CN117908481A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117908481A CN117908481A CN202410013673.4A CN202410013673A CN117908481A CN 117908481 A CN117908481 A CN 117908481A CN 202410013673 A CN202410013673 A CN 202410013673A CN 117908481 A CN117908481 A CN 117908481A
- Authority
- CN
- China
- Prior art keywords
- assembly
- model
- data
- error
- deformation
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 163
- 230000004927 fusion Effects 0.000 title claims abstract description 44
- 238000012546 transfer Methods 0.000 claims abstract description 83
- 238000013499 data model Methods 0.000 claims abstract description 63
- 238000010276 construction Methods 0.000 claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 37
- 238000012937 correction Methods 0.000 claims abstract description 27
- 230000000712 assembly Effects 0.000 claims abstract description 7
- 238000000429 assembly Methods 0.000 claims abstract description 7
- 239000000047 product Substances 0.000 claims description 128
- 230000008569 process Effects 0.000 claims description 87
- 238000004364 calculation method Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000004519 manufacturing process Methods 0.000 claims description 28
- 238000006073 displacement reaction Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 19
- 230000009471 action Effects 0.000 claims description 15
- 239000002131 composite material Substances 0.000 claims description 13
- 238000013461 design Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000012467 final product Substances 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008439 repair process Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- 210000001503 joint Anatomy 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 230000013011 mating Effects 0.000 description 6
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Numerical Control (AREA)
Abstract
本发明提供了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,包括:S1:多种误差源特征变动的几何误差旋量模型构建;S2:多装配体的装配误差传递机理模型构建;S3:考虑装配变形误差与实测误差的装配误差传递修正模型构建;S4:基于支持向量回归的装配精度预测数据模型构建;S5:融合机理与数据的产品装配精度预测模型构建;S6:混合驱动的装配精度预测模型的有效性验证,本发明综合考虑工装、零件接触与回弹的变形影响与装配体所受载荷,以及融合机理与数据的产品装配精度预测模型构建,可有效的提高产品装配精度的预测,并有较好的可解释性,可大幅减少修配成本及时间,有利于复杂产品在现场的快速精准装配。
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,尤其涉及一种机理与数据融合驱动的产品装配精度预测方法及系统。
【背景技术】
装配作为现代高端产品制造的最终环节,在产品生产效率提升与服役性能保障中具有重要意义。作为航空航天产品生产质量的重要体现部分,装配精度的稳健提升与稳定保障可有效支撑产品的高性能、全生命周期的服役需求,避免由于装配超差、应力过大导致的生产效率下降与性能损失等问题。然而,在产品装配精度的分析与提升优化过程中,影响装配精度的各误差环节众多,且误差的传递机理较为复杂,难以构建误差传递模型对产品装配精度进行准确预测,为产品装配精度提升带来了一定困难。因此,如何对装配误差传递过程进行建模并进行分析,快速准确的构建误差传递模型,对提升产品装配精度有着重要的指导意义。
误差传递模型的精准程度在很大程度上会影响到后续的装配精度预测与优化环节,构建方法主要包含误差传递机理模型、数据驱动的装配误差预测模型与机理-数据混合驱动的装配误差预测模型。国内外研究人员针对上述三个方面的误差传递模型构建开展了大量研究。当前对于机理模型的构建和数据驱动的装配预测模型构建,相关方法已较为成熟,但缺乏机理-数据融合的模型建立方法。仅考虑机理模型的方法可完成对理想条件下系统的建模,该模型的可解释性较好,但是模型的预测结果准确性较差;而基于数据构建的模型预测结果准确性较好,但难以挖掘系统内部的机理作用,其可解释性较差。
因此,有必要研究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,将融合机理模型与数据模型进行建模,形成机理分析与数据融合驱动的误差传递建模方法,来提升高产品的装配精度的预测,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,本发明提供了一种机理与数据融合驱动的产品装配精度预测方法及系统,综合考虑工装、零件接触与回弹的变形影响与装配体所受载荷,以及融合机理与数据的产品装配精度预测模型构建,可有效的提高产品装配精度的预测,并有较好的可解释性,可大幅减少修配成本及时间。
一方面,本发明提供一种机理与数据融合驱动的产品装配精度预测方法,所述装配精度预测方法用于复合材料翼盒装配零件在生产制造过程中进行装配精度的预测,所述装配预测方法包括以下步骤:
S1:根据待生产零件的结构特征和装配过程,构建多种基本误差源特征变动的几何误差旋量模型;
S2:根据待装配零件之间的配合关系和工装定位情况,构建多装配体的装配误差传递机理模型;
S3:基于几何误差旋量模型、装配变形误差和实测误差装配对误差传递机理模型进行修正,获得装配误差传递修正模型;
S4:基于装配误差传递修正模型获取参数数据,构建基于支持向量回归的装配精度预测数据模型,通过参数数据对装配精度预测数据模型进行优化,得到装配精度预测数据优化模型;
S5:通过装配误差传递机理模型、装配精度预测数据优化模型和实测装配精度数据构建产品装配精度预测模型;
S6:通过实测装配精度数据对产品装配精度预测模型进行训练并进行有效性验证。
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:分析装配体产品结构及装配性能要求,获取具体地产品装配精度要求,并根据装配精度要求,确定产品在装配过程中存在的多种误差源,将误差源对装配产生的影响转化为相应特征变动;
S12:根据各误差源的关键测点与几何特征信息获取装配体几何特征的位置变动数据,采用运动学理论与小位移旋量法将位置变动数据转化为矩阵格式的误差旋量模型,实现对多种基本误差源特征变动的几何误差旋量模型构建.
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S11中误差源包括但不限于零件初始制造偏差、薄壁零件受到装配工装夹紧力产生的变形偏差、装配连接过程中引起的变形偏差和在下架过程中引起的回弹变形偏差,其中;
薄壁零件受到装配工装夹紧力产生的变形偏差具体为:解析薄壁零件受到装配工装定位与夹紧作用引起的变形偏差产生机理,求解零件的变形量,在满足工装定位位置的约束以及工件与夹具之间的单侧接触约束条件的情况下,利用最小总余能为目标函数计算得到零件的接触力大小,结合零件的刚度矩阵求得零件的变形量;
薄壁零件在装配连接过程中引起的变形偏差具体为:解析薄壁零件在装配连接过程中引起的零件接触变形偏差产生机理,通过建立的螺栓连接力载荷与挠度的关系,求得壁板沿X方向和Y方向的偏差,将该变形误差分布与理想设计表面形状误差进行叠加,得到零件接触变形后的实际形状的变动情况;
下架过程中引起的回弹变形偏差具体为:解析装配体完成装配后下架产生的零件回弹变形偏差产生机理,通过获取产品的装配回弹力与整个装配体的刚度矩阵,解析回弹力与工装夹紧力的关系和弹力作用产生的装配变形量,求解计算得到回弹产生的变形偏差量。
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:根据装配顺序考虑各部件特征面的配合关系和工装定位方式,建立多组局部坐标系与位姿/公差约束;
S22:通过雅可比矩阵与小位移旋量模型结合的方式得到位姿误差转换矩阵,该矩阵可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,从而实现装配误差机理分析模型构建。
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S3具体包括:
S31:实时采集由预先布置在装配体结构上的传感器获得的试验数据,通过激光位移测量仪实时准确采集翼盒在装配过程中的变形量;
S32:通过激光跟踪仪采集数据,从中提取出关键功能特征的原始节点坐标以及各节点沿全局坐标系的三个方向的变形量,将节点的变形量与原始坐标沿对应方向进行叠加,得到考虑变形偏差的实际几何表面点集,采用最小二乘法对实际测量的几何表面数据进行拟合,从而得到真实的拟合表面。
S33:以数学形式描述零件功能特征变形对公差的影响,采用拟合表面的方法对产品功能特征进行描述,在原有雅可旋量误差传递模型的基础上,综合考虑装配过程中部件变形的影响,对装配误差传递机理模型进行修正,获取装配误差传递机理修正模型。
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S4具体包括:
S41:根据误差传递机理修正模型的结构,确定数据模型的采集需求,并进行数据收集,数据收集内容为与装配精度相关的数据集,包括但不限于装配过程中的参数信息和工件质量信息;
S42:对数据模型采集的数据进行预处理以去除异常值,进而采用支持向量回归的方法对装配精度预测数据模型进行训练,在训练过程中,通过选择合适的拟合函数、核函数来拟合数据,使其能够有效地预测装配精度;
S43:装配精度预测数据模型通过采用支持向量回归的方法,计算最终产品装配精度偏差值进行预测,并以此偏差值对机理计算结果进行补偿,得到装配实际计算精度。
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,装配精度预测数据模型通过采用支持向量回归的方法,计算最终产品装配精度偏差值进行预测,并以此偏差值对机理计算结果进行补偿,得到装配实际计算精度。
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,所述数据收集内容为与装配精度相关的数据集,包括但不限于装配过程中的参数信息和工件质量信息。
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:读取产品装配的各项参数,并将各装配参数输入至产品装配误差传递机理模型得到机理模型的理论计算值,同时,根据测量采集现场产生的装配精度等实测数据与机理模型的理论计算值相减,得到机理模型装配误差的计算偏差值;
S52:根据装配精度实测数据、装配工艺数据、相关仿真数据与误差数据作为训练样本,构建出基于支持向量回归的装配精度预测数据模型,并将理论计算值作为模型的训练输入,通过数据模型得到机理计算偏差的预测值;
S53:将装配精度预测数据模型计算得到的偏差预测值与装配误差传递机理模型计算的机理模型装配误差的计算偏差值相加,得到补偿后的装配精度计算值,获取机理与数据融合的产品装配精度预测模型。
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S6具体包括:
S61:依据设计部门提供的工程数模,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,并采集真实物理装配过程数据与翼盒装配现场的各装配参数,将所得数据进行整理得到样本数据进行模型验证;
S62:以各项装配误差与实测数值作为输入量,误差理论计算值与实测值的偏差作为输出量,基于Matlab平台对融合机理与数据的产品装配精度预测模型进行训练;
S63:根据融合机理与数据的产品装配精度预测模型的训练结果,验证测模型精度预测结果的有效性。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所S63中验证有效性的内容述包括但不限于预测模型的平均绝对误差MAE值、均方误差MSE值、均方根误差RMSE值和绝对系数R2值。
如上所述的方面和任一可能的实现方式,进一步提供一种机理与数据融合驱动的产品装配精度预测系统,所述装配精度预测系统用于复合材料翼盒装配零件在生产制造过程中进行装配精度的预测,所述装配精度预测系统包括:
几何误差旋量模型构建模块,用于根据待生产零件的结构特征和装配过程,构建多种基本误差源特征变动的几何误差旋量模型;
装配误差传递机理模型构建模块:用于根据待装配零件之间的配合关系和工装定位情况,构建多装配体的装配误差传递机理模型;
装配误差传递机理模型修正模块,用于基于几何误差旋量模型、装配变形误差和实测误差装配对误差传递机理模型进行修正,获得装配误差传递修正模型;
装配精度预测数据优化模型构建优化模块,用于基于装配误差传递修正模型获取参数数据,构建基于支持向量回归的装配精度预测数据模型,通过参数数据对装配精度预测数据模型进行优化,得到装配精度预测数据优化模型;
产品装配精度预测模型融合构建模块,用于通过装配误差传递机理模型、装配精度预测数据优化模型和实测装配精度数据构建产品装配精度预测模型;
产品装配精度预测模型训练验证模块,用于通过实测装配精度数据对产品装配精度预测模型进行训练并进行有效性验证。
与现有技术相比,本发明可以获得包括以下技术效果:
1)考虑零件间配合接触产生的变形、零件与工装接触产生的变形误差因素,采用变形后的形状公差修正误差传递模型,精准地构建了装配误差传递机理机理模型;
2)可读取包含各装配参数与装配精度的现场实测数据集,将机理模型与数据有机融合,构建数据-机理融合的机理计算误差预测模型,快速有效提高了装配精度预测结果,有利于复杂产品在现场的快速精准装配。
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是本发明提出的装配工装定位夹紧引起的零件变形误差产生机理示意图;
图2是本发明提出的薄壁零件在装配连接过程中引起的变形偏差示意图;
图3是本发明提出的薄壁零件在下架过程中引起的回弹变形示意图;
图4是本发明提出的翼盒整体结构及关键装配特征示意图;
图5是本发明提出的装配体直对缝处装配误差传递关系示意图(包含间隙与阶差);
图6是本发明提出的融合机理与数据的产品装配精度预测模型构建思路示意图;
图7是本发明提出的机理-数据混合驱动下的直对缝间隙计算流程示意图;
图8是本发明提出的训练样本集中的输入数据与对应输出数据示意图;
图9是本发明提出的替代预测模型精度对比示意图;
图10是本发明提出的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。
本发明提供本发明提供一种机理与数据融合驱动的产品装配精度预测方法,所述装配精度预测方法用于复合材料翼盒装配零件在生产制造过程中进行装配精度的预测,所述装配预测方法包括以下步骤:
S1:根据待生产零件的结构特征和装配过程,构建多种基本误差源特征变动的几何误差旋量模型;
S2:根据待装配零件之间的配合关系和工装定位情况,构建多装配体的装配误差传递机理模型;
S3:基于几何误差旋量模型、装配变形误差和实测误差装配对误差传递机理模型进行修正,获得装配误差传递修正模型;
S4:基于装配误差传递修正模型获取参数数据,构建基于支持向量回归的装配精度预测数据模型,通过参数数据对装配精度预测数据模型进行优化,得到装配精度预测数据优化模型;
S5:通过装配误差传递机理模型、装配精度预测数据优化模型和实测装配精度数据构建产品装配精度预测模型;
S6:通过实测装配精度数据对产品装配精度预测模型进行训练并进行有效性验证。
所述S1具体包括:
S11:分析装配体产品结构及装配性能要求,获取具体地产品装配精度要求,并根据装配精度要求,确定产品在装配过程中存在的多种误差源,将误差源对装配产生的影响转化为相应特征变动;
S12:根据各误差源的关键测点与几何特征信息获取装配体几何特征的位置变动数据,采用运动学理论与小位移旋量法将位置变动数据转化为矩阵格式的误差旋量模型,实现对多种基本误差源特征变动的几何误差旋量模型构建.
所述S11中误差源包括但不限于零件初始制造偏差、薄壁零件受到装配工装夹紧力产生的变形偏差、装配连接过程中引起的变形偏差和在下架过程中引起的回弹变形偏差,其中;
薄壁零件受到装配工装夹紧力产生的变形偏差具体为:解析薄壁零件受到装配工装定位与夹紧作用引起的变形偏差产生机理,求解零件的变形量,在满足工装定位位置的约束以及工件与夹具之间的单侧接触约束条件的情况下,利用最小总余能为目标函数计算得到零件的接触力大小,结合零件的刚度矩阵求得零件的变形量;
薄壁零件在装配连接过程中引起的变形偏差具体为:解析薄壁零件在装配连接过程中引起的零件接触变形偏差产生机理,通过建立的螺栓连接力载荷与挠度的关系,求得壁板沿X方向和Y方向的偏差,将该变形误差分布与理想设计表面形状误差进行叠加,得到零件接触变形后的实际形状的变动情况;
下架过程中引起的回弹变形偏差具体为:解析装配体完成装配后下架产生的零件回弹变形偏差产生机理,通过获取产品的装配回弹力与整个装配体的刚度矩阵,解析回弹力与工装夹紧力的关系和弹力作用产生的装配变形量,求解计算得到回弹产生的变形偏差量。
所述S2具体包括:
S21:根据装配顺序考虑各部件特征面的配合关系和工装定位方式,建立多组局部坐标系与位姿/公差约束;
S22:通过雅可比矩阵与小位移旋量模型结合的方式得到位姿误差转换矩阵,该矩阵可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,从而实现装配误差机理分析模型构建。
所述S3具体包括:
S31:实时采集由预先布置在装配体结构上的传感器获得的试验数据,通过激光位移测量仪实时准确采集翼盒在装配过程中的变形量;
S32:通过激光跟踪仪采集数据,从中提取出关键功能特征的原始节点坐标以及各节点沿全局坐标系的三个方向的变形量,将节点的变形量与原始坐标沿对应方向进行叠加,得到考虑变形偏差的实际几何表面点集,采用最小二乘法对实际测量的几何表面数据进行拟合,从而得到真实的拟合表面。
S33:以数学形式描述零件功能特征变形对公差的影响,采用拟合表面的方法对产品功能特征进行描述,在原有雅可旋量误差传递模型的基础上,综合考虑装配过程中部件变形的影响,对装配误差传递机理模型进行修正,获取装配误差传递机理修正模型。
所述S4具体包括:
S41:根据误差传递机理修正模型的结构,确定数据模型的采集需求,并进行数据收集,
S42:对数据模型采集的数据进行预处理以去除异常值,进而采用支持向量回归的方法对装配精度预测数据模型进行训练。在训练过程中,通过选择合适的拟合函数、核函数来拟合数据,使其能够有效地预测装配精度。
装配精度预测数据模型通过采用支持向量回归的方法,计算最终产品装配精度偏差值进行预测,并以此偏差值对机理计算结果进行补偿,得到装配实际计算精度。
所述数据收集内容为与装配精度相关的数据集,包括但不限于装配过程中的参数信息和工件质量信息。
所述S5具体包括:
S51:读取产品装配的各项参数,并将各装配参数输入至产品装配误差传递机理模型得到机理模型的理论计算值,同时,根据测量采集现场产生的装配精度等实测数据与机理模型的理论计算值相减,得到机理模型装配误差的计算偏差值;
S52:根据装配精度实测数据、装配工艺数据、相关仿真数据与误差数据作为训练样本,构建出基于支持向量回归的装配精度预测数据模型,并将理论计算值作为模型的训练输入,通过数据模型得到机理计算偏差的预测值;
S53:将装配精度预测数据模型计算得到的偏差预测值与装配误差传递机理模型计算的机理模型装配误差的计算偏差值相加,得到补偿后的装配精度计算值,获取机理与数据融合的产品装配精度预测模型。
所述S6具体包括:
S61:依据设计部门提供的工程数模,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,并采集真实物理装配过程数据与翼盒装配现场的各装配参数,将所得数据进行整理得到样本数据进行模型验证;
S62:以各项装配误差与实测数值作为输入量,误差理论计算值与实测值的偏差作为输出量,基于Matlab平台对融合机理与数据的产品装配精度预测模型进行训练;
S63:根据融合机理与数据的产品装配精度预测模型的训练结果,验证测模型精度预测结果的有效性。
所S63中验证有效性的内容述包括但不限于预测模型的平均绝对误差MAE值、均方误差MSE值、均方根误差RMSE值和绝对系数R2值。
本发明还提供一种机理与数据融合驱动的产品装配精度预测系统,所述装配精度预测系统用于复合材料翼盒装配零件在生产制造过程中进行装配精度的预测,所述装配精度预测系统包括:
几何误差旋量模型构建模块,用于根据待生产零件的结构特征和装配过程,构建多种基本误差源特征变动的几何误差旋量模型;
装配误差传递机理模型构建模块:用于根据待装配零件之间的配合关系和工装定位情况,构建多装配体的装配误差传递机理模型;
装配误差传递机理模型修正模块,用于基于几何误差旋量模型、装配变形误差和实测误差装配对误差传递机理模型进行修正,获得装配误差传递修正模型;
装配精度预测数据优化模型构建优化模块,用于基于装配误差传递修正模型获取参数数据,构建基于支持向量回归的装配精度预测数据模型,通过参数数据对装配精度预测数据模型进行优化,得到装配精度预测数据优化模型;
产品装配精度预测模型融合构建模块,用于通过装配误差传递机理模型、装配精度预测数据优化模型和实测装配精度数据构建产品装配精度预测模型;
产品装配精度预测模型训练验证模块,用于通过实测装配精度数据对产品装配精度预测模型进行训练并进行有效性验证。
本发明的原理如下:
本发明提供了一种机理与数据融合驱动的产品装配精度预测方法,主要包含三个部分内容:考虑装配变形的装配误差机理模型构建、基于支持向量回归的装配精度预测数据模型和融合机理与数据的产品装配精度预测模型构建,可实现:1)考虑薄壁零件受到装配工装夹紧力产生的变形偏差、零件装配连接接触产生的变形偏差与零件下架产生的回弹变形偏差等变形因素,采用变形后的形状公差修正误差传递模型,精准完成多装配体的装配误差机传递理模型构建,使模型建的更准确并具有较好的可解释性;2)可读取包含各装配参数与装配精度的现场实测数据集,基于支持向量回归算法对产品装配精度预测进行数据模型的构建,使模型的预测结果更准确;3)将机理模型与数据模型有机融合,构建数据-机理融合的机理计算误差预测模型,综合利用机理模型和数据模型的优势,可有效提高了对产品装配精度预测结果的准确性,并具有较好的可解释性。一方面,本发明提供一种机理与数据融合驱动的产品装配精度预测方法,所述装配精度预测方法包括考虑装配变形的装配误差机理模型构建、基于支持向量回归的装配精度预测数据模型和融合机理与数据的产品装配精度预测模型的构建三个部分,如图10所示,所述三部分实施包括以下步骤:
S1:多种误差源特征变动的几何误差旋量模型构建;
S2:多装配体的装配误差传递机理模型构建;
S3:考虑装配变形误差与实测误差的装配误差传递修正模型构建;
S4:基于支持向量回归的装配精度预测数据模型构建;
S5:融合机理与数据的产品装配精度预测模型构建;
S6:混合驱动的装配精度预测模型的有效性验证。
在一个具体实施例中,所述S1具体包括:
S11:分析装配体产品结构及装配性能要求,获取具体地产品装配精度要求,并根据装配精度特点,明晰产品在装配过程中存在的多种误差源,主要包括零件初始制造偏差、薄壁零件受到装配工装夹紧力产生的变形偏差、装配连接过程中引起的变形偏差和在下架过程中引起的回弹变形偏差,将这些误差源对装配产生的影响转化为相应特征的变动情况。
S12:解析薄壁零件受到装配工装定位与夹紧作用引起的变形偏差产生机理,求解零件的变形量。在满足工装定位位置的约束以及工件与夹具之间的单侧接触约束条件的情况下,利用最小总余能为目标函数计算得到零件的接触力大小,结合零件的刚度矩阵求得零件的变形量。
S13:解析薄壁零件在装配连接过程中引起的零件接触变形偏差产生机理,通过建立的螺栓连接力载荷与挠度的关系,求得壁板沿X方向和Y方向的偏差,将该变形误差分布与理想设计表面形状误差进行叠加,得到零件接触变形后的实际形状的变动情况。
S14:解析装配体完成装配后下架产生的零件回弹变形偏差产生机理,通过获取产品的装配回弹力与整个装配体的刚度矩阵,解析回弹力与工装夹紧力的关系和弹力作用产生的装配变形量,求解计算得到回弹产生的变形偏差量。
S15:根据各误差源的关键测点与几何特征信息获取装配体几何特征的位置变动数据,采用运动学理论与小位移旋量法将位置变动数据转化为矩阵格式的误差旋量模型,实现对多种基本误差源特征变动的几何误差旋量模型构建。
在一个具体实施例中,所述S2具体包括:
S21:根据装配顺序考虑了各部件特征面的配合关系和工装定位方式,建立了多组局部坐标系与位姿/公差约束。
S22:通过采用雅可比矩阵与小位移旋量模型结合的方式得到位姿误差转换矩阵,该矩阵可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,从而实现装配误差机理分析模型构建。
在一个具体实施例中,所述S3具体包括:
S31:实时采集由预先布置在装配体结构上的传感器获得的试验数据,通过激光位移测量仪实时准确采集翼盒在装配过程中的变形量。
S32:通过激光跟踪仪采集数据,从中提取出关键功能特征的原始节点坐标以及各节点沿全局坐标系的三个方向的变形量。将这些节点的变形量与原始坐标沿对应方向进行叠加,得到考虑变形偏差的实际几何表面点集。采用最小二乘法对实际测量的几何表面数据进行拟合,从而得到真实的拟合表面。
S33:以数学形式描述零件功能特征变形对公差的影响,采用拟合表面的方法对产品功能特征进行描述。在原有雅可旋量误差传递模型的基础上,综合考虑装配过程中部件变形的影响,对上述误差传递模型进行修正,实现对误差传递模型的修正。
在一个具体实施例中,所述S4具体包括:
S41: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,并进行数据收集,主要收集与装配精度相关的数据集,包括装配过程中的各种参数、工件质量等信息。
S42:对数据模型采集的数据进行预处理以去除异常值,进而采用支持向量回归的方法对装配精度预测数据模型进行训练。在训练过程中,通过选择合适的拟合函数、核函数来拟合数据,使其能够有效地预测装配精度。
S43:装配精度预测数据模型通过采用支持向量回归的方法,计算最终产品装配精度偏差值进行预测,并以此偏差值对机理计算结果进行补偿,得到装配实际计算精度。
在一个具体实施例中,所述S4具体包括:
S51:读取产品装配的各项参数,并将各装配参数输入至产品装配误差传递机理模型得到机理模型的理论计算值。同时,根据测量采集现场产生的装配精度等实测数据与机理模型的理论计算值相减,得到机理模型装配误差的计算偏差值。
S52:根据装配精度实测数据、装配工艺数据、相关仿真数据与误差数据作为训练样本,构建出基于支持向量回归的装配精度预测数据模型。并将前面装配误差传递机理模型计算的理论值作为所得训练模型的输入,代入后通过数据模型得到机理计算偏差的预测值。
S53:将装配精度预测数据模型计算得到的偏差预测值与装配误差传递机理模型计算的理论值相加,得到补偿后的装配精度计算值,完成机理与数据的装配精度预测模型构建。
在一个具体实施例中,所述S5具体包括:
S61:依据设计部门提供的工程数模,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。并采集真实物理装配过程数据与翼盒装配现场的各装配参数,将所得数据进行整理得到样本数据进行模型验证。
S62:以各项装配误差与实测数值作为输入量,误差理论计算值与实测值的偏差作为输出量,基于Matlab平台对融合机理与数据的装配精度预测模型进行训练。
S63:根据融合机理与数据的装配精度预测模型的训练结果,分析测模型精度预测结果的有效性,包括预测模型的平均绝对误差MAE值、均方误差MSE值、均方根误差RMSE值、绝对系数R2值等。
本发明一种机理与数据融合驱动的产品装配精度预测方法,所述装配精度预测方法包括考虑装配变形的装配误差机理模型构建、基于支持向量回归的装配精度预测数据模型和融合机理与数据的产品装配精度预测模型的构建三个部分。
实施例1:
在本实施例中,以某型复合材料翼盒装配的直对缝间隙与阶差的装配精度预测为例。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装配误差环预测值为例,说明机理与数据融合驱动的产品装配精度预测方法的实施步骤。
本发明解决其技术问题所采用的总体思路为:
首先,根据待生产零件的结构特征和装配过程,构建多种基本误差源特征变动的几何误差旋量模型;并根据装配零件间的配合关系和工装定位情况构建雅可比旋量矩阵,得到多装配体的装配误差传递机理模型;其次,考虑零件初始制造误差、零件载荷变形与工装夹具的误差影响,基于零件与工装变形情况与实测数据对几何误差旋量模型矩阵进行修正,得到修正后的装配误差传递机理模型;进而,收集与装配精度相关的数据集,并进行数据预处理,采用支持向量回归的方法对装配精度预测数据模型进行训练、评估与优化,对训练好的模型对新数据进行预测,实现装配精度预测数据模型的应用,得到最优的装配精度预测数据模型;最后,读取包含各装配参数与装配精度的现场实测数据集,将机理模型与数据有机融合,构建数据与机理融合的机理计算误差预测模型,可解决装配误差传递难于构建,装配精度难于预测等问题提供一种有效的解决途径。
本发明提供一种机理与数据融合驱动的产品装配精度预测方法,具体地是一种以数据模型作为主体,机理模型为辅,将机理模型融入到数据模型的特征层次中,所得到的机理与数据融合驱动的产品装配精度预测方法,用于机械产品装配过程中的装配精度预测,所述机理与数据融合驱动的产品装配精度预测方法包括以下步骤:
S1:多种基本误差源特征变动的几何误差旋量模型构建
具体地,首先需明晰产品在装配过程中存在的多种误差源。根据产品装配的四个主要过程:定位、夹紧、连接、下架回弹,认定产品装配误差来源主要包含产品初始制造偏差、薄壁零件受到装配工装夹紧力产生的变形偏差、零件由于连接力作用产生的变形偏差与零件回弹变形偏差,后续将这些误差源对装配产生的影响转化为相应特征的变动情况。
进一步,考虑到航空航天产品包含了大量的薄壁结构、交点结构类零件,根据上述零件的关键几何特征采用下述三种表面类型对制造误差进行描述:平面的误差主要是垂直于平面表面进行变动,包含沿z方向的位移和绕x,y轴的旋转;圆柱面变动为沿x,y方向的位移和绕x,y轴的旋转;曲面变动为沿x,y,z方向的位移和绕x,y,z轴的旋转,上述误差形式的变动采用旋量矩阵形式进行表示,如表1所示。
表1
进一步,分析薄壁零件受到装配工装定位与夹紧作用引起的变形偏差产生机理,求解零件的变形量,并用小位移旋量法进行表示。在薄壁工件受到装配工装定位与夹紧作用引起的变形偏差建模过程中,由于工装自身定位精度、工装与零件特征面作用力产生的工装变形等因素,使得由装配工装定位夹紧因素引起的工件变形误差不可避免:装配工装定位元件的安装、加工误差会导致工装定位末端位置发生偏移,薄壁工件的位置误差也会导致产品定位点位置发生偏移,上述两种偏移与装配工装多重夹紧力、接触模型的共同作用下,使得薄壁工件的位置发生偏移,从而引起定位元件变形、接触表面变形与薄壁工件变形,导致产生零件位姿偏差,其产生机理如图1所示。
根据工装定位夹紧引起的零件变形误差产生机理,计算工装与薄壁零件的接触力大小。在满足工装定位位置的约束以及工件与夹具之间的单侧接触约束条件(零件和工装各定位执行末端始终接触,接触力的法向指向零件)的同时,利用最小总余能为目标函数计算得到工装与零件的接触力大小,结合零件的刚度矩阵求得零件的变形:
式中,kw为工件的刚度矩阵,为工件的节点力(包括重力、加工力以及相应的接触力),We为加工力旋量,/>为夹紧步骤j中的夹紧元件,/>为夹紧步骤j中的接触力。根据上式计算方法,结合产品材料特性与刚度矩阵计算得到夹紧步骤j中的接触力,同时得到第j个夹紧步骤中的变形增量/>进一步地,可求得夹紧步骤j中的工件变形/>为:
/>
计算得到零件变形后,将零件变形情况分解成两个部分:平动部分和转动部分。获取工装变形情况后,将其变形分解为工装定位位置的变动与定位轴的转动,它的面向定位误差的位移可以表示为6×1的向量,如下式所示。
δ={δtu,δtv,δtw,δra,δrβ,δrγ}T
进一步,分析薄壁零件在装配连接过程中引起的变形偏差产生过程,求解零件的变形量,并用小位移旋量法进行表示。在航空复材壁板的现场装配连接过程中,多采用螺栓间隙配合连接的方式,由此产生的连接力会导致零件表面受力,使得零件特征面出现变形偏差。在由连接力导致的变形偏差的计算过程中,由于螺栓拧紧作用导致两零件受力方向主要为纵向,故仅考虑纵向的螺栓连接力对两零件接触变形误差的影响。如图2所示,实线部分表示零件进行连接操作前的配合特征面,虚线部分表示进行连接后发生变形的实际配合特征面。
为简化建模计算过程,做出如下假设:壁板厚度在连接过程中不发生改变;壁板发生变形后中面法线仍保持直线状态且与中面垂直;中面上各点没有平行于中面的运动。则沿Z方向的体积力为0,也即FVZ=0,同时,认为上表面轴向载荷为q,下表面轴向载荷为0,可得到连接力载荷q与挠度ω的关系为:
由本构方程可知,壁板在Z方向的主应力q可表示为:
同时,根据上述所提到的三个假设,有:Z方向蒙皮壁板的应变量εz为0,因此将壁板的挠度认定为Z方向产生的变形误差μz;连接过程中壁板沿ZX方向和ZY方向的切应变也为0,也即γzx=γzy=0;X方向与Y方向上平行于中面的位移也均为0,也即θx(x,y)=θy(x,y)=0。在此基础上,在连接过程中X和Y方向的变形量μx与μx可表示为:
将建立的螺栓连接力载荷q与挠度ω的关系代入上式即可求得壁板沿X方向和Y方向的偏差,将该变形误差分布与理想设计表面形状误差进行叠加,表示零件接触变形后的实际形状误差,并把实际形状误差转化为矩阵形式,即可得到修正后的小旋量模型D。ε表示受力前后A1位置的变化量,ρ表示受力前后A1姿态的变化量,D可以由一个6×1的向量表示,如下式所示。
D=[ρ' ε']T=[α' β' γ' u' v' w']T
进一步,分析薄壁零件在下架过程中引起的回弹变形偏差产生过程,求解零件的变形量,并用小位移旋量法进行表示。回弹是指在装配型架上的装配体,在主要的定位连接工序完成后进行下架操作时,由于工装装夹力的卸载,零件之间存在的装配残余内应力会被释放,从而引起的弹性恢复导致的形状和尺寸发生变化的现象,即回弹变形误差,如图3所示。
为有效求解零件回弹导致的变形偏差,需要获取产品的装配回弹力Fr与整个装配体的刚度矩阵,计算回弹产生的变形偏差量。在回弹变形的计算过程中,认为产生的回弹力Fr的作用点与工装夹紧力的作用点位置相同,同时回弹力的大小与工装夹紧力的大小相关,可表示为:
式中,Q为回弹力与夹持力间的传递矩阵;n为蒙皮壁板上夹紧力点的个数。
在装配下架后,回弹力作用在复材壁板上,此时装配连接操作完成,装配体整体的刚度矩阵不再发生变化,变为一固定值。由回弹力作用产生的装配变形量Vr可表示为:
式中,M为回弹关联矩阵,也即回弹力刚度矩阵Kr的逆矩阵。
引入夹持等效节点力与夹持变形误差之间的联系,将工装定位夹紧阶段零件的刚度矩阵代入回弹装配变形量Vr的计算公式中,可求得最终的回弹变形误差,有:
并把求得最终的回弹装配变形量Vr转化为矩阵形式,即可得到修正后的小旋量模型DV。εV表示受力前后A1位置的变化量,ρV表示受力前后A1姿态的变化量,DV可以由一个6×1的向量表示,如下式所示。
DV=[ρV' εV']T=[αV' βV' γV' μV' vV'ωV']T
S2:多装配体的装配误差传递机理模型构建
具体地,首先,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。其中每个配合表面都存在加工制造误差和装配形变误差等因素,通过矩阵模拟配合表面上的变动。从全局坐标系出发,依次经过各个配合表面,零部件通过配合表面进行约束。以产品装配完成后的左侧直对缝间隙与阶差两项装配精度对所提方法进行验证,直缝处如图4所示。
进一步,根据各零件配合关系与全局坐标系方向,建立各零件局部坐标系与各零部件的装配特征FEn,将各复材蒙皮部件的直缝特征间Y方向的偏差作为各自的间隙,Z方向的偏差作为直对缝阶差。通过分别求解特征FE34与FE62在各个方向上的偏差,计算得到得到装配直缝间隙FRA与阶差FRB。根据上述装配过程,建立该结构误差传递关系图,如图5所示。
进一步,配合表面上的误差变动将沿着装配链尺寸相互传递和累积,最终累积至装配尺寸链的末端,并形成相对于全局坐标系的位姿误差,由此可建立统一的雅可比-旋量模型。对于直对缝间隙的计算,将其认定为特征F34与特征F61在Y方向上的偏差值,偏差来源主要包括各部件的定位偏差、制造形位公差与受力载荷所发生的形变误差。根据1号上壁板直对缝特征FE34与FE62上壁板直特征FE2在Y方向上的偏差FR1与FR2,可得到装配体直对缝间隙FRA。进一步地,依于误差传递路径与矩阵修正方法,算得各偏差FR。
S3:虑零件初始制造误差、零件载荷变形与工装夹具误差的装配误差传递机理模型构建
具体地,在各装配工装定位面、各部件装配特征处使用激光跟踪仪进行扫描,测量得到各装配特征的位移与外形变动数值,实现翼盒工装与部件变形数据的监测和提取。
进一步,根据激光跟踪仪采集获得的各装配特征的位移与外形变动数值,从中提取公差分析所需的关键功能特征的原始节点坐标以及各节点沿全局坐标系的轴三个方向的变形量,之后将对应节点的变形量与原始坐标沿对应方向进行叠加,得到考虑变形偏差的实际几何表面点集,并采用最小二乘法对实际测量的几何表面数据进行拟合,得到真实的拟合表面。
进一步,根据实际变形情况对各特征表面进行拟合,依靠拟合得到的表面变形数据对各特征面的位置误差与形状公差进行调整。并将特征面偏差与理想设计表面形状公差进行叠加,从而得到零件实际形状公差Δd与位置公差Oi',进而可求得修正后的装配误差:
S4:基于支持向量回归的装配精度预测数据模型构建
具体地,首先翼盒装配过程中的各个误差源和各误差传递路径,明确需要收集与装配精度相关的数据集。采集的数据主要包括翼盒装配现场的各种装配参数(机加肋、前后梁、骨架板、隔板、复材蒙皮的容差与工装的定位精度)和装配过程中产生的实际装配数据(直对缝间隙与阶差),同时还需要现场传感器测得多组对缝间隙与阶差的实测数值。
进一步,将上述所得数据进行整理得到样本数据D={(xi,zi)},其中xi代表为各装配零件的容差数值、工装定位精度、机理模型计算得到的装配误差、现场实测装配误差等数据,zi为由装配误差机理计算结果与装配误差实测结果相减得到的机理模型计算偏差值。将产品的各环节误差、定位误差、机理计算误差、机理模型计算与真实结果的偏差作为特征变量(自变量),定义目标变量(因变量)为直对缝,将样本数据中的75%用作支持向量回归模型的训练,为了在训练数据中找到一个最优的超平面来尽可能减少预测误差,分别定义装配精度预测数据模型计算偏差的拟合函数f(x):
拟合函数的核函数为可形成非线性映射且易于实现的径向基函数(radial basisfunction,RBF):
在训练过程中,通过上面的拟合函数、核函数,使其能够有效地预测装配精度。
进一步,装配精度预测数据模型通过采用支持向量回归的方法,对最终产品装配精度偏差值进行预测,即:
式中,f(x1,…xn)为装配精度偏差值预测结果的补偿值,ym为实测产品装配精度,yt(x1,…xn)为装配精度预测数据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。
S5:融合机理与数据的产品装配精度预测模型构建
具体地,以数据模型作为主体,机理模型为辅,将机理模型融入到数据模型的特征层次中,由此实现融合数据与机理的模型构建,融合机理与数据的产品装配精度预测模型构建思路如图6所示。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精度预测数据模型进行训练。
进一步,将翼盒产品的肋、梁、墙、隔板、上下壁板等组成部件的设计公差信息输入至建立的装配误差传递机理模型中,分别计算得到翼盒产品的直对缝间隙误差与阶差误差。并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、仿真数据与误差数据,将其代入建立的装配精度预测数据模型,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,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。
最后,引入真实物理装配过程数据,通过多组样本数据训练得到数据-机理融合的机理计算偏差预测模型,对机理计算模型进行补偿从而提高计算精度,完成融合机理与数据的装配精度预测模型,形成混合模型的装配精度预测方法。
S6:混合驱动的装配精度预测模型的有效性验证
具体地,引入真实物理装配过程数据,通过多组样本数据分别训练偏差特征FR1、FR2的补偿预测模型。利用翼盒装配现场的各装配参数与实际装配数据进行模型验证,将组成FR的装配体各部件定位精度、容差数据代入装配机理模型,计算得到装配误差的理论计算值ET。同时根据现场传感器测得多组对缝间隙数值,机理-数据混合驱动下的直对缝间隙计算流程如图7所示。之后,将多组样本中的70%作为训练样本集用以对预测模型进行训练,剩余的30%的样本作为测试样本集用以检验模型预测精度。
进一步,以各项装配误差与实测数值作为输入量,误差理论计算值与实测值的偏差作为输出量,基于Matlab平台开展预测模型的构建。将产品的各环节误差、定位误差、机理计算误差ET、机理模型计算与真实结果的偏差EE作为特征变量(自变量),定义目标变量(因变量)分别为产品装配精度,并确定kernel类型、惩罚参数与核函数,采用SVM train函数对回归模型进训练。训练完成后依于测试样本,对预测模型精度进行验证并计算模型相关预测误差数据,如下表所示。针对直对缝间隙的计算流程、模型精度验证与相关数据如图8、9所示。
进一步,经计算,训练得到的预测模型的平均绝对误差MAE值为0.052176,均方误差MSE值为0.007424,均方根误差RMSE值为0.079945,绝对系数R2值为0.9854,表明所得训练模型具有较高的精确性与可靠性。
以上对本申请实施例所提供的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,进行了详细介绍,本发明通过考虑零件间配合接触产生的变形、零件与工装接触产生的变形误差因素,采用变形后的形状公差修正误差传递模型,不仅精准地构建了装配误差传递机理机理模型,而且可读取包含各装配参数与装配精度的现场实测数据集,将机理模型与数据有机融合,进而构建数据-机理融合的机理计算误差预测模型,快速有效提高了装配精度预测结果,有利于复杂产品在现场的快速精准装配。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)
1.一种机理与数据融合驱动的产品装配精度预测方法,所述装配精度预测方法用于复合材料翼盒装配零件在生产制造过程中进行装配精度的预测,其特征在于,所述装配预测方法包括以下步骤:
S1:根据待生产零件的结构特征和装配过程,构建多种基本误差源特征变动的几何误差旋量模型;
S2:根据待装配零件之间的配合关系和工装定位情况,构建多装配体的装配误差传递机理模型;
S3:基于几何误差旋量模型、装配变形误差和实测误差装配对误差传递机理模型进行修正,获得装配误差传递修正模型;
S4:基于装配误差传递修正模型获取参数数据,构建基于支持向量回归的装配精度预测数据模型,通过参数数据对装配精度预测数据模型进行优化,得到装配精度预测数据优化模型;
S5:通过装配误差传递机理模型、装配精度预测数据优化模型和实测装配精度数据构建产品装配精度预测模型;
S6:通过实测装配精度数据对产品装配精度预测模型进行训练并进行有效性验证。
2.根据权利要求1所述的装配精度预测方法,其特征在于,所述S1具体包括:
S11:分析装配体产品结构及装配性能要求,获取具体地产品装配精度要求,并根据装配精度要求,确定产品在装配过程中存在的多种误差源,将误差源对装配产生的影响转化为相应特征变动;
S12:根据各误差源的关键测点与几何特征信息获取装配体几何特征的位置变动数据,采用运动学理论与小位移旋量法将位置变动数据转化为矩阵格式的误差旋量模型,实现对多种基本误差源特征变动的几何误差旋量模型构建。
3.根据权利要求2所述的装配精度预测方法,其特征在于,所述S11中误差源包括但不限于零件初始制造偏差、薄壁零件受到装配工装夹紧力产生的变形偏差、装配连接过程中引起的变形偏差和在下架过程中引起的回弹变形偏差,其中;
薄壁零件受到装配工装夹紧力产生的变形偏差具体为:解析薄壁零件受到装配工装定位与夹紧作用引起的变形偏差产生机理,求解零件的变形量,在满足工装定位位置的约束以及工件与夹具之间的单侧接触约束条件的情况下,利用最小总余能为目标函数计算得到零件的接触力大小,结合零件的刚度矩阵求得零件的变形量;
薄壁零件在装配连接过程中引起的变形偏差具体为:解析薄壁零件在装配连接过程中引起的零件接触变形偏差产生机理,通过建立的螺栓连接力载荷与挠度的关系,求得壁板沿X方向和Y方向的偏差,将该变形误差分布与理想设计表面形状误差进行叠加,得到零件接触变形后的实际形状的变动情况;
下架过程中引起的回弹变形偏差具体为:解析装配体完成装配后下架产生的零件回弹变形偏差产生机理,通过获取产品的装配回弹力与整个装配体的刚度矩阵,解析回弹力与工装夹紧力的关系和弹力作用产生的装配变形量,求解计算得到回弹产生的变形偏差量。
4.根据权利要求1所述的装配精度预测方法,其特征在于,所述S2具体包括:
S21:根据装配顺序考虑各部件特征面的配合关系和工装定位方式,建立多组局部坐标系与位姿/公差约束;
S22:通过雅可比矩阵与小位移旋量模型结合的方式得到位姿误差转换矩阵,该矩阵可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,从而实现装配误差机理分析模型构建。
5.根据权利要求1所述的装配精度预测方法,其特征在于,所述S3具体包括:
S31:实时采集由预先布置在装配体结构上的传感器获得的试验数据,通过激光位移测量仪实时准确采集翼盒在装配过程中的变形量;
S32:通过激光跟踪仪采集数据,从中提取出关键功能特征的原始节点坐标以及各节点沿全局坐标系的三个方向的变形量,将节点的变形量与原始坐标沿对应方向进行叠加,得到考虑变形偏差的实际几何表面点集,采用最小二乘法对实际测量的几何表面数据进行拟合,从而得到真实的拟合表面;
S33:以数学形式描述零件功能特征变形对公差的影响,采用拟合表面的方法对产品功能特征进行描述,在原有雅可旋量误差传递模型的基础上,综合考虑装配过程中部件变形的影响,对装配误差传递机理模型进行修正,获取装配误差传递机理修正模型。
6.根据权利要求1所述的装配精度预测方法,其特征在于,所述S4具体包括:
S41:根据误差传递机理修正模型的结构,确定数据模型的采集需求,并进行数据收集,数据收集内容为与装配精度相关的数据集,包括但不限于装配过程中的参数信息和工件质量信息;
S42:对数据模型采集的数据进行预处理以去除异常值,进而采用支持向量回归的方法对装配精度预测数据模型进行训练,在训练过程中,通过选择合适的拟合函数、核函数来拟合数据,使其能够有效地预测装配精度;
S43:装配精度预测数据模型通过采用支持向量回归的方法,计算最终产品装配精度偏差值进行预测,并以此偏差值对机理计算结果进行补偿,得到装配实际计算精度。
7.根据权利要求6所述的装配精度预测方法,其特征在于,所述S5具体包括:
S51:读取产品装配的各项参数,并将各装配参数输入至产品装配误差传递机理模型得到机理模型的理论计算值,同时,根据测量采集现场产生的装配精度等实测数据与机理模型的理论计算值相减,得到机理模型装配误差的计算偏差值;
S52:根据装配精度实测数据、装配工艺数据、相关仿真数据与误差数据作为训练样本,构建出基于支持向量回归的装配精度预测数据模型,并将理论计算值作为模型的训练输入,通过数据模型得到机理计算偏差的预测值;
S53:将装配精度预测数据模型计算得到的偏差预测值与装配误差传递机理模型计算的机理模型装配误差的计算偏差值相加,得到补偿后的装配精度计算值,获取机理与数据融合的产品装配精度预测模型。
8.根据权利要求1所述的装配精度预测方法,其特征在于,所述S6具体包括:
S61:依据设计部门提供的工程数模,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,并采集真实物理装配过程数据与翼盒装配现场的各装配参数,将所得数据进行整理得到样本数据进行模型验证;
S62:以各项装配误差与实测数值作为输入量,误差理论计算值与实测值的偏差作为输出量,基于Matlab平台对融合机理与数据的产品装配精度预测模型进行训练;
S63:根据融合机理与数据的产品装配精度预测模型的训练结果,验证测模型精度预测结果的有效性。
9.根据权利要求8所述的装配精度预测方法,其特征在于,所S63中验证有效性的内容述包括但不限于预测模型的平均绝对误差MAE值、均方误差MSE值、均方根误差RMSE值和绝对系数R2值。
10.一种机理与数据融合驱动的产品装配精度预测系统,所述装配精度预测系统用于复合材料翼盒装配零件在生产制造过程中进行装配精度的预测,其特征在于,所述装配精度预测系统包括:
几何误差旋量模型构建模块,用于根据待生产零件的结构特征和装配过程,构建多种基本误差源特征变动的几何误差旋量模型;
装配误差传递机理模型构建模块:用于根据待装配零件之间的配合关系和工装定位情况,构建多装配体的装配误差传递机理模型;
装配误差传递机理模型修正模块,用于基于几何误差旋量模型、装配变形误差和实测误差装配对误差传递机理模型进行修正,获得装配误差传递修正模型;
装配精度预测数据优化模型构建优化模块,用于基于装配误差传递修正模型获取参数数据,构建基于支持向量回归的装配精度预测数据模型,通过参数数据对装配精度预测数据模型进行优化,得到装配精度预测数据优化模型;
产品装配精度预测模型融合构建模块,用于通过装配误差传递机理模型、装配精度预测数据优化模型和实测装配精度数据构建产品装配精度预测模型;
产品装配精度预测模型训练验证模块,用于通过实测装配精度数据对产品装配精度预测模型进行训练并进行有效性验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410013673.4A CN117908481A (zh) | 2024-01-04 | 2024-01-04 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410013673.4A CN117908481A (zh) | 2024-01-04 | 2024-01-04 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117908481A true CN117908481A (zh) | 2024-04-19 |
Family
ID=90681335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410013673.4A Pending CN117908481A (zh) | 2024-01-04 | 2024-01-04 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117908481A (zh) |
-
2024
- 2024-01-04 CN CN202410013673.4A patent/CN117908481A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wärmefjord et al. | Inspection data to support a digital twin for geometry assurance | |
Chengwei et al. | Hierarchical model updating strategy of complex assembled structures with uncorrelated dynamic modes | |
CN107194057B (zh) | 壁板铆接扭翘变形预测方法 | |
CN111368466B (zh) | 一种基于频响函数参数修正的机械振动预测方法 | |
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 | |
CN105573248A (zh) | 基于多工位装配夹具补偿的柔性件装配尺寸偏差控制方法 | |
CN109255141B (zh) | 一种汽车车身正向概念设计截面形状优化方法 | |
Vichare et al. | Dimensional management for aerospace assemblies: framework implementation with case-based scenarios for simulation and measurement of in-process assembly variations | |
CN111375930A (zh) | 一种焊接变形的控制方法 | |
Chang et al. | Modeling and predicting of aeronautical thin-walled sheet metal parts riveting deformation | |
Jin et al. | A Digital Twin system of reconfigurable tooling for monitoring and evaluating in aerospace assembly | |
Guo et al. | Analysis on quantifiable and controllable assembly technology for aeronautical thin-walled structures | |
CN105798706A (zh) | 一种用于飞机壁板卧式自动钻铆机的末端精度重力补偿方法 | |
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 | |
Saadat et al. | Prediction of geometrical variations in Airbus wingbox assembly | |
CN113065259A (zh) | 一种壁板组件与骨架位姿协调方法 | |
CN117195662A (zh) | 一种大型结构件焊接变形预测方法及系统 | |
Makris et al. | Informing design through parametric integrated structural simulation | |
Al-Fisalawi et al. | Performance of semi-rigid steel connections under monotonic and cyclic loadings: a review | |
Meng et al. | Intelligent layout optimization of reconfigurable flexible fixture for assembling multiple aircraft panels | |
CN117826731A (zh) | 一种关键装配误差元素灵敏度分析方法及系统 | |
Kelly et al. | Plotting Load Paths from Finite Element Stress Results for Aerospace Structures | |
CN115200831B (zh) | 一种基于载荷识别的大展弦比机翼载荷实时监测方法 | |
Tekles et al. | Model-Based Elastic Deformation Compensation for a Multi-Robot Work Cell | |
Dahlström et al. | Towards a method for early evaluations of sheet metal assemblies |
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 |