申请/专利权人：杭州电子科技大学

申请日：2023-11-29

公开（公告）日：2024-03-26

公开（公告）号：CN117763714A

主分类号：G06F30/15

分类号：G06F30/15;G06F30/27;G06N3/0499;G01M15/00;G01M15/02;G06F119/18

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明公开了一种蠕变效应对榫头榫槽真实装配位姿影响的预测方法。本发明通过构建的深度前馈神经网络预测模型一和深度前馈神经网络预测模型二分别对发生蠕变效应后榫头和榫槽表面形貌数据的预测；本发明使用预测的榫头和榫槽表面形貌数据进行逆向建模，得到榫头和榫槽的曲面模型，通过对榫头和榫槽曲面模型进行接触面接触，对榫头和榫槽曲面模型进行精确装配；本发明通过装配后榫头和榫槽曲面模型的偏心角对实际情况下蠕变效应对榫头榫槽装配位姿的影响进行预测。本发明提供了一种针对蠕变效应对榫头榫槽装配位姿影响的预测方法，为榫头榫槽在发生蠕变效应后对装配性能影响的研究提供了思路，对发动机涡轮盘高性能装配具有指导性意义。

主权项：1.一种蠕变效应对榫头榫槽真实装配位姿影响的预测方法，其特征在于：具体如下：步骤一、设置实验参数数值组合，使用各实验参数数值组合对装配好的榫头榫槽进行蠕变效应实验；其中，实验参数为轴向载荷参数和温度参数；步骤二、获取经过蠕变效应实验的各实验参数数值组合下榫头和榫槽的表面形貌数据；步骤三、对榫头和榫槽的表面形貌数据进行预处理，进而得到包括轴向载荷参数、温度参数和预处理后榫头表面形貌数据的样本数据集一，以及包括轴向载荷参数、温度参数和预处理后榫槽表面形貌数据的样本数据集二，将样本数据集一划分为训练集一和测试集一，将样本数据集二划分为训练集二和测试集二；步骤四、以轴向载荷参数和温度参数为输入层，以预处理后榫头表面形貌数据为输出层，构建初始的深度前馈神经网络预测模型一，并以轴向载荷参数和温度参数为输入层，以预处理后榫槽表面形貌数据为输出层，构建初始的深度前馈神经网络预测模型二；步骤五、使用训练集一和测试集一对初始的深度前馈神经网络预测模型一进行训练和测试，得到最终的深度前馈神经网络预测模型一，并使用训练集二和测试集二对初始的深度前馈神经网络预测模型二进行训练和测试，得到最终的深度前馈神经网络预测模型二；步骤六、向深度前馈神经网络预测模型一和深度前馈神经网络预测模型二均输入实际工况下的轴向载荷和温度，分别得到产生蠕变效应的榫头表面形貌数据和榫槽表面形貌数据；步骤七、通过由步骤六得到的榫头表面形貌数据和榫槽表面形貌数据进行逆向建模，得到榫头和榫槽的曲面模型；步骤八、对榫头曲面模型和榫槽曲面模型进行接触面接触，得到装配好的榫头榫槽曲面模型；步骤九、将最终榫头曲面模型离散成网格点云，根据装配后榫头曲面模型两侧的榫头配合面上所有离散点拟合出一个对中面，并根据榫槽曲面模型两侧的榫槽配合面上所有离散点拟合出一个对中面，两对中面的夹角为考虑蠕变效应的榫头榫槽装配偏心角。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种蠕变效应对榫头榫槽真实装配位姿影响的预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD