CN113909996A - 一种基于数字孪生的高端装备加工状态监测方法及系统 - Google Patents
一种基于数字孪生的高端装备加工状态监测方法及系统 Download PDFInfo
- Publication number
- CN113909996A CN113909996A CN202111160939.0A CN202111160939A CN113909996A CN 113909996 A CN113909996 A CN 113909996A CN 202111160939 A CN202111160939 A CN 202111160939A CN 113909996 A CN113909996 A CN 113909996A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- model
- tool
- end equipment
- surface roughness
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0957—Detection of tool breakage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Machine Tool Sensing Apparatuses (AREA)
Abstract
本发明公开了一种基于数字孪生的高端装备加工状态监测方法及系统,属于高端装备状态监测领域,包括:构建基于多源传感数据的刀具磨损预测模型,基于多源传感数据的工件质量预测模型,融合为刀具工件系统数字孪生模型;基于在线定量测量评估的方式,数字孪生模型进行快速迭代优化。基于物理设备实时数据驱动的形式,模型可精准监测及预测加工状态;形成一套虚实交互的闭环迭代系统,并与设备同步进化,可实现设备全生命周期的加工状态监测;并优化工艺参数,以实现加工过程智能闭环运维。本发明能够提高对高端装备状态监测的泛化性、准确性和鲁棒性。
Description
技术领域
本发明属于高端装备状态监测领域,更具体地,涉及一种基于数字孪生的高端装备加工状态监测方法及系统。
背景技术
高端装备运行工况复杂、自适应和自调整能力不足,对关键零部件的运行状态无法实时感知,会造成制造的效率、质量、成本、能耗等方面较大的问题,因此当前对高端装备状态监测方法的需求是急切的。
不同类型的高端装备以不同的加工工具对产品进行加工,其中,以数控机床为代表的一类高端装备,利用刀具对工件表面进行加工,应用较为广泛。对于这一类高端装备,刀具状态是影响生产效率、质量、成本及能耗的关键要素,精准地感知刀具状态并利用刀具不仅能节约刀具支出,而且对提高切削效率、节约制造成本、提高生产智能性也有重要影响。
目前数控机床刀具状态监测研究中最先进的是基于深度学习算法的数据驱动状态预测模型,但存在需要对大量数据进行打标并进行训练,预测模型易被特定加工状态限制,需要人工利用显微镜等方式对刀具磨损值进行测量并记录,磨损定量预测方法精度较低且稳定性差。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于数字孪生的高端装备加工状态监测方法及系统,其目的在于,提高对高端装备状态监测的泛化性、准确性和鲁棒性。
为实现上述目的,按照本发明的一个方面,提供了一种基于数字孪生的高端装备加工状态监测方法,高端装备利用刀具对工件进行加工,方法包括:
在高端装备加工工件的过程中,定期将刀具拆下并利用仪器测量刀具的磨损值和工件的表面粗糙度,并记录相应时刻的传感数据,得到训练数据集D1;传感数据包括振动信号和电流信号;
利用训练数据集D1分别训练刀具磨损预测模型W1和工件质量预测模型Q1,分别用于基于传感数据预测刀具磨损值和工件表面粗糙度;
在高端装备加工工件的过程中,定期获取工件表面的图像,并利用仪器获取相应时刻的工件的表面粗糙度,得到训练数据集D2;
利用训练数据集D2训练工件质量预测模型Qp1,用于基于加工过程工件表面的图像预测工件表面粗糙度;
通过视觉在线定量测量获取刀具磨损值和工件表面粗糙度,连同相应时刻的传感数据构成训练数据集D3;视觉在线定量测量包括:在高端装备加工工件的过程中,定期获取刀具和工件表面的图像,计算各刀具图像对应的刀具磨损值,并利用工件质量预测模型Qp1获取各工件表面的图像对应的工件表面粗糙度;
利用训练数据集D3对刀具磨损预测模型W1和工件质量预测模型Q1进行迭代优化,得到刀具磨损预测模型W2和工件质量预测模型Q2。
本发明首先通过实际测量加工过程中刀具磨损值和工件表面粗糙度的方式,构建训练数据集,并训练基于传感数据预测刀具磨损值和工件表面粗糙度的模型,进一步基于加工过程中采集的刀具图像和工件表面图像,计算相应的刀具磨损值和工件表面粗糙度,实现了定量的视觉测量,并利用定量的视觉测量结果构建新的训练数据集,对基于传感数据的预测模型进行迭代优化,有效提高了模型对刀具磨损值和工件表面粗糙度的预测精度,并且无需通过实际测量的方式对大量数据进行打标,提高了预测的泛化性和鲁棒性。
进一步地,本发明提供的基于数字孪生的高端装备加工状态监测方法,还包括:
改变加工参数,使高端装备在不同加工参数下加工工件;
通过视觉在线定量测量获取刀具磨损值和工件表面粗糙度,连同相应时刻的传感数据构成训练数据集D4;
利用训练数据集D4对刀具磨损预测模型W2和工件质量预测模型Q2进行迭代优化,得到刀具磨损模型W3和工件质量预测模型Q3。
进一步地,本发明提供的基于数字孪生的高端装备加工状态监测方法,还包括:
将刀具磨损模型W3和工件质量预测模型Q3融合为刀具工件系统数字孪生模型Dt1。
本发明进一步通过定量的视觉测量方式获取高端装备按照不同加工参数加工工件时,各时刻的刀具磨损值和工件表面粗糙度,并利用相应时刻的传感数据,构建新的训练数据集,对对刀具磨损预测模型W2和工件质量预测模型Q2进行迭代优化,得到刀具磨损模型W3和工件质量预测模型Q3;将刀具磨损模型W3和工件质量预测模型Q3融合为刀具工件系统数字孪生模型Dt1。最终所得到的模型能够适应不同的运行工况,因此,本发明进一步能够提高对刀具磨损值和工件表面粗糙度的预测稳定性。
进一步地,本发明提供的基于数字孪生的高端装备加工状态监测方法,还包括:
使高端装备在不同加工参数下加工工件,并从刀具工件系统数字孪生模型Dt1开始进行迭代优化,得到刀具工件系统数字孪生模型集合DT={Dt1,Dt2,……,DtN};每次迭代优化包括:
通过视觉在线定量测量获取刀具磨损值和工件表面粗糙度,连同相应时刻的传感数据构成更新数据集,利用更新数据集对当前的刀具工件系统数字孪生模型进行Dtk进行迭代优化,得到刀具工件系统数字孪生模型Dtm;
其中;k=m-1,且k≥1;N≥2。
本发明基于设备在不同加工工况中的视觉在线定量测量评估的方式,能够使刀具工件系统数字孪生模型Dt1得到快速迭代优化,能够进一步提高模型的精度。
进一步地,本发明提供的基于数字孪生的高端装备加工状态监测方法,还包括:
在高端装备按照不同的加工参数加工工件时,记录各图像采集时刻的加工参数,连同刀具图像对应的刀具磨损值和工件表面图像对应的工件表面粗糙度构成训练数据集D5;
利用训练数据集D5分别训练关联模型Cw1和关联模型Cp1,分别用于根据加工参数预测刀具磨损值和工件表面粗糙度。
本发明进一步训练可基于加工参数数据预测刀具磨损值和工件表面粗糙度的模型,能够基于加工参数进行预测,并且基于相关模型,在指定的刀具磨损值和工件加工质量目标下,能够通过求解优化问题的方式确定优化的加工参数。
进一步地,本发明提供的基于数字孪生的高端装备加工状态监测方法,还包括:
(S1)设定刀具磨损和工件表面粗糙度的优化目标为T1;
(S2)利用关联模型Cw1和关联模型Cp1确定优化后的加工参数,并使高端装备按照优化后的加工参数加工工件;在高端装备加工工件的过程中,采集传感数据,并利用刀具磨损模型W3和工件质量预测模型Q3分别预测相应的刀具磨损值和工件表面粗糙度,得到实际加工结果T2;
(S3)将实际加工结果T2与优化目标T1进行对比分析,并根据对比结果对关联模型Cw1和关联模型Cp1的参数进行调整;
(S4)重复执行步骤(S2)~(S3),直至对比分析达到预设精度要求,以使关联模型Cw1和关联模型Cp1分别被迭代优化为关联模型Cw2和关联模型Cp2。
本发明通过上述步骤(S1)~(S4),能够对基于加工参数进行刀具磨损值和工件表面粗糙度预测的关联模型进行进一步地迭代优化,提高关联模型的预测精度。
进一步地,本发明提供的基于数字孪生的高端装备加工状态监测方法,还包括:
将关联模型Cw2、关联模型Cp2和刀具工件系统数字孪生模型Dtn∈DT组合为刀具工件系统数字孪生模型Dtnp。
本发明通过上述模型组合得到的刀具工件系统数字孪生模型Dtnp,集成了刀具工件系统数字孪生模型Dtn和关联模型Cw2、Cp2的预测能力,既能够基于传感数据预测刀具磨损值和工件表面粗糙度,也能够基于加工参数预测刀具模型值和工件表面粗糙度。
进一步地,本发明提供的基于数字孪生的高端装备加工状态监测方法,还包括:
在高端装备工作时,将实时采集的传感数据输入刀具工件系统数字孪生模型Dtn,由数字孪生模型Dtn输出相应的刀具磨损值和工件表面粗糙度,实现对高端装备状态的实时监测;
通过视觉在线定量测量获取刀具磨损值和工件表面粗糙度,连同相应时刻的传感数据构成实时训练数据集,并利用实时训练数据集对刀具工件系统数字孪生模型Dtn进行迭代进化。
本发明在实际应用中,利用刀具工件系统数字孪生模型Dtn进行预测的同时,基于实时数据驱动,并根据在线视觉测量结果进行验证分析,使模型得到了进一步的迭代优化,能够进一步提高模型的预测精度。
进一步地,本发明提供的基于数字孪生的高端装备加工状态监测方法,还包括:
在刀具工件系统数字孪生模型Dtnp输出刀具磨损值的同时,对输出的刀具磨损值以及预设的刀具寿命要求进行对比分析,并基于对比分析结果,利用监测模型对加工参数进行优化,并使高端装备按照优化后的加工参数加工工件;
或者,在刀具工件系统数字孪生模型Dtnp输出工件表面粗糙度的同时,对输出的工件表面粗糙度和预设的工件质量要求进行对比分析,利用监测模型对加工参数进行优化,并使高端装备按照优化后的加工参数加工工件。
按照本发明的另一个方面,提供了一种基于数字孪生的高端装备加工状态监测系统,包括:
传感预测模块,用于利用上述刀具磨损模型W3和工件质量预测模型Q3,基于传感数据预测刀具磨损值和工件表面粗糙度;
以及,以下2个模块中的0-2个;
工艺预测模块,用于上述关联模型Cw2和关联模型Cp2,基于加工参数预测刀具磨损值和工件表面粗糙度;
数字孪生模型监测模块,用于上述刀具工件系统数字孪生模型Dtnp,基于传感数据预测刀具磨损值和工件表面粗糙度,或者基于加工参数预测刀具磨损值和工件表面粗糙度。
本发明利用不同的模块实现不同的模型,并且在基于传感数据预测刀具磨损值和工件表面粗糙度的传感预测模块的基础上,可任意组合其他模块,可以按需实现具有不同功能的监测系统,方便地对高端装备的状态进行监测。
总体而言,通过本发明所构思的以上技术方案,实现了基于多源传感数据的刀具/工件状态预测模型;融合为刀具工件系统数字孪生模型;基于在线定量测量评估的方式,数字孪生模型进行快速迭代优化。基于物理设备实时数据驱动的形式,刀具工件系统数字孪生模型可精准监测及预测加工状态,由此能够实现高端装备状态监测及预测的准确性、智能性、实时性;形成一套虚实交互的闭环迭代系统,并与设备同步进化,可实现设备全生命周期的加工状态监测。使模型具备较好的泛化性、准确性、鲁棒性。
附图说明
图1为本发明实施例提供的基于数字孪生的高端装备加工状态监测方法流程图;
图2为本发明实施例提供的基于数字孪生的高端装备加工状态监测方法架构图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明所提供的基于数字孪生的高端装备加工状态监测方法及系统,可用于对任意一种以刀具为加工工具,对工件表面进行加工的高端装备,数控机床为这一类高端装备中的典型设备,不失一般性地,为便于表述,在以下实施例中,若无特殊说明,则高端装备具体指数控机床。
本发明在对高端装备的装备进行监测时,涉及到三类数据的获取,即振动信号、电流信号等传感数据,刀具图像、工件表面图像等视觉数据,以及主轴转速、进给速度、切削深度等加工参数;在实际应用中,可采用任意一种方式获取上述三类数据,为便于实施,作为一种可选的实施方式,本发明预先搭建了相关的数据采集系统,具体的搭建过程如下:
搭建数控机床加工的边缘传感网络,安装振动传感器(三向加速度计)、电流传感器(霍尔元器件)、数据采集系统(Dewesoft数据采集仪等);
搭建数控机床加工的视觉检测系统,安装工业相机、镜头、光源等硬件系统,部署视觉控制系统、视觉测量软件等;
对视觉检测相机进行内参、外参的标定,对光源亮度进行调整;
测试边缘传感网络,加工过程中振动数据、电流数据可自动传输及存储在监测系统服务器;
测试视觉检测系统,刀具图片、工件图片可自动传输及存储在监测系统服务器。
基于所搭建的以上数据采集系统,即可采集所需的数据,用于对高端装备的状态监测;利用上述数据采集系统时,为了保证所采集的图像的质量,可利用相机每次拍摄多张图片,以从中筛选出质量较高的图像,还可以通过图像增强、图像滤波、图像分割等方式,对图像做预处理;应当说明的是,上述数据采集系统仅为示例性的描述,不应理解为对本发明的唯一限定。以下为实施例。
在本发明的一个实施例中,提供了一种基于数字孪生的高端装备加工状态监测方法,如图1和图2所示,包括:初始预测模型建立步骤、工件视觉测量模型建立步骤和初始迭代步骤。
初始预测模型建立步骤包括:
在高端装备加工工件的过程中,定期将刀具拆下并利用仪器测量刀具的磨损值和工件的表面粗糙度,并记录相应时刻的传感数据,得到训练数据集D1;
利用训练数据集D1分别训练刀具磨损预测模型W1和工件质量预测模型Q1,分别用于基于传感数据预测刀具磨损值和工件表面粗糙度;
每次将刀具拆下时,可利用显微镜测量刀具磨损值,并利用表面粗糙度仪测量工件表面的粗糙度;为了保证表面粗糙度的测量精度,每次将刀具拆下时,可利用表面粗糙度仪对工件表面进行多次测量,并将多次测量结果的平均值作为最终的测量结果;可选地,本实施例中,每次将刀具拆下时,利用表面粗糙度仪对工件表面粗糙度测量3次,取平均值作为最终的测量结果;
考虑到振动信号和电流信号与数控机床的状态相关性较大,本实施例中,所采集的传感数据具体包括振动信号和电流信号;基于本发明所搭建的数据采集系统,可对传感数据进行持续测量,但为了构建训练数据集D1,仅需在每次将刀具拆下时,截取相应时刻的传感数据即可;
在刀具磨损预测模型W1和工件质量预测模型Q1的训练过程中,传感数据将作为模型的输入数据,利用仪器所测量的刀具磨损值和工件表现粗糙度则将作为标签信息。
由于利用仪器测量刀具磨损值和工件表面粗糙度时,数控机床需要停止加工,且需要将刀具拆下,操作复杂,因此,本实施例中,所建立的训练数据集D1仅含有少量的训练样本。
容易理解的是,为了保证模型的训练效果,本实施例在刀具磨损预测模型W1和工件质量预测模型Q1训练之前,会从训练数据集D1中划分出一部分训练样本作为测试集,剩余训练样本则作为训练集;在实际训练过程中,具体利用训练集进行训练,并且训练结束后,会利用测试集对模型的预测准确率进行评估,若低于某一个阈值(例如95%),则会重新执行训练过程,以对模型参数进行进一步地调整优化,直至模型的预测准确率达到所设阈值。
工件视觉测量模型建立步骤包括:
在高端装备加工工件的过程中,定期获取工件表面的图像,并利用仪器获取相应时刻的工件的表面粗糙度,得到训练数据集D2;
利用训练数据集D2训练工件质量预测模型Qp1,用于基于加工过程工件表面的图像预测工件表面粗糙度;
本实施例所建立的工件质量预测模型Qp1,可从视觉数据,即工件表面图像,预测出工件表面粗糙度,由此可实现对工件表面粗糙度的定量视觉测量。
同样,为了保证模型的训练效果,本实施例在工件质量预测模型Qp1训练之前,会从训练数据集D2中划分出一部分训练样本作为测试集,剩余训练样本则作为训练集;在实际训练过程中,具体利用训练集进行训练,并且训练结束后,会利用测试集对模型的预测准确率进行评估,若低于某一个阈值(例如95%),则会重新执行训练过程,以对模型参数进行进一步地调整优化,直至模型的预测准确率达到所设阈值。
初始迭代步骤包括:
通过视觉在线定量测量获取刀具磨损值和工件表面粗糙度,连同相应时刻的传感数据构成训练数据集D3;视觉在线定量测量包括:在高端装备加工工件的过程中,定期获取刀具和工件表面的图像,计算各刀具图像对应的刀具磨损值,并利用工件质量预测模型Qp1获取各工件表面的图像对应的工件表面粗糙度;
利用训练数据集D3对刀具磨损预测模型W1和工件质量预测模型Q1进行迭代优化,得到刀具磨损预测模型W2和工件质量预测模型Q2;
计算刀具图像对应的刀具磨损值,可采用任意一种方式,作为一种可选的实施方式,本实施例所采用的计算方式具体包括如下步骤:
(1)基于结构相似性指数,选择并输出合适的刀具后验测量图片,一般是指定角度下的刀具图像;
(2)应用总体阈值来分割刀具上磨损区域;
(3)应用滤波器进行刀具磨损边缘检测;
(4)应用Blob检测过滤器检测刀具上的磨损像素坐标;
(5)计算刀具磨损值;
上述步骤可从视觉数据,即刀具图像,预测出刀具磨损值,由此可实现对刀具磨损值的定量视觉测量;
本实施例在基于传感数据预测刀具磨损值和工件表面粗糙度预测的模型W1和Q1的基础上,进一步通过定量视觉测量的方式建立训练数据集D3,并利用该训练数据集D2对模型W1和Q1进行迭代优化,通过迭代优化,所得到的刀具磨损预测模型W2和工件质量预测模型Q2具有较高的预测精度;另一方面,训练数据集D3的构建,仅依赖于传感数据和图像,相关数据的采集不影响数控机床的正常加工,数据采集也十分方便;
考虑到传感数据和视觉数据采集方便,本实施例所构建的训练数据集D3中含有大量的训练样本,由此可以有效解决训练数据不足的问题,进一步提高模型的预测精度;
基于本实施例所建立的刀具磨损预测模型W2和工件质量预测模型Q2,可以有效解决现有的方法预测精度低的问题。
为了进一步保证对数控机床状态监测的稳定性,本实施例进一步包括:
改变加工参数,使高端装备在不同加工参数下加工工件;可选地,本实施例通过控制变量法改变加工参数,以模拟数控机床不同的加工工况;
在高端装备加工工件的过程中,定期获取刀具和工件表面的图像,计算各刀具图像对应的刀具磨损值,并利用工件质量预测模型Qp1获取各工件表面图像对应的工件表面粗糙度,连同相应时刻的传感数据构成训练数据集D4;
利用训练数据集D4对刀具磨损预测模型W2和工件质量预测模型Q2进行迭代优化,得到刀具磨损模型W3和工件质量预测模型Q3。
可将W3和Q3融合为刀具工件系统数字孪生模型Dt1。
本实施例进一步通过视觉定量测量的方式获取高端装备按照不同加工参数加工工件时,各时刻的刀具磨损值和工件表面粗糙度,并利用相应时刻的传感数据,构建新的训练数据集,对刀具磨损预测模型W2和工件质量预测模型Q2进行迭代优化,得到刀具磨损模型W3和工件质量预测模型Q3,最终所得到的模型能够适应不同的运行工况,因此,本实施例进一步能够提高对刀具磨损值和工件表面粗糙度的预测泛化性、稳定性。
本实施例基于所建立的刀具磨损模型W3和工件质量预测模型Q3,能够有效解决现有的方法预测精度低、稳定性差的问题。
为了进一步提高模型的预测精度,本实施例在利用模型进行实际预测之前,还会对模型进行多次迭代,具体地,使高端装备在不同加工参数下加工工件,并从刀具工件系统数字孪生模型Dt1开始进行迭代优化,得到刀具工件系统数字孪生模型集合DT={Dt1,Dt2,……,DtN};每次迭代优化包括:
通过视觉在线定量测量获取刀具磨损值和工件表面粗糙度,连同相应时刻的传感数据构成更新数据集,利用更新数据集对当前的刀具工件系统数字孪生模型进行Dtk进行迭代优化,得到刀具工件系统数字孪生模型Dtm;
其中;k=m-1,且k≥1;N≥2,N即为最终迭代的次数,可根据实际需要设定,例如,可设为5或6,等等。
为了进一步实现基于加工参数的预测,本实施例还包括:
在高端装备按照不同的加工参数加工工件时,记录各图像采集时刻的加工参数,连同刀具图像对应的刀具磨损值和工件表面图像对应的工件表面粗糙度构成训练数据集D5;
利用训练数据集D5分别训练关联模型Cw1和关联模型Cp1,分别用于根据加工参数预测刀具磨损值和工件表面粗糙度;
本实施例基于所建立的关联模型Cw1和关联模型Cp1,能够基于加工参数进行预测,并且基于相关模型,在指定的刀具磨损值和工件加工质量目标下,能够通过求解优化问题的方式确定优化的加工参数;为了进一步提高基于加工参数预测刀具磨损值和工件表面粗糙度的预测精度,本实施例进一步通过如下步骤对关联模型Cw1和关联模型Cp1进行迭代优化:
(S1)设定刀具磨损和工件表面粗糙度的优化目标为T1;
(S2)利用关联模型Cw1和关联模型Cp1确定优化后的加工参数,并使高端装备按照优化后的加工参数加工工件;在高端装备加工工件的过程中,采集传感数据,并利用刀具磨损模型W3和工件质量预测模型Q3分别预测相应的刀具磨损值和工件表面粗糙度,得到实际加工结果T2;
(S3)将实际加工结果T2与优化目标T1进行对比分析,并根据对比结果对关联模型Cw1和关联模型Cp1的参数进行调整;
(S4)重复执行步骤(S2)~(S3),直至对比分析达到预设精度要求,以使关联模型Cw1和关联模型Cp1分别被迭代优化为关联模型Cw2和关联模型Cp2;
经过上述步骤(S1)~(S4),迭代优化得到的关联模型Cw2和关联模型Cp2,具有更高的预测精度。
基于本实施例所建立的模型,本实施例可以通过模型之间的组合和融合,进一步实现具有不同监测功能的模型;例如,如图1和图2所示,本实施例中,
将刀具磨损模型W3和工件质量预测模型Q3组合为刀具工件系统数字孪生模型Dt1,Dt1可实现基于传感数据的刀具磨损值和工件表面粗糙度预测;
将关联模型Cw2、关联模型Cp2和刀具工件系统数字孪生模型Dtn∈DT(1≤n≤N)组合为刀具工件系统数字孪生模型Dtnp,Dtnp可实现基于传感数据的刀具磨损值和工件表面粗糙度预测,以及基于加工数据的刀具磨损值和工件表面粗糙度预测
基于本实施例所建立的模型,本实施例可实现对数控机床运动状态的精准、智能、实时监测,如图1和图2所示,具体的监测过程包括:
在高端装备加工工件的过程中,将实时采集的传感数据输入刀具工件系统数字孪生模型,由数字孪生模型Dtn输出相应的刀具磨损值和工件表面粗糙度,实现对高端装备状态的实时监测;
本实施例还会在实际加工过程中,基于实时数据驱动,Dtn模型不断得到进化,具体地,在高端装备工作时,通过视觉在线定量测量获取刀具磨损值和工件表面粗糙度,连同相应时刻的传感数据构成实时训练数据集,并利用实时训练数据集对刀具工件系统数字孪生模型Dtn进行迭代进化;随着数控机床的不断使用,本实施例基于实时数据驱动,并根据在线视觉测量结果进行验证分析,使模型不断得到迭代进化,能够进一步提高模型的预测精度。
本实施例还可基于刀具工件系统数字孪生模型Dtnp的仿真结果和预设的加工目标对数控机床的加工参数进行优化,如图1和图2所示,具体包括:
在刀具工件系统数字孪生模型Dtnp输出刀具磨损值的同时,对刀具工件系统数字孪生模型Dtnp输出的刀具磨损值以及预设的刀具寿命要求进行对比分析,并基于对比分析结果,利用刀具工件系统数字孪生模型Dtnp对加工参数进行优化,并使高端装备按照优化后的加工参数加工工件;
或者,在刀具工件系统数字孪生模型Dtnp输出工件表面粗糙度的同时,对刀具工件系统数字孪生模型Dtnp输出的工件表面粗糙度和预设的工件质量要求进行对比分析,利用刀具工件系统数字孪生模型Dtnp对加工参数进行优化,并使高端装备按照优化后的加工参数加工工件。
本发明在高端装备正常加工工件的过程中,基于传感数据对高端装备的状态进行实时监测,基于监测结果和预设的加工要求进行分析对比,并基于分析对比结果对加工参数进行优化,能够优化高端装备的加工过程。
如图1~2所示,刀具工件系统数字孪生模型融合刀具磨损预测模型及工件质量预测模型;基于刀具工件系统视觉数据,刀具工件系统数字孪生模型自动进行定量化的对比分析,模型得到快速低成本迭代优化。并与物理机床进行双向虚实数据驱动,形成设备全生命周期不同阶段的数字孪生模型成熟体。
总体而言,本实施例构建基于传感数据的刀具磨损/工件质量预测模型,融合为刀具工件系统数字孪生模型;基于在线定量测量评估的方式,数字孪生模型进行快速迭代优化。基于物理设备实时数据驱动的形式,模型可精准监测及预测加工状态,优化工艺参数,以实现加工过程智能闭环运维;基于双向虚实数据驱动,模型自动进行闭环迭代优化;实现设备全生命周期的加工状态监测。
在本发明的另一个实施例中,提出了一种基于数字孪生的高端装备加工状态监测系统,包括:
传感预测模块,用于利用上述方法实施例中的刀具磨损模型W3和工件质量预测模型Q3,基于传感数据预测刀具磨损值和工件表面粗糙度;
以及,以下2个模块中的0-2个;
工艺预测模块,用于上述关联模型Cw2和关联模型Cp2,基于加工参数预测刀具磨损值和工件表面粗糙度;
数字孪生模型监测模块,用于上述刀具工件系统数字孪生模型Dtnp,基于传感数据预测刀具磨损值和工件表面粗糙度,或者基于加工参数预测刀具磨损值和工件表面粗糙度。
本实施例中,各模块的具体实施方式,可参考上述方法实施例中的描述,在此将不做复述。
本实施例利用不同的模块实现不同的模型,并且在基于传感数据预测刀具磨损值和工件表面粗糙度的传感预测模块的基础上,可任意组合其他模块,可以按需实现具有不同功能的监测系统,方便地对高端装备的状态进行监测。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数字孪生的高端装备加工状态监测方法,所述高端装备利用刀具对工件进行加工,其特征在于,所述方法包括:
在所述高端装备加工工件的过程中,定期将所述刀具拆下并利用仪器测量所述刀具的磨损值和所述工件的表面粗糙度,并记录相应时刻的传感数据,得到训练数据集D1;所述传感数据包括振动信号和电流信号;
利用所述训练数据集D1分别训练刀具磨损预测模型W1和工件质量预测模型Q1,分别用于基于传感数据预测刀具磨损值和工件表面粗糙度;
在所述高端装备加工工件的过程中,定期获取所述工件表面的图像,并利用仪器获取相应时刻的所述工件的表面粗糙度,得到训练数据集D2;
利用所述训练数据集D2训练工件质量预测模型Qp1,用于基于加工过程工件表面的图像预测工件表面粗糙度;
通过视觉在线定量测量获取刀具磨损值和工件表面粗糙度,连同相应时刻的传感数据构成训练数据集D3;所述视觉在线定量测量包括:在所述高端装备加工工件的过程中,定期获取所述刀具和所述工件表面的图像,计算各刀具图像对应的刀具磨损值,并利用所述工件质量预测模型Qp1获取各工件表面的图像对应的工件表面粗糙度;
利用所述训练数据集D3对所述刀具磨损预测模型W1和所述工件质量预测模型Q1进行迭代优化,得到刀具磨损预测模型W2和工件质量预测模型Q2。
2.如权利要求1所述的基于数字孪生的高端装备加工状态监测方法,其特征在于,还包括:
改变加工参数,使所述高端装备在不同加工参数下加工工件;
通过视觉在线定量测量获取刀具磨损值和工件表面粗糙度,连同相应时刻的传感数据构成训练数据集D4;
利用所述训练数据集D4对所述刀具磨损预测模型W2和所述工件质量预测模型Q2进行迭代优化,得到刀具磨损模型W3和工件质量预测模型Q3。
3.如权利要求2所述的基于数字孪生的高端装备加工状态监测方法,其特征在于,还包括:
将所述刀具磨损模型W3和所述工件质量预测模型Q3融合为刀具工件系统数字孪生模型Dt1。
4.如权利要求3所述的基于数字孪生的高端装备加工状态监测方法,其特征在于,还包括:
使所述高端装备在不同加工参数下加工工件,并从刀具工件系统数字孪生模型Dt1开始进行迭代优化,得到刀具工件系统数字孪生模型集合DT={Dt1,Dt2,……,DtN};每次迭代优化包括:
通过视觉在线定量测量获取刀具磨损值和工件表面粗糙度,连同相应时刻的传感数据构成更新数据集,利用所述更新数据集对当前的刀具工件系统数字孪生模型进行Dtk进行迭代优化,得到刀具工件系统数字孪生模型Dtm;
其中;k=m-1,且k≥1;N≥2。
5.如权利要求4所述的基于数字孪生的高端状态加工状态监测方法,其特征在于,还包括:
在高端装备按照不同的加工参数加工工件时,记录各图像采集时刻的加工参数,连同刀具图像对应的刀具磨损值和工件表面图像对应的工件表面粗糙度构成训练数据集D5;
利用所述训练数据集D5分别训练关联模型Cw1和关联模型Cp1,分别用于根据加工参数预测刀具磨损值和工件表面粗糙度。
6.如权利要求5所述的基于数字孪生的高端装备加工状态监测方法,其特征在于,还包括:
(S1)设定刀具磨损和工件表面粗糙度的优化目标为T1;
(S2)利用所述关联模型Cw1和所述关联模型Cp1确定优化后的加工参数,并使所述高端装备按照所述优化后的加工参数加工工件;在所述高端装备加工工件的过程中,采集传感数据,并利用所述刀具磨损模型W3和所述工件质量预测模型Q3分别预测相应的刀具磨损值和工件表面粗糙度,得到实际加工结果T2;
(S3)将所述实际加工结果T2与所述优化目标T1进行对比分析,并根据对比结果对所述关联模型Cw1和所述关联模型Cp1的参数进行调整;
(S4)重复执行步骤(S2)~(S3),直至对比分析达到预设精度要求,以使所述关联模型Cw1和所述关联模型Cp1分别被迭代优化为关联模型Cw2和关联模型Cp2。
7.如权利要求6所述的基于数字孪生的高端装备加工状态监测方法,其特征在于,还包括:
将关联模型Cw2、关联模型Cp2和刀具工件系统数字孪生模型Dtn∈DT组合为刀具工件系统数字孪生模型Dtnp。
8.如权利要求7所述的基于数字孪生的高端装备加工状态监测方法,其特征在于,还包括:
在所述高端装备工作时,将实时采集的传感数据输入所述刀具工件系统数字孪生模型Dtn,由所述数字孪生模型Dtn输出相应的刀具磨损值和工件表面粗糙度,实现对所述高端装备状态的实时监测;
通过视觉在线定量测量获取刀具磨损值和工件表面粗糙度,连同相应时刻的传感数据构成实时训练数据集,并利用所述实时训练数据集对所述刀具工件系统数字孪生模型Dtn进行迭代进化。
9.如权利要求8所述的基于数字孪生的高端装备加工状态监测方法,其特征在于,还包括:
在所述刀具工件系统数字孪生模型Dtnp输出刀具磨损值的同时,对所述输出的刀具磨损值以及预设的刀具寿命要求进行对比分析,并基于对比分析结果,利用所述监测模型对加工参数进行优化,并使所述高端装备按照优化后的加工参数加工工件;
或者,在所述刀具工件系统数字孪生模型Dtnp输出工件表面粗糙度的同时,对所述输出的工件表面粗糙度和预设的工件质量要求进行对比分析,利用所述监测模型对加工参数进行优化,并使所述高端装备按照优化后的加工参数加工工件。
10.一种基于数字孪生的高端装备加工状态监测系统,其特征在于,包括:
传感预测模块,用于利用权利要求2中所述的刀具磨损模型W3和工件质量预测模型Q3,基于传感数据预测刀具磨损值和工件表面粗糙度;
以及,以下2个模块中的0-2个;
工艺预测模块,用于利用权利要求6中所述的关联模型Cw2和关联模型Cp2,基于加工参数预测刀具磨损值和工件表面粗糙度;
数字孪生模型监测模块,用于利用权利要求7中的刀具工件系统数字孪生模型Dtnp,基于传感数据预测刀具磨损值和工件表面粗糙度,或者基于加工参数预测刀具磨损值和工件表面粗糙度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111160939.0A CN113909996B (zh) | 2021-09-30 | 2021-09-30 | 一种基于数字孪生的高端装备加工状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111160939.0A CN113909996B (zh) | 2021-09-30 | 2021-09-30 | 一种基于数字孪生的高端装备加工状态监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113909996A true CN113909996A (zh) | 2022-01-11 |
CN113909996B CN113909996B (zh) | 2022-09-20 |
Family
ID=79237651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111160939.0A Active CN113909996B (zh) | 2021-09-30 | 2021-09-30 | 一种基于数字孪生的高端装备加工状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113909996B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115657595A (zh) * | 2022-10-18 | 2023-01-31 | 力劲精密机械(昆山)有限公司 | 一种卧式加工中心多轴协同控制方法和系统 |
CN115933534A (zh) * | 2023-02-09 | 2023-04-07 | 山东山科世鑫科技有限公司 | 一种基于物联网的数控智能检测系统及方法 |
CN117086698A (zh) * | 2023-10-19 | 2023-11-21 | 齐鲁工业大学(山东省科学院) | 一种基于数字孪生的刀具多工况状态监测方法及系统 |
CN117161454A (zh) * | 2023-11-03 | 2023-12-05 | 张家港Aaa精密制造股份有限公司 | 一种基于数字孪生的轴承铣削加工监控方法及系统 |
CN117464420A (zh) * | 2023-12-28 | 2024-01-30 | 江苏新贝斯特智能制造有限公司 | 一种适用于数控机床的数字孪生控制刀具自适应匹配系统 |
CN117549313A (zh) * | 2024-01-03 | 2024-02-13 | 百工汇智(苏州)智能科技有限公司 | 基于视觉分析的换刀机器人工作站控制方法与系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846581A (zh) * | 2018-06-21 | 2018-11-20 | 武汉科技大学 | 一种机床刀具可靠性评估系统及方法 |
CN109396957A (zh) * | 2018-11-15 | 2019-03-01 | 哈尔滨理工大学 | 一种构建刀具磨损图进行切削参数优选和刀具寿命可靠性评估的方法 |
CN110900307A (zh) * | 2019-11-22 | 2020-03-24 | 北京航空航天大学 | 一种数字孪生驱动的数控机床刀具监控系统 |
CN111366123A (zh) * | 2020-03-06 | 2020-07-03 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
CN111967640A (zh) * | 2020-07-10 | 2020-11-20 | 西北工业大学 | 考虑刀具磨损量和表面粗糙度的刀具剩余寿命预测方法 |
CN112884717A (zh) * | 2021-01-29 | 2021-06-01 | 东莞市牛犇智能科技有限公司 | 实时工件表面检测与刀具寿命预测的系统及方法 |
-
2021
- 2021-09-30 CN CN202111160939.0A patent/CN113909996B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846581A (zh) * | 2018-06-21 | 2018-11-20 | 武汉科技大学 | 一种机床刀具可靠性评估系统及方法 |
CN109396957A (zh) * | 2018-11-15 | 2019-03-01 | 哈尔滨理工大学 | 一种构建刀具磨损图进行切削参数优选和刀具寿命可靠性评估的方法 |
CN110900307A (zh) * | 2019-11-22 | 2020-03-24 | 北京航空航天大学 | 一种数字孪生驱动的数控机床刀具监控系统 |
CN111366123A (zh) * | 2020-03-06 | 2020-07-03 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
CN111967640A (zh) * | 2020-07-10 | 2020-11-20 | 西北工业大学 | 考虑刀具磨损量和表面粗糙度的刀具剩余寿命预测方法 |
CN112884717A (zh) * | 2021-01-29 | 2021-06-01 | 东莞市牛犇智能科技有限公司 | 实时工件表面检测与刀具寿命预测的系统及方法 |
Non-Patent Citations (1)
Title |
---|
王国锋等: "刀具状态智能监测研究进展", 《航空制造技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115657595A (zh) * | 2022-10-18 | 2023-01-31 | 力劲精密机械(昆山)有限公司 | 一种卧式加工中心多轴协同控制方法和系统 |
CN115657595B (zh) * | 2022-10-18 | 2024-01-05 | 力劲精密机械(昆山)有限公司 | 一种卧式加工中心多轴协同控制方法和系统 |
CN115933534A (zh) * | 2023-02-09 | 2023-04-07 | 山东山科世鑫科技有限公司 | 一种基于物联网的数控智能检测系统及方法 |
CN115933534B (zh) * | 2023-02-09 | 2023-11-07 | 山东山科世鑫科技有限公司 | 一种基于物联网的数控智能检测系统及方法 |
CN117086698A (zh) * | 2023-10-19 | 2023-11-21 | 齐鲁工业大学(山东省科学院) | 一种基于数字孪生的刀具多工况状态监测方法及系统 |
CN117086698B (zh) * | 2023-10-19 | 2024-02-06 | 齐鲁工业大学(山东省科学院) | 一种基于数字孪生的刀具多工况状态监测方法及系统 |
CN117161454A (zh) * | 2023-11-03 | 2023-12-05 | 张家港Aaa精密制造股份有限公司 | 一种基于数字孪生的轴承铣削加工监控方法及系统 |
CN117161454B (zh) * | 2023-11-03 | 2024-02-13 | 张家港Aaa精密制造股份有限公司 | 一种基于数字孪生的轴承铣削加工监控方法及系统 |
CN117464420A (zh) * | 2023-12-28 | 2024-01-30 | 江苏新贝斯特智能制造有限公司 | 一种适用于数控机床的数字孪生控制刀具自适应匹配系统 |
CN117464420B (zh) * | 2023-12-28 | 2024-03-08 | 江苏新贝斯特智能制造有限公司 | 一种适用于数控机床的数字孪生控制刀具自适应匹配系统 |
CN117549313A (zh) * | 2024-01-03 | 2024-02-13 | 百工汇智(苏州)智能科技有限公司 | 基于视觉分析的换刀机器人工作站控制方法与系统 |
CN117549313B (zh) * | 2024-01-03 | 2024-03-29 | 百工汇智(苏州)智能科技有限公司 | 基于视觉分析的换刀机器人工作站控制方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113909996B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113909996B (zh) | 一种基于数字孪生的高端装备加工状态监测方法及系统 | |
CN108500736B (zh) | 工具状态推定装置以及机床 | |
US10725459B2 (en) | Identifying and distributing optimal machine parameters within a fleet of additive manufacturing machines | |
CN109270899B (zh) | 一种基于数字孪生的船用柴油机关重件制造过程管控方法 | |
CN111468989B (zh) | 一种五轴联动数控机械手抛光控制系统及方法 | |
CN110567974B (zh) | 一种基于云端人工智能表面缺陷检测系统 | |
CN114048600B (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
CN110889091B (zh) | 基于温度敏感区间分段的机床热误差预测方法与系统 | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
JP2019162712A (ja) | 制御装置、機械学習装置及びシステム | |
CN109968671B (zh) | 3d打印过程故障诊断方法和装置 | |
CN108693822A (zh) | 控制装置、存储介质、控制系统及控制方法 | |
CN115576284A (zh) | 一种服装车间智能化管理方法及系统 | |
CN117572771A (zh) | 数字孪生的系统参数控制方法及系统 | |
CN113110355A (zh) | 一种数字孪生驱动的工件加工能耗预测及优化方法 | |
CN115129003A (zh) | 一种基于自学习时变数字孪生的自动化产线智能监测系统 | |
CN116664846A (zh) | 基于语义分割实现3d打印桥面施工质量监测方法及系统 | |
CN114266286A (zh) | 一种焊接过程信息的在线检测方法及装置 | |
CN116915122B (zh) | 一种煤矿变频设备的自适应控制方法及系统 | |
CN117634816A (zh) | 一种基于gim模型的施工管理系统及方法 | |
CN117400062A (zh) | 基于数字孪生驱动的刀具磨损监测方法及检测装置 | |
CN110006630B (zh) | 基于多周期差分采样的在位检测方法及高速点运动设备 | |
CN116840240A (zh) | 电源分配器视觉检测系统 | |
CN115879238A (zh) | 一种发动机整机及试验孪生体系模型构建方法 | |
JP2021089653A (ja) | 予測システム、情報処理装置および情報処理プログラム |
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 |