一种用于工业智能制造数字孪生的建模方法与流程

1.本发明涉及数字孪生技术领域，尤其涉及一种用于工业智能制造数字孪生的建模方法。


背景技术：

2.数字孪生在近年里是一个热门的话题，而它在大量地应用今天的智慧城市和智能制造领域中，目前的数字孪生建模的方法:先进行实物场景数据的采集，之后进行场景数据的整理，人后在进行人为的数据处理加工，最后,才能绘制出与之相对应的数字孪生的场景。
3.但是上述方法对原始数据的采集要求高，需要增加大量的人为干预对数据的进行处理和加工，增加了数字孪生的制作建模成本；并且很难实时地与真实事件同步，另外可扩展性较差，主要的原因是当应用场景变化时，就需要重新再建数字孪生的模型。
4.因此，有必要提供一种新的用于工业智能制造数字孪生的建模方法解决上述技术问题。


技术实现要素：

5.基于背景技术存在的技术问题，本发明提出了一种可以实时地建立数字孪生的模型、可扩展性好、同步性好的用于工业智能制造数字孪生的建模方法。
6.本发明提出的一种用于工业智能制造数字孪生的建模方法，包括以下步骤：
7.s1：根据需求，构建klaman滤波器系统；
8.s2：向klaman滤波器系统中写入计算程序；
9.s3：通过微控单元对数控机床的各传感器数据进行采集并存储；
10.s4：微控单元将采集到的数据发送给klaman滤波器系统和数据存储器。
11.s5：klaman滤波器系统对接收的到数据进行计算，得出数字孪生模型数据；
12.s6：klaman滤波器系统将模型数据传输给图形处理器，绘制相对应的数字孪生场景；
13.s7：图形处理器将绘制的数字孪生场景传输给显示大屏。
14.优选的，所述s1中，klaman滤波器系统包括klaman滤波模块和cpld模块。
15.优选的，所述s3中，微控单元与数控机床的各传感器之间采用modbus通讯协议或can通讯协议。
16.优选的，所述s4中，数据存储器为时间序列数据库。
17.优选的，所述s3中数控机床的各传感器数据通过通讯分线汇总到通讯总线，微控单元通过通讯总线获取全部传感器数据。
18.本发明的有益效果：
19.①
可以实时地用kalman滤波对采集的数据(modbus和mcanbus)进行建立数字孪生的模型；
20.②
可扩展性好，只要有目标机械设备基本的特征，便可以适应不同种类的机械设备；
21.③
同步性好，数字孪生与真实场景的延迟小(100到200ms)；
22.④
利用硬件cpld(complex programmable logic device)来进行加速数据处理与数字孪生的建模(边缘化数据建模)。
附图说明
23.图1为本发明提供的一种用于工业智能制造数字孪生的建模方法中微控单元对数控机床各传感器数据采集的原理图；
24.图2为本发明提供的一种用于工业智能制造数字孪生的建模方法中微控单元与klaman滤波器系统的连接原理图；
25.图3为本发明提供的一种用于工业智能制造数字孪生的建模方法中klaman滤波器系统计算流程图；
26.图4为本发明提供的一种用于工业智能制造数字孪生的建模方法中采用matlab仿真原理图。
具体实施方式
27.下面结合具体实施例对本发明作进一步解说。
28.实施例
29.本实施例中提出了一种用于工业智能制造数字孪生的建模方法，本方法考虑到当下的智能制造设备中，不乏有铣床，刨床，冲床等一系列数字机床等数字化的设备，这类设备的特点是:有数字数据采集的真实值提供给操作的用户，这些采集的数字有一个共同点，或者说特征值是有速度、位移、设备、温度、老化程度和数据设备统计等，还有标准总线系统(modbus,mcan bus)提供给用户，对数据进行二次开发和加工，基于此，本方法包括以下步骤：
30.s1：根据需求，构建klaman滤波器系统，包括klaman滤波模块和cpld模块；
31.s2：向klaman滤波器系统中写入计算程序；
32.s3：通过微控单元(mcu)对数控机床的位移传感器、温湿度传感器、转速传感器、电压电流传感器、三轴传感器等数据进行采集并存储，微控单元与数控机床的各传感器之间采用modbus通讯协议，各传感器的数据通过对应的rs485分线汇总到rs485总线中，微控单元通过rs485总线获取全部传感器数据；
33.s4：微控单元将采集到的数据发送给klaman滤波器系统和时间序列数据库(tsdb)。
34.s5：klaman滤波器系统对接收的到数据进行计算，得出数字孪生模型数据；
35.参考图4，x＝[s,alph_x_y_z,t,rpm,u,i,p]；矩阵
[0036]
图中
①
式为状态一步预测方程，通过上个时刻的估计值预测出一个此时刻的一步预测值
[0037]
②
式是一步预测均方误差方程,pk/(k-1)是的方差。
[0038]
③
式计算滤波增益kk，可以直观的看出量测噪声协方差r越大，kk越小，kk反映出一步预测值和量测值在估计值中的占比。
[0039]
④
式是状态估计方程，由两部分组成：一步预测值和新息过程乘以滤波增益。我们把称为新息过程，可以理解成zk为系统注入了新的信息。
[0040]
⑤
式计算估计均方误差，即pk是状态估计值的方差。同时，根据卡尔曼滤波的定义，pk也是评判卡尔曼滤波效果的标准。滤波趋于稳定之后，pk会稳定在一个固定的较小值附近。pk越小，说明均方误差越小，卡尔曼滤波效果越好。
[0041]
s6：klaman滤波器系统将模型数据传输给图形处理器，绘制相对应的数字孪生场景；
[0042]
s7：图形处理器将绘制的数字孪生场景传输给显示大屏。
[0043]
图4为本发明提供的一种用于工业智能制造数字孪生的建模方法中采用matlab仿真原理图，klaman滤波的matlab系统仿真代码:
[0044]
input:t,v,d//t＝温度,d＝位移；v＝速度
[0045]
x＝[t,v,d]//matrix
[0046]
initial conditions:
[0047]
n:＝300,a＝1；
[0048]
x[1,1,1]＝[0,0,0]；
[0049]
p＝0.04,q＝0.25；
[0050]
//kalman filter state calculation:(klaman滤波器的状态公式)
[0051]
for:2:n
[0052]
x(k)＝a*x(k-) sqrt(p)*rand
[0053]
y(k)＝h*x(k) sqrt(q)*rand
[0054]
//结束循环
[0055]
//klaman滤波器参数跟新
[0056]
for:t＝2:n
[0057]
x(t)＝a*x_filter(t-1)
[0058]
p(t)＝a*p_filter(a’) p
[0059]
k(t)＝p(t)*h’*inv(h*p(t)*h’) q)
[0060]
x_filter(t)＝x(t) k(t)*(y(t)-h*x(t))
[0061]
p_filter(t)＝(1-k(t))*h)*p_filter(t)
[0062]
//结束循环
[0063]
matlab simulation verilog-hdl simulation//matlab和hdl仿真。
[0064]
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。