CN114970028A - 一种数字孪生驱动的制造装备研发方法及系统 - Google Patents

一种数字孪生驱动的制造装备研发方法及系统 Download PDF

Info

Publication number
CN114970028A
CN114970028A CN202210610300.6A CN202210610300A CN114970028A CN 114970028 A CN114970028 A CN 114970028A CN 202210610300 A CN202210610300 A CN 202210610300A CN 114970028 A CN114970028 A CN 114970028A
Authority
CN
China
Prior art keywords
model
digital twin
manufacturing equipment
design
evolution mechanism
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.)
Pending
Application number
CN202210610300.6A
Other languages
English (en)
Inventor
胡天亮
岳鹏军
魏永利
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202210610300.6A priority Critical patent/CN114970028A/zh
Publication of CN114970028A publication Critical patent/CN114970028A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种数字孪生驱动的制造装备研发方法及系统，涉及数字孪生技术领域，包括：制造装备方案设计；构建制造装备和制造系统的数字孪生模型；基于模型进化机制对数字孪生模型进行精准化处理，得到高保真数字孪生模型；其中，模型进化机制包括基于点云重建的数字孪生模型进化机制、基于分形理论的数字孪生模型进化机制和基于性能衰减更新的模型进化机制；验证制造装备设计方案。本发明基于数字孪生技术，并配合模型进化机制能够得到高保真数字孪生模型，借助该高保真模型将物理样机制造阶段纳入到数字空间，从而可以摆脱物理样机的束缚，缩短制造装备研发周期，提高制造装备的研发效率。

Description

一种数字孪生驱动的制造装备研发方法及系统
技术领域
本发明涉及数字孪生技术领域，尤其涉及一种数字孪生驱动的制造装备研发方法及系统。
背景技术
制造装备的设计阶段和样机制造阶段在设计过程中通常需要很长的时间，同时会产生很高的成本。尤其在装备物理样机的制造阶段，费时费力，成本较高。常规制造装备研发流程无法满足用户对制造装备快速交付的需求，因此，改善常规制造装备研发流程，降低物理样机制造阶段的时间和金钱成本，具有十分重要的意义。
由于数字孪生因能够实现数字驱动、云化制造，受到越来越多的关注。通过高保真模型仿真数据和实测数据之间的信息交互融合，对虚拟模型进行不断更新，使得虚拟模型能都成为物理实体的准确实施映射，进而代替物理实体，然而，设计装备设计阶段没有物理实体，该方法不适用于装备设计阶段。目前将数字孪生技术在装备研发方面的应用尚未展开探索，并且存在着脱离物理实体的数据无法建立高保真的数字孪生模型的问题。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种数字孪生驱动的制造装备研发方法及系统，基于数字孪生技术，并配合模型进化机制能够得到高保真数字孪生模型，将装备设计阶段的物理样机阶段纳入数字空间，从而摆脱物理样机的束缚，提高制造装备的研发效率。
为了实现上述目的，本发明是通过如下的技术方案来实现：
第一方面，本发明的实施例提供了一种数字孪生驱动的制造装备研发方法，包括制造装备的高保真数字孪生模型构建：
构建制造装备数字孪生模型；
基于模型进化机制对制造装备数字孪生模型进行精准化处理，得到高保真数字孪生模型，即模型的仿真结果和精度满足设计要求；
其中，模型进化机制包括基于点云重建的数字孪生模型进化机制、基于分形理论的数字孪生模型进化机制和基于性能衰减更新的模型进化机制。
作为进一步的实现方式，所述基于点云重建的数字孪生模型进化机制包括：
获取零部件表面三维形貌的点云数据，并对点云数据进行预处理；
在建模环境中，基于预处理后的点云数据重建零部件接触面，该接触面具有粗糙度特征。
作为进一步的实现方式，所述基于分形理论的数字孪生模型进化机制包括：
获取零部件接触面的形貌特征，计算接触面的分形维数以重建接触面的三维形貌；
获取接触面的三维形貌特征数据集，并在建模环境中，完成粗糙度表面重建工作。
作为进一步的实现方式，所述建模环境为CAD或CAE。
作为进一步的实现方式，所述基于性能衰减更新的模型进化机制包括：
利用质量数据识别性能参数，对零部件模型性能进行衰减更新；
将更新的零部件模型与未发生性能状态变化模型组装配合，构建涵盖性能衰减变化的动态设备数字孪生模型；
对动态设备数字孪生模型进行一致性验证，当一致性程度不高时调整模型参数对模型进行校正，获取高保真数字孪生模型。
作为进一步的实现方式，构建制造系统的数字孪生模型，通过仿真和实验分别获取制造质量参数，利用机器学习算法构建制造装备的质量数据预测模型；基于质量数据预测模型获取制造装备零部件的质量数据。
作为进一步的实现方式，还包括制造装备的方案设计和制造装备设计方案的验证，并借助所述高保真数字孪生模型将物理样机纳入到数字空间。
作为进一步的实现方式，所述制造装备设计方案的验证包括：
针对制造装备多种状态参数进行定性或定量测量，得到反馈信息；
将反馈信息纳入制造装备相关零部件性能评估与优化再设计中，以使得所有的设计参数满足设计需求。
作为进一步的实现方式，基于公理化设计进行用户需求分析，得到设计方案和制造装备设计参数；利用所述设计方案和设计参数进行高保真数字孪生模型的构建。
第二方面，本发明的实施例提供了一种数字孪生驱动的制造装备研发系统，包括：
制造装备设计模块，被配置为：基于公理化设计理论完成装备的设计流程；
制造装备数字孪生模型构建模块，被配置为：构建制造装备数字孪生模型；
高保真数字孪生模型构建模块，被配置为：基于模型进化机制对制造装备数字孪生模型进行精准化处理，得到高保真数字孪生模型；
其中，模型进化机制包括基于点云重建的数字孪生模型进化机制、基于分形理论的数字孪生模型进化机制和基于性能衰减更新的模型进化机制。
制造装备设计方案验证模块，被配置为：针对制造装备多种状态参数进行定性或定量测量，验证总体方案的可行性和有效性，将物理样机制造阶段纳入到数字空间。
本发明的有益效果如下：
(1)本发明将将制造装备设计阶段的验证工作通过数字孪生技术提供的高保真装备模型实现，在数字空间完成制造装备的设计与验证阶段的任务，不仅可以避免物理样机制作阶段成本，节约材料，同时还可以缩短装备的研发周期，提高新装备研发效率。
(2)本发明提出了数字孪生模型进化机制，包括基于点云重建的数字孪生模型进化机制、基于分形理论的数字孪生模型进化机制和基于性能衰减更新的模型进化机制，可以保证制造设备数字孪生模型在运行周期的一致性。
(3)本发明通过机器学习算法以及制造设备数字孪生模型获取表征制造装备相关零部件质量参数值的方法，利用实验获取的数据和数字孪生模型仿真得到的数据构建预测制造装备相关零部件质量数据的模型，以获取相关零部件的粗糙度、公差等质量特征数据，为制造装备的加工质量预测提供了思路。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明根据一个或多个实施方式的数字孪生驱动的制造装备研发系统框架图；
图2为本发明根据一个或多个实施方式的基于公理化设计理论的制造装备设计方法流程图；
图3为本发明根据一个或多个实施方式的构建用于制造装备数字孪生模型的流程图；
图4为本发明根据一个或多个实施方式的数字孪生模型构建过程示意图；
图5为本发明根据一个或多个实施方式的基于点云重建的数字孪生模型进化机制示意图；
图6为本发明根据一个或多个实施方式的基于分形理论的数字孪生模型进化机制图；
图7为本发明根据一个或多个实施方式的制造装备研发传统流程与数字孪生驱动的研发流程对比示意图；
图8为本发明根据一个或多个实施方式的基于数字孪生的验证分析的技术路线；
图9为本发明根据一个或多个实施方式的虚拟加工动态性能测试试验台的组成框图；
图10(a)为本发明根据一个或多个实施方式的虚拟加工动态性能测试试验台施力轮性能分析图；
图10(b)为本发明根据一个或多个实施方式的虚拟加工动态性能测试试验台工作台性能分析；
图11为本发明根据一个或多个实施方式的虚拟加工动态性能测试试验台的电气拓扑图；
图12为本发明根据一个或多个实施方式的数控机床数字孪生模型图；
图13为本发明根据一个或多个实施方式的基于数字孪生的表面粗糙度预测方法功能框图；
图14为本发明根据一个或多个实施方式的基于支持向量机的表面质量预测结果图；
图15为本发明根据一个或多个实施方式的虚拟加工动态性能测试试验台的数字孪生模型；
图16(a)为本发明根据一个或多个实施方式的虚拟加工动态性能测试试验台X1轴进给系统基于初始设计参数的主轴动态特性曲线；
图16(b)为本发明根据一个或多个实施方式的虚拟加工动态性能测试试验台X1轴进给系统基于初始设计参数的工作台动态特性曲线；
图16(c)为本发明根据一个或多个实施方式的虚拟加工动态性能测试试验台X1轴进给系统基于优化再设计参数的主轴动态特性曲线；
图16(d)为本发明根据一个或多个实施方式的虚拟加工动态性能测试试验台X1轴进给系统基于优化再设计参数的工作台动态特性曲线；
图17为本发明根据一个或多个实施方式的虚拟加工动态性能测试试验台Z轴加载系统动态特性的验证。
具体实施方式
实施例一：
本实施例提供了一种数字孪生驱动的制造装备研发方法，包括：
1、基于公理化设计理论完成装备的设计流程；
2、构建制造高保真数字孪生模型；
3、验证制造装备的设计方案。
如图1所示，首先根据客户要求，经过研究、分析和设计，提供装备生产所需的全部解决方案，然后利用数字孪生模型构建方法和数字孪生模型进化机制构建制造装备的高保真数字孪生模型，最后进行方案的验证。
具体的过程如下：
步骤一：基于公理化设计理论完成用户需求归纳、产品规划和工艺规划等阶段的设计流程；
步骤二：利用步骤一获得的设计方案和装备设计参数，从多领域、多层级和参数化的角度完成数字孪生模型的构建；
步骤三：通过基于点云重建的数字孪生模型进化机制或基于分形理论的数字孪生模型进化机制以及基于性能衰减更新的模型进化机制两方面的有效实施保证制造装备研发相关数字孪生模型的精准度；
步骤四：针对制造装备某种或某些状态参数进行定性或定量测量，验证总体方案的可行性和有效性。
进一步的，如图2所示，采用公理化设计理论将用户需求精准转换为制造装备的设计方案。利用需求域、功能域、物理域和过程域这四个设计域来描述涵盖用户需求归纳、产品计划和工艺计划等阶段的整个设计流程。
用户需求分析阶段，通过市场调研、文献查阅、统计分析等常规方式识别用户对于制造装备的性能属性的需求。将获取的信息进行有效的归纳、整理和分类，明确用户域元素，为基于公理化设计理论的制造装备设计提供可靠的设计信息基础。
方案设计阶段，通过映射矩阵表征用户需求与工程措施之间的关系度，经数据分析处理后找出对满足用户需求贡献最大的工程措施，即关键措施。从而指导设计人员抓住主要矛盾，开展制造装备设计工作，研发出满足用户需求的相关设计方案。在开展方案设计阶段的工作时，借助公理化设计理论的两个设计公理对映射矩阵(即基于Z型映射规则获取的用户域与功能域以及功能域与结构域之间的设计矩阵)的分析。具体实现流程：
设影响某一设计方案的影响因素集合记为IF。初始影响矩阵的元素是不同设计方案的影响因素的特征数据(通常是区间值)，用MI表示。对初始影响矩阵进行归一化，得到一个标准化的影响矩阵，用MS表示。接下来，采用层次分析法计算权重影响因素的值，如式(1)所示
Figure BDA0003672982880000071
其中rik表示与指标k相比，指标i的重要程度，i、k表示对应的指标，n表示所考虑的指标数量。
在标准化影响矩阵MS的基础上，根据式(2)所示的构造准则(应根据影响因素的特点选取最大值或最小值)，建立影响因素的理想设计信息区间序列DI。
Figure BDA0003672982880000081
其中ESLj(i)和ESRj(i)分别表示设计方案j关于影响因素i的模糊区间极限值。
在获取理想设计信息区间序列的基础上，利用如式(3)所示的距离模型，计算设计方案与理想设计方案之间信息区间的模糊接近度。其中0＜p(i,j)<1，模糊接近度p(i,j)的值越大，设计方案越接近理想的设计方案。
Figure BDA0003672982880000082
然后，根据式(4)计算影响因素的模糊信息量。信息量Ii由满足给定函数特性要求的概率的对数函数决定。式中Pi为满足设计方案功能特征的概率。
Ii＝log2(1/Pi)＝log2e|1-p(i,j)| (4)
由于不同类型的影响因素对设计方案的重要性不同，在计算设计方案总信息时，采用加权处理方法，如式(5)所示。其中IΣ表示面向不同影响因素的信息总量。TWΣ为设计方案各影响因素的总权重，由式可求得。
I∑＝TW∑*I∑ (5)
最后，根据式(6)中所示的准则，可识别出最优设计方案(即信息最少的方案)。
Ibest＝min(I∑1,I∑2,…,I∑n) (6)
通过如图2所示的技术路线，将用户需求转化为制造装备设计的技术需求特性，然后结合用户需求的竞争性评估和技术需求的竞争性评估，确定不同技术需求特性的目标值。最后将以上设计信息归纳总结，获取涵盖技术特性及其实现方式的制造装备初始设计方案。
详细设计阶段，针对结构域的设计参数制定制造装备相关零部件的工艺过程变量。为了有效地确定制造装备相关零部件的详细设计信息，根据设计需求对相关零部件进行强度、刚度、抗磨性等性能方面的计算与初步验证，确定零件的材料、形状和尺寸等信息。然后，编写出涵盖零部件设计信息、加工信息、装配信息等详细信息的设计计算说明书、工艺说明书等各种技术文件。
进一步的，构建制造高保真数字孪生模型的方法包括：
构建制造装备数字孪生模型；
基于模型进化机制对制造装备数字孪生模型进行精准化处理，得到高保真数字孪生模型，即模型的仿真结果和精度满足设计要求；
其中，模型进化机制包括基于点云重建的数字孪生模型进化机制、基于分形理论的数字孪生模型进化机制和基于性能衰减更新的模型进化机制。
具体的，如图3所示，采用数字孪生模型构建方法和模型演化机制获取制造装备研发相关的高质量数字孪生模型。
(1)数字孪生模型的构建方法：
如图4所示，首先自上而下确定其几何模型的总体层次结构，并对最小层次零部件模型进行定义与设计，然后结合相应的装配特征实现几何零部件的装配，将建立的零部件模型组装成上一层级子系统模型，最后将子系统模型装配成制造装备整体数字孪生几何模型。
通过STEP格式的中性文件、XML格式文件等文本信息将建立的数字孪生几何模型转换成多领域建模语言可识别的转换文件；然后，在多领域建模环境中识别以上转换文件，将建立的数字孪生几何模型利用多领域建模语言描述出来，完成制造装备的基础动力学模型的构建。最后修改零部件实体的属性，并添加新的零件坐标系以连接其他实体和约束，同时通过修改、增加运动副和定义运动副的物理特性，来真实地反映制造装备零部件间的实际连接关系和连接特性，完成制造装备机械子系统数字孪生模型的构建。
以机械子系统模型构建方法为指导并结合相关物理规律可以建立其它领域的子系统模型。然后通过多领域建模平台提供的模型耦合机制将机械、控制、电子、液压等多个不同学科领域的系统模型相互耦合即可获取制造装备整体数字孪生模型。
为了方便优化再设计工作，利用参数化建模的方式构建制造装备相关零部件的模型。首先分析并理清其需要设计的关键特征参数；然后通过参数设计或者方程式等方式关联以上特征参数；最后，利用变量或者方程式来表示模型关键特征，进而实现其参数化模型构建。在开展优化再设计工作时，只需要将优化参数数据赋予相应的关联参数，即可建立优化再设计后的制造装备数字孪生模型。
(2)模型进化机制：
通过基于点云重建的数字孪生模型进化机制或基于分形理论的数字孪生模型进化机制以及基于性能衰减更新的模型进化机制两方面的有效实施保证制造系统数字孪生模型在运行周期的一致性。
(2.1)基于点云重建的数字孪生模型进化机制：
如图5所示，通过使用表面形貌测量仪器(例如工业相机、粗糙度测量仪)对粗糙度表面进行测量，获取表征该实体三维形貌的点云数据集，对点云数据集进行滤波去噪、数据精简等预处理，以保证该工作的顺利进行以及准确性。在CAD或CAE建模环境中开展粗糙度表面重建工作，主要包含点云数据读取、特征曲线拟合、网格处理、曲面编辑和实体模型构建几个步骤。
(2.2)基于分形理论的数字孪生模型进化机制：
考虑到不是所有表面都可以通过仪器获取相关信息，例如本发明所设计的试验台的导杆等零部件，由于受到梁的阻挡，无法通过仪器扫描其全貌来获取相关数据，因此需要通过其它方法来获取数据以构建该表面的高保真模型。
由于大多数零部件接触面轮廓具有自仿射性，利用分形几何学中W-M函数的连续性、自仿射性的数学特征，来描述多尺度的粗糙表面。W-M函数如式(7)所示：
Figure BDA0003672982880000111
其中z(x)表示粗糙表面轮廓高度；x表示粗糙表面测量位移坐标；D表示粗糙面的分形系数；G表示分形特征长度；γn表示W-M函数的空间频率，它直接决定粗糙度表面的粗糙度频谱；n表示粗糙度表面形貌的最低截止频率w的相对应序数，由于接触面形貌是非平稳随机过程，最低截止频率与采样长度相关，即γn＝1/L，L是测试样件的长度。
当粗糙度表面轮廓服从正态分布时，设定γ＝1.5可以适应随机相位和高频率密度的要求。确定参数D和G的数值后，可以唯一确定一个粗糙度面在多尺度下的数学几何模型。
由二维的W-M曲线进行推广得到的三维的W-M曲面，如式(8)所示。
Figure BDA0003672982880000112
其中Gx和Dx表示x方向的二维分形特征长度和分型系数，Gy和Dy表示y方向的二维分形特征长度和分型系数。
分形维数能够反映磨损表面三维形貌的复杂程度、不规则程度以及整体与局部的自相似程度。分形维数越大，表面三维形貌越复杂，精细结构越多，整体与局部的自相似性越强。将两个不同方向的分形曲面叠加即可得到由分形理论表征的粗糙度表面三维形貌。
目前经典的分形维数计算方法的表达式可以统一表示为如式(9)所示格式。
Figure BDA0003672982880000121
式中，M为计算方法的测度，η为对应的尺度，D为分形维数。因此，通过恰当地选取尺度和测度，并建立式所示的幂指数关系，就可以得到相对应的分形维数。
基于分型理论的数字孪生模型进化机制的技术路线如图6所示，首先通过表面形貌测量仪获取相对运动接触面的一部分的形貌特征；然后通过公式(9)计算该接触面的分形维数，并通过如上所述分形理论为指导重建该接触面的三维形貌。最后通过点云数据获取方法(如Matlab环境中指令"obj＝get(gca,'children')；x＝get(obj(1),'xdata')")获取该接触面的三维形貌特征数据集，同基于点云重建的数字孪生模型进化机制的步骤，在得到数据集之后，在CAD或CAE建模环境中开展粗糙度表面重建工作，主要包含点云数据读取、特征曲线拟合、网格处理、曲面编辑和实体模型构建几个步骤。
利用基于分形理论的数字孪生模型进化机制，可以通过仅测量接触面一部分的数据，得到整个接触面的三维形貌，进而构建该接触面的实体模型。
(2.3)基于性能衰减更新的模型进化机制：
通过传感器获取设备的性能状态数据，包括设备质量数据以及表征设备性能状态的其它数据，对传感数据进行分析，检测设备零部件性能状态是否发生变化，若变化，则进行模型性能衰减更新工作。利用感知数据识别性能衰减位置、衰减量等，通过有限元分析实现设备零部件的模型性能衰减更新。然后将更新的零部件模型与未发生性能状态变化模型组装配合，构建涵盖性能衰减变化的动态设备数字孪生模型。最后对模型进行一致性验证，在一致性程度不高的情况下可以通过调整模型参数对模型进行校正，获取高保真数字孪生模型。
在机械装备研发过程中，如图7所示，借助数字孪生技术提供的高保真模型将物理样机制造阶段纳入到数字空间，能够摆脱传统制造装备研发流程中物理样机的束缚，不仅可以避免物理样机制造成本，缩短装备研发周期，同时还可以提高新制造装备研发效率。
进一步的，如图8所示，基于数字孪生的设计阶段的验证分析，其核心准则是“最优化”。即在设计段就充分考虑制造装备相关零部件的性能、工艺特性等这些与其研发工作息息相关的设计特性。在验证工作中，加载边界条件以及相关零部件模型进行仿真分析(例如，虚拟加工仿真、结构有限元分析等)，深入了解零部件模型针对某设计需求的响应。并将反馈信息纳入制造装备相关零部件性能评估与优化再设计中，以使得所有的设计参数满足设计需求，使该装备渐趋完善。
实施例二：
本实施例提供了一种数字孪生驱动的制造装备研发方法应用案例，该方法适用于所有制造装备，本实施例以能够模拟数控机床切削过程的虚拟加工动态性能测试试验台的设计为例进行详细说明：
首先，基于公理化设计理论的制造装备设计方法完成模拟数控机床动态性能的虚拟加工动态性能测试试验台的设计阶段：
(1)用户需求分析：
考虑到数控机床是价格昂贵的高精密设备，在探索数控机床相关动态特性时，破坏实验会对其精度带来不可逆的损失，同时需要长时间的运行才能检测到关键零部件对其精度的影响，费时费力，因此，亟需一个能够模拟数控机床切削过程的动态性能测试试验台来替代其进行相关实验(轴承故障诊断、丝杠的动态特性分析等)研究分析。
(2)虚拟加工动态性能测试试验台的方案设计：
一般可以将切削力合力F分解为三个互相垂直的分力：主切削力Fz、径向力Fy和轴向力Fx。三个相互垂直的分力通过工件作用于进给系统工作台上，进而影响与其相关联的轴承、丝杠、滑块等零部件的性能状态。若是施加到工作台上的负载不相交于一点，势必会给工作台带来附加力矩，进而会影响基于该试验台的寿命预测和故障诊断等应用服务的置信度。所以在开展虚拟加工动态性能测试试验台设计时，必须要保证施加到工作台上的三维切削力相交于一点，才能准确有效地模拟数控机床的切削加工过程。
根据以上设计需求分析以及相关文献调研等，确定试验台主体结构，如图9所示。在保留数控机床主体结构的同时，实现准确稳定的模拟切削力的负载的加载。总体设计方案共涵盖两个方面，如下所述：
伺服进给系统。其结构与数控机床进给系统类似。伺服电机通过联轴器带动丝杠旋转。通过丝杠的螺母、螺母座带动工作台沿X轴运动。通过编码器获取丝杠角速度信号，并将其反馈给数据采集及控制系统。同时，光栅尺也将获取的工作台的位移信号反馈给数据采集装置和控制系统。控制系统根据反馈信号及时调整伺服电机控制指令，使工作台按用户设置的参数往复运动。
模拟切削力加载系统。X/Y/Z轴加载机构共同构成模拟切削力加载系统。加载机构中均需要安装拉压力传感器。数据采集装置及控制系统根据拉压力传感器返回的信号，实时控制施加在工作台上的三个方向上的模拟切削力的数值，使试验台能够在设定的模拟切削力作用下工作，以模拟各种切削加工工况。
在本实施例中，以模拟切削力加载系统的动力设备的方案设计为例详细说明基于公理化设计的方案设计的具体实施流程。在以上关于模拟切削力加载系统设计需求的指导下，通过文献调研、市场分析等方式，梳理出四种主要的模拟切削力的核心动力设备，如表1所示。
表1模拟切削力加载系统的动力设备
Figure BDA0003672982880000151
其中Ds-i(i＝1，2，3)是设计方案号。
根据加载系统的动力设备的设计需求，将影响其设计的因素归纳为三部分，分别为技术因素、经济特性和操作特性。首先根据动力设备的相关技术参数、售前服务、设计咨询等方式明确该设计方案的初始值；然后通过对初始设计矩阵EI进行标准化，即可得到该设计方案的标准化设计矩阵ES；最后，通过公式(2)计算可以得到该设计方案的理想设计信息区间序列DI。上述影响因素、矩阵等如表2所示。
表2设计方案设计数据及其相关设计矩阵
Figure BDA0003672982880000152
以模糊层次分析法及其数学描述公式(1)为理论基础，并通过专家评审的方式计算求得影响因素集相关元素的权重值，如表3所示。以表2设计矩阵为数据基础，通过公式(3)和(4)分别计算求得该设计方案的因素值和信息含量，如表2所示。
通过公式(5)以及表3所示相关要素值和信息值计算得到该设计方案的总信息含量矩阵IΣ＝[0.205 0.432 0.684 0.722]。根据如公式(6)所示的基于信息公理的设计方案优选标准可以看出，直线电机提供模拟切削力的这种方案是最优设计方案。此方案是综合考虑经济因素、技术特性以及操作特性的影响获取的最优设计方案，即在满足加载模拟切削力设计需求的基础上最大限度的降低设计成本，同时又能保证该加载系统的动力设备的适用性。
表3设计方案的性能参数和信息内容
Figure BDA0003672982880000161
采用公理化设计理论，以某机构的实验数控机床为设计图纸，通过对虚拟加工动态性能测试试验台进给系统螺杆、导轨等部件的测绘分析，初步确定其底座尺寸为1100mm*420mm*50mm；采用柔性轮直接与工作台接触，避免在施加模拟切削力时损坏虚拟加工动态性能测试试验台的主要结构部件。
(3)虚拟加工动态性能测试试验台的详细设计：
以获取的设计方案为指导，对试验台机械结构、电气和工艺进行详细设计。
(3.1)机械结构设计：
以柔性轮为例详细说明试验台的结构设计工作的实施。由于没有专门应用于应力加载的相关组件，在方案设计阶段选用转运货物的橡胶轮组件作为试验台的施力轮。所以，要对该施力轮进行结构分析，检验加载最大模拟负载的情况下，其变形是否在允许范围内。如图10所示，是施加最大模拟负载情况下施力轮的应力应变云图。从图10中可以看出，施力轮接触面的最大应变为0.6mm，不影响此组件的正常使用。进而确定选用的此型号的施力轮满足设计需求。
(3.2)电气设计：
根据文献查询、试验台设计需求分析和市场调研等方式，确定试验台控制系统相关软硬件设备详细设计信息如下：(1)试验台的控制器采用通用工控机；(2)X轴进给伺服和X/Y/Z轴的加载伺服均采用松下的A6伺服驱动器；(3)传感器信号如温度、拉压力传感器通过模拟量I/O模块进行采集；(4)其他控制和状态信号的采集用数字量I/O模块，I/O模块的读写通过I/O适配器以EtherCAT总线进行通信。同时设定控制器、伺服系统和I/O模块之间采用线型拓扑结构，如图11所示。
在设计阶段使用PC实现软PLC，以脱离硬件进行控制程序的设计、编写和调试。同时，此部分程序设计也是后续试验台整体动态特性测试不可或缺的部分。试验台的控制程序通过CODESYS平台来编写、编译和调试，并安装CODESYS SoftMotion RTE，以满足执行程序部分对实时性的高要求。
(3.3)工艺设计：
以试验台底座制造工艺设计为例。根据结构设计工作确定试验台底座材料为HT150。拟通过整块板材铣削加工制造试验台底座。试验台底座上龙门架的安装面、导轨安装面(粗糙度要求为Ra 6)以及电机固定支架安装面需要进行铣削精加工，同时还需要保障两条导轨安装面的平行度。通过同样方式制定的试验台相关零部件工艺设计参数可为后续加工干涉等验证分析以及试验台制造提供信息支持。
其次，本实施例采用高保真数字孪生模型构建方法完成模拟数控机床动态性能的虚拟加工动态性能测试试验台的高保真模型构建，由于是装备设计阶段，装备质量数据无法通过测量实物的方式获取，本实例通过建立机械制造系统的数字孪生模型来为试验台相关零部件的质量预测以及验证分析提供虚拟环境，因此，高保真模型构建包括对制造系统的模型构建和制造装备的模型构建。
具体的，如下：
(1)制造系统模型的构建：
数控机床作为制造系统的基础装备，同时作为服务于试验台制造的核心装备，本实施例以拟定制造试验台相关零部件的某型号数控机床为例详细介绍高精度制造系统数字孪生模型构建过程。
首先对该数控机床进行系统分解，理清其零件-组件-部件-系统的多层级关系。以如图4所示技术路线为指导，在Matlab环境中基于Simscape语言建立了数控机床多领域数字孪生模型。由于整个数控机床的模型过于庞大，本实施例只在图12中展示其封装后的多领域模型以及X轴进给系统的控制系统模型。
为了进一步提升建立的数字孪生模型与其物理实体的几何相似性与功能一致性程度。以模型进化机制为指导对建立的数控机床数字孪生模型进行精准化处理。如图4中是测量的数控机床X轴进给系统的相对运动接触面的表面形貌信息。以测量的表面形貌为信息基础，通过如图6所示技术路线的实施即可获取该目标面的三维形貌特征数据集。然后通过如图6所示分形理论进化机制的实施可建立涵盖粗糙度特征的接触面，此接触面更接近于其物理实体的真实表面形貌。由于数控机床相对运动接触面形貌特征的构建工作类似，在此仅仅展示X轴进给系统接触面的三维形貌特征的构建。同时，通过基于性能衰减的模型进化机制的实施，使得数控机床数字孪生模型的性能状态时刻与其物理实体性能状态保持一致。
(2)虚拟加工动态性能测试试验台的加工质量预测：
以影响表面质量的主要因素之一表面粗糙度为例，详细介绍基于制造系统和其数字孪生模型进行试验台零部件粗糙度预测的实施步骤。
本实施例基于支持向量机开展试验台零部件表面粗糙度预测，实施技术路线如图13所示。针对本实施例中的非线性结构化数据，采用拉格朗日和Karush-Kuhn-Tucker(KKT)条件构建其回归模型，如式所示：
Figure BDA0003672982880000191
其中n是指参与模型训练过程的所有数据点；αi和α*i表示对应于支持向量机的拉格朗日系数；K(CI,xi)表示预定的核函数；b表示阈值常数。选择径向基函数作为回归预测模型的核函数，如式所示：
Figure BDA0003672982880000192
其中||xi-x||表示Euclidian空间上定义的L2范数，γ表示内核特定参数。
在实验阶段，针对不同进给速度、切削深度、主轴转速等切削参数共进行73组切削试验。然后利用粗糙度测量仪测量切削样本的表面粗糙度。同时加载以上切削参数进行切削仿真实验，获取73组针对不同切削参数的切削力。以上数据共同组成涵盖73组数据的特征指标集，记为SFI。以SFI和KG核函数为知识基础构建了预测试验台相关零部件表面粗糙度的支持向量机模型。模型训练过程中，随机选取54组数据作为训练集，19组数据作为测试集。测试集样本中表面粗糙度实际数值与预测数值(分别记为RM和RP)对比结果如图14所示。从图14可以看出粗糙度预测值与实际测量值基本一致。为了更好的量化构建的粗糙度预测模型的可行性与有效性，本实施例建立了如式所示的预测误差模型。
Figure BDA0003672982880000201
其中Emp为所构建的粗糙度预测模型的平均预测误差精度，nT为测试集样本个数。
基于公式以及图14曲线数据计算得到基于支持向量机的粗糙度预测模型的预测精度能够达到90％。通过预测结果可以看出，本实施例构建的预测试验台相关零部件粗糙度的模型是有效的。
基于试验台详细设计中工艺设计参数以及构建的粗糙度预测模型即可获取相关零部件的粗糙度值。同理，可以通过其它机器学习理论以及机械制造系统数字孪生模型获取表征试验台相关零部件质量的参数值。
(3)基于加工信息的虚拟加工动态性能测试试验台的数字孪生模型构建：
在此仅针对试验台机械子系统介绍其数字孪生模型构建过程。
以如图4所示技术路线以及关于试验台相关设计信息为指导，从零部件层级、组件层级和系统层级方面逐级构建试验台几何数字孪生模型。几何模型中相关零部件的关键特征由参数和函数式表示，可为后续试验台优化设计工作提供便利。
以模型进化机制为指导对建立的试验台数字孪生模型进行精准化处理，以提升该模型的精准度。首先将试验台某相对运动接触面的工艺参数作为边界条件加载到制造系统数字孪生模型进行仿真分析，即可获取针对此接触面的切削力信息。然后将切削力信息以及相应的工艺参数赋予之前训练的质量预测模型，即可获取该接触面的粗糙度信息。接下来以分形理论为指导，即可获取该目标面的三维形貌特征数据集。最后通过如图6所示基于分形理论进化机制的实施可建立涵盖粗糙度特征的接触面，此接触面更能够真实表征该试验台被制造后的真实面貌。由于试验台的整体多领域耦合模型过于庞大，本实施例只在图15中展示其机械子系统数字孪生模型的具体细节。
验证了本实施例中涉及的制造装备研发相关的高精度数字孪生模型构建方法的可行性。
基于数字孪生的验证分析方法解决模拟数控机床动态性能的虚拟加工动态性能测试试验台的设计方案验证。以客户需求信息为指导，面对设计的如图15所示的试验台进行全方面的验证分析。
(1)X1轴进给系统的动态特性验证：
将电机主轴转速等边界条件加载到试验台数字孪生模型进行动力学仿真分析。通过CODESYS、数字传感器等工具读取试验台的动态特性曲线，如图16(a)和图16(b)所示。从以上动态特性曲线可以看出X轴进给系统不稳定。因此需要对X1轴进给系统控制参数、相关零部件结构参数等进行分析与重设计。
通过分析理清试验台X1轴进给系统的不稳定是由于比例系数过大所致。随后，以电气工程师经验为指导重新制定速度环比例参数，设为0.5。基于重设计参数的试验台动态特性曲线如图16(c)和图16(d)所示。从以上动态特性曲线可见X1轴进给系统达到稳定，并且响应速度快，控制精度高，超调量小。因此认定此组设计参数为试验台伺服电机PI参数。
(2)加载系统动态特性的验证：
在此以Z轴加载系统为例验证设计的试验台的动态性能是否满足用户需求。当Z轴伺服加载系统施加520N模拟切削力时，试验台的动态性能如图17所示。图17中曲线图是施加在工作台上的应力曲线。从应力曲线图可以看出，在Z轴伺服加载系统向工作台运动时，施加在工作台上的应力不断变化，并在3.2s时达到设定的模拟切削力，并趋于稳定。图17中左边云图是试验台的局部应力应变示图，施力轮的应变为0.658mm，在该制造装备的安全范围内。同时工作台的应变可以忽略不计。通以上分析可以说明试验台Z轴加载系统满足设计需求。
依照上述方式对试验台施加其它方向模拟切削力，并进行动力学仿真分析。仿真分析结果显示试验台可以精准且稳定的运行。从而验证了试验台伺服加载系统动态特性满足客户需求。
(3)生产过程的验证：
针对制造工艺的验证工作主要涉及两个方面：加工程序的正确性与安全性分析以及制造工艺参数的有效性分析。
用于对加工程序进行测试的上位测试系统是基于软PLC平台CODESYS研发。首先利用编译模块SMC_NCDecoder对加工程序代码进行解析，转化为几何和速度等数据信息。然后利用SMC_CheckVelocities、SMC_Interpolator、SMC_TRAFO_Gantry3等功能模块将以上数据信息解析为运动控制信息，进而实现数控机床的插补运动。以图12所示数控机床为测试的制造装备，并通过以上技术方式验证了加工程序的正确性与安全性。
同时，关于表面加工质量预测技术的实施可为试验台相关零部件制造工艺参数有效性分析提供数据基础。当预测结果不满足设计需求时，可结合制造系统目前性能状态重新制定合适的制造工艺参数。
对于试验台相关设计参数的验证工作还包含装配工艺验证、结构干涉检测等方面的分析，以全方面验证所有设计参数的有效性。同时对不满足用户需求的设计参数进行再设计和优化处理。最后对满足用户需求的所有设计参数进行归纳整理，即可获取该试验台研发相关技术文件。
实施例三：
本实施例提供了一种数字孪生驱动的制造装备研发系统，包括：
制造装备设计模块，被配置为：基于公理化设计理论完成装备的设计流程；
制造装备数字孪生模型构建模块，被配置为：构建制造装备数字孪生模型；
高保真数字孪生模型构建模块，被配置为：基于模型进化机制对制造装备数字孪生模型进行精准化处理，得到高保真数字孪生模型；
其中，模型进化机制包括基于点云重建的数字孪生模型进化机制、基于分形理论的数字孪生模型进化机制和基于性能衰减更新的模型进化机制。
制造装备设计方案验证模块，被配置为：针对制造装备多种状态参数进行定性或定量测量，验证总体方案的可行性和有效性，将物理样机制造阶段纳入到数字空间。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种数字孪生驱动的制造装备研发方法，其特征在于，包括制造装备的高保真数字孪生模型构建：
构建制造装备数字孪生模型；
基于模型进化机制对制造装备数字孪生模型进行精准化处理，得到高保真数字孪生模型；
其中，模型进化机制包括基于点云重建的数字孪生模型进化机制、基于分形理论的数字孪生模型进化机制和基于性能衰减更新的模型进化机制。
2.根据权利要求1所述的一种数字孪生驱动的制造装备研发方法，其特征在于，所述基于点云重建的数字孪生模型进化机制包括：
获取零部件表面三维形貌的点云数据，并对点云数据进行预处理；
在建模环境中，基于预处理后的点云数据重建零部件接触面，该接触面具有粗糙度特征。
3.根据权利要求1所述的一种数字孪生驱动的制造装备研发方法，其特征在于，所述基于分形理论的数字孪生模型进化机制包括：
获取零部件接触面的形貌特征，计算接触面的分形维数以重建接触面的三维形貌；
获取接触面的三维形貌特征数据集，并在建模环境中，完成粗糙度表面重建工作。
4.根据权利要求2或3所述的一种数字孪生驱动的制造装备研发方法，其特征在于，所述建模环境为CAD或CAE。
5.根据权利要求1所述的一种数字孪生驱动的制造装备研发方法，其特征在于，所述基于性能衰减更新的模型进化机制包括：
利用质量数据识别性能参数，对零部件模型性能进行衰减更新；
将更新的零部件模型与未发生性能状态变化模型组装配合，构建涵盖性能衰减变化的动态设备数字孪生模型；
对动态设备数字孪生模型进行一致性验证，当一致性程度不高时调整模型参数对模型进行校正，获取高保真数字孪生模型。
6.根据权利要求5所述的一种数字孪生驱动的制造装备研发方法，其特征在于，构建制造系统的数字孪生模型，通过仿真和实验分别获取制造质量参数，利用机器学习算法构建制造装备的质量数据预测模型；基于质量数据预测模型获取制造装备零部件的质量数据。
7.根据权利要求1所述的一种数字孪生驱动的制造装备研发方法，其特征在于，还包括制造装备的方案设计和制造装备设计方案的验证，并借助所述高保真数字孪生模型将物理样机纳入到数字空间。
8.根据权利要求7所述的一种数字孪生驱动的制造装备研发方法，其特征在于，所述制造装备设计方案的验证包括：
针对制造装备多种状态参数进行定性或定量测量，得到反馈信息；
将反馈信息纳入制造装备相关零部件性能评估与优化再设计中，以使得所有的设计参数满足设计需求。
9.根据权利要求7所述的一种数字孪生驱动的制造装备研发方法，其特征在于，基于公理化设计进行用户需求分析，得到设计方案和制造装备设计参数；利用所述设计方案和设计参数进行高保真数字孪生模型的构建。
10.一种数字孪生驱动的制造装备研发系统，其特征在于，包括：
制造装备设计模块，被配置为：基于公理化设计理论完成装备的设计流程；
制造装备数字孪生模型构建模块，被配置为：构建制造装备数字孪生模型；
高保真数字孪生模型构建模块，被配置为：基于模型进化机制对制造装备数字孪生模型进行精准化处理，得到高保真数字孪生模型；
其中，模型进化机制包括基于点云重建的数字孪生模型进化机制、基于分形理论的数字孪生模型进化机制和基于性能衰减更新的模型进化机制。
制造装备设计方案验证模块，被配置为：针对制造装备多种状态参数进行定性或定量测量，验证总体方案的可行性和有效性，将物理样机制造阶段纳入到数字空间。
CN202210610300.6A 2022-05-31 2022-05-31 一种数字孪生驱动的制造装备研发方法及系统 Pending CN114970028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210610300.6A CN114970028A (zh) 2022-05-31 2022-05-31 一种数字孪生驱动的制造装备研发方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210610300.6A CN114970028A (zh) 2022-05-31 2022-05-31 一种数字孪生驱动的制造装备研发方法及系统

Publications (1)

Publication Number Publication Date
CN114970028A true CN114970028A (zh) 2022-08-30

Family

ID=82957121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210610300.6A Pending CN114970028A (zh) 2022-05-31 2022-05-31 一种数字孪生驱动的制造装备研发方法及系统

Country Status (1)

Country Link
CN (1) CN114970028A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115132302A (zh) * 2022-09-02 2022-09-30 苏州美昱高分子材料有限公司 一种pvc改性聚合物的研发配方验证方法及系统
CN117555287A (zh) * 2024-01-12 2024-02-13 中国机械总院集团云南分院有限公司 一种基于cae的数控机床加工动态性能监控方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115132302A (zh) * 2022-09-02 2022-09-30 苏州美昱高分子材料有限公司 一种pvc改性聚合物的研发配方验证方法及系统
CN117555287A (zh) * 2024-01-12 2024-02-13 中国机械总院集团云南分院有限公司 一种基于cae的数控机床加工动态性能监控方法及系统
CN117555287B (zh) * 2024-01-12 2024-04-09 中国机械总院集团云南分院有限公司 一种基于cae的数控机床加工动态性能监控方法及系统

Similar Documents

Publication Publication Date Title
Xie et al. Digital twin for cutting tool: Modeling, application and service strategy
CN114970028A (zh) 一种数字孪生驱动的制造装备研发方法及系统
Bahloul et al. A study on optimal design of process parameters in single point incremental forming of sheet metal by combining Box–Behnken design of experiments, response surface methods and genetic algorithms
Chang Product manufacturing and cost estimating using CAD/CAE: the computer aided engineering design series
Fortunato et al. The virtual design of machining centers for HSM: Towards new integrated tools
Wei et al. Digital twin-driven manufacturing equipment development
CN115989463A (zh) 用于机床的瞬时性能管理的系统和方法
Chan et al. Finite element analysis and structure optimization of a gantry-type high-precision machine tool
Jeevanantham et al. Tolerance analysis in selective assembly of multiple component features to control assembly variation using matrix model and genetic algorithm
Checa et al. Using Machine-Learning techniques and Virtual Reality to design cutting tools for energy optimization in milling operations
Stojadinovic et al. Contribution to the development of a digital twin based on CMM to support the inspection process
Fu et al. A universal ensemble temperature-sensitive point combination model for spindle thermal error modeling
Martin et al. Virtual manufacturing: prediction of work piece geometric quality by considering machine and set-up accuracy
Auerbach et al. Meta-modeling for manufacturing processes
Holub et al. Case study of digitization of the production cell
Barari et al. NURBS representation of estimated surfaces resulting from machining errors
Wen-Feng et al. Optimal method for auto-body closure panel fitting using Hausdorff distance criteria
Friedrich et al. Correction of Thermal Errors In Machine Tools by a Hybrid Model Approach
Hui et al. Assembly consistency improvement of straightness error of the linear axis based on the consistency degree and GA-MSVM-I-KM
Naumann et al. Optimization of characteristic diagram based thermal error compensation via load case dependent model updates
Chitale et al. Statistical tolerance analysis with sensitivities established from tolerance-maps and deviation spaces
Yu et al. Prediction of thin-walled workpiece machining error: a transfer learning approach
Kowalski et al. Effectiveness of Automatic CAM Programming Using Machining Templates for the Manufacture of Special Production Tooling.
Stepanek et al. Implementation of Industry 4.0 Elements in Industrial Metrology–Case Study
Shi et al. Comprehensive analysis and evaluation of the geometric errors of the rotating axis of five-axis double-pendulum machine tools based on S-shaped samples

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