用于电动汽车底盘装配螺栓扭矩规范压缩的可部署数字孪生框架

这对日常电动车为何重要

现代电动汽车由数以千计的螺栓连接。如果这些螺栓拧得太松，零件会发出异响或失效；拧得太紧，则会加速部件磨损或使生产变慢。汽车制造商通常依靠冗长而复杂的扭矩设定表——几乎为每种螺栓类型制定一项设置。本文展示了如何利用对车辆和工厂的“数字孪生”来显著简化这些扭矩表，同时保持电动车的安全性、静音性和制造成本可控。

螺栓与工厂节奏之间的联系

在电动车底盘中，螺栓必须经受多年振动、转弯、制动以及电驱动产生的脉动载荷。工程师通常为了保险，会为不同的螺栓族分配许多稍有差异的扭矩目标。但每一种独特的扭矩都需要特定的工具程序和末端执行器，这会拖慢生产并使用于运送零件的自动引导车（AGV）调度变复杂。作者将此问题重新定义为全系统问题：在保证安全裕度并维持装配线平稳与低成本运行的前提下，能否在整车范围内标准化扭矩设置？

可预测、可优化并可复核的虚拟工厂

团队构建了一个可部署的数字孪生，既反映螺栓连接的力学，又对应车间的现实。第一层模拟指令扭矩如何转化为夹紧力，考虑摩擦、螺栓几何、重复使用引起的磨损以及环绕每个连接处的三维振动环境，并检验螺栓在最坏载荷下是否满足疲劳和安全限制。第二层监控拧紧“签名”——记录的扭矩随角度变化曲线，并使用现代序列学习模型估计该紧固件随后被判为不合格的概率。第三层则表示生产线物流，包括AGV行驶时间、工位平衡，以及更换工具或扭矩设置对整体设备效率的影响。

寻找更优的扭矩表，而不是单一“最佳”答案

由于质量、成本和速度之间不存在单一完美折衷，作者使用了一种受群体运动启发的多目标搜索算法。群体中的每个“粒子”编码一个完整的扭矩表及相关决策，例如所需工位数和AGV路径。群体探索那些在满足严格安全规则、拒收率上限以及振动和摩擦的实际限制下，能够降低预期拒收率和单位成本的组合。接近临界的方案通过仅作微小扭矩调整被推回安全区域，外部档案保存最有前景的折衷解。关键的是，最优候选方案会定期由更高保真度的数字孪生重新评估，该版本将不确定性向前传播，作为任何设置获批准投入车间前的放行门槛。

从仿真到上路的真实电动车

该工作流在三个相关的电动汽车平台上进行了测试，随后在一条年产5,524辆整车的工业生产线上部署并运行了一整年。数字孪生学习平台特定细节（如质量和轴距），同时发现非常相似的“拐点”——在这些操作区段内，成本略增可以换来质量的大幅提升。基于这些洞见，工程师将扭矩表从23个不同设置压缩到8个，将工具和程序变体数量减少了约三分之二。该简化将末端执行器切换次数减少了31%，AGV空闲时间减少了14%，同时测得的螺栓松动率保持在0.01%至0.05%之间，符合公司内部目标。跨多种路面进行的道路测试复核表明，标准化扭矩在真实振动条件下仍能防止松动。

这对驾驶者和工厂意味着什么

对普通读者而言，结论是更智能的虚拟模型可以让汽车制造商减少可变项而不降低安全性。通过将基于物理的模型、数据驱动的质量预测和工厂物流闭环集成，所提出的框架能找到既能保障电动车底盘螺栓可靠性又能简化生产的扭矩方案。其结果是更一致的制造流程、更少的时间和工具浪费，以及运行安静可靠的车辆——这些收益不仅适用于单一车型，也可跨数个相关平台实现。

引用: 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

关键词: 电动汽车装配, 螺栓拧紧, 数字孪生, 工厂优化, 多目标算法