基于数字孪生模型的装配装备状态评估与动态调整方法与流程

本发明属于数字化机械领域，特别涉及一种基于数字孪生模型的装配装备状态评估与动态调整方法。

背景技术：

1、飞机部件不仅具有高质量、复杂结构和大量装配零件和连接件，而且各部件之间的协调关系也非常复杂，同时对装配精度要求高，环境条件也十分苛刻。传统的对接装配方式需要大量的专用工装型架、辅助测量仪器和技术工人的经验。这种方式需要多名技术人员协同操作，劳动强度大、效率低、周期长，且对接装配质量的一致性较差。传统的装配工艺装备状态评估方法往往静态且滞后，无法实时反映装备状态，无法准确预测潜在问题，更无法进行实时调整。

2、因此，开发一种基于数字孪生模型的装配装备状态评估与动态调整方法，具有重要的实际应用价值。本方法可实现装配工艺装备状态的实时、精准评估和预测，并通过动态微调整，提高生产效率和产品质量。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于数字孪生模型的装配装备状态评估与动态调整方法，采集装配装备的相关数据、建立装配装备数字孪生模型、根据数字孪生模型进行装备状态评估、根据评估结果调整装备参数。本发明缩短了装配周期，使装备状态评估更加准确可靠，通过评估结果及时对装备进行调整，提高了装配质量和效率。

2、为实现上述目的，本发明公开了如下技术方案：

3、一种基于数字孪生模型的装配装备状态评估与动态调整方法，其包括以下步骤：

4、s1、建立数字孪生模型：通过计算机模拟建立与实际装配装备相对应的数字孪生模型；

5、s2、数据采集：在装配装备上布置传感器，实时采集装备的运行数据；

6、s3、数据处理：对采集的数据进行清洗，消除异常值和噪声数据；

7、s4、飞机舱门及框架装配完成后状态评估；

8、将步骤s3处理后的数据输入到数字孪生模型中，将每一种数据作为一种影响装配质量的因素；采用基于历史数据学习改进的层次分析算法确定不同因素的权重，根据权重对设备的运行状态进行实时评估，具体步骤如下：

9、s41、建立影响装配因素层次结构模型；

10、使用改进的层次分析算法，为此建立弹性网络回归模型，引入两种正则化项，弹性网络回归的优化目标是最小化损失函数和两种正则化项的和；提取数字孪生模型数据库中飞机舱门装配的历史决策信息以及影响装配质量的因素重要性，将影响飞机舱门装配的多种因素分解成若干层次，采用成对比较的数量化标度方法使其方便地确定不同因素相对重要性的权值，采用公式1计算当前某因素权重值：

11、

12、其中，y为当前因素权重，xm为其他因素m＝1，2，3，…，n-1，βm为第xm个因素对当前因素影响的重要性，λ1和λ2分别用于调整两个正则化项中的比例，ò表示弹性网络回归模型预测值与实际值的平方差的均值；

13、s42、自适应调整权重模型；

14、s43、构造对比矩阵；

15、s44、计算权向量并做一致性检验；

16、s45、将根据s43得出的各准则层和子准则层的对比矩阵，在通过一致性检验后，求其最大特征值对应的特征向量，并将其归一化的过程，得到每个因素对应值即为该层因素的权重占比；根据每个因素的权重占比对装配装备状态进行评估；根据因素在权重中的占比选择对装配装备状态采用不同的动态微调方法；

17、s5、当零件状态在权重中占比最大时，执行飞机舱门及框架装配后的动态微调整。

18、优选的，所述s42自适应调整权重模型，具体为：

19、基于模型自适应调整机制算法，对因素权重的自适应调整，以使模型适应当前飞机舱门装配的条件，不同装配条件下因素权重的目标函数公式2为：

20、

21、其中，j(w)表示目标函数，w表示因素的权重向量，n是因素的总数，yi是第i个因素的实际权重值，是模型基于当前权重向量w预测的值,以梯度下降法进行迭代优化权重模型，基于原权重梯度公式引入调整参数更新梯度优化权重模型如公式3所示，其中为损失函数，是用梯度下降法后新的权重值如公式4所示：

22、

23、其中，ai＝α，β，...，γ

24、

25、其中，η为学习效率，wi为第i次迭代时因素的权重向量；ai为第i次迭代时的调整参数，α,...,γ为预先设定的调整参数值。

26、优选的，所述s43构造对比矩阵具体为：

27、根据自适应调整的权重确定因素对飞机场舱门装配质量的重要性，比较第i个因素与第j个因素相对上一层某个因素的重要性时，使用数量化的相对权重aij来描述；假设当前层共有n个因素参与比较，那么对比矩阵可以表示为：

28、a＝(aij)n×n????(23)

29、比较矩阵中aij的取值按下述标度进行赋值，aij在1-9及其倒数中间取值。

30、优选的，所述s44计算权向量并做一致性检验具体为：

31、使用和积法计算矩阵特征值近似值的过程：

32、1)对对比矩阵进行列归一化处理，将每一列的因素按升序排序，并使得每一列的和为1；

33、2)归一化每列后，将每一列的因素按行相加，得到一个新的和向量；

34、3)对这个和向量进行归一化处理，即将其除以向量的因素数量得到权重向量，也即行的总和；

35、4)计算对比矩阵的最大特征根。特征根是矩阵代数方程的解，描述了矩阵的一种特性；最大特征根表示的是所有特征根中最大的那一个，用λmax表示；

36、为了保证每个指标之间的协调性和一致性，进行一致性检验：

37、当完全一致时，存传递关系：

38、aik＝aijaik((i,j,k＝1,2,…n)???(5)

39、其中，n为对比矩阵的阶数；如果式5不成立，就是不一致；

40、一致性指标为：

41、

42、当判断完全一致时，特征根中存在有最大特征根λmax，其余特征根均为零；

43、当不一致时，根据现有平均随机一致性指标cr，只要满足下式，认为所得比较矩阵也满足一致性；

44、

45、式(7)中a值根据需要进行设置，0.05≤a≤0.3。

46、优选的，所述s5当零件状态在权重中占比最大时，执行飞机舱门及框架装配后的动态微调整，具体为：

47、s51、通过图像获取设备得到装配装备的二维信息进行预处理，并对装配装备完成位姿精确定位；

48、对于装配装备的识别，采用二维高斯滤波器对获取的装配装备图像进行平滑处理，具体的公式如下：

49、

50、其中，fσ(i，j)为高斯滤波器输出值，i和j表示滤波器空间坐标，σ表示高斯分布标准差，表示每个像素的权重；

51、通过二维高斯滤波器对获取的装配装备图像进行平滑处理后得到梯度幅值图像；

52、对梯度幅值图像进行非极大值抑制(nms)处理，得到梯度幅值图像中的边缘点；

53、s52、通过最小二乘直线拟合实现装配装备中飞机部件的精确定位；

54、最小二乘直线拟合具体为：基于局部扫描方法得到亚像素边缘点，再将离散的亚像素边缘拟合成为直线，求解拟合直线交点并以交点作为原点建立坐标系xoy，并根据二维检测得到装配零件实际接触点p1；

55、最小二乘直线拟合方法如下：

56、

57、

58、其中，x和y为拟合直线方程中变量，ai为直线斜率，b1和b2分别是两个局部扫描得到的亚像素边缘点的截距，k1和k2分别是这两个局部扫描得到的亚像素边缘点的斜率，b是直线方程中的截距；

59、s53、装配零件定位的步骤包括确定；

60、根据识别出的飞机舱门矩形四个角的点坐标，得到飞机舱门矩形的几何中心p的坐标，矩形的几何中心具体坐标位置为：

61、

62、

63、其中，x0和y0为几何中心p的坐标，xi和yi为飞机舱门矩形四个角的点坐标，i＝1,2,3，4；

64、s54、将几何中心p作为零件装配的理想中心点，在xoy坐标系下，比较实际接触点p1和几何中心p的位置，得到两点之间在x和y轴上的相对位置偏差，基于p为中心的舱门四边点位与实际接触点在x和y轴的理想位置调整舱门位姿，直至实际接触点p1到达理想中心点p。

65、与现有技术相比，本发明具有以下有益效果：

66、1、本发明通过使用数字孪生模型，通过传感器从物理实体收集数据并进行数字化，作为影响装配质量的因素，使用改进的层次分析算法得到不同因素对装配装备状态影响的权重，实现对装配装备状态的准确评估，

67、2、本发明利用历史数据改进现有的层次分析算法，为此建立弹性网络回归模型，引入两种正则化项综合两者的优点，将影响飞机舱门装配的多种因素分解成若干层次，采用成对比较的数量化标度方法使其方便地确定不同因素相对重要性的权值。

68、3、本发明充分利用数字孪生模型，使用采集到的装配图像直接对装配装备进行动态调整，方法简单有效。