CN117235883A - 一种面向飞机壁板装配偏差的组合预测方法 - Google Patents

一种面向飞机壁板装配偏差的组合预测方法 Download PDF

Info

Publication number
CN117235883A
CN117235883A CN202311158257.5A CN202311158257A CN117235883A CN 117235883 A CN117235883 A CN 117235883A CN 202311158257 A CN202311158257 A CN 202311158257A CN 117235883 A CN117235883 A CN 117235883A
Authority
CN
China
Prior art keywords
deformation
skin
assembly
clamping
stringer
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
Application number
CN202311158257.5A
Other languages
English (en)
Other versions
CN117235883B (zh
Inventor
齐振超
田威
孙冠宇
张子亲
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202311158257.5A priority Critical patent/CN117235883B/zh
Publication of CN117235883A publication Critical patent/CN117235883A/zh
Application granted granted Critical
Publication of CN117235883B publication Critical patent/CN117235883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种面向飞机壁板装配偏差的组合预测方法，包括建立Adam‑BP神经网络模型；设计蒙皮装夹阶段变量并输入；输出蒙皮关键测点变形；输出长桁定位连接点法向变形，作为下一阶段预测的输入量。一种基于子结构的长桁装夹变形预测模型，包括：求解蒙皮装夹阶段关键特性点的装配偏差；求解长桁定位、预连接的关键特性点的装配变形。综合蒙皮、长桁装夹变形预测结果，即为壁板件装配偏差结果。本发明面向飞机壁板件装配偏差的组合预测模型，采用Adam优化的BP神经网络预测模型和子结构技术，实现了在考虑零件初始误差的条件下，充分考虑装配关系、装配工艺等带来的偏差，精准预测壁板装配变形。

Description

一种面向飞机壁板装配偏差的组合预测方法
技术领域
本发明涉及飞机壁板装配领域，特别地涉及一种面向飞机壁板装配偏差的组合预测方法。
背景技术
作为飞机机身结构的主要部件，壁板件是保证飞机气动外形的重要组成部分，其装配精度直接影响飞机的装配质量和使用寿命。由于壁板零件具有刚度弱、尺寸大等特点，在装配过程中容易发生变形产生装配偏差，且偏差将随着装配过程推进不断传播和累积，影响整体装配精度。因此，研究飞机壁板件在装配过程中的装配偏差预测方法可以提前预测飞机机身的装配精度，进一步优化装配工艺，提高装配质量和效率。
装配偏差预测的准确性取决于预测模型的有效性，以及对装配偏差源实际信息表达的准确性。建模预测通常分为两类：一是考虑偏差源、偏差传递过程、夹紧力等机理因素实现建模；二是有效利用装配过程数据，通过关联规则、智能算法等数据因素实现建模。当前装配偏差的机理建模主要分为两类方法：仅考虑零部件之间定位关系的基于刚体假设的刚性建模方法；考虑零部件之间装配偏差的柔性建模。
然而，当前方法仍存在装配流程复杂和装配误差多样导致机理建模难以反映真实装配情况的问题，因此，简单的利用单一模型建立初步工序工艺参数与最终装配质量之间的映射关系，会导致模型建模难度大，预测精度差。本专利将机理建模和数据建模的优点相结合，研究基于组合预测模型的飞机壁板件装配偏差预测方法，以提高飞机壁板件装配偏差预测的准确性。
发明内容
针对上述现有技术中的问题，本申请提出了一种面向飞机壁板装配偏差的组合预测方法，包括以下步骤：
步骤101，建立基于Adam优化的BP神经网络预测模型；
步骤102，获取蒙皮装夹变形数据，将蒙皮制造误差、装夹工艺参数输入神经网络；
步骤103，预测蒙皮关键特性点的变形；
步骤104，建立基于Adam优化BP神经网络的蒙皮装夹变形预测模型；
步骤105，将蒙皮关键特性点变形、长桁制造误差、长桁装夹工艺参数输入子结构，建立基于子结构的长桁装夹变形预测模型；
步骤106，综合步骤103和步骤105两阶段预测的装配变形，得到最终壁板装配偏差。
优选地，建立基于Adam优化的BP神经网络预测模型，包括以下步骤：
步骤1011，确定BP神经网络结构，包括网络的输入层、输出层、隐藏层和各层节点个数；
步骤1012，确定初始网络权值、阈值；
步骤1013，计算网络误差；
步骤1014，Adam调整网络参数，计算模型误差，然后Adam优化算法通过学习率来调整网络的权值和阈值；
步骤1015，更新网络的权值和阈值，继续利用训练数据训练迭代；
步骤1016，判断是否满足结束条件，若满足则完成模型训练，若不满足则重复1013-1015，直至完成模型训练。
优选地，获取蒙皮装夹变形数据包括以下步骤：
步骤1021，批量仿真和结果提取；
步骤1022，根据变量设计多个工艺方案并改写、生成多个inp文件；
步骤1023，批量获取仿真结果，利用Python程序批量从仿真结果ODB文件中提取关键特性点变形；
步骤1024，将仿真结果中的变形量与输入参数组成训练数据样本。
优选地，建立基于Adam优化BP神经网络的蒙皮装夹变形预测模型包括以下步骤：
步骤1041，划分训练集和测试集；
步骤1042，数据归一化处理；
步骤1043，确定神经网络拓扑结构及参数；
步骤1044，利用Adam训练神经网络；
步骤1045，判断是否满足结束条件，若满足则可进行变形预测，若不满足则重复404，直至满足结束条件。
优选地，建立基于子结构的长桁装夹变形预测模型包括以下步骤：
步骤1051，求解蒙皮装夹阶段各关键特性点的输入偏差；
步骤1052，求解长桁定位阶段装配变形；
步骤1053，求解长桁、蒙皮预连接阶段装配变形。
优选地，确定神经网络拓扑结构及参数包括以下步骤：
首先，利用BP神经网络可以建立蒙皮装夹变形预测模型；
然后，确定初始参数，初始参数包括迭代次数、期望均方误差、学习率；
最后，依据模型训练精度修改初始参数，以确定能使模型预测精度最高的初始参数。
优选地，求解蒙皮装夹阶段各关键特性点的输入偏差包括以下步骤：
在确定了蒙皮因装夹而产生的装配偏差量之后，蒙皮上关键特性点的装配偏差为实际装配偏差量减去理论装配偏差，作为长桁装夹阶段变形预测模型的输入；蒙皮上第2个关键特性点的装配偏差为：
Vm （2）=Vm （1）—VmB （1）
式中，VmB （1）为蒙皮上第1个关键特性点的理论变形，Vm （1）为蒙皮装夹阶段第1个关键特性点的装配偏差。
上一装夹阶段各关键特性点的装配偏差Vm （2）=[ Vmc （2） VmD （2） VmL （2） ]，也就是长桁装夹阶段变形预测模型的输入数据。Vmc （2）为蒙皮绷紧定位后第2个关键测点的装配偏差，VmD （2）为蒙皮绷紧定位后第2个长桁 DA 孔中心点的装配偏差，VmL （2）为蒙皮绷紧定位后第2个长桁预连接点的装配偏差。
上述技术特征可以各种适合的方式组合或由等效的技术特征来替代，只要能够达到本发明的目的。
本发明提供的一种面向飞机壁板装配偏差的组合预测方法，与现有技术相比，至少具备有以下有益效果：
本发明实施例面向飞机壁板件装配偏差的组合预测模型，采用Adam优化的BP神经网络预测模型和子结构技术，实现了在考虑零件初始误差的条件下，充分考虑装配关系、装配工艺等带来的偏差，精准预测壁板装配变形。无需求解初始误差、装配工艺等对装配变形的非线性复杂映射关系，通过结合数据和机理建模，提出了一种组合预测模型实现对壁板装配偏差的精准预测。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
图1是本发明实施例面向飞机壁板装配偏差的组合预测模型建立的流程图；
图2是基于Adam优化BP神经网络预测模型建立的流程图；
图3是获取蒙皮装夹变形数据的流程图；
图4是基于Adam优化BP神经网络的蒙皮装夹变形预测模型建立的流程图；
图5是变量设计方案；
图6是基于子结构的长桁装夹变形预测模型建立的流程图；
图7是长桁定位示意图。
实施方式
下面将结合附图对本发明作进一步说明。
本发明提供了面向飞机壁板件装配偏差的组合预测模型，通过对壁板装配过程的分解，分阶段预测装配变形，充分利用数据建模和机理建模的优势，建立组合预测模型。
如图1所示，是本发明实施例面向飞机壁板件装配偏差的组合预测模型建立的流程图，包括以下步骤：
步骤101，建立基于Adam优化的BP神经网络预测模型。
步骤102，将蒙皮制造误差、装夹工艺等输入神经网络。
步骤103，预测蒙皮关键特性点的变形。
步骤104，建立基于子结构技术的变形预测模型。
步骤105，求蒙皮关键特性点变形、长桁制造误差、长桁装夹工艺等输入子结构求解模型。
步骤106，综合两阶段装配变形，得到最终壁板装配偏差。
如图2所示，是本发明实施例中建立基于Adam优化BP神经网络预测模型建立的流程图，包括以下步骤：
步骤201，确定神经网络结构。
确定BP神经网络结构，包括网络的输入层、输出层、隐藏层和各层节点个数。
步骤202，确定初始网络权值、阈值。
步骤203，计算网络误差。
步骤204，Adam调整网络参数。
计算模型误差，然后Adam优化算法通过学习率来调整网络的权值和阈值。
步骤205，权值、阈值更新。
更新网络的权值和阈值，继续利用训练数据训练迭代。
步骤206，判断是否满足结束条件，若满足则完成模型训练，若不满足则重复203-205，直至完成模型训练。
在一个实施例中，建立基于Adam优化BP神经网络预测模型，包括以下步骤：
步骤201′，数据预处理:标准化训练数据，将特征值归一化到0-1范围内，便于模型训练；
步骤202′，模型构建:设计多层前馈神经网络，输入层节点数为特征数，隐藏层可以取2层，每层节点数可以取特征数的2-3倍，输出层节点数为预测目标数；
步骤203′，权重初始化:采用Xavier初始化方法初始化模型权重，可以加速模型收敛；
步骤204′，损失函数:可以采用MSE均方误差作为回归任务的损失函数；
步骤205′，优化器:使用Adam优化算法进行梯度下降优化，可以有效调整学习率，较快收敛；
步骤206′，训练:设立批大小和训练轮次，利用Adam优化训练网络，逐步最小化损失函数，获得训练好的模型；
步骤207′，评估:在测试集上评估模型效果，计算RMSE、R-squared等指标；
步骤208′，预测:使用训练好的模型对新数据进行预测，得到预测结果；
步骤209′，保存模型:将最终的神经网络结构和训练好的参数持久化保存，用于后续预测使用。
如图3所示，是本发明实施例中获取蒙皮装夹变形数据的流程图，包括以下步骤：
步骤301，批量仿真和结果提取。
步骤302，根据变量设计多个工艺方案并改写、生成多个inp文件。
步骤303，批量获取仿真结果。
利用Python程序批量从仿真结果ODB文件中提取关键特性点变形。
步骤304，将仿真结果中的变形量与输入参数组成训练数据样本。
在一个实施例中，获取蒙皮装夹变形数据的流程图，包括以下步骤：
步骤301′，同步进行多工艺方案的批量有限元仿真;
步骤302′，应用粒子群或遗传算法寻找与实际装配变形分布最吻合的工艺方案;
步骤303′，根据步骤302′的方案进行批量仿真并获取结果;
利用Python程序批量从仿真结果ODB文件中提取关键特性点变形;
步骤304′，将仿真结果中的变形量与输入参数组成训练数据样本。
如图4所示，是本发明实施例中基于Adam优化BP神经网络的蒙皮装夹变形预测模型建立的流程图，包括以下步骤：
步骤401，划分训练集和测试集。
在本发明实施例中，训练集为利用Python程序批量从仿真结果ODB文件中提取关键特性点变形与输入参数，测试集为按照图5所示变量设计方案展开蒙皮定位夹紧试验，测取各关键特性点的变形量得到测试数据集。
步骤402，数据归一化处理。
根据训练样本的设置要求，综合考虑时间成本和数据样本数量，划分数据样本为训练集和测试集，分别用于预测模型的训练和测试。为了提高网络模型的收敛速度，对模型的输入输出进行归一化处理，以避免不同变量间量纲的影响，提高神经网络的训练精度。采用式（1）进行归一化处理，使各个样本数据都落在[0， 1]。
归一化后的数据 (1)
式中：X k 为原始数据；X min 为一类数据中的最小值；X max 为一类数据中的最大值。
步骤403，确定神经网络拓扑结构及参数。
首先，利用1个3层的BP神经网络可以建立一个蒙皮装夹变形预测模型；然后，根据经验确定初始参数，如迭代次数、期望均方误差、学习率；最后，依据模型训练精度修改各参数，以确定能使模型预测精度最高的参数。
在一个实施例中，首先，利用多层的BP神经网络可以建立一个蒙皮装夹变形预测模型；然后，根据经验确定初始参数，如迭代次数、期望均方误差、学习率、允许误差、sigmoid参数、最小训练速率；最后，依据模型训练精度修改各参数，以确定能使模型预测精度最高的参数。
步骤404，利用Adam训练神经网络。
利用Adam优化算法进行循环迭代，调整神经网络的连接权值和阈值，直至网络的实际输出接近期望输出，满足迭代停止条件。
步骤405，判断是否满足结束条件，若满足则可进行变形预测，若不满足则重复404，直至满足结束条件。
为了方便理解后续的公式推导，本文对蒙皮上关键测点、长桁DA孔中心点、长桁预连接点等关键特性点在蒙皮绷紧定位后的装配偏差用符号表达，即Vm （1）=[ Vmc （1） VmD （1） VmL （1） ]。需要注意的是： Vmc （1）、VmD （1）、VmL （1）代表的是集合，将用数字右下角下标来表示具体的点。
其中，“（n）”指该点为集合中的第n个关键特性点。
如图6所示，是本发明实施例中基于子结构的长桁装夹变形预测模型建立的流程图，包括以下步骤：
步骤601，求解蒙皮装夹阶段各关键特性点的输入偏差。
在确定了蒙皮因装夹而产生的装配偏差量之后，蒙皮上关键特性点的装配偏差为实际装配偏差量减去理论装配偏差，作为长桁装夹阶段变形预测模型的输入。蒙皮上关键特性点的装配偏差为：
Vm （2）=Vm （1）—VmB （1） (2)
式中，VmB （1）为蒙皮上各关键特性点的理论变形，Vm （2）为蒙皮装夹阶段各关键特性点的装配偏差。
上一装夹阶段各关键特性点的装配偏差Vm （2）=[ Vmc （2） VmD （2） VmL （2） ]，也就是长桁装夹阶段变形预测模型的输入数据。
步骤602，求解长桁定位阶段装配变形。
当蒙皮上两个DA孔处存在装夹变形和制造误差时，长桁在和蒙皮配合时会产生相对定位偏差。本发明实施例假设长桁与蒙皮在DA孔定位阶段，长桁和蒙皮确定了之间的几何位置关系，并未发生两个表面相互之间的装配干涉，即长桁和蒙皮在此阶段并未发生装配偏差。长桁定位示意图如图7所示，根据叠加原理，分析可知，长桁装夹阶段第1根长桁上预连接点与蒙皮上对应预连接点之间的变形（下标j代表长桁上第j个预连接点），包括长桁自身的制造误差、蒙皮上对应预连接点在蒙皮装夹阶段的装配偏差和长桁上由DA孔定位引起的相对定位偏差，具体可表示为：
式中，为长桁自身的制造误差，/>为长桁上由DA孔定位引起的相对定位偏差，/>为上一节得到的蒙皮上对应预连接点在蒙皮装夹阶段的装配偏差。
结合数学推导，进一步分析可以得到，第1根长桁上第j个预连接点处的相对定位偏差表示为：/>
式中，和/>分别是第1根长桁上第j个预连接点在主平面内距DA孔1中心点和DA孔2中心点的距离，/>（k为DA数量）代表第1根长桁对应的蒙皮上DA孔中心点的偏差。
由式（4）可得：
令为第1根长桁上第j个预连接点对应的敏感度矩阵，则第1根长桁上预连接点对应的敏感度矩阵为/>，即：
(6)
在线弹性假设和小变形假设下，经过上述分析得到了长桁装夹阶段第1根长桁上预连接点与蒙皮上对应预连接点之间的变形，这将作为下面长桁与蒙皮预连接分析模型的输入。
步骤603，求解长桁、蒙皮预连接阶段装配变形。
长桁零件通过DA孔定位完成后，需要在长桁预连接点处施加装配力，使得各预连接点被夹持到紧贴在蒙皮的内表面，然后进行连接。虽然长桁零件和蒙皮零件之间的连接是一个有顺序的过程，但是由于更多的关注二者装配后的最终平衡状态，因此在装配过程中，不考虑连接顺序对于装配偏差的影响，假设长桁上所有的预连接点同时完成连接。假设夹紧力的大小刚好能消除预连接点之间的间隙至理论装配位置，完成连接，定义第一根长桁装夹时的装配力为 。基于线弹性小变形的假设，利用子结构技术提取零件超元刚度矩阵建立夹紧力与装配偏差之间的关系为：/>
式中，为利用有限元软件提取的第1根长桁零件的超元刚度矩阵，提取时的边界条件为长桁利用DA孔定位。
施加装配力使长桁预连接点到达理论装配位置后，进行紧固，完成蒙皮和长桁之间的预连接。飞机壁板件装配过程中，多采用铆接来完成零件间的紧固。当蒙皮和长桁完成铆接后，就成为了一个装配体，装配体的刚度矩阵和零件不同，需要重新获取。
当长桁和蒙皮完成预连接后，铆接夹紧力释放，装配体发生回弹变形。为了简化分析，假设回弹力大小近似等于装配夹紧力，方向相反。在回弹力的作用下，蒙皮和长桁组成的装配体上的关键特性点（包括蒙皮上关键测点和其他长桁定位连接点）会发生变形。设第1根长桁预连接后的装配回弹力为，预连接点处的变形量/>，蒙皮上关键测点的变形量为/>，与其他长桁对应的DA孔中心点和预连接点的变形量分别为/>和/>。在线弹性小变形的假设下，可以得到以下关系式：
式中，K z1为由有限元软件提取的第1根长桁与蒙皮完成预连接后装配体的超元刚度矩阵，其边界条件为装配体“N-2-1”定位。
经由上述分析，可以得到第1根长桁装夹后的关键特性点变形，其中蒙皮上关键测点的变形量，与其他长桁对应的DA孔中心点和预连接点的变形量/>和/>将会影响到后续其他长桁的装配，这也是不同长桁装夹顺序会影响装配偏差的主要原因。
以上，说明了第1根长桁定位、预连接过程的装配变形，在此基础上可类比得到第n根长桁在该阶段的装配变形，这里不做赘述。
如式（9）所示，为本实施例中基于组合预测模型得到的飞机壁板关键特性点最终装配偏差为：
(9)
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上公开的仅为本发明优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。

Claims (7)

1.一种面向飞机壁板装配偏差的组合预测方法，其特征在于，包括以下步骤：
步骤101，建立基于Adam优化的BP神经网络预测模型；
步骤102，获取蒙皮装夹变形数据，将蒙皮制造误差、装夹工艺参数输入神经网络；
步骤103，预测蒙皮关键特性点的变形；
步骤104，建立基于Adam优化BP神经网络的蒙皮装夹变形预测模型；
步骤105，将蒙皮关键特性点变形、长桁制造误差、长桁装夹工艺参数输入子结构，建立基于子结构的长桁装夹变形预测模型；
步骤106，综合步骤103和步骤105两阶段预测的装配变形，得到最终壁板装配偏差。
2.根据权利要求1所述的面向飞机壁板装配偏差的组合预测方法，其特征在于，建立基于Adam优化的BP神经网络预测模型，包括以下步骤：
步骤1011，确定BP神经网络结构，包括网络的输入层、输出层、隐藏层和各层节点个数；
步骤1012，确定初始网络权值、阈值；
步骤1013，计算网络误差；
步骤1014，Adam调整网络参数，计算模型误差，然后Adam优化算法通过学习率来调整网络的权值和阈值；
步骤1015，更新网络的权值和阈值，继续利用训练数据训练迭代；
步骤1016，判断是否满足结束条件，若满足则完成模型训练，若不满足则重复1013-1015，直至完成模型训练。
3.根据权利要求1所述的面向飞机壁板装配偏差的组合预测方法，其特征在于，获取蒙皮装夹变形数据包括以下步骤：
步骤1021，批量仿真和结果提取；
步骤1022，根据变量设计多个工艺方案并改写、生成多个inp文件；
步骤1023，批量获取仿真结果，利用Python程序批量从仿真结果ODB文件中提取关键特性点变形；
步骤1024，将仿真结果中的变形量与输入参数组成训练数据样本。
4.根据权利要求1所述的面向飞机壁板装配偏差的组合预测方法，其特征在于，建立基于Adam优化BP神经网络的蒙皮装夹变形预测模型包括以下步骤：
步骤1041，划分训练集和测试集；
步骤1042，数据归一化处理；
步骤1043，确定神经网络拓扑结构及参数；
步骤1044，利用Adam训练神经网络；
步骤1045，判断是否满足结束条件，若满足则可进行变形预测，若不满足则重复404，直至满足结束条件。
5.根据权利要求1所述的面向飞机壁板装配偏差的组合预测方法，其特征在于，建立基于子结构的长桁装夹变形预测模型包括以下步骤：
步骤1051，求解蒙皮装夹阶段各关键特性点的输入偏差；
步骤1052，求解长桁定位阶段装配变形；
步骤1053，求解长桁、蒙皮预连接阶段装配变形。
6.根据权利要求4所述的面向飞机壁板装配偏差的组合预测方法，其特征在于，确定神经网络拓扑结构及参数包括以下步骤：
首先，利用BP神经网络可以建立蒙皮装夹变形预测模型；
然后，确定初始参数，初始参数包括迭代次数、期望均方误差、学习率；
最后，依据模型训练精度修改初始参数，以确定能使模型预测精度最高的初始参数。
7.根据权利要求5所述的面向飞机壁板装配偏差的组合预测方法，其特征在于，求解蒙皮装夹阶段各关键特性点的输入偏差包括以下步骤：
在确定了蒙皮因装夹而产生的装配偏差量之后，蒙皮上关键特性点的装配偏差为实际装配偏差量减去理论装配偏差，作为长桁装夹阶段变形预测模型的输入；蒙皮上第2个关键特性点的装配偏差为：
Vm （2）=Vm （1）—VmB （1）
式中，VmB （1）为蒙皮上各关键特性点的理论变形，Vm （1）为蒙皮装夹阶段各关键特性点的装配偏差。
CN202311158257.5A 2023-09-08 2023-09-08 一种面向飞机壁板装配偏差的组合预测方法 Active CN117235883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311158257.5A CN117235883B (zh) 2023-09-08 2023-09-08 一种面向飞机壁板装配偏差的组合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311158257.5A CN117235883B (zh) 2023-09-08 2023-09-08 一种面向飞机壁板装配偏差的组合预测方法

Publications (2)

Publication Number Publication Date
CN117235883A true CN117235883A (zh) 2023-12-15
CN117235883B CN117235883B (zh) 2024-03-08

Family

ID=89085440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311158257.5A Active CN117235883B (zh) 2023-09-08 2023-09-08 一种面向飞机壁板装配偏差的组合预测方法

Country Status (1)

Country Link
CN (1) CN117235883B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279304A (zh) * 2015-06-19 2016-01-27 电子科技大学 一种基于n-2-1定位的飞机蒙皮定位偏差分析方法
CN105912823A (zh) * 2016-05-12 2016-08-31 电子科技大学 一种基于n-2-1定位的飞机蒙皮和长桁装配偏差分析方法
CN109800505A (zh) * 2019-01-21 2019-05-24 西安交通大学 一种星载sar天线空间可展支撑结构装配精度预测方法
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
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
CN116611166A (zh) * 2023-05-23 2023-08-18 南京航空航天大学 一种考虑初始误差的飞机部件多层级装配偏差分析方法
CN116663362A (zh) * 2023-05-31 2023-08-29 上海交通大学 一种航空航天复合材料薄壁结构装配力学建模方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279304A (zh) * 2015-06-19 2016-01-27 电子科技大学 一种基于n-2-1定位的飞机蒙皮定位偏差分析方法
CN105912823A (zh) * 2016-05-12 2016-08-31 电子科技大学 一种基于n-2-1定位的飞机蒙皮和长桁装配偏差分析方法
CN109800505A (zh) * 2019-01-21 2019-05-24 西安交通大学 一种星载sar天线空间可展支撑结构装配精度预测方法
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
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
CN116611166A (zh) * 2023-05-23 2023-08-18 南京航空航天大学 一种考虑初始误差的飞机部件多层级装配偏差分析方法
CN116663362A (zh) * 2023-05-31 2023-08-29 上海交通大学 一种航空航天复合材料薄壁结构装配力学建模方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘殷杰;田锡天;耿俊浩;张敏;马丽萍;: "飞机薄壁零件装配偏差建模与仿真分析", 机床与液压, vol. 48, no. 02, 28 January 2020 (2020-01-28), pages 138 - 143 *
刘霞: "飞机柔性件多工位装配偏差分析与控制技术基础研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 1, 15 January 2022 (2022-01-15), pages 031 - 49 *
汪洋: "基于"N-2-1"定位的飞机蒙皮装夹定位偏差分析方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 3, 15 March 2016 (2016-03-15), pages 031 - 374 *

Also Published As

Publication number Publication date
CN117235883B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
CN108900346B (zh) 基于lstm网络的无线网络流量预测方法
CN108764520B (zh) 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法
CN109141847B (zh) 一种基于mscnn深度学习的飞机系统故障诊断方法
CN107220403B (zh) 飞行器弹性模态的控制关联建模方法
CN107391891B (zh) 一种基于模型融合方法的大展弦比机翼优化设计方法
CN111912611B (zh) 基于改进神经网络的故障状态预测的方法及装置
CN113836634B (zh) 一种大差异性气动数据的深度神经网络建模方法
Kusumoputro et al. System identification and control of pressure process rig system using Backpropagation Neural Networks
CN116451514A (zh) 桥梁结构状态评估方法、装置以及电子设备
Shahane et al. Surrogate neural network model for sensitivity analysis and uncertainty quantification of the mechanical behavior in the optical lens-barrel assembly
CN115859769A (zh) 天线罩结构全局灵敏度分析方法
US20220051141A1 (en) Material Characterization System and Method
CN117235883B (zh) 一种面向飞机壁板装配偏差的组合预测方法
CN113799137A (zh) 一种基于神经网络的移动加工机器人快速视觉定位方法
CN108446506B (zh) 一种基于区间反馈神经网络的不确定系统建模方法
Isaacs et al. Development of a memetic algorithm for dynamic multi-objective optimization and its applications for online neural network modeling of UAVs
CN113408200A (zh) 航空装备振动环境分析和预测方法
KR20220096658A (ko) 비행시험 데이터를 이용한 6 자유도 비행 시뮬레이션 정확도 향상 방법 및 장치
Noever-Castelos et al. Model updating of a wind turbine blade finite element Timoshenko beam model with invertible neural networks
Ma et al. Efficient and effective dimension control in automotive applications
CN116306246A (zh) 一种大壁板铆接变形预测与优化方法
CN112241811B (zh) “互联网+”环境下定制产品的分层混合性能预测方法
Arranz et al. On guided and automatic control configuration selection
CN113919080A (zh) 一种基于机器学习的汽车发动机罩力学性能快速评估方法
Park et al. Multi-response gaussian process for multidisciplinary design optimization

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