CN117826731A - 一种关键装配误差元素灵敏度分析方法及系统 - Google Patents
一种关键装配误差元素灵敏度分析方法及系统 Download PDFInfo
- Publication number
- CN117826731A CN117826731A CN202410013671.5A CN202410013671A CN117826731A CN 117826731 A CN117826731 A CN 117826731A CN 202410013671 A CN202410013671 A CN 202410013671A CN 117826731 A CN117826731 A CN 117826731A
- Authority
- CN
- China
- Prior art keywords
- assembly
- data
- model
- error
- calculation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000010206 sensitivity analysis Methods 0.000 title claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 132
- 230000035945 sensitivity Effects 0.000 claims abstract description 130
- 230000007246 mechanism Effects 0.000 claims abstract description 107
- 238000012546 transfer Methods 0.000 claims abstract description 89
- 230000004927 fusion Effects 0.000 claims abstract description 58
- 230000009471 action Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 68
- 230000008569 process Effects 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 38
- 238000004519 manufacturing process Methods 0.000 claims description 34
- 238000005259 measurement Methods 0.000 claims description 27
- 238000004088 simulation Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013215 result calculation Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 abstract description 19
- 230000000694 effects Effects 0.000 abstract description 5
- 210000001503 joint Anatomy 0.000 description 19
- 238000005192 partition Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31282—Data acquisition, BDE MDE
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种关键装配误差元素灵敏度分析方法及系统，包括：S1：多误差源作用下的装配误差传递机理模型构建；S2：小样本数据支撑的装配误差传递数据模型构建；S3：机理‑数据有机融合模型构建；S4：面向装配精度数据分析的Sobol全局灵敏度计算模型构建；S5：机理‑数据融合驱动的全局灵敏度计算；S6：灵敏度数值分析下的装配关键误差元素辨识；S7：关键装配误差元素灵敏度分析方法有效性验证，本发明综合考虑机理与数据的融合作用对灵敏度分析结果的影响，可实现复杂产品关键误差元素的快速有效辨识。
Description
【技术领域】
本发明涉及机械制造领域中机械产品数字化装配协调工艺技术领域，尤其涉及一种关键装配误差元素灵敏度分析方法及系统。
【背景技术】
装配体误差元素的辨识作为航空航天产品装配过程中的一个重要环节，其直接影响着产品各环节误差的优化效率与产品服役性能。在现代产品装配误差环节优化过程中，往往借助容差分析软件并采用统计分析的方法进行关键误差元素的辨识，误差辨识的有效性多依靠于装配误差传递模型的精准构建。现有的关键装配误差元素灵敏度分析方法一般是在3DCS或VSA等容差分析软件中进行，但在上述容差分析软件中灵敏度分析结果多为在理想条件下计算得到，未能充分利用现场产生的相关数据和变形计算的数据，使得灵敏度分析结果与装配现场的适应性不强。
随着现代产品生产数字化、智能化程度的不断提高，对现代制造产品对产品优化及生产效率要求提出了更高的要求，使得传统的基于工程经验进行的产品装配关键误差环节辨识已难以满足当前的生产需求；同时，对于当前的以仿真为主的装配关键误差环节辨识方法，在装配仿真建模阶段存在着未考虑现场实际物理特性数据、数据利用不充分等问题，同时多未能考虑产品装配过程中受力作用产生的变形情况，基于由此得到的装配误差元素灵敏度分析结果在后续优化环节中的提升效果有限，为产品装配精度进一步提升带来了一定困难
因此，有必要研究一种关键装配误差元素灵敏度分析方法及系统来应对现有技术的不足，以解决或减轻上述一个或多个问题。
【发明内容】
有鉴于此，本发明提供了一种关键装配误差元素灵敏度分析方法及系统，基于机理与数据融合驱动，构建了一种机理与数据融合驱动的关键装配误差元素灵敏度分析方法，综合考虑机理与数据的融合作用对灵敏度分析结果的影响，可实现复杂产品关键误差元素的快速准确辨识。
一方面，本发明提供一种关键装配误差元素灵敏度分析方法，所述分析方法用于复合材料翼盒装配零件在生产制造过程中进行关键误差元素的辨识，所述分析方法包括以下步骤：
S1：根据产品的装配过程和结构特征，构建多误差源作用下的装配误差传递机理模型；
S2：根据装配误差传递机理模型和有限样本数据，构建装配误差传递数据预测模型；
S3：通过装配误差传递机理模型和装配误差传递数据预测模型构建机理-数据有机融合模型；
S4：通过机理-数据有机融合模型构建面向装配精度数据分析的全局灵敏度计算模型；
S5：通过机理-数据有机融合模型和Sobol全局灵敏度计算模型进行全局灵敏度计算；
S6：通过全局灵敏度计算结果进行装配关键误差元素辨识；
S7：对装配关键误差元素辨识结果进行有效性验证。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S1具体包括：
S11：根据产品的装配过程和结构特征，确定产品装配过程中存在的多种误差源，获取误差源的相关数据，并对其装配过程中相应特征的变动情况用小位移旋量模型进行表示；
S12：根据中各部件之间的装配关系和工装定位夹紧情况，结合S11中分析得到的误差源，建立关键装配环节处的装配误差传递关系图；
S13：根据装配误差传递关系图和小位移旋量模型，采用雅可比旋量模型对其装配误差传递机理模型进行构建。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S2具体包括：
S21：根据装配误差机理模型的结构，确定装配误差传递数据预测模型的采集需求，对数据输出进行定义，其输出数据为机理模型装配精度计算值与实测装配值的偏差；
S22：根据数据输出确定数据的采集需求，采集需求包括模型训练构建过程中的输入数据和训练数据；
S23：对输入数据与训练数据进行有限数据采集，并对数据进行预处理以去除异常值，通过支持向量回归预测模型优化装配误差传递数据预测模型，通过优化后的预测模型对机理计算装配精度与实测装配精度的数值进行预测。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S3具体包括：
S31：获取产品数据，将产品数据代入装配误差传递机理模型，计算得到装配精度的机理理论计算值，获取误差传递实测数据，将误差传递实测数据和机理理论计算值作为训练样本，训练预测值为装配机理计算偏差的装配误差传递数据预测模型；
S32：通过装配误差传递数据预测模型得到机理计算偏差的预测值；
S33：将计算得到的装配精度机理计算偏差预测值与装配精度的机理计算理论值相加，得到补偿后的装配精度计算值；
S34：通过补偿后的装配精度计算值构建用于装配精度预测的机理-数据有机融合模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述误差传递实测数据包括但不限于采集现场测量的装配精度实测数据，装配工艺方案中读取的工艺数据，相关仿真数据和误差数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S4具体包括：
S41：设置各装配参数的取值范围并在有限数据中进行随机采样，根据采样结果同时求出机理模型的理论计算精度，依于采样数据建立第一矩阵和第二矩阵；
S42：将第一矩阵和第二矩阵中的同一列进行交换，获得对应第一矩阵的第三矩阵和对应第二矩阵的第四矩阵；
S43：第一矩阵、第二矩阵、第三矩阵和第四矩阵中的误差源参数输入机理-数据有机融合模型，得到四组的装配精度数据集；
S44：通过四组装配精度数据集计算得到四组装配参数的一阶灵敏度与全局灵敏度；
S45：通过四组装配精度数据集、一阶灵敏度与全局灵敏度构建Sobol全局灵敏度计算模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S5具体包括：
S51：读取有限产品样本中的装配参数与装配精度的训练数据，利用训练数据得到可预测装配精度的支持向量回归模型，读取有限产品样本装配参数与装配精度的测试数据，对模型的精度进行验证；
S52：利用Sobol sequence采样得到装配参数样本，同时构造Sobol抽样矩阵，抽取得到多组装配参数的输入数据并将其代入建立的支持向量回归模型，得到多组装配参数的输出数据；
S53：将多组装配参数的输入数据及其相应的输出数据代入Sobol全局灵敏度计算模型，进行一阶灵敏度与全局灵敏度的计算和分析。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S6具体包括：
S61：收集各个装配参数的一阶灵敏度与全局灵敏度数值，将各个装配参数的全局灵敏度数值与一阶灵敏度数值求和，判断求和值是否为1,确定灵敏度结果计算的有效性；
S62：将各个装配误差参数的全局灵敏度数值从大到小进行排序，判断得到对装配精度影响较大的关键误差元素，同时按照零件分类，判断得到对装配精度影响较大的装配零件。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S7具体包括：
S71：依据设计部门提供的工程数模，采用计算机软件将工程数模中的模型格式统一转化为JT格式，并将模型导入到VSA公差仿真分析软件中，读取设计方案中的容差数据，对零件各个特征的公差进行定义，读取产品的装配工艺方案，确定零件的装配顺序、装夹方案与零件间的配合关系，在软件中设置零件间的配合关系；
S72：在VSA软件中设置装配精度的测量操作，设置测量多个点的位置变化情况，并测量点与点间位置的变化情况完成装配精度的测量，同时依靠软件自带功能完成灵敏度数值的计算；
S73：读取VSA软件中的灵敏度计算结果数值，并与Sobol计算得到的相关结果进行对比，分析并计算仿真值与计算值的偏差，确保机理-数据融合驱动的灵敏度分析计算方法的精准性。
如上所述的方面和任一可能的实现方式，进一步提供一种关键装配误差元素灵敏度分析系统，所述分析系统用于复合材料翼盒装配零件在生产制造过程中进行关键误差元素的辨识，所述分析系统包括：
装配误差传递机理模型构建模块，用于根据产品的装配过程和结构特征，构建多误差源作用下的装配误差传递机理模型；
装配误差传递数据预测模型构建模块，用于根据装配误差传递机理模型和有限样本数据，构建装配误差传递数据预测模型；
机理-数据有机融合模型构建模块，用于通过装配误差传递机理模型和装配误差传递数据预测模型构建机理-数据有机融合模型；
全局灵敏度计算模型构建模块，用于机理-数据有机融合模型构建面向装配精度数据分析的全局灵敏度计算模型；
全局灵敏度计算模块，用于通过机理-数据有机融合模型和Sobol全局灵敏度计算模型进行全局灵敏度计算；
关键误差元素辨识模块，用于通过全局灵敏度计算结果进行装配关键误差元素辨识；
有效性验证验证模块，用于对装配关键误差元素辨识结果进行有效性验证。
与现有技术相比，本发明可以获得包括以下技术效果：
1)本发明分别建立误差传递的机理模型与数据模型，并使用两者的计算结果作为代理函数，采用Sobol灵敏度分析方法建立面向装配精度数据分析的全局灵敏度计算模型，完成关键装配误差元素的辨识；
2)本发明通过构建一种机理模型-数据模型融合驱动的预测模型，可仅依靠与生产过程中的小样本数据对关键装配误差元素进行有效辨识，并解决数据驱动模型需要大量数据支撑的问题；
3)本发明可避免现有商用公差分析软件在灵敏度仿真时未考虑装配现场实际物理特性数据带来的计算精度低、对装配精度分析结果的可解释性较差等不足，计算结果与装配现场的适应性更好。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明一个实施例提供的机翼翼盒结构及关键装配特征；
图2是本发明一个实施例提供的机理-数据模型融合构建方法流程图；
图3是本发明一个实施例提供的灵敏度分析流程图；
图4是本发明一个实施例提供的机理-数据混合驱动下的直对缝间隙计算流程；
图5是本发明一个实施例提供的VSA仿真直对缝间隙的误差分布图；
图6是本发明一个实施例提供的VSA仿真直对缝间隙的各装配参数的灵敏度数值；
图7是本发明一个实施例提供的VSA仿真直对缝阶差的误差分布图；
图8是本发明一个实施例提供的VSA仿真直对缝阶差的各装配参数的灵敏度数值；
图9是本发明提出的一种机理与数据融合驱动的关键装配误差元素灵敏度分析方法流程图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
本发明提供一种关键装配误差元素灵敏度分析方法，所述分析方法用于复合材料翼盒装配零件在生产制造过程中进行关键误差元素的辨识，所述分析方法包括以下步骤：
S1：根据产品的装配过程和结构特征，构建多误差源作用下的装配误差传递机理模型；
S2：根据装配误差传递机理模型和有限样本数据，构建装配误差传递数据预测模型；
S3：通过装配误差传递机理模型和装配误差传递数据预测模型构建机理-数据有机融合模型；
S4：通过机理-数据有机融合模型构建面向装配精度数据分析的全局灵敏度计算模型；
S5：通过机理-数据有机融合模型和Sobol全局灵敏度计算模型进行全局灵敏度计算；
S6：通过全局灵敏度计算结果进行装配关键误差元素辨识；
S7：对装配关键误差元素辨识结果进行有效性验证。
所述S1具体包括：
S11：根据产品的装配过程和结构特征，确定产品装配过程中存在的多种误差源，获取误差源的相关数据，并对其装配过程中相应特征的变动情况用小位移旋量模型进行表示；
S12：根据中各部件之间的装配关系和工装定位夹紧情况，结合S11中分析得到的误差源，建立关键装配环节处的装配误差传递关系图；
S13：根据装配误差传递关系图和小位移旋量模型，采用雅可比旋量模型对其装配误差传递机理模型进行构建。
所述S2具体包括：
S21：根据装配误差机理模型的结构，确定装配误差传递数据预测模型的采集需求，对数据输出进行定义，其输出数据为机理模型装配精度计算值与实测装配值的偏差；
S22：根据数据输出确定数据的采集需求，采集需求包括模型训练构建过程中的输入数据和训练数据；
S23：对输入数据与训练数据进行有限数据采集，并对数据进行预处理以去除异常值，通过支持向量回归预测模型优化装配误差传递数据预测模型，通过优化后的预测模型对机理计算装配精度与实测装配精度的数值进行预测。
本发明中所述的有限数据为小样本数据，具体地为本发明中训练模型中需要用到的数据，例如采集现场测量的装配精度实测数据，装配工艺方案中读取的工艺数据，相关仿真数据和误差数据。
所述S3具体包括：
S31：获取产品数据，将产品数据代入装配误差传递机理模型，计算得到装配精度的机理理论计算值，获取误差传递实测数据，将误差传递实测数据和机理理论计算值作为训练样本，训练预测值为装配机理计算偏差的装配误差传递数据预测模型；
S32：通过装配误差传递数据预测模型得到机理计算偏差的预测值；
S33：将计算得到的装配精度机理计算偏差预测值与装配精度的机理计算理论值相加，得到补偿后的装配精度计算值；
S34：通过补偿后的装配精度计算值构建用于装配精度预测的机理-数据有机融合模型。
所述误差传递实测数据包括但不限于采集现场测量的装配精度实测数据，装配工艺方案中读取的工艺数据，相关仿真数据和误差数据。
所述S4具体包括：
S41：设置各装配参数的取值范围并在有限数据中进行随机采样，根据采样结果同时求出机理模型的理论计算精度，依于采样数据建立第一矩阵和第二矩阵；
S42：将第一矩阵和第二矩阵中的同一列进行交换，获得对应第一矩阵的第三矩阵和对应第二矩阵的第四矩阵；
S43：第一矩阵、第二矩阵、第三矩阵和第四矩阵中的误差源参数输入机理-数据有机融合模型，得到四组的装配精度数据集；
S44：通过四组装配精度数据集计算得到四组装配参数的一阶灵敏度与全局灵敏度；
S45：通过四组装配精度数据集、一阶灵敏度与全局灵敏度构建Sobol全局灵敏度计算模型。
所述S5具体包括：
S51：读取有限产品样本中的装配参数与装配精度的训练数据，利用训练数据得到可预测装配精度的支持向量回归模型，读取有限产品样本装配参数与装配精度的测试数据，对模型的精度进行验证；
S52：利用Sobol sequence采样得到装配参数样本，同时构造Sobol抽样矩阵，抽取得到多组装配参数的输入数据并将其代入建立的支持向量回归模型，得到多组装配参数的输出数据；
S53：将多组装配参数的输入数据及其相应的输出数据代入Sobol全局灵敏度计算模型，进行一阶灵敏度与全局灵敏度的计算和分析。
所述S6具体包括：
S61：收集各个装配参数的一阶灵敏度与全局灵敏度数值，将各个装配参数的全局灵敏度数值与一阶灵敏度数值求和，判断求和值是否为1,确定灵敏度结果计算的有效性；
S62：将各个装配误差参数的全局灵敏度数值从大到小进行排序，判断得到对装配精度影响较大的关键误差元素，同时按照零件分类，判断得到对装配精度影响较大的装配零件。
所述S7具体包括：
S71：依据设计部门提供的工程数模，采用计算机软件将工程数模中的模型格式统一转化为JT格式，并将模型导入到VSA公差仿真分析软件中，读取设计方案中的容差数据，对零件各个特征的公差进行定义，读取产品的装配工艺方案，确定零件的装配顺序、装夹方案与零件间的配合关系，在软件中设置零件间的配合关系；
在一个具体实施例中，计算机软件可优选为通过CATIA软件进行格式转化，或通过VSA软件中自带的模型格式进行转化。
S72：在VSA软件中设置装配精度的测量操作，设置测量多个点的位置变化情况，并测量点与点间位置的变化情况完成装配精度的测量，同时依靠软件自带功能完成灵敏度数值的计算；
S73：读取VSA软件中的灵敏度计算结果数值，并与Sobol计算得到的相关结果进行对比，分析并计算仿真值与计算值的偏差，确保机理-数据融合驱动的灵敏度分析计算方法的精准性。
本发明还提供一种关键装配误差元素灵敏度分析系统，所述分析系统用于复合材料翼盒装配零件在生产制造过程中进行关键误差元素的辨识，所述分析系统包括：
装配误差传递机理模型构建模块，用于根据产品的装配过程和结构特征，构建多误差源作用下的装配误差传递机理模型；
装配误差传递数据预测模型构建模块，用于根据装配误差传递机理模型和有限样本数据，构建装配误差传递数据预测模型；
机理-数据有机融合模型构建模块，用于通过装配误差传递机理模型和装配误差传递数据预测模型构建机理-数据有机融合模型；
全局灵敏度计算模型构建模块，用于机理-数据有机融合模型构建面向装配精度数据分析的全局灵敏度计算模型；
全局灵敏度计算模块，用于通过机理-数据有机融合模型和Sobol全局灵敏度计算模型进行全局灵敏度计算；
关键误差元素辨识模块，用于通过全局灵敏度计算结果进行装配关键误差元素辨识；
有效性验证验证模块，用于对装配关键误差元素辨识结果进行有效性验证。
本发明原理如下：
如图9所示，本发明提供一种机理与数据融合驱动的关键装配误差元素灵敏度分析方法，所述装配精度方法用于复合材料翼盒装配零件在生产制造过程中进行关键误差元素的辨识，所述关键误差元素辨识包括以下步骤：
S1：多误差源作用下的装配误差传递机理模型构建；
S2：小样本数据支撑的装配误差传递数据模型构建；
S3：机理-数据有机融合模型构建；
S4：面向装配精度数据分析的Sobol全局灵敏度计算模型构建；
S5：机理-数据融合驱动的全局灵敏度计算；
S6：灵敏度数值分析下的装配关键误差元素辨识；
S7：关键装配误差元素灵敏度分析方法有效性验证。
所述S1具体包括：
S11：根据产品的装配过程和结构特征，找出产品装配过程中存在的多种误差源，并对其装配过程中相应特征的变动情况用小位移旋量模型进行表示。
S12：根据中各部件之间的装配关系和工装定位情况，结合S11中分析得到的关键误差源，建立关键装配环节处的装配误差传递关系图。
S13：根据产品装配过程中的装配误差传递关系图和各关键特征的小位移旋量模型，采用雅可比旋量模型对其装配误差传递机理模型进行构建。
所述S2具体包括：
S21：先根据装配误差机理模型的结构，明确数据模型的采集需求，对数据输出进行定义，其输出数据为机理模型装配精度计算值与实测装配值的偏差。
S22：根据数据模型的数据输出，明确数据的采集需求，其主要包括模型训练构建过程中的输入数据、训练数据。
S23：对数据模型构建所需要的输入数据与训练数据进行数据采集，并对数据进行预处理以去除异常值，进而通过支持向量回归预测模型对机理计算装配精度与实测装配精度的数值进行预测。
所述S3具体包括：
S31：设置各装配参数的取值范围并进行随机采样，根据采样结果同时求出机理模型的理论计算精度，依于采样数据建立矩阵A(第一矩阵)与矩阵B(第二矩阵)(2m个采样样本，k个装配参数，m和k均为自然数)。
S32：将矩阵A(第一矩阵)与矩阵B(第二矩阵)的第i列(相当于前述相同列)进行交换，得到矩阵Si(第三矩阵)与矩阵S-i(第四矩阵)。
S33：将矩阵A,B,Si,S-i(即第一矩阵、第二矩阵、第三矩阵和第四矩阵)中的工装定位精度、部件特征制造误差等装配参数数据带入建立的机理-数据融合的装配精度预测模型中，得到相应的装配精度数据集yA,yB,(即四组装配精度数据集)，从而进一步计算得到装配参数xi的一阶灵敏度与全局灵敏度
所述S4具体包括：
S41：测量采集现场产生的装配精度等实测数据，并读取装配工艺方案中的工艺数据、相关仿真数据与误差数据，并用这些数据作为训练样本，训练预测值为装配机理计算偏差的支持向量回归模型。
S42：将产品相关数据代入装配误差机理计算模型中，计算得到装配精度的机理理论计算值，并将计算结果作为所得训练模型的输入并带入，通过数据模型得到机理计算偏差的预测值。
S43：将计算得到的装配精度机理计算偏差预测值与装配精度的机理计算理论值相加，得到补偿后的装配精度计算值。
所述S5具体包括：
S51：读取产品样本装配参数与装配精度的训练数据，并利用这些数据训练得到可预测装配精度的支持向量回归模型。读取产品样本装配参数与装配精度的测试数据，对模型的精度进行验证。
S52：利用Sobol sequence采样得到装配参数样本，同时构造Sobol抽样矩阵ABi，抽取得到多组装配参数的输入数据并将其代入建立的支持向量回归模型，进一步得到多组装配参数的输出数据。
S53：将多组装配参数的输入数据及其相应的输出数据分别代入一阶灵敏度与全局灵敏度的计算公式中，完成机理-数据融合的灵敏度分析。
所述S6具体包括：
S61：收集各个装配参数的一阶灵敏度与全局灵敏度数值，将各个装配参数的全局灵敏度数值与一阶灵敏度数值求和，判断求和值是否为1,确定灵敏度结果计算的有效性。
S62：将各个装配误差参数的全局灵敏度数值从大到小进行排序，判断得到对装配精度影响较大的几个关键误差元素，同时按照零件分类，判断得到对装配精度影响较大的几个装配零件。
所述S7具体包括：
S71：依据设计部门提供的工程数模，采用CATIA软件进行将模型格式转化为JT格式，并将模型导入到VSA公差仿真分析软件中，读取设计方案中的容差数据，对零件各个特征的公差进行定义。读取产品的装配工艺方案，确定零件的装配顺序、装夹方案与零件间的配合关系，在软件中设置零件间的配合关系。
S72：在VSA软件中设置装配精度的测量操作，设置测量多个点的位置变化情况，并测量点与点间位置的变化情况完成装配精度的测量，同时依靠软件自带功能完成灵敏度数值的计算。
S73：读取VSA软件中的灵敏度计算结果数值，并与Sobol计算得到的相关结果进行对比，分析并计算仿真值与计算值的偏差，确保机理-数据融合驱动的灵敏度分析计算方法的精准性。
实施例1：
在本实施例中，以某型翼盒装配的直对缝间隙与阶差的关键装配误差元素辨识为例。如图1所示，翼盒由机加肋、前后梁、骨架板、隔板与复材蒙皮等零件组成，装配顺序从外向内，依次装配翼盒骨架与复材壁板。同时，在装配过程中，需要控制左侧直对缝间隙与阶差装配精度以保证装配质量。以该产品左侧直对缝间隙与阶差的关键误差环节辨识为例，说明机理与数据融合驱动的关键装配误差元素灵敏度分析方法的实施步骤。
本发明解决其技术问题所采用的总体思路为：首先，根据产品的装配工艺方案读取存在的多种误差源，包括各零件装配接触特征面的公差、装配工装的定位精度、零件位置公差信息、实测装配精度值、机理模型装配精度计算值，分别建立装配误差传递的机理模型与数据模型，以此建立面向装配精度的Sobol全局灵敏度计算模型，以对产品各个装配误差环节进行灵敏度分析；其次，提出误差传递机理模型与实测/仿真数据模型的融合建模方法，以机理模型装配精度计算值与实测装配值的偏差为预测的输出数据，采用支持向量回归的方法构建机理-数据融合驱动的装配精度机理计算偏差值的预测模型；最后，依托于建立的机理-数据融合驱动的装配误差预测模型，采用Sobol灵敏度分析方法计算各装配误差环节的灵敏度数值，并将计算结果按大小进行排序，分析并辨识得到关键的装配误差元素，并采用VSA软件对装配过程进行仿真，通过对比仿真与计算结果验证灵敏度数值的有效性。上述方法能够有效指导后续的容差优化环节，为解决关键装配误差辨识困难、效率低等问题提供了一种有效的解决思路。
本发明提供一种机理与数据融合驱动的关键装配误差元素灵敏度分析方法，具体地是一种考虑装配现场实际物理特性与装配精度数据的关键装配误差元素灵敏度分析方法，可用于机械产品关键装配误差环节的辨识与改进，所述的机理与数据融合驱动的关键装配误差元素灵敏度分析方法包括以下步骤：
S1：多误差源作用下的装配误差传递机理模型构建；
具体地，首先根据图1翼盒整体结构及关键装配特征，可得到机翼翼盒由机加肋、前后梁、骨架板、隔板与复材蒙皮等零件组成，其装配顺序为从外向内依次进行。从而可分析得到产品在装配过程中存在的误差源主要包括零部件制造误差、零件间接触产生的变形误差、装配工装定位夹紧误差。
进一步，创建装配系统的全局坐标系，然后在每个零件的配合表面上创建局部坐标系。根据上述的多种误差造成的变动情况，采用小位移旋量进行表示，可得多种误差源变动的旋量矩阵形式，本发明零件误差几何功能要素如表1所示。
表1
根据机翼翼盒装配顺序以及各部件特征面的配合关系和工装定位方式，构建装配误差传递关系图。
进一步，通过上面得到的装配误差传递关系图与多种误差源变动的旋量矩阵形式可以得到位姿误差转换矩阵，用以描述产品装配过程中各误差环节在定位工装、零件内部和配合面之间的传递关系；
将上述零件自身制造误差、装配变形误差、装配工装定位夹紧误差等对产品装配产生的影响转化为关键装配几何特征的变动情况，对小位移旋量模型中的数值进行更新，并对表示误差传递关系的雅可比旋量矩阵进行修正，建立表征产品装配误差传递过程的机理模型。
S2：小样本数据支撑的装配误差传递数据模型构建；
具体地，根据翼盒整体结构和关键装配特征的装配功能需求，确定机翼装配的数据模型的输出数据为机理模型装配精度计算值与实测装配值的偏差。
进一步，根据数据的来源主要分为模型训练构建过程中的输入数据和训练数据，其中输入数据包括各装配体接触配合面的误差源信息，包括各零件装配接触特征面的公差、装配工装的定位精度、零件位置公差信息、实测装配精度值、机理模型装配精度计算值等。其中训练数据为各组成环节公差数据的小样本数集。
进一步，通过支持向量回归预测模型对机理计算装配精度与实测装配精度的数值进行预测，即：
式中，f(x1,…xn)为机理模型计算结果的补偿值，ym为实测产品装配精度，yt(x1,…xn)为机理模型计算得到的理论装配偏差，为零件特征1的特征变动误差，为零件特征1的特征变动误差，零件特征1与零件特征2共同组成装配精度误差。
S3：机理-数据有机融合模型构建；
具体地，首先设置各装配参数的取值范围，并采用Sobol Sequence采样方法对装配输入参数进行随机采样，并将结果代入机理模型得到装配精度的理论计算结果样本集。
进一步地，根据所得的装配参数与装配精度理论计算值的样本集建立矩阵A与B(2m个采样样本，k个装配参数)：
进一步地，将矩阵A与矩阵B的第i列进行交换操作，得到矩阵Si与S-i：
进一步地，将矩阵A,B,Si,S-i中的工装定位精度、部件特征制造误差等装配参数数据带入上述机理-数据融合的装配精度预测模型中，得到相应的装配精度数据集yA,yB,有：
进一步地，计算得到装配参数xi的一阶灵敏度与全局灵敏度完成Sobol全局灵敏度计算模型的构建：
S4：面向装配精度数据分析的Sobol全局灵敏度计算模型构建；
具体地，首先测量采集产品肋、梁、墙、隔板、上下壁板的实际制造精度数值与变形偏差数值。翼盒产品装配完成后测量左侧直对缝的装配间隙与装配阶差的精度数据，并以上述采集的数据集作为训练样本，对构建的基于支持向量回归的装配机理计算偏差预测模型进行训练，主要流程如图2所示。
进一步地，将翼盒产品的组成零件(肋、梁、墙、隔板、上下壁板等)的设计公差信息输入至建立的装配误差机理计算模型中，分别计算得到翼盒产品的直对缝间隙误差与阶差误差。
进一步地，读取翼盒装配过程中产生的直对缝间隙与阶差实测精度数据、装配工艺数据、仿真数据与误差理论计算数据，并将其代入建立的支持向量回归预测数学模型，分别计算得到产品直对缝间隙与阶差的机理计算偏差预测值。
进一步地，将计算得到的产品直对缝间隙与阶差的机理计算偏差预测值与相应的间隙与阶差机理计算值相加求和，完成对机理模型理论计算值的修正，得到补偿后的翼盒直对缝间隙与补偿的装配精度计算值，完成误差传递机理模型与仿真/实测数据模型的有机融合。
S5：机理-数据模型融合驱动的全局灵敏度数值计算；
数据-机理混合驱动下的灵敏度分析计算流程如图3所示，具体地，首先读取产品生产过程中的小样本数据(包含产品肋、梁、墙、隔板、上下壁板的形位误差、各工装定位误差、产品直对缝间隙与阶差精度等数据)，并将数据样本的70％用于支持向量回归模型的构建，30％用于验证精度。
进一步地，定义模型输入数据为装配过程中的多个误差源，输出数据为补偿后的装配精度数据，对模型进行训练，训练完成后利用剩余30％的样本数据对模型精度进行验证，计算平均绝对误差MAE、均方根误差RMSE、绝对系数R2分别为0.052176、0.007424、0.079945，精度满足要求。
进一步地，设置各装配参数的取值范围，采用Sobol sequence方法对左右墙、框等部件的形位公差进行随机取样，构造产品各误差环节的抽样矩阵A与B，并将矩阵A与矩阵B的第i列进行交换，得到矩阵Si与S-i。
进一步地，直对缝间隙计算流程如图4所示，将矩阵A,B,Si,S-i中的工装定位精度、部件特征制造误差等装配参数数据带入上述机理-数据融合的装配精度预测模型中，得到相应的装配精度数据集yA,yB,并将计算结果代入全局灵敏度计算公式，得到蒙皮间直对缝间隙与阶差的全局灵敏度分析数值。
S6：灵敏度数值分析下的装配关键误差元素辨识；
具体地，分别读取蒙皮间直对缝间隙与直对缝阶差的灵敏度分析结果，如表2和表3所示。
表2
表3
进一步地，对上表灵敏度结果进行排序，1号与2号壁板直对缝间隙的全局灵敏度从大到小依次为：
x6>x5>x4>x3>x2>x1>x23>x18>x24>x17>x16>x13>x15>x14>x20>x10>x8
>x19>x22>x21>x7>x9>x11>x12
1号与2号壁板直对缝对缝阶差的全局灵敏度从大到小依次为：
x4>x3>x15>x16>x14>x24>x23>x12>x11>x13>x1>x2>x22>x21>x17>x8>x6
>x10>x9>x19>x7>x5>x18>x20
进一步地，对上述的灵敏度排序结果进行分析，发现对于直对缝间隙装配精度影响程度较大的主要是上壁板边缘的制造误差、上壁板定位孔的制造误差、以及上壁板装配工装的定位误差；对于直对缝阶差精度影响程度较大的主要是壁板厚度方向上的制造误差、上壁板装配工装吸附定位误差、各个框与左右墙的高度公差及轮廓度，其余装配误差元素对外形间隙与阶差的灵敏度数值较小。
S7：关键装配误差元素灵敏度分析方法有效性验证。
具体地，首先将产品中的蒙皮、骨架、隔框等零件数模转化为JT格式，在VSA软件中创建装配环境并导入装配零件。同时，读取肋、梁、墙、隔框、复材壁板等部件的形状与位置公差数据，在仿真环境中通过增加特征完成产品各个公差信息的定义，公差信息下表4所示，其余未明确要求公差的零件按照HB5800标准进行初始公差输入。
表4
进一步地，按照装配工艺方案对零件进行装配，依次按照左右墙、第1框+第4框、第2框+第3框、中墙前段、中墙后段、中墙中段、上壁板、下壁板的装配顺序建立装配操作。
进一步地，在产品上壁板组成直对缝间隙处的两侧设置两个测量点作为测量特征，之后，建立两个测量点在X方向与Y方向上的偏差测量操作，实现直对缝间隙与直对缝阶差精度的测量。之后，进行容差分析仿真，分别得到直对缝间隙与直对缝阶差的仿真分布结果与灵敏度数值，计算结果分别如表5与表6所示，直对缝间隙的误差分布与灵敏度计算结果如图5与图6所示，直对缝阶差的误差分布与灵敏度计算结果如图7与图8所示。
表5
表6
进一步地，记录VSA软件中的灵敏度分析结果数值，与机理-数据融合驱动计算得到的灵敏度分析结果进行对比，将对装配精度灵敏度贡献较大的几个关键误差元素的灵敏度计算数值列出，计算两种计算方法的偏差，确保灵敏度计算方法的有效性。经判断，
(1)对蒙皮间的直对缝间隙装配精度影响较大的环节，主要是壁板零件的工装定位误差、骨架零件的工装定位误差、以及壁板零件的制造误差，共占比71.52％，其余误差元素占比为28.48％(框、墙组成的骨架零件制造误差)；VSA软件仿真结果与本发明计算结果偏差为5.53％。
(2)对蒙皮间的直对缝阶差装配精度影响较大的环节，主要是各零件的工装定位误差与骨架零件的制造误差，共占比91.55％，其余误差元素(单个壁板零件的厚度误差)占比为8.45％；VSA软件仿真结果与本发明计算结果偏差为7.05％。
本发明提供了一种机理与数据融合驱动的关键装配误差元素灵敏度分析方法，为解决装配仿真建模阶段存在着未考虑现场实际物理特性数据、数据利用不充分等导致关键误差元素难以识别等问题提供了一种有效的解决思路。
本发明主要包含两部分内容，即：基于支持向量回归的机理计算偏差补偿模型构建与数据-机理混合驱动下的灵敏度分析求解。经过实例优化验证，本发明可实现：
1)分别建立误差传递的机理模型与数据模型，并使用两者的计算结果作为代理函数，采用Sobol灵敏度分析方法建立面向装配精度数据分析的全局灵敏度计算模型，完成关键装配误差元素的辨识。
2)构建一种机理模型-数据模型融合驱动的预测模型，可仅依靠与生产过程中的小样本数据、机理模型以及实测数据对关键装配误差元素进行有效辨识，并解决数据驱动模型需要大量数据支撑的问题。
3)相比于VSA公差仿真分析软件计算各误差环节的灵敏度数值，本发明所述方法可充分考虑薄壁零件受到装配工装定位与夹紧作用引起的变形偏差与零件接触变形等因素对装配误差传递过程的影响，可避免VSA软件分析未考虑装配现场实际物理特性数据带来的灵敏度计算精度低、对装配精度分析结果的可解释性较差等不足，且与装配现场的适应性更好。
以上对本申请实施例所提供的一种关键装配误差元素灵敏度分析方法及系统，进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语，故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述申请构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求书的保护范围内。
Claims (10)
1.一种关键装配误差元素灵敏度分析方法，所述分析方法用于复合材料翼盒装配零件在生产制造过程中进行关键误差元素的辨识，其特征在于，所述分析方法包括以下步骤：
S1：根据产品的装配过程和结构特征，构建多误差源作用下的装配误差传递机理模型；
S2：根据装配误差传递机理模型和有限样本数据，构建装配误差传递数据预测模型；
S3：通过装配误差传递机理模型和装配误差传递数据预测模型构建机理-数据有机融合模型；
S4：通过机理-数据有机融合模型构建面向装配精度数据分析的全局灵敏度计算模型；
S5：通过机理-数据有机融合模型和Sobol全局灵敏度计算模型进行全局灵敏度计算；
S6：通过全局灵敏度计算结果进行装配关键误差元素辨识；
S7：对装配关键误差元素辨识结果进行有效性验证。
2.根据权利要求1所述的分析方法，其特征在于，所述S1具体包括：
S11：根据产品的装配过程和结构特征，确定产品装配过程中存在的多种误差源，获取误差源的相关数据，并对其装配过程中相应特征的变动情况用小位移旋量模型进行表示；
S12：根据中各部件之间的装配关系和工装定位夹紧情况，结合S11中分析得到的误差源，建立关键装配环节处的装配误差传递关系图；
S13：根据装配误差传递关系图和小位移旋量模型，采用雅可比旋量模型对其装配误差传递机理模型进行构建。
3.根据权利要求1所述的分析方法，其特征在于，所述S2具体包括：
S21：根据装配误差机理模型的结构，确定装配误差传递数据预测模型的采集需求，对数据输出进行定义，其输出数据为机理模型装配精度计算值与实测装配值的偏差；
S22：根据数据输出确定数据的采集需求，采集需求包括模型训练构建过程中的输入数据和训练数据；
S23：对输入数据与训练数据进行有限数据采集，并对数据进行预处理以去除异常值，通过支持向量回归预测模型优化装配误差传递数据预测模型，通过优化后的预测模型对机理计算装配精度与实测装配精度的数值进行预测。
4.根据权利要求1所述的分析方法，其特征在于，所述S3具体包括：
S31：获取产品数据，将产品数据代入装配误差传递机理模型，计算得到装配精度的机理理论计算值，获取误差传递实测数据，将误差传递实测数据和机理理论计算值作为训练样本，训练预测值为装配机理计算偏差的装配误差传递数据预测模型；
S32：通过装配误差传递数据预测模型得到机理计算偏差的预测值；
S33：将计算得到的装配精度机理计算偏差预测值与装配精度的机理计算理论值相加，得到补偿后的装配精度计算值；
S34：通过补偿后的装配精度计算值构建用于装配精度预测的机理-数据有机融合模型。
5.根据权利要求4所述的分析方法，其特征在于，所述误差传递实测数据包括但不限于采集现场测量的装配精度实测数据，装配工艺方案中读取的工艺数据，相关仿真数据和误差数据。
6.根据权利要求4所述的分析方法，其特征在于，所述S4具体包括：S41：设置各装配参数的取值范围并在有限数据中进行随机采样，根据采样结果同时求出机理模型的理论计算精度，依于采样数据建立第一矩阵和第二矩阵；
S42：将第一矩阵和第二矩阵中的同一列进行交换，获得对应第一矩阵的第三矩阵和对应第二矩阵的第四矩阵；
S43：第一矩阵、第二矩阵、第三矩阵和第四矩阵中的误差源参数输入机理-数据有机融合模型，得到四组的装配精度数据集；
S44：通过四组装配精度数据集计算得到四组装配参数的一阶灵敏度与全局灵敏度；
S45：通过四组装配精度数据集、一阶灵敏度与全局灵敏度构建Sobol全局灵敏度计算模型。
7.根据权利要求6所述的分析方法，其特征在于，所述S5具体包括：
S51：读取有限产品样本中的装配参数与装配精度的训练数据，利用训练数据得到可预测装配精度的支持向量回归模型，读取有限产品样本装配参数与装配精度的测试数据，对模型的精度进行验证；
S52：利用Sobol sequence采样得到装配参数样本，同时构造Sobol抽样矩阵，抽取得到多组装配参数的输入数据并将其代入建立的支持向量回归模型，得到多组装配参数的输出数据；
S53：将多组装配参数的输入数据及其相应的输出数据代入Sobol全局灵敏度计算模型，进行一阶灵敏度与全局灵敏度的计算和分析。
8.根据权利要求7所述的分析方法，其特征在于，所述S6具体包括：
S61：收集各个装配参数的一阶灵敏度与全局灵敏度数值，将各个装配参数的全局灵敏度数值与一阶灵敏度数值求和，判断求和值是否为1,确定灵敏度结果计算的有效性；
S62：将各个装配误差参数的全局灵敏度数值从大到小进行排序，判断得到对装配精度影响较大的关键误差元素，同时按照零件分类，判断得到对装配精度影响较大的装配零件。
9.根据权利要求1所述的分析方法，其特征在于，所述S7具体包括：
S71：依据设计部门提供的工程数模，采用计算机软件将工程数模中的模型格式统一转化为JT格式，并将模型导入到VSA公差仿真分析软件中，读取设计方案中的容差数据，对零件各个特征的公差进行定义，读取产品的装配工艺方案，确定零件的装配顺序、装夹方案与零件间的配合关系，在软件中设置零件间的配合关系；
S72：在VSA软件中设置装配精度的测量操作，设置测量多个点的位置变化情况，并测量点与点间位置的变化情况完成装配精度的测量，同时依靠软件自带功能完成灵敏度数值的计算；
S73：读取VSA软件中的灵敏度计算结果数值，并与Sobol计算得到的相关结果进行对比，分析并计算仿真值与计算值的偏差，确保机理-数据融合驱动的灵敏度分析计算方法的精准性。
10.一种关键装配误差元素灵敏度分析系统，所述分析系统用于复合材料翼盒装配零件在生产制造过程中进行关键误差元素的辨识，其特征在于，所述分析系统包括：
装配误差传递机理模型构建模块，用于根据产品的装配过程和结构特征，构建多误差源作用下的装配误差传递机理模型；
装配误差传递数据预测模型构建模块，用于根据装配误差传递机理模型和有限样本数据，构建装配误差传递数据预测模型；
机理-数据有机融合模型构建模块，用于通过装配误差传递机理模型和装配误差传递数据预测模型构建机理-数据有机融合模型；
全局灵敏度计算模型构建模块，用于机理-数据有机融合模型构建面向装配精度数据分析的全局灵敏度计算模型；
全局灵敏度计算模块，用于通过机理-数据有机融合模型和Sobol全局灵敏度计算模型进行全局灵敏度计算；
关键误差元素辨识模块，用于通过全局灵敏度计算结果进行装配关键误差元素辨识；
有效性验证验证模块，用于对装配关键误差元素辨识结果进行有效性验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410013671.5A CN117826731A (zh) | 2024-01-04 | 2024-01-04 | 一种关键装配误差元素灵敏度分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410013671.5A CN117826731A (zh) | 2024-01-04 | 2024-01-04 | 一种关键装配误差元素灵敏度分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117826731A true CN117826731A (zh) | 2024-04-05 |
Family
ID=90517109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410013671.5A Pending CN117826731A (zh) | 2024-01-04 | 2024-01-04 | 一种关键装配误差元素灵敏度分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117826731A (zh) |
-
2024
- 2024-01-04 CN CN202410013671.5A patent/CN117826731A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111145236B (zh) | 一种基于数字孪生的产品拟实物装配模型生成方法及实现框架 | |
| CN105912823B (zh) | 基于n-2-1定位的飞机蒙皮和长桁装配偏差分析方法 | |
| Söderberg et al. | The influence of spot weld position variation on geometrical quality | |
| CN108009327B (zh) | 一种基于钢构件变形分析的虚拟预拼装误差判定方法 | |
| CN114969976B (zh) | 基于数字化实测数据的一体化结构虚拟装配方法 | |
| CN112668227A (zh) | 一种薄壁件让刀变形误差预测模型建立方法及其应用 | |
| Wang et al. | Identifying sources of variation in horizontal stabilizer assembly using finite element analysis and principal component analysis | |
| Madrid et al. | Enabling reuse of inspection data to support robust design: a case in the aerospace industry | |
| CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
| CN113065259B (zh) | 一种壁板组件与骨架位姿协调方法 | |
| CN107679630B (zh) | 一种基于比例维修模型的维修作业时间估计方法 | |
| CN117826731A (zh) | 一种关键装配误差元素灵敏度分析方法及系统 | |
| CN108959702A (zh) | 一种基于面偏差传递的火箭贮箱偏差分析方法 | |
| CN112685825A (zh) | 一种逐步等效平面法的优化方法 | |
| Williams et al. | Digital Twin of Cyber-Physical CNC for Smart Manufacturing | |
| Liu et al. | Pre-joining process planning model for a batch of skin–stringer panels based on statistical clearances | |
| Ihlenfeldt et al. | Characterization of generic interactive digital twin for increased agility in forming | |
| Rosenqvist et al. | Including measures of assembly complexity in proactive geometry assurance, a case study | |
| CN117908481A (zh) | 一种机理与数据融合驱动的产品装配精度预测方法及系统 | |
| TWM576282U (zh) | Reliability simplified model building system applied to the design stage of mechanical equipment | |
| CN116384257B (zh) | 一种空分整装冷箱装配误差预测与公差优化方法 | |
| Tnay | Learning Smart Engineering System for Product Fabrication in SIMTech Model Factory | |
| US20240320393A1 (en) | Building information modeling-based simulation of construction robots in wood frame assembly process | |
| Zahraee et al. | The optimal parameter design for a welding unit of manufacturing industry by Taguchi method and computer simulation | |
| Quach et al. | Virtual fixtures and its benefits compared with physical fixtures |
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 |