本发明公开了一种数字孪生驱动的数控机床刀具监控系统，包括：刀具数字孪生模型构建模块，该模块针对数据机床刀具进行虚拟模型构建；刀具应力仿真模块，该模块能够对刀具切削过程中，刀具内部所受应力进行仿真；刀具实时状态数据采集和分析模块，该模块能够通过配置数据源实时采集环境数据、加工数据，并对历史数据进行多个维度分析；数据预处理模块，该模块主要针对采集数据，进行数据清洗、去重、降维，时域特征提取，频域特征提取。剩余寿命预测模块，该模块基于信息物理的融合数据，对刀具的磨损状态进行预测、预警。本发明公开的方法能够解决数控刀具铣削过程中无法把握刀具磨损状态以及及时预警的问题，提高数控机床刀具的管控效率。
1.一种数字孪生驱动的数据机床刀具监控系统，其特征在于，包括：(1)数据机床刀具孪生模型构建模块，具体包括：
几何模型绘制模块，使用软件工具，建立刀具的几何模型，体现其形状、尺寸、结构组成以及装配关系；
物理属性仿真模块，使用ANSYS软件工具对刀具进行网格划分，从宏观以及微观的尺度进行动态的模拟与刻画，对模拟刀具切削所受最大应力、最小应力、平均应力进行模拟仿真；并通过图形和数值的形式表现出具体设备上的物理量；
行为模型建立模块，选取预定切削过程，获取走刀、转速、进给参数，根据不同加工工况分析典型的应力变化；
规则模型添加模块，添加数控机床刀具的约束规则以及虚拟模型的控制规则；
网格划分模块，使用ANSYS软件，选择三角面片方式对刀具SolidWorks模型进行网格划分；
添加边界条件模块，在已经划分网格的刀具模型上，添加切削力、转动速度、进给速度三个边界条件；
生成受力云图模块，设置仿真时间，模拟仿真得到刀具受力云图；
数据接口配置模块，设置数据采集接口参数，包括IP地址，端口，波特率，进行数据采集测试；
报警参数配置模块，配置报警参数，包括预警方式以及存储报警数据方式；
采集参数判断模块，进行实时数据采集，根据配置的报警参数进行判断，超出预警范围则强烈提示，所有数据以表盘形式可视化显示；
参数可视化模块，对某一段采集并处理过的生产数据，将数值转换为图表进行参数可视化显示，并统计其偏离期望值较大的次数，计算平均值、方差数据；
时域特征提取模块，进行数据的时域特征提取，计算平均值、方差、偏度因子、峭度因子数据；
频域特征提取模块，将数据进行傅里叶变换，进行频域特征提取，计算重心频率、频率方差、频率均方差；
获取数据模块，选取刀具磨损全生命周期的数据，考虑刀具加工的行为模型，进行数据扩维处理，生成孪生融合的数据；
训练神经网络模块，利用孪生融合的数据进行神经网络模型训练；
验证模型模块，生成实验数据，对训练好的模型进行验证和优化；
剩余寿命预测模块，输入实际采集数据，对数据机床刀具进行剩余寿命预测。
2.根据权利要求1所述的一种数字孪生驱动的数据机床刀具监控系统，其特征在于：所述行为模型建立模块，设置的参数具体为：刀具的主轴转速为10400RPM，进给速率为1555mm/分，径向即Y轴方向切削深度，为
0.125mm，Z轴轴向切削深度为0.2mm，每次走刀进给量为0.001mm的切削工程，分析切削过程中刀具最大应力、平均应力、最小应力变化。
3.根据权利要求1所述的一种数字孪生驱动的数据机床刀具监控系统，其特征在于：所述应力仿真模块中的网格划分模块，对刀具SolidWorks模型进行网格划分，所述划分结果包括36326节点数，21288单元数。
4.根据权利要求1所述的一种数字孪生驱动的数据机床刀具监控系统，其特征在于：所述虚拟模型的控制规则：包括基于历史关联数据的规律规则，基于隐性知识总结的经验，基于相关领域知识、标准，包括数据机床刀具知识库、故障库以及传感器选型库。
5.根据权利要求1所述的一种数字孪生驱动的数据机床刀具监控系统，其特征在于：训练神经网络模块，利用孪生融合的数据进行神经网络模型训练，其中刀具神经网络模型预测模型采用DNN神经网络，网络包括了X，L1，L2，L3，Y五层结构；X层作为输入层，神经元个数为10；L1、L2、L3隐层神经元个数分别14,14,10；Y层为输出层输出最终磨损量数据，神经元个数为1；神经元激活函数采用tanh函数。
一种数字孪生驱动的数控机床刀具监控系统
技术领域
[0001] 本发明属于电子工程和计算机科学领域，具体涉及一种数字孪生驱动的数控机床刀具监控系统。
背景技术
[0002] 机械加工中，70％的加工来自于刀具加工。因此刀具的质量及状态，会直接影响到加工工件的最终质量和加工效率。监测刀具状态从而有效管理刀具，能够提高工件加工质量，减少停机时间，提高生产效率。研究表明CNC机床中加入刀具监控系统后，能够减少75％的故障停机，减少30％的维护成本。因此，刀具监控系统对CNC机床维护、生产质量、生产成本有着重大影响。但是，目前存在的CNC刀具监控系统存在几个问题：(1)高速摄像机监控的成本过高，同时加工过程中存在切削液等环节因素干扰，监测困难。(2)通过振动信号、切削力信号等传感方法，建立相关模型从而间接测量刀具磨损量。这种方法通过外界物理信号因素反应刀具本身的变化，确少对刀具本身的建模分析精度不高。
[0003] 针对这些问题，需要引入数字孪生技术，对刀具的切削过程进行实时仿真分析，基于信息物理融合的算法，融合物理数据及仿真数据。实现数控机床切削过程中物理世界与信息世界之间的交互和共融，从而有效提高刀具磨损量的监测精度，提高刀具管理效率，减小停机时间和生产成本。
[0004] 因此，本发明基于数字孪生技术，针对数控机床刀具，提出一种数字孪生驱动的数控机床刀具监控系统，该系统能够解决数控机床刀具切削过程中无法准确把握刀具磨损状况的问题，提高数控机床刀具的管控效率。
发明内容
[0005] 本发明要解决的技术问题为：基于数字孪生技术，通过设计和开发一种数字孪生驱动的数控机床刀具监控系统，该系统能够解决数控机床执行切削任务过程中无法准确把握刀具磨损状态的问题，提高数控机床刀具的管控效率。
[0006] 本发明解决其技术问题是采取以下技术方案实现的：一种数字孪生驱动的数控机床刀具监控系统，包括：
[0007] 一种数字孪生驱动的数据机床刀具监控系统，包括：
[0008] (1)数据机床刀具孪生模型构建模块，具体包括：
[0009] 几何模型绘制模块，使用软件工具，建立刀具的几何模型，体现其形状、尺寸、结构组成以及装配关系；
[0010] 物理属性仿真模块，使用ANSYS软件工具对刀具进行网格划分，从宏观以及微观的尺度进行动态的模拟与刻画，对模拟刀具切削所受最大应力、最小应力、平均应力进行模拟仿真；并通过图形和数值的形式表现出具体设备上的物理量；
[0011] 行为模型建立模块，选取预定切削过程，获取走刀、转速、进给参数，根据不同加工工况分析典型的应力变化；
[0012] 规则模型添加模块，添加数控机床刀具的约束规则以及虚拟模型的控制规则；
[0013] (2)应力仿真模块，具体包括：
[0014] 网格划分模块，使用ANSYS软件，选择三角面片方式对刀具SolidWorks模型进行网格划分；
[0015] 添加边界条件模块，在已经划分网格的刀具模型上，添加切削力、转动速度、进给速度三个边界条件；
[0016] 生成受力云图模块，设置仿真时间，模拟仿真得到刀具受力云图；
[0017] (3)实时数据采集模块，具体包括：
[0018] 数据接口配置模块，设置数据采集接口参数，包括IP地址，端口，波特率，进行数据采集测试；
[0019] 报警参数配置模块，配置报警参数，包括预警方式以及存储报警数据方式；
[0020] 采集参数判断模块，进行实时数据采集，根据配置的报警参数进行判断，超出预警范围则强烈提示，所有数据以表盘形式可视化显示；
[0021] 参数可视化模块，对某一段采集并处理过的生产数据，将数值转换为图表进行参数可视化显示，并统计其偏离期望值较大的次数，计算平均值、方差数据；
[0022] (4)数据预处理模块，具体包括：
[0023] 数据清洗模块，对数据进行清洗，删除掉冗余的数据；
[0024] 时域特征提取模块，进行数据的时域特征提取，计算平均值、方差、偏度因子、峭度因子数据；
[0025] 频域特征提取模块，将数据进行傅里叶变换，进行频域特征提取，计算重心频率、频率方差、频率均方差；
[0026] (5)剩余寿命预测模块，具体包括：
[0027] 获取数据模块，选取刀具磨损全生命周期的数据，考虑刀具加工的行为模型，进行数据扩维处理，生成孪生融合的数据；
[0028] 训练神经网络模块，利用孪生融合的数据进行神经网络模型训练；
[0029] 验证模型模块，生成实验数据，对训练好的模型进行验证和优化；
[0030] 剩余寿命预测模块，输入实际采集数据，对数据机床刀具进行剩余寿命预测。
[0031] 进一步的，所述行为模型建立模块，设置的参数具体为：
[0032] 刀具的主轴转速为10400RPM，进给速率喂1555mm/分，径向即Y轴方向切削深度，为0.125mm，Z轴轴向切削深度为0.2mm，每次走刀进给量为0.001mm的切削工程，分析切削过程中刀具最大应力、平均应力、最小应力变化。
[0033] 进一步的，所述应力仿真模块中的网格划分模块，对刀具SolidWorks模型进行网格划分，所述划分结果包括36326节点数，21288单元数。
[0034] 进一步的，所述虚拟模型的控制规则：包括基于历史关联数据的规律规则，基于隐性知识总结的经验，基于相关领域知识、标准，包括数据机床刀具知识库、故障库以及传感器选型库。
[0035] 进一步的，训练神经网络模块，利用孪生融合的数据进行神经网络模型训练，其中刀具神经网络模型预测模型采用DNN神经网络。网络包括了X，L1，L2，L3，Y五层结构；X层作为输入层，神经元个数为10；L1、L2、L3隐层神经元个数分别14,14,10；Y层为输出层输出最终磨损量数据，神经元个数为1；神经元激活函数采用tanh函数。
[0036] 本发明与现有技术相比的优点在于：
[0037] 现有的刀具磨损量监控方法只关注了物理世界的数据采集、分析，本文方法通过刀具建立数字孪生模型，并进行实时仿真，能够得到切削过程中，刀具整体所受应力状态。对物理数据进行了维度的扩充，并基于深度学习算法得到融合数据。融合数据相比物理数据，类型更丰富，数据更充分，信息更全面。基于融合数据进行数据分析，相比传统方法，显著提高刀具剩余寿命的预测精度，从而有效避免了加工过程中出现断刀钝刀等情况，提高了生产效率、加工质量。
附图说明
[0038] 图1：为本发明的系统结构图；
[0039] 图2：为刀具几何模型；
[0040] 图3：为刀具有限元网格模型；
[0041] 图4：为刀具剩余寿命拟合曲线。
具体实施方式
[0042] 下面结合附图对本发明做进一步详细的描述。
[0043] 本发明涉及一种数字孪生驱动的数控机床刀具监控系统，该系统针对数控机床切削过程中无法准确把握数控机床刀具磨损状态的问题，利用数字孪生技术对刀具本身和切削全程的数据进行分析和模拟仿真，最终提高刀具的管控效率。
[0044] 本发明的结构图如图1所示，具体实施方式如下：
[0045] (1)图1中的孪生模型构建模块1，具体实现如下：
[0046] 几何模型绘制模块，使用软件工具，建立刀具的几何模型，体现其形状、尺寸、结构组成以及装配关系，得到刀具几何模型如附图2；
[0047] 物理属性仿真模块，使用ANSYS软件工具对数控机床铣刀进行网格划分，从宏观以及微观的尺度进行动态的模拟与刻画，对模拟刀具切削所受最大应力、最小应力、平均应力等进行模拟仿真；并通过图形和数值的形式表现出具体设备上的物理量；
[0048] 行为模型建立模块，选取特定切削过程，刀具的主轴转速为10400RPM，进给速率喂1555mm/min，径向切削深度(Y轴)为0.125mm，轴向切削深度(Z轴)为0.2mm，每次走刀进给量为0.001mm的切削工程，分析切削过程中刀具最大应力、平均应力、最小应力变化。
[0049] 规则模型添加模块，添加数控机床刀具的约束规则以及虚拟模型的控制规则，包括基于历史关联数据的规律规则，基于隐性知识总结的经验，基于相关领域知识、标准，包括数据机床刀具知识库、故障库以及传感器选型库；
[0050] (2)图1中的应力仿真模块2，具体实现如下：
[0051] 网格划分模块，使用ANSYS软件，选择三角面片方式对刀具SolidWorks模型进行网格划分，划分结果包括36326节点数，21288单元数得到刀具有限元模型如附图3。
[0052] 添加边界条件模块，在已经划分网格的刀具模型上，添加切削力、转动速度、进给速度三个边界条件；
[0053] 生成受力云图模块，设置仿真时间，模拟仿真得到刀具受力云图。
[0054] (3)图1中的实时数据采集模块3，具体实现如下：
[0055] 数据接口配置模块，设置数据采集接口参数，包括IP地址，端口，波特率，进行数据采集测试；
[0056] 采集参数判断模块，进行实时数据采集，根据配置的报警参数进行判断，超出预警范围则强烈提示，所有数据以表盘形式可视化显示；
[0057] 参数可视化模块，对某一段采集并处理过的生产数据，将数值转换为图表进行参数可视化显示，并统计其偏离期望值较大的次数，计算平均值、方差数据；
[0058] (4)图1中的刀具数据预处理模块4，具体实现如下：
[0059] 数据清洗模块，对数据进行清洗，删除掉冗余的数据
[0060] 时域特征提取模块，进行数据的时域特征提取，计算平均值、方差、偏度因子、峭度因子数据；
[0061] 频域特征提取模块，将数据进行傅里叶变换，进行频域特征提取，计算重心频率、频率方差、频率均方差。
[0062] (5)图1中是剩余寿命预测模块的，具体实现如下：
[0063] 获取数据模块，选取刀具磨损全生命周期的数据，考虑刀具加工的行为模型，进行数据扩维处理，生成孪生融合的数据
[0064] 训练神经网络模块，利用孪生融合的数据进行神经网络模型训练，其中刀具神经网络模型预测模型采用DNN神经网络。网络包括了X，L1，L2，L3，Y五层结构。X层作为输入层，神经元个数为10。L1、L2、L3隐层神经元个数分别14,14,10,Y层为输出层输出最终磨损量数据，神经元个数为1。神经元激活函数采用tanh函数。
[0065] 验证模型模块，生成实验数据，对训练好的模型进行验证和优化，得到刀具剩余寿命预测拟合结果如附图4。附图4横轴代表刀具的走刀次数，纵轴代表刀具的磨损量。实际刀具磨损曲线与剩余寿命模型拟合曲线平均相对误差为1.58％，说明刀具剩余寿命预测模型能够有效准确的拟合当前刀具实际磨损量。
[0066] 剩余寿命预测模块，输入实际采集数据，对数据机床刀具进行剩余寿命预测。
[0067] 综上所述，本发明公开了一种数字孪生驱动的数控机床刀具监控系统，包括：数控机床刀具数字孪生模型构建；数控机床刀具实时状态数据采集和分析；切削过程中刀具所受应力的模拟仿真；孪生建模完成后，根据实际生产行为对应的数字孪生行为模型，产生融合数据，由此对数控机床刀具剩余寿命进行预测分析。本发明公开的方法能够解决数控机床刀具切削过程中无法把刀具磨损状态的问题，提高数控机床刀具的管控效率。
[0068] 本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
[0069] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
