一种基于数字孪生的加工过程自适应控制方法专利检索-一般的控制或调节系统这种系统的功能单元用于这种系统或单元的监视或测试装置专利检索查询-专利查询网

一种基于数字孪生的加工过程自适应控制方法
申请号	CN202111238057.1	申请日	2021-10-25	公开(公告)号	CN113985814B	公开(公告)日	2024-05-10
申请人	东华大学;			发明人	鲍劲松; 刘世民; 许敏俊; 孙学民; 沈慧; 丁志昆;
摘要	本发明涉及一种基于数字孪生的加工过程自适应控制方法。该方法基于生物特性，构建数字孪生加工系统制造过程中的本能反应机制；实时检测数字孪生加工系统制造过程中的信号，通过神经网络模型实现信号异常的识别；当识别到信号异常时，依据本能反应机制生成与识别到的异常信号对应的控制动作，数字孪生加工系统依据控制动作作出应激反应；基于控制动作，采用图结构算法确定行为异常类型；依据行为异常类型生成控制策略，以实现将赋予机器以人的反应思维模型，使系统可以感知变量并做出相应的控制操作的目的，进而利用生物行为机制针对不同类型、不同情况的加工过程状态进行实时控制，提高控制效率高和准确率。
权利要求	1.一种基于数字孪生的加工过程自适应控制方法，其特征在于，包括：步骤100：基于生物特性，构建数字孪生加工系统制造过程中的本能反应机制；所述本能反应机制包括信号异常和与所述信号异常对应的控制动作；步骤101：实时检测数字孪生加工系统制造过程中的信号，通过神经网络模型实现信号异常的识别；步骤102：当识别到信号异常时，依据所述本能反应机制生成与识别到的异常信号对应的控制动作，数字孪生加工系统依据所述控制动作作出应激反应；步骤103：基于所述控制动作，采用图结构算法确定行为异常类型；图结构上每个节点代表的是一个浅层反应机制模块的算法，其值为算法输出的特征值；所述浅层反应机制模块属于数字孪生加工系统控制装置；所述浅层反应机制模块用于实时检测数字孪生加工系统制造过程中的信号，通过神经网络模型实现信号异常的识别，还用于当识别到信号异常时，依据所述本能反应机制生成与识别到的异常信号对应的控制动作，数字孪生加工系统依据所述控制动作作出应激反应；步骤104：依据所述行为异常类型生成控制策略；步骤101和步骤102针对的是短时间片段的异常反馈的控制，是实现单一通道信号的短时间异常识别；其中，基于先验知识设置特定时间段，并以设置的特定时间段为界限，短于特定时间段的是短时间，高于特定时间段的是长时间；步骤101和步骤102是为了构建数字孪生加工系统的浅层反应机制，监测加工过程的信息的动态变化，并做出相应的控制，其构建过程是模仿生物的后天学习中的针对短时间事件的学习，通过神经网络算法进行相应的监测以及后续的反馈控制；步骤103和步骤104针对的是长时间的行为的异常反馈和控制。 2.根据权利要求1所述的基于数字孪生的加工过程自适应控制方法，其特征在于，所述本能反应机制存储在规则库中。 3.一种数字孪生加工系统控制装置，用于实现如权利要求1‑2任意一项所述的基于数字孪生的加工过程自适应控制方法，其特征在于，所述装置包括：本能反应机制模块，用于基于生物特性，构建数字孪生加工系统制造过程中的本能反应机制；所述本能反应机制包括信号异常和与所述信号异常对应的控制动作；深层反应机制模块，用于基于所述控制动作，采用图结构算法确定行为异常类型，并用于依据所述行为异常类型生成控制策略。 4.根据权利要求3所述的数字孪生加工系统控制装置，其特征在于，所述深层反应机制模块，还用于深度学习数字孪生加工系统制造过程中的状态信息，并作出与状态信息对应的控制操作。 5.根据权利要求3所述的数字孪生加工系统控制装置，其特征在于，所述浅层反应机制模块，用于实时检测数字孪生加工系统制造过程中的突变信号，并作出与所述突变信号相对应的控制操作。 6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行程序；所述计算机执行程序用于实施如权利要求1‑2任意一项所述的基于数字孪生的加工过程自适应控制方法。
说明书全文	一种基于数字孪生的加工过程自适应控制方法技术领域 [0001] 本发明涉及智能制造控制领域，特别是涉及一种基于数字孪生的加工过程自适应控制方法。背景技术 [0002] 制造业是改善生活水平，改良国防科技的重要手段，还是促进科学研究的基础，它是涉及理论力学、材料学、传热学、加工工艺学以及设计学等多门学科的综合，是高新技术最为富集的领域之一。制造技术与设备的先进水平，不仅反映一个国家的工业化的程度和高尖端科技的发展水平，而且是国家先进程度的重要标志之一。 [0003] 航空航天制造业是各种制造业中走在最前沿的部分，其发展水平几乎决定了国家军事力量和科技力量的发展。在中国航空航天、运载、国防等重大工程领域中，有着一类必须满足高性能要求的大型不规则难加工零件，大多工作在热、冲击载荷以及其他极端工况下，不但要满足结构、材料、形状及几何精度等要求，更要达到动力、气动、传热及强度等性能指标，制造难度大。这些零件具有较高的尺寸精度和极端的使用要求，如今，军事、航空航天精密加工、精密仪表设备制造等都需要使用大量的类似零件，为了满足时代的需求，生产加工此类零件的精度要求也越来越高，这给制造业提出了一个很大的挑战。由于构件刚度低的原因，国内普遍采用的数控切削的加工方法，加工时由于切削力和热的综合影响会导致零件产生形变，易引起几何尺寸/形状的较大变形误差。 [0004] 目前，如何控制此类零件的加工质量，管控制造的加工过程，已成为制约中国重大型号产品研制和批生产的瓶颈问题。随着新一代信息技术如云计算、大数据和人工智能等技术深度应用于制造业，促使大量的相关工业应用得以落地实施，为各类领域内难题提供了解决途径。针对上述的生产过程难管控的问题，数字孪生技术提供了一个很好的解决途径。 [0005] 现有技术中，数字孪生(Digital Twin)以设备、生产线甚至厂房等物理实体的数字模型为基础，融合采集到的物理单元实时数据，并使用数字模型仿真现实世界中物理实体的行为，在信息世界中重建现实世界的所有要素，从而形成具有“感”“联”“知”“控”特性的数字孪生体。其中，“感”指使用多传感器协同感知现实物理世界的状态；“联”指连接信息空间与现实物理世界；“知”指通过对传感器感知到的数据进行处理，深刻的认识现实物理世界；“控”指根据对现实世界的认识做出相应的决策，由工作人员或控制系统调动执行器去执行决策从而最终影响现实物理世界。 [0006] 数字孪生系统是一个基于仿真数据和实时数据交融的控制系统，尤其是数控加工过程，其为多物理多学科耦合的过程，孪生系统监控的信息元素很多，所以在数字孪生系统反馈控制物理世界时，会面临的多种、高维、大量数据的处理任务，其数据分析相比目前的控制系统来说，处理速度相对较慢。因此，亟需一种孪生过程中仿真数据和实时数据融合的情况下的控制方法或系统，以解决现有技术中存在的问题。发明内容 [0007] 本发明的目的是提供一种基于数字孪生的加工过程自适应控制方法，能够针对加工过程中遇到的问题进行自适应的决策控制，控制相应快，自适应性强。 [0008] 为实现上述目的，本发明提供了如下方案： [0009] 一种基于数字孪生的加工过程自适应控制方法，包括： [0010] 基于生物特性，构建数字孪生加工系统制造过程中的本能反应机制；所述本能反应机制包括信号异常和与所述信号异常对应的控制动作； [0011] 实时检测数字孪生加工系统制造过程中的信号，通过神经网络模型实现信号异常的识别； [0012] 当识别到信号异常时，依据所述本能反应机制生成与识别到的异常信号对应的控制动作，数字孪生加工系统依据所述控制动作作出应激反应； [0013] 基于所述控制动作，采用图结构算法确定行为异常类型； [0014] 依据所述行为异常类型生成控制策略。 [0015] 优选地，所述本能反应机制存储在规则库中。 [0016] 优选地，所述基于数字孪生的加工过程自适应控制方法采用数字孪生加工系统控制装置实现，所述装置包括： [0017] 本能反应机制模块，用于基于生物特性，构建数字孪生加工系统制造过程中的本能反应机制；所述本能反应机制包括信号异常和与所述信号异常对应的控制动作； [0018] 浅层反应机制模块，用于实时检测数字孪生加工系统制造过程中的信号，通过神经网络模型实现信号异常的识别，还用于当识别到信号异常时，依据所述本能反应机制生成与识别到的异常信号对应的控制动作，数字孪生加工系统依据所述控制动作作出应激反应； [0019] 深层反应机制模块，用于基于所述控制动作，采用图结构算法确定行为异常类型，并用于依据所述行为异常类型生成控制策略。 [0020] 优选地，所述深层反应机制模块，还用于深度学习数字孪生加工系统制造过程中的状态信息，并作出与状态信息对应的控制操作。 [0021] 优选地，所述浅层反应机制模块，用于实时检测数字孪生加工系统制造过程中的突变信号，并作出与所述突变信号相对应的控制操作。 [0022] 优选地，所述基于数字孪生的加工过程自适应控制方法采用计算机可读存储介质实现；所述计算机可读存储介质中存储有计算机执行程序；所述计算机执行程序用于实施所述基于数字孪生的加工过程自适应控制方法。 [0023] 根据本发明提供的具体实施例，本发明公开了以下技术效果： [0024] 本发明将赋予机器以人的反应思维模型，使系统可以感知变量并做出相应的控制操作，利用生物行为机制能够针对不同类型、不同情况的加工过程状态进行实时控制，控制效率高、控制准确率高，同时具有一定的成长属性，促进加工系统的高精度控制发展。附图说明 [0025] 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。 [0026] 图1为本发明提供的基于数字孪生的加工过程自适应控制方法的流程图； [0027] 图2为本发明提供的基于数字孪生的加工过程自适应控制方法与生物学对应的实施架构图。具体实施方式 [0028] 下面将结合本发明实施例中的附图，对本发明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。 [0029] 本发明的目的是提供一种基于数字孪生的加工过程自适应控制方法，能够针对加工过程中遇到的问题进行自适应的决策控制，控制相应快，自适应性强。 [0030] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。 [0031] 如图1所示，本发明提供的基于数字孪生的加工过程自适应控制方法，包括： [0032] 步骤100：基于生物特性，构建数字孪生加工系统制造过程中的本能反应机制。本能反应机制包括信号异常和与信号异常对应的控制动作。 [0033] 步骤101：实时检测数字孪生加工系统制造过程中的信号，通过神经网络模型实现信号异常的识别。 [0034] 步骤102：当识别到信号异常时，依据本能反应机制生成与识别到的异常信号对应的控制动作，数字孪生加工系统依据控制动作作出应激反应。 [0035] 步骤103：基于控制动作，采用图结构算法确定行为异常类型。 [0036] 步骤104：依据行为异常类型生成控制策略。 [0037] 步骤100针对的是制造过程中的本能反应，对应自然界的应激性反应，属于先天行为，例如发生故障时的停机。基于这一步骤可以实现对加工过程中数字孪生加工系统中各设备的状态进行实时快速的控制。这一步骤的实施主要是模仿生物的先天应激反应，其具体的控制决策是不需要学习的，可实现某些预定义的功能，如停止机床，更换刀具等。 [0038] 其中，本能反应机制存储在规则库中。规则库的规则来源于专家系统，包含有相关领域的专业知识。基础规则以规则语句的方式存储在规则库中，以钻削为例，在刀具发生断裂时需要停机换刀，此时可以定义规则为“if刀具断裂then停机换刀”。在刀具到达限位时无法继续进给，此时可以定义规则为“if刀具到达进给极限位置then无法继续进给”等等。如规则库需要有一个输入，该输入为特定的现象，且该现象一般是突发状态，例如刀具断裂等等。 [0039] 步骤101和步骤102针对的是短时间片段的异常反馈的控制，是实现单一通道信号的短时间快速异常识别。所谓的单一通道可以是某一个维度的信号，也可以是某一个位置的传感器的信号，还可以是某一个部件的所有信号等，颗粒度的划分是基于特定的目标需求的。而所谓的短时间本发明以加工作为主要目标，因此基于先验知识可以设置特定时间段(例如5秒)为界限，短于特定时间段的是短时间，高于特定时间段的是长时间。由于这两个步骤针对的目标的特点是单一异常状态、短时间、单一通道，因此所需构建的算法结构简单，计算快速，可以实现异常的快速识别。由于异常种类以及信号来源的多元化，因此需要针对不同的异常监测需求建立算法库。例如，针对加工中的力的干扰可以基于力传感器数据使用长短期记忆网络(LSTM)进行异常监测，针对振动的异常分类可以基于振动传感器数据使用隐马尔科夫模型(HMM)进行异常监测等等。构建简单的算法库，每个算法具有简单的结构和较少的参数并针对某维度的异常实现在较短的时间内进行监测，在实际应用中此模块可以快速提取到突发的异常现象等，但是步骤102无法对较长时间的异常进行识别。步骤101和步骤102主要是为了构建数字孪生加工系统的浅层反应机制，监测加工过程的信息(例如振动异常、力信号异常等)的动态变化，并做出相应的快速控制(例如进行加工参数的快速调整等)，其构建构建过程主要是模仿生物的后天学习中的针对短时间事件的学习，通过神经网络等算法进行相应的监测以及后续的反馈控制。 [0040] 步骤103和步骤104针对的是长时间的行为的异常反馈和控制，是需要通过复杂算法实现相应的功能的。与步骤101和步骤102的不同在于针对的时间和对象，步骤103和步骤104是针对长时间的行为的异常检测和反馈(例如加工工艺不合适等)，而步骤101和步骤 102针对短时间的加工异常(例如振动异常等)。步骤103和步骤104通过相应的算法，针对步骤102的输出信息，即是通过浅层反应机制模块的信息的累积聚合来学习行为异常，进而实现长时间的行为策略的控制。因此可以认为步骤102是数据驱动的，其输出是短时间的特征(振动异常等)，而步骤103是特征驱动的，其输出是某种现象(机器性能衰减等)。数据是多而杂乱的，由于采样频率的不同其可能的输入点是多样的，但是特征是少且精的，用其作为步骤103的输入，可以大大加快学习和计算速度，且更加具有可解释性。由于各通道信息之间存在一定的耦合关系，而建立机理上的耦合将导致模型构建困难并且计算复杂。本发明将使用图结构对步骤101和步骤102中上述提到的部分算法进行关系建模，形成一个整体。图结构上存在有很多节点，每个节点代表的是一个浅层反应机制模块的算法，其值为算法输出的特征值，图神经网络(GNN)的出现可以很好地解决图结构信息的交互，本发明使用GNN聚合解析浅层反应机制的各部分输出，实现长时间的加工过程信息的采集与融合，最后对加工过程进行控制。步骤103和步骤104的实施主要是模仿生物的后天学习中的针对长时间的学习，通过神经网络等算法进行相应的监测等功能的实现以及后续的反馈控制。 [0041] 对应于上述提供的基于数字孪生的加工过程自适应控制方法，本发明采用以下硬件结构进行实施： [0042] 一种硬件结构是数字孪生加工系统控制装置，该装置包括：本能反应机制模块、浅层反应机制模块和深层反应机制模块。 [0043] 本能反应机制模块用于基于生物特性，构建数字孪生加工系统制造过程中的本能反应机制。本能反应机制包括信号异常和与信号异常对应的控制动作。 [0044] 浅层反应机制模块用于实时检测数字孪生加工系统制造过程中的信号，通过神经网络模型实现信号异常的识别，还用于当识别到信号异常时，依据本能反应机制生成与识别到的异常信号对应的控制动作，数字孪生加工系统依据控制动作作出应激反应。优选地，浅层反应机制模块，用于实时检测数字孪生加工系统制造过程中的突变信号，并作出与突变信号相对应的控制操作。 [0045] 深层反应机制模块用于基于控制动作，采用图结构算法确定行为异常类型，并用于依据行为异常类型生成控制策略。优选地，深层反应机制模块，还用于深度学习数字孪生加工系统制造过程中的状态信息，并作出与状态信息对应的控制操作。 [0046] 另一种硬件结构是计算机可读存储介质，该计算机可读存储介质中存储有计算机程序。计算机程序用于执行上述提供的基于数字孪生的加工过程自适应控制方法。 [0047] 下面以上述提供的数字孪生加工系统控制装置的具体实施过程为例，对本发明提供的基于数字孪生的加工过程自适应控制方法进行进一步说明。 [0048] 本能反应机制模块，构建数字孪生加工系统的本能反应机制，对加工过程中热力等多物理量状态反应进行实时快速的控制，如停止机床，更换刀具。本能反应机制模块针对的是制造过程中的本能反应，对应自然界的应激性反应，属于先天行为，例如发生故障时的停机。本模块的构建是基于人工定义的规则库实现的，该规则库的规则来源于专家系统，包含有相关领域的专业知识(基础规则以规则语句的方式存储在规则库中，以钻削为例，在刀具发生断裂时需要停机换刀，此时可以定义规则if刀具断裂then停机换刀。在刀具到达限位时无法继续进给，此时可以定义规则if刀具到达进给极限位置then无法继续进给等等)基于该模块可以实现对加工过程中设备的状态进行实时快速的控制，本模块的构建是模仿生物的先天应激反应，其具体的控制决策是不需要学习的，可实现某些预定义的功能，如停止机床，更换刀具等。如上的数据库需要有一个输入，该输入为特定的现象，且该现象一般是突发状态，例如刀具断裂等等，该状态的发生往往带来信号的短时间激变，因此为获取到该状态需要通过浅层反应机制模块中的算法。 [0049] 浅层反应机制模块，构建数字孪生加工系统的浅层反应机制，对加工过程的检测加工过程中信息的动态变化，而做出相应的快速控制。浅层反应机制模块针对的是短时间片段的异常反馈的控制。该模块实现单一通道信号的短时间快速异常识别。所谓的单一通道可以是某一个维度的信号，也可以是某一个位置的传感器的信号，也可以是某一个部件的所有信号等，颗粒度的划分是基于特定的目标需求的。而所谓的短时间本专利以加工作为主要目标，因此基于先验知识可以设置5秒为界限，短于5秒的是短时间，高于五秒的是长时间。由于该模块针对的目标的特点是单一异常状态、短时间、单一通道，因此所需构建的算法结构简单，计算快速，可以实现异常的快速识别。由于异常种类以及信号来源的多元化，因此需要针对不同的异常监测需求建立算法库。例如，针对加工中的力的干扰可以基于力传感器数据使用长短期记忆网络(LSTM)进行异常监测，针对振动的异常分类可以基于振动传感器数据使用隐马尔科夫模型(HMM)进行异常监测等等(构建简单的算法库，每个算法具有简单的结构和较少的参数并针对某维度的异常实现在较短的时间内进行监测，在实际应用中此模块可以快速提取到突发的异常现象等，但是该模块无法对较长时间的异常进行识别，因此需要构建深层反应机制模块)。本模块构建数字孪生加工系统的浅层反应机制，监测加工过程的信息(例如振动异常、力信号异常等)的动态变化，并做出相应的快速控制(例如进行加工参数的快速调整等)，本模块的构建是模仿生物的后天学习中的针对短时间事件的学习，通过神经网络等算法进行相应的监测以及后续的反馈控制。 [0050] 深层反应机制模块，构建数字孪生加工系统的浅层反应机制，根据长时间的加工过程数据的采集与融合，实时学习加工过程中的不当过程，对这些过程信息状态进行融合处理的分析，最后对加工过程进行控制。深层反应机制模块是针对长时间的行为的异常反馈和控制，是需要通过复杂算法实现相应的功能的，与浅层反应机制模块的不同在于针对的时间和对象，该模块是针对长时间的行为的异常检测和反馈(例如加工工艺不合适等)，而浅层反应机制针对短时间的加工异常(例如振动异常等)。该模块通过相应的算法，针对所构建的数字孪生加工系统的浅层反应机制的输出信息，即该模块是通过浅层反应机制模块的信息的累积聚合来学习行为异常，进而实现长时间的行为策略的控制。因此可以认为浅层反应机制是数据驱动的，其输出是短时间的特征(振动异常等)，而深层反应机制是特征驱动的，其输出是某种现象(机器性能衰减等)。数据是多而杂乱的，由于采样频率的不同其可能的输入点是多样的，但是特征是少且精的，用其作为深层反应机制模块的输入，可以大大加快模块的学习和计算速度，且更加具有可解释性。由于各通道信息之间存在一定的耦合关系，而建立机理上的耦合将导致模型构建困难并且计算复杂。本发明将使用图结构对浅层反应机制的各部分算法(浅层反应机制模块中构建的算法)进行关系建模，形成一个整体。图结构上存在有很多节点，每个节点代表的是一个浅层反应机制模块的算法，其值为算法输出的特征值，图神经网络(GNN)的出现可以很好地解决图结构信息的交互，本发明使用GNN聚合解析浅层反应机制的各部分输出，实现长时间的加工过程信息的采集与融合，最后对加工过程进行控制，本模块的构建是模仿生物的后天学习中的针对长时间的学习，通过神经网络等算法进行相应的监测等功能的实现以及后续的反馈控制。 [0051] 其中，本能反应机制模块，可以实时对加工过程中突变的信号量进行感应，并且实时瞬时做出反应控制操作。 [0052] 浅层反应机制模块，通过算法实现短序列的识别(针对不同的场景定义不同的算法模型，构建浅层反应机制模块的算法库，存储监测不同信号的算法，包括LSTM、CNN、BP等，目的是捕捉信号的突变等异常现象)。作用是进行即时的异常监测(应用时将所需监测的数据作为输入参数，通过所设定的监测算法进行异常诊断，输出异常状态)。通过浅层反应机制模块输出异常信息作为深层反应机制模块的训练数据，可以通过相应的算法分析与识别出短序列信息中的异常状态，并做出反应控制操作。 [0053] 深层反应机制模块，通过神经网络算法实现长序列的识别(浅层反应机制模块的输出是各通道的特征，由于特征之间并不是相互独立的，其存在耦合关系，然而其关系复杂，建立机理模型难度较大，因此选择以图的方式对其进行关联，然后通过图上的神经网络算法对各特征进行信息的聚合)。作用是进行长时间行为的异常监测。通过深层反应机制模块可以实现工艺优化等。该控制策略一方面可以通过已有的领域知识进行设计，另一方面可以通过数字孪生平台进行仿真和优化可以深度学习长序列信息中的状态信息，并做出相应的反应控制操作。 [0054] 其中，三个核心的反应机制，可以模拟生物的先后天的行为机制，深层反应的控制内容在处理了足够相似事件后会向浅层反应机制转化，浅层反应的控制内容在处理了足够相似事件后会向本能的机制转化，以提升决策效率。 [0055] 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他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。 [0056] 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；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

意见反馈