Digital twin-based identification and control of key quality characteristics in complex products
P. Zhu, X. Xie, T. Bai, X. Yu, S. Zhang, Y. Song
a Dongguan Honglian Electronics Co., Ltd, Dongguan, China;
b Lenovo (Beijing) Co., Ltd., Beijing, China;
c Lenovo Information Products (Shenzhen) Ltd, Shenzhen, China;
d Kunshan Branch, Suzhou Chengrun Electronics Co., Ltd, Suzhou, China
针对某复杂产品装配扭矩合格率低（仅65%）的问题，本文提出一种基于数字孪生的系统方法。通过融合多种机器学习算法，实现关键因素筛选、扭矩预测建模及公差优化。采用双评分SelectKBest策略从130个工艺变量中排序并识别关键影响因素，结合随机森林包装法确定12个主导因素，建立高精度扭矩预测模型（验证集R²=0.90）。基于该模型导出关键因素与扭矩的线性关系，利用遗传算法与蒙特卡洛仿真进行多目标公差优化。数字仿真验证显示长期扭矩合格率达90.42%，工程验证获得89.42%的长期合格率，显著减少了调整与返工。该方法为高精度装配系统的公差优化与质量控制提供了可扩展的技术路径。
随着新一代信息技术与实体经济深度融合，制造业加速向数字化、智能化发展。数字孪生作为前沿技术，通过构建物理实体的虚拟镜像并实现虚实交互，为复杂产品的精准控制与持续优化提供了新范式。复杂产品具有客户需求复杂、组成复杂、技术复杂、制造工艺复杂等特征，其质量特性呈现典型的高维性（如某机型装配过程涉及130余个工艺变量）。传统质量管控方法依赖事后检验与离线分析，难以应对多因素耦合及非线性关联导致的质量波动。关键质量特性（CTQ）识别本质上是一个降维过程，与数据挖掘中的特征选择一致。
本文针对“扭矩合格率”这一受多因素耦合影响的关键工程难题，基于数字孪生技术，通过双评分SelectKBest策略、高斯噪声增强、随机森林预测建模，并结合遗传算法与蒙特卡洛仿真进行公差优化，最终形成覆盖数据感知、建模优化与物理干预的技术闭环，为高精度装配中的扭矩控制提供了系统方法论与实战案例。
遵循PRISMA指南进行系统文献综述。检索四大数据库（Scopus, Web of Science, IEEE Xplore, ASCE Library），时间2017年1月至2024年12月，仅限英文期刊或同行评审会议论文。布尔检索词包括“digital twin”与construction、sustainable、smart construction、energy efficiency、circular economy、resilience、IEQ等。经去重、标题/摘要筛选、全文评估，最终纳入77篇。使用VOSviewer进行文献计量分析与关键词共现聚类，采用MMAT进行方法学质量评估。
本章采用改进的特征选择方法——双评分SelectKBest平均法，结合F检验与互信息评分，同时捕捉线性与非线性关系，使特征选择更稳健。同时引入高斯噪声增强算法辅助模型训练，结合数据分布一致性指标，构建精确映射物理装配过程的数字模型。
3.1 数据预处理
数据集共181个样本（131个初始+50个后续采集）。预处理步骤：①基于百分位数的改进箱线图法识别并修正异常值（以第5与第95百分位为边界，IQR的3倍作为阈值）；②Yeo-Johnson变换使数据更接近正态分布；③Z-score标准化消除量纲影响。
3.2 特征选择方法的比较与确定
比较了三种方法：
3.3 关键质量特性识别模型
在回归模型构建中，本文采用标准差为原始特征2%的高斯噪声进行数据增强，以固定验证集（10%）与剩余数据经增强后按8:2划分训练集与测试集，经50次迭代选取验证集R²最高的数据集。对比线性回归、Lasso、Ridge、随机森林与XGBoost等模型，随机森林表现最优（训练集R²=0.92，验证集R²=0.90，测试集R²=0.82），误差梯度合理且无过拟合。
在此基础上，通过特征重要性加权将黑箱模型转化为线性回归方程（白箱化），识别出12个关键影响因素及其对扭矩的正/负相关关系，其中左、右扭簧线径及套筒外径等影响显著，且前三关键因素均追溯至“套筒与扭簧装配”工序，为公差优化与主动预警提供了明确目标。
当前扭矩合格率仅65%，目标提升至90%。基于第3章得到的扭矩Y与关键因素X的线性回归方程，逆向确定各因素X的合理公差范围（需兼顾经济可行性与可制造性）。
这是一个约束优化问题：在保证扭矩合格率（Y∈[2.35,2.75]N·m）不低于90%的前提下，最大化公差范围体积以降低制造成本。采用遗传算法进行全局搜索，适应度函数为合格率与范围体积的加权和（权重0.7和0.3）。初始结果发现遗传算法能找到使合格率达100%的理想解，但该解要求公差极紧，制造成本过高。
因此采用“由紧到松”的迭代优化策略：从理想解出发，结合关键因素重要性分析与公差灵敏度分析，优先放松低重要性、低灵敏度的因素公差。最终得到一组优化公差组合（如表5所示），经蒙特卡洛仿真（生成10万随机样本）预测合格率为90.16%。优化后的扭矩分布显著集中在规格限内，合格率从65.56%提升至90.16%。
5.1 数字仿真
基于线性回归方程在虚拟环境中批量仿真装配100次。所有关键尺寸在优化公差范围内随机生成，调用模型计算扭矩。仿真结果显示过程均值2.57 N·m，方差0.11911，长期合格率预测为90.42%（缺陷率约9.58%）。
5.2 工程验证
在实际生产线小批量生产100套产品，按优化公差管控关键尺寸，执行标准化装配并测量扭矩。统计得到过程均值2.59 N·m，方差0.11618，长期合格率约89.42%，相比优化前65%提升了约24个百分点，预计可降低该机型生产人工成本20%以上。
5.3 对比分析
对数字仿真与工程验证的两组扭矩数据（各100个）进行正态性检验（Shapiro-Wilk，p>0.05），方差齐性检验（Levene，p>0.05），然后进行等方差独立双样本t检验。结果显示两组均值无显著差异（p=0.109>0.05），证明数字孪生模型能有效预测实际装配扭矩性能，验证了公差优化方案从数字空间到物理空间的有效性。
本文基于数字孪生技术与机器学习方法，系统研究了某机型产品扭矩合格率的提升问题。通过双评分SelectKBest从130个变量中筛选出12个关键影响因素，构建随机森林预测模型（验证集R²=0.90），实现物理扭矩值的精确数字映射。在此基础上，结合遗传算法与蒙特卡洛仿真进行多目标公差优化，在保证合格率不低于90%的前提下获得最优公差范围，平衡了质量与成本。数字仿真预测长期合格率90.42%，工程验证达89.42%，显著降低了返工与成本。
所构建的数字孪生系统实现了“生产数据采集→关键特征识别→虚拟模型映射→多目标公差优化→物理执行与反馈→数字仿真验证→迭代优化→生产装配”的闭环演进，为传统制造业的数字化转型提供了可复用的技术路径。未来可将该方法扩展至更复杂的异构机型及全产业链装配过程，逐步构建标准化、可扩展的数字-物理融合“超质量工程”体系。
