Uma estrutura de gêmeo digital implantável para compressão de especificações de torque de parafusos na montagem de chassis de veículos elétricos

Por que isso importa para carros elétricos do dia a dia

Veículos elétricos (VEs) modernos são mantidos unidos por milhares de parafusos. Se esses parafusos forem apertados de forma muito frouxa, peças podem vibrar ou falhar; apertados demais, componentes se desgastam ou a produção fica mais lenta. As montadoras lidam com isso usando tabelas longas e complicadas de configurações de torque — uma para quase todo tipo de parafuso. Este artigo mostra como um “gêmeo digital” tanto do carro quanto da fábrica pode simplificar drasticamente essas tabelas de torque mantendo os VEs seguros, silenciosos e com custo de fabricação controlado.

Como parafusos e ritmo da fábrica estão ligados

Em um chassis de VE, os parafusos devem resistir a anos de vibração, curvas, frenagens e às forças pulsantes do trem de força elétrico. Os engenheiros geralmente adotam margens de segurança ao atribuir muitos alvos de torque ligeiramente diferentes a diferentes famílias de parafusos. Mas cada torque único exige programas de ferramenta e garras finais específicos, o que retarda a produção e complica o agendamento de veículos guiados automaticamente (AGVs) que entregam peças. Os autores reformulam isso como um problema de sistema completo: podemos padronizar as configurações de torque no carro inteiro mantendo as margens de segurança e mantendo a linha de montagem fluindo de forma eficiente e econômica?

Uma fábrica virtual que prevê, otimiza e checa duas vezes

A equipe constrói um gêmeo digital implantável que espelha tanto a mecânica das juntas parafusadas quanto as realidades do piso de fábrica. Uma camada modela como um torque comandado se traduz na força de aperto que mantém as peças unidas, levando em conta atrito, geometria do parafuso, desgaste por reutilização e o ambiente tridimensional de vibração ao redor de cada junta. Ela verifica se os parafusos atendem aos limites de fadiga e segurança sob cargas de pior caso. Uma segunda camada monitora as “assinaturas” de aperto — as curvas torque versus ângulo registradas enquanto cada parafuso é acionado — e usa um modelo moderno de aprendizado de sequências para estimar a chance de que uma fixação seja posteriormente rejeitada. Uma terceira camada representa a logística da linha, incluindo tempos de deslocamento dos AGVs, balanceamento de estações de trabalho e o impacto de trocar ferramentas ou configurações de torque na eficácia geral do equipamento.

Procurando melhores tabelas de torque, não apenas uma resposta “melhor”

Como não existe um único trade‑off perfeito entre qualidade, custo e velocidade, os autores usam um algoritmo de busca multiobjetivo inspirado no movimento de enxames. Cada “partícula” desse enxame codifica uma tabela completa de torques mais decisões relacionadas, como quantas estações de trabalho são necessárias e como os AGVs são roteados. O enxame explora combinações que reduzem rejeições esperadas e custo por unidade enquanto respeita regras estritas de segurança, um teto de taxa de rejeição e limites práticos sobre vibração e atrito. Soluções próximas do limite são empurradas de volta para a região segura fazendo apenas pequenos ajustes de torque, e um arquivo externo mantém os trade‑offs mais promissores. Crucialmente, os melhores candidatos são periodicamente reavaliados por uma versão de maior fidelidade do gêmeo digital que propaga incertezas, atuando como uma porta de liberação antes que qualquer configuração seja aprovada para o piso de fábrica.

Da simulação a VEs reais nas ruas

O fluxo de trabalho é testado em três plataformas de VE relacionadas e depois implantado por um ano inteiro em uma linha industrial que construiu 5.524 veículos. O gêmeo digital aprende detalhes específicos de plataforma como massa e entre-eixos, mas encontra pontos de “joelho” muito semelhantes — regiões operacionais onde um pequeno aumento de custo proporciona um grande ganho em qualidade. Usando esses insights, os engenheiros comprimem a tabela de torque de 23 configurações diferentes para 8, reduzindo o número de variantes de ferramentas e programas em cerca de dois terços. Essa simplificação reduz trocas de garras finais em 31% e tempo ocioso de AGVs em 14%, tudo isso mantendo as taxas medidas de afrouxamento de parafusos entre 0,01% e 0,05%, dentro da meta interna da empresa. Verificações cruzadas com testes em estrada sobre superfícies variadas confirmam que os torques padronizados ainda protegem contra o afrouxamento sob vibração no mundo real.

O que isso significa para motoristas e fábricas

Para um leigo, a mensagem é que modelos virtuais mais inteligentes permitem às montadoras apertar menos controles sem afrouxar a segurança. Ao conectar modelos baseados em física, previsão de qualidade orientada por dados e logística de fábrica em um ciclo fechado, a estrutura proposta encontra cronogramas de torque que mantêm os parafusos do chassis de VEs seguros enquanto racionalizam a produção. O resultado é um processo de montagem mais consistente, menos tempo e ferramentas desperdiçados e veículos discretamente mais confiáveis — benefícios que aparecem não apenas em um modelo de carro, mas em várias plataformas relacionadas.

Citação: 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

Palavras-chave: montagem de veículos elétricos, aperto de parafusos, gêmeo digital, otimização de fábrica, algoritmos multiobjetivo