大变形量构建代理模型；
获取所述代理模型的决定系数，并基于所述决定系数对所述初始样本点集合进行动态加点，得到更新后的样本点集合；
基于所述更新后的样本点集合对所述代理模型进行更新，得到最优代理模型，并使用粒子群优化算法对所述最优代理模型进行寻优，得到所述3C产品的最优有限元模型；
所述基于所述初始样本点集合对所述有限元模型进行随机振动仿真分析，得到每一所述初始样本点对应的最大变形量包括：
基于所述初始样本点集合确定所述有限元模型的固定约束以及模态分析阶数；
基于所述固定约束以及模态分析阶数对所述有限元模型进行模态分析，得到固有频率；
确定所述有限元模型的外部激励和功率谱密度；
基于所述外部激励、所述功率谱密度、所述固定约束和所述固有频率对所述有限元模型进行随机振动分析，得到每一所述初始样本点对应的最大变形量；
所述基于所述决定系数对所述初始样本点集合进行动态加点，得到更新后的样本点集合包括：
判断所述决定系数是否大于预设阈值，若否，则对所述初始样本点集合进行动态加点，得到更新后的样本点集合，若是，则不对所述初始样本点集合进行动态加点，并将所述初始样本点集合确定为更新后的样本点集合；
所述基于所述更新后的样本点集合对所述代理模型进行更新，得到最优代理模型包括：
基于所述更新后的样本点集合返回执行所述基于所述初始样本点集合对所述有限元模型进行随机振动仿真分析步骤直至所述决定系数大于所述预设阈值，得到最优代理模型。
2.根据权利要求1所述的一种3C产品结构的优化方法，其特征在于，所述基于3C产品的有限元模型抽取初始样本点集合之前包括：
建立3C产品的几何模型；
对所述几何模型进行材料赋值，得到赋值后的几何模型，并对所述赋值后的几何模型进行网格划分，得到有限元模型。
3.根据权利要求1所述的一种3C产品结构的优化方法，其特征在于，所述获取所述代理模型的决定系数包括：
获取每一所述初始样本点在所述代理模型中的预测最大变形量；
根据所述预测最大变形量和所述最大变形量确定所述代理模型的决定系数R 2 ：
Figure 90542DEST_PATH_IMAGE002
；
式中，
Figure 273262DEST_PATH_IMAGE004
表示第i个所述初始样本点对应的最大变形量，
Figure 131627DEST_PATH_IMAGE006
表示所述初始样本点对应的最大变形量平均值，
Figure 589154DEST_PATH_IMAGE008
表示第i个所述初始样本点在所述代理模型中的预测最大变形量，n表示所述初始样本点的数量。
4.根据权利要求3所述的一种3C产品结构的优化方法，其特征在于，所述对所述初始样本点集合进行动态加点，得到更新后的样本点集合包括：
根据每一所述初始样本点的所述预测最大变形量以及所述最大变形量确定每一初始样本点的绝对误差；
将所述每一初始样本点的绝对误差按照从大到小的顺序进行排序，得到排序后的每一初始样本点的绝对误差；
根据所述排序后的每一初始样本点的绝对误差对所述初始样本点进行排名，并确定位于前预设排名的初始样本点作为目标初始样本点；
基于所述目标初始样本点进行加点，得到新增样本点；
根据所述新增样本点和所述初始样本点集合得到更新后的样本点集合。
5.一种3C产品结构的优化装置，其特征在于，包括：
仿真分析模块，用于基于3C产品的有限元模型抽取初始样本点集合，并基于所述初始样本点集合对所述有限元模型进行随机振动仿真分析，得到每一所述初始样本点对应的最大变形量；
模型构建模块，用于根据每一所述初始样本点和所述最大变形量构建代理模型；
动态加点模块，用于获取所述代理模型的决定系数，并基于所述决定系数对所述初始样本点集合进行动态加点，得到更新后的样本点集合；
求解模块，用于基于所述更新后的样本点集合对所述代理模型进行更新，得到最优代理模型，并使用粒子群优化算法对所述最优代理模型进行寻优，得到所述3C产品的最优有限元模型；
所述基于所述初始样本点集合对所述有限元模型进行随机振动仿真分析，得到每一所述初始样本点对应的最大变形量包括：
基于所述初始样本点集合确定所述有限元模型的固定约束以及模态分析阶数；
基于所述固定约束以及模态分析阶数对所述有限元模型进行模态分析，得到固有频率；
确定所述有限元模型的外部激励和功率谱密度；
基于所述外部激励、所述功率谱密度、所述固定约束和所述固有频率对所述有限元模型进行随机振动分析，得到每一所述初始样本点对应的最大变形量；
所述基于所述决定系数对所述初始样本点集合进行动态加点，得到更新后的样本点集合包括：
判断所述决定系数是否大于预设阈值，若否，则对所述初始样本点集合进行动态加点，得到更新后的样本点集合，若是，则不对所述初始样本点集合进行动态加点，并将所述初始样本点集合确定为更新后的样本点集合；
所述基于所述更新后的样本点集合对所述代理模型进行更新，得到最优代理模型包括：
基于所述更新后的样本点集合返回执行所述基于所述初始样本点集合对所述有限元模型进行随机振动仿真分析步骤直至所述决定系数大于所述预设阈值，得到最优代理模型。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的一种3C产品结构的优化方法中的各个步骤。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的一种3C产品结构的优化方法中的各个步骤。
CN202210964698.3A 2022-08-12 2022-08-12 3c产品结构的优化方法、装置、可读存储介质及电子设备 Active CN115034122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210964698.3A CN115034122B (zh) 2022-08-12 2022-08-12 3c产品结构的优化方法、装置、可读存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210964698.3A CN115034122B (zh) 2022-08-12 2022-08-12 3c产品结构的优化方法、装置、可读存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN115034122A CN115034122A (zh) 2022-09-09
CN115034122B true CN115034122B (zh) 2022-11-15

Family

ID=83130564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210964698.3A Active CN115034122B (zh) 2022-08-12 2022-08-12 3c产品结构的优化方法、装置、可读存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN115034122B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659847B (zh) * 2022-12-09 2023-03-28 成都佰维存储科技有限公司 散热器优化方法、装置、可读存储介质及电子设备
CN115659895B (zh) * 2022-12-27 2023-03-21 成都佰维存储科技有限公司 减小封装芯片翘曲度的方法、装置、存储介质及电子设备
CN117787017A (zh) * 2024-02-26 2024-03-29 中国第一汽车股份有限公司 车用功率模块随机振动分析方法、装置和计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110385A (zh) * 2019-04-12 2019-08-09 电子科技大学 基于复合形的自适应代理模型在电池模块优化设计中的应用方法
CN113343545A (zh) * 2021-08-02 2021-09-03 中国人民解放军国防科技大学 结构自适应优化设计方法、装置、设备和介质
CN113505545A (zh) * 2021-06-21 2021-10-15 西南交通大学 基于改进加点准则的轨道交通车辆气动多目标优化方法
CN113821983A (zh) * 2021-10-12 2021-12-21 北京索为系统技术股份有限公司 基于代理模型的工程设计优化方法、装置及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101510229B (zh) * 2009-03-20 2011-09-21 西安电子科技大学 基于机电热三场耦合的电子设备机箱结构优化设计方法
CN112749495A (zh) * 2021-01-27 2021-05-04 中国人民解放军国防科技大学 基于多点加点的代理模型优化方法、装置和计算机设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110385A (zh) * 2019-04-12 2019-08-09 电子科技大学 基于复合形的自适应代理模型在电池模块优化设计中的应用方法
CN113505545A (zh) * 2021-06-21 2021-10-15 西南交通大学 基于改进加点准则的轨道交通车辆气动多目标优化方法
CN113343545A (zh) * 2021-08-02 2021-09-03 中国人民解放军国防科技大学 结构自适应优化设计方法、装置、设备和介质
CN113821983A (zh) * 2021-10-12 2021-12-21 北京索为系统技术股份有限公司 基于代理模型的工程设计优化方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Uncertainty quantification of squeal instability via surrogate modelling;Amir Nobari 等;《Mechanical Systems and Signal Processing》;20150831;第60卷;第887-908页 *
基于EGO加点策略的动力电池包多目标优化;王普毅 等;《汽车工程》;20211025;第43卷(第10期);第1457-1465页 *

Also Published As

Publication number Publication date
CN115034122A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN115034122B (zh) 3c产品结构的优化方法、装置、可读存储介质及电子设备
US11847397B1 (en) Barycenter compact model to determine IR drop exact solution for circuit network
Kuhn Variable selection using the caret package
CN112434188B (zh) 一种异构数据库的数据集成方法、装置及存储介质
CN111159897B (zh) 基于系统建模应用的目标优化方法和装置
CN115455745B (zh) 自适应频点采样的扫频方法、系统及相关设备
CN107944076B (zh) 一种设备部署方案获取方法及装置
CN116187258A (zh) 量子芯片版图的仿真方法、装置、计算设备及存储介质
Weiden et al. Wide quantum circuit optimization with topology aware synthesis
US11675951B2 (en) Methods and systems for congestion prediction in logic synthesis using graph neural networks
US7809543B2 (en) Method, apparatus and computer program product for electrical package modeling
Chandramowlishwaran et al. Brief announcement: Towards a communication optimal fast multipole method and its implications at exascale
EP3920072A1 (en) System for providing a simulation model, system for illustrating estimated fluid movements around a structure, methods therefore and a computer program product
CN115563840B (zh) 减小单元矩阵的级联误差的仿真方法、系统及相关设备
CN115659895B (zh) 减小封装芯片翘曲度的方法、装置、存储介质及电子设备
CN113177387A (zh) 显示面板的像素版图生成方法及装置
CN115878963B (zh) 电容式电压互感器计量误差预测方法、系统、终端及介质
CN115940202A (zh) 基于人工智能的多逆变器功率分配控制方法、装置及设备
CN110968978B (zh) 一种mom电容值的实现方法
Meidiana et al. Topology-based spectral sparsification
CN114330173A (zh) 边界节点连接关系获取方法、装置、设备和存储介质
CN114329868A (zh) 变电设备安全距离校验方法、装置和计算机设备
Kim et al. Automatic SPICE-integrated reinforcement learning for decap optimization for EMI and power integrity
CN115659847B (zh) 散热器优化方法、装置、可读存储介质及电子设备
WO2021229921A1 (ja) 解析装置

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