CN117464420B - 一种适用于数控机床的数字孪生控制刀具自适应匹配系统 - Google Patents
一种适用于数控机床的数字孪生控制刀具自适应匹配系统 Download PDFInfo
- Publication number
- CN117464420B CN117464420B CN202311823485.XA CN202311823485A CN117464420B CN 117464420 B CN117464420 B CN 117464420B CN 202311823485 A CN202311823485 A CN 202311823485A CN 117464420 B CN117464420 B CN 117464420B
- Authority
- CN
- China
- Prior art keywords
- data
- tool
- vector
- feature
- module
- 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
- 239000013598 vector Substances 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims description 47
- 238000012216 screening Methods 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000011084 recovery Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 9
- 238000003908 quality control method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000002592 echocardiography Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003014 reinforcing effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q3/00—Devices holding, supporting, or positioning work or tools, of a kind normally removable from the machine
- B23Q3/155—Arrangements for automatic insertion or removal of tools, e.g. combined with manual handling
- B23Q3/1552—Arrangements for automatic insertion or removal of tools, e.g. combined with manual handling parts of devices for automatically inserting or removing tools
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q3/00—Devices holding, supporting, or positioning work or tools, of a kind normally removable from the machine
- B23Q3/155—Arrangements for automatic insertion or removal of tools, e.g. combined with manual handling
- B23Q3/1552—Arrangements for automatic insertion or removal of tools, e.g. combined with manual handling parts of devices for automatically inserting or removing tools
- B23Q3/15546—Devices for recognizing tools in a storage device, e.g. coding devices
-
- 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)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种适用于数控机床的数字孪生控制刀具自适应匹配系统，涉及器械匹配领域，包括数据处理单元；该适用于数控机床的数字孪生控制刀具自适应匹配系统，通过刀具匹配评分模块对刀具库中刀具的成品向量与成品模型向量进行评分，其中对于评分符合工作需求的刀具进行选用，对于评分不符合工作需求的刀具进行更换，这样设置便于更好的匹配对应刀具，通过对交叠特征提取，确定交叠特征的更新状态，从而确定交叠特征的取舍，这样可以根据提取的不同刀具的特征中选取有用的测量数据，避免数据较多导致无法选取合适刀具数据，同时通过刀具匹配评分模块的设置，使得刀具的匹配在相同标准下去选择合适的刀具，避免人工选取刀具存在的误差。
Description
技术领域
本发明涉及器械匹配技术，具体涉及一种适用于数控机床的数字孪生控制刀具自适应匹配系统。
背景技术
数控机床是一种装有程序控制系统的自动化机床，数控机床综合了机械、自动化、计算机和微电子等技术，解决了复杂、精密和小批量零件的加工问题，是一种柔性的、高效能的自动化机床，并通过数字孪生技术，来控制刀具的自适应匹配也是一种重要的技术。
成品向量是指刀具在实际加工过程中所表现出的性能指标的数值化表示，这些性能指标可以包括切削力、切削温度、加工表面质量等，成品向量可以根据实际测量数据或仿真模拟结果得到，以数值的形式反映刀具在加工过程中的性能表现，成品模型向量是通过建立刀具的数学模型，并对模型进行仿真计算后得到的数值表示，这个模型可以是基于理论分析、实验数据或计算机模拟的结果，成品模型向量一般包含了刀具的几何参数、材料属性、切削条件等信息，并可以通过仿真计算预测刀具的性能。
现有的刀具匹配评分模块不能对刀具库中刀具的成品向量与成品模型向量进行评分，也不能对于评分符合工作需求的刀具进行选用，导致不能根据评分不符合工作需求的刀具进行更换，则导致不能更好的匹配对应刀具，且不能根据提取的不同刀具的特征中选取有用的测量数据，导致数据较多导致无法选取合适刀具数据。
发明内容
本发明的目的是提供一种适用于数控机床的数字孪生控制刀具自适应匹配系统，以解决现有技术中的上述不足之处。
为了实现上述目的，本发明提供如下技术方案：一种适用于数控机床的数字孪生控制刀具自适应匹配系统，包括数据处理单元、信息采集单元、包括多种刀具的刀具库、多源信息整合单元、刀具匹配评分模块和显示单元：
所述信息采集单元，用于采集不同刀具的测量数据；
所述数据处理单元，用于对所述信息采集单元采集的数据进行数据调整，使得所述数据便于使用；
所述多源信息整合单元，用于整合所述数据处理单元处理后的数据，便于将多种数据联合使用；
刀具匹配评分模块，用于将刀具库中刀具的成品向量与成品模型向量进行评分，其中对于评分符合工作需求的刀具进行选用，对于评分不符合工作需求的刀具进行更换，所述刀具匹配评分模块包块：
成品模型向量分析模块，用于对成品模型进行向量分析；
刀具向量分析模块，用于分析在当前刀具工作情况下成品向量；
评分模块，用于进行成品模型向量分析模块和刀具向量分析模块的匹配评分；
所述显示单元，用于显示所述数据处理单元处理后的数据。
进一步地，所述数据处理单元对数据采集单元采集的数据进行调整包括但不限于异常数据恢复、丢弃、填充、替换、去重。
进一步地，所述数据处理单元进行数据调整的具体方法为：
S1、数据筛选，其中数据筛选进一步包括：
初步筛选；
阈值筛选；
质量控制筛选，如果某一采样间隔的测量参数数据出现突变，则可以认为该组测量参数出现异常情况；
S2、数据恢复，其中数据恢复方法进一步包括：
基于时间序列的数据恢复方法，时间序列的数据预测方法从本质上来说都应该适合测量数据的恢复；
基于时空相关性的数据恢复方法，基于时空相关性的数据恢复方法是通过建立任意测量数据与其他测量数据在时空上的关联模型，进而通过其他测量数据对存在异常的数据进行恢复。
进一步地，所述多源信息整合单元包括：
特征筛选模块，用于筛选测量数据中的特征；
相同特征提取模块，用于提取特征筛选模块中筛选出来的相同特征；
异常特征提取模块，用于提取特征筛选模块中筛选出来的异常特征；
交叠特征提取模块，用于提取特征筛选模块中筛选出来的交叠特征；
特征融合单元，用于将相同特征提取模块、异常特征提取模块和交叠特征提取模块提取的对应特征进行特征融合。
进一步地，所述多源信息整合单元进行交叠特征提取的具体方法为：
A1、利用概率数据关联算法计算每个目标t(t=1,2,...T')关联门内所有量测数据j(j∈Zt(k))和目标t的关联概率βjt；
A2、构造确认矩阵，根据确认矩阵判断量测是否为属于多个目标的公共量测，其中确认矩阵的表达式为：
；
A3、计算公共回波与各目标之间的分属概率，假设目标集T,有公共回波j，计算该回波与每个目标t(t∈TM)之间的欧氏距离djt，因为量测距离目标越大，量测属于该目标的概率越小，所以公共回波与各目标之间的分属概率与距离是反比关系，且回波应该全部分配给与其相关联的目标，则分属概率为
；
A4、利用回波公式与各目标之间的分属概率来对第一步中所得到的该公共回波的关联概率进行修正，即得到公共回波与各相关目标之间新的关联概率β’ jt，
；
A5、对每个目标所在关联门内所有量测的互联概率进行归一化得到β’’ jt，
；
A6、利用关联概率β’’ jt对每个目标内的所有量测数据通过加权处理进行更新状态。
进一步地，所述刀具匹配评分模块的工作步骤为：
E1，过滤成品模型向量特征信息中的无用特征，通过sigmoid激活函数作为门控状态，再与成品模型向量特征经过点乘后，经过tanh激活函数得到门口单元对特征的筛选；
E2，使用注意力机制将刀具库中关键向量特征信息进行加强，根据向量特征类型得到嵌入向量t以及文本的特征表示，通过tT，对文本中的每个特征进行打分，以此感知文本中的重要信息，如下式所示：
；
E3，可得经过评估之后的刀具库表示，如下式所示：
；
其中，/>是注意力的矢量，是刀具库的向量矩阵；
E4，由向量特征信息融合模块得到查询表示和刀具库的特征表示/>，然后通过最大相似度（MaxSim）进行计算求得，通过/>和/>可以计算查询和刀具库之间的得分Score，即为查询的每个成品模型向量与刀具库的每个刀具工作向量表示的最大相似度总和，如下式所示：。
与现有技术相比，本发明提供的一种适用于数控机床的数字孪生控制刀具自适应匹配系统，通过刀具匹配评分模块对刀具库中刀具的成品向量与成品模型向量进行评分，其中对于评分符合工作需求的刀具进行选用，对于评分不符合工作需求的刀具进行更换，这样设置便于更好的匹配对应刀具，通过对交叠特征提取，确定交叠特征的更新状态，从而确定交叠特征的取舍，这样可以根据提取的不同刀具的特征中选取有用的测量数据，避免数据较多导致无法选取合适刀具数据，同时通过刀具匹配评分模块的设置，使得刀具的匹配在相同标准下去选择合适的刀具，避免人工选取刀具存在的误差。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的整体流程结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。
请参阅图1，一种适用于数控机床的数字孪生控制刀具自适应匹配系统，包括数据处理单元、信息采集单元、包括多种刀具的刀具库、多源信息整合单元、刀具匹配评分模块和显示单元：
所述信息采集单元，用于采集不同刀具的测量数据；
所述数据处理单元，用于对所述信息采集单元采集的数据进行数据调整，使得所述数据便于使用；
所述多源信息整合单元，用于整合所述数据处理单元处理后的数据，便于将多种数据联合使用；
刀具匹配评分模块，用于将刀具库中刀具的成品向量与成品模型向量进行评分，其中对于评分符合工作需求的刀具进行选用，对于评分不符合工作需求的刀具进行更换，所述刀具匹配评分模块包块：
成品模型向量分析模块，用于对成品模型进行向量分析；
刀具向量分析模块，用于分析在当前刀具工作情况下成品向量；
评分模块，用于进行成品模型向量分析模块和刀具向量分析模块的匹配评分；
显示单元，用于显示数据处理单元处理后的数据。
这样设置通过信息采集单元采集刀具库内各刀具的测量数据，通过数据处理单元对信息采集单元采集的数据进行数据调整，使得数据便于使用，处理后的多源数据通过多源信息整合单元进行整合，这样设置便于将刀具库多个刀具的数据进行数据整合与使用，将多源信息整合单元整合后的数据通过刀具匹配评分模块对刀具库中刀具的成品向量与成品模型向量进行评分，其中对于评分符合工作需求的刀具进行选用，对于评分不符合工作需求的刀具进行更换，这样设置便于更好的匹配对应刀具，通过显示单元显示数据处理单元处理后的数据，这样设置便于进行数据监控，保证数据准确性。
数据处理单元对数据采集单元采集的数据进行调整包括但不限于异常数据恢复、丢弃、填充、替换、去重，这样可以选取可以使用的数据进行使用。
数据处理单元进行数据调整的具体方法为：
S1、数据筛选，其中数据筛选进一步包括：
初步筛选；
阈值筛选，阈值筛选是指设置某些数据临界值，对超出临界值的测量数据进行筛选的方法，保证了测量数据在合理的范围之内。阈值筛选的关键是确定合适的临界阈值，而这一阈值是与不同的地点、外界环境与数据采样间隔密切相关的，表达式为
，
其中xmax为测量数据的临界阈值，x0为测量数据的基本限值，T为数据的采样间隔，f（）为测量数据流参数均方根误差与采样间隔T的拟合函数。
质量控制筛选，测量数据在时间上具有一定的连贯性，即一定时间段内的测量数据不会出现突变。如果某一采样间隔的测量数据出现突变，则可以认为该组测量数据出现异常情况，结合测量数据之间的相关性，采样多源质量控制方法进行异常值筛选。构造多源质量控制的指标公式为
，
其中式中：I为多源数据质量控制的指标，mqn、mνn、mon分别为n个采样间隔x轴测量数据q、y轴测量数据ν和z轴测量数据o的均值，sqn、sνn、son分别为x轴测量数据q、y轴测量数据ν和z轴测量数据o的标准差，指标I即是根据3σ原则建立的一个多源质量控制的椭球体。若一组测量数据q、ν和o使得I大于1，表明该测量点三维数据向量在三维空间中的点落在了质量控制椭球体之外，则该组数据是异常的，应予以剔除，否则数据则是正常的。
进行数据筛选的原因是通过检测器获取的测量数据由于受到外界因素的影响，会存在缺失、突变、错误等异常情况，因而不能直接作为数据使用。
S2、数据恢复，其中数据恢复方法进一步包括：
基于时间序列的数据恢复方法，时间序列的数据预测方法从本质上来说都应该适合测量数据的恢复，但是考虑到测量数据的实时性、随机性和海量性，需要很强的在线处理能力，因此具体计算方式为
，
其中为式中异常数据的恢复值，x为前几个采样间隔的检测值，β为权重系数，且∑β=1；k为平滑恢复采用的采样间隔宽度，这种方法主要适合于孤立异常数据的恢复，对于连续多个异常数据，方法的误差会大大增加。因此，当连续异常数据过多时，该方法就不适用；
基于时空相关性的数据恢复方法，基于时空相关性的数据恢复方法是通过建立任意检测器数据与其他检测器数据在时空上的关联模型，进而通过其他检测器数据对存在异常的数据进行恢复，根据数据回归模型，考虑二元回归及中值鲁棒特性，建立数据恢复公式
，
其中为与j位置相关的检测器m和n对j位置数据恢复值。γ1、γ2和γ3为回归方程系数，xi（m）和xi（n）为m和n位置的实际检测数值，/>为缺失检测器j的预测值通过建立多个检测器数据之间的相关模型，得到多个回归方程，并利用这多个回归方程数据恢复值的中值作为最终的恢复数据，采用中值鲁棒特性的模型，可以避免部分检测器数据异常与丢失对最终恢复结果的影响，提高方法抗干扰能力。
多源信息整合单元包括：
特征筛选模块，用于筛选测量数据中的特征；
相同特征提取模块，用于提取特征筛选模块中筛选出来的相同特征；
异常特征提取模块，用于提取特征筛选模块中筛选出来的异常特征；
交叠特征提取模块，用于提取特征筛选模块中筛选出来的交叠特征；
特征融合单元，用于将相同特征提取模块、异常特征提取模块和交叠特征提取模块提取的对应特征进行特征融合。
这样设置通过相同特征提取模块提取特征筛选模块中筛选出来的相同特征，通过异常特征提取模块提取特征筛选模块中筛选出来的异常特征，并通过交叠特征提取模块提取特征筛选模块中筛选出来的交叠特征，通过特征融合单元将相同特征进行融合，将异常特征进行剔除，通过对交叠特征提取，确定交叠特征的更新状态，从而确定交叠特征的取舍，这样可以根据提取的不同刀具的特征中选取有用的测量数据，避免数据较多导致无法选取合适刀具数据。
多源信息整合单元进行交叠特征提取的具体方法为：
A1、利用概率数据关联算法计算每个目标t(t=1,2,...T')关联门内所有量测数据j(j∈Zt(k))和目标t的关联概率βjt；
A2、构造确认矩阵，根据确认矩阵判断量测是否为属于多个目标的公共量测，其中确认矩阵的表达式为：
，
若上式中：
；
则说明量测j是公共回波，判断确认矩阵各行中等于1的元素，记录目标标号t1，t2....得到量测j是各口标的t1，t2......的公共量测，对所有量测进行判断，从而得到所有公共回波，以及分别与这些回波相对应的目标;
A3、计算公共回波与各目标之间的分属概率，假设目标集T,有公共回波j，计算该回波与每个目标t(t∈TM)之间的欧氏距离djt，因为量测距离目标越大，量测属于该目标的概率越小，所以公共回波与各目标之间的分属概率与距离是反比关系，且回波应该全部分配给与其相关联的目标；
；
A4、利用回波公式与各目标之间的分属概率来对第一步中所得到的该公共回波的关联概率进行修正，即得到公共回波与各相关目标之间新的关联概率β’ jt
；
A5、对每个目标所在关联门内所有量测的互联概率进行归一化得到
β’’ jt：
；
A6、利用关联概率β’’ jt对每个目标内的所有量测数据通过加权处理进行更新状态，通过对交叠特征提取，确定交叠特征的更新状态，从而确定交叠特征的取舍，这样可以根据提取的特征选取有用的测量数据，避免数据较多导致无法选取合适的数据。
刀具匹配评分模块的工作步骤为：
E1，过滤成品模型向量特征信息中的无用特征，通过sigmoid激活函数作为门控状态，再与成品模型向量特征经过点乘后，经过tanh激活函数得到门口单元对特征的筛选；
E2，使用注意力机制将刀具库中关键向量特征信息进行加强，根据向量特征类型得到嵌入向量t以及文本的特征表示，通过tT，对文本中的每个特征进行打分，以此感知文本中的重要信息，如下式所示：
；
E3，可得经过评估之后的刀具库表示，如下式所示：
；
其中，/>是注意力的矢量，是刀具库的向量矩阵；
E4，由向量特征信息融合模块得到查询表示和刀具库的特征表示/>，然后通过最大相似度（MaxSim）进行计算求得，通过/>和/>可以计算查询和刀具库之间的得分Score，即为查询的每个成品模型向量与刀具库的每个刀具工作向量表示的最大相似度总和，如下式所示：。
工作原理：使用时，通过信息采集单元采集刀具库内各刀具的测量数据，通过数据处理单元对信息采集单元采集的数据进行数据调整，使得数据便于使用，处理后的多源数据通过多源信息整合单元进行整合，这样设置便于将刀具库多个刀具的数据进行数据整合与使用，将多源信息整合单元整合后的数据通过刀具匹配评分模块对刀具库中刀具的成品向量与成品模型向量进行评分，其中对于评分符合工作需求的刀具进行选用，对于评分不符合工作需求的刀具进行更换，这样设置便于更好的匹配对应刀具，通过显示单元显示数据处理单元处理后的数据，这样设置便于进行数据监控，保证数据准确性，同时通过多源信息整合单元，通过对交叠特征提取，确定交叠特征的更新状态，从而确定交叠特征的取舍，这样可以根据提取的不同刀具的特征中选取有用的测量数据，避免数据较多导致无法选取合适刀具数据，同时通过刀具匹配评分模块的设置，使得刀具的匹配在相同标准下跟加准确的去选择合适的刀具，避免人工选取刀具存在的误差。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。
Claims (6)
1.一种适用于数控机床的数字孪生控制刀具自适应匹配系统，其特征在于，包括数据处理单元、信息采集单元、包括多种刀具的刀具库、多源信息整合单元、刀具匹配评分模块和显示单元：
所述信息采集单元，用于采集不同刀具的测量数据；
所述数据处理单元，用于对所述信息采集单元采集的数据进行数据调整，使得所述数据便于使用；
所述多源信息整合单元，用于整合所述数据处理单元处理后的数据，便于将多种数据联合使用；
刀具匹配评分模块，用于将刀具库中刀具的成品向量与成品模型向量进行评分，其中对于评分符合工作需求的刀具进行选用，对于评分不符合工作需求的刀具进行更换，所述刀具匹配评分模块包块：
成品模型向量分析模块，用于对成品模型进行向量分析；
刀具向量分析模块，用于分析在当前刀具工作情况下成品向量；
评分模块，用于进行成品模型向量分析模块和刀具向量分析模块的匹配评分；
所述显示单元，用于显示所述数据处理单元处理后的数据。
2.根据权利要求1所述的一种适用于数控机床的数字孪生控制刀具自适应匹配系统，其特征在于，所述数据处理单元对数据采集单元采集的数据进行调整包括但不限于异常数据恢复、丢弃、填充、替换、去重。
3.根据权利要求2所述的一种适用于数控机床的数字孪生控制刀具自适应匹配系统，其特征在于，所述数据处理单元进行数据调整的具体方法为：
S1、数据筛选，其中数据筛选进一步包括：
初步筛选；
阈值筛选；
质量控制筛选，如果某一采样间隔的测量参数数据出现突变，则可以认为该组测量参数出现异常情况；
S2、数据恢复，其中数据恢复方法进一步包括：
基于时间序列的数据恢复方法，时间序列的数据预测方法从本质上来说都应该适合测量数据的恢复；
基于时空相关性的数据恢复方法，基于时空相关性的数据恢复方法是通过建立任意测量数据与其他测量数据在时空上的关联模型，进而通过其他测量数据对存在异常的数据进行恢复。
4.根据权利要求1所述的一种适用于数控机床的数字孪生控制刀具自适应匹配系统，其特征在于，所述多源信息整合单元包括：
特征筛选模块，用于筛选测量数据中的特征；
相同特征提取模块，用于提取特征筛选模块中筛选出来的相同特征；
异常特征提取模块，用于提取特征筛选模块中筛选出来的异常特征；
交叠特征提取模块，用于提取特征筛选模块中筛选出来的交叠特征；
特征融合单元，用于将相同特征提取模块、异常特征提取模块和交叠特征提取模块提取的对应特征进行特征融合。
5.根据权利要求4所述的一种适用于数控机床的数字孪生控制刀具自适应匹配系统，其特征在于，所述多源信息整合单元进行交叠特征提取的具体方法为：
A1、利用概率数据关联算法计算每个目标t(t=1,2,...T')关联门内所有量测数据j(j∈Zt(k))和目标t的关联概率βjt；
A2、构造确认矩阵，根据确认矩阵判断量测是否为属于多个目标的公共量测，其中确认矩阵的表达式为：
；
A3、计算公共回波与各目标之间的分属概率，假设目标集T,有公共回波j，计算该回波与每个目标t(t∈TM)之间的欧氏距离djt，因为量测距离目标越大，量测属于该目标的概率越小，所以公共回波与各目标之间的分属概率与距离是反比关系，且回波应该全部分配给与其相关联的目标，则分属概率为
；
A4、利用回波公式与各目标之间的分属概率来对第一步中所得到的该公共回波的关联概率进行修正，即得到公共回波与各相关目标之间新的关联概率β’ jt，
；
A5、对每个目标所在关联门内所有量测的互联概率进行归一化得到
β’’ jt，
；
A6、利用关联概率β’’ jt对每个目标内的所有量测数据通过加权处理进行更新状态。
6.根据权利要求1所述的一种适用于数控机床的数字孪生控制刀具自适应匹配系统，其特征在于，所述刀具匹配评分模块的工作步骤为：
E1，过滤成品模型向量特征信息中的无用特征，通过sigmoid激活函数作为门控状态，再与成品模型向量特征经过点乘后，经过tanh激活函数得到门口单元对特征的筛选；
E2，使用注意力机制将刀具库中关键向量特征信息进行加强，根据向量特征类型得到嵌入向量t以及文本的特征表示，通过tT，对文本中的每个特征进行打分，以此感知文本中的重要信息，如下式所示：
；
E3，可得经过评估之后的刀具库表示，如下式所示：
；
其中，/>是注意力的矢量，是刀具库的向量矩阵；
E4，由向量特征信息融合模块得到查询表示和刀具库的特征表示/>，然后通过最大相似度（MaxSim）进行计算求得，通过/>和/>可以计算查询和刀具库之间的得分Score，即为查询的每个成品模型向量与刀具库的每个刀具工作向量表示的最大相似度总和，如下式所示：。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311823485.XA CN117464420B (zh) | 2023-12-28 | 2023-12-28 | 一种适用于数控机床的数字孪生控制刀具自适应匹配系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311823485.XA CN117464420B (zh) | 2023-12-28 | 2023-12-28 | 一种适用于数控机床的数字孪生控制刀具自适应匹配系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117464420A CN117464420A (zh) | 2024-01-30 |
| CN117464420B true CN117464420B (zh) | 2024-03-08 |
Family
ID=89640073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311823485.XA Active CN117464420B (zh) | 2023-12-28 | 2023-12-28 | 一种适用于数控机床的数字孪生控制刀具自适应匹配系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117464420B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117851839A (zh) * | 2024-03-08 | 2024-04-09 | 苏州华天国科电力科技有限公司 | 一种基于数字孪生的光伏设备全周期智能管控系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0553433A2 (en) * | 1992-01-28 | 1993-08-04 | Mitsubishi Denki Kabushiki Kaisha | Tool specifying method and apparatus for an NC automatic programming system |
| CN110900307A (zh) * | 2019-11-22 | 2020-03-24 | 北京航空航天大学 | 一种数字孪生驱动的数控机床刀具监控系统 |
| CN111032281A (zh) * | 2017-08-07 | 2020-04-17 | 弗兰茨·翰默机械制造两合公司 | 在机加工中心创建数字孪生 |
| CN113110355A (zh) * | 2021-04-29 | 2021-07-13 | 武汉科技大学 | 一种数字孪生驱动的工件加工能耗预测及优化方法 |
| US11079921B1 (en) * | 2020-02-28 | 2021-08-03 | Caterpillar Inc. | Tool selection systems |
| WO2021184421A1 (zh) * | 2020-03-20 | 2021-09-23 | 苏州森鼎高端装备有限公司 | 一种复合式智能检测方法及切削装置 |
| CN113560955A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 一种数控机床刀具剩余使用寿命预测方法、系统及应用 |
| CN113909996A (zh) * | 2021-09-30 | 2022-01-11 | 华中科技大学 | 一种基于数字孪生的高端装备加工状态监测方法及系统 |
| CN114669770A (zh) * | 2022-04-20 | 2022-06-28 | 浙江浪潮精密机械有限公司 | 一种智能化切削刀具结构及使用方法 |
| CN117086698A (zh) * | 2023-10-19 | 2023-11-21 | 齐鲁工业大学(山东省科学院) | 一种基于数字孪生的刀具多工况状态监测方法及系统 |
-
2023
- 2023-12-28 CN CN202311823485.XA patent/CN117464420B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0553433A2 (en) * | 1992-01-28 | 1993-08-04 | Mitsubishi Denki Kabushiki Kaisha | Tool specifying method and apparatus for an NC automatic programming system |
| CN111032281A (zh) * | 2017-08-07 | 2020-04-17 | 弗兰茨·翰默机械制造两合公司 | 在机加工中心创建数字孪生 |
| CN110900307A (zh) * | 2019-11-22 | 2020-03-24 | 北京航空航天大学 | 一种数字孪生驱动的数控机床刀具监控系统 |
| US11079921B1 (en) * | 2020-02-28 | 2021-08-03 | Caterpillar Inc. | Tool selection systems |
| WO2021184421A1 (zh) * | 2020-03-20 | 2021-09-23 | 苏州森鼎高端装备有限公司 | 一种复合式智能检测方法及切削装置 |
| CN113110355A (zh) * | 2021-04-29 | 2021-07-13 | 武汉科技大学 | 一种数字孪生驱动的工件加工能耗预测及优化方法 |
| CN113560955A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 一种数控机床刀具剩余使用寿命预测方法、系统及应用 |
| CN113909996A (zh) * | 2021-09-30 | 2022-01-11 | 华中科技大学 | 一种基于数字孪生的高端装备加工状态监测方法及系统 |
| CN114669770A (zh) * | 2022-04-20 | 2022-06-28 | 浙江浪潮精密机械有限公司 | 一种智能化切削刀具结构及使用方法 |
| CN117086698A (zh) * | 2023-10-19 | 2023-11-21 | 齐鲁工业大学(山东省科学院) | 一种基于数字孪生的刀具多工况状态监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117464420A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117464420B (zh) | 一种适用于数控机床的数字孪生控制刀具自适应匹配系统 | |
| CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
| JP6832327B2 (ja) | 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 | |
| TWI584134B (zh) | 製程異因分析方法與製程異因分析系統 | |
| CN110647943A (zh) | 基于演化数据聚类分析的切削刀具磨损监测方法 | |
| CN114536104B (zh) | 一种刀具寿命动态预测方法 | |
| CN115169050A (zh) | 一种多模型融合的切削刀具磨损量动态预测方法 | |
| CN111724203B (zh) | 基于多重回归模型的产品加工价格预估方法及系统 | |
| CN116050678A (zh) | 一种基于云计算的压铸产品加工测试系统及方法 | |
| EP3807731B1 (en) | Workpiece surface quality issues detection | |
| CN108393744A (zh) | 一种刀具状态多传感监测方法 | |
| CN115576267A (zh) | 一种基于数字孪生的轮毂机加工尺寸误差修正方法 | |
| CN117943892A (zh) | 基于时序数据分析的刀具监测数据预测优化方法 | |
| CN117092964A (zh) | 一种用于建材加工的数控机床故障预警系统及方法 | |
| Ebrahimi Araghizad et al. | Smart tool-related faults monitoring system using process simulation-based machine learning algorithms | |
| CN108427375B (zh) | 一种基于带通滤波处理多传感监测刀具状态的方法 | |
| CN110134090B (zh) | 融合多源信息的工业机器人控制系统可靠性评估方法 | |
| CN117407735A (zh) | 基于演化聚类分析的刀具磨损建模方法 | |
| CN113857936B (zh) | 一种基于视觉检测的机床立柱热补偿方法、系统和机床 | |
| CN111993158B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
| CN118475023A (zh) | 一种线路板表面防焊层的制作方法 | |
| CN113177040A (zh) | 铝/铜板带材生产全流程大数据清洗与分析方法 | |
| CN117851839A (zh) | 一种基于数字孪生的光伏设备全周期智能管控系统 | |
| CN117555295A (zh) | 一种工程机械设备附件管理系统 | |
| CN117271980B (zh) | 钻进数据处理方法、装置、电子设备及存储介质 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A digital twin control tool adaptive matching system suitable for CNC machine tools Granted publication date: 20240308 Pledgee: Jiangsu Jinhu Mintai Village Bank Co.,Ltd. Pledgor: Jiangsu New Best Intelligent Manufacturing Co.,Ltd. Registration number: Y2024980035828 |