CN115034147A - 一种基于数字孪生的智能制造*** - Google Patents

一种基于数字孪生的智能制造*** Download PDF

Info

Publication number
CN115034147A
CN115034147A CN202210971496.1A CN202210971496A CN115034147A CN 115034147 A CN115034147 A CN 115034147A CN 202210971496 A CN202210971496 A CN 202210971496A CN 115034147 A CN115034147 A CN 115034147A
Authority
CN
China
Prior art keywords
mapping
physical
sensing
manufacturing system
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
Application number
CN202210971496.1A
Other languages
English (en)
Other versions
CN115034147B (zh
Inventor
周京
孙中华
苏越
赵慧
喻秀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
TIANJIN LIGHT INDUSTRY VOCATIONAL TECHNICAL COLLEGE
Original Assignee
TIANJIN LIGHT INDUSTRY VOCATIONAL TECHNICAL COLLEGE
Tianjin Tianyuan Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by TIANJIN LIGHT INDUSTRY VOCATIONAL TECHNICAL COLLEGE, Tianjin Tianyuan Technology Co ltd filed Critical TIANJIN LIGHT INDUSTRY VOCATIONAL TECHNICAL COLLEGE
Priority to CN202210971496.1A priority Critical patent/CN115034147B/zh
Publication of CN115034147A publication Critical patent/CN115034147A/zh
Application granted granted Critical
Publication of CN115034147B publication Critical patent/CN115034147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Feedback Control In General (AREA)
  • Development Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明提出了一种基于数字孪生的智能制造***，属于智能制造技术领域，智能制造***的不同位置或者不同环节上设置有Ns个感测点，每个物理感测点布设有物理传感器，采集形成物理传感数据集，每个虚拟感测点布设有映射传感器，通过构建深度神经网络模型获取虚拟感测点上的映射传感数据，映射模型生成单元生成用于映射实际制造***的映射模型；数字孪生***用于构建数字孪生模型；控制器将映射模型与数字孪生模型进行比较，计算每个物理感测点的加工误差，并生成物理感测点的校正控制信号，发送给所述智能制造***的需要修正的物理感测点的驱动***。

Description

一种基于数字孪生的智能制造***
技术领域
本发明涉及智能制造技术领域，尤其涉及一种基于数字孪生的智能制造***。
背景技术
智能制造是制造的过程具有智能感知和通信能力，能够承载整个供应链和产品生命周期中所需的信息；整个生产过程中所需的生产设备能够实现自组织，根据当前的生产状况灵活地决定生产计划；在制造过程中，通过物联网集成生产设备资源，实现制造***的智能感知、互通互联和数据集成；通过实时数据分析与预测，实现制造过程的实时监控、设备维护、调度管理和质量控制等智能化服务。
智能制造的核心问题是实现物理世界和信息世界的融合。数字孪生技术是物理世界与信息世界融合的有效途径。数字孪生技术是指利用信息技术构建虚拟模型对物理实体的性能、行为、特征进行描述进而监控物理对象行为、预测物理对象性能以及反向控制物理对象的技术。数字孪生体是指与物理实体对应的虚拟模型，用来模拟物理对象的行为和性能。数字孪生体具有多种特征，包括虚拟性、多维度性、全生命周期、多学科性。
数控机床是现代制造业的核心，通过研究数控机床的数字孪生体，能够对数控机床的加工过程在虚拟空间进行数字化映射，可以用来模拟、监控、控制物理机床在生产环境中的状态和行为。数字孪生机床根据物理机床的数据进行虚拟模型的数据完善、模型的构建，进一步统计、分析、处理、展示这些数据来实现对实际机床的实时监控和控制。
作为由物理设备到数字孪生模型的映射，三维远程实时监控是实现数控机床数字孪生的基础。三维实时监控可以及时、准确的了解机床运行状态和加工信息为机床的远程控制、故障预警、设备维护提供基础。三维实时监控中，一方面可以采集工作现场实时数据，为优化生产过程提供可靠的数据支持；另一方面能在远端直观的观察数控机床的运行状况，从而减轻工人的劳动强度，提高生产效率。
但是现有技术中，对数控设备的孪生模型的建立和数字孪生模型在设备的设计、使用、维护中的应用研究并不充分。目前的研究大多集中真实设备与虚拟设备的“虚实融合”，由真实设备到孪生模型之间的映射，对于孪生模型反向控制真实设备的“以虚控实”的研究相对较少。
如图1 所示为现有技术的数字孪生制造***的整体结构示意图；基于数字孪生技术，结合VE²、智能制造信息管理与执行***、智能加工产线状态监测与信号分析***三大平台，虽然也能够实现虚实结合，更加贴切地展示智能制造***的实际生产过程，但是，现有的数字孪生制造***中，首先缺少实际制造***的多工序或多工位的实时加工参数获取，因此无法实现及时的加工校正控制；其次，现有的数字孪生制造***中的数字孪生制造***与实际制造***是相互映射的，这样无法判别实际制造过程与目标的制造标准之间存在的差距。
发明内容
为了解决上述技术问题，本发明提出了一种基于数字孪生的智能制造***，包括：映射模型生成单元、数字孪生***、控制器、数据库、传感器；
所述智能制造***的不同位置或者不同环节上设置有Ns个感测点，所述Ns个感测点包括N个物理感测点和M个虚拟感测点；
每个物理感测点布设有物理传感器，所述物理传感器用于实时采集所述物理感测点上的物理传感数据，形成物理传感数据集，并存储到所述数据库中的物理寄存单元；
每个虚拟感测点布设有映射传感器，所述映射传感器通过构建深度神经网络模型获取所述虚拟感测点上的映射传感数据，形成映射传感数据集，并存储到所述数据库中的虚拟寄存单元；
所述映射模型生成单元，基于所述物理传感数据集和映射传感数据集生成用于映射实际制造***的映射模型；
所述数字孪生***用于构建数字孪生模型；
所述控制器将所述映射模型与所述数字孪生模型进行比较，计算每个物理感测点和映射感测点的加工误差，并生成校正控制信号，发送给所述智能制造***的需要修正的物理感测点和映射感测点的驱动***。
进一步地，设第i个物理感测点的加工误差为
Figure 216488DEST_PATH_IMAGE002
，设第j个映射感测点的加工误差为
Figure 320579DEST_PATH_IMAGE004
，则：
Figure 37999DEST_PATH_IMAGE006
；
Figure 433209DEST_PATH_IMAGE008
；
其中，
Figure 247581DEST_PATH_IMAGE010
为数字孪生模型中第i个物理感测点的理想加工数据，dri为实际制造***中第i个物理感测点的物理传感器测得的物理传感数据，
Figure 254064DEST_PATH_IMAGE012
为物理传感器修正参数；
Figure 521098DEST_PATH_IMAGE014
为数字孪生模型中第j个映射感测点的理想加工数据，drj为实际制造***中第j个映射感测点的映射传感器测得的映射传感数据，
Figure 719998DEST_PATH_IMAGE016
为映射传感器修正参数；
所述物理传感器修正参数
Figure 388877DEST_PATH_IMAGE012
和映射传感器修正参数
Figure 319924DEST_PATH_IMAGE016
根据映射模型与数字孪生模型比较后，分别由所有物理感测点和映射感测点的整体误差情况获得，定义如下：
Figure 74253DEST_PATH_IMAGE017
；
Figure 811265DEST_PATH_IMAGE018
；
其中，
Figure 334650DEST_PATH_IMAGE020
为每个物理感测点所占权重，
Figure 951445DEST_PATH_IMAGE022
为每个映射感测点所占权重，N为物理传感器总数，M为映射传感器总数。
进一步地，所述控制器计算加工误差大于加工误差阈值的物理感测点和映射感测点的校正控制信号H，则对应第i个物理感测点的校正控制信号Hi和对应第j个映射感测点的校正控制信号Hj分别为：
Hi=
Figure 193070DEST_PATH_IMAGE024
；
Hj=
Figure 468194DEST_PATH_IMAGE026
；
所述控制器将物理感测点和映射感测点的校正控制信号分别发送给实际制造***的需要修正的物理感测点和映射感测点的驱动***中。
进一步地，所述数字孪生***包括***辨识单元，所述***辨识单元用于对构建的数字孪生模型进行模型精确度辨识，利用数字孪生模型的输入、输出数据进行离线辨识，判断数字孪生模型与目标制造***是否等价。
进一步地，当数字孪生模型工作于模拟制造模式时，计算所述数字孪生模型输入端Y(s)到输出端U(s)的动力输出函数G(s)为：
Figure 49348DEST_PATH_IMAGE028
；
式中：T为时间常数，s为加工参变量，K为增益系数，所述增益系数根据加工参变量s的类型的变化而变化；
将数字孪生模型的动力输出函数G(s)与目标制造***的动力输出函数进行曲线对比，从而判断数字孪生模型与目标制造***是否等价。
进一步地，所述映射传感器通过构建深度神经网络模型获取映射传感数据，构建深度神经网络模型所需要的训练数据为在所述数据库中的历史数据寄存单元中存储的N个物理感测点上的加工参数的历史数据集以及M个对应实际制造***的虚拟感测点的相同位置点上的加工参数构成的历史数据集，所述历史数据寄存单元中存储的M个对应实际制造***的虚拟感测点的相同位置点上的加工参数是通过与其关联的物理传感器计算获得的数据。
进一步地，通过构建深度神经网络模型获取所述虚拟感测点上的映射传感数据的训练过程为：当制造过程的时刻为t时，从历史数据寄存单元中收集历史的制造过程中的t时刻N个物理感测点上的加工参数构成的历史数据集
Figure 384514DEST_PATH_IMAGE030
以及t时刻对应实际制造***的M个虚拟感测点的相同位置点上的加工参数构成的历史数据集
Figure 113436DEST_PATH_IMAGE032
，t时刻执行动作以后获得一个反馈值Rt，更新下一个时刻为t+1时的N个物理感测点上的加工参数构成的历史数据集
Figure 379201DEST_PATH_IMAGE034
以及对应实际制造***的M个虚拟感测点的相同位置点上的加工参数构成的历史数据集
Figure 877179DEST_PATH_IMAGE036
，t+1时刻执行动作以后获得一个反馈值Rt+1，将新一轮数据(Rt+1，
Figure DEST_PATH_IMAGE037
，
Figure 648826DEST_PATH_IMAGE036
)存入训练数据存储单元；反复进行直至所述深度神经网络模型收敛到理想的状态。
进一步地，根据校正控制信号在实际制造***执行的校正控制时间T的长短，进行下一次感测点加工参数的获取、映射模型与数字孪生模型比较并生成校正控制信号的过程，所述校正控制时间T与加工误差的大小成正比。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为现有技术的数字孪生制造***的整体结构示意图；
图2为本发明的基于数字孪生的智能制造***的整体结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本发明的具体实施例附图中，为了更好、更清楚的描述***中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图2所示，本发明的基于数字孪生的智能制造***包括映射模型生成单元、数字孪生***、控制器、数据库、传感器。
在智能制造***的不同位置或者不同环节布置用于采集加工数据的多个感测点，在每个感测点上布设传感器，用于对驱动结构、待加工部件、加工工具等加工数据或加工状态进行感测。
出于某种原因可能，实际制造***中的部分感测点能够安装传感器，但其他感测点无法安装传感器，因此，将能够安装传感器的感测点称为物理感测点，将物理传感器布设在该物理感测点上，将无法安装传感器的感测点称为虚拟感测点，将映射传感器虚拟地布设在该虚拟感测点上。
因此，本发明的智能制造***中的传感器包括物理传感器和映射传感器；物理传感器需要实时采集不同物理感测点上的物理传感数据，并存储到数据库中的物理寄存单元，供映射模型生成单元调用。
映射传感器用于获取实际制造***中不同于物理感测点之外的虚拟感测点上的映射传感数据，并将映射传感数据存储于数据库中的虚拟寄存单元，供映射模型生成单元调用。
数据是数字孪生机床交互机制的核心之一，为了保证实际制造***的数控机床在加工过程中处于良好的运行状态，需要对其进行实时数据采集。
具体地，设在已经安装了物理传感器的N个物理感测点上，第i个物理感测点上布设的物理传感器为Sri，其所感测到的物理传感数据为dri，N个物理传感数据为dri构成了物理传感数据集DR={dr1，dr2，…，dri，…，drN}。
在其余的M个虚拟感测点上的映射传感数据，由多个映射传感器获得，设第j个虚拟感测点上的映射传感器为Svj，映射传感数据为dvj，M个映射传感数据dvj组成映射传感数据集DV={dv1，dv2，…，dvj，…，dvM}。
具体地，映射传感器通过构建深度神经网络模型获取映射传感数据dvj，构建深度神经网络模型所需要的训练数据为在数据库中的历史数据寄存单元中存储的N个物理感测点上的加工参数构成的历史数据集DR’以及M个对应实际制造***的虚拟感测点的相同位置点上的加工参数构成的历史数据集DV’。
在此需要强调的是，历史数据寄存单元中存储的M个对应实际制造***的虚拟感测点的相同位置点上的加工参数是通过与其关联的物理传感器计算获得的数据。例如，若该虚拟感测点测量的加工参数类型为机械参数，则可根据与其具有机械连接关系的物理感测点的测量的加工参数按照力学原理进行计算；若该虚拟感测点测量的加工参数类型为能量参数，则可根据与其具有能量传递关系的物理感测点的测量的加工参数按照能量守恒原理进行计算。但是，在实际加工过程中，若仍通过上述计算获得虚拟感测点的加工参数，则会存在由于加工参数类型不同而导致的计算方式不同，且由于计算量过大，而导致的***运行繁重等问题。因此，本发明则采用使用训练数据训练映射传感器SV的机器学习数据模型，通过训练数据，获得代表N个物理感测点上的加工参数以及M个虚拟感测点上的加工参数二者之间关系的深度神经网络模型。
映射传感器将实际制造***中布设在物理感测点上的物理传感器Sri的实时获取的物理传感数据dri代入到上述深度神经网络模型中，输出能够代表实际制造***中M个虚拟感测点状态的映射传感数据dvi，M个虚拟感测点的映射传感数据dvj组成映射传感数据集DV={dv1，dv2，…，dvj，…，dvM}。
深度神经网络模型的构建是为了找到历史数据集（训练数据）DV’和DR’之间的相关性，即DV’=f(DR’)，并且可以使用各种机器学习方法进行训练。
本实施例优选采用深度神经网络模型进行获取，包括训练及构建所述深度神经网络模型的步骤：
首先，训练所述深度神经网络模型。
利用近端策略优化算法建立训练样本数据，即训练所述深度神经网络模型。当制造过程的时刻为t时，从历史数据寄存单元中收集历史的制造过程中的t时刻N个物理感测点上的加工参数构成的历史数据集
Figure 537147DEST_PATH_IMAGE030
以及t时刻对应实际制造***的M个虚拟感测点的相同位置点上的加工参数构成的历史数据集
Figure 419652DEST_PATH_IMAGE032
，t时刻执行动作以后获得一个反馈值Rt，更新下一个时刻为t+1时的N个物理感测点上的加工参数构成的历史数据集
Figure 772136DEST_PATH_IMAGE034
以及对应实际制造***的M个虚拟感测点的相同位置点上的加工参数构成的历史数据集
Figure 714685DEST_PATH_IMAGE036
，t+1时刻执行动作以后获得一个反馈值Rt+1，将新一轮数据(Rt+1，
Figure 339570DEST_PATH_IMAGE037
，
Figure 760187DEST_PATH_IMAGE036
)存入训练数据存储单元；反复进行直至所述深度神经网络模型收敛到理想的状态。
其次，使用已训练好的深度神经网络模型，将制造***中实际采集的N个物理传感数据dri构成的物理传感数据集DR={dr1，dr2，…，dri，…，drN}作为深度神经网络模型输入层的输入序列X，N为该输入序列的个数；则深度神经网络模型的输出层的输出序列即为预测的当前时刻制造***中M个虚拟感测点的映射传感数据集DV={dv1，dv2，…，dvj，…，dvM}，其代表M个虚拟感测点的映射传感数据。
需要解释的是，输入的数据为实际制造时实时采集的当前时刻的物理传感数据集DR，输出的是根据深度神经网络模型预测的当前时刻制造***中M个虚拟感测点的映射传感数据集DV，这样得出的制造***中实际采集的物理传感数据集DR和由深度神经网络模型预测的映射传感数据集DV之间的相关性符合了已训练好的深度神经网络模型中的历史数据集（即训练数据）DR’和DV’之间的关系模型，即已训练好的深度神经网络模型实现了预测无法安装传感器的虚拟感测点的实时的加工数据，即映射传感数据集DV。
对于深度神经网络模型的结构，与现有技术中所描述的一致，可参考现有技术的构建方法实现，即深度神经网络模型均包括输入层、隐藏层、输出层，隐藏层预测模型需要学习的参数，即输入层与输出层对应的权重和偏差，从而获得输入层和输出层的预测关系。
映射模型生成单元，基于所述物理传感数据集DR和映射传感数据集DV生成用于映射实际制造***的映射模型。
实际制造***中布设的物理传感器总数为N，映射传感器的总数为M，则映射模型需要获取到的传感器总数量为Ns=N+M。
数字孪生***以三维仿真的形式将目标制造***中的机床机械运动、部件被加工过程等在信息空间中表现出来，来构建数字孪生模型。
在优选实施例中，数字孪生***还包括***辨识单元，***辨识单元用于对构建的数字孪生模型进行模型精确度辨识，利用数字孪生模型的输入、输出数据进行离线辨识，判断数字孪生模型与目标制造***是否等价。具体采用如下方法：
当数字孪生模型工作于模拟制造模式时，计算该数字孪生模型输入端Y(s)到输出端U(s)的动力输出函数G(s)为：
Figure 232757DEST_PATH_IMAGE028
；
式中：T为时间常数，s为加工参变量；其中，加工参变量s可以根据实际需要选择输入不同的加工参变量类型，例如主轴转速、刀具切割频率、电流幅值等；K为增益系数，该增益系数是根据加工参变量s的类型的变化而变化的，例如K可以为速度放大增益、频率放大增益、电流环增益等。
将数字孪生模型的动力输出函数G(s)与目标制造***的动力输出函数进行曲线对比，从而判断数字孪生模型与目标制造***是否等价。目标制造***优选地采用精确加工的零件的加工过程的所用的制造***。因此，数字孪生模型可以通过考虑精确加工的零件的加工过程的所用的参数测量和建模行为来提高数字孪生模型模拟结果的准确性，而不是仅依赖于理想化的建模行为。
数字孪生模型提供可视化映射，达到良好的可视化模拟效果。这要求数字孪生模型的几何尺寸和装配位置关系精度高，逼真的数字孪生模型能够实现精确的模拟或仿真实际制造过程，通过视角的移动、漫游能够带来强烈的沉浸感。同时，由于涉及到多维要素的叠加，数字孪生模型更为复杂，仿真数据的刷新频率更高。因此，数字孪生模型的可视化仿真要求较高的图形处理速度。
为了模拟目标制造***的运行逻辑，需要在数字孪生模型中融合物理运行规则。例如，机床加工过程中的加工要素需要得到模拟，包括设定加工坐标系，刀具、部件参数等工艺参数。
建立虚拟数控面板模拟目标制造***操作逻辑，用于与数字孪生模型交互的通道，为实际制造***的监控和反馈提供操作的便捷与沉浸感，因此通过建立数控代码解析机制，参考目标制造***的加工工程进行建模，具体针对机床加工过程中刀具的行进过程进行建模，对刀具加工过程中机床给予的动力及摩擦力等进行分析，以抽象出目标制造***加工过程中的刀具动力学过程。接着，采用物理引擎及计算机图形学库构建一个仿真的环境，进而得到所述环境仿真下的数字孪生模型。所述环境仿真下的数字孪生模型能够将整个加工过程可视化，且可将刀具在加工过程中的状态量表示出来，实现数字孪生模型的运动仿真。
数字孪生模型构建完成后，需要将映射模型与数字孪生模型进行比较，生成修正加工指令。
具体地，控制器将映射模型与数字孪生模型进行比较，并计算该物理感测点和映射感测点的加工误差，以确定各个物理感测点和映射感测点的实际加工参数是否偏离理想加工参数。
具体地，设第i个物理感测点的加工误差为
Figure 283889DEST_PATH_IMAGE002
，设第j个映射感测点的加工误差为
Figure 209120DEST_PATH_IMAGE004
，则：
Figure 433428DEST_PATH_IMAGE006
；
Figure 494925DEST_PATH_IMAGE008
；
其中，
Figure 969156DEST_PATH_IMAGE010
为数字孪生模型中第i个物理感测点的理想加工数据，dri为实际制造***中第i个物理感测点的物理传感器测得的物理传感数据，
Figure 381683DEST_PATH_IMAGE012
为物理传感器修正参数；
Figure 409682DEST_PATH_IMAGE014
为数字孪生模型中第j个映射感测点的理想加工数据，drj为实际制造***中第j个映射感测点的映射传感器测得的映射传感数据，
Figure 528947DEST_PATH_IMAGE016
为映射传感器修正参数。
该物理传感器修正参数
Figure 718620DEST_PATH_IMAGE012
和映射传感器修正参数
Figure 618443DEST_PATH_IMAGE016
根据映射模型与数字孪生模型比较后，分别由所有物理感测点和映射感测点的整体误差情况获得，定义如下：
Figure 184554DEST_PATH_IMAGE038
；
Figure DEST_PATH_IMAGE039
；
其中，
Figure 673173DEST_PATH_IMAGE020
为每个物理感测点所占权重，、
Figure 33747DEST_PATH_IMAGE022
为每个映射感测点所占权重；N为物理传感器总数，M为映射传感器总数，
Figure 358549DEST_PATH_IMAGE010
为数字孪生模型中第i个物理感测点的理想加工数据，、
Figure 728350DEST_PATH_IMAGE014
为数字孪生模型中第j个映射感测点的理想加工数据，dri为实际制造***中第i个物理感测点的物理传感器测得的物理传感数据，drj为实际制造***中第j个映射感测点的映射传感器测得的映射传感数据。
控制器计算加工误差为大于加工误差阈值的物理感测点和映射感测点的校正控制信号，则对应第i个物理感测点的校正控制信号Hi和对应第j个映射感测点的校正控制信号Hj分别为：
Hi=
Figure 618946DEST_PATH_IMAGE024
；
Hj=
Figure 416001DEST_PATH_IMAGE026
。
控制器将加工误差大于加工误差阈值的物理感测点和映射感测点的校正控制信号发送给实际制造***的需要修正的物理感测点和映射感测点的驱动***中。
在优选实施例中，可以根据校正控制信号在实际制造***执行的校正控制时间T的长短，而进行下一次感测点加工参数的获取以及虚实互联、数字孪生过程的循环。该校正控制时间T与加工误差的大小成正比。
如此循环校正，直到实际制造***的映射模型和数字孪生模型之间的比较后的加工误差在允许公差范围，及均不大于加工误差阈值，或者将该虚实互联、数字孪生的过程贯穿整个加工全过程，与实际制造***的运行逻辑形成映射，并且实现良好的交互功能。
数字孪生***交互机制是实现智能制造***远程精确控制即校正的基础，通过基于加工误差驱动的状态反馈得到的处理指令或与虚拟面板的交互，发送校正调试指令至数字孪生模型，调整机床关键感测点位姿或对运动过程控制，或是与实际制造***的控制指令耦合向下位的驱动***发送指令，由数控***读取并执行，远程操作实际制造***的数控机床，及时监控和处理可能存在的异常。
映射模型是一种实时映射实际制造***的数字仿真模型，在完成了几何、逻辑的静态建模的基础上，搭建映射模型与物理对象之间信息交互的通道，实现三向映射，再通过与数字孪生模型的比较，向实际制造***的驱动***发送校正指令，反向控制，达到“以虚控实”的效果。因此，需要建立数据库，对物理机床在加工过程中的运行数据进行采集、处理、融合，实现实际制造***的映射。一方面，基于机器学习算法对采集到的数据进行分析和预测，从数据中预测不能够通过物理传感器直接感测的信息，构建虚拟寄存单元；另一方面，对通过历史精确加工过程的过程数据进行持久化的本地存储，形成历史数据寄存单元。
在优选实施例中，本发明选取HNC-8作为开放式数控***，各个部件的运行数据可以通过电器控制***、传感器等设备采集并存储于寄存单元中，然后基于HNCSDK通信程序库和以太网硬件通信方式，建立控制器与下位的驱动***之间的通信连接，读取寄存单元数据，即可将数据上传至数据库，同时数字孪生模型可以通过指令函数修改数控***的操作参数以实现对实际制造***的机床的反向控制。
在优选地数据通信架构中，机床的各类数据通过传感器、电气控制***、光栅尺、主轴电机等采集得到，传输至数控***的核心模块NCU中，其中直线运动轴和旋转运动轴的位置由光栅尺测量得到，数控面板开关量和限位开关作为数字量输入通过I/O接口采集得到。控制器程序可以调用API接口函数，基于以太网硬件通信方式访问下位的物理传感器，获取所需要的数据，最后实时显示在人机交互界面上。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于数字孪生的智能制造***，其特征在于，包括：映射模型生成单元、数字孪生***、控制器、数据库、传感器；
所述智能制造***的不同位置或者不同环节上设置有Ns个感测点，所述Ns个感测点包括N个物理感测点和M个虚拟感测点；
每个物理感测点布设有物理传感器，所述物理传感器用于实时采集所述物理感测点上的物理传感数据，形成物理传感数据集，并存储到所述数据库中的物理寄存单元；
每个虚拟感测点布设有映射传感器，所述映射传感器通过构建深度神经网络模型获取所述虚拟感测点上的映射传感数据，形成映射传感数据集，并存储到所述数据库中的虚拟寄存单元；
所述映射模型生成单元，基于所述物理传感数据集和映射传感数据集生成用于映射实际制造***的映射模型；
所述数字孪生***用于构建数字孪生模型；
所述控制器将所述映射模型与所述数字孪生模型进行比较，计算每个物理感测点和映射感测点的加工误差，并生成校正控制信号，发送给所述智能制造***的需要修正的物理感测点和映射感测点的驱动***。
2.根据权利要求1所述的智能制造***，其特征在于，设第i个物理感测点的加工误差为
Figure 366216DEST_PATH_IMAGE002
，设第j个映射感测点的加工误差为
Figure 613658DEST_PATH_IMAGE004
，则：
Figure 684382DEST_PATH_IMAGE006
；
Figure 737789DEST_PATH_IMAGE008
；
其中，
Figure 767449DEST_PATH_IMAGE010
为数字孪生模型中第i个物理感测点的理想加工数据，dri为实际制造***中第i个物理感测点的物理传感器测得的物理传感数据，
Figure 248109DEST_PATH_IMAGE012
为物理传感器修正参数；
Figure 540550DEST_PATH_IMAGE014
为数字孪生模型中第j个映射感测点的理想加工数据，drj为实际制造***中第j个映射感测点的映射传感器测得的映射传感数据，
Figure 335331DEST_PATH_IMAGE016
为映射传感器修正参数；
所述物理传感器修正参数
Figure 29617DEST_PATH_IMAGE012
和映射传感器修正参数
Figure 681179DEST_PATH_IMAGE016
根据映射模型与数字孪生模型比较后，分别由所有物理感测点和映射感测点的整体误差情况获得，定义如下：
Figure 913446DEST_PATH_IMAGE018
；
Figure 308655DEST_PATH_IMAGE020
；
其中，
Figure 857448DEST_PATH_IMAGE022
为每个物理感测点所占权重，
Figure 945490DEST_PATH_IMAGE024
为每个映射感测点所占权重，N为物理传感器总数，M为映射传感器总数。
3.根据权利要求2所述的智能制造***，其特征在于，所述控制器计算加工误差大于加工误差阈值的物理感测点和映射感测点的校正控制信号H，则对应第i个物理感测点的校正控制信号Hi和对应第j个映射感测点的校正控制信号Hj分别为：
Hi=
Figure 150206DEST_PATH_IMAGE026
；
Hj=
Figure 349106DEST_PATH_IMAGE028
；
所述控制器将物理感测点和映射感测点的校正控制信号分别发送给实际制造***的需要修正的物理感测点和映射感测点的驱动***中。
4.根据权利要求1所述的智能制造***，其特征在于，所述数字孪生***包括***辨识单元，所述***辨识单元用于对构建的数字孪生模型进行模型精确度辨识，利用数字孪生模型的输入、输出数据进行离线辨识，判断数字孪生模型与目标制造***是否等价。
5.根据权利要求4所述的智能制造***，其特征在于，当数字孪生模型工作于模拟制造模式时，计算所述数字孪生模型输入端Y(s)到输出端U(s)的动力输出函数G(s)为：
Figure 752406DEST_PATH_IMAGE030
；
式中：T为时间常数，s为加工参变量，K为增益系数，所述增益系数根据加工参变量s的类型的变化而变化；
将数字孪生模型的动力输出函数G(s)与目标制造***的动力输出函数进行曲线对比，从而判断数字孪生模型与目标制造***是否等价。
6.根据权利要求1所述的智能制造***，其特征在于，所述映射传感器通过构建深度神经网络模型获取映射传感数据，构建深度神经网络模型所需要的训练数据为在所述数据库中的历史数据寄存单元中存储的N个物理感测点上的加工参数的历史数据集以及M个对应实际制造***的虚拟感测点的相同位置点上的加工参数构成的历史数据集，所述历史数据寄存单元中存储的M个对应实际制造***的虚拟感测点的相同位置点上的加工参数是通过与其关联的物理传感器计算获得的数据。
7.根据权利要求6所述的智能制造***，其特征在于，通过构建深度神经网络模型获取所述虚拟感测点上的映射传感数据的训练过程为：当制造过程的时刻为t时，从历史数据寄存单元中收集历史的制造过程中的t时刻N个物理感测点上的加工参数构成的历史数据集
Figure 11349DEST_PATH_IMAGE032
以及t时刻对应实际制造***的M个虚拟感测点的相同位置点上的加工参数构成的历史数据集
Figure 952629DEST_PATH_IMAGE034
，t时刻执行动作以后获得一个反馈值Rt，更新下一个时刻为t+1时的N个物理感测点上的加工参数构成的历史数据集
Figure 689641DEST_PATH_IMAGE036
以及对应实际制造***的M个虚拟感测点的相同位置点上的加工参数构成的历史数据集
Figure 213026DEST_PATH_IMAGE038
，t+1时刻执行动作以后获得一个反馈值Rt+1，将新一轮数据(Rt+1，
Figure 580553DEST_PATH_IMAGE036
，
Figure 556600DEST_PATH_IMAGE038
)存入训练数据存储单元；反复进行直至所述深度神经网络模型收敛到理想的状态。
8.根据权利要求1所述的智能制造***，其特征在于，根据校正控制信号在实际制造***执行的校正控制时间T的长短，进行下一次感测点加工参数的获取、映射模型与数字孪生模型比较并生成校正控制信号的过程，所述校正控制时间T与加工误差的大小成正比。
CN202210971496.1A 2022-08-15 2022-08-15 一种基于数字孪生的智能制造*** Active CN115034147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210971496.1A CN115034147B (zh) 2022-08-15 2022-08-15 一种基于数字孪生的智能制造***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210971496.1A CN115034147B (zh) 2022-08-15 2022-08-15 一种基于数字孪生的智能制造***

Publications (2)

Publication Number Publication Date
CN115034147A true CN115034147A (zh) 2022-09-09
CN115034147B CN115034147B (zh) 2022-10-28

Family

ID=83130214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210971496.1A Active CN115034147B (zh) 2022-08-15 2022-08-15 一种基于数字孪生的智能制造***

Country Status (1)

Country Link
CN (1) CN115034147B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311027A (zh) * 2022-10-11 2022-11-08 工业云制造(四川)创新中心有限公司 一种基于数字孪生的供应链管理方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109343496A (zh) * 2018-11-14 2019-02-15 中国电子工程设计院有限公司 应用于工业生产的数字孪生***及其形成方法
CN109559039A (zh) * 2018-11-29 2019-04-02 贵州航天云网科技有限公司 一种基于数字孪生技术的虚拟工厂业务协同***
CN111210359A (zh) * 2019-12-30 2020-05-29 中国矿业大学(北京) 面向智能矿山场景的数字孪生演化机理及方法
CN112297013A (zh) * 2020-11-11 2021-02-02 浙江大学 一种基于数字孪生和深度神经网络的机器人智能抓取方法
CN113642236A (zh) * 2021-08-10 2021-11-12 东华大学 一种面向多学科的数字孪生图网络建模方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109343496A (zh) * 2018-11-14 2019-02-15 中国电子工程设计院有限公司 应用于工业生产的数字孪生***及其形成方法
CN109559039A (zh) * 2018-11-29 2019-04-02 贵州航天云网科技有限公司 一种基于数字孪生技术的虚拟工厂业务协同***
CN111210359A (zh) * 2019-12-30 2020-05-29 中国矿业大学(北京) 面向智能矿山场景的数字孪生演化机理及方法
CN112297013A (zh) * 2020-11-11 2021-02-02 浙江大学 一种基于数字孪生和深度神经网络的机器人智能抓取方法
CN113642236A (zh) * 2021-08-10 2021-11-12 东华大学 一种面向多学科的数字孪生图网络建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZIJIE REN: "Strengthening Digital Twin Applications based on Machine Learning for Complex Equipment", 《SPECIAL DAY ON "CYBER-PHYSICAL PRODUCTION SYSTEMS"PAPER》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311027A (zh) * 2022-10-11 2022-11-08 工业云制造(四川)创新中心有限公司 一种基于数字孪生的供应链管理方法及***

Also Published As

Publication number Publication date
CN115034147B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
JP7069269B2 (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
US20180210479A1 (en) Microgrid model based automated real time simulation for market based electric power system optimization
JP6965798B2 (ja) 制御システムおよび制御方法
CN105955206B (zh) 一种基于数据驱动和参数混合优化的多轴运动控制方法
CN108693833B (zh) 机器学习装置、伺服控制装置和***以及机器学习方法
CA2641657A1 (en) Systems and methods for real-time system monitoring and predictive analysis
TWI692702B (zh) 具品質量測與機構診斷功能之生產系統及其驅動器與方法
CN113722979A (zh) 一种基于数字孪生的采煤机虚实交互***及其构建方法
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及***
CN115034147B (zh) 一种基于数字孪生的智能制造***
EP3929682B1 (en) Estimating a mechanical degradation of a machine
CN117252051A (zh) 一种基于数字孪生的电缆隧道监测预警方法及***
CN113420465A (zh) 一种基于数字孪生模型的液压支架全寿命周期管理方法
CN112677147A (zh) 事件估计***和事件估计方法
CN103885867A (zh) 一种模拟电路性能的在线评价方法
CN114147706A (zh) 一种基于数字孪生的协作机器人远程监测***与方法
Monek et al. DES and IIoT fusion approach towards real-time synchronization of physical and digital components in manufacturing processes
CN117170327A (zh) 基于有限状态机的智能化热冲压产线数字孪生控制***
Ambarita et al. Industry 4.0 Digital Twins in offshore wind farms
CN109656229A (zh) 基于ga-rbf网络的机器人末端性能预测模型的构建方法
CN114239938A (zh) 一种基于状态的能源数字孪生体的构建方法
Wang et al. Manipulator joint fault localization for intelligent flexible manufacturing based on reinforcement learning and robot dynamics
Ma et al. Automated and Systematic Digital Twins Testing for Industrial Processes
Hou et al. Monitoring System of Robot Based on Digital Twin
TWM563108U (zh) 智慧型電力管理及自我品質管控系統

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221220

Address after: No.1, Yaguan Road, Haihe Education Park, Jinnan District, Tianjin

Patentee after: TIANJIN LIGHT INDUSTRY VOCATIONAL TECHNICAL College

Address before: 300000 building 4-1-601-6, No. 1, Haitai Huake Third Road, Huayuan Industrial Zone, Binhai New Area, Tianjin

Patentee before: TIANJIN TIANYUAN TECHNOLOGY Co.,Ltd.

Patentee before: TIANJIN LIGHT INDUSTRY VOCATIONAL TECHNICAL College