基于数字孪生的超精密加工智能监控系统的制作方法

摘要: 本发明涉及数字孪生,尤其涉及基于数字孪生的超精密加工智能监控系统。背景技术:1、超精密加工广泛应用于光学元件、精密模具、微纳结构和高端装备零部件制造过程,其加工...
基于数字孪生的超精密加工智能监控系统的制作方法

本发明涉及数字孪生,尤其涉及基于数字孪生的超精密加工智能监控系统。

背景技术:

1、超精密加工广泛应用于光学元件、精密模具、微纳结构和高端装备零部件制造过程,其加工质量受位移误差、主轴振动、热漂移、切削力变化和进给状态波动共同影响。现有超精密加工监控方法通常依赖传感器采集单一或少量状态数据,并通过固定阈值、经验规则或离线误差模型判断加工状态。

2、现有技术中,固定阈值监控方法难以表征位移误差、热漂移、主轴振动和切削状态之间的非线性耦合关系;离线建模方法通常在加工前建立误差模型,难以随加工工况变化进行动态修正;常规数据驱动预测方法对主导误差因素的筛选能力不足,容易引入大量无关状态变量,导致模型解释性和实时性不足;传统数字孪生监控系统多侧重加工过程可视化和状态同步,缺少面向非线性误差演化的动态辨识、升维预测和异常趋势判断机制。

3、因此,如何提供基于数字孪生的超精密加工智能监控系统是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出基于数字孪生的超精密加工智能监控系统,本发明充分利用非线性动力学稀疏辨识、koopman升维建模和数字孪生技术,构建超精密加工过程的稀疏koopman数字孪生模型,实现加工状态实时感知、主导动力学状态项提取、加工误差演化预测、异常趋势判断以及控制参数动态生成,具备加工状态表征能力强、误差预测实时性高、模型可解释性强和闭环优化控制能力高的优点。

2、根据本发明实施例的基于数字孪生的超精密加工智能监控系统,包括如下步骤:

3、数据采集模块,采集超精密加工设备加工过程中的位移误差数据、主轴振动数据、热漂移数据、切削力数据和进给状态数据,形成多源加工状态数据集;

4、状态预处理模块,对多源加工状态数据集进行时间同步、噪声滤波和状态归一化处理,生成统一时序加工状态序列;

5、稀疏辨识模块,基于统一时序加工状态序列构建非线性候选动力学项库,并采用非线性动力学稀疏辨识方法从非线性候选动力学项库中筛选主导动力学状态项;

6、升维观测模块,根据主导动力学状态项构建升维观测函数,并利用升维观测函数将统一时序加工状态序列映射为koopman升维状态序列;

7、koopman建模模块,基于koopman升维状态序列辨识koopman状态转移矩阵,建立稀疏koopman数字孪生模型;

8、预测判断模块,将实时采集的加工状态数据输入稀疏koopman数字孪生模型,输出加工误差预测值、热漂移预测值和振动状态预测值,并基于加工误差预测值、热漂移预测值和振动状态预测值生成加工异常趋势判断结果;

9、控制输出模块,根据加工误差预测值、热漂移预测值、振动状态预测值和加工异常趋势判断结果,生成用于加工过程动态调整的误差补偿参数和加工控制修正参数。

10、可选的,数据采集模块包括;

11、采集刀具相对于工件理论加工轨迹的轴向位置偏差、径向位置偏差、法向轮廓偏差和相邻采样时刻误差增量,形成位移误差数据;

12、采集主轴在径向方向和轴向方向上的振动位移、振动速度、振动加速度、主频分量和振动幅值,形成主轴振动数据;

13、采集主轴端部、刀架、床身和工件夹持部位的温度值、温度变化率,以及由温度变化引起的刀尖轴向漂移量和径向漂移量,形成热漂移数据;

14、采集刀具与工件接触过程中的切向切削力、径向切削力、轴向切削力和切削力变化率,形成切削力数据;

15、采集进给轴当前位置、目标位置、进给速度、进给加速度、跟随误差和插补轨迹点,形成进给状态数据;

16、按照统一采样时刻对位移误差数据、主轴振动数据、热漂移数据、切削力数据和进给状态数据进行时间标记,形成多源加工状态数据集。

17、可选的,状态预处理模块包括:

18、提取多源加工状态数据集中位移误差数据、主轴振动数据、热漂移数据、切削力数据和进给状态数据分别对应的原始采样时刻,生成多源采样时间集合;

19、根据多源采样时间集合建立统一时间轴,并按照统一时间轴对位移误差数据、主轴振动数据、热漂移数据、切削力数据和进给状态数据进行插值重采样,生成时间同步状态序列;

20、基于时间同步状态序列中同一状态变量在连续采样时刻的取值变化,构建滑动滤波窗口,并对滑动滤波窗口内的状态变量进行加权滤波,生成滤波状态序列;

21、对滤波状态序列中各类状态变量分别计算均值和标准差,并基于均值和标准差对滤波状态序列进行状态归一化处理,生成归一化状态序列;

22、按照统一时间轴的采样时刻顺序,将归一化状态序列中的位移误差变量、主轴振动变量、热漂移变量、切削力变量和进给状态变量进行组合,生成统一时序加工状态序列。

23、可选的,稀疏辨识模块包括:

24、接收统一时序加工状态序列,并按照统一时序加工状态序列的采样时刻顺序,提取位移误差变量、主轴振动变量、热漂移变量、切削力变量和进给状态变量,形成状态变量矩阵;

25、基于状态变量矩阵中同一采样时刻的各类状态变量,构建单变量非线性项和不同状态变量之间的交叉耦合项;

26、基于状态变量矩阵中相邻采样时刻的同类状态变量差值,构建时间差分项;

27、将单变量非线性项、交叉耦合项和时间差分项按照对应采样时刻与对应状态变量类别进行排列,形成非线性候选动力学项库;

28、根据状态变量矩阵中相邻采样时刻的状态变化关系,生成状态变化量;

29、将非线性候选动力学项库和状态变化量输入非线性动力学稀疏辨识方法,输出各非线性候选动力学项对应的稀疏系数;

30、根据稀疏系数与非线性候选动力学项的对应关系,筛选稀疏系数为非零值的非线性候选动力学项,形成主导动力学状态项集合。

31、可选的,非线性动力学稀疏辨识方法包括:

32、接收非线性候选动力学项库和状态变化量,并按照采样时刻对应关系将非线性候选动力学项库与状态变化量进行配准,形成稀疏辨识输入数据;

33、根据统一时序加工状态序列中的热漂移变量、主轴振动变量和位移误差变量,对稀疏辨识输入数据进行片段标记,生成片段标记结果;

34、根据片段标记结果,将稀疏辨识输入数据划分为稳态加工片段、热漂移累积片段和振动扰动片段;

35、分别从稳态加工片段、热漂移累积片段和振动扰动片段中提取对应的非线性候选动力学项和状态变化量,生成稳态辨识输入数据、热漂移辨识输入数据和振动扰动辨识输入数据;

36、对稳态辨识输入数据、热漂移辨识输入数据和振动扰动辨识输入数据分别进行稀疏辨识,输出稳态稀疏系数集合、热漂移稀疏系数集合和振动扰动稀疏系数集合;

37、根据稳态稀疏系数集合、热漂移稀疏系数集合和振动扰动稀疏系数集合中同一非线性候选动力学项的非零系数分布,生成候选项分布标记;

38、根据候选项分布标记,将在至少两个稀疏系数集合中对应系数为非零值的非线性候选动力学项标记为全局主导项,将仅在热漂移稀疏系数集合中对应系数为非零值的非线性候选动力学项标记为热漂移触发项,将仅在振动扰动稀疏系数集合中对应系数为非零值的非线性候选动力学项标记为振动扰动触发项;

39、将全局主导项、热漂移触发项和振动扰动触发项按照候选项分布标记及对应状态变量类别进行合并,形成分层候选动力学项库;

40、将分层候选动力学项库和状态变化量进行采样时刻配准,形成分层稀疏辨识输入数据;

41、对分层稀疏辨识输入数据进行稀疏辨识,输出分层稀疏系数;

42、根据分层稀疏系数与分层候选动力学项库中候选项的对应关系,筛选分层稀疏系数为非零值的候选项,形成主导动力学状态项集合。

43、可选的,升维观测模块包括:

44、接收统一时序加工状态序列和主导动力学状态项集合,并按照采样时刻对应关系,将统一时序加工状态序列中的状态变量与主导动力学状态项集合中的主导动力学状态项进行关联,生成状态项关联结果;

45、根据状态项关联结果,从统一时序加工状态序列中提取与主导动力学状态项对应的位移误差变量、主轴振动变量、热漂移变量、切削力变量和进给状态变量,形成基础观测项集合;

46、根据状态项关联结果,从主导动力学状态项集合中提取单一状态变量对应的主导动力学状态项,生成单变量升维观测项集合;

47、根据状态项关联结果,从主导动力学状态项集合中提取不同状态变量之间的主导动力学状态项,生成多变量耦合升维观测项集合;

48、将基础观测项集合、单变量升维观测项集合和多变量耦合升维观测项集合按照对应状态变量类别进行组合,形成升维观测函数;

49、按照统一时序加工状态序列的采样时刻顺序,将每一采样时刻的状态变量输入升维观测函数,生成对应采样时刻的koopman升维状态向量;

50、将各采样时刻的koopman升维状态向量按照统一时间轴顺序排列,形成koopman升维状态序列。

51、可选的,koopman建模模块包括:

52、接收koopman升维状态序列,并按照统一时间轴的采样时刻顺序,将koopman升维状态序列中前一采样时刻的koopman升维状态向量组成当前升维状态矩阵;

53、将koopman升维状态序列中后一采样时刻的koopman升维状态向量组成与当前升维状态矩阵对应的下一升维状态矩阵;

54、根据当前升维状态矩阵与下一升维状态矩阵的采样时刻对应关系,求解由当前升维状态矩阵映射至下一升维状态矩阵的线性映射矩阵,生成koopman状态转移矩阵;

55、根据主导动力学状态项集合与koopman升维状态序列中升维观测项的对应关系,对koopman状态转移矩阵中未对应主导动力学状态项的矩阵元素进行置零处理,生成稀疏koopman状态转移矩阵;

56、将升维观测函数、koopman升维状态序列和稀疏koopman状态转移矩阵进行关联,形成稀疏koopman数字孪生模型;

57、所述稀疏koopman数字孪生模型接收当前采样时刻的状态变量,并通过升维观测函数生成当前koopman升维状态向量;

58、将当前koopman升维状态向量输入稀疏koopman状态转移矩阵,生成下一采样时刻koopman升维预测状态;

59、根据下一采样时刻koopman升维预测状态与升维观测函数中基础观测项集合的对应关系,提取加工状态预测量,形成稀疏koopman数字孪生模型输出数据。

60、可选的,预测判断模块包括:

61、接收实时采集的加工状态数据,并对实时采集的加工状态数据进行时间同步、噪声滤波和状态归一化处理,生成实时加工状态序列;

62、从实时加工状态序列中提取当前采样时刻的状态变量,并将当前采样时刻的状态变量输入稀疏koopman数字孪生模型;

63、通过稀疏koopman数字孪生模型中的升维观测函数,将当前采样时刻的状态变量映射为当前koopman升维状态向量;

64、将当前koopman升维状态向量输入稀疏koopman数字孪生模型中的稀疏koopman状态转移矩阵,生成下一采样时刻koopman升维预测状态;

65、根据下一采样时刻koopman升维预测状态与升维观测函数中基础观测项集合的对应关系,提取加工误差预测值、热漂移预测值和振动状态预测值;

66、按照连续采样时刻顺序,对加工误差预测值、热漂移预测值和振动状态预测值进行差分计算,生成加工误差趋势量、热漂移趋势量和振动状态趋势量;

67、根据加工误差趋势量、热漂移趋势量和振动状态趋势量分别生成误差异常标记、热漂移异常标记和振动异常标记;

68、将误差异常标记、热漂移异常标记和振动异常标记按照对应采样时刻进行组合,生成加工异常趋势判断结果。

69、可选的,控制输出模块包括:

70、接收加工误差预测值、热漂移预测值、振动状态预测值和加工异常趋势判断结果,并按照对应采样时刻进行关联,生成预测控制关联数据;

71、根据预测控制关联数据中的加工误差预测值,确定轴向误差补偿量、径向误差补偿量和法向轮廓误差补偿量,生成误差补偿参数;

72、根据预测控制关联数据中的热漂移预测值,确定刀尖轴向漂移补偿量和刀尖径向漂移补偿量,生成热漂移补偿参数;

73、根据预测控制关联数据中的振动状态预测值,确定主轴转速修正量和进给速度修正量,生成振动状态控制修正参数;

74、根据加工异常趋势判断结果中的误差异常标记、热漂移异常标记和振动异常标记,对误差补偿参数、热漂移补偿参数和振动状态控制修正参数进行输出标记;

75、将误差补偿参数、热漂移补偿参数和振动状态控制修正参数组合,生成用于加工过程动态调整的误差补偿参数和加工控制修正参数。

76、本发明的有益效果是:

77、本发明通过结合多源加工状态采集、状态预处理、非线性动力学稀疏辨识、koopman升维建模和数字孪生技术,实现了对超精密加工过程中位移误差、主轴振动、热漂移、切削力和进给状态的统一感知与动态建模,使系统能够从复杂加工数据中筛选主导动力学状态项,并建立稀疏koopman数字孪生模型,从而提高加工状态表征的准确性和模型可解释性。

78、本发明通过将实时采集的加工状态数据输入稀疏koopman数字孪生模型,生成加工误差预测值、热漂移预测值和振动状态预测值,并进一步形成加工异常趋势判断结果,使系统能够对加工误差演化、热漂移累积和振动变化进行前瞻性判断,从而提高超精密加工过程的稳定性和异常预警能力。

79、本发明通过根据加工误差预测值、热漂移预测值、振动状态预测值和加工异常趋势判断结果生成误差补偿参数和加工控制修正参数,使加工监控由被动状态检测转变为面向加工过程动态调整的主动预测控制,从而提高加工精度、控制响应能力和智能化水平。