CN112926764A - 一种产品质量性能预测方法和装置 - Google Patents
一种产品质量性能预测方法和装置 Download PDFInfo
- Publication number
- CN112926764A CN112926764A CN202110081259.3A CN202110081259A CN112926764A CN 112926764 A CN112926764 A CN 112926764A CN 202110081259 A CN202110081259 A CN 202110081259A CN 112926764 A CN112926764 A CN 112926764A
- Authority
- CN
- China
- Prior art keywords
- product quality
- quality performance
- assembly
- product
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 174
- 230000008569 process Effects 0.000 claims abstract description 127
- 230000008859 change Effects 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims description 64
- 230000007704 transition Effects 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000013523 data management Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 239000000047 product Substances 0.000 description 295
- 230000008878 coupling Effects 0.000 description 12
- 238000010168 coupling process Methods 0.000 description 12
- 238000005859 coupling reaction Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000007789 sealing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 3
- 238000012356 Product development Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种产品质量性能预测方法和装置,涉及工程应用技术领域,所述产品质量性能预测方法通过实时采集产品装配过程数据,构建产品质量性能数字孪生模型;根据所述产品质量性能数字孪生模型,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度;根据所述产品装配过程数据,获取所述产品质量性能数字孪生模型中目标装配要素的随机状态变化趋势,其中,所述目标装配要素为装配过程包括随机性变化的装配要素;根据所述关联度和所述随机状态变化趋势,获取所述产品质量性能的预测结果,实现了对产品质量性能的监控和预测,从而及时调整装配策略,提高产品的装配质量和装配效率。
Description
技术领域
本发明属于工程应用技术领域,尤其是涉及一种产品质量性能预测方法和装置。
背景技术
由于航天产品需要在单件小批量、研试结合模式下完成高性能装配,而且装配过程中存在诸多不确定因素,装配人员需要针对随时发生的变化不断调整装配策略,同时为了满足航天产品装配的高质量要求,所以航天产品在装配过程中包含了大量复杂的测试验证环节,来验证产品质量性能是否满足设计指标,极大影响了装配效率。因此,如何实现航天产品质量性能预测,对提高装配质量和装配效率,具有重要意义。
为了实现航天产品质量性能预测,相关研究人员针对基于流程的装配过程质量数据采集与监控、装配特征筛选和产品装配质量预测、装配过程中关键几何特征变动对整机精度影响规律的预测等方面进行了研究,研究推动了离散产品装配质量监控与预测,但是无法在装配过程中动态、实时和全面地监控与预测航天器产品质量性能。近年来,数字孪生(Digital Twin)技术是一种以数字化的方式对物理实体对象进行描述和建模的方法,作为智能制造的使能技术之一,已成为工程应用领域的关注热点。
当然,研究人员对如何将数字孪生技术应用于产品全周期各环节做了大量的研究,如用于车间控制的数字孪生的制造网络物理系统、质量管控数字孪生模型以及数字孪生车间等技术,推动了数字孪生技术在相关工程上的初步应用,但是相关成果多偏向于产品运维环节的寿命和健康预测,以及面向制造环节的生产过程的三维可视化监控等。引入数字孪生技术进行装配质量在线监控与预测,可以显著减少航天产品的试验研制环节,但是针对航天产品质量性能的预测仍缺乏有效的解决方法,无法应用相关技术解决工程实际中的问题。
发明内容
本发明实施例的目的在于提供一种产品质量性能预测方法和装置,从而解决现有技术中产品在装配过程中的装配策略不断调整,导致产品质量性能无法预测的问题。
为了解决上述技术问题,本发明实施例提供如下技术方案:
本发明实施例提供了一种产品质量性能预测方法,包括:
实时采集产品装配过程数据,构建产品质量性能数字孪生模型;
根据所述产品质量性能数字孪生模型,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度;
根据所述产品装配过程数据,获取所述产品质量性能数字孪生模型中目标装配要素的随机状态变化趋势,其中,所述目标装配要素为装配过程包括随机性变化的装配要素;
根据所述关联度和所述随机状态变化趋势,获取所述产品质量性能的预测结果。
可选地,所述产品质量性能预测方法还包括:
基于实时采集到的所述产品装配过程数据和获取到的所述预测结果,构建三维可视化模型进行展示,并进行监控。
可选地,所述实时采集产品装配过程数据,构建产品质量性能数字孪生模型,包括:
基于产品装配流程,实时采集产品装配过程数据;
根据所述产品装配过程数据,构建数据管理模型和物理模型;
基于所述数据管理模型和所述物理模型,对所述产品质量性能与所述装配要素进行映射分析,构建产品质量性能数字孪生模型。
可选地所述基于所述数据管理模型和所述物理模型,对所述产品质量性能与所述装配要素进行映射分析,构建产品质量性能数字孪生模型,包括:
基于所述数据管理模型和所述物理模型,构建所述产品质量性能数字孪生模型的框架;
对所述产品质量性能与所述装配要素进行映射分析,获取映射关系模型;
在所述框架的基础上,添加所述映射关系模型,构建产品质量性能数字孪生模型。
可选地,所述对所述产品质量性能与所述装配要素进行映射分析,获取映射关系模型,包括:
分别建立所述产品质量性能与装配质量,所述装配质量与所述装配要素之间的映射关系;
根据所述映射关系,对所述产品质量性能与所述装配要素进行映射分析,获取所述映射关系模型;
其中,所述映射关系模型包括所述装配要素与所述产品质量性能之间的关联度。
可选地,所述根据所述产品质量性能数字孪生模型,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度,包括:
定义参考数列和比较数列,其中,所述参考数列用于反映所述产品质量性能数字孪生模型中的产品质量性能;所述比较数列用于反映所述产品质量性能数字孪生模型中影响所述产品质量性能的装配要素;
获取所述参考数列和所述比较数列的无量纲化处理结果;
根据所述无量纲化处理结果,计算所述参考数列和与之对应的所述比较数列之间的关联系数;
根据所述关联系数,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度。
可选地,所述根据所述产品装配过程数据,获取所述产品质量性能数字孪生模型中目标装配要素的随机状态变化趋势,包括:
根据所述产品装配过程数据,计算所述产品质量性能数字孪生模型中目标装配要素的状态转移概率矩阵;
根据所述状态转移概率矩阵,获取所述随机状态变化趋势。
可选地,所述计算所述产品质量性能数字孪生模型中目标装配要素的状态转移概率矩阵,包括:
定义状态转移概率,所述状态转移概率为所述目标装配要素由一种状态转移至另一种状态的概率;
定义状态转移矩阵,所述状态转移概率为所述目标装配要素包括的多种状态分别所对应的状态转移概率;
根据历史的所述产品装配过程数据和所述状态转移矩阵,计算所述状态转移概率矩阵。
可选地,在所述目标装配要素为装配过程不包括随机性变化的装配要素时,还包括:
根据所述关联度,获取所述产品质量性能的预测结果。
本发明实施例还提供一种产品质量性能预测装置,包括:
构建模块,用于实时采集产品装配过程数据,构建产品质量性能数字孪生模型;
计算模块,用于根据所述产品质量性能数字孪生模型,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度;
获取模块,用于根据所述产品装配过程数据,获取所述产品质量性能数字孪生模型中目标装配要素的随机状态变化趋势,其中,所述目标装配要素为装配过程包括随机性变化的装配要素;
预测模块,用于根据所述关联度和所述随机状态变化趋势,获取所述产品质量性能的预测结果。
本发明实施例还提供一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如上任一项所述的产品质量性能预测方法的步骤。
本发明实施例还提供一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如上任一项所述的产品质量性能预测方法的步骤。
本发明的上述技术方案至少具有如下有益效果:
本发明通过实时采集产品装配过程数据,构建产品质量性能数字孪生模型;根据所述产品质量性能数字孪生模型,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度;根据所述产品装配过程数据,获取所述产品质量性能数字孪生模型中目标装配要素的随机状态变化趋势,其中,所述目标装配要素为装配过程包括随机性变化的装配要素;根据所述关联度和所述随机状态变化趋势,获取所述产品质量性能的预测结果,实现了对产品质量性能的监控和预测,从而及时调整装配策略,提高产品的装配质量和装配效率。
附图说明
图1为本发明实施例提供的产品质量性能预测方法的流程示意图;
图2为本发明实施例提供的产品装配过程数据的实时采集与监控的流程示意图;
图3为本发明实施例提供的产品质量性能与装配质量之间的映射关系的示意图;
图4为本发明实施例提供的泵组件的噪声质量性能与装配质量之间的映射关系的示意图;
图5为本发明实施例提供的航天产品质量性能数字孪生模型的示意图;
图6为本发明实施例提供的产品质量性能预测装置的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明实施例针对现有技术中产品在装配过程中的装配策略不断调整,导致产品质量性能无法预测的问题,提供一种产品质量性能预测方法和装置。
需要说明的是,本发明实施例以所述产品质量性能预测方法应用于航天产品为例进行说明,本发明实施例提供的产品质量性能预测方法应用于航天产品之外的其他产品,也在本发明实施例的保护范围。
由于航天产品一般采用设计与制造并行的研制模式,在装配过程中一般具有边设计、边生产、边装配、进度风险大;测试环节多且形式复杂多样;存在大量手工装配,对人员的技能水平要求较高等问题。为了解决上述装配问题对质量性能预测的影响,在考虑动态性、实时性、全面性和准确性等需求基础上,本发明实施例提出一种产品质量性能预测方法,构建面向产品质量性能的多维高保真数字孪生模型,通过该模型建立航天产品质量性能、装配质量、零件加工精度(这里定义为装配要素)之间的映射关系,通过该映射关系,完成数字孪生体和物理实体之间的交互与共融,实现航天产品质量性能的在线监控与预测。
如图1所示,本发明实施例提供一种产品质量性能预测方法,包括:
步骤101:实时采集产品装配过程数据,构建产品质量性能数字孪生模型;
在本发明实施例中,数字孪生技术的核心是模型和数据,而装配是满足航天产品质量性能的执行单元,是产品研制数据流和控制流的汇集点,所以产品装配过程数据是驱动数字孪生模型的源头,对产品装配过程数据的有效管控是实现信息物理融合的基础。
而航天产品装配呈现出动态性、随机性和复杂性等特点,产品装配过程数据伴随着装配过程的进行而不断变化,所以需要实时采集产品装配过程数据,实现对数字孪生体的驱动,以构建高保真的产品质量性能数字孪生模型。
步骤102:根据所述产品质量性能数字孪生模型,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度;
在本发明实施例中,由于产品质量性能和装配要素的变化趋势一致性程度较高时,则表明它们之间的关联度较高;产品质量性能和装配要素的变化趋势一致性程度不高时,则表明它们之间的关联度较低。因此可以通过计算产品质量性能与装配要素之间的关联度,获取产品质量性能的变化趋势,从而进行预测。
步骤103:根据所述产品装配过程数据,获取所述产品质量性能数字孪生模型中目标装配要素的随机状态变化趋势,其中,所述目标装配要素为装配过程包括随机性变化的装配要素;
在本发明实施例中,在航天产品装配过程中,某些装配要素容易受到外部因素影响,导致过程产生随机性变化,因此要实现产品质量性能的预测,在确定所述关联度之后,还需要对包括随机性变化的目标装配要素进行随机状态变化的趋势分析。
步骤104:根据所述关联度和所述随机状态变化趋势,获取所述产品质量性能的预测结果。
在本发明实施例中,通过融合所述关联度和所述随机状态变化趋势,综合预测所述装配要素的未来状态,提高所述预测结果的准确性。
本发明实施例通过实时采集产品装配过程数据,构建产品质量性能数字孪生模型;根据所述产品质量性能数字孪生模型,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度;根据所述产品装配过程数据,获取所述产品质量性能数字孪生模型中目标装配要素的随机状态变化趋势,其中,所述目标装配要素为装配过程包括随机性变化的装配要素;根据所述关联度和所述随机状态变化趋势,获取所述产品质量性能的预测结果,实现了对产品质量性能的监控和预测,从而及时调整装配策略,提高产品的装配质量和装配效率。
通过本发明实施例提供的产品质量性能预测方法及其实现流程,能够实现在产品组件或零件装配过程阶段,根据现场所采集到的装配数据,对最终的产品质量性能进行预测,预测结果不符合性能指标时,可以在组件或零件装配环节提前进行干预,大大减少了产品返修和报废的数量。
可选地,所述产品质量性能预测方法还包括:
基于实时采集到的所述产品装配过程数据和获取到的所述预测结果,构建三维可视化模型进行展示,并进行监控。
在本发明实施例中,所述三维可视化模型将相关预测结果以便捷化的形式提供给用户,给予用户最直观的交互。
对航天产品来说,装配过程一般包括装前准备阶段、装配执行阶段、数据分析与处理阶段、装配过程可视化监控阶段,各阶段的数据通过集成接口在生产管理系统中进行流转与存储。
需要说明的是,如图2所示,对所述产品装配过程数据的实时采集与监控流程进行如下说明:
装前准备阶段的所述产品装配过程数据主要包括任务发起、基础数据维护、装配流程设计、装配资源管理、数据采集表单设计等,一般通过工艺设计系统采集上传至服务器;装配执行阶段的所述产品装配过程数据包括装配资源调度、装配任务签署、装配质量数据采集、装配现场问题处理等,由过程管理系统和相关硬件设备采集上传至服务器;数据分析与处理阶段的所述产品装配过程数据包括热学数据、力学数据、磁学数据、完工数据以及巡检数据等;数据分析与处理阶段的所述装配过程数据和所述预测结果,通过专业数据分析系统采集上传至服务器,最后通过系统间集成接口实现数据集成管理,并通过车间的现场作业计划看板、工况信息看板以及三维装配看板等进行集成展示和过程可视化监控。
可选地,步骤101:所述实时采集产品装配过程数据,构建产品质量性能数字孪生模型,包括:
基于产品装配流程,实时采集产品装配过程数据;
根据所述产品装配过程数据,构建数据管理模型和物理模型;
基于所述数据管理模型和所述物理模型,对所述产品质量性能与所述装配要素进行映射分析,构建产品质量性能数字孪生模型。
在本发明实施例中,装配现场采集和产生的数据是数字孪生体的最直接驱动,需要对数据进行有效的管理,以此为基础构建所述数据管理模型。
航天产品的装配是以流程为主进行生产组织,整个产品的装配工艺由一个串、并联混合而成的装配工序链组成,由于产品装配过程数据主要是一系列由装配节点组成的并行或串行链表,每一个装配节点中包含了完成该节点所需的所有信息。随着产品的装配过程不断生成装配数据,并随着装配过程的进行而不断丰富和完善。因此可以基于所述产品装配流程,实时采集产品装配过程数据,并进行数据管理,构建所述数据管理模型。
所述物理模型实际为待装配航天产品的三维立体模型,在实时采集到所述产品装配过程数据之后,即可构建所述物理模型。
需要说明的是,对基于产品装配流程的数据管理模型如下进行说明:
这里,所述产品装配过程数据包括装备准备数据和装备实施数据。装配过程包括多个主流程节点和多个辅助流程节点。主流程中一个工序节点还可以向下分解为多个子流程,如零件的生产和检测、部组件的装配调试。辅助流程是与主流程并行开展的工作,如总装直属件的配套。每个主流程节点、辅助流程节点和子流程节点,在装配过程中都会产生大量的工序或工步数据,这些数据统称为装备实施数据。
首先装配准备数据中包含了实现产品装配的流程信息,以此流程为框架,完成数字孪生模型框架的构建;其次,装配实施数据均由装配流程节点直接产生,所以可以将装配实施数据以流程节点为依托映射到数字孪生体的框架中,不断丰富完善数字孪生体;最后,在产品物理对象完成装配入库后,数字孪生体也同步构建完成,两者进行性能比对后,可以随产品统一交付用户。
可选地,所述基于所述数据管理模型和所述物理模型,对所述产品质量性能与所述装配要素进行映射分析,构建产品质量性能数字孪生模型,包括:
基于所述数据管理模型和所述物理模型,构建所述产品质量性能数字孪生模型的框架;
对所述产品质量性能与所述装配要素进行映射分析,获取映射关系模型;
在所述框架的基础上,添加所述映射关系模型,构建产品质量性能数字孪生模型。
在本发明实施例中,构建产品质量性能数字孪生模型,首先需要物理模型为基础,并以数据管理模型为驱动,在所述产品质量性能数字孪生模型的框架上添加映射关系模型,最后还建立各产品质量性能和各装配因素之间的影响关系。
可选地,所述对所述产品质量性能与所述装配要素进行映射分析,获取映射关系模型,包括:
分别建立所述产品质量性能与装配质量,所述装配质量与所述装配要素之间的映射关系;
根据所述映射关系,对所述产品质量性能与所述装配要素进行映射分析,获取所述映射关系模型;
其中,所述映射关系模型包括所述装配要素与所述产品质量性能之间的关联度。
需要说明的是,如图3所示,对产品质量性能与装配质量之间的映射关系进行说明:
为满足特定的任务需要,确保航天产品质量性能的实现,航天产品在设计阶段会根据任务需要规定产品研制的设计输入、功能与使用模式、使用和贮存环境、技术指标和设计要求、试验要求、质量控制要求、产品验收等内容。产品质量性能要求往往通过多个可测得的装配质量进行表征,所以通常产品质量性能与装配质量有着密切的映射关系,这种映射关系包括一对一,一对多和多对一的类型,即一种产品性能可能与一个或多个方面的装配质量相关,某个特定的装配质量可能影响多个产品质量性能。针对不同的产品,装配质量影响产品质量性能的权重又不尽相同,同时各个产品质量性能之间又存在耦合影响,在建立高保真模型的过程中,要能够完全的体现耦合影响和影响权重。
在本发明实施例中,需要针对特定产品,完成产品质量性能和装配质量之间的映射关系的建立。针对航天产品质量性能通常包括寿命、噪声、重量、可靠性、可测试性、可维修性等,而与之相关的装配质量通常包括漏率指标、装配间隙、同轴度、平行度、质心位置等。
以噪声为例,说明产品质量性能与装配质量之间的映射关系,载人航天器舱内稳态噪声规定了舱内产品在各频率下声音震动幅值要求,以及声音的最终加权平均值,即舱内产品运行噪声既要满足各频率下的声音震动幅值要求,也要满足最终的加权平均值稳态噪声满足要求,所以需要通过产品质量性能和装配质量之间的映射关系表示相互间的影响关系。
针对噪声要求,需要建立各频率下噪声和装配质量之间的映射关系,同时应明确各频率下装配质量的影响权重,例如电机转子气隙主要影响高频噪声,滚珠丝杠回转跳动主要影响低频噪声。
噪声的来源是与运动相关的部件,如图4所示,以航天产品中空间站的泵组件为例,对泵组件的噪声质量性能与装配质量之间的映射关系进行说明:
进行映射关系与一具体实施例,泵组件运动相关的部件有电机、滚珠丝杆联轴器、轴承以及导向杆等。其中,影响电机噪声的装配质量有:电机转子气隙和电机转子轴向间隙;影响滚珠丝杆噪声的装配质量有:滚珠丝杆安装直线度、滚珠丝杆回转跳动、支撑轴承预紧力控制和润滑脂涂抹量;影响联轴器噪声的装配质量有联轴器装配间隙;影响轴承噪声的装配质量有:轴承装配精度;影响导向杆噪声的装配质量有:导向杆平行度。
还需要说明的是,在根据产品质量性能要求确定装配质量要求后,为保证装配质量能够达到预期设计要求,需要根据产品质量性能要求进行精度分解,装配质量最终体现到可以定量测量的零件加工精度和材料属性上,如形状精度、尺寸精度、位置精度以及零件的材料属性等。这些影响装配质量的零件加工精度和材料属性统称为装配要素。零件加工精度分解的过程,就是在装配质量和装配要素之间建立映射关系的过程。这里,装配质量和装配要素之间的映射关系是双向的,既可以根据装配质量要求完成精度分解,又能够根据装配要素完成装配质量的预测。
在本发明实施例中,以航天产品的漏率指标、运行噪声指标、产品寿命指标为例说明装配质量和装配要素之间的映射关系:
根据产品质量性能要求,分析漏率指标与密封界面材料、密封沟槽尺寸精度、密封圈构型规格、密封圈压缩率要素相关,运行噪声指标主要和润滑脂选用、运动副零件形位精度、运行跳动、关键零件尺寸精度要素相关,产品寿命主要和工质相容材料、密封圈构型规格精度、电机运行功率稳定性、跑和运行稳定性要素相关。
还需要说明的是,如图5所示,对航天产品质量性能数字孪生模型的示意图进行说明:
在设计模型的基础上,关联产品质量性能,以及各性能之间的影响关系;在装配关系模型的基础上,关联装配质量,以及各质量之间的影响关系;在零件模型的基础上,关联装配要素;最后,在实作模型的基础上,关联产品质量性能的试验检测结果。通过以上方法完成航天产品质量性能数字孪生模型的构建,并通过数据管理模型驱动,该模型可以将理论计算和产品物理紧密结合。
可选地,步骤102:所述根据所述产品质量性能数字孪生模型,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度,包括:
定义参考数列和比较数列,其中,所述参考数列用于反映所述产品质量性能数字孪生模型中的产品质量性能;所述比较数列用于反映所述产品质量性能数字孪生模型中影响所述产品质量性能的装配要素;
在本实施例中,航天产品的一个产品质量性能受多个装配要素影响,即在数学表达上,一个参考数列X0对应多个比较数列,分别记为X1,X2,…,Xn。
获取所述参考数列和所述比较数列的无量纲化处理结果;
在本实施例中,航天产品的各个装配要素的含义不同,无法直接代入算式计算,所以需要进行无量纲化处理,将上述参考数列和比较数列无量纲化后,再代入算式计算。
根据所述无量纲化处理结果,计算所述参考数列和与之对应的所述比较数列之间的关联系数;
在本实施例中,分别计算参考数列X0和与之对应的多个比较数列X1,X2,…,Xn,之间的关联系数ξ(Xi),计算公式如下:
其中,ρ为装配要素的分辨系数,一般取0至1之间,对应一般航天产品而言,ρ取0.5;Δ是各产品质量性能之间的差值,最小差值记为Δ(min),最大差值记为Δ(max);Δoi(k)为比较数列和参考数列的绝对差值。
根据所述关联系数,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度。
在本实施例中,计算关联度γi的公式如下:
其中,n为比较数列的个数;计算出关联度γi的值越接近1,说明该装配要素与产品质量性能为强相关,反之则为弱相关,进而可以根据装配要素预测产品质量性能。
需要说明的是,由于装配要素之间的耦合规律以及其对产品质量性能的影响程度的未知性、复杂性使得航天产品质量性能预测构成了一个灰色系统,对于灰色系统,可以采用灰色关联分析法进行计算,获取预测结果,即如上所述的计算关联度的步骤。
可选地,步骤103:所述根据所述产品装配过程数据,获取所述产品质量性能数字孪生模型中目标装配要素的随机状态变化趋势,包括:
根据所述产品装配过程数据,计算所述产品质量性能数字孪生模型中目标装配要素的状态转移概率矩阵;
根据所述状态转移概率矩阵,获取所述随机状态变化趋势。
在本发明实施例中,在确定各装配要素对产品质量性能影响的关联度后,还需要对上述随机变化的不确定性数据进行模糊预测,才能真正完成航天产品质量性能的预测。所以可以应用马尔科夫(Markov)预测方法进行随机状态变化趋势的分析,即利用已经获得的历史数据,进行数据分析获得随机状态变化趋势,以此为基础预测其未来的状态。将航天产品装配过程中会发生随机变化的过程近似为马尔科夫过程,则可以应用马尔科夫方法对其未来将要发生的状态进行预测。
可选地,所述计算所述产品质量性能数字孪生模型中目标装配要素的状态转移概率矩阵,包括:
定义状态转移概率,所述状态转移概率为所述目标装配要素由一种状态转移至另一种状态的概率;
在本发明实施例中,目标装配要素由一种状态Ei转移为状态Ej的状态转移概率记为P(Ei→Ej),表达公式如下:
P(Ei→Ej)=P(Ej/Ei)=Pij
定义状态转移矩阵,所述状态转移概率为所述目标装配要素包括的多种状态分别所对应的状态转移概率;
在本发明实施例中,假设所述目标装配要素有n种状态,分别记为E1,E2,…,En,分别计算状态转移概率,则可获得状态转移概率矩阵P,计算公式如下:
根据历史的所述产品装配过程数据和所述状态转移矩阵,计算所述状态转移概率矩阵。
需要说明的是,载人航天器舱内稳态噪声小于60dB是一项重要的医学要求指标,所以对于载人航天器舱内工作的单机产品均会提出噪声要求。以空间站某泵组件产品为例,通过上述分析可知,产品运行时噪声与四个方面的装配因素密切相关,一是电机运行稳定性,二是滚珠丝杠质量等级,三是联轴器装配间隙,四是轴承装配间隙,而且上述四个方面之间会相互作用产生耦合影响。在建立高保真的所述产品质量性能数字孪生模型中需要对上述装配因素的影响权重,进行量化分析,根据上述灰色关联分析法,代入相关数据进行计算,可以求得关联度,计算结果如下:
γ1=0.24(噪声与电机运行稳定性关联度);
γ2=0.12(噪声与滚珠丝杠质量等级关联度);
γ3=0.63(噪声与联轴器装配间隙关联度);
γ4=0.22(噪声与轴承装配间隙关联度);
上述关联度表明对泵组件产品噪声影响从大到小依次是联轴器装配间隙,电机运行稳定性,轴承装配间隙,滚珠丝杠质量等级。
在计算获得关联度的基础上,可以用马尔科夫预测方法对近似认为是随机变化的过程进行预测。以联轴器装配间隙状态预测为例,首先采集装配车间的历史数据,然后将装配间隙的状态进行定义,例如联轴器装配间隙的的装配要求范围是0.05mm至0.3mm,而其最优范围是0.1至0.2mm,若历史数据中下一状态的间隙值小于0.1,则将下一状态标记为变窄E1;若下一状态的间隙值在0.1至0.2mm之间,则将下一状态标记为持平E2;若下一状态的间隙值大于0.2mm,则将下一状态标记为变宽E3。最后将采集到的数据进行计算,可以求得联轴器装配间隙状态转移概率矩阵。例如,求得联轴器装配间隙状态转移概率矩阵为:
由状态转移概率矩阵可知,若联轴器装配上一状态为变宽E3,则未来装配间隙变窄的可能性为16%,持平的可能性为45%,变宽的可能性为39%。
以此类推,完成与产噪声相关的全部装配要素计算,同时能够根据历史的所述产品装配过程数据,预测未来装配要素的状态,进而在产品未完成装配时提前预测出产品质量性能。
还需要说明的是,按照前述方法得到预测结果后,还可以进行单因子影响因素测试,以验证结果的准确性。
可选地,在所述目标装配要素为装配过程不包括随机性变化的装配要素时,还包括:
根据所述关联度,获取所述产品质量性能的预测结果。
需要说明的是,当所述目标装配要素为装配过程不包括随机性变化的装配要素时,应该跳过上述的步骤103,直接通过计算关联度,获取预测结果。
本发明实施例的有益效果:
本发明实施例提供的所述产品质量性能预测方法可以在产品组件或零件装配过程阶段,根据现场所采集到的装配数据,对最终的产品质量性能进行预测,预测结果不符合性能指标时,可以在组件或零件装配环节提前进行干预,大大减少了产品返修和报废的数量。
如图6所示,本发明实施例还提供一种产品质量性能预测装置,包括:
构建模块601,用于实时采集产品装配过程数据,构建产品质量性能数字孪生模型;
计算模块602,用于根据所述产品质量性能数字孪生模型,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度;
获取模块603,用于根据所述产品装配过程数据,获取所述产品质量性能数字孪生模型中目标装配要素的随机状态变化趋势,其中,所述目标装配要素为装配过程包括随机性变化的装配要素;
预测模块604,用于根据所述关联度和所述随机状态变化趋势,获取所述产品质量性能的预测结果。
本发明实施例通过实时采集产品装配过程数据,构建产品质量性能数字孪生模型;根据所述产品质量性能数字孪生模型,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度;根据所述产品装配过程数据,获取所述产品质量性能数字孪生模型中目标装配要素的随机状态变化趋势,其中,所述目标装配要素为装配过程包括随机性变化的装配要素;根据所述关联度和所述随机状态变化趋势,获取所述产品质量性能的预测结果,实现了对产品质量性能的监控和预测,从而及时调整装配策略,提高产品的装配质量和装配效率。
可选地,所述装置还包括:
展示模块,用于基于实时采集到的所述产品装配过程数据和获取到的所述预测结果,构建三维可视化模型进行展示,并进行监控。
可选地,所述构建模块601包括:
采集单元,用于基于产品装配流程,实时采集产品装配过程数据;
构建单元,用于根据所述产品装配过程数据,构建数据管理模型和物理模型;
映射单元,用于基于所述数据管理模型和所述物理模型,对所述产品质量性能与所述装配要素进行映射分析,构建产品质量性能数字孪生模型。
可选地,所述映射单元包括:
第一构建子单元,用于基于所述数据管理模型和所述物理模型,构建所述产品质量性能数字孪生模型的框架;
获取子单元,用于对所述产品质量性能与所述装配要素进行映射分析,获取映射关系模型;
第二构建子单元,用于在所述框架的基础上,添加所述映射关系模型,构建产品质量性能数字孪生模型。
可选地,所述获取子单元具体用于:
分别建立所述产品质量性能与装配质量,所述装配质量与所述装配要素之间的映射关系;
根据所述映射关系,对所述产品质量性能与所述装配要素进行映射分析,获取所述映射关系模型;
其中,所述映射关系模型包括所述装配要素与所述产品质量性能之间的关联度。
可选地,所述计算模块602包括:
定义单元,用于定义参考数列和比较数列,其中,所述参考数列用于反映所述产品质量性能数字孪生模型中的产品质量性能;所述比较数列用于反映所述产品质量性能数字孪生模型中影响所述产品质量性能的装配要素;
第一获取单元,获取所述参考数列和所述比较数列的无量纲化处理结果;
第一计算单元,用于根据所述无量纲化处理结果,计算所述参考数列和与之对应的所述比较数列之间的关联系数;
第二计算单元,用于根据所述关联系数,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度。
可选地,所述获取模块603包括:
第三计算单元,用于根据所述产品装配过程数据,计算所述产品质量性能数字孪生模型中目标装配要素的状态转移概率矩阵;
第二获取单元,用于根据所述状态转移概率矩阵,获取所述随机状态变化趋势;
可选地,所述第三计算单元包括:
第一定义子单元,用于定义状态转移概率,所述状态转移概率为所述目标装配要素由一种状态转移至另一种状态的概率;
第二定义子单元,用于定义状态转移矩阵,所述状态转移概率为所述目标装配要素包括的多种状态分布所对应的状态转移概率;
计算子单元,用于根据历史的所述产品装配过程数据和所述状态转移矩阵,计算所述状态转移概率矩阵。
可选地,在所述目标装配要素为装配过程不包括随机性变化的装配要素时,所述装置还包括:
获取预测模块,用于根据所述关联度,获取所述产品质量性能的预测结果。
需要说明的是,本发明实施例提供的产品质量性能预测装置用于执行上述的产品质量性能预测方法,则上述产品质量性能预测方法的所有实施例均适用于该产品质量性能预测装置,且能达到相同或者相似的技术效果。
本发明实施例还提供一种电子设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如上任一项所述的产品质量性能预测方法的步骤。
本发明实施例还提供一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如上任一项所述的产品质量性能预测方法的步骤。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种产品质量性能预测方法,其特征在于,包括:
实时采集产品装配过程数据,构建产品质量性能数字孪生模型;
根据所述产品质量性能数字孪生模型,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度;
根据所述产品装配过程数据,获取所述产品质量性能数字孪生模型中目标装配要素的随机状态变化趋势,其中,所述目标装配要素为装配过程包括随机性变化的装配要素;
根据所述关联度和所述随机状态变化趋势,获取所述产品质量性能的预测结果。
2.根据权利要求1所述产品质量性能预测方法,其特征在于,还包括:
基于实时采集到的所述产品装配过程数据和获取到的所述预测结果,构建三维可视化模型进行展示,并进行监控。
3.根据权利要求1所述的产品质量性能预测方法,其特征在于,所述实时采集产品装配过程数据,构建产品质量性能数字孪生模型,包括:
基于产品装配流程,实时采集产品装配过程数据;
根据所述产品装配过程数据,构建数据管理模型和物理模型;
基于所述数据管理模型和所述物理模型,对所述产品质量性能与所述装配要素进行映射分析,构建产品质量性能数字孪生模型。
4.根据权利要求3所述的产品质量性能预测方法,其特征在于,所述基于所述数据管理模型和所述物理模型,对所述产品质量性能与所述装配要素进行映射分析,构建产品质量性能数字孪生模型,包括:
基于所述数据管理模型和所述物理模型,构建所述产品质量性能数字孪生模型的框架;
对所述产品质量性能与所述装配要素进行映射分析,获取映射关系模型;
在所述框架的基础上,添加所述映射关系模型,构建产品质量性能数字孪生模型。
5.根据权利要求4所述的产品质量性能预测方法,其特征在于,所述对所述产品质量性能与所述装配要素进行映射分析,获取映射关系模型,包括:
分别建立所述产品质量性能与装配质量,所述装配质量与所述装配要素之间的映射关系;
根据所述映射关系,对所述产品质量性能与所述装配要素进行映射分析,获取所述映射关系模型;
其中,所述映射关系模型包括所述装配要素与所述产品质量性能之间的关联度。
6.根据权利要求1所述的产品质量性能预测方法,其特征在于,所述根据所述产品质量性能数字孪生模型,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度,包括:
定义参考数列和比较数列,其中,所述参考数列用于反映所述产品质量性能数字孪生模型中的产品质量性能;所述比较数列用于反映所述产品质量性能数字孪生模型中影响所述产品质量性能的装配要素;
获取所述参考数列和所述比较数列的无量纲化处理结果;
根据所述无量纲化处理结果,计算所述参考数列和与之对应的所述比较数列之间的关联系数;
根据所述关联系数,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度。
7.根据权利要求1所述的产品质量性能预测方法,其特征在于,所述根据所述产品装配过程数据,获取所述产品质量性能数字孪生模型中目标装配要素的随机状态变化趋势,包括:
根据所述产品装配过程数据,计算所述产品质量性能数字孪生模型中目标装配要素的状态转移概率矩阵;
根据所述状态转移概率矩阵,获取所述随机状态变化趋势。
8.根据权利要求7所述的产品质量性能预测方法,其特征在于,所述计算所述产品质量性能数字孪生模型中目标装配要素的状态转移概率矩阵,包括:
定义状态转移概率,所述状态转移概率为所述目标装配要素由一种状态转移至另一种状态的概率;
定义状态转移矩阵,所述状态转移概率为所述目标装配要素包括的多种状态分别所对应的状态转移概率;
根据历史的所述产品装配过程数据和所述状态转移矩阵,计算所述状态转移概率矩阵。
9.根据权利要求1所述的产品质量性能预测方法,其特征在于,在所述目标装配要素为装配过程不包括随机性变化的装配要素时,还包括:
根据所述关联度,获取所述产品质量性能的预测结果。
10.一种产品质量性能预测装置,其特征在于,包括:
构建模块,用于实时采集产品装配过程数据,构建产品质量性能数字孪生模型;
计算模块,用于根据所述产品质量性能数字孪生模型,计算影响产品质量性能的装配要素与所述产品质量性能之间的关联度;
获取模块,用于根据所述产品装配过程数据,获取所述产品质量性能数字孪生模型中目标装配要素的随机状态变化趋势,其中,所述目标装配要素为装配过程包括随机性变化的装配要素;
预测模块,用于根据所述关联度和所述随机状态变化趋势,获取所述产品质量性能的预测结果。
11.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至9中任一项所述的产品质量性能预测方法的步骤。
12.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至9中任一项所述的产品质量性能预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110081259.3A CN112926764B (zh) | 2021-01-21 | 2021-01-21 | 一种产品质量性能预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110081259.3A CN112926764B (zh) | 2021-01-21 | 2021-01-21 | 一种产品质量性能预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926764A true CN112926764A (zh) | 2021-06-08 |
CN112926764B CN112926764B (zh) | 2023-05-30 |
Family
ID=76165611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110081259.3A Active CN112926764B (zh) | 2021-01-21 | 2021-01-21 | 一种产品质量性能预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926764B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113504768A (zh) * | 2021-08-05 | 2021-10-15 | 东华大学 | 面向装配质量预测的高精密产品数字孪生可计算性方法 |
CN113625669A (zh) * | 2021-07-09 | 2021-11-09 | 华中科技大学 | 产品质量预测方法以及系统 |
CN113762609A (zh) * | 2021-08-27 | 2021-12-07 | 浙江天垂科技有限公司 | 产品质量预测方法及装置 |
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 |
CN116245256A (zh) * | 2023-04-23 | 2023-06-09 | 湖州新江浩电子有限公司 | 一种结合多因素的电容器质量预测方法、系统及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615113A (zh) * | 2018-11-19 | 2019-04-12 | 江苏科技大学 | 一种基于数字孪生的船用柴油机关重件加工质量预测方法 |
CN109978403A (zh) * | 2019-04-04 | 2019-07-05 | 北京理工大学 | 一种产品装配过程的质量管控方法、装置及设备 |
US20190294975A1 (en) * | 2018-03-21 | 2019-09-26 | Swim.IT Inc | Predicting using digital twins |
WO2020007016A1 (zh) * | 2018-07-05 | 2020-01-09 | 长安大学 | 一种基于数字孪生的智能车间自治生产过程动态联动控制方法 |
CN110704974A (zh) * | 2019-09-30 | 2020-01-17 | 江苏科技大学 | 基于数字孪生驱动的工艺模型的建模与使用方法 |
CN110991495A (zh) * | 2019-11-14 | 2020-04-10 | 国机智能技术研究院有限公司 | 生产制造过程中产品质量预测方法、系统、介质及设备 |
CN111968004A (zh) * | 2020-08-07 | 2020-11-20 | 东华大学 | 一种基于数字孪生的高精密产品装调一体化系统 |
CN112070279A (zh) * | 2020-08-19 | 2020-12-11 | 浙江工业大学 | 一种基于数字孪生技术的产品加工控制方法 |
-
2021
- 2021-01-21 CN CN202110081259.3A patent/CN112926764B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190294975A1 (en) * | 2018-03-21 | 2019-09-26 | Swim.IT Inc | Predicting using digital twins |
WO2020007016A1 (zh) * | 2018-07-05 | 2020-01-09 | 长安大学 | 一种基于数字孪生的智能车间自治生产过程动态联动控制方法 |
CN109615113A (zh) * | 2018-11-19 | 2019-04-12 | 江苏科技大学 | 一种基于数字孪生的船用柴油机关重件加工质量预测方法 |
CN109978403A (zh) * | 2019-04-04 | 2019-07-05 | 北京理工大学 | 一种产品装配过程的质量管控方法、装置及设备 |
CN110704974A (zh) * | 2019-09-30 | 2020-01-17 | 江苏科技大学 | 基于数字孪生驱动的工艺模型的建模与使用方法 |
CN110991495A (zh) * | 2019-11-14 | 2020-04-10 | 国机智能技术研究院有限公司 | 生产制造过程中产品质量预测方法、系统、介质及设备 |
CN111968004A (zh) * | 2020-08-07 | 2020-11-20 | 东华大学 | 一种基于数字孪生的高精密产品装调一体化系统 |
CN112070279A (zh) * | 2020-08-19 | 2020-12-11 | 浙江工业大学 | 一种基于数字孪生技术的产品加工控制方法 |
Non-Patent Citations (2)
Title |
---|
孙惠斌 等: "《数字孪生驱动的航空发动机装配技术》", 《中国机械工程》 * |
武颖 等: "《基于数字孪生技术的复杂产品装配过程质量管控方法》", 《计算机集成制造系统》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625669A (zh) * | 2021-07-09 | 2021-11-09 | 华中科技大学 | 产品质量预测方法以及系统 |
CN113625669B (zh) * | 2021-07-09 | 2022-08-05 | 华中科技大学 | 产品质量预测方法以及系统 |
CN113504768A (zh) * | 2021-08-05 | 2021-10-15 | 东华大学 | 面向装配质量预测的高精密产品数字孪生可计算性方法 |
CN113504768B (zh) * | 2021-08-05 | 2022-06-03 | 东华大学 | 面向装配质量预测的高精密产品数字孪生可计算性方法 |
CN113762609A (zh) * | 2021-08-27 | 2021-12-07 | 浙江天垂科技有限公司 | 产品质量预测方法及装置 |
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 |
CN116245256A (zh) * | 2023-04-23 | 2023-06-09 | 湖州新江浩电子有限公司 | 一种结合多因素的电容器质量预测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112926764B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926764A (zh) | 一种产品质量性能预测方法和装置 | |
Zhang et al. | Equipment energy consumption management in digital twin shop-floor: A framework and potential applications | |
Li et al. | A novel hybrid MCDM model for machine tool selection using fuzzy DEMATEL, entropy weighting and later defuzzification VIKOR | |
GhaffarianHoseini et al. | Application of nD BIM Integrated Knowledge-based Building Management System (BIM-IKBMS) for inspecting post-construction energy efficiency | |
LaCava et al. | Determining wind turbine gearbox model complexity using measurement validation and cost comparison | |
Ma et al. | A digital twin-based approach for quality control and optimization of complex product assembly | |
Jiang et al. | Development of an optimal method for remanufacturing process plan selection | |
CN111896244A (zh) | 一种综采设备phm系统 | |
Fan et al. | Human factors’ complexity measurement of human‐based station of assembly line | |
Liu et al. | A study of the layout planning of plant facility based on the timed Petri net and systematic layout planning | |
CN115882456A (zh) | 一种基于大规模电网潮流的电力控制方法及系统 | |
US20200258169A1 (en) | Distributed framework for solving and benchmarking security constrained unit commitment with warm start driven by data analytics | |
Huang et al. | Fatigue lifetime assessment of aircraft engine disc via multi-source information fusion | |
Hsu et al. | An intelligent detection logic for fan-blade damage to wind turbines based on mounted-accelerometer data | |
Becker et al. | A template for design for eXcellence (DfX) methods | |
Yi et al. | Multi-objective genetic algorithms based structural optimization and experimental investigation of the planet carrier in wind turbine gearbox | |
Wang et al. | Real-time precision reliability prediction for the worm drive system supported by digital twins | |
Gu et al. | Reliability modeling of manufacturing systems based on the task network evolved by key quality characteristics | |
Jin et al. | Structural optimization of pitch bearings for offshore wind turbines | |
Bi et al. | Virtual verification and validation for sustainable manufacturing | |
Amuthakkannan | Parameters design and performance analysis of a software-based mechatronics system using Taguchi robust design–a case study | |
Shen et al. | Design of MultiChannel Parallel Dynamic Testing Virtual Instrument Based on Dynamic Measurement | |
Doujak et al. | Fatigue Strength Analysis of a Prototype Francis Turbine in a Multilevel Lifetime Assessment Procedure Part I: Background, Theory and Assessment Procedure Development | |
Li et al. | Tractor manufacturing quality data acquisition, analysis and utilization | |
Wakiru et al. | Influence of maintenance and operations strategies on the availability of critical power plant equipment: A simulation approach. |
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 |