CN104504254A - 一种大型飞机机身壁板检测点优化布置方法 - Google Patents

Abstract

本发明公开了一种大型飞机机身壁板检测点优化布置方法，包括如下步骤：(1)不考虑壁板自重，建立基于数控***移动牵引的壁板变形过程仿真有限元模型，并选取隔框上的部分有限元节点集作为初始待选检测点集。(2)视数控***X、Y、Z方向上的移动自由度为偏差源，并将各个偏差源引入壁板变形过程仿真有限元模型，获取相应的壁板变形模式。(3)建立由各壁板变形模式叠加而成的壁板变形数学模型，应用最小二乘法和最佳矩估计法，从壁板变形数学模型中获取包含壁板变形信息的费希尔信息矩阵，并以最大化费希尔信息矩阵的行列式为准则，利用自适应模拟退火遗传算法从初始待选检测点集中选取所需数目的最优检测点集。

Description

一种大型飞机机身壁板检测点优化布置方法

技术领域

本发明涉及飞机装配技术领域，尤其涉及一种大型飞机机身壁板检测点优化布置方法。

背景技术

飞机装配作为飞机制造环节中极其重要的一环，在很大程度上决定了飞机的最终质量、制造成本和交货周期，是整个飞机制造过程中的关键和核心技术。

大型飞机通常由多个机身段组成，而机身段又由下壁板、侧壁板、上壁板等多块壁板1拼接而成。飞机壁板1结构多为“半硬壳式”结构，主要由蒙皮4、长桁5、隔框6、角片7等零件组成，其装配方式和零件特性往往造成其自身刚度不足、强度较弱，导致其在装配过程中存在不同程度的变形。壁板1变形容易引起飞机各部件间的交点位置不协调，使实际的装配外形与理论外形存在较大偏差，对后续装配工序产生不良影响，并降低整机的气动外形特性，最终缩短其使用寿命。

长期以来，保证飞机产品在装配过程中结构尺寸的一致性和完整性是航空制造企业一直着重关注的。因此，数字化调姿定位***被广泛应用于现代飞机装配中，以此来提升飞机产品的装配质量。为保证大型飞机壁板1的位姿精度，通常需要事先在壁板1上布置一定数量的检测点13，并通过测量这些检测点13的当前位置，评价出壁板1当前位姿与理论位姿之间的偏差，从而为进一步调整壁板1位姿提供参考信息。此外，大型飞机壁板1通常由多个数控***2实现定位支撑，***的定位误差会导致壁板1变形不满足装配要求。为避免大型飞机壁板1在装配过程中的质量问题，有必要估计出每个***的定位误差对壁板1变形的贡献值，从而采取合理地在线的或离线的预防性措施来消除壁板1偏差源。

在飞机数字化装配中，壁板的装配变形通常是由多个离散的检测点的位置误差来表示的。不同的检测点布局所包含的壁板变形不尽相同，不合理的检测点布局将会降低壁板的位姿评价精度，增加装配变形估计误差。因此，如何布置检测点就显得尤为重要。为能更全面地描述壁板变形、更多地涵盖壁板变形信息，有必要对壁板上的检测点布局进行优化，从而实现对壁板变形的精确描述，并采取相应的措施有效降低壁板变形，保证机身段装配中各个壁板的高效、高精度调姿和对接，最终提升了飞机大部件的装配质量。

发明内容

本发明为克服现有技术的不足，提出一种大型飞机机身壁板检测点优化布置方法，可准确有效地提取所需数目的最优检测点集，最大限度地实现壁板变形的精确表达，进一步提升飞机大部件的装配质量。

本发明的大型飞机机身壁板检测点优化布置方法包括如下步骤：

(1)不考虑壁板自重，建立基于数控***移动牵引的壁板变形过程仿真有限元模型，并选取隔框上的部分有限元节点集作为初始待选检测点集。

(2)视数控***X、Y、Z方向上的移动自由度为偏差源，并将各个偏差源引入壁板变形过程仿真有限元模型，获取相应的壁板变形模式。

(3)建立由各壁板变形模式叠加而成的壁板变形数学模型，应用最小二乘法和最佳矩估计法，从壁板变形数学模型中获取包含壁板变形信息的费希尔信息矩阵，并以最大化费希尔信息矩阵的行列式为准则，利用自适应模拟退火遗传算法从初始待选检测点集中选取所需数目的最优检测点集。

其中，所述的视数控***具有X向移动轴、Y向移动轴和Z向移动轴；工艺接头安装在视数控***上且具有三轴移动自由度，包括与视数控***连接的接头本体和安装在接头本体上的工艺球头。

所述的步骤(1)的包括：

(1.1)建立大型飞机机身壁板的有限元模型，将工艺接头视为刚体，同时在其工艺球头的球心处建立参考点，通过约束参考点在X、Y、Z方向上的移动自由度实现对数控***的运动约束；

(1.2)在大型飞机机身壁板的每个隔框上提取一定数量的有限元节点集作为初始待选检测点集。

所述的步骤(2)的具体步骤如下：

(2.1)在有限元模型中的某个工艺球头的球心处施加某个方向上的单位位移载荷作为偏差源，通过有限元仿真得到该偏差源对应的壁板变形模式；

(2.2)按照步骤(2.1)中的同样方法，得到其他偏差源对应的壁板变形模式。假设检测点的数量为s，则壁板变形模式可表达为以下形式：

$v^i=[v_1^i,v_2^i,\·\·\·,v_s^i](i=\mathrm{1,2}\·\·\·,N)$

其中，N为偏差源数量， $v_j^i=[v_j^i\left(x\right),v_j^i\left(y\right),v_j^j\left(z\right)](j=\mathrm{1,2},\·\·\·,s)$ 表示当在第i个偏差源上作用单位位移后，在检测点j处产生的位置误差。

所述的步骤(3)可分为以下几步：

(3.1)假设壁板当前的变形可表示为u＝[u₁,u₂,…,u_s]^T，其中u_i＝[u_i(x),u_i(y),u_i(z)](j＝1,2,…,s)，则壁板变形数学模型可表示为N种装配变形模式的叠加形式：

u＝q₁v¹+q₂v²+…+q_Nv^N+w

＝[v¹,v²,…,v^N]q+w

＝Vq+w

式中，q_i表示变形模式vⁱ对当前壁板变形的个体贡献值，V为变形模式矩阵，w表示高斯白噪声，并假设w均值为零，而协方差矩阵为I为单位矩阵，为标准差；

(3.2)利用最小二乘法求解壁板变形数学模型，可得：

$\hat{q}={\left(V^{T}V\right)}^{-1}{V}^{T}u$

为q的估计矩阵，其精度取决于随机误差水平；

(3.3)求解关于估计矩阵的协方差矩阵：

$\begin{array}{c}\mathrm{cov}\left(\hat{q}\right)=E\left[(q-\hat{q}){(q-\hat{q})}^T\right]\\ =E[\left(V^{T}V\right)V^T\·\mathrm{\ψ}\·V{\left(V^{T}V\right)}^{-1}]\\ ={\mathrm{\σ}}_w^2\·F^{-1}\end{array}$

矩阵F＝V^TV，通常称为费希尔信息矩阵，显然，通过最大化行列式|F|可实现最佳估计，E为数学期望；

(3.4)以最大化费希尔信息矩阵的行列式为准则，应用自适应模拟退火遗传算法从初始待选检测点集中选取所需数目的最优检测点集。

与现有技术相比，本发明的优点在于：

(1)科学合理地建立了大型飞机机身壁板变形与各偏差源之间的数学模型；

(2)通过费希尔信息矩阵完整表达了壁板变形信息；

(3)可准确有效地提取所需数目的最优检测点集，最大限度地实现壁板变形的精确表达，进一步提升飞机大部件的装配质量。

附图说明

图1大型飞机壁板调姿定位***示意图；

图2大型飞机壁板整体结构示意图；

图3大型飞机壁板的工艺接头结构示意图；

图4数控***结构示意图；

图5大型飞机机身壁板隔框上的待选检测点示意图；

图中：大型飞机机身壁板1，数控***2，工艺接头3，蒙皮4，长桁5，隔框6，角片7，工艺球头8，接头本体9，X向移动轴10，Y向移动轴11，Z向移动轴12，检测点13。

具体实施方式

如图1所示，大型飞机机身壁板调姿定位***主要由大型飞机机身壁板1、数控***2和工艺接头3组成。

如图2所示，大型飞机机身壁板1主要由蒙皮4、长桁5、隔框6、角片7等零件组成。

如图3所示，大型飞机机身壁板1的工艺接头3主要由工艺球头8和接头本体9组成。

如图4所示，数控***2主要由X向移动轴10、Y向移动轴11、Z向移动轴12等部分组成，各轴独立运动。

如图5所示，初始待选检测点集由隔框6上的多个检测点13组成。

本发明的大型飞机机身壁板1检测点13优化布置方法的步骤如下：

(1)不考虑壁板1自重，建立基于数控***2移动牵引的壁板1变形过程仿真有限元模型，并选取隔框6上的部分有限元节点集作为初始待选检测点集；具体分为以下两步：

1.1：建立大型飞机机身壁板1的有限元模型，将工艺接头3视为刚体，同时在其工艺球头8的球心处建立参考点，并约束其X、Y、Z方向的移动自由度；

1.2：在大型飞机机身壁板1的每个隔框6上提取一定数量的有限元节点集作为初始待选检测点集。

(2)视数控***2在X、Y、Z方向上的移动自由度为偏差源，并将各个偏差源引入壁板1变形过程仿真有限元模型，获取相应的壁板1的变形模式；具体分为以下两步：

2.1：在有限元模型中的某个工艺球头8的球心处施加某个方向上的单位位移载荷作为偏差源，通过有限元仿真得到该偏差源对应的壁板1变形模式；

2.2：按照步骤(1)中的同样方法，得到其他偏差源对应的壁板变形模式，假设检测点的数量为s，则壁板1变形模式可表达为以下形式：

$v^i=[v_1^i,v_2^i,...,v_s^i](i=\mathrm{1,2},...,N)$

其中，N为偏差源数量，表示当在第i个偏差源上作用单位位移后，在检测点j处产生的位置误差。

(3)建立由各壁板1变形模式叠加而成的壁板变形数学模型，应用最小二乘法和最佳矩估计法，从壁板1变形数学模型中获取包含壁板1变形信息的费希尔信息矩阵，并以最大化费希尔信息矩阵的行列式为准则，利用自适应模拟退火遗传算法从初始待选检测点集中选取所需数目的最优检测点集；具体实施步骤如下：

3.1：假设壁板1当前的变形可表示为u＝[u₁,u₂,…,u_s]^T，其中u_i＝[u_i(x),u_i(y),u_i(z)](j＝1,2,…,s)，则壁板(1)变形数学模型可表示为N种装配变形模式的叠加形式：

u＝q₁v¹+q₂v²+…+q_Nv^N+w

＝[v¹,v²,…,v^N]q+w

＝Vq+w

上式中，q_i表示装配变形模式vⁱ对当前壁板(1)变形的个体贡献值，V为变形模式矩阵，而w表示高斯白噪声，假设其均值为零，而协方差矩阵为I为单位矩阵

3.2：利用最小二乘法求解壁板(1)变形数学模型，可得：

$\hat{q}={\left(V^{T}V\right)}^{-1}{V}^{T}u$

为q的估计矩阵，其精度取决于随机误差水平。

3.3：求解关于估计矩阵的协方差矩阵：

$\begin{array}{c}\mathrm{cov}\left(\hat{q}\right)=E\left[(q-\hat{q}){(q-\hat{q})}^T\right]\\ =E[\left(V^{T}V\right)V^T\·\mathrm{\ψ}\·V{\left(V^{T}V\right)}^{-1}]\\ ={\mathrm{\σ}}_w^2\·F^{-1}\end{array}$

矩阵F＝V^TV，通常称为费希尔信息矩阵。显然，通过最大化行列式|F|可实现最佳估计。

3.4：以最大化费希尔信息矩阵的行列式为准则，应用自适应模拟退火遗传算法从初始待选检测点集中选取所需数目的最优检测点集。

Claims (5)

1.一种大型飞机机身壁板检测点优化布置方法，其特征在于，包括步骤：

1)建立基于数控***移动牵引的壁板变形过程仿真有限元模型，并选取隔框上的部分有限元节点集作为初始待选检测点集；

2)视数控***在X、Y、Z方向上的移动自由度为偏差源，并将各个偏差源引入壁板变形过程仿真有限元模型，获取相应的壁板变形模式；

3)建立由各壁板变形模式叠加而成的壁板变形数学模型，应用最小二乘法和最佳矩估计法，从壁板变形数学模型中获取包含壁板变形信息的费希尔信息矩阵，并以最大化费希尔信息矩阵的行列式为准则，利用自适应模拟退火遗传算法从初始待选检测点集中选取所需数目的最优检测点集。

2.如权利要求1所述的大型飞机机身壁板检测点优化布置方法，其特征在于，所述的数控***具有X向移动轴、Y向移动轴和Z向移动轴；工艺接头安装在数控***上且具有三轴移动自由度，包括与数控***连接的接头本体和安装在接头本体上的工艺球头。

3.如权利要求1或2所述的大型飞机机身壁板检测点优化布置方法，其特征在于，所述的步骤1)中，在建立大型飞机机身壁板的有限元模型时，将工艺接头视为刚体，同时在工艺球头的球心处建立参考点，并约束其X、Y、Z方向的移动自由度。

4.如权利要求1或2所述的大型飞机机身壁板检测点优化布置方法，其特征在于，所述的步骤2)包括：

2.1：在有限元模型中的某个工艺球头的球心处施加某个方向上的单位位移载荷作为偏差源，通过有限元仿真得到该偏差源对应的壁板变形模式；

2.2：按照步骤2.1中的方法，得到其他偏差源对应的壁板变形模式，假设检测点的数量为s，则壁板变形模式可表达为以下形式：

$v^i=[v_1^i,v_2^i,...,v_s^i]$ (i＝1,2,…,N)

其中，N为偏差源数量，(j＝1,2,…,s)表示当在第i个偏差源上作用单位位移后，在检测点j处产生的位置误差。

5.如权利要求1或2所述的大型飞机机身壁板检测点优化布置方法，其特征在于，所述的步骤3)包括：

3.1：假设壁板当前的变形可表示为u＝[u₁,u₂,…,u_s]^T，其中u_i＝[u_i(x),u_i(y),u_i(z)](j＝1,2,…,s)，则壁板变形数学模型可表示为N种壁板变形模式的叠加形式：

u＝q₁v¹+q₂v²+…+q_Nv^N+w

＝[v¹,v²,…,v^N]q+w

＝Vq+w

式中，q_i表示变形模式vⁱ对当前壁板变形的个体贡献值，V为变形模式矩阵，w表示高斯白噪声，并假设w均值为零，而协方差矩阵为I为单位矩阵，为标准差；

3.2：利用最小二乘法求解壁板变形数学模型，可得：

$\hat{q}={\left(V^{T}V\right)}^{-1}{V}^{T}u$

为q的估计矩阵，其精度取决于随机误差水平；

3.3：求解关于估计矩阵的协方差矩阵：

$\begin{array}{c}\mathrm{cov}\left(\hat{q}\right)=E\left[(q-\hat{q}){(q-\hat{q})}^T\right]\\ =E[\left(V^{T}V\right)V^T\·\mathrm{\ψ}\·V{\left(V^{T}V\right)}^{-1}]\\ ={\mathrm{\σ}}_w^2\·F^{-1}\end{array}$

矩阵F＝V^TV，称为费希尔信息矩阵，并通过最大化行列式|F|可实现最佳估计；E为数学期望；

3.4：以最大化费希尔信息矩阵的行列式为准则，应用自适应模拟退火遗传算法从初始待选检测点集中选取所需数目的最优检测点集。