一种滚齿过程碳效率动态预测仿真系统及方法技术方案

本发明专利技术公开了一种滚齿过程碳效率动态预测仿真系统及方法，该系统基于数字孪生实现，包括物理实体、孪生数据库和虚拟模型；物理实体包括设备层和感知层；孪生数据库用于将感知层采集的数据输入到虚拟模型，并接收来自于虚拟模型的仿真输出结果；虚拟模型包括动态预测模型和动态仿真模型，动态预测模型用于根据孪生数据库的输入预测出实时输出功率，并输入到动态仿真模型，动态仿真模型用于动态仿真并输出设定的滚齿加工状态结果。本发明专利技术能充分利用物理空间动态参数的数据，并依靠虚拟空间的动态预测及仿真模型，实现滚齿过程碳效率的精准预测与实时动态仿真，以指导企业的生产计划和操作人员的加工决策，提高碳排放效率。提高碳排放效率。提高碳排放效率。

【技术实现步骤摘要】
一种滚齿过程碳效率动态预测仿真系统及方法


[0001]本专利技术涉及齿轮加工
，具体涉及一种滚齿过程碳效率动态预测仿真系统及方法。

技术介绍

[0002]制造业是碳排放的主要来源，消耗了超过30％的一次能源，产生了大约36％的温室气体。在保证行业发展的前提下，如何让减少碳排放是亟待解决的事情。对于碳排放效率的研究有助于分析碳排放趋势，对于减少碳排放具有重要作用。如何提高单位碳排放的利用效率，在固定碳排放额度的限制下，兼顾经济效益与环境效益，实现高效、节能、低碳制造，是国家和企业需要重点关注的问题。
[0003]滚齿是最广泛使用的齿轮加工工艺，提高滚齿过程的碳排放效率，对于提高企业经济效益、降低环境污染、达成国家战略目标有着重要意义。为此，众多学者针对滚齿进行了大量研究。但是这些研究均是在静态环境下对滚齿加工进行的研究，其默认滚齿加工中其他因素恒定，而将目标专注于加工参数带来的影响。而实际上滚齿加工是一个发生在动态加工条件下的动态过程，由于设备磨损、工艺参数变化以及材料差异等动态参数的影响，单纯的静态模型难以保证预测和优化的准确性，且无法描述滚齿过程的实时状态，而若要根据变化建立新的模型，有需要耗费大量时间，难以适应生产的实时性需求。

技术实现思路

[0004]针对现有技术存在的上述不足，本专利技术要解决的技术问题是：如何提供一种能充分利用物理空间动态参数的数据，并依靠虚拟空间的动态预测及仿真模型，实现滚齿过程碳效率的精准预测与实时动态仿真，以指导企业的生产计划和操作人员的加工决策，提高碳排放效率的基于数字孪生的滚齿过程碳效率动态预测仿真系统及方法。
[0005]为了解决上述技术问题，本专利技术采用如下技术方案：
[0006]一种滚齿过程碳效率动态预测仿真系统，包括物理实体、孪生数据库和虚拟模型；
[0007]所述物理实体包括设备层和感知层，所述设备层包括对滚齿进行加工的各种设备，所述感知层用于对滚齿加工过程中所述设备层的动态参数进行采集和传输；
[0008]所述孪生数据库用于将所述感知层采集的数据输入到所述虚拟模型，接收来自于所述虚拟模型的仿真输出结果，并将该仿真输出结果发送给所述物理实体；
[0009]所述虚拟模型包括动态预测模型和动态仿真模型，所述动态预测模型用于根据所述孪生数据库的输入预测出实时输出功率，并输入到所述动态仿真模型，所述动态仿真模型用于根据各输入数据进行动态仿真并输出设定的滚齿加工状态结果到所述孪生数据库。
[0010]一种滚齿过程碳效率动态预测仿真方法，采用上述的滚齿过程碳效率动态预测仿真系统，包括以下步骤：
[0011]步骤1)所述感知层对滚齿加工过程中所述设备层的动态参数进行采集，并传输给所述孪生数据库；
[0012]步骤2)所述孪生数据库将所述感知层采集的数据输入到所述虚拟模型；
[0013]步骤3)所述动态预测模型根据所述孪生数据库的输入预测出实时输出功率，并输入到所述动态仿真模型，所述动态仿真模型根据各输入数据进行动态仿真并输出设定的滚齿加工状态结果到所述孪生数据库；
[0014]步骤4)所述孪生数据库接收来自于所述虚拟模型的仿真输出结果，并将该仿真输出结果发送给所述物理实体。
[0015]优选的，步骤3)中，所述动态预测模型采用一维卷积神经网络模型，滚齿加工时，将实时采集的动态参数作为一维卷积神经网络模型的输入，已训练好的一维卷积神经网络模型根据各动态参数的值，回归预测并输出实时功率，且此次滚齿加工产生的数据将加入历史数据集，对一维卷积神经网络模型再次进行训练。
[0016]优选的，所述一维卷积神经网络模型的训练方法为：所述一维卷积神经网络模型采用历史数据集的数据进行训练，通过采用一维卷积神经网络算法自动对历史数据集中滚齿加工的各动态参数进行特征提取，并构建滚齿加工过程实时功率的回归预测模型。
[0017]优选的，步骤3)中，所述动态预测模型在对滚齿加工的实时功率进行预测之前，对实时采集的数据进行预处理，实时采集的数据包括定性数据和定量数据，对定性数据采用独热编码的方式转换为定量数据，并对定量数据进行数据归一化处理；
[0018]数据归一化处理的计算公式为：
[0019][0020]式中：x
′
为归一化后的值，x为该定量数据的原始值，x
max
和x
min
为该定量数据的最大值和最小值。
[0021]优选的，所述一维卷积神经网络模型包括输入层、一维卷积层、激活层、池化层、全连接层和输出层；
[0022]所述输入层用于数据输入；
[0023]所述一维卷积层用于对输入数据进行特征提取，按照设定的步长，在数据上不断滑动并进行卷积运算；
[0024]所述激活层利用线性整流函数加入非线性因素；
[0025]所述池化层用于对数据进行降维处理；
[0026]所述全连接层用于对经过多次卷积和池化处理后的数据通过线性变换激活所有神经元，得到回归结果，并通过计算实时功率预测值与实时功率实际值的误差，将误差反向传播，利用随机梯度下降的方式不断调整一维卷积神经网络模型，达到设定要求后在输出层输出结果。
[0027]优选的，所述一维卷积层进行卷积运算的公式为：
[0028][0029]式中：Y
i
为卷积后的特征映射值，bias为偏置值，X
i
为维度为p
×
1的第i条输入数据，θ为核大小为N的卷积核，为卷积运算符；
[0030]所述激活层利用线性整流函数加入非线性因数的计算公式为：
[0031]f(x)＝max(0,x)
[0032]式中：f(x)为激活后的输出函数，x为输入数据。
[0033]优选的，所述动态仿真模型采用离散事件系统规范模型，离散事件系统规范模型包括离散事件系统规范原子模型和离散事件系统规范耦合模型；
[0034]对滚齿的各个加工过程分别设计对应的离散事件系统规范原子模型，然后将各个离散事件系统规范原子模型按照滚齿加工时间的先后顺序进行耦合，以构造滚齿加工过程的粗滚齿离散事件系统规范耦合模型和精滚齿离散事件系统规范耦合模型，粗滚齿离散事件系统规范耦合模型和精滚齿离散事件系统规范耦合模型又再次耦合，以得到单个离散事件系统规范耦合模型，最后再将多台设备的单个离散事件系统规范耦合模型进行耦合，得到滚齿加工全过程碳效率的离散事件系统规范耦合模型。
[0035]优选的，离散事件系统规范原子模型为：
[0036]A＝＜DI,X,Y,S,δ
int
,δ
ext
,λ,t
a
＞
[0037]式中，DI为外部动态输入集，DI＝{Pstandby,Pcutin,Pfullcut,Pcutout}，Pstandby,Pcutin,Pfullcut,Pcutout分别代表动态预测模型在滚齿加工的待机时段实时功率的拟合值、滚齿加工的切本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滚齿过程碳效率动态预测仿真系统，其特征在于，包括物理实体、孪生数据库和虚拟模型；所述物理实体包括设备层和感知层，所述设备层包括对滚齿进行加工的各种设备，所述感知层用于对滚齿加工过程中所述设备层的动态参数进行采集和传输；所述孪生数据库用于将所述感知层采集的数据输入到所述虚拟模型，接收来自于所述虚拟模型的仿真输出结果，并将该仿真输出结果发送给所述物理实体；所述虚拟模型包括动态预测模型和动态仿真模型，所述动态预测模型用于根据所述孪生数据库的输入预测出实时输出功率，并输入到所述动态仿真模型，所述动态仿真模型用于根据各输入数据进行动态仿真并输出设定的滚齿加工状态结果到所述孪生数据库。2.一种滚齿过程碳效率动态预测仿真方法，其特征在于，采用如权利要求1所述的滚齿过程碳效率动态预测仿真系统，包括以下步骤：步骤1)所述感知层对滚齿加工过程中所述设备层的动态参数进行采集，并传输给所述孪生数据库；步骤2)所述孪生数据库将所述感知层采集的数据输入到所述虚拟模型；步骤3)所述动态预测模型根据所述孪生数据库的输入预测出实时输出功率，并输入到所述动态仿真模型，所述动态仿真模型根据各输入数据进行动态仿真并输出设定的滚齿加工状态结果到所述孪生数据库；步骤4)所述孪生数据库接收来自于所述虚拟模型的仿真输出结果，并将该仿真输出结果发送给所述物理实体。3.根据权利要求2所述的滚齿过程碳效率动态预测仿真方法，其特征在于，步骤3)中，所述动态预测模型采用一维卷积神经网络模型，滚齿加工时，将实时采集的动态参数作为一维卷积神经网络模型的输入，已训练好的一维卷积神经网络模型根据各动态参数的值，回归预测并输出实时功率，且此次滚齿加工产生的数据将加入历史数据集，对一维卷积神经网络模型再次进行训练。4.根据权利要求3所述的滚齿过程碳效率动态预测仿真方法，其特征在于，所述一维卷积神经网络模型的训练方法为：所述一维卷积神经网络模型采用历史数据集的数据进行训练，通过采用一维卷积神经网络算法自动对历史数据集中滚齿加工的各动态参数进行特征提取，并构建滚齿加工过程实时功率的回归预测模型。5.根据权利要求2所述的滚齿过程碳效率动态预测仿真方法，其特征在于，步骤3)中，所述动态预测模型在对滚齿加工的实时功率进行预测之前，对实时采集的数据进行预处理，实时采集的数据包括定性数据和定量数据，对定性数据采用独热编码的方式转换为定量数据，并对定量数据进行数据归一化处理；数据归一化处理的计算公式为：式中：x
′
为归一化后的值，x为该定量数据的原始值，x
max
和x
min
为该定量数据的最大值和最小值。6.根据权利要求3所述的滚齿过程碳效率动态预测仿真方法，其特征在于，所述一维卷积神经网络模型包括输入层、一维卷积层、激活层、池化层、全连接层和输出层；
所述输入层用于数据输入；所述一维卷积层用于对输入数据进行特征提取，按照设定的步长，在数据上不断滑动并进行卷积运算；所述激活层利用线性整流函数加入非线性因素；所述池化层用于对数据进行降维处理；所述全连接层用于对经过多次卷积和池化处理后的数据通过线性变换激活所有神经元，得到回归结果，并通过计算实时功率预测值与实时功率实际值的误差，将误差反向传播，利用随机梯度下降的方式不断调整一维卷积神经网络模型，达到设定要求后在输出层输出结果。7.根据权利要求6所述的滚齿过程碳效率动态预测仿真方法，其特征在于，所述一维卷积层进行卷积运算的公式为：式中：Y
i
为卷积后的特征映射值，bias为偏置值，X
i
为维度为p
×
1的第i条输入数据，θ为核大小为N的卷积核，为卷积运算符；所述激活层利用线性整流函数加入非线性因数的计算公式为：f(x)＝max(0,x)式中：f(x)为激活后的输出函数，x为输入数据。8.根据权利要求2所述的滚齿过程碳效率动态预测仿真方法，其特征在于，所述动态仿真模型采用离散事件系统规范模型，离散事件系统规范模型包括离散事件系统规范原子模型和离散事件系统规范耦合模型；对滚齿的各个加工过程分别设计对应的离散事件系统规范原子模型，然后将各个离散事件系统规范原子模型按照滚齿加工时间的先后顺序进行耦合，以构造滚齿加工过程的粗滚齿离散事件系统规范耦合模型和精滚齿离散事件系统规范耦合模型，粗滚齿离散事件系统规范耦合模型和精滚齿离散事件系统规范耦合模型又再次耦合，以得到单个离散事件系统规范耦合模型，最后再将多台设备的单个离散事件系统规范耦合模型进行耦合，得到滚齿加工全过程碳效率的离散事件系统规范耦合模型。9.根据权利要求8所述的滚齿过程碳效率动态预测仿真方法，其特征在于，离散事件系统规范原子模型为：A＝&...

【专利技术属性】
技术研发人员：易茜，胡春晖，李聪波，罗雨松，易树平，
申请(专利权)人：重庆大学，
类型：发明
国别省市：