[發明專利]一種基于有限元仿真和RNN神經網絡的貯箱內撐夾具裝調質量預測方法

在審

• 申請號: 202210584757.4
• 申請日: 2022-05-26
• 公開（公告）號: CN114997004A
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 舒磊;孫碩;張丹;葛旺;周潛;畢博;羅煦飛;馬仁智;羅宇;王淼;趙欣;楊聞韜;李瀟涵;趙天予;徐鋒
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F30/27;G06N3/04;G06N3/08
• 代理公司: 南京天華專利代理有限責任公司 32218
• 代理人: 瞿網蘭

1.一種基于有限元仿真和RNN神經網絡的貯箱內撐夾具裝調質量預測方法，其特征在于包括以下步驟：

步驟1：構建貯箱筒段和內撐夾具的三維模型，并對其裝調過程進行有限元分析，得到內撐夾具不同伸縮量條件下仿真后的筒段工件形狀，提取特征后計算其裝調質量參數:圓度，貼胎度，錯邊量；

步驟2：構建裝調質量參數數據集；對數據進行初篩和歸一化，將數據集內數據按比例8：1：1劃分為訓練集，交叉驗證集和測試集；

步驟3：使用訓練集構建機器學習預測模型，未焊接筒段的初始形狀參數以及內撐夾具的16個伸縮量作為輸入參數，通過RNN神經網絡預測模型計算裝調后的環縫圓度，貼胎度，錯邊量以及各質量指標最大值對應的位置，以評價指標評價RNN神經網絡預測模型的精度，采用交叉驗證評估RNN神經網絡預測模型的泛化能力；

步驟4：.采用測試集測試驗證機器學習預測模型的精度并以評價指標進行評價，當精度達標時則輸出RNN神經網絡預測模型，當精度不達標時則重復步驟3直至精度達標；精度達標后輸出RNN神經網絡預測模型，即為貯箱內撐夾具裝調質量預測模型。

2.根據權利要求1所述的方法，其特征在于所述的貯箱內撐夾具的有限元分析方法包括以下步驟：

步驟1，前處理關鍵部分：使用模型的簡化方法，由于貯箱筒段屬于薄壁圓件，焊接過程中厚度基本不變，所以能用一群延徑向距離不等的離散點依次連接，形成多邊形，代替圓形筒段，將三維仿真簡化為二維仿真；

步驟2，有限元分析，邊界條件設定時，將向外凸起點設置為固定約束；設置內撐夾具剛接觸筒段時伸縮量為零；對調節伸縮量壓緊工件過程進行動力學隱式分析，兩相鄰筒段同時被壓緊；

步驟3，后處理階段，輸出量均與位移相關，設置輸出位移場即可，從輸出位移場中計算圓度，錯邊量，貼胎度以及最大值對應位置；提取相鄰兩筒段截面位移變化情況，取圓度為兩截面形狀中圓度最大的一個；提取兩截面對應位置上兩離散點之間的距離的最大值作為錯邊量；提取兩截面上各離散點到內撐夾具壓板距離的最大值作為貼胎度；同時獲取各最大值對應離散點位置。

3.根據權利要求1所述的方法，其特征在于所述的數據集由以下參數組成：內撐夾具有16個伸縮桿，未焊接的筒段有初始狀態6個參數：圓度、粗糙度、錯邊量以及相應最大值對應位置，共22個輸入參數，通過改變16個伸縮桿的伸縮量的調節得到裝調后的圓度、粗糙度、錯邊量以及相應最大值對應的、用于反映需要調節位置的離散點序號，共6個輸出參數。

4.根據權利要求1所述的方法，其特征在于：所述的使用訓練集構建機器學習預測模型時機器學習方法選擇RNN神經網絡；16個伸縮桿的伸縮量兩兩之間互相影響，錯邊量，貼胎度越小，圓度必然越小，輸入參數之間有相互影響關系，RNN符合這一特征；輸入層為16+6，輸出層為6，隱層設置為5；同時為了改善RNN梯度小時問題，采用GEU單元，改變RNN隱藏層，使其能夠更好的捕捉深層的連接。