一种基于有限元仿真和RNN神经网络的贮箱内撑夹具装调质量预测方法技术

一种基于有限元仿真和RNN神经网络的贮箱内撑夹具装调质量预测方法，其特征在于包括以下步骤：步骤1：构建贮箱筒段和内撑夹具的三维模型，并对其装调过程进行有限元分析；步骤2：构建装调质量参数数据集；对数据进行初筛和归一化；步骤3：使用训练集构建机器学习预测模型；步骤4：采用测试集测试验证机器学习预测模型的精度并以评价指标进行评价。本发明专利技术可以减少工人劳动量，显著缩减生产周期，提高生产效率。率。率。

【技术实现步骤摘要】
一种基于有限元仿真和RNN神经网络的贮箱内撑夹具装调质量预测方法


[0001]本专利技术涉及一种夹具装调质量的预测方法，尤其是一种用有限元和RNN神经网络进行预测的技术，具体来说是一种基于有限元仿真和RNN神经网络的贮箱内撑夹具装调质量预测方法。

技术介绍

[0002]随着焊接技术的发展，搅拌摩擦焊技术应运而生，搅拌摩擦焊技术广泛用于航空航天，轨道交通等领域。比如火箭燃料贮箱环缝焊接。火箭贮箱多采用铝镁合金，铝锂合金材料，贮箱结构的体积大，重量大，弱刚性，加工过程中易变形，加工难度大。所以在焊接加工过程中需要内撑夹具保证其焊接质量。目前在火箭燃料贮箱内撑夹具的装调过程中，由于内撑夹具结构复杂，完全依赖于人工装调，经验试错的方法，效率低，人工劳动量大，这也拉长了火箭燃料贮箱的生产周期。如何加快装调速度，提高装调效率，是火箭贮箱制造的一大难题。
[0003]在火箭燃料贮箱进行搅拌摩擦焊焊接过程中，由于搅拌摩擦焊的搅拌头会产生很大的下压力，所以内部采用内撑夹具支撑。内撑夹具一般为十六个伸缩杆和每个伸缩杆上的弧形压板组成，为了保证加工质量，装调夹具时要调节到圆度，错边量和贴胎度能达到合格要求。
[0004]目前装调工作人员均采用试错方法，依次调节每个杆的伸缩量，然后测量其圆度，错边量和贴胎度。该方法存在装调效率低，工作负荷大，装调质量不稳定的问题。为了实现燃料贮箱内撑夹具的自动化装调，急需解决贮箱内撑夹具装调质量的预测难题。

技术实现思路

[0005]本专利技术的目的是针对现有的贮箱内撑夹具装调过程工作量大，周期长的问题，提出了一种基于有限元仿真和RNN神经网络的贮箱内撑夹具装调质量预测方法，该方法能够有效的进行夹具装调质量的预测。
[0006]本专利技术的技术方案是：
[0007]一种基于有限元仿真和RNN神经网络的贮箱内撑夹具装调质量预测方法，通过对贮箱内撑夹具的装调过程的进行有限元刚柔耦合动力学仿真获得装调后的质量参数。将仿真获得的数据进行初筛和归一化，将数据划分为训练集，测试集和交叉验证集；采用训练集构建RNN神经网络预测模型，采用交叉验证评估RNN神经网络预测模型的泛化能力；采用测试集测试RNN神经网络预测模型的精度并进行指标评价，具体步骤如下：
[0008]步骤1：使用SOLIDWORKS构建燃料贮箱环缝在搅拌摩擦焊接时的内撑夹具模型，以及构建贮箱筒段简化模型。
[0009]步骤2：使用有限元仿真软件ABAQUS导入模型，赋予工件及夹具材料属性并进行网格划分，在划分网格时对接触区域部分进行网格细化，以保证仿真结果的精度。
[0010]步骤3：利用有限元仿真进行刚柔耦合隐式动力学分析，仿真贮箱内撑夹具装调时圆筒段的变形情况。内撑夹具设置为刚体模型，圆筒段设置为柔性模型。调节参数为内撑夹具的16杆的16个伸缩量，得到仿真后的工件形状，提取特征后计算其装调质量参数：圆度，贴胎度，错边量以及最大值对应位置，构建装调质量参数数据集。
[0011]步骤4：对数据进行初筛和归一化，将数据集内数据按比例8：1：1划分为训练集，交叉验证集和测试集；
[0012]步骤5：采用训练集构建机器学习预测模型，未焊接筒段的初始形状参数以及内撑夹具的16个伸缩量作为输入参数，通过RNN神经网络机器学习预测模型计算装调后的环缝圆度，贴胎度，错边量以及各质量指标最大值对应的位置，以评价指标评价RNN神经网络预测模型的精度，采用交叉验证评估RNN神经网络预测模型的泛化能力；
[0013]步骤6：.采用测试集测试验证机器学习预测模型的精度并以评价指标进行评价，当精度达标时则输出RNN神经网络预测模型，当精度不达标时则重复步骤5直至精度达标。精度达标后输出RNN神经网络预测模型，即为贮箱内撑夹具装调质量预测模型。
[0014]所述的贮箱内撑夹具的有限元分析方法包括以下步骤：
[0015]步骤1，前处理关键部分：使用模型的简化方法，由于贮箱筒段属于薄壁圆件，焊接过程中厚度基本不变，所以能用一群延径向距离不等的离散点依次连接，形成多边形，代替圆形筒段，将三维仿真简化为二维仿真；
[0016]步骤2，有限元分析，边界条件设定时，将向外凸起点设置为固定约束；设置内撑夹具刚接触筒段时伸缩量为零；对调节伸缩量压紧工件过程进行动力学隐式分析，两相邻筒段同时被压紧；
[0017]步骤3，后处理阶段，输出量均与位移相关，设置输出位移场即可，从输出位移场中计算圆度，错边量，贴胎度以及最大值对应位置；提取相邻两筒段截面位移变化情况，取圆度为两截面形状中圆度最大的一个；提取两截面对应位置上两离散点之间的距离的最大值作为错边量；提取两截面上各离散点到内撑夹具压板距离的最大值作为贴胎度；同时获取各最大值对应离散点位置。
[0018]所述的数据集由以下参数组成：内撑夹具有16个伸缩杆，未焊接的筒段有初始状态6个参数：圆度、粗糙度、错边量以及相应最大值对应位置，共22个输入参数，通过改变16个伸缩杆的伸缩量的调节得到装调后的圆度、粗糙度、错边量以及相应最大值对应的、用于反映需要调节位置的离散点序号，共6个输出参数。
[0019]所述的使用训练集构建机器学习预测模型时机器学习方法选择RNN神经网络；16个伸缩杆的伸缩量两两之间互相影响，错边量，贴胎度越小，圆度必然越小，输入参数之间有相互影响关系，RNN符合这一特征；输入层为16+6，输出层为6，隐层设置为5；同时为了改善RNN梯度小时问题，采用GEU单元，改变RNN隐藏层，使其能够更好的捕捉深层的连接。
[0020]本专利技术的有益效果是：
[0021]本专利技术打破了传统的人工调试方法，减少工人劳动量，减少成本，显著缩减生产周期，提高生产效率。本专利技术结合了有限元以及机器学习中神经网络的先进技术，使夹具装调过程逐渐智能化。利用这一方法，可以解决类似问题，航空航天领域需要大量复杂夹具，均可以采用此方法实现夹具的装调，该方法不仅局限于燃料贮箱内撑夹具装调，也可以应用到其他复杂夹具装调。
附图说明
[0022]图1为本专利技术实施例的火箭燃料贮箱筒段结构示意图。
[0023]图2为本专利技术实施例的火箭燃料贮箱内撑夹具简图。
[0024]图3为本专利技术的预测方法流程图。
[0025]图4是本专利技术的RNN神经网络结构图。
具体实施方式
[0026]下面结合附图和实施例对本专利技术作进一步的说明。
[0027]如图1
‑
4所示。
[0028]本专利技术的总体思路是利用有限元仿真构建夹具装调质量数据集，对数据集中的数据预处理之后，通过数据归一化处理后按照一定的比例划分为训练集，交叉验证集，测试集，采用RNN神经网络机器学习的方法构建贮箱内撑夹具装调质量预测模型，通过交叉验证的方法评估模型的泛化能力，防止过拟合，再用测试集来测试模型的可靠性，采用相关性系数R，平均绝对误差MAE，相对误差RAE等数值指标来评估模型的精度，最终得到最佳的预测模型。该预测模型可以针对搅拌摩擦焊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于有限元仿真和RNN神经网络的贮箱内撑夹具装调质量预测方法，其特征在于包括以下步骤：步骤1：构建贮箱筒段和内撑夹具的三维模型，并对其装调过程进行有限元分析，得到内撑夹具不同伸缩量条件下仿真后的筒段工件形状，提取特征后计算其装调质量参数:圆度，贴胎度，错边量；步骤2：构建装调质量参数数据集；对数据进行初筛和归一化，将数据集内数据按比例8：1：1划分为训练集，交叉验证集和测试集；步骤3：使用训练集构建机器学习预测模型，未焊接筒段的初始形状参数以及内撑夹具的16个伸缩量作为输入参数，通过RNN神经网络预测模型计算装调后的环缝圆度，贴胎度，错边量以及各质量指标最大值对应的位置，以评价指标评价RNN神经网络预测模型的精度，采用交叉验证评估RNN神经网络预测模型的泛化能力；步骤4：.采用测试集测试验证机器学习预测模型的精度并以评价指标进行评价，当精度达标时则输出RNN神经网络预测模型，当精度不达标时则重复步骤3直至精度达标；精度达标后输出RNN神经网络预测模型，即为贮箱内撑夹具装调质量预测模型。2.根据权利要求1所述的方法，其特征在于所述的贮箱内撑夹具的有限元分析方法包括以下步骤：步骤1，前处理关键部分：使用模型的简化方法，由于贮箱筒段属于薄壁圆件，焊接过程中厚度基本不变，所以能用一群延径向距离不等的离散点依次连接，形成多边形，代替圆形筒段，将三维仿真简化为二维仿真；步骤2，有限...

【专利技术属性】
技术研发人员：舒磊，孙硕，张丹，葛旺，周潜，毕博，罗煦飞，马仁智，罗宇，王淼，赵欣，杨闻韬，李潇涵，赵天予，徐锋，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：