一种基于数字孪生的数控机床健康监测方法与流程

本发明属于数字机床控制，具体为一种基于数字孪生的数控机床健康监测方法。

背景技术：

1、在现代工业生产体系中，尤其是广泛应用了数控机床技术的柔性制造系统(flexible manufacturing system，fms)环境下，存在着一些传统管理与维护手段难以有效克服的关键问题。由于fms系统中的数控机床通常承担着多工序、高精度以及高强度连续作业的任务，其运行状态的复杂性和苛刻性显著增加，导致诸如刀具破损、刀具断裂以及刀具磨损等常见故障现象频繁发生。

2、现有的大部分机床设备往往缺乏智能化的实时监测与诊断功能，无法自动识别这些潜在的机械或工艺故障，并及时向操作人员或控制系统发出预警信号，这无疑会对fms系统的整体运行效率和产品质量稳定性造成严重影响。

3、尽管当前市场上的数控机床普遍具备先进的生产计划调整灵活性、高精度零部件加工能力以及高效的批量生产能力等诸多优点，但其内部结构的高度复杂性以及实际工作环境条件的多样性，使得在遇到故障时快速而准确地从众多可能的原因中甄别出故障发生的根本所在成为了一项艰巨任务。

4、传统的单一传感器检测方法受限于数据采集维度有限、信息完整性不足及精确度不高等技术瓶颈，难以对数控机床的整体健康状况以及铣削加工过程进行实时、全面且精准的监控。因此，发展和完善能够适应柔性制造系统特性的智能监控与自适应维护技术，对于提升现代制造业的整体效能和可持续性具有至关重要的意义。

技术实现思路

1、基于背景技术中的现状，本发明旨在提出一种基于数字孪生的数控机床健康监测方法，该方法通过对fms系统的运行数据进行实时采集、深度处理与智能分析，能够对数控机床的整体健康状况以及铣削过程状态进行实时监测；通过整合并深入挖掘多传感器数据信息，提取关键特征参数，本发明可有效识别各类故障，为用户提前采取预防措施或迅速响应提供有力支持，极大提升fms系统的稳定性与工作效率。

2、本发明采用了以下技术方案来实现目的：

3、一种基于数字孪生的数控机床健康监测方法，所述方法包括如下步骤：

4、s1、构建多传感器数据采集系统，实时采集数控机床的状态数据；

5、s2、构建数字孪生系统，建立对应数控机床的数据模型；数字孪生系统获取状态数据并将其与数据模型匹配对齐；

6、s3、在数字孪生系统中部署cnn-lstm模型，对数控机床的当前健康状态与铣削状态进行推理判断，输出健康预测结果；

7、s4、将数字孪生系统接入fms系统，fms系统通过调用数字孪生系统，获取数控机床当前的状态数据，以及cnn-lstm模型输出的健康预测结果，完成数控机床的健康监测过程。

8、具体的，步骤s1中，依据数控机床组成机构及工作原理，构建的多传感器数据采集系统包括：切削力传感器、多路振动传感器、单温度传感器和温湿度传感器；各类传感器的传感数据均实时传输至数字孪生系统中。

9、进一步的，步骤s2中，在构建数字孪生系统时，建立的数据模型用于同时对接fms系统、数控机床和多传感器数据采集系统，完成信息交互、数据采集与分析处理；建立数据模型的流程依次为：数据传输协议说明、实时数据采集融合、监测数据存储分析。

10、进一步的，步骤s3中，在数字孪生系统中预先部署中心服务器，随后将cnn-lstm模型部署于中心服务器内；cnn-lstm模型包括卷积神经网络与长短时记忆网络，将多传感器数据采集系统所采集的数控机床的状态数据作为卷积神经网络的输入数据，将卷积神经网络的输出作为长短时记忆网络的输入，再将长短时记忆网络的输出作为cnn-lstm模型的输出，从而依据数控机床的状态数据，对数控机床的当前健康状态与铣削状态进行推理判断，输出健康预测结果。

11、综上所述，由于采用了本技术方案，本发明的有益效果如下：

12、1、全面感知与精确监测：通过整合多传感器融合技术，本发明能实时、充分且全面地捕捉数控机床运行过程中的各项关键参数，克服了单一传感器数据精度不足的问题，显著提升了对数控机床健康状态和铣削加工状态监测的精度和可靠性。传感器间的协同工作确保了数据采集的完整性，使得本发明能够从不同维度反映数控机床的实际状况。

13、2、高效处理与实时响应：本发明可引入边缘计算架构，从而极大地优化数据处理能力，有效提高了数据传输与分析的带宽及效率。这一设计革新满足了数控机床状态在线监测的实时性需求，确保了数控机床在连续作业过程中，其健康状态及铣削加工状态的变化能够得到及时有效的监控与反馈。

14、3、深度学习预测优势：本发明还创新性地应用了cnn-lstm模型来进行数据分析。该模型结合了卷积神经网络对于复杂结构化数据(如来自多传感器的时间序列或图像信息)的强大特征提取能力，以及长短时记忆网络对于时序依赖关系的精准建模能力。卷积神经网络首先对采集的原始数据进行预处理，提炼出关键特征；随后，这些关键特征被输入至长短时记忆网络中进行深度学习与训练，以实现对数控机床等设备的未来剩余寿命的高精度预测。这一方式不仅增强了本发明的预测性能，也提高了设备维护决策的科学性与预见性。

15、综上，本发明的方法不仅改进了传统监测手段的不足，还实现了对数控机床全生命周期状态的高效管理与预测，从而有效提升生产效率，减少非计划停机时间，降低维护成本，确保了操作安全。

技术特征：

1.一种基于数字孪生的数控机床健康监测方法，其特征在于，所述方法包括如下步骤：

2.根据权利要求1所述的一种基于数字孪生的数控机床健康监测方法，其特征在于：步骤s1中，依据数控机床组成机构及工作原理，构建的多传感器数据采集系统包括：切削力传感器、多路振动传感器、单温度传感器和温湿度传感器；各类传感器的传感数据均实时传输至数字孪生系统中。

3.根据权利要求2所述的一种基于数字孪生的数控机床健康监测方法，其特征在于：切削力传感器布置于数控机床的主轴端，用于采集主轴在铣削状态下的切削力大小；多路振动传感器的振动采集端分别布置于主轴上端轴承、主轴外壁、主轴下端轴承、工件非加工面和转台外壁处，用于对应采集布置位置处的振动力大小；单温度传感器布置于数控机床的床身上，温湿度传感器布置于数控机床所在的加工车间内。

4.根据权利要求1所述的一种基于数字孪生的数控机床健康监测方法，其特征在于：步骤s2中，在构建数字孪生系统时，建立的数据模型用于同时对接fms系统、数控机床和多传感器数据采集系统，完成信息交互、数据采集与分析处理；建立数据模型的流程依次为：数据传输协议说明、实时数据采集融合、监测数据存储分析。

5.根据权利要求4所述的一种基于数字孪生的数控机床健康监测方法，其特征在于：在数据传输协议说明过程中，从fms系统的数据库中获取生产任务数据；依据生产任务数据，将数控机床加工任务列表中的任务类型划分为待加工、正在加工和已完工；随后，将fms系统作为接口调用方，将数字孪生系统作为接口提供方，通过webapi的调用方式，将对应数控机床中已划分任务类型的加工任务列表中包含的请求参数，传输至fms系统中。

6.根据权利要求4所述的一种基于数字孪生的数控机床健康监测方法，其特征在于：在实时数据采集融合过程中，由数字孪生系统调用fms系统的接口，并通过定时询问的方式，判断fms系统当前是否开机；数字孪生系统通过webservice接口向fms系统发出执行控制指令，发出条件同样为定时询问；fms系统向数字孪生系统反馈状态接口的方式为http，反馈条件为接收询问后的应答，从而向数字孪生系统传输自身状态信息；通过上述方式完成数字孪生系统对fms系统的数据采集融合。

7.根据权利要求4所述的一种基于数字孪生的数控机床健康监测方法，其特征在于：在监测数据存储分析过程中，通过高速物联网系统，预先部署数字孪生系统的边缘计算机与中心服务器；多传感器数据采集系统将数控机床的状态数据传输至边缘计算机中，边缘计算机实时处理分析状态数据，形成业务数据后报送至中心服务器；中心服务器将业务数据进行存储，并应用至数控机床的当前健康状态与铣削状态推理判断过程中。

8.根据权利要求1所述的一种基于数字孪生的数控机床健康监测方法，其特征在于：步骤s3中，在数字孪生系统中预先部署中心服务器，随后将cnn-lstm模型部署于中心服务器内；cnn-lstm模型包括卷积神经网络与长短时记忆网络，将多传感器数据采集系统所采集的数控机床的状态数据作为卷积神经网络的输入数据，将卷积神经网络的输出作为长短时记忆网络的输入，再将长短时记忆网络的输出作为cnn-lstm模型的输出，从而依据数控机床的状态数据，对数控机床的当前健康状态与铣削状态进行推理判断，识别各类故障，输出健康预测结果。

9.根据权利要求8所述的一种基于数字孪生的数控机床健康监测方法，其特征在于：数控机床的状态数据为刀具原始振动信号，首先对刀具原始振动信号进行快速傅里叶变换，得到频域振动信号，由此实现状态数据的预处理过程；随后将得到的频域振动信号进行归一化处理，再作为卷积神经网络的输入数据；经过卷积神经网络的卷积计算过程后，得到刀具原始振动信号中包含的深层特征，将深层特征输入至长短时记忆网络，得出数控机床铣削状态的监测结果，并基于监测结果推理预测出铣削刀具的剩余寿命。

10.根据权利要求9所述的一种基于数字孪生的数控机床健康监测方法，其特征在于：当深层特征输入至长短时记忆网络后，通过构建趋势性量化健康指标并确定失效阈值的方式，调控网络的计算过程与输出，得出对应的数控机床铣削状态的监测结果。

技术总结本发明提供一种基于数字孪生的数控机床健康监测方法，属于数字机床控制技术领域，解决现有监测方式不够完善精准的问题；方法包括：S1、构建多传感器数据采集系统，实时采集数控机床的状态数据；S2、构建数字孪生系统，建立数据模型；数字孪生系统获取状态数据并将其与数据模型匹配对齐；S3、部署CNN‑LSTM模型，对数控机床的当前健康状态与铣削状态进行推理判断，输出健康预测结果；S4、接入FMS系统，FMS系统通过调用数字孪生系统，获取数控机床当前的状态数据，以及CNN‑LSTM模型输出的健康预测结果，完成数控机床的健康监测过程；本发明提升了数控机床健康监测的精度与可靠性，保证了数据完整性。技术研发人员：段昭,包壁祯,徐卫刚,张红州,罗一桓受保护的技术使用者：成都四威高科技产业园有限公司技术研发日：技术公布日：2024/6/18