CN110595690B - 基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置 - Google Patents

基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置 Download PDF

Info

Publication number
CN110595690B
CN110595690B CN201910012743.3A CN201910012743A CN110595690B CN 110595690 B CN110595690 B CN 110595690B CN 201910012743 A CN201910012743 A CN 201910012743A CN 110595690 B CN110595690 B CN 110595690B
Authority
CN
China
Prior art keywords
rotor
center
stage
measuring
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910012743.3A
Other languages
English (en)
Other versions
CN110595690A (zh
Inventor
孙传智
谭久彬
刘永猛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201910012743.3A priority Critical patent/CN110595690B/zh
Priority to US16/375,117 priority patent/US11480490B2/en
Publication of CN110595690A publication Critical patent/CN110595690A/zh
Application granted granted Critical
Publication of CN110595690B publication Critical patent/CN110595690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M1/00—Testing static or dynamic balance of machines or structures
    • G01M1/12—Static balancing; Determining position of centre of gravity
    • G01M1/122—Determining position of centre of gravity
    • G01M1/125—Determining position of centre of gravity of aircraft
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
    • B23P21/00—Machines for assembling a multiplicity of different parts to compose units, with or without preceding or subsequent working of such parts, e.g. with programme control
    • B23P21/002—Machines for assembling a multiplicity of different parts to compose units, with or without preceding or subsequent working of such parts, e.g. with programme control the units stationary whilst being composed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M1/00—Testing static or dynamic balance of machines or structures
    • G01M1/10—Determining the moment of inertia
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M1/00—Testing static or dynamic balance of machines or structures
    • G01M1/12—Static balancing; Determining position of centre of gravity
    • G01M1/122—Determining position of centre of gravity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M1/00—Testing static or dynamic balance of machines or structures
    • G01M1/14—Determining imbalance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M1/00—Testing static or dynamic balance of machines or structures
    • G01M1/14—Determining imbalance
    • G01M1/16—Determining imbalance by oscillating or rotating the body to be tested
    • G01M1/20—Determining imbalance by oscillating or rotating the body to be tested and applying external forces compensating forces due to imbalance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Balance (AREA)

Abstract

本发明提出了基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置，属于机械装配技术领域。所述方法包括建立单级转子四参数圆轮廓测量模型，简化建立单级转子四参数圆轮廓测量模型和建立基于各级转子角向安装位置的多级转子形心、质心、重心、和惯性中心的四目标优化模型等步骤；所述装置包括基座，气浮轴系，调心调倾工作，分别为精密力传感器，静平衡测量平台，立柱，下横向测杆，下伸缩式电感传感器，上横向测杆和上杠杆式电感传感器。

Description

基于形心质心重心惯性中心矢量极小化的大型高速回转装备 测量与智能学习装配方法和装置
技术领域
本发明涉及基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置，属于机械装配技术领域。
背景技术
中国工程院院士刘大响曾说：“如果把飞机制造比喻为工业皇冠，那么发动机的研制就是皇冠上的明珠。核心机作为航空发动机的心脏，其装配质量直接影响航空发动机的性能。核心机由高压压气机、燃烧室和高压涡轮构成。其主要由多级转子堆叠组成，同轴度和不平衡量是检验多级转子装配质量的核心参数。当航空发动机在工作转速下，如民用发动机一般工作转速可达12000rpm以上，多级转子装配误差引起的不平衡响应会被放大，导致发动机振动，造成叶片与机匣发生碰磨，因此，急需一种多级转子装配形心/质心/重心/惯性中心四心极小化装配优化方法，提高航空发动机装配质量，减小发动机振动，改善发动机性能。现有的优化方法多存在无法对多级转子装配后的质心/重心/惯性中心优化提供理论依据，仅仅考虑了多级转子装配过程中同心度的优化，没有考虑装配过程中转子质心/重心/惯性中心的优化以及未考虑单级转子圆轮廓测量误差和滤波误差在装配过程中的传递和放大作用，不能做到综合形心、质心、重心、和惯性中心的四目标优化的问题。
发明内容
本发明为了解决上述现有技术中的技术问题，提出的基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置，具体的：
一种基于形心质心重心惯性中心四心矢量极小化的大型高速回转装备矢量测量堆叠装配方法，所采取的技术方案如下，所述方法包括：
步骤一、建立单级转子四参数圆轮廓测量模型，利用所述四参数圆轮廓测量模型获得大型高速回转装备真实采样角度分布函数，所述大型高速回转装备真实采样角度分布函数为：
Figure BDA0001937941540000011
其中，
Figure BDA0001937941540000012
为相对于几何中心的采样角度，θi为相对于回转中心的采样角度，d为传感器测头偏移量，e为转子偏心量,α为转子偏心角，r0为拟合椭圆短轴，r为传感器测头半径，γ为回转轴线与几何轴线的夹角，β为几何轴线在测量平面上的投影与测量初始方向的夹角，n为采样点数；
步骤二、根据单级转子四参数圆轮廓测量模型，利用包络滤波原理获得基于非等间隔采样角度的形态学滤波器，在二维点集S中取任意一点P1，将点P1为起点与所述P1距离小于2α的点构成子集S1，其中，S为圆轮廓采样点的二维空间坐标点集，α为alpha圆盘半径；
步骤三、在子集S1中取任意一点P2，则存在两个半径为α的过P1和P2两点的alpha圆盘，所述alpha圆盘内外圆圆心的轨迹方程为：
Figure BDA0001937941540000021
或
Figure BDA0001937941540000022
其中，P0和P0’分别为两个alpha圆盘的圆心；并有
Figure BDA0001937941540000023
Figure BDA0001937941540000024
Figure BDA0001937941540000025
ρ0、
Figure BDA0001937941540000026
ρ0'、
Figure BDA0001937941540000027
ρ1、
Figure BDA0001937941540000028
ρ2、
Figure BDA0001937941540000029
分别为点P0、P0'、P1、P2在极坐标下的极径和极角；x0、y0、x0’、y0’分别为点P0、P0’的X和Y轴方向坐标；
步骤四、利用步骤三所述轨迹方程获取alpha包络边界
Figure BDA00019379415400000210
和采样点极坐标
Figure BDA00019379415400000211
关系，根据所述alpha包络边界
Figure BDA00019379415400000212
和采样点极坐标
Figure BDA00019379415400000213
关系获得单级转子圆轮廓信息；
步骤五、当偏心误差相对于拟合椭圆短轴为e/r0＜10-3时，将步骤一所述单级转子四参数圆轮廓测量模型进行幂级数展开，获得简化的四参数圆轮廓测量模型；所述简化的四参数圆轮廓测量模型为：
Figure BDA0001937941540000031
其中，li表示简化的四参数圆轮廓测量模型；
步骤六、将滤波后的的圆轮廓数据带入步骤五所述简化的四参数圆轮廓测量模型中，利用所述简化的四参数圆轮廓测量模型对单级转子偏心误差进行准确的估计，并获得单级转子偏心误差值；然后，依据单级转子偏心误差值，利用矢量堆叠投影理论，建立基于各级转子角向安装位置的多级转子形心、质心、重心、和惯性中心的四目标优化模型；
步骤七、将步骤六所述四目标优化模型获得的转子装配结果输入到BP神将网络进行预测，以补偿对模型预测值和实际测量值之间的偏差。
进一步地，步骤一所述单级转子四参数圆轮廓测量模型为：
Figure BDA0001937941540000032
其中，li为传感器测头到测量回转中心的距离，Δri为表面加工误差；ri为拟合椭圆第i个采样点到几何中心的距离，具体表达式为：
Figure BDA0001937941540000033
其中，r0为拟合椭圆短轴。
进一步地，骤四所述所述alpha包络边界
Figure BDA0001937941540000034
和采样点极坐标
Figure BDA0001937941540000035
关系表示为：
Figure BDA0001937941540000036
其中，n为圆轮廓采样点数，ρi、
Figure BDA0001937941540000037
分别为点P i在极坐标下的极径和极角；F为基于alphashape理论的非等间隔形态学滤波器设计法则。
进一步地，步骤六所述四目标优化模型的建立过程包括：
第一步、确定n级转子装配后，第k级转子累积偏心误差，所述第k级转子累积偏心误差为：
Figure BDA0001937941540000041
其中，dx0-k为n级转子装配后第k级转子测量面圆心在X轴方向上的累积偏心误差；dy0-k为n级转子装配后第k级转子测量面圆心在Y轴方向上的累积偏心误差；dz0-k为n级转子装配后第k级转子测量面圆心在Z轴方向上的累积偏心误差；pi为第i级转子径向测量面圆心的理想位置向量；dpi为第i级转子径向测量面圆心位置的加工误差向量；Sri为第i级转子绕Z轴旋转θri角度的旋转矩阵；Sr1为单位矩阵；Sxj-1为第j-1级转静子基准平面绕X轴旋转θxj-1角度的旋转矩阵；Syj-1为第j-1级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵；pi为第i级转子径向测量面圆心的理想位置向量；dpi为第i级转子径向测量面圆心位置的加工误差向量；Srj-1为第j-1级转静子绕Z轴旋转θrj-1角度的旋转矩阵；Sr1为单位矩阵；
第二步、依据同轴度的ISO标准定义，确定n级转子装配后同轴度，所述n级转子装配后同轴度表示为：
Figure BDA0001937941540000042
第三步、多级转子装配后，确定由各级转子偏心误差引起的第n级转子不平衡量，所述由各级转子偏心误差引起的第n级转子不平衡量为：
Figure BDA0001937941540000043
其中，Ux0-n为装配后第n级转子测量面在X轴方向上的不平衡量；Uy0-n为装配后第n级转子测量面在Y轴方向上的不平衡量；m0-n为装配后第n级转子的质量；
第四步、将单级转子自身不平衡量和装配过程中由各级转子偏心误差引入的不平衡量进行矢量相加，得到多级转子装配后任意一级转子的不平衡量；然后，将各级转子不平衡量分别投影到两个较正面，依据动平衡公式合成不平衡量，即可建立多级转子不平衡量的预测模型；随后，根据重力场分布情况确定重心位置，并结合质心相对回转轴线的偏心进一步确定转动惯量；
第五步、结合第二步获得的n级转子装配后同轴度和第四步获得初始不平衡量、重心位置和转动惯量，以及n级转子装配后同轴度、初始不平衡量、重心位置、转动惯量与角向安装位置之间的关系，建立基于各级转子角向安装位置的多级转子形心、质心、重心、和惯性中心的四目标优化模型。
进一步地，步骤七所述BP神经网络的预测过程包括：
第1步：设置学习因子u为0.03，训练目标最小偏差为0.0001；
第2步：导入数据，并对数据做归一化处理，使数据正常化；
第3步：计算第一层隐含层中20个神经元的加权和模型的输出值；
第4步：计算第二层隐含层中20个神经元的加权和模型的输出值；
第5步：计算模型的输出值与样本的均方误差值(MSE)，如果MSE没有达到训练目标，则通过对MSE相对权值的微分来反向传播误差，从而得到梯度；
第6步：利用公式W1＝W0-u×D1，更新权值矩阵；
第7步：BP神经网络预测模型使用更新后的权值重新计算，不断迭代直到MSE小于训练目标最小偏差。
进一步地，所述BP神经网络是以各级转子温度、湿度、拧紧力矩、定向误差、定位误差、不平衡量测量误差、转子高度、接触面半径误差因素为输入量，转子装配后同轴度、初始不平衡量、重心分布、转动惯量为输出量的四层BP神经网络预测模型；所述BP神经网络中包括两层网络隐含层，每层隐含层节点数为20个。
进一步地，所述BP神经网络过程基于六级模拟转子实测2000组数据，利用神经网络工具箱对BP神经网络模型进行训练；最大训练次数设置为1000，学习因子设置为0.03，训练目标最小偏差设置为0.0001；所述BP神经网络的工具箱将输入数据自动划分为训练数据、交叉验证数据和测试数据，所述训练数据、交叉验证数据和测试数据分别占数据总量的分别占70％、15％和15％。
一种实现所述方法的大型高速回转装备矢量测量堆叠装配，所采取的技术方案如下，所述装置包括基座1，气浮轴系2，调心调倾工作台3，分别为精密力传感器4a、4b、4c，静平衡测量平台5，立柱6，下横向测杆7，下伸缩式电感传感器8，上横向测杆9和上杠杆式电感传感器10；所述气浮轴系2嵌套在基座1中心位置上，调心调倾工作台3配置在气浮轴系2中心位置上，三个精密力传感器4a、4b、4c均匀配置在调心调倾工作台3上；静平衡测量平台5在三个精密力传感器4a、4b、4c上；立柱6分布在气浮轴系2的左侧且固装在基座1上；在立柱6上从上至下依次可移动调节地套装上横向测杆9和下横向测杆7，上杠杆式电感传感器10与上横向测杆9固定连接；下伸缩式电感传感器8与下横向测杆7固定连接。
本发明有益效果：
本发明提出的提出的基于形心质心重心惯性中心四心矢量极小化的大型高速回转装备堆叠装配方法分析了单级转子圆轮廓测量的采样角度分布特性和测量误差，将采集到的圆轮廓数据通过非等间隔形态学滤波器进行功能性滤波；考虑圆轮廓测量中的转子偏心、传感器测头偏移、传感器测球半径和测量面倾斜误差四个参数分量，建立了四参数圆轮廓测量模型，可以准确的估计出偏心误差；依据航空发动机转子的定位误差及定向误差在装配中的传递过程，确定第n级转子装配后的偏心量，得到多级转子装配后同轴度预测模型；同时，依据转子定位误差及定向误差在转子装配中的传递过程，得到装配后各级转子定位误差和定向误差引入的不平衡量，再复合单级转子自身不平衡量，将其分别投影到两个较正面，依据动平衡公式合成不平衡量，得到多级转子装配后不平衡量预测模型；依据重力场分布情况即可确定重心位置，并结合质心相对回转轴线的偏心可确定转动惯量；最后，建立了基于各级转子角向安装位置的多级转子形心、质心、重心、和惯性中心的四目标优化模型，利用遗传算法对各级转子角向安装位置优化，得到各级转子角向最佳安装相位，实现了多级转子装配优化。
本发明提出的基于形心质心重心惯性中心四心矢量极小化的大型高速回转装备堆叠装配装置能够根据优化结果准确实现多转子的优化装配体，极大程度上提高了装配精度、准确度和装配效率。
附图说明
图1为本发明所述BP神经网络进行多次仿真训练得到模型误差回归曲线图；
图2为本发明所述大型高速回转装备矢量测量堆叠装配的结构示意图；
(1为基座，2为气浮轴系，3为调心调倾工作台，4a、4b、4c分别为精密力传感器，5为静平衡测量平台，6为立柱，7为下横向测杆，8为下伸缩式电感传感器，9为上横向测杆，10为上杠杆式电感传感器)
具体实施方式
下面结合具体实施例对本发明做进一步说明，但本发明不受实施例的限制。
实施例1：
一种基于形心质心重心惯性中心四心矢量极小化的大型高速回转装备矢量测量堆叠装配方法，所采取的技术方案如下，所述方法包括：
步骤一、建立单级转子四参数圆轮廓测量模型，该模型包含被测单级转子偏心误差、传感器测头偏移量、传感器测球半径及测量面倾斜误差；在实际单级转子圆轮廓测量中，由于存在测量误差(如偏心误差、传感器测头偏移量等)会导致真实采样角度呈非等间隔分布，因此，利用所述四参数圆轮廓测量模型获得大型高速回转装备真实采样角度分布函数，所述大型高速回转装备真实采样角度分布函数为：
Figure BDA0001937941540000071
其中，
Figure BDA00019379415400000715
为相对于几何中心的采样角度，θi为相对于回转中心的采样角度，d为传感器测头偏移量，e为转子偏心量,α为转子偏心角，r0为拟合椭圆短轴，r为传感器测头半径，γ为回转轴线与几何轴线的夹角，β为几何轴线在测量平面上的投影与测量初始方向的夹角，n为采样点数；
步骤二、根据单级转子四参数圆轮廓测量模型，利用包络滤波原理获得基于非等间隔采样角度的形态学滤波器，在二维点集S中取任意一点P1，将点P1为起点与所述P1距离小于2α的点构成子集S1，其中，S为圆轮廓采样点的二维空间坐标点集，α为alpha圆盘半径；
步骤三、在子集S1中取任意一点P2，则存在两个半径为α的过P1和P2两点的alpha圆盘，所述alpha圆盘内外圆圆心的轨迹方程为：
Figure BDA0001937941540000072
或
Figure BDA0001937941540000073
其中，P0和P0’分别为两个alpha圆盘的圆心；并有
Figure BDA0001937941540000074
Figure BDA0001937941540000075
Figure BDA0001937941540000076
ρ0、
Figure BDA0001937941540000077
ρ0'、
Figure BDA0001937941540000078
ρ1、
Figure BDA0001937941540000079
ρ2、
Figure BDA00019379415400000710
分别为点P0、P0'、P1、P2在极坐标下的极径和极角；x0、y0、x0’、y0’分别为点P0、P0’的X和Y轴方向坐标；
步骤四、利用步骤三所述轨迹方程获取alpha包络边界
Figure BDA00019379415400000711
和采样点极坐标
Figure BDA00019379415400000712
关系，根据所述alpha包络边界
Figure BDA00019379415400000713
和采样点极坐标
Figure BDA00019379415400000714
关系获得单级转子圆轮廓信息；
步骤五、当偏心误差相对于拟合椭圆短轴为e/r0＜10-3时，将步骤一所述单级转子四参数圆轮廓测量模型进行幂级数展开，获得简化的四参数圆轮廓测量模型；所述简化的四参数圆轮廓测量模型为：
Figure BDA0001937941540000081
其中，li表示简化的四参数圆轮廓测量模型；
步骤六、将滤波后的的圆轮廓数据带入步骤五所述简化的四参数圆轮廓测量模型中，利用所述简化的四参数圆轮廓测量模型对单级转子偏心误差进行准确的估计，并获得单级转子偏心误差值；然后，依据单级转子偏心误差值，利用矢量堆叠投影理论，建立基于各级转子角向安装位置的多级转子形心、质心、重心、和惯性中心的四目标优化模型；
步骤七、将步骤六所述四目标优化模型获得的转子装配结果输入到BP神将网络进行预测，以补偿对模型预测值和实际测量值之间的偏差。
其中，步骤一所述单级转子四参数圆轮廓测量模型为：
Figure BDA0001937941540000082
其中，li为传感器测头到测量回转中心的距离，Δri为表面加工误差；ri为拟合椭圆第i个采样点到几何中心的距离，具体表达式为：
Figure BDA0001937941540000083
其中，r0为拟合椭圆短轴。
步骤四所述所述alpha包络边界
Figure BDA0001937941540000084
和采样点极坐标
Figure BDA0001937941540000085
关系表示为：
Figure BDA0001937941540000086
其中，n为圆轮廓采样点数，ρi、
Figure BDA0001937941540000087
分别为点Pi在极坐标下的极径和极角；F为基于alphashape理论的非等间隔形态学滤波器设计法则。
步骤六所述四目标优化模型的建立过程包括：
第一步、多级转子装配中，单级转子偏心误差会进行传递与累积，影响多级转子装配后的累积偏心误差，其中，确定n级转子装配后，第k级转子累积偏心误差，所述第k级转子累积偏心误差为：
Figure BDA0001937941540000091
其中，dx0-k为n级转子装配后第k级转子测量面圆心在X轴方向上的累积偏心误差；dy0-k为n级转子装配后第k级转子测量面圆心在Y轴方向上的累积偏心误差；dz0-k为n级转子装配后第k级转子测量面圆心在Z轴方向上的累积偏心误差；pi为第i级转子径向测量面圆心的理想位置向量；dpi为第i级转子径向测量面圆心位置的加工误差向量；Sri为第i级转子绕Z轴旋转θri角度的旋转矩阵；Sr1为单位矩阵；Sxj-1为第j-1级转静子基准平面绕X轴旋转θxj-1角度的旋转矩阵；Syj-1为第j-1级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵；pi为第i级转子径向测量面圆心的理想位置向量；dpi为第i级转子径向测量面圆心位置的加工误差向量；Sr j-1为第j-1级转静子绕Z轴旋转θrj-1角度的旋转矩阵；Sr1为单位矩阵；
第二步、依据同轴度的ISO标准定义，确定n级转子装配后同轴度，所述n级转子装配后同轴度表示为：
Figure BDA0001937941540000092
第三步、多级转子装配后，确定由各级转子偏心误差引起的第n级转子不平衡量，所述由各级转子偏心误差引起的第n级转子不平衡量为：
Figure BDA0001937941540000093
其中，Ux0-n为装配后第n级转子测量面在X轴方向上的不平衡量；Uy0-n为装配后第n级转子测量面在Y轴方向上的不平衡量；m0-n为装配后第n级转子的质量；
第四步、将单级转子自身不平衡量和装配过程中由各级转子偏心误差引入的不平衡量进行矢量相加，得到多级转子装配后任意一级转子的不平衡量；然后，将各级转子不平衡量分别投影到两个较正面，依据动平衡公式合成不平衡量，即可建立多级转子不平衡量的预测模型；随后，根据重力场分布情况确定重心位置，并结合质心相对回转轴线的偏心进一步确定转动惯量；
第五步、结合第二步获得的n级转子装配后同轴度和第四步获得初始不平衡量、重心位置和转动惯量，以及n级转子装配后同轴度、初始不平衡量、重心位置、转动惯量与角向安装位置之间的关系，建立基于各级转子角向安装位置的多级转子形心、质心、重心、和惯性中心的四目标优化模型。
利用四目标优化模型对多级转子装配后同轴度、初始不平衡量、重心分布、转动惯量预测时，由于实际装配过程中如装配环境温湿度、拧紧力矩等多因素对装配结果的耦合影响，预测值与实际值之间存在偏差，为补偿模型预测值和实际测量值的偏差，利用BP神经网络对转子装配结果进行预测。其中，基于大型高速回转装备装配工艺中温度、湿度、拧紧力矩、定向误差、定位误差、不平衡量测量误差、转子高度、接触面半径多因素耦合特性建立所述BP神经网络，所述BP神经网络是以各级转子温度、湿度、拧紧力矩、定向误差、定位误差、不平衡量测量误差、转子高度、接触面半径误差因素为输入量，转子装配后同轴度、初始不平衡量、重心分布、转动惯量为输出量的四层BP神经网络预测模型；所述BP神经网络中包括两层网络隐含层，每层隐含层节点数为20个。
所述BP神经网络过程基于六级模拟转子实测2000组数据，利用神经网络工具箱对BP神经网络模型进行训练；最大训练次数设置为1000，学习因子设置为0.03，训练目标最小偏差设置为0.0001；所述BP神经网络的工具箱将输入数据自动划分为训练数据、交叉验证数据和测试数据，所述训练数据、交叉验证数据和测试数据分别占数据总量的分别占70％、15％和15％。所述BP神经网络的预测执行过程包括：
第1步：设置学习因子u为0.03，训练目标最小偏差为0.0001；
第2步：导入数据，并对数据做归一化处理，使数据正常化；
第3步：计算第一层隐含层中20个神经元的加权和模型的输出值；
第4步：计算第二层隐含层中20个神经元的加权和模型的输出值；
第5步：计算模型的输出值与样本的均方误差值(MSE)，如果MSE没有达到训练目标，则通过对MSE相对权值的微分来反向传播误差，从而得到梯度；
第6步：利用公式W1＝W0-u×D1，更新权值矩阵；
第7步：BP神经网络预测模型使用更新后的权值重新计算，不断迭代直到MSE小于训练目标最小偏差。
经过BP神经网络模型处理后的结果如图1所示，从图中可以得出：训练、交叉验证及测试样本的回归系数R均大于0.9，相关性满足收敛要求，网络拟合效果满足要求。实现了多级转子智能化装配。
实施例2
一种实现所述方法的大型高速回转装备矢量测量堆叠装配，所采取的技术方案如下，所述装置包括基座1，气浮轴系2，调心调倾工作台3，分别为精密力传感器4a、4b、4c，静平衡测量平台5，立柱6，下横向测杆7，下伸缩式电感传感器8，上横向测杆9和上杠杆式电感传感器10；所述气浮轴系2嵌套在基座1中心位置上，调心调倾工作台3配置在气浮轴系2中心位置上，三个精密力传感器4a、4b、4c均匀配置在调心调倾工作台3上；静平衡测量平台5在三个精密力传感器4a、4b、4c上；立柱6分布在气浮轴系2的左侧且固装在基座1上；在立柱6上从上至下依次可移动调节地套装上横向测杆9和下横向测杆7，上杠杆式电感传感器10与上横向测杆9固定连接；下伸缩式电感传感器8与下横向测杆7固定连接。
虽然本发明已以较佳的实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的人，在不脱离本发明的精神和范围内，都可以做各种改动和修饰，因此本发明的保护范围应该以权利要求书所界定的为准。

Claims (7)

1.一种基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法，其特征在于，所述方法包括：
步骤一、建立单级转子四参数圆轮廓测量模型，利用所述四参数圆轮廓测量模型获得大型高速回转装备真实采样角度分布函数，所述大型高速回转装备真实采样角度分布函数为：
Figure FDA0002646621330000011
其中，
Figure FDA0002646621330000012
为相对于几何中心的采样角度，θi为相对于回转中心的采样角度，d为传感器测头偏移量，e为转子偏心量,α为转子偏心角，r0为拟合椭圆短轴，r为传感器测头半径，γ为回转轴线与几何轴线的夹角，β为几何轴线在测量平面上的投影与测量初始方向的夹角，n为采样点数；
步骤二、根据单级转子四参数圆轮廓测量模型，利用包络滤波原理获得基于非等间隔采样角度的形态学滤波器，在二维点集S中取任意一点P1，将点P1为起点与所述P1距离小于2α的点构成子集S1，其中，S为圆轮廓采样点的二维空间坐标点集，α为alpha圆盘半径；
步骤三、在子集S1中取任意一点P2，则存在两个半径为α的过P1和P2两点的alpha圆盘，所述alpha圆盘内外圆圆心的轨迹方程为：
Figure FDA0002646621330000013
或
Figure FDA0002646621330000014
其中，P0和P0’分别为两个alpha圆盘的圆心；并有
Figure FDA0002646621330000015
Figure FDA0002646621330000016
Figure FDA0002646621330000017
ρ0、
Figure FDA0002646621330000018
ρ0'、
Figure FDA0002646621330000019
ρ1、
Figure FDA00026466213300000110
ρ2、
Figure FDA00026466213300000111
分别为点P0、P0'、P1、P2在极坐标下的极径和极角；x0、y0、x0’、y0’分别为点P0、P0’的X和Y轴方向坐标；
步骤四、利用步骤三所述轨迹方程获取alpha包络边界
Figure FDA0002646621330000021
和采样点极坐标
Figure FDA0002646621330000022
关系，根据所述alpha包络边界
Figure FDA0002646621330000023
和采样点极坐标
Figure FDA0002646621330000024
关系获得单级转子圆轮廓信息；
步骤五、当偏心误差相对于拟合椭圆短轴为e/r0＜10-3时，将步骤一所述单级转子四参数圆轮廓测量模型进行幂级数展开，获得简化的四参数圆轮廓测量模型；所述简化的四参数圆轮廓测量模型为：
Figure FDA0002646621330000025
其中，li表示简化的四参数圆轮廓测量模型，Δri为表面加工误差；
步骤六、将滤波后的圆轮廓数据带入步骤五所述简化的四参数圆轮廓测量模型中，利用所述简化的四参数圆轮廓测量模型对单级转子偏心误差进行准确的估计，并获得单级转子偏心误差值；然后，依据单级转子偏心误差值，利用矢量堆叠投影理论，建立基于各级转子角向安装位置的多级转子形心、质心、重心、和惯性中心的四目标优化模型；
步骤六所述四目标优化模型的建立过程包括：
第一步、确定n级转子装配后，第k级转子累积偏心误差，所述第k级转子累积偏心误差为：
Figure FDA0002646621330000026
其中，dx0-k为n级转子装配后第k级转子测量面圆心在X轴方向上的累积偏心误差；dy0-k为n级转子装配后第k级转子测量面圆心在Y轴方向上的累积偏心误差；dz0-k为n级转子装配后第k级转子测量面圆心在Z轴方向上的累积偏心误差；pi为第i级转子径向测量面圆心的理想位置向量；dpi为第i级转子径向测量面圆心位置的加工误差向量；Sri为第i级转子绕Z轴旋转θri角度的旋转矩阵；Sr1为单位矩阵；Sxj-1为第j-1级转静子基准平面绕X轴旋转θxj-1角度的旋转矩阵；Syj-1为第j-1级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵；Srj-1为第j-1级转静子绕Z轴旋转θrj-1角度的旋转矩阵；
第二步、依据同轴度的ISO标准定义，确定n级转子装配后同轴度，所述n级转子装配后同轴度表示为：
Figure FDA0002646621330000031
第三步、多级转子装配后，确定由各级转子偏心误差引起的第n级转子不平衡量，所述由各级转子偏心误差引起的第n级转子不平衡量为：
Figure FDA0002646621330000032
其中，Ux0-n为装配后第n级转子测量面在X轴方向上的不平衡量；Uy0-n为装配后第n级转子测量面在Y轴方向上的不平衡量；m0-n为装配后第n级转子的质量；
第四步、将单级转子自身不平衡量和装配过程中由各级转子偏心误差引入的不平衡量进行矢量相加，得到多级转子装配后任意一级转子的不平衡量；然后，将各级转子不平衡量分别投影到两个较正面，依据动平衡公式合成不平衡量，即可建立多级转子不平衡量的预测模型；随后，根据重力场分布情况确定重心位置，并结合质心相对回转轴线的偏心进一步确定转动惯量；
第五步、结合第二步获得的n级转子装配后同轴度和第四步获得初始不平衡量、重心位置和转动惯量，以及n级转子装配后同轴度、初始不平衡量、重心位置、转动惯量与角向安装位置之间的关系，建立基于各级转子角向安装位置的多级转子形心、质心、重心、和惯性中心的四目标优化模型；
步骤七、将步骤六所述四目标优化模型获得的转子装配结果输入到BP神经网络进行预测，以补偿对模型预测值和实际测量值之间的偏差。
2.根据权利要求1所述大型高速回转装备测量与智能学习装配方法，其特征在于，步骤一所述单级转子四参数圆轮廓测量模型为：
Figure FDA0002646621330000033
其中，li为传感器测头到测量回转中心的距离，Δri为表面加工误差；ri为拟合椭圆第i个采样点到几何中心的距离，具体表达式为：
Figure FDA0002646621330000034
其中，r0为拟合椭圆短轴。
3.根据权利要求1所述大型高速回转装备测量与智能学习装配方法，其特征在于，骤四所述alpha包络边界
Figure FDA0002646621330000035
和采样点极坐标
Figure FDA0002646621330000036
关系表示为：
Figure FDA0002646621330000041
其中，n为圆轮廓采样点数，ρi、
Figure FDA0002646621330000042
分别为点Pi在极坐标下的极径和极角；F为基于alphashape理论的非等间隔形态学滤波器设计法则。
4.根据权利要求1所述大型高速回转装备测量与智能学习装配方法，其特征在于，所述BP神经网络是以各级转子温度、湿度、拧紧力矩、定向误差、定位误差、不平衡量测量误差、转子高度、接触面半径误差因素为输入量，转子装配后同轴度、初始不平衡量、重心分布、转动惯量为输出量的四层BP神经网络预测模型。
5.根据权利要求1所述大型高速回转装备测量与智能学习装配方法，其特征在于，所述BP神经网络过程基于六级模拟转子实测2000组数据，利用神经网络工具箱对BP神经网络模型进行训练；最大训练次数设置为1000，学习因子设置为0.03，训练目标最小偏差设置为0.0001；所述BP神经网络的工具箱将输入数据自动划分为训练数据、交叉验证数据和测试数据，所述训练数据、交叉验证数据和测试数据分别占数据总量的分别占70％、15％和15％。
6.根据权利要求1所述大型高速回转装备测量与智能学习装配方法，其特征在于，步骤七所述BP神经网络的预测过程包括：
第1步：设置学习因子u为0.03，训练目标最小偏差为0.0001；
第2步：导入数据，并对数据做归一化处理，使数据正常化；
第3步：计算第一层隐含层中20个神经元的加权和模型的输出值；
第4步：计算第二层隐含层中20个神经元的加权和模型的输出值；
第5步：计算模型的输出值与样本的均方误差值MSE，如果MSE没有达到训练目标，则通过对MSE相对权值的微分来反向传播误差，从而得到梯度；
第6步：利用公式W1＝W0-u×D1，更新权值矩阵；
第7步：BP模型使用更新后的权值重新计算，不断迭代直到MSE小于训练目标最小偏差。
7.一种实现权利要求1所述方法的大型高速回转装备测量与智能学习装配装置，其特征在于，所述装置包括基座(1)，气浮轴系(2)，调心调倾工作台(3)，分别为精密力传感器(4a、4b、4c)，静平衡测量平台(5)，立柱(6)，下横向测杆(7)，下伸缩式电感传感器(8)，上横向测杆(9)和上杠杆式电感传感器(10)；所述气浮轴系(2)嵌套在基座(1)中心位置上，调心调倾工作台(3)配置在气浮轴系(2)中心位置上，三个精密力传感器(4a、4b、4c)均匀配置在调心调倾工作台(3)上；静平衡测量平台(5)在三个精密力传感器(4a、4b、4c)上；立柱(6)分布在气浮轴系(2)的左侧且固装在基座(1)上；在立柱(6)上从上至下依次可移动调节地套装上横向测杆(9)和下横向测杆(7)，上杠杆式电感传感器(10)与上横向测杆(9)固定连接；下伸缩式电感传感器(8)与下横向测杆(7)固定连接。
CN201910012743.3A 2019-01-07 2019-01-07 基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置 Active CN110595690B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910012743.3A CN110595690B (zh) 2019-01-07 2019-01-07 基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置
US16/375,117 US11480490B2 (en) 2019-01-07 2019-04-04 Large-scale high-speed rotary equipment measuring and intelligent learning assembly method and device based on vector minimization of geometry center, mass center, center of gravity and center of inertia

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910012743.3A CN110595690B (zh) 2019-01-07 2019-01-07 基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置

Publications (2)

Publication Number Publication Date
CN110595690A CN110595690A (zh) 2019-12-20
CN110595690B true CN110595690B (zh) 2020-11-13

Family

ID=68852490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910012743.3A Active CN110595690B (zh) 2019-01-07 2019-01-07 基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置

Country Status (2)

Country Link
US (1) US11480490B2 (zh)
CN (1) CN110595690B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7135743B2 (ja) * 2018-11-06 2022-09-13 日本電信電話株式会社 分散処理システムおよび分散処理方法
CN110595690B (zh) * 2019-01-07 2020-11-13 哈尔滨工业大学 基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置
CN111413030B (zh) * 2019-01-07 2021-10-29 哈尔滨工业大学 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置
CN110094424B (zh) * 2019-05-07 2020-08-11 哈尔滨工业大学 用于转子静平衡的剖分式可调摆角的静压气体轴承装置
CN111160642A (zh) * 2019-12-26 2020-05-15 哈尔滨工业大学 一种基于pso-bp神经网络的大型高速回转装备同轴度预测方法
CN112417593B (zh) * 2020-11-18 2024-02-23 西北工业大学 一种航空发动机圆弧端齿连接装配安装角度的优化方法
CN112577669B (zh) * 2020-12-15 2022-08-12 上海卫星工程研究所 分体式卫星在轨两舱质心辨识方法及系统
CN113435110B (zh) * 2021-06-04 2022-06-21 西北工业大学 一种面向装配过程的低压转子多工序不平衡量预测方法
CN114112190B (zh) * 2021-10-20 2024-09-06 湖北三江航天江北机械工程有限公司 异型脆性陶瓷结构件质心、质偏检测工装及检测方法
CN114417532B (zh) * 2022-01-21 2024-04-16 西安交通大学 一种圆光栅编码器装配倾斜误差优化方法及系统
CN115146399B (zh) * 2022-05-23 2024-09-06 西北工业大学 一种面向装配过程的低压转子同轴度预测方法
CN115096244B (zh) * 2022-06-14 2024-09-24 哈尔滨工业大学 一种以惯性轴为回转轴的高速回转装备同轴度测量方法
CN115062413B (zh) * 2022-06-20 2024-07-16 中国重汽集团济南动力有限公司 一种适用于整车装配质量控制的工艺方案优化方法
CN115165213A (zh) * 2022-06-30 2022-10-11 西北工业大学 一种基于双平台的组合式质心测量装置及方法
CN115265913B (zh) * 2022-07-13 2023-07-28 哈尔滨工业大学 一种基于平行轴推广定理的大型高速回转装备惯性中心测量方法
CN115790976B (zh) * 2023-02-07 2023-04-14 西安航天精密机电研究所 高精度陀螺仪的h型动压电机工作稳定性测试方法
CN117993099B (zh) * 2024-02-01 2024-08-27 南京航空航天大学 一种起落架撑杆结构的优化方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103791816B (zh) * 2014-02-14 2015-06-17 哈尔滨工业大学 基于同心度与垂直度测量的航空发动机转子装配方法与装置
CN103808252B (zh) * 2014-02-14 2015-07-08 哈尔滨工业大学 龙门式航空发动机转子气浮装配方法与装置
CN103899367B (zh) * 2014-02-14 2015-07-29 哈尔滨工业大学 航空发动机转子堆叠装配方法与装置
JP6570957B2 (ja) * 2015-10-06 2019-09-04 Ｏｋｋ株式会社 機械構造体の幾何誤差同定方法と当該幾何誤差同定方法を使用した数値制御方法、数値制御装置及びマシニングセンタ
CN105426565B (zh) * 2015-10-15 2018-02-16 哈尔滨工业大学 基于概率密度技术的大型高速回转装备形位公差分配方法
CN105677564A (zh) * 2016-01-04 2016-06-15 中国石油大学(华东) 基于改进的Adaboost软件缺陷不平衡数据分类方法
CN105511234A (zh) * 2016-01-14 2016-04-20 哈尔滨工业大学 基于无线能量传输的动磁钢磁浮双工件台矢量圆弧换台方法及装置
CN106625398B (zh) * 2017-01-03 2019-05-14 哈尔滨工业大学 一种航空发动机转子装配方法和装置
CN106837426B (zh) * 2017-02-16 2020-01-17 中国航发沈阳发动机研究所 一种发动机核心机转子质心偏心的优化方法
CN109579694B (zh) * 2018-12-26 2021-03-16 哈尔滨工业大学 一种高容差的二自由度外差光栅干涉测量方法及系统
CN111475890A (zh) * 2019-01-07 2020-07-31 哈尔滨工业大学 基于偏心矢量跟随测调的大型高速回转装备零部件相对间隙参数分配方法
CN111475903B (zh) * 2019-01-07 2024-06-18 哈尔滨工业大学 基于多偏置误差同步补偿的大型高速回转装备多级零部件动力学特性逐级测调和分配方法
CN110598229B (zh) * 2019-01-07 2020-10-16 哈尔滨工业大学 基于蒙特卡罗偏差评估的大型高速回转装备多级零部件优化方法
CN111413030B (zh) * 2019-01-07 2021-10-29 哈尔滨工业大学 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置
CN110595690B (zh) * 2019-01-07 2020-11-13 哈尔滨工业大学 基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置
CN111413031B (zh) * 2019-01-07 2021-11-09 哈尔滨工业大学 基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置
GB201908497D0 (en) * 2019-06-13 2019-07-31 Rolls Royce Plc Computer-implemented methods for controlling a gas turbine engine
GB201908494D0 (en) * 2019-06-13 2019-07-31 Rolls Royce Plc Computer-implemented methods for training a machine learning algorithm
GB201908496D0 (en) * 2019-06-13 2019-07-31 Rolls Royce Plc Computer-implemented methods for determining compressor operability

Also Published As

Publication number Publication date
US20200217737A1 (en) 2020-07-09
US11480490B2 (en) 2022-10-25
CN110595690A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN110595690B (zh) 基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置
CN111413030B (zh) 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置
CN111413031B (zh) 基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置
CN109960867B (zh) 一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法
CN111475903B (zh) 基于多偏置误差同步补偿的大型高速回转装备多级零部件动力学特性逐级测调和分配方法
CN110153664A (zh) 基于bp神经网络的大型高速回转装备多级零部件装配方法和装置
CN110598229B (zh) 基于蒙特卡罗偏差评估的大型高速回转装备多级零部件优化方法
CN105426565B (zh) 基于概率密度技术的大型高速回转装备形位公差分配方法
CN110608668B (zh) 一种基于三点称重的航空发动机转子装配测量装置及双目标优化方法
CN105426566B (zh) 基于蒙特卡罗技术的大型高速回转装备形位公差分配方法
CN109871947A (zh) 基于卷积神经网络的大型高速回转装备多级零部件初始不平衡量逐级堆叠方法和装置
CN111238729B (zh) 一种大尺寸光电经纬仪俯仰轴的精密静平衡配平方法
CN109115408B (zh) 一种基于离心力方程的大型水电机组动平衡试验方法
CN105478245B (zh) 基于主轴振动检测的双自由度精密离心机副轴动不平衡量辨识方法
CN110119553A (zh) 一种止口连接的航空发动机转子零件选配优化方法
CN109960870B (zh) 基于接触面积极大化测调的大型高速回转装备多级零部件刚度预测方法
CN108534996B (zh) 一种基于微振动瀑布图的飞轮刚度参数提取方法
CN110608667B (zh) 一种基于三点称重的航空发动机转子装配测量装置及三目标优化方法
CN113190786B (zh) 一种大型旋转装备利用多维装配参数的振动预测方法
CN110608666B (zh) 一种基于四点称重的航空发动机转子装配测量装置及三目标优化方法
CN111982402B (zh) 考虑初始不平衡量的航空发动机转子零件选配优化方法
CN110595689B (zh) 一种大型高速回转装备多级零部件不平衡量预测方法及零部件装配装置
CN110608665B (zh) 一种基于四点称重的航空发动机转子装配测量装置及双目标优化方法
CN111076867B (zh) 基于质心和惯性中心同步测调的大型高速回转装备多级零部件不平衡量分配方法
CN111076866B (zh) 基于形心矢量和极小化的大型高速回转装备多级零部件不平衡量堆叠装配方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant