一种基于大数据驱动的连接工艺选优系统的制作方法

1.本发明涉及的是一种材料连接工艺领域的技术，尤其是一种基于大数据驱动的连接工艺选优系统。


背景技术：

2.材料的连接一般认为是工程结构中的薄弱环节，连接工艺的优化设计一直是工业设计领域的重点和难点之一，主要体现在工艺参数选优难、服役性能评估难等方面。工艺参数选优难主要是由于涉及的材料组合类型多、工艺参数多，是一个高维、设计变量复杂、非线性强的工业优化设计问题。常用的材料牌号、常用材料厚度以及常用的连接工艺数量多，全设计空间工艺参数组合空间巨大，对于单种连接工艺可超过10亿；服役性能评估难主要是由于涉及的工况多、设计难度大。
3.目前工业设计领域在工艺参数设计这一步主流采用的方法是传统的试错设计、经验设计，但是上述方法在选型初期需要进行多轮试错，需要依靠大量物理实验，成本高周期长，且难以找到最优组合。


技术实现要素：

4.为了解决现有技术中存在的不足，本技术提出了一种基于大数据驱动的连接工艺选优系统，可以实现大数据驱动下，高效率、高精度地进行工业零部件的连接工艺智能设计，缩短工业产品开发周期，提高工业产品开发效率。
5.本发明所采用的技术方案如下：
6.一种基于大数据驱动的连接工艺选优系统，包括
7.问题定义模块，在所述问题定义模块中，将需要进行参数选优的连接工艺的所有设计变量组成设计变量集合，将该类连接工艺应用场景下对应的所有选优目标和所有约束条件分别组成选优目标集合和约束条件集合；
8.数据生成模块，在所述数据生成模块内对需要进行参数选优的连接工艺分别进行试验和仿真，分别对应得到试验数据与仿真数据；基于数据清洗技术对引进数据进行处理，由试验数据、仿真数据、处理后的引进数据构成需要进行参数选优的连接工艺的大数据库；
9.数据建模模块，在数据建模模块内分别构建试验数据代理模型、仿真数据代理模型和引进数据代理模型；再采用数据融合算法，对试验数据代理模型、仿真数据代理模型和引进数据代理模型进行融合构建多保真度代理模型；对该多保真度代理模型的设计变量的进行全局灵敏度分析，将对该多保真度代理模型影响较小的设计变量反馈至问题定义模块中并从数据集中剔除，并迭代更新数据生成模块和数据建模模块。
10.数据应用模块，在数据应用模块内，利用构建好的多保真度代理模型对连接工艺的目标参数、约束条件进行预测；结合多目标优化算法对设计变量进行寻优。
11.进一步，所述约束条件包括设计变量的取值空间、几何约束和性能约束。
12.进一步，所述数据生成模块内包括试验模型、仿真模型，分别构建需要进行参数选
优的连接工艺的试验模型与仿真模型。
13.进一步，构建连接工艺的试验模型中，并以设计变量为输入，以设计变量对应的选优目标、约束条件为输出，用以描述试验模型中设计变量与选优目标、约束条件之间的关系，并获得连接工艺的试验数据。
14.进一步，采用仿真软件构建连接工艺的仿真模型，并进行仿真分析；以设计变量为输入，以设计变量对应的选优目标、约束条件为输出，用以描述仿真模型中设计变量与选优目标、约束条件之间的关系，获得仿真数据。
15.进一步，所述数据融合算法，选用模型校正、集成学习或迁移学习。
16.进一步，所述多目标优化算法，选用遗传算法、粒子群算法或蚁群算法。
17.进一步，根据应用场景不同，可具有选择性的对模型预测结果进行不确定性量化，预测约束条件在设计变量扰动范围内的变化，保证在设计变量扰动情况下，选优结果依旧满足约束条件。
18.本发明的有益效果：
19.1、本发明数据生成模块面向定义的工艺参数选优问题，构建试验模型与仿真模型基于试验模型与仿真模型即可批量试验数据与仿真数据。基于试验数据对仿真模型进行仿真参数校准，提升仿真数据置信度。此外可基于数据清洗技术对文献数据、历史数据、外源数据等引进数据进行规范化与标准化处理。试验数据、仿真数据、引进数据构成了用于解决工艺参数选优问题的大数据库。
20.2、本发明数据建模模块基于机器学习方法与大数据库，训练用于预测工艺参数与服役性能间关系的试验数据代理模型、仿真数据代理模型以及引进数据代理模型。基于数据融合算法，实现多源数据的融合建模，构建多保真度代理模型，进一步降低建模成本、提高模型精度。基于模型设计变量的全局灵敏度分析，筛除冗余变量，从而对选优问题进行进一步的降维简化。根据多保真度代理模型指导数据生成模型进行重采样，从而不断更新迭代数据库与模型。
21.3、本发明的数据应用模块基于训练好的机器学习模型，结合应用场景使用该工艺的零部件进行相应服役性能预测；结合多目标优化算法，如遗传算法、粒子群算法、蚁群算法等，进行工艺的工艺参数设计与推荐。根据应用场景不同，可具有选择性的对模型预测结果进行不确定性量化，从而提升预测结果与推荐结果在实际应用中的可靠性。
22.4、本发明还根据建模结果对选优问题进行降维简化，并指导数据生成模块进行重采样从而更新并完善模型；最后在数据应用模块中，基于训练好的机器学习模型，对使用该工艺的零部件进行相应服役性能预测以及工艺的工艺参数设计，从而实现高效高精度的智能设计。
23.5、综上，与现有技术相比，本发明引入了仿真模型校正、多保真度代理模型、不确定性量化等技术，可以高效率、高精度地进行工业零部件的连接工艺智能选优，缩短工业产品开发周期，提高工业产品开发效率，提升工业产品在服役过程中的鲁棒性与可靠性。
附图说明
24.图1为本发明流程示意图；
25.图2为本发明中问题定义模块的示意图；
26.图3为本发明中数据生成模块的示意图；
27.图4为本发明中数据建模模块的示意图；
28.图5为本发明中数据应用模块的示意图。
具体实施方式
29.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
30.本技术所设计的一种基于大数据驱动的连接工艺选优系统如图1所示，具体包括如下模块：
31.1、问题定义模块
32.在问题定义模块中定义连接工艺的选优问题，选优问题包括选优目标和约束条件。通常情况下，一种连接工艺具有多个设计变量，且根据连接工艺具体的应用场景不同，连接工艺具有多种选优目标和约束条件。
33.因此在问题定义模块中，将需要进行参数选优的连接工艺的所有设计变量组成设计变量集合，将该类连接工艺应用场景下对应的所有选优目标和所有约束条件分别组成选优目标集合和约束条件集合。
34.而本技术中“连接工艺选优”，从上述集合中，确定满足该连接工艺的约束条件下，确定能够满足选优目标时的设计变量的具体值。
35.更具体地，结合附图2约束条件包括设计变量的取值空间、几何约束和性能约束。
36.为了清楚的对问题定义模块的功能进行说明，以下结合3种具体的连接工艺进行说明。
37.实例1，若连接工艺为某一特定搭接组合如2mm 5754 2mm 5754。定义选优目标为：最大化铆接点自锁量与底切量；设计变量为：铆钉的型号如铆钉长度、硬度、直径等，模具的型号如模具凹槽形状、直径、深度等。变量的取值空间为：如铆钉长度为在6-9mm等，模具凹槽直径在8-11mm之间等。工艺几何约束为：如自锁量大于0.5mm、底切量大于1mm等；另外还包括零部件的性能约束。针对该连接工艺，其选优问题是在满足上述约束条件的前提下，确定能够达到选优目标(即最大化铆接点自锁量与底切量)的设计变量。
38.实例2，若连接工艺为无铆钉连接(clinch)的时候，定义选优目标为：最大化铆接点自锁量与底切量。设计变量为：冲头的几何参数如：直径，局部圆弧半径等，模具的型号如模具凹槽形状、直径、深度等。变量取值空间为：如冲头的直径范围在4-9mm之间；工艺几何约束为：如自锁量大于0.1mm、底切量大于0.2mm；性能约束为：拉剪和剥离强度大于1kn等。同上，其选优问题是在满足上述约束条件的前提下，确定能够达到选优目标(最大化铆接点自锁量与底切量)的设计变量。
39.实例3，若连接工艺为电阻点焊(rsw)的时候，其选优目标为：最大化焊核直径；设计变量为：电极形状(弧面、平面)，电极直径，电极过渡圆弧半径、电极压力、电流、保压时间等。变量取值空间为：如电极压力在5kn-10kn之间，保压时间在100ms-400ms之间；工艺几何约束为：如焊核大于4√t(t为搭接板材中最小厚度)，压痕深度小于0.4mm等；性能约束为：如拉剪和剥离强度大于1kn等。同上，其选优问题是在满足上述约束条件的前提下，确定能
够达到选优目标(最大化焊核直径)的设计变量。
40.另外在本技术中，还可以根据工艺领域知识对设计变量与约束(工艺几何约束以及性能约束)进行降维简化，以实例1为例，可以如忽略铆钉镀层、模具外径等。
41.2、数据生成模块
42.数据生成模块内包括试验模型、仿真模型以及大数据库。针对需要进行工艺参数选优的连接工艺，分别构建该种连接工艺的试验模型与仿真模型。
43.具体如下：
44.2.1、试验模型包含试验设计、试验方法与标准制定、试验设备与仪器管理等。针对需要进行工艺参数选优的连接工艺，对该连接工艺进行试验，获得试验数据。数据以设计变量为输入，以试验模型中设计变量对应的选优目标、几何与性能约束参数为输出，用以描述试验模型中设计变量与目标参数、约束参数间关系。
45.在本实施例中，还是以实例1搭接组合如2mm 5754 2mm 5754的连接工艺为例进行说明，针对该搭接组合，采用试验的方式使试验数据覆盖铆钉、模具的全部型号，且数据标准规范统一。数据以设计变量为输入，以试验模型中设计变量对应的选优目标参数、几何与性能约束参数为输出，用以描述试验模型中设计变量与目标参数、约束参数间关系。
46.2.2、仿真模型包含cad模型构建、cae前处理模型构建、cae分析、cae后处理方法等。针对需要进行工艺参数选优的连接工艺，构建该连接工艺的仿真模型，获得仿真数据。具体如上试验模型获得的数据，以设计变量为输入，以仿真模型中设计变量对应的选优目标、几何与性能约束参数为输出，用以描述仿真模型中设计变量与目标参数、约束参数间关系。
47.在本实施例中，以自冲铆接工艺的参数选优为例进行说明，使用cad软件作为几何建模软件，使用simufact等仿真软件作为cae分析软件。
48.2.3、构建大数据库。
49.基于试验模型与仿真模型即可批量获得某种连接工艺的试验数据与仿真数据。并基于试验数据对仿真模型进行仿真参数校准，如板材与铆钉间摩擦系数、材料曲线缩放系数等，通过手动调节或遗传算法调整仿真参数，使仿真数据的输出更接近试验数据的输出，提升仿真数据置信度。
50.此外，本技术还基于数据清洗技术对文献数据、历史数据、外源数据等引进数据进行规范化与标准化处理。
51.最后，由试验数据、仿真数据、引进数据构成了自冲铆接工艺参数选优的大数据库。
52.3、数据建模模块。
53.基于大数据库，采用机器学习方法分别构建试验数据代理模型、仿真数据代理模型和引进数据代理模型；再采用数据融合算法，对试验数据代理模型、仿真数据代理模型和引进数据代理模型进行融合构建多保真度代理模型，实现多源数据的融合建模。
54.基于所构建的多保真度代理模型，对该多保真度代理模型的设计变量的进行全局灵敏度分析，根据全局灵敏度分析的结果将对该多保真度代理模型影响较小的设计变量认定为冗余变量，并反馈至问题定义模块中且在问题定义模块中剔除该冗余变量，从而对选优问题进行进一步的降维简化。并根据全局灵敏度分析的结果，将剔除冗余变量后剩余的
设计变量重新作为试验模型及仿真模型的输入，更新实验数据和仿真数据。
55.根据多保真度代理模型指导数据生成模型进行重采样，生成有利于提升模型精度与选优效果的数据，从而不断迭代更新数据生成模块内的数据库与数据建模模块内的模型。
56.更具体地，本技术中所采用的机器学习方法，择一选用或者组合使用如支持向量回归、多层感知机、高斯过程或梯度提升树等机器学习方法。具体地，分别利用试验数据、仿真数据、引进数据分别训练得到与数据相对应的试验数据代理模型、仿真数据代理模型以及引进数据代理模型；上述数据代理模型可用于预测设计变量与目标参数、约束条件间的关系。
57.更具体地，本技术中所采用的数据融合算法，如模型校正、集成学习或迁移学习，利用上述数据融合算法可以对三种数据代理模型进行融合，得到多保真度代理模型；可以实现多源数据的融合，还可以降低建模成本，以及提高模型精度。
58.4、数据应用模块。
59.利用构建好的多保真度代理模型，对某种连接工艺相应的目标参数、约束条件进行预测，本实施例中涉及头高、自锁量、底切量、下板材剩余厚度、下板材中心厚度等；
60.结合多目标优化算法，如遗传算法、粒子群算法、蚁群算法等，进行选优问题中的设计变量(即工艺参数，本实施例中为铆钉的长度、硬度，以及模具的深度与直径等)推荐。
61.根据应用场景不同，可具有选择性的对模型预测结果进行不确定性量化，预测约束条件在设计变量扰动范围内的变化，保证在设计变量扰动情况下，选优结果依旧满足约束条件，从而提升预测结果与选优结果在实际应用中的可靠性。如在本实施例中，铆钉长度需保证有
±
0.05mm的扰动时，头高、自锁量依旧满足约束条件。
62.为了解决现有技术中存在的不足，本发明提出的上述系统，其在工作过程中相比传统试错设计或遍历设计方法可以极大程度上缩短冗长的开发周期，并降低高昂的实验成本。该发明具有大数据驱动、高效率、高精度三个特点。大数据驱动体现在实现工艺选优过程中的数据量大，以自冲铆接工艺选优为例，本发明一次选优设计过程中涉及1万组以上的工艺试验数据与100万组以上的工艺仿真数据。高效率体现在一组工艺参数设计和完整性能评估所需时间，同样以自冲铆接工艺选优为例，基于物理实验的工艺参数设计和完整性能评估所需时间约为1周，基于仿真分析的工艺参数设计和完整性能评估所需时间约为1天，基于本发明的工艺参数设计和完整性能评估所需时间在10秒以内。高精度体现在基于本发明的工艺精度高(关键尺寸误差的小于0.1mm)、静强度预测准确(峰值载荷误差小于10％)、疲劳寿命预测可信度高(对标实验误差小于3倍散度)，显著优于传统方法的工艺和性能设计精度。
63.实例表明，该发明相比传统方法，可以更高效率、更高精度地进行工业零部件的连接工艺智能选优，缩短工业产品开发周期，提高工业产品开发效率，提升工业产品在服役过程中的鲁棒性与可靠性。
64.以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。