CN116384257B - 一种空分整装冷箱装配误差预测与公差优化方法 - Google Patents
一种空分整装冷箱装配误差预测与公差优化方法 Download PDFInfo
- Publication number
- CN116384257B CN116384257B CN202310615208.3A CN202310615208A CN116384257B CN 116384257 B CN116384257 B CN 116384257B CN 202310615208 A CN202310615208 A CN 202310615208A CN 116384257 B CN116384257 B CN 116384257B
- Authority
- CN
- China
- Prior art keywords
- tolerance
- assembly
- model
- cold box
- flexible body
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000000926 separation method Methods 0.000 title claims description 23
- 238000005457 optimization Methods 0.000 claims abstract description 71
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000001816 cooling Methods 0.000 claims abstract description 24
- 238000013461 design Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 229910000831 Steel Inorganic materials 0.000 description 12
- 239000010959 steel Substances 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 239000003795 chemical substances by application Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003394 haemopoietic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001739 rebound effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种空分整装冷箱装配误差预测与公差优化方法，属于机器学习领域。本发明通过训练机器学习模型来构建能够应用于冷箱刚柔性体装配误差预测的代理模型，从而将机器学习代理模型应用于公差优化上。本发明中的代理模型是基于三维公差分析仿真的样本数据建立的，并利用了优化算法进行模型参数寻优。而且该代理模型考虑了柔性体装配过程中在外力与温度变化下的变形情况，并与公差传递进行耦合，使得装配误差预测更全面更精确。同时，本发明在预测模型的基础上，建立了冷箱的成本‑公差函数，能进一步对公差设计进行优化。因此，本发明能提升冷箱刚柔性体装配的误差预测精度与零部件公差优化设计效率，降低公差设计成本。
Description
技术领域
本发明属于机器学习领域，具体涉及一种通过机器学习模型对空分整装冷箱进行装配误差预测与公差优化的方法。
背景技术
空气分离设备以空气为原料制取氧气、氮气等工业气体，是能源、化工炼化一体化等战略产业的重大核心装备，是现代工业赖以生存的“造血器官”。深低温冷箱是空分设备进行低温精馏最关键的主体结构。但是由于体积庞大，组件众多，实物安装过程中存在安装难、周期长、人力多等诸多因素，造成了大型空分整装冷箱装配误差难以控制、零部件公差设计困难等问题。同时，柔性体在装配过程中不仅会因零部件存在公差对装配精度造成影响，还会因受力与温度的变化产生形变，进一步影响装配精度。因此，如何实现对空分整装冷箱的公差进行优化，满足装配误差和成本的双重要求，是目前亟待解决的技术问题。
发明内容
本发明的目的在于解决空分整装冷箱装配过程中公差难以准确、低成本控制的缺陷，并提出了一种空分整装冷箱装配误差预测与公差优化方法。该方法通过机器学习建立大型冷箱刚柔性体装配误差预测代理模型，进而构建成本-公差函数，并使用优化算法进行冷箱零部件装配公差优化设计，达到降低生产成本的目的。
实现本发明目的的技术方案为：
一种空分整装冷箱装配误差预测与公差优化方法，其包括：
S1、针对空分整装冷箱零部件装配过程中的所有待优化公差变量，在各自的公差带范围进行抽样形成样本集合，其中每一个样本由所有待优化公差变量的一组公差值组成；
S2、在三维公差分析***中，对冷箱的刚柔性体装配模型添加所有待优化公差变量的公差信息，同时导入模型内柔性体的刚度矩阵和温度荷载文件；再在柔性体上均匀生成特征点，将每个特征点与距离最近的柔性体网格点进行关联；刚柔性体装配模型中零部件的装配顺序按照实际工序设定；
S3、将所述样本集合中每个样本所含的公差值、冷箱的装配环境温度以及所受外力作为三维公差分析***的输入，通过公差模拟分析得到冷箱上指定测量点位置的装配误差值以及公差贡献度；根据公差贡献度对所有待优化公差变量进行筛选降维，得到关键公差变量；
S4、基于S3中得到的每个样本的公差模拟分析数据，以关键公差变量对应的公差值、冷箱的装配环境温度以及所受外力作为机器学习模型的输入，以公差模拟分析得到的装配误差值作为真值标签，对机器学习模型进行监督训练从而得到代理模型；
S5、根据冷箱的成本-公差函数，以测量点误差处于允许范围为约束条件，以成本最小为优化目标，采用优化算法对所有关键公差变量进行优化，且优化过程中每一组关键公差变量可行解对应的装配误差值通过代理模型计算得到；最终以优化得到的最优解作为空分整装冷箱的公差变量设计值。
作为优选，所述S1中，抽样的方法采用拉丁超立方抽样。
作为优选，所述三维公差分析***采用3DCS软件实现。
作为优选，所述三维公差分析***中，刚柔性体装配模型所添加的公差信息的公差分布类型设置为常数类型。
作为优选，所述S2中，柔性体的刚度矩阵和温度荷载文件先通过对冷箱的柔性体结构进行网格化，再通过有限元分析后生成。
作为优选，所述S3中，在进行筛选降维前预先设定最低贡献度阈值，将所有待优化公差变量中低于最低贡献度阈值的公差变量进行剔除，所保留的公差变量作为关键公差变量。
作为优选，所述S4中，机器学习模型采用神经网络模型或支持向量机模型。
作为优选，所述S4中，机器学习模型采用支持向量回归机模型，且核函数选用高斯核函数，模型训练时的参数优化算法采用TPE算法。
作为优选，所述S5中，所述优化算法采用粒子群优化算法。
作为优选，所述S5中，优化算法的约束条件为测量点误差的上限不超过最大允许误差，优化目标为基于所述成本-公差函数计算得到的所有关键公差变量的公差成本之和最小。
本发明与现有技术对比，其显著优点为：
本发明利用代理模型基于三维公差传递与柔性体有限元刚度温度矩阵仿真样本数据，建立了零部件公差、受力与温度和装配误差之间的预测模型，并进一步将该预测模型与粒子群优化算法结合，对大型冷箱零部件公差进行优化设计。而且，本发明中，通过添加有限元刚度矩阵方法，使得装配误差预测与实际情况更加贴切。为了进一步提高代理模型装配误差预测的准确性，本发明采用了TPE超参数寻优算法对模型进行了优化。最后，在优化代理模型的基础上，进一步构建了特大型整装冷箱成本-公差函数，并利用了粒子群算法对公差生产成本进行了优化设计，保证了大型冷箱的整装制造质量，降低了设计与生成加工成本。本发明应用于大型冷箱装配误差预测与公差优化中，可高效地从复杂高维参数中寻得装配误差与最优公差设计参数，因此对于大型冷箱设计来说保证了设计精度，缩短了设计周期，降低了设计与生产成本。
附图说明
图1为本发明的空分整装冷箱装配误差预测与公差优化方法步骤示意图。
图2为本发明实施例中的优化方法流程图。
图3为本发明实施例中的大型冷箱侧面蒙皮钢板模型。
图4为本发明实施例中的代理模型训练集误差统计分布直方图。
图5为本发明实施例中的代理模型测试集误差统计分布直方图。
图6为本发明实施例中的粒子群优化算法迭代过程中成本的变化示意图。
图中附图标记为：测量点1、冷箱上表面蒙皮钢板2、冷箱下表面蒙皮钢板3、定位螺栓4。
具体实施方式
为了更清晰明了地理解本发明，以下将实际应用本发明方法结合附图对发明进行详细阐释，但本发明的保护范围并不限于以下具体的实施例。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
空分整装冷箱一般由刚性体和柔性体装配而成，是一种刚柔性体装配结构。但其中柔性体的公差以及其在受外力与温度变化下产生的形变，都会影响装配精度，因此应当控制装配零部件的公差不能过大。但如果过度控制公差，也将导致其加工成本过高。本发明中提供的一种特大型空分整装冷箱装配误差预测与公差优化方法，可用于对特大型整装冷箱中任意刚柔性配合的装配体进行公差预测与优化设计，例如可以对大型整装冷箱侧面蒙皮钢板柔性体与刚性定位螺栓进行装配误差预测与零部件公差优化，也可以整装冷箱中精馏塔柔性部件的焊接装配进行相应的分析。下面对该方法的具体实现方式进行详细描述。
如图1所示，作为本发明的一种较佳实现方式，提供了一种空分整装冷箱装配误差预测与公差优化方法，其包括以下S1~S5步骤。
S1、针对空分整装冷箱零部件装配过程中的所有待优化公差变量，在各自的公差带范围进行抽样形成样本集合，其中每一个样本由所有待优化公差变量的一组公差值组成。
需要说明的是，上述待优化公差变量需要根据实际的冷箱零部件组装情况进行选择，并不限定采用何种具体的公差变量组合。例如在本发明的一实施例中，针对冷箱中蒙皮钢板柔性体与刚性定位螺栓装配形成的刚柔性装配体，可采用下表面平面度、A基准面轮廓度、下表面通用面轮廓度、下表面圆孔尺寸公差、上表面通用面轮廓度、上表面两圆孔尺寸公差、简化螺栓圆度中的全部或者部分公差变量作为待优化公差变量。
另外，在实际应用中，在确定各公差变量各自的公差带范围时，可根据冷箱刚柔性体装配模型二维设计图纸的预设计公差信息，进而确定各公差比变量的允许公差和偏差，由此确定对应的公差带范围。
另外，本发明中抽样形成的样本集合的作用是作为后续公差分析***的输入数据，通过公差分析可形成不同公差变量取值下对应的装配误差，由此可通过大量数据来训练机器学习模型。上述抽样方法采用拉丁超立方抽样，即若要从每个公差变量的公差带范围中取出N个样本，则每个公差变量的公差带范围被分成相同的N个子区间，从每一个子区间随机的选择一个值，每一个公差变量的N个值和其他公差变量的值进行随机组合，组合形成的每一组涵盖所有公差变量值的抽样数据即一个样本。当然，除了拉丁超立方抽样之外，理论上也可以采用其他的抽样方法，只要能够保证抽样的代表性即可。
S2、在三维公差分析***中，对冷箱的刚柔性体装配模型添加所有待优化公差变量的公差信息，同时导入模型内柔性体的刚度矩阵和温度荷载（Temperature Load）文件；再在柔性体上均匀生成特征点，将每个特征点与距离最近的柔性体网格点进行关联；刚柔性体装配模型中零部件的装配顺序按照实际工序设定。
需要说明的是，本发明中的三维公差分析***可以是任意能够实现三维公差分析的软件、平台或者自建程序。在本发明的一实施例中，三维公差分析***可以采用3DCS软件实现，该软件可以较好地实现本发明所需的公差分析功能。
另外，为了保证三维公差分析***中的分析结果能够满足后续机器学习模型对于训练样本的需求，冷箱的刚柔性体装配模型中所添加的公差信息的公差分布类型设置为常数（constant）类型。常数公差类型为按照GD/T公差定义为零部件存在公差处设置成一固定数值而非设成满足公差带要求的统计分布数据。
另外，空分整装冷箱的刚柔性体装配模型可预先绘制后导入***中，并在***中设置相应的初始参数，包括公差信息（零件的允许公差、偏差等公差带信息）、零件装配顺序，特别的为了实现柔性体结构的处理，还需要导入柔性体结构对应的刚度矩阵和温度荷载文件。柔性体的刚度矩阵和温度荷载文件可先通过对冷箱的柔性体结构进行网格化，再通过有限元分析后生成。网格化处理可选用hypermesh软件实现，而有限元分析可采用abaqus软件实现。
S3、将S1得到的上述样本集合中每个样本所含的公差值、冷箱的装配环境温度以及所受外力作为三维公差分析***的输入，通过公差模拟分析得到冷箱上指定测量点位置的装配误差值以及公差贡献度；根据公差贡献度对所有待优化公差变量进行筛选降维，得到关键公差变量。
需要说明的是，冷箱上的指定测量点位置是根据冷箱装配对应的误差敏感位置所决定的，可根据实际的装配工艺或者质检要求进行确定。
需要说明的是，空分整装冷箱的装配环境温度以及所受外力需要根据空分整装冷箱实际装配的工况进行确定，若空分整装冷箱不存在其他的额外外力，则可只考虑其自身重力。
需要说明的是，上述对所有待优化公差变量进行筛选降维的目的是降低需要进行优化的关键公差变量的数量，仅保留对最终的装配误差值存在关键影响的公差变量进行优化。优化变量选用公差贡献度排行靠前的公差，以达到简化特征与突出重点的目的。该筛选降维过程可通过阈值法来实现，在进行筛选降维前，可以预先设定最低贡献度阈值，将所有待优化公差变量中低于最低贡献度阈值的公差变量进行剔除，所保留的公差变量作为关键公差变量。但特别注意的是，该筛选降维过程主要针对公差变量较多或者存在明显非关键公差变量的情况，假如待优化公差变量不多，则相应的最低贡献度阈值可设置一个较低的值，尽可能或者全部保留所有的公差变量。筛选降维所需的公差贡献度可由3DCS等三维公差分析软件输出。
S4、基于S3中得到的每个样本的公差模拟分析数据，以关键公差变量对应的公差值、冷箱的装配环境温度以及所受外力作为机器学习模型的输入，以公差模拟分析得到的装配误差值作为真值标签，对机器学习模型进行监督训练从而得到代理模型。
需要说明的是，本发明中用于训练代理模型的机器学习模型可采用神经网络模型或支持向量机模型等各种可学习模型来实现。模型的训练属于现有技术，由于在上述S4中已经通过公差模拟分析得到了前述样本集合中每个样本所对应的指定测量点位置的装配误差值，因此这个装配误差值可以为模型训练提供监督信号。训练机器学习模型的每个训练样本，是由前述S1中抽样得到的每个样本中关键公差变量（其余非关键变量无需作为输入）对应的公差值、冷箱的装配环境温度以及所受外力作为样本输入，以公差模拟分析得到的该样本输入对应的装配误差值作为真值标签（Ground truth）的。机器学习模型训练至预测精度满足要求后，即可用于进行后续的优化过程。
在本发明的一实施例中，针对本发明的训练目标，机器学习模型可采用支持向量回归机（Support Vector Regression,SVR）模型，SVR模型通过以下公式实现输入与输出拟合，从而构建代理模型：
式中，x为拟合输入值，为拟合输出值，/>为拉格朗日乘子，/>表示核函数，b为位移。
SVR模型的核函数选用高斯核函数，其公式如下所示：
式中：为高斯核函数，|| · ||为向量的模，/>为核函数中心。
SVR模型训练时的参数优化算法优选采用贝叶斯优化算法框架下的TPE(Tree-structured Parzen Estimator)算法。训练时所有训练样本可分为训练集和测试集，利用训练集进行迭代训练后，利用测试集进行拟合效果评估，测试集得分为代理模型拟合测试集的决定系数，得分越高说明其拟合效果越好，其公式如下所示：
式中：R2为SVR模型得分，u残差平方和，v总体平方差，为实际的观标签值，/>为SVR模型预测的输出值，/>为表示的是所有观标签值的均值。
S5、根据冷箱的成本-公差函数，以测量点误差处于允许范围为约束条件，以成本最小为优化目标，采用优化算法对所有关键公差变量进行优化，且优化过程中每一组关键公差变量可行解对应的装配误差值通过代理模型计算得到；最终以优化得到的最优解作为空分整装冷箱的公差变量设计值。
需要说明的是，上述空分整装冷箱的成本-公差函数可根据实际情况选择或者构建，这属于现有技术，也存在大量的相关文献对其进行研究，可从中选择是和对应类型冷箱的函数形式。
在采用优化算法对所有关键公差变量进行优化时，优化算法可采用遗传算法、贝叶斯优化算法等实现，其作用是在整个解空间中找到一组满足优化目标的可行解，对于本发明而言就是找到一组使得成本最小的关键公差变量取值。在本发明的一实施例中，优化算法可选用粒子群算法，粒子群算法速度与位置更新公式如下所示：
其中，为粒子速度，/>为粒子位置，/>称为惯性因子，/>和/>称为加速常数，一般取/>，/>表示区间[0,1]上的随机数，/>表示第i个变量的个体极值的第d维，/>表示全局最优解的第d维。
优化算法的优化目标为基于成本-公差函数计算得到的所有关键公差变量的公差成本之和最小，该优化目标函数通过公式表达如下：
式中，为零件公差大小，/>为零件制造成本，/>为产品总制造成本，min()表示求取最小化。
另外，优化算法在进行优化时，除了最小化成本之外，需要满足测量点误差在允许误差范围内，因此其约束条件可设置为测量点误差的上限不超过最大允许误差。具体的最大允许误差取值可根据实际的工艺要求而定。
另外特别需要注意的是，在进行优化时，代理模型单次允许实际对应于得到一组关键公差值对应的装配误差值，而约束条件中的测量点误差的上限实际需要通过大量不同装配次数下的装配误差值统计得到。因此，对于每一组关键公差变量的可行解，其中每个关键公差变量的值对应于一个公差带，所有关键公差变量可根据各自对应的实际公差分布类型选定公差取值后输入代理模型，预测出一个装配误差值，这个预测过程可不断重复以模拟实际装配中大量不同冷箱的装配过程，获得大量不同冷箱在这一组可行解下所获得的装配误差值分布情况，进而统计其指定测量点位置装配误差的上限。每个公差遍历的实际公差分布类型可根据零部件的加工工艺、装配方式等确定，同时可根据实际运行工况确定冷箱所受外力以及装配环境的温度情况。在实际优化求解过程中，即可以公差实际分布类型与实际工况为基准，在零部件公差带范围取值作为输入，不断传入优化后代理模型进行装配误差预测，实现对装配过程的准确模拟。
为了更好地展示本发明的具体实现和技术效果，下面将上述较佳实现方式中S1~S5步骤所示的空分整装冷箱装配误差预测与公差优化方法，应用于一个具体的示例中。
实施例
在本实施例中，针对特大型整装冷箱侧面某块蒙皮钢板柔性体与刚性定位螺栓进行装配误差预测与零部件公差优化，根据图2所示的方法流程图进行分析。下面对整个方法流程的步骤进行详细介绍。
步骤1、根据大型整装冷箱侧面蒙皮钢板柔性体与刚性定位螺栓装配模型的二维设计图纸的预设计公差信息，对其中每一个公差在其公差带内进行拉丁超立方抽样。该模型涉及公差7个，分别记为T1~T7，具体参见表1所示，每个公差带范围内抽取3000个数据，形成3000组装配误差预测输入数据，每组数据含有7个特征，即数据维数为3000×7。
步骤2、根据二维图纸，对大型整装冷箱模型进行简化，然后进行三维建模。紧接着，将建好的待分析三维模型导入三维公差分析软件3DCS中，对要进行分析的冷箱刚柔性体装配模型添加公差信息，公差分布类型选为常数分布类型。公差范围根据二维设计图纸的预设计公差信息进行添加.本发明中的空分整装冷箱的三维模型结构如图3所示，整体由冷箱上表面蒙皮钢板2和冷箱下表面蒙皮钢板3通过多个定位螺栓4连接而成，冷箱上表面蒙皮钢板2和冷箱下表面蒙皮钢板3视为柔性体，而定位螺栓4视为刚性体，其中关注的装配误差的测量点1位于整个冷箱的上表面角点位置。
步骤3、利用hypermesh网格处理软件对装配模型中的柔性结构进行网格划分。由于本实例中分析的特大型整装冷箱蒙皮钢板是薄板结构，因此划分成壳单元。然后将生成的网格文件导入abaqus有限元软件进行有限元分析，生成刚度矩阵以及温度荷载文件。
步骤4、利用3DCS中有限元高级模块FEA Compliant Modeler，将生成的网格文件、刚度矩阵与温度荷载文件导入冷箱刚柔性体装配模型中。
步骤5、3DCS软件中，在柔性体结构上均匀生成一系列特征点，计算特征点与周围柔性体网格划分形成的网格点（即刚度矩阵与温度荷载文件中对应的网格点）的距离，让特征点与距离最近网格点关联，达到柔性体受力与受温度产生的位移、角度变化能通过特征点传递到测量点的目的。关联后通过FEA Point Linking功能来查看特征点和网格节点之间的连接情况，两者之间差距小于5mm都认为是可接受的，否则需要继续细分特征点。经过确认后，该实施例中的连接情况是合格有效的。
步骤6、根据大型冷箱刚柔性体实际的装配顺序、工艺与操作类型，在3DCS软件中对零部件进行装配步骤的添加。然后点击Nominal Build装配按钮，观察装配过程是否达到预计装配效果，特别观察柔性体装配是否受到力与温度的影响发生形变。本实施例在模拟装配过程中，柔性体因焊接力而产生形变，并在解除夹持约束后产生回弹效果，符合焊接过程变形情况，因此该过程是合理的。进一步生成装配体公差传递云图，观察公差传递是否符合预期并达到要求，检验公差与装配步骤是否添加正确，结合云图可知零部件公差确实影响测量点并产生误差，因此该实施例公差与装配步骤添加正确。
步骤7、确定上下薄板左上尖端距离为装配误差测量点，如图3中标注的测量点1所示。利用3DCS中的dcs_doe_form模块进行批处理，其中变量包括步骤1中抽样获得的数据，即7个公差变量的公差值、冷箱的装配环境温度以及冷箱所受外力情况，输出数据为一组输入数据对应的测量点装配误差值以及各公差贡献度排行。本实施例公差变量较少，只有7个公差变量且为了优化所有公差，在后续优化中将所有公差视为关键公差变量输入进行模型训练、预测与公差优化。
步骤8、以7个公差变量、冷箱的装配环境温度以及冷箱所受外力情况为代理模型的样本输入，其对应的测量点装配误差值为代理模型的样本输出，组成训练样本。对步骤7中生成的数据采用7：3的比例划分形成训练集与测试集，对支持向量机SVR代理模型进行训练。其中正则化参数C=1，不敏感损失函数中的Epsilon=0，模型训练集得分为0.911，测试集得分为0.789，平均绝对误差率为9.450%。
步骤9、以测试集得分为目标函数，采用TPE优化算法对代理模型的超参数进行寻优，得到优化后代理模型。其中正则化参数C= 2.6493，不敏感损失函数中的Epsilon=0.05801，模型训练集得分为0.987，测试集得分为0.861，平均绝对误差率为6.891%。得到训练后代理模型预测值（yp）与真实值（yt）的统计直方图如图4、图5所示，其中图4为训练集数据、图5为测试集数据。由统计数据、模型得分值与误差率可知，优化后的代理模型预测性能得到提升，能够很好预测大型冷箱刚柔性体装配误差，模型有效。
步骤10、根据零部件的加工工艺、装配方式等确定每个零部件公差类型均为标准正态分布，外力只受地球重力影响，温度为20℃环境温度，确定单个可行解的模拟装配次为3000次。3000次模拟中以公差实际分布类型与实际工况为基准，即所有3000组公差值的输入数据应满足在相应公差带内呈正态分布，传入优化后代理模型进行装配误差预测。各零部件装配公差设定条件如下表所示：
表1装配公差设定条件
一个可行解进行3000次装配误差预测后，误差结果如下表所示。该测量点要求两点之间距离不大于1.5mm，经代理模型预测该测量点的上极限误差1.83mm，即在该公差条件下冷箱装配可能会出现不合格的情况，故需对其公差进行优化设计。
表2 预测误差统计结果
由上述预测模型得出装配误差存在不合格的可能性，因此后续优化中以测量点的误差要求为优化问题约束条件进行优化。进一步为保证特大型整装冷箱在约束要求内加工成本最低，构建特大型冷箱刚柔性体的成本-公差数学模型，其中公差与成本之间的函数关系如下表所示：
表3 成本-公差函数
由结合表2与表3得本实施例的公差成本函数为：
式中，Ti为表2中所示各公差带代号，带入优化前的公差带数值，得到优化前的冷箱刚柔性体模型的公差成本为：
然后利用粒子群优化算法，以公差成本最小为优化目标，测量点误差要求为约束条件，公差带范围为变量，进行公差优化设计。由于求解的是带约束的最优化问题，所以需要在粒子群算法中加入罚函数，以实现约束的目的。罚函数是在原有求解中加上一个障碍函数，对非可行点或企图穿越边界而逃离的点赋予一个极大的值，即将有约束转化为求解无约束最优化问题。因此该模型进行优化的数学表达式如下所示：
式中： 表示一组可行解T对应的测量点误差的上限值。
本实施例中，设置粒子数为40，惯性常数为0.7，加速常数c1=c2=2，进行公差设计优化，优化迭代200次的成本变化如图6所示，得到公差最终优化结果，由于实际加工条件的限制，适当对公差进行进位操作，得到修正过后公差如下表4所示：
表4 优化后公差
为验证优化结果，将优化后公差带输入代理模型，同样进行3000次装配仿真预测，得到预测误差统计数据如下表5所示。由表5可知其上极限误差为1.49mm，小于要求的1.5mm，故误差变动在要求范围内，优化设计将不合格装配工况变为合格，说明优化设计是有效的。
表5 优化后预测误差统计结果
将优化设计后的公差数据带入成本函数，得到优化设计后的成本为：
优化设计前成本为12.7881，优化后成本为11.3553，成本降低11.204%，公差成本得到优化。综上所述，该发明实例说明该方法能够较准确的预测大型冷箱刚柔性体装配误差，并达到优化公差与降低生产成本的目的。
综上，本实施例采用支持向量机算法，在考虑三维公差传递的基础上，使用物体特征点连接有限元刚度与温度矩阵网格点的方法，进一步考虑了受力与温度变化对装配误差的影响，生成了大型冷箱刚柔性体装配误差预测的代理模型。在代理模型的基础上，采用TPE算法进行代理模型优化。在优化代理模型的基础上，进一步构建了特大型整装冷箱成本-公差函数，并利用了粒子群算法对公差生产成本进行了优化设计。本发明使用代理模型极大的提高优化设计效率以及降低优化的难度，还可以有效降低生产加工成本，对保证大型冷箱的整装制造质量具有重要意义。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (8)
1.一种空分整装冷箱装配误差预测与公差优化方法，其特征在于，包括：
S1、针对空分整装冷箱零部件装配过程中的所有待优化公差变量，在各自的公差带范围进行抽样形成样本集合，其中每一个样本由所有待优化公差变量的一组公差值组成；
S2、在三维公差分析***中，对冷箱的刚柔性体装配模型添加所有待优化公差变量的公差信息，同时导入模型内柔性体的刚度矩阵和温度荷载文件；再在柔性体上均匀生成特征点，将每个特征点与距离最近的柔性体网格点进行关联；刚柔性体装配模型中零部件的装配顺序按照实际工序设定；
S3、将所述样本集合中每个样本所含的公差值、冷箱的装配环境温度以及所受外力作为三维公差分析***的输入，通过公差模拟分析得到冷箱上指定测量点位置的装配误差值以及公差贡献度；根据公差贡献度对所有待优化公差变量进行筛选降维，得到关键公差变量；
S4、基于S3中得到的每个样本的公差模拟分析数据，以关键公差变量对应的公差值、冷箱的装配环境温度以及所受外力作为机器学习模型的输入，以公差模拟分析得到的装配误差值作为真值标签，对机器学习模型进行监督训练从而得到代理模型；所述机器学习模型采用支持向量回归机模型，且核函数选用高斯核函数，模型训练时的参数优化算法采用TPE算法；
S5、根据冷箱的成本-公差函数，以测量点误差处于允许范围为约束条件，以成本最小为优化目标，采用优化算法对所有关键公差变量进行优化，且优化过程中每一组关键公差变量可行解对应的装配误差值通过代理模型计算得到；最终以优化得到的最优解作为空分整装冷箱的公差变量设计值。
2.如权利要求1所述的空分整装冷箱装配误差预测与公差优化方法，其特征在于，所述S1中，抽样的方法采用拉丁超立方抽样。
3.如权利要求1所述的空分整装冷箱装配误差预测与公差优化方法，其特征在于，所述三维公差分析***采用3DCS软件实现。
4.如权利要求1所述的空分整装冷箱装配误差预测与公差优化方法，其特征在于，所述三维公差分析***中，刚柔性体装配模型所添加的公差信息的公差分布类型设置为常数类型。
5.如权利要求1所述的空分整装冷箱装配误差预测与公差优化方法，其特征在于，所述S2中，柔性体的刚度矩阵和温度荷载文件先通过对冷箱的柔性体结构进行网格化，再通过有限元分析后生成。
6.如权利要求1所述的空分整装冷箱装配误差预测与公差优化方法，其特征在于，所述S3中，在进行筛选降维前预先设定最低贡献度阈值，将所有待优化公差变量中低于最低贡献度阈值的公差变量进行剔除，所保留的公差变量作为关键公差变量。
7.如权利要求1所述的空分整装冷箱装配误差预测与公差优化方法，其特征在于，所述S5中，所述优化算法采用粒子群优化算法。
8.如权利要求1所述的空分整装冷箱装配误差预测与公差优化方法，其特征在于，所述S5中，优化算法的约束条件为测量点误差的上限不超过最大允许误差，优化目标为基于所述成本-公差函数计算得到的所有关键公差变量的公差成本之和最小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310615208.3A CN116384257B (zh) | 2023-05-29 | 2023-05-29 | 一种空分整装冷箱装配误差预测与公差优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310615208.3A CN116384257B (zh) | 2023-05-29 | 2023-05-29 | 一种空分整装冷箱装配误差预测与公差优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116384257A CN116384257A (zh) | 2023-07-04 |
| CN116384257B true CN116384257B (zh) | 2023-09-29 |
Family
ID=86969732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310615208.3A Active CN116384257B (zh) | 2023-05-29 | 2023-05-29 | 一种空分整装冷箱装配误差预测与公差优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116384257B (zh) |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201411277A (zh) * | 2012-08-06 | 2014-03-16 | Asml Netherlands Bv | 用於藉由嵌段共聚物之自我組裝在一基板上提供微影特徵之方法 |
| CN106202731A (zh) * | 2016-07-12 | 2016-12-07 | 南京理工大学 | 桥式起重机多柔体动力学结构优化方法 |
| WO2019048506A1 (en) * | 2017-09-08 | 2019-03-14 | Asml Netherlands B.V. | METHODS OF LEARNING OPTICAL CORRECTION OF PROXIMITY ERROR ASSISTED BY AUTOMATIC APPRENTICESHIP |
| CN110096762A (zh) * | 2019-04-11 | 2019-08-06 | 天津大学 | 一种机床装配误差预测与控制方法 |
| CN110161968A (zh) * | 2019-06-14 | 2019-08-23 | 重庆邮电大学 | 一种基于包裹式原理的数控机床热误差预测方法 |
| CN110457783A (zh) * | 2019-07-24 | 2019-11-15 | 武汉理工大学 | 一种并联举升机构的装配误差分析及公差优化方法 |
| WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
| CN111784061A (zh) * | 2020-07-07 | 2020-10-16 | 广东电网有限责任公司 | 一种电网工程造价预测模型的训练方法、装置和设备 |
| CN111931404A (zh) * | 2020-07-31 | 2020-11-13 | 长沙理工大学 | 基于自优化cnn的内膛复杂表面接触碰撞响应预测方法 |
| CN111985122A (zh) * | 2020-07-07 | 2020-11-24 | 北京机电工程研究所 | 一种零件公差优化设计方法 |
| AU2020103882A4 (en) * | 2020-12-03 | 2021-02-11 | Zhimin Li | A Method for Allocating Assembly Tolerance of car body considering the Influence of Welding Deformation |
| KR102219026B1 (ko) * | 2020-11-27 | 2021-02-23 | (주) 토즈 | 모델학습을 통한 선박설계 오류 예측시스템 |
| WO2021055847A1 (en) * | 2019-09-18 | 2021-03-25 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
| CN113111454A (zh) * | 2021-04-01 | 2021-07-13 | 浙江工业大学 | 基于Kriging模型的RV减速器动态传动误差优化方法 |
| CN113204851A (zh) * | 2021-06-07 | 2021-08-03 | 中国核动力研究设计院 | 一种全焊接组件的公差优化方法 |
| CN113486470A (zh) * | 2021-07-15 | 2021-10-08 | 西北工业大学 | 一种考虑非理想表面接触状态的装配***姿计算方法 |
| CN113705094A (zh) * | 2021-08-27 | 2021-11-26 | 江苏杰瑞信息科技有限公司 | 一种基于pso-gru的船舶燃油管道故障预测方法 |
| CN114048557A (zh) * | 2021-10-25 | 2022-02-15 | 安徽科技学院 | 一种多轴数控机床关键零部件公差优化设计方法 |
| CN114529040A (zh) * | 2022-01-05 | 2022-05-24 | 南京理工大学 | 一种机电产品装配误差在线预测方法 |
| CN115203865A (zh) * | 2022-09-19 | 2022-10-18 | 南京理工大学 | 一种基于数字孪生的产品装配过程机械性能在线预测方法 |
| CN115759175A (zh) * | 2022-11-28 | 2023-03-07 | 武汉大学 | 一种基于近似全局优化的细节层次网格模型逼近方法 |
| CN116050007A (zh) * | 2022-12-08 | 2023-05-02 | 浙江大学 | 基于混合自适应采样代理模型的复杂装备优化设计方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8000945B2 (en) * | 2008-08-08 | 2011-08-16 | The United States Of America Represented By The Secretary Of The Navy | Method for determining heterogeneous bottom friction distributions using a numerical wave model |
| US11124317B2 (en) * | 2018-01-26 | 2021-09-21 | Dalian University Of Technology | Method for prediction of key performance parameters of aero-engine in transition condition |
| CN111475903B (zh) * | 2019-01-07 | 2024-06-18 | 哈尔滨工业大学 | 基于多偏置误差同步补偿的大型高速回转装备多级零部件动力学特性逐级测调和分配方法 |
| US20220076159A1 (en) * | 2020-09-10 | 2022-03-10 | National Technology & Engineering Solutions Of Sandia, Llc | Entity modification of models |
-
2023
- 2023-05-29 CN CN202310615208.3A patent/CN116384257B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201411277A (zh) * | 2012-08-06 | 2014-03-16 | Asml Netherlands Bv | 用於藉由嵌段共聚物之自我組裝在一基板上提供微影特徵之方法 |
| CN106202731A (zh) * | 2016-07-12 | 2016-12-07 | 南京理工大学 | 桥式起重机多柔体动力学结构优化方法 |
| WO2019048506A1 (en) * | 2017-09-08 | 2019-03-14 | Asml Netherlands B.V. | METHODS OF LEARNING OPTICAL CORRECTION OF PROXIMITY ERROR ASSISTED BY AUTOMATIC APPRENTICESHIP |
| WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
| CN110096762A (zh) * | 2019-04-11 | 2019-08-06 | 天津大学 | 一种机床装配误差预测与控制方法 |
| CN110161968A (zh) * | 2019-06-14 | 2019-08-23 | 重庆邮电大学 | 一种基于包裹式原理的数控机床热误差预测方法 |
| CN110457783A (zh) * | 2019-07-24 | 2019-11-15 | 武汉理工大学 | 一种并联举升机构的装配误差分析及公差优化方法 |
| WO2021055847A1 (en) * | 2019-09-18 | 2021-03-25 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
| CN111784061A (zh) * | 2020-07-07 | 2020-10-16 | 广东电网有限责任公司 | 一种电网工程造价预测模型的训练方法、装置和设备 |
| CN111985122A (zh) * | 2020-07-07 | 2020-11-24 | 北京机电工程研究所 | 一种零件公差优化设计方法 |
| CN111931404A (zh) * | 2020-07-31 | 2020-11-13 | 长沙理工大学 | 基于自优化cnn的内膛复杂表面接触碰撞响应预测方法 |
| KR102219026B1 (ko) * | 2020-11-27 | 2021-02-23 | (주) 토즈 | 모델학습을 통한 선박설계 오류 예측시스템 |
| AU2020103882A4 (en) * | 2020-12-03 | 2021-02-11 | Zhimin Li | A Method for Allocating Assembly Tolerance of car body considering the Influence of Welding Deformation |
| CN113111454A (zh) * | 2021-04-01 | 2021-07-13 | 浙江工业大学 | 基于Kriging模型的RV减速器动态传动误差优化方法 |
| CN113204851A (zh) * | 2021-06-07 | 2021-08-03 | 中国核动力研究设计院 | 一种全焊接组件的公差优化方法 |
| CN113486470A (zh) * | 2021-07-15 | 2021-10-08 | 西北工业大学 | 一种考虑非理想表面接触状态的装配***姿计算方法 |
| CN113705094A (zh) * | 2021-08-27 | 2021-11-26 | 江苏杰瑞信息科技有限公司 | 一种基于pso-gru的船舶燃油管道故障预测方法 |
| CN114048557A (zh) * | 2021-10-25 | 2022-02-15 | 安徽科技学院 | 一种多轴数控机床关键零部件公差优化设计方法 |
| CN114529040A (zh) * | 2022-01-05 | 2022-05-24 | 南京理工大学 | 一种机电产品装配误差在线预测方法 |
| CN115203865A (zh) * | 2022-09-19 | 2022-10-18 | 南京理工大学 | 一种基于数字孪生的产品装配过程机械性能在线预测方法 |
| CN115759175A (zh) * | 2022-11-28 | 2023-03-07 | 武汉大学 | 一种基于近似全局优化的细节层次网格模型逼近方法 |
| CN116050007A (zh) * | 2022-12-08 | 2023-05-02 | 浙江大学 | 基于混合自适应采样代理模型的复杂装备优化设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种粒子群模糊支持向量机的航天器参量预测方法;顾胜;魏蛟龙;皮德常;;宇航学报(11);正文全文 * |
| 支持向量机替代模型的遗传优化设计;向国齐;严志坚;黄大贵;;电子科技大学学报(03);正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116384257A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及*** | |
| CN110097205A (zh) | 一种建筑负荷预测用气象预报数据预处理方法 | |
| CN113393211A (zh) | 一种智能化提高自动化生产效率的方法及*** | |
| CN116561681A (zh) | 一种基于数字孪生的融合型故障诊断方法 | |
| Al-Aomar | A robust simulation-based multicriteria optimization methodology | |
| Imen et al. | Generation of disassembly plans and quality assessment based on CAD data | |
| CN116384257B (zh) | 一种空分整装冷箱装配误差预测与公差优化方法 | |
| CN111861002A (zh) | 基于数据驱动高斯学习技术的建筑物冷热负荷预测方法 | |
| CN116629099A (zh) | 一种基于混合代理模型的钣金件多目标优化方法 | |
| CN116360339A (zh) | 一种基于元动作单元数字孪生模型的数控机床可靠性优化方法 | |
| CN107480381B (zh) | 基于模拟退火算法构建响应面模型的方法及应用其的*** | |
| CN114329805A (zh) | 基于自适应代理模型的连接件多学科协同设计优化方法 | |
| CN115640720A (zh) | 一种基于距离控制网格加密的自引力仿真方法 | |
| CN112990601B (zh) | 基于数据挖掘的蜗轮加工精度自愈***及方法 | |
| CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
| CN112488248A (zh) | 一种基于卷积神经网络的代理模型的构建方法 | |
| Shen et al. | Positioning failure error identification of industrial robots based on particle swarm optimization and Kriging surrogate modeling | |
| Wang et al. | Efficient climate simulation via machine learning method | |
| Yu-zhao et al. | Price forecasting algorithm for coal and electricity based on PSO and RBF neural network | |
| Jones et al. | Bayes linear analysis of risks in sequential optimal design problems | |
| CN115081200B (zh) | 复杂设备的加速因子及失效边界域分析方法 | |
| Torres et al. | Efficiency and Reliability Enhancement of High Pressure Die Casting Process Through a Digital Twin. | |
| Song et al. | Equipment spare parts demand forecasting model based on grey neural network | |
| CN113449258B (zh) | 智能电表的质量评估方法、装置、终端设备及存储介质 | |
| CN112560898B (zh) | 一种基于深度学习的负荷时空预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |