一种基于GA-BP的复合材料栓接结构承压面摩擦系数预测方法

本发明涉及精密装备高性能装配，具体为一种基于ga-bp神经网络的复合材料栓接结构承压面摩擦系数预测方法。

背景技术：

1、在现代工业生产中，复合材料在承受拉伸、压缩及扭转载荷时表现出的性能优势使其在高性能应用领域具有不可替代的地位，在航空、汽车制造等领域得到了广泛应用然而，作为连接这些高性能材料的关键技术，螺栓连接的可靠性受到承压面摩擦系数的显著影响摩擦系数的不稳定性可能导致连接的失效，从而影响整个结构的安全性和功能性。摩擦系数作为评估螺栓连接性能的关键参数之一，对于预测和控制拧紧力矩具有至关重要的作用。在过去的研究中，关于金属材料的螺栓连接已有较为成熟的理论和实验研究。然而，复合材料连接件由于材料特性的独特性，其在受力过程中摩擦系数的变化规律与传统金属材料存在显著差异。目前，栓接结构的承压面摩擦系数通常通过实验测定，这种方法不仅成本高昂，而且效率低下。传统的预测模型大多基于经验公式和简化的物理模型，这些模型不能充分考虑到材料的微观结构和制造过程中的变量，因此在精度和适用性上存在明显限制。

2、bp神经网络作为一种成熟的机器学习模型，因其强大的非线性映射能力和良好的适应性而被广泛用于复杂系统的建模和预测。然而，单独的bp神经网络在网络结构和参数初始化方面存在一定的局限性，这可能影响模型的训练效率和预测准确性。遗传算法(ga)是一种模拟自然选择和遗传机制的优化技术，它可以有效地在全局范围内搜索最优解。本发明提出了一种利用ga-bp神经网络预测复合材料栓接结构承压面摩擦系数的方法，该方法能够有效整合遗传算法的全局优化能力和bp神经网络的强大学习能力。该方法适用于多种工业应用，尤其是那些依赖于高性能复合材料和精密接合技术的领域，如航空航天制造、高级汽车生产和高端、设备制造。通过精确预测和控制摩擦系数，可以显著提高产品的可靠性和性能，同时降低生产成本和维护成本。本发明不仅提高了栓接结构设计的科学性和精确性，还为复杂材料系统的建模和优化开辟了新的可能性。通过持续的技术创新和应用拓展，预计将在未来的材料工程和产品开发中实现更广泛的应用和推广。

技术实现思路

1、本发明的目的旨在提供一种预测复合材料连接件在紧固过程中承压面摩擦系数的预测方法，建立形式简单、预测准确的摩擦系数演变模型，以解决螺纹紧固件在复合材料连接件中夹紧力难以精准控制的问题，为工程中精密装配提供指导。

2、为实现上述目的，本发明提供以下技术方案：

3、一种基于ga-bp的复合材料栓接结构承压面摩擦系数预测方法，包括以下步骤

4、步骤一：对所有螺栓和螺母都经过超声波清洗，以去除表面的污渍；此外，所用的螺栓和螺母均来自同一制造商和同一生产批次；准备符合规定尺寸的碳纤维环氧树脂复合材料连接件，以确保实验结果具有一致性和可比较性；

5、步骤二：使用三维形貌仪对连接件的初始粗糙表面进行扫描，获取其表面的三维坐标数据；通过结构函数法获取粗糙表面的分形参数，包括分形维数d和尺度系数g，这些参数提供有关表面复杂度和尺度相关性的重要信息；

6、步骤三：将摩擦系数测试分析系统设定于适当的测试模式，确保所有测量参数如扭矩、角度和载荷都按照预定的实验方案进行调整；

7、步骤四：在实施紧固过程中，系统将记录扭矩和夹紧力的变化；实验过程中收集的数据将由系统自动记录并分析，结果将被导出用于计算摩擦系数；

8、步骤五：为确保实验数据的准确性和可重复性，每一组实验条件均重复进行6次测试；

9、步骤六：以分形维数、尺度系数以及输入力矩为输入向量，以对应条件下的摩擦系数作为输出向量；确定神经网络的结构参数；

10、步骤七：利用遗传算法优化神经网络的权重和偏置参数，包括选择、交叉和变异操作，以提高神经网络的学习效率和预测精度；

11、步骤八：对数据进行预处理，并把试验数据的分为训练样本集、验证样本集和测试样本集；用训练样本集中的数据对bp神经网络模型进行训练，并调整其网络参数，训练成功后，分别用验证样本集和测试数据集中的数据对其进行验证与测试，以保证神经网络模型的正确性；

12、步骤九：通过测试合格后的ga-bp神经网络模型对指定工况下紧固过程中承压面摩擦系数进行预测，判断摩擦系数的演变行为。

13、该方法所需的试验装置中，螺栓和螺母穿过压力传感器用于紧固环氧树脂复合材料试验件和垫块，力矩传感器用于测试螺栓头力矩，动态扭矩传感器和电机之间通过联轴器连接，用于测试施加在拧紧套筒的总力矩；电机座支架、动态扭矩传感器支架和夹具均固定在底座上；通过采集动态扭矩传感器、压力传感器和螺栓头力矩传感器的数值，计算紧固过程中承压面的摩擦系数。

14、通过三维形貌仪扫描承压面的初始形貌，获取分形维数d和尺度系数g，研究不同初始形貌参数紧固过程中的摩擦系数演变行为。

15、选用的神经网络类型为双隐层bp神经网络，用遗传算法优化神经网络的权重和偏置参数，以提高神经网络的学习效率和预测精度。

16、步骤三中，输入力矩从0至12nm，每次增加1nm，转速为20rpm。

17、本发明所提出的紧固过程中承压面摩擦系数的预测方法，具有形式简单、预测准确的特点，克服了螺纹紧固件在紧固过程中摩擦系数测量复杂的问题，通过精确预测摩擦系数，调整输入合适的力矩，确保连接件达到预期的夹紧力。可以显著提高产品的可靠性和性能，同时降低生产成本和维护成本，为相关行业提供更精确的连接技术参数和设计依据。

技术特征：

1.一种基于ga-bp的复合材料栓接结构承压面摩擦系数预测方法，其特征在于，包括以下步骤

2.根据权利要求1所述的一种基于ga-bp的复合材料栓接结构承压面摩擦系数预测方法，其特征在于：该方法所需的试验装置中，螺栓(11)和螺母(12)穿过压力传感器(13)用于紧固环氧树脂复合材料试验件(8)和垫块(9)，力矩传感器(14)用于测试螺栓头力矩，动态扭矩传感器(5)和电机(3)之间通过联轴器(4)连接，用于测试施加在拧紧套筒(7)的总力矩；电机座支架(2)、动态扭矩传感器支架(6)和夹具(10)均固定在底座(1)上；通过采集动态扭矩传感器、压力传感器和螺栓头力矩传感器的数值，计算紧固过程中承压面的摩擦系数。

3.根据权利要求1所述的一种基于ga-bp的复合材料栓接结构承压面摩擦系数的预测方法，其特征在于：通过三维形貌仪扫描承压面的初始形貌，获取分形维数d和尺度系数g，研究不同初始形貌参数紧固过程中的摩擦系数演变行为。

4.根据权利要求1所述的一种基于ga-bp的复合材料栓接结构承压面摩擦系数的预测方法，其特征在于：选用的神经网络类型为双隐层bp神经网络，用遗传算法优化神经网络的权重和偏置参数，以提高神经网络的学习效率和预测精度。

5.根据权利要求1所述的一种基于ga-bp的复合材料栓接结构承压面摩擦系数的预测方法，其特征在于：步骤三中，输入力矩从0至12nm，每次增加1nm，转速为20rpm。

技术总结
本发明公开了一种基于GA‑BP的复合材料栓接结构承压面摩擦系数预测方法，使用三维形貌仪对连接件的初始粗糙表面进行扫描，获取其表面的三维坐标数据。将摩擦系数测试分析系统设定于测试模式，记录扭矩和夹紧力的变化。以分形维数、尺度系数以及输入力矩为输入向量，以对应条件下的摩擦系数作为输出向量；确定神经网络的结构参数。利用遗传算法优化神经网络的权重和偏置参数。对数据进行预处理，并把试验数据的分为训练样本集、验证样本集和测试样本集；通过测试合格后的GA‑BP神经网络模型对指定工况下紧固过程中承压面摩擦系数进行预测，判断摩擦系数的演变行为。该方法适用于航空航天、高级汽车生产等依赖于复合材料的工业应用，降低生产和维护成本。

技术研发人员：刘志峰,陈文涛,赵永胜,李迎,闫兴,李明
受保护的技术使用者：北京工业大学
技术研发日：
技术公布日：2024/10/28