一种适用于整车装配质量控制的工艺方案优化方法技术

本发明专利技术公开了一种适用于整车装配质量控制的工艺方案优化方法，包括以下步骤：获取工艺方案的基础信息；建立三维尺寸偏差传递模型；筛选关键控制特征与关键产品特征；生成样本数据集；学习非线性映射模型；创建制造成本函数；构造目标函数；遗传算法求解最优公差值；输出最优工艺方案。本发明专利技术通过优化装配工艺参数实现设计阶段整车的偏差控制，提前预测并消除潜在的偏差传递与累积风险，适用于零部件、总成件装配过程中的质量控制，将尺寸偏差分布的超差问题阻断在设计阶段。的超差问题阻断在设计阶段。的超差问题阻断在设计阶段。

【技术实现步骤摘要】
一种适用于整车装配质量控制的工艺方案优化方法


[0001]本专利技术涉及整车设计阶段优化公差分配方案领域，尤其涉及一种适用于整车装配质量控制的工艺方案优化方法。

技术介绍

[0002]在整车设计阶段，装配质量的控制可以通过修改定位策略、优化工艺方案、调整装配顺序等方式实现。工艺方案的优化能够有效降低尺寸偏差的传播，并且减少对零件结构的修改。工艺方案的优化通常采用零件形位公差再分配的方法，在尽可能减少制造成本增加量的同时，使关键产品特征的尺寸偏差超差率落在合理范围内。
[0003]申请号为：CN201811613387.2，专利技术名称为一种车体装配公差分配方法。该申请在考虑焊接变形的情况下进行公差分配，基于优先修改最大贡献度原则，对所选目标进行公差优化。但该方法缺乏考虑影响因素之间的关联，易陷于公差优化方案的局部最优解。
[0004]申请号为：CN202110301678.3，专利技术名称为一种白车身尺寸链公差分配优化计算方法。该申请在考虑零部件尺寸和连接装配方式的基础上考虑尺寸链环的距离对公差分配的影响。但该方法仅适用于二维尺寸链的分析，难以适用于三维装配过程，且公差分配依赖于统计模型，难以实现所有零件的公差最优分配。
[0005]申请号为：CN201710867246.2，专利技术名称为基于变尺度教与学算法的公差分配多目标优化设计方法。该申请建立基于成本、质量和能耗的公差分配多目标优化函数，采用变尺度教与学算法进行目标函数求解。但该方法未对影响因素进行筛选，导致公差分配优化结果难以在工程实际中进行应用。
[0006]现有技术多针对制造阶段的公差分配方案进行改进，改进方法一方面难以实现全局最优，另一方面难以在实际工程中实现应用，并且是在已经出现成本损失的情况下的公差分配优化方案。因此，本领域的技术人员致力于开发一种针对整车设计阶段装配质量快速控制的工艺方案优化方法。

技术实现思路

[0007]本专利技术的目的在于提供适用于整车装配质量控制的工艺方案优化方法，实现在设计阶段对整车装配质量进行预测与控制，为零件结构的修改、装配工艺的优化提供理论依据。
[0008]为实现上述目的，本专利技术所采用的技术方案为：一种适用于整车装配质量控制的工艺方案优化方法，包括如下步骤：
[0009]S101：获取工艺方案的基础信息；所述基础信息包括整车三维数模、图纸GD&T、工艺流程图和测点文件；
[0010]S102：基于步骤S101的基础信息，在3DCS软件中建立整车装配的三维尺寸偏差传递模型，并获得工艺方案初始状态下所有测点尺寸偏差的分布情况；
[0011]S103：设定测点尺寸偏差超差率的阈值；收集步骤S102中尺寸偏差超差率大于阈
值的测点并构建关键产品特征集Y＝{y1,y2,
…
,y
n
}；同时，分别提取每个关键产品特性的影响因素，剔除重复影响因素后构建关键控制特征集X＝{x1,x2,
…
,x
m
}；
[0012]S104：设定每个关键控制特征公差上限值的定义区间，公差上限值与下限值互为相反数；利用蒙特卡洛方法在所有关键控制特征公差上限值的定义区间内随机生成k组数据作为样本的输入集X＝{X1,X2,
…
,X
k
}，其中X
i
＝{x
i,1
,x
i,2
,
…
,x
i,m
|i＝1,2,
…
,k}，x
i,m
表示第i个样本中第m个关键控制特征的公差范围是[
‑
x
i,m
,x
i,m
]，x
i,m
是公差上限值；利用步骤S102中3DCS软件建立的三维尺寸偏差传递模型对k组样本的输入集进行仿真分析，获得对应的k组样本输出集Y＝{Y1,Y2,
…
,Y
k
}，其中Y
i
＝{y
i,1
,y
i,2
,
…
,y
i,n
|i＝1,2,
…
,k},y
i,n
表示第i个样本中第n个关键产品特征的超差率为y
i,n
∈[0,1]；最终获得完整的样本数据集D＝{D1,D2,
…
,D
k
}，其中，D
i
＝(X
i,1
,X
i,2
,...,X
i,m
|Y
i,1
,Y
i,2
,...,Y
i,n
)，i＝1,2,
…
,k；
[0013]S105：利用BP神经网络构建关键控制特征与关键产品特征之间的非线性映射模型，所述非线性映射模型的输入是关键控制特征的公差上限值，输出是关键产品特征的尺寸偏差超差率；使用步骤S104中生成的样本数据集D学习非线性映射模型的参数；
[0014]S106：根据步骤S104中关键控制特征的公差上限值和工程经验建立制造成本函数；所述工程经验为根据工程知识确定关键控制特征公差上限值与制造成本之间的比例系数；
[0015]S107：结合步骤S105中输入关键控制特征公差上限值至非线性映射模型获得的关键产品特征尺寸偏差超差率与步骤S106中制造成本函数构建目标函数V：
[0016][0017]其中，λ1和λ2是用于平衡超差率和制造成本量纲的比例系数；α
i
是不同关键产品特征尺寸偏差超差率的比例系数，满足α1+α2+
…
+α
n
＝1；β
j
是不同关键控制特征制造成本的比例系数，满足β1+β2+
…
+β
n
＝1；w
j
是步骤S106中的比例系数；
[0018]S108：针对每个关键控制特征，将步骤S104中公差上限值的定义区间以固定分度进行离散化，对离散化后的公差上限值从小到大排列，并将其位置索引进行二进制编码；将每个关键控制特征的二进制编码进行串联，获得所有关键控制特征公差上限值的二进制编码组合；
[0019]S109：预设遗传算法；步骤S108中所有关键控制特征公差上限值的二进制编码组合作为遗传算法的输入，步骤S107中目标函数作为损失函数，通过遗传算法的迭代优化获得最优的二进制编码组合并转化为关键控制特征的公差上限值；
[0020]S110：利用步骤S102中3DCS软件建立的三维尺寸偏差传递模型对步骤109中获得的关键控制特征公差上限值进行仿真分析；当所有关键产品特征的尺寸偏差超差率小于步骤103中设定的阈值，则将步骤109中获得的关键控制特征公差上限值作为最优工艺方案；否则，返回步骤S103继续进行装配工艺方案的优化。
[0021]特别的，所述整本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于整车装配质量控制的工艺方案优化方法，其特征在于，包括以下步骤：S101：获取工艺方案的基础信息；所述基础信息包括整车三维数模、图纸GD&T、工艺流程图和测点文件；S102：基于步骤S101的基础信息，在3DCS软件中建立整车装配的三维尺寸偏差传递模型，并获得工艺方案初始状态下所有测点尺寸偏差的分布情况；S103：设定测点尺寸偏差超差率的阈值；收集步骤S102中尺寸偏差超差率大于阈值的测点并构建关键产品特征集Y＝{y1,y2,
…
,y
n
}；同时，分别提取每个关键产品特性的影响因素，剔除重复影响因素后构建关键控制特征集X＝{x1,x2,
…
,x
m
}；S104：设定每个关键控制特征公差上限值的定义区间，公差上限值与下限值互为相反数；利用蒙特卡洛方法在所有关键控制特征公差上限值的定义区间内随机生成k组数据作为样本的输入集X＝{X1,X2,
…
,X
k
}，其中X
i
＝{x
i,1
,x
i,2
,
…
,x
i,m
|i＝1,2,
…
,k}，x
i,m
表示第i个样本中第m个关键控制特征的公差范围是[
‑
x
i,m
,x
i,m
]，x
i,m
是公差上限值；利用步骤S102中3DCS软件建立的三维尺寸偏差传递模型对k组样本的输入集进行仿真分析，获得对应的k组样本输出集Y＝{Y1,Y2,
…
,Y
k
}，其中Y
i
＝{y
i,1
,y
i,2
,
…
,y
i,n
|i＝1,2,
…
,k},y
i,n
表示第i个样本中第n个关键产品特征的超差率为y
i,n
∈[0,1]；最终获得完整的样本数据集D＝{D1,D2,
…
,D
k
}，其中，D
i
＝(X
i,1
,X
i,2
,...,X
i,m
|Y
i,1
,Y
i,2
,...,Y
i,n
)，i＝1,2,
…
,k；S105：利用BP神经网络构建关键控制特征与关键产品特征之间的非线性映射模型，所述非线性映射模型的输入是关键控制特征的公差上限值，输出是关键产品特征的尺寸偏差超差率；使用步骤S104中生成的样本数据集D学习非线性映射模型的参数；S106：根据步骤S104中关键控制特征的公差上限值和工程经验建立制造成本函数；所述工程经验为根据工程知识确定关键控制特征公差上限值与制造成本之间的比例系数；S107：结合步骤S105中输入关键控制特征公差上限值至非线性映射模型获得的关键产品特征尺寸偏差超差率与步骤S10...

【专利技术属性】
技术研发人员：张殿平，马春辉，信思勇，高芷芃，张雷雷，郭少磊，贡泽飞，王东杭，
申请(专利权)人：中国重汽集团济南动力有限公司，
类型：发明
国别省市：