En användbar digital tvilling‑ramverk för komprimering av momentsspecifikationer för bult i montering av elfordon

Varför detta är viktigt för vardagliga elbilar

Moderna elfordon hålls ihop av tusentals bultar. Om dessa bultas för löst kan delar skramla eller gå sönder; dra man åt dem för hårt slits komponenterna eller produktionen försenas. Biltillverkare hanterar det med långa, komplicerade tabeller med momentinställningar—nästan en för varje bulttyp. Den här artikeln visar hur en ”digital tvilling” av både bilen och fabriken dramatiskt kan förenkla dessa momentstabeller samtidigt som elfordonen förblir säkra, tysta och kostnadseffektiva att bygga.

Hur bultar och fabriksrytm hänger ihop

I ett elfordonschassi måste bultar klara år av vibrationer, kurvtagning, inbromsningar och de pulserande krafter som uppstår vid eldrift. Ingenjörer spelar vanligtvis säkert och tilldelar många något olika momentmål till olika bultfamiljer. Men varje unikt moment kräver specifika verktygsprogram och gripdon, vilket saktar ner produktionen och komplicerar schemaläggningen för automatiska guidningsfordon (AGV:er) som levererar delar. Författarna omformulerar detta som ett helhetssystemproblem: kan vi standardisera momentinställningarna över bilen samtidigt som säkerhetsmarginaler bevaras och monteringslinjen hålls smidig och kostnadseffektiv?

En virtuell fabrik som förutsäger, optimerar och dubbelkollar

Teamet bygger en användbar digital tvilling som speglar både mekaniken i bultade förband och verkligheten på verkstadsgolvet. Ett lager modellerar hur ett kommenderat moment översätts till det klämkraft som håller delarna samman, med hänsyn till friktion, bultgeometri, slitage vid återanvändning och den tredimensionella vibrationsmiljön kring varje förband. Det kontrollerar att bultarna klarar utmattnings‑ och säkerhetsgränser under värsta tänkbara laster. Ett annat lager övervakar åtdragnings"signaturer"—moment‑mot‑vinkel‑kurvor som registreras när varje bult drivs på—och använder en modern sekvenslärande modell för att uppskatta sannolikheten att en infästning senare kommer att förkastas. Ett tredje lager representerar linjelogistik, inklusive AGV‑körtider, balans mellan arbetsstationer och effekten av att byta verktyg eller momentinställningar på den övergripande utrustningseffektiviteten.

Söker bättre momenttabeller, inte bara ett enda ”bästa” svar

Eftersom det inte finns någon enda perfekt avvägning mellan kvalitet, kostnad och hastighet använder författarna en multi‑objektiv sökalgoritm inspirerad av svärmkotion. Varje ”partikel” i denna svärm kodar en fullständig momentstabell plus relaterade beslut som hur många arbetsstationer som behövs och hur AGV:erna routas. Svärmen utforskar kombinationer som minskar förväntade avvisningar och styckkostnad samtidigt som strikta säkerhetsregler, ett tak för avvisningsfrekvens och praktiska gränser för vibration och friktion respekteras. Nära‑misslösningar knuffas tillbaka in i det säkra området genom att göra endast små momentjusteringar, och ett externt arkiv håller de mest lovande avvägningarna. Avgörande är att de bästa kandidaterna periodiskt omvärderas av en högre trovärdighetsversion av den digitala tvillingen som propagérerar osäkerheter och fungerar som en frigivningsgrind innan någon inställning godkänns för verkstadsgolvet.

Från simulering till verkliga elbilar på vägen

Arbetsflödet testas på tre närbesläktade elplattformar och implementeras därefter under ett helt år på en industrilinje som bygger 5 524 fordon. Den digitala tvillingen lär sig plattformsspecifika detaljer som massa och hjulbas men finner mycket liknande ”knäpunkter”—driftsområden där en liten kostnadsökning ger en stor kvalitetsförbättring. Med dessa insikter komprimerar ingenjörerna momenttabellen från 23 olika inställningar till 8, vilket minskar antalet verktygs‑ och programvarianter med ungefär två tredjedelar. Denna förenkling minskar gripdonsbyten med 31 % och AGV‑tomgångstid med 14 %, samtidigt som uppmätta bultglappsfrekvenser hålls mellan 0,01 % och 0,05 %, inom företagets interna mål. Korskontroller med vägtester över varierande underlag bekräftar att de standardiserade momenten fortfarande skyddar mot lossning under verkliga vibrationsförhållanden.

Vad detta betyder för förare och fabriker

För en lekman är budskapet att smartare virtuella modeller kan låta biltillverkare vända färre rattar utan att kompromissa med säkerheten. Genom att knyta ihop fysikbaserade modeller, datadriven kvalitetsprognos och fabrikslogistik i en sluten slinga hittar det föreslagna ramverket momentscheman som håller elfordonens chassibultar säkra samtidigt som produktionen strömlinjeformas. Resultatet är en mer konsekvent byggprocess, mindre bortkastad tid och verktyg, och tyst tillförlitliga fordon—fördelar som visar sig inte bara för en bilmodell utan över flera närbesläktade plattformar.

Citering: 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

Nyckelord: montering av elfordon, bultdragning, digital tvilling, fabrikoptimering, multi‑objektiva algoritmer