CN112380616A - 高复杂易形变航天舱段高精度数字孪生对接装配方法 - Google Patents
高复杂易形变航天舱段高精度数字孪生对接装配方法 Download PDFInfo
- Publication number
- CN112380616A CN112380616A CN202011161384.7A CN202011161384A CN112380616A CN 112380616 A CN112380616 A CN 112380616A CN 202011161384 A CN202011161384 A CN 202011161384A CN 112380616 A CN112380616 A CN 112380616A
- Authority
- CN
- China
- Prior art keywords
- assembly
- cabin
- butt joint
- matching
- training
- 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.)
- Granted
Links
- 210000001503 joint Anatomy 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 230000003993 interaction Effects 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 59
- 239000002245 particle Substances 0.000 claims description 48
- 238000005259 measurement Methods 0.000 claims description 27
- 238000003032 molecular docking Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000036544 posture Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000009916 joint effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 235000015842 Hesperis Nutrition 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 108010066057 cabin-1 Proteins 0.000 description 1
- 108010066114 cabin-2 Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
Abstract
本发明涉及高复杂易形变航天舱段高精度数字孪生对接装配方法，包括以下步骤：构建基于实测数据的数字孪生模型，用于多级轴孔配合航天舱段对接提供模型；在数字空间利用路径寻优优化算法及仿真软件仿真验证交互实现装配最优路径规划；根据装配最优路径，通过数字空间与物理空间的虚实实时交互实现多级轴孔配合对接过程虚实交互控制执行，完成航天舱段的对接装配。本发明可避免多级轴孔配合易形变舱段对接过程发生错位卡死等现象，保证一次对接成功率，提高对接效率及精度；同时实现批量多级轴孔配合易形变舱段的可装配性预测及优化选配，避免传统的试装过程，提升批量舱段的整体可装配性及装配性能。
Description
技术领域
本发明属于航天舱段数字孪生对接总装领域，具体的说是提供一种多级轴孔配合的大型易形变航天舱段高精度数字孪生对接装配方法及批量舱段对接装配优化选配方法。
技术背景
为保证航天产品连接的可靠性及精度，固体火箭发动机、超大型火箭等受力大、精度要求高的航天产品设计为多级轴孔配合装配接口，其通过多级轴孔冗余定位配合提高受力特性及产品密封性能，如图1所示。由于固体火箭发动机等航天舱段尺寸重量大且为薄壁壳体，对接装配时多台阶薄壁定位接口易发生形变，其变形示意图如图2a～图2c所示，给航天舱段自动对接装配提出了极高难点。主要在于：1)制造误差及重力变形导致多级台阶之间的基准关系发生无规律变化，仅依靠测量最外部基准进行对接时内部精密配合台阶会发生干涉，但内部干涉情况在物理空间不可见、不可测，进行高精度的盲对极易发生碰撞干涉，只能靠高技能工人依靠长期的经验与感觉缓慢谨慎调整才能完成对接；2)相比设计模型，多级台阶发生空间位置及姿态复杂耦合变形，对接需要同时满足每级台阶位置姿态6个空间变量装配要求，3级台阶需要同时满足18个变量约束，多约束、高精度下对接路径窗口极窄，极其苛刻。3)多级台阶轴孔配合变形后可能变形超量无法对接，即使能对接也可能间隙超差使质量不合格，如何预先判定批量产品可装配性并预测其装配性能难度大。
舱段对接是航空航天领域通用工艺，国内已有许多专家对对接工艺进行了大量研究，并发明了相关装备及检测装置等。如ZL201811316774.X发明了一种舱段自动对接装置，设备利用传感器检测两个舱段之间的相对位姿,达到对接条件之后,自动进行对接。ZL201711270909.9发明了一种舱段类零件自动对接装置及控制方法，包括六自由度调资平台、对接测量平台、对接控制平台、对接上位机监控平台等，实现舱段类零件自动对接。ZL201911313455.8发明了一种多功能火箭舱段对接车，实现对接装置的移动化。上述文献都是针对一般舱段进行的高精度对接，并未考虑多台阶轴孔配合下形变影响带来的复杂性，也无对批量舱段进行优化匹配提升其整体可装配性及整体装配质量。本发明着重针对多级轴孔配合易形变的特殊舱段实现其高精度对接及优化选配，并采用数字孪生、人工智能等新一代信息技术解决其对接装配难题。
发明内容
本发明的物理设备组成如图3所示，主要由舱段位置姿态调整设备、三维扫描重建设备、视觉位置姿态测量设备组成，物理设备各部分均为成熟技术。其中舱段位置姿态调试设备为6自由度并联平台，通称stewart平台，是通用设备；三维扫描重建设备为三维扫描重建设备为三维信技测量技术(苏州)有限公司英文3D Infotech(Suzhou)Co.,Ltd.的UMASmart Cell扫描装置；视觉位置姿态测量装置为双目视觉测量装置，详见专利201910392468.2“一种多靶标识别跟踪解算方法”。数字孪生模型构建仿真软件为西门子设计软件NX及装配仿真软件Process Simulate，是通用的商业软件。
本发明采用如下技术方案：高复杂易形变航天舱段高精度数字孪生对接装配方法，通过激光扫描测量建立航天舱段的数字孪生模型，规划对接路径，控制航天舱段根据规划的对接路径进行对接装配控制，包括以下步骤：
步骤1：构建基于实测数据的数字孪生模型，用于多级轴孔配合航天舱段对接提供模型；
步骤2:在数字空间利用路径寻优优化算法及仿真软件仿真验证交互实现装配最优路径规划；
步骤3：根据装配最优路径，通过数字空间与物理空间的虚实实时交互实现多级轴孔配合对接过程虚实交互控制执行，完成航天舱段的对接装配。
所述步骤1包括以下步骤：
步骤1.1：在两对接舱段上设置用于表示舱段空间位姿的外部测量基准；
步骤1.2：在用于航天舱段对接的舱段位置姿态调整设备上设置基准点；
步骤1.3：采用三维扫描测量装置对舱段变形后的多台阶对接接口、外部测量基准进行测量，形成舱段的对接接口测量点云数据；
步骤1.4：将测量点云数据转换为仿真软件可识别的CAD模型；
步骤1.5：将CAD模型通过装配仿真软件，并根据实测外部测量基准与设备基准点，建立舱段模型作为数字孪生模型，以及其与舱段位置姿态调整设备之间的坐标关系，以保证数字的舱段模型与真实物理状态一致。
所述步骤2包括以下步骤：
步骤2.1：在对接路径寻优建模过程中，每个粒子代表对接的两舱段装配轨迹启停中心点位置，包括起始位置和终点位置，对其三维坐标进行编码，限定装配轨迹启停中心点移动范围，随机初始化位置，以装配间隙最小为优化目标；所述装配间隙为两舱段外部测量基准之间的距离；
步骤2.2：初始化粒子群优化算法中的参数：种群粒子个数M，搜索空间维度Ds，下限Ld和上限Ud，学习因子c1、c2，算法最大迭代次数Tmax或收敛精度ξ，粒子速度范围[Vmin,Vmax]；
步骤2.3：随机初始化搜索点的位置
及其速度
设当前位置即为每个粒子的
从个体极值找出全局极值，记录该全局极值的粒子序号g及其位置
右上标0表示初始化；
步骤2.4：通过装配仿真软件计算每个粒子的适应值即装配间隙，如果所计算的粒子的适应值大于该粒子当前的个体极值，则将计算的粒子当前位置pi设置为该粒子的位置，且更新个体极值；如果所有粒子的个体极值中适应度最大的大于当前的全局极值,则将pg设置为该粒子的位置，更新全局极值及其序号g；
步骤2.5：粒子的状态更新，每一个粒子在t+1时刻的速度和位置分别通过下式更新获得：
其中，r1和r2为[0,1]区间的随机数，如果vi＞Vmax将其置为Vmax，如果vi＜Vmin将其置为Vmin；ω表示惯性因子；d＝1…Ds；
步骤2.6：如果当前的迭代次数达到了预先设定的最大次数Tmax，即t＞Tmax，或者最终结果小于预定收敛精度ξ要求，则停止迭代，将此时输出的粒子作为最优解，否则返回步骤2.4；
步骤2.7：返回步骤2.3，直至多对儿对接舱段的所有匹配件路径寻优完成；
步骤2.8：最优解为装配最优路径，在装配仿真软件中转化为装配配合关系，并进入步骤4.1，进行匹配关系的分数计算。
所述步骤3包括以下步骤：
步骤3.1：将步骤2中在数字空间规划的装配最优路径传输至舱段位置姿态调整设备即stewart平台的控制器；
步骤3.2：stewart平台控制器根据stewart平台分解成平台各驱动电机的控制指令，控制平台按stewart平台进行舱段对接装配的空间位置姿态调整；
步骤3.3：视觉测量装置实时对步骤1.1中构建的外部测量基准进行舱段位置姿态进行测量，并将实际测量信息反馈至数字空间的装配仿真软件中；
步骤3.4：仿真软件根据实际测量信息同步调整数字空间中舱段的位置姿态，并通过装配仿真软件进行对接调整偏差判定，并将偏差信息反馈至物理空间stewart平台；
步骤3.5：物理空间stewart平台根据数字空间的偏差反馈信息进行闭环控制调整，直至完成对接装配。
还包括步骤4：构建批量变形舱段数据样本集，通过多级台阶轴孔配合的变形误差符合某一特定分布，在数据样本集的基础上，利用对抗生成网络算法对原始数据进行增强，包括以下步骤：
步骤4.1：准备数据集P：以A、B两个对接舱段3级轴孔配合的多台阶对接接口形状为输入变量，每个舱段包含6个变量，三个台阶共18个变量；其中，6个变量分别为台阶轴或孔轴X向长度、与轴线垂直的Y向及Z向长度，以及每个台阶三个方向滚转、偏航及俯仰的状态角度；以是否碰撞及三级轴孔配合最大间隙平均值作为装配质量衡量指标作为输出，碰撞无法对接为-5分，以平均间隙量大小分为1～5分，平均间隙越小，分值越高，利用历史数据形成初始训练数据集P；
步骤4.2：建立两个多层感知机分别作为判别器D和生成器G，初始化参数θd为判别器，θg为生成器；
步骤4.3：从数据集P采样，选出m个样本点X＝{x1,x2,…,xm}，每个样本点表示3个台阶的三个位置及三个姿态转角18个变量；
步骤4.4：随机选取一个分布进行采样，找到m个向量Z＝{z1,z2,…,zm}，将Z作为输入从生成器G中生成m个新数据
即
步骤4.5：为Z和X打标签，对判别器D进行训练，在训练过程中更新判别器θd最大化V，如下所示：
上升随机梯度，使得
η是超参数；
步骤4.6：返回步骤4.3，进行迭代训练，直到判别器D训练次数到达预设条件；
步骤4.7：再次随机选取一个分布进行采样，找到m个向量Z'＝{z'1,z'2,…,z'm}，将Z'作为输入从生成器G中生成m个新数据
即
步骤4.8：固定判别器参数θd，为Z'打标签为1，作为输入进入判别器D，以判别结果的准确率对生成器G进行训练，最小化
上升随机梯度，使得
η是超参数；
步骤4.9：返回步骤4.7，进行迭代训练，直到生成器G训练次数到达预设条件；
步骤4.10：重复步骤1.3～3.5，进行迭代训练，直到对抗生成网络训练次数到达预设条件；
步骤4.11：利用训练好的生成器G生成新的训练数据Pn；
步骤4.12：针对数据集Pn，重复步骤2.1-2.8，在数字空间再次利用路径寻优优化算法及仿真软件仿真验证交互实现最优装配对接路径规划，计算碰撞及三级轴孔配合最大装配间隙平均值；
步骤4.13：形成分类训练数据集Pu＝P∪Pn，用于下一阶段的装配质量预测的分类模型训练.
还包括步骤5：构建支撑向量机分类学习算法模型，在装配仿真环境中进行不同产品的对接训练，得到预测最优分类，包括以下步骤：
步骤5.1：将数据集Pu匹配分类标签，以碰撞及三级轴孔配合最大装配间隙平均值作为装配质量衡量指标，建立标签，平均间隙越小，分值越高，建立分类数据样本集S＝{(xi,yj)|i＝1,2,…,l,xi∈Pu,yj∈Z*}，其中l为样本集S的样本个数，样本表示18个变量和分值标签的数据集；xi为样本向量，yj为标签集合；j＝1,2,...,5，Z*表示是正整数集；
步骤5.2：数据样本集S进行数据归一化处理；
步骤5.3：将归一化后的数据样本集S划分为训练样本Strain和测试样本Stest；
步骤5.4：超平面记作f(x)＝＜w,x＞+b,w∈Rn,b∈R，构造最优分类函数为：
其中αj为Lagrange乘数，w、b均为模型参数，Rn表示实数集合；*表示向量，
步骤5.5：将训练样本Strain代入最优分类函数进行模型训练，将x做从输入空间Rn到特征空间H的变换Φ，得到：
x→Φ(x)＝(Φ1(x),Φ2(x),…,Φl(x))T
以特征向量Φ(x)代替输入向量x，则可以得到最优分类函数为：
步骤5.6：利用测试样本Stest进行10倍交叉验证；
步骤5.7：得到最佳参数向量w、b，进而得到的最优分类函数作为预测分类模型；
步骤5.8：利用预测分类模型对多级台阶轴孔进行匹配分类，得到配对孔两两配对平均间隙量分数集C＝{(Ai,Bj,γij)|i＝1,2,…,n,j＝1,2,…,n,γij∈Z*}，其中，Ai和Bj为相互配对的多级台阶轴孔，n为Ai和Bj的数量，γij为平均间隙量分数。
还包括步骤6：构建KM最优匹配算法模型，并利用分类训练结果，以装配质量总分值最高为目标，实现两组对接航天舱段的最优匹配分类，包括以下步骤：
步骤6.1：建立一个二维无向图邻接矩阵来储存平均间隙量分数集C；
步骤6.2：运用贪心算法初始化顶标，对每个顶点Ai和Bj赋值，称为顶标，将Ai所在一侧的顶点赋值为与其相连的边的最大权重CAi＝max{γij}，Bj一侧的顶点赋值为CBj＝0，边权重ω(CAi,CBj)＝CAi+CBj；
步骤6.3：运用匈牙利算法得到完备匹配，匹配的原则是只和权重与一侧顶标相同的边进行匹配，即CAi+CBj≥ω(CAi,CBj)；
步骤6.4：如果找不到符合条件的匹配，对此条路径的所有一侧顶点的顶标减变量d，所有右边顶点的顶标加d；
步骤6.5：重复3.3，3.4的步骤，直到匹配完所有舱段时可结束；
步骤6.6：输出最终两组对接航天舱段的最优匹配结果。
本发明具有以下有益效果及优点：
1.本发明通过数字孪生技术及装配路径寻优方法实现了多级轴孔配合易形变舱段的高精度智能对接，避免对接过程发生错位卡死等现象，保证一次对接成功率，提高复杂易形变舱段对接效率及精度。通过在非对接接口部分引入外部可测基准，采用激光扫描方法实测变形后的装配接口及装配接口与引入的外部基准的精确坐标对应关系，并将变形后的接口及其外部基准在数字空间中的装配仿真软件中建立高精度实测数字孪生模型，在装配仿真软件中进行对接装配路径可装配性的仿真验证，并通过对接路径寻优算法与仿真软件的多次反馈交互实现最优对接装配路径的规划。同时开发虚实交互接口实现仿真软件与实际物理设备的信息交互，将规划好的对接装配路径传输至设备控制系统，驱动设备完成高精度对接。设备进行对接装配路径执行控制时，通过视觉测量装置测量外部基准得到物理空间舱段的实时状态，并将舱段实时状态反馈至数字空间的装配仿真软件中，在装配仿真软件中实现多级轴孔内部不可见配合状态的可视化及干涉判断，并作为实时反馈信息指导物理空间设备精确控制装配路径完成高精度对接。
2.本发明通过数字孪生、人工智能及优化选配方法实现了批量多级轴孔配合易形变舱段的可装配性预测及优化选配，避免传统的试装过程，提升批量舱段的整体可装配性及装配性能。通过批量舱段变形状态对接装配的历史数据，确定变形的最大、最小包络范围；通过网络对抗生成算法随机化生成一系列在包络范围内的变形舱段数字孪生模型作为机器学习的训练数据集；采用支撑向量机学习算法进行对接训练构建可对接性分类预测模型，进行批量舱段两两之间的可对接性及对接后质量性能进行分类；以整体可装配性最高且对接后质量最优为目标，通过优化配对算法实现批量舱段的两两优化配对，提升批量舱段的整体可装配性及整体质量性能。
附图说明
图1是航天舱段多级轴孔配合形式示意图；
图2a是多级轴孔配合航天舱段变形状态示意图；
图2b是多级轴孔配合航天舱段变形状态示意图；
图2c是多级轴孔配合航天舱段变形状态示意图；
图3是本发明的物理设备组成结构示意图；
图4是引入的舱段外部测量基准点及设备标识基准点结构示意图；
图5是多级台阶轴孔配合不规则变形接口对接路径寻优流程图；
图6是多级台阶轴孔配合预测算法流程图；
图7是贪心算法初始化顶标的示意图；
图8是多级轴孔配合易形变航天舱段高精度数字孪生对接装配及优化选配方法路程图；
其中，3-1舱段位置姿态调整设备、3-2三维扫描重建设备、3-3视觉位置姿态测量设备、3-4舱段1、3-5舱段2、4-1舱段1的外部基准，4-2舱段2的外部基准、4-3舱段位置姿态调整设备3-1的标识基准点。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
本发明提供一种多级轴孔配合的大型易形变航天舱段高精度数字孪生对接装配方法及批量舱段优化选配方法，包括物理空间对接检测设备、数字空间装配仿真软件及优化算法。通过激光扫描测量在装配仿真软件中建立高精度实测数字孪生模型；通过装配路径寻优算法与装配仿真软件交互实现对接路径的自主规划；物理空间设备根据数字空间规划路径进行对接装配控制，同时通过视觉测量装置测量舱段实时状态，并反馈至装配仿真软件中，实现多级轴孔内部不可见配合状态的间隙及干涉判断，并将信息反馈至物理空间设备指导精确控制完成高精度对接。通过舱段变形状态的历史数据及随机化生成的大量变形舱段数字孪生模型作为训练数据集，构建舱段可对接性分类预测模型，实现批量舱段可对接性及对接后质量性能分类，并通过优化配对算法实现批量舱段的两两优化配对。本发明可避免多级轴孔配合易形变舱段对接过程发生错位卡死等现象，保证一次对接成功率，提高对接效率及精度；同时实现批量多级轴孔配合易形变舱段的可装配性预测及优化选配，避免传统的试装过程，提升批量舱段的整体可装配性及装配性能。其中，高复杂表示装配过程复杂，耗时长，一般单次装配达到4小时以上，易变形指材质表示材质为薄壁钢，尤其为壁厚在5毫米以下的薄壁钢。
数字孪生技术为解决多级轴孔配合易形变舱段对接装配难题提供了新手段。通过在物理空间实测舱段多级轴孔变形后真实形状，并设置外部基准，在数字空间进行变形接口模型及其与外部可见基准的重建，在数字仿真环境中实现不可见接口的可视化，为物理空间对接调整提供闭环反馈信息。在数字化空间通过仿真软件对不同轨迹进行仿真验证，并结合优化算法进行对接轨迹循环寻优及仿真验证，可求得最优装配轨迹，保证可装配性，避免在物理空间对大型航天舱段进行复杂试装操作。在数字空间对批量航天舱段进行重建，再通过机器学习算法在数字空间进行可装配性学习训练建模，实现其可装配性预测，并通过优化算法进行批量舱段的优化配对，可实现装配前的优化选配，保证可装配性及质量性能。
本发明的物理设备组成，包括连接关系和位置如图3所示，主要由舱段位置姿态调整设备3-1、三维扫描重建设备3-2、视觉位置姿态测量设备3-3、舱段3-4及舱段3-5组成，物理设备均采用现有成熟技术。其中舱段位置姿态调试设备3-1为6自由度并联平台，通称stewart平台，是通用设备；三维扫描重建设备3-2为三维扫描重建设备为三维信技测量技术(苏州)有限公司英文3D Infotech(Suzhou)Co.,Ltd.的UMA Smart Cell扫描装置；视觉位置姿态测量装置3-3为双目视觉测量装置，为现有技术。数字孪生模型构建仿真软件为西门子设计软件NX及装配仿真软件Process Simulate，是通用的商业软件。
如图8所示，本发明具体步骤如下：
步骤1：构建基于实测数据的高精度数字孪生模型，为多级轴孔配合易形变航天舱段高精度对接提供高精度模型。
步骤1.1：在两对接舱段上设置外部测量基准，如图4所示，4-1为舱段1的外部基准，4-2为舱段2的外部基准，基准为三个柱形装置，可代表舱段的空间位置姿态；如图4所示。
步骤1.2：在对接调整设备上设置基准标识点，如图4所示，4-3为对接调整设备标识基准点，基准为三个柱形装置，可代表舱段的空间位置姿态。
步骤1.3：采用三维扫描测量装置3-2对舱段变形后的舱段及多台阶对接接口3-4、3-5及外设测量基准4-1及4-2进行测量，形成测量点云数据；
步骤1.4：在西门子三维设计软件NX中，利用Point Cloud模块将舱段3-4、3-5及外部基准4-1及4-2的点云数据转换为仿真软件可识别的CAD模型；
步骤1.5：将重建的舱段3-4、3-5及外部基准4-1及4-2模型导入西门子ProcessSimulate，并根据实测的步骤1.1中的舱段外部基准4-1、4-2与步骤1.2中的设备基准标识点4-3坐标关系，设置舱段模型与调整设备之间的坐标关系，保证数字模型与真实物理状态一致。
步骤2:在数字空间利用路径寻优优化算法及仿真软件仿真验证交互实现最优装配对接路径规划。如图5所示。
步骤2.1：在对接路径寻优建模过程中，每个粒子代表两舱段装配轨迹启停中心点位置，对其三维坐标进行编码，限定装配轨迹启停中心点移动范围，随机初始化位置，以装配间隙最小为优化目标，如下表1所示；
表1两舱段装配轨迹启停中心点位置编码示意表
步骤2.2：初始化粒子群优化算法中涉及到的各类参数：种群粒子个数M＝100，搜索空间维度Ds＝6，三维坐标的下限和上限分别为Ld＝1,3,16和Ud＝2,26,18，学习因子c1＝c2＝0.5，算法以最大迭代次数为终止条件Tmax＝1000，粒子速度范围Vmin＝0和Vmax＝0.1；
步骤2.3：随机初始化搜索点的位置如表1所示，设当前位置即为每个粒子的最好位置
从个体极值找出全局极值，记录该最好值的粒子序号g及其位置
步骤2.4：在仿真软件中计算粒子的适应值，即装配间隙，如果好于该粒子当前的个体极值，则将pi设置为该粒子的位置，且更新个体极值。如果所有粒子的个体极值中最好的好于当前的全局极值,则将pg设置为该粒子的位置，更新全局极值及其序号g；
步骤2.5：粒子的状态更新，每一个粒子在t+1时刻的速度和位置通过下式更新获得：
其中，r1和r2为[0,1]区间的随机数，如果vi＞Vmax将其置为Vmax，如果vi＜Vmin将其置为Vmin。
步骤2.6：如果当前的迭代次数达到了预先设定的最大次数Tmax，即t＞100，则停止迭代，输出最优解，否则返回步骤2.4；
步骤2.7：返回步骤2.3，直至所有匹配件路径寻优完成；
步骤2.8：最优解为装配最优路径，如下表2所示，在仿真系统中转化为装配配合关系，并进行匹配关系的分数计算；
表2装配最优路径启停中心点位置
步骤3：通过数字空间与物理空间的虚实实时交互实现多级轴孔配合对接过程虚实交互控制执行
步骤3.1：将步骤2中在数字空间规划的最优对接路径通过软件数据交互接口传输至对接设备3-1控制器；
步骤3.2：设备3-1控制器根据数字空间对接装配路径分解成平台各驱动电机的控制指令，控制平台按规划路径进行舱段对接装配的空间位置姿态调整；
步骤3.3：视觉测量装置3-3实时对步骤1.1中构建的外部基准4-1及4-2进行舱段位置姿态进行测量，并将实际测量信息反馈至数字空间的装配仿真软件中；
步骤3.4：仿真软件根据实际测量信息同步调整数字空间中舱段3-4的位置姿态，并利用装配仿真软件自带的间隙测量及干涉检测功能，进行对接调整偏差判定，并将偏差信息反馈至物理空间设备(stewart平台)；
步骤3.5：物理空间设备3-1根据数字空间的偏差反馈信息进行闭环控制调整，直至完成舱段3-4及3-5的高精度对接装配。
步骤4：批量变形舱段数据样本集准备。多级台阶轴孔配合的变形误差符合某一特定分布，为使装配质量预测分类模型更加精确，在实际样本的基础上，利用对抗生成网络算法对原始数据进行增强。如图6所示。
步骤4.1：准备数据集，以A、B两类对接舱段3级轴孔配合的实际接口形状为输入变量，每个舱段其包含每个台阶的三个位置及三个姿态转角6个变量，三个台阶共18个变量，六个变量如图2a～图2c所示，分别为台阶轴/孔轴向(X向)长度、与轴线垂直的两个方向的(Y)向及(Z)向长度，以及每个台阶三个方向滚转、偏航及俯仰的状态角度(α，β，γ)；以是否碰撞及三级轴孔配合最大间隙平均值作为装配质量衡量指标作为输出，碰撞无法对接为-5分，以平均间隙量大小分为(1，2，3，4，5)签，平均间隙越小，分值越高；利用部分历史数据形成初始训练数据集P，初始样本集样本数量100个，如表1所示；
表1由变形误差参数和匹配关系形成的初始数据集
步骤4.2：建立两个多层感知机分别作为判别器D和生成器G，随机初始化判别器参数
生成器参数
代表判别器第ld层第jd单元与第ld+1层第id单元之间的连接参数，
生成器第第lg层第jg单元与第lg+1层第ig单元之间的连接参数，判别器和生成器的层数kd＝kg＝6，每层的隐藏单元个数nd＝ng＝18；
步骤4.3：从表1初始数据集P中进行采样，选出100个样本点X＝{x1,x2,…,x100}；
步骤4.4：选取多维正态分布p(Z)进行采样，如下
其中，分布的均值为μ，协方差为Σ(T为矩阵转置符号)，从这个分布中找到100个向量Z＝{z1,z2,…,z100}，将Z作为输入从生成器G中生成100个新数据
此时生成器G参数固定为θg不变；
步骤4.5：样本Z为生成数据，为其打标签为0，样本X为真实数据，为其打标签为1，对判别器D进行训练，在训练过程中更新判别器参数θd；
步骤4.6：返回步骤1.3，进行迭代训练，训练次数到达2000代结束；
步骤4.7：再次使用多维正态分布p(Z)进行采样100个样本Z'＝{z'1,z'2,…,z'100}，将Z'作为输入从生成器G中生成100个新数据
步骤4.8：判别器参数θd不变，将新生成数据Z'认为是真实样本，为其打标签为1，作为输入进入判别器D，以判别结果的准确率对生成器G进行训练，在训练过程中更新生成器参数θg；
步骤4.9：返回步骤4.7，进行迭代训练，训练次数到达2000代结束；
步骤4.10：返回步骤4.3，进行迭代训练，直到对抗生成网络训练次数到达2000次结束；
步骤4.11：利用训练好的生成器G生成新的变形舱段训练数据Pn，数量为700个，如下表3所示；
表3由生成器G生成的变形误差参数和匹配关系数据集
步骤4.12：针对变形舱段数据集Pn，返回步骤2，在数字空间再次利用路径寻优优化算法及仿真软件仿真验证交互实现最优装配对接路径规划，计算碰撞及三级轴孔配合最大间隙平均值，即三级轴的每一级找到它的最大间隙，取平均值；
步骤4.13：形成分类训练数据集Pu＝P∪Pn，样本数量为800个，用于下一阶段的装配质量预测分类模型训练；
步骤5：构建支撑向量机分类学习算法模型，在装配仿真环境中进行不同产品的对接训练；
步骤5.1：将数据集Pu匹配分类标签，以碰撞及三级轴孔配合最大间隙平均值作为装配质量衡量指标，碰撞无法对接为-5分，以平均间隙量大小分为(1，2，3，4，5)分进行分类训练，建立6类标签，平均间隙越小，分值越高，建立分类数据样本集S＝{(xi,yj)|i＝1,2,…,1000；xi∈Pu；yj∈{-5,1,2,3,4,5}}，xi为样本向量，yj为标签集合；
步骤5.2：数据样本集S进行数据归一化处理，使结果值映射到[0-1]之间。经过处理的数据样本符合标准正态分布，转换函数如下
其中，μ为所有样本数据的均值，σ为所有样本数据的标准差；
步骤5.3：将数据样本集S划分为训练样本Strain和测试样本Stest，样本数量分别为700个和100个；
步骤5.4：构造最优分类函数，训练分离超平面参数向量(ω*,b*)；
步骤5.5：选择高斯函数为核函数进行低维空间向高维空间的映射，如下
步骤5.6：利用测试样本Stest进行10倍交叉验证；
步骤5.7：得到最佳参数向量(ω*,b*)，得到预测分类模型；
步骤5.8：利用分类模型对多级台阶轴孔进行匹配分类，得到配对孔两两配对平均间隙量分数集C，如下表4所示；
表4多级台阶轴孔两两配对平均间隙量分数
步骤6：构建KM最优匹配算法模型，并利用分类训练结果，以装配质量总分值最高为目标，实现“多对多”最优匹配分类；如图7所示。
步骤6.1：建立一个二维无向图邻接矩阵来储存平均间隙量分数集C；
步骤6.2：运用贪心算法初始化顶标，如图2所示；
步骤6.3：运用匈牙利算法找到完备匹配，匹配的原则是只和权重与左边顶标相同的边进行匹配；
步骤6.4：如果找不到符合条件的匹配，对此条路径的所有左边顶点的顶标减0.5，所有右边顶点的顶标加0.5；
步骤6.5：重复3.3，3.4的步骤，直到完全匹配时可结束；
步骤6.6：输出最终装配件的最优匹配结果，如下表5所示。
表5多级台阶轴孔两两配对表
Claims (7)
1.高复杂易形变航天舱段高精度数字孪生对接装配方法，其特征在于，通过激光扫描测量建立航天舱段的数字孪生模型，规划对接路径，控制航天舱段根据规划的对接路径进行对接装配控制，包括以下步骤：
步骤1：构建基于实测数据的数字孪生模型，用于多级轴孔配合航天舱段对接提供模型；
步骤2:在数字空间利用路径寻优优化算法及仿真软件仿真验证交互实现装配最优路径规划；
步骤3：根据装配最优路径，通过数字空间与物理空间的虚实实时交互实现多级轴孔配合对接过程虚实交互控制执行，完成航天舱段的对接装配。
2.根据权利要求1所述的高复杂易形变航天舱段高精度数字孪生对接装配方法，其特征在于，所述步骤1包括以下步骤：
步骤1.1：在两对接舱段上设置用于表示舱段空间位姿的外部测量基准；
步骤1.2：在用于航天舱段对接的舱段位置姿态调整设备上设置基准点；
步骤1.3：采用三维扫描测量装置对舱段变形后的多台阶对接接口、外部测量基准进行测量，形成舱段的对接接口测量点云数据；
步骤1.4：将测量点云数据转换为仿真软件可识别的CAD模型；
步骤1.5：将CAD模型通过装配仿真软件，并根据实测外部测量基准与设备基准点，建立舱段模型作为数字孪生模型，以及其与舱段位置姿态调整设备之间的坐标关系，以保证数字的舱段模型与真实物理状态一致。
3.根据权利要求1所述的高复杂易形变航天舱段高精度数字孪生对接装配方法，其特征在于，所述步骤2包括以下步骤：
步骤2.1：在对接路径寻优建模过程中，每个粒子代表对接的两舱段装配轨迹启停中心点位置，包括起始位置和终点位置，对其三维坐标进行编码，限定装配轨迹启停中心点移动范围，随机初始化位置，以装配间隙最小为优化目标；所述装配间隙为两舱段外部测量基准之间的距离；
步骤2.2：初始化粒子群优化算法中的参数：种群粒子个数M，搜索空间维度Ds，下限Ld和上限Ud，学习因子c1、c2，算法最大迭代次数Tmax或收敛精度ξ，粒子速度范围[Vmin,Vmax]；
步骤2.3：随机初始化搜索点的位置
及其速度
设当前位置即为每个粒子的
从个体极值找出全局极值，记录该全局极值的粒子序号g及其位置
右上标0表示初始化；
步骤2.4：通过装配仿真软件计算每个粒子的适应值即装配间隙，如果所计算的粒子的适应值大于该粒子当前的个体极值，则将计算的粒子当前位置pi设置为该粒子的位置，且更新个体极值；如果所有粒子的个体极值中适应度最大的大于当前的全局极值,则将pg设置为该粒子的位置，更新全局极值及其序号g；
步骤2.5：粒子的状态更新，每一个粒子在t+1时刻的速度和位置分别通过下式更新获得：
其中，r1和r2为[0,1]区间的随机数，如果vi＞Vmax将其置为Vmax，如果vi＜Vmin将其置为Vmin；ω表示惯性因子；d＝1…Ds；
步骤2.6：如果当前的迭代次数达到了预先设定的最大次数Tmax，即t＞Tmax，或者最终结果小于预定收敛精度ξ要求，则停止迭代，将此时输出的粒子作为最优解，否则返回步骤2.4；
步骤2.7：返回步骤2.3，直至多对儿对接舱段的所有匹配件路径寻优完成；
步骤2.8：最优解为装配最优路径，在装配仿真软件中转化为装配配合关系，并进入步骤4.1，进行匹配关系的分数计算。
4.根据权利要求1所述的高复杂易形变航天舱段高精度数字孪生对接装配方法，其特征在于，所述步骤3包括以下步骤：
步骤3.1：将步骤2中在数字空间规划的装配最优路径传输至舱段位置姿态调整设备即stewart平台的控制器；
步骤3.2：stewart平台控制器根据stewart平台分解成平台各驱动电机的控制指令，控制平台按stewart平台进行舱段对接装配的空间位置姿态调整；
步骤3.3：视觉测量装置实时对步骤1.1中构建的外部测量基准进行舱段位置姿态进行测量，并将实际测量信息反馈至数字空间的装配仿真软件中；
步骤3.4：仿真软件根据实际测量信息同步调整数字空间中舱段的位置姿态，并通过装配仿真软件进行对接调整偏差判定，并将偏差信息反馈至物理空间stewart平台；
步骤3.5：物理空间stewart平台根据数字空间的偏差反馈信息进行闭环控制调整，直至完成对接装配。
5.根据权利要求1所述的高复杂易形变航天舱段高精度数字孪生对接装配方法，其特征在于，还包括步骤4：构建批量变形舱段数据样本集，通过多级台阶轴孔配合的变形误差符合某一特定分布，在数据样本集的基础上，利用对抗生成网络算法对原始数据进行增强，包括以下步骤：
步骤4.1：准备数据集P：以A、B两个对接舱段3级轴孔配合的多台阶对接接口形状为输入变量，每个舱段包含6个变量，三个台阶共18个变量；其中，6个变量分别为台阶轴或孔轴X向长度、与轴线垂直的Y向及Z向长度，以及每个台阶三个方向滚转、偏航及俯仰的状态角度；以是否碰撞及三级轴孔配合最大间隙平均值作为装配质量衡量指标作为输出，碰撞无法对接为-5分，以平均间隙量大小分为1～5分，平均间隙越小，分值越高，利用历史数据形成初始训练数据集P；
步骤4.2：建立两个多层感知机分别作为判别器D和生成器G，初始化参数θd为判别器，θg为生成器；
步骤4.3：从数据集P采样，选出m个样本点X＝{x1,x2,…,xm}，每个样本点表示3个台阶的三个位置及三个姿态转角18个变量；
步骤4.4：随机选取一个分布进行采样，找到m个向量Z＝{z1,z2,…,zm}，将Z作为输入从生成器G中生成m个新数据
即
步骤4.5：为Z和X打标签，对判别器D进行训练，在训练过程中更新判别器θd最大化V，如下所示：
上升随机梯度，使得
η是超参数；
步骤4.6：返回步骤4.3，进行迭代训练，直到判别器D训练次数到达预设条件；
步骤4.7：再次随机选取一个分布进行采样，找到m个向量Z'＝{z'1,z'2,…,z'm}，将Z'作为输入从生成器G中生成m个新数据
即
步骤4.8：固定判别器参数θd，为Z'打标签为1，作为输入进入判别器D，以判别结果的准确率对生成器G进行训练，最小化
上升随机梯度，使得
η是超参数；
步骤4.9：返回步骤4.7，进行迭代训练，直到生成器G训练次数到达预设条件；
步骤4.10：重复步骤1.3～3.5，进行迭代训练，直到对抗生成网络训练次数到达预设条件；
步骤4.11：利用训练好的生成器G生成新的训练数据Pn；
步骤4.12：针对数据集Pn，重复步骤2.1-2.8，在数字空间再次利用路径寻优优化算法及仿真软件仿真验证交互实现最优装配对接路径规划，计算碰撞及三级轴孔配合最大装配间隙平均值；
步骤4.13：形成分类训练数据集Pu＝P∪Pn，用于下一阶段的装配质量预测的分类模型训练。
6.根据权利要求1所述的高复杂易形变航天舱段高精度数字孪生对接装配方法，其特征在于，还包括步骤5：构建支撑向量机分类学习算法模型，在装配仿真环境中进行不同产品的对接训练，得到预测最优分类，包括以下步骤：
步骤5.1：将数据集Pu匹配分类标签，以碰撞及三级轴孔配合最大装配间隙平均值作为装配质量衡量指标，建立标签，平均间隙越小，分值越高，建立分类数据样本集S＝{(xi,yj)|i＝1,2,…,l,xi∈Pu,yj∈Z*}，其中l为样本集S的样本个数，样本表示18个变量和分值标签的数据集；xi为样本向量，yj为标签集合；j＝1,2,...,5，Z*表示是正整数集；
步骤5.2：数据样本集S进行数据归一化处理；
步骤5.3：将归一化后的数据样本集S划分为训练样本Strain和测试样本Stest；
步骤5.4：超平面记作f(x)＝＜w,x＞+b,w∈Rn,b∈R，构造最优分类函数为：
其中αj为Lagrange乘数，w、b均为模型参数，Rn表示实数集合；*表示向量，
步骤5.5：将训练样本Strain代入最优分类函数进行模型训练，将x做从输入空间Rn到特征空间H的变换Φ，得到：
x→Φ(x)＝(Φ1(x),Φ2(x),…,Φl(x))T
以特征向量Φ(x)代替输入向量x，则可以得到最优分类函数为：
步骤5.6：利用测试样本Stest进行10倍交叉验证；
步骤5.7：得到最佳参数向量w、b，进而得到的最优分类函数作为预测分类模型；
步骤5.8：利用预测分类模型对多级台阶轴孔进行匹配分类，得到配对孔两两配对平均间隙量分数集C＝{(Ai,Bj,γij)|i＝1,2,…,n,j＝1,2,…,n,γij∈Z*}，其中，Ai和Bj为相互配对的多级台阶轴孔，n为Ai和Bj的数量，γij为平均间隙量分数。
7.根据权利要求1所述的高复杂易形变航天舱段高精度数字孪生对接装配方法，其特征在于，还包括步骤6：构建KM最优匹配算法模型，并利用分类训练结果，以装配质量总分值最高为目标，实现两组对接航天舱段的最优匹配分类，包括以下步骤：
步骤6.1：建立一个二维无向图邻接矩阵来储存平均间隙量分数集C；
步骤6.2：运用贪心算法初始化顶标，对每个顶点Ai和Bj赋值，称为顶标，将Ai所在一侧的顶点赋值为与其相连的边的最大权重CAi＝max{γij}，Bj一侧的顶点赋值为CBj＝0，边权重ω(CAi,CBj)＝CAi+CBj；
步骤6.3：运用匈牙利算法得到完备匹配，匹配的原则是只和权重与一侧顶标相同的边进行匹配，即CAi+CBj≥ω(CAi,CBj)；
步骤6.4：如果找不到符合条件的匹配，对此条路径的所有一侧顶点的顶标减变量d，所有右边顶点的顶标加d；
步骤6.5：重复3.3，3.4的步骤，直到匹配完所有舱段时可结束；
步骤6.6：输出最终两组对接航天舱段的最优匹配结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011161384.7A CN112380616B (zh) | 2020-10-27 | 2020-10-27 | 高复杂易形变航天舱段高精度数字孪生对接装配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011161384.7A CN112380616B (zh) | 2020-10-27 | 2020-10-27 | 高复杂易形变航天舱段高精度数字孪生对接装配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112380616A true CN112380616A (zh) | 2021-02-19 |
| CN112380616B CN112380616B (zh) | 2023-12-26 |
Family
ID=74576969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011161384.7A Active CN112380616B (zh) | 2020-10-27 | 2020-10-27 | 高复杂易形变航天舱段高精度数字孪生对接装配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112380616B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113043275A (zh) * | 2021-03-29 | 2021-06-29 | 南京工业职业技术大学 | 基于专家演示和强化学习的微零件装配方法 |
| CN113673894A (zh) * | 2021-08-27 | 2021-11-19 | 东华大学 | 一种基于数字孪生的多人协作ar装配方法和系统 |
| CN114036643A (zh) * | 2021-11-10 | 2022-02-11 | 中国科学院沈阳自动化研究所 | 一种变形舱段数字孪生体建模方法 |
| CN114241169A (zh) * | 2021-12-06 | 2022-03-25 | 中国科学院沈阳自动化研究所 | 基于增强现实的复杂易变形舱段对接可视化装配辅助方法 |
| CN114880930A (zh) * | 2022-05-11 | 2022-08-09 | 北京半人科技有限公司 | 一种基于在线学习的实体设备数字孪生建模仿真预测方法 |
| CN115203865A (zh) * | 2022-09-19 | 2022-10-18 | 南京理工大学 | 一种基于数字孪生的产品装配过程机械性能在线预测方法 |
| CN116245944A (zh) * | 2022-12-29 | 2023-06-09 | 南京航空航天大学 | 一种基于实测数据的舱段自动化对接方法及系统 |
| CN117518997A (zh) * | 2024-01-04 | 2024-02-06 | 东北大学 | 一种飞机发动机自动装配路径规划方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046549A (zh) * | 2019-12-09 | 2020-04-21 | 上海航天精密机械研究所 | 一种基于数字孪生体的自适应装调方法及系统 |
| CN111061232A (zh) * | 2019-12-09 | 2020-04-24 | 中国科学院沈阳自动化研究所 | 基于数字孪生的生产线设计与优化方法 |
-
2020
- 2020-10-27 CN CN202011161384.7A patent/CN112380616B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046549A (zh) * | 2019-12-09 | 2020-04-21 | 上海航天精密机械研究所 | 一种基于数字孪生体的自适应装调方法及系统 |
| CN111061232A (zh) * | 2019-12-09 | 2020-04-24 | 中国科学院沈阳自动化研究所 | 基于数字孪生的生产线设计与优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 文科;杜福洲;张铁军;熊珍琦;: "舱段类部件数字化柔性对接系统设计与试验研究", 航空制造技术, no. 11, pages 92 - 99 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113043275A (zh) * | 2021-03-29 | 2021-06-29 | 南京工业职业技术大学 | 基于专家演示和强化学习的微零件装配方法 |
| CN113043275B (zh) * | 2021-03-29 | 2022-05-24 | 南京工业职业技术大学 | 基于专家演示和强化学习的微零件装配方法 |
| CN113673894A (zh) * | 2021-08-27 | 2021-11-19 | 东华大学 | 一种基于数字孪生的多人协作ar装配方法和系统 |
| CN113673894B (zh) * | 2021-08-27 | 2024-02-02 | 东华大学 | 一种基于数字孪生的多人协作ar装配方法和系统 |
| CN114036643A (zh) * | 2021-11-10 | 2022-02-11 | 中国科学院沈阳自动化研究所 | 一种变形舱段数字孪生体建模方法 |
| CN114036643B (zh) * | 2021-11-10 | 2024-05-14 | 中国科学院沈阳自动化研究所 | 一种变形舱段数字孪生体建模方法 |
| CN114241169A (zh) * | 2021-12-06 | 2022-03-25 | 中国科学院沈阳自动化研究所 | 基于增强现实的复杂易变形舱段对接可视化装配辅助方法 |
| CN114880930B (zh) * | 2022-05-11 | 2023-08-15 | 北京半人科技有限公司 | 一种基于在线学习的实体设备数字孪生建模仿真预测方法 |
| CN114880930A (zh) * | 2022-05-11 | 2022-08-09 | 北京半人科技有限公司 | 一种基于在线学习的实体设备数字孪生建模仿真预测方法 |
| CN115203865B (zh) * | 2022-09-19 | 2022-12-06 | 南京理工大学 | 一种基于数字孪生的产品装配过程机械性能在线预测方法 |
| CN115203865A (zh) * | 2022-09-19 | 2022-10-18 | 南京理工大学 | 一种基于数字孪生的产品装配过程机械性能在线预测方法 |
| CN116245944A (zh) * | 2022-12-29 | 2023-06-09 | 南京航空航天大学 | 一种基于实测数据的舱段自动化对接方法及系统 |
| CN116245944B (zh) * | 2022-12-29 | 2024-01-05 | 南京航空航天大学 | 一种基于实测数据的舱段自动化对接方法及系统 |
| CN117518997A (zh) * | 2024-01-04 | 2024-02-06 | 东北大学 | 一种飞机发动机自动装配路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112380616B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112380616A (zh) | 高复杂易形变航天舱段高精度数字孪生对接装配方法 | |
| CN112613118B (zh) | 火箭发动机内部不可测装配质量数字孪生建模与追溯方法 | |
| CN112325796A (zh) | 基于辅助定位多视角点云拼接的大型工件型面测量方法 | |
| CN107972034B (zh) | 一种基于ros平台的复杂工件轨迹规划仿真系统 | |
| CN109145471B (zh) | 基于cad与实测数据共融模型的虚拟装配系统及方法 | |
| CN102183205A (zh) | 一种大型零部件最佳装配位姿匹配的方法 | |
| CN103331756A (zh) | 一种机械臂运动控制方法 | |
| CN104156519A (zh) | 一种面向加工精度可靠度提升的多轴数控机床几何精度设计方法 | |
| CN111028238B (zh) | 一种基于机器人视觉的复杂异形曲面三维分割方法及系统 | |
| CN112536797A (zh) | 一种工业机器人的位置与姿态误差综合补偿方法 | |
| CN108717262B (zh) | 一种基于矩特征学习神经网络的异形曲面跟踪方法及系统 | |
| CN114055255A (zh) | 一种基于实时点云的大型复杂构件表面打磨路径规划方法 | |
| CN104570736B (zh) | 一种星‑臂耦合系统的动力学参数在轨辨识方法和装置 | |
| CN111325768A (zh) | 一种基于3d视觉和模仿学习的自由漂浮目标抓捕方法 | |
| Hsiao et al. | Positioning accuracy improvement of industrial robots considering configuration and payload effects via a hybrid calibration approach | |
| CN106096099B (zh) | 一种机械产品误差传递分析方法及其装置 | |
| CN114529703A (zh) | 一种基于熵增优化的大型复杂构件点云全局匹配方法 | |
| Xie | [Retracted] Industrial Robot Assembly Line Design Using Machine Vision | |
| Raufelder | Modeling Analysis of Attitude Perception of Engineering Manipulator Supporting Wireless Communication and Internet of Things | |
| CN113065259A (zh) | 一种壁板组件与骨架位姿协调方法 | |
| CN106055244B (zh) | 一种基于Kinect和语音的人机交互方法 | |
| CN116245944B (zh) | 一种基于实测数据的舱段自动化对接方法及系统 | |
| CN115407294B (zh) | 面向双站雷达体制的飞机动态雷达散射截面仿真方法 | |
| CN104715133B (zh) | 一种待辨识对象的运动学参数在轨辨识方法和装置 | |
| CN116690988A (zh) | 一种大型建筑模型3d打印系统和方法 |
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 |