一种大壁板铆接变形预测与优化方法技术

本发明专利技术涉及一种大壁板铆接变形预测与优化方法。通过多种传感器感知铆接过程中的压力、声音、振动等多模态信号，预测单个铆钉铆接后铆钉周围壁板的应力分布情况；利用该应力分布预测结果，在建立的壁板有限元分析模型上依次加载单个铆定铆接产生的局部变形场，实现壁板的整体变形预测；基于有限元分析方法得到的整体预测结果，优化后续铆接顺序使得壁板铆接后的变形最小。本发明专利技术提供了一种壁板钻铆变形预测与优化方法，可以降低壁板铆接变形，具有广阔的工程应用前景。广阔的工程应用前景。广阔的工程应用前景。

【技术实现步骤摘要】
一种大壁板铆接变形预测与优化方法


[0001]本专利技术涉及壁板装配变形预测及优化领域，具体是一种利用传感器信息与神经网络实时反馈和预测铆接壁板变形情况，并利用优化算法得到最优铆接顺序的优化控制方法。

技术介绍

[0002]现阶段大壁板铆接越来越多的应用于飞机装配、箱体生产等产品的制造过程之中，是决定产品质量的重要环节。特别是对于飞机蒙皮的装配而言，大壁板的变形还决定了飞机行驶的安全，因此如何提高蒙皮的外形装配精度对保证飞行性能具有非常重要作用。
[0003]然而壁板零件由于其刚度小、易变形，极易在铆接过程中产生装配变形，并随着装配过程的进行而不断传递，最终影响了产品的尺寸完整性和气动化力学性能。随着新型飞机对装配准确度要求的提高，飞机外形尺寸的精确控制是其中研究中研究重要内容。因此，在壁板铆接装配前开展变形预测，并采取措施控制变形量在尺寸容差之内，具有重要的意义。
[0004]目前现有的铆接变形预测方法主要是通过动力学有限元对铆接过程进行离线仿真。已有的与大壁板铆接变形预测方法相关的专利有：王仲奇等专利技术的壁板铆接扭翘变形预测方法，康永刚等专利技术的基于子结构的大壁板连续铆接变形预测方法，两者都是直接利用有限元方法进行分析，属于离线优化，不能根据钻铆过程中的壁板的实际形变情况，对实际的铆接加工做实时的指导。本专利技术针对这些问题提出了一种可以根据实际钻铆形变在线优化大壁板铆接顺序以减小壁板整体变形的方法。通过采集实际铆接过程中的多模态传感器信号，预测当前铆钉周围的形变情况，然后利用有限元分析预测后续钻铆过程中壁板的变形情况，采用优化算法优化钻铆顺序，使得钻铆后的大壁板的变形最小。

技术实现思路

[0005]为解决现有的壁板变形预测与优化中，不能根据壁板的实际形变特性实时在线地调整铆接顺序实现壁板整体形变优化的问题，本专利技术提出一种大壁板铆接变形预测与优化方法。该方法通过多种不同模态的传感器实时采集铆接过程中的监测数据，使用神经网络训练模型预测单个铆钉铆接壁板的变形，在此基础上结合有限元方法进行大壁板整体变形预测，并提出了使用优化算法优化大壁板多铆钉铆接顺序，以实现最大限度地减少铆接壁板整体变形的目标，提高铆接体的尺寸精度。
[0006]本专利技术所采用的技术方案是一种大壁板铆接变形预测与优化方法，其步骤如下：
[0007]1)通过多种传感器感知铆接过程中的压力、声音、振动等多模态信号，训练基于神经网络的预测模型。基于训练得到的预测模型，在钻铆过程中采集多种传感器的信号实时预测每个铆钉铆接后，铆钉周围壁板的应力应变分布情况；
[0008]其神经网络模型可采用BP神经网络，BP神经网络预测模型其输入包括铆接过程中的一些测量参数：实际铆接过程中的夹紧力、压力信息、声音信息和振动信息等，输出是单
个铆钉铆接后周围壁板的应力应变情况。
[0009]其中，由于单个铆钉铆接时，其所产生的变形范围有限，壁板的变形情况可以通过在以铆接处为圆心，半径为5倍铆钉直径的范围内布置测点获得。铆钉铆接的变形可认为是中心对称，在测量范围的任意一条半径上布置测点进行形变检测。
[0010]BP神经网络预测模型的训练包括以下流程：
[0011]第一步，进行网络初始化。初始化网络的连接权值ω
ij
、ω
jk
、隐含层阈值d、输出层阈值g，并且给定网络的学习速率和用到的神经元激励函数类型。设定误差函数E，给定计算精度值τ以及最大学习次数maxiter。
[0012]第二步，通过输入变量Z，网络中的连接权值ω
ij
以及网络隐含层阈值d，得到隐含层输出H表达式。根据隐含层输出H，连接权值ω
jk
和阈值g，计算网络的输出层。
[0013][0014]其中，l表示网络隐含层节点数，f表示隐含层的激励函数。网络输出的表达式为：
[0015][0016]第三步，通过网络预测输出O和期望输出即真实值Y＝(y1,y2,
…
,y
M
)之间MSE来计算预测误差E，并根据预测误差E更新网络连接权值ω
ij
、ω
jk
。
[0017][0018][0019]ω
jk
＝ω
jk
+ηH
j
E
k
,j＝1,2,
…
,l；k＝1,2,
…
,M
[0020]第四步，更新网络节点阈值d、g，表达式为
[0021][0022]g
k
＝g
k
+E
k
,k＝1,2,
…
,M.
[0023]最后，根据给定计算精度值τ或者最大学习次数maxiter，判断算法是否达到终止条件，输出训练模型。
[0024]2)根据每一个铆钉的应力分布预测结果，利用“局部
‑
整体”的映射方法在建立的壁板有限元分析模型上依次加载单个铆定铆接产生的局部变形场，实现壁板的整体变形预测；
[0025]其具体的流程如下：
[0026]第一步，建立壁板的有限元仿真模型，设置壁板材料属性，加载边界条件。
[0027]忽略模型中倒角、槽和耳片等对整体刚度影响较小的结构；基于等效刚度方法，将加强凸台等能够有效提高壁板的抗剪稳定性的加强筋结构，等效为一张正交各向异性的均匀薄板。在依靠卡板定位的壁板的理论接触面上均匀地选择一些定位点，约束壁板在该点处沿方向的自由度；限制壁板两个端面处的位移和转动，以模拟拉紧带的约束。
[0028]第二步，进行单个铆钉铆接时，使用传感器测量铆接过程中的夹紧力、压力信息、声音信息和振动信息等，预测得到单次铆接铆钉周围壁板的应力应变情况，以此确定单钉铆接局部变形场。
[0029]第三步，进行多铆钉铆接壁板变形预测。
[0030]将第二步单钉铆接得到的局部变形场的应力应变作为加载条件，加载到第一步中的有限元仿真模型中进行仿真计算，获得前一个铆钉铆接后壁板的变形仿真结果；重复该步骤，再次进行单钉铆接局部变形场的加载仿真计算，得到后一个铆钉铆接后壁板的变形仿真结果。后一个铆钉孔周围单元的局部变形场加载是在基于前一个铆钉局部变形场加载的仿真结果上进行的。按照铆接顺序，依次完成铆钉孔周围局部变形场的加载，直到加载完毕，得到壁板整体的变形仿真结果。
[0031]3)基于已铆接后的壁板整体形变预测结果，利用优化算法，优化铆接顺序，使得铆接后的壁板整体变形最小；
[0032]其优化算法可采用粒子群优化算法，算法的运行过程模拟的是一群鸟寻找食物的过程，这些鸟通过不断变化自己的飞行速度与所处位置完成觅食活动，最后找到食物，就是问题的最优解。这里的每一只鸟便可以看作是在可行解空间中的一个粒子，每一个粒子都代表着优化问题的一个潜在最优解，通过位置、速度、适应度值三项指标来表示粒子的特征。
[0033]粒子群算法优化铆接顺序方法的具体流程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大壁板铆接变形预测与优化方法，其特征在于，该方法包括以下步骤：步骤1，通过多种传感器感知铆接过程中的压力、声音、振动等多模态信号，训练基于神经网络的预测模型；基于训练得到的预测模型，在钻铆过程中采集多种传感器的信号实时预测每个铆钉铆接后，铆钉周围壁板的应力应变分布情况；步骤2，根据每一个铆钉的应力分布预测结果，利用“局部
‑
整体”的映射方法，在建立的壁板有限元分析模型上依次加载单个铆定铆接产生的局部变形场，实现壁板的整体变形预测；步骤3，基于已铆接后的壁板整体形变预测结果，利用优化算法优化后续铆钉的铆接顺序，使得铆接后的壁板整体变形最小；步骤4，根据优化算法得到的铆接顺序进行铆接，在铆接过程中重复上述根据传感器预测壁板形变，随后优化铆接顺序的步骤；对铆接过程进行在线优化，并根据优化结果进行下一步铆接；反复迭代上述过程直至全部铆接结束。2.如权利要求1所述的一种大壁板铆接变形预测与优化方法，其特征在于步骤1所述的神经网络预测模型可以采用BP神经网络模型，输入铆接过程中的测量参数，包括：实际铆接过程中的夹紧力、压力信息、声音信息和振动信息等，输出是单个铆钉铆接后周围壁板的应力应变情况。其中，由于单个铆钉铆接时，其所产生的变形范围有限，壁板的变形情况可以通过在以铆接处为圆心，半径为5倍铆钉直径的范围内布置测点获得。铆钉铆接的变形可认为是中心对称，在测量范围的任意一条半径上布置测点进行形变检测。3.如权利要求1所述的一种大壁板铆接变形预测与优化方法，其特征在于步骤1所述BP神经网络预测模型的构建流程如下：第一步，进行网络初始化。初始化网络的连接权值ω
ij
、ω
jk
、隐含层阈值d、输出层阈值g，并且给定网络的学习速率和用到的神经元激励函数类型；设定误差函数E，给定计算精度值τ以及最大学习次数maxiter；第二步，通过输入变量Z，网络中的连接权值ω
ij
以及网络隐含层阈值d，得到隐含层输出H表达式；根据隐含层输出H，连接权值ω
jk
和阈值g，计算网络的输出层；其中，l表示网络隐含层节点数，f表示隐含层的激励函数；网络输出的表达式为：第三步，通过网络预测输出O和期望输出即真实值Y＝(y1,y2,
…
,y
M
)之间的均方误差(MSE)来计算预测误差E，并根据预测误差E更新网络连接权值ω
ij
、ω
jk
；；
ω
jk
＝ω
jk
+ηH
j
E
k
,j＝1,2,
…
,l；k＝1,2,
…
,M第四步，更新网络节点阈值d、g，表达式为：g
k
＝g
k
+E
k
,k＝1,2,
…
,M.最后，根据给定计算精度值τ或者最大学习次数maxiter，判断算法是否达到终止条件，输出训练模型。4.根据权利要求1所述一种大壁板铆接变形预测与优化方法，其特征在于步骤2所述的“局部
‑

【专利技术属性】
技术研发人员：汤卿，王丽霞，裘方舟，李成，
申请(专利权)人：四川大学，
类型：发明
国别省市：