本發(fā)明涉及機(jī)床加工，具體為基于數(shù)字孿生的機(jī)床加工參數(shù)優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、在數(shù)控機(jī)床加工過程中，工藝參數(shù)直接決定了加工產(chǎn)品的質(zhì)量、加工過程的能耗和加工的效率等，同時(shí)還決定了刀具的使用壽命。目前工藝參數(shù)的設(shè)置一般都依靠人工經(jīng)驗(yàn)進(jìn)行設(shè)定，然后在進(jìn)行優(yōu)化。為了降低數(shù)控機(jī)床加工過程中的能耗，目前主要使用優(yōu)化算法對(duì)工藝參數(shù)進(jìn)行優(yōu)化。比較常用的算法如模擬退火算法，但是該算法存在參數(shù)更新過于隨機(jī)，導(dǎo)致迭代次數(shù)過多；并且結(jié)束條件固定，不能根據(jù)實(shí)際收斂情況改變等問題，從而導(dǎo)致收斂速度比較慢，難以滿足對(duì)于工藝參數(shù)進(jìn)行優(yōu)化的高精度需求。

2、公告號(hào)為cn117930787a的發(fā)明專利公開了一種數(shù)控機(jī)床加工的工藝參數(shù)優(yōu)化方法，包括：基于數(shù)字孿生系統(tǒng)獲取數(shù)控機(jī)床實(shí)時(shí)的工藝參數(shù)以及對(duì)應(yīng)的能耗；根據(jù)工藝參數(shù)以及對(duì)應(yīng)的能耗分別建立多種能耗的黑箱模型，并對(duì)黑箱模型進(jìn)行求解獲得數(shù)控機(jī)床各部分能耗的數(shù)學(xué)模型；將各部分能耗的數(shù)學(xué)模型整合為用于在線預(yù)測(cè)當(dāng)前工藝參數(shù)下數(shù)控機(jī)床能耗的能耗模型。

3、現(xiàn)有的工藝參數(shù)優(yōu)化方法托于數(shù)字孿生技術(shù)實(shí)現(xiàn)虛擬平臺(tái)與現(xiàn)實(shí)數(shù)控機(jī)床的交互，能夠獲得實(shí)時(shí)的數(shù)據(jù)以及監(jiān)控?cái)?shù)控機(jī)床的狀態(tài)，可以快速實(shí)現(xiàn)對(duì)工藝參數(shù)的優(yōu)化并提高算法的收斂速度，從而降低數(shù)控機(jī)床的能耗，但是這種方式只是在數(shù)控機(jī)床工作前對(duì)機(jī)床的工作參數(shù)進(jìn)行優(yōu)化，在控制參數(shù)設(shè)置好之后，數(shù)控機(jī)床會(huì)持續(xù)使用相同的控制參數(shù)進(jìn)行數(shù)控加工，在此過程中不會(huì)再調(diào)整控制參數(shù)，沒有考慮實(shí)際加工過程的復(fù)雜性，也無法根據(jù)加工過程中復(fù)雜多變的情況調(diào)整控制參數(shù)，不利于提高部件加工控制的靈活性和部件加工效率。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于數(shù)字孿生的機(jī)床加工參數(shù)優(yōu)化方法及系統(tǒng)，解決了現(xiàn)有的問題。

2、為實(shí)現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實(shí)現(xiàn)：基于數(shù)字孿生的機(jī)床加工參數(shù)優(yōu)化方法，包括以下步驟：

3、s1：獲取機(jī)床型號(hào)以及待加工工件的編號(hào)，基于實(shí)時(shí)加工數(shù)據(jù)，獲取數(shù)控機(jī)床實(shí)時(shí)的工藝參數(shù)以及對(duì)應(yīng)的多種能耗數(shù)據(jù)；

4、s2：根據(jù)機(jī)床型號(hào)、工藝參數(shù)以及對(duì)應(yīng)的能耗建立相應(yīng)的幾何模型、機(jī)械運(yùn)動(dòng)學(xué)模型、能耗模型和機(jī)電耦合模型，并聯(lián)合得到數(shù)控機(jī)床的數(shù)字孿生模型；

5、s3：采用參數(shù)辨識(shí)算法，對(duì)數(shù)字孿生模型的模型參數(shù)進(jìn)行優(yōu)化，采用優(yōu)化后的數(shù)字孿生模型模擬加工工藝過程，收集α組加工數(shù)據(jù)；

6、s4：從α組數(shù)據(jù)中隨機(jī)選擇β組作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)，α組數(shù)據(jù)中剩余的數(shù)據(jù)作為性能測(cè)試樣本數(shù)據(jù)，其中，α、β均為正整數(shù)，且α>β；

7、s5：建立初始的bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p，采用遺傳算法對(duì)bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化,然后將β組數(shù)據(jù)進(jìn)行歸一化處理后，訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p1；

8、s6：將bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p1優(yōu)化后的加工參數(shù)傳回?cái)?shù)控機(jī)床。

9、優(yōu)選的，所述步驟s1中的多種能耗包括工藝參數(shù)關(guān)于輔助系統(tǒng)能耗、工藝參數(shù)關(guān)于主傳動(dòng)系統(tǒng)能耗、工藝參數(shù)關(guān)于進(jìn)給系統(tǒng)能耗、工藝參數(shù)關(guān)于切削系統(tǒng)能耗以及工藝參數(shù)關(guān)于附加載荷能耗。

10、優(yōu)選的，所述步驟s2中采用3d建模軟件建立幾何模型；

11、采用機(jī)械結(jié)構(gòu)仿真軟件連接數(shù)控機(jī)床的各運(yùn)動(dòng)件，建立運(yùn)動(dòng)件之間的相對(duì)運(yùn)動(dòng)關(guān)系，進(jìn)而得到機(jī)械運(yùn)動(dòng)學(xué)模型；

12、采用電聯(lián)合仿真軟件對(duì)數(shù)控機(jī)床伺服電機(jī)部分建模，得到機(jī)電耦合模型。

13、優(yōu)選的，所述步驟s3中當(dāng)數(shù)控機(jī)床加工時(shí)，采用多種數(shù)據(jù)采集設(shè)備實(shí)時(shí)收集加工數(shù)據(jù)，經(jīng)預(yù)處理后采用參數(shù)辨識(shí)算法識(shí)別數(shù)控機(jī)床參數(shù)，基于所述數(shù)控機(jī)床參數(shù)對(duì)數(shù)字孿生模型的模型參數(shù)進(jìn)行優(yōu)化。

14、優(yōu)選的，所述步驟s5遺傳算法步驟包括：

15、a：將染色體結(jié)構(gòu)化分成控制基因和參數(shù)基因，利用控制基因來優(yōu)化bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p的隱含層節(jié)點(diǎn)數(shù)，利用參數(shù)基因來優(yōu)化bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p的連接權(quán)重和閾值；

16、b：設(shè)置適應(yīng)度函數(shù)：

17、f＝a*frmse+b*frmse,a,b∈(0,1)；

18、

19、其中，n為訓(xùn)練數(shù)據(jù)樣本數(shù)，frmse為訓(xùn)練數(shù)據(jù)的均方根誤差，即預(yù)測(cè)值與真實(shí)值偏差的平方與訓(xùn)練數(shù)據(jù)樣本數(shù)n比值的平方根，yi為實(shí)際值，為預(yù)測(cè)值；a、b為權(quán)重，a,b∈(0,1)，q(0)為原始種群個(gè)體數(shù)量，q(1)為優(yōu)化后種群個(gè)體數(shù)量；

20、c：選擇最優(yōu)個(gè)體保存遺傳算法，交叉并突變，其中，控制基因和參數(shù)基因采用不同的編碼，控制基因編碼采用單點(diǎn)交叉和基本突變算子，參數(shù)基因采用全局算術(shù)交叉和非均勻突變算子；

21、d：設(shè)置自適應(yīng)交叉概率：

22、

23、其中，favr為種群的平均適合度，fmin為種群的最小適應(yīng)度，fc為小交叉?zhèn)€體適應(yīng)值，k1，k2取值設(shè)置為1；

24、e：設(shè)置突變概率：

25、

26、其中，fm為等待突變的個(gè)體適應(yīng)值，k3，k4取值設(shè)置為0.5；

27、f：歸一化處理數(shù)據(jù)：

28、

29、其中，xi為原始數(shù)據(jù)，u為歸一化處理數(shù)據(jù)，xmax、xmin原始數(shù)據(jù)最大值、最小值，umax、umin分別歸一化處理后數(shù)據(jù)的上限和下限。

30、優(yōu)選的，所述bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p包括輸入層、輸出層和至少一層隱含層。

31、所述步驟s5中待bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p1訓(xùn)練誤差精度小于等于r之后，輸入α組數(shù)據(jù)中剩余的數(shù)據(jù)歸一化處理后，對(duì)bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p1進(jìn)行性能測(cè)試，當(dāng)訓(xùn)練誤差精度小于等于r之后，則輸出bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p1。

32、基于數(shù)字孿生的機(jī)床加工參數(shù)優(yōu)化系統(tǒng)，包括：

33、數(shù)據(jù)獲取模塊，用于獲取待控制數(shù)控機(jī)床整體結(jié)構(gòu)參數(shù)、運(yùn)行狀態(tài)數(shù)據(jù)、工藝參數(shù)以及對(duì)應(yīng)的能耗；

34、模型構(gòu)建模塊，用于建立數(shù)字孿生模型，并采用參數(shù)辨識(shí)算法，對(duì)數(shù)字孿生模型的模型參數(shù)進(jìn)行優(yōu)化；還用于建立后續(xù)的初始bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p，采用遺傳算法對(duì)bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化；

35、模型訓(xùn)練模塊、用于通過優(yōu)化后的數(shù)字孿生模型模擬加工工藝過程；還用于訓(xùn)練后續(xù)的bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p1；

36、優(yōu)化處理模塊，用于根據(jù)bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型p1優(yōu)化后的加工參數(shù)控制相應(yīng)的數(shù)控機(jī)床；

37、儲(chǔ)存模塊，用于儲(chǔ)存上述模塊獲取以及構(gòu)建過程中生成的數(shù)據(jù)。

38、優(yōu)選的，所述系統(tǒng)還包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序。

39、有益效果

40、本發(fā)明提供了基于數(shù)字孿生的機(jī)床加工參數(shù)優(yōu)化方法及系統(tǒng)。與現(xiàn)有技術(shù)相比具備以下有益效果：

41、1、該基于數(shù)字孿生的機(jī)床加工參數(shù)優(yōu)化方法及系統(tǒng)，通過數(shù)字孿生技術(shù)生成數(shù)控機(jī)床的數(shù)字孿生模型，采用參數(shù)辨識(shí)算法，對(duì)數(shù)字孿生模型的模型參數(shù)進(jìn)行優(yōu)化，建立初始的bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，采用遺傳算法bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行優(yōu)化、訓(xùn)練，能夠?qū)?shù)控機(jī)床作業(yè)工況加工參數(shù)進(jìn)行自適應(yīng)地調(diào)整，從而提高整個(gè)數(shù)控機(jī)床的加工精度和自適應(yīng)性。

42、2、該基于數(shù)字孿生的機(jī)床加工參數(shù)優(yōu)化方法及系統(tǒng)，通過獲取體現(xiàn)數(shù)控機(jī)床當(dāng)前運(yùn)行狀態(tài)的運(yùn)行狀態(tài)數(shù)據(jù)、體現(xiàn)被加工部件相關(guān)信息的部件數(shù)據(jù)和體現(xiàn)用戶實(shí)際需求的優(yōu)化控制數(shù)據(jù)，根據(jù)這三者通過已訓(xùn)練的機(jī)床優(yōu)化控制模型自動(dòng)優(yōu)化處理和計(jì)算獲得能夠滿足用戶實(shí)際需求的最優(yōu)的目標(biāo)控制參數(shù)，從而對(duì)數(shù)控機(jī)床進(jìn)行控制，可以根據(jù)實(shí)際需求、考慮實(shí)時(shí)的加工狀態(tài)對(duì)數(shù)控機(jī)床的控制參數(shù)進(jìn)行調(diào)整，有利于提高部件加工控制的靈活性和部件加工效果。