一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法技术方案

本发明专利技术涉及一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法，属于工艺规划虚拟仿真领域。该系统包括物理设备层、数据感知层、信息处理层、虚拟空间层和数字孪生层；数据感知层采集物理设备层在加工过程中的相关实时数据及历史数据，并将数据发送到信息处理层进行数据融合分析与处理；同时采集的数据传送到虚拟空间层，在数字孪生层中相关模型的要求指导下构建出与物理实体对应的动态虚拟模型；数字孪生层统领其余各层，进行虚实交互反馈、融合分析及迭代优化，开展待加工零部件不同工艺方案的综合评估分析，实现工艺参数优化和工艺路线改进。本发明专利技术提高了工艺规划的柔性和动态适应性，可改善资源利用率，缩短加工周期、降低生产成本。

【技术实现步骤摘要】
一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法
本专利技术属于工艺规划虚拟仿真相关
，涉及一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法。
技术介绍
随着新一代信息、通信、物联网技术的高速发展，制造业向数字化、网络化、智能化方向跃进。传统的大批量大规模制造模式已经逐渐遭到淘汰，新兴产品的更新换代日益频繁，新的市场需求面临着多样化个性化、小批量多品种、短周期快响应等严峻考验。在产品的全生命周期中，作为机械产品从设计阶段到制造阶段的过渡，加工工艺规划是现代制造业的重要基础工作，它实现产品设计信息向制造信息的转换，是连接产品设计与产品制造的桥梁。加工工艺规划方案的质量直接影响企业制造资源的配置与优化、生产组织效率、产品质量、生产周期、环境效益等各方面。如何提升机械产品工艺规划设计的质量和效率，实现多个可行备选方案的快速测评和甄选，对提高产品生产效率与质量，促进我国传统制造业技术的改造升级，具有十分重要的意义。传统的基于模型、基于知识方法的加工工艺规划方案评估主要依靠单因素和经验知识，没有综合考虑生产过程中各种影响因素共同作用，工艺评价指标往往带有经验性、模糊性和不确定性，导致评价结果的主观性和适用局限性。同时，大多数工艺制定过程是在假定车间具有充足资源的条件下进行，是静态的工艺规划；当企业资源在工艺路线规划和工艺路线实施的过程中发生动态改变时，原有工艺规划路线的效率将大打折扣，甚至失效。目前，加工制造借助信息技术，逐步实现制造过程中物理世界和信息世界互联互通。为了实现对工业生产过程中的精确规划和动态实时评估，亟需一种新的多工艺规划综合评估系统。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法，实现产品加工前不同工艺规划方案的动态仿真模拟，并对不同方案进行综合评估分析，进行加工工艺路线及工艺参数的优化，提高工艺规划的柔性和动态适应性，从而改善资源利用率，缩短加工周期、降低生产成本、提高生产效率和增强企业的市场竞争力。为达到上述目的，本专利技术提供如下技术方案：1、一种基于数字孪生及深度学习的多工艺规划综合评估系统，包括物理设备层、数据感知层、信息处理层、虚拟空间层以及数字孪生层；所述数据感知层采集物理设备层在加工过程中的相关实时数据及历史数据，并将数据发送到信息处理层进行数据融合分析与处理；同时采集到的数据传送到虚拟空间层，在数字孪生层中相关模型的要求指导下构建出与物理实体对应的虚拟模型；所述数字孪生层统领其余各层，进行虚实交互反馈、融合分析及迭代优化，开展待加工零部件不同工艺方案的综合评估分析，实现工艺参数优化和工艺路线改进。进一步，所述物理设备层是指对待加工零部件进行工艺规划过程中所涉及的物理实体，所述物理实体包括待加工零部件、加工机床等设备、刀具、工装、夹具、检具、传感器、传送装置、操作员等，根据待加工零部件的几何尺寸、材料属性、工艺要求、加工质量及生产规模等属性变化，相应的加工检测设备有所不同；所述物理设备层通过数据感知层采集相关物理实体的加工检测数据，与数字孪生层实现交互映射。进一步，所述数据感知层具体包括：(1)采集物理设备层中零部件加工过程中用于工艺规划的数据信息，包括加工设备信息、零部件三维模型信息、零部件规则信息、加工质量信息、环境影响信息和人员信息等；所述加工设备信息包括机床加工参数如主轴转速、切削速度、切削时间，刀夹具磨损；所述零部件三维模型信息主要是指零部件毛坯的几何特征信息及材料属性数据以及加工后的产品几何拓扑信息及材料属性参数；所述零部件规则信息主要是指工艺规划设计规则如先粗后精规则，先面后孔规则，先主后次规则以及工序集中规则与分散规则；所述加工质量信息包括零件表面粗糙度、尺寸公差、形状公差、位置公差；所述环境影响信息包括噪声污染、电磁辐射污染、固液气废物污染信息；所述人员信息包括人员数量、人员工作状态、人员工作时间等；(2)将采集的数据进行归类和存储，为后续的信息分析处理提供数据支持；其中，数据采集包括采用传感器获得的硬件采集和利用接口协议进行软件二次开发获得的软件采集；采集的数据包括加工设备、加工零部件、环境和操作人员等既有的静态数据，以及依靠感知设备获得的实时加工过程的动态数据；(3)将获得的数据通过工控网络传输至信息处理层，支持LAN、WiFi、Zigbee、Bluetooth、5G、RFID、GPS等多种传输协议。进一步，所述信息处理层包括：(1)数据融合模块：对实时数据、仿真数据、工艺设计数据、工艺规则数据、实体空间的检测数据、加工设备数据等多源异构数据进行清洗、融合及封装处理，为数据分析模块提供基础；(2)数据分析模块：结合当前仿真模拟数据、历史加工数据、孪生模型数据、工艺评价数据进行综合数据转换、数据分析、数据分组和数据挖掘处理，对各工艺规划方案的利弊进行综合权衡比较；(3)深度学习模块：利用深度学习理论，采用层次分析法、粒子群算法、神经网络、遗传算法或蚁群算法等方法构建智能分析处理算法，借助其强大的数字挖掘和映射能力，实现工艺规划方案中结构参数的动态优化和调整。进一步，所述虚拟空间层，主要包括：(1)加工过程动态展示：根据孪生数据和孪生模型对实际物理实体加工过程进行高保真仿真及全视角模拟展示；(2)工艺方案综合评价对照：依据不同工艺方案采用的设备、加工成本、加工质量、环境影响和资源消耗等方面进行统计对照分析，结合生产车间现有条件和能力得出最佳的工艺规划方案；(3)工艺参数及工艺路线优化过程显示：对工艺规划方案改进过程中，工艺参数调整、工艺路线修改引起的生产加工过程资源和设备等变化的实时动态输出，直观感受加工工艺的变动过程；(4)生产能力与资源消耗评估：对正常生产任务排单、临时生产任务增减或取消、紧急生产任务插单或设备突发故障等引起的生产能力测评、原材料备货分析或资源消耗估计等；(5)加工质量预测；对加工零件的表面质量、加工精度等进行预测分析。进一步，所述数字孪生层包括有数字孪生模型，具体包括：(1)数字孪生虚拟模型：用于构建物理实体在工作环境下的实体模型及在生产加工过程中的动态虚拟模型，根据实时数据和历史数据，创建数字孪生虚拟模型；(2)数字孪生工艺模型：依据零部件毛坯数据、工艺设计数据、工艺属性数据、工艺规则数据、工艺仿真数据及孪生数据构建数字孪生工艺模型，实现零部件在加工现场的可视化；(3)数字孪生资源模型：包括设备资源、环境资源、信息资源等，分析已有资源情况与工艺规划方案所需资源的匹配关系，以及不同规划方案对资源合理利用的耦合关系；(4)数字孪生质量模型：包括加工精度模型和表面质量模型两大方面，对加工零件的尺寸精度、形状位置精度、表面粗糙度、表面冷作硬化程度、残余应力大小及分布做出综合评价。2、一种基于数字孪生及深度学习的多工艺规划综合评估方法，具体包括以下步骤：S1：数据采集：对待加工零部件、加工设备本文档来自技高网...

【技术保护点】
1.一种基于数字孪生及深度学习的多工艺规划综合评估系统，其特征在于，该系统包括物理设备层、数据感知层、信息处理层、虚拟空间层以及数字孪生层；所述数据感知层采集物理设备层在加工过程中的相关实时数据及历史数据，并将数据发送到信息处理层进行数据融合分析与处理；同时采集到的数据传送到虚拟空间层，在数字孪生层中相关模型的要求指导下构建出与物理实体对应的动态虚拟模型；所述数字孪生层统领其余各层，进行虚实交互反馈、融合分析及迭代优化，开展待加工零部件不同工艺方案的综合评估分析，实现工艺参数优化和工艺路线改进。/n

【技术特征摘要】
1.一种基于数字孪生及深度学习的多工艺规划综合评估系统，其特征在于，该系统包括物理设备层、数据感知层、信息处理层、虚拟空间层以及数字孪生层；所述数据感知层采集物理设备层在加工过程中的相关实时数据及历史数据，并将数据发送到信息处理层进行数据融合分析与处理；同时采集到的数据传送到虚拟空间层，在数字孪生层中相关模型的要求指导下构建出与物理实体对应的动态虚拟模型；所述数字孪生层统领其余各层，进行虚实交互反馈、融合分析及迭代优化，开展待加工零部件不同工艺方案的综合评估分析，实现工艺参数优化和工艺路线改进。


2.根据权利要求1所述的一种基于数字孪生及深度学习的多工艺规划综合评估系统，其特征在于，所述物理设备层是指对待加工零部件进行工艺规划过程中所涉及的物理实体；所述物理设备层通过数据感知层采集相关物理实体的加工检测数据，与数字孪生层实现交互映射。


3.根据权利要求1所述的一种基于数字孪生及深度学习的多工艺规划综合评估系统，其特征在于，所述数据感知层具体包括：
(1)采集物理设备层中零部件加工过程中用于工艺规划的数据信息，包括加工设备信息、零部件三维模型信息、零部件规则信息、加工质量信息、环境影响信息和人员信息；
(2)将采集的数据进行归类和存储，为后续的信息分析处理提供数据支持；其中，数据采集包括采用传感器获得的硬件采集和利用接口协议进行软件二次开发获得的软件采集；采集的数据包括加工设备、加工零部件、环境和操作人员的静态数据，以及依靠感知设备获得的实时加工过程的动态数据；
(3)将获得的数据通过工控网络传输至信息处理层。


4.根据权利要求1所述的一种基于数字孪生及深度学习的多工艺规划综合评估系统，其特征在于，所述信息处理层包括：
(1)数据融合模块：对多源异构数据进行清洗、融合及封装处理，为数据分析模块提供基础；
(2)数据分析模块：结合当前仿真模拟数据、历史加工数据、孪生模型数据、工艺评价数据进行综合数据转换、数据分析、数据分组和数据挖掘处理，对各工艺规划方案的利弊进行综合权衡比较；
(3)深度学习模块：利用深度学习理论，采用层次分析法、粒子群算法、神经网络、遗传算法或蚁群算法构建智能分析处理算法，实现工艺规划方案中结构参数的动态优化和调整。


5.根据权利要求1所述的一种基于数字孪生及深度学习的多工艺规划综合评估系统，其特征在于，所述虚拟空间层包括：
(1)加工过程动态展示：根据孪生数据和孪生模型对实际物理实体加工过程进行高保真仿真及全视角模拟展示；
(2)工艺方案综合评价对照：依据不同工艺方案采用的设备、加工成本、加工质量、环境影响和资源消进行统计对照分析，结合生产车间现有条件和能力得出最佳的工艺规划方案；
(3)工艺参数及工艺路线优化过程显示：对工艺规划方案改进过程中，工艺参数调整、工艺路线修改引起的生产加工过程资源和设备变化的实时动态输出；
(4)生产能力与资源消耗评估：对正常生产任务排单、临时生产任务增减或取消、紧急生产任务插单或设备突发故障引起的生产能力测评、原材料备货分析或资源消耗估计；
(5)加工质量预测；对加工零件的表面质量、加工精度进行预测分析。


6.根据权利要求1所述的一种基于数字孪生及深度学习的多工艺规划综合评估系统，其特征在于，所述数字孪生层包括有数字孪生模型，具体包括：
(1)数字孪生虚拟模型：用于构建物理实体在工作环境下的实体模型及在生产加工过程中的动态虚拟模型，根据实时数据和历史数据，创建数字孪生虚拟模型；
(2)数字孪生工艺模型：依据零部件毛坯数据、工艺设计数据、工艺属性数据、工艺规则数据、工艺仿真数据及孪生数据构建数字孪生工艺模型；
(3)数字孪生资源模型：包括设备资源、环境资源、信息资源等，分析已有资源情况与工艺规划方案所需资源的匹配关系，以及不同规划方案对资源合理利用的耦合关系；
(4)数字孪生质量模型：包括加工精度模型和表面质量模型两大方面，对加工零件的尺寸精度、形状...

【专利技术属性】
技术研发人员：陈昭明，石明全，邹劲松，应泽，
申请(专利权)人：中国科学院重庆绿色智能技术研究院，重庆大学，
类型：发明
国别省市：重庆;50