CN114707428B - 数控机床不可观环节仿真方法、装置、终端及存储介质 - Google Patents
数控机床不可观环节仿真方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN114707428B CN114707428B CN202210612045.9A CN202210612045A CN114707428B CN 114707428 B CN114707428 B CN 114707428B CN 202210612045 A CN202210612045 A CN 202210612045A CN 114707428 B CN114707428 B CN 114707428B
- Authority
- CN
- China
- Prior art keywords
- data
- training
- target
- link
- output
- 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.)
- Active
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
- 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
-
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了数控机床不可观环节仿真方法、装置、终端及存储介质,方法包括：根据不可观环节的试验数据生成第一训练集，基于第一训练集训练得到不可观环节对应的预测模型；将预测模型加入至目标数控机床的数字孪生模型中，基于目标数控机床中不可观环节的前序环节，得到不可观环节的输入仿真数据，将输入仿真数据输入至预测模型，得到不可观环节的输出仿真数据，根据输出仿真数据在目标数控机床的数字孪生模型中实现仿真运行；根据仿真运行结果对目标数控机床的数字孪生模型中的预测模型进行更新。本发明可以实现对包括不可观环节的数控机床的精确仿真。
Description
技术领域
本发明涉及数控加工技术领域，特别涉及一种数控机床不可观环节仿真方法、装置、终端及存储介质。
背景技术
数字孪生模型用于对生产现场采集的数据进行近乎实时的计算从而实现仿真，以获得对生产现场工况的精准的认知，做出符合事件的决策。但是对于数控机床来说，有一些环节是不可实时采集其输出的数据且不清楚内部结构而无法进行准确的输出数据推断的，这种不能获取准确的真实输出数据的环节称为不可观环节，不可观环节可以是单个组件或多个组件的组合，不可观环节可以视为一个黑箱，其内部结构需要进行拆卸后分析才能确定，当不可观环节组合在数控机床上后，由于难以安装检测设备，无法测得其真实输出数据，也无法通过其内部结构推断其真实输出数据。目前，还没有对数控机床中的不可观环节进行仿真的方案。
因此，现有技术还有待改进和提高。
发明内容
针对现有技术的上述缺陷，本发明提供一种数控机床不可观环节仿真方法，旨在解决现有技术中没有针对数控机床中的不可观环节进行仿真的方法的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
本发明的第一方面，提供一种数控机床不可观环节仿真方法，所述方法包括：
根据不可观环节的试验数据生成第一训练集，基于所述第一训练集训练得到所述不可观环节对应的预测模型；
将所述预测模型加入至目标数控机床的数字孪生模型中，基于所述目标数控机床中所述不可观环节的前序环节，得到所述不可观环节的输入仿真数据，将所述输入仿真数据输入至所述预测模型，得到所述不可观环节的输出仿真数据，根据所述输出仿真数据在所述目标数控机床的数字孪生模型中实现仿真运行；
根据仿真运行结果对目标数控机床的数字孪生模型中的所述预测模型进行更新。
所述的数控机床不可观环节仿真方法，其中，所述第一训练集包括多组第一训练数据，每组所述第一训练数据包括试验输入数据和试验输出数据；所述根据目标数控机床的不可观环节的试验数据生成第一训练集，包括：
将多个预设数据作为所述不可观环节的试验输入数据输入至所述不可观环节，对所述不可观环节的输出数据进行观测，得到试验输出数据。
所述的数控机床不可观环节仿真方法，其中，所述基于所述目标数控机床中所述不可观环节的前序环节，得到所述不可观环节的输入仿真数据，包括：
将所述不可观环节的前序环节在所述目标数控机床的数字孪生模型中的输出数据作为所述不可观环节的输入仿真数据。
所述的数控机床不可观环节仿真方法，其中，所述根据仿真运行结果对目标数控机床的数字孪生模型中的所述预测模型进行更新，包括：
每隔预设时长获取所述仿真运行结果对应的实际运行结果；
当所述实际运行结果和所述仿真运行结果之间的差异达到预设阈值时，获取所述不可观环节的输出实际数据；
根据所述输入仿真数据和所述输出实际数据对所述预测模型进行更新。
所述的数控机床不可观环节仿真方法，其中，所述根据所述输入仿真数据和所述输出实际数据对所述预测模型进行更新，包括：
构建第二训练集，所述第二训练集中包括多组第二训练数据，每组所述第二训练数据包括目标时段内的一个所述输入仿真数据和对应的所述输出实际数据，所述目标时段包括与当前时刻最接近的若干个所述预设时长；
在所述第二训练集中选择目标训练批次，所述目标训练批次中包括若干组所述第二训练数据；
根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异确定所述目标训练批次中各个所述第二训练数据的权重；
根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异获取所述目标训练批次中各个所述第二训练数据对应的分损失；
根据所述目标训练批次中各个所述第二训练数据对应的权重对所述目标训练批次中各个所述第二训练数据对应的分损失进行求和，得到所述目标训练批次对应的训练损失；
根据所述训练损失更新所述预测模型的参数，并重新执行所述在所述第二训练集中选择目标训练批次的步骤，直至所述预测模型的参数达到收敛。
所述的数控机床不可观环节仿真方法，其中，根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异确定所述目标训练批次中各个所述第二训练数据的权重，包括：
获取所述第二训练集中每个所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异，将每个所述第二训练数据归于第一集合或第二集合，所述第一集合内的所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异在预设范围内，所述第二集合内的所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异超出所述预设范围；
根据对应的所述输出仿真数据与所述输出实际数据的差异对所述第一集合中的每个所述第二训练数据进行排序，根据对应的所述输出仿真数据与所述输出实际数据的差异对所述第二集合中的每个所述第二训练数据进行排序；
对于所述目标训练批次中的目标第二训练数据：
当所述目标第二训练数据属于所述第一集合时，根据所述目标第二训练数据在所述第一集合中的序号确定所述目标第二训练数据的权重，且所述第一集合中的所述第二训练数据对应的所述权重均大于1；
当所述目标第二训练数据属于所述第二集合时，根据所述目标第二训练数据在所述第二集合中的序号确定所述目标第二训练数据的权重，且所述第二集合中的所述第二训练数据对应的所述权重均小于1。
所述的数控机床不可观环节仿真方法，其中，所述预测模型为深度神经网络模型。
本发明的第二方面，提供一种数控机床不可观环节仿真装置，包括：
模型生成模块，所述模型生成模块用于根据不可观环节的试验数据生成第一训练集，基于所述第一训练集训练得到所述不可观环节对应的预测模型；
仿真模块，所述仿真模块用于将所述预测模型加入至目标数控机床的数字孪生模型中，基于所述目标数控机床中所述不可观环节的前序环节，得到所述不可观环节的输入仿真数据，将所述输入仿真数据输入至所述预测模型，得到所述不可观环节的输出仿真数据，根据所述输出仿真数据在所述目标数控机床的数字孪生模型中实现仿真运行；
模型更新模块，所述模型更新模块用于根据仿真运行结果对目标数控机床的数字孪生模型中的所述预测模型进行更新。
本发明的第三方面，提供一种终端，所述终端包括处理器、与处理器通信连接的计算机可读存储介质，所述计算机可读存储介质适于存储多条指令，所述处理器适于调用所述计算机可读存储介质中的指令，以执行实现上述任一项所述的数控机床不可观环节仿真方法的步骤。
本发明的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的数控机床不可观环节仿真方法的步骤。
与现有技术相比，本发明提供了一种数控机床不可观环节仿真方法，所述的数控机床不可观环节仿真方法，根据不可观环节的试验数据生成可根据不可观环节的输入数据预测不可观环节的输出数据的预测模型，当目标数控机床的数字孪生模型中包括该不可观环节时，将前序环节的输出作为预测模型的输入，得到预测模型的输出作为不可观环节的输出仿真数据，从而使得目标数控机床的数字孪生模型可以实现仿真，并且，考虑到不可观环节在数控机床上的运行状态与试验运行状态的不同，还根据仿真运行结果对预测模型进行更新，对预测模型进行修正，实现对目标数控机床的精确仿真。
附图说明
图1为本发明提供的数控机床不可观环节仿真方法的实施例的流程图；
图2为本发明提供的数控机床不可观环节仿真装置的实施例的结构原理图；
图3为本发明提供的终端的实施例的原理示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供的数控机床不可观环节仿真方法，可以应用于具有计算能力的终端中，终端可以但不限于是各种计算机、服务器、移动设备等。
实施例一
如图1所示，所述数控机床不可观环节仿真方法的一个实施例中，包括步骤：
S100、根据不可观环节的试验数据生成第一训练集，基于所述第一训练集训练得到所述不可观环节对应的预测模型。
所述不可观环节可能是直接采购的黑箱组件，其内部的结构和具体工作原理不可知，例如变速箱、封装变压器等，并且由于实际制造的误差、运行环境、使用年限的影响，所述不可观环节的输出并不会与理论设计值完全相符。所述不可观环节独立存在时，其输出数据可以进行采集，例如变速箱的输出扭矩和输出转速等，可以在实验室中安装测试设备得到，但是当所述不可观环节集成在数控机床上时，数控机床上的空间有限，可能无法安装测试设备去实时采集在数控机床上运行的所述不可观环节的真实输出数据。在本实施例提供的方法中，首先根据所述不可观环节的试验数据来生成用于预测所述不可观环节的输出数据的预测模型。
具体地，所述第一训练集包括多组第一训练数据，每组所述第一训练数据包括试验输入数据和试验输出数据；所述根据目标数控机床的不可观环节的试验数据生成第一训练集，包括：
将多个预设数据作为所述不可观环节的试验输入数据输入至所述不可观环节，对所述不可观环节的输出数据进行观测，得到试验输出数据。
在实验室中可以测得所述不可观环节的真实输出数据，也就是说，所述试验输出数据是所述不可观环节在对应的所述试验输入数据下的真实输出数据。
所述预测模型可以是深度神经网络模型，所述预测模型的训练过程可以参考现有的深度神经网络模型的训练过程。
S200、将所述预测模型加入至目标数控机床的数字孪生模型中，基于所述目标数控机床中所述不可观环节的前序环节，得到所述不可观环节的输入仿真数据，将所述输入仿真数据输入至所述预测模型，得到所述不可观环节的输出仿真数据，根据所述输出仿真数据在所述目标数控机床的数字孪生模型中实现仿真运行。
将所述预测模型加入至包括所述不可观环节的所述目标数控机床的数字孪生模型中，从而可以根据所述目标数控机床中所述不可观环节的前序环节的输出数据，所述不可观环节的前序环节是可观的，因此所述不可观环节的前序环节的实际输出数据可以观测得到或者根据前序环节的内部结构计算得到，将所述不可观环节的实际输出数据作为所述不可观环节的输入仿真数据。即所述基于所述目标数控机床中所述不可观环节的前序环节，得到所述不可观环节的输入仿真数据，包括：
将所述不可观环节的前序环节在所述目标数控机床的数字孪生模型中的输出数据作为所述不可观环节的输入仿真数据。
将所述输入仿真数据输入至所述预测模型，获取所述预测模型输出的数据作为所述输出仿真数据，根据所述输出仿真数据实现所述目标数控机床的数字孪生模型的仿真运行，即将所述输出仿真数据看做是所述不可观环节在所述目标数控机床上运行时的真实输出数据，进行后续的计算。
在现有技术中，当神经网络模型训练完成后，会保持神经网络模型的参数不变。但是，针对本实施例提供的方法的应用场景，即所述不可观模型在实验室的运行状态和在安装到数控机床上后的实际运行状态是不同的，所述不可观模型在数控机床上运行后，随着时间的变化，性能会发生变化，如果不更新所述预测模型的参数，通过试验数据训练得到的用于预测所述不可观环节的输出数据的所述预测模型的预测结果的准确性会降低，为了解决这一问题，本实施例提供的方法还包括步骤：
S300、根据仿真运行结果对目标数控机床的数字孪生模型中的所述预测模型进行更新。
具体地，所述根据仿真运行结果对目标数控机床的数字孪生模型中的所述预测模型进行更新，包括：
每隔预设时长获取所述仿真运行结果对应的实际运行结果；
当所述实际运行结果和所述仿真运行结果之间的差异达到预设阈值时，获取所述不可观环节的输出实际数据；
根据所述输入仿真数据和所述输出实际数据对所述预测模型进行更新。
在本实施例中，每隔预设时长获取一次所述仿真运行结果对应的实际运行结果，即每隔预设时长实地观测一次所述目标数控机床的实际运行数据，当采用所述预测模型输出的所述输出仿真数据进行仿真得到的所述仿真运行结果与所述目标数控机床的实际运行结果差异大于预设阈值时，则有必要对所述预测模型进行更新。所述预设阈值可以根据所述目标数控机床的仿真精度要求来确定。
当所述实际运行结果和所述仿真运行结果之间的差异达到所述预设阈值时，获取所述不可观环节在所述目标数控机床上的输出实际数据，根据所述输入仿真数据和所述输出实际数据对所述预测模型进行更新。当所述不可观环节的所述输出实际数据可以通过设置在所述目标数控机床上的传感器或其他测试设备观测得到时，可以通过读取观测数据作为所述输出实际数据。而当受限于所述目标数控机床的结构，无法设置传感器或其他测试设备采集所述目标数控机床上的所述不可观环节的实际数据时，根据所述目标数控机床的实际运行结果和所述目标数控机床中的其他可观环节的输出数据得到所述不可观环节的所述输出实际数据。
所述根据所述输入仿真数据和所述输出实际数据对所述预测模型进行更新，包括：
构建第二训练集，所述第二训练集中包括多组第二训练数据，每组所述第二训练数据包括目标时段内的一个所述输入仿真数据和对应的所述输出实际数据，所述目标时段包括与当前时刻最接近的若干个所述预设时长；
在所述第二训练集中选择目标训练批次，所述目标训练批次中包括若干组所述第二训练数据；
根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异确定所述目标训练批次中各个所述第二训练数据的权重；
根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异获取所述目标训练批次中各个所述第二训练数据对应的分损失；
根据所述目标训练批次中各个所述第二训练数据对应的权重对所述目标训练批次中各个所述第二训练数据对应的分损失进行求和，得到所述目标训练批次对应的训练损失；
根据所述训练损失更新所述预测模型的参数，并重新执行所述在所述第二训练集中选择目标训练批次的步骤，直至所述预测模型的参数达到收敛。
当所述不可观环节安装在所述目标数控机床上运行时，实际状态与运行时长的联系较大，同时为了防止训练数据集中的数据过少造成的过拟合，在本实施例中，在对所述预测模型进行更新，构建第二训练集时，是采用与当前时刻最接近的n个所述预设时长内的所述输入仿真数据和对应的输出实际数据来构建的。例如，当n取3时，若每隔3天获取所述仿真运行结果对应的实际运行结果，当某一次获取的所述仿真运行结果与对应的所述实际运行结果之间的差异达到所述预设阈值，则获取最接近的3个3天内的所述输入仿真数据和所述输出实际数据构建所述第二训练集。
在本实施例中，为了提升训练效率，为不同的训练数据设置不同的权重。所述根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异确定所述目标训练批次中各个所述第二训练数据的权重，包括：
获取所述第二训练集中每个所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异，将每个所述第二训练数据归于第一集合或第二集合，所述第一集合内的所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异在预设范围内，所述第二集合内的所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异超出所述预设范围；
根据对应的所述输出仿真数据与所述输出实际数据的差异对所述第一集合中的每个所述第二训练数据进行排序，根据对应的所述输出仿真数据与所述输出实际数据的差异对所述第二集合中的每个所述第二训练数据进行排序；
对于所述目标训练批次中的目标第二训练数据：
当所述目标第二训练数据属于所述第一集合时，根据所述目标第二训练数据在所述第一集合中的序号确定所述目标第二训练数据的权重，且所述第一集合中的所述第二训练数据对应的所述权重均大于1；
当所述目标第二训练数据属于所述第二集合时，根据所述目标第二训练数据在所述第二集合中的序号确定所述目标第二训练数据的权重，且所述第二集合中的所述第二训练数据对应的所述权重均小于1。
所述预设范围可以基于所述第二训练集中每个所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异来确定，当所述目标第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异超出所述预设范围时，认为所述目标第二训练数据对应的所述输出实际数据可能存在错误，例如采集设备故障、计算过程出错等。因此对于在所述预设范围内的所述第二训练数据，当对应的所述输出仿真数据与所述输出实际数据的差异越大，应增大其权重，为其设置更大的权重，提升所述预测模型的参数更新效率，而对于在所述预设范围内的所述第二训练数据，当对应的所述输出仿真数据与所述输出实际数据的差异越大，降低其权重，降低不正常数据对所述预设模型的准确性的影响。
即，当所述目标第二训练数据属于所述第一集合时，所述目标第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异越大，所述目标第二训练数据对应的所述权重越大，当所述目标第二训练数据属于所述第二集合时，所述目标第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异越大，所述目标第二训练数据对应的所述权重越小。也就是说，当所述目标第二训练数据属于所述第一集合时，所述目标第二训练数据对应的所述权重与所述目标第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异正相关，当所述目标第二训练数据属于所述第二集合时，所述目标第二训练数据对应的所述权重与所述目标第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异负相关。
对于所述目标训练批次中的各个所述第二训练数据，根据所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异获取该所述第二训练数据对应的分损失，在确定了所述目标训练批次中各个所述第二训练数据对应的权重后，对所述目标训练批次中的各个所述第二训练数据对应的分损失进行加权求和，得到所述目标训练批次对应的训练损失，根据所述目标训练批次对应的所述训练损失更新所述预测模型的参数，重新执行所述在所述第二训练集中选择目标训练批次的步骤，直至所述预测模型的参数达到收敛。当所述预测模型的参数达到收敛后，所述预测模型更新完成。再根据更新后的所述预测模型事先所述目标数控机床的数字孪生模型的仿真运行，即重复执行步骤S200，以此往复，实现对数字孪生模型的滚动修正，保证仿真结果的准确性。
综上所述，本实施例提供一种数控机床不可观环节仿真方法，根据不可观环节的试验数据生成可根据不可观环节的输入数据预测不可观环节的输出数据的预测模型，当目标数控机床的数字孪生模型中包括该不可观环节时，将前序环节的输出作为预测模型的输入，得到预测模型的输出作为不可观环节的输出仿真数据，从而使得目标数控机床的数字孪生模型可以实现仿真，并且，考虑到不可观环节在数控机床上的运行状态与试验运行状态的不同，还根据仿真运行结果对预测模型进行更新，对预测模型进行修正，实现对目标数控机床的精确仿真。
应该理解的是，虽然本发明说明书附图中给出的的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取计算机可读存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
实施例二
基于上述实施例，本发明还相应提供了一种数控机床不可观环节仿真装置，如图2所示，所述数控机床不可观环节仿真装置包括：
模型生成模块，所述模型生成模块用于根据不可观环节的试验数据生成第一训练集，基于所述第一训练集训练得到所述不可观环节对应的预测模型，具体如实施例一中所述；
仿真模块，所述仿真模块用于将所述预测模型加入至目标数控机床的数字孪生模型中，基于所述目标数控机床中所述不可观环节的前序环节，得到所述不可观环节的输入仿真数据，将所述输入仿真数据输入至所述预测模型，得到所述不可观环节的输出仿真数据，根据所述输出仿真数据在所述目标数控机床的数字孪生模型中实现仿真运行，具体如实施例一中所述；
模型更新模块，所述模型更新模块用于根据仿真运行结果对目标数控机床的数字孪生模型中的所述预测模型进行更新，具体如实施例一中所述。
实施例三
基于上述实施例，本发明还相应提供了一种终端，如图3所示，所述终端包括处理器10以及存储器20。图3仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有数控机床不可观环节仿真程序30，该数控机床不可观环节仿真程序30可被处理器10所执行，从而实现本申请中数控机床不可观环节仿真方法。
所述处理器10在一些实施例中可以是一中央处理器（Central Processing Unit,CPU），微处理器或其他芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述数控机床不可观环节仿真方法等。
在一实施例中，当处理器10执行所述存储器20中数控机床不可观环节仿真程序30时实现以下步骤：
根据不可观环节的试验数据生成第一训练集，基于所述第一训练集训练得到所述不可观环节对应的预测模型；
将所述预测模型加入至目标数控机床的数字孪生模型中，基于所述目标数控机床中所述不可观环节的前序环节，得到所述不可观环节的输入仿真数据，将所述输入仿真数据输入至所述预测模型，得到所述不可观环节的输出仿真数据，根据所述输出仿真数据在所述目标数控机床的数字孪生模型中实现仿真运行；
根据仿真运行结果对目标数控机床的数字孪生模型中的所述预测模型进行更新。
其中，所述第一训练集包括多组第一训练数据，每组所述第一训练数据包括试验输入数据和试验输出数据；所述根据目标数控机床的不可观环节的试验数据生成第一训练集，包括：
将多个预设数据作为所述不可观环节的试验输入数据输入至所述不可观环节，对所述不可观环节的输出数据进行观测，得到试验输出数据。
所述的数控机床不可观环节仿真方法，其中，所述基于所述目标数控机床中所述不可观环节的前序环节，得到所述不可观环节的输入仿真数据，包括：
将所述不可观环节的前序环节在所述目标数控机床的数字孪生模型中的输出数据作为所述不可观环节的输入仿真数据。
其中，所述根据仿真运行结果对目标数控机床的数字孪生模型中的所述预测模型进行更新，包括：
每隔预设时长获取所述仿真运行结果对应的实际运行结果；
当所述实际运行结果和所述仿真运行结果之间的差异达到预设阈值时，获取所述不可观环节的输出实际数据；
根据所述输入仿真数据和所述输出实际数据对所述预测模型进行更新。
其中，所述根据所述输入仿真数据和所述输出实际数据对所述预测模型进行更新，包括：
构建第二训练集，所述第二训练集中包括多组第二训练数据，每组所述第二训练数据包括目标时段内的一个所述输入仿真数据和对应的所述输出实际数据，所述目标时段包括与当前时刻最接近的若干个所述预设时长；
在所述第二训练集中选择目标训练批次，所述目标训练批次中包括若干组所述第二训练数据；
根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异确定所述目标训练批次中各个所述第二训练数据的权重；
根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异获取所述目标训练批次中各个所述第二训练数据对应的分损失；
根据所述目标训练批次中各个所述第二训练数据对应的权重对所述目标训练批次中各个所述第二训练数据对应的分损失进行求和，得到所述目标训练批次对应的训练损失；
根据所述训练损失更新所述预测模型的参数，并重新执行所述在所述第二训练集中选择目标训练批次的步骤，直至所述预测模型的参数达到收敛。
其中，根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异确定所述目标训练批次中各个所述第二训练数据的权重，包括：
获取所述第二训练集中每个所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异，将每个所述第二训练数据归于第一集合或第二集合，所述第一集合内的所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异在预设范围内，所述第二集合内的所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异超出所述预设范围；
根据对应的所述输出仿真数据与所述输出实际数据的差异对所述第一集合中的每个所述第二训练数据进行排序，根据对应的所述输出仿真数据与所述输出实际数据的差异对所述第二集合中的每个所述第二训练数据进行排序；
对于所述目标训练批次中的目标第二训练数据：
当所述目标第二训练数据属于所述第一集合时，根据所述目标第二训练数据在所述第一集合中的序号确定所述目标第二训练数据的权重，且所述第一集合中的所述第二训练数据对应的所述权重均大于1；
当所述目标第二训练数据属于所述第二集合时，根据所述目标第二训练数据在所述第二集合中的序号确定所述目标第二训练数据的权重，且所述第二集合中的所述第二训练数据对应的所述权重均小于1。
其中，所述预测模型为深度神经网络模型。
实施例四
本发明还提供一种计算机可读存储介质，其中，存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的数控机床不可观环节仿真方法的步骤。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种数控机床不可观环节仿真方法，其特征在于，所述方法包括：
根据不可观环节的试验数据生成第一训练集，基于所述第一训练集训练得到所述不可观环节对应的预测模型；
将所述预测模型加入至目标数控机床的数字孪生模型中，基于所述目标数控机床中所述不可观环节的前序环节，得到所述不可观环节的输入仿真数据，将所述输入仿真数据输入至所述预测模型，得到所述不可观环节的输出仿真数据，根据所述输出仿真数据在所述目标数控机床的数字孪生模型中实现仿真运行；
根据仿真运行结果对目标数控机床的数字孪生模型中的所述预测模型进行更新；
所述根据仿真运行结果对目标数控机床的数字孪生模型中的所述预测模型进行更新，包括：
每隔预设时长获取所述仿真运行结果对应的实际运行结果；
当所述实际运行结果和所述仿真运行结果之间的差异达到预设阈值时，获取所述不可观环节的输出实际数据；
根据所述输入仿真数据和所述输出实际数据对所述预测模型进行更新；
所述根据所述输入仿真数据和所述输出实际数据对所述预测模型进行更新，包括：
构建第二训练集，所述第二训练集中包括多组第二训练数据，每组所述第二训练数据包括目标时段内的一个所述输入仿真数据和对应的所述输出实际数据，所述目标时段包括与当前时刻最接近的若干个所述预设时长；
在所述第二训练集中选择目标训练批次，所述目标训练批次中包括若干组所述第二训练数据；
根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异确定所述目标训练批次中各个所述第二训练数据的权重；
根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异获取所述目标训练批次中各个所述第二训练数据对应的分损失；
根据所述目标训练批次中各个所述第二训练数据对应的权重对所述目标训练批次中各个所述第二训练数据对应的分损失进行求和，得到所述目标训练批次对应的训练损失；
根据所述训练损失更新所述预测模型的参数，并重新执行所述在所述第二训练集中选择目标训练批次的步骤，直至所述预测模型的参数达到收敛。
2.根据权利要求1所述的数控机床不可观环节仿真方法，其特征在于，所述第一训练集包括多组第一训练数据，每组所述第一训练数据包括试验输入数据和试验输出数据；所述根据目标数控机床的不可观环节的试验数据生成第一训练集，包括：
将多个预设数据作为所述不可观环节的试验输入数据输入至所述不可观环节，对所述不可观环节的输出数据进行观测，得到试验输出数据。
3.根据权利要求1所述的数控机床不可观环节仿真方法，其特征在于，所述基于所述目标数控机床中所述不可观环节的前序环节，得到所述不可观环节的输入仿真数据，包括：
将所述不可观环节的前序环节在所述目标数控机床的数字孪生模型中的输出数据作为所述不可观环节的输入仿真数据。
4.根据权利要求1所述的数控机床不可观环节仿真方法，其特征在于，根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异确定所述目标训练批次中各个所述第二训练数据的权重，包括：
获取所述第二训练集中每个所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异，将每个所述第二训练数据归于第一集合或第二集合，所述第一集合内的所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异在预设范围内，所述第二集合内的所述第二训练数据对应的所述输出仿真数据与所述输出实际数据的差异超出所述预设范围；
根据对应的所述输出仿真数据与所述输出实际数据的差异对所述第一集合中的每个所述第二训练数据进行排序，根据对应的所述输出仿真数据与所述输出实际数据的差异对所述第二集合中的每个所述第二训练数据进行排序；
对于所述目标训练批次中的目标第二训练数据：
当所述目标第二训练数据属于所述第一集合时，根据所述目标第二训练数据在所述第一集合中的序号确定所述目标第二训练数据的权重，且所述第一集合中的所述第二训练数据对应的所述权重均大于1；
当所述目标第二训练数据属于所述第二集合时，根据所述目标第二训练数据在所述第二集合中的序号确定所述目标第二训练数据的权重，且所述第二集合中的所述第二训练数据对应的所述权重均小于1。
5.根据权利要求1-4任一项所述的数控机床不可观环节仿真方法，其特征在于，所述预测模型为深度神经网络模型。
6.一种数控机床不可观环节仿真装置，其特征在于，包括：
模型生成模块，所述模型生成模块用于根据不可观环节的试验数据生成第一训练集，基于所述第一训练集训练得到所述不可观环节对应的预测模型；
仿真模块，所述仿真模块用于将所述预测模型加入至目标数控机床的数字孪生模型中，基于所述目标数控机床中所述不可观环节的前序环节，得到所述不可观环节的输入仿真数据，将所述输入仿真数据输入至所述预测模型，得到所述不可观环节的输出仿真数据，根据所述输出仿真数据在所述目标数控机床的数字孪生模型中实现仿真运行；
模型更新模块，所述模型更新模块用于根据仿真运行结果对目标数控机床的数字孪生模型中的所述预测模型进行更新；
所述根据仿真运行结果对目标数控机床的数字孪生模型中的所述预测模型进行更新，包括：
每隔预设时长获取所述仿真运行结果对应的实际运行结果；
当所述实际运行结果和所述仿真运行结果之间的差异达到预设阈值时，获取所述不可观环节的输出实际数据；
根据所述输入仿真数据和所述输出实际数据对所述预测模型进行更新；
所述根据所述输入仿真数据和所述输出实际数据对所述预测模型进行更新，包括：
构建第二训练集，所述第二训练集中包括多组第二训练数据，每组所述第二训练数据包括目标时段内的一个所述输入仿真数据和对应的所述输出实际数据，所述目标时段包括与当前时刻最接近的若干个所述预设时长；
在所述第二训练集中选择目标训练批次，所述目标训练批次中包括若干组所述第二训练数据；
根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异确定所述目标训练批次中各个所述第二训练数据的权重；
根据所述目标训练批次中各个所述第二训练数据对应的所述输出仿真数据和所述输出实际数据的差异获取所述目标训练批次中各个所述第二训练数据对应的分损失；
根据所述目标训练批次中各个所述第二训练数据对应的权重对所述目标训练批次中各个所述第二训练数据对应的分损失进行求和，得到所述目标训练批次对应的训练损失；
根据所述训练损失更新所述预测模型的参数，并重新执行所述在所述第二训练集中选择目标训练批次的步骤，直至所述预测模型的参数达到收敛。
7.一种终端，其特征在于，所述终端包括：处理器、与处理器通信连接的计算机可读存储介质，所述计算机可读存储介质适于存储多条指令，所述处理器适于调用所述计算机可读存储介质中的指令，以执行实现上述权利要求1-5任一项所述的数控机床不可观环节仿真方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-5任一项所述的数控机床不可观环节仿真方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210612045.9A CN114707428B (zh) | 2022-06-01 | 2022-06-01 | 数控机床不可观环节仿真方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210612045.9A CN114707428B (zh) | 2022-06-01 | 2022-06-01 | 数控机床不可观环节仿真方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114707428A CN114707428A (zh) | 2022-07-05 |
| CN114707428B true CN114707428B (zh) | 2022-09-02 |
Family
ID=82175718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210612045.9A Active CN114707428B (zh) | 2022-06-01 | 2022-06-01 | 数控机床不可观环节仿真方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114707428B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113609955A (zh) * | 2021-07-30 | 2021-11-05 | 福州大学 | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统 |
| CN114330026A (zh) * | 2022-01-24 | 2022-04-12 | 深圳智恒技术服务有限公司 | 一种数字孪生系统仿真方法及装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3961321A1 (en) * | 2020-08-27 | 2022-03-02 | Siemens Aktiengesellschaft | System and method for instantaneous performance management of a machine tool |
| DE102020212798A1 (de) * | 2020-10-09 | 2022-04-14 | Dmg Mori Digital Gmbh | Verfahren und vorrichtung zur simulation einer bearbeitung an einer werkzeugmaschine mittels selbstlernendem system |
| CN113051831B (zh) * | 2021-04-01 | 2022-07-01 | 重庆大学 | 机床热误差自学习预测模型建模方法及热误差控制方法 |
| CN113379123A (zh) * | 2021-06-09 | 2021-09-10 | 中德（珠海）人工智能研究院有限公司 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
| CN113703412B (zh) * | 2021-09-01 | 2023-03-31 | 燕山大学 | 基于数字孪生的数控机床虚拟调试系统及系统构建方法 |
| CN113886973B (zh) * | 2021-10-25 | 2023-04-18 | 江苏远望仪器集团有限公司 | 基于虚实映射的船舶航速处理方法、装置及处理设备 |
| CN114091300A (zh) * | 2021-11-12 | 2022-02-25 | 上海理工大学 | 一种滚珠丝杠进给系统滚动结合部动态特性参数识别方法 |
| CN114118777A (zh) * | 2021-11-24 | 2022-03-01 | 上海交通大学 | 基于数字孪生技术的工业控制系统功能安全量化评估方法 |
| CN113868898A (zh) * | 2021-11-29 | 2021-12-31 | 联想新视界（北京）科技有限公司 | 基于数字孪生模型的数据处理方法及装置 |
-
2022
- 2022-06-01 CN CN202210612045.9A patent/CN114707428B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113609955A (zh) * | 2021-07-30 | 2021-11-05 | 福州大学 | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统 |
| CN114330026A (zh) * | 2022-01-24 | 2022-04-12 | 深圳智恒技术服务有限公司 | 一种数字孪生系统仿真方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114707428A (zh) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
| CN103310051B (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN110197288A (zh) | 故障影响下设备的剩余使用寿命预测方法 | |
| CN114676647B (zh) | 一种基于深度学习方法的数控机床零部件寿命预测方法 | |
| CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
| CN112668870A (zh) | 一种核电厂设备状态在线智能监测方法及计算机终端 | |
| CN114036978A (zh) | 一种基于Transformer和数据增强的轴承故障诊断方法及系统 | |
| CN111445105A (zh) | 基于目标值分析的电厂在线性能诊断方法及系统 | |
| CN113743661A (zh) | 锂离子电池在线容量预测的方法、系统、设备及存储介质 | |
| CN115453356A (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN114707428B (zh) | 数控机床不可观环节仿真方法、装置、终端及存储介质 | |
| CN114418146A (zh) | 基于规则引擎的机电设备故障诊断方法、系统及终端 | |
| CN112633362A (zh) | 一种旋转机械自适应故障诊断方法、装置、设备及介质 | |
| CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
| CN112749453B (zh) | 基于改进svr的复杂设备剩余使用寿命预测方法 | |
| CN115758726A (zh) | 一种汽轮机转子多维多场反演方法、电子设备及存储介质 | |
| CN111274687B (zh) | 元器件失效率预计方法、装置、计算机设备及存储介质 | |
| CN114192583A (zh) | 一种基于Scada平台的带钢轧制过程质量监控方法和系统 | |
| CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
| CN116738759B (zh) | 装备的设计运维方法、装置、计算机设备及可读存储介质 | |
| CN113051700A (zh) | 设备可靠性监测方法及装置 | |
| US20240185115A1 (en) | Method and apparatus for early warning of dry pump shutdown, electronic device, storage medium and program | |
| CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析系统及方法 |
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 |