Прогнозирование геометрических параметров сборок изделий с использованием нейросетевых моделей

Abstract

Использование прогнозных моделей технологических процессов сборки ответственных изделий позволит обеспечить адаптивное управление сборкой на основе измеренной информации. Прямое моделирование процесса сопряжений с использованием численных моделей сопряжений и конечно-элементных моделей сборок требует существенных вычислительных ресурсов и зачастую сопровождается проблемами сходимости решений. Для решения приведенных проблем возможно использование нейросетевых моделей, описывающих основные закономерности процесса сопряжения на основе накопленных результатов. В работе приведена методика для прогнозирования точности сопряжения деталей на основе действительных геометрических моделей поверхностей. Действительные модели деталей представляют собой массивы точек их поверхностей. В методике используется разработанная модель, позволяющая производить расчет сборочных геометрических параметров деталей. Рассмотрены результаты моделирования сопряжения деталей диск и проставка ротора турбины. Для прогноза параметра «радиальное биение» в зависимости от величины и характера отклонения формы и величины натяга сопрягаемых поверхностей была создана и обучена радиально-базисная нейронная сеть. The use of predictive models of technological processes for the assembly of critical products will allow for the adaptive management of the assembly based on the measured information. Direct simulation of the conjugation process using numerical models of interfaces and finite element models of assemblies requires significant computational resources and is often accompanied by convergence problems of solutions. To solve these problems, it is possible to use neural network models describing the main regularities of the conjugation process on the basis of accumulated results. In this paper, a technique is given for predicting the accuracy of the interface of parts on the basis of real geometric models of surfaces. The actual parts models are arrays of points on their surfaces. The methodology uses the developed model, which allows to calculate the assembly geometric parameters of parts. The results of modeling the mating of disk and spacer of the turbine rotor are considered. To predict the parameters of radial runout of the disk in the assembly, depending on the magnitude and nature of the form deviation and the magnitude of the gap of the interfaced surfaces, a radial-basic neural network was created and trained.