基于PCM_CAE集成的虚拟装配检测及工艺优化.pdf

模具技术2 0 2 3.No.31文章编号：10 0 1-49 34(2 0 2 3)0 3-0 0 0 1-0 8基于PCM/CAE集成的虚拟装配检测及工艺优化陈林灿，巢家乐，周雄辉（上海交通大学林模具CAD国家工程研究中心，上海手2 0 0 0 30)摘要：开发了基于点云模型（PCM)/CAE集成的虚拟装配检测系统，将PCM与CAE模型进行了集成。聚焦虚拟装配检测过程中的误差分析问题，研究了基于仿真的零部件制造与装配误差分析方法。为了使一个存在各种变形与制造误差的零件达到理想或设计目标的装车状态，采用了多目标优化方法，实现了基于CAE仿真的虚拟装配分析与装配工艺优化。关键词：虚拟装配检测；点云模型（PCM)/CAE集成；装配工艺；多目标优化中图分类号：TP391.9Virtual assembly inspection and process optimizationCHEN Linshen,CHAO Jiale,ZHOU Xionghui(Shanghai Jiao Tong University,National Engineering Research Center of Die&Mold CAD,Shanghai 200030,China)Abstract:A virtual assembly inspection system based on point cloud model(PCM)/CAEintegration is developed,which integrates PCM with CAE model.Focusing on the erroranalysis in virtual assembly inspection process,the error analysis method of partsmanufacturing and assembly based on simulation is studied.In order to make a part withvarious deformation and manufacturing errors reach the ideal or designed loading state,amulti-objective optimization method is adopted to realize virtual assembly analysis andassembly process optimization based on CAE simulation.Key words:virtual assembly inspection;point cloud model(PCM)/CAE integration;assemblyprocess;multi-objective optimization文献标识码：Abased on PCM/CAE integration型 1-2 ,虽然操作方便，但在实际制造生产过程0引言虚拟装配检测是模拟零件装车检测过程的统称。早期的虚拟装配检测采用刚性理论模收稿日期：2 0 2 3-0 1-0 9作者简介：陈林灿，硕士，主要从事虚拟装配检测方面的研究。中,零部件难免会出现变形与制造误差 3。因此近年来发展了基于三维点云模型(PCM)的虚拟装配研究。目前，虚拟装配检测常用两种方法：其一，2在设计模型中预先修改参数，将制造误差纳入设计模型中 4;其二，以三维扫描的PCM进行虚拟装配检测。朱志颖等 51以汽车左后纵梁为例,使用PolyWorks软件将扫描点云转化为轻量化的三角网格模型进行虚拟检测，并通过DOE实验确定了最佳的参数设置。YU等 6 基于变分建模技术，提出了汽车钣金件装配偏差分析方法，并进行了算例分析验证。王威等 7以汽车引擎盖为例，进行了虚拟装配仿真，并对调整过程进行了敏感度分析。KAUFMANN等 8 提出了非线性约束的虚拟装配高斯算法，通过实例验证了该算法在虚拟装配中的稳健性，同时在注塑件中也进行了应用 9。目前，基于点云模型的检测大多集中在PCM重构优化上，少有基于CAE仿真来进行检测分析与工艺优化的。本文采用PCM/CAE集成的虚拟装配检测技术，与基于仿真的零部件制造与装配误差分析方法，通过基于代理模型的多目标优化,实现了对存在变形与制造误差虚拟检测分析降噪制造误差无关背景去除检测立光顺处理立孔洞修补立数据轻量化立PCM网格化点云模型处理图2 为系统架构图，系统自上而下可以分为应用服务层、系统集成层和数据管理层。应用服务层为用户提供点云处理、虚拟检测仿真、优化计算和数据可视化的交互界面。系统集成层主要作用是构建不同商业软件之间重要功能的连接与配合，依托商业软件的二次开发、接口调用等技术来实现应用服务层中对应的功能需求。数据管理层是整个系统的数据管理中心，为用户提供点云处理参数、仿真参数、虚拟检测Die and Mould Technology No.3 2023的零件的虚拟装配与工艺优化。1虚拟装配检测系统框架设计了基于PCM/CAE集成的虚拟装配检测系统。主要分为四大模块：PCM处理，仿真模型建立，虚拟检测分析与装配工艺优化,PCM处理模块负责将初始散乱的点云进行光顺处理、孔洞修补、数据轻量化和点云网格化；仿真模型建立模块，负责对网格模型进行材料参数、约束等仿真要素的加载，搭建CAE模型；虚拟检测分析模块，在CAE模型上施加不同的力学条件，实现制造误差检测与装配仿真检测；装配工艺优化模块，根据输人的装配工艺参数，设计多目标优化方案，通过拟合工艺参数（输人）与检测结果(输出)之间的关系，构建代理模型，运用优化算法来寻找最优方案。其中,PCM与CAE模型通过中性文件来传输数据。图1为虚拟装配检测系统流程与功能结构示意图。装配结果目标函数检测分析CAE求解器求解有限元分析模型重力补偿装配参数（去重力）配置默认参数配置仿真模型建立(a)流程示意图图1虚拟装配检测流程与功能结构图Fig.1 Virtual assembly inspection process and function structure diagram标准参数等数据支撑。2虚拟装配检测分析虚拟装配检测就是模拟将零件初装至检具或产品上，用若干个装配元件，在对应位置上装载（拧紧)/卸载（拧松），使零件能够贴合检具或产品上与其配合的零部件的过程（图3）。虚拟检测分析包括零件制造误差分析与装配检测分点云模型预处理点云模型PCM试验采样网格化代理模型仿真模型优化算法建立立调整装配参数变量输出装配优化结果装配工艺优化零件制造误差CAE处理（系统集成虚拟检测虚拟与流程自装配动化分析工艺优化调整元件参数优化装配结果预测验证(b)功能结构图模具技术2 0 2 3.No.3虚拟检测点云处理优化计算仿真应用服务层点云输入模板修改参数配置脚本生成宏命令执行软件调用模型输出宏命令执行系统集成层点云处理参数库仿真参数库数据管理层图2 虚拟装配检测系统架构Fig.2Virtual assembly inspection system architecture3虚拟检测分析的流程如图4所示。数据可视化基于代理曲线绘制模型的多目标优化评估报告算法生成虚拟检测标准库仿真模型状态初始化制造误差分析（重力补偿）装配结果分析虚拟装配不满足误差要求质量评估报告与装配工艺优化生产建议图4虚拟装配检测分析示意图Fig.4 Virtual assembly inspection analysis diagram以汽车翼子板为例，进行制造误差检测时，对A1、A 2 支撑点约束其轴自由度,并对零件施加反向重力（一方向)后进行仿真模拟，如图5所示。提取图6（b)所示的2 0 个待检测点初始坐标与位移量，计算其与设计模型理论坐标差值，即可得到制造误差结果。A2图3零件装配检测示意图Fig.3 Parts assembly inspection schematic diagram析。零件在三维扫描时通常水平放置于柔性支撑工装上，受到重力的作用会产生微小的弹性变形。为抵消自身重力影响，准确评估制造误差，需对零件进行重力补偿。由于零件生产过程中的位姿与零件实际装车位姿不同，零件的虚拟检测需在已有制造误差的基础上，进行装配调整后再检测，这一过程称之为虚拟检测分析。装配偏差是装配调整后，数据点位置坐标与设计模型中该点的位移之差，也是虚拟检测分析的重要指标参数，其公式为：I y;I=l y%+Ay;-yI,式中，ly;l为检测点i的装配偏差；y表示检测点i的初始坐标；y表示检测点i的位移量；y表示检测点i的设计模型理论坐标。XY图5制造误差分析仿真模型Fig.5 Manufacturing error analysis simulation model虚拟装配检测时，载荷条件与位移约束如下：（1）对去重力后的模型施加一方向重力，还原装配状态的重力分布；(2）将图6(a)所示的AI 10 个装配位置区域分别耦合于对应孔洞中心点来统一控制，并在该点设置对应方向上的位移，保留剩下的5个自由度。(1)10个装配点的位移改变时，零件变形情况也会发生改变,检测图6(a)中2 0 个检测点的装配偏差，评估偏差程度，不满足误差要求时需进行装配工艺优化。49Die and Mould Technology No.3 2023FYiyXHB8（a）装配元件位置图图6 汽车翼子板装配元件与待检测点位置示意图Fig.6 Position diagram of automobile fender assembly element and point to be detected3装装配工艺优化零件经过初次试装配检测，如果不符合要求,则需要对装配工艺进行优化。优化的目的是让检测点的装配偏差降低，并尽可能达到理想的装车状态。该问题的本质是特定约束下的多目标优化问题。为了保证优化计算精度，提高优化迭代效率，研究了基于代理模型的优化算法来解决虚拟装配检测中的多目标优化问题。3.1试验设计与采样合理的试验设计可以高效准确地以最小样本数量描述全局模型。拉丁超立方采样是常用的采样方法，该方法抽取的原始样本较为均匀，不会产生很明显的聚集现象。本研究采用该方法，在10 个维度采样2 0 0 0 组样本点。3.2代理模型代理模型采用Kriging与BP神经网络混合代理模型。其数学表达式为：y=wkyk()+wByB(),式中，为总的输出响应，是输人变量，k、W B分别为Kriging方法、BP神经网络方法的权重系数，k（）、（）分别为采用Kriging方法、BP神经网络方法的输出响应。将两种代理模式进行组合加权，充分发挥每个模型的优势，从（b）待检测点位置图而有效提高代理模型的精度。3.3优化算法优化算法是多目标优化问题的核心。选择合适的优化算法，对多个目标进行Pareto寻优，进而确定最优解决方案。本研究采用第二代非支配遗传算法（NSGAI I)来解决虚拟装配中的多目标优化问题，涉及到种群数量、迭代次数、交叉概率、变异概率等参数。工程实例4.1零件模型以某汽车翼子板为例,对其PCM进行处理优化后得到可用于仿真的CAE模型。零件的材料为热镀锌钢板，壁厚为0.6 5mm。该零件在扫描时平放于柔性支撑工装上，支撑点完全贴合零件内表面，且零件外表面无任何夹持情况。零件的装配元件与待检测点位置如图6所示。(2)4.2虚拟检测分析制造误差检测时，约束与载荷设置如下：A l、A 2 两个支撑点处约束y轴方向平动，保留剩下的5个自由度；施加-方向重力载荷。汽车翼子板进行重力补偿（去重力）操作后，其制造误差仿真结果如图7 所示，对2 0 个模具技术2 0 2 3.No.3蓝色：重力补偿模型黄色：理论模型图7 制造误差对比图Fig.7Comparison of manufacturing errors检测点进行检测后，零件的平均制造误差为0.925mm，有不少检测点的误差值大于1mm。装配点A参数值/mm0.5制造误差分析平均制造误差/mm不合格点数0.925155与重力补偿操作前的零件状态相比，重力作用。对零件的影响程度占总偏差值的11%2 3%。进行初次装配误差检测时，约束与载荷设置如下：10 个装配点在对应方向的位移按照表1中的参数进行初始设置，剩余方向的自由度不约束；施加-方向的重力载荷。经过初次装配调整后，虚拟检测结果如表2所示。大部分检测点的装配偏差值已降至1mm，最大降幅达6 1.3%，但仍有10 个检测点的装配偏差值超过检测要求。因此，需要对装配参数进行优化，寻找一组最优的装配参数（10个),判断在该参数下检测结果能否满足装配要求。表1初次装配位移参数Tab.1Initial assembly displacement parametersBC0.50.5表2 虚拟装配检测分析结果Tab.2Virtual assembly inspection analysis results初次装配误差分析平均装配偏差/mm不合格点数0.85410D-0.5E一0.5一0.5FG一0.5平均降幅/%7.7H-0.5一0.5最大降幅/%61.31J0.5findX=i,2,3,4,5,4.3装配工艺优化4.3.1代理模型评估为保证构建的代理模型具有可信度，随机采样2 0 0 组待测点，通过CAE仿真获得对应的实际输出值，比较代理模型的预测值与仿真实际值之间的误差。其中待测点的平均复相关系数R为0.964;均方根误差(RMSE)为0.0 7 16 mm;平均绝对误差基本不超过0.12 mm，代理模型的准确度达92%。综上,基于Kriging与BP神经网络构建的混合代理模型准确有效。4.3.2优化模型在装配过程中，各个待检测点的装配偏差通常是相互冲突的优化目标。当某一检测点的装配偏差值降低时，另一检测点的偏差值可能增加。根据上述实际问题建立的优化模型为：minly;l,i=1,2,20s.tl,l1,j=1,2,.,10(y;|0.8,j=1,2,20式中,X为装配参数集合，；为装配参数i的值，ly;l为检测点i的装配偏差值。虚拟装配的目标是使装配零件无限贴合于检具或产品上。用数学语言可概括为：求使得各个待检测点的装配偏差y;满足不等式要求且所有|y;l数值最小时，装配参数的取值。4.3.3优化结果经过Pareto寻优后，部分目标检测点的装配偏差Pareto前沿图如图9所示。由图9可知，所有点的装配偏差数值无法同时取得最小值，因此需要综合各个待测点的重要程度选取折中方案。，(3)6Die and Mould Technology No.3 20234Predictedvalue33RealvalueReal valueoPredictedvalue22福?10T果60果果米-1-2020 406080100120 140160Sample number(a)y12.01.51.00.5050.5-1.0-1.5-2.0-2.5-3.05020406080100120140160180200Sample number(c)y7Fig.8 Part of the fitting diagram of the predicted value and the actual value of the point to be measured在目标检测点Y与Y17的装配偏差Pareto前沿图中，呈现出随一方数值减小，另一方数值增大的趋势；目标检测点Y与Y：也同样呈现出这种趋势；而Y1o与Yi3两者之间却呈现出线性递增的趋势。经代理模型Pareto寻优后，最终有4组方案满足要求，装配优化结果如表3所示。将优化后的4组方案代入仿真模型中进行求解分析验证，方案14的平均整体误差分别为5.51%，8.53%，8.38%，9.2 2%，4种方案的平均误差为7.91%，且无论何种方案，整体误差均低于10%，与虚拟仿真检测的结果相近，可以认为该装配工艺符合要求，达到预期目标。经180200*Real valueoPredictedvalue?果020406080100120140Sample number(b)y61.0米0.50-0.5-1.0-1.5-2.0-2.55020406080100120140160180200Sample number(d)y12图8 部分待测点预测值与实际值拟合图过装配优化后，4种方案的平均误差较初次装配降低了48.2 4%，所有检测点均满足检测要求。经评估，零件质量合格。图10 为仿真分析的位移与应力分布云图。表3装配优化结果Tab.3Assembly optimization results预测平装配偏差实验平相对误方案均值/mm下降率/%均值/mm差/%方案10.383方案20.496方案30.427方案40.462160180200*RealvalueoPredictedvalue米OO米果55.1541.9250.0045.900.3630.4570.3940.4235.518.538.389.22模具技术2 0 2 3.No.370.70.60.50.450.30.20.1000.10.20.30.40.5 0.60.70.8ai/mm(a）装配元件A(i)与B(z)的取值关系2.252.001.751.501.251.00米米0.75米米米米米米0.50米*米米0.25米00.2550.500.751.001.251.501.752.002.50（c）Y 与Yg的装配偏差关系Fig.9 Part of the detection point assembly deviation Pareto frontier diagram2.00米1.75XXXXX+XXXXXXXX米*米*米米米米米米米米米米*米米米米*米米米1.50XXXXXX米米米米米米米*米米米米米米ly4l/mm图9部分检测点装配偏差Pareto前沿图1.25XXXXX米*米米米米米米*米*米1.00米米米米米0.75米米米米米米0.50米米米米米米0.250.25 0.50 0.751.00（b）Y 与Y17的装配偏差关系1.751.501.251.000.50*米米米米米0.25米米米米米000.250.500.751.001.251.50lyiol/mm（d）Y i o 与Y13的装配偏差关系米米米米米米米米米米米米米米米米米米,1.251.501.752.002.25lyz/mm米米米米*米米米*米米米米米米米米米米米*米米*1.752.00米米U,U22.940e-02736e-83s,MisesSNEG,(fraction=-1.0)(Avg:75%)785e+003e+00Z(a）位移云图(b）应力云图图10 仿真分析云图Fig.10Cloud simulation analysis85结 论本文设计了基于PCM/CAE集成的虚拟装配检测系统，介绍了系统框架与功能结构。针对虚拟装配检测中零件生产的位姿与零件实际装车位姿不同的问题，引人重力补偿概念，将零件置于去重力状态下，与理论设计模型进行制造误差分析与装配偏差分析。采用基于代理模型的多目标优化方法，对装配工艺进行了优化。运用工程实例验证了虚拟装配检测系统，结果表明：在已有变形和制造误差的前提下，检测零件经过装配工艺优化，误差降低了48.2 4%，优化预测结果与仿真真实结果之间的误差为7.91%，所有检测点均满足装车要求，零件质量合格,证明了系统的可行性与准确性。参考文献：1J L I N Y J,FA R A H A T I R.C A D-b a s e d v ir t u a lassembly prototyping:a case study J.International Journal of Advanced ManufacturingTechnology,2003,21(4):263-274.2 董洪智，林忠钦，陈关龙.桑车后车架总成CAD模型的建立及其虚拟装配.锻压机械，1999（5）：47-49.DONG H Z,LIN Z Q,CHEN G L.Setting of CADmodel of back carriage assembly of SANTANA carand its virtual assembling JJ.China MetalformingEquipment and Manufacturing Technology,1999(5):47-49.3胡俊聪.汽车引擎盖虚拟匹配快速调整策略研究Die and Mould Technology No.3 2023D.南京：南京航空航天大学,2 0 2 0.HU J C.Research on quick adjustment strategy ofvirtual matching of automobile hood D.Nanjing:Nanjing University of Aeronautics and Astronautics,2020.4 SC H L EI C H B,W A R T ZA C K S.C h a lle n g e s o fgeometrical variations modelling in virtual productrealization J.Procedia CIRP,2017,60:116-121.5朱志颖，李明，韦庆玥，等.车身虚拟匹配中三角化模型轻量化方法研究 J.计量与测试技术，2 0 18，45(3):21-25.ZHU Z Y,LI M,WEI Q Y,et al.Study on thelightweight method of triangulation model in vehiclebody virtual matching J.M e t r o l o g y a n dMeasurement Technique,2018,45(3):21-25.6 YU K,YANG Z.Assembly quality analysis methodresearch of automotive body outer cover panels J.International Journal of Industrial and SystemsEngineering,2017,27(3):442-455.7 王威，王珉，胡俊聪，等.面向汽车覆盖件的有限元仿真虚拟匹配方法.上海交通大学学报，2 0 2 0,54(5):532-543.WANG W,WANG M,HU J C,et al.Virtualmatching method based on finite element simulationin automotive panel J.Journal of Shanghai JiaoTong University,2020,54(5):532-543.8 K A U FM A NN M,EFFENBER G ER I,H U BER MF.Measurement uncertainty assessment for virtualassembly J.Journal of Sensors and SensorSystems,2021,10(1):101-108.9 KAUFMANN M,EFFENBERGER I,HUBER MF.Study on algorithms for the virtual assembly and bestcombinations of in-line measured injection-molded parts.Procedia CIRP,2022,107:239-245.