一种基于数字孪生的铣削参数优化方法技术

本发明专利技术请求保护一种基于数字孪生技术对铣削参数多目标优化方法。属于数控加工领域，首先通过数字孪生体获取所需数据；其次采用反向误差传播神经网络(BPNN)算法搭建拟合预测模型；接着设置更新机制以重新训练该模型提高算法的精度；最后结合熵权法分配待优化目标的权重，采用双深度Q网络(DDQN)重新训练BPNN模型并获取适合当前加工目标的最优参数组合。本方法能够实现铣削参数的动态多目标优化，能够针对机床整个运行时段提供符合当前机床特性的最优铣削参数取值方案，从而保证加工质量和加工效率。加工效率。加工效率。

【技术实现步骤摘要】
一种基于数字孪生的铣削参数优化方法


[0001]本专利技术属于数控加工相关
，更具体地，涉及一种基于深度强化学习的铣削参数优化方法。

技术介绍

[0002]合理优化运行参数对降低加工能耗、减少加工成本、提高加工效率和保证加工质量具有重要意义。然而，这些目标之间往往存在矛盾，随着切削参数的变化，在提升一个目标的同时可能会削弱另一个目标。除此之外，研究者对铣削参数的优化研究忽视了机床的性能是一个动态变化的过程，获得的最优参数解只能适用于过去某个维度，并不是当前加工环境下的最优选择。
[0003]因此要获取实时可靠的数据，同时要实现多个目标优化是一个亟需解决的问题。

技术实现思路

[0004]本专利技术旨在解决以上现有技术的问题。提出了一种基于数字孪生的铣削参数优化方法。本专利技术的技术方案如下：
[0005]一种基于数字孪生的铣削参数优化方法，其包括以下步骤：
[0006]S1：构建数字孪生模型，将机床采集到的实时加工数据和加工参数储存到数字孪生体的数据库中；
[0007]S2：提取数字孪生体中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的铣削参数优化方法，其特征在于，包括以下步骤：S1：构建数字孪生模型，将机床采集到的实时加工数据和加工参数储存到数字孪生体的数据库中；S2：提取数字孪生体中的数据，采用反向误差传播神经网络BPNN算法，以铣削加工参数作为变量输入，最终的加工目标作为结果输出BPNN预测模型；S3：设立动态更新机制，通过实际值和真实值的误差率与给定阈值的比较，判断是否需要重新训练拟合预测模型；S4：将BPNN预测模型与双深度Q网络(DDQN)进行耦合得到B
‑
Q预测模型；S5：根据决策变量优化目标及约束条件，构建多目标优化模型；利用双深度Q网络DDQN并设置其学习策略与内部参数，获得最优的加工参数组合的pareto前沿；S6：通过熵权法对Pareto前沿内的解集进行筛选，根据不同要求，选出评价最好的加工参数组合作为最优解。2.根据权利要求1所述的一种基于数字孪生的铣削参数优化方法，其特征在于，所述构建数字孪生模型具体包括：D＝{(n,fz,ap,ae,P,Fd)}其中D为数据集的集合，n,fz,ap,ae,P,Fd分别代表主轴转速、进给速度、切削深度切削宽度、功率P和表面粗糙度，可通过数字孪生体的数据库获得。3.根据权利要求1所述的一种基于数字孪生的铣削参数优化方法，其特征在于，所述步骤S2：采用反向误差传播神经网络BPNN算法，以铣削加工参数作为变量输入，最终的加工目标作为结果输出的BPNN预测模型，具体包括：BPNN预测模型其输入变量为主轴转速n、进给速度fz、切削深度ap、切削宽度ae，输出变量为功率P、材料去除率Rm、表面粗糙度Fd；所述BPNN神经网络结构图的数学模型为：x
i
∈[n
i
,fz
i
,ap
i
,ae
i
]为第i个样本，是神经网络的输入；y为神经网络的输出，ω
i
为权重；b为偏差值；f为传递函数。4.根据权利要求1所述的一种基于数字孪生的铣削参数优化方法，其特征在于，所述步骤S3的拟合预测模型模型包括：状态函数：s(t)＝[n(t),fz(t),ap(t),ae(t)]动作参数x
min
和x
max
为铣削参数(n,fz,ap,ae)的上下边界；价值函数Q为:Q为价值函数，s为状态，a为当前状态s所对应的动作，t为时刻，E为均值计算公式，π为状态动作策略，t为时间，γ∈[0,1]为折扣因子，是评价当前和未来影响的重要指标，γ越大则价值函数越注重未来的影响，γ越小则价值函数受当前影响更多，R
t
为t时刻下的奖励
函数；奖励函数R为：其中是指设置在状态s(t)下的内部参数通过BPNN进行预测得到的R2值。5.根据权利要求4所述的一种基于数字孪生的铣削参数优化方法，其特征在于，所述步骤S3设立动态更新机制的更新条件为预测值和实际值的误差率，其公式为...

【专利技术属性】
技术研发人员：杨继平，熊威，罗志勇，夏卿，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：