CN116306246A - 一种大壁板铆接变形预测与优化方法 - Google Patents
一种大壁板铆接变形预测与优化方法 Download PDFInfo
- Publication number
- CN116306246A CN116306246A CN202310102375.8A CN202310102375A CN116306246A CN 116306246 A CN116306246 A CN 116306246A CN 202310102375 A CN202310102375 A CN 202310102375A CN 116306246 A CN116306246 A CN 116306246A
- Authority
- CN
- China
- Prior art keywords
- riveting
- deformation
- wallboard
- rivet
- prediction
- 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
- G06F30/27—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
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种大壁板铆接变形预测与优化方法。通过多种传感器感知铆接过程中的压力、声音、振动等多模态信号,预测单个铆钉铆接后铆钉周围壁板的应力分布情况;利用该应力分布预测结果,在建立的壁板有限元分析模型上依次加载单个铆定铆接产生的局部变形场,实现壁板的整体变形预测;基于有限元分析方法得到的整体预测结果,优化后续铆接顺序使得壁板铆接后的变形最小。本发明提供了一种壁板钻铆变形预测与优化方法,可以降低壁板铆接变形,具有广阔的工程应用前景。
Description
技术领域
本发明涉及壁板装配变形预测及优化领域,具体是一种利用传感器信息与神经网络实时反馈和预测铆接壁板变形情况,并利用优化算法得到最优铆接顺序的优化控制方法。
背景技术
现阶段大壁板铆接越来越多的应用于飞机装配、箱体生产等产品的制造过程之中,是决定产品质量的重要环节。特别是对于飞机蒙皮的装配而言,大壁板的变形还决定了飞机行驶的安全,因此如何提高蒙皮的外形装配精度对保证飞行性能具有非常重要作用。
然而壁板零件由于其刚度小、易变形,极易在铆接过程中产生装配变形,并随着装配过程的进行而不断传递,最终影响了产品的尺寸完整性和气动化力学性能。随着新型飞机对装配准确度要求的提高,飞机外形尺寸的精确控制是其中研究中研究重要内容。因此,在壁板铆接装配前开展变形预测,并采取措施控制变形量在尺寸容差之内,具有重要的意义。
目前现有的铆接变形预测方法主要是通过动力学有限元对铆接过程进行离线仿真。已有的与大壁板铆接变形预测方法相关的专利有:王仲奇等发明的壁板铆接扭翘变形预测方法,康永刚等发明的基于子结构的大壁板连续铆接变形预测方法,两者都是直接利用有限元方法进行分析,属于离线优化,不能根据钻铆过程中的壁板的实际形变情况,对实际的铆接加工做实时的指导。本发明针对这些问题提出了一种可以根据实际钻铆形变在线优化大壁板铆接顺序以减小壁板整体变形的方法。通过采集实际铆接过程中的多模态传感器信号,预测当前铆钉周围的形变情况,然后利用有限元分析预测后续钻铆过程中壁板的变形情况,采用优化算法优化钻铆顺序,使得钻铆后的大壁板的变形最小。
发明内容
为解决现有的壁板变形预测与优化中,不能根据壁板的实际形变特性实时在线地调整铆接顺序实现壁板整体形变优化的问题,本发明提出一种大壁板铆接变形预测与优化方法。该方法通过多种不同模态的传感器实时采集铆接过程中的监测数据,使用神经网络训练模型预测单个铆钉铆接壁板的变形,在此基础上结合有限元方法进行大壁板整体变形预测,并提出了使用优化算法优化大壁板多铆钉铆接顺序,以实现最大限度地减少铆接壁板整体变形的目标,提高铆接体的尺寸精度。
本发明所采用的技术方案是一种大壁板铆接变形预测与优化方法,其步骤如下:
1)通过多种传感器感知铆接过程中的压力、声音、振动等多模态信号,训练基于神经网络的预测模型。基于训练得到的预测模型,在钻铆过程中采集多种传感器的信号实时预测每个铆钉铆接后,铆钉周围壁板的应力应变分布情况;
其神经网络模型可采用BP神经网络,BP神经网络预测模型其输入包括铆接过程中的一些测量参数:实际铆接过程中的夹紧力、压力信息、声音信息和振动信息等,输出是单个铆钉铆接后周围壁板的应力应变情况。
其中,由于单个铆钉铆接时,其所产生的变形范围有限,壁板的变形情况可以通过在以铆接处为圆心,半径为5倍铆钉直径的范围内布置测点获得。铆钉铆接的变形可认为是中心对称,在测量范围的任意一条半径上布置测点进行形变检测。
BP神经网络预测模型的训练包括以下流程:
第一步,进行网络初始化。初始化网络的连接权值ωij、ωjk、隐含层阈值d、输出层阈值g,并且给定网络的学习速率和用到的神经元激励函数类型。设定误差函数E,给定计算精度值τ以及最大学习次数maxiter。
第二步,通过输入变量Z,网络中的连接权值ωij以及网络隐含层阈值d,得到隐含层输出H表达式。根据隐含层输出H,连接权值ωjk和阈值g,计算网络的输出层。
其中,l表示网络隐含层节点数,f表示隐含层的激励函数。网络输出的表达式为:
第三步,通过网络预测输出O和期望输出即真实值Y=(y1,y2,…,yM)之间MSE来计算预测误差E,并根据预测误差E更新网络连接权值ωij、ωjk。
ωjk=ωjk+ηHjEk,j=1,2,…,l;k=1,2,…,M
第四步,更新网络节点阈值d、g,表达式为
gk=gk+Ek,k=1,2,…,M.
最后,根据给定计算精度值τ或者最大学习次数maxiter,判断算法是否达到终止条件,输出训练模型。
2)根据每一个铆钉的应力分布预测结果,利用“局部-整体”的映射方法在建立的壁板有限元分析模型上依次加载单个铆定铆接产生的局部变形场,实现壁板的整体变形预测;
其具体的流程如下:
第一步,建立壁板的有限元仿真模型,设置壁板材料属性,加载边界条件。
忽略模型中倒角、槽和耳片等对整体刚度影响较小的结构;基于等效刚度方法,将加强凸台等能够有效提高壁板的抗剪稳定性的加强筋结构,等效为一张正交各向异性的均匀薄板。在依靠卡板定位的壁板的理论接触面上均匀地选择一些定位点,约束壁板在该点处沿方向的自由度;限制壁板两个端面处的位移和转动,以模拟拉紧带的约束。
第二步,进行单个铆钉铆接时,使用传感器测量铆接过程中的夹紧力、压力信息、声音信息和振动信息等,预测得到单次铆接铆钉周围壁板的应力应变情况,以此确定单钉铆接局部变形场。
第三步,进行多铆钉铆接壁板变形预测。
将第二步单钉铆接得到的局部变形场的应力应变作为加载条件,加载到第一步中的有限元仿真模型中进行仿真计算,获得前一个铆钉铆接后壁板的变形仿真结果;重复该步骤,再次进行单钉铆接局部变形场的加载仿真计算,得到后一个铆钉铆接后壁板的变形仿真结果。后一个铆钉孔周围单元的局部变形场加载是在基于前一个铆钉局部变形场加载的仿真结果上进行的。按照铆接顺序,依次完成铆钉孔周围局部变形场的加载,直到加载完毕,得到壁板整体的变形仿真结果。
3)基于已铆接后的壁板整体形变预测结果,利用优化算法,优化铆接顺序,使得铆接后的壁板整体变形最小;
其优化算法可采用粒子群优化算法,算法的运行过程模拟的是一群鸟寻找食物的过程,这些鸟通过不断变化自己的飞行速度与所处位置完成觅食活动,最后找到食物,就是问题的最优解。这里的每一只鸟便可以看作是在可行解空间中的一个粒子,每一个粒子都代表着优化问题的一个潜在最优解,通过位置、速度、适应度值三项指标来表示粒子的特征。
粒子群算法优化铆接顺序方法的具体流程如下:
第一步,进行种群随机初始化。对尚未铆接的铆钉孔进行编号,为每一个尚未铆接铆钉孔生成一个0~1的随机数,其集合为粒子的位置xi,根据数的大小对尚未铆接的扭钉孔进行排序,排序的结果即为后续铆接的铆接顺序。随机产生的m个铆接顺序即为粒子的集合,记为粒子的位置xi(i=1,2,…m),作为种群的初始解,初始化各个粒子的速度,设为vi(i=1,2,…m).
第二步,计算每个粒子的适应度值。将当前铆接壁板整体预测应力应变结果作为初始条件,在壁板有限元模型上,按照生成的铆接顺序依次反复加载理想的单钉铆接变形场,通过有限元分析获得此铆接顺序下的整体变形预测结果。
设定优化目标使得壁板的整体变形越小越好。整体变形的评价指标为在壁板上均匀选择测量点变形的均方根Vrms,计算方法如下:
其中,N为测量点的个数,Xi为测量点的变形。
选取模型整体变形预测的均方根Vrms作为优化的评价指标,粒子i的适应度值yi(i=1,2,…m)计算公式为
第三步,更新种群。更新个体最优解与群体最优解,并且利用速度、位置更新公式进行更新,得到新的种群。
速度、位置的更新公式如下:
和/>表示第i个粒子第t次迭代的速度和位置。/>是第i个粒子在第t次迭代所搜索到的最佳位置。Pgt是整个群体在第t次迭代所搜索到的最佳位置。ω是惯性权重,c1和c2分别代表/>和Pgt权重的加速度系数。r1和r2是在[0,1]内的随机数。
第四步,再次计算适应度值,更新种群,直至达到满足迭代停止要求,输出最佳铆接顺序。
4)根据优化算法得到的铆接顺序进行铆接,在铆接过程中重复上述根据传感器预测壁板形变,随后优化铆接顺序的步骤。对铆接过程进行在线优化,并根据优化结果进行下一步铆接。反复迭代上述过程直至全部铆接结束。
有益效果
本发明通过传感器实时采集铆接过程中的夹紧力、压力、声音、振动等多模态信号,利用神经网络训练模型预测单个铆钉铆接壁板的变形,实时性强,预测简单快速;通过建立壁板的有限元分析模型,依次加载实时的单个铆钉铆接预测结果,实现了大壁板整体变形的快速预测;将整体变形预测的均方根作为优化指标,利用粒子群优化算法对铆接顺序进行优化,大大减少了大壁板连续铆接的变形;根据最优铆接顺序进行铆接,通过传感器采集实时数据,可实现铆接变形的在线预测与优化。
与现有技术相比,常用的有限元分析方法需要进行大量假设,模型复杂且计算耗时,且模型由于进行了大量的简化,仿真结果与实际情况有一定的出入。本发明通过多种传感器感知铆接过程中的压力、声音、振动等多模态信号,训练神经网络进行变形预测。相对于之前的方法能够更好地根据实际铆接的形变情况进行优化,因此优化效果更好,铆接后的形变更小,精度更高;基于BP神经网络的方法在实际铆接过程中只需传感器采集参数就可进行预测壁板变形预测,计算速度快、实时性强,因此具有较好的效果。此外,相比于传统的依次进行铆接分析壁板变形的方法,本发明通过“局部-整体”的加载方法,将单个铆钉铆接产生变形预测的结果依次加载到大壁板上,实现了多铆钉铆接壁板变形的快速预测。考虑到多铆钉铆接过程中,铆接顺序对壁板的整体变形有很大的影响,本发明基于提出的整体变形预测方法,利用粒子群优化算法对铆接顺序进行优化,对减少壁板铆接变形有明显的效果。本发明实现了大壁板铆接的实时变形预测,且提出了大壁板铆接顺序优化方法,可以大大减少壁板铆接的变形,为大壁板铆接提供了指导依据,具有广阔的工程应用价值。
附图说明
图1是铆钉铆接后壁板的应力状态图。
图2是训练BP神经网络预测单个铆钉铆接壁板变形的流程图。
图3是多铆钉铆接壁板试验件图。
图4是壁板整体变形预测概念图。
图5是铆接顺序的粒子群算法优化流程图。
图6是一种大壁板铆接变形预测与优化方法流程图。
具体实施方式
现结合实施例、附图对本发明做进一步描述,一种大壁板铆接变形预测与优化方法,其步骤如下:
1)通过多种传感器感知铆接过程中的压力、声音、振动等多模态信号,训练BP神经网络预测模型。基于训练得到的预测模型,在钻铆过程中采集多种传感器的信号实时预测每个铆钉铆接后,铆钉周围壁板的应力应变分布情况。壁板的材料选为7075-T651,铆钉为2117-T4。
BP神经网络预测模型其输入包括铆接过程中的一些测量参数:实际铆接过程中的夹紧力、压力信息、声音信息和振动信息等,输出是单个铆钉铆接后周围壁板的应力应变情况。
其中,由于单个铆钉铆接时,其所产生的变形范围有限,壁板的变形情况可以通过在以铆接处为圆心,半径为5倍铆钉直径的范围内布置测点获得。铆钉铆接的变形可认为是中心对称,如图1所示。在测量范围的任意一条半径上布置测点进行形变检测。单次铆接,测点的数目不低于50个,总体铆接实验次数不低于500次。
BP神经网络预测模型的训练包括以下流程:
第一步,进行网络初始化。初始化网络的连接权值ωij、ωik、隐含层阈值d、输出层阈值g,并且给定网络的学习速率10-3和用到的神经元激励函数类型为Relu。设定误差函数E,给定计算精度值τ以及最大学习次数maxiter。
第二步,通过输入变量Z,网络中的连接权值ωij以及网络隐含层阈值d,得到隐含层输出H表达式。根据隐含层输出H,连接权值ωjk和阈值g,计算网络的输出层。
其中,l表示网络隐含层节点数,f表示隐含层的激励函数。网络输出的表达式为:
第三步,通过网络预测输出O和期望输出即真实值Y=(y1,y2,…,yM)之间的差来计算预测误差E,并根据预测误差E更新网络连接权值ωij、ωjk。
ωjk=ωjk+ηHjEk,j=1,2,…,l;k=1,2,…,M
第四步,更新网络节点阈值d、g,表达式为:
gk=gk+Ek,k=1,2,…,M.
最后,根据给定计算精度值τ或者最大学习次数maxiter,判断算法是否达到终止条件,输出训练模型。模型训练的流程图如图2所示。
2)根据每一个铆钉的应力分布预测结果,,利用“局部-整体”的映射方法,在建立的壁板有限元分析模型上依次加载单个铆定铆接产生的局部变形场,实现壁板的整体变形预测;试验件如图3所示。
其具体的流程如下:
第一步,建立壁板的有限元仿真模型,设置壁板材料属性,加载边界条件。
忽略模型中倒角、槽和耳片等对整体刚度影响较小的结构;基于等效刚度方法,将加强凸台等能够有效提高壁板的抗剪稳定性的加强筋结构,等效为一张正交各向异性的均匀薄板。在依靠卡板定位的壁板的理论接触面上均匀地选择一些定位点,约束壁板在该点处沿方向的自由度;限制壁板两个端面处的位移和转动,以模拟拉紧带的约束。
第二步,进行单个铆钉铆接时,使用传感器测量铆接过程中的压力信息、声音信息和振动信息,预测得到单次铆接铆钉周围壁板的应力应变情况,以此确定单钉铆接局部变形场。
第三步,进行多铆钉铆接壁板变形预测。
将第二步单钉铆接得到的局部变形场的应力应变作为加载条件,加载到第一步中的有限元仿真模型中进行仿真计算,获得前一个铆钉铆接后壁板的变形仿真结果;重复该步骤,再次进行单钉铆接局部变形场的加载仿真计算,得到后一个铆钉铆接后壁板的变形仿真结果。后一个铆钉孔周围单元的局部变形场加载是在基于前一个铆钉局部变形场加载的仿真结果上进行的。按照铆接顺序,依次完成铆钉孔周围局部变形场的加载,直到加载完毕,得到壁板整体的变形仿真结果。
其概念图如图4所示。
3)基于已铆接后的壁板整体形变预测结果,利用粒子群优化算法,优化铆钉的铆接顺序,使得铆接后的壁板整体变形最小。
粒子群算法的运行过程模拟的是一群鸟寻找食物的过程,这些鸟通过不断变化自己的飞行速度与所处位置完成觅食活动,最后找到食物,就是问题的最优解。这里的每一只鸟便可以看作是在可行解空间中的一个粒子,每一个粒子都代表着优化问题的一个潜在最优解,通过位置、速度、适应度值三项指标来表示粒子的特征。算法的流程图如图5所示。
粒子群算法优化铆接顺序方法的流程如下:
第一步,进行种群随机初始化。对尚未铆接的铆钉孔进行编号,为每一个尚未铆接铆钉孔生成一个0~1的随机数,其集合为粒子的位置xi,根据数的大小对尚未铆接的扭钉孔进行排序,排序的结果即为后续铆接的铆接顺序。随机产生的m个铆接顺序即为粒子的集合,记为粒子的位置xi(i=1,2,…m),作为种群的初始解,初始化各个粒子的速度,设为vi(i=1,2,…m).
第二步,计算每个粒子的适应度值。将当前铆接壁板整体预测应力应变结果作为初始条件,在壁板有限元模型上,按照生成的铆接顺序依次反复加载理想的单钉铆接变形场,通过有限元分析获得此铆接顺序下的整体变形预测结果。
设定优化目标使得壁板的整体变形越小越好。整体变形的评价指标为在壁板上均匀选择测量点变形的均方根Vrms,计算方法如下:
其中,N为测量点的个数,Xi为测量点的变形。
选取模型整体变形预测的均方根Vrms作为优化的评价指标,粒子i的适应度值yi(i=1,2,…m)计算公式为
第三步,更新种群。更新个体最优解与群体最优解,并且利用速度、位置更新公式进行更新,得到新的种群。
速度、位置的更新公式如下:
和/>表示第i个粒子第t次迭代的速度和位置。/>是第i个粒子在第t次迭代所搜索到的最佳位置。Pgt是整个群体在第t次迭代所搜索到的最佳位置。ω是惯性权重,c1和c2分别代表/>和Pgt权重的加速度系数。r1和r2是在[0,1]内的随机数。
第四步,再次计算适应度值,更新种群,直至达到满足迭代停止要求,输出最佳铆接顺序。
4)根据优化算法得到的铆接顺序进行铆接,在铆接过程中重复上述根据传感器预测壁板形变,随后优化铆接顺序的步骤。对铆接过程进行在线优化,并根据优化结果进行下一步铆接。反复迭代上述过程直至全部铆接结束。
Claims (5)
1.一种大壁板铆接变形预测与优化方法,其特征在于,该方法包括以下步骤:
步骤1,通过多种传感器感知铆接过程中的压力、声音、振动等多模态信号,训练基于神经网络的预测模型;基于训练得到的预测模型,在钻铆过程中采集多种传感器的信号实时预测每个铆钉铆接后,铆钉周围壁板的应力应变分布情况;
步骤2,根据每一个铆钉的应力分布预测结果,利用“局部-整体”的映射方法,在建立的壁板有限元分析模型上依次加载单个铆定铆接产生的局部变形场,实现壁板的整体变形预测;
步骤3,基于已铆接后的壁板整体形变预测结果,利用优化算法优化后续铆钉的铆接顺序,使得铆接后的壁板整体变形最小;
步骤4,根据优化算法得到的铆接顺序进行铆接,在铆接过程中重复上述根据传感器预测壁板形变,随后优化铆接顺序的步骤;对铆接过程进行在线优化,并根据优化结果进行下一步铆接;反复迭代上述过程直至全部铆接结束。
2.如权利要求1所述的一种大壁板铆接变形预测与优化方法,其特征在于步骤1所述的神经网络预测模型可以采用BP神经网络模型,输入铆接过程中的测量参数,包括:实际铆接过程中的夹紧力、压力信息、声音信息和振动信息等,输出是单个铆钉铆接后周围壁板的应力应变情况。
其中,由于单个铆钉铆接时,其所产生的变形范围有限,壁板的变形情况可以通过在以铆接处为圆心,半径为5倍铆钉直径的范围内布置测点获得。铆钉铆接的变形可认为是中心对称,在测量范围的任意一条半径上布置测点进行形变检测。
3.如权利要求1所述的一种大壁板铆接变形预测与优化方法,其特征在于步骤1所述BP神经网络预测模型的构建流程如下:
第一步,进行网络初始化。初始化网络的连接权值ωij、ωjk、隐含层阈值d、输出层阈值g,并且给定网络的学习速率和用到的神经元激励函数类型;设定误差函数E,给定计算精度值τ以及最大学习次数maxiter;
第二步,通过输入变量Z,网络中的连接权值ωij以及网络隐含层阈值d,得到隐含层输出H表达式;根据隐含层输出H,连接权值ωjk和阈值g,计算网络的输出层;
其中,l表示网络隐含层节点数,f表示隐含层的激励函数;网络输出的表达式为:
第三步,通过网络预测输出O和期望输出即真实值Y=(y1,y2,…,yM)之间的均方误差(MSE)来计算预测误差E,并根据预测误差E更新网络连接权值ωij、ωjk;
ωjk=ωjk+ηHjEk,j=1,2,…,l;k=1,2,…,M
第四步,更新网络节点阈值d、g,表达式为:
gk=gk+Ek,k=1,2,…,M.
最后,根据给定计算精度值τ或者最大学习次数maxiter,判断算法是否达到终止条件,输出训练模型。
4.根据权利要求1所述一种大壁板铆接变形预测与优化方法,其特征在于步骤2所述的“局部-整体”的映射方法,其具体的流程如下:
第一步,建立壁板的有限元仿真模型,设置壁板材料属性,加载边界条件;
忽略模型中倒角、槽和耳片等对整体刚度影响较小的结构;基于等效刚度方法,将加强凸台等能够有效提高壁板的抗剪稳定性的加强筋结构,等效为一张正交各向异性的均匀薄板;在依靠卡板定位的壁板的理论接触面上均匀地选择一些定位点,约束壁板在该点处沿方向的自由度;限制壁板两个端面处的位移和转动,以模拟拉紧带的约束;
第二步,进行单个铆钉铆接,使用传感器测量铆接过程中的夹紧力、压力信息、声音信息和振动信息等,预测得到单次铆接铆钉周围壁板的应力应变情况,以此确定单钉铆接局部变形场。
第三步,进行多铆钉铆接壁板变形预测;
将第二步单钉铆接得到的局部变形场的应力应变作为加载条件,加载到第一步中的有限元仿真模型中进行仿真计算,获得前一个铆钉铆接后壁板的变形仿真结果;重复该步骤,再次进行单钉铆接局部变形场的加载仿真计算,得到后一个铆钉铆接后壁板的变形仿真结果;后一个铆钉孔周围单元的局部变形场加载是在基于前一个铆钉局部变形场加载的仿真结果上进行的;按照铆接顺序,依次完成铆钉孔周围局部变形场的加载,直到加载完毕,得到壁板整体的变形仿真结果。
5.根据权利要求1所述一种大壁板铆接变形预测与优化方法,其特征在于步骤3所述的优化算法可以采用粒子群算法优化方法;
其具体流程如下:
第一步,进行种群随机初始化;对尚未铆接的铆钉孔进行编号,为每一个尚未铆接铆钉孔生成一个0~1的随机数,其集合为粒子的位置xi,根据数的大小对尚未铆接的扭钉孔进行排序,排序的结果即为后续铆接的铆接顺序;随机产生的m个铆接顺序即为粒子的集合,记为粒子的位置xi(i=1,2,…m),作为种群的初始解,初始化各个粒子的速度,设为vi(i=1,2,…m);
第二步,计算每个粒子的适应度值;将当前铆接壁板整体预测应力应变结果作为初始条件,在壁板有限元模型上,按照生成的铆接顺序依次反复加载理想的单钉铆接变形场,通过有限元分析获得此铆接顺序下的整体变形预测结果;
设定优化目标使得壁板的整体变形越小越好,整体变形的评价指标为在壁板上均匀选择测量点变形的均方根Vrms,计算方法如下:
其中,N为测量点的个数,Xi为测量点的变形;
选取模型整体变形预测的均方根Vrms作为优化的评价指标,粒子i的适应度值yi(i=1,2,…m)计算公式为:
第三步,更新种群;更新个体最优解与群体最优解,并且利用速度、位置更新公式进行更新,得到新的种群;
速度、位置的更新公式如下:
和/>表示第i个粒子第t次迭代的速度和位置,/>是第i个粒子在第t次迭代所搜索到的最佳位置,Pgt是整个群体在第t次迭代所搜索到的最佳位置,ω是惯性权重,c1和c2分别代表/>和Pgt权重的加速度系数,r1和r2是在[0,1]内的随机数;
第四步,再次计算适应度值,更新种群,直至达到满足迭代停止要求,输出最佳铆接顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102375.8A CN116306246A (zh) | 2023-01-31 | 2023-01-31 | 一种大壁板铆接变形预测与优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102375.8A CN116306246A (zh) | 2023-01-31 | 2023-01-31 | 一种大壁板铆接变形预测与优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116306246A true CN116306246A (zh) | 2023-06-23 |
Family
ID=86814054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310102375.8A Pending CN116306246A (zh) | 2023-01-31 | 2023-01-31 | 一种大壁板铆接变形预测与优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116306246A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117433484A (zh) * | 2023-12-13 | 2024-01-23 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种宽温域风洞多支点柔壁喷管型面测量装置及测量方法 |
-
2023
- 2023-01-31 CN CN202310102375.8A patent/CN116306246A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117433484A (zh) * | 2023-12-13 | 2024-01-23 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种宽温域风洞多支点柔壁喷管型面测量装置及测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508488B (zh) | 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法 | |
CN107220403B (zh) | 飞行器弹性模态的控制关联建模方法 | |
CN108121856B (zh) | 一种全飞行域飞行器动稳定性分析方法 | |
CN114117840B (zh) | 一种基于仿真和试验数据混合驱动的结构性能预测方法 | |
CN116306246A (zh) | 一种大壁板铆接变形预测与优化方法 | |
Tatar et al. | Investigation of pitch damping derivatives for the Standard Dynamic Model at high angles of attack using neural network | |
WO2021059787A1 (ja) | 制御装置、学習装置、制御方法、学習方法、及びプログラム | |
Wang et al. | Unsteady aerodynamics modeling for flight dynamics application | |
Cao et al. | System identification method based on interpretable machine learning for unknown aircraft dynamics | |
CN111444569A (zh) | 一种基于改进粒子群算法的梁结构测点优化方法 | |
Zhu et al. | Multiobjective optimization of a staggered-rotor octocopter design based on a surrogate model | |
CN114201911A (zh) | 一种基于极限学习机的橡胶材料疲劳寿命预测方法 | |
CN108228977B (zh) | 一种基于飞行状态参数的直升机振动特征折算方法 | |
CN113821869A (zh) | 一种基于多源数据融合的飞行器力载荷在线预示方法 | |
CN115774900B (zh) | 一种不确定条件下的变构型飞行器指令鲁棒优化设计方法 | |
CN114462149B (zh) | 一种基于预训练与增量学习的飞行器气动参数辨识方法 | |
Barzgaran et al. | Real-time Model Predictive Control for Gust Load Alleviation on an Aeroelastic Wind Tunnel Test Article | |
Mohamed et al. | Aircraft aerodynamic parameter estimation from flight data using neural partial differentiation | |
CN115933381B (zh) | 一种多约束条件下的空天飞行器控制性能增强设计方法 | |
Viana | Surrogate modeling techniques and heuristic optimization methods applied to design and identification problems | |
Haughn et al. | MFC Morphing Aileron Control With Intelligent Sensing | |
Asakawa et al. | Optimization of stiffened variable angle tow panels considering the post-buckling behavior | |
Zhang et al. | Measurement error compensation method for parameters of rear torsion beam with PSO-BP | |
CN107256453A (zh) | 一种基于改进elm算法的毛管质量预报方法 | |
CN117875138B (zh) | 一种机理与数据融合驱动的飞行器结构寿命预测方法 |
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 |