CN116578040A - 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 - Google Patents
一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 Download PDFInfo
- Publication number
- CN116578040A CN116578040A CN202310855610.9A CN202310855610A CN116578040A CN 116578040 A CN116578040 A CN 116578040A CN 202310855610 A CN202310855610 A CN 202310855610A CN 116578040 A CN116578040 A CN 116578040A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- machine tool
- numerical control
- control machine
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 60
- 238000010276 construction Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 230000003068 static effect Effects 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000002347 injection Methods 0.000 claims abstract description 12
- 239000007924 injection Substances 0.000 claims abstract description 12
- 238000012423 maintenance Methods 0.000 claims abstract description 11
- 238000013499 data model Methods 0.000 claims description 38
- 230000008878 coupling Effects 0.000 claims description 33
- 238000010168 coupling process Methods 0.000 claims description 33
- 238000005859 coupling reaction Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000033772 system development Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000005477 standard model Effects 0.000 claims description 5
- 230000000704 physical effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012932 thermodynamic analysis 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
- G05B19/406—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 characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G05B2219/37—Measurements
- G05B2219/37616—Use same monitoring tools to monitor tool and workpiece
-
- 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)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种面向机床故障诊断的数字孪生模型构建方法、系统及终端，本发明涉及机床故障诊断技术领域，方法根据数控机床机械结构和现场网络布置情况，制定合理的泛在感知策略，采集数控机床的实时状态信息以及静态信息；通过机床历史维修记录、分析历史数据以及现场专家经验建立数控机床故障模型库；再通过多领域建模方法和故障注入技术构建能够描述数控机床全生命周期的数字孪生模型，利用传感监测数据实现数字孪生模型与物理实体的虚实映射，并构建数控机床数字孪生模型系统，为数控机床故障诊断提供数据服务，提高数控机床故障诊断结果的准确度，同时利用该系统识别数控机床运行状态，提高数字孪生技术在数控机床领域的应用。
Description
技术领域
本发明涉及机床故障诊断技术领域，尤其涉及一种面向机床故障诊断的数字孪生模型构建方法及终端。
背景技术
数控机床是装备制造业的“工作母机”，是工业体系的基础。数字孪生（DT）作为推动智能制造的关键使能技术，随着人工智能、大数据、物联网等新一代信息技术的发展，在数控机床故障诊断等领域受到广泛的关注和研究。高置信度的数字孪生模型是数字孪生系统的核心基本要素，通过从多维度、多尺度对物理实体进行刻画和描述，以实现数字孪生的各相关功能。然而，与普通机械设备不同的是，数控机床是由机、电、热、液等不同多领域的子系统耦合而成的复杂机电设备，其多领域系统高度耦合、工况复杂多变，全生命周期下故障模式多样，故障原因与信号特征之间的关系错综隐含，这就需要构建一种能够反映数控机床全生命周期状态的高置信度数字孪生模型，来有效推动数字孪生技术在数控机床领域的应用实践。
而目前常用的数控机床数字孪生建模方法主要有几何建模方法、有限元建模方法和机理建模方法。几何建模方法是通过三维建模软件，构建数控机床的外观几何模型，然后通过数据驱动，实现模型的运动，该方法仅仅实现了仅仅反映了物理实体的几何信息，无法根据数字孪生模型对机床进行性能上的分析。
有限元建模方法是基于已有的几何模型，对数控机床进行有限元仿真，可以实现数控机床单领域的动力学分析或热力学分析等，然而缺乏对数控机床各个子系统间复杂耦合关系的考虑。
机理建模方法通过构建适当的数控机床机理模型来描述数控机床的系统，进一步利用理论公式分析数控机床的性能变化，然而，由于数控机床结构复杂，各个子系统之间存在着耦合关系，建立一个能反映其整个生命周期状态的模型需要大量的机理公式，过程繁琐，且不具备良好的视觉效果。
此外，以上三种数字孪生建模方法所构建的仅仅是数控机床健康状态下的模型，无法反映数控机床全生命周期的状态。因此，如何建立一种高置信度的、能够反映数控机床全生命周期状态（包括健康状态、故障状态）的数字孪生模型是当前亟待解决的技术问题。
发明内容
本发明提供一种面向机床故障诊断的数字孪生模型构建方法，方法通过故障注入技术，可实现数控机床故障数字孪生模型的构建，并组件模型库，进一步有效解决了数字孪生模型无法反映数控机床全生命周期状态的问题。
方法包括：
S1：采集数控机床的相关信息；相关信息包括：静态信息和动态信息；
S2：构建数控机床故障模型库，数控机床故障模型库的表达方式为：
式中：F表示故障模式库；M表示故障模式；P表示故障现象；C表示故障特征；L表示故障等级；D表示故障的处理方式；
S3：根据数字孪生模型构建故障诊断功能需求，将数控机床划分为若干个子系统，并分析各个子系统的工作机理以及各个子系统之间的耦合关系，对各个子系统分别建模，将各个子系统模型耦合连接，得到数控机床多系统耦合数字孪生模型，然后利用来自物理系统的传感监测数据验证模型，并不断更新、优化模型参数；
S4：对数字孪生模型进行实时映射；
S5：构建包括数据存储和使用的数据模型；
S6：基于数据模型实现对数控机床的数据采集、状态监测、模型更新优化，并进行数控机床的故障诊断。
进一步需要说明的使，步骤S1中，静态信息包括：数控机床的几何尺寸、系统结构、材料的物理属性、工作能力、型号；
动态信息包括：数控机床的工况、振动、温度、刚度、噪声、加载力信息。
进一步需要说明的使，步骤S2中，对数控机床故障模型库不断更新，更新的方式包括：
更新故障模式M：通过故障树、专家经验、现场记录方法收集数控机床各类故障模式，对于历史故障记录缺失的情况下，通过仿真实验、现场试验等方法获取故障样本；
更新故障现象P：当故障发生时，通过现场记录、历史维修手册方式对各类故障模式的故障现象进行收集、记录，或通过试验进行获取；
更新故障特征C：利用泛在感知模块得到的历史数据以及数字孪生模型模块得到的孪生故障数据，并通过特征提取，分析各类孪生故障数据，进行更新；
更新故障等L级：通过故障现象、故障影响程度进行判断，划分故障等级；
更新故障的处理方式D：针对不同的故障模式，获取用户提供的处理意见，并进行归纳、记录保存。
进一步需要说明的使，步骤S3中，划分的若干个子系统包括电气控制系统、传热系统、机械系统以及液压系统；
步骤S3还基于数字孪生模型故障的注入技术，通过设置工况条件、模型物理参数、几何属性，对数字孪生模型进行故障注入，得到表征数控机床不同状态的数字孪生模型，以此构建数字孪生模型库M，使数字孪生模型库M中每个数字孪生模型映射数控机床的每一个状态；
数字孪生模型库M与故障库的关系表示为：
其中，表示数字孪生模型库M能够表征数控机床i类故障模式的数字孪生模型，表示数控机床故障模型库中i类故障模式。
进一步需要说明的使，步骤S4还包括：通过FMI标准模型封装成为具有统一平台接口的FMU模型，并留出相关数据接口，将采集到的静态信息以及动态信息传输给数字孪生模型，对模型进行更新。
进一步需要说明的使，步骤S5还包括：
采用本体语言对数据模型进行建模，并生成人机可读的xml格式的概念模型文件，供系统读取。
进一步需要说明的使，数据模型中包括：列式数据库和关系型数据库；
采用列式数据库存储数据数量大于阈值，具有多个数据类型，且带有时间戳的运行状态数据；
采用关系型数据库存储数据量小于阈值，数据结构为静态属性、性能测评以及薄弱点分析相关数据；
列式数据库采用Hadoop平台下的HBase存储运行状态数据，HBase的数据以键-值对的形式被组织在HTable表里，通过行键、列族、列限定符及时间戳的四维坐标进行访问，并获得单元值；
关系型数据库采用MySQL关系型数据库。
进一步需要说明的使，步骤S6还包括：对实时传感监测的数据进行采集、存储；
对数据模型中数控机床的原始监测数据进行清洗、归一化、取最值预处理，并以柱状图、折线图、饼状图形式进行可视化展示，实现数控机床实时状态的监测；
存储数控机床的故障模式、故障特征、故障等级、故障处理方式信息，并支持更新；
存储表征不同故障模式的数字孪生模型，与数据模型相关联，支持数据模型更新和扩充，为故障诊断提供数据支持。
本发明还提供一种面向机床故障诊断的数字孪生模型构建系统，系统包括：数控机床泛在感知模块、数控机床故障模型库构建模块、数控机床数字孪生模型库构建模块、数字孪生模型实时映射模块、数据模型构建模块以及数控机床数字孪生模型系统开发模块；
数控机床泛在感知模块用于采集数控机床的相关信息；相关信息包括：静态信息和动态信息；
数控机床故障模型库构建模块用于构建数控机床故障模型库，数控机床故障模型库的表达方式为：
式中：F表示故障模式库；M表示故障模式；P表示故障现象；C表示故障特征；L表示故障等级；D表示故障的处理方式；
数控机床数字孪生模型库构建模块用于根据数字孪生模型构建故障诊断功能需求，将数控机床划分为若干个子系统，并分析各个子系统的工作机理以及各个子系统之间的耦合关系，对各个子系统分别建模，将各个子系统模型耦合连接，得到数控机床多系统耦合数字孪生模型，然后利用来自物理系统的传感监测数据验证模型，并不断更新、优化模型参数；
数字孪生模型实时映射模块用于对数字孪生模型进行实时映射；
数据模型构建模块用于构建包括数据存储和使用的数据模型；
数控机床数字孪生模型系统开发模块用于基于数据模型实现对数控机床的数据采集、状态监测、模型更新优化，并进行数控机床的故障诊断。
本发明还提供一种终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现面向机床故障诊断的数字孪生模型构建方法的步骤。
从以上技术方案可以看出，本发明具有以下优点：
1、本发明通过构建数控机床故障模型库，可以有效分析、了解数控机床各类故障，并通过故障库获取故障特征、处理方式等信息，为数控机床故障诊断提供依据。
2、本发明所构建的数字孪生模型库，每个模型都充分考虑了数控机床各个子系统之间的耦合关系，在同一建模环境下对机床各个子系统间的耦合关系进行描述，模拟数控机床物理系统的整体相应特性。此外，模型库中的每个模型均可以表征一类数控机床的故障模式，可以有效反映数控机床全生命周期的状态变化，利用传感监测数据，为故障诊断提供故障样本、故障模型及有效的数据，以实现故障定位、溯源，提高诊断结果的准确性。
3、本发明所构建的数据模型，可以有效存储来自数控机床物理空间的自身属性数据、状态数据和来自虚拟空间的数字孪生数据，方便应用层智能算法对存储的大量数字孪生数据进行高效的访问，提高故障诊断的可操作性。
4、本发明搭建的面向机床故障诊断的数字孪生模型构建系统通过网页系统实现数字孪生模型的可视化以及数据存储，利用该系统，工作人员可以在线监测数控机床运行状态，当机床状态出现异常时，利用数字孪生系统中模型库以及存储好的数据，对数控机床进行诊断，及时采取维护、维修措施，保障机床安全、可靠的运行。
附图说明
为了更清楚地说明本发明的技术方案，下面将对描述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的前提下，还可以根据这些附图获得其他的附图。
图1为面向机床故障诊断的数字孪生模型构建方法流程图；
图2为行键的定长处理示意图；
图3为面向机床故障诊断的数字孪生模型构建系统实时流量示意图。
具体实施方式
本发明涉及的面向机床故障诊断的数字孪生模型构建方法是通过多领域建模技术，构建数控机床不同领域系统的子模型，进而根据各个子系统之间的耦合关系，对各个子模型进行耦合连接，建立数控机床多系统耦合数字孪生模型，充分考虑数控机床的高度耦合关系；进一步分析数控机床故障机理、故障模式，通过故障注入技术，可实现数控机床故障数字孪生模型的构建，并组件模型库，进一步有效解决了数字孪生模型无法反映数控机床全生命周期状态的问题。
当然，本发明涉及的面向机床故障诊断的数字孪生模型构建方法可以基于人工智能技术对关联的数据进行获取和处理。其中，数字孪生模型构建方法利用数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
数字孪生模型构建方法具有机器学习功能，其中本发明方法中的机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。通过多领域建模方法和故障注入技术构建能够描述数控机床全生命周期的多系统耦合数字孪生模型，利用传感监测数据实现数字孪生模型与物理实体的虚实映射，并构建数控机床数字孪生模型系统，为数控机床故障诊断提供数据服务，提高数控机床故障诊断结果的准确度，同时利用该系统识别数控机床运行状态，提高数字孪生技术在数控机床领域的应用。
本发明的数字孪生模型构建方法可以应用于一个或者多个终端中，所述终端是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegratedCircuit，ASIC)、可编程门阵列(Field－ProgrammableGate Array，FPGA)、数字处理器(DigitalSignalProcessor，DSP)、嵌入式设备等。
终端可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(PersonalDigitalAssistant，PDA)、交互式网络电视(InternetProtocolTelevision，IPTV)。
终端还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
终端所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(VirtualPrivateNetwork，VPN)等。
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。
请参阅图1所示是一具体实施例中面向机床故障诊断的数字孪生模型构建方法的流程图，方法包括：
S1：采集数控机床的相关信息；相关信息包括：静态信息和动态信息；
在一个示例性实施例中，数控机床实体相关数据是构建数控机床数字孪生模型、分析数控机床故障模式的事实基础。分析数控机床的机械结构，根据现场网络布置和环境情况，制定合理的传感监测方案，采集数控机床的相关信息。
本发明的静态信息包括数控机床的几何尺寸、系统结构、材料的物理属性、工作能力、型号等，可直接手动采集、相关设计图纸或通过生产商收集。
动态信息包括数控机床的工况、振动、温度、刚度、噪声、加载力等动态数据信息。该功能模块可以为数控机床故障模式分析和数字孪生模型提供数据服务，提取故障特征，实现数字孪生模型与机床实体的实时映射。
S2：构建数控机床故障模型库；故障库是描述数控机床故障模式的有效手段，同时也是构建数控机床故障状态数字孪生模型的依据。数控机床故障模型库可用下式表达：
式中：F表示故障模式库；M表示故障模式；P表示故障现象；C表示故障特征，例如振动特征、温升特征、噪声特征等；L表示故障等级；D表示故障的处理方式。
由于数控机床结构复杂，在运行过程中会呈现不同的故障类型，因此模型库需要不断更新：
故障模式M更新方式包括：用户可通过故障树、专家经验、现场记录等方法收集数控机床各类故障模式，对于历史故障记录缺失的情况下，可通过仿真实验、现场试验等方法获取故障样本；
故障现象P更新方式包括：当故障发生时，用户通过现场记录、历史维修手册等方式对各类故障模式的故障现象进行收集、记录，也可通过试验进行获取；
故障特征C更新方式包括：利用泛在感知模块得到的历史数据以及数字孪生模型模块得到的孪生故障数据，通过特征提取，分析各类故障的故障特征。
故障等L级更新方式包括：相关工作人员、专家通过故障现象、故障影响程度等进行判断，划分故障等级；
故障的处理方式D更新方式包括：针对不同的故障模式，专业人员提供合理的处理意见，并进行归纳、记录。
故障模式库更新时间要与机床维修时间契合，根据维修过程对故障模式、故障现象等进行更新。
S3：根据数字孪生模型构建需求以及故障诊断功能需求，将数控机床划分为若干个子系统。其中，子系统包括电气控制系统、传热系统、机械系统、液压系统等。
这里分析各个子系统的工作机理以及各个子系统之间的耦合关系，对各个子系统分别建模，将各个子系统模型耦合连接，得到数控机床多系统耦合数字孪生模型，然后利用来自物理系统的传感监测数据验证模型，并不断更新、优化模型参数。
为使数字孪生模型能够表征数控机床全生命周期状态，发明数字孪生模型故障注入技术，结合数字孪生模型的特点以及数控机床的故障模式、故障原因，通过设置工况条件、模型物理参数、几何属性等，对数字孪生模型进行故障注入，得到能够表征数控机床不同状态的模型，以此构建数字孪生模型库M，使库中每个模型映射数控机床的每一个可能的状态。数字孪生模型库与故障库的关系可以表示为：
其中，表示模型库能够表征数控机床i类故障模式的数字孪生模型，/>表示数控机床故障模型库中i类故障模式。
S4：对数字孪生模型进行实时映射；
在一个示例性实施例中，数字孪生建模工具多侧重某一特定的方面，导致构建的数字孪生模型兼容性和开放性较差，因此，通过FMI（Functional Mockup Interface）标准模型封装成为具有统一平台接口的FMU（Functional Mock-up Units）模型，并留出相关数据接口，将采集到的数控机床静态数据信息以及实时动态数据信息传输给数字孪生模型，对模型进行更新，实现模型从几何、物理、行为、规则等多个维度的实时映射，确保数控机床物理系统运行与模型响应具备良好的一致性。
S5：构建包括数据存储和使用的数据模型；
本实施例中，数据模型构建主要包括数据模型设计、数据存储和使用两部分。
（1）构建数据模型；
数控机床数字孪生模型的设计和驱动需要数据支持。数字孪生模型服务于数控机床的全生命周期，因此有必要对机床主轴数字孪生模型涉及到的数据进行建模，构建层次化、人机可读的数据模型，用于指导后续数据的采集以及数据库的设计，同时方便应用层智能算法对存储的大量数字孪生数据进行高效的访问。
数据模型由两大部分构成，标志着其数据来源，分别为物理空间映射，和虚拟空间生成。对于物理空间映射的数据，一部分来源于机床自身的属性和状态，另一部分来源于机床工作时所施加的外部环境约束，即外部工况。前者用于构建和更新机理模型，后者则用于驱动机理模型在虚拟空间进行仿真运行，其中外部工况数据全部需要加装传感器来获取，例如环境和温度；机床切削时的主轴负载；同主轴相连接的部件的温度等。虚拟空间生成的数据主要是加工仿真中生成的一系列状态数据。
上面所述的数据的数据类型，采样频率、使用场景，乃至预处理手段都不尽相同，为了使该数据模型能够指导数据的采集和数据库的设计，并使计算机基于该模型组织和处理数据，采用本体语言对其进行建模，并生成人机可读的xml格式的概念模型文件，供数字孪生系统读取。
（2）数据模型的存储和使用；
数据的存储和使用相辅相成，数据库的设计不仅要考虑数据的组织形式，还要考虑数据的访问效率。
根据设计的数据模型，采用列式数据库存储数量大、数据类型多样化、带有时间戳的运行状态数据（包括其子类）。采用关系型数据库存储数据量小、结构简单的静态属性、性能测评以及薄弱点分析相关数据。
列式数据库的存储结构可动态更改，支持高效访问，且空单元格不占据存储空间，满足大批量运行状态数据的存储要求。本发明采用Hadoop平台下的HBase存储运行状态数据，HBase的数据以键-值对的形式被组织在一张大表（HTable）里，若通过行键、列族、列限定符及时间戳的四维坐标进行访问，则获得单元值。否则返回的结果是一个一维或多维映射集合。因为运行状态数据不存在一对多的关系，且HBase能保存的不同时间戳版本有限，因此这里不以状态数据存入数据库的时间作为时间戳，而是以接收或生成数据的时间作为时间戳，并将时间戳设计为HTable列限定符。
为方便通过行键区分运行状态三个子类的数据，以及区分传感数据来自于机床还是来自于外部工况，将振动感应信息、运行状态感应信息、控制器、模拟器分别用于行键设计，但由于这些单词长度不一，若采用“类名+数字”的形式构成行键存储运行状态实例，在后续访问数据时不宜设置扫描启止键。同时，为了区分不同的运行状态实例，保证行键的唯一性，采用系统滴答时间加上每次自加1的种子数进行MD5转码，进行行键的定长处理。如图2所示。
图2中，前两位标志着运行状态数据的子类，中间四位为不同的运行状态数据名（比如温度、振动、负载等）MD5转码后截取、后面则是在进行16字节的MD5转码后取高10位作为数据的唯一标识。列限定符同关系型数据库中的列名类似，在这里定义timestamp和value两个列限定符。若想获得一段时间内的某类运行状态数据，可使用扫描功能设置行键的起止键（前六位不变，后10位可设为0000000000~ffffffffff），并使用时间戳对其进行筛选。
对于非运行状态数据，选择轻量化的关系型数据库MySQL来存储。每一类的数据分别存储在一个数据表中。
以静态属性为例，在静态属性表中，列名为不同的静态属性的数据名，存储数据时的系统滴答时间作为主键。如果主轴因为某个组件损坏换了新的组件，且该组件的属性产生了变化，则向该表中插入一条新的记录，除发生变化的值外，其他值不变。
这样，机理模型在需要更新时，访问静态数据表并读取最新的一条记录即可。同时，保留属性的变化时间和历史数据可用于机理模型的还原和数据追溯。
S6：基于数据模型实现对数控机床的数据采集、状态监测、模型更新优化，并进行数控机床的故障诊断。
根据本申请的实施例，步骤S6主要包括如下方式：
数控机床数据采集功能：对实时传感监测数据进行采集、存储，为故障诊断、数字孪生模型提供数据基础，并支持数据预处理等。
数控机床状态监测功能：对数据库中数控机床的原始监测数据进行清洗、归一化、取最值等预处理，并以柱状图、折线图、饼状图等形式进行可视化展示，实现数控机床实时状态的监测，包括温度状态、振动状态、刚度状态、转速、加载力等。
数控机床故障模型库功能：用于存储数控机床的故障模式、故障特征、故障等级、故障处理方式等信息，并支持优化、更新。
数字孪生模型库功能：存储表征不同故障模式的数字孪生模型，与故障库相关联，支持模型库不断更新、扩充，为故障诊断提供数据、模型支持。
本发明提供的面向机床故障诊断的数字孪生模型构建方法具备数控机床数据采集、状态监测、模型库、故障库等功能，利用数字孪生系统中模型库以及存储好的数据，对数控机床进行诊断，及时采取维护、维修措施，保障机床安全、可靠的运行。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下是本公开实施例提供的面向机床故障诊断的数字孪生模型构建系统的实施例，该系统与上述各实施例的面向机床故障诊断的数字孪生模型构建方法属于同一个发明构思，在面向机床故障诊断的数字孪生模型构建系统的实施例中未详尽描述的细节内容，可以参考上述面向机床故障诊断的数字孪生模型构建方法的实施例。
如图3所示，系统包括：数控机床泛在感知模块、数控机床故障模型库构建模块、数控机床数字孪生模型库构建模块、数字孪生模型实时映射模块、数据模型构建模块以及数控机床数字孪生模型系统开发模块；
数控机床泛在感知模块用于采集数控机床的相关信息；相关信息包括：静态信息和动态信息；
具体来讲，系统结合数控机床的机械结构，根据现场网络布置和环境情况，制定合理的传感监测方案，采集数控机床的相关信息。静态信息包括数控机床的几何尺寸、系统结构、材料的物理属性、工作能力、型号等；动态信息包括数控机床的工况、振动、温度、刚度、噪声、加载力等。
数控机床故障模型库构建模块用于构建数控机床故障模型库，数控机床故障模型库的表达方式为：
式中：F表示故障模式库；M表示故障模式；P表示故障现象；C表示故障特征；L表示故障等级；D表示故障的处理方式；
其中，数控机床故障模型库构建模块可以通过历史维修记录、现场专家经验等分析数控机床的故障模式，并判断各类故障的严重程度以及表现形式；利用泛在感知模块得到的历史数据以及数字孪生模型模块得到的孪生故障数据，通过特征提取，分析各类故障的故障特征，例如振动特征、温升特征、噪声特征等，利用以上信息，构建数控机床故障模型库。
数控机床数字孪生模型库构建模块用于根据数字孪生模型构建故障诊断功能需求，将数控机床划分为若干个子系统，并分析各个子系统的工作机理以及各个子系统之间的耦合关系，对各个子系统分别建模，将各个子系统模型耦合连接，得到数控机床多系统耦合数字孪生模型，然后利用来自物理系统的传感监测数据验证模型，并不断更新、优化模型参数；
需要说明的是，分析数控机床系统结构特点，可以根据数字孪生模型构建需求以及故障诊断功能需求，将数控机床划分为若干个子系统，并分析各个子系统的工作机理以及各个子系统之间的耦合关系，采用多领域建模方法对各个子系统分别建模，将各个子系统模型耦合连接，得到数控机床多系统耦合数字孪生模型，然后利用来自物理系统的传感监测数据验证模型，并不断更新、优化模型参数。结合数字孪生模型的特点以及数控机床的故障模式、故障原因，通过设置工况条件、模型物理参数、几何属性等，对数字孪生模型进行故障注入，得到能够表征数控机床不同状态的模型。
数字孪生模型实时映射模块用于对数字孪生模型进行实时映射；
具体来讲，对构建好的数控机床多系统耦合数字孪生模型进行封装，并留出相关数据接口，将采集到的数控机床静态数据信息以及实时动态数据信息传输给数字孪生模型，实现模型从几何、物理、行为、规则等多个维度的实时映射。
数字孪生模型实时映射模块还可以通过FMI（Functional Mockup Interface）标准模型封装成为具有统一平台接口的FMU（Functional Mock-up Units）模型，从模型-实体响应一致性出发，通过采集数控机床物理系统的历史数据、实时运行数据及其他静态信息，对多系统耦合数字孪生模型进行更新、优化，同时制定孪生模型实时更新策略，实现数字孪生模型与数控机床物理实体的虚实映射。
数据模型构建模块用于构建包括数据存储和使用的数据模型；
本系统的数据模型构建模块，可以结合数控机床数字孪生机理，设计和驱动需要的数据。采用本体语言对其进行建模，并生成人机可读的xml格式的概念模型文件。选用OWL作为建模语言，其采用了面向对象的方法，通过对类、对象属性、数据属性、基数限制等进行定义，可描述对象与对象，或对象与基本数据类型之间的关系。同时采用HBase和MySQL对数据进行存储。
数控机床数字孪生模型系统开发模块用于基于数据模型实现对数控机床的数据采集、状态监测、模型更新优化，并进行数控机床的故障诊断。
本实施例中，通过FMI（Functional Mockup Interface）标准模型封装成为具有统一平台接口的FMU（Functional Mock-up Units）模型，使用Vue + FastAPI系统架构开发数控机床数字孪生模型系统，集成数据采集、数据分析、模型构建、模型可视化、模型库等功能，生成数控机床大数据，供数控机床故障诊断应用，推动数字孪生技术在数控机床领域的应用实践。
基于上述系统，本发明通过历史维修记录、现场专家经验等分析数控机床的故障模式，并判断各类故障的严重程度以及表现形式；利用历史数据以及数字孪生模型模块得到的孪生故障数据，通过特征提取，分析各类故障的故障特征，利用以上信息，构建数控机床故障模型库，并随着机床的运行不断更新。
本发明的系统还通过将机床划分为若干子系统，对各个子系统分别建模，并基于耦合关系进行耦合连接，保留了数控机床各个系统的耦合关系，保证数字孪生模型高保真性；其次利用故障注入技术构建表征机床不同故障模式的数字孪生模型，组件模型库，使得库中的每个模型既可以表征机床的健康状态，又可以表征不同的故障状态，提高了数字孪生系统映射机床物理系统能力。
系统还具备数控机床数据采集、状态监测、模型库、故障库等功能，利用数字孪生系统中模型库以及存储好的数据，对数控机床进行诊断，及时采取维护、维修措施，保障机床安全、可靠的运行。
本发明提供的面向机床故障诊断的数字孪生模型构建系统是结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明的实施例中，可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种面向机床故障诊断的数字孪生模型构建方法，其特征在于，方法包括：
S1：采集数控机床的相关信息；相关信息包括：静态信息和动态信息；
S2：构建数控机床故障模型库，数控机床故障模型库的表达方式为：
式中：F表示故障模式库；M表示故障模式；P表示故障现象；C表示故障特征；L表示故障等级；D表示故障的处理方式；
S3：根据数字孪生模型构建故障诊断功能需求，将数控机床划分为若干个子系统，并分析各个子系统的工作机理以及各个子系统之间的耦合关系，对各个子系统分别建模，将各个子系统模型耦合连接，得到数控机床多系统耦合数字孪生模型，然后利用来自物理系统的传感监测数据验证模型，并不断更新、优化模型参数；
S4：对数字孪生模型进行实时映射；
S5：构建包括数据存储和使用的数据模型；
S6：基于数据模型实现对数控机床的数据采集、状态监测、模型更新优化，并进行数控机床的故障诊断。
2.根据权利要求1所述的面向机床故障诊断的数字孪生模型构建方法，其特征在于，步骤S1中，静态信息包括：数控机床的几何尺寸、系统结构、材料的物理属性、工作能力、型号；
动态信息包括：数控机床的工况、振动、温度、刚度、噪声、加载力信息。
3.根据权利要求1所述的面向机床故障诊断的数字孪生模型构建方法，其特征在于，步骤S2中，对数控机床故障模型库不断更新，更新的方式包括：
更新故障模式M：通过故障树、专家经验、现场记录方法收集数控机床各类故障模式，对于历史故障记录缺失的情况下，通过仿真实验、现场试验等方法获取故障样本；
更新故障现象P：当故障发生时，通过现场记录、历史维修手册方式对各类故障模式的故障现象进行收集、记录，或通过试验进行获取；
更新故障特征C：利用泛在感知模块得到的历史数据以及数字孪生模型模块得到的孪生故障数据，并通过特征提取，分析各类孪生故障数据，进行更新；
更新故障等L级：通过故障现象、故障影响程度进行判断，划分故障等级；
更新故障的处理方式D：针对不同的故障模式，获取用户提供的处理意见，并进行归纳、记录保存。
4.根据权利要求1所述的面向机床故障诊断的数字孪生模型构建方法，其特征在于，步骤S3中，划分的若干个子系统包括电气控制系统、传热系统、机械系统以及液压系统；
步骤S3还基于数字孪生模型故障的注入技术，通过设置工况条件、模型物理参数、几何属性，对数字孪生模型进行故障注入，得到表征数控机床不同状态的数字孪生模型，以此构建数字孪生模型库M，使数字孪生模型库M中每个数字孪生模型映射数控机床的每一个状态；
数字孪生模型库M与故障库的关系表示为：
其中，表示数字孪生模型库M能够表征数控机床i类故障模式的数字孪生模型，/>表示数控机床故障模型库中i类故障模式。
5.根据权利要求1所述的面向机床故障诊断的数字孪生模型构建方法，其特征在于，步骤S4还包括：
通过FMI标准模型封装成为具有统一平台接口的FMU模型，并留出相关数据接口，将采集到的静态信息以及动态信息传输给数字孪生模型，对模型进行更新。
6.根据权利要求1所述的面向机床故障诊断的数字孪生模型构建方法，其特征在于，步骤S5还包括：
采用本体语言对数据模型进行建模，并生成人机可读的xml格式的概念模型文件，供系统读取。
7.根据权利要求1所述的面向机床故障诊断的数字孪生模型构建方法，其特征在于，数据模型中包括：列式数据库和关系型数据库；
采用列式数据库存储数据数量大于阈值，具有多个数据类型，且带有时间戳的运行状态数据；
采用关系型数据库存储数据量小于阈值，数据结构为静态属性、性能测评以及薄弱点分析相关数据；
列式数据库采用Hadoop平台下的HBase存储运行状态数据，HBase的数据以键-值对的形式被组织在HTable表里，通过行键、列族、列限定符及时间戳的四维坐标进行访问，并获得单元值；
关系型数据库采用MySQL关系型数据库。
8.根据权利要求1所述的面向机床故障诊断的数字孪生模型构建方法，其特征在于，步骤S6还包括：
对实时传感监测的数据进行采集、存储；
对数据模型中数控机床的原始监测数据进行清洗、归一化、取最值预处理，并以柱状图、折线图、饼状图形式进行可视化展示，实现数控机床实时状态的监测；
存储数控机床的故障模式、故障特征、故障等级、故障处理方式信息，并支持更新；
存储表征不同故障模式的数字孪生模型，与数据模型相关联，支持数据模型更新和扩充，为故障诊断提供数据支持。
9.一种面向机床故障诊断的数字孪生模型构建系统，其特征在于，系统采用如权利要求1至8任意一项所述的面向机床故障诊断的数字孪生模型构建方法；
系统包括：数控机床泛在感知模块、数控机床故障模型库构建模块、数控机床数字孪生模型库构建模块、数字孪生模型实时映射模块、数据模型构建模块以及数控机床数字孪生模型系统开发模块；
数控机床泛在感知模块用于采集数控机床的相关信息；相关信息包括：静态信息和动态信息；
数控机床故障模型库构建模块用于构建数控机床故障模型库，数控机床故障模型库的表达方式为：
式中：F表示故障模式库；M表示故障模式；P表示故障现象；C表示故障特征；L表示故障等级；D表示故障的处理方式；
数控机床数字孪生模型库构建模块用于根据数字孪生模型构建故障诊断功能需求，将数控机床划分为若干个子系统，并分析各个子系统的工作机理以及各个子系统之间的耦合关系，对各个子系统分别建模，将各个子系统模型耦合连接，得到数控机床多系统耦合数字孪生模型，然后利用来自物理系统的传感监测数据验证模型，并不断更新、优化模型参数；
数字孪生模型实时映射模块用于对数字孪生模型进行实时映射；
数据模型构建模块用于构建包括数据存储和使用的数据模型；
数控机床数字孪生模型系统开发模块用于基于数据模型实现对数控机床的数据采集、状态监测、模型更新优化，并进行数控机床的故障诊断。
10.一种终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述面向机床故障诊断的数字孪生模型构建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310855610.9A CN116578040B (zh) | 2023-07-13 | 2023-07-13 | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310855610.9A CN116578040B (zh) | 2023-07-13 | 2023-07-13 | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116578040A true CN116578040A (zh) | 2023-08-11 |
| CN116578040B CN116578040B (zh) | 2023-09-19 |
Family
ID=87534578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310855610.9A Active CN116578040B (zh) | 2023-07-13 | 2023-07-13 | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116578040B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077040A (zh) * | 2023-09-04 | 2023-11-17 | 武汉蓝海科创技术有限公司 | 基于机器学习的大型复杂装备故障诊断与预测系统 |
| CN117111589A (zh) * | 2023-10-23 | 2023-11-24 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制系统故障诊断方法 |
| CN117250911A (zh) * | 2023-11-13 | 2023-12-19 | 西北工业大学 | Cam软件模型调用方法、系统、设备及介质 |
| 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 |
| CN117608241A (zh) * | 2024-01-24 | 2024-02-27 | 山东建筑大学 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
| CN117930787A (zh) * | 2024-03-21 | 2024-04-26 | 南京航空航天大学 | 一种数控机床加工的工艺参数优化方法 |
| CN117930787B (zh) * | 2024-03-21 | 2024-06-11 | 南京航空航天大学 | 一种数控机床加工的工艺参数优化方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3663873A1 (en) * | 2018-12-03 | 2020-06-10 | General Electric Company | Systems and methods for building a model-based control solution |
| 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 |
| CN113051830A (zh) * | 2021-04-01 | 2021-06-29 | 重庆大学 | 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统 |
| CN113128561A (zh) * | 2021-03-22 | 2021-07-16 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN114004256A (zh) * | 2021-11-01 | 2022-02-01 | 南京航空航天大学 | 基于数字孪生体的制造装备主轴承的故障诊断方法 |
| CN114118673A (zh) * | 2021-09-30 | 2022-03-01 | 苏州大学 | 一种基于数字孪生技术的车间智能化故障诊断预警方法 |
| CN115186484A (zh) * | 2022-07-11 | 2022-10-14 | 三一重工股份有限公司 | 数字孪生作业信息分析方法、装置、系统及作业机械 |
| 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 |
| CN116150897A (zh) * | 2022-11-10 | 2023-05-23 | 北京机床研究所有限公司 | 一种基于数字孪生的机床主轴性能测评方法及系统 |
-
2023
- 2023-07-13 CN CN202310855610.9A patent/CN116578040B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3663873A1 (en) * | 2018-12-03 | 2020-06-10 | General Electric Company | Systems and methods for building a model-based control solution |
| 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 |
| CN113128561A (zh) * | 2021-03-22 | 2021-07-16 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
| CN113051830A (zh) * | 2021-04-01 | 2021-06-29 | 重庆大学 | 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统 |
| CN114118673A (zh) * | 2021-09-30 | 2022-03-01 | 苏州大学 | 一种基于数字孪生技术的车间智能化故障诊断预警方法 |
| CN114004256A (zh) * | 2021-11-01 | 2022-02-01 | 南京航空航天大学 | 基于数字孪生体的制造装备主轴承的故障诊断方法 |
| CN115186484A (zh) * | 2022-07-11 | 2022-10-14 | 三一重工股份有限公司 | 数字孪生作业信息分析方法、装置、系统及作业机械 |
| 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 |
| CN116150897A (zh) * | 2022-11-10 | 2023-05-23 | 北京机床研究所有限公司 | 一种基于数字孪生的机床主轴性能测评方法及系统 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117077040A (zh) * | 2023-09-04 | 2023-11-17 | 武汉蓝海科创技术有限公司 | 基于机器学习的大型复杂装备故障诊断与预测系统 |
| CN117077040B (zh) * | 2023-09-04 | 2024-02-23 | 武汉蓝海科创技术有限公司 | 基于机器学习的大型复杂装备故障诊断与预测系统 |
| CN117111589A (zh) * | 2023-10-23 | 2023-11-24 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制系统故障诊断方法 |
| CN117111589B (zh) * | 2023-10-23 | 2024-01-02 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制系统故障诊断方法 |
| CN117250911A (zh) * | 2023-11-13 | 2023-12-19 | 西北工业大学 | Cam软件模型调用方法、系统、设备及介质 |
| CN117250911B (zh) * | 2023-11-13 | 2024-03-19 | 西北工业大学 | Cam软件模型调用方法、系统、设备及介质 |
| 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 |
| CN117608241A (zh) * | 2024-01-24 | 2024-02-27 | 山东建筑大学 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
| CN117608241B (zh) * | 2024-01-24 | 2024-04-05 | 山东建筑大学 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
| CN117930787A (zh) * | 2024-03-21 | 2024-04-26 | 南京航空航天大学 | 一种数控机床加工的工艺参数优化方法 |
| CN117930787B (zh) * | 2024-03-21 | 2024-06-11 | 南京航空航天大学 | 一种数控机床加工的工艺参数优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116578040B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116578040B (zh) | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 | |
| Kharlamov et al. | Semantic access to streaming and static data at Siemens | |
| CN108885634B (zh) | 一种基于时空数据库的对数据对象的检索方法 | |
| CN109785180A (zh) | 一种面向数字孪生车间的场景感知系统及方法 | |
| EP3180662B1 (en) | Control apparatus of an automation system | |
| CN109933923B (zh) | 一种基于数字孪生的机电装备精益设计方法 | |
| CN115562158A (zh) | 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 | |
| CN112633822B (zh) | 基于数字孪生技术的资产管理方法、存储介质和移动终端 | |
| CN112799369A (zh) | 一种产品装配过程管控方法和装置 | |
| CN113420009B (zh) | 一种基于大数据的电磁数据分析装置、系统及方法 | |
| CN115718472A (zh) | 水电机组故障扫描诊断方法 | |
| CN115564071A (zh) | 一种电力物联网设备数据标签生成方法及系统 | |
| CN115437528A (zh) | 基于数字孪生的化工流程模拟器及其构建方法 | |
| CN110275875B (zh) | 用于为工业基础设施提供经实例化的工业语义模型的方法和装置 | |
| CN116611523B (zh) | 涡轮风扇发动机的可解释故障预测方法及系统 | |
| CN117171359A (zh) | 一种基于知识图谱与大模型的辅助系统 | |
| Kovalyov | Design and development of a power system digital twin: A model-based approach | |
| JP7022472B1 (ja) | データ管理システム、データ管理方法及びデータ管理プログラム | |
| CN113220664B (zh) | Lua脚本规则快速生成的卫星遥测智能判读系统及方法 | |
| CN114089709B (zh) | 一种跨域多尺度的数字孪生体构建方法 | |
| Kugler et al. | Method for the generation of use case related views for Digital Twins | |
| CN110780660A (zh) | 一种基于生产状态的烟草生产工业控制系统故障诊断方法 | |
| CN112181779B (zh) | 一种ai元数据的综合处理方法和系统 | |
| CN117436444B (zh) | 基于标签的数据处理方法、设备及计算机可读存储介质 | |
| CN117787670B (zh) | 一种基于建筑工程的bim数据管理方法及系统 |
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 |