EV şasi montajında cıvata torku spesifikasyon sıkıştırması için uygulanabilir bir dijital ikiz çerçevesi

Günlük elektrikli otomobiller için neden önemli

Modern elektrikli araçlar (EV’ler) binlerce cıvata ile bir arada tutulur. Bu cıvatalar çok gevşek sıkılırsa parçalar titreşir veya arızalanır; çok sıkılırsa bileşenler aşınır veya üretim yavaşlar. Otomobil üreticileri bunu neredeyse her cıvata türü için uzun, karmaşık tork tabloları kullanarak yönetir. Bu makale, hem aracın hem de fabrikanın bir “dijital ikiz”inin bu tork tablolarını EV’leri güvenli, sessiz ve maliyet açısından erişilebilir tutarken nasıl önemli ölçüde sadeleştirebileceğini gösteriyor.

Cıvatalar ile fabrika akışı arasındaki bağ

Bir EV şasisinde cıvatalar yıllarca süren sallanmaya, viraj almaya, frenlemeye ve elektrikli tahrikin ürettiği titreşen yüklemelere dayanmak zorundadır. Mühendisler genellikle farklı cıvata ailelerine birçok hafifçe farklı tork hedefi atayarak temkinli davranır. Oysa her benzersiz tork, belirli alet programları ve uç elemanlar gerektirir; bu da üretimi yavaşlatır ve parçaları taşıyan otomatik yönlendirmeli araçların (AGV’ler) programlamasını karmaşıklaştırır. Yazarlar bunu bir bütün‑sistem problemi olarak yeniden çerçeveliyor: güvenlik paylarını korurken ve montaj hattının akışkan ve ekonomik çalışmasını sağlayarak tork ayarlarını araç genelinde standardize edebilir miyiz?

Tahmin eden, optimize eden ve çift kontrol yapan sanal bir fabrika

Ekip, hem cıvatalı bağlantıların mekaniğini hem de atölye zemininin gerçeklerini yansıtan uygulanabilir bir dijital ikiz kuruyor. Bir katman, komutlandırılmış bir torkun parçaları bir arada tutan sıkıştırma kuvvetine nasıl dönüştüğünü; sürtünme, cıvata geometrisi, tekrar kullanım kaynaklı aşınma ve her birleşke etrafındaki üç boyutlu titreşim ortamı gibi etmenleri dikkate alarak modelliyor. Cıvataların en kötü durum yükleri altında yorulma ve güvenlik sınırlarını karşıladığını kontrol ediyor. İkinci bir katman, her cıvata sıkıldığında kaydedilen tork‑ve‑açı eğrileri olan sıkma “imzalarını” izliyor ve modern bir sıra‑öğrenme modeli kullanarak bir bağlantının daha sonra reddedilme olasılığını tahmin ediyor. Üçüncü katman ise hat lojistiğini; AGV seyir sürelerini, iş istasyonu dengesi ve alet veya tork ayarlarının genel ekipman etkinliğine etkisini temsil ediyor.

Sadece tek bir “en iyi” cevap değil, daha iyi tork tabloları arayışı

Kalite, maliyet ve hız arasında tek bir kusursuz uzlaşma olmadığından yazarlar sürü hareketlerinden esinlenen çok‑amaçlı bir arama algoritması kullanıyor. Bu sürüdeki her “parçacık”, tam bir tork tablosu ile kaç iş istasyonuna ihtiyaç duyulduğu ve AGV’lerin nasıl yönlendirileceği gibi ilgili kararları kodluyor. Sürü, beklenen reddi ve birim maliyeti düşüren, aynı zamanda katı güvenlik kurallarına, reddetme oranı sınırına ve titreşim ile sürtünme için pratik sınırlara saygı gösteren kombinasyonları keşfediyor. Yakın kaçan çözümler yalnızca küçük tork ayarlamaları yapılarak güvenli bölgeye geri itiliyor ve harici bir arşiv en umut verici uzlaşmaları saklıyor. Kritik olarak, en iyi adaylar periyodik olarak belirsizlikleri yayarak daha yüksek doğruluklu bir dijital ikiz versiyonu tarafından yeniden değerlendirilip atölye onayına geçmeden önce bir serbest bırakma kapısı işlevi görüyor.

Simülasyondan yolda gerçek EV’lere

İş akışı üç ilişkili EV platformunda test ediliyor ve ardından 5.524 araç üreten endüstriyel bir hattın üzerinde bir yıl boyunca dağıtılıyor. Dijital ikiz, kütle ve dingil mesafesi gibi platforma özgü detayları öğreniyor ama çok benzer “diz” noktaları — maliyette küçük bir artışın kaliteye büyük kazanç sağladığı işletme bölgeleri — buluyor. Bu içgörüler kullanılarak mühendisler tork tablosunu 23 farklı ayardan 8’e sıkıştırıyor, alet ve program varyantlarının sayısını yaklaşık üçte iki oranında azaltıyor. Bu sadeleştirme uç eleman değişimlerini %31 ve AGV boşta kalma süresini %14 azaltıyor; tüm bunlar, ölçülen cıvata gevşeme oranlarını %0,01 ile %0,05 arasında tutarken, şirket içi hedefler dahilinde kalıyor. Farklı yüzeylerde yapılan yol testleriyle yapılan çapraz kontroller, standardize edilmiş torkların gerçek dünya titreşimleri altında gevşemeye karşı hâlâ koruma sağladığını doğruluyor.

Sürücüler ve fabrikalar için anlamı

Bir uzman olmayan için mesaj, daha akıllı sanal modellerin otomobil üreticilerinin daha az ayar yaparak güvenliği gevşetmeden üretimi sadeleştirmesine izin verebileceği yönünde. Fizik‑temelli modelleri, veri‑odaklı kalite tahminini ve fabrika lojistiğini kapalı döngü içinde birleştirerek önerilen çerçeve, EV şasi cıvatalarını güvenli tutarken üretimi kolaylaştıran tork programları buluyor. Sonuç, daha tutarlı bir üretim süreci, daha az zaman ve takım israfı ve sessizce güvenilir araçlar — faydalar yalnızca tek bir araç modeli için değil, birkaç ilişkili platformda da ortaya çıkıyor.

Atıf: 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

Anahtar kelimeler: elektrikli araç montajı, cıvata sıkma, dijital ikiz, fabrika optimizasyonu, çok amaçlı algoritmalar