[发明专利]一种基于数字孪生的高端装备加工状态监测方法及系统

说明书

本发明公开了一种基于数字孪生的高端装备加工状态监测方法及系统，属于高端装备状态监测领域，包括：构建基于多源传感数据的刀具磨损预测模型，基于多源传感数据的工件质量预测模型，融合为刀具工件系统数字孪生模型；基于在线定量测量评估的方式，数字孪生模型进行快速迭代优化。基于物理设备实时数据驱动的形式，模型可精准监测及预测加工状态；形成一套虚实交互的闭环迭代系统，并与设备同步进化，可实现设备全生命周期的加工状态监测；并优化工艺参数，以实现加工过程智能闭环运维。本发明能够提高对高端装备状态监测的泛化性、准确性和鲁棒性。

技术领域

本发明属于高端装备状态监测领域，更具体地，涉及一种基于数字孪生的高端装备加工状态监测方法及系统。

背景技术

高端装备运行工况复杂、自适应和自调整能力不足，对关键零部件的运行状态无法实时感知，会造成制造的效率、质量、成本、能耗等方面较大的问题，因此当前对高端装备状态监测方法的需求是急切的。

不同类型的高端装备以不同的加工工具对产品进行加工，其中，以数控机床为代表的一类高端装备，利用刀具对工件表面进行加工，应用较为广泛。对于这一类高端装备，刀具状态是影响生产效率、质量、成本及能耗的关键要素，精准地感知刀具状态并利用刀具不仅能节约刀具支出，而且对提高切削效率、节约制造成本、提高生产智能性也有重要影响。

目前数控机床刀具状态监测研究中最先进的是基于深度学习算法的数据驱动状态预测模型，但存在需要对大量数据进行打标并进行训练，预测模型易被特定加工状态限制，需要人工利用显微镜等方式对刀具磨损值进行测量并记录，磨损定量预测方法精度较低且稳定性差。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于数字孪生的高端装备加工状态监测方法及系统，其目的在于，提高对高端装备状态监测的泛化性、准确性和鲁棒性。

为实现上述目的，按照本发明的一个方面，提供了一种基于数字孪生的高端装备加工状态监测方法，高端装备利用刀具对工件进行加工，方法包括：

在高端装备加工工件的过程中，定期将刀具拆下并利用仪器测量刀具的磨损值和工件的表面粗糙度，并记录相应时刻的传感数据，得到训练数据集D₁；传感数据包括振动信号和电流信号；

利用训练数据集D₁分别训练刀具磨损预测模型W1和工件质量预测模型Q1，分别用于基于传感数据预测刀具磨损值和工件表面粗糙度；

在高端装备加工工件的过程中，定期获取工件表面的图像，并利用仪器获取相应时刻的工件的表面粗糙度，得到训练数据集D₂；

利用训练数据集D₂训练工件质量预测模型Qp1，用于基于加工过程工件表面的图像预测工件表面粗糙度；

通过视觉在线定量测量获取刀具磨损值和工件表面粗糙度，连同相应时刻的传感数据构成训练数据集D₃；视觉在线定量测量包括：在高端装备加工工件的过程中，定期获取刀具和工件表面的图像，计算各刀具图像对应的刀具磨损值，并利用工件质量预测模型Qp1获取各工件表面的图像对应的工件表面粗糙度；

利用训练数据集D₃对刀具磨损预测模型W1和工件质量预测模型Q1进行迭代优化，得到刀具磨损预测模型W2和工件质量预测模型Q2。

本发明首先通过实际测量加工过程中刀具磨损值和工件表面粗糙度的方式，构建训练数据集，并训练基于传感数据预测刀具磨损值和工件表面粗糙度的模型，进一步基于加工过程中采集的刀具图像和工件表面图像，计算相应的刀具磨损值和工件表面粗糙度，实现了定量的视觉测量，并利用定量的视觉测量结果构建新的训练数据集，对基于传感数据的预测模型进行迭代优化，有效提高了模型对刀具磨损值和工件表面粗糙度的预测精度，并且无需通过实际测量的方式对大量数据进行打标，提高了预测的泛化性和鲁棒性。