发明内容
(一)要解决的技术问题
基于上述问题,本公开提供了一种基于数字孪生的剐削工艺参数动态调控方法、系统及装置和计算机可读存储介质,以缓解现有技术中剐削工艺参数不能动态调控等技术问题。
(二)技术方案
根据本公开的一方面,提供了一种基于数字孪生的剐削工艺参数动态调控方法,包括:
根据剐削加工工艺机理及剐削加工工艺经验数据构建所述剐削加工的热力耦合数字孪生模型;
通过物理空间监测、仿真及计算获取剐削加工工艺数据和剐削力热数据;
采用主成分分析法对所述热力耦合数字孪生模型进行降阶表征,并通过所述剐削加工工艺数据与所述剐削力热数据得到映射关系模型;
通过所述映射关系模型对当前物理空间的工艺参数进行动态预测,得到预测结果;以及
根据所述预测结果采用启发式算法对剐削加工工艺参数进行多目标优化,得到优化结果;将所述优化结果发送给所述当前物理空间的剐削加工执行系统进行执行,实现剐削加工过程的剐削工艺参数动态调控。
在本公开实施例中,所述根据所述剐削加工工艺数据与所述剐削力热数据构建所述剐削加工的热力耦合数字孪生模型包括:
将切削刃划分为微段刃,进而建立所述微段刃的剐削力解析模型;
将切削刃划分为微段齿,进而建立所述微段齿的剐削温度解析模型;
根据切削刃实际参与加工待加工齿面的切削刃长度进行建立切削刃实际参与加工的时变模型;以及
将所述剐削力解析模型、所述剐削温度解析模型及所述时变模型进行耦合得到热力耦合数字孪生模型。
在本公开实施例中,所述映射关系模型能够通过输入参数输出剐削力与剐削温度,所述输入参数包括剐削工艺参数和剐削时间。
在本公开实施例中,所述通过所述映射关系模型对当前物理空间的工艺参数进行动态预测,得到预测结果包括:
采用深度学习算法对计算数据、仿真数据和实测数据进行训练,建立剐削参数与单位范围内的剐削力、剐削温度的最大值、均值、均方根的映射关系模型,实现剐削力和剐削温度的动态预测。
在本公开实施例中,所述根据所述预测结果采用启发式算法对剐削加工工艺参数进行多目标优化包括:
所述剐削过程中的单位范围内的剐削力的波动最小化和剐削温度的均值最小化为优化目标,以刀具转速、切削深度及进给量为优化参数,进行剐削工艺参数的多目标优化。
在本公开实施例中,所述剐削加工工艺数据包括:转速数据、进给量数据及切深数据;
所述剐削力热数据包括:剐削力数据和剐削温度数据。
根据本公开另一方面,提供了一种基于数字孪生的剐削工艺参数动态调控系统,包括:
耦合处理模块,用于根据剐削加工工艺机理及剐削加工工艺经验数据构建所述剐削加工的热力耦合数字孪生模型;
获取数据模块,用于通过物理空间监测、仿真及计算获取剐削加工工艺数据和剐削力热数据;
降阶处理模块,用于采用主成分分析法对所述热力耦合数字孪生模型进行降阶表征,并通过所述剐削加工工艺数据与所述剐削力热数据得到映射关系模型;
预测处理模块,用于通过所述映射关系模型对当前物理空间的工艺参数进行预测,得到预测结果;以及
优化处理模块,用于根据所述预测结果采用启发式算法对剐削加工工艺参数进行多目标优化,得到优化结果;将所述优化结果发送给所述当前物理空间的剐削加工执行系统进行执行,实现剐削加工过程的剐削工艺参数动态调控。
根据本公开另一方面,提供了一种基于数字孪生的剐削工艺参数动态调控装置,包括检测系统、剐削加工执行系统以及上述的基于数字孪生的剐削工艺参数动态调控系统。
在本公开实施例中,所述检测系统包括:检测信息库和至少一种检测设备,其中,所述检测信息库用于存储每一所述检测设备检测到的检测信息;
所述制造执行系统包括:加工设备信息库以及至少一种加工设备,所述加工设备信息库中存储有每一所述加工设备的加工能力信息、加工精度、工装类型及工装精度。
根据本公开另一方面,提供了一种计算机可读存储介质,其中,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现根据上述任一项所述的基于数字孪生的剐削工艺参数动态调控方法的步骤。
(三)有益效果
从上述技术方案可以看出,本公开电动皮肤擦拭采样装置至少具有以下有益效果其中之一或其中一部分:
(1)合理优化运行参数对降低加工能耗、减少加工成本、提高加工效率和保证加工质量;以及
(2)通过剐削工艺参数动态调控方法,能够减少人工经验依赖性并提高工艺稳定性。
具体实施方式
剐齿加工作为一种极具潜力的齿轮加工方式,凭经验设定的加工参数(主轴转速、切削深度、进给率等)缺乏理论依据,加工过程中无法对加工参数进行调整,导致剐削力波动较大、剐削温度较高,从而无法实现剐齿加工的高效平稳。针对这一问题,提出一种基于数字孪生的剐削参数动态调控方法。首先,重点考虑剐削过程中剐削力、剐削温度的变化,采用机理-数据混合驱动方法,建立剐削过程的热力耦合数字孪生模型,实现数字孪生模型与物理空间剐削过程的动态一致性。其次,采用主成分分析法和高斯过程回归法对热力耦合数字孪生模型进行降阶表征,建立代理模型,并采用深度学习算法对有效大数据进行训练,建立剐削参数与剐削力、剐削温度的映射关系模型,实现剐削力和剐削温度的动态预测。再次,基于剐削力和剐削温度的动态预测结果,采用布谷鸟等启发式算法对剐削参数进行多目标优化,实现剐削过程中加工参数的动态调控。最后,通过剐齿加工实验验证本文所提方法的有效性,研究结果对实现剐齿加工的高效平稳具有重要的理论指导意义。
本公开提供了一种基于数字孪生的剐削工艺参数动态调控方法、系统及装置,合理优化运行参数对降低加工能耗、减少加工成本、提高加工效率和保证加工质量;通过剐削工艺参数动态调控方法,能够减少人工经验依赖性并提高工艺稳定性。
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
在本公开实施例中,提供一种基于数字孪生的剐削工艺参数动态调控方法,如图1至10所示,所述方法,包括:
根据剐削加工工艺机理及剐削加工工艺经验数据构建所述剐削加工的热力耦合数字孪生模型;
通过物理空间监测、仿真及计算获取剐削加工工艺数据和剐削力热数据;
采用主成分分析法对所述热力耦合数字孪生模型进行降阶表征,并通过所述剐削加工工艺数据与所述剐削力热数据得到映射关系模型;
通过所述映射关系模型对当前物理空间的工艺参数进行动态预测,得到预测结果;以及
根据所述预测结果采用启发式算法对剐削加工工艺参数进行多目标优化,得到优化结果;将所述优化结果发送给所述当前物理空间的剐削加工执行系统进行执行,实现剐削加工过程的剐削工艺参数动态调控。
在本公开实施例中,所述根据所述剐削加工工艺数据与所述剐削力热数据构建所述剐削加工的热力耦合数字孪生模型包括:
将切削刃划分为微段刃,进而建立所述微段刃的剐削力解析模型;
将切削刃划分为微段齿,进而建立所述微段齿的剐削温度解析模型;
根据切削刃实际参与加工待加工齿面的切削刃长度进行建立切削刃实际参与加工的时变模型;以及
将所述剐削力解析模型、所述剐削温度解析模型及所述时变模型进行耦合得到热力耦合数字孪生模型。
在本公开实施例中,所述映射关系模型能够通过输入参数输出剐削力与剐削温度,所述输入参数包括剐削工艺参数和剐削时间。
在本公开实施例中,所述通过所述映射关系模型对当前物理空间的工艺参数进行动态预测,得到预测结果包括:
采用深度学习算法对计算数据、仿真数据和实测数据进行训练,建立剐削参数与单位范围内的剐削力、剐削温度的最大值、均值、均方根的映射关系模型,实现剐削力和剐削温度的动态预测。
在本公开实施例中,所述根据所述预测结果采用启发式算法对剐削加工工艺参数进行多目标优化包括:
所述剐削过程中的单位范围内的剐削力的波动最小化和剐削温度的均值最小化为优化目标,以刀具转速、切削深度及进给量为优化参数,进行剐削工艺参数的多目标优化。
在本公开实施例中,所述剐削加工工艺数据包括:转速数据、进给量数据及切深数据;所述剐削力热数据包括:剐削力数据和剐削温度数据。
具体地,在本公开实施例中,如图2所示,同滚齿、插齿等齿轮加工方式类似,采用剐齿加工方式加工齿轮时,剐齿刀具与齿轮工件同时旋转,两者的运动关系等同于两个相互啮合的齿轮。剐削加工时,刀具和工件轴线呈一个轴交角,轴交角的大小由刀具和工件的螺旋角共同决定。由剐齿刀具和齿轮工件的位置与运动关系可知,剐削加工轮齿表面是逐渐形成的,其中齿高方向的加工需要进行多次径向进给,齿宽方向的加工通过轴向进给来完成。
在本公开实施例中,如图3所示,剐削加工与其他齿轮加工方式不同,剐削加工过程中参与切削的齿数是动态变化的。由剐齿刀设计理论可知,刀齿切削刃为空间曲线,参与剐削的切削刃长度时刻发生变化。
在本公开实施例中,如图4所示,在特定时刻下,参与切削的切削刃状态。图中,Ps、Pr和Pe分别表示切削平面、基平面和等效截面,tp表示参与切削的切削刃切向矢量,np表示前刀面的法向矢量,lp表示等效截面与前刀面交线方向上的矢量,lr表示等效截面与基平面交线方向上的矢量,lp和lr之间的夹角即为等效截面前角γe,vx表示参与切削的切削刃上的切削速度,而且vx垂直于lr。可知,剐削过程中的切削前角也时刻发生变化。
在本公开实施例中,如图5所示,剐齿加工过程中,参与加工的齿数与切削刃长度、切削前角均具有时变性,导致剐削力和剐削温度时刻发生变化,而剐削力和剐削温度的变化直接影响剐齿加工精度。现有技术中由于尚未掌握剐削参数对剐削力、剐削温度以及加工质量的影响规律,只能通过多次试切或者凭借经验来设定剐削参数,无法保证设定的剐削参数一定能满足加工质量要求。数字孪生能够通过在数字空间建立物理实体或过程的镜像模型,对物理实体或过程进行动态预测与实时干预。因此,构建基于数字孪生的剐削参数动态调控方法的框架。该框架主要包括物理空间中的剐削过程、数字空间中的热力耦合数字孪生模型、数字-物理空间中的剐削大数据、剐削参数与剐削力、剐削温度的映射关系模型、剐削参数多目标优化模型等。
进一步地,物理空间中,借助旋转测力仪、热像仪等传感装置,实时采集剐削过程中的剐削力和剐削温度,作为剐削大数据的重要组成部分,为数字空间中的虚拟模型提供数据基础。数字空间中,针对物理空间中的剐削过程建立热力耦合数字孪生模型,并保证数字孪生模型与剐削过程中剐削力和剐削温度的动态一致性。通过对热力耦合数字孪生模型进行降阶表征,建立其代理模型,借助数字-物理空间中的计算数据、仿真数据、实测数据等大数据对代理模型进行训练,获得剐削参数(刀具转速、进给量、切削深度)与剐削力、剐削温度的映射关系模型,实现对剐削过程中剐削力和剐削温度的动态预测。根据动态预测结果,建立剐削参数多目标优化模型,实现对剐削过程中剐削参数的动态优化,进而将最优剐削参数组合实时反馈给物理空间中的剐削过程。
本公开所构建的框架中,物理空间执行剐削过程并产生剐削力和剐削温度大数据,数字空间与物理空间虚实同步,可以对剐削力和剐削温度进行动态预测,并对剐削参数进行多目标优化,数字-物理空间共同构成的闭环过程动态演变、循环迭代,能够实现对剐削过程中剐削参数的动态调控。
在本公开实施例中,所述根据所述剐削加工工艺数据与所述剐削力热数据构建所述剐削加工的热力耦合数字孪生模型包括:将切削刃划分为微段刃,进而建立所述微段刃的剐削力解析模型;将切削刃划分为微段齿,进而建立所述微段齿的剐削温度解析模型;根据切削刃实际参与加工待加工齿面的切削刃长度进行建立切削刃实际参与加工的时变模型;以及将所述剐削力解析模型、所述剐削温度解析模型及所述时变模型进行耦合得到热力耦合数字孪生模型。
在本公开实施例中,如图6所示,剐削过程中,参与切削的齿数与切削刃长度,以及切削前角随时间变化的规律很难用解析表达式来描述。基于切削原理的方法只能表征某个时刻下的剐削力和剐削温度,无法对剐削过程中的动态剐削力和剐削温度进行表征。因此,本文提出机理-数据混合驱动的方法建立剐削过程的热力耦合数字孪生模型。首先,基于斜角切削原理,采用微段刃和微段齿的思想,建立微段刃的剐削力解析模型和微段齿的剐削温度解析模型;然后,采用高斯过程回归法建立剐削过程中参与切削的齿数、切削刃长度和切削前角的时变模型。最后,将解析模型和时变模型集成融合,得到剐削过程的热力耦合数字孪生模型,用于表征剐削过程中动态变化的剐削力和剐削温度。
在本公开实施例中,如图7所示,虽然剐削加工过程中参与切削的齿数、切削刃长度和切削前角是时变的,但是对于参与切削的每一个刀齿和刀齿上的每一段切削刃而言,其剐削力和剐削温度的产生机理是一样的。因此,将剐齿刀的刀齿沿着切削刃离散为若干小份,将每一小份刀齿称为微段齿,将微段齿的切削刃称为微段刃,每段微段刃可近似为直线刃。
在本公开实施例中,如图8所示,微段齿和微段刃的切削特点与斜角切削特点完全相符,因此,将微段齿和微段刃的剐削过程等效为斜角切削过程,基于斜角切削原理计算剐削力和剐削温度。为了建立微段刃的剐削力模型和微段齿的剐削温度模型,以某段微段刃上任意一点为原点,以切削速度方向为x轴,建立局部坐标系CO。图中,直线段AB表示某段微段刃,点A为微段刃的起始端点,坐标原点O与微段刃上任一点E重合,选定x轴的方向与切削速度vx方向重合,则微段刃AB和切削速度vx所在的平面即为切削平面Ps,即平面xOy。将过点E并垂直于切削速度vx的平面定义为基平面Pr,即平面yOz。将过点E并同时垂直于切削平面和基平面的平面定义为正交平面Po,即平面xOz。对于微段刃AB而言,ABCD所在的平面即为前刀面,将切屑沿前刀面的流动速度vch分解为切削速度vx和剪切速度vs两部分,则这三个方向的速度矢量处在同一平面上,称该平面为等效截面Pe。直线段OF即为等效截面和基平面的交线。根据金属切削原理可知,微段刃的剐削力和微段齿的剐削温度可在等效截面Pe上计算得到。
在本公开实施例中,如图9所示,为了建立微段刃的剐削力模型和微段齿的剐削温度模型,需要在8的基础上,对微段刃或微段齿的空间几何关系进行详细分析。图中,平面CFSU表示法平面,该平面垂直于微段刃AB,平面OGH表示等效截面,∠BET由微段刃AB和基平面Pr与切削平面Ps的交线OT构成,由金属切削原理可知∠BET即为刃倾角λs。∠ECB由切屑流动方向上的直线EC和法平面与前刀面交线CB构成,由金属切削原理可知∠ECB即为流屑角ψλ。∠HEG由等效截面与前刀面的交线EG和等效截面与基平面的交线EH构成,由金属切削原理可知∠HEG即为等效截面前角γe。∠EWG由直线EW和WG构成,其中直线EW与剪切速度方向一致,直线WG平行于切削速度方向,由金属切削原理可知∠EWG即为剪切角φe。平面CFSU与前刀面和基平面的交线分别为直线CB和US,过B点作构造线KB平行于直线US,则∠KBC即为法平面前角γn。
进一步地,根据图9中的空间几何关系可知,切屑受到的剪切力F
s的方向与EW方向一致,摩擦力F
f的方向与EG方向一致,即切屑受到的剪切力与摩擦力均处在等效截面内,则切屑对前刀面的作用力F
n也位于等效截面内。与此同时,F
n还位于法平面内,则F
n的方向须与直线CQ一致,其中直线CQ为等效截面和法平面的交线,故直线CQ垂直于前刀面。令
则∠EQC即为摩擦角β
e。因为直线CQ垂直于平面ECB,且直线LM为CQ在xOz平面内的投影,所以LM垂直于直线EL,进而可知∠MLN=∠MEL。∠MEL由直线ME和EL构成,其中,直线EL为前刀面和正交平面的交线,直线ME为基平面和正交平面的交线,故∠MEL即为正交平面前角γ
o,则∠MLN=γ
o。
上述表示微段刃或微段齿上各个切削角度的关系,在此基础上,推导得到微段刃的剐削力解析模型:
FOs=[Fx,Fy,Fz]T (1)
式中,
上述公式中,akc表示切削厚度,akw表示切削宽度,σs表示工件材料的屈服强度。
根据曲面共轭剐齿刀设计原理可得,图4中参与切削的切削刃的切削速度vx为:
vx=ω2×r2-ω1×r1-f (5)
式中,
上述公式中,ω1和ω1分别表示齿轮工件转速的矢量和标量,ω2和ω2分别表示剐齿刀具转速的矢量和标量,f和f分别表示进给速度的矢量和标量,r1和r2分别表示工件坐标系中的工件齿面和刀具坐标系中的共轭面,i1、j1、k1分别表示工件坐标系的三个坐标轴的单位矢量,k2表示刀具坐标系z向坐标轴的单位矢量,a表示剐齿刀具和齿轮工件的中心距。
在本公开实施例中,如图10所示对于微段齿的剐削温度计算,在等效截面Pe上,切屑为连续切屑,而且切屑的塑性流动发生在剪切变形区域内。切屑流动速度vch、切削速度vx与剪切变形区域内的剪切滑移速度之间的关系。各个速度之间的关系可用以下公式表示:
式中,vn表示垂直于剪切带的速度分量,vs1和vs2表示剪切变形区域内的剪切滑移速度。进而得到微段齿的剐削温度解析模型:
式中,Rchf表示摩擦热流入切屑的比例,μ表示刀-屑接触面的摩擦系数,σro表示前刀面所受到的最大压应力,λw表示工件材料的热导率,ρ表示工件材料的密度,c表示工件材料的比热容,l表示刀-屑接触长度,ξ表示指数,Tt表示刀具初始温度。
在本公开实施例中,时变模型由剐齿刀具设计原理可知,剐削过程中,刀具的某个刀齿侵入待加工齿面即表明该刀齿参与切削,因此,可以通过刀齿刃扫面与待加工齿面是否发生干涉判断任意时刻下参与切削的刀齿数N(t)。给定齿轮工件的齿面模型Sg、刀齿刃扫面模型Σ、刀具转速nt、进给量f、切削深度a、剐削时间t,按照上述方法即可得到任意时刻下参与切削的刀齿数:
N(t)=F1(Sg,Σ,nt,f,a,t) (9)
式中,F1表示N(t)与相关变量的映射关系。
进一步地,将刃扫面按时间离散可以得到任意时刻下切削刃相对于待加工齿面的空间位置,因此,可以通过观察切削刃与待加工齿面的干涉区域判断任意时刻下参与切削的切削刃长度,即微段齿数或微段刃数n(t)。同理,给定齿轮工件的齿面模型Sg、刀齿切削刃曲线C、刀具转速nt、进给量f、切削深度a、剐削时间t,按照上述方法即可得到任意时刻下参与切削的切削刃长度,沿切削刃划分为若干份并进行计数,即可得到参与切削的微段齿数或微段刃数:
n(t)=F2(Sg,C,nt,f,a,t) (10)
式中,F2表示n(t)与相关变量的映射关系。
针对每一段微段刃,以微段刃的切向矢量和切削速度为基础构建刀具切削角的测量坐标系,根据金属切削理论,主剖面和基面的交线与主剖面和前刀面交线的切线的夹角即为切削前角,因此采用该方法可以得到任意时刻下参与切削的所有微段刃的切削前角γ(n),用公式表示为:
γ(n)=F3(n,Sg,C,nt,f,a,t) (11)
式中,F3表示γ(n)与相关变量的映射关系。
由于无法用解析式对上述三种映射关系进行表达,只能采用离散的方式,按照上述方法逐一求得每一时刻下的N(t)、n(t)和γ(n)。计算过程中需要人通过肉眼观察刃扫面、切削刃与待加工齿面的干涉情况,计算效率较低,几乎不能应用在剐削过程中的实时计算中。进而采用机器学习算法,以离散方式计算得到的结果为基础数据,对上述三种映射关系进行训练。由计算得到的离散结果可知,N(t)、n(t)和γ(n)与时间t的映射关系呈非线性关系。由于高斯过程在近似表达非线性映射关系的优势,采用高斯过程对上述三种非线性映射关系进行近似表达。
在本公开实施例中,剐削过程中参与切削的刀齿数样本数据服从高斯分布,其概率函数为:
N(t)~GP(m,k) (12)
式中,m表示均值,k表示协方差
k=k(t,t′) (13)
忽略测量噪声,根据贝叶斯原理,在给定的样本数据集D中建立N(t)的先验分布:
N~N(m,K) (14)
根据高斯过程的性质,样本数据的N(t)与测试数据的N*(t)服从联合高斯分布:
则,N*的条件概率分布为:
式中,K表示协方差矩阵
K*=[k(t*,t1)k(t*,t2)…k(t*,tn)] (18)
K**=k(t*,t*) (19)
利用贝叶斯后验概率公式,可得高斯过程回归预测模型:
式中,
和cov(N
*)分别表示N
*的均值和方差。利用高斯分布的“3σ原理”,N
*的预测值99.73%的置信区间为:
同理,剐削过程中参与切削的微段刃或微段齿数及其切削前角随时间的变化值可以用上述方法进行预测。三种变量的预测流程基本一致,不同之处为高斯分布的均值和协方差函数的确定。
由于没有三种变量的先验信息,所以均取m=0,在用样本数据进行训练之前需要将样本数据处理为零均值数据。协方差函数的确定非常重要,直接决定了高斯过程回归的效果和预测精度。首先,根据样本数据集的特征确定相应的协方差函数;其次,建立样本数据的条件概率负对数似然函数,并令其对超参数求偏导;最后,采用共轭梯度法对该偏导数进行最小化,以得到超参数的最优解。
在本公开实施例中,热力耦合数字孪生模型融合是将剐削力、剐削温度的解析模型和时变模型进行有机结合,即可得到剐削过程热力耦合数字孪生模型,用公式表示为:
式中,
为矢量,表示全局坐标系下第K个刀齿上第k段微段刃的剐削力,解析模型部分为微段刃局部坐标系下的剐削力,采用作者前期建立的由局部坐标系到全局坐标系的转换矩阵M
wO,得到第k段微段刃在全局坐标系下的剐削力:
如此,联立公式(24)和(26),计算得到任意时刻全局坐标系下的剐削力。剐削温度为标量,根据热量由高温区域向低温区域传递原则,利用公式(25)将任意时刻下多个微段齿的剐削温度求平均值即为该时刻的剐削温度。
在本公开实施例中,对剐削过程建立的热力耦合数字孪生模型既包含了微段刃或微段齿的剐削力和剐削温度机理计算模型,也包含了数据驱动的参与切削的刀齿数、微段刃或微段齿数以及切削前角的时变模型。剐削过程中,通过数据驱动的时变模型实时预估参与切削的刀齿数、微段刃或微段齿数以及切削前角的动态值,利用基于机理的解析模型计算每段微段刃或微段齿的剐削力和剐削温度,最终通过热力耦合数字孪生模型计算得到剐削过程中剐削力和剐削温度的动态变化值。
在本公开实施例中,剐削参数与剐削力、剐削温度关系映射为采用主成分分析法对热力耦合数字孪生模型进行降阶表征,建立代理模型,其中输入参数为剐削工艺参数(转速、进给量、切深)和剐削时间(或转角、转数等),输出参数为剐削力与剐削温度的最大值、均值与均方根。采用深度学习算法(极限学习机)对计算数据、仿真数据和实测数据等大数据进行训练(这里的大数据按照时间尺度可分为剐齿加工一刀的数据、剐齿刀旋转一周的数据以及单齿剐削的数据),建立剐削参数与单位范围内(主轴转一转)的剐削力、剐削温度的最大值、均值、均方根的映射关系模型,实现剐削力和剐削温度的动态预测。
在本公开实施例中,剐削参数的多目标优化与动态调控是以剐削过程中的单位范围内(一刀)的剐削力波动和剐削温度最小化为优化目标,以刀具转速、切削深度、进给量为优化参数,建立剐削参数的动态多目标优化模型,采用NSGA-Ⅱ等启发式算法对剐削参数进行求解,并将最优剐削参数组合反馈给物理空间的剐齿加工过程,实现剐削参数的动态调控。
根据本公开另一方面,提供了一种基于数字孪生的剐削工艺参数动态调控系统,包括:
耦合处理模块,用于根据剐削加工工艺机理及剐削加工工艺经验数据构建所述剐削加工的热力耦合数字孪生模型;
获取数据模块,用于通过物理空间监测、仿真及计算获取剐削加工工艺数据和剐削力热数据;
降阶处理模块,用于采用主成分分析法对所述热力耦合数字孪生模型进行降阶表征,并通过所述剐削加工工艺数据与所述剐削力热数据得到映射关系模型;
预测处理模块,用于通过所述映射关系模型对当前物理空间的工艺参数进行预测,得到预测结果;以及
优化处理模块,用于根据所述预测结果采用启发式算法对剐削加工工艺参数进行多目标优化,得到优化结果;将所述优化结果发送给所述当前物理空间的剐削加工执行系统进行执行,实现剐削加工过程的剐削工艺参数动态调控。
根据本公开另一方面,提供了一种基于数字孪生的剐削工艺参数动态调控装置,包括检测系统、剐削加工执行系统以及上述的基于数字孪生的剐削工艺参数动态调控系统。
在本公开实施例中,所述检测系统包括:检测信息库和至少一种检测设备,其中,所述检测信息库用于存储每一所述检测设备检测到的检测信息;
所述制造执行系统包括:加工设备信息库以及至少一种加工设备,所述加工设备信息库中存储有每一所述加工设备的加工能力信息、加工精度、工装类型及工装精度。
根据本公开另一方面,提供了一种计算机可读存储介质,其中,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现根据上述任一项所述的基于数字孪生的剐削工艺参数动态调控方法的步骤。
至此,已经结合附图对本公开实施例进行了详细描述。需要说明的是,在附图或说明书正文中,未绘示或描述的实现方式,均为所属技术领域中普通技术人员所知的形式,并未进行详细说明。此外,上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式,本领域普通技术人员可对其进行简单地更改或替换。
依据以上描述,本领域技术人员应当对本公开基于数字孪生的剐削工艺参数动态调控方法、系统及装置有了清楚的认识。
综上所述,本公开提供了一种基于数字孪生的剐削工艺参数动态调控方法、系统及装置,该方法、系统及装置合理优化运行参数对降低加工能耗、减少加工成本、提高加工效率和保证加工质量;通过剐削工艺参数动态调控方法,能够减少人工经验依赖性并提高工艺稳定性。
还需要说明的是,实施例中提到的方向用语,例如“上”、“下”、“前”、“后”、“左”、“右”等,仅是参考附图的方向,并非用来限制本公开的保护范围。贯穿附图,相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时,将省略常规结构或构造。
并且图中各部件的形状和尺寸不反映真实大小和比例,而仅示意本公开实施例的内容。另外,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。
除非有所知名为相反之意,本说明书及所附权利要求中的数值参数是近似值,能够根据通过本公开的内容所得的所需特性改变。具体而言,所有使用于说明书及权利要求中表示组成的含量、反应条件等等的数字,应理解为在所有情况中是受到「约」的用语所修饰。一般情况下,其表达的含义是指包含由特定数量在一些实施例中±10%的变化、在一些实施例中±5%的变化、在一些实施例中±1%的变化、在一些实施例中±0.5%的变化。
再者,单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词,以修饰相应的元件,其本身并不意味着该元件有任何的序数,也不代表某一元件与另一元件的顺序、或是制造方法上的顺序,该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。
此外,除非特别描述或必须依序发生的步骤,上述步骤的顺序并无限制于以上所列,且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑,彼此混合搭配使用或与其他实施例混合搭配使用,即不同实施例中的技术特征可以自由组合形成更多的实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。并且,在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。
类似地,应当理解,为了精简本公开并帮助理解各个公开方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,公开方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的单独实施例。
以上所述的具体实施例,对本公开的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本公开的具体实施例而已,并不用于限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。