一种基于数字孪生技术的产品加工控制方法技术

一种基于数字孪生技术的产品加工控制方法，包括如下步骤：步骤1、搭建产品生产质量管理的数字孪生模型；步骤2、运行数字孪生产品加工控制方法模型，控制产品加工质量。本发明专利技术通过数字孪生技术，通过对加工过程的多源异构数据采集及融合，形成完整的质量管理数据。并对其充分利用，并结合CBR技术建立了产品质量案例库，为质量知识的挖掘定了良好基础；在质量管理过程中增加了反馈机制；解决了传统的质量管理模式存在质量管理过程缺少预测能力、质量管理过程存在严重滞后性的问题，使得质量问题在发生前就加以控制，大大加强了质量控制的主动性。

【技术实现步骤摘要】
一种基于数字孪生技术的产品加工控制方法
本专利技术涉及产品生产质量控制
，特别涉及一种产品加工控制方法。
技术介绍
以制造业为主的实体经济，决定了国家的经济实力和经济健康水平。国家的产品生产质量尤为重要。智能化质量管理在当今现代化的机械制造中已经变得尤为重要，如何在质量管理中融入新技术，从而为产品质量提供有力保障成为新阶段的瓶颈之一。现阶段的质量控制从被动向主动发展，但生产过程的质量控制仍主要以生产人员为主体。在生产过程中对于质量的控制相对滞后，缺少实时性以及自适应性。随着我国的制造业工业生产模式逐渐向复杂、集成、复合式方向发展，产品的质量特性参数剧增。与此同时，数字化的生产和控设备也被引入生产制造现场，产生的大量反映生产过程状态的数据，然而这些数据并没有的到很好的利用，质量管理并没有达到信息化管理。数字孪生技术是一个集成了多物理量、多尺度、多概率的仿真过程，可以利用历史数据以及传感器实时更新的数据，刻画和反映物理对象的全生命周期过程。通过建立物理层、虚拟层、数据层、服务层以及信息传输的五维模型，使物理层与虚拟层相互真实映射与实时本文档来自技高网...

【技术保护点】
1.一种基于数字孪生技术的产品加工控制方法，包括如下步骤：/n步骤1、搭建产品生产质量管理的数字孪生模型，具体包括：/n1a.建立具有实时数据采集功能的物理生产车间；物理生产车间包括厂房、机器设备、人员、物料等以及多源异构数据感知融合设备；通过RFID、PLC、传感器等对产品加工过程中的设备、工件、环境等要素进行实时的数据采集；/n1b.结合灰色理论与BP神经网络建立虚拟生产车间的生产质量预测模型；包括以下步骤：/nS1)获取原始质量数据生成原始序列：/nx

【技术特征摘要】
1.一种基于数字孪生技术的产品加工控制方法，包括如下步骤：
步骤1、搭建产品生产质量管理的数字孪生模型，具体包括：
1a.建立具有实时数据采集功能的物理生产车间；物理生产车间包括厂房、机器设备、人员、物料等以及多源异构数据感知融合设备；通过RFID、PLC、传感器等对产品加工过程中的设备、工件、环境等要素进行实时的数据采集；
1b.结合灰色理论与BP神经网络建立虚拟生产车间的生产质量预测模型；包括以下步骤：
S1)获取原始质量数据生成原始序列：
x(0)＝{x0(1)，x0(2)，x0(3)，...，x0(n)}(1)
S2)通过一阶累加生成序列：
x(1)＝{x1(1)，x1(2)，x1(3)，...，x1(n)}(2)
其中：



S3)令z(1)为数列x(1)的紧邻均值生成数列，即：
z(1)＝(z(1)(2)，z(1)(3)，...，z(1)(n))(4)
其中，z(1)(m)＝δx(1)(m)+(1-δ)x(1)(m-1)，m＝2，3，...，n(5)且δ＝0.5；
S4)定义灰微分方程：x(0)(k)+αz(1)(k)＝ε(6)
其中x(0)(k)为灰导数，α为发展灰数，z(1)(k)为白化背景值，ε为灰作用量；
S5)由灰微分方程可得白微分方程：
S6)求解微分方程：
S7)利用最小二乘法确定ε、α：
其中，矩阵B为x(1)(t)取累加平均值所得，矩阵YN为x(0)转置矩阵；
S8)得到预测模型为：
S9)将所带数据累减还原得到初步预测结果
S10)建立基于原始数据和预测序列差值的BP神经网络模型：xi＝(x1，x2，x3，...xn)(11)为输入向量，期望值为输出y，隐藏层节点数为m，wij(i＝1，2，...n；j＝1，2，...m)为输入层与输出层之间的权值，wj(j＝1，2，...m)为隐藏层与输出层之间的权值，θi(i＝1，2，...m)、γ分别为隐藏层输出节点的阙值；
S11)并对模型进行训练修正各层权值减小误差；
S12)建立前n时刻的残差序列，作为BP神经网络的输入样本，即：
S13)通过BP神经网络模型获得t+1时刻的残差值
S14)与灰色模型的预测值相加，获得最终t+1时刻的预测值即：
1c.基于CBR技术建立虚拟车间的生产过程质量诊断模型，包括以下步骤：
T1)建立目标案例；将一个质量异常案例表示为目标向量：
CASE＝<D，F，S，E>(14)
从质量特性误差率、质量异常模式、5M1E方面建立质量特征信息F，并定义F＝U，C，H，M，P，Q，E(15)
其中个字母表示如表1所示：
表1基于特征的质量案例表示结构



T...

【专利技术属性】
技术研发人员：金寿松，刘星琪，钱前程，邢瑞花，王亚良，黄雨薪，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33