Создание цифрового двойника процесса сборки рабочего колеса компрессора

Бесплатный доступ

Разработан цифровой двойник процесса сборки рабочего колеса компрессора, позволяющий прогнозировать угловые развороты лопаток, возникающие при сборке. Вычисляемые углы характеризуют натяги в соединениях торцевых полок лопаток. На входе в цифровой двойник поступают данные по отклонениям геометрии с контрольных операций деталей. При реализации цифрового использован метод случайного леса, обучение которого производилось на множестве численных экспериментов, выполненных в среде ANSYS с использованием конечно-элементной модели собранного рабочего колеса. Результаты экспериментов показали, что погрешность расчетов с использованием цифрового двойника не превышает 15 угловых минут.

Еще

Цифровой двойник, рабочее колесо, сборка, герметичность, конечно-элементная модель, метод случайного леса

Короткий адрес: https://sciup.org/148326097

IDR: 148326097   |   DOI: 10.37313/1990-5378-2023-25-1-28-35

Список литературы Создание цифрового двойника процесса сборки рабочего колеса компрессора

  • Иноземцев А.А., Нихамкин М.А., Сандрацкий В.Л. Основы конструирования авиационных двигателей и энергетических установок / А. А. Иноземцев, М.А. Нихамкин, В.Л. Сандрацкий. - Т.2. - М.: Машиностроение, 2008. - 365 с.
  • Непомилуев, В.В. Повышение качества сборки путем обеспечения статистической управляемости технологических процессов изготовлекния деталей / В.В. Непомилуев, И.В. Дюпин // Сборка в машиностроении, приборостроении. - 2008. - № 2. - C. 3-7.
  • Kannan S.M., Asha A., Jayabalan V. A new method in selective assembly to minimize clearance variation for a radial assembly using genetic algorithm // Quality engineering. 2005. Vol. 17. No. 4. P. 595-607. DOI: 10.1080/08982110500225398.
  • Samper S., Adragna P-A., Favreliere H., Pillet M. Modeling of 2D and 3D assemblies taking into account form errors of plane surfaces // J Comput Inf Sci Eng. 2009. Vol. 9. No. 2. P. 1-12. DOI: 10.1115/1.3249575.
  • Vezzetti E. Computer aided inspection: design of customer-oriented benchmark for noncontact 3D scanner evaluation // The International Journal of Advanced Manufacturing Technology. 2009. No. 41. P.1140-1151. DOI: 10.1007/s00170-008-1562-x.
  • Chang H.-C., Li A.C. Automatic inspection of turbine blades using a 3-axis CMM together with a 2-axis dividing head // The International Journal of Advanced Manufacturing Technology. 2005. No.26. P.789-796. DOI: 10.1007/s00170-003-1877-6.
  • Savio E., Chiffre L. De., Schmitt R. Metrology of freeform shaped parts // CIRP Annals - Manufacturing Technology. 2007. Vol. 56. No. 2. P. 810-835. DOI: 10.1016/j.cirp.2007.10.008.
  • Groch D., Poniatowska M. simulation tests of the accuracy of fitting two freeform // International Journal of Precision Engineering and Manufacturing. 2019. Vol. 21. P. 23-30. DOI: 0.1007/s12541-019-00252-4.
  • Zhang Z., Zhang Z., Jin X., Zhang Q. A novel modelling method of geometric errors for precision assembly // The International Journal of Advanced Manufacturing Technology. 2018. Vol. 94. P. 11391160. DOI: 10.1007/s00170-017-0936-3.
  • Непомилуев В.В., Майорова Е.А. Оптимизация метода индивидуального подбора для многозвенных размерных цепей / В.В. Непомилуев, Е.А. Майорова // Известия МГТУ «МАМИ». - 2008. -№ 2(6). - C. 302-309.
  • Осипович Д.А., Ярушин С.Г., Макеев А.Б. Исследование алгоритмов подбора лопаток при сборке сопловых аппаратов газотурбинного двигателя / Д.А. Осипович, С.Г. Ярушин, А.Б. Макеев // Сборка в машиностроении, приборостроении. - 2018. - № 7(216). - C. 313-319.
  • Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. No. 1. P. 5-32. DOI: 10.1023/A:1010933404324.
  • Cristianini N., Shawe-Taylor J. An introduction to support vector machines and other kernel-based learning methods // Cambridge University Press, 2000. DOI: 10.1017/CBO9780511801389.
  • Murphy K. P. Machine Learning: A Probabilistic Perspective // The MIT Press. 2012. ^apter 14.4.3, P. 492-493.
Еще
Статья научная