CN119538421A 一种白车身结构工艺参数优化模型训练、应用方法及装置 (北京理工大学长三角研究院(嘉兴))_第1页
CN119538421A 一种白车身结构工艺参数优化模型训练、应用方法及装置 (北京理工大学长三角研究院(嘉兴))_第2页
CN119538421A 一种白车身结构工艺参数优化模型训练、应用方法及装置 (北京理工大学长三角研究院(嘉兴))_第3页
CN119538421A 一种白车身结构工艺参数优化模型训练、应用方法及装置 (北京理工大学长三角研究院(嘉兴))_第4页
CN119538421A 一种白车身结构工艺参数优化模型训练、应用方法及装置 (北京理工大学长三角研究院(嘉兴))_第5页
已阅读5页,还剩32页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

本申请公开了一种白车身结构工艺参数优2根据所述仿真结果确定白车身的潜在缺陷区域;所述潜在缺陷将当前训练用设计方案的参数特征和当前所述训练用中间优化方案的参数特征输入根据当前所述训练用中间优化方案的工艺参数调整量计算对应的训练用优化方案的方案的参数特征输入到所述Transformer模型中,得出训练用中间优化方案的概率分布训练用优化方案的结构缺陷概率和下一时刻的训练用前所述训练用中间优化方案的工艺参数调整量计算对应的训练用优化方案的结构缺陷概3根据所述仿真结果确定每一仿真方案对应的结根据每一仿真方案的工艺参数、结构参数和对应的结构缺陷类型构建第二训练样本将所述第二训练样本集中的工艺参数和结构参数输入到工艺参数将所述第二训练样本集中的工艺参数输入到工艺参数一缺根据所述第一结构缺陷预测概率和所述第二结构缺陷预测概率计算根据所述损失误差调整所述工艺参数和结构参数一缺陷根据所述训练用中间优化方案和对应的工艺参数调整量确定训练用优将所述训练用优化方案的工艺参数和结构参数输入到所述训练后的工艺参数和结构;-z1logp(yiIXYW)表示对数似然损失;xi表示第i组的后验分布;p(w)表示模型参数w的先验分布;p(yiIX,w)表示第一结构缺陷概率;Defect(y1lxn)表示第二结构缺陷概率;表示第i组工艺参数;yi表示第i组工艺参数下产根据所述仿真结果中的仿真数值指标确定每组工艺参数下的结构根据每组工艺参数和对应的仿真数值指标构建第一根据所述仿真数值指标和对应的结构缺陷类型构建第二根据所述第一数据集,利用高斯过程技术,构建工艺参数一仿真数值将所述第二训练样本集中的工艺参数输入到所述工艺参数一仿真数值4将所述仿真数值指标预测结果输入到所述仿真数值指标_缺陷影响规律模型中,得出值指标影响规律模型和所述仿真数值指标_缺陷影响6.一种白车身结构工艺参数优化模型应用方法将所述待优化设计方案的参数特征输入到训练后的Transformer模型中,得出中间优将所述待优化设计方案的参数特征和所述中间优化方案的参数特征输入到训练后的层感知机的训练过程是基于权利要求1至5任一项所述的白车身结构工艺参数优化模型训待优化设计方案的参数特征输入到训练后的Transformer模型中,得出中间优化方案的概将所述待优化设计方案的参数特征输入到训练后的Transformer模型中,得出中间优述的白车身结构工艺参数优化模型训练方法,或者实现权利要求6_7任一项所述的白车身理器执行时实现权利要求1_5中任一项所述的白车身结构工艺参数优化模型训练方法,或者实现权利要求6_7任一项所述的白车身结构工艺参数优化模型5[0006]本申请的目的是提供一种白车身结构工艺参数优化模型6中间优化方案;所述多层感知机的输入为设计方案的参数特征和中间优化方案的参数特将所述待优化设计方案的参数特征输入到训练后的Transformer模型中,得出中将所述待优化设计方案的参数特征和所述中间优化方案的参数特征输入到训练述多层感知机的训练过程是基于上述的白车身结构工艺参数优化模型训练7[0013]图1为本申请一实施例1提供的一种白车身结构工艺参数优化模型训练方法的流图2为本申请一实施例提供的Transformer模型和多层感知机的联合模型的训练图4为本申请一实施例提供的白车身结构工艺参数优化模型应用方法的流程示意图5为本申请一实施例提供的白车身结构工艺参数优化模型应用方法技术路线示图7为本申请一实施例提供的白车身结构工艺参数优化模型应用方法中应用的基方程和应力应变方程,进行白车身后地板压铸件的高压铸造过程模拟。使用铸造模拟机8的工艺参数调整量构成最终的优化方案。[0030]作为一种可选的实施方式,对于Transformer模型和MLP;。f(x,w)为工艺参数和结构参9-,表示一条优化轨迹从[0036](a2)将当前训练用设计方案的参数特征和当前所述训练用中间优化方案的参数练用设计方案的参数特征和当前所述训练用中间优化方案的参数特征对应图2中的特征。[0037](a3)根据当前所述训练用中间优化方案的工艺参数调整量计算对应的训练用优优化方案的结构缺陷概率和下一时刻的训练用设计方[0045](b4)将所述第二训练样本集中的工艺参数和结构参数输入到工艺参数和结构参w)为贝叶斯神经网络的预测概率,表示输出缺陷类型yi可能存[0050](b5)将所述第二训练样本集中的工艺参数输入到工艺参数一缺陷影响规律模型[0051](b6)根据所述第一结构缺陷预测概率和所述第二结构缺陷预测概率计算损失误l-z1logp(yiIXYW)表示对数似然损失,描述了训和先验分布p(w)之间的差异大小;⃞1KL(De参数和结构参数;yi表示第i组工艺参数和结构参数下产生的在工艺参数和结构参数xi下,产生缺陷类型yi的缺陷概率,即第一结构缺陷概率;Defect(y1lxn)表示在工艺参数下,产生缺陷类型yi的缺陷概率,即第二结构缺陷概率;数和结构参数缺陷影响规律模型,才能得出训练用优化方案的工艺参数和结构参数对应[0057](b8)根据所述训练用中间优化方案和对应的工艺参数调整量确定训练用优化方[0058](b9)将所述训练用优化方案的工艺参数和结构参数输入到所述训练后的工艺参。[0075]其中,ke是已知的工艺参数与新输入的工艺参数的协方差矩阵,计算为:y是由仿真分析生成的缺陷类型数[0081]通过结合仿真过程的工艺参数、仿真数值指标和缺陷类型与上述的最大似然函结构参数组合对于结构缺陷的影响规律,构建工艺参数+结构参数对应下的结构缺陷发生的结构工艺集成优化方法。旨在系统性地解决一体压铸工艺中结构缺陷的产生和控制问路和解决方案。述白车身结构工艺参数优化模型应用方法包括[0097]步骤202,将所述待优化设计方案的参数特征输入到训练后的Transformer模型[0098]步骤203,将所述待优化设计方案的参数特征和所述中间优化方案的参数特征输模型和所述多层感知机的训练过程是基于实施例1所述的白车身结构工艺参数优化模型训习的大规模优化思路,设计一种全新的融合全局与局部搜索的双层优化策略。首先构建基于Transformer的全局搜索策略,实现结构工艺参数的全局搜索,获取多组较优设计方案层和激活函数组成。它能够从原始的输入数据中提取出有意义的特征表示,简化模型的构本申请的Transformer模型中编码器和解码器的操作之前先对Fg进行位置编码得出特征[0104]在此之后,对特征矩阵进行编码器和解码器的处理,编码器处理过程记为,解码器处理过程记为,此时输出的。的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储Transformer机程序被处理器执行时以实现上述各方法实施例中该计算机程序被处理

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论