CN113673166A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113673166A
CN113673166A CN202110987193.4A CN202110987193A CN113673166A CN 113673166 A CN113673166 A CN 113673166A CN 202110987193 A CN202110987193 A CN 202110987193A CN 113673166 A CN113673166 A CN 113673166A
Authority
CN
China
Prior art keywords
working condition
model
under
current working
data
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
CN202110987193.4A
Other languages
English (en)
Other versions
CN113673166B (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 CN202110987193.4A priority Critical patent/CN113673166B/zh
Publication of CN113673166A publication Critical patent/CN113673166A/zh
Application granted granted Critical
Publication of CN113673166B publication Critical patent/CN113673166B/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
    • G06F30/27—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及面向加工质量预测的数字孪生模型工况自适应的方法及系统。所述方法包括获取任一历史工况下的质量预测模型、当前工况下的时序数据和影响因素，根据当前工况下的部分获取时段的力信号和振动信号对任一历史工况下的机理模型进行更新得到当前工况下的机理模型；采用当前工况下的机理模型对当前工况下的时序数据进行处理得到当前工况的样本数据；根据当前工况的样本数据和其他的样本数据确定待迁移模型；当影响因素的加权和小于设定阈值时，根据当前工况的样本数据对待迁移模型进行更新；反之，则根据目标定量数据和当前工况的样本数据对待迁移模型进行更新。本发明可提高模型对于变工况的自适应能力。

Description

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
技术领域
本发明涉及质量预测领域，特别是涉及一种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。
背景技术
对钻削过程进行质量监测是提高产品加工质量的重要方法，由于钻削过程耦合多种复杂因素，传统的离线质量预测技术难以有效利用钻削过程信息，从而导致预测精度低。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。数字孪生技术可将实体空间实时数据映射到虚拟空间，并基于数据和模型的双驱动，对生产过程中的加工质量进行实时预测和反馈调整。基于数字孪生的钻削质量预测可通过虚实信息交互来预测钻削加工质量。
然而，由于钻削加工产品的日益个性化需求，生产工况需根据生产要求变化做出相应调整(如刀具、夹具更换等)以适应多品种小批量生产方式。传统的数字孪生模型大多针对特定场景建模，该模型在变工况下具有适应性差的特点。在相同工艺不同工况下，加工系统的机理、数据以及模型结构具有高度相似性，若针对不同工况分别建模将造成资源浪费和建模周期长的问题。另外，由于工况变化离散性大，难以建立综合所有工况的数字孪生模型，且模型计算量大，实时性差，所以，需要一种在变工况下将已有数字孪生模型进行迁移重用的方法。
发明内容
本发明的目的是提供一种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，可利用数字孪生模型的可迁移性特点，实现快速建模，减少建模成本，提高模型对于变工况的自适应能力。
为实现上述目的，本发明提供了如下方案：
一种面向加工质量预测的数字孪生模型工况自适应方法，包括：
获取任一历史工况下的质量预测模型、当前工况下的时序数据和当前工况下的影响因素；所述时序数据包括钻削过程中各获取时段的力信号和振动信号；所述影响因素包括加工材料，加工位姿，加工刀具和设定加工精度；所述质量预测模型包括机理模型和算法模型；所述机理模型包括多个钻削机理公式；所述算法模型为对神经网络进行训练得到的；
根据所述当前工况下的时序数据中的部分获取时段的力信号和振动信号对所述任一历史工况下的机理模型进行更新得到当前工况下的机理模型；
采用所述当前工况下的机理模型对所述当前工况下的时序数据进行特征提取得到所述当前工况的样本数据；
根据当前工况的样本数据和各历史工况的样本数据确定待迁移模型；
计算所述当前工况下的影响因素的加权和；
当所述加权和小于设定阈值时，则根据所述当前工况的样本数据对所述待迁移模型采用迁移学习方法进行更新得到当前工况下的算法模型；
当所述加权和大于设定阈值时，则获取目标定量数据并根据所述目标定量数据和所述当前工况的样本数据采用迁移学习方法对所述待迁移模型进行更新得到当前工况下的算法模型；所述目标定量数据为所述待迁移模型对应的工况下的定量数据；所述定量数据包括样本数据和钻削质量预测结果；
将所述当前工况下的机理模型和所述当前工况下的算法模型确定为当前工况下的质量预测模型，所述当前工况下的质量预测模型用于对当前工况下的钻削质量进行预测得到当前工况下的钻削质量预测结果。
可选的，所述根据当前工况的样本数据和各历史工况的样本数据确定待迁移模型，具体包括：
计算所述当前工况的样本数据与各历史工况的样本数据的分布距离；
将最小工况下的算法模型确定为待迁移模型；所述最小工况为最小的分布距离对应的工况。
可选的，在根据所述当前工况下的时序数据中的部分获取时段的力信号和振动信号对所述任一历史工况下的机理模型进行更新得到当前工况下的机理模型之前还包括：
对所述当前工况下的时序数据依次进行碎片化处理、数据预处理和时频域特征提取操作。
可选的，在所述将所述当前工况下的机理模型和所述当前工况下的算法模型确定为当前工况下的质量预测模型之后还包括：
将所述当前工况下的定量数据存储到定量数据库中。
一种面向加工质量预测的数字孪生模型工况自适应系统，包括：
获取模块，用于获取任一历史工况下的质量预测模型、当前工况下的时序数据和当前工况下的影响因素；所述时序数据包括钻削过程中各获取时段的力信号和振动信号；所述影响因素包括加工材料，加工位姿，加工刀具和设定加工精度；所述质量预测模型包括机理模型和算法模型；所述机理模型包括多个钻削机理公式；所述算法模型为对神经网络进行训练得到的；
机理模型更新模块，用于根据所述当前工况下的时序数据中的部分获取时段的力信号和振动信号对所述任一历史工况下的机理模型进行更新得到当前工况下的机理模型；
样本数据确定模块，用于采用所述当前工况下的机理模型对所述当前工况下的时序数据进行特征提取得到所述当前工况的样本数据；
待迁移模型确定模块，用于根据当前工况的样本数据和各历史工况的样本数据确定待迁移模型；
加权和确定模块，用于计算所述当前工况下的影响因素的加权和；
第一策略确定模块，用于当所述加权和小于设定阈值时，则根据所述当前工况的样本数据对所述待迁移模型采用迁移学习方法进行更新得到当前工况下的算法模型；
第二策略确定模块，用于当所述加权和大于设定阈值时，则获取目标定量数据并根据所述目标定量数据和所述当前工况的样本数据采用迁移学习方法对所述待迁移模型进行更新得到当前工况下的算法模型；所述目标定量数据为所述待迁移模型对应的工况下的定量数据；所述定量数据包括样本数据和钻削质量预测结果；
质量预测模型确定模块，用于将所述当前工况下的机理模型和所述当前工况下的算法模型确定为当前工况下的质量预测模型，所述当前工况下的质量预测模型用于对当前工况下的钻削质量进行预测得到当前工况下的钻削质量预测结果。
可选的，所述待迁移模型确定模块包括：
距离计算单元，用于计算所述当前工况的样本数据与各历史工况的样本数据的分布距离；
待迁移模型确定单元，用于将最小工况下的算法模型确定为待迁移模型；所述最小工况为最小的分布距离对应的工况。
可选的，所述面向加工质量预测的数字孪生模型工况自适应系统，还包括：
预处理模块，用于对所述当前工况下的时序数据依次进行碎片化处理、数据预处理和时频域特征提取操作。
可选的，所述面向加工质量预测的数字孪生模型工况自适应系统，还包括：
定量数据存储模块，用于将所述当前工况下的定量数据存储到定量数据库中。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明根据当前工况下的时序数据中的部分获取时段的力信号和振动信号对任一历史工况下的机理模型进行更新得到当前工况下的机理模型；采用当前工况下的机理模型对当前工况下的时序数据进行特征提取得到当前工况的样本数据；根据当前工况的样本数据和各历史工况的样本数据确定待迁移模型；当加权和小于设定阈值时，则根据当前工况的样本数据对待迁移模型采用迁移学习方法进行更新得到当前工况下的算法模型；当加权和大于设定阈值时，则获取目标定量数据并根据目标定量数据和当前工况的样本数据采用迁移学习方法对待迁移模型进行更新得到当前工况下的算法模型；将当前工况下的机理模型和当前工况下的算法模型确定为当前工况下的质量预测模型，当前工况下的质量预测模型用于对当前工况下的钻削质量进行预测得到当前工况下的钻削质量预测结果，利用数字孪生模型的可迁移性特点，将已有的质量预测模型进行迁移重用，实现快速建模，减少建模成本，提高模型对于变工况的自适应能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的面向加工质量预测的数字孪生模型工况自适应方法的流程图；
图2为本发明实施例提供的面向加工质量预测的数字孪生模型工况自适应方法的框架图；
图3为本发明实施例提供的数字孪生模型的核心组成部分的流程示意图；
图4为本发明实施例提供的数字孪生模型迁移流程图；
图5为本发明实施例提供的迁移策略1的流程图；
图6为本发明实施例提供的迁移策略2的流程图。
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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种面向加工质量预测的数字孪生模型工况自适应方法，如图1所示，所述方法的具体过程如下：
步骤101：获取任一历史工况下的质量预测模型、当前工况下的时序数据和当前工况下的影响因素。所述时序数据包括钻削过程中各获取时段的力信号和振动信号；所述影响因素包括加工材料，加工位姿，加工刀具和设定加工精度；所述质量预测模型包括机理模型和算法模型；所述机理模型包括多个钻削机理公式(毛刺高度生成机理，表面粗糙度机理，钻孔直线度和圆柱度机理等)；所述算法模型为对神经网络进行训练得到的。
步骤102：根据所述当前工况下的时序数据中的部分获取时段的力信号和振动信号对所述任一历史工况下的机理模型进行更新得到当前工况下的机理模型。
步骤103：采用所述当前工况下的机理模型对所述当前工况下的时序数据进行特征提取得到所述当前工况的样本数据。
步骤104：根据当前工况的样本数据和各历史工况的样本数据确定待迁移模型。
步骤105：计算所述当前工况下的影响因素的加权和。
步骤106：当所述加权和小于设定阈值时，则根据所述当前工况的样本数据对所述待迁移模型采用迁移学习方法进行更新得到当前工况下的算法模型。
步骤107：当所述加权和大于设定阈值时，则获取目标定量数据并根据所述目标定量数据和所述当前工况的样本数据采用迁移学习方法对所述待迁移模型进行更新得到当前工况下的算法模型。所述目标定量数据为所述待迁移模型对应的工况下的定量数据；所述定量数据包括样本数据和钻削质量预测结果。
步骤108：将所述当前工况下的机理模型和所述当前工况下的算法模型确定为当前工况下的质量预测模型，所述当前工况下的质量预测模型用于对当前工况下的钻削质量进行预测得到当前工况下的钻削质量预测结果(如毛刺高度，表面粗糙度等)。
在实际应用中：根据加权和分析得到工况变化值(Ce)来表示钻削工况变化程度。通过设定Ce阈值划分工况变化类型并采用对应迁移策略，提高迁移效率。工况变化值主要影响因素包括加工精度要求改变(Ep)、加工材料改变(Em)、加工位姿改变(Er)和刀具更换(Et)(影响程度由小到大排列)。
工况变化值和影响因素之间的关系满足：
Figure BDA0003231111820000061
按照实际工况变化对质量影响程度，初步设置各因素权重分别为w1＝0.1，w2＝0.2，w3＝0.2，w4＝0.5，同时设定阈值为0.4。当Ce≤0.4，选择策略1以减小迁移成本；当Ce≥0.4，选择策略2以提高模型精度，第一个式子表明工况变化值和加工精度要求改变(Ep)、加工材料改变(Em)、加工位姿改变(Er)和刀具更换(Et)这些因素有关，第二个公式表明各因素和工况变化值之间的关系即加权和公式，第三个公式表明所有权重之和为1。
在实际应用中，所述根据当前工况的样本数据和各历史工况的样本数据确定待迁移模型，具体包括：
计算所述当前工况的样本数据与各历史工况的样本数据的分布距离。
将最小工况下的算法模型确定为待迁移模型；所述最小工况为最小的分布距离对应的工况。
在实际应用中，在根据所述当前工况下的时序数据中的部分获取时段的力信号和振动信号对所述任一历史工况下的机理模型进行更新得到当前工况下的机理模型之前还包括：
对所述当前工况下的时序数据依次进行碎片化处理、数据预处理和时频域特征提取操作。
在实际应用中，在所述将所述当前工况下的机理模型和所述当前工况下的算法模型确定为当前工况下的质量预测模型之后还包括：
将所述当前工况下的定量数据存储到定量数据库中。
在实际应用中，机理模型：是一个复杂的数学公式，其输入为：对时序数据进行时频域特征提取等预处理后得到的数据，暂时称其为原始数据；其输出为：加工质量的特征值，可以较为准确描述实际加工质量结果。机理模型更新是将新工况采集处理的部分原始数据作为输入，输出是加工质量的特征值(样本数据)，以该输出值和实际加工质量的实测值最接近作为该机理模型更新完成的一个标准，通过不断调整机理模型中的实验参数，使得该机理模型的输出和实测值最为接近，此时即完成机理模型的更新。加工质量的特征值和实际加工质量的实测值之间是有区别的，但是在机理模型更新的时候，以能最接近实际加工质量的实测值为标准对机理模型进行参数更新，最终更新后的机理模型的输出值并非是实测的加工质量，而是可以较为准确描述实测加工质量的一个特征值。
本实施例提供的面向加工质量预测的数字孪生模型变工况自适应方法，属于钻削加工领域中的面向加工质量预测的数字孪生模型可迁移策略，面向质量预测的数字孪生模型变工况迁移框架：如图2所示，该框架由三部分组成：物理层、数据层和模型层。
数字孪生模型迁移的核心是质量预测模型(机理模型和算法模型)，通过机理模型和算法模型的融合实现对钻削加工质量的实时预测，如图3所示。基于机理模型对预处理后的原始数据(数据碎片化、数据预处理和时频域预处理后的数据)进行初级数据特征提取获得时序数据浅层特征(样本数据)，然后采用算法模型(一维卷积神经网络由上到下依次包括输入层、六个卷积层、一个最大池化层、三个全连接层和输出层)对样本数据进行深层特征提取和质量预测得到工况下的钻削质量预测结果(算法模型采用的是神经网络，神经网络进行预测的过程实质上就是将输入数据进行深层特征提取，并基于提取出的深层特征进行质量预测获得最终输出的预测结果)，结合机理模型和算法模型有利于提高建模效率和模型预测精度。
物理层包括钻削设备、工件和内外置传感器组成，根据钻削加工的不同要求，在不同工况下对工件进行钻削加工，物理层通过传感器将钻削加工实时数据传输到数据层，进行后续的数据处理和特征提取。数据层包括，在不同工况下采集数据并进行时序信号碎片化，信号预处理和时频域特征提取获得当前工况的原始数据。基于原始数据，通过微调机理模型中的实验参数来完成机理模型更新；利用更新后的机理模型对原始数据进行初级特征提取以获得样本数据，并将其存储于样本数据库中，为后续在模型层中的算法模型库(质量预测算法模型库)中选择待迁移模型提供选择依据；在模型层中，算法模型采用深度学习方法对初级特征进行深层特征提取和质量预测。不同工况下(如加工设备，加工刀具，夹具和加工精度不同)，其算法模型之间存在差异，有必要对算法模型进行变工况下自适应迁移更新，从而提高数字孪生模型变工况下的自适应性，以提高其预测精度，根据待迁移模型和迁移策略获得迁移后的算法模型，质量预测模型用于当前新工况下的钻削质量预测，同时将其产生的孪生数据(定量数据)进行定量存储，为之后其它变工况下模型迁移过程提供足够的数据支撑。模型层是迁移框架的核心，基于数据层的样本数据，在算法模型库中匹配获得相应的待迁移模型；结合新工况变化类型分析(简单或者复杂变工况)，选择相应的模型迁移策略以完成对待迁移模型的迁移更新；并将更新后的算法模型存储于算法模型库中，为之后其它变工况下待迁移模型的选择和迁移更新奠定基础。当工况在后面又发生变化，那么重复上述过程：物理层数据采集处理，数据层机理模型更新和数据特征提取以及基于样本数据在模型层中的算法模型库中挑选待迁移模型，基于待迁移模型和迁移策略进行算法模型的迁移更新。获得符合当前工况的更新后的机理模型和算法模型，实现当前工况的钻削质量预测，最后利用迁移后的数学孪生模型即可得到新工况下的钻削质量预测结果。
本实施例以机器人钻削系统进行钻孔加工，质量预测对象为钻削加工产生的毛刺高度为例。
1、首先，搭建初始工况下面向质量预测的数字孪生模型：
其核心在于质量预测模型，在设备初始工况下，采集时序数据，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，获得原始数据集，并基于此数据集进行模型训练。质量预测模型是由机理模型和算法模型组成，机理模型从原始数据中提取浅层特征，以初始工况下的部分获取时段的力信号和振动信号为输入，以输出的特征值与实际加工质量的实测值最接近为目标，对机理模型进行训练得到初始工况下的机理模型，算法模型选择一维卷积神经网络确定钻削质量预测结果，输入为机理模型提取的浅层特征，输出为毛刺高度预测值，以初始工况下的机理模型对初始工况下的时序数据进行处理得到的样本数据为输入，以毛刺高度预测值为输出，对算法模型进行训练得到初始工况下的算法模型。
2、按照如图1基本框架实现变工况模型迁移：
工况变化主要有以下几种情况：加工材料变化，加工位姿变化，加工刀具改变和加工精度要求变化。通过分析比较各种工况改变程度对数据分布变化的影响，设置工况变化因素权重，对工况变化因素进行加权计算获得工况变化程度值，将其作为选择迁移策略1或策略2的判断依据，刀具更换的影响对加工质量影响大，故在权重设置较大。
(1)基于上述初始数字孪生模型和迁移框架，如图4所示，当加工工况变化，传感器实时采集新工况i下的时序信号，对时序信号碎片化处理和预处理以及时频域特征提取并更新机理模型，经机理模型提取数据初级特征获得工况i样本数据Di。
(2)计算Di与其它工况样本数据的分布距离，获得最小距离MMDmin的工况n样本数据，并通过索引得到该样本数据对应的工况模型Modeln。
(3)根据实际变化工况的加权计算，得到工况变化程度值，根据程度值是否超出参考阈值来采取不同策略，发现未超出阈值，则采用迁移策略1对被迁移模型Modeln进行自适应迁移，流程如图5所示：
①结合新工况钻削过程采集的样本数据Di，将Modeln进行finetune，得到当前工况i下的预测模型Modeli并存储于算法模型库中。
②完成质量预测模型的自适应迁移后，在新工况i下进行钻削过程定量数据的采集及预处理得到定量数据Datai并存储于定量数据库中，为后续变工况模型自适应迁移提供数据基础。
(4)当工况变化程度值超出阈值(换刀或是多种工况变化耦合)，变工况导致的数据分布不一致，模型的自适应迁移采用迁移策略2，流程如图6所示：
①索引获得被迁移模型Modeln对应工况n采集的定量数据Datan。
②结合Datan和新工况样本数据Di，基于迁移学习方法中的深度迁移学习(DeepDomain Confusion，DDC)算法更新Modeln获得当前工况i的预测模型Modeli并存储于算法模型库中。
③完成模型的自适应迁移后，在新工况i下进行钻削定量数据的采集及预处理得到定量数据Datai并存储于定量数据库中，为后续变工况模型自适应迁移提供数据基础。
本实施例还提供了一种与上述方法对应的面向加工质量预测的数字孪生模型工况自适应系统，所述系统包括：
获取模块，用于获取任一历史工况下的质量预测模型、当前工况下的时序数据和当前工况下的影响因素；所述时序数据包括钻削过程中各获取时段的力信号和振动信号；所述影响因素包括加工材料，加工位姿，加工刀具和设定加工精度；所述质量预测模型包括机理模型和算法模型；所述机理模型包括多个钻削机理公式；所述算法模型为对神经网络进行训练得到的。
机理模型更新模块，用于根据所述当前工况下的时序数据中的部分获取时段的力信号和振动信号对所述任一历史工况下的机理模型进行更新得到当前工况下的机理模型。
样本数据确定模块，用于采用所述当前工况下的机理模型对所述当前工况下的时序数据进行特征提取得到所述当前工况的样本数据。
待迁移模型确定模块，用于根据当前工况的样本数据和各历史工况的样本数据确定待迁移模型。
加权和确定模块，用于计算所述当前工况下的影响因素的加权和。
第一策略确定模块，用于当所述加权和小于设定阈值时，则根据所述当前工况的样本数据对所述待迁移模型采用迁移学习方法进行更新得到当前工况下的算法模型。
第二策略确定模块，用于当所述加权和大于设定阈值时，则获取目标定量数据并根据所述目标定量数据和所述当前工况的样本数据采用迁移学习方法对所述待迁移模型进行更新得到当前工况下的算法模型；所述目标定量数据为所述待迁移模型对应的工况下的定量数据；所述定量数据包括样本数据和钻削质量预测结果。
质量预测模型确定模块，用于将所述当前工况下的机理模型和所述当前工况下的算法模型确定为当前工况下的质量预测模型，所述当前工况下的质量预测模型用于对当前工况下的钻削质量进行预测得到当前工况下的钻削质量预测结果。
在实际应用中，所述待迁移模型确定模块包括：
距离计算单元，用于计算所述当前工况的样本数据与各历史工况的样本数据的分布距离。
待迁移模型确定单元，用于将最小工况下的算法模型确定为待迁移模型；所述最小工况为最小的分布距离对应的工况。
在实际应用中，所述面向加工质量预测的数字孪生模型工况自适应系统，还包括：
预处理模块，用于对所述当前工况下的时序数据依次进行碎片化处理、数据预处理和时频域特征提取操作。
在实际应用中，所述面向加工质量预测的数字孪生模型工况自适应系统，还包括：
定量数据存储模块，用于将所述当前工况下的定量数据存储到定量数据库中。
本发明有以下技术效果：
1、体现了数字孪生模型的可迁移性特点；变工况下(当钻削加工工况发生变化)数字孪生模型可基于迁移框架、流程及迁移策略实现模型自适应更新，避免变化工况下由于重复建模导致的建模成本高建模周期长的问题，同时提高了模型的自适应能力和预测精度，能够针对加工工况变化进行数字孪生模型迁移重用，使得面向质量预测的数字孪生模型具有可迁移性。
2、本发明提出的面向质量预测的数字孪生模型变工况迁移框架和迁移策略，使得工况改变时，数字孪生模型可基于采集的样本数据和历史数据，选择合理的迁移策略，对数字孪生模型进行迁移更新，避免了重复建模导致的资源浪费，以获得适应新工况的数字孪生模型，本发明体现数字孪生模型的可迁移性，提高模型变工况自适应能力，模型的预测精度和钻削加工质量，为后续的质量控制提供了参考依据，避免了变工况下重复建模问题，减少建模成本。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种面向加工质量预测的数字孪生模型工况自适应方法，其特征在于，包括：
获取任一历史工况下的质量预测模型、当前工况下的时序数据和当前工况下的影响因素；所述时序数据包括钻削过程中各获取时段的力信号和振动信号；所述影响因素包括加工材料，加工位姿，加工刀具和设定加工精度；所述质量预测模型包括机理模型和算法模型；所述机理模型包括多个钻削机理公式；所述算法模型为对神经网络进行训练得到的；
根据所述当前工况下的时序数据中的部分获取时段的力信号和振动信号对所述任一历史工况下的机理模型进行更新得到当前工况下的机理模型；
采用所述当前工况下的机理模型对所述当前工况下的时序数据进行特征提取得到所述当前工况的样本数据；
根据当前工况的样本数据和各历史工况的样本数据确定待迁移模型；
计算所述当前工况下的影响因素的加权和；
当所述加权和小于设定阈值时，则根据所述当前工况的样本数据对所述待迁移模型采用迁移学习方法进行更新得到当前工况下的算法模型；
当所述加权和大于设定阈值时，则获取目标定量数据并根据所述目标定量数据和所述当前工况的样本数据采用迁移学习方法对所述待迁移模型进行更新得到当前工况下的算法模型；所述目标定量数据为所述待迁移模型对应的工况下的定量数据；所述定量数据包括样本数据和钻削质量预测结果；
将所述当前工况下的机理模型和所述当前工况下的算法模型确定为当前工况下的质量预测模型，所述当前工况下的质量预测模型用于对当前工况下的钻削质量进行预测得到当前工况下的钻削质量预测结果。
2.根据权利要求1所述的一种面向加工质量预测的数字孪生模型工况自适应方法，其特征在于，所述根据当前工况的样本数据和各历史工况的样本数据确定待迁移模型，具体包括：
计算所述当前工况的样本数据与各历史工况的样本数据的分布距离；
将最小工况下的算法模型确定为待迁移模型；所述最小工况为最小的分布距离对应的工况。
3.根据权利要求1所述的一种面向加工质量预测的数字孪生模型工况自适应方法，其特征在于，在根据所述当前工况下的时序数据中的部分获取时段的力信号和振动信号对所述任一历史工况下的机理模型进行更新得到当前工况下的机理模型之前还包括：
对所述当前工况下的时序数据依次进行碎片化处理、数据预处理和时频域特征提取操作。
4.根据权利要求1所述的一种面向加工质量预测的数字孪生模型工况自适应方法，其特征在于，在所述将所述当前工况下的机理模型和所述当前工况下的算法模型确定为当前工况下的质量预测模型之后还包括：
将所述当前工况下的定量数据存储到定量数据库中。
5.一种面向加工质量预测的数字孪生模型工况自适应系统，其特征在于，包括：
获取模块，用于获取任一历史工况下的质量预测模型、当前工况下的时序数据和当前工况下的影响因素；所述时序数据包括钻削过程中各获取时段的力信号和振动信号；所述影响因素包括加工材料，加工位姿，加工刀具和设定加工精度；所述质量预测模型包括机理模型和算法模型；所述机理模型包括多个钻削机理公式；所述算法模型为对神经网络进行训练得到的；
机理模型更新模块，用于根据所述当前工况下的时序数据中的部分获取时段的力信号和振动信号对所述任一历史工况下的机理模型进行更新得到当前工况下的机理模型；
样本数据确定模块，用于采用所述当前工况下的机理模型对所述当前工况下的时序数据进行特征提取得到所述当前工况的样本数据；
待迁移模型确定模块，用于根据当前工况的样本数据和各历史工况的样本数据确定待迁移模型；
加权和确定模块，用于计算所述当前工况下的影响因素的加权和；
第一策略确定模块，用于当所述加权和小于设定阈值时，则根据所述当前工况的样本数据对所述待迁移模型采用迁移学习方法进行更新得到当前工况下的算法模型；
第二策略确定模块，用于当所述加权和大于设定阈值时，则获取目标定量数据并根据所述目标定量数据和所述当前工况的样本数据采用迁移学习方法对所述待迁移模型进行更新得到当前工况下的算法模型；所述目标定量数据为所述待迁移模型对应的工况下的定量数据；所述定量数据包括样本数据和钻削质量预测结果；
质量预测模型确定模块，用于将所述当前工况下的机理模型和所述当前工况下的算法模型确定为当前工况下的质量预测模型，所述当前工况下的质量预测模型用于对当前工况下的钻削质量进行预测得到当前工况下的钻削质量预测结果。
6.根据权利要求5所述的一种面向加工质量预测的数字孪生模型工况自适应系统，其特征在于，所述待迁移模型确定模块包括：
距离计算单元，用于计算所述当前工况的样本数据与各历史工况的样本数据的分布距离；
待迁移模型确定单元，用于将最小工况下的算法模型确定为待迁移模型；所述最小工况为最小的分布距离对应的工况。
7.根据权利要求5所述的一种面向加工质量预测的数字孪生模型工况自适应系统，其特征在于，还包括：
预处理模块，用于对所述当前工况下的时序数据依次进行碎片化处理、数据预处理和时频域特征提取操作。
8.根据权利要求5所述的一种面向加工质量预测的数字孪生模型工况自适应系统，其特征在于，还包括：
定量数据存储模块，用于将所述当前工况下的定量数据存储到定量数据库中。
CN202110987193.4A 2021-08-26 2021-08-26 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 Active CN113673166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110987193.4A CN113673166B (zh) 2021-08-26 2021-08-26 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110987193.4A CN113673166B (zh) 2021-08-26 2021-08-26 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

Publications (2)

Publication Number Publication Date
CN113673166A true CN113673166A (zh) 2021-11-19
CN113673166B CN113673166B (zh) 2023-10-31

Family

ID=78546574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110987193.4A Active CN113673166B (zh) 2021-08-26 2021-08-26 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

Country Status (1)

Country Link
CN (1) CN113673166B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116401532A (zh) * 2023-06-07 2023-07-07 山东大学 一种电力系统受扰后频率失稳识别方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286572A1 (en) * 2016-03-31 2017-10-05 General Electric Company Digital twin of twinned physical system
CN110889238A (zh) * 2019-12-06 2020-03-17 北京航空航天大学 一种数字孪生驱动的热压罐管控系统
CN111222708A (zh) * 2020-01-13 2020-06-02 浙江大学 一种基于迁移学习动态建模的发电厂燃烧炉温度预测方法
CN111639551A (zh) * 2020-05-12 2020-09-08 华中科技大学 基于孪生网络和长短期线索的在线多目标跟踪方法和系统
CN112132856A (zh) * 2020-09-30 2020-12-25 北京工业大学 一种基于自适应模板更新的孪生网络跟踪方法
WO2021159749A1 (zh) * 2020-09-04 2021-08-19 平安科技（深圳）有限公司 多分类模型自学习在线更新方法、系统及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286572A1 (en) * 2016-03-31 2017-10-05 General Electric Company Digital twin of twinned physical system
CN110889238A (zh) * 2019-12-06 2020-03-17 北京航空航天大学 一种数字孪生驱动的热压罐管控系统
CN111222708A (zh) * 2020-01-13 2020-06-02 浙江大学 一种基于迁移学习动态建模的发电厂燃烧炉温度预测方法
CN111639551A (zh) * 2020-05-12 2020-09-08 华中科技大学 基于孪生网络和长短期线索的在线多目标跟踪方法和系统
WO2021159749A1 (zh) * 2020-09-04 2021-08-19 平安科技（深圳）有限公司 多分类模型自学习在线更新方法、系统及装置
CN112132856A (zh) * 2020-09-30 2020-12-25 北京工业大学 一种基于自适应模板更新的孪生网络跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘方园;王水花;张煜东;: "孪生支持向量机数学模型与应用综述", 测控技术, no. 08 *
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. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116401532A (zh) * 2023-06-07 2023-07-07 山东大学 一种电力系统受扰后频率失稳识别方法及系统
CN116401532B (zh) * 2023-06-07 2024-02-23 山东大学 一种电力系统受扰后频率失稳识别方法及系统

Also Published As

Publication number Publication date
CN113673166B (zh) 2023-10-31

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
CN109977464B (zh) 一种基于bp神经网络的活塞切削加工变形量的预测方法
CN111079342A (zh) 一种基于在线岩体等级分类的tbm掘进性能预测方法
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
CN111832624A (zh) 一种基于对抗迁移学习的刀具剩余寿命预测方法
CN114297912B (zh) 基于深度学习的刀具磨损预测方法
CN111832432A (zh) 一种基于小波包分解和深度学习的刀具磨损实时预测方法
CN113642236A (zh) 一种面向多学科的数字孪生图网络建模方法
CN116520772A (zh) 基于多任务迁移学习的薄板零件数控加工质量预测方法
CN113673166A (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
CN113569453A (zh) 一种面向加工的数字孪生产品模型的迁移方法
CN113221278B (zh) 一种车载光电平台照准架轻量化方法
CN113886992B (zh) 一种基于多保真度数据的数字孪生建模方法
CN113592064B (zh) 环抛机工艺参数预测方法、系统、应用、终端及介质
CN108984951B (zh) 一种优化机床整机动态特性的方法
CN117390960A (zh) 一种数控机床用加工精度智能分析方法
CN108776746B (zh) 一种提高机床动态特性的动刚度优化方法
CN117236979A (zh) 一种电力市场价格预测方法
CN116690988A (zh) 一种大型建筑模型3d打印系统和方法
CN116522777A (zh) 基于多源信息融合的钻进过程钻速在线预测方法及系统
CN116342542A (zh) 一种基于轻量级神经网络的钢铁产品表面缺陷检测方法
CN115601357A (zh) 一种基于小样本的冲压件表面缺陷检测方法
CN112529099A (zh) 一种机器人铣削加工颤振辨识方法
CN114818128A (zh) 船体局部曲面优化神经网络建模方法及船体局部曲面优化方法
CN114510873A (zh) 基于大数据的石油测井预测方法以及预测装置

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