CN117608241A - 数控机床数字孪生模型的更新方法、系统、装置及介质 - Google Patents
数控机床数字孪生模型的更新方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN117608241A CN117608241A CN202410096409.1A CN202410096409A CN117608241A CN 117608241 A CN117608241 A CN 117608241A CN 202410096409 A CN202410096409 A CN 202410096409A CN 117608241 A CN117608241 A CN 117608241A
- Authority
- CN
- China
- Prior art keywords
- machine tool
- model
- numerical control
- control machine
- updating
- 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 58
- 230000004044 response Effects 0.000 claims abstract description 63
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G05B19/4069—Simulating machining process on screen
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32342—Real time simulation
-
- 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
本发明提出的一种数控机床数字孪生模型的更新方法、系统、装置及介质，属于数控机床技术领域。所述方法包括：监控数控机床的运行状态以触发数字孪生模型更新；测量数控机床的实际响应，收集响应数据，以生成小批量数据集；利用小批量数据集确定数字孪生模型的更新模式；基于确定的更新模式执行相应的模型更新流程。本发明基于集成增量学习策略实现了数控机床数字孪生模型的自适应更新，在保证模型准确性的同时，有效降低了更新成本。
Description
技术领域
本发明涉及数控机床技术领域，更具体的说是涉及一种数控机床数字孪生模型的更新方法、系统、装置及介质。
背景技术
数字孪生被定义为物理对象的虚拟模型，可以通过自适应更新在服务期间与对象同步。与传统的虚拟模型不同，数字孪生的核心特征是物理对象和虚拟模型之间的双向驱动，相互增强。因此，数字孪生技术为进行加工中的过程监控和自适应优化提供了新的思路。
数控机床的动态特性在加工运行期间是变化的。因此，数字孪生模型的更新对于保持数字空间和物理空间之间的一致性至关重要。同时，应以高效率和更少的数据量更新模型，以确保数控机床在正常生产中的可用性。但是，由于数控机床动态特性在加工运行期间的变化，导致数字空间和物理空间之间存在不一致性的问题，对于数字孪生模型，当前未有实用的更新解决方案。
发明内容
针对以上问题，本发明的目的在于提供一种数控机床数字孪生模型的更新方法、系统、装置及介质，基于集成增量学习策略实现了数控机床数字孪生模型的自适应更新，在保证模型准确性的同时，有效降低了更新成本。
本发明为实现上述目的，通过以下技术方案实现：一种数控机床数字孪生模型的更新方法，包括：
监控数控机床的运行状态以触发数字孪生模型更新；
测量数控机床的实际响应，收集响应数据，以生成小批量数据集；
利用小批量数据集确定数字孪生模型的更新模式；
基于确定的更新模式执行相应的模型更新流程。
进一步，所述监控数控机床的运行状态以触发数字孪生模型更新，包括：
定期在数控机床上执行标准轨迹，并通过互连接口采集数控机床实际响应和电机转矩数据；
将采集到的数控机床实际响应和电机转矩数据与数据库中对应的历史数据进行拟合，生成拟合数据；
计算拟合数据与历史测试数据的差值；历史测试数据为上次数字孪生模型更新后保存的具有相同测试轨迹的历史数据；
如果所述差值超过判断阈值，则触发数字孪生模型更新。
进一步，所述测量数控机床的实际响应，收集响应数据，以生成小批量数据集，包括：
控制数控机床执行测试轨迹，并通过设置在数控机床上的位置传感器收集数控的实际响应数据；
根据实际响应数据构建小批量数据集；
其中，，/>；/>为通过内置的运动学模型获取的数控机床的实际响应数据，/>为数控机床的位置参数、/>为数控机床的速度参数、/>为数控机床的电机扭矩参数，/>为通过外部设备测量的数控机床实际响应数据。
进一步，数字孪生模型包括参数化模型和残差补偿模型。
进一步，所述利用小批量数据集确定数字孪生模型的更新模式，包括：
利用数控机床的位置参数和参数化模型预测数控机床的位置响应参数/>；其中，/>，/>为参数化模型预测的位置参数，/>为参数化模型的几何误差；
计算外部设备测量的数控机床实际响应数据与参数化模型预测数控机床的位置响应参数/>的差值A1；
计算外部设备测量的数控机床实际响应数据与数控机床的位置参数/>的差值A2；
比较A1与A2；
如果A1＜A2，则只进行残差补偿模型的更新；
如果A2＜A1，则对数字孪生模型进行完全更新。
进一步，所述基于确定的更新模式执行相应的模型更新流程，包括：
当进行残差补偿模型的更新时，使用小批量数据集对残差补偿模型进行增量更新。
进一步，所述基于确定的更新模式执行相应的模型更新流程，包括：
当对数字孪生模型进行完全更新时，控制数控机床执行激励轨迹，获取响应数据以构建用于参数化模型参数识别的数据集；
控制数控机床执行随机轨迹，获取响应数据以构建用于残差补偿模型训练的数据集；
利用数据集对参数化模型进行参数识别；
通过数据集对残差补偿模型进行再训练；
采集数控机床执行标准轨迹时的实际响应数据，以更新数据库中的原始测试数据。
相应的，本发明还公开了一种数控机床数字孪生模型的更新系统，包括：
更新触发模块，用于监控数控机床的运行状态以触发数字孪生模型更新；
数据测量模块，用于测量数控机床的实际响应，收集响应数据，以生成小批量数据集；
更新模式判定模块，用于利用小批量数据集确定数字孪生模型的更新模式；
模型更新模块，用于基于确定的更新模式执行相应的模型更新流程。
相应的，本发明公开了一种数控机床数字孪生模型的更新装置，包括：
存储器，用于存储数控机床数字孪生模型的更新程序；
处理器，用于执行所述数控机床数字孪生模型的更新程序时实现如上文任一项所述数控机床数字孪生模型的更新方法的步骤。
相应的，本发明公开了一种可读存储介质，所述可读存储介质上存储有数控机床数字孪生模型的更新程序，所述数控机床数字孪生模型的更新程序被处理器执行时实现如上文任一项所述数控机床数字孪生模型的更新方法的步骤。
对比现有技术，本发明有益效果在于：本发明公开了一种数控机床数字孪生模型的更新方法、系统、装置及介质，首先设定一个判断阈值,用于判断数控机床的动态特性是否发生改变。如果遇到数控机床检修如更换主轴、丝杠、螺母等，由于这些操作都极大地改变了数控机床的动态特性，此时通过收集的数据与历史数据比较，当超过了判断阈值，则触发启动数字孪生模型的更新。启动模型更新后，测量数控机床的实际响应并收集小批量数据，根据分析当前所使用的模型的准确性，确定混合模型的更新模式。具体来说，如果数字孪生模型中的参数化模型更准确，只需要对基于数据的模型增量学习对数字孪生模型中的残差补偿模型进行小规模更新，否则对参数化模型与残差补偿模型都进行重新识别训练和全面更新。本发明保持了数字空间与物理空间的一致性，自适应触发更新并以适当的规模实现，在保证模型准确性的同时降低更新成本。此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1是本发明具体实施方式的方法流程图。
图2是本发明具体实施方式的系统结构图。
图中，1、更新触发模块；2、数据测量模块；3、更新模式判定模块；4、模型更新模块。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
参见图1所示，本实施例提供了一种数控机床数字孪生模型的更新方法，在本方法中，数字孪生模型包括参数化模型和残差补偿模型。数控机床可通过内置的运动模型获取各类响应信息。本方法具体包括如下步骤：
S1：监控数控机床的运行状态以触发数字孪生模型更新。
在具体实施方式中，定期在数控机床上执行标准轨迹，并通过互连接口采集数控机床实际响应和电机转矩数据。此时，将采集到的数控机床实际响应和电机转矩数据与数据库中对应的历史数据进行拟合，生成拟合数据；然后，计算拟合数据与历史测试数据的差值；如果所述差值超过判断阈值，则触发数字孪生模型更新。其中，历史测试数据为上次数字孪生模型更新后保存的具有相同测试轨迹的历史数据。
作为示例的，模型更新应根据数控机床动态特性的变化进行，因此需要监控数控机床的运行状态以触发模型更新。为避免附加传感器的安装和测量，本发明设计了一种基于互联接口观测数据的更新触发机制，不影响数控机床的正常生产。
具体来说，在正常生产的中场休息期间，在卸载条件下定期在数控机床上执行标准轨迹。同时，通过互连接口采集数控机床实际响应和电机转矩。可以选择圆、正和正弦曲线作为测试轨迹，测试周期可以设置为一个月。然后，将收集到的和与数据库中的历史数据进行拟合，并将其与上次更新后保存的具有相同测试轨迹的历史数据相比较。如果差值超过判断阈值，则表明数控机床的动态特性发生了一些变化，数字孪生模型需要更新。其中，判断阈值可以选择为平均绝对误差(MAE)和均方根误差(RMSE)。
此外，当数控机床遇到大修，例如更换主轴，螺钉和刮刀导轨。这些操作极大地改变了数控机床的动态特性，例如刚度和阻尼。因此，当出现上述操作后也应触发模型更新。
S2：测量数控机床的实际响应，收集响应数据，以生成小批量数据集。
在具体实施方式中，首先，控制数控机床执行测试轨迹，并通过设置在数控机床上的位置传感器收集数控的实际响应数据。然后，根据实际响应数据构建小批量数据集；其中，/>，/>；/>为通过内置的运动学模型获取的数控机床的实际响应数据，/>为数控机床的位置参数、/>为数控机床的速度参数、/>为数控机床的电机扭矩参数，/>为通过外部设备测量的数控机床实际响应数据。将小批量数据集/>进行存储，以供下一步使用。
S3：利用小批量数据集确定数字孪生模型的更新模式。
在具体实施方式中，由于每次同时更新数字孪生模型的两个子模型既耗时又不必要。同时，动态特性的微小变化对参数识别影响不大，无法用参数化模型精确描述。相比之下，基于数据的模型适合通过微调来概括这些新偏差。此外，当动态特性发生重大变化时，需要完全更新两个子模型。因此，如何确定要更新的模型是关键问题。
在这方面，考虑到数控机床的运动特性在使用过程中变化较小且缓慢，通过步骤S2使用数据集比较所构建的参数化模型和数控机床系统中配置的运动模型的精度，设计了一种简单的确定策略，具体如下：
对于半闭环系统，基于电机的反馈位置和运动学模型计算采集的数控机床实际响应的位置参数，可利用数控机床的位置参数/>和参数化模型预测数控机床的位置响应参数/>；其中，/>，/>为参数化模型预测的位置参数，/>为参数化模型的几何误差。
此时，将和/>分别与/>进行比较，然后根据比较结果判断采用的更新模式。
具体来说：计算外部设备测量的数控机床实际响应数据与参数化模型预测数控机床的位置响应参数/>的差值A1；同时，计算外部设备测量的数控机床实际响应数据与数控机床的位置参数/>的差值A2。然后，比较A1与A2。根据比较结果，具体包括以下两种情况：
1、如果A1＜A2，说明参数化模型更准确，则表明数控机床的动态特性变化较小，不需要更新参数化模型。因此只需要对基于数据的残差补偿模型进行小规模的更新。
2、如果A2＜A1，说明数控机床系统中的运动学模型更准确，则表明参数化模型与实际系统之间存在较大差距。因此，则需要对数字孪生模型进行完全更新。
S4：基于确定的更新模式执行相应的模型更新流程。
在具体实施方式中，由于两种更新模式的模型更新流程不同。因此基于步骤S3的判定结果，执行相应的模型更新流程。
当进行残差补偿模型的更新时，使用小批量数据集对残差补偿模型进行增量更新。为了在保持模型精度的同时进行高效更新，对当前的残差补偿模型采用了增量学习。在增量更新过程中，会调整中每个叶的权重。同时，增加了少量的CART，以保证对新样本的泛化能力。
当对数字孪生模型进行完全更新时，混合模型的全面更新需要大量的数据。首先，需要将激励轨迹实现到数控机床中，控制数控机床执行激励轨迹，获取响应数据以构建用于参数化模型参数识别的数据集。
然后，使用一些规则和随机的轨迹，来控制数控机床执行随机轨迹，获取响应数据以构建用于残差补偿模型训练的数据集；
在这种情况下，参数化模型和残差补偿模型都需要在不保留先前知识的情况下进行更新。首先，利用数据集对参数化模型进行参数识别。然后，通过数据集/>对残差补偿模型进行再训练。最后，从数控机床系统中采集标准轨迹下的数控机床实际响应数据，以代替数据库中的原始测试数据，作为进行下一次更新触发时需要参考的历史数据。
通过上述方法可以保持数字空间与物理空间的一致性，自适应触发更新并以适当的规模实现，在保证模型准确性的同时降低更新成本。
可见，本方法实质上是一种集成增量学习策略的数控机床数字孪生模型的自适应更新方法，首先设定一个判断阈值,用于判断数控机床的动态特性是否发生改变。如果遇到数控机床检修如更换主轴、丝杠、螺母等，由于这些操作都极大地改变了数控机床的动态特性，此时通过收集的数据与历史数据比较，当超过了判断阈值，则触发启动数字孪生模型的更新。启动模型更新后，测量数控机床的实际响应并收集小批量数据，根据分析当前所使用的模型的准确性，确定混合模型的更新模式。具体来说，如果数字孪生模型中的参数化模型更准确，只需要对基于数据的模型增量学习对数字孪生模型中的残差补偿模型进行小规模更新，否则对参数化模型与残差补偿模型都进行重新识别训练和全面更新。本方法保持了数字空间与物理空间的一致性，自适应触发更新并以适当的规模实现，在保证模型准确性的同时降低更新成本。
参见图2所示，本发明还公开了一种数控机床数字孪生模型的更新系统，包括：更新触发模块1、数据测量模块2、更新模式判定模块3和模型更新模块4。
更新触发模块1，用于监控数控机床的运行状态以触发数字孪生模型更新。
数据测量模块2，用于测量数控机床的实际响应，收集响应数据，以生成小批量数据集。
更新模式判定模块3，用于利用小批量数据集确定数字孪生模型的更新模式。
模型更新模块4，用于基于确定的更新模式执行相应的模型更新流程。
本实施例的数控机床数字孪生模型的更新系统的具体实施方式与上述数控机床数字孪生模型的更新方法的具体实施方式基本一致，在此不再赘述。
本发明还公开了一种数控机床数字孪生模型的更新装置，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的数控机床数字孪生模型的更新程序时实现上文任一项所述数控机床数字孪生模型的更新方法的步骤。
进一步的，本实施例中的数控机床数字孪生模型的更新装置，还可以包括：
输入接口，用于获取外界导入的数控机床数字孪生模型的更新程序，并将获取到的数控机床数字孪生模型的更新程序保存至所述存储器中，还可以用于获取外界终端设备传输的各种指令和参数，并传输至处理器中，以便处理器利用上述各种指令和参数展开相应的处理。本实施例中，所述输入接口具体可以包括但不限于USB接口、串行接口、语音输入接口、指纹输入接口、硬盘读取接口等。
输出接口，用于将处理器产生的各种数据输出至与其相连的终端设备，以便于与输出接口相连的其他终端设备能够获取到处理器产生的各种数据。本实施例中，所述输出接口具体可以包括但不限于USB接口、串行接口等。
通讯单元，用于在数控机床数字孪生模型的更新装置和外部服务器之间建立远程通讯连接，以便于数控机床数字孪生模型的更新装置能够将镜像文件挂载到外部服务器中。本实施例中，通讯单元具体可以包括但不限于基于无线通讯技术或有线通讯技术的远程通讯单元。
键盘，用于获取用户通过实时敲击键帽而输入的各种参数数据或指令。
显示器，用于运行数控机床数字孪生模型的更新过程的相关信息进行实时显示。
鼠标，可以用于协助用户输入数据并简化用户的操作。
本发明还公开了一种可读存储介质，这里所说的可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动硬盘、CD-ROM或技术领域内所公知的任意其他形式的存储介质。可读存储介质中存储有数控机床数字孪生模型的更新程序，所述数控机床数字孪生模型的更新程序被处理器执行时实现上文任一项所述数控机床数字孪生模型的更新方法的步骤。
综上所述，本发明基于集成增量学习策略实现了数控机床数字孪生模型的自适应更新，在保证模型准确性的同时，有效降低了更新成本。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的系统相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，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。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。
同理，在本发明各个实施例中的各处理单元可以集成在一个功能模块中，也可以是各个处理单元物理存在，也可以两个或两个以上处理单元集成在一个功能模块中。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的数控机床数字孪生模型的更新方法、系统、装置及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种数控机床数字孪生模型的更新方法，其特征在于，包括：
监控数控机床的运行状态以触发数字孪生模型更新；
测量数控机床的实际响应，收集响应数据，以生成小批量数据集；
利用小批量数据集确定数字孪生模型的更新模式；
基于确定的更新模式执行相应的模型更新流程。
2.根据权利要求1所述的数控机床数字孪生模型的更新方法，其特征在于，所述监控数控机床的运行状态以触发数字孪生模型更新，包括：
定期在数控机床上执行标准轨迹，并通过互连接口采集数控机床实际响应和电机转矩数据；
将采集到的数控机床实际响应和电机转矩数据与数据库中对应的历史数据进行拟合，生成拟合数据；
计算拟合数据与历史测试数据的差值；历史测试数据为上次数字孪生模型更新后保存的具有相同测试轨迹的历史数据；
如果所述差值超过判断阈值，则触发数字孪生模型更新。
3.根据权利要求2所述的数控机床数字孪生模型的更新方法，其特征在于，所述测量数控机床的实际响应，收集响应数据，以生成小批量数据集，包括：
控制数控机床执行测试轨迹，并通过设置在数控机床上的位置传感器收集数控的实际响应数据；
根据实际响应数据构建小批量数据集
其中，，/>；/>为通过内置的运动学模型获取的数控机床的实际响应数据，/>为数控机床的位置参数、/>为数控机床的速度参数、/>为数控机床的电机扭矩参数，/>为通过外部设备测量的数控机床实际响应数据。
4.根据权利要求3所述的数控机床数字孪生模型的更新方法，其特征在于，所述数字孪生模型包括参数化模型和残差补偿模型。
5.根据权利要求4所述的数控机床数字孪生模型的更新方法，其特征在于，所述利用小批量数据集确定数字孪生模型的更新模式，包括：
利用数控机床的位置参数和参数化模型预测数控机床的位置响应参数/>；其中，/>，/>为参数化模型预测的位置参数，/>为参数化模型的几何误差；
计算外部设备测量的数控机床实际响应数据与参数化模型预测数控机床的位置响应参数/>的差值A1；
计算外部设备测量的数控机床实际响应数据与数控机床的位置参数/>的差值A2；
比较A1与A2；
如果A1＜A2，则只进行残差补偿模型的更新；
如果A2＜A1，则对数字孪生模型进行完全更新。
6.根据权利要求5所述的数控机床数字孪生模型的更新方法，其特征在于，所述基于确定的更新模式执行相应的模型更新流程，包括：
当进行残差补偿模型的更新时，使用小批量数据集对残差补偿模型进行增量更新。
7.根据权利要求5所述的数控机床数字孪生模型的更新方法，其特征在于，所述基于确定的更新模式执行相应的模型更新流程，包括：
当对数字孪生模型进行完全更新时，控制数控机床执行激励轨迹，获取响应数据以构建用于参数化模型参数识别的数据集；
控制数控机床执行随机轨迹，获取响应数据以构建用于残差补偿模型训练的数据集；
利用数据集对参数化模型进行参数识别；
通过数据集对残差补偿模型进行再训练；
采集数控机床执行标准轨迹时的实际响应数据，以更新数据库中的原始测试数据。
8.一种数控机床数字孪生模型的更新系统，其特征在于，包括：
更新触发模块，用于监控数控机床的运行状态以触发数字孪生模型更新；
数据测量模块，用于测量数控机床的实际响应，收集响应数据，以生成小批量数据集；
更新模式判定模块，用于利用小批量数据集确定数字孪生模型的更新模式；
模型更新模块，用于基于确定的更新模式执行相应的模型更新流程。
9.一种数控机床数字孪生模型的更新装置，其特征在于，包括：
存储器，用于存储数控机床数字孪生模型的更新程序；
处理器，用于执行所述数控机床数字孪生模型的更新程序时实现如权利要求1至7任一项所述的数控机床数字孪生模型的更新方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有数控机床数字孪生模型的更新程序，所述数控机床数字孪生模型的更新程序被处理器执行时实现如权利要求1至7任一项所述的数控机床数字孪生模型的更新方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410096409.1A CN117608241B (zh) | 2024-01-24 | 2024-01-24 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410096409.1A CN117608241B (zh) | 2024-01-24 | 2024-01-24 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117608241A true CN117608241A (zh) | 2024-02-27 |
| CN117608241B CN117608241B (zh) | 2024-04-05 |
Family
ID=89948372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410096409.1A Active CN117608241B (zh) | 2024-01-24 | 2024-01-24 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117608241B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117908464A (zh) * | 2024-03-20 | 2024-04-19 | 山东大学 | 一种机床轮廓误差预测方法、系统、装置及可读存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113236491A (zh) * | 2021-05-27 | 2021-08-10 | 华北电力大学 | 一种风力发电数字孪生系统 |
| CN113609672A (zh) * | 2021-08-03 | 2021-11-05 | 东华大学 | 一种基于增量模型的数字孪生系统协同进化方法 |
| CN114356540A (zh) * | 2021-10-30 | 2022-04-15 | 腾讯科技（深圳）有限公司 | 一种参数更新方法、装置、电子设备和存储介质 |
| CN114398049A (zh) * | 2021-11-29 | 2022-04-26 | 南京航空航天大学 | 一种离散制造车间数字孪生模型自适应动态更新方法 |
| US20230152765A1 (en) * | 2021-11-16 | 2023-05-18 | Johnson Controls Tyco IP Holdings LLP | Building data platform with schema extensibility for states of a digital twin |
| CN116578040A (zh) * | 2023-07-13 | 2023-08-11 | 北京机床研究所有限公司 | 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 |
| CN116629136A (zh) * | 2023-06-07 | 2023-08-22 | 西北工业大学 | 数字孪生模型的更新方法、装置、设备及存储介质 |
| CN116779202A (zh) * | 2023-05-22 | 2023-09-19 | 哈尔滨工程大学 | 基于数字孪生的核电厂转动设备智能故障诊断方法及系统 |
| CN117340897A (zh) * | 2023-12-05 | 2024-01-05 | 山东建筑大学 | 面向动态响应预测的机器人数字孪生模型建模方法及系统 |
-
2024
- 2024-01-24 CN CN202410096409.1A patent/CN117608241B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113236491A (zh) * | 2021-05-27 | 2021-08-10 | 华北电力大学 | 一种风力发电数字孪生系统 |
| CN113609672A (zh) * | 2021-08-03 | 2021-11-05 | 东华大学 | 一种基于增量模型的数字孪生系统协同进化方法 |
| CN114356540A (zh) * | 2021-10-30 | 2022-04-15 | 腾讯科技（深圳）有限公司 | 一种参数更新方法、装置、电子设备和存储介质 |
| US20230152765A1 (en) * | 2021-11-16 | 2023-05-18 | Johnson Controls Tyco IP Holdings LLP | Building data platform with schema extensibility for states of a digital twin |
| CN114398049A (zh) * | 2021-11-29 | 2022-04-26 | 南京航空航天大学 | 一种离散制造车间数字孪生模型自适应动态更新方法 |
| CN116779202A (zh) * | 2023-05-22 | 2023-09-19 | 哈尔滨工程大学 | 基于数字孪生的核电厂转动设备智能故障诊断方法及系统 |
| CN116629136A (zh) * | 2023-06-07 | 2023-08-22 | 西北工业大学 | 数字孪生模型的更新方法、装置、设备及存储介质 |
| CN116578040A (zh) * | 2023-07-13 | 2023-08-11 | 北京机床研究所有限公司 | 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 |
| CN117340897A (zh) * | 2023-12-05 | 2024-01-05 | 山东建筑大学 | 面向动态响应预测的机器人数字孪生模型建模方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 邹琦;侯志霞;王明阳;: "机加零件的数字孪生模型构建方法", 航空制造技术, no. 03, 1 February 2020 (2020-02-01) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117908464A (zh) * | 2024-03-20 | 2024-04-19 | 山东大学 | 一种机床轮廓误差预测方法、系统、装置及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117608241B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
| CN117608241B (zh) | 数控机床数字孪生模型的更新方法、系统、装置及介质 | |
| CN110837893B (zh) | 装置、方法和存储介质 | |
| CN112150311B (zh) | 能耗异常状态检测方法、装置、计算机设备和存储介质 | |
| EP2107439A1 (en) | Method and system for the design and implementation of optimal multivariable model predictive controllers for fast-sampling constrained dynamic systems | |
| CN102763048A (zh) | 在虚拟量测中使用适应性预测算法及决定何时使用适应性预测算法的方法及设备 | |
| CN114690706B (zh) | 一种数控机床主轴误差预测补偿方法及系统 | |
| CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| CN114384868A (zh) | 控制装置、控制器、控制系统、控制方法及存储有控制程序的计算机可读介质 | |
| CN115392037A (zh) | 设备故障预测方法、装置、设备及存储介质 | |
| CN115576267A (zh) | 一种基于数字孪生的轮毂机加工尺寸误差修正方法 | |
| CN116629136A (zh) | 数字孪生模型的更新方法、装置、设备及存储介质 | |
| CN111061581A (zh) | 一种故障检测方法、装置及设备 | |
| CN104081298A (zh) | 用于自动化和/或电气工程项目中的工作流程的自动化操控的系统和方法 | |
| CN105701027B (zh) | 数据存储量的预测方法和预测装置 | |
| CN117076260B (zh) | 一种参数及设备异常检测方法及装置 | |
| CN117113886B (zh) | 一种压力预测方法及装置 | |
| Wang et al. | On-line modeling and monitoring for multi-operation batch processes with infinite data types | |
| Zheng et al. | A Remaining Useful Life Prediction Method of Rolling Bearings Based on Deep Reinforcement Learning | |
| CN112560234B (zh) | 一种数控机床剩余寿命估计概率的计算方法、装置和网络侧服务端 | |
| CN117952377A (zh) | 一种数字孪生的离散制造车间同步演化方法、设备及介质 | |
| CN113094351B (zh) | 一种工业自动化生产过程知识挖掘与迁移方法、智能终端及存储介质 | |
| CN117311984B (zh) | 基于对比服务的服务器负载均衡方法及系统 | |
| CN115616978A (zh) | 基于sq-lstma的热误差预测模型、预测方法和控制系统 | |
| CN110110814B (zh) | 基于连续MapReduce的分布并行PCA过程监测建模方法 |
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 |