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技术

本发明专利技术涉及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，首先制定物理实验并建立仿真模型，对比实验和仿真的特征输出变量，确定模型误差；选取潜在的不确定参数并确定参数取值范围；获取仿真实验设计样本并运行仿真得到样本输出；建立高精度机器学习模型；基于Sobol分析各模型参数对仿真模型输出影响的显著性；确定模型参数校核对应的数学优化问题；以具有显著性的模型参数为变量，获取仿真实验设计样本，并运行仿真得到样本输出；建立具有显著性影响的仿真模型参数与仿真模型输出参数之间的数学关系的高精度机器学习模型；基于全局优化算法和高精度机器学习模型对具有显著性影响的模型参数进行校核；更新仿真模型参数；本方法能有效提高自冲孔铆接工艺仿真模型精度。接工艺仿真模型精度。

【技术实现步骤摘要】
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


[0001]本专利技术属于CAE
，涉及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。

技术介绍

[0002]高精度有限元仿真模型是机械产品设计、加工、制造领域最为经济、高效的分析工具。在CAE
中，对诸如碰撞过程、制造加工过程等具有强非线性特征和大变形的特征的物理过程高精度仿真建模依然存在诸多挑战。一些基于专家经验或简单实验确定的参数是造成模型与实验之间存在较大差异的主要因素之一。模型参数分析是通过统计学手段分析仿真建模过程中不确定参数何种程度的影响仿真模型结果。分析模型参数对仿真结果的影响，可为仿真建模过程中集中资源确定对模型具有显著性影响的参数提供参考。模型参数校核是在确定模型不确定参数的范围的前提下，通过模型参数的调校以提高仿真模型与实验之间的契合度。通过优化技术确定模型参数取值可以有效提高仿真模型精度，将使得后期基于模型驱动的设计与分析更为可靠。此外，具有大变形特征的高精度非线性仿真依赖于更为精细的网格划分和仿真过程中频次更高的网格自适应划分，因而单个仿真计算普遍耗费大量时间与计算资源。而基于全局灵敏度分析的模型参数分析和基于迭代优化的参数校核需要大量密集仿真计算，无疑会大幅加剧对计算资源的需求，导致计算资源的紧缺。将机器学习模型用于构建模型参数与模型输出之间的关系以替代耗时的密集仿真计算是解决计算资源紧缺、提高计算效率的有效技术手段。针对动力学和热力学仿真误差的问题，专利(公开号：CN110555231A)提出一种动力学仿真模型修正方法，通过简单的参数相关性分析获得模型关键参数，然后基于动力学模型和二次规划算法对模型进行修正；专利(公开号： CN110852016A)提出一种可靠性仿真试验模型修正方法与流程。通过简单的相关性分析获取模型参数与模型输出之间的相关性，搭建响应面模型来表征模型参数与输出之间的关系，采用优化算法对模型参数进行修正。上述专利仅仅针对非线性强度较低的模型，基于有限样本的简单相关性分析所获取信息的可靠性难以保障。此外响应面模型相较于RBF神经网络、 Kriging等模型具有较低的非线性拟合能力，在面对自冲孔铆接工艺仿真这一类具有强非线性仿真模型的修正的问题时，表征模型参数与模型输出之间的数学关系的能力不足。
[0003]自冲孔铆接工艺仿真模型是评估铆接接头质量的重要手段。该仿真模型涉及到材料失效、结构断裂、几何大变形等复杂过程，具有强非线性特征。然而，仿真过程中一些模型参数往往基于人工经验设置，导致仿真模型精度较低的情况频繁。本专利将具有强非线性拟合能力的机器学习模型用于自冲孔铆接工艺仿真模型的参数分析与校核。采用适合强非线性模型参数分析的Sobol全局灵敏度分析方法，在高精度机器学习模型提供的海量数据的支持下获取模型参数的全局灵敏度信息。基于遗传算法和高精度机器学习模型对关键模型参数进行修正以提高自冲孔铆接工艺仿真模型的精度。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供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，该方法针对与物理实验具有较大差异的自冲孔铆接工艺仿真模型，分析模型参数对模型输出的影响，解决模型不确定参数导致的模型精度较低的问题，可应用于自冲孔铆接工艺仿真模型的精度提升和建模过程中模型参数的设置。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]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，包括以下步骤：
[0007]步骤一：对自冲孔铆接结构进行物理实验并建立该结构的仿真模型；
[0008]步骤二：对比物理实验和仿真模型的输出；获得物理实验与仿真模型之间各个特征输出之间的绝对误差；基于特征输出之间的绝对误差，判断仿真模型精度是否满足要求；
[0009]步骤三：当精度不满足要求时，确定自冲孔铆接过程仿真模型的不确定性参数及该参数的取值范围；
[0010]步骤四：基于步骤三中的不确定性参数及该参数的取值范围，生成输入样本并运行仿真模型获取输入样本的特征输出；
[0011]步骤五：利用步骤四中获得的输入样本及输入样本对应的特征输出训练机器学习模型，用以近似仿真模型；并判断训练后的机器学习模型精度；
[0012]步骤六：基于Sobol灵敏度分析获取对仿真输出具有显著影响的参数。
[0013]步骤七：以具有显著影响的参数为变量，确定仿真模型校核的数学优化问题；
[0014]步骤八：在只考虑具有显著影响的参数情况下，通过实验设计生成输入样本并运行仿真获取样本输出；
[0015]步骤九：基于步骤八中所得到的数据(输入样本及样本对应的输出)训练机器学习模型用以近似仿真模型。
[0016]步骤十：基于遗传算法和机器学习模型求解步骤七所确立的优化问题。
[0017]步骤十一：对仿真模型参数进行更新。
[0018]进一步，在步骤一中，通过物理实验、有限元仿真分别获取自冲孔铆接过程的若干特征输出变量的值。
[0019]进一步，在步骤二中，对比研究对象的物理实验的特征输出和仿真模型的特征输出的变量值之间的误差，根据该误差判断是否满足精度要求；
[0020]进一步，特征输出是单点值、是时间序列曲线或者频率曲线；当特征输出为单点值时，仿真模型相对于物理实验的误差通过相对误差来度量；当特征输出为时间序列曲线或频率曲线时，仿真模型相对于物理实验的误差通过R方来度量。
[0021]进一步，在步骤三中，对于需要进行参数校核的仿真模型，确定在仿真建模过程中潜在的不确定性参数，并确定这些不确定性参数的取值范围；自冲孔铆接过程的仿真模型的不确定性参数包括铝合金板材料应力应变曲线缩放因子L1fo、铆钉材料应力应变曲线缩放因子 rivsfo、压边力Clampf、压边圈与上板之间摩擦因子fsb、下板与凹模之间摩擦因子fsd、铆钉与板之间摩擦因子fsr、上下板之间摩擦因子fss。
[0022]进一步，在步骤四中，根据步骤三中所确定的不确定性参数及其取值范围，基于最优拉丁超立方采样方法生成训练样本；采用随机采样方法生成测试样本；由训练样本和测
试样本组成输入样本；并将测试样本输入仿真模型获取测试样本的特征输出。
[0023]进一步，在步骤五中，根据步骤四中所获取的数据，训练和验证各个特征输出变量对应的机器学习模型，采用决定系数R2来定量评估模型预测精度，如果机器模型精度不达标通过增加训练样本直到精度达标。
[0024]进一步，在步骤六中，基于Sobol灵敏度分析技术，在高精度机器学习模型的辅助下分析仿真模型参数对各个特征输出变量的影响的显著性，后续步骤中去掉对对各个特征输出变量的影响不显著的模型参数。
[0025]进一步，在步骤七中，以对仿真模型特征输出变量具有显著性影响的模型参数为变量，建立面向仿真模型校核的数学优化问题，该优化问题根据校核的需要确定为单目标/多目标的无约束/约束优化问题。
[0026本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一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，其特征在于，包括以下步骤：步骤一：对自冲孔铆接结构进行物理实验并建立该结构的仿真模型；步骤二：对比物理实验和仿真模型的输出；获得物理实验与仿真模型之间各个特征输出之间的绝对误差；基于特征输出之间的绝对误差，判断仿真模型精度是否满足要求；步骤三：当精度不满足要求时，确定自冲孔铆接过程仿真模型的不确定性参数及该参数的取值范围；步骤四：基于步骤三中的不确定性参数及该参数的取值范围，生成输入样本并运行仿真模型获取输入样本的特征输出；步骤五：利用步骤四中获得的输入样本及输入样本对应的特征输出训练机器学习模型，用以近似仿真模型；并判断训练后的机器学习模型精度；步骤六：基于Sobol灵敏度分析获取对仿真输出具有显著影响的参数；步骤七：以具有显著影响的参数为变量，确定仿真模型校核的数学优化问题；步骤八：在只考虑具有显著影响的参数情况下，通过实验设计生成输入样本并运行仿真获取样本输出；步骤九：基于步骤八中所得到的数据训练机器学习模型用以近似仿真模型。步骤十：基于遗传算法和机器学习模型求解步骤七所确立的优化问题；步骤十一：对仿真模型参数进行更新。2.根据权利要求1所述的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，其特征在于，在步骤一中，通过物理实验、有限元仿真分别获取自冲孔铆接过程的若干特征输出变量的值。3.根据权利要求1所述的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，其特征在于，在步骤二中，对比研究对象的物理实验的特征输出和仿真模型的特征输出的变量值之间的误差，根据该误差判断是否满足精度要求。4.根据权利要求1、2或3所述的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，其特征在于，特征输出是单点值、是时间序列曲线或者频率曲线；当特征输出为单点值时，仿真模型相对于物理实验的误差通过相对误差来度量；当特征输出为时间序列曲线或频率曲线时，仿真模型相对于物理实验的误差通过R方来度量。5.根据权利要求1所述的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，其特征在于，在步骤三中，对于需要进行参数校核的仿真模型，确定在仿真建模过程中潜在的不确定性参数，并确定这些不确定性参数的取值范围；自冲孔铆接过程的仿真模型的不确定性参数包括铝合金板材料应力应变曲线缩放因子L1fo、铆钉材料应力应变曲线缩放因子rivsfo、压边力Clampf、压边圈与上板之间摩擦因子fsb、下板...

【专利技术属性】
技术研发人员：方宇东，黄理，赵海龙，詹振飞，陈秋任，包祖国，黄诗尧，韩维建，
申请(专利权)人：集萃新材料研发有限公司，
类型：发明
国别省市：