摘要
传统的球轴承过盈配合验证严重依赖劳动密集型的有限元（FE）仿真，而现有的数据驱动方法存在数据集准备非标准化、单目标优化以及缺乏不确定性感知风险评估等不足。本文开发了一个集成的快速验证框架以解决上述局限。首先，建立了一个结合尺寸链解耦与拉丁超立方抽样（LHS）的自动化数据集构建流程，实现了CAE建模、求解和结果提取的全自动化。其次，通过复合目标贝叶斯算法优化了一个多输出全连接神经网络，该算法平衡了预测精度、输出稳定性和模型复杂度三者之间的关系。第三，引入蒙特卡洛Dropout来量化认知不确定性并生成概率预测区间。仿真结果表明，400个样本的数据集构建效率比手动方法高出90倍以上，样本有效率达100%。所提出的模型在用于对比的单次划分下平均测试SMAPE为12.48%，在5折交叉验证下为16.12 ± 2.07%。该模型的价值在于几何变体的快速评估：单次前向传播耗时约2毫秒，完整的不确定性预测耗时约0.4至0.5秒。其在平均表现上优于包括克里金插值法和响应面法在内的经典代理模型，但经典响应面法在ZC_U1输出的预测上更为精确。95%预测区间对认知不确定性的经验覆盖率约为92.5%至95.0%；同时报告了这些覆盖率估计的相应95%置信区间（Clopper-Pearson），为基于风险意识的设计验证提供了定量参考。该框架将传统的确定性点验证升级为具有不确定性表征的区间验证。其针对的是深沟球轴承内圈与轴肩和卡环槽之间空心轴颈的轴对称过盈配合，条件为线性弹性和恒定摩擦系数。训练数据覆盖了代表汽车驱动电机轴承配合的参数范围；由于商业保密原因，具体范围不予公开。
