Разворачиваемая платформа «цифрового двойника» для сжатия спецификаций крутящего момента болтов при сборке шасси электромобилей

Почему это важно для повседневных электромобилей

Современные электромобили (ЭМ) скрепляются тысячами болтов. Если болты завернуты слишком слабо, детали будут шуметь или выходить из строя; слишком туго — компоненты изнашиваются или замедляется производство. Автопроизводители справляются с этим, используя длинные и сложные таблицы настроек крутящего момента — почти для каждого типа болта своя запись. В статье показано, как «цифровой двойник» автомобиля и фабрики может значительно упростить эти таблицы крутящего момента, сохранив безопасность, тишину и экономичность сборки ЭМ.

Как болты связаны с ритмом фабрики

В шасси ЭМ болты должны выдерживать годы вибраций, маневрирования, торможения и пульсирующих нагрузок электрического привода. Инженеры обычно действуют консервативно, назначая множеству семейств болтов слегка отличающиеся целевые значения момента. Но каждая уникальная настройка требует специальных программ инструмента и захватов, что замедляет производство и усложняет планирование для автоматизированных транспортных средств (AGV), доставляющих детали. Авторы переводят задачу в контекст всей системы: можно ли стандартизировать значения момента по всему автомобилю, сохранив при этом запас прочности и обеспечив бесперебойную и экономичную работу линии?

Виртуальная фабрика, которая предсказывает, оптимизирует и проверяет дважды

Команда создает разворачиваемый цифровой двойник, который отражает как механику болтовых соединений, так и реальные условия цеха. Один уровень моделирует, как заданный момент превращается в прижимающую силу, удерживающую детали вместе, учитывая трение, геометрию болта, износ при повторном использовании и трехмерную вибрационную среду вокруг каждого соединения. Он проверяет, выдерживают ли болты усталостные и прочностные лимиты в условиях наихудших нагрузок. Второй уровень отслеживает «подписи» затяжки — кривые момент‑против‑угла, записываемые при каждом заворачивании — и с помощью современной модели последовательного обучения оценивает вероятность того, что крепление впоследствии будет отклонено. Третий уровень моделирует логистику линии, включая времена перемещения AGV, балансировку рабочих станций и влияние смены инструментов или настроек момента на общую эффективность оборудования.

Поиск лучших таблиц моментов, а не одной «лучшей» настройки

Поскольку не существует единственно правильного компромисса между качеством, стоимостью и скоростью, авторы используют многоцелевой алгоритм поиска, вдохновленный движением роя. Каждая «частица» в этом рое кодирует полную таблицу моментов и связанные решения, такие как число рабочих станций и маршруты AGV. Рой исследует комбинации, которые снижают ожидаемое число брака и себестоимость единицы, при этом соблюдая строгие правила безопасности, предел по допустимой доле отказов и практические ограничения по вибрации и трению. Пограничные решения аккуратно корректируются обратно в безопасную область малыми изменениями моментов, а внешний архив сохраняет наиболее перспективные компромиссы. Ключевой момент: лучшие кандидаты периодически переоцениваются высокоточечной версией цифрового двойника, учитывающей неопределенности, служа воротами выпуска перед утверждением любой настройки для цеха.

От моделирования к реальным электромобилям на дороге

Рабочий процесс протестирован на трех родственных платформах ЭМ и затем развернут на год на промышленной линии, собиравшей 5 524 автомобиля. Цифровой двойник изучает платформо‑специфичные параметры, такие как масса и колесная база, и при этом обнаруживает очень схожие «коленные» точки — области работы, где небольшое увеличение затрат дает большой прирост качества. Используя эти находки, инженеры сократили таблицу моментов с 23 настроек до 8, уменьшив число вариантов инструментов и программ примерно на две трети. Эта упрощение сократило смены захватов на 31% и простой AGV на 14%, при этом зафиксированные показатели отпускания болтов остались в диапазоне 0,01%–0,05%, в пределах внутриркорпоративной цели. Проверки на дороге по разным покрытиям подтвердили, что стандартизованные моменты по‑прежнему защищают от ослабления при реальных вибрациях.

Что это значит для водителей и фабрик

Для неспециалиста смысл в том, что более продвинутые виртуальные модели позволяют автопроизводителям уменьшить число «регуляторов», не снижая безопасности. Связав в замкнутом цикле физическую модель, прогноз качества на основе данных и логистику фабрики, предложенная платформа находит графики моментов, которые надежно удерживают болты шасси ЭМ, одновременно упрощая производство. В результате получается более стабильный процесс сборки, меньшее количество потерь времени и инструментов и тихо надежные автомобили — выгоды, распространяющиеся не только на одну модель, но и на несколько родственных платформ.

Цитирование: 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

Ключевые слова: сборка электромобилей, затяжка болтов, цифровой двойник, оптимизация завода, многоцелевые алгоритмы