【技术实现步骤摘要】
本专利技术涉及压铆质量优化，具体为一种基于多目标粒子群算法和pca的压铆质量优化方法。
技术介绍
1、压铆工艺是一种通过铆钉将两个或多个零件紧固连接在一起的工艺方法。在汽车制造中，压铆工艺能够提供高强度的连接，确保连接的密封性和耐腐蚀性，从而满足汽车车身对强度和耐久性的严格要求；
2、影响压铆质量的因素主要包括铆接材料的选择与质量、铆接工具与设备的稳定性和精度、铆接工艺参数（如压力、时间和温度）的准确控制、铆接设计的合理性、操作人员的技能水平与操作技巧，以及质量检验与监控的严格程度。这些因素共同决定了铆接点的强度、可靠性和耐久性；
3、在汽车进行生产的过程中，为了保证汽车零部件压铆的后的强度，通常需要确定最佳压铆质量的参数组合，现有技术中通常是通过优化算法来系统地遍历或智能搜索参数空间，评估不同参数组合下的目标函数值，从而找到使目标函数达到最优。然而现有的优化算法对压铆质量的优化时，通常涉及多个参数，这些参数之间可能存在复杂的非线性关系，如果忽略这些非线性关系，算法可能会陷入局部最优解，而不是全局最优解。
4、因此本专利技术提出一种基于多目标粒子群算法和pca的压铆质量优化方法，通过田口法以及灰色关联分析再结合多目标粒子群算法可有效的根据当前群体的状态动态调整适应度函数和搜索策略，从而有效避免陷入局部最优解。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于多目标粒子群算法和pca的压铆质量优化方法，具备可实现对压铆实现精准优化等优
2、为实现上述目的，本专利技术提供如下技术方案：一种基于多目标粒子群算法和pca的压铆质量优化方法，包括有如下步骤，其特征在于：
3、s1、确定压铆机台控制参数集、压铆设计参数集以及响应集，构建以机台控制参数集、压铆设计参数集为定义参数的多目标粒子群算法模型并初始化模型参数；
4、s2、对压铆机台控制参数集、压铆设计参数集以及响应集进行非线性处理，来得到压铆后的性能指标；
5、s3、以压铆后的性能指标为品质特性，选择影响品质特性的机台控制参数集和压铆设计参数集的各个参数，采用田口法为每个参数设定不同水平构建正交实验表来进行试验，求取多组信噪比；
6、s4、对多组信噪比序列进行主成分分析，根据主成分分析结果来构建多目标粒子算法的适应度函数；
7、s5、根据适应度函数来计算每个粒子的适应度值，使用非支配排序的方法来评估粒子的适应度，更新个体最优位置以及外部存档，并计算出拥挤度；
8、s6、对粒子进行迭代优化，更新粒子的速度以及位置，并计算更新后的每个粒子的适应度值，并更新个体最佳位置以及外部存档；
9、s7、在每一轮迭代结束后，判断是否达到最大迭代次数t，若是则满足终止条件，算法停止运行，若否则返回s6重新计算直至满足最大迭代次数；
10、s8、在算法停止运行后，输出外部存档中的非支配解作为最优压铆质量参数组合。
11、进一步，所述s3中的对对压铆机台控制参数集、压铆设计参数集以及响应集进行非线性处理，采用对数函数和幂函数进行非线性变换，具体公式如下：
12、
13、其中：是压铆后的性能指标，是常数项，和是表示设计参数与机台控制参数之间交互作用的回归系数，和分别代表第个压铆设计参数和第个机台控制参数的值，是对数变换的常数项，用于调整对数变换的基准点，是与幂函数相关的幂次项，表示的非线性效应，和分别代表压铆设计参数和机台控制参数的数量。
14、进一步，所述s3中考虑品质特性接近目标值的程度和受噪声干扰的波动情况，根据响应集内的三个响应目标用以下公式分别计算信噪比：
15、
16、其中，为信噪比，，是品质特性的期望值，是品质特性的标准差，根据上述公式可求得：
17、响应目标为的信噪比数据：，
18、响应目标为的信噪比数据：，
19、响应目标为的信噪比数据：，其中n时响应目标的实验次数。
20、进一步，所述s4中的对信噪比序列进行主成分分析，包括如下子步骤：
21、s4.1、将响应目标j的信噪比数据组成一个数据矩阵x，其中每一行代表一个样本，每一列代表一个相应目标的信噪比；
22、
23、s4.2、对数据矩阵x进行标准化处理，的到标准化矩阵，计算过程如下：
24、
25、其中，是i个响应目标的均值，是第i个响应目标的标准差；
26、s4.3、计算协方差矩阵；使用标准化后的数据矩阵来计算协方差矩阵c，计算过程如下：
27、
28、其中，c为协方差矩阵，n表示观测值数量，表示矩阵的转置矩阵；
29、s4.4、对协方差矩阵进行特征值分解，得到特征值，=（、、），和特征向量，，特征向量构成主成分方向；
30、s4.5、选择主成分，将标准化后的矩阵数据投影到选的主成分构成的子空间中；
31、
32、投影矩阵由选定的特征向量构成；
33、s4.6、计算主成分得分，主成分得分矩阵t计算过程如下：
34、
35、其中为标准化后的矩阵，w为特征向量矩阵；
36、s4.7、根据主成分分析得到的数据来建立多目标粒子群算法的适应度函数，首先计算每个粒子在每个主成分方向上的投影得分，通过将粒子位置向量与第j个主成分的特征向量进行点积来实现，计算过程如下：
37、
38、其中，是粒子的第k个分量，是特征向量的第k个分量，m是粒子的维度也是主成分分析中变量的数量；
39、s4.8、计算适应度函数分量，为每个主成分方向计算粒子的适应度值，计算过程如下：
40、
41、其中，和分别是原始数据在第j个主成分方向上投影得分的均值和标准差，wj是根据特征值确定的权重；
42、s4.9、根据适应度函数分量来建立最终的适应度函数，如下：
43、
44、其中，，分别对应主成分方向。
45、进一步，所述s5中还包括有如下子步骤：
46、s5.1、根据适应度函数f（xi）来对粒子进行适应度值计算，得到三个适应度值、、；
47、s5.2、创建一个空列表用于储存每个前沿面，对于每个粒子xi创建另一个空列表用于储存支配它的粒子以及被它支配的粒子；
48、s5.3、对每对粒子以及进行比较，根据公式：
49、
50、在上式中，至少一个不等式成立则支配，若不成立，则它们是非支配的；
51、s5.4、将所有没有被其他粒子支配的粒子放入第一前沿面，检查前沿面中的每个粒子的支配粒子，并将每个被支配的粒子放入一个新的前沿面；
52、s5.本文档来自技高网...
【技术保护点】
1.一种基于多目标粒子群算法和PCA的压铆质量优化方法，包括有如下步骤，其特征在于：
2.如权利要求1所述的一种基于多目标粒子群算法和PCA的压铆质量优化方法，其特征在于：所述S3中的对对压铆机台控制参数集、压铆设计参数集以及响应集进行非线性处理，采用对数函数和幂函数进行非线性变换，具体公式如下：
3.如权利要求1所述的一种基于多目标粒子群算法和PCA的压铆质量优化方法，其特征在于：所述S3中考虑品质特性接近目标值的程度和受噪声干扰的波动情况，根据响应集内的三个响应目标用以下公式分别计算信噪比：
4.如权利要求3所述的一种基于多目标粒子群算法和PCA的压铆质量优化方法，其特征在于：所述S4中的对信噪比序列进行主成分分析，包括如下子步骤：
5.如权利要求4所述的一种基于多目标粒子群算法和PCA的压铆质量优化方法，其特征在于：所述S5中还包括有如下子步骤：
6.如权利要求4所述的一种基于多目标粒子群算法和PCA的压铆质量优化方法，其特征在于： 所述S4.7中的权重wj通过如下步骤进行计算：
【技术特征摘要】
1.一种基于多目标粒子群算法和pca的压铆质量优化方法，包括有如下步骤，其特征在于：
2.如权利要求1所述的一种基于多目标粒子群算法和pca的压铆质量优化方法，其特征在于：所述s3中的对对压铆机台控制参数集、压铆设计参数集以及响应集进行非线性处理，采用对数函数和幂函数进行非线性变换，具体公式如下：
3.如权利要求1所述的一种基于多目标粒子群算法和pca的压铆质量优化方法，其特征在于：所述s3中考虑品质特性接近目标值的程度和受噪声干扰的波动情况，根据响应...
【专利技术属性】
技术研发人员：岳斯坦，王长福，安炯，牛建波，方春玉，
申请(专利权)人：襄阳群龙汽车部件股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。