2015年3月23日 星期一

尺寸工程:基準的重要性(1)

尺寸工程:基準的重要性

在尺寸工程中,以目標規範為首要任務,基準的設計為第二重要的關鍵步驟。組裝策略、GD&T(Geometrical Dimensioning and Tolerancing)、量測及檢驗計畫為基準設計不可或缺的項目,如圖1所示:
1.基準設計的定位

以尺寸及公差標準ASMEY14.5-2009的定義,一個基準是:
「理論上存在的一個點、軸、線、面或是由實際基準特徵所模擬出的元素(包括點、軸、線、面)。」
換句話說,基準具有下列幾項特性:
1.    基準面是從中GDT和量測建立的參考基準。
2.    基準面是從實際基準特徵衍生,沒有參照任何點、線或面。
3.    基準面在理論上是準確的。

基準在組裝中

基準用於確保零件是按照預期的組裝。以車門為例,如圖2(A)中,在車門透過絞鏈安裝到車體之前,門的組件會先進行檢驗;其理想的狀況為兩個絞鏈作為基準,使檢驗結果可以直接指出車門的組裝性,如圖2(B)

2(A).一個們的組件

2(B).基準
基準提供設計端和製造或組裝廠商之間的共同點。
第二篇帶你從兩個面向看,為什麼基準很重要?


下一篇:
https://sites.google.com/site/simwareelearning/application-con/tolerance/ji-zhun-de-zhong-yao-xing-2

2015年3月11日 星期三

應該好好運用尺寸工程十個理由

尺寸工程(Dimensional Engineering ,DE)是製程中與公差的測量與控制相關的一門科學。
從設計端一直到生產端產生的公差數據統計分析應用。對於一個可靠的製程,絕對能夠提供這些優勢;如今是一個優化工程所需的必要條件

以下提供你十大理由為何該好好運用尺寸工程:

1.         從關鍵功能的角度,建立明確的設計目標

強化DE識別關鍵的功能。對於一個產品的整體品質,它可以用於建立目標。當一個團隊專注於什麼是重要的特徵或功能,穩健設計隨之而來。

2.         制定實際成本和品質目標

制定成本和品質目標聽起來很容易;但它是一個浪費時間和精力的工作,因為訂出的目標不一定是實際的。一個適當的DE過程將確保訂出的成本與品質是合理的。

3.         跟上自動化製程的程度提高

自動化製程的循環時間,造成檢測站有時間限制,形成了檢測數量或窗口的限制;尺寸工程能減少時間去驗證產品是否滿足公差和尺寸的規格,尺寸工程的過程應該讓團隊跟上提高生產率,同時維持成本和品質目標。

4.         優化物件的公差

一個成功的DE的過程中,需要成功的公差分析。這樣的分析必須預測每個組件的尺寸變異性和定位設計的變異,分析結果通常被用於更好的產品設計和組裝過程。

5.         減少重工或修復零件的時間

在規格沒有驗證前提下,往往導致在製程進行時才發現產生報廢件或重工。一個可靠的DE過程,在開發生命週期中,在早期階段就進行了設計和組裝概念產品的評估。

6.         最大限度的匹配功能

有時製造端面對不良品及匹配功能組裝時的檢驗,然而有些時候零件通過檢查時,卻不與其他零件或組件相互匹配。DE過程可以幫助阻止該情況發生,達到最大限度的匹配。

7.         維持可靠的製造商與供應商之間關係

製造商和供應商可能對於零件是否尺寸正確抱有不同的意見,或者他們可能有設計意圖的不同理解。在DE過程中應提供的數據,說明尺寸精度,可以確保保持良好的溝通。

8.         降低成本

DE中可以從很多方面降低成本。例如:據統計,近70%的產品成本的影響主因發生在開發週期的早期5%到10%的設計階段。如果能夠在早期階段減少錯誤,就能降低大部分的成本。

9.         通過創建一個closed-loop製程,最大限度地利用測量數據

Closed-loop提供實際產品製造的回饋到概念階段,驗證和不斷改善組織結構採用的設計方法。這種方法closed-loop產品生命週期管理循環,確保了產品從開始到結束的整體性。DE的過程應該讓工程師能夠快速找出問題,在生產前期根據需要予以糾正。

10.    減輕組織的壓力

隨著企業的發展,企業的壓力不斷提供更高品質的產品及有競爭力的價格。經由DE過程,以確保實現成本和品質,減少製造端的壓力。

蒙地卡羅法要跑多少次模擬才能夠讓你的結果是比較準確的?

進行公差分析時,除了傳統的RSS方法,蒙地卡羅法是目前整合CAD常用的計算方式。計算的母體量,應該是多少才足夠呢?太多,計算量太大;太少,計算量不足。真是分析者的一大挑戰。

鑫威資訊這裡建議分析模型的時候模擬5000次至20000次。

這裡告訴你為什麼:

統計是一個以母體為參數的估計狀況。

3DCS的結果數據的樣本(執行模擬的次數)是基於一個無限大的母群體的統計資料。因為統計學是一門估計的次數學問,信賴區間被用來確認是否為一個準確的估計,信賴區間從樣品的大小和標準差選擇的信賴水準(一般為90%95%99%)來計算



在執行模擬分析之後,使用者可以以信賴區間來確定是否有足夠的樣本來執行統計。

舉個例子,一個量測點在5000次模擬之後,可能有1mm的標準差。95%的信心水準會有0.9811.020mm。因此,假設該量測點的結果為常態分佈時,使用者將會產生0.9811.020mm之間的標準差,會使其分析的結果在95%的情況下都是可行的。

因為信賴區間的標準差是線性關係,95%的信心水準在標準差為2mm的的狀況下,信賴區間變為1.9622.040mm,在任何模擬5000次樣本和X mm的標準差的情況下,具有95%信心水平的信賴區間會是0.981*X1.020*X mm。使用者有信心的結果會有2%的母體標準差。

為了更加的準確,就需要更多的樣本數;要有1%的母體標準差就需要20000次的模擬。


理論上來說,執行更多次的模擬次數將會更進一步縮小信賴區間,但由於許多其他的因素也會影響模型的準確性,執行超過20000次的模擬,結果並不見得會更加的準確。