【技术实现步骤摘要】
本申请涉及机床加工工艺领域，特别是涉及一种基于大语言模型知识强化的机床加工工艺孪生决策方法。
技术介绍
1、随着制造业向智能化、数字化转型，数控机床加工工艺的优化成为提高产品质量和降低成本的关键因素。传统的加工工艺优化方法主要依赖于工程师的经验和反复试验，不仅耗时耗力，而且难以适应复杂多变的生产环境。近年来，数字孪生技术在制造业中得到广泛应用，为实现智能制造和工业4.0提供了重要支撑。数字孪生通过构建物理实体的虚拟模型，实现实时数据交互和状态同步，为加工工艺优化提供了新的思路。同时，知识图谱作为一种先进的知识表示和管理方法，在制造领域逐渐受到关注。知识图谱能够系统化地表示和组织复杂的工艺知识，为智能决策提供支持。
2、目前数控机床加工工艺优化中仍存在以下问题：1）难以有效整合多源异构数据；2）缺乏对工艺知识的系统化表示和利用；3）工艺参数优化缺乏实时性和自适应性；4）缺乏利用刀具磨损状态量去优化工艺的手段。这些问题成为数控机床加工精度的瓶颈，限制了智能制造的进一步发展。
技术实现思路
1、本申请的目的是提供一种基于大语言模型知识强化的机床加工工艺孪生决策方法，可提高数控机床加工质量。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种基于大语言模型知识强化的机床加工工艺孪生决策方法，所述机床加工工艺孪生决策方法包括：
4、根据加工工艺历史数据，利用大语言模型，构建机床的加工工艺知识图谱；所述加工工艺知识图谱用于
5、利用数字孪生数据，对所述加工工艺知识图谱进行更新，得到数字孪生数据强化后的工艺知识图谱。
6、根据机床的当前加工任务，基于数字孪生数据强化后的工艺知识图谱，确定当前加工任务下的加工工艺方案解集；所述加工工艺方案解集是以专家规则作为约束，以材料去除率和表面粗糙度作为优化目标得到的解集。
7、根据获取的机床实时刀具磨损状态，对优化目标的权重值进行动态调整，确定当前加工任务下优化目标的最优权重值。
8、根据所述最优权重值，基于加工工艺方案解集，确定当前加工任务下的最优加工工艺方案。
9、可选的，所述加工工艺历史数据为典型工件的工艺规程；所述工艺规程包括工艺过程卡、工艺卡和工序卡。
10、可选的，根据加工工艺历史数据，利用大语言模型，构建机床的加工工艺知识图谱，具体包括：
11、对加工工艺历史数据进行预处理。
12、通过微调大语言模型，对预处理后的加工工艺历史数据进行命名实体识别和关系抽取，得到机床加工工艺的关键实体以及各关键实体之间的关系；所述关键实体由工件信息、刀具信息、工艺参数和加工精度要求进行表示；所述关系包括工艺参数与工件信息之间的适配关系、刀具信息与工艺参数之间的依赖关系，以及工艺参数与加工精度要求之间的影响关系。
13、基于所述关键实体以及各关键实体之间的关系，构建反映工艺流程和工艺参数关联的加工工艺知识框架。
14、基于加工工艺历史数据，采用数据预处理与自然语言处理分析，将所述加工工艺历史数据的关键信息存储在所述加工工艺知识框架中，得到加工工艺知识图谱。
15、可选的，利用数字孪生数据，对所述加工工艺知识图谱进行更新，得到数字孪生数据强化后的工艺知识图谱，具体包括：
16、对所述数字孪生数据进行数据预处理；所述数字孪生数据为多模态数字孪生数据；所述多模态数字孪生数据中包含文本数据、时序传感数据和点云数据。
17、使用数据编码模型对多模态数字孪生数据进行数据编码，得到所述多模态数字孪生数据的语义信息；所述数据编码模型包括基于 transformer的双向编码模型、卷积神经网络-长短期记忆模型、点云分类分割模型和自编码器；所述基于 transformer的双向编码模型用于文本数据处理；所述卷积神经网络-长短期记忆模型用于时序传感数据处理；所述点云分类分割模型用于点云数据处理；所述自编码器用于多模态数字孪生数据低维表示学习。
18、根据所述语义信息，利用大语言模型解析并整合多模态数字孪生数据，得到新的关键实体以及各关键实体之间的关系。
19、基于新的关键实体以及各关键实体之间的关系，对所述加工工艺知识图谱进行动态更新，生成数字孪生数据强化后的工艺知识图谱。
20、可选的，所述机床的当前加工任务的确定过程为：
21、利用大语言模型对当前机床的加工参数、工件信息、刀具信息进行语义编码。
22、采用语义增强检索方法，通过利用语义相似度计算与匹配技术，在数字孪生数据强化后的工艺知识图谱中检索与当前语义编码相近的节点。
23、采用大语言模型，基于检索到的与当前语义编码相近的节点，生成机床当前加工任务的工艺描述；所述工艺描述是根据主轴转速、进给速度、切削深度进行表达的。
24、可选的，根据机床的当前加工任务，基于数字孪生数据强化后的工艺知识图谱，确定当前加工任务下的加工工艺方案解集，具体包括：
25、根据机床的当前加工任务，构建基于多目标近端策略优化算法的优化框架；所述基于多目标近端策略优化算法的优化框架为基于深度强化学习方法和知识图谱的混合模型；所述优化框架中材料去除率和表面粗糙度作为深度强化学习方法的奖励函数的组成部分。
26、利用所述数字孪生数据强化后的工艺知识图谱中所包含的加工工艺历史数据，对多目标近端策略优化算法中深度强化学习的策略网络和价值网络进行初始化。
27、将当前加工任务信息编码作为强化学习模型的输入，采用多目标近端策略优化算法，迭代优化工艺参数。
28、结合知识图谱中的工艺参数选择、工艺路径规划的专家规则约束，确定当前加工任务下的加工工艺方案解集。
29、可选的，所述奖励函数具体为：
30、]。
31、其中，材料去除率的权重系数，为表面粗糙度的权重系数，，为材料去除率，为表面粗糙度， r为奖励函数， r的值采用向量形式表示。
32、可选的，刀具磨损状态的权重自适应求解过程为：
33、采集数控机床加工过程中的多源传感数据，记录每一次加工后的刀具磨损量，并绘制刀具磨损量曲线；所述多源传感数据包括声发射、电流、振动和力。
34、根据刀具磨损量曲线，将刀具磨损划分为多个刀具磨损状态。
35、构建融合深层残差机制的双向长短期记忆网络。
36、基于融合深层残差机制的双向长短期记忆网络，建立多源传感数据与刀具磨损状态之间的映射关系，并对刀具磨损状态各类别进行量化处理；所述映射关系用于数控机床真实服役过程的刀具磨损状态分类。
37、可选的，采用多目标近端策略优本文档来自技高网...
【技术保护点】
1.一种基于大语言模型知识强化的机床加工工艺孪生决策方法，其特征在于，所述机床加工工艺孪生决策方法包括：
2.根据权利要求1所述的一种基于大语言模型知识强化的机床加工工艺孪生决策方法，其特征在于，所述加工工艺历史数据为典型工件的工艺规程；所述工艺规程包括工艺过程卡、工艺卡和工序卡。
3.根据权利要求2所述的一种基于大语言模型知识强化的机床加工工艺孪生决策方法，其特征在于，根据加工工艺历史数据，利用大语言模型，构建机床的加工工艺知识图谱，具体包括：
4.根据权利要求3所述的一种基于大语言模型知识强化的机床加工工艺孪生决策方法，其特征在于，利用数字孪生数据，对所述加工工艺知识图谱进行更新，得到数字孪生数据强化后的工艺知识图谱，具体包括：
5.根据权利要求4所述的一种基于大语言模型知识强化的机床加工工艺孪生决策方法，其特征在于，所述机床的当前加工任务的确定过程为：
6.根据权利要求5所述的一种基于大语言模型知识强化的机床加工工艺孪生决策方法，其特征在于，根据机床的当前加工任务，基于数字孪生数据强化后的工艺知识图谱，确定当前加工
7.根据权利要求6所述的一种基于大语言模型知识强化的机床加工工艺孪生决策方法，其特征在于，所述奖励函数具体为：
8.根据权利要求7所述的一种基于大语言模型知识强化的机床加工工艺孪生决策方法，其特征在于，刀具磨损状态的权重自适应求解过程为：
9.根据权利要求8所述的一种基于大语言模型知识强化的机床加工工艺孪生决策方法，其特征在于，采用多目标近端策略优化算法，迭代优化工艺参数，具体包括：
...【技术特征摘要】
1.一种基于大语言模型知识强化的机床加工工艺孪生决策方法，其特征在于，所述机床加工工艺孪生决策方法包括：
2.根据权利要求1所述的一种基于大语言模型知识强化的机床加工工艺孪生决策方法，其特征在于，所述加工工艺历史数据为典型工件的工艺规程；所述工艺规程包括工艺过程卡、工艺卡和工序卡。
3.根据权利要求2所述的一种基于大语言模型知识强化的机床加工工艺孪生决策方法，其特征在于，根据加工工艺历史数据，利用大语言模型，构建机床的加工工艺知识图谱，具体包括：
4.根据权利要求3所述的一种基于大语言模型知识强化的机床加工工艺孪生决策方法，其特征在于，利用数字孪生数据，对所述加工工艺知识图谱进行更新，得到数字孪生数据强化后的工艺知识图谱，具体包括：
5.根据权利要求4所述的一种基于大语言...
【专利技术属性】
技术研发人员：撒国栋，李志男，孙嘉诚，刘振宇，侯明杰，谭建荣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。