CN117644431A - 基于数字孪生模型的cnc机床加工质量分析方法及系统 - Google Patents
基于数字孪生模型的cnc机床加工质量分析方法及系统 Download PDFInfo
- Publication number
- CN117644431A CN117644431A CN202410116695.3A CN202410116695A CN117644431A CN 117644431 A CN117644431 A CN 117644431A CN 202410116695 A CN202410116695 A CN 202410116695A CN 117644431 A CN117644431 A CN 117644431A
- Authority
- CN
- China
- Prior art keywords
- processing
- processing quality
- matrix
- state
- quality
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000003754 machining Methods 0.000 title claims description 47
- 238000012545 processing Methods 0.000 claims abstract description 144
- 238000000034 method Methods 0.000 claims abstract description 72
- 239000011159 matrix material Substances 0.000 claims abstract description 68
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 description 22
- 239000010410 layer Substances 0.000 description 20
- 238000004891 communication Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012536 packaging technology Methods 0.000 description 1
- 238000012367 process mapping Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- General Factory Administration (AREA)
Abstract
本发明提供了一种基于数字孪生模型的CNC机床加工质量分析方法及系统,分析方法包括:基于加工对象在加工过程中的监测时间节点和加工质量指标构建初始判断矩阵;对初始判断矩阵进行标准化处理,得到标准化决策矩阵,并在其基础之上结合权重矩阵,得到加权判断矩阵;获取评价目标的正理想值和负理想值;计算各加工质量指标分别与所述正理想值和负理想值的欧式距离;计算各加工质量指标的相对贴合度;将相对贴合度映射为加工质量状态;预测下一阶段可能出现的加工质量状态并及时给予决策反馈。本发明根据采集到的监测时间节点实时数据进行统计分析与处理,将得到的决策信息传送到物理空间的机床设备中,以利于进行加工的及时调整和更新。
Description
技术领域
本发明涉及加工智能监测与控制领域,尤其涉及一种基于数字孪生模型的CNC机床加工质量分析方法及系统。
背景技术
随着计算机技术、通信与网络技术的普遍运用与发展,数字孪生采用多学科、多物理量、多尺度、多概率的方法对物理装备进行数字孪生建模,在信息空间中完成对实际工艺装备和生产过程的全要素映射,进而反映相对应实体工艺装备实时服役状态,贯穿于装备生产加工的全过程和装备的完全生命周期。而车间层数控机床的网络化远程监视、操作、智能决策服务等对现代网络化制造具有重要的意义。因此,研究数控机床网络化远程监控与决策技术可以实现。
公开号为CN114237170A的中国专利公开了基于数字孪生技术的装配车间虚实融合运行与管控方法,利用封装技术将各类物理资源封装为软件智能体,用既对应物理实体又表现为数字化模型的智能体作为物理车间和数字孪生车间的交互接口;同时建立可供人员操作的管控平台管理数字孪生模型。
上述技术方案仅仅从总体上对车间建立数字孪生模型,对于需要人决策或处理的情况并未给出决策的流程。
发明内容
发明目的:提出一种基于数字孪生模型的CNC机床加工质量分析方法及系统,应用于柔性生产线与总装柔性生产线的生产过程,根据数字孪生决策系统采集到的监测时间节点实时数据进行统计分析与处理,最后将得到的决策信息传送到物理空间的机床设备中,以利于进行加工的及时调整和更新,从而有效解决了现有技术存在的上述问题。
第一方面,提出一种基于数字孪生模型的CNC机床加工质量分析方法,步骤如下:
S1、基于预定加工对象在CNC机床加工过程中的m个监测时间节点和n个加工质量指标,构建初始判断矩阵;
S2、对所述初始判断矩阵进行标准化处理,得到标准化决策矩阵;
S3、在所述标准化决策矩阵的基础之上结合权重矩阵,得到加权判断矩阵;
S4、根据所述加权判断矩阵获取评价目标的正理想值和负理想值;
S5、计算各所述加工质量指标分别与所述正理想值和负理想值的欧式距离;
S6、基于所述欧式距离,计算得到各所述加工质量指标的相对贴合度,所述相对贴合度与加工质量的偏差度负相关;
S7、将所述相对贴合度归一化处理映射到之间,划分加工质量状态;
S8、预测加工质量数据的变化趋势,预测下一阶段可能出现的加工质量状态;
S9、基于预测得到的下一阶段可能出现的加工质量状态,给予决策反馈。
在第一方面进一步的实施例中,步骤S1进一步包括:
对于第个监测时间节点的第个加工质量指标的评
价值为,最终形成初始判断矩阵v:
。
在第一方面进一步的实施例中,步骤S2进一步包括:
S2-1、对所述初始判断矩阵进行标准化处理,得到第i个监测时间节点的第j个加
工质量指标的标准值:
;
式中,表示评价值;
S2-2、基于所述标准值,得到标准化决策矩阵:
;
在第一方面进一步的实施例中,步骤S3中所述加权判断矩阵z的表达式如下:
;
式中,B表示权重矩阵;表示标准化决策矩阵。
在第一方面进一步的实施例中,步骤S4进一步包括:
根据所述加权判断矩阵z获取评价目标的正负理想解,收益性指标值与评价结果
成呈正相关关系,损耗性指标值与评价结果呈负相关关系,计算得到正理想值、负理想值:
;
;
式中,收益性指标集为第i个指标值的最优解;损耗性指标集为第i个指标值的
最劣解;n为加工质量指标总个数。
在第一方面进一步的实施例中,步骤S5中计算各所述加工质量指标分别与所述正理想值和负理想值的欧式距离:
;
式中,为各加工质量指标与正理想值之间的欧式距离;为各加工质量指标与负
理想值间的欧式距离;n为加工质量指标总个数。
在第一方面进一步的实施例中,步骤S6中所述相对贴合度的表达式如下:
;
式中,为各加工质量指标与正理想值之间的欧式距离;为各加工质量指标与负
理想值间的欧式距离;m为监测时间节点的总个数。
在第一方面进一步的实施例中,步骤S7进一步包括:
将所述相对贴合度归一化处理映射到之间,并按照2:3:5的概率划分加工
质量状态:
;
式中,E1、E2和E3是CNC机床加工中预定时间节点的状态,E1记为故障,E2记为警告,E3记为正常。
在第一方面进一步的实施例中,步骤S8进一步包括:
S8-1、在当前加工质量状态下,加工质量状态为故障、警告和正常的概率分别为
、和,加工质量状态为故障、警告和正常的频数分别为、和;
当前加工质量状态为故障且下一阶段加工质量状态仍为故障的概率记为;加
工质量状态由故障到警告的概率记为;由故障到正常的概率记为;由警告到故障的
概率记为;由警告到警告的概率记为;由警告到正常的概率记为;由正常到故障
的概率记为;由正常到警告的概率记为;由正常到正常的概率记为;
其余频数含义同上;
S8-2、根据各时间节点的统计数据,计算出马尔可夫模型的状态转移矩阵P:
;
S8-3、用马尔可夫方法在稳态条件下的解作为下一阶段加工质量数据的预测状态,得到马尔可夫稳态概率求解方程:
;
;
式中,、、为预测的下一时间节点的状态概率;表示转置矩阵;
步骤S9进一步包括:通过加工质量状态数据可知加工质量下一阶段最有可能出现的状态,若为正常,虚拟车间当前不需要向物理车间发送预警信息,可继续进行加工作业;
如果预测结果显示下一阶段加工质量数据的状态为警告或故障,则虚拟机床向物理机床发送相应的预警,提醒物理机床采取相应调整措施。
本发明的第二个方面,提出一种CNC机床数字孪生远程决策系统,利用该系统可以实现如第一方面所公开的CNC机床加工质量分析方法。具体来说,该CNC机床加工质量分析系统包括:
初始化单元,用于采集预定加工对象在CNC机床加工过程中的m个监测时间节点和n个加工质量指标,构建初始判断矩阵;
标准化单元,用于对所述初始判断矩阵进行标准化处理,得到标准化决策矩阵;
加权单元,用于在所述标准化决策矩阵的基础之上结合权重矩阵,得到加权判断矩阵;
第一计算单元,用于根据所述加权判断矩阵获取评价目标的正理想值和负理想值;
第二计算单元,用于计算各所述加工质量指标分别与所述正理想值和负理想值的欧式距离;
第三计算单元,用于基于所述欧式距离,计算得到各所述加工质量指标的相对贴合度,所述相对贴合度与加工质量的偏差度负相关;
加工质量划分单元,用于将所述相对贴合度归一化处理映射到之间,划分加
工质量状态;
预测告警单元,用于预测加工质量数据的变化趋势,预测下一阶段可能出现的加工质量状态,并给予反馈。
有益效果:本发明公开了一种基于数字孪生模型的CNC机床加工质量分析方法,采用基于TOPSIS法项目质量偏差量化建模,对比加工质量指标与理想目标的相对贴合度,采用马尔可夫预测模型分析当前加工质量状态,实现对未来加工质量状态的预测。为生产车间加工质量管控提供一种指导和参考。本发明应用于柔性生产线与总装柔性生产线的生产过程,根据数字孪生决策系统采集到的监测时间节点实时数据进行统计分析与处理,最后将得到的决策信息传送到物理空间的机床设备中,以利于进行加工的及时调整和更新。
附图说明
图1是本发明一个实施例中数字孪生远程决策系统网络的总体架构图。
图2是本发明一个实施例中数字孪生远程决策系统软件框架图。
图3是本发明一个实施例中数字孪生远程决策流程图。
图4是本发明一个实施例中加工质量状态转变情况示意图。
图5是本发明实施例中CNC机床加工质量分析方法的流程图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
实施例1:
本实施例公开一种基于Web的CNC机床数字孪生远程决策系统,该系统可应用于柔性生产线与总装柔性生产线的生产过程,根据数字孪生决策系统采集到的监测时间节点实时数据进行统计分析与处理,最后将得到的决策信息传送到物理空间的机床设备中,以利于进行加工的及时调整和更新。
本CNC机床数字孪生远程决策系统所涉及的前端开发是在FlexBulider3开发环境下利用MXML语言与ActionScript3.0语言来进行系统用户界面的开发;后端开发是在MyEclipse6.5开发环境下利用Java语言实现连接Oracle 9i数据库并处理业务逻辑。
本CNC机床数字孪生远程决策系统需要保存处理的数据分为两类:
一是静态信息,这类信息大多数时候是不会改变的,如加工设备编号、加工设备名称等;
二是动态信息,这类信息是生产线产生的实时动态变化信息,如加工设备的监测状态信息、加工决策信息。
本发明的数字孪生远程决策系统采用3层架构,如图1所示,设计了包含车间层、中间层与用户层的 B/S 系统网络架构:
第1层为车间设备层,包含机床、生产线服务器、工业以太网与交换机;
车间层是处于整个系统的最底层,包括柔性生产线与总装柔性生产线,主要是由数据采集应用服务器负责采集两条生产线的生产运行状况数据,然后传递到中间层;
第2层为中间层,包括Web服务器、数据库服务器及其他部门服务器等;
中间层是由实时数据库服务器与 Web 服务器构成,数据库中存在大量的生产过程历时数据,可以进行统计分析,当用户想要访问数据库中的数据时,可以通过IE浏览器向Web服务器发送请求,经过Web服务器中的tomcat服务器处理后,到数据库服务器中进行数据查询,然后将查询结果送回Web服务器中的tomcat服务器后,再以Flex页面返回到浏览器中;
第3层为用户层,将通过中间层采集的数据驱动由WebGL建立的数字孪生虚拟车间模型,用户只需要在客户终端PC上安装IE6.0版本及以上的浏览器,就能够访问Web服务器从而能够对机床进行远程决策与监控。
用户层是处于整个系统的最高层,它是用户与系统进行直接交互的部分并接收用户指令的输入,从而可以通过中间层获取车间层的生产运行状况数据或者向车间层发送控制指令与决策指令,从而直接与车间层数据采集应用服务器直接交换,提高了系统访问的实时性。
根据远程监控的实际需求,基于Web的开放式CNC机床远程数字孪生监控系统主要包括3大功能模块:系统安全管理模块、机床远程监控模块与智能决策模块。如图2所示。
(1)系统安全管理模块。包括用户添加、用户删除与权限分配,主要功能是加强系统的防护、信息过滤和客户管理。
(2)机床远程监控模块。包括机床监测与机床操作,其中机床监测可以对机床进行可视化监视,主要包括机床状态显示、零件加工显示、机床运行状态,同时还可以对机床进行相关的统计分析,如机床效率分析、机床利用率分析、机床OEE分析等;机床操作主要包括机床逻辑控制、NC程序控制及参数设置。
(3)智能决策模块。包括监测时间节点对象权重分析和加工质量预测,构建工艺装备服役性能评估模型,在实时更新的孪生描述数据的驱动下,横向对比历史数据,分析工艺装备的服役性能下降情况,在下降至无法完成当前任务前主动在安全步骤停止工艺执行并提示维护或维修。
实施例2:
如图3所示,在实施例1的基础之上,本发明中的智能决策模块是远程数字孪生决策系统的核心,旨在优化机床加工过程。基于等时间间隔采集的加工质量数据,通过TOPSIS法对加工质量偏差进行量化建模,计算各时间节点的加工质量与理想解的欧氏距离和相对贴合度。采用马尔可夫预测模型分析当前状态,实现对未来加工质量状态的预测,其在执行CNC机床加工质量分析方法时流程如下:
Step1:构建原始评价指标矩阵
假设监测时间节点存在m个监测的时间节点,有n个加工质量指标(如切削力、切削
振动),对第个监测时间节点的第个加工工质量指标进行综
合性分析,其评价值为,最终形成初始判断矩阵:
Step2:数据标准化处理
加工质量指标的量纲各不相同,决策矩阵应具有更完善的处理措施,进行数据标准化处理:
式中:为第i种监测时间节点对象对第j个加工质量指标的标准值,且;为评价值;为标准化决策矩阵。
Step3:形成加权判断矩阵
根据Delphi法获取权重矩阵B,将B与原始标准化评价矩阵中的对应项做乘法,形成加权判断矩阵。结合评价指标的客观权重,可提高决策矩阵的客观性,保证评价的科学性、公平性。
加权判断矩阵z:
Step4:得到正负理想解
根据z获取评价目标的正负理想解,收益性指标值与评价结果成呈正相关关系,损耗性指标值与评价结果呈负相关关系,计算正理想解、负理想解:
式中:收益性指标集为第i个指标值的最优解;损耗性指标集为第i个指标值的
最劣解。
Step5:计算各所述加工质量指标分别与所述正理想值和负理想值的欧式距离
式中:为各加工质量指标与正理想值之间的欧式距离;为各加工质量指标与负
理想值间的欧式距离。
Step6:计算各指标的相对贴合度
对加工质量各指标的相对贴合度由小到大排列。排序结果的值越大,该评价指
标越优,表明质量偏差最小,并计算其贴合度:
Step7:加工质量状态划分
将相对贴合度进行归一化处理映射到之间,并按照2:3:5的概率划分加工质
量状态:
式中:E1、E2和E3是机床加工中某一时间节点的状态,E1记为“故障”,E2记为“警告”,E3记为“正常”。
加工过程中,机床的下一个时间节点状态仅与当前时间节点状态有关,与之前的时间节点状态无关,机床的加工质量状态以一定概率在正常、警告、故障之间转变。加工质量状态转变情况如图4所示。
在当前加工质量状态下,加工质量状态“故障”、“警告”和“正常”的概率分别为、和。当前加工质量状态“故障”且下一阶段加工质量状态仍为“故障”的概率记为。
同理,加工质量状态由“故障”到“警告”的概率记为,由“故障”到“正常”的概率记为
,由“警告”到“故障”的概率记为,由“警告”到“警告”的概率记为,由“警告”到“正
常”的概率记为,由“正常”到“故障”的概率记为,由“正常”到“警告”的概率记为
,由“正常”到“正常”的概率记为。
Step8:预测加工质量状态的变化趋势和状态
根据各时间节点的统计数据,可以计算出马尔可夫模型的状态转移矩阵:
其中,为当前加工质量状态“故障”且下一阶段加工质量状态仍为“故障”的频
数,为当前加工质量状态“故障”的频数,其他参数同理可得。
并用马尔可夫方法在稳态条件下的解作为下一阶段加工质量数据的预测状态,可得马尔可夫稳态概率求解方程。
式中:、、为预测的下一时间节点的状态概率。
Step9:数字孪生决策反馈
通过加工质量状态数据可知加工质量下一阶段最有可能出现的状态,若为“正常”,虚拟车间当前不需要向物理车间发送预警信息,可继续进行加工作业。如果预测结果显示下一阶段加工质量数据的状态为“警告”或“故障”,则虚拟机床会向物理机床发送相应的预警,提醒物理机床采取相应调整措施。
实施例3:
本实施例提出一种电子设备,该电子设备包括处理器、存储器、通信接口和通信总线。处理器、存储器和通信接口通过通信总线完成相互间的通信。存储器用于存放至少一可执行指令,可执行指令使所述处理器执行上述实施例所公开的基于数字孪生模型的CNC机床加工质量分析方法。当所述处理器执行CNC机床加工质量分析方法时,至少依次处理以下步骤,见图5:
Step1:基于预定加工对象在CNC机床加工过程中的m个监测时间节点,有n个加工质量指标,构建原始评价指标矩阵;
Step2:加工质量指标的量纲各不相同,决策矩阵应具有更完善的处理措施,进行数据标准化处理;
Step3:结合评价指标的客观权重,形成加权判断矩阵;
Step4:获取评价目标的正负理想值;
Step5:计算各所述加工质量指标分别与所述正理想值和负理想值的欧式距离;
Step6:计算各指标的相对贴合度,对加工质量各指标的相对贴合度排列;
Step7:工质量状态划分;
Step8:预测加工质量状态的变化趋势和状态;
Step9:进行数字孪生决策反馈。
上述电子设备也可以与一个或多个外部设备 (例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备交互的设备通信,和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且,电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器通过总线与电子设备的其它模块通信。应当明白,可以结合电子设备使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
实施例4:
本实施例提出一种计算机可读存储介质,存储介质中存储有至少一可执行指令,可执行指令在电子设备上运行时,使得电子设备执行如上述实施例所述的基于数字孪生模型的CNC机床加工质量分析方法的操作。本公开中的计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上做出各种变化。
Claims (10)
1.一种基于数字孪生模型的CNC机床加工质量分析方法,其特征在于,包括如下步骤:
S1、基于预定加工对象在CNC机床加工过程中的m个监测时间节点和n个加工质量指标,构建初始判断矩阵;
S2、对所述初始判断矩阵进行标准化处理,得到标准化决策矩阵;
S3、在所述标准化决策矩阵的基础之上结合权重矩阵,得到加权判断矩阵;
S4、根据所述加权判断矩阵获取评价目标的正理想值和负理想值;
S5、计算各所述加工质量指标分别与所述正理想值和负理想值的欧式距离;
S6、基于所述欧式距离,计算得到各所述加工质量指标的相对贴合度,所述相对贴合度与加工质量的偏差度负相关;
S7、将所述相对贴合度归一化处理映射到之间,划分加工质量状态;
S8、预测加工质量数据的变化趋势,预测下一阶段可能出现的加工质量状态;
S9、基于预测得到的下一阶段可能出现的加工质量状态,给予决策反馈。
2.根据权利要求1所述的基于数字孪生模型的CNC机床加工质量分析方法,其特征在于,步骤S1中,对于第个监测时间节点的第/>个加工质量指标的评价值为/>,最终形成初始判断矩阵v:
。
3.根据权利要求2所述的基于数字孪生模型的CNC机床加工质量分析方法,其特征在于,步骤S2进一步包括:
S2-1、对所述初始判断矩阵进行标准化处理,得到第i个监测时间节点的第j个加工质量指标的标准值:
;
式中,表示第i个监测节点的第j个加工质量指标的最小值;/>表示第j个加工质量指标的最大值;/>表示第j个加工质量指标的最大值;/>表示评价值;
S2-2、基于所述标准值,得到标准化决策矩阵/>:
;
式中,表示对*矩阵进行标准化。
4.根据权利要求3所述的基于数字孪生模型的CNC机床加工质量分析方法,其特征在于,步骤S3中所述加权判断矩阵z的表达式如下:
;
式中,B表示权重矩阵;表示标准化决策矩阵。
5.根据权利要求4所述的基于数字孪生模型的CNC机床加工质量分析方法,其特征在于,步骤S4进一步包括:
根据所述加权判断矩阵z获取评价目标的正负理想解,收益性指标值与评价结果成呈正相关关系,损耗性指标值与评价结果呈负相关关系,计算得到正理想值、负理想值/>:
;
;
式中,收益性指标集为第i个指标值的最优解;损耗性指标集/>为第i个指标值的最劣解;n为加工质量指标总个数;/>表示加权判断矩阵中第i个监测节点的第j个加工质量指标的元素。
6.根据权利要求5所述的基于数字孪生模型的CNC机床加工质量分析方法,其特征在于,步骤S5中计算各所述加工质量指标分别与所述正理想值和负理想值的欧式距离:
;
式中,为各加工质量指标与正理想值之间的欧式距离;/>为各加工质量指标与负理想值间的欧式距离;n为加工质量指标总个数。
7.根据权利要求6所述的基于数字孪生模型的CNC机床加工质量分析方法,其特征在于,步骤S6中所述相对贴合度的表达式如下:
;
式中,为各加工质量指标与正理想值之间的欧式距离;/>为各加工质量指标与负理想值间的欧式距离;m为监测时间节点的总个数。
8.根据权利要求7所述的基于数字孪生模型的CNC机床加工质量分析方法,其特征在于,步骤S7进一步包括:
将所述相对贴合度归一化处理映射到/>之间,并按照2:3:5的概率划分加工质量状态:
;
式中,E1、E2和E3是CNC机床加工中预定时间节点的状态,E1记为故障,E2记为警告,E3记为正常。
9.根据权利要求8所述的基于数字孪生模型的CNC机床加工质量分析方法,其特征在于,步骤S8进一步包括:
S8-1、在当前加工质量状态下,加工质量状态为故障、警告和正常的概率分别为、/>和/>,加工质量状态为故障、警告和正常的频数分别为/>、/>和/>;
当前加工质量状态为故障且下一阶段加工质量状态仍为故障的概率记为;加工质量状态由故障到警告的概率记为/>;由故障到正常的概率记为/>;由警告到故障的概率记为/>;由警告到警告的概率记为/>;由警告到正常的概率记为/>;由正常到故障的概率记为/>;由正常到警告的概率记为/>;由正常到正常的概率记为/>;
其余频数含义同上;
S8-2、根据各时间节点的统计数据,计算出马尔可夫模型的状态转移矩阵P:
;
S8-3、用马尔可夫方法在稳态条件下的解作为下一阶段加工质量数据的预测状态,得到马尔可夫稳态概率求解方程:
;
;
式中,、/>、/>为预测的下一时间节点的状态概率;/>表示转置矩阵;
步骤S9进一步包括:
通过加工质量状态数据可知加工质量下一阶段最有可能出现的状态,若为正常,虚拟车间当前不需要向物理车间发送预警信息,可继续进行加工作业;
如果预测结果显示下一阶段加工质量数据的状态为警告或故障,则虚拟机床向物理机床发送相应的预警,提醒物理机床采取相应调整措施。
10.一种CNC机床数字孪生远程决策系统,其特征在于包括:
初始化单元,用于采集预定加工对象在CNC机床加工过程中的m个监测时间节点和n个加工质量指标,构建初始判断矩阵;
标准化单元,用于对所述初始判断矩阵进行标准化处理,得到标准化决策矩阵;
加权单元,用于在所述标准化决策矩阵的基础之上结合权重矩阵,得到加权判断矩阵;
第一计算单元,用于根据所述加权判断矩阵获取评价目标的正理想值和负理想值;
第二计算单元,用于计算各所述加工质量指标分别与所述正理想值和负理想值的欧式距离;
第三计算单元,用于基于所述欧式距离,计算得到各所述加工质量指标的相对贴合度,所述相对贴合度与加工质量的偏差度负相关;
加工质量划分单元,用于将所述相对贴合度归一化处理映射到之间,划分加工质量状态;
预测告警单元,用于预测加工质量数据的变化趋势,预测下一阶段可能出现的加工质量状态,并给予反馈。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116695.3A CN117644431B (zh) | 2024-01-29 | 2024-01-29 | 基于数字孪生模型的cnc机床加工质量分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116695.3A CN117644431B (zh) | 2024-01-29 | 2024-01-29 | 基于数字孪生模型的cnc机床加工质量分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117644431A true CN117644431A (zh) | 2024-03-05 |
CN117644431B CN117644431B (zh) | 2024-04-02 |
Family
ID=90049927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410116695.3A Active CN117644431B (zh) | 2024-01-29 | 2024-01-29 | 基于数字孪生模型的cnc机床加工质量分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117644431B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019072774A (ja) * | 2017-10-12 | 2019-05-16 | シチズン時計株式会社 | 異常検出装置及び異常検出装置を備えた工作機械 |
CN111722539A (zh) * | 2020-06-03 | 2020-09-29 | 西安交通大学 | 一种基于时间自动机的数字孪生制造单元行为建模方法 |
CN112698625A (zh) * | 2020-12-11 | 2021-04-23 | 西安交通大学 | 一种面向联动轨迹误差预测的五轴机床数字孪生建模方法 |
CN112859739A (zh) * | 2021-01-15 | 2021-05-28 | 天津商业大学 | 一种数字孪生驱动的多轴数控机床轮廓误差抑制方法 |
CN114274366A (zh) * | 2022-01-06 | 2022-04-05 | 南京航空航天大学 | 一种基于数字孪生的超声辅助切削表面微织构创建方法 |
CN114758064A (zh) * | 2022-03-21 | 2022-07-15 | 重庆邮电大学 | 一种基于数字孪生的机床切削工艺参数优化方法 |
CN114895565A (zh) * | 2022-05-21 | 2022-08-12 | 哈尔滨理工大学 | 面向铣削工况下双转台五轴机床动力学特性实时预测方法 |
CN115840998A (zh) * | 2022-11-30 | 2023-03-24 | 天津商业大学 | 基于数字孪生的机床轮廓误差动态预测方法及装置 |
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 |
CN117170310A (zh) * | 2023-08-30 | 2023-12-05 | 南京开通自动化技术有限公司 | 一种基于数字孪生的数控机床远程故障诊断方法及系统 |
-
2024
- 2024-01-29 CN CN202410116695.3A patent/CN117644431B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019072774A (ja) * | 2017-10-12 | 2019-05-16 | シチズン時計株式会社 | 異常検出装置及び異常検出装置を備えた工作機械 |
CN111722539A (zh) * | 2020-06-03 | 2020-09-29 | 西安交通大学 | 一种基于时间自动机的数字孪生制造单元行为建模方法 |
CN112698625A (zh) * | 2020-12-11 | 2021-04-23 | 西安交通大学 | 一种面向联动轨迹误差预测的五轴机床数字孪生建模方法 |
CN112859739A (zh) * | 2021-01-15 | 2021-05-28 | 天津商业大学 | 一种数字孪生驱动的多轴数控机床轮廓误差抑制方法 |
CN114274366A (zh) * | 2022-01-06 | 2022-04-05 | 南京航空航天大学 | 一种基于数字孪生的超声辅助切削表面微织构创建方法 |
CN114758064A (zh) * | 2022-03-21 | 2022-07-15 | 重庆邮电大学 | 一种基于数字孪生的机床切削工艺参数优化方法 |
CN114895565A (zh) * | 2022-05-21 | 2022-08-12 | 哈尔滨理工大学 | 面向铣削工况下双转台五轴机床动力学特性实时预测方法 |
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 |
CN115840998A (zh) * | 2022-11-30 | 2023-03-24 | 天津商业大学 | 基于数字孪生的机床轮廓误差动态预测方法及装置 |
CN117170310A (zh) * | 2023-08-30 | 2023-12-05 | 南京开通自动化技术有限公司 | 一种基于数字孪生的数控机床远程故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117644431B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052979B (zh) | 基于故障预测与健康管理的设备备件需求预测系统 | |
Wang et al. | Fault prognostics using dynamic wavelet neural networks | |
CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
KR101825881B1 (ko) | 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
US20030120402A1 (en) | Intelligent condition-based engine/equipment management system | |
CN105096053A (zh) | 一种适用于复杂工艺系统的健康管理决策方法 | |
CN109902931B (zh) | 一种基于运行数据融合的多态制造系统运行风险建模方法 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN116070802B (zh) | 一种基于数据孪生的智能监控运维方法和系统 | |
CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
Su et al. | Intelligent prognostics system design and implementation | |
CN111123223A (zh) | 用于雷达健康管理的通用开发平台、管理系统及方法 | |
CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
CN110895495A (zh) | 人因失误分析方法、系统、计算机设备及存储介质 | |
Li et al. | Framework and case study of cognitive maintenance in Industry 4.0 | |
CN117764422B (zh) | 智慧节能运维管理云平台 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN116976862B (zh) | 一种工厂设备信息化管理系统及方法 | |
CN117644431B (zh) | 基于数字孪生模型的cnc机床加工质量分析方法及系统 | |
CN113612625A (zh) | 一种网络故障定位方法及装置 | |
CN110415136B (zh) | 一种电力调度自动化系统服务能力评估系统与方法 | |
CN106649034A (zh) | 一种可视化智能运维方法及平台 | |
CN115222181A (zh) | 机器人运营状态监控系统及方法 |
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 |