CN115099102A - 一种融合肤面模型与有限元的精密机械精度建模方法 - Google Patents

Abstract

本发明公开了一种融合肤面模型与有限元的精密机械精度建模方法，包括：1)获取精密机械各零件的高精点云数据，包括几何尺寸参数与零部件材料参数；2)建立各零件的肤面模型，其中各零件表面误差数据由上一步测量的点云数据获得；3)依托上一步的肤面模型，计算各零件受载变形，得到考虑变形的装配精度预测模型；4)使用上述模型计算产生大量仿真数据，利用机器学习的方法进行分析处理，建立起装配调整量与装配精度之间的关联；5)建立精密机械精准装调优化的数学模型，从而完成装配调整量计算，实现复杂闭链机构精准装调。本发明不仅考虑几何误差对装配精度所造成的影响，同时将受载变形也一并纳入考虑，因而在正向的精度预测方面更加精准。

Description

一种融合肤面模型与有限元的精密机械精度建模方法

技术领域

本发明属于机械装配技术领域，具体涉及一种融合肤面模型与有限元的精密机械精度建模方法。

背景技术

伴随着现代工业对产品质量要求的不断提高，机械产品也朝着精密化方向不断发展。机械产品的性能指标不断上升，而相对应的则是零件加工精度已经趋于极限，呈现边际递减效应，依靠仅提高零件加工精度以提升整机性能的方法不仅在工程上愈发困难，而且极速攀升的加工成本使得经济效益也大打折扣。因此在当下想要继续提高产品精度则需要从其他环节入手。

装配作为机械产品生产的最后一道环节，其工序质量将直接影响整机的性能指标。特别是对于复杂精密机械产品而言，装配误差在最终的整机误差中占有较高的比重。因此装配精度预测与装调优化已经成为装配领域的一个重要研究方向。而从实际装配流程来看，复杂精密机械产品的最终装配精度影响因素颇多，包括零件的加工误差、装配定位误差、并行装配导致的过约束、预紧力、配合面变形、过盈装配等。国内装配学领域大多聚焦于装配误差的传递机理方面，以此反哺产品的公差设计，主要属于CAT(Computer-AidedTolerancing,CAT)领域的范畴，相关研究成果无法用于产品生产装配环节。而从实际生产角度出发，基于测量数据，尤其是将零件误差、装配变形及装配定位误差同时纳入考虑的研究则相对较少。

从工程层面来说，现有的复杂精密机械产品装配环节存在着机理不透明、精度预测困难、预测结果可复现性差等问题。正是由于存在着上述困难，国内大多数企业在面对此类装配问题时往往采用依靠工人经验为主的“测量—拆装—测量”的装配方法。这样的方法不仅大大拉低了生产效率、难以形成规范化的装配工艺，而且对于加工精度普遍达到微米级的产品零件而言，反复拆装对其表面质量有着极大的损伤风险。正朝着精密化的方向快速发展，由于装配误差而造成的偏心振动、影响也愈发突出。现有的装调操作仍然主要依赖工人经验，因此效率低下且质量不稳定。例如在航空发动机的装配过程中，工人手工装调操作的流程占装配总流程的1/3以上，严重制约了整机交付的质量和效率。

目前国内相关方面的研究非常有限，尚无一套完整的基于实测数据的精密机械产品装配精度计算方法及对应装调优化理论。为此提出一种基于肤面模型与有限元方法的精密机械装配精度预测与调控方法，从而解决依靠工人经验所带来的装调周期过长、装配精度计算一致性差、装配质量不稳定的问题。

发明内容

本发明的目的在于针对目前精密机械装配过程中装配预测精准度低而造成装配合格率低下的现状，提供了一种融合肤面模型与有限元的精密机械精度建模方法。

本发明采用如下技术方案来实现的：

一种融合肤面模型与有限元的精密机械精度建模方法，包括以下步骤：

1)获取精密机械各零件的高精点云数据，包括几何尺寸参数与零部件材料参数；

2)建立各零件的肤面模型，其中各零件表面误差数据由上一步测量的点云数据获得；

3)依托上一步的肤面模型，计算各零件受载变形，得到考虑变形的装配精度预测模型；

4)使用上述模型计算产生大量仿真数据，利用机器学习的方法进行分析处理，建立起装配调整量与装配精度之间的关联；

5)建立精密机械精准装调优化的数学模型，从而完成装配调整量计算，实现复杂闭链机构精准装调。

本发明进一步的改进在于，步骤1)的具体实现方法为：

通过三坐标测量机高精度测量设备，获得装配体各零件的点云数据，并依据设计要求得到零件的名义尺寸与材料属性。

本发明进一步的改进在于，步骤1)的具体实现方法为：

通过三维激光扫描仪高精度测量设备，获得装配体各零件的点云数据，并依据设计要求得到零件的名义尺寸与材料属性。

本发明进一步的改进在于，步骤2)的具体实现方法为：

将步骤1)中所测量的点云进行三角化处理，生成各零件在网格表述下的肤面模型，该模型包含了零件的真实加工误差。

本发明进一步的改进在于，步骤3)的具体实现方法为：

系统分析装配体各零部件在真实工况下的受载情况，确定合理的载荷和约束，利用有限元方法计算出相应变形情况，从而实现考虑几何误差和受载变形的装配精度正向预测。

本发明进一步的改进在于，步骤4)的具体实现方法为：

确定装配体在生产过程中的装调工艺参数取值范围，在相应区间内生成大量仿真数据，依托前3步骤建立的装配精度模型对这些数据进行正向预测，得到包含输入-输出映射关系的数据集，对该数据集进行处理与分析，从而得到装配调整量与装配精度之间的内在关联。

本发明进一步的改进在于，利用机器学习的方法对该数据集进行处理与分析。

本发明进一步的改进在于，步骤5)的具体实现方法为：

依托建立的装配精度预测模型，以装配精度为优化目标函数，以装配调工艺参数为设计变量，以装配调整量取值范围为约束条件，使用优化算法计算得到最优装调量，实现定量装调。

本发明至少具有如下有益的技术效果：

本发明建立了精密机械装配精度预测模型，并给出了定量装调的计算流程。相较于现有的“盲装-盲调”生产模式，本发明可直接给出定量的最优装调参数，从而大幅提高了生产效率；相较于过往的装配精度分析方法，本发明不仅考虑了几何误差对装配精度所造成的影响，同时将受载变形也一并纳入考虑，因而在正向的精度预测方面更加精准。并且上述分析均是从实测数据出发，面向产品服役性能，较传统的公差分析方法而言更能够指导实际生产。

附图说明

图1是本发明的基于肤面模型的精密机械精准装调计算流程图；

图2是本发明的肤面模型理论示意图；

图3是本发明的基于有限元方法的肤面模型变形量计算示意图；

图4是本发明的基于机器学习方法建立装调量与装配精度间关联所使用的神经网络示意图；

图5是本发明的装调优化模型求解算法流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

如图1所示，本发明提供的一种融合肤面模型与有限元的精密机械精度建模方法，包括步骤：获取产品设计参数及各零件的高精点云数据——建立各零件的肤面模型——利用有限元方法，构建考虑变形的装配精度预测模型——利用机器学习方法建立装配工艺参数和装配精度目标间的关联关系——建立精密机械精准装调优化的数学模型。

确定待装调对象的整体工艺参数边界

(1)获取产品设计参数及各零件的高精点云数据

根据产品图纸与设计手册得到公称尺寸、公差、材料属性等设计参数。

综合运用圆柱度仪、三坐标测量机和三维激光扫描仪等测量仪器获得各零件的高精点云数据。利用白光干涉三维轮廓仪、台阶轮廓测量仪等仪器获取零件表面轮廓，使用小波分析、傅里叶变换等信号处理算法分离获得粗糙度、波纹度和形位误差的多尺度微观形貌数据。

(2)建立各零件的肤面模型

附图2给出了肤面模型理论示意图，附图3给出了建立零件肤面模型的示意图，肤面模型(Skin Model,SM)是由无限个数据点构成的连续表面，是一种介于零件公称表面模型和真实零件之间的一种描述方法。需要指出的是，在实际工程中不可能获得无限个数据点，因而本专利中所声称的肤面模型实际上是肤面模型形状(Skin Mode Shapes,SMS)。相较于SM，SMS采用有限的数据点对零件进行描述，在工程上更具有可行性。

首先使用Gmesh等网格划分算法，将零件的名义三维模型离散化。之后再使用迭代聚类、分水岭等网格分割算法，对离散后的模型进行面片划分，分离各特征表面。利用ICP算法，对前述的实测点云P＝{p₁,p₂,p₃,…,p_n}和对应的名义特征面Q＝{q₁,q₂,q₃,…,q_n}使用最小二乘法迭代计算得到最优的坐标变换，可以描述为：

其中R为待求的旋转矩阵，t为待求的平移向量，从而得到各表面的肤面形状。最后将所有肤面形状拼合，得到零件完整的肤面模型。

(3)利用有限元方法，构建考虑变形的装配精度预测模型

有限元方法是将理想的连续体离散为有限个单元的组合，通过对单元进行分析从而找出应力、应变和单元力之间的关系。由单个单元的刚度方程分析得到系统的总体刚度矩阵，通过添加合理的边界条件进而求解得到离散后各个节点的位移，其基本原理可以用下式表达：

K^e·q^e＝f^e

其中K^e为单元刚度矩阵，q^e为节点位移矢量，f^e为单元力矩阵。

将计算得到的节点位移补偿到建立的肤面模型上，利用齐次坐标变换的方法计算出装配体的误差传递，得到考虑变形的装配精度预测模型。

(4)利用机器学习方法建立装配调整量与装配精度的关联关系

图4给出了BP神经网络的结构示意图。将m次仿真计算得到的各类数据构建起工艺参数输入数据集D＝{x₁,x₂,…,x_m}，每个示例由d个属性描述，即x_i＝(x_i1；x_i2；…；x_id)是d维样本空间χ中的一个向量。针对{(x₁,y₁),(x₂,y₂),…(x_m,y_m)}的样本数据集，利用以人工神经网络为代表的机器学习方法建立起一个从输入空间χ到输出空间γ的回归映射f:χ→γ，其中

(5)建立精密机械装调优化数学模型与基于智能算法的求解策略

在上述装配工艺参数与装配精度之间的关联映射获得之后，建立精准装调的离散变量优化模型。优化的目标为最终的装配精度；装调变量为装配工艺相关参数如装配相位、零件配合面跳动分布、装配预紧力等；约束条件为上述建立的装配精度预测模型，可表示为

Find A_c

Min f

s.t.θ

A_c是装配体零件的调整值组合，f为装配精度的目标函数，θ为基于肤面描述的误差源模型。针对建立的该优化模型，采用遗传算法进行精密机械装调优化数学模型的求解，图5给出了算法的流程图。

虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (8)

1.一种融合肤面模型与有限元的精密机械精度建模方法，其特征在于，包括以下步骤：

1)获取精密机械各零件的高精点云数据，包括几何尺寸参数与零部件材料参数；

2)建立各零件的肤面模型，其中各零件表面误差数据由上一步测量的点云数据获得；

3)依托上一步的肤面模型，计算各零件受载变形，得到考虑变形的装配精度预测模型；

4)使用上述模型计算产生大量仿真数据，利用机器学习的方法进行分析处理，建立起装配调整量与装配精度之间的关联；

5)建立精密机械精准装调优化的数学模型，从而完成装配调整量计算，实现复杂闭链机构精准装调。

2.根据权利要求1所述的一种融合肤面模型与有限元的精密机械精度建模方法，其特征在于，步骤1)的具体实现方法为：

通过三坐标测量机高精度测量设备，获得装配体各零件的点云数据，并依据设计要求得到零件的名义尺寸与材料属性。

3.根据权利要求1所述的一种融合肤面模型与有限元的精密机械精度建模方法，其特征在于，步骤1)的具体实现方法为：

通过三维激光扫描仪高精度测量设备，获得装配体各零件的点云数据，并依据设计要求得到零件的名义尺寸与材料属性。

4.根据权利要求1所述的一种融合肤面模型与有限元的精密机械精度建模方法，其特征在于，步骤2)的具体实现方法为：

将步骤1)中所测量的点云进行三角化处理，生成各零件在网格表述下的肤面模型，该模型包含了零件的真实加工误差。

5.根据权利要求1所述的一种融合肤面模型与有限元的精密机械精度建模方法，其特征在于，步骤3)的具体实现方法为：

系统分析装配体各零部件在真实工况下的受载情况，确定合理的载荷和约束，利用有限元方法计算出相应变形情况，从而实现考虑几何误差和受载变形的装配精度正向预测。

6.根据权利要求1所述的一种融合肤面模型与有限元的精密机械精度建模方法，其特征在于，步骤4)的具体实现方法为：

确定装配体在生产过程中的装调工艺参数取值范围，在相应区间内生成大量仿真数据，依托前3步骤建立的装配精度模型对这些数据进行正向预测，得到包含输入-输出映射关系的数据集，对该数据集进行处理与分析，从而得到装配调整量与装配精度之间的内在关联。

7.根据权利要求6所述的一种融合肤面模型与有限元的精密机械精度建模方法，其特征在于，利用机器学习的方法对该数据集进行处理与分析。

8.根据权利要求1所述的一种融合肤面模型与有限元的精密机械精度建模方法，其特征在于，步骤5)的具体实现方法为：

依托建立的装配精度预测模型，以装配精度为优化目标函数，以装配调工艺参数为设计变量，以装配调整量取值范围为约束条件，使用优化算法计算得到最优装调量，实现定量装调。

Images