CN113569453A - 一种面向加工的数字孪生产品模型的迁移方法 - Google Patents

一种面向加工的数字孪生产品模型的迁移方法 Download PDF

Info

Publication number
CN113569453A
CN113569453A CN202110868026.8A CN202110868026A CN113569453A CN 113569453 A CN113569453 A CN 113569453A CN 202110868026 A CN202110868026 A CN 202110868026A CN 113569453 A CN113569453 A CN 113569453A
Authority
CN
China
Prior art keywords
model
product
digital twin
migration
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110868026.8A
Other languages
English (en)
Other versions
CN113569453B (zh
Inventor
鲍劲松
沈慧
刘世民
孙学民
许敏俊
丁志昆
顾星海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donghua University
Original Assignee
Donghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Donghua University filed Critical Donghua University
Priority to CN202110868026.8A priority Critical patent/CN113569453B/zh
Publication of CN113569453A publication Critical patent/CN113569453A/zh
Application granted granted Critical
Publication of CN113569453B publication Critical patent/CN113569453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种面向加工的数字孪生产品模型的迁移方法，属于数字孪生模型快速搭建方法技术领域。一种面向加工的数字孪生产品模型的迁移方法，基于数字孪生模型可迁移性的特点，构建包含有数据采集处理模块、产品几何模型模块、产品物理模型模块、产品质量控制模块和反馈调整模块的数字孪生产品模型基本框架，进一步的以设备方式迁移和算法模型迁移两种途径实现对数字孪生产品模型迁移；通过上述设计，本发明能够实现相同设备工艺的相似产品数字孪生模型的快速迁移重构，避免重复建模，提高已有模型利用率，降低建模成本，提高生产效率。

Description

一种面向加工的数字孪生产品模型的迁移方法
技术领域
本发明涉及数字孪生模型快速搭建方法技术领域，尤其涉及一种面向加工的数字孪生产品模型的迁移方法。
背景技术
随着大数据，云计算，互联网等新一代信息技术的快速发展，数字孪生技术逐步被广泛应用于生产制造的各领域中。数字孪生实体空间数据映射到虚拟空间，并基于数据和模型的双驱动，实现生产过程中的实时质量预测和反馈调整。数字孪生产品模型对产品进行多粒度描述包括产品几何信息，物理属性信息和产品实时质量信息。基于产品数字孪生模型可实现虚实信息交互，从而达到对实际生产过程的产品实时质量监测并反馈指导实际加工过程，最终提高生产加工效率和产品质量。
面向加工的数字孪生产品模型耦合多种信息，建模过程涉及相关技术方法复杂多样，建模周期长。针对产品的变更，需重新建立相对应的数字孪生模型，造成重复建模成本高和已有模型利用率低。因此，需要一种数字孪生产品模型的迁移方法，利用数字孪生模型可迁移性特点实现对相似产品的数字孪生模型快速搭建；鉴于此，我们提出了一种面向加工的数字孪生产品模型的迁移方法。
发明内容
本发明的目的在于提供一种面向加工的数字孪生产品模型的迁移方法，能够实现相同设备工艺的相似产品数字孪生模型的快速迁移重构，避免重复建模，提高已有模型利用率，降低建模成本，提高生产效率。
为了实现上述目的，本发明采用了如下技术方案：
一种面向加工的数字孪生产品模型的迁移方法，首先建立面向可迁移的数字孪生产品模型，其基本框架如图1所示。，包括以下步骤：
S1、基于数字孪生模型可迁移性的特点，构建包含有数据采集处理模块、产品几何模型模块、产品物理模型模块、产品质量控制模块和反馈调整模块的数字孪生产品模型基本框架；
S2、结合S1中提到的数据采集处理模块，通过传感器采集数据，对采集到的数据进行预处理；
S3、结合S1中提到的产品几何模型模块，采用MBD建模技术对几何模型建模，反映产品设备信息、几何信息和工艺信息；
S4、结合S1中提到的产品物理模型模块，将待控制的质量影响因素已有的理论经验公式和有限元分析软件ANSYS相结合，模拟产品物理属性的变化趋势；
S5、结合S1中提到的产品质量控制模块，根据采集的实时数据集训练一维卷积神经网络，获得质量预测模型；
S6、基于S5所获得的质量预测模型，结合遗传算法建立工艺参数推荐模型；
当钻削工件种类更换时，利用所提出的迁移方法对上述建立的数字孪生产品模型进行迁移，分别从设备方式重用和算法模型迁移两方面进行快速模型重建，如图2所示，包括以下步骤：
S1’、对数字孪生产品模型基本框架中的数据采集处理模块、产品几何模型模块和产品物理模型模块进行重用配置，完成设备方法迁移工作；
S2’、基于迁移学习理论，对质量控制模块中的质量预测模型和工艺参数推荐模型进行迁移。
优选地，所述S1中提到的数字孪生产品模型基本框架，用以对产品信息进行多粒度描述，完成对加工过程数据的处理以及加工质量实时预测和控制工作。
优选地，所述S2’中提到的质量预测模型的迁移，其迁移流程如图3所示，具体包括以下步骤：
A1、计算分析不同产品的质量预测任务数据集的相似性；
A2、若两种产品的质量预测任务一致，数据集高度相似，直接在原算法模型基础上进行finetune，或者新产品的质量预测模型；
A3、若数据集分布差异明显，在原模型线性层中添加自适应层；
A4、调整自适应层在线性层中的位置进行实验，获得预测效果最佳的迁移模型，通过对迁移模型进行finetune获得适应新工艺条件下的质量预测算法模型。
优选地，所述S2’中提到的工艺参数推荐模型的迁移，具体包括以下步骤：
B1、在已迁移的质量预测模型的基础上，结合遗传算法，对工艺参数进行优化；
B2、将优化完的工艺参数传输至生产设备，在下一零件加工前为其提供参数推荐。
与现有技术相比，本发明提供了一种面向加工的数字孪生产品模型的迁移方法，具备以下有益效果：
本发明提出面向加工的数字孪生产品模型的迁移方法，基于数字孪生产品模型基本框架和具体迁移途径，从而实现相似产品数字孪生模型的快速迁移重用，体现了数字孪生模型的可迁移性。通过该设计，避免了新产品重复建模过程，提高已有模型利用率，缩短建模周期，减低建模成本。
附图说明
图1为本发明提出的一种面向加工的数字孪生产品模型的迁移方法的数字孪生产品模型基本框架示意图；
图2为本发明提出的一种面向加工的数字孪生产品模型的迁移方法的数字孪生产品模型迁移示意图；
图3为本发明提出的一种面向加工的数字孪生产品模型的迁移方法的相似产品质量预测模型迁移流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1：
请参阅图1-3，以钻削加工领域中不同材质零件加工为例，首先按照如图1基本框架建立原钻削加工零件的数字孪生产品模型，具体步骤如下：
S100、建立数据采集处理模块
以监测钻孔生成的毛刺大小为质量指标，利用四轴力传感器采集钻削过程中的力信号，利用加速度传感器采集钻削过程中的振动信号。然后对采集的信号进行预处理和时频域特征提取。
S200、建立几何模型
MBD技术是将产品的所有相关设计定义，工艺描述，属性等信息都集成在产品三维模型中，采用MBD技术在UG三维软件建立产品几何模型。
S300、建立物理模型
使用ANSYS软件，在建立好的产品几何模型基础上，定义材料弹性模量，泊松比等参数，划分网格，施加边界条件等，建立产品的物理属性模型，反映应力应变分布变化情况。
S400、建立质量控制模块；
S410、建立质量预测模型(以钻削加工零件出口毛刺为对象)：
搭建一维卷积神经网络，选择在钻孔出口前一段时间内采集的时序数据集对模型进行训练。模型选择8层conv1D，每两层Conv1D后添加一层MaxPooling1D，激活函数Relu，最后一层是输出的毛刺高度预测值。训练完成的模型可以预测下一阶段即出口处毛刺生成的高度，若毛刺高度超过所设置的阈值，则钻孔毛刺指标不合格，需对工艺参数进行调整。
S420、建立工艺参数推荐模型：
当毛刺生成不合格，需调整工艺参数，主要影响毛刺的参数有主轴转速和进给量，根据建立的质量预测模型再结合遗传算法，以该质量预测模型的毛刺高度预测值为约束条件，得出优化后的工艺参数推荐，指导下一个零件或加工特征在加工前的参数优化选择。
在相同钻削设备进行不同种零件的钻孔加工，其产品的数字孪生模型迁移示意图如图2所示：
S500、数据采集处理模块迁移
两零件的数据采集和数据处理方式相同，设备方式进行重用配置即可。
S600、几何模型迁移重用
基于同种三维建模软件，以零件几何模型和几何信息相似度最高为目标，在历史几何模型库中找到相似度最高的历史MBD模型，并对此进行修改获得新零件的几何模型。
S700、物理模型迁移重用
基于同种有限元分析软件，通过调整零件钻削毛刺机理经验公式实现迁移重用。
S800、质量预测模型迁移
以已训练好的质量预测模型(一维卷积神经网络)作为主要迁移对象，采用迁移理论实现模型迁移。由于两种产品的质量预测任务一致，数据集分布相似，可以基于finetune技术对已有的质量预测模型进行微调如图3。由于当前产品的数据集相比较原产品质量预测模型的训练数据集小，所以在进行迁移时，神经网络的前几层参数固定，只对最后三层(输出层除外)进行finetune微调以防止过拟合，从而实现对质量预测模型的迁移。
S900、工艺参数推荐模型迁移
在已迁移的质量预测模型的基础上，结合遗传算法，将质量预测模型输出的毛刺高度值作为约束条件，优化得到最优参数；将该优化参数作为下一同种零件或加工特征的初始工艺参数。使得在零件加工前可以对工艺参数进行调整推荐。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种面向加工的数字孪生产品模型迁移方法，其特征在于，包括以下步骤：
S1、基于数字孪生模型可迁移性的特点，构建包含有数据采集处理模块、产品几何模型模块、产品物理模型模块、产品质量控制模块和反馈调整模块的数字孪生产品模型基本框架；
S2、结合S1中提到的数据采集处理模块，通过传感器采集数据，对采集到的数据进行预处理；
S3、结合S1中提到的产品几何模型模块，采用MBD建模技术对几何模型建模，反映产品设备信息、几何信息和工艺信息；
S4、结合S1中提到的产品物理模型模块，将待控制的质量影响因素已有的理论经验公式和有限元分析软件ANSYS相结合，模拟产品物理属性的变化趋势；
S5、结合S1中提到的产品质量控制模块，根据采集的实时数据集训练一维卷积神经网络，获得质量预测模型；
S6、基于S5所获得的质量预测模型，结合遗传算法建立工艺参数推荐模型；
S7、对数字孪生产品模型基本框架中的数据采集处理模块、产品几何模型模块和产品物理模型模块进行重用配置，完成设备方法迁移工作；
S8、基于迁移学习理论，对质量控制模块中的质量预测模型和工艺参数推荐模型进行迁移。
2.根据权利要求1所述的一种面向加工的数字孪生产品模型迁移方法，其特征在于：所述S1中提到的数字孪生产品模型基本框架，用以对产品信息进行多粒度描述，完成对加工过程数据的处理以及加工质量实时预测和控制工作。
3.根据权利要求1所述的一种面向加工的数字孪生产品模型的迁移方法，其特征在于：所述S8中提到的质量预测模型的迁移，具体包括以下步骤：
A1、对不同产品的质量预测任务进行比较，分析不同产品的数据集的相似性；
A2、若两种产品的质量预测任务一致，数据集高度相似，直接在原算法模型基础上进行finetune，或者新产品的质量预测模型；
A3、若数据集分布差异明显，在原模型线性层中添加自适应层；
A4、调整自适应层在线性层中的位置进行实验，获得预测效果最佳的迁移模型。
CN202110868026.8A 2021-07-30 2021-07-30 一种面向加工的数字孪生产品模型的迁移方法 Active CN113569453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110868026.8A CN113569453B (zh) 2021-07-30 2021-07-30 一种面向加工的数字孪生产品模型的迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110868026.8A CN113569453B (zh) 2021-07-30 2021-07-30 一种面向加工的数字孪生产品模型的迁移方法

Publications (2)

Publication Number Publication Date
CN113569453A true CN113569453A (zh) 2021-10-29
CN113569453B CN113569453B (zh) 2023-10-10

Family

ID=78169196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110868026.8A Active CN113569453B (zh) 2021-07-30 2021-07-30 一种面向加工的数字孪生产品模型的迁移方法

Country Status (1)

Country Link
CN (1) CN113569453B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116880365A (zh) * 2023-05-22 2023-10-13 深圳普菲特信息科技股份有限公司 设备生产过程的监控方法、系统和可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388146A (zh) * 2018-02-01 2018-08-10 东南大学 一种基于信息物理融合的三维装配工艺设计系统及运行方法
WO2020159564A1 (en) * 2019-01-28 2020-08-06 Landmark Graphics Corporation Constructing digital twins for oil and gas recovery using ensemble kalman filter
CN111553837A (zh) * 2020-04-28 2020-08-18 武汉理工大学 一种基于神经风格迁移的艺术文本图像生成方法
US20210157312A1 (en) * 2016-05-09 2021-05-27 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
CN113112088A (zh) * 2021-04-23 2021-07-13 北京邮电大学 一种边云协同数字孪生智能排产应用运行位置适配方法
CN113128561A (zh) * 2021-03-22 2021-07-16 南京航空航天大学 一种机床轴承故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210157312A1 (en) * 2016-05-09 2021-05-27 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
CN108388146A (zh) * 2018-02-01 2018-08-10 东南大学 一种基于信息物理融合的三维装配工艺设计系统及运行方法
WO2020159564A1 (en) * 2019-01-28 2020-08-06 Landmark Graphics Corporation Constructing digital twins for oil and gas recovery using ensemble kalman filter
CN111553837A (zh) * 2020-04-28 2020-08-18 武汉理工大学 一种基于神经风格迁移的艺术文本图像生成方法
CN113128561A (zh) * 2021-03-22 2021-07-16 南京航空航天大学 一种机床轴承故障诊断方法
CN113112088A (zh) * 2021-04-23 2021-07-13 北京邮电大学 一种边云协同数字孪生智能排产应用运行位置适配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭东升;鲍劲松;史恭威;张启万;孙习武;翁海红: "基于数字孪生的航天结构件制造车间建模研究", 东华大学学报(自然科学版), no. 004 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116880365A (zh) * 2023-05-22 2023-10-13 深圳普菲特信息科技股份有限公司 设备生产过程的监控方法、系统和可读存储介质
CN116880365B (zh) * 2023-05-22 2024-02-23 深圳普菲特信息科技股份有限公司 设备生产过程的监控方法、系统和可读存储介质

Also Published As

Publication number Publication date
CN113569453B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN109615113B (zh) 一种基于数字孪生的船用柴油机关重件加工质量预测方法
CN110900307B (zh) 一种数字孪生驱动的数控机床刀具监控系统
Cus et al. Approach to optimization of cutting conditions by using artificial neural networks
KR101846793B1 (ko) 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템
CN114326596A (zh) 使用自学习系统模拟在机床上进行机加工的方法和设备
CN111752151A (zh) 一种工业叶片磨抛加工自适应力跟踪与补偿方法及系统
CN112231966B (zh) 一种基于数字孪生的协作机器人可装配性预测系统及方法
Saric et al. Estimation of machining time for CNC manufacturing using neural computing
CN115422814B (zh) 一种数字孪生驱动的复杂机电产品闭环优化设计方法
Sun et al. Machining cycle time prediction: Data-driven modelling of machine tool feedrate behavior with neural networks
CN113569453B (zh) 一种面向加工的数字孪生产品模型的迁移方法
CN113642236A (zh) 一种面向多学科的数字孪生图网络建模方法
CN113609672B (zh) 一种基于增量模型的数字孪生系统协同进化方法
CN116050190B (zh) 一种基于数字孪生的产品性能和退化状态分析方法
CN113554230A (zh) 一种面向制造全生命周期的数字孪生可表示性建模系统
CN113673166B (zh) 面向加工质量预测的数字孪生模型工况自适应方法及系统
CN114757111B (zh) 一种基于数字孪生技术的智能装备健康管理方法
CN114970292A (zh) 一种数字孪生驱动增材制造的仿生产品建模系统及方法
TWM607654U (zh) 智慧型超音波輔助研磨加工系統
CN116048000B (zh) 多轴运动数控系统的建模方法、装置、设备及存储介质
CN110968057B (zh) 一种解决智能制造车间多目标优化的规划方法
TWI767368B (zh) 智慧型超音波輔助研磨加工系統及其方法
CN116345495B (zh) 基于数据分析和建模的电厂机组调频优化方法
CN117532625B (zh) 焊接机器人的路径优化方法及系统
CN117555306B (zh) 一种基于数字孪生的多生产线任务自适应调度方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant