CN117993270A - 一种基于数字孪生的紧固连接系统装配质量评估方法 - Google Patents
一种基于数字孪生的紧固连接系统装配质量评估方法 Download PDFInfo
- Publication number
- CN117993270A CN117993270A CN202410405933.2A CN202410405933A CN117993270A CN 117993270 A CN117993270 A CN 117993270A CN 202410405933 A CN202410405933 A CN 202410405933A CN 117993270 A CN117993270 A CN 117993270A
- Authority
- CN
- China
- Prior art keywords
- data
- connection system
- model
- fastening connection
- fastener
- 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
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000004088 simulation Methods 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012800 visualization Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 33
- 238000006073 displacement reaction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 abstract description 8
- 238000002474 experimental method Methods 0.000 abstract description 4
- 238000012937 correction Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 238000011900 installation process Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910001008 7075 aluminium alloy Inorganic materials 0.000 description 1
- 229910001069 Ti alloy Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于数字孪生的紧固连接系统装配质量评估方法,包括:根据紧固连接系统建立有限元仿真模型,模拟紧固件在不同载荷下的参数变化数据;基于有限元仿真模型通过拉丁超立方采样法选取适量样本点构建降阶模型,并结合参数变化数据建立紧固件与装配关系间的代理模型;采集紧固连接系统在真实试验中的物理数据,使用物理数据修正有限元仿真模型和代理模型;建立与紧固连接系统相关联的可视化系统,实时监测并评估紧固连接系统的装配质量。本发明有益效果:可以减少大量装配实验和纠错的成本,相比于传统的实验方法,该方法能够更加快速地评估设计的可行性和安全性,为工程师提供更多的设计参考和决策支持。
Description
技术领域
本发明属于紧固件检测领域,尤其是涉及一种基于数字孪生的紧固连接系统装配质量评估方法。
背景技术
现阶段,实际系统的设计和维护策略可以总结为“安全余量设计+周期性维护”,即根据过往经验设计系统型式,并使用较大的安全系数来包络不确定性,并采取周期性的维护方式。
然而,现代工程越来越复杂,具体表现为:1)系统组件越来越多,且组件与组件之间的交互会衍生出一些新的特质;2)动态特性强,系统状态随时间快速变化;3)不确定性大,系统材料、结构以及周围环境存在众多不确定因数。
使得复杂系统在高度不确定性环境下遭受意外损伤概率的增加,难以完全保证系统可靠性,缺乏对系统当前状态的准确预估,容易出现过于频繁的检测与维修,或未及时维护而引发系统提前失效的情况,近年来,虽然紧固件预紧力监测技术逐渐成熟,但只能监测个别螺栓点的轴向载荷,无法对连接结构状态进行评估。
发明内容
有鉴于此,本发明旨在提出一种基于数字孪生的紧固连接系统装配质量评估方法,以期解决上述部分技术问题中的至少之一。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于数字孪生的紧固连接系统装配质量评估方法,包括:
根据紧固连接系统建立有限元仿真模型,模拟紧固件在不同载荷下的参数变化数据;
基于有限元仿真模型通过拉丁超立方采样法选取适量样本点构建降阶模型,并结合参数变化数据建立紧固件与装配关系间的代理模型;
采集紧固连接系统在真实试验中的物理数据,使用物理数据修正有限元仿真模型和代理模型;
建立与紧固连接系统相关联的可视化系统,实时监测并评估紧固连接系统的装配质量。
进一步的,根据紧固连接系统建立有限元仿真模型,模拟紧固件在不同载荷下的参数变化数据的过程包括:
通过有限元分析方法得到紧固连接系统的仿真模型,并根据仿真模型的计算转换,得到紧固连接系统的力平衡方程;
结合力平衡方程以及紧固件刚度模型,分析得到额外载荷矢量与紧固件位移向量之间的关系;其中,紧固件位移向量为简化紧固件连接关系后得到的质量块位移向量。
进一步的,结合力平衡方程以及紧固件刚度模型的过程中,将紧固件刚度模型转换为相应的紧固件刚度矩阵,并将矩阵代入力平衡方程中,得到额外载荷矢量与紧固件位移向量之间的关系。
进一步的,基于有限元仿真模型通过拉丁超立方采样法选取适量样本点构建降阶模型的过程包括:
使用丁超立方采样法在有限元仿真模型中,选取紧固连接系统装配质量评估所需的紧固件作为样本点,并根据样本点内传感器输出的数据构建降阶模型;
降阶模型根据输入的数据类型配置不同的神经网络模型,其中,输入的数据类型包括紧固件的非时序数据和时序数据。
进一步的,结合参数变化数据建立紧固件与装配关系间的代理模型的过程包括:
使用样本点在不同载荷下的参数变化数据对降阶模型进行训练,根据紧固连接系统中的参数变化数据,更新降阶模型获得相应的代理模型;
其中,代理模型为紧固件预紧力输入与紧固连接系统的装配质量输出之间的函数式映射关系模型。
进一步的,建立与紧固连接系统相关联的可视化系统的过程包括:
构造并绘制可视化系统的主界面,通过读取数据转换矩阵进行数据转换,将原始数据转换为可处理的格式;
建立串口通信对象并绑定与紧固件相对应的通信串口,当需要更新紧固件的参数数据时,开启通信串口循环等待读取串口数据;
读取快照数据初始化主界面内的3D图形及主界面窗口,通过MayaVI库在主界面中绘制、显示3D图形并开启交互功能;
主界面显示并更新紧固连接系统中的紧固件在不同载荷下的参数变化数据。
进一步的,开启通信串口循环等待读取串口数据的过程包括:
判断是否终止当前的读取操作,若是则终止,若否则判断串口是否有数据;若是则逐字节遍历串口数据并寻找数据帧头,若否则判断是否终止当前的读取操作;
寻找到数据帧头后以高位在前低位在后的方式读取数据并存入目录列表中,并将目录列表传回父类更新数据。
进一步的,通过MayaVI库在主界面执行相应的操作前读取并处理有限元仿真模型,初始化每个紧固件的文本标签,在MayaVI库中初始化颜色映射管理器,设置模型的颜色表示。
进一步的,主界面显示并更新紧固件的相应数据时,界面等待交互指令,收到修改紧固件预紧力的指令后,接收目录列表并对主界面当前显示的内容进行刷新,并更新其中的预紧力数据;
使用模型进行负载计算后更新负载以及3D图形和文本,使用计算模块重新计算并更新图表。
相对于现有技术,本发明所述的一种基于数字孪生的紧固连接系统装配质量评估方法具有以下有益效果:
在保留关键信息和主要影响参数的同时可以大幅减少计算时间和存储需求,避免了直接求解分析结构的有限元模型,将其用于螺栓的载荷预测和装配质量评估,可以减少大量装配实验和纠错的成本,相比于传统的实验方法,该方法能够更加快速地评估设计的可行性和安全性,为工程师提供更多的设计参考和决策支持。
能够基于数据驱动的神经算法等,实现复杂环境下的螺栓连接结构的力学实时分析,指导螺栓安装工艺、拆卸过程、服役过程的故障预测和性能评估。
可以针对目前对螺栓连接结构力学性能缺乏有效评估和控制手段难题,面向紧固件产品在安装过程中的装配应力不均匀和温度变化造成的预紧力变化,导致螺栓疲劳、被夹紧件连接刚度不足以及螺栓连接预紧力松弛等故障和退化,实现考虑温度变化和安装工艺影响下的典型故障退化过程和关键系统连接状态模拟,减少装备周期性维修项,并保障螺栓连接结构刚度及型号可靠性。
方便工程技术人员掌握使用,方法科学,便于应用推广。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的一种基于数字孪生的紧固连接系统装配质量评估方法的流程示意图;
图2为本发明实施例所述的包含n个螺栓的结构弹簧-刚度模型示意图;
图3为本发明实施例所述的第1和第2号质量块的力学平衡示意图。
具体实施方式
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。
一种基于数字孪生的紧固连接系统装配质量评估方法,包括:
步骤1、根据紧固连接系统建立有限元仿真模型,模拟紧固件在不同载荷下的参数变化数据;
步骤2、基于有限元仿真模型通过拉丁超立方采样法选取适量样本点构建降阶模型,并结合参数变化数据建立紧固件与装配关系间的代理模型;
步骤3、采集紧固连接系统在真实试验中的物理数据,使用物理数据修正有限元仿真模型和代理模型;
步骤4、建立与紧固连接系统相关联的可视化系统,实时监测并评估紧固连接系统的装配质量。
根据紧固连接系统建立有限元仿真模型,模拟紧固件在不同载荷下的参数变化数据的过程包括:
通过有限元分析方法得到紧固连接系统的仿真模型,并根据仿真模型的计算转换,得到紧固连接系统的力平衡方程;
结合力平衡方程以及紧固件刚度模型,分析得到额外载荷矢量与紧固件位移向量之间的关系;其中,紧固件位移向量为简化紧固件连接关系后得到的质量块位移向量。
结合力平衡方程以及紧固件刚度模型的过程中,将紧固件刚度模型转换为相应的紧固件刚度矩阵,并将矩阵代入力平衡方程中,得到额外载荷矢量与紧固件位移向量之间的关系。
具体过程为:通过力平衡方程计算得到紧固连接系统在不同的外载荷(输入)下螺栓所受到的载荷、连接结构刚度、装配均匀性(输出),从而得到一系列输入输出数据;
其中,根据包含n个螺栓的弹簧-刚度模型的力平衡方程构建步骤为:
如图2、3所示,将多螺栓连接结构视作多个质量块与弹簧的连接体,其中图中为上层被夹紧件第2i-1和第2i+1质量块之间部分的等效弹簧刚度,/>为下层被夹紧件第2i和第2i+2质量块之间部分的等效弹簧刚度;
假设连接结构左端固定,在连接结构的右端施加大小为P的外力,对每个质量块进行静力平衡分析,以1号和2号螺栓质量块为例;
如固定区域(1和2号的螺栓简化的质量块),该区域质量块受到与右侧质量块间的弹簧力、1号螺栓在x方向上的拉力以及两板之间的摩擦力,此外,质量块1还受到与左侧固定端间的弹簧力;
则平衡方程为:
;
以此类推,得到所有质量块间的平衡方程,由于静力学过程中可以忽略加速度,所以,即可以将力平衡方程转化为S•X=F,其中S为各部分螺栓“弹簧”刚度组成的矩阵,F为额外载荷矢量,X为n个螺栓简化的质量块位移组成的向量/>;
;
其中为第n个螺栓的横向等效弹簧刚度,/>为第n个螺栓的最大静摩擦力,/>等于第n个螺栓与孔的间隙,/>为第n个连接件摩擦引起的位移,P为水平的外力。
基于有限元仿真模型通过拉丁超立方采样法选取适量样本点构建降阶模型的过程包括:
使用丁超立方采样法在有限元仿真模型中,选取紧固连接系统装配质量评估所需的紧固件作为样本点,并根据样本点内传感器输出的数据构建降阶模型;
降阶模型根据输入的数据类型配置不同的神经网络模型,其中,输入的数据类型包括紧固件的非时序数据和时序数据。
结合参数变化数据建立紧固件与装配关系间的代理模型的过程包括:
使用样本点在不同载荷下的参数变化数据对降阶模型进行训练,根据紧固连接系统中的参数变化数据,更新降阶模型获得相应的代理模型;
其中,代理模型为紧固件预紧力输入与紧固连接系统的装配质量输出之间的函数式映射关系模型。
具体过程为,根据紧固连接系统的局部数据修正加工质量、温度、装配预紧力、拧紧摩擦系数等参数,获得修正后的连接刚度、接触应力等关键参数范围,再根据不同位置处的螺栓上的传感器输出的数据修正法兰的整体刚度矩阵得到相应的降价模型,基于每个螺栓的装配数据曲线结合降价模型,得到代理模型并实现对装配过程中结合面接触状态的实时预测。
其中,构建降价模型并进一步得到代理模型的过程包括:
通过高精度仿真模型或力平衡方程,通过均匀采样或者拉丁超立方采样,结合试验数据获得一定的样本点和输入数据作为构建模型的输入,并根据输入数据的数量,按照6:2:2的比例划分为训练集、验证集和测试集;训练集用于训练模型,验证集则用于寻找模型最佳参数,测试集用于最终评估模型的预测效果;
针对螺栓的非时序数据,基于卷积神经网络(CNN)和前馈神经网络(FNN),构建深度神经网络的框架,并定义交叉熵损失函数,设置学习率和优化器,初始化神经网络模型;针对螺栓的时序数据,基于循环神经网络(RNN)、长短时记忆网络(LSTM)、门控循环单元(GRU),构建深度神经网络的框架,并定义回归任务的损失函数,设置学习率以及优化器,初始化孪生模型;
利用训练集和验证集,针对神经网络模型的结构、激活函数、神经元个数、损失函数、学习率等参数,开展优化研究;针对不同参数设置组合,重复多次输入训练集,训练神经网络模型,并输入验证集,计算平均预测精度和平均回归偏差,最终,保留所有预测结果满足装配质量评估需要的孪生模型作为降价模型;
将训练集和验证集合输入多个降价模型中,重复多次训练,并利用测试集,评估降价模型的预测效果,防止其出现过拟合和欠拟合现象,最后保留最优的降价模型作为代理模型;代理模型实时输入螺栓测试数据,利用代理模型预测的输出数据,结合有限元仿真模型的输出结果,修正孪生模型的参数。
建立与紧固连接系统相关联的可视化系统的过程包括:
构造并绘制可视化系统的主界面,通过读取数据转换矩阵进行数据转换,将原始数据转换为可处理的格式;
建立串口通信对象并绑定与紧固件相对应的通信串口,当需要更新紧固件的参数数据时,开启通信串口循环等待读取串口数据;
读取快照数据初始化主界面内的3D图形及主界面窗口,通过MayaVI库在主界面中绘制、显示3D图形并开启交互功能;
主界面显示并更新紧固连接系统中的紧固件在不同载荷下的参数变化数据。
开启通信串口循环等待读取串口数据的过程包括:
判断是否终止当前的读取操作,若是则终止,若否则判断串口是否有数据;若是则逐字节遍历串口数据并寻找数据帧头,若否则判断是否终止当前的读取操作;
寻找到数据帧头后以高位在前低位在后的方式读取数据并存入目录列表中,并将目录列表传回父类更新数据。
通过MayaVI库在主界面执行相应的操作前读取并处理有限元仿真模型,初始化每个紧固件的文本标签,在MayaVI库中初始化颜色映射管理器,设置模型的颜色表示。
主界面显示并更新紧固件的相应数据时,界面等待交互指令,收到修改紧固件预紧力的指令后,接收目录列表并对主界面当前显示的内容进行刷新,并更新其中的预紧力数据;
使用模型进行负载计算后更新负载以及3D图形和文本,使用计算模块重新计算并更新图表。
工作过程:
下面以某型圆形法兰连接结构与为例,对本发明所述的一种基于数字孪生的紧固连接系统装配质量评估方法做出进一步详细说明:
某型圆形法兰连接结构由上下两个圆形法兰面构成,被夹紧件材料为7075铝合金,两法兰由24颗MJ8钛合金螺栓进行固定;通过对圆形连接系统装配过程的数字孪生技术研究,实现依靠局部外载的输入,预测连接结构在装配和服役过程的整体螺栓组的预紧力大小、分布变化以及连接系统整体应力分布和性能变化,并通过模拟样机进行可视化实时展示。
具体步骤如下:
步骤一:构建螺栓连接结构装配状态的高精度数理模型
利用有限元方法建立圆形法兰系统在装配和服役过程的仿真模型,依靠仿真模型的计算转换,得到结构在不同的外载荷(输入)下螺栓所受的载荷和预紧力分布、连接结构的应力(输出),从而得到一系列的输入输出数据。
步骤二:构建基于代理模型的紧固连接结构装配性能预测模型
结合高精度仿真模型,通过均匀采样或者拉丁超立方采样,设置≥1000组数据,并结合有限元模型建立输入预紧力变化值等性能参数与螺栓实际安装预紧力的数据库,为拟合预测模型做准备,选取一定数量的预紧力初始值,通过仿真数据进行训练,考虑精度要求,建立模型;通过计算一定数量不同安装预紧力下的连接结构性能参数结果,同时输入到预测模型中。借助数据持续修正模型,误差的收敛速度在大约第800次迭代时明显放缓,收敛情况几乎停滞,通过代理模型和仿真模型在同一输入下的预紧力结果对比最终精度为5%,建立局部螺栓预紧力输入-连接结构装配质量/连接性能输出的函数式映射关系模型,达到替代有限元方法,预测紧固连接结构的装配质量、结构应力分布和连接系统可靠性等关键性能。
步骤三:紧固连接结构装配试验数据采集
通过对圆形连接结构在不同拧紧扭矩、安装工艺条件下的螺栓组预紧力数据、连接结构关键部位应变数据采集,通过试验数据修正仿真模型和代理模型。
步骤四:建立与传感器测量设备数据关联和可视化界面
结合装配试验数据,修正数字孪生预测模型,完成可视化程序与预紧力测量设备之间的数据关联,通过串口信息传递,结合实际现场调试,可以实时将预紧力测量仪的测量信息,传递到可视化程序界面,实现数据间的动态关联。
基于修正的预测模型,设计开发用于紧固连接系统装配质量可视化评估预测的模拟样机,建立与预紧力测量设备的数据实时关联,实现测量设备与模拟样机间数据信息的实时反馈,实现对紧固连接系统在不同装配工艺下的装配质量和精度预测,以及对紧固连接结构的应力分布、连接系统可靠度水平的反馈评估。
综上所述,本发明提供了一种基于数字孪生的紧固连接系统装配质量评估方法。由于本技术方案的先进性,因此在结构系统设计、机械工程、航空航天、汽车工程等应用领域可以有广泛的应用。通过基于数字孪生的紧固连接系统装配质量评估方法,可建立紧固连接系统故障机理模型、基于多参数驱动的螺栓连接结构装配过程耦合的基础力学模型、基于数据驱动的神经算法等,基于可视化的连接系统装配质量实时预测评估,可有效指导螺栓安装工艺、拆卸过程、服役过程的故障预测和性能评估,可推广应用至其它型号航天发动机及其它航空航天装备型号紧固连接系统,提升装备紧固连接系统质量与可靠性,同时为型号研制和开发节省成本、提供效率,项目成果应用前景广阔。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和系统,可以通过其它的方式实现。例如,以上所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。上述单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于数字孪生的紧固连接系统装配质量评估方法,其特征在于,包括:
根据紧固连接系统建立有限元仿真模型,模拟紧固件在不同载荷下的参数变化数据;
基于有限元仿真模型通过拉丁超立方采样法选取适量样本点构建降阶模型,并结合参数变化数据建立紧固件与装配关系间的代理模型;
采集紧固连接系统在真实试验中的物理数据,使用物理数据修正有限元仿真模型和代理模型;
建立与紧固连接系统相关联的可视化系统,实时监测并评估紧固连接系统的装配质量。
2.根据权利要求1所述的一种基于数字孪生的紧固连接系统装配质量评估方法,其特征在于:
根据紧固连接系统建立有限元仿真模型,模拟紧固件在不同载荷下的参数变化数据的过程包括:
通过有限元分析方法得到紧固连接系统的仿真模型,并根据仿真模型的计算转换,得到紧固连接系统的力平衡方程;
结合力平衡方程以及紧固件刚度模型,分析得到额外载荷矢量与紧固件位移向量之间的关系;其中,紧固件位移向量为简化紧固件连接关系后得到的质量块位移向量。
3.根据权利要求2所述的一种基于数字孪生的紧固连接系统装配质量评估方法,其特征在于:
结合力平衡方程以及紧固件刚度模型的过程中,将紧固件刚度模型转换为相应的紧固件刚度矩阵,并将矩阵代入力平衡方程中,得到额外载荷矢量与紧固件位移向量之间的关系。
4.根据权利要求1所述的一种基于数字孪生的紧固连接系统装配质量评估方法,其特征在于:
基于有限元仿真模型通过拉丁超立方采样法选取适量样本点构建降阶模型的过程包括:
使用丁超立方采样法在有限元仿真模型中,选取紧固连接系统装配质量评估所需的紧固件作为样本点,并根据样本点内传感器输出的数据构建降阶模型;
降阶模型根据输入的数据类型配置不同的神经网络模型,其中,输入的数据类型包括紧固件的非时序数据和时序数据。
5.根据权利要求4所述的一种基于数字孪生的紧固连接系统装配质量评估方法,其特征在于:
结合参数变化数据建立紧固件与装配关系间的代理模型的过程包括:
使用样本点在不同载荷下的参数变化数据对降阶模型进行训练,根据紧固连接系统中的参数变化数据,更新降阶模型获得相应的代理模型;
其中,代理模型为紧固件预紧力输入与紧固连接系统的装配质量输出之间的函数式映射关系模型。
6.根据权利要求1所述的一种基于数字孪生的紧固连接系统装配质量评估方法,其特征在于:
建立与紧固连接系统相关联的可视化系统的过程包括:
构造并绘制可视化系统的主界面,通过读取数据转换矩阵进行数据转换,将原始数据转换为可处理的格式;
建立串口通信对象并绑定与紧固件相对应的通信串口,当需要更新紧固件的参数数据时,开启通信串口循环等待读取串口数据;
读取快照数据初始化主界面内的3D图形及主界面窗口,通过MayaVI库在主界面中绘制、显示3D图形并开启交互功能;
主界面显示并更新紧固连接系统中的紧固件在不同载荷下的参数变化数据。
7.根据权利要求6所述的一种基于数字孪生的紧固连接系统装配质量评估方法,其特征在于:
开启通信串口循环等待读取串口数据的过程包括:
判断是否终止当前的读取操作,若是则终止,若否则判断串口是否有数据;若是则逐字节遍历串口数据并寻找数据帧头,若否则判断是否终止当前的读取操作;
寻找到数据帧头后以高位在前低位在后的方式读取数据并存入目录列表中,并将目录列表传回父类更新数据。
8.根据权利要求6所述的一种基于数字孪生的紧固连接系统装配质量评估方法,其特征在于:
通过MayaVI库在主界面执行相应的操作前读取并处理有限元仿真模型,初始化每个紧固件的文本标签,在MayaVI库中初始化颜色映射管理器,设置模型的颜色表示。
9.根据权利要求7所述的一种基于数字孪生的紧固连接系统装配质量评估方法,其特征在于:
主界面显示并更新紧固件的相应数据时,界面等待交互指令,收到修改紧固件预紧力的指令后,接收目录列表并对主界面当前显示的内容进行刷新,并更新其中的预紧力数据;
使用模型进行负载计算后更新负载以及3D图形和文本,使用计算模块重新计算并更新图表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410405933.2A CN117993270B (zh) | 2024-04-07 | 一种基于数字孪生的紧固连接系统装配质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410405933.2A CN117993270B (zh) | 2024-04-07 | 一种基于数字孪生的紧固连接系统装配质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117993270A true CN117993270A (zh) | 2024-05-07 |
CN117993270B CN117993270B (zh) | 2024-06-28 |
Family
ID=
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238394A (zh) * | 2022-08-10 | 2022-10-25 | 南昌航空大学 | 复合材料结构多源不确定性混合可靠性数字孪生建模方法 |
CN115617628A (zh) * | 2022-09-20 | 2023-01-17 | 上海科梁信息科技股份有限公司 | 一种数字孪生系统、研发方法、设备和存储介质 |
CN115983029A (zh) * | 2023-01-14 | 2023-04-18 | 北京航空航天大学 | 一种航空装备可靠性仿真数字孪生模型构建方法、设备、介质 |
CN115983079A (zh) * | 2023-02-10 | 2023-04-18 | 杭州电子科技大学 | 一种基于机械结构应力分布的实时仿真系统 |
CN116305522A (zh) * | 2023-01-09 | 2023-06-23 | 北京航空航天大学 | 一种基于数字孪生的飞机结构可靠性仿真试验模型标定方法、设备、介质 |
CN117236112A (zh) * | 2023-09-06 | 2023-12-15 | 浙江大学 | 一种双重降阶的数控机床数字孪生物理场构建方法 |
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238394A (zh) * | 2022-08-10 | 2022-10-25 | 南昌航空大学 | 复合材料结构多源不确定性混合可靠性数字孪生建模方法 |
CN115617628A (zh) * | 2022-09-20 | 2023-01-17 | 上海科梁信息科技股份有限公司 | 一种数字孪生系统、研发方法、设备和存储介质 |
CN116305522A (zh) * | 2023-01-09 | 2023-06-23 | 北京航空航天大学 | 一种基于数字孪生的飞机结构可靠性仿真试验模型标定方法、设备、介质 |
CN115983029A (zh) * | 2023-01-14 | 2023-04-18 | 北京航空航天大学 | 一种航空装备可靠性仿真数字孪生模型构建方法、设备、介质 |
CN115983079A (zh) * | 2023-02-10 | 2023-04-18 | 杭州电子科技大学 | 一种基于机械结构应力分布的实时仿真系统 |
CN117236112A (zh) * | 2023-09-06 | 2023-12-15 | 浙江大学 | 一种双重降阶的数控机床数字孪生物理场构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10990087B2 (en) | Parallel control method and system for intelligent workshop | |
CN107563067A (zh) | 基于自适应代理模型的结构可靠性分析方法 | |
CN106777814B (zh) | 基于多源层次信息更新与故障物理的可靠性预计方法 | |
CN111368466B (zh) | 一种基于频响函数参数修正的机械振动预测方法 | |
CN107633117B (zh) | 基于高斯过程模型的全局灵敏度分析方法 | |
CN113537319B (zh) | 一种针对类型化模型的风洞天平终身学习校准方法及系统 | |
CN111967185A (zh) | 基于索力和位移分布相关性建模的斜拉桥状态评估方法 | |
Du et al. | Using the hierarchical Kriging model to optimize the structural dynamics of rocket engines | |
CN111209620A (zh) | 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法 | |
CN110750455B (zh) | 基于系统日志分析的智能在线自更新故障诊断方法和系统 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN111523268A (zh) | 一种基于机器学习的材料抗疲劳优化设计方法 | |
CN111190429A (zh) | 一种基于强化学习的无人机主动容错控制方法 | |
Bianchi et al. | Robust identification/invalidation in an LPV framework | |
CN112632692A (zh) | 基于积木式试验的数字孪生模型确认和可信度评估方法 | |
CN116049989A (zh) | 转向架数字孪生模型构建方法、系统、电子设备及介质 | |
CN117993270B (zh) | 一种基于数字孪生的紧固连接系统装配质量评估方法 | |
CN117993270A (zh) | 一种基于数字孪生的紧固连接系统装配质量评估方法 | |
CN110765560B (zh) | 一种基于时变阻尼机械机构振动预测方法 | |
CN106168760B (zh) | 基于凸多面体故障模型的不确定时滞系统稳定性判定方法 | |
CN117408100A (zh) | 一种基于bp神经网络的群组螺栓预紧力分布预测方法 | |
CN112287484A (zh) | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 | |
CN115238394B (zh) | 复合材料结构多源不确定性混合可靠性数字孪生建模方法 | |
CN113704872B (zh) | 一种提高汽车板簧疲劳仿真分析效率的方法 | |
Dong et al. | A product performance rapid simulation approach driven by digital twin data: Part 1. For variable product structures |
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 |