有限元分析软件与神经网络相结合的装配结果失效预测方法和装置

1.本发明涉及复杂产品装配技术领域，特别涉及一种有限元分析软件abaqus与bp神经网络相结合的装配结果失效预测方法和装置。


背景技术：

2.装配是制造过程中形成产品的末端环节，是根据相应技术的要求，将一组零散的零件通过合理的工艺流程及各种必要的方式组合起来，使之成为产品的过程。装配质量是影响产品性能及成本的重要因素。实现复杂产品装配过程的科学管理与监控可显著提高其产品的生产效率和装配质量。
3.实际装配中装配质量的好坏将直接导致产品性能的差异，装配质量设计不仅局限于公差设计，而更应扩展到装配工艺设计中，而作为装配工艺核心的装配序列，其合理的设计有助于提高装配质量，但在装配序列规划时，难以直观观测出装配过程对构件的应力是否超过许用应力，及施加载荷后的微小位移对产品装配质量的影响。
4.目前大多数的装配质量是通过对影响产品质量特性的设备工具、计量器具等作出相应规定来保障。但是经验丰富的工程师也无法保证每一次装配都能符合产品的装配质量。因此如何保障装配质量成为亟待解决的问题。


技术实现要素：

5.本发明提供了一种有限元分析软件与神经网络相结合的装配结果失效预测方法和装置，以解决现有技术中存在的装配质量无法保障的问题。
6.为解决上述技术问题，本发明提供如下技术方案：
7.本技术实施例提供了一种有限元分析软件与神经网络相结合的装配结果失效预测方法，其中该方法包括：
8.确定装配模型的受载形式，对装配模型的应力影响因素进行降维确定各目标载荷，并对各所述目标载荷进行偏差处理；
9.将偏差处理后的预加载荷分别进行有限元仿真计算，并提取产品关键位置的应力位移数据；
10.通过位移云图判断所述应力位移数据中的最大位移是否超过允许公差，若否，则将所述应力位移数据作为样本数据；
11.对所述样本数据进行预处理，生成训练样本，其中，所述预处理包括：去除噪声、填充缺失数据以及添加对应目标载荷的值中的至少之一；
12.依据所述训练样本对构建的神经网络模型进行训练，得到目标模型；
13.将监测到的载荷输入所述目标模型，得到应力预测结果。
14.可选地，所述确定装配模型的受载形式，对装配模型的应力影响因素进行降维确定各目标载荷，并对各所述目标载荷进行偏差处理的步骤，包括：
15.确定装配模型的受载形式，确定装配模型的应力影响因素，其中，所述应力影响因素包括：静载荷、动载荷；
16.对应力影响因素进行降维处理，确定待进行偏差处理的目标载荷；
17.依据实际载荷的波动误差值和偏差控制数学公式，对各所述目标载荷进行偏差处理，得到偏差处理后的预加载荷。
18.可选地，所述偏差控制数学公式如下：
[0019][0020]
其中，δi为单次设置的预加载荷值与理想值之差，n为设置的不同载荷个数。
[0021]
可选地，所述有限元仿真计算过程中对载荷的修改包括两种模式：
[0022]
采用有限元仿真软件abaqus手动输入以修改载荷；
[0023]
使用程序语言在abaqus的rpy文件中自动修改载荷。
[0024]
可选地，所述依据所述训练样本对构建的神经网络模型进行训练，得到目标模型的步骤，包括：
[0025]
构建的神经网络模型；
[0026]
将所述训练样本划分为训练样本集和测试样本集；
[0027]
将所述训练样本集中的各训练样本中主要载荷作为输入数据，输入所述神经网络算法中，仿真得到的应力/应变作为输出数据；
[0028]
通过预设算法优化对所述神经网络模型训练过程中的训练次数、学习率、隐藏层单元数，得到目标模型，其中，所述预设算法包括以下至少之一：遗传算法、粒子群算法、二分法。
[0029]
可选地，所述神经网络模型为三层bp神经网络模型，所述三层bp神经网络模型的计算原理如下：
[0030]
初步计算出预设权重和偏置所带来的误差损失；
[0031]
将所述误差损失传给每层网络，然后根据误差调整权重参数。
[0032]
使用梯度下降进行参数的学习对每层网络的所述预设权重、偏置求偏导，反向输入给前一网络层各单元节点。
[0033]
可选地，所述通过预设算法优化对所述神经网络模型训练过程中的训练次数、学习率、隐藏层单元数，得到目标模型的步骤，包括：
[0034]
利用无人工干预的所述遗传算法和所述粒子群算法对学习率和训练次数的模型寻优，以在全局范围内搜索得到训练所需的最优权值和阈值；
[0035]
将所述最优权值和阈值输回所述bp神经网络模型中进行局部搜索，得到误差更小的预测值。
[0036]
可选地，所述将监测到的载荷输入所述目标模型，得到应力预测结果的步骤，包括：
[0037]
对装配过程中产生的载荷进行监测；
[0038]
将检测到的载荷输入目标模型，预测得到各位置应力位移值。
[0039]
本技术实施例还提供了一种有限元分析软件与神经网络相结合的装配结果失效
预测装置，其中，该装置包括：
[0040]
确定模块，用于确定装配模型的受载形式，对装配模型的应力影响因素进行降维确定各目标载荷，并对各所述目标载荷进行偏差处理；
[0041]
提取模块，用于将偏差处理后的预加载荷分别进行有限元仿真计算，并提取产品关键位置的应力位移数据；
[0042]
判断模块，用于通过位移云图判断所述应力位移数据中的最大位移是否超过允许公差，若否，则将所述应力位移数据作为样本数据；
[0043]
预处理模块，用于对所述样本数据进行预处理，生成训练样本，其中，所述预处理包括：去除噪声、填充缺失数据以及添加对应目标载荷的值中的至少之一；
[0044]
训练模块，用于依据所述训练样本对构建的神经网络模型进行训练，得到目标模型；
[0045]
预测模块，用于将监测到的载荷输入所述目标模型，得到应力预测结果。
[0046]
本发明实施例提供的技术方案现有技术相比具有以下有益效果：
[0047]
本技术实施例提供的有限元分析软件与神经网络相结合的装配结果失效预测方案，将复杂装配过程与有限元仿真相结合，提取产品关键位置的应力位移样本数据，形成训练样本；基于训练样本对构建的神经网络模型进行训练，得到目标模型；将监测到的装配过程中的载荷输入目标模型，得到应力预测结果从而实现应力的快速预测。该方案具有良好的普适性，可以适用于大部分机械装配产品装配过程的应力预测，极大的提高了预测的响应速度，和判断装配结果是否失效的效率。
附图说明
[0048]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0049]
图1为本发明实施例提供的有限元分析软件与神经网络相结合的装配结果失效预测方法的步骤流程示意图；
[0050]
图2为本发明实施例提供的一种训练样本生成流程示意图；
[0051]
图3为本发明实施例提供的bp神经网络模型运行流程图；
[0052]
图4为本发明实施例提供的目标模型的结构示意图；
[0053]
图5为本发明实施例提供的有限元分析软件与神经网络相结合的装配结果失效预测装置的结构框图；
[0054]
图6为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0055]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0056]
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
[0057]
需要说明的是，本发明中使用的“上”、“下”、“左”、“右”“前”“后”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0058]
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0059]
下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的一种有限元分析软件abaqus与bp神经网络相结合的装配结果失效预测方案进行详细地说明。
[0060]
如附图1所示，本技术实施例的有限元分析软件abaqus与bp神经网络相结合的装配结果失效预测方法可以包括如下步骤：
[0061]
步骤101：确定装配模型的受载形式，对装配模型的应力影响因素进行降维确定各目标载荷，并对各目标载荷进行偏差处理。
[0062]
一种可选地确定装配模型的受载形式，对装配模型的应力影响因素进行降维确定各目标载荷，并对各目标载荷进行偏差处理的方式可以包括如下子步骤：
[0063]
s1，确定装配模型的受载形式，确定装配模型的应力影响因素。
[0064]
其中，应力影响因素包括：静载荷、动载荷。
[0065]
s2：对应力影响因素进行降维处理，确定待进行偏差处理的目标载荷；
[0066]
本技术实施例中，对于仿真模型忽略应力影响不大的载荷和零部件，以此达到对应力影响因素进行降维处理的目的。
[0067]
s3：依据实际载荷的波动误差值和偏差控制数学公式，对各目标载荷进行偏差处理，得到偏差处理后的预加载荷。
[0068]
本子步骤中对主要载荷进行偏差处理时，可将载荷的大小设定为f*(1
±
a)
[0069]
其中，f为设计或规定的载荷大小，a为实际载荷的波动误差百分比，旨在避免由于预加载荷为精确预测提供仿真样本数据。
[0070]
本子步骤中对目标载荷又可称为主要载荷进行偏差处理时所使用的偏差控制数学公式如下：
[0071][0072]
其中，δi为单次设置的预加载荷值与理想值之差，n为设置的不同载荷个数。本可选地公式考虑到真实情况的误差，可降低预加值的离散程度。
[0073]
步骤102：将偏差处理后的预加载荷分别进行有限元仿真计算，并提取产品关键位置的应力位移数据。
[0074]
在一种可选地实施例中，有限元仿真计算过程中对载荷的修改包括两种模式：
[0075]
其一，采用有限元仿真软件abaqus手动输入以修改载荷；
[0076]
其二，使用程序语言在abaqus的rpy文件中自动修改载荷。
[0077]
考虑到设置的不同载荷的个数可能较多，可以使用程序语言对abaqus的rpy文件自动修改载荷。
[0078]
在实际实现过程中，本领域技术人员可根据实际需求灵活选择上述两种模式中的任意之一对载荷进行修改。
[0079]
步骤103：通过位移云图判断应力位移数据中的最大位移是否超过允许公差，若否，则将应力位移数据作为样本数据。
[0080]
步骤104：对样本数据进行预处理，生成训练样本。
[0081]
其中，对样本数据的预处理包括：去除噪声、填充缺失数据以及添加对应目标载荷的值中的至少之一。
[0082]
在实际实现过程中，可在获得目标载荷应力数据后，补充对应的预加载荷值。
[0083]
本技术实施例中，对装配产品的装配应力进行预测时，主要载荷在偏差范围内处理出若干组预加载荷数据，对应力影响不大的影响因素进行降维处理，删掉应力影响不大的零件及忽略较小零件的自重后，在abaqus中单次预加载荷的模型仿真分析完成后，通过位移云图判断最大位移是否超过允许公差，并作为bp神经网络算法的样本数据，在导出的应力位移表中，添加对应的单次预加载荷，形成一组样本，若干组样本合并后形成训练样本。
[0084]
步骤105：依据训练样本对构建的神经网络模型进行训练，得到目标模型。
[0085]
一种可选地依据训练样本对构建的神经网络模型进行训练，得到目标模型的方式如下步骤：
[0086]
首先，构建的神经网络模型；
[0087]
其次，将训练样本划分为训练样本集和测试样本集；
[0088]
再次，将训练样本集中的各训练样本中主要载荷作为输入数据，输入神经网络算法中，仿真得到的应力/应变作为输出数据；
[0089]
输入数据又可视为标签，输出数据可视为特征。
[0090]
最后，通过预设算法优化对神经网络模型训练过程中的训练次数、学习率、隐藏层单元数，得到目标模型。
[0091]
其中，预设算法包括以下至少之一：遗传算法、粒子群算法、二分法。
[0092]
一种优选地通过预设算法优化对神经网络模型训练过程中的训练次数、学习率、隐藏层单元数，得到目标模型的方式可以如下：
[0093]
利用无人工干预的所述遗传算法和粒子群算法对学习率和训练次数的模型寻优，以在全局范围内搜索得到训练所需的最优权值和阈值；将最优权值和阈值输回bp神经网络模型中进行局部搜索，得到误差更小的预测值。或者采用有人工干预的数学二分法对学习率和训练次数的模型寻优。
[0094]
本优选地实施方式中，选择bp神经网络模型预测应力值，使用二分法或遗传算法对bp神经网络模型参数寻优。调用训练好的模型，将监测到的载荷作为输入后，实现应力的在线预测。
[0095]
优选地将神经网络模型设置为三层bp神经网络模型，三层bp神经网络模型的计算
原理如下：
[0096]
首先，初步计算出预设权重和偏置所带来的误差损失；
[0097]
本步骤即前向传播的计算，初步计算出预设的权重w和偏置b所带来的误差损失。
[0098]
第一层输出：z1＝w
(x1,1)
*x1+w
(x2,1)
*x2+b1[0099]
第二层输出：z
(2)
＝w
(2)
*[f1(z1),f2(z2),f3(z3)]
t
+(b
(2)
)
t
[0100]
第三层输出：z
(3)
＝w
(3)
*[f4(z4),f5(z5)]
t
+(b
(3)
)
t
，
[0101]
其中，x为第一层样本输入，z为对应层的输出值，w为预设的权重系数，b为偏置系数，fi(zi)为各层各单元的输出。
[0102]
其次，将所述误差损失传给每层网络，然后根据误差调整权重参数。
[0103]
本步骤即反向传播计算，将误差传给每层，然后根据和误差调整权重参数。
[0104]
然后，使用梯度下降进行参数的学习对每层网络的所述预设权重、偏置求偏导，反向输入给前一网络层各单元节点。
[0105]
使用梯度下降进行参数的学习对各层权重w、b求偏导，反向输入给前一层各单元节点，
[0106]
根据链式法则有知只需计算和
[0107]
其中，l(y,y)为损失函数，y为真实值，y为预测值。
[0108]
步骤106：将监测到的载荷输入目标模型，得到应力预测结果。
[0109]
在实际实现过程中，在对装配应力进行预测时，可对装配过程中产生的载荷进行监测；将检测到的载荷输入目标模型，预测得到各位置应力位移值。
[0110]
本发明的方法可以适用于大部分机械装配产品装配过程的应力预测，极大的提高了预测的响应速度，和判断装配结果是否失效的效率，工程师可以根据预测的数据在实际装配过程中把重点放在产品的关键装配环节，大大提高了产品的生产效率和装配质量。
[0111]
采用本发明提供的一种有限元分析软件abaqus与bp神经网络相结合的装配结果失效预测方法，对阵列天线的装配应力进行预测，装配过程中螺栓预紧力作为主要载荷，螺栓的理想预紧力为1538n，在1538*(1
±
0.5％)范围内偏差处理出40组预紧力数据，对应力影响不大的影响因素进行降维处理，删掉对应力影响不大的零件及忽略较小零件的自重后，将40组预紧力数据作为输入载荷在abaqus中进行有限元仿真，仿真流程即训练样本生成流程如图2所示，导出的应力位移数据，通过位移云图判断最大位移是否超过允许公差范围，并作为bp神经网络算法的样本数据，处理好的训练样本，构建bp神经网络模型，bp神经网络模型运行流程图如图3所示。其中，通过训练样本对bp神经网络模型进行训练，得到的目标模型的结构示意图如图4所示，构建完模型后，对样本进行训练，使用二分法优化参数。并在模型中计算不同学习率下的误差，输出r2拟合优度误差线图，对比得出最优模型后，调用训练好的模型，在真实装配过程中将监测到的载荷作为输入后，在线快速预测并数字孪生中的应力位移实时可视化。
[0112]
本技术实施例提供的有限元分析软件与神经网络相结合的装配结果失效预测方法，将复杂装配过程与有限元仿真相结合，提取产品关键位置的应力位移样本数据。对样本数据进行预处理，形成训练样本。构建神经网络算法，将数据处理后的训练样本中主要载荷作为输入数据(标签)，仿真得到的应力/应变作为输出数据(特征)，并划分训练样本和测试样本。通过优化训练次数、学习率、隐藏层单元数等参数，得到最优的训练模型。调用训练好的模型，将监测到的载荷作为输入后，实现应力的快速预测。本方法可以适用于大部分机械装配产品装配过程的应力预测，极大的提高了预测的响应速度，和判断装配结果是否失效的效率，在整列天线的装配实践中，证明了具有较高的应用可行性。
[0113]
如图5所示，本技术实施例还提供了一种有限元分析软件与神经网络相结合的装配结果失效预测装置，其中，该装置包括：
[0114]
确定模块501，用于确定装配模型的受载形式，对装配模型的应力影响因素进行降维确定各目标载荷，并对各所述目标载荷进行偏差处理；
[0115]
提取模块502，用于将偏差处理后的预加载荷分别进行有限元仿真计算，并提取产品关键位置的应力位移数据；
[0116]
判断模块503，用于通过位移云图判断所述应力位移数据中的最大位移是否超过允许公差，若否，则将所述应力位移数据作为样本数据；
[0117]
预处理模块504，用于对所述样本数据进行预处理，生成训练样本，其中，所述预处理包括：去除噪声、填充缺失数据以及添加对应目标载荷的值中的至少之一；
[0118]
训练模块505，用于依据所述训练样本对构建的神经网络模型进行训练，得到目标模型；
[0119]
预测模块506，用于将监测到的载荷输入所述目标模型，得到应力预测结果。
[0120]
可选地，所述确定模块包括：
[0121]
第一子模块，用于确定装配模型的受载形式，确定装配模型的应力影响因素，其中，所述应力影响因素包括：静载荷、动载荷；
[0122]
第二子模块，用于对应力影响因素进行降维处理，确定待进行偏差处理的目标载荷；
[0123]
第三子模块，用于依据实际载荷的波动误差值和偏差控制数学公式，对各所述目标载荷进行偏差处理，得到偏差处理后的预加载荷。
[0124]
可选地，所述偏差控制数学公式如下：
[0125][0126]
其中，δi为单次设置的预加载荷值与理想值之差，n为设置的不同载荷个数。
[0127]
可选地，所述有限元仿真计算过程中对载荷的修改包括两种模式：
[0128]
采用有限元仿真软件abaqus手动输入以修改载荷；
[0129]
使用程序语言在abaqus的rpy文件中自动修改载荷。
[0130]
可选地，所述训练模块包括：
[0131]
第四子模块，用于构建的神经网络模型；
[0132]
第五子模块，用于将所述训练样本划分为训练样本集和测试样本集；
[0133]
第六子模块，用于将所述训练样本集中的各训练样本中主要载荷作为输入数据，输入所述神经网络算法中，仿真得到的应力/应变作为输出数据；
[0134]
第七子模块，用于通过预设算法优化对所述神经网络模型训练过程中的训练次数、学习率、隐藏层单元数，得到目标模型，其中，所述预设算法包括以下至少之一：遗传算法、粒子群算法、二分法。
[0135]
可选地，所述神经网络模型为三层bp神经网络模型，所述三层bp神经网络模型的计算原理如下：
[0136]
初步计算出预设权重和偏置所带来的误差损失；
[0137]
将所述误差损失传给每层网络，然后根据误差调整权重参数。
[0138]
使用梯度下降进行参数的学习对每层网络的所述预设权重、偏置求偏导，反向输入给前一网络层各单元节点。
[0139]
可选地，所示第七子模块具体用于：
[0140]
利用无人工干预的所述遗传算法和所述粒子群算法对学习率和训练次数的模型寻优，以在全局范围内搜索得到训练所需的最优权值和阈值；
[0141]
将所述最优权值和阈值输回所述bp神经网络模型中进行局部搜索，得到误差更小的预测值。
[0142]
可选地，所述预测模块包括：
[0143]
第八子模块，用于对装配过程中产生的载荷进行监测；
[0144]
第九子模块，用于将检测到的载荷输入目标模型，预测得到各位置应力位移值。
[0145]
本技术实施例提供的有限元分析软件与神经网络相结合的装配结果失效预测装置，将复杂装配过程与有限元仿真相结合，提取产品关键位置的应力位移样本数据。对样本数据进行预处理，形成训练样本。构建神经网络算法，将数据处理后的训练样本中主要载荷作为输入数据(标签)，仿真得到的应力/应变作为输出数据(特征)，并划分训练样本和测试样本。通过优化训练次数、学习率、隐藏层单元数等参数，得到最优的训练模型。调用训练好的模型，将监测到的载荷作为输入后，实现应力的快速预测。本方法可以适用于大部分机械装配产品装配过程的应力预测，极大的提高了预测的响应速度，和判断装配结果是否失效的效率，在整列天线的装配实践中，证明了具有较高的应用可行性。
[0146]
参见图6，本实施例还提供了一种计算机设备，计算机设备的组件可以包括但不限于：一个或者多个处理器或者处理单元，系统存储器，连接不同系统组件(包括系统存储器和处理单元)的总线。总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。计算机系统/服务器典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。系统存储器可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)和/或高速缓存存储器。计算机设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统可以用于读写不可移动的、非易失性磁介质。可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以
及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0147]
具有一组(至少一个)程序模块的程序/实用工具，可以存储在例如存储器中，这样的程序模块包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本发明所描述的实施例中的功能和/或方法。
[0148]
计算机设备也可以与一个或多个外部设备例如键盘、指向设备、显示器等)通信。这种通信可以通过输入/输出(i/o)接口进行。并且，计算机设备还可以通过网络适配器与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。处理单元通过运行存储在系统存储器中的程序，从而执行本发明所描述的实施例中的功能和/或方法。
[0149]
上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。
[0150]
随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0151]
除上述实施例外，本发明还可以有其他实施方式；凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
[0152]
本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。另外，为了避免对本发明的实质造成不必要的混淆，并没有详细说明众所周知的方法、过程、流程、元件和电路等。
[0153]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读取存储介质中，如：rom/ram、磁碟、光盘等。
[0154]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种有限元分析软件与神经网络相结合的装配结果失效预测方法，其特征在于，包括：确定装配模型的受载形式，对装配模型的应力影响因素进行降维确定各目标载荷，并对各所述目标载荷进行偏差处理；将偏差处理后的预加载荷分别进行有限元仿真计算，并提取产品关键位置的应力位移数据；通过位移云图判断所述应力位移数据中的最大位移是否超过允许公差，若否，则将所述应力位移数据作为样本数据；对所述样本数据进行预处理，生成训练样本，其中，所述预处理包括：去除噪声、填充缺失数据以及添加对应目标载荷的值中的至少之一；依据所述训练样本对构建的神经网络模型进行训练，得到目标模型；将监测到的载荷输入所述目标模型，得到应力预测结果。2.根据权利要求1所述的方法，其特征在于，所述确定装配模型的受载形式，对装配模型的应力影响因素进行降维确定各目标载荷，并对各所述目标载荷进行偏差处理的步骤，包括：确定装配模型的受载形式，确定装配模型的应力影响因素，其中，所述应力影响因素包括：静载荷、动载荷；对应力影响因素进行降维处理，确定待进行偏差处理的目标载荷；依据实际载荷的波动误差值和偏差控制数学公式，对各所述目标载荷进行偏差处理，得到偏差处理后的预加载荷。3.根据权利要求2所述的方法，其特征在于，所述偏差控制数学公式如下：其中，δ
i
为单次设置的预加载荷值与理想值之差，n为设置的不同载荷个数。4.根据权利要求1所述的方法，其特征在于，所述有限元仿真计算过程中对载荷的修改包括两种模式：采用有限元仿真软件abaqus手动输入以修改载荷；使用程序语言在abaqus的rpy文件中自动修改载荷。5.根据权利要求1所述的方法，其特征在于，所述依据所述训练样本对构建的神经网络模型进行训练，得到目标模型的步骤，包括：构建的神经网络模型；将所述训练样本划分为训练样本集和测试样本集；将所述训练样本集中的各训练样本中主要载荷作为输入数据，输入所述神经网络算法中，仿真得到的应力/应变作为输出数据；通过预设算法优化对所述神经网络模型训练过程中的训练次数、学习率、隐藏层单元数，得到目标模型，其中，所述预设算法包括以下至少之一：遗传算法、粒子群算法、二分法。6.根据权利要求1所述的方法，其特征在于，所述神经网络模型为三层bp神经网络模型，所述三层bp神经网络模型的计算原理如下：
初步计算出预设权重和偏置所带来的误差损失；将所述误差损失传给每层网络，然后根据误差调整权重参数。使用梯度下降进行参数的学习对每层网络的所述预设权重、偏置求偏导，反向输入给前一网络层各单元节点。7.根据权利要求5所述的方法，其特征在于，所述通过预设算法优化对所述神经网络模型训练过程中的训练次数、学习率、隐藏层单元数，得到目标模型的步骤，包括：利用无人工干预的所述遗传算法和所述粒子群算法对学习率和训练次数的模型寻优，以在全局范围内搜索得到训练所需的最优权值和阈值；将所述最优权值和阈值输回所述bp神经网络模型中进行局部搜索，得到误差更小的预测值。8.根据权利要求1所述的方法，其特征在于，所述将监测到的载荷输入所述目标模型，得到应力预测结果的步骤，包括：对装配过程中产生的载荷进行监测；将检测到的载荷输入目标模型，预测得到各位置应力位移值。9.一种有限元分析软件与神经网络相结合的装配结果失效预测装置，其特征在于，包括：确定模块，用于确定装配模型的受载形式，对装配模型的应力影响因素进行降维确定各目标载荷，并对各所述目标载荷进行偏差处理；提取模块，用于将偏差处理后的预加载荷分别进行有限元仿真计算，并提取产品关键位置的应力位移数据；判断模块，用于通过位移云图判断所述应力位移数据中的最大位移是否超过允许公差，若否，则将所述应力位移数据作为样本数据；预处理模块，用于对所述样本数据进行预处理，生成训练样本，其中，所述预处理包括：去除噪声、填充缺失数据以及添加对应目标载荷的值中的至少之一；训练模块，用于依据所述训练样本对构建的神经网络模型进行训练，得到目标模型；预测模块，用于将监测到的载荷输入所述目标模型，得到应力预测结果。

技术总结
本发明公开了一种有限元分析软件与神经网络相结合的装配结果失效预测方法，属于复杂产品装配技术领域；包括以下步骤，确定装配模型的受载形式，对装配模型的应力影响因素进行降维，并将主要载荷进行偏差处理。通过有限元分析软件ABAQUS进行仿真，将偏差处理后的若干模型分别进行仿真分析，并在仿真分析结果中提取产品关键位置的应力位移数据，通过位移云图判断最大位移是否超过允许公差，并作为BP神经网络算法的样本数据。本发明可以适用于大部分机械装配产品装配过程的应力预测，极大的提高了预测的响应速度，和判断装配结果是否失效的效率，在阵列天线的装配实践中，证明了具有较高的应用可行性。高的应用可行性。高的应用可行性。


技术研发人员：马竹樵 戴璐 陆洋 胡梵
受保护的技术使用者：南京理工大学紫金学院
技术研发日：2023.07.06
技术公布日：2023/10/6