基于MSVR的机翼装配定位布局设计方法技术

本发明专利技术公开了一种基于MSVR的机翼装配定位布局设计方法，用于解决现有机翼装配定位布局设计方法效率低的技术问题。技术方案是首先构建MSVR模型，然后基于粒子群‑遗传算法优化MSVR模型参数，最终实现以温度、定位器载荷、定位器空间位置、机翼关键测点等为输入条件，快速设计出符合机翼装配现场的定位布局。由于本发明专利技术以影响定位布局的温度、定位器载荷、定位器空间位置、机翼关键测点等装配现场感知数据为基础，与背景技术相比，更加符合装配现场实际，可以实现机翼装配布局的精准确定，减少算法的计算复杂度，进而提高了机翼装配效率。

Positioning layout design method of wing assembly based on MSVR

【技术实现步骤摘要】
基于MSVR的机翼装配定位布局设计方法
本专利技术涉及一种机翼装配定位布局设计方法，特别是涉及一种基于MSVR的机翼装配定位布局设计方法。
技术介绍
文献“机翼数控定位器布局及行程优化，北京工业大学学报，2014，Vol40(9)，p1281-1287”公开了一种可用于支撑多种机翼的三坐标数控定位器的布局设计方法。该方法在分析定位器在数字化调姿及精加工平台上的布局及其在平台内投影的行程的基础上，根据定位器行程在平台上的投影为长方形的特点，建立了数控定位器行程的优化函数，利用遗传算法计算出定位器的最优布局和行程范围。该方法为机翼柔性支撑中定位器的布局和结构设计提供了依据。文献所述方法以机翼理论模型为依据，忽略了装配现场的很多因素，如温度、机翼的变形，产品的制造误差等，导致在机翼装配时，通过文献方法给出的定位布局仍然需要不断地调整，增加了机翼装配周期，调姿定位工作效率不高。
技术实现思路
为了克服现有机翼装配定位布局设计方法效率低的不足，本专利技术提供一种基于MSVR的机翼装配定位布局设计方法。该方法首先构建MSVR模型，然后基于粒子群-遗传算法优化MSVR模型参数，最终实现以温度、定位器载荷、定位器空间位置、机翼关键测点等为输入条件，快速设计出符合机翼装配现场的定位布局。由于本专利技术以影响定位布局的温度、定位器载荷、定位器空间位置、机翼关键测点等装配现场感知数据为基础，与
技术介绍
相比，更加符合装配现场实际，可以实现机翼装配布局的精准确定，减少算法的计算复杂度，进而提高了机翼装配效率。本专利技术解决其技术问题所采用的技术方案是：一种基于MSVR的机翼装配定位布局设计方法，其特点是包括以下步骤：步骤一、构建MSVR模型。假设给定样本数据D＝{(x1,y1),(x2,y2),…,(xl,yl)|xi∈Rm,yi∈Rn}，建立输入输出数据之间的回归函数式中，xi＝(xi,1,xi,2,…,xi,m)T∈Rm，yi＝(yi,1,yi,2,…,yi,n)T∈Rn，表示的是非线性映射函数，W是由权向量构成的行列式，B是由实数构成的向量，即B＝(b1,b2,…,bn)T∈Rn。使用超球体不敏感区域后，损失函数为：构造目标函数如下式：式中，ξi为xi的松弛变量，C为惩罚因子。引入Lagrange函数将上式转换为：Lagrange函数的极值满足：式中，yj＝(y1,j,y2,j,…,yl,j)T，E＝(1,1,…,1)T，αT＝(α1,α2,…,αl),Dα＝diag(α1,α2,…,αl)。同时KKT条件由下式成立：将wj表示为特征空间的一个线性组合，即有：整理式(6)-(13)，引入核函数K＝ΦΦT，得到方程矩阵表达式：所述核函数是高斯径向基核函数：K(Xi,X)＝exp(-γ||Xi-X||2)(15)X为预测样本输入变量，Xi为训练样本输入变量，γ是核函数宽度系数。步骤二、定位布局预测模型参数优化。构建基于高斯径向基函数MSVR模型，选用PSOGA对MSVR模型的不敏感损失系数ε、惩罚因子C以及RBF核函数宽度系数γ三个超参数同时进行优化。用个体历史最高适应值Fmax的第i个粒子所对应的编码代替粒子群算法中的用种群的历史最高适应度值Fmax对应粒子的编码代替全局最优位置用的累积差的算术平均值来代替其中由下式求得：则粒子群变异算子如下：式中第一部分通过粒子群进化中的位置更新信息确定遗传算子，预测变异的幅度和方向；第二部分具体实施变异操作。本专利技术的有益效果是：该方法首先构建MSVR模型，然后基于粒子群-遗传算法优化MSVR模型参数，最终实现以温度、定位器载荷、定位器空间位置、机翼关键测点等为输入条件，快速设计出符合机翼装配现场的定位布局。由于本专利技术以影响定位布局的温度、定位器载荷、定位器空间位置、机翼关键测点等装配现场感知数据为基础，与
技术介绍
相比，更加符合装配现场实际，可以实现机翼装配布局的精准确定，减少算法的计算复杂度，进而提高了机翼装配效率。下面结合具体实施方式对本专利技术作详细说明。具体实施方式本专利技术基于MSVR的机翼装配定位布局设计方法具体步骤如下：1、模型构建。(1)构建MSVR模型。在常规SVR方法的基础上将单输出推广到多输出。假设给定样本数据D＝{(x1,y1),(x2,y2),…,(xl,yl)|xi∈Rm,yi∈Rn}，建立输入输出数据之间的回归函数上式中xi＝(xi,1,xi,2,…,xi,m)T∈Rm，yi＝(yi,1,yi,2,…,yi,n)T∈Rn，表示的是非线性映射函数。其中W由权向量构成的行列式，B是由实数构成的向量，即B＝(b1,b2,…,bn)T∈Rn。对于此类问题，如果不改变一般单输出ε-SVR建模流程，按照最小化经验风险和输出误差原则，无法将多维输出回归问题直接转化为二次规划问题进求解。由于上述损失函数定义在超立方区域，只对超出不敏感区域距离ε误差的向量进行惩罚，在二次范式约束下，无法满足KKT条件使其不能替换到它对应的拉格朗日函数中，无法转换得到相对应的二次优化问题，就无法求出模型相关参数，回归问题无法得到解决。本文采用定义在超球体上的损失函数代替在超立方体上的损失函数，当ε＝0时，该问题就是对每一个分量做最小二次回归，当ε≠0时，每一分量在生成各自的回归函数时会考虑到其他所有分量的误差，这样得到的解将会是一个整体拟合最优的解。使用超球体不敏感区域后，损失函数为：使用超球体不敏感区域的损失函数后，各分量的拟合误差在惩罚时具有等量力度，使目标函数的结果与各分量的误差都有关，达到整体优化的目的。同时也能弱化噪声对结果的影响，提高算法的鲁棒性。相应地，目标函数如下式：式中ξi为xi的松弛变量，C为惩罚因子。引入Lagrange函数将上式转换为：该Lagrange函数的极值应该满足：上式中，yj＝(y1,j,y2,j,…,yl,j)T，E＝(1,1,…,1)T，αT＝(α1,α2,…,αl),Dα＝diag(α1,α2,…,αl)。同时KKT条件由下式成立：将wj表示为特征空间的一个线性组合，即有：整理式(6)-(13)，引入核函数K＝ΦΦT,可得方程矩阵表达式：所述核函数采用高斯径向基核函数：K(Xi,X)＝exp(-γ||Xi-X||2)(16)X为预测样本输入变量，Xi为训练样本输入变量，γ是核函数宽度系数。(2)定位布局预测模型参数优化。本文进行基于高斯径向基函数MSVR模型的构建，选取本文档来自技高网...

【技术保护点】
1.一种基于MSVR的机翼装配定位布局设计方法，其特征在于包括以下步骤：/n步骤一、构建MSVR模型；/n假设给定样本数据D＝{(x

【技术特征摘要】
1.一种基于MSVR的机翼装配定位布局设计方法，其特征在于包括以下步骤：
步骤一、构建MSVR模型；
假设给定样本数据D＝{(x1,y1),(x2,y2),…,(xl,yl)|xi∈Rm,yi∈Rn}，建立输入输出数据之间的回归函数



式中，xi＝(xi,1,xi,2,…,xi,m)T∈Rm，yi＝(yi,1,yi,2,…,yi,n)T∈Rn，表示的是非线性映射函数，W是由权向量构成的行列式，B是由实数构成的向量，即B＝(b1,b2,…,bn)T∈Rn；
使用超球体不敏感区域后，损失函数为：



构造目标函数如下式：






式中，ξi为xi的松弛变量，C为惩罚因子；
引入Lagrange函数将上式转换为：



Lagrange函数的极值满足：









式中，yj＝(y1,j,y2,j,…,yl,j)T，E＝(1,1,…,1)T，αT＝(α1,α2,…,αl),Dα＝diag(α1,α2,…,α...

【专利技术属性】
技术研发人员：李西宁，赵志浩，成娇，王悦舜，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61