CN116108762A - 一种利用力传感器的大型复合材料构件装配变形预测方法 - Google Patents
一种利用力传感器的大型复合材料构件装配变形预测方法 Download PDFInfo
- Publication number
- CN116108762A CN116108762A CN202310391592.3A CN202310391592A CN116108762A CN 116108762 A CN116108762 A CN 116108762A CN 202310391592 A CN202310391592 A CN 202310391592A CN 116108762 A CN116108762 A CN 116108762A
- Authority
- CN
- China
- Prior art keywords
- composite material
- neural network
- force
- cloud data
- point cloud
- 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.)
- Granted
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013531 bayesian neural network Methods 0.000 claims description 40
- 238000003062 neural network model Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004026 adhesive bonding Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000011365 complex material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及装配变形预测技术领域,解决了现有技术无法提前预测壁板在保形工装上外形的真实状态的技术问题,尤其涉及一种利用力传感器的大型复合材料构件装配变形预测方法,包括以下步骤:S1、将K个力传感器安装在复合材料壁板的内表面;S2、通过K个力传感器向复合材料壁板的内表面施加外力,得到变形后的复合材料壁板以及K个力传感器所施加外力的力的大小数据T1;S3、采用三维激光扫描设备获取若干份变形后的复合材料壁板的内表面和外表面的三维点云数据N1和N2。本发明通过力传感器获得数据,利用神经网络来对壁板的装配变形进行预测,准确预测大型复合材料构件在保形工装上外形的真实状态。
Description
技术领域
本发明涉及装配变形预测技术领域,尤其涉及一种利用力传感器的大型复合材料构件装配变形预测方法。
背景技术
新一代航空装备对国防安全具有重要意义,大型复合材料构件的装配精度和效率是保证航空装备研制周期和作战性能的核心要素。以“预装加补偿”为特征的传统复合材料装配效率低、质量差、成本高,已无法满足新一代航空装备的需求。
大型复合材料构件成型精度不高,尺寸形状误差较大。同时,复合材料具有典型的各向异性,引起复合材料构件变形,导致大型复合材料构件接合面产生干涉或者间隙,影响飞机的气动外形准确度和连接结构强度。
具体地,以大型复合材料机翼壁板与骨架装配为例,传统装配工艺包括预装、制/扩孔、测隙、涂胶/加垫/打磨、连接、固化等多道工序。预装时,为了严格保证壁板装配后外形符合设计要求,需要通过复杂保形工装根据关键特征约束对壁板进行外形控制,再与骨架结构进行连接、测隙、涂胶、加垫、打磨等操作。
但是,由于复合材料壁板制造成型误差大、材料特性复杂、表面结构复杂(加强筋、牺牲层、变厚度等)、易变形,其在工装上外形状态与理论状态不一致,导致复合材料壁板与骨架间的间隙无法计算。再加上壁板与骨架空间结构跨度大,预装后配合面狭小封闭、且可能发生干涉。因此,需要提前预测壁板在保形工装上外形的真实状态。
发明内容
针对现有技术的不足,本发明提供了一种利用力传感器的大型复合材料构件装配变形预测方法,解决了现有技术无法提前预测壁板在保形工装上外形的真实状态的技术问题,本发明通过力传感器获得数据,利用神经网络来对壁板的装配变形进行预测,准确预测大型复合材料构件在保形工装上外形的真实状态。
为解决上述技术问题,本发明提供了如下技术方案:一种利用力传感器的大型复合材料构件装配变形预测方法,该方法包括以下步骤:
S1、将K个力传感器安装在复合材料壁板的内表面;
S2、通过K个力传感器向复合材料壁板的内表面施加外力,得到变形后的复合材料壁板以及K个力传感器所施加外力的力的大小数据T1;
S3、采用三维激光扫描设备获取若干份变形后的复合材料壁板的内表面和外表面的三维点云数据N1和N2,并分别对若干份三维点云数据N1和N2进行预处理得到若干份无噪声的点云数据N3和N4;
S4、确定贝叶斯神经网络模型和RBF深度神经网络模型;
S5、采用若干份点云数据N3和N4以及力的大小数据T1分别对贝叶斯神经网络模型和RBF深度神经网络模型进行训练得到最优的贝叶斯神经网络模型和RBF深度神经网络模型;
S6、将待测复合材料壁板的力的大小数据T2输入至最优的贝叶斯神经网络模型中得到待测复合材料壁板外表面的点云数据N5;
S7、将点云数据N5输入至最优的RBF深度神经网络模型中得到待测复合材料壁板内表面的点云数据N6;
S8、将点云数据N6导入Polyworks软件中,采用三角化模块即可得到待测复合材料壁板的装配变形的形状。
进一步地,在步骤S1中,具体过程包括以下步骤:
S11、将K个力传感器按照300mm×300mm的矩形阵列均匀安装在复合材料壁板的内表面;
S12、分别调整力传感器的方向和力传感器的垫板,使力传感器的压头方向为该点的法向方向;
S13、调整力传感器的初始值,当力传感器测到的力为时,认为力传感器与复合材料壁板的内表面为接触状态。
进一步地,在步骤S2中,具体过程包括:设定不同位置的力传感器的施加外力为2-15N,待力传感器的输出数值达到稳定后,得到变形后的复合材料壁板以及K个力传感器所施加外力的力的大小数据T1。
进一步地,在步骤S3中,具体过程包括以下步骤:
S31、采用三维激光扫描仪扫描变形后的复合材料壁板的内表面和外表面,获得内表面和外表面待处理的原始散乱的三维点云数据N1和N2;S32、对三维点云数据N1和N2进行去噪,计算三维点云数据N1和N2中任意一点的双边滤波权因子得到滤波后的点;
S33、重复步骤S32直至处理完三维点云数据N1和N2中的所有的点,得到无噪声的点云数据N3和N4;
S34、更改力传感器所施加外力的力的大小,重复步骤S31-步骤S33得到多组无噪声的点云数据N3和N4。
进一步地,在步骤S4中,贝叶斯神经网络模型包括第一输入层和第一输出层,第一输入层的神经元的个数为力传感器的个数K,第一输出层的神经元个数为无噪声的点云数据N3和N4的个数。
进一步地,在步骤S4中,RBF深度神经网络模型包括第二输入层、隐藏层、径向基层和第二输出层组成,从第二输入层到隐含层的空间变换为非线性的,从隐含层到第二输出层的空间变换为线性的。
进一步地,在步骤S5中,具体过程包括以下步骤:
S51、采用若干份力的大小数据T1和复合材料壁板外表面的点云数据N4对贝叶斯神经网络模型进行训练得到最优的贝叶斯神经网络模型;
S52、采用若干份点云数据N3和N4对RBF深度神经网络模型进行训练得到最优的RBF深度神经网络模型。
借由上述技术方案,本发明提供了一种利用力传感器的大型复合材料构件装配变形预测方法,至少具备以下有益效果:
1、本发明通过力传感器获得数据,利用神经网络来对壁板的装配变形进行预测,准确预测大型复合材料构件在保形工装上外形的真实状态,可实现对大型复合材料构件的装配变形进行预测,从而提高测量效率。
2、本发明所提出的预测方法利用力传感器对复合材料构件装配的变形进行预测,通过神经网络得到复合材料构件变形与受力的关系,得到变形规律和受到的外力,可以求出整个复合材料壁板上任一点的变形。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明变形预测方法的流程图;
图2为本发明力传感器的结构示意图;
图3为本发明K个力传感器安装在复合材料壁板内表面上的分布示意图;
图4为本发明贝叶斯神经网络结构上半部分的反向传播网络结构图;
图5为本发明贝叶斯神经网络结构下半部分的贝叶斯神经网络结构图;
图6为本发明RBF深度神经网络模型的网络结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图 和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
请参照图1-图6,示出了本实施例的一种具体实施方式,本实施例将力传感器安装在待测复合材料壁板的内表面,通过力传感器向待测复合材料壁板的内表面施加外力,得到变形后的复合材料壁板;通过三维激光扫描设备获取待测复合材料壁板变形后的内表面和外表面的点云数据,分别对获得的点云数据进行预处理;随后确定贝叶斯神经网络模型和RBF神经网络模型的结构;分别对两个神经网络模型进行学习、训练和测试;利用上述产生的神经网络模型对待测复合材料壁板的装配变形进行预测,可实现对大型的复合材料构件的装配变形的形状预测,从而提高测量效率。
请参照图1,本实施例提出了一种利用力传感器的大型复合材料构件装配变形预测方法,该方法包括以下步骤:
S1、将K个力传感器安装在复合材料壁板的内表面。
在本实施例中,为了清楚且完整的对S1进行说明,步骤S1的实施方式还包括以下步骤:
S11、将K个力传感器按照300mm×300mm的矩形阵列均匀安装在复合材料壁板的内表面,示例性的如图3所示。
S12、分别调整力传感器的方向和力传感器的垫板,使力传感器的压头方向为该点的法向方向;
S13、调整力传感器的初始值,当力传感器测到的力为时,认为力传感器与复合材料壁板的内表面为接触状态。
本实施例中所使用的力传感器如图2所示,球形探针与复合材料壁板的内表面进行接触,该力传感器可以设定所施加外力的大小,通过伸缩杆产生位移,直至探针与复合材料壁板的内表面之间作用力达到设定值,在本实施例中示例性的采用力的大小为10N。
S2、通过K个力传感器向复合材料壁板的内表面施加外力,得到变形后的复合材料壁板以及K个力传感器所施加外力的力的大小数据T1。
在步骤S2中,具体过程包括:设定不同位置的力传感器的施加外力为2-15N,待力传感器的输出数值达到稳定后,得到变形后的复合材料壁板以及K个力传感器所施加外力的力的大小数据T1。
S3、采用三维激光扫描设备获取若干份变形后的复合材料壁板的内表面和外表面的三维点云数据N1和N2,并分别对若干份三维点云数据N1和N2进行预处理得到若干份无噪声的点云数据N3和N4。
在本实施例中,为了清楚且完整的对S3进行说明,步骤S3的实施方式还包括以下步骤:
S31、采用三维激光扫描仪扫描变形后的复合材料壁板的内表面和外表面,获得内表面和外表面待处理的原始散乱的三维点云数据N1和N2。
S32、对三维点云数据N1和N2进行去噪,计算三维点云数据N1和N2中任意一点的双边滤波权因子得到滤波后的点。
双边滤波劝因子的计算公式如下:
其中,为点的邻域,为点邻域中任意一点,表示过点的法向量,、分别为与两点间距离和两点间法向量夹角有关的权重因子。
计算滤波后的点,计算公式如下:
S33、重复步骤S32直至处理完三维点云数据N1和N2中的所有的点,得到无噪声的点云数据N3和N4。
S34、更改力传感器所施加外力的力的大小,重复步骤S31-步骤S33得到多组无噪声的点云数据N3和N4。
具体的,多组无噪声的点云数据N3和N4能够为贝叶斯神经网络模型和RBF深度神经网络模型的训练做准备,大量的训练数据能够提高贝叶斯神经网络模型和RBF深度神经网络模型的精度,从而提高变形预测结果的可靠性。
S4、确定贝叶斯神经网络模型和RBF深度神经网络模型。
在步骤S4中,贝叶斯神经网络模型包括第一输入层和第一输出层,第一输入层的神经元的个数为力传感器的个数K,第一输出层的神经元个数为无噪声的点云数据N3和N4的个数,贝叶斯神经网络的输入为K个力传感器所施加外力的力的大小数据T1,输出为待测复合材料壁板的外表面点云数据N5。
贝叶斯神经网络结构如图4和图5所示,图4为贝叶斯神经网络结构上半部分的反向传播网络结构图,图5为贝叶斯神经网络结构下半部分的贝叶斯神经网络结构图。在图4中,反向传播网络在优化完毕后,其权重是一个固定的值,而贝叶斯神经网络把权重堪称是服从均值为,方差为的高斯分布,每个权重服从不同的高斯分布,贝叶斯神经网络优化的是权重的均值和方差。
贝叶斯神经网络不同于一般的神经网络,其权重参数是随机变量,而非确定的值。与传统BP训练函数相比泛化能力更强、学习速率更快且预测精度更高,能够有效避免局部最优解的出现。
贝叶斯神经网络模型的训练函数为贝叶斯回归函数,与传统BP训练函数相比泛化能力更强、学习速率更快且预测精度更高,能够有效避免局部最优解的出现。
RBF深度神经网络模型包括第二输入层、隐藏层、径向基层和第二输出层组成,从第二输入层到隐含层的空间变换是非线性的,从隐含层到第二输出层的空间变换是线性的,RBF深度神经网络模型的网络结构如图6所示。
RBF深度神经网络模型能够逼近任意的非线性函数,可以处理系统内的难以解析的规律性,具有良好的泛化能力,并有很快的学习收敛速度。
在本实施例中,RBF深度神经网络模型的输入为复合材料壁板的外表面点云数据N5,输出为复合材料壁板的内表面的形状,并且第二输入层的个数为复合材料壁板的外表面经过滤波处理后的点云数据的个数,输出层为复合材料壁板内表面经过滤波处理后的点云数据的个数。
S5、采用若干份点云数据N3和N4以及力的大小数据T1分别对贝叶斯神经网络模型和RBF深度神经网络模型进行训练得到最优的贝叶斯神经网络模型和RBF深度神经网络模型。
在本实施例中,为了清楚且完整的对S5进行说明,步骤S5的实施方式还包括以下步骤:
S51、采用若干份力的大小数据T1和复合材料壁板外表面的点云数据N4对贝叶斯神经网络模型进行训练得到最优的贝叶斯神经网络模型;
S52、采用若干份点云数据N3和N4对RBF深度神经网络模型进行训练得到最优的RBF深度神经网络模型;
在该步骤中,将若干份点云数据N3和N4划分为三组数据集,分别为训练集、验证集和测试集,训练集用于训练得到RBF深度深度神经网络模型的权重系数,验证集用于验证权重系数的可靠性并对该系数进行优化,测试集用于测试最终得到的权重系数的可靠性。
S6、将待测复合材料壁板的力的大小数据T2输入至最优的贝叶斯神经网络模型中得到待测复合材料壁板外表面的点云数据N5。
S7、将点云数据N5输入至最优的RBF深度神经网络模型中得到待测复合材料壁板内表面的点云数据N6。
S8、将点云数据N6导入Polyworks软件中,采用三角化模块即可得到待测复合材料壁板的装配变形的形状,Polyworks三维扫描软件为现有的已知操作软件,在将点云数据N6导入Polyworks软件中后,其中的三角化模块即输出待测复合材料壁板的装配变形的形状。
本实施例所提出的预测方法利用力传感器对复合材料构件装配的变形进行预测,传统的方法为建立有限元模型,对每一次都要进行一次预测,走完整个有限元分析流程才能得到用户想要的控制点的变形。而本实施例所提出的预测方法,通过神经网络得到复合材料构件变形与受力的关系,得到变形规律和受到的外力,可以求出整个复合材料壁板上任一点的变形。
在本实施例中,力传感器用于获取待测复合材料壁板内表面所受外力的方向与大小;三维激光扫描设备用于获得待测复合材料壁板内表面与外表面的点云数据;贝叶斯神经网络模型和RBF深度神经网络模型用于根据上述数据预测待测复合材料壁板的装配变形的形状。
在本实施例中,需要将力传感器的力的大小数据T2输入到贝叶斯神经网络模型中,贝叶斯神经网络模型会输出待测复合材料壁板外表面的点云数据N5,再将该数据输入到RBF神经网络模型中,RBF神经网络模型会输出待测复合材料壁板内表面的点云数据N6,通过RBF神经网络模型输出的待测复合材料壁板内表面的点云数据N6,通过将点云数据N6导入Polyworks软件中,采用三角化模块即可预测出其内表面复合材料壁板的形状,以此达到装配前对复合材料壁板变形形状预测的目的。
以上实施方式对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种利用力传感器的大型复合材料构件装配变形预测方法,其特征在于,该方法包括以下步骤:
S1、将K个力传感器安装在复合材料壁板的内表面;
S2、通过K个力传感器向复合材料壁板的内表面施加外力,得到变形后的复合材料壁板以及K个力传感器所施加外力的力的大小数据T1;
S3、采用三维激光扫描设备获取若干份变形后的复合材料壁板的内表面和外表面的三维点云数据N1和N2,并分别对若干份三维点云数据N1和N2进行预处理得到若干份无噪声的点云数据N3和N4;
S4、确定贝叶斯神经网络模型和RBF深度神经网络模型;
S5、采用若干份点云数据N3和N4以及力的大小数据T1分别对贝叶斯神经网络模型和RBF深度神经网络模型进行训练得到最优的贝叶斯神经网络模型和RBF深度神经网络模型;
S6、将待测复合材料壁板的力的大小数据T2输入至最优的贝叶斯神经网络模型中得到待测复合材料壁板外表面的点云数据N5;
S7、将点云数据N5输入至最优的RBF深度神经网络模型中得到待测复合材料壁板内表面的点云数据N6;
S8、将点云数据N6导入Polyworks软件中,采用三角化模块即可得到待测复合材料壁板的装配变形的形状。
2.根据权利要求1所述的变形预测方法,其特征在于:在步骤S1中,具体过程包括以下步骤:
S11、将K个力传感器按照300mm×300mm的矩形阵列均匀安装在复合材料壁板的内表面;
S12、分别调整力传感器的方向和力传感器的垫板,使力传感器的压头方向为该点的法向方向;
S13、调整力传感器的初始值,当力传感器测到的力为时,认为力传感器与复合材料壁板的内表面为接触状态。
3.根据权利要求1所述的变形预测方法,其特征在于:在步骤S2中,具体过程包括:设定不同位置的力传感器的施加外力为2-15N,待力传感器的输出数值达到稳定后,得到变形后的复合材料壁板以及K个力传感器所施加外力的力的大小数据T1。
4.根据权利要求1所述的变形预测方法,其特征在于:在步骤S3中,具体过程包括以下步骤:
S31、采用三维激光扫描仪扫描变形后的复合材料壁板的内表面和外表面,获得内表面和外表面待处理的原始散乱的三维点云数据N1和N2;
S32、对三维点云数据N1和N2进行去噪,计算三维点云数据N1和N2中任意一点的双边滤波权因子得到滤波后的点;
S33、重复步骤S32直至处理完三维点云数据N1和N2中的所有的点,得到无噪声的点云数据N3和N4;
S34、更改力传感器所施加外力的力的大小,重复步骤S31-步骤S33得到多组无噪声的点云数据N3和N4。
5.根据权利要求1所述的变形预测方法,其特征在于:在步骤S4中,贝叶斯神经网络模型包括第一输入层和第一输出层,第一输入层的神经元的个数为力传感器的个数K,第一输出层的神经元个数为无噪声的点云数据N3和N4的个数。
6.根据权利要求1所述的变形预测方法,其特征在于:在步骤S4中,RBF深度神经网络模型包括第二输入层、隐藏层、径向基层和第二输出层组成,从第二输入层到隐含层的空间变换为非线性的,从隐含层到第二输出层的空间变换为线性的。
7.根据权利要求1所述的变形预测方法,其特征在于:在步骤S5中,具体过程包括以下步骤:
S51、采用若干份力的大小数据T1和复合材料壁板外表面的点云数据N4对贝叶斯神经网络模型进行训练得到最优的贝叶斯神经网络模型;
S52、采用若干份点云数据N3和N4对RBF深度神经网络模型进行训练得到最优的RBF深度神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391592.3A CN116108762B (zh) | 2023-04-13 | 2023-04-13 | 一种利用力传感器的大型复合材料构件装配变形预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391592.3A CN116108762B (zh) | 2023-04-13 | 2023-04-13 | 一种利用力传感器的大型复合材料构件装配变形预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116108762A true CN116108762A (zh) | 2023-05-12 |
CN116108762B CN116108762B (zh) | 2023-06-27 |
Family
ID=86254745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310391592.3A Active CN116108762B (zh) | 2023-04-13 | 2023-04-13 | 一种利用力传感器的大型复合材料构件装配变形预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116108762B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918755A (zh) * | 2019-02-28 | 2019-06-21 | 大连理工大学 | 一种基于点云数据的低刚度制件装配变形预测方法 |
CN112417603A (zh) * | 2020-11-30 | 2021-02-26 | 北京航空航天大学杭州创新研究院 | 一种飞机壁板定位夹紧装配变形预测方法 |
CN112507625A (zh) * | 2020-12-21 | 2021-03-16 | 北京理工大学 | 一种利用神经网络预测平流层飞艇蒙皮材料变形的方法 |
WO2022126397A1 (zh) * | 2020-12-15 | 2022-06-23 | 深圳市大疆创新科技有限公司 | 传感器的数据融合方法、设备及存储介质 |
CN115221622A (zh) * | 2022-06-20 | 2022-10-21 | 北京航空航天大学 | 一种大尺寸复合材料机身壁板装配定位夹持布局优化方法 |
CN115470669A (zh) * | 2022-08-29 | 2022-12-13 | 同济大学 | 一种复合材料结构固化变形预测方法、装置及存储介质 |
CN115630558A (zh) * | 2022-12-21 | 2023-01-20 | 南京航空航天大学 | 一种复合材料构件装配变形预测方法 |
CN115859726A (zh) * | 2022-12-03 | 2023-03-28 | 西北工业大学 | 一种基于实测数据的复合材料构件装配性能预测方法 |
-
2023
- 2023-04-13 CN CN202310391592.3A patent/CN116108762B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918755A (zh) * | 2019-02-28 | 2019-06-21 | 大连理工大学 | 一种基于点云数据的低刚度制件装配变形预测方法 |
CN112417603A (zh) * | 2020-11-30 | 2021-02-26 | 北京航空航天大学杭州创新研究院 | 一种飞机壁板定位夹紧装配变形预测方法 |
WO2022126397A1 (zh) * | 2020-12-15 | 2022-06-23 | 深圳市大疆创新科技有限公司 | 传感器的数据融合方法、设备及存储介质 |
CN112507625A (zh) * | 2020-12-21 | 2021-03-16 | 北京理工大学 | 一种利用神经网络预测平流层飞艇蒙皮材料变形的方法 |
CN115221622A (zh) * | 2022-06-20 | 2022-10-21 | 北京航空航天大学 | 一种大尺寸复合材料机身壁板装配定位夹持布局优化方法 |
CN115470669A (zh) * | 2022-08-29 | 2022-12-13 | 同济大学 | 一种复合材料结构固化变形预测方法、装置及存储介质 |
CN115859726A (zh) * | 2022-12-03 | 2023-03-28 | 西北工业大学 | 一种基于实测数据的复合材料构件装配性能预测方法 |
CN115630558A (zh) * | 2022-12-21 | 2023-01-20 | 南京航空航天大学 | 一种复合材料构件装配变形预测方法 |
Non-Patent Citations (4)
Title |
---|
ZHIHAO KONG 等: "MMPD-Net: An Aircraft Deformation Prediction Network Based on Multimodal Fusion", RESEARCH SQUARE, pages 1 - 9 * |
于霖冲 等: "基于人工神经网络的复合材料固化变形预测", 向宏 西华大学学报(自然科学版), vol. 24, no. 02, pages 91 - 93 * |
林智艳: "基于BP神经网络的土石坝变形预测模型研究", 人民珠江, vol. 41, no. 06, pages 74 - 78 * |
齐乐华 等: "复合材料棒材半固态挤压工艺参数的神经网络预测方法", 塑性工程学报, no. 01, pages 20 - 24 * |
Also Published As
Publication number | Publication date |
---|---|
CN116108762B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699504B (zh) | 装配体物理数字孪生建模方法、装置、电子设备及介质 | |
CN101629859B (zh) | 基于变形测量与数值反求确定薄膜应力的系统与方法 | |
CN115630558B (zh) | 一种复合材料构件装配变形预测方法 | |
US20100058257A1 (en) | Topology optimization method using equivalent static loads | |
WO2019011026A1 (zh) | 基于聚类分析的复合材料结构有限元模型修正方法 | |
JP5478627B2 (ja) | 連結されたハイブリッド動的システムのシミュレーションをオフライン制御するための方法およびシステム | |
US9471046B2 (en) | Method for producing a part | |
CN110110437B (zh) | 一种基于相关区间不确定性理论的汽车高频噪声预测方法 | |
CN105205262B (zh) | 一种基于二次响应面反演的随机模型修正方法 | |
CN110570478B (zh) | 一种空间光学遥感相机反射镜的热稳定性定标方法 | |
Seon et al. | Assessing 3D shear stress–strain properties of composites using Digital Image Correlation and finite element analysis based optimization | |
CN103267507A (zh) | 基于有限元分析提取机械结构平面的平面度误差的方法 | |
WO2018223774A1 (zh) | 一种非均匀材料连续分布力学参数场间接获取方法 | |
CN103969034A (zh) | 一种基于光学系统失调量解算的光机结构稳定性评估方法 | |
CN116108762B (zh) | 一种利用力传感器的大型复合材料构件装配变形预测方法 | |
CN107992709B (zh) | 基于中间函数的热结构模型修正方法 | |
CN108337621B (zh) | 扬声器振动部件材料粘弹性测量方法及系统 | |
CN104655496B (zh) | 自重对离轴反射镜面形影响的测试方法 | |
Egner et al. | Polynomial filters for camera-based structural intensity analysis on curved plates | |
Hou et al. | Estimation of virtual masses for structural damage identification | |
US20160178492A1 (en) | Joint analyzing method, product designing method, and joint analyzing system | |
CN111444619B (zh) | 一种注塑模具冷却系统在线分析方法及设备 | |
CN112417730A (zh) | 一种跌落式冲击试验冲击载荷模拟系统 | |
Zhong et al. | Estimation of fused-filament-fabrication structural vibro-acoustic performance by modal impact sound | |
US20230274052A1 (en) | Method to reduce a vehicle pass-by noise |
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 |