一种自动装配有限元网格的参数配置方法与流程

本发明涉及有限元网格的参数配置，具体涉及一种自动装配有限元网格的参数配置方法。

背景技术：

1、在工程设计和仿真领域，计算机辅助设计（cad）模型的装配是一项关键和复杂的任务。整体cad模型通常由多个部件组成，这些部件可能具有复杂的几何形状和结构，同时涉及到多种材料和工艺。在进行工程分析和仿真计算之前，必须将这些cad模型装配成一个整体，以便进行网格划分和仿真计算。然而，cad模型的装配通常是复杂和繁琐的，面临着诸多挑战：

2、1. 几何复杂性：

3、cad模型的几何形状可能非常复杂，包括曲面、复杂曲线和特殊几何体等。使得对模型进行准确的装配变得十分困难，需要高度精确的几何处理技术和时间。

4、2. 部件数量与尺寸差异：

5、cad模型通常由多个部件组成，每个部件可能具有不同的尺寸、形状和材料。部件数量的增加会导致装配过程变得更加复杂，尤其是当部件之间存在尺寸差异或相互之间的干涉时。

6、3. 工程约束与要求：

7、在进行cad模型装配时，通常需要考虑诸如间隙、配合、轴向对齐、约束等工程要求和设计规范。这些约束条件增加了装配过程的复杂性，并要求高度的技术能力和专业知识。

8、4. 模型更新和变更管理：

9、随着工程设计的进行，cad模型可能会经常发生变更和更新。因此，对于装配后的模型，必须能够快速有效地处理变更，并确保装配结果的及时更新和准确性。

10、为了应对这些挑战，传统的cad模型装配方法往往耗时且易出错，需要大量人力和资源投入。因此，本领域迫切需要一种高效、可靠的有限元网格模型装配方法，以提高仿真的效率和精度。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种自动装配有限元网格的参数配置方法解决了现有对部件与部件装配时的网格压合力和网格位移预测方法存在模型构建和计算过程复杂的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：一种自动装配有限元网格的参数配置方法，包括以下步骤：

3、s1、提取第一仿真部件的图像和第二仿真部件的图像；

4、s2、提取第一仿真部件的有限元数据；

5、s3、提取第二仿真部件的有限元数据和网格空间数据；

6、s4、采用匹配模块处理第一仿真部件的图像、第二仿真部件的图像、第一仿真部件的有限元数据和第二仿真部件的有限元数据，得到两个仿真部件匹配值；

7、s5、在匹配值大于匹配阈值时，根据第二仿真部件的网格空间数据和匹配值，采用参数预测模型预测装配参数。

8、本发明的有益效果为：在本发明中，第一仿真部件为铸件，第二仿真部件为铸型，本发明提取第一仿真部件的图像和第二仿真部件的图像，通过图像表征仿真部件的形状特征，通过有限元数据表征仿真部件的尺寸数据，采用匹配模块验证构建的第一仿真部件和第二仿真部件在形状结构上是否匹配，估测出匹配值，匹配值越高，第一仿真部件和第二仿真部件在形状结构上越匹配，从而契合度越高，更便于装配，再结合第二仿真部件的网格空间数据和匹配值，采用参数预测模型预测装配参数，避免构建数学微分方程模型，降低获取装配参数的复杂度。

9、进一步地，所述s2中第一仿真部件的有限元数据包括：第一仿真部件内径的有限元网格数量、第一仿真部件外径的有限元网格数量和第一仿真部件长度的有限元网格数量；

10、所述s3中第二仿真部件的有限元数据包括：第二仿真部件内径的有限元网格数量、第二仿真部件外径的有限元网格数量和第二仿真部件高度的有限元网格数量；

11、所述s3中网格空间数据包括：空间坐标和节点编号。

12、进一步地，所述s4中匹配模块包括：第一图像特征提取单元、第二图像特征提取单元、第一特征拼接单元、第二特征拼接单元、第一多尺度特征提取单元、第二多尺度特征提取单元和匹配值计算单元；

13、所述第一图像特征提取单元的输入端用于输入第一仿真部件的图像，其输出端与第一特征拼接单元的第一输入端连接；所述第一特征拼接单元的第二输入端用于输入第一仿真部件的有限元数据，其输出端与第一多尺度特征提取单元的输入端连接；所述第二图像特征提取单元的输入端用于输入第二仿真部件的图像，其输出端与第二特征拼接单元的第一输入端连接；所述第二特征拼接单元的第二输入端用于输入第二仿真部件的有限元数据，其输出端与第二多尺度特征提取单元的输入端连接；所述匹配值计算单元的输入端分别与第一多尺度特征提取单元的输出端和第二多尺度特征提取单元的输出端连接，其输出端作为匹配模块的输出端。

14、上述进一步地方案的有益效果为：本发明采用第二图像特征提取单元提取第二仿真部件的图像特征，采用第一图像特征提取单元提取第一仿真部件的图像特征，将第二仿真部件的图像特征和第二仿真部件的有限元数据进行拼接，并采用第二多尺度特征提取单元提取多尺度特征，将第一仿真部件的图像特征与第一仿真部件的有限元数据进行拼接，并采用第一多尺度特征提取单元提取多尺度特征，通过匹配值计算单元计算两种多尺度特征的匹配值，从而实现自动验证第一仿真部件和第二仿真部件的匹配情况。

15、进一步地，所述第一图像特征提取单元和第二图像特征提取单元均包括：第一卷积层、maxpool层、avgpool层、特征增强层、第二卷积层、第三卷积层、第四卷积层、加法器a1和上采样层；

16、所述第一卷积层的输入端作为第一图像特征提取单元或第二图像特征提取单元的输入端，其输出端分别与maxpool层的输入端和avgpool层的输入端连接；所述特征增强层的输入端分别与maxpool层的输出端和avgpool层的输出端连接，其输出端分别与第二卷积层的输入端和第三卷积层的输入端连接；所述第三卷积层的输出端与第四卷积层的输入端连接；所述加法器a1的输入端分别与第二卷积层的输出端和第四卷积层的输出端连接，其输出端与上采样层的输入端连接；所述上采样层的输出端作为第一图像特征提取单元或第二图像特征提取单元的输出端。

17、上述进一步地方案的有益效果为：本发明采用maxpool层提取第一卷积层输出的显著特征，采用avgpool层提取第一卷积层输出的全局平均特征，并在特征增强层进行显著特征和平均特征的增强，从而增强第一图像特征提取单元或第二图像特征提取单元的自适应调节能力，再采用两路卷积结构，构建残差结构，解决梯度消失的问题，同时提升特征提取的深度。

18、进一步地，所述特征增强层的表达式为：

19、，

20、其中，h为特征增强层的输出，hmaxpool为maxpool层的输出，havgpool为avgpool层的输出，fc1为第一全连接层，fc2为第二全连接层，t为转置运算，为哈达玛积。

21、上述进一步地方案的有益效果为：本发明采用第一全连接层处理maxpool层的输出，采用第二全连接层处理avgpool层的输出，实现将提取的特征进行整合，捕捉全局信息，并对第一全连接层的输出进行转置运算，采用哈达玛积进行特征融合，实现显著特征和平均特征的增强融合。

22、进一步地，所述第一多尺度特征提取单元和第二多尺度特征提取单元的表达式为：

23、，

24、，

25、，

26、，

27、其中，o为第一多尺度特征提取单元或第二多尺度特征提取单元的输出，s为特征拼接单元的输出，为窗口大小为的平均池化层，为窗口大小为的平均池化层，为窗口大小为的平均池化层，为哈达玛积，为卷积核为的卷积层，σ为s型函数，concat为拼接操作，x1为第一尺度特征，x2为第二尺度特征，x3为第三尺度特征。

28、上述进一步地方案的有益效果为：本发明采用不同窗口大小的平均池化层提取不同的特征，并根据不同的特征计算不同的注意力，提高模型对重要信息的捕捉能力，增强模型的表示能力和泛化性。本发明根据每个窗口下提取的平均特征，并基于该窗口下的平均特征计算出注意力，对该平均特征赋予权重，实现对不同部分的信息赋予不同的权重，重要的信息可以得到更多的关注，而次要信息则相对减少影响。本发明将第一尺度特征、第二尺度特征和第三尺度特征进行拼接，提高特征提取的精度。

29、进一步地，所述匹配值计算单元的表达式为：

30、，

31、其中，p为匹配值，r1,i为第一多尺度特征提取单元的输出o1中第i个元素，r2,i为第二多尺度特征提取单元的输出o2中第i个元素，wi为匹配值计算单元中第i个权重，bi为匹配值计算元中第i个偏置，n为第一多尺度特征提取单元的输出o1中元素的数量或第二多尺度特征提取单元的输出o2中元素的数量，i为元素的编号。

32、上述进一步地方案的有益效果为：本发明计算第一多尺度特征提取单元的输出和第二多尺度特征提取单元的输出的差值，并对每个差值赋予权重和偏置，便于匹配模块训练时参数的优化。

33、进一步地，所述s5中参数预测模型包括：网格压合力预测单元和网格位移预测单元；

34、所述网格压合力预测单元用于根据第二仿真部件的网格空间数据和匹配值，预测装配时的网格压合力；

35、所述网格位移预测单元用于根据第二仿真部件的网格空间数据，预测装配时的网格位移。

36、进一步地，所述网格压合力预测单元包括：网格压合力预测模块和补偿模块；

37、所述网格压合力预测模块的表达式为：

38、，

39、，

40、，

41、，

42、其中，ys为预测的初始网格压合力，tanh为双曲正切激活函数，ws1为网格压合力预测模块中第1个参数权重，bs1为网格压合力预测模块中第1个参数偏置，ws2为网格压合力预测模块中第2个参数权重，bs2为网格压合力预测模块中第2个参数偏置，ws3为网格压合力预测模块中第3个参数权重，bs3为网格压合力预测模块中第3个参数偏置，c1为网格位置优先系数1，c2为网格位置优先系数2，c3为网格位置优先系数3，ys1为第一网格压合力分量，ys2为第二网格压合力分量，ys3为第三网格压合力分量，wys1为第一网格压合力分量权重，wys2为第二网格压合力分量权重，wys3为第三网格压合力分量权重；

43、所述补偿模块的表达式为：

44、，

45、其中，yc为补偿后的网格压合力，e为自然常数，p为匹配值，pth为匹配阈值，γ为补偿系数。

46、进一步地，所述网格位移预测单元的表达式为：

47、，

48、，

49、，

50、，

51、其中，yr为网格位移，c1为网格位置优先系数1，c2为网格位置优先系数2，c3为网格位置优先系数3，tanh为双曲正切激活函数，wr1为网格位移预测单元中第1个参数权重，br1为网格位移预测单元中第1个参数偏置，wr2为网格位移预测单元中第2个参数权重，br2为网格位移预测单元中第2个参数偏置，wr3为网格位移预测单元中第3个参数权重，br3为网格位移预测单元中第3个参数偏置，yr1为第一网格位移分量，yr2为第二网格位移分量，yr3为第三网格位移分量，wyr1为第一网格位移分量权重，wyr2为第二网格位移分量权重，wyr3为第三网格位移分量权重。

52、上述进一步地方案的有益效果为：本发明在构建网格压合力和网格位移的预测表达式时，借助并改进了bp神经网络，将输入分成了三部分，每部分输入采用双曲正切激活函数，通过每个双曲正切激活函数预测出每个网格空间数据所带来的影响，从而结合三个分量，进一步地调整输出。