Ramowy cyfrowy bliźniak wdrażalny do kompresji specyfikacji momentów dokręcania śrub w montażu nadwozi EV

Dlaczego to ma znaczenie dla codziennych samochodów elektrycznych

Nowoczesne pojazdy elektryczne (EV) są połączone tysiącami śrub. Jeśli są dokręcone zbyt słabo, części mogą grzechotać lub ulegać awarii; zbyt mocne dokręcenie powoduje zużycie elementów lub spowolnienie produkcji. Producenci radzą sobie, stosując długie, skomplikowane tabele ustawień momentu — niemal dla każdego rodzaju śruby osobną pozycję. Artykuł pokazuje, jak „cyfrowy bliźniak” auta i fabryki może znacząco uprościć te tabele momentów, zachowując jednocześnie bezpieczeństwo, cichą eksploatację i przystępność produkcji EV.

Jak śruby łączą się z rytmem fabryki

W nadwoziu EV śruby muszą wytrzymać lata drgań, pokonywania zakrętów, hamowania i pulsujących sił napędu elektrycznego. Inżynierowie zwykle działają ostrożnie, przypisując różnym grupom śrub wiele nieznacznie odmiennych celów momentu. Jednak każdy unikatowy moment wymaga konkretnego programu narzędzia i końcówki, co spowalnia produkcję i komplikuje planowanie dla zautomatyzowanych wózków przewożących części (AGV). Autorzy przeformułowują to jako problem całego systemu: czy można ujednolicić ustawienia momentów w całym samochodzie, zachowując marginesy bezpieczeństwa i utrzymując płynność oraz niskie koszty linii montażowej?

Wirtualna fabryka, która przewiduje, optymalizuje i weryfikuje

Zespół buduje wdrażalny cyfrowy bliźniak odwzorowujący zarówno mechanikę połączeń śrubowych, jak i realia zakładu. Jedna warstwa modeluje, jak zadany moment przekłada się na siłę docisku trzymającą części, uwzględniając tarcie, geometrię śruby, zużycie przy ponownym użyciu oraz trójwymiarowe środowisko drgań wokół każdego połączenia. Sprawdza, czy śruby spełniają granice zmęczeniowe i bezpieczeństwa przy skrajnych obciążeniach. Druga warstwa monitoruje „podpisy” dokręcania — krzywe moment‑versus‑kąt rejestrowane przy każdym dokręcaniu — i używa nowoczesnego modelu do uczenia sekwencji do oszacowania prawdopodobieństwa odrzutu połączenia. Trzecia warstwa odwzorowuje logistykę linii, w tym czasy przejazdu AGV, bilans stanowisk pracy oraz wpływ zmiany narzędzi lub ustawień momentu na ogólną efektywność sprzętu.

Poszukiwanie lepszych tabel momentów, a nie jednego „najlepszego” rozwiązania

Ponieważ nie istnieje pojedynczy idealny kompromis między jakością, kosztem i szybkością, autorzy stosują wielokryterialny algorytm poszukiwań inspirowany ruchem rojów. Każda „cząstka” w tym roju koduje pełną tabelę momentów wraz z powiązanymi decyzjami, takimi jak liczba potrzebnych stanowisk czy trasy AGV. Rój eksploruje kombinacje zmniejszające oczekiwane odrzuty i koszt jednostkowy przy jednoczesnym przestrzeganiu rygorystycznych reguł bezpieczeństwa, limitu wskaźnika odrzuceń oraz praktycznych ograniczeń związanych z drganiami i tarciem. Rozwiązania bliskie przekroczenia są delikatnie korygowane z powrotem do bezpiecznego regionu poprzez drobne dostosowania momentów, a zewnętrzne archiwum przechowuje najbardziej obiecujące kompromisy. Kluczowe jest to, że najlepsze kandydatury są okresowo ponownie oceniane przez wersję cyfrowego bliźniaka o wyższej wierności, która propaguje niepewności — pełniąc rolę bramy wydawniczej przed zatwierdzeniem jakiegokolwiek ustawienia na linii.

Od symulacji do prawdziwych EV na drodze

Workflow przetestowano na trzech powiązanych platformach EV, a następnie wdrożono na pełny rok na linii przemysłowej produkującej 5 524 pojazdy. Cyfrowy bliźniak uczy się specyfiki platform, takich jak masa i rozstaw osi, a mimo to znajduje bardzo podobne punkty „kolanowe” — obszary pracy, w których niewielki wzrost kosztu przynosi dużą poprawę jakości. Korzystając z tych wniosków, inżynierowie skompresowali tabelę momentów z 23 różnych ustawień do 8, zmniejszając liczbę wariantów narzędzi i programów o około dwie trzecie. To uproszczenie redukuje przezbrojenia końcówek o 31% i czas bezczynności AGV o 14%, przy jednoczesnym utrzymaniu zmierzonych wskaźników luzowania śrub na poziomie między 0,01% a 0,05%, mieszcząc się w wewnętrznym celu firmy. Krzyżowe weryfikacje testami drogowymi na zróżnicowanych nawierzchniach potwierdzają, że ustandaryzowane momenty nadal chronią przed luzowaniem w warunkach rzeczywistych drgań.

Co to oznacza dla kierowców i fabryk

Dla laika przesłanie jest takie, że mądrzejsze modele wirtualne pozwalają producentom samochodów zmniejszyć liczbę ustawień bez osłabiania bezpieczeństwa. Łącząc modele oparte na fizyce, predykcję jakości opartą na danych i logistykę fabryczną w zamkniętej pętli, proponowany framework znajduje harmonogramy momentów, które zabezpieczają śruby nadwozia EV przy jednoczesnym usprawnieniu produkcji. Efektem jest bardziej spójny proces montażu, mniej straconego czasu i narzędzi oraz ciche, niezawodne pojazdy — korzyści widoczne nie tylko w jednym modelu, lecz w całej grupie powiązanych platform.

Cytowanie: Wang, H., Huang, Z., Lan, Z. et al. A deployable digital twin framework for bolt-torque specification compression in EV chassis assembly. Sci Rep 16, 13164 (2026). https://doi.org/10.1038/s41598-026-43641-2

Słowa kluczowe: montaż pojazdów elektrycznych, dokręcanie śrub, cyfrowy bliźniak, optymalizacja fabryki, algorytmy wielokryterialne