[发明专利]面向加工质量预测的数字孪生模型工况自适应方法及系统

说明书

本发明涉及面向加工质量预测的数字孪生模型工况自适应的方法及系统。所述方法包括获取任一历史工况下的质量预测模型、当前工况下的时序数据和影响因素，根据当前工况下的部分获取时段的力信号和振动信号对任一历史工况下的机理模型进行更新得到当前工况下的机理模型；采用当前工况下的机理模型对当前工况下的时序数据进行处理得到当前工况的样本数据；根据当前工况的样本数据和其他的样本数据确定待迁移模型；当影响因素的加权和小于设定阈值时，根据当前工况的样本数据对待迁移模型进行更新；反之，则根据目标定量数据和当前工况的样本数据对待迁移模型进行更新。本发明可提高模型对于变工况的自适应能力。

技术领域

本发明涉及质量预测领域，特别是涉及一种面向加工质量预测的数字孪生模型工况自适应方法及系统。

背景技术

对钻削过程进行质量监测是提高产品加工质量的重要方法，由于钻削过程耦合多种复杂因素，传统的离线质量预测技术难以有效利用钻削过程信息，从而导致预测精度低。随着大数据，云计算，互联网等新一代信息技术的快速发展，数字孪生技术逐步被广泛应用于生产制造的各领域中。数字孪生技术可将实体空间实时数据映射到虚拟空间，并基于数据和模型的双驱动，对生产过程中的加工质量进行实时预测和反馈调整。基于数字孪生的钻削质量预测可通过虚实信息交互来预测钻削加工质量。

然而，由于钻削加工产品的日益个性化需求，生产工况需根据生产要求变化做出相应调整(如刀具、夹具更换等)以适应多品种小批量生产方式。传统的数字孪生模型大多针对特定场景建模，该模型在变工况下具有适应性差的特点。在相同工艺不同工况下，加工系统的机理、数据以及模型结构具有高度相似性，若针对不同工况分别建模将造成资源浪费和建模周期长的问题。另外，由于工况变化离散性大，难以建立综合所有工况的数字孪生模型，且模型计算量大，实时性差，所以，需要一种在变工况下将已有数字孪生模型进行迁移重用的方法。

发明内容

本发明的目的是提供一种面向加工质量预测的数字孪生模型工况自适应方法及系统，可利用数字孪生模型的可迁移性特点，实现快速建模，减少建模成本，提高模型对于变工况的自适应能力。

为实现上述目的，本发明提供了如下方案：

一种面向加工质量预测的数字孪生模型工况自适应方法，包括：

获取任一历史工况下的质量预测模型、当前工况下的时序数据和当前工况下的影响因素；所述时序数据包括钻削过程中各获取时段的力信号和振动信号；所述影响因素包括加工材料，加工位姿，加工刀具和设定加工精度；所述质量预测模型包括机理模型和算法模型；所述机理模型包括多个钻削机理公式；所述算法模型为对神经网络进行训练得到的；

根据所述当前工况下的时序数据中的部分获取时段的力信号和振动信号对所述任一历史工况下的机理模型进行更新得到当前工况下的机理模型；

采用所述当前工况下的机理模型对所述当前工况下的时序数据进行特征提取得到所述当前工况的样本数据；

根据当前工况的样本数据和各历史工况的样本数据确定待迁移模型；

计算所述当前工况下的影响因素的加权和；

当所述加权和小于设定阈值时，则根据所述当前工况的样本数据对所述待迁移模型采用迁移学习方法进行更新得到当前工况下的算法模型；

当所述加权和大于设定阈值时，则获取目标定量数据并根据所述目标定量数据和所述当前工况的样本数据采用迁移学习方法对所述待迁移模型进行更新得到当前工况下的算法模型；所述目标定量数据为所述待迁移模型对应的工况下的定量数据；所述定量数据包括样本数据和钻削质量预测结果；

将所述当前工况下的机理模型和所述当前工况下的算法模型确定为当前工况下的质量预测模型，所述当前工况下的质量预测模型用于对当前工况下的钻削质量进行预测得到当前工况下的钻削质量预测结果。