一种基于数字孪生的薄壁件应力-应变实时预测方法技术

本发明专利技术请求保护一种基于数字孪生的薄壁件应力

【技术实现步骤摘要】
一种基于数字孪生的薄壁件应力
‑
应变实时预测方法


[0001]本专利技术属于薄壁件应力
‑
应变预测
，特别涉及一种数字孪生技术驱动的薄壁件应力
‑
应变实时预测方法。

技术介绍

[0002]新一代阵列天线上电路板表面元器件集成度高，紧密度高，对其安装过程的把控极其重要。但是，其可用于实时测量设备的安装位置几乎没有，导致其在实际使用中无法实时测量和监控其应力
‑
应变状态。而且使用传统测量方法对基板进行实时应变测量，要么需要直接接触基板，且部分测量方式还会损坏基板；要么造价太贵，且需要较大的安装空间，都不适合应用于阵列天线功能子板基板安装过程，且不能很好的满足实时性要求。
[0003]鉴于功能子板造价昂贵，测量应变过程繁琐，实际实验需要耗费大量的人力、物力、财力，所以目前针对其安装过程的实时监控和控制手段的研究困难重重。
[0004]有限元法的形成和快速的发展，使其成为了一种可以解决不规则边界、复杂形状、材质非线性等问题，且方便高效、高精度的数值分析法。BP(Back Propagation)神经网络作为人工神经网络(ANN)中比较有代表性的一种算法理论上能够拟合任意公式。配合数字孪生技术能够远程对安装过程进行监控和控制，可以即时的、有效的、精确的把控安装过程。
[0005]而本专利技术基于BP神经网络技术构建代理模型，通过薄壁件安装现场部署的传感器实时测得的螺钉预紧力数据，能够实现远程端在数秒内完成薄壁件表面的应力/>‑
应变预测、反馈控制现场并实现云图可视化。

技术实现思路

[0006]本专利技术旨在解决以上现有技术的问题，构思为：
[0007]1、前期利用有限元技术解决功能子板造价昂贵、测量应变过程繁琐、实际实验需要耗费大量的人力、物力、财力的问题，得到数据集。
[0008]2、利用代理模型技术，解决应力
‑
应变预测即时性问题。
[0009]3、建立数字孪生系统，实现安装过程的远程监控和控制决策。
[0010]4、在实际使用过程中收集数据，继续不断训练已部署的模型，使其不断逼近实际工况。
[0011]本专利技术的技术方案如下：
[0012]提出一种基于数字孪生的薄壁件应力
‑
应变实时预测方法，其包括以下步骤：
[0013]步骤1，建立薄壁件安装过程有限元模型进行有限元仿真，得到有限元仿真数据，包括所有螺钉的预紧力及其对应的面应力
‑
应变数据。
[0014]步骤2，建立BP神经网络，将有限元数据按坐标进行重排并分为训练集、验证集、测试集，传入BP神经网络进行网络训练，得到针对薄壁件应力
‑
应变预测的代理模型：
[0015]步骤2.1：建立BP神经网络实现代理模型输入到输出的预测，该BP神经网络基于TensorFlow框架，输入层为一维向量[F1,F2,F3,F4,E]，输出层为一维向量[ε1,ε2,
…
]；模
型中间包含7层隐藏层，能够实现以少量的输入特征预测大量的结点输出；
[0016]步骤2.2:代理模型选用螺钉预紧力作为输入，薄壁件表面的应力
‑
应变作为输出，以步骤1中的数据集对神经网络进行训练，直到满足误差要求，得到一个能以螺钉预紧力为输入，以薄壁件表面应力
‑
应变为输出的实时预测代理模型。
[0017]步骤3，在产线现场部署客服端，实现传感器数据收集和安装过程控制，在服务端部署薄壁件应力
‑
应变实时预测的代理模型并实现可视化，建立薄壁件安装过程的应力
‑
应变数字孪生模型：
[0018]步骤3.1：基于C/S架构，在生产现场部署客服端，在远程部署服务端，中间基于TCP/IP协议进行数据交换；
[0019]步骤3.2：在产线现场部署传感器，负责测量实际安装过程中的预紧力、应力
‑
应变，通过Modbus控制总线与客服端连接，在客服端实现传感器数据收集和安装过程控制并传输给远程服务端；
[0020]步骤3.3：将步骤2中建立好的薄壁件应力
‑
应变实时预测代理模型封装进服务端，根据现场客服端传输过来的数据进行预测和决策，并基于unity实现可视化，建立薄壁件安装过程的应力
‑
应变数字孪生模型。
[0021]步骤4，实际部署后，根据实际安装过程中传感器收集到的数据对现有代理模型进行优化：基于步骤3搭建好的数字孪生系统，通过实际安装过程中收集到的数据对薄壁件应力
‑
应变实时预测代理模型进行优化训练，使其不断地逼近实际工况。
[0022]本专利技术的优点及有益效果如下：
[0023]本专利技术公开了一种基于数字孪生的薄壁件应力
‑
应变实时预测方法，用以解决类似新一代阵列天线功能子板的薄壁件，表面元器件集成度高，紧密度高，使用传统测量方法难以对其应力
‑
应变状态进行实时测量和监控的问题。
[0024]本专利技术的创新在于专利要求1，针对造价昂贵，测量应变过程繁琐的薄壁件，实际实验需要耗费大量的人力，物力，财力，所以选择有限元仿真技术来获取数据集；根据专利要求2，利用代理模型技术，对BP神经网络进行训练，得到能以几个预紧力特征预测几万个结点应力
‑
应变状态的“以少测多”代理模型，能即时的对安装过程中的应力
‑
应变状态进行预测；根据专利要求3，建立数字孪生系统，实现了安装过程的远程监控和控制决策，能即时的掌控薄壁件安装过程的应力
‑
应变状态；根据专利要求4，部署该系统完毕后，后期可以继续根据安装过程实际收集到的数据对模型进行训练，使代理模型不断逼近实际工况下的物理模型。
[0025]相较于传统测量方法，该方法能够“即时”、“准确”的实现“远程”预测薄壁件整个表面的应力
‑
应变状态并实现反馈控制。
附图说明
[0026]图1是本专利技术整个预测方法的整体架构；
[0027]图2是本专利技术代理模型训练流程图；
[0028]图3是本专利技术所建立BP神经网络结构；
[0029]图4是本专利技术所建立的应力
‑
应变预测模型的误差测试曲线；
[0030]图5是本专利技术应力
‑
应变数据云图可视化效果；
[0031]图6是本专利技术提供优选实施例薄壁件整体示意图；
具体实施方式
[0032]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本专利技术的一部分实施例。
[0033]本专利技术解决上述技术问题的技术方案是：
[0034]一种基于数字孪生的薄壁件应力
‑
应变实时预测方法。包括以下步骤：
[0035]步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的薄壁件应力
‑
应变实时预测方法，其特征在于，包括以下步骤：步骤1，建立薄壁件安装过程有限元模型进行有限元仿真，得到有限元仿真数据；步骤2，建立BP神经网络，将有限元数据按坐标进行重排并分为训练集、验证集、测试集，传入BP神经网络进行网络训练，得到针对薄壁件应力
‑
应变预测的代理模型；步骤3，在产线现场部署客服端，实现传感器数据收集和安装过程控制，在服务端部署薄壁件应力
‑
应变实时预测的代理模型并实现可视化，建立薄壁件安装过程的应力
‑
应变数字孪生模型；步骤4，实际部署后，根据实际安装过程中传感器收集到的数据对现有代理模型进行优化，使其不断逼近实际工况。2.根据权利要求1所述的基于数字孪生的薄壁件应力
‑
应变实时预测方法，其特征在于，所述步骤1中，前期利用方便高效、高精度的有限元技术来替代需要耗费大量的人力，物力，财力的实际实验，包括建立薄壁件安装过程的有限元模型(定义薄壁件的几何结构、接触配合关系、材料属性，进行网格划分，设定边界条件(预紧力大小、地球引力))，然后进行有限元计算，以获取其仿真数据作为后续的数据集。3.根据权利要求2所述的基于数字孪生的薄壁件应力
‑
应变实时预测方法，其特征在于，所述步骤2中：步骤2.1：建立BP神经网络实现代理模型输入到输出的预测，该BP神经网络基于TensorFlow框架，输入层为一维向量[F1,F2,F3,F4,E]，输出层为一维...

【专利技术属性】
技术研发人员：曹鑫，王月，王鹏，翟宸，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：