列车车体柔性装配精度预测的力学-数据混合建模方法

doi:10.3901/JME.2024.06.177

机械工程学报 ›› 2024, Vol. 60 ›› Issue (6): 177-186.doi: 10.3901/JME.2024.06.177

• 特邀专栏：数据-知识混合驱动的智能制造系统 • 上一篇下一篇

扫码分享

列车车体柔性装配精度预测的力学-数据混合建模方法

王俊玖¹, 刘金玉², 侯秀娟¹, 齐振国¹, 李志敏³, 刘涛³

1. 河北京车轨道交通车辆装备有限公司保定 072150;
2. 上海交通大学机械与动力工程学院上海 200240;
3. 上海交通大学船舶海洋与建筑学院上海 200240

收稿日期:2023-07-13 修回日期:2023-11-10 出版日期:2024-03-20 发布日期:2024-06-07
通讯作者: 刘涛，男，1988年出生，博士，助理研究员。主要研究方向为薄壁结构装配精度分析与控制。E-mail：jaymy@sjtu.edu.cn
作者简介:王俊玖，男，1975年出生，硕士，教授级高级工程师。主要研究方向为铝合金车体焊接及材料工程。E-mail：wangjunjiu@crrc.cn
基金资助:
国家自然科学基金(52005334)和河北京车轨道交通车辆装备有限公司(2020-FW0055-Cg)资助项目。

Hybrid Mechanistic and Data-driven Modeling Method of Compliant Assembly Variation Prediction for Train Body

WANG Junjiu¹, LIU Jinyu², HOU Xiujuan¹, QI Zhenguo¹, LI Zhimin³, LIU Tao³

1. Hebei Beijing Rail Transit Equipment Co., Ltd., Baoding 072150;
2. School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai 200240;
3. School of Naval Architecture, Ocean and Civil Engineering, Shanghai Jiao Tong University, Shanghai 200240

Received:2023-07-13 Revised:2023-11-10 Online:2024-03-20 Published:2024-06-07

摘要/Abstract

摘要： 列车车体作为典型的焊接薄壁装配结构,具有刚度低、易变形、受焊接工艺影响显著等特点，使得车体制造精度控制难度大,影响装配质量与生产节拍。车体焊接装配精度预测需要同时考虑随机几何偏差、零部件整体柔性变形和局部焊接变形的综合影响。结合柔性偏差分析和基于数据的焊接变形预测方法，提出一种力学-数据混合柔性偏差建模方法以实现焊接薄壁结构高效统计偏差仿真分析。提取各零件刚度矩阵，采用子结构方法缩减得到结构变形的力学模型；利用有限元获取焊接接头在不同匹配间隙下的局部收缩和角变形数据，构建几何误差与局部变形的BP神经网络(Back propagation neutral network)数据模型；最后，考虑重力、间隙与焊接变形作用，结合上述力学与数据模型建立焊接结构的柔性装配偏差分析模型。基于提出的偏差建模方法开展车体侧墙高度与轮廓度分析，对比实测数据验证方法的有效性。仿真结果表明，力学-数据混合建模方法避免了随机输入偏差下的焊接仿真过程，结合子结构方法能够极大提高统计偏差仿真的计算效率。

关键词: 列车车体, 柔性装配偏差分析, 子结构方法, BP神经网络, 力学-数据混合模型

Abstract: As a typical welded thin-wall assembly structure, the train body has characteristics of low stiffness, easy deformation, and significant influence by welding process, which makes it difficult to control manufacturing accuracy, and affects the assembly quality and takt time. Assembly variation prediction for train body requires a comprehensive consideration of random geometric deviation, component’s global deformation and local welding deformation. Combined with compliant variation analysis theory and data - based welding deformation prediction method, a physical-data hybrid modeling method is proposed to predict the welding assembly dimensions of train body. First, the stiffness matrixes of components are extracted and reduced by using substructure method to construct the physical relation between loads and deformation. Then, a dataset of local welding shrinkage and angular distortion is obtained for typical welding form by using finite element analysis, which is used to construct the mapping relation between match gaps and local deformations with a data model by using BP neural network. Finally, a physical-data hybrid compliant variation analysis model is established for the welding structures with consideration of the effects of global gravity, local gap and welding distortion. The proposed method is validated by comparing predicted the height and profile variation with the actual measurement data. Simulation results show that the physical-data hybrid modeling method avoids the welding simulation process with random input deviations, and can greatly improve the computational efficiency of statistical deviation simulation by combining substructure method.

Key words: train body, assembly variation prediction, substructure method, BP neural network, physical-data hybrid model

中图分类号:

TH161

王俊玖, 刘金玉, 侯秀娟, 齐振国, 李志敏, 刘涛. 列车车体柔性装配精度预测的力学-数据混合建模方法[J]. 机械工程学报, 2024, 60(6): 177-186.

WANG Junjiu, LIU Jinyu, HOU Xiujuan, QI Zhenguo, LI Zhimin, LIU Tao. Hybrid Mechanistic and Data-driven Modeling Method of Compliant Assembly Variation Prediction for Train Body[J]. Journal of Mechanical Engineering, 2024, 60(6): 177-186.

参考文献

[1] LIU S C，HU S J. Variation simulation for deformable sheet metal assemblies using finite element methods[J]. Journal of Manufacturing Science and Engineering，1997，119(3)：368-374.
[2] CAMELIO J A，HU S J，CEGLAREK D. Impact of fixture design on sheet metal assembly variation[J]. Journal of Manufacturing Systems，2004，23(3)：182-193.
[3] LIN Jia，JIN Sun，ZHENG Cheng，et al. Compliant assembly variation analysis of aeronautical panels using unified substructures with consideration of identical parts[J]. Computer-Aided Design，2014，57：29-40.
[4] 王健. 高速列车侧墙装配偏差建模及夹具稳健设计方法研究[D]. 上海：上海交通大学，2012. WANG Jian. The research on modeling and robust fixture design of high-speed train sidewall [D]. Shanghai：Shanghai Jiao Tong University，2012.
[5] CAI Na，QIAO Lihong. Rigid-compliant hybrid variation modeling of sheet metal assembly with 3D generic free surface[J]. Journal of Manufacturing Systems，2016，41：45-64.
[6] 梁伟，郑颖，邓德安. 外拘束对铝合金薄板结构焊接变形的影响[J]. 机械工程学报，2021，57(6)：70-77. LIANG Wei，ZHENG Ying，DENG Dean. Influence of external restraint on welding distortion of aluminum alloy thin-plate structures[J]. Journal of Mechanical Engineering，2021，57(6)：70-77.
[7] 吴桃生，李志敏，王华，等. 基于工装预变形的高速列车侧墙尺寸偏差控制方法[J]. 铁道机车车辆，2012，32(1)：1-5. WU Taosheng，LI Zhimin，WANG Hua，et al. Variation control method for the sidewall of high-speed train based on fixture’s pre-variation[J]. Railway Locomotive & Car，2012，32(1)：1-5.
[8] 张风东，刘胜龙. 高速动车组铝合金车体底架焊接变形控制[J]. 机车车辆工艺，2012(6)：22-23. ZHANG Fengdong，LIU Shenglong. Welding deformation control of aluminum alloy underframe of high-speed EMU[J]. Locomotive & Rolling Stock Technology，2012(6)：22-23.
[9] LI Zhimin，YAO Limin，LI Baowang. Variation simulation considering welding distortion applied in high-speed trains [C]// American Society of Mechanical Engineers International Mechanical Engineering Congress and Exposition，November 3-9，2017，Tampa，Florida，USA. New York：ASME，2017：1-7.
[10] PAHKAMAA A，WÄRMEFJORD K，KARLSSON L，et al. Combining variation simulation with welding simulation for prediction of deformation and variation of a final assembly[J]. Journal of Computing & Information Science in Engineering，2016，12(12)：021002-021007.
[11] 姚利民，张道刘，侯秀娟，等. 考虑焊接变形的装配偏差分析在动力集中型动车组中的应用[J]. 上海交通大学学报，2019，53(3)：260-268. YAO Limin，ZHANG Daoliu，HOU Xiujuan，et al. Assembly deviation simulation considering welding deformation applied on electric multiple unit[J]. Journal of Shanghai Jiaotong University，2019，53(3)：260-268.
[12] 刘阳，姜斌，王卉子，等. 焊接顺序对横向止挡焊接残余应力及变形的影响[J]. 机械工程学报，2019，55(24)：57-65. LIU Yang，JIANG Bin，WANG Huizi，et al. Influence of welding sequence on welding residual stress and deformation of lateral stop[J]. Journal of Mechanical Engineering，2019，55(24)：57-65.
[13] LIU Tao，LI Yongjun，LI Baowang，et al. Compliant variation analysis for high-speed train with consideration of welding distortion [C]// American Society of Mechanical Engineers International Mechanical Engineering Congress and Exposition，November 9-15，2018，Pittsburgh，Pennsylvania，USA. New York：ASME，2018：1-8.
[14] LEE D，KWON K E，LEE J，et al. Tolerance analysis considering weld distortion by use of pregenerated database[J]. Journal of Manufacturing Science & Engineering，2009，131(4)：583-590.
[15] LIU Jinyu，LI Zhimin，LIU Tao，et al. A novel compliant assembly variation analysis with consideration of initial deviation and welding shrinkage[J]. Ocean Engineering，2021，237：109636.
[16] 王建勋，初冠南，于昌利，等. 船舶与海洋工程中的焊接变形预测方法研究[J]. 船舶工程，2011，33(S2)：1-5. WANG Jianxun，CHU Guannan，YU Changli. General study on prediction of welding distortion of construction in naval architecture[J]. Ship Engineering，2011，33(S2)：1-5.
[17] TIAN Liang，LUO Yu，WANG Yang，et al. Prediction of transverse and angular distortions of gas tungsten arc bead-on-plate welding using artificial neural network[J]. Materials and Design，2014，54：458-472.
[18] 罗留祥，邢彦锋. 基于BP神经网络遗传算法的薄板CMT点焊变形[J]. 焊接学报，2019，40(4)：79-83，164. LUO Liuxiang，XING Yanfeng. Deformation of CMT spot welding of thin plate based on BP neural network genetic algorithm[J]. Transactions of the China Welding Institution，2019，40(4)：79-83，164.
[19] 马思群，刘选，金辉，等. BP及RBF神经网络铝合金车体焊接残余应力预测[J]. 大连交通大学学报，2018，39(6)：30-34. MA Siqun，LIU Xuan，JIN Hui，et al. BP and RBF neural network welding residual stress prediction of aluminum alloy train body[J]. Journal of Dalian Jiaotong University，2018，39(6)：30-34.
[20] WU Chunbiao，WANG Chao，KIM J W. Bending deformation prediction in a welded square thin-walled aluminum alloy tube structure using an artificial neural network[J]. The International Journal of Advanced Manufacturing Technology，2021，117：2791-2805.
[21] WÄRMEFJORD K，SÖDERBERG R，ERICSSON M，et al. Welding of non-nominal geometries-physical tests[J]. Procedia CIRP，2016，43：136-141.
[22] DENG Dean，MURAKAWA H，LIANG Wei. Numerical simulation of welding distortion in large structures[J]. Computer Methods in Applied Mechanics & Engineering，2007，196(45-48)：4613-4627.
[23] DENG Dean，MURAKAWA H. Numerical simulation of temperature field and residual stress in multi-pass welds in stainless steel pipe and comparison with experimental measurements[J]. Computational Materials Science，2006，37(3)：269-277.
[24] PERIĆ M，TONKOVIĆ Z，RODIĆ A，et al. Numerical analysis and experimental investigation of welding residual stresses and distortions in a T-joint fillet weld[J]. Materials & Design，2014，53(1)：1052-1063.
[25] 王元良，陈辉. 高速列车铝合金车体的焊接技术[M]. 成都：西南交通大学出版社，2012. WANG Yuanliang，CHEN Hui. Welding technology of aluminum alloy body of high-speed train [M]. Chengdu：Southwest Jiaotong Univerisity Press，2012.

列车车体柔性装配精度预测的力学-数据混合建模方法

Hybrid Mechanistic and Data-driven Modeling Method of Compliant Assembly Variation Prediction for Train Body

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	柴依扬, 张乐乐, 窦伟元, 张海峰. 基于并行NSGA-III算法的高速列车车体侧墙结构高维多目标优化[J]. 机械工程学报, 2024, 60(6): 321-333.
[2]	卢琪, 苏凯新, 张继旺, 闫涛, 杨冰, 张浩楠. 基于BP神经网络和遗传算法的简单链型悬挂接触网结构优化[J]. 机械工程学报, 2024, 60(12): 313-320.
[3]	董海江, 郑婷婷, 于进涛, 付正家, 刘秀成, 邢智翔, 闫正祥, 何存富. 汽车B柱加强板软硬部过渡特性的磁巴克豪森噪声检测方法[J]. 机械工程学报, 2023, 59(4): 10-17.
[4]	张磊, 许帅康, 陈洁, 李鹏飞, 于世杰, 王超. 列车车体轻量化设计研究进展[J]. 机械工程学报, 2023, 59(24): 177-196.
[5]	张金娈, 邓祖强, 张鑫, 王亮. 基于深度学习SDAE-BP的暂降类型识别方法^*[J]. 电气工程学报, 2022, 17(3): 184-193.
[6]	杨勇明, 汪中厚, 刘雷, 石照耀, 久保爱三. 磨齿机在机检测系统的测头综合预行程误差建模[J]. 机械工程学报, 2022, 58(21): 250-265.
[7]	邸红采, 彭芳瑜, 唐小卫, 闫蓉. 机器人铣削加工误差视觉跟踪测量与补偿研究[J]. 机械工程学报, 2022, 58(14): 35-43.
[8]	杨易, 高骏, 谷正气, 刘壮志, 郑乐典. 基于GA-BP的汽车风振噪声声品质预测模型[J]. 机械工程学报, 2021, 57(24): 241-249.
[9]	周澄, 邓菲, 刘尧, 刘秀成, 陈洪磊, 刘增华. 基于神经网络和支持向量机的导波弯管腐蚀损伤程度辨识研究[J]. 机械工程学报, 2021, 57(12): 136-144.
[10]	王林泽, 高德东, 白辉全, 赵岩, 崔加利, 李沐蓉, 雷勇. 基于力视感知的斜尖柔性针轨迹预测[J]. 机械工程学报, 2021, 57(11): 52-60.
[11]	江志农, 周超, 张进杰, 刘雯华, 王瑶, 孙旭. 往复压缩机气量调节控制失稳自愈调控方法研究[J]. 机械工程学报, 2020, 56(22): 131-141.
[12]	张禹, 李东升, 董小野, 王志伟, 杨树华, 巩亚东. 基于改进BP神经网络面向STEP-NC 2.5D制造特征的智能宏观工艺规划[J]. 机械工程学报, 2020, 56(1): 148-156.
[13]	谢延敏, 张飞, 王子豪, 黄仁勇, 杨俊峰, 胡云川. 基于渐变凹模圆角半径的高强钢扭曲回弹补偿[J]. 机械工程学报, 2019, 55(2): 91-97.
[14]	何存富, 蔡燕超, 刘秀成, 吴斌. 基于磁巴克豪森噪声的S136钢表面硬度定量预测模型对比[J]. 机械工程学报, 2019, 55(18): 15-21.
[15]	牛江川, 韩利涛, 李素娟, 郭京波, 刘进志. 基于PSO-BP神经网络的盾构刀具配置研究[J]. 机械工程学报, 2018, 54(10): 167-172.