一种基于大数据驱动的连接工艺选优系统技术方案

本发明专利技术公开了一种基于大数据驱动的连接工艺选优系统，包括问题定义模块、数据生成模块、数据建模模块、数据应用模块；在问题定义模块中定义选优问题；根据定义的选优问题，在数据生成模块中对连接工艺分别进行试验设计与仿真，生成相应的实验数据与仿真数据，基于实验数据、仿真数据与引进数据形成大数据库；在数据建模模块中基于生成的数据训练用于预测工艺参数与服役性能间关系的机器学习模型，并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。精度的智能设计。精度的智能设计。

【技术实现步骤摘要】
一种基于大数据驱动的连接工艺选优系统


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]为了解决现有技术中存在的不足，本申请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。
[0005]本专利技术所采用的技术方案如下：
[0006]一种基于大数据驱动的连接工艺选优系统，包括
[0007]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；
[0008]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；
[0009]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。
[0010]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。
[0011]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。
[0012]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。
[0013]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。
[0014]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。
[0015]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。
[0016]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。
[0017]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。
[0018]本专利技术的有益效果：
[0019]1、本专利技术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。
[0020]2、本专利技术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。
[0021]3、本专利技术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。
[0022]4、本专利技术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。
[0023]5、综上，与现有技术相比，本专利技术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
[0024]图1为本专利技术流程示意图；
[0025]图2为本专利技术中问题定义模块的示意图；
[0026]图3为本专利技术中数据生成模块的示意图；
[0027]图4为本专利技术中数据建模模块的示意图；
[0028]图5为本专利技术中数据应用模块的示意图。
具体实施方式
[0029]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术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专利技术，并不用于限定本专利技术。
[0030]本申请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：
[0031]1、问题定义模块
[0032]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。
[0033]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。
[0034]而本申请中“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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据驱动的连接工艺选优系统，其特征在于，包括问题定义模块，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；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；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。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。2.根据权利要求1所述的一种基于大数据驱动的连接工艺选优系统，其特征在于，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。3.根据权利要求1所述的一种基于大数据驱动的连接工艺选优系...

【专利技术属性】
技术研发人员：黄理，李钼石，韩维建，陈秋任，刘钊，赵海龙，仝超，翟强强，张净宜，谭国笔，黄诗尧，包祖国，
申请(专利权)人：长三角先进材料研究院，
类型：发明
国别省市：