一种基于性能数字孪生的动态装调方法、系统及设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114580971A(43)申请公布日2022.06.03(21)申请号202210407586.8G06F30/20(2020.01)(22)申请日2022.04.19G06F30/15(2020.01)G06K9/62(2022.01)(66)本国优先权数据G06N7/02(2006.01)202210075852.12022.01.23CN(71)申请人中国人民解放军国防科技大学地址410003湖南省长沙市开福区德雅路109号(72)发明人张萌杜日煌李国喜王东赵存(74)专利代理机构北京融智邦达知识产权代理事务所(普通合伙)11885专利代理师董惠文(51)Int.Cl.G06Q10/06(2012.01)G06Q50/04(2012.01)权利要求书2页说明书18页附图5页(54)发明名称一种基于性能数字孪生的动态装调方法、系统及设备(57)摘要本发明提供了一种基于性能数字孪生的动态装调方法、系统及设备，该方法包括：监测并采集装配过程中的多源异构数据；对所述多源异构数据的实时数据、历史数据进行预处理，提取所述实时数据、历史数据对应的动态特征数据，进行特征拟合，将实时数据拟合曲线与历史数据拟合曲线对比，判断数据是否异常；建立装配过程数字孪生模型，获取仿真预测数据；基于仿真预测数据，对在制品质量参数进行分析，确定异常原因；基于所述异常原因，进行动态优化调控。本方案提高了装配过程中质量管控的全面性，可对装配质量特性的变化趋势进行预测，减少了装配过程调整策略的盲目性和主观性。CN114580971ACN114580971A权利要求书1/2页1.一种基于性能数字孪生的动态装调方法，其特征在于，所述方法包括：步骤1、监测并采集装配过程中的多源异构数据，所述多源异构数据包括参数数据、动态信息数据、环境数据；步骤2、对所述多源异构数据的实时数据、历史数据进行预处理，提取所述实时数据、历史数据对应的动态特征数据，进行特征拟合，将实时数据拟合曲线与历史数据拟合曲线对比，判断数据是否异常；步骤3、建立装配过程数字孪生模型，所述数字孪生模型包括可视化模型、动力学仿真模型、装配行为模型，对所述动力学仿真模型的模态进行预测，获取仿真预测数据；步骤4、基于仿真预测数据，对在制品质量参数进行分析，若所述质量参数存在异常，则确定造成质量参数异常对应的异常原因；步骤5、基于所述异常原因，进行动态优化调控。2.根据权利要求1所述的方法，其特征在于，所述步骤1中，参数数据包括组装前参数、组装后参数、机械臂参数。3.根据权利要求1所述的方法，其特征在于，所述步骤2中，判断数据是否异常包括：对一时间段内的历史数据的变化曲线进行拟合，再基于采集的相同长度时间段内的实时数据的变化曲线进行拟合，比较两拟合曲线的分布高峰，当实时数据拟合曲线的分布高峰相对于历史数据拟合曲线的分布高峰偏左或偏右，或者高峰的峰值过高或过低，则判定为异常。4.根据权利要求1所述的方法，其特征在于，所述步骤3中，所述模态的预测，进一步包括：步骤301、对待装配设备的部件、连接副进行编号，形成由若干个等效刚体构成的离散整机模型；步骤302、将离散整机模型离散化为有限自由度的线性系统，基于采集的动态特征数据，计算刚度矩阵K、阻尼矩阵C；步骤303、基于所述刚度矩阵K、阻尼矩阵C，求解所述线性系统的振型方程，得到所述线性系统的各阶固有频率及对应的振型，所述各阶固有频率及对应的振型，即为仿真预测数据。5.根据权利要求4所述的方法，其特征在于，所述振型方程为：并且，|[K]‑ω2[M]|＝0其中，ω为结构振动的固有频率；为系统的固有振型，[M]为系统的质量矩阵。6.根据权利要求1所述的方法，其特征在于，所述步骤3中，所述装配行为模型是指装配工艺过程的时序模型，本实施例中，可以首先构建整个装配工艺过程的时序模型；在接收到装配行为模型中一节点所有输入信息之后，通过动力学仿真模型的模态进行预测，作为该节点的输出；对于每个节点的输出，通过可视化模型进行显示。7.根据权利要求1所述的方法，其特征在于，所述步骤4中，通过以下方式确定造成质量参数异常对应的异常原因：步骤401、确定导致各类异常的异常原因；2CN114580971A权利要求书2/2页步骤402、建立一时间段内各类异常与异常原因之间的模糊关系矩阵；步骤403、基于所述模糊关系矩阵计算模糊异常模式隶属度；步骤404、建立异常Y与异常原因X之间的模糊关系方程：其中，为样本中各分量yi对异常Yi的隶属度，为X对各种异常原因的隶属度，为min‑max模糊合成算子；步骤405、基于所述步骤403的模糊异常模式隶属度，求解所述模糊关系方程，得到模糊方程的最优解，以确定对异常贡献最大的异常原因。8.一种基于