犁刀变速齿轮箱体工艺规程及夹具设计（钻孔+铣面）

喜欢就充值下载吧。。资源目录里展示的文件全都有，，请放心下载，，有疑问咨询QQ:1064457796或者1304139763 ==================== 喜欢就充值下载吧。。资源目录里展示的文件全都有，，请放心下载，，有疑问咨询QQ:1064457796或者1304139763 ==================== 附录二 中文翻译 考虑柔性非理想钣金件生产批量的夹具设计优化 Abhishek Das, Pasquale Franciosa and Darek Ceglarek 摘要 夹具控制零件在装配过程中的位置和方向，从而显著提高工艺能力，以此决定生产产量和产品质量。因此，人们开发了许多方法来优化从刚性（3-2-1夹具布局）到可变形零件（N-2-1夹具布局）的单夹具和多夹具装配系统。这些方法旨在优化单个理想零件的夹具布局（由CAD模型定义）。然而，由于产量和产品质量是根据实际（非理想）零件的生产量确定的。因此，涉及钣金零件装配夹具布局设计的主要挑战可分为三类：（1）模拟真实零件的非理想部分考虑因素；（2）基于钣金零件柔性的“n-2-1”定位方案；以及（3）考虑批量的非理想零件在设计阶段的生产工艺误差。 本文提出了一种新方法，通过确定针对生产批次的非理想钣金零件优化的N-2-1夹具布局来提高连接可行性指数的可能性。建议的方法是基于：（i）在给定生产批次内生成复合部件以模拟形状变化；（ii）选择代表生产批次的复合材料组件；（iii）夹具定位器参数化；（iv）计算将复合装配模型和夹具定位器连接到连接可行性指数概率的分析替代模型。然后，利用分析替代模型，从初始夹具定位器布局开始，将加入可行性指数的可能性最大化。一个涉及远程激光焊接门组件组装过程的工业案例研究说明并验证了所提出的方法。 关键词：形状误差建模，钣金零件批次，N-2-1夹具设计优化，代理模型 1 介绍 在夹具设计参数作为关键控制特性（KCC）的情况下，装配夹具对实现装配产品所需的尺寸和连接质量（关键产品特性-KPC）具有重要作用。夹具被用来为正在装配的零件或组件提供精确的定位方案，并避免装配过程中出现形状变化。已经证明，夹具对产品尺寸和几何/形状变化有很大影响，对产品产量也有很大影响（Phoomboplab和Ceglarek，2008年；Das等人，2014年）。这一点尤其适用于由塑性变形工艺生产的钣金零件的装配工艺，这会造成由于回弹、成形工艺参数变化、工装误差而导致的显著的形状变化（也称为非理想零件）。此外，由于钣金的柔性，零件可能会变形并导致装配过程发生变化（Li等人，2001）。例如，汽车外壳面板的过度变化可能导致根本性问题，例如不必要的关闭力、不适当的配合导致振动和噪音、空气泄漏以及由于错位而导致的外观不佳（Cegaraek等人，2004；Cameloio等人，2004a；Huang等人，2014）。因此，形状变化管理是当前工业制造和装配过程中的一个关键问题，它直接影响产品质量、成本和上市时间。为了在市场上具有竞争力，可以通过鲁棒性的夹具设计进行适当的形状和零件管理，这是最大限度地减少制造和产品使用过程中的变化引起的缺陷的必然前提。 定位原理‘3-2-1’广泛应用于工业领域，非常独特地定位刚体部件，而不产生定位干涉（Lowell，1982；Shirinzadeh，2002）。考虑到“3-2-1”零件定位方案，夹具设计领域存在多种研究文献，该方案主要集中于设计和优化用于加工操作的夹具（Youcef Toumi等人，1988；Menassa和Devries，1991）。此外，Rerick等人（1993）介绍了可变形钣金零件，他们提出了一种结合非线性规划和有限元法确定最佳夹具位置的技术。除了零件放置和限制刚体运动的第一个要求外，夹具还应能够限制任何零件变形。不幸的是，合格的钣金零件不能通过“3-2-1”方案进行控制，该方案要求将定位器数量增加到“N-2-1”以使几何偏差最小化（N>3）。对于柔性零件固定，Cai等人（1996）提出了“N-2-1”定位原理，该原理允许通过在原始基准面上定义N个定位器来防止钣金零件过度变形。CAMELIO等人（2004a）通过考虑零件变化、工装变化和装配回弹的影响，提出了一种新的钣金装配工艺夹具设计方法，重点研究了夹具位置对装配后钣金零件尺寸质量的影响。许多研究集中在考虑电阻点焊和单个零件误差的连接过程上（Cai，2008；Li等人，2008a；Li等人，2010；Liu和Hu，1997）。在激光焊接的情况下，夹具起着至关重要的作用，它提供了将配合零件连接在一起所需的金属配合度。Li等人(2001)提出了一种将有限元法与预测修正法相结合的激光焊接夹具设计方法，,其目标函数是将金属配合度（DMF）即焊接接头中匹配节点之间的最大距离降到最小。 多年来，考虑到柔性钣金组装和零件形状变化的金属装配问题，很少有人尝试优化夹具设计（Li等人，2001年）。毫无疑问，通过金属成形工艺生产的一批钣金零件可能会受到批量内或批量间变化的影响，从而导致最终装配的质量损失。例如，一些装配连接工艺，如远程激光焊接（RLW），零件变化强烈，影响最终产品性能，这归因于零件间间隙（Ceglarek，2011）。因此，需要一种系统的夹具设计方法来减少实际制造过程中零件间的差异。夹具设计优化的现有方法（Li等人，2007年；Li等人，2003年；Cai，2006年；Cai等人，2005年）基于单一的理想/非理想兼容装配模型，这些模型不足以减少与批量装配相关的错误组件。 鲁棒性的夹具设计是为了使输出结果对形状变化不敏感，同时考虑到零件的批量，以提高产品和工艺性能。本文的目标是通过处理一批非理想的柔性组件，开发一种新的、鲁棒性的夹具设计优化方法。提出的方法基于复合部件的概念（Das等人，2015年），主要将主要形状误差模式/模式量化为从零件堆叠而来的复合部件。复合零件可以定义为由总体中存在的所有主要显著形状误差分量组成的零件。实际上，复合零件可能不存在，但由于它由所有主要形状误差组件组成，因此减少了装配过程模拟所需的工作量。将组合件和初始夹具定位策略作为夹具建模的输入。该方法包括选择复合组件和优化，以获得固定元件的坚固布局（即夹具的位置）。因此，它不仅可以优化单个组件，还可以优化一批组件，这些组件可能代表生产总体，并通过优化确定可靠的夹具设计参数，以最大化加入可行性指数的概率。文献中发现了一个显著的差距，以优化非理想柔性零件的夹具设计。表1回顾了现有夹具设计优化方法的最新进展。 本文分为以下几节：第3节介绍了该方法，包括批量零件形状误差量化概述、复合材料装配选择策略和优化公式。第4节通过工业案例演示了远程激光焊接的适用性。此外，第5节总结了结论。 表1:当前研究差距的夹具设计方法综述 固定方案 ‘3-2-1’ 夹具 ‘N-2-1’ 夹具 基于单件误差的装配 Rearick 等人. (1993); Ceglarek (1998); Li等人. (2008b) Cai等人(1996年)；Cai(2008年)；Camelio等人 (2004 A)；Li等人(2001年)；Li等人(2008年a)；Li等人(2010年)；Yu等人(2008年)；Franciosa等人(2011年) 基于零件误差的批量装配 文中提出 2 夹具优化方法概述 建议的方法由三个阶段组成。首先，利用批量零件的零件测量数据，通过将形状误差量化为较少的积件，确定零件形状的变化；初始工艺配置，即接头位置、初始夹具位置（夹具、支撑块、定位器等）作为初始工艺输入。此后，利用基于Matlab™的有限元建模软件包variation response method（VRM）软件（具有装配过程所需的快速建模特定特征）对组合零件、夹具元件和接触副进行夹具仿真的有限元建模。（Franciosa等人，2015年）。 VRM是一种新的面向柔性非理想零件装配过程尺寸管理的方法，它允许对产品与过程之间的交互进行解析建模。在这里，选择的复合组件较少，量化了批次错误。最后，在定义的kpc上进行了非线性优化，得到了最优解。 通过改变KCC(夹紧位置)来布置夹具。优化更新过程中的KCC变量，以最大限度地提高加入可行性指数。图1说明了夹具设计优化方法，其中考虑了VRM建模环境下的零件批次和初始工艺信息。 VRM建模环境 最佳布局 2.3优化策略制定 • 分析代理模型开发 • 最大化加入可行性指数→Eq。（10） 2.2 复合装配选择 • 具有地图索引（MI）→Eq。的复合装配体。（3） • 基于相关标准的聚类→Eq。（5） • 基于熵的装配选择→Eq。（8） 2.1 零件建模批次 • 统计几何模态分析（SGMA） • 复合材料零件 图1：夹具设计优化方法概述 零件测量 （零件批次） 初始流程信息 （CAD规范，定位策略） 2.1 批量零件建模概述 为了描述和量化与一批零件相关的零件形状变化，Das等人（2015年）开发了统计几何模态分析（SGMA）方法，该方法识别单个零件中存在的主要形状误差模式，并使用不同的标准将其合并在一起，以创建复合零件。SGMA方法的主要目标是对代表生产群体的一批零件进行统计表征。单个零件误差模式通过其振幅进行参数化。使用非参数核密度估计（kde）对形状误差模式进行统计表征，该估计可更准确地描述形状变化。数据尺寸缩减方法，例如主成分分析（PCA）已用于从生产数据中提取变形模式（Camelo等人，2004b）。然而，基于PCA的分解不适用于形状误差特征化，因为它不能检测主要数据集中的过程转移或数据中存在不同形状误差（Matuszyk等人，2010）。不幸的是，零件冲压的真实过程清楚地表明在批量生产中的内部生产和工艺转换中的形状误差的不同分组。因此，需要单独分解测量的零件误差，以便对潜在形状误差提供更准确的估计。SGMA方法可以更准确地消除零件误差的挑战和模型批量。 所提出的SGMA方法涉及从一批零件中识别重要的模态，提取模态特征的统计特征。通过合成由批次中主要误差部件组成的复合材料零件，实现了一批零件雕刻后形状变化的量化。根据能量压缩标准，可以在包含批次零件中存在的主要形状误差的地方创建数量的复合材料零件。合成零件创建的SGMA方法概述如图2所示。此外，根据一批零件中存在的形状误差模式的类型，使用k-均值聚类过程，将零件分组到几个具有相似类型错误的簇中。此后，应用能量压实标准获得每个集群的复合材料部件。因此，使用最大、最小和平均能量压缩标准，为每个集群创建三个复合部分。由于零件间的相互作用，这些复合零件在装配系统中的行为有所不同。提出的SGMA方法已应用于冲压工艺生产的钣金的模型和量化零件形状变化，这些复合零件用于夹具设计优化。 2.2 组合装配选择 依靠在装配中存在的复合部件和部件的数量,可以通过考虑所有复合材料的详尽组合来创建几个不同的复合组件, 零件。例如，在装配操作M个部件中(，＝1，2，...M)由的数(，6i=1，2，…)组成的连接NCT，其中N表示件ID，I代表装配中的第i个KPC。该组件由L数量的KCCS组成。因此，根据批次中 原始偏差 （零件批次） SGMA方法和统计特征 复合零件 偏差 (mm) 4 2 偏差 (mm) 4 2 0 偏差（mm） -2-4 4 2 0 -2 -4 1.2×10﹣³ 0.8 0.4 0 1000 2000 3000 1.0×10﹣³ 0.8 0.6 0.4 0.2 -2000 -1000 0 500 -100 -50 0 50 100 150 1.4×10﹣³ 1.0 0.6 0.2 偏差 （mm） 3 2 1 0 -1 --2 -3 图2：SGMA方法概述（i）批次部件测量，（ii）SGMA方法和统计表征，以及（iii）使用SGMA合成复合材料部件 存在的形状误差的类型，可以将零件分组为NNNU 群集的MBER。对于每个集群，可以根据最大、最小和平均能量压缩标准，即CPTN、NAS、CPTN、NIN、CPTN、AVG来创建总的三个复合部件。因此，TH e装配系统可以编写为 （1） 因此，根据为组件中的所有零件建模的集群数量，复合组件的组合也会增加。获得的复合材料组件的数量可以表示为 （2） 由于每个夹具模拟的时间昂贵，因此基于所有组合装配的优化变得计算效率低下。因此，它强调选择少数代表所有其他组件的复合组件。为了减少优化的装配数量，提出了两个不同的标准：（i）基于相关标准的聚类和（i i）基于熵的装配选择。 2.2.1 基于相关准则的聚类 根据方程式（2）确定复合零件的所有组合，以形成完整的复合组件。为了减少用于优化的复合组件的数量，引入了基于相关性阈值的聚类标准。它涉及基于相似的KPC映射索引（MI）对复合组件进行聚类。MI取决于选择的KPC类型，如点偏差、零件间间隙分布、表面积变形等。考虑到初始定位策略（），如给定的夹具布局和NC块，初始夹具模拟为所有复合组件提供零件到零件的KPC图索引。第j个复合组件的给定的映射索引可以定义为函数。 （3） 其中，函数“f”表示夹具仿真过程，该过程由零件到零件的交互、边界约束、接触副检测和零件/装配灵活性组成。方程式（3）表示以MAP指数为结果的夹具模拟过程。 随后，考虑到组件中定义的所有，可以将第j个组件的总MI可评估为： （4） 由于所有其他参数保持不变，预计包含类似误差的组件将显示类似的mi。两个组件（j和k）之间的相关系数（）可估算为 （5） 其中，jGk和分别代表第j个和第k个汇编的总映射索引的标准偏差。 因此，已经确定了所有复合程序集的相关矩阵，并应用用户定义的相关阈值对具有类似KPC映射索引的程序集进行分组。可以将复合程序集聚集到由类似类型的映射索引分布组成的较少组中。这意味着可以选择特定集群中的一个组件进行优化，并且所获得的结果对于属于该集群的所有组件都是最佳的。 2.2.2 基于熵的装配选择 为了从每个集群中选择一个具有代表性的组件进行优化，引入了基于熵的选择标准。通过借用信息理论领域开发的工具，可以对MI的内容进行分析。特别是，建议MI中包含的信息（I）确定为第j次装配（）计算为(，2005)。 （6） 其中表示满足的连接要求的概率。这可以估计为MI中满足连接要求的点数之比。 呃MI的总点数。我越接近于零，零件就越有可能连接到那个特定的表面上。具有NCT数的完整程序集的熵(H) 可根据香农的定义，通过测量信息管理系统中的不确定度，对信息进行量化，从而计算金伯利进程(Cover和Thomas，2006年)， （7） 组件的熵反映了满足KPC标准的概率水平。另一方面，熵值越高意味着满足KPC的难度越大。因此，为了从每个集群中选择具有代表性的组件，选择了熵值最高的组件进行优化。所选组合件（SCA）用于优化群集可写为，其中表示该组合件中的组合件，因此，用于优化的所选组合件总数可估算为 （8） 其中，NCS表示基于相关性的聚类过程之后的聚类数。 2.3 优化策略的制定 优化战略是根据KPC MI满意的标准制定的。为了达到高质量的装配，所有的都是满足的，也就是说应该满足规格要求。 由流程定义的限制。已制定了优化策略，改变的位置，以获得令人满意的MI准则()，以最大限度地提高联合的可能性。 NG可行性指数（P）。满足KPC要求的概率定义为 (9) 优化可表述为加入可行性指数概率的最大化，如 最大化 分到，当时 （10） 其中KCC控制在设计空间内(=起始夹紧位置[‘0’(编码值)]和=末端夹紧位置[‘1’(编码值)])，根据产品设计指南和制约因素。优化分为两个步骤：(i)建立了一个表示加入可行性指标的概率的解析代理模型；(ii)然后建立了代理模型。 ，最大限度地利用加入可行性指数的可能性。 3 工业案例研究与结果 开发的复合装配方法已通过工业案例研究进行了验证。与主车门内框组装的铰链加强件，提供足够的强度，以将车门与主车身框架固定在一起，并避免打开/关闭车门时车门内板变形。铰链加强件和车门内板的装配配置如图3所示。为了实现远程激光焊接（RLW）接合过程，要求 两个部件之间的间隙或间隙为0.35 mm，即铰链 图3：门内面板和铰链钢筋组件配置 加强件与车门内板之间的间隙应在0.35 mm以内， 以确保接合质量标准。根据产品设计规范，装配由13个RLW缝线组成， 初始夹具布局为16个夹具和14 NC块，以支持装配连接过程。沿缝合长度的部分到部分间隙图（GM）已被用作地图索引（MI）。 3.1 铰链加固与内板复合件 利用SGMA技术对铰链、钢筋和门内板零件进行了复合材料设计。根据MEA中包含的形状误差将铰链部件分为两组。 如图4所示，使用最大、最小和平均能量压缩标准为这两个集群创建了SUSIC部件和组合部件。因此，本文提出了铰链零件的测量方法。 完全有两组形状误差，这些组的复合零件可以代替单个零件使用。考虑HING的13条RLW缝针的MAP指数(MI)或间隙图(GM) 图5(A)绘制了第2组的复合部件和属于第2组的单独铰链部件，它们由标称的内嵌板组装而成。上界极限表明，每个间隙映射都是分布的。 离子应在0.35mm以下，以确保良好的连接质量，或最大限度地提高加入可行性指标的可能性。 从图5的间隙图中可以看出，最大和最小能量压缩复合部件为单个铰链部件创建了边界，其中平均能量压缩复合部件表现出更可能的平均间隙分布。因此，基于复合部件的优化将足以优化属于集群的所有单个部件。此外，只能选择最大和最小能量压实复合部件进行优化，这实际上有助于满足边界间隙地图分布。同样地，车门内板展示了三个集群，每个集群由最大、最小和平均能量压缩复合部件组成。 考虑变分铰链属于簇2，变分内部属于簇1，生成了一个间隙映射。总共有30个程序集是通过随机选择创建的。 图5(B)用复合部件从各自的簇和间隙图中设置变分铰链和门内面板。已通过组合compo创建复合程序集。 铰链和门的现场部件分别位于内部。结果表明，只有组合件才能进行装配夹具的优化。 铰链加固构件 最大压缩能量部分 最小能量压缩部分 平均能量压缩部分 组1 1.6 1.2 0.8 0.4 0 -0.4 1.0 0.5 0 -0.5 -1.0 0.6 0.4 0.2 0 -0.2 -0.4 组2 0.8 0.4 0 -0.4 -0.8 0.6 0.4 0.2 0 -0.2 0.6 0.4 0.2 0 -0.2 -0.4 图4：铰链部件的复合部件合成 1 2 3 4 5 6 7 8 9 10 11 12 13 0.6 0.5 0.4 0.3 0.2 0.1 0 (b) 下边界 •复合零件最大值 •复合部件最小值 ─ •复合部件平均 •复合零件最大值 •复合部件最小值 •复合部件平均值 (a) 上边界 间隙[毫米] 0.6 0.5 0.4 0.3 0.2 0.1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 图5：(a)铰链组2的复合部件和单个铰链部件的间隙图(GM)属于用标称门内(b)内机群1和hi的复合组件组装的机群。 铰链簇有30个随机产生的变异铰链-内部组件。 3.2 组合装配选择 根据属于一个组件的组件数量以及每个组件中存在的集群数量，用于优化的复合组件数量也会增加，这不再是计算效率。为了克服这一挑战，采用了基于相关准则的复合装配分组技术，并引入基于装配熵的选择准则，从每个装配集群中选择具有代表性的装配。 对于铰链加强件和车门内板总成优化，考虑到最大和最小能量压实标准，总共创建了24个总成。应用初始夹具配置，已确定所有24个组件的间隙图。随后，开发了基于Gap映射的相关矩阵，以识别组件之间的相似性，并根据基于相关系数的阈值（a）对它们进行聚类。在本案例研究中，应用相关阈值来识别类似的基于间隙图的组件，并将它们分组为集群。较高的相关阈值将增加选定的复合组件的数量，以进行优化，这可能是不必要的，因为将包括类似类型的多个复合组件，从而导致更高的计算时间。另一方面，较低的阈值将从优化过程中消除少数组件，从而导致多个复合组件集群集中存在单个组件。因此，相关阈值的选择使得复合程序集对每个集群都是互斥的。 在相关截止的基础上，共得到7个聚类，并对聚类中每个集合的熵进行了评价。因此，在本案例研究中，基于优化的最高熵值，总共选择了7个复合组件（每个集群一个）。 3.3 复合材料组件的优化设置 本案例研究的优化策略分两个阶段进行说明：第一阶段，选择超出上限规格限制的缝线。从最初的钳位模拟来看，13针中有6针违反了规格上限。因此，这6针，被选择优化，因为其他针已经满足连接可行性指标。 初步的夹紧灵敏度分析，以确定夹紧运动(运动)对缝纫()的影响。其后，夹紧器()与不受限制的夹紧装置有关。 已确定缝纫和他们是作为可移动的夹子和其余的夹子保持在他们原来的位置作为固定的夹子。在这个案例研究中，有5个可移动的夹子和11个固定装置。 ED夹具，总计16个夹具()，以确保差距地图标准。可移动的夹子有责任减少与断缝有关的风险.其他夹子保持固定姿势。 因为它已经满足了装配的间隙要求标准。因此，通过获得KCC的最佳位置将满足全球加入可行性指标。 图7（a）中描绘了针脚的图示以及初始夹具位置。夹具沿法兰侧移动，并在起始位置‘0’和端部位置‘1’之间进行参数设置()。 已根据方程式（10）中定义的加入可行性指数的概率最大化进行了优化。基于分析功能的替代模型如图6所示，其响应在本质上相当复杂。它描述了夹具与连接可行性指数概率的关系。遗传算法被选为优化者，以最大化所有选定组合件 的每一次RLW缝合概率。 (a) (b) 0.91 0.9 0.90 0.88 0.86 0.89 0.84 0.88 1.0 1.0 0.8 0.8 1.0 0.8 1.0 0.8 0.6 0.6 0.6 0.6 0.4 0.4 0.4 0.4 0.2 0.2 0.2 0.2 0 0 图6：所选复合材料组件（a）相对于KCC1和KCC2以及（b）KCC4 and KCC5.的加入可行性指数图（替代模型）的可能性 加入可行性 加入可行性 考虑到所有选定的复合组件(SCA)，钳位置已被优化以最大限度地提高总连接概率。图7(B)显示了优化后的夹具布局。 夹钳的位置与选定的复合材料装配1(SCA 1)的间隙彩色地图。图7(C)描述了图示夹具的运动，图7(D)报告了优化后的可移动夹具的位置。已应用于所有选定的复合组件和间隙分布的临界缝合的最佳夹具布局已绘制在图8(A)。夹具布局导致所有缝针加入可行性指数的概率为0.949。 最先进的批量零件优化建模方法，如基于蒙特卡罗的优化，需要数千个不同的装配实例。大量的程序集意味着 仿真过程耗时较长。为了将蒙特卡罗模拟和基于方法的仿真进行比较，将最优夹紧位置与所有其他完全相同的参数进行了比较,已获得间隙图。 优化夹具布局 (b) 初始夹紧拉床 (a) (c) 端夹位置 (编码值=1) 最佳钳位 (编码值=0.45) 初始钳位 (编码值=0) KCC KCC1 RLW1 KCC2 RLW2 GAP [mm] 1.5 5 RLW9 优化 RLW8 1.0 KCC KCC CC4 KCC3 RLW4 0.5 RLW5 0.0 可变夹具(KCC) 代码中的移动范围 优化的位置 KCC1 [0, 1] 0.45 KCC2 [0, 1] 0.8 KCC3 [0, 1] 0.75 KCC4 [0, 1] 0.4 KCC5 [0, 1] 0.45 (d) 图7：铰链加固和门内面板组合组件(a)初始夹具布局，(b)优化夹具 布局，(c)夹紧运动，(d)优化夹具位置值。 (b) 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 间隙图[mm]` (a) RLW1 RLW2 RLW3 RLW4 RLW5 RLW6 RLW7 RLW8 RLW9 RLW1 RLW2 RLW3 RLW4 RLW5 RLW6 RLW7 RLW8 RLW9 图8：(a)选定的复合组件和(b)50个基于蒙特卡洛的组件在优化夹具位置的间隙映射(GM) 在图8(B)中，对50个基于蒙特卡罗的组件绘制了所选针迹的间隙图，并表明该间隙行为与复合组件相同。基于1000个组件生成，蒙特卡罗模拟的可行性指数的连接概率为0.977，略高于基于复合组件的优化结果，即0.949。因此，所得结果表明，基于组合装配的优化提供了更稳健的解决方案。该方法可以代替基于蒙特卡罗的模拟方法，实现考虑批量零件的板料装配夹具设计优化。 4 总结与结论 本文提出了一种新的夹具设计优化方法，用于批量零件的非理想柔性装配。拟议方法主要探讨以下领域： 具有形状变化的批量零件建模可用于夹具设计优化；考虑批量非理想柔性零件的夹具设计优化，可以通过减少批量变化对产品性能的影响来提高最终装配质量。 该方法适用于汽车、航空航天、铁路、家电等各行业的非理想钣金零件的生产夹具。它集成了：（i）基于生产批次内重要模式的复合材料部件模型；（i i）通过相关性和熵准则选择复合材料组件；（i i i）最大化连接可行性指数的概率。 所开发的方法实现了两个目标：（i）通过解决一批非理想的符合要求的组件来进行夹具设计优化，这些组件可能代表生产人群并通过优化识别鲁棒性的夹具设计参数; （ii）更换时间昂贵的基于Monte-Carlo的仿真，以消除数千个基于仿真的变分组件实例。 更进一步的工作将集中在处理批次间的变化以及零件变化对夹具重新配置的影响。 致谢 这项研究得到了欧洲研究项目“EU-FP7 FoF-ICT-2011.7.4：用于生态和弹性汽车工厂的远程激光焊接系统导航器”的支持。 参考文献 [1] Cai, W. 2006. Robust pin layout design for sheet-panel locating. The International Journal of Advanced Manufacturing Technology, 28, 486-494. [2] Cai, W. 2008. Fixture optimization for sheet panel assembly considering welding gun variations. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 222, 235-246. [3] Cai, W., Hu, S. J. & Yuan, J. X. 1996. Deformable Sheet Metal Fixturing: Principles, Algorithms, and Simulations. Journal of Manufacturing Science and Engineering, 118, 318-324. [4] Cai, W. W., Hsieh, C.-C., Long, Y., Marin, S. P. & Oh, K. P. 2005. Digital panel assembly methodologies and applications for compliant sheet components. Journal of Manufacturing Science and Engineering, 128, 270- 279. [5] Camelio, J. A., Hu, S. J. & Ceglarek, D. 2004a. Impact of fixture design on sheet metal assembly variation. [6] Journal of Manufacturing Systems, 23, 182-193. [7] Camelio, J. A., Marin, S. P. & Hu, S. J. 2004b. Compliant Assembly Variation Analysis Using Component Geometric Covariance. Journal of Manufacturing Science and Engineering, 126, 355-360. [8] Ceglarek, D. 2011. Remote Laser Welding (RLW) System Navigator for Eco and Resilient Automotive Factories. Digital Factories Theme. WMG, University of Warwick. [9] Ceglarek, D., Huang, W., Zhou, S., Ding, Y., Kumar, R. & Zhou, Y. 2004. Time-Based Competition in Multistage Manufacturing: Stream-of-Variation Analysis (SOVA) Methodology—Review. International Journal of Flexible Manufacturing Systems, 16, 11-44. [10] Ceglarek, D. J. 1998. Multivariate Analysis and Evaluation of Adaptive Sheet Metal Assembly Systems. CIRP Annals - Manufacturing Technology, 47, 17-22. [11] Cover, T. M. & Thomas, J. A. 2006. Elements of Information Theory, Wiley. Das, A., Franciosa, P., Prakash, P. K. S. & Ceglarek, D. 2014. Transfer function of assembly process with compliant non-ideal parts. Procedia CIRP, 21, 177-182. [12] Das, A., Franciosa, P., Yilmazer, S. & Ceglarek, D. 2015. Statistical Geometric Modal Analysis (SGMA) for Shape Variation Modeling and Analysis with Applications in Manufacturing. University of Warwick. [13] Franciosa, P., Das, A., Yilmazer, S., Gerbino, S. & Ceglarek, D. 2015. Variation Response Method (VRM): a Kernel for Dimensional Management Simulation of non-ideal Compliant Parts. [14] Franciosa, P., Gerbino, S. & Patalano, S. 2011. Simulation of variational compliant assemblies with shape errors based on morphing mesh approach. The International Journal of Advanced Manufacturing Technology, 53, 47-61. [15] Huang, W., Liu, J., Chalivendra, V., Ceglarek, D., Kong, Z. & Zhou, Y. 2014. Statistical modal analysis for variation characterization and application in manufacturing quality control. IIE Transactions, 46, 497-511. [16] Li, B., Hu, Y., Tang, H., Yu, H. & Hu, H. 2008a. A comparative study on quality design of fixture planning for sheet metal assembly. Journal of Engineering Design, 19, 1-13. [17] Li, B., Shiu, B. W. & Lau, K. J. 2001. Principle and Simulation of Fixture Configuration Design for Sheet Metal Assembly with Laser Welding, Part 1: Finite-Element Modelling and a Prediction and Correction Method. The International Journal of Advanced Manufacturing Technology, 18, 266-275. [18] Li, B., Shiu, B. W. & Lau, K. J. 2003. Robust Fixture Configuration Design for Sheet Metal Assembly With Laser Welding. Journal of Manufacturing Science and Engineering, 125, 120-127. [19] Li, B., Tang, H., Yang, X. & Wang, H. 2007. Quality design of fixture planning for sheet metal assembly. The International Journal of Advanced Manufacturing Technology, 32, 690-697. [20] Li, B., Yu, H., Yang, X. & Hu, Y. 2010. Variation Analysis and Robust Fixture Design of a Flexible Fixturing System for Sheet Metal Assembly. Journal of Manufacturing Science and Engineering, 132, 041014-041014. [21] Li, Z., Izquierdo, L. E., Kokkolaras, M., Hu, S. J. & Papalambros, P. Y. 2008b. Multiobjective Optimization for Integrated Tolerance Allocation and Fixture Layout Design in Multistation Assembly. Journal of Manufacturing Science and Engineering, 130, 044501-044501. [22] Liu, S. C. & Hu, S. J. 1997. Variation Simulation for Deformable Sheet Metal Assemblies Using Finite Element Methods. Journal of Manufacturing Science and Engineering, 119, 368-374. [23] Lowell, W. F. 1982. Geometrics II: Dimensioning and Tolerancing. ANSI/ASME Standard, Y13.5M, 35-52. [24] Matuszyk, T. I., Cardew-Hall, M. J. & Rolfe, B. F. 2010. The kernel density estimate/point distribution model (KDE-PDM) for statistical shape modeling of automotive stampings and assemblies. Robotics and Computer- Integrated Manufacturing, 26, 370-380. [25] Menassa, R. J. & Devries, W. R. 1991. Optimization Methods Applied to Selecting Support Positions in Fixture Design. Journal of Manufacturing Science and Engineering, 113, 412-418. [26] Phoomboplab, T. & Ceglarek, D. 2008. Process Yield Improvement Through Optimum Design of Fixture Layouts in 3D Multistation Assembly Systems. Journal of Manufacturing Science and Engineering, 130, 061005- 061005. [27] Rearick, M. R., Hu, J. S. & Wu, S. M. Optimal Fixture Design for Deformable Sheet Metal Workpieces. [28] Transactions of NARMI/SME, 1993. 407-412. Shirinzadeh, B. 2002. Flexible fixturing for workpiece positioning and constraining. Assembly Automation, 22, 112-120. [29] Suh, N. P. 2005. Complexity: Theory and Applications, Oxford University Press. Youcef-Toumi, K., Liu, W. S. & Asada, H. 1988. Computer-aided analysis of reconfigurable fixtures and sheet metal parts for robotic drilling. Robotics and Computer-Integrated Manufacturing, 4, 387-393. [30] Yu, K., Jin, S., Lai, X. & Xing, Y. 2008. Modeling and analysis of compliant sheet metal assembly variation. [31] Assembly Automation, 28, 225-234. 78