具体实施方式

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。

本发明的目的是提供一种面向弱刚性钻削的数字孪生控制方法及系统，利用数字孪生的虚拟模型和实时的虚实交互特点来实现弱刚性钻削领域的毛刺控制。

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。

如图1所示，本发明提供的一种面向弱刚性钻削的数字孪生控制方法，包括以下步骤：

步骤101：采集加工过程中的多维时序数据。

步骤102：对所述时序数据按照加工进度进行切分。

步骤103：对切分后的数据进行时频域分析，提取特征值。

步骤104：将所述特征值输入至机理模型，得到毛刺状态参数。

步骤105：根据所述毛刺状态参数、当前加工工艺参数以及剩余加工进度预测毛刺高度。

步骤106：构建决策信息库；所述决策信息库中包括不同加工场景下抑制毛刺的最优加工工艺参数。

步骤107：当毛刺预测高度超过毛刺高度阈值时，从所述决策信息库中选取最优加工工艺参数进行反馈。

作为一个可选地实施例，步骤105具体包括：

步骤1051：将所述毛刺状态参数、当前加工工艺参数以及剩余加工进度输入至门控循环神经网络中，预测剩余加工进度中毛刺状态参数。

步骤1052：将预测得到的毛刺状态参数输入至全连接层预测毛刺高度。

作为一个可选地实施例，步骤106具体包括：

步骤1061：根据不同加工场景下的工艺参数、毛刺状态参数和加工进度，预测不同场景下的毛刺高度。

步骤1062：根据不同加工场景下的预测毛刺高度，采用遗传算法进行自适应度计算，确定不同加工场景的最优加工工艺参数，构成决策信息库。

作为一个可选地实施例，步骤107具体包括：

步骤1071：分别根据所述毛刺状态参数、当前加工工艺参数以及剩余加工进度，采用欧氏距离算法，从所述决策信息库中选择最接近的多个决策库(GA_i)。

步骤1072：对所述毛刺状态参数、当前加工工艺参数以及剩余加工进度进行加权。

步骤1073：根据加权后的毛刺状态参数、当前加工工艺参数以及剩余加工进度，采用近邻模型从多个决策库中选择最优加工工艺参数。

下面针对具体的实施例，对本发明的原理和工作流程进行详细的介绍：

如图2所示，本发明建立了数字孪生模型(实体模型和虚拟模型)以及模型交互模块(虚拟模型感知实体模型：数据处理模块。虚拟模型控制实体模型：决策控制模块)：

实体模型，包括加工设备和加工件实体，实现钻削加工过程；

虚拟模型，在数字空间建立实体模型的映射，包括模型物理属性(几何，材料等)以及机理规则(力场模型，振动模型等)的映射，通过对钻削行为的仿真，实现对实体模型的监控过程；

数据处理模块，在实体模型的加工过程中采集多维数据(例如力、振动、热等等)并通过统一的接口进行传输，利用小波变换对原始数据进行降噪，同时利用机理规则进行特征的识别；

决策控制模块，对通过虚拟模型仿真(simulate)得到的异常的加工现象进行反馈控制，其包括两个部分：信息库的生成(离线)和决策信息的搜索(在线)。

数字孪生控制系统具体实现过程如下：

数据处理阶段，包括数据采集和预处理以及时频域特征提取两大阶段(数据处理阶段是将采集的信号转化为虚拟模型的可用数据)。数据处理模块将采集到的时序数据按照加工进度进行等比例切分或者自适应切分，在每一个时间段通过时频域分析提取浅层特征值(如均值，振幅等)。

状态监控阶段，将数据处理得到的特征值(时频域特征值，如各时间片段的均值F以及通过频域分析提取的振幅比A_t等)输入机理模型H获得毛刺状态参数。然后将所获得的的毛刺状态参数H和当前加工工艺参数(进给量f，主轴转速v)以及剩余加工进度t等信息传入核心的门控循环神经网络(GRU)进行时序的毛刺状态参数的预测仿真，其过程如图3所示(机理模型将先验知识融合在系统中，使得系统可以在底层排除干扰信息，加快虚拟模型行为规则模型的训练速度)。由于最后加工阶段的工件状态对于毛刺的产生具有非常大的影响，因此本发明在GRU网络最后构建一个全连接层，将通过GRU仿真得到的最后阶段的毛刺状态参数集合(Hi)作为输入传入全连接进行当前加工状态下的毛刺高度的预测。根据加工工艺要求建立毛刺高度的阈值，通过其与系统的仿真结果进行对比，进行异常信息的获取。

决策控制过程包括两个部分：离线的信息库生成阶段和在线的决策反馈阶段，前者是为了生成诸多的反馈策略，后者是为了实时调整加工状态。

决策信息库的生成阶段，将所建立的虚拟模型作为仿真的平台，将主轴转速v，进给量f，剩余加工进度t以及当前毛刺状态参数H作为虚拟模型行为规则(机理模型H+门控循环神经网络GRU(H,f,v,t))的输入参数，通过仿真计算当前工艺参数的适应性得分(毛刺高度值)，并通过对各样本参数的仿真得分进行排序，选择得分较高的样本(某时间片段下的良好的加工工艺参数)利用变分自编码器的编码器进行编码。通过遗传算法对产生的各组编码序列进行局部片段的交换以及部分片段的重新随机生成(交叉和变异)产生子代的样本并通过变分自编码器的解码器进行解码产生子代样本。为产生更好的样本，继续将子样本进行仿真，经过不断迭代，可以生成各场景下的抑制毛刺的最优加工工艺参数。同时，由于在线决策调整需要限制在一定的范围内，因此本系统将以主轴转速、进给量、剩余加工进度以及毛刺状态参数作为划分标准构建多个策略群组成最终的决策信息库。

遗传算法是典型的启发式算法，其可以用于单目标的寻优过程，但是其运行速度慢，因此不适合用在实时性比较强的控制系统中。本发明在数字孪生系统运行之前利用遗传算法来生成毛刺控制决策。遗传算法的关键在于选择的过程，针对不同的场景有不同的选择过程。本发明将所建立的数字孪生虚拟模型作为遗传算法的目标环境，利用虚拟模型仿真得到的毛刺高度预测值对随机产生的加工工艺参数及剩余加工进度和毛刺状态参数进行适应度计算，然后通过选择、交叉、变异进行一次迭代，通过所设定的迭代次数筛选出可以抑制毛刺生成的最优加工工艺参数。但是，由于本系统的目的是实现加工过程中的状态调整，因此不能对加工工艺参数进行随意的调整，需要限制在一定的调整范围内。针对这个问题，本发明选择建立不同条件下的子决策库。

在决策反馈阶段，所述决策反馈阶段将会根据识别的异常信息进行最优策略的搜索，即对识别到的异常加工状态进行加工工艺参数调整。同时为了防止加工工艺参数的突变导致加工状态产生未知的激振，加工过程中的参数调整被限制在了一定的区域内。具体过程如下：如图5所示，首先按重要性依次依据进给量、主轴转速、剩余加工进度以及毛刺状态参数选择(pick)最接近的策略群(在所构建的进给量和主轴转速以及剩余加工进度包含的范围内，同时与输入的毛刺状态参数值的欧氏距离最小)，然后对主轴转速，进给量，剩余加工进度和当前状态参数四个变量，赋予一定的权值差异(具体表现为增加K_i的权值来强化主轴转速或者进给量等，使得所搜索到的策略尽可能减少强化元素的改变幅度，降低系统产生激振的概率)，将加权后的值作为近邻模型(KNN)的输入来搜索并选择最优加工工艺参数(f_new,v_new)，为提高反馈的有效性，本系统将反馈后的新参数传输到虚拟模型进行仿真(预测新参数下的毛刺状态参数以及最后的毛刺高度值)，如若仿真结果表明该反馈策略可以实现毛刺的抑制则将其转换为控制器调整代码(Control函数)进行控制，否则将调整权值并重新搜索策略。

本发明建立的数字孪生控制系统运行模式如图4所示。设置初始加工工艺参数，利用弱刚性钻削系统对加工实体进行钻削加工；钻削系统内置和外置传感器采集钻削过程相关的动态信号，并在边缘端进行信号预处理和特征提取，获得处理后的目标参数(如切削力特征值等)；虚拟模型接收目标参数后，依据所建立的行为规则进行虚拟仿真，实现映射真实的加工状态，监测钻削过程中的毛刺状态参数；决策控制模块依据监测出的异常信息，在模型库中进行过程状态模型以及局部寻优模型的匹配，并利用匹配到的模型在相应的决策信息库中进行局部寻优，输出最优的决策信息，并通过控制相关的设备实现加工工艺参数的实时调整。

基于本发明提供的面向弱刚性钻削的数字孪生控制方法，本发明还提供了一种面向弱刚性钻削的数字孪生控制系统，包括：

数据采集模块，用于采集加工过程中的多维时序数据；

切分模块，用于对所述时序数据按照加工进度进行切分；

特征提取模块，用于对切分后的数据进行时频域分析，提取特征值；

毛刺状态参数确定模块，用于将所述特征值输入至机理模型，得到毛刺状态参数；

毛刺高度预测模块，用于根据所述毛刺状态参数、当前加工工艺参数以及剩余加工进度预测毛刺高度；

决策信息库构建模块，用于构建决策信息库；所述决策信息库中包括不同加工场景下抑制毛刺的最优加工工艺参数；

最优加工工艺参数选择模块，用于当毛刺预测高度超过毛刺高度阈值时，从所述决策信息库中选取最优加工工艺参数进行反馈。

其中，所述毛刺高度预测模块具体包括：

剩余加工进度中毛刺状态参数预测单元，用于将所述毛刺状态参数、当前加工工艺参数以及剩余加工进度输入至门控循环神经网络中，预测剩余加工进度中毛刺状态参数；

毛刺高度预测单元，用于将预测得到的毛刺状态参数输入至全连接层预测毛刺高度。

其中，决策信息库构建模块具体包括：

不同场景下的毛刺高度预测单元，用于根据不同加工场景下的工艺参数、毛刺状态参数和加工进度，预测不同场景下的毛刺高度；

决策信息库构建单元，用于根据不同加工场景下的预测毛刺高度，采用遗传算法进行自适应度计算，确定不同加工场景的最优加工工艺参数，构成决策信息库。

其中，最优加工工艺参数选择模块具体包括：

决策库选择单元，用于分别根据所述毛刺状态参数、当前加工工艺参数以及剩余加工进度，采用欧氏距离算法，从所述决策信息库中选择最接近的多个决策库；

加权单元，用于对所述毛刺状态参数、当前加工工艺参数以及剩余加工进度进行加权；

最优加工工艺参数选择单元，用于根据加权后的毛刺状态参数、当前加工工艺参数以及剩余加工进度，采用近邻模型从多个决策库中选择最优加工工艺参数。

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。

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。