CN116449771A - 一种数控机床的数字孪生建模方法 - Google Patents
一种数控机床的数字孪生建模方法 Download PDFInfo
- Publication number
- CN116449771A CN116449771A CN202310522793.2A CN202310522793A CN116449771A CN 116449771 A CN116449771 A CN 116449771A CN 202310522793 A CN202310522793 A CN 202310522793A CN 116449771 A CN116449771 A CN 116449771A
- Authority
- CN
- China
- Prior art keywords
- data
- digital twin
- machine tool
- model
- twin model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012986 modification Methods 0.000 claims abstract description 8
- 230000004048 modification Effects 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 8
- 238000013079 data visualisation Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000003754 machining Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31264—Control, autonomous self learn knowledge, rearrange task, reallocate resources
-
- 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)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种数控机床的数字孪生建模方法，包括：收集实际机床的运行数据；使用收集到的实际机床数据，建立数字孪生模型；比较数字孪生模型的预测结果与实际机床的运行数据，如果数字孪生模型与实际机床的数据不一致，则对数字孪生模型进行修改和更新；修改和更新后，重新验证数字孪生模型。本发明能确保其与实际机床的行为一致。
Description
技术领域
本发明涉及数字建模技术领域，特别涉及一种数控机床的数字孪生建模方法。
背景技术
数控机床使用数字孪生技术建模的优点是实现在虚拟环境中进行仿真、优化和故障排除，从而提高生产效率和降低成本。然而，这种技术也存在一些问题，比如数字孪生的模型必须定期验证，以确保其与实际机床的行为一致，如果模型不准确，可能导致错误的预测和决策。
发明内容
为了解决以上问题，本发明提供了一种数控机床的数字孪生建模方法。
为实现上述目的，本发明所采用的技术方案如下：
本发明公开一种数控机床的数字孪生建模方法，包括：收集实际机床的运行数据；使用收集到的实际机床数据，建立数字孪生模型；比较数字孪生模型的预测结果与实际机床的运行数据，如果数字孪生模型与实际机床的数据不一致，则对数字孪生模型进行修改和更新；修改和更新后，重新验证数字孪生模型。
进一步的：所述收集实际机床的运行数据包括如下步骤：
确定收集的数据类型：数据类型包括机床的运行状态、工作负载、传感器数据、电气数据；
选择合适的数据采集设备：根据要收集的数据类型，选择合适的数据采集设备；
安装和配置数据采集设备：根据采集设备的说明，安装和配置数据采集设备；
开始数据采集：启动数据采集设备，并开始采集数据，在开始采集之前，根据实际情况设置采集时间间隔、采集数据的存储位置参数；
数据处理和分析：收集到的数据进行处理和分析，以提取有用的信息。
进一步的：所述数据处理和分析包括如下步骤：
数据清洗：对收集到的机床数据进行清洗，包括去除重复数据、处理缺失数据、修正异常数据；
特征提取：在数据处理和分析中，从原始数据中提取有意义的特征；
数据降维：在特征提取之后，使用数据降维的方法将高维特征向量降低到较低维度的向量；
模型训练和优化：使用机器学习方法训练数字孪生模型，并对模型进行优化；
数据可视化和分析：使用数据可视化和分析工具对处理后的数据进行可视化和分析。
进一步的：所述使用收集到的实际机床数据，建立数字孪生模型包括如下步骤：
确定建模输入和输出：输入包括机床的运行状态、工作负载、传感器数据，输出为模型对机床运行状态的预测结果；
数据清洗和预处理：对收集到的实际机床的运行数据进行清洗和预处理；
建立数字孪生模型：依据机床的物理特性和实际运行数据使用混合建模方法建立模型；
模型验证和调整：对数字孪生模型进行验证和调整，确保其与实际机床的运行行为一致，验证使用历史数据进行，将数字孪生模型的预测结果与实际运行数据进行比对，调整则根据验证结果调整数字孪生模型的参数或结构。
进一步的：所述建立数字孪生模型包括如下步骤：
建立物理模型：基于力学原理建立数控机床的切削力模型，以预测机床的加工力：
建立数据驱动模型：在建立物理模型的基础上，收集数控机床运行数据，并使用数据驱动模型对数据进行分析和建模；
模型集成：将数据驱动模型的输出作为物理模型的输入，使得物理模型的输出结果更加准确和可靠；
模型验证和更新：使用实验数据或模拟数据进行验证，比较模型的预测结果与实际结果的误差大小，如果模型预测结果与实际结果相差较大，则对模型进行更新或调整，以提高模型的准确性。
进一步的：所述比较数字孪生模型的预测结果与实际机床的运行数据，如果数字孪生模型与实际机床的数据不一致，则对数字孪生模型进行修改和更新包括如下步骤：
确定数字孪生模型的部署方式：根据数控机床的硬件和软件环境，确定数字孪生模型的部署方式，包括：本地部署和云端部署，本地部署用于将数字孪生模型部署在数控机床的本地设备上，实时监测机床运行状态并进行预测和决策；云端部署用于将数字孪生模型部署在云端服务器上，通过网络将机床数据上传至云端，进行预测和决策，然后将结果发送回数控机床；
数字孪生模型的接口开发：本地部署时通过编写程序接收数控机床传感器采集的实时数据，将数据转化为数字孪生模型的输入格式，然后将结果输出到机床控制系统中；云端部署时通过定义API请求和响应的数据格式、参数和返回值将数字孪生模型和API接口进行绑定，以便实现API调用；
进行数字孪生模型的集成测试：
将数字孪生模型集成到数控机床的控制系统中，并进行集成测试，测试数字孪生模型的预测和决策功能是否正常，集成测试时，使用真实的机床数据进行测试，并对数字孪生模型的输出结果进行验证和调整；
实施数字孪生模型的部署：在完成数字孪生模型的集成测试后，部署数字孪模型。
进一步的：所述修改和更新后，重新验证数字孪生模型包括如下步骤：
确定验证和更新的周期：根据数控机床的使用情况和数字孪生模型的准确度要求，确定数字孪生模型的验证和更新周期；
获取实际机床数据：获取的数据包括数控机床运行时的各种参数和状态信息；
对数字孪生模型进行验证：将实际数据输入到数字孪生模型中，并比较数字孪生模型的输出结果与实际数据的差异，如果数字孪生模型的输出结果与实际数据相差较大，则需要对数字孪生模型进行更新；
对数字孪生模型进行更新：根据验证结果，对数字孪生模型进行更新；
将更新后的数字孪生模型部署到数控机床上。
本发明与现有技术相比，所取得的技术进步在于：
本发明通过比较数字孪生模型的预测结果与实际机床的运行数据，如果数字孪生模型与实际机床的数据不一致，则对数字孪生模型进行修改和更新，保证数字孪生的模型可以定期验证，以确保其与实际机床的行为一致。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1为本发明的流程图。
具体实施方式
下面这几个具体的实施例相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
如图1所示的，本实施例一种数控机床的数字孪生建模方法，包括如下步骤：
步骤1：收集实际机床的运行数据
为了验证数字孪生模型的准确性，需要收集实际机床的运行数据。这些数据应包括机床的运行状态、工作负载、传感器数据等。数据的收集可以通过连接到机床的传感器或其他数据采集设备进行。同时也可以使用机器学习算法来处理和分析数据，以提取有用的信息。
步骤2：建立数字孪生模型
使用收集到的实际机床数据，建立数字孪生模型。这个模型应该与实际机床的行为相匹配，并能够准确地预测机床的运行状态和性能。数字孪生模型可以基于机器学习或其他模型开发技术来构建。
步骤3：验证数字孪生模型
将数字孪生模型应用于实际机床的数据上，以验证数字孪生模型的准确性。比较数字孪生模型的预测结果与实际机床的运行数据，以确保数字孪生模型能够准确地描述机床的行为。如果数字孪生模型与实际机床的数据不一致，则需要对模型进行修改和更新。
步骤4：更新数字孪生模型
如果数字孪生模型与实际机床的数据不一致，需要对数字孪生模型进行更新。这可能需要修改模型的参数或增加新的特征。更新后，需要重新验证数字孪生模型以确保其准确性。
具体的，收集实际机床的运行数据包括如下步骤：
步骤1.1：确定需要收集的数据类型
首先需要确定要收集的数据类型。在数控机床中，常见的数据类型包括机床的运行状态(如开关状态、加工状态等)、工作负载(如工件重量、加工速度等)、传感器数据(如温度、振动等)、电气数据(如电压、电流等)等。
步骤1.2：选择合适的数据采集设备
根据要收集的数据类型，选择合适的数据采集设备。要收集机床温度数据，可以使用温度传感器；要收集机床电气数据，可以使用电流表等。同时，需要考虑采集设备与机床的连接方式，如有线或无线连接等。
步骤1.3：安装和配置数据采集设备
根据采集设备的说明，安装和配置数据采集设备。这可能涉及安装传感器、调整采集参数等步骤。确保采集设备能够正常工作，并能够稳定地采集数据。
步骤1.4：开始数据采集
启动数据采集设备，并开始采集数据。在开始采集之前，需要根据实际情况设置采集时间间隔、采集数据的存储位置等参数。
步骤1.5：数据处理和分析
收集到的数据需要进行处理和分析，以提取有用的信息。数据处理和分析可以使用机器学习、统计分析等方法。可以使用数据可视化工具来显示数据，并使用聚类或分类算法来分析数据。
步骤1.5具体包括：
步骤1.5.1：数据清洗
首先需要对收集到的机床数据进行清洗，包括去除重复数据、处理缺失数据、修正异常数据等。数据清洗可以提高数据质量，避免在后续的数据处理和分析中产生错误。
步骤1.5.2：特征提取
在数据处理和分析中，需要从原始数据中提取有意义的特征。特征提取的目的是将原始数据转化为具有代表性的特征向量。在数控机床的数据中，可以提取温度、压力、振动等特征。
步骤1.5.3：数据降维
在特征提取之后，可以使用数据降维的方法将高维特征向量降低到较低维度的向量。数据降维可以减少计算量、提高计算效率，并且可以保留数据中最重要的信息。常用的数据降维方法包括主成分分析(PCA)和线性判别分析(LDA)等。
步骤1.5.4：模型训练和优化
在数据处理和分析中，需要使用机器学习等方法训练数字孪生模型，并对模型进行优化。模型训练和优化的目的是使数字孪生模型能够更好地预测机床的运行状态，提高数字孪生模型的准确度和性能。
步骤1.5.5：数据可视化和分析
在数据处理和分析中，需要使用数据可视化和分析工具对处理后的数据进行可视化和分析。数据可视化和分析可以帮助人们更好地理解数据，发现数据中的规律和趋势，以及做出更好的决策。常用的数据可视化和分析工具包括Matplotlib、Seaborn、Tableau等。
使用收集到的实际机床数据，建立数字孪生模型包括如下步骤：
步骤2.1：确定建模输入和输出
确定数字孪生模型的输入和输出，通常输入包括机床的运行状态、工作负载、传感器数据等，输出则是模型对机床运行状态的预测结果。
步骤2.2：数据清洗和预处理
对收集到的实际机床的运行数据进行清洗和预处理。数据清洗包括数据去重、缺失值填充等操作，预处理包括数据标准化、归一化等操作。
步骤2.3：建立数字孪生模型
根据选择的数字孪生建模方法，建立数字孪生模型。如果选择物理建模方法，则需要基于机床的物理特性建立机床模型；如果选择数据驱动建模方法，则需要使用机器学习等方法构建模型。
步骤2.4：模型验证和调整
对数字孪生模型进行验证和调整，确保其与实际机床的运行行为一致。验证可以使用历史数据进行，将数字孪生模型的预测结果与实际运行数据进行比对，调整则需要根据验证结果调整数字孪生模型的参数或结构。
步骤2.3具体包括：
步骤2.3.1：建立物理模型
首先需要基于数控机床的物理特性，建立数控机床的物理模型。物理模型通常是基于数学方程和物理学原理，描述数控机床的运行行为。可以基于力学原理建立数控机床的切削力模型，以预测机床的加工力。
步骤2.3.2：建立数据驱动模型
在建立物理模型的基础上，需要收集大量的数控机床运行数据，并使用数据驱动模型对这些数据进行分析和建模。数据驱动模型可以是机器学习算法或深度学习模型，例如支持向量机(SVM)、决策树、神经网络等。使用数据驱动模型可以从数据中挖掘出更深层次的模式和规律。
步骤2.3.3：模型集成
在建立物理模型和数据驱动模型后，需要将两种模型进行集成。一种方法是将物理模型和数据驱动模型分别输出的结果进行加权平均或拼接，得到最终的模型输出。另一种方法是将数据驱动模型的输出作为物理模型的输入，使得物理模型的输出结果更加准确和可靠。
步骤2.3.4：模型验证和更新
在集成了物理模型和数据驱动模型的数字孪生模型中，需要进行模型验证和更新，以确保模型的准确性和可靠性。模型验证可以使用实验数据或模拟数据进行验证，比较模型的预测结果与实际结果的误差大小。如果模型预测结果与实际结果相差较大，则需要对模型进行更新或调整，以提高模型的准确性。
比较数字孪生模型的预测结果与实际机床的运行数据，如果数字孪生模型与实际机床的数据不一致，则对数字孪生模型进行修改和更新包括如下步骤：
步骤3.1：确定数字孪生模型的部署方式
根据数控机床的硬件和软件环境，确定数字孪生模型的部署方式。通常有本地部署和云端部署两种方式。本地部署是将数字孪生模型部署在数控机床的本地设备上，实时监测机床运行状态并进行预测和决策；云端部署则是将数字孪生模型部署在云端服务器上，通过网络将机床数据上传至云端，进行预测和决策，然后将结果发送回数控机床。
步骤3.2：进行数字孪生模型的接口开发
根据确定的部署方式，开发数字孪生模型的接口。接口包括输入数据的格式、数据传输协议等信息。在本地部署的情况下，可以通过编写程序接收数控机床传感器采集的实时数据，将数据转化为数字孪生模型的输入格式，然后将结果输出到机床控制系统中。在云端部署的情况下，需要创建API接口，使得第三方应用程序可以通过API调用数字孪生模型的功能。具体实现方式也可能因服务提供商而异，但通常需要定义API请求和响应的数据格式、参数和返回值。开发者可以使用API Gateway等服务来创建API接口，并将数字孪生模型和API接口进行绑定，以便实现API调用。
步骤3.3：进行数字孪生模型的集成测试
将数字孪生模型集成到数控机床的控制系统中，并进行集成测试，测试数字孪生模型的预测和决策功能是否正常。集成测试时，需要使用真实的机床数据进行测试，并对数字孪生模型的输出结果进行验证和调整。
步骤3.4：实施数字孪生模型的部署
在完成数字孪生模型的集成测试后，部署数字孪生模型。在数字孪生模型运行期间，不断监测数字孪生模型的性能和准确度，对数字孪生模型进行调整和优化。
修改和更新后，重新验证数字孪生模型包括如下步骤：
步骤4.1：确定验证和更新的周期
根据数控机床的使用情况和数字孪生模型的准确度要求，确定数字孪生模型的验证和更新周期。通常情况下，周期为数小时至数天不等。
步骤4.2：获取实际机床数据
在验证和更新周期到达之前，获取数控机床实际运行数据。获取的数据应包括数控机床运行时的各种参数和状态信息，例如转速、温度、压力、振动、切削力等。
步骤4.3：对数字孪生模型进行验证
使用获取的实际机床数据对数字孪生模型进行验证。将实际数据输入到数字孪生模型中，并比较数字孪生模型的输出结果与实际数据的差异。如果数字孪生模型的输出结果与实际数据相差较大，则需要对数字孪生模型进行更新。
步骤4.4：对数字孪生模型进行更新
根据验证结果，对数字孪生模型进行更新。更新的方法包括添加新的机床数据、重新训练模型等。更新后的数字孪生模型需要再次进行验证，以确保更新后的数字孪生模型的准确度和性能得到提升。
步骤4.5：将更新后的数字孪生模型部署到数控机床上
在更新后的数字孪生模型通过验证后，将其部署到数控机床上。在数字孪生模型运行期间，不断监测数字孪生模型的性能和准确度，对数字孪生模型进行调整和优化。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然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同替换。凡在本发明的精神和原则之内，所作的任何修改、同替换、改进，均应包含在本发明权利要求保护的范围之内。
Claims (7)
1.一种数控机床的数字孪生建模方法，其特征在于，包括以下步骤：
收集实际机床的运行数据；使用收集到的实际机床数据，建立数字孪生模型；比较数字孪生模型的预测结果与实际机床的运行数据，如果数字孪生模型与实际机床的数据不一致，则对数字孪生模型进行修改和更新；修改和更新后，重新验证数字孪生模型。
2.根据权利要求1所述的一种数控机床的数字孪生建模方法，其特征在于：所述收集实际机床的运行数据包括如下步骤：
确定收集的数据类型：数据类型包括机床的运行状态、工作负载、传感器数据、电气数据；
选择合适的数据采集设备：根据要收集的数据类型，选择合适的数据采集设备；
安装和配置数据采集设备：根据采集设备的说明，安装和配置数据采集设备；
开始数据采集：启动数据采集设备，并开始采集数据，在开始采集之前，根据实际情况设置采集时间间隔、采集数据的存储位置参数；
数据处理和分析：收集到的数据进行处理和分析，以提取有用的信息。
3.根据权利要求2所述的一种数控机床的数字孪生建模方法，其特征在于：所述数据处理和分析包括如下步骤：
数据清洗：对收集到的机床数据进行清洗，包括去除重复数据、处理缺失数据、修正异常数据；
特征提取：在数据处理和分析中，从原始数据中提取有意义的特征；
数据降维：在特征提取之后，使用数据降维的方法将高维特征向量降低到较低维度的向量；
模型训练和优化：使用机器学习方法训练数字孪生模型，并对模型进行优化；
数据可视化和分析：使用数据可视化和分析工具对处理后的数据进行可视化和分析。
4.根据权利要求3所述的一种数控机床的数字孪生建模方法，其特征在于：所述使用收集到的实际机床数据，建立数字孪生模型包括如下步骤：
确定建模输入和输出：输入包括机床的运行状态、工作负载、传感器数据，输出为模型对机床运行状态的预测结果；
数据清洗和预处理：对收集到的实际机床的运行数据进行清洗和预处理；
建立数字孪生模型：依据机床的物理特性和实际运行数据使用混合建模方法建立模型；
模型验证和调整：对数字孪生模型进行验证和调整，确保其与实际机床的运行行为一致，验证使用历史数据进行，将数字孪生模型的预测结果与实际运行数据进行比对，调整则根据验证结果调整数字孪生模型的参数或结构。
5.根据权利要求4所述的一种数控机床的数字孪生建模方法，其特征在于：所述建立数字孪生模型包括如下步骤：
建立物理模型：基于力学原理建立数控机床的切削力模型，以预测机床的加工力：
建立数据驱动模型：在建立物理模型的基础上，收集数控机床运行数据，并使用数据驱动模型对数据进行分析和建模；
模型集成：将数据驱动模型的输出作为物理模型的输入，使得物理模型的输出结果更加准确和可靠；
模型验证和更新：使用实验数据或模拟数据进行验证，比较模型的预测结果与实际结果的误差大小，如果模型预测结果与实际结果相差较大，则对模型进行更新或调整，以提高模型的准确性。
6.根据权利要求5所述的一种数控机床的数字孪生建模方法，其特征在于：所述比较数字孪生模型的预测结果与实际机床的运行数据，如果数字孪生模型与实际机床的数据不一致，则对数字孪生模型进行修改和更新包括如下步骤：
确定数字孪生模型的部署方式：根据数控机床的硬件和软件环境，确定数字孪生模型的部署方式，包括：本地部署和云端部署，本地部署用于将数字孪生模型部署在数控机床的本地设备上，实时监测机床运行状态并进行预测和决策；云端部署用于将数字孪生模型部署在云端服务器上，通过网络将机床数据上传至云端，进行预测和决策，然后将结果发送回数控机床；
数字孪生模型的接口开发：本地部署时通过编写程序接收数控机床传感器采集的实时数据，将数据转化为数字孪生模型的输入格式，然后将结果输出到机床控制系统中；云端部署时通过定义API请求和响应的数据格式、参数和返回值将数字孪生模型和API接口进行绑定，以便实现API调用；
进行数字孪生模型的集成测试：
将数字孪生模型集成到数控机床的控制系统中，并进行集成测试，测试数字孪生模型的预测和决策功能是否正常，集成测试时，使用真实的机床数据进行测试，并对数字孪生模型的输出结果进行验证和调整；
实施数字孪生模型的部署：在完成数字孪生模型的集成测试后，部署数字孪模型。
7.根据权利要求6所述的一种数控机床的数字孪生建模方法，其特征在于：所述修改和更新后，重新验证数字孪生模型包括如下步骤：
确定验证和更新的周期：根据数控机床的使用情况和数字孪生模型的准确度要求，确定数字孪生模型的验证和更新周期；
获取实际机床数据：获取的数据包括数控机床运行时的各种参数和状态信息；
对数字孪生模型进行验证：将实际数据输入到数字孪生模型中，并比较数字孪生模型的输出结果与实际数据的差异，如果数字孪生模型的输出结果与实际数据相差较大，则需要对数字孪生模型进行更新；
对数字孪生模型进行更新：根据验证结果，对数字孪生模型进行更新；将更新后的数字孪生模型部署到数控机床上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310522793.2A CN116449771B (zh) | 2023-05-10 | 2023-05-10 | 一种数控机床的数字孪生建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310522793.2A CN116449771B (zh) | 2023-05-10 | 2023-05-10 | 一种数控机床的数字孪生建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116449771A true CN116449771A (zh) | 2023-07-18 |
| CN116449771B CN116449771B (zh) | 2024-02-23 |
Family
ID=87120313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310522793.2A Active CN116449771B (zh) | 2023-05-10 | 2023-05-10 | 一种数控机床的数字孪生建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449771B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116933146A (zh) * | 2023-09-19 | 2023-10-24 | 航天宏图信息技术股份有限公司 | 一种数字孪生空间实体的分类体系创建方法及装置 |
| CN117648596A (zh) * | 2023-11-28 | 2024-03-05 | 河北建工集团有限责任公司 | 一种建筑施工的数字孪生与智能传感器融合方法与系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
| CN112162519A (zh) * | 2020-10-21 | 2021-01-01 | 桂林电子科技大学 | 一种复合型机床数字孪生监控系统 |
| CN113221280A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生的滚动轴承建模与模型更新方法及系统 |
| CN114755978A (zh) * | 2022-03-30 | 2022-07-15 | 中冶华天工程技术有限公司 | 一种棒材轧钢车间轧机轧辊车床的数字孪生建模方法 |
| CN115562158A (zh) * | 2022-11-10 | 2023-01-03 | 北京机床研究所有限公司 | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 |
-
2023
- 2023-05-10 CN CN202310522793.2A patent/CN116449771B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
| CN112162519A (zh) * | 2020-10-21 | 2021-01-01 | 桂林电子科技大学 | 一种复合型机床数字孪生监控系统 |
| CN113221280A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生的滚动轴承建模与模型更新方法及系统 |
| CN114755978A (zh) * | 2022-03-30 | 2022-07-15 | 中冶华天工程技术有限公司 | 一种棒材轧钢车间轧机轧辊车床的数字孪生建模方法 |
| CN115562158A (zh) * | 2022-11-10 | 2023-01-03 | 北京机床研究所有限公司 | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116933146A (zh) * | 2023-09-19 | 2023-10-24 | 航天宏图信息技术股份有限公司 | 一种数字孪生空间实体的分类体系创建方法及装置 |
| CN116933146B (zh) * | 2023-09-19 | 2023-12-26 | 航天宏图信息技术股份有限公司 | 一种数字孪生空间实体的分类体系创建方法及装置 |
| CN117648596A (zh) * | 2023-11-28 | 2024-03-05 | 河北建工集团有限责任公司 | 一种建筑施工的数字孪生与智能传感器融合方法与系统 |
| CN117648596B (zh) * | 2023-11-28 | 2024-04-30 | 河北建工集团有限责任公司 | 一种建筑施工的数字孪生与智能传感器融合方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116449771B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116449771B (zh) | 一种数控机床的数字孪生建模方法 | |
| CN110554657B (zh) | 一种数控机床运行状态健康诊断系统及诊断方法 | |
| CN110658807A (zh) | 一种车辆故障诊断方法、装置及系统 | |
| CN112926257A (zh) | 往复式天然气压缩机故障诊断系统以及诊断方法 | |
| CN113190886A (zh) | 一种基于快速仿真数字孪生技术的设备健康监测方法 | |
| JP2013542432A (ja) | エンジン試験台用監視システム | |
| CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
| CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
| CN110865924A (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
| CN113776794A (zh) | 一种嵌入式边缘计算的故障诊断方法、装置和系统 | |
| JP6829666B2 (ja) | センシングシステム、センシング方法及びコンセントレータ | |
| CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
| CN111680407A (zh) | 一种基于高斯混合模型的卫星健康评估方法 | |
| CN116910680B (zh) | 一种健身器材的远程故障检测方法及系统 | |
| CN117609716A (zh) | 基于状态健康信息的电力设备剩余寿命远程预测方法及系统 | |
| CN110633314A (zh) | 车联网数据处理方法及装置 | |
| CN116227248B (zh) | 重力储能系统的数字孪生体构建方法、装置及电子设备 | |
| CN110546657A (zh) | 用于评估组件的生命周期的方法和设备 | |
| CN116595353A (zh) | 一种调相机远程故障诊断及智能决策系统 | |
| Robyns et al. | An intelligent data capturing framework to improve condition monitoring and anomaly detection for industrial machines | |
| CN116467592A (zh) | 一种基于深度学习的生产设备故障智能监测方法及系统 | |
| WO2019055329A1 (en) | METHOD FOR DRIVING ROBUST REGRESSION MODELS FROM LIMITED TRAINING DATA | |
| JP2020086786A (ja) | 検出装置及び機械学習方法 | |
| WO2021042233A1 (en) | Remote diagnosis system, apparatus and method for power tool | |
| 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 |