高级检索

  • ISSN 1006-3080
  • CN 31-1691/TQ

叶片水射流表面强化工艺的数字孪生系统设计

杨悦 姚树磊 刘长利 张显程 张成成

杨悦, 姚树磊, 刘长利, 张显程, 张成成. 叶片水射流表面强化工艺的数字孪生系统设计[J]. 华东理工大学学报(自然科学版). doi: 10.14135/j.cnki.1006-3080.20220312002
引用本文: 杨悦, 姚树磊, 刘长利, 张显程, 张成成. 叶片水射流表面强化工艺的数字孪生系统设计[J]. 华东理工大学学报(自然科学版). doi: 10.14135/j.cnki.1006-3080.20220312002
YANG Yue, Yao Shulei, LIU Changli, ZHANG Xiancheng, ZHANG Chengcheng. Design of Digital Twin System for Blade Water Jet Surface Strengthening Process[J]. Journal of East China University of Science and Technology. doi: 10.14135/j.cnki.1006-3080.20220312002
Citation: YANG Yue, Yao Shulei, LIU Changli, ZHANG Xiancheng, ZHANG Chengcheng. Design of Digital Twin System for Blade Water Jet Surface Strengthening Process[J]. Journal of East China University of Science and Technology. doi: 10.14135/j.cnki.1006-3080.20220312002

叶片水射流表面强化工艺的数字孪生系统设计

doi: 10.14135/j.cnki.1006-3080.20220312002
基金项目: 国家自然科学基金(52075176)
详细信息
    作者简介:

    杨悦:杨 悦(1998—),女,江苏盐城人,硕士生,主要研究方向为数字孪生。E-mail:1934188231@qq.com

    通讯作者:

    刘长利,E-mail:clliu@ecust.edu.cn

  • 中图分类号: TH113.1

Design of Digital Twin System for Blade Water Jet Surface Strengthening Process

  • 摘要: 水射流表面强化是一种有效提升航空发动机叶片疲劳寿命的工艺方法。针对水射流表面强化装备和工艺系统还不具备对强化工艺的监测、检测、预测和决策的能力,将数字孪生技术引入到水射流表面强化工艺。首先根据水射流强化工艺原理,明确了水射流表面强化的数字孪生系统的框架;其次在实体层、模型层、数据层、应用层以及数据传输五个层面上,完成了数字孪生系统的设计,实现了物理系统的强化装备和工艺的虚拟映射以及各层级之间的连接和交互。应用实例表明,所构建的数字孪生系统能够实时监测强化设备的工作状态、检测强化后叶片的表面完整性、预测特定强化工艺下的强化效果,为强化工艺的选择和优化提供决策支持。

     

  • 图  1  水射流工作原理

    Figure  1.  The working principle of water jet

    图  2  系统功能性需求

    Figure  2.  System functional requirements

    图  3  系统设计开发流程

    Figure  3.  Process of system design and development

    图  4  数字孪生系统架构

    Figure  4.  Architecture of the digital twin system

    图  5  水射流表面强化系统

    Figure  5.  Water jet surface strengthening system

    图  6  模型层构成

    Figure  6.  The composition of virtual space

    图  7  机械臂示意图

    Figure  7.  Schematic diagram of the robotic arm

    图  8  机械臂Simscape模型

    Figure  8.  Simscape model of robotic arm

    图  9  响应图

    Figure  9.  Response Plot

    图  10  预测值-实际值图

    Figure  10.  Predicted vs. Actual plot

    图  11  最小MSE图

    Figure  11.  Minimum MSE plot

    图  12  数据库交互框架

    Figure  12.  Framework of database interaction

    图  13  应用平台界面

    Figure  13.  Interface of application platform

    图  14  用户登录

    Figure  14.  User login

    图  15  强化过程的状态监测

    Figure  15.  Strengthen condition monitoring in the process

    图  16  强化过程的质量检测

    Figure  16.  Strengthen quality inspection in the process

    图  17  表面完整性的离线预测

    Figure  17.  Off line prediction of surface integrity

    表  1  机械臂DH参数

    Table  1.   DH parameters of robotic arm

    Linkθ/radd/ma/mα/rad
    1000.35$ -\pi /2 $
    2$ -\pi /2 $01.1450
    3000.2$ -\pi /2 $
    401.77650$ \pi /2 $
    5$ -\pi $00$ \pi /2 $
    600.2200
    下载: 导出CSV

    表  2  强化工艺参数

    Table  2.   Strengthening process parameters

    NumberPressure/
    MPa
    Distance/
    mm
    Track
    interval/mm
    Velocity/
    mm·s−1
    Angle/
    (°)
    Particle type
    160100.17.5901
    260100.110901
    370100.112.5901
    480100.1512.5901
    580100.1510901
    680100.157.5901
    7100100.058902
    8140100.055902
    9180100.055902
    10100100.0512902
    11100100.15902
    12100100.155902
    下载: 导出CSV

    表  3  表面完整性参数

    Table  3.   Surface integrity parameters

    NumberRa/
    μm
    Sa/
    μm
    Hardness/
    HV
    Stress/
    MPa
    10.6832.544411.72−854.61
    20.6983.395430.15−927.39
    30.6432.706411.15−805.66
    40.7525.190417.75−785.92
    50.7023.489415.39−703.63
    60.7234.700403.33−651.45
    70.4250.854428.74−646.33
    80.6391.073425.41−695.84
    91.0631.837447.03−695.34
    100.3970.908448.81−661.42
    110.5740.999439.03−743.64
    120.4290.935432.85−756.21
    下载: 导出CSV

    表  4  训练模型的均方根误差对比

    Table  4.   Comparison between the RMSE of the trained models

    ModelRMSE/MPaActual value/MPapredictive value/MPaError
    Original model64.7595−714.55−775.48238.5%
    Model one58.0266−646.38−699.64378.2%
    Model two59.7569−643.61−697.23408.3%
    下载: 导出CSV

    表  5  用户信息数据库表

    Table  5.   User information database table

    Field nameType of dataDefaultsPrimary key
    UserIDVarchar(20)NULLYES
    UserNmaeVarchar(10)NULLNO
    PasswordVarchar(20)NULLNO
    下载: 导出CSV

    表  6  工艺参数数据库表

    Table  6.   Process parameter database table

    Field nameType of dataDefaultsPrimary key
    NumberintNULLYES
    PressuredoubleNULLNO
    DistancedoubleNULLNO
    SpacingdoubleNULLNO
    VelocitydoubleNULLNO
    AngledoubleNULLNO
    Particle TypeintNULLNO
    下载: 导出CSV

    表  7  表面完整性参数数据库表

    Table  7.   Surface integrity parameter database table

    Field nameType of dataDefaultsPrimary key
    NumberintNULLYES
    StressdoubleNULLNO
    RoughnessdoubleNULLNO
    HardnessdoubleNULLNO
    下载: 导出CSV

    表  8  强化中监测的工艺参数

    Table  8.   Process parameters monitored during strengthening

    Time/sDistance/mmVelocity(/mm·s−1)Angle/(°)
    4.483015.17.390
    4.487015.17.290
    4.489915.17.290
    4.492815.07.290
    4.496315.07.290
    4.500215.07.290
    下载: 导出CSV

    表  9  强化过程中预测的表面完整性

    Table  9.   Predicted surface integrity parameters during strengthening

    Time/sStress/MPaHardness/HVRa/μm
    4.4830−712.4412.9−0.8764
    4.4870−712.4412.9−0.8768
    4.4899−712.4412.9−0.8772
    4.4928−712.4412.9−0.8765
    4.4963−712.4412.9−0.8773
    4.5002−712.4412.9−0.8768
    下载: 导出CSV
  • [1] 王屹桢. 水射流喷丸强化3D打印钛合金材料表面关键技术研究[D]. 山东: 山东理工大学, 2021.
    [2] 叶峰. 基于高压水射流的塑性金属表面强化研究[D]. 江苏: 江南大学, 2020.
    [3] Azhari A, Schindler C, Godard C, et al. Effect of multiple jet passes treatment in waterjet peening on fatigue performance[C]// 1st International Conference on Applied Surface Science(ICASS 2015). Shanghai, China, 2015: 1-20.
    [4] 于勇, 范胜廷, 彭关伟, 等. 数字孪生模型在产品构型管理中应用探讨[J]. 航空制造技术, 2017(7): 41-45. doi: 10.16080/j.issn1671-833x.2017.07.041
    [5] Chinesta F, Cueto E, Abisset-Chavanne E, et al. Virtual, Digital and Hybrid Twins: A New Paradigm in Data-Based Engineering and Engineered Data[J]. Archives of Computational Methods in Engineering, 2020, 27: 105-134. doi: 10.1007/s11831-018-9301-4
    [6] Chapuis F, Beley J D, Garreau S, et al. Multibody simulation and control of kinematic systems with FMI/FMU[C]// Proceedings of the 2nd Japanese Modelica Conference. Tokyo, Japan, 2018. Linköping University Electronic Press, 2019: 261-263.
    [7] Schleich B, Anwer N, Mathieu L, et al. Shaping the digital twin for design and production engineering[J]. CIRP Annals - Manufacturing Technology, 2017, 66(1): 141-144. doi: 10.1016/j.cirp.2017.04.040
    [8] Ding K, Chan F T S, Zhang X, et al. Defining a Digital Twin-based Cyber-Physical Production System for autonomous manufacturing in smart shop floors[J]. International Journal of Production Research, 2019, 57(20): 6315-6334. doi: 10.1080/00207543.2019.1566661
    [9] Sun X, Bao J, Li J, et al. A digital twin-driven approach for the assembly-commissioning of high precision products[J]. Robotics and Computer-Integrated Manufacturing. 2020, 61: 101839.
    [10] Tao F, Sui F, Liu A, et al. Digital twin-driven product design framework[J]. International Journal of Production Research. 2018, 57(12): 3935-3953.
    [11] 杨能俊. 基于数字孪生的离散制造车间自适应调度方法研究[D]. 江苏: 南京航空航天大学, 2020.
    [12] 雷玉勇, 万霞. 高速水射流特种精密加工技术[J]. 精密制造与自动化, 2003(S1): 138-142. doi: 10.3969/j.issn.1009-962X.2003.z1.054
    [13] 宗学妍. 基于数字孪生的车间作业仿真与监控系统的设计与实现[D]. 辽宁: 中国科学院大学(中国科学院沈阳计算技术研究所), 2021.
    [14] 黄祖广, 陶飞, 刘蔚然, 等. 数字孪生五维模型及十大领域应用[J]. 计算机集成制造系统, 2019, 25(01): 1-18. doi: 10.13196/j.cims.2019.01.001
    [15] 陶飞, 刘蔚然, 刘检华, 等. 数字孪生及其应用探索[J]. 计算机集成制造系统, 2018, 24(01): 1-18. doi: 10.13196/j.cims.2018.01.001
    [16] MATLAB & Simulink. Hyperparameter Optimization in Regression Learner App[EB/OL]. MathWorks 中国. [2022.06. 21]. https://ww2.mathworks.cn/help/stats/train-regression-model-using-hyperparameter-optimization-in-regression-learner-app.html
  • 加载中
图(17) / 表(9)
计量
  • 文章访问数:  2
  • HTML全文浏览量:  0
  • PDF下载量:  0
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-03-12
  • 网络出版日期:  2022-07-12

目录

    /

    返回文章
    返回