CN117408100A - 一种基于bp神经网络的群组螺栓预紧力分布预测方法 - Google Patents
一种基于bp神经网络的群组螺栓预紧力分布预测方法 Download PDFInfo
- Publication number
- CN117408100A CN117408100A CN202311234221.0A CN202311234221A CN117408100A CN 117408100 A CN117408100 A CN 117408100A CN 202311234221 A CN202311234221 A CN 202311234221A CN 117408100 A CN117408100 A CN 117408100A
- Authority
- CN
- China
- Prior art keywords
- neural network
- tightening
- group
- pretightening force
- force distribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 abstract 1
- 230000003993 interaction Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
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]
- G06F30/20—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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于BP神经网络的群组螺栓预紧力分布的预测方法，该方法包括：群组螺栓有限元分析精细化建模，数值分析不同拧紧顺序下群组螺栓预紧力分布情况，记录不同顺序下的最终预紧力分布数据；对数据进行归一化处理，应用BP神经网络模型，以螺栓组装配的拧紧顺序作为输入，以拧紧后各螺栓的最终预紧力作为输出，将数据导入神经网络模型进行训练；训练完成后的神经网络模型可预测指定拧紧顺序下的群组螺栓最终预紧力分布情况。本发明提出了不同拧紧顺序下群组螺栓最终预紧力分布的预测方法，可准确预测确定拧紧顺序下群组螺栓的预紧力分布情况。为群组螺栓的高性能装配提供指导，提高螺栓连接结构的可靠性。
Description
技术领域
本发明涉及一种群组螺栓预紧力分布的预测方法，尤其涉及一种基于BP神经网络的预测不同拧紧顺序下群组螺栓最终预紧力分布的方法，属于螺栓连接结构设计领域。
背景技术
螺栓连接具有便于装拆，成本低，互换性强，大批量生产等特点，是机械结构中广泛采用的连接形式之一。为了提升机械产品的装配质量，组合零/部件常采用多个螺栓以群组(≥4个)方式进行连接。据研究，在机床结构件装配领域，螺栓连接刚度占结构总刚度的30-50％，阻尼比超过90％，螺栓连接装配性能直接影响整机性能为保证良好的连接力学性能，需要对栓接结构进行预紧以获得期望的预紧力。然而，，当按照一定的拧紧顺序针对群组进行预紧时，由于结构变形引起的螺栓间弹性相互作用会导致已经预紧的螺栓预紧力发生变化，根据相关文献，，由弹性相互作用导致的群组螺栓的预紧力损失可达40％。
栓接结构预紧后，结构件的局部变形呈强非线性特征，导致难以揭示弹性相互作用影响机理，缺乏理论解析模型，，无法量化分析各因素对群组螺栓弹性相互作用的影响规律。目前多采用弹性交互作用系数来表征螺栓间的弹性相互作用，但受加载轮次、加载次序、载荷增量影响，系数矩阵难以确定，至今仍没有一个形式简单、预测准确的模型可以用于预测给定拧紧顺序下群组螺栓预紧力的分布，判断拧紧完成后群组螺栓的预紧力分布是否均匀。
人工神经网络具有很强的自学习能力、非线性映射能力以及高度的并行计算能力，为解决这类复杂、影响因素多难以用确定的数学模型描述的非线性问题提供了一个有力的工具。因此，建立一种形式简单、预测准确，可用于预测不同拧紧顺序下群组螺栓预紧力分布情况的预测模型，是本领域亟需解决的问题之一。
发明内容
本发明的目的旨在提供一种预测不同拧紧顺序下群组螺栓预紧力分布的方法，建立形式简单、预测准确，可用于预测不同拧紧顺序下群组螺栓预紧力分布情况的预测模型，以解决群组螺栓拧紧完成后预紧力分布不均匀度的问题，为工程中群组螺栓装配提供指导。
为实现上述目的，本发明提供以下技术方案：
基于有限元软件，建立群组螺栓连接实际结构的精细化有限元模型。
基于精细化有限元模型进行不同拧紧顺序下群组螺栓拧紧试验，并获取最终拧紧后各螺栓的预紧力。
以群组螺栓的拧紧顺序为BP神经网络输入向量，以最终拧紧后各螺栓的预紧力作为输出向量。
这里应该是建立群组螺栓的BP神经网络模型，然后确定模型结构参数，请将BP神经网络模型与前述步骤的螺栓的预紧力衔接下技术描述；将本发明解决的技术问题的技术方案再细化下描述。
确定BP神经网络的结构参数，对结构参数进行预处理，并把试验数据分为训练样本集和测试样本集。
用测试样本集中的数据对BP神经网络模型进行训练，并调整其网络参数，训练成功后，用测试数据集中的数据对其进行测试，以验证神经网络模型的正确性。
经测试合格后的神经网络模型可以利用其泛化能力对给定拧紧顺序下群组螺栓预紧力分布进行预测，判断预紧力分布均匀程度，并决定是否对拧紧工艺进行调整。
本发明与现有的群组螺栓弹性相互作用定量分析方法相比，只需用足够的试验数据对BP神经网络进行训练，调整网络结构参数，训练完成后的神经网络模型可完全反映出群组螺栓拧紧顺序与螺栓预紧力分布之间复杂的非线性映射关系，且还可利用其泛化能力对给定拧紧顺序下群组螺栓预紧力分布及其均匀程度进行预测。
本发明所提出的预测不同拧紧顺序下群组螺栓预紧力分布的方法，具有形式简单、预测准确的特点，克服了群组螺栓弹性相互作用难以用理论模型解析的困难，可用于指导群组螺栓连接结构拧紧顺序的确定，避免出现因弹性相互作用导致的群组螺栓预紧力分布不均匀，导致栓接结构连接性能下降。
附图说明
下面将对具体实施方式描述中所需要使用的附图作简要的介绍。
图1为本发明实施的总流程示意图。
图2为神经网络模型构建流程示意图。
图3为BP网络训练过程误差下降曲线。
图4为BP神经网络预测值相对误差。
具体实施方式
下面将结合说明书附图以8个M12螺栓直线型排布的群组螺栓模型为例对本发明的技术方案进行清楚、完整地描述，显然所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的其他实施例，都属于本发明的保护范围。
图1为本发明实施的流程示意图，主要包括五个步骤。下面以8个M12螺栓直线型排布的群组螺栓模型为例对每个步骤的实施进行详细的说明。
步骤1：根据实际连接结构及工况条件设计有限元仿真过程，以8个M12螺栓直线型排布模型为例，根据螺栓尺寸使用Hypermesh软件对模型进行精细化有限元建模。
步骤2：进行不同拧紧顺序的群组螺栓拧紧仿真试验，获取最终拧紧后各螺栓的预紧力。在Anasys软件中完成，有限元仿真分析时所需的材料参数、网格划分、边界条件、施加载荷以及结果数据后处理的设置。
将在Hypermesh中精细化建模的8螺栓直线型排布网格模型导入Anasys进行前处理。根据实际情况添加材料的密度、弹性模量和泊松比等参数。为简化计算模型以保证其结果的收敛性，同时不影响仿真分析结果的准确性，本文针对螺栓与螺母采用绑定接触处理，其余组件的接触表面均采用罚摩擦接触，摩擦系数根据各组件的材料特性及接触特性选择0.15。约束各螺栓头顶面6个方向的自由度，在各螺栓杆外表面施加螺栓预紧单元，进行螺栓拧紧仿真。通过Anasys自带的后处理功能，提取各螺栓最终的预紧力。
步骤3：构建神将网络模型，其实施过程如图2所示，具体实施步骤如下：以8螺栓的拧紧顺序为输入向量，，以最终拧紧后各螺栓的预紧力为输出向量。把数据分为训练样本集与测试样本集，并对其进行归一化处理。
本实施例中选用的神经网络类型为双隐层BP神经网络，用训练样本集中的数据对其进行训练，为了得到良好的学习效果，每次训练都对本集中的数据重新排序，达到误差容限或训练次数上限就停止训练。本实施例中训练误差下降曲线如图3所示，当训练次数到达261时就达到了误差容限，停止了训练。
步骤4：使用训练完成的BP神经网络模型对测试数据集中的数据进行预测。神经网络预测值相对误差如图4所示。从图4中预测值的相对误差可以看出，BP网络得到的预测值与试验值基本一致，其相对误差在0.25％以内。
步骤5：用测试成功后的神经网络对给定拧紧顺序下的群组螺栓预紧力分布进行预测，同时计算群组螺栓拧紧完后预紧力的标准差值，用其评价预紧力分布的好坏，并与设计要求对比，判断其是否符合设计要求并确定是否对其进行二次紧固或更换。
从上述的实施例中可以看出，只要确定群组螺栓的拧紧顺序及群组螺栓连接模型参数，对所需模型进行建模前处理，通过有限元的方法获得按所需拧紧顺序下的各群组螺栓预紧力，然后选择合适的神经网络类型用实验数据对其进行训练，神经网络能很好地学习其内部蕴含规律，对未经测试拧紧顺序下的群组螺栓预紧力分布做出正确的预测，并可以根据其预测结果评估群组螺栓连接结构的可靠性。
显然本发明所提出采用神经网络预测群组螺栓预紧力分布的方法不以本实施例的应用领域为限，本发明提出的方法可以延伸到其它结构下群组螺栓不同拧紧顺序下预紧力分布的预测。
本发明中所描述的实施例只是为了阐述该发明的原理与实施方式所进行的一个最基本、最简单的应用。同时，对于本领域的技术人员基于对本发明的理解，可在其应用方法与实施方式上做出改变，所有基于本发明方法做出的改变均应在本专利的保护范围内。终上所述，本说明书的内容不应理解为对本发明的限制。
Claims (5)
1.一种基于BP神经网络的群组螺栓预紧力分布预测方法，其特征在于：根群组螺栓连接实际结构进行精细化有限元建模；
基于精细化有限元模型进行不同拧紧顺序下群组螺栓拧紧试验，并获取最终拧紧后各螺栓的预紧力；
以群组螺栓的拧紧顺序为输入向量，以最终拧紧后各螺栓的预紧力作为输出向量；
确定BP神经网络的结构参数，对数据进行预处理，并把试验数据的分为训练样本集和测试样本集；
用训练样本集中的数据对BP神经网络模型进行训练，并调整其网络参数，训练成功后，用测试数据集中的数据对其进行测试，以验证神经网络模型的正确性；
经测试成功后的神经网络对给定拧紧顺序下群组螺栓预紧力分布进行预测，并与设计要求对比，判断其是否符合设计要求并确定是对其进行二次紧固或更换。
2.根据权利要求1所述的一种基于BP神经网络的群组螺栓预紧力分布预测方法，其特征在于：根据群组螺栓连接实际结构，使用Hypermesh进行有限元网格精细化建模,提高分析精度；使用Anasys分析模块对群组螺栓不同拧紧顺序进行仿真试验，并进行结果数据后处理。
3.根据权利要求1所述的一种基于BP神经网络的群组螺栓预紧力分布预测方法，其特征在于：根据群组螺栓连接结构实际精度要求，通过改变群组螺栓拧紧顺序得到预紧力分布均匀的拧紧顺序。
4.根据权利要求1所述的一种基于BP神经网络的群组螺栓预紧力分布预测方法，其特征在于：通过Anasys载荷施加模块调整群组螺栓拧紧顺序，进行不同顺序的拧紧试验。
5.根据权利要求1所述的一种基于BP神经网络的群组螺栓预紧力分布预测方法，其特征在于：选用的神经网络类型为双隐层BP神经网络，用训练样本集中的数据对其进行训练；每次训练都对本集中的数据重新排序，达到误差容限或训练次数上限停止训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311234221.0A CN117408100A (zh) | 2023-09-24 | 2023-09-24 | 一种基于bp神经网络的群组螺栓预紧力分布预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311234221.0A CN117408100A (zh) | 2023-09-24 | 2023-09-24 | 一种基于bp神经网络的群组螺栓预紧力分布预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117408100A true CN117408100A (zh) | 2024-01-16 |
Family
ID=89486210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311234221.0A Pending CN117408100A (zh) | 2023-09-24 | 2023-09-24 | 一种基于bp神经网络的群组螺栓预紧力分布预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117408100A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117610384A (zh) * | 2024-01-23 | 2024-02-27 | 航天精工股份有限公司 | 一种基于工程实际分布的紧固连接系统仿真分析方法 |
-
2023
- 2023-09-24 CN CN202311234221.0A patent/CN117408100A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117610384A (zh) * | 2024-01-23 | 2024-02-27 | 航天精工股份有限公司 | 一种基于工程实际分布的紧固连接系统仿真分析方法 |
| CN117610384B (zh) * | 2024-01-23 | 2024-05-14 | 航天精工股份有限公司 | 一种基于工程实际分布的紧固连接系统仿真分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100864270B1 (ko) | 비선형 모델 및 이 비선형 모델을 이용하여 시뮬레이션 시험 드라이브 신호를 생성하기 위한 방법 및 장치 | |
| CN117408100A (zh) | 一种基于bp神经网络的群组螺栓预紧力分布预测方法 | |
| CN109933925B (zh) | 一种金属板材的冲压成形性能预测方法 | |
| CN110672312B (zh) | 一种基于bp神经网络的预测螺栓残余夹紧力的方法 | |
| CN105608263A (zh) | 一种面向涡轮叶盘结构寿命概率分析的自适应处理方法 | |
| CN109902415B (zh) | 一种高温多轴载荷下缺口件局部应力应变计算方法 | |
| CN113591234B (zh) | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 | |
| CN110987676A (zh) | 随机多轴载荷下考虑裂纹闭合效应的全寿命预测方法 | |
| CN111797471B (zh) | 基于径向基神经网络近似模型的发动机罩轻量化设计方法 | |
| CN111721787A (zh) | 基于晶体塑性的疲劳裂纹萌生与扩展的损伤寿命评估方法 | |
| CN117874955A (zh) | 一种基于有限元分析的齿轮寿命疲劳预测方法 | |
| Meng et al. | Prediction of fault evolution and remaining useful life for rolling bearings with spalling fatigue using digital twin technology | |
| CN113836789A (zh) | 基于宏细观参数关联准则的dem细观参数标定方法 | |
| CN114254533B (zh) | 考核疲劳振动对产品组部件固定角度影响和预测的方法 | |
| CN109238950B (zh) | 基于定性分析与定量预测的金属材料大气腐蚀预测方法 | |
| KR20210060147A (ko) | 구조물 성능기반 재료의 역설계 방법 | |
| CN114925502A (zh) | 一种数字化验证模型的构建方法及装置 | |
| Zhu et al. | Reliability assessment method based on the meta-action unit for complex mechanical system | |
| CN115618676A (zh) | 一种基于连续累积损伤的低周疲劳裂纹的模拟方法及系统 | |
| CN115563824A (zh) | 基于机器学习的双相材料复合管性能预测方法 | |
| CN112364517B (zh) | 缸盖在低周疲劳下的寿命评估方法及相关设备 | |
| CN111474905B (zh) | 一种机电产品制造过程参数漂移故障诊断方法 | |
| CN112434369A (zh) | 一种基于机器学习的结构载荷感知方法 | |
| CN113312817A (zh) | 一种小冲杆疲劳试验获得材料应变-寿命曲线的方法 | |
| CN112365022A (zh) | 一种基于多阶段的发动机轴承故障预测方法 |
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 |