负公差原理在装配中的应用

应用负公差原理来计算调节环或修配环尺寸比正公差原理计算更为简便，直观，适合于实际应用。     

复杂装配尺寸链的分析计算

针对复杂装配尺寸链分析计算需要解决的关键问题,提出复杂装配尺寸链的计算方法及基于特征的装配信息模型.该模型由装配单元、装配单元与子装配单元之间的从属关系、装配单元之间的约束关系和零件的属性组成.基于模型,给出装配尺寸链的自动生成算法.基于向量空间表示法对装配尺寸链进行表示,能直观方便地分析装配误差累积和传递对装配尺寸链封闭环的影响.     

统计公差在装配尺寸链中的应用

在装配精度设计中常常会遇到图1a所示齿轮箱的各有关尺寸设计问题,亦即图1b所示装配尺寸链的计算问题。图中封闭环公差T按装配精度要求给定,各组成环l_1、l_2、l_3、l_4基本尺寸设计出来后,要解决的问题是如何给出各组成环的公差及上、下偏差,也     

尺寸链在机器装配中的应用

着重分析应用尺寸链的原理,达到装配精度的方法,合理解决机器质量的保证问题。     

并行组合模拟退火算法在计算机辅助选配系统的应用

计算机辅助选择装配是利用计算机，并采用有效的算法，对装配尺寸链中各组成环的尺寸进行合理的搭配选择，以达到减小封闭环偏差的变动范围，提高装配精度的目的。现有的选配工作缺少一个理想的物理模型来保证高精度的装配。提出了一个新的计算机辅助选配系统，采用田口博士质量损失模型作为装配匹配精度指标，同时以总成本为优化目标函数，采用并行组合的模拟退火优化方法求解零部件的匹配。事例分析了选配系统的应用。     

尺寸链仿真技术在精密装配中的应用试验

微系统产品对整机装配精度要求非常高,而装配精度直接受限于零件各配合尺寸的公差设计。如何既满足装配精度,又有效降低零件加工成本,成为公差设计急需研究的方向。针对上述问题,设计了典型样件,通过尺寸链仿真分析,将所需装配精度分解到各配合尺寸公差,检测结果表明该技术实现了设定的装配精度,可以作为公差设计的指导工具。     

假偏差在修配法装配尺寸链解算中的应用研究

通过对修配法装配过程的分析,得到一个确定修配的修配环尺寸的新方法－－假偏差法,使复杂的分析计算得以简化,且有规律可循,使计算过程、正确。     

复杂装配体整机动平衡理论研究

对复杂装配体的动平衡理论进行了研究,从系统动不平衡类型的确定、复杂装配体动平衡的原理、方法以及系统动不平衡的校正3个方面,分析了复杂装配体动平衡的特点,给出了复杂装配体整机动平衡的理论方法,为复杂装配体整机动平衡试验提供了理论依据。     

复杂装配尺寸链的图论法求解研究

尺寸链分析是保证机器装配质量的重要方法.在机械部件的装配中,如果装配的零件数目太多、零件之间的尺寸关系复杂,那么装配尺寸链的求解将变得很困难.图论是一个新兴的数学分支,目前在物理学、化学、运筹学、计算机科学、信息论、网络理论以及经济管理等许多领域都得到广泛的应用.在工程机械装配领域也越来越受到人们的重视.基于装配尺寸链的图论模型,运用矩阵理论提出了一种求解复杂装配尺寸链的方法,并结合滚轮部件装配实例,验证了此方法的有效性.     

虚公差及其在装配尺寸链中的应用

一、虚公差问题的提出及概念在公差中规定上偏差是尺寸允许的最大值,下偏差是尺寸允许的最小值,只要能保证尺寸不大于上偏差,同时又可保证尺寸不小于下偏差,那么这样的尺寸就可满足公差要求。根据上下偏差的大小,公差可分以下三种情况: 1.上偏差大于下偏差上差减下差即公差。根据定义,在上下偏差之间的任意一个尺寸都能满     

轿车前大灯装配结构的自适应偏差补偿方法研究

分析现有大灯尺寸配合的现状,从缩短尺寸链的角度提出针对大灯定位结构进行设计优化。重点研究三个问题:(1)现有尺寸链模型分析;(2)关键因素的识别及其工艺结构的改进;(3)从理论计算和实践两方面进行验证。基于自适应偏差补偿思想使用工装夹具进行装配工艺优化。并解决由此带来的刚性零件的过定位约束力释放的问题。用实车测量数据的对比形式验证该方法。     

基于多装配尺寸链的计算机辅助选择装配

现有计算机辅助选择装配理论中只有针对单一装配尺寸链的选配模型,提出基于多装配尺寸链的选配模型,将计算机辅助选择装配转化为多目标优化问题,新模型为各装配尺寸链提供了权值和修正值.采用遗传模拟退火优化算法求解,最后通过事例分析该模型的效率与可行性.     

基于零件约束的装配规划技术研究

装配规划是虚拟装配中的关键技术。这里将装配序列的分层规划方法和拆卸法求解装配序列的方法相结合，在研究产品装配层次结构的基础上，以子装配体为研究对象，利用零件之间的装配约束信息求解零件的拆卸方向和顺序，进而实现产品的装配顺序和路径规划。     

基于蚁群算法的选择装配

选择装配是一种由低加工精度零件获得高精度装配件的方法,可归纳为一个组合优化问题,蚁群算法是解决这类问题的有效方法.综合考虑选择装配中的匹配率和匹配精度,提出以综合装配质量指标为选择装配的目标函数.为了求解选择装配的组合优化问题,在蚁群算法的框架内提出一个考虑信息素分布为节点模式的蚁群算法解构造图模型,并详细讨论蚁群算法的实现过程.通过对实例的仿真计算,考证该方法的实效性.     

基于Witness仿真软件的分组装配适配率预测

分组装配技术是一种对按经济加工精度设定配合尺寸公差,对完工后的配合尺寸检测、分组、同组号零件装配的方法。基于不同理论的分组方法都是在保证装配精度的前提下,以较低制造成本获得预期的适配率。在讨论等批量配合零件统计分组装配技术的基础上,提出了一种根据配合零件批的统计参数采用Witness仿真软件对分组装配适配率进行预测的方法,并据此来确定投入加工的配合零件批的数量,从而为编制生产计划提供了指导。     

复杂装配体内腔空间搜索分析技术研究及实现

为实现对复杂装配体的内腔进行搜索和分析,在研究空间索引和空间搜索的常用技术与理论基础上,分析应用于复杂装配体的空间索引与空间搜索的关键技术与解决方案,提出一种用于搜索复杂装配体内腔空间的空间搜索方法,并给出算法的实现和实例验证.     

Optimum manufacturing tolerance to selective assembly technique for different assembly specifications by using genetic algorithm

Tolerance on parts dimension plays a vital role as the quality of the product depends on sub components tolerance. Thus, precision products that are manufactured reflect at high manufacturing cost. To overcome this situation, sub components of an assembly may be manufactured with wider tolerance, measured (using latest technologies like image processing) and grouped in partition and corresponding group components may be mated randomly. This present work is to obtain an optimum manufacturing tolerance to selective assembly technique using GA and to obtain maximum number of closer assembly specification products from wider tolerance sub components. A two components product (fan shaft assembly) is considered as an example problem, in which the subcomponents are manufactured with wide tolerance and partitioned into three to ten groups. A combination of best groups is obtained for the various assembly specifications with different manufacturing tolerances. The proposed method resulted nearly 965 assemblies produced out of one thousand parts with 15.86% of savings in manufacturing cost.     

虚拟装配设计系统的研究

着重描述了在虚拟装配的过程中,所涉及到的装配建模、模拟信息的预处理、装配“预计划”、虚拟装配设计和虚拟装配过程评价等关键技术。     

基于CATIA中DELMIA的虚拟装配技术的应用

以某产品的模具为例,对虚拟装配技术在模具产品上的运用进行了初步的探讨,从虚拟装配的实现流程、产品的层次结构划分、装配顺序规划及路径规划进行了分析,并基于CATIA实现了该产品组件的装配过程仿真,确定了合理的装配顺序和路径,为虚拟装配技术在产品上的深入应用提供了有益的探索。结合装配工艺的特点和要求,提出了基于虚拟装配技术进行装配工艺设计的流程;最后针对装配工艺设计的实现方法和软件系统做了概述。     

Optimising tolerance allocation for mechanical components correlated by selective assembly

Selective assembly can enlarge the tolerances of mechanical components for easier manufacturing. However, the non-independent dimensions of correlated components make it difficult to optimise tolerance allocation for an assembly. This paper proposes a solution for this constrained optimisation problem consisting of tolerances and non-independent dimensions as design variables. The approach is to develop a simplified algorithm applying a Lagrange multiplier method to evaluate the optimal tolerances efficiently. The solution is shown to be a global optimum at the given correlation coefficients. The correlation coefficients are key elements in determining the optimal solution, which is demonstrated in the given examples. The results are helpful in designing tolerances for selective assembly.Notation A _j coefficient matrix off _j - B _i coefficient of cost function - C total manufacturing cost function - C _i manufacturing cost function forx _i - F _j thejth dimensional constraint function - f _j thejth quadratic constraint function - f quadratic constraint vector - H _j thejth Hessian matrix - J _kj element ofn×m Jacobian matrix - L Lagrangian - m number of assembly dimensions - n number of component dimensions - p number of equality dimensional constraints - T tolerance vector of component dimensions [mm] or [°] - tolerance ofx _i [mm] or [°] - tolerance ofZ _j [mm] or [°] - x component dimension vector - x midpoint vector - x _i component dimension [mm] or [°] - x _i midpoint ofx _i [mm] or [°] - Z _j assembly dimension [mm] or [°] - _j confidence coefficient forZ _j - _i confidence coefficient forx _i> - _j given design value ofZ _j [mm] or [°] - Lagrange multiplier vector - _j thejth Lagrange multiplier - * Lagrange multiplier vector at the optimum solution - correlation coefficient forx _i andx _k - _x standard deviation vector - _x ^* standard deviation vector at the optimum solution - _x ⁰ candidate point satisfying the constraintsf( _x ^* )=0 - standard deviation ofx _i