数控机床数字孪生建模技术及智能应用研究

孙雪皓,张凤丽+,周正飞,王金江,黄祖广,薛瑞娟

(1.中国石油大学(北京)机械与储运工程学院,北京 102249;2. 通用机床工程研究院有限公司,北京 100102)

0 引言

随着新一代信息技术与制造业深度融合,智能制造已经成为推动全球制造业发展的关键技术,数控机床作为高技术含量的“工业母机”,是智能制造不可或缺的一部分,其智能化对智能制造的实现有着重要的影响[1]。数控机床是一个由机械、电气、热、控制等多个系统耦合而成的复杂系统,需要从结构、部件及功能等多维度实现数控机床性能的全面分析与维护,考虑端到端多领域耦合优化、集成验证和追溯性,便于对整个数控机床系统全生命周期进行管理,因此无法有效避免环境、人为等外界因素的影响[2]。

近年来,作为智能制造的关键使能技术,数字孪生受到广泛关注[3],特别是随着仿真和传感器监控技术的发展[4-5],数字孪生在工业上的应用已成为研究热点。通过建立复杂系统的孪生模型,利用传感监控、数据传输等技术,数字孪生可实现数字空间中孪生模型与现实空间中的物理实体的实时交互映射,反映一个复杂系统的整个生命周期[6],根据孪生对象全生命周期的实时映射数据进行系统级仿真和自主决策,为数控机床全面分析与维护提供了新方法[7]。WEI等[8]基于多领域统一模型和有限元模型设计了数控机床数字孪生模型的一致性保持方法框架,阐述了数字空间中数控机床模型性能衰减的原理;SCAGLIONI等[9]开发了基于有限元的机床动态孪生模型,包括运动部件结构和切削过程模型;VISHNU[10]分别使用数控机床历史和实时加工数据模拟、预测和优化工艺规划阶段和加工阶段的关键性能指标,用于表面粗糙度预测的数字孪生模型开发;ZHAO等[11]建立数据模型,将从数据中提取的有价值的信息转化为知识,并基于知识和规则实现机床的优化和反馈控制,为智能诊断与维护奠定基础。

数控机床数字孪生可以根据真实机床的数据进行虚拟模型的构建、数据完善,通过统计、分析、处理、展示这些数据来实现对实际机床的实时监控和控制,以满足对数控机床性能测评、虚拟调试等后续智能应用的需求。但在具体实现数控机床数字孪生过程中,在物理实体与孪生模型的双向完全镜像、虚实一致、数据的全面融合等方面仍存在挑战,尤其是数控机床的数字孪生建模问题,如何考虑不同领域的子系统之间的耦合关系,快速有效地构建具有一致性的数字孪生模型成为数字孪生技术在该领域广泛应用的关键问题。因此,本研究针对数字孪生建模以及智能应用核心问题,构建面向智能应用的数控机床数字孪生实现框架,明确几何、物理和数据建模流程以及关键要素;明确数字孪生建模过程中必需的关键赋能技术,开发高效的数据处理和清洗算法,建立准确、有效的数据模型,实现虚实数据相融合,解释物理系统本质,提高数控机床仿真分析精度,设计物理空间与数字孪生的映射策略,提高模型计算速度;最后以实际数控机床为研究对象,开发基于数字孪生的数控机床性能测评、健康管理、虚拟调试等智能应用服务模块,实现数控机床数字孪生的智能应用。

1 国内外研究现状

1.1 数字孪生研究现状

数字孪生技术作为物理世界与信息世界交互融合的潜在途径,被逐渐应用于各个行业,在制造业的表现尤为突出。2011年美国空军科学研究实验室和美国国家航空航天局首次利用数字孪生来实现飞行器轻量化、高负载和高可靠的目标[12],分析了实现数字孪生过程需要的诸多前沿技术,如多物理场建模、多尺度损伤建模、计算机有限元分析与损伤模型的集成、不确定性验证建模与控制、大量共享数据的管理、高精度的结构分析能力等,为后续数字孪生在工业智能制造的应用提供了思路与理论参考。GRIEVES等[13]于2014年发表了数字孪生虚拟工厂白皮书,推动制造业数字化、智能化转型,为工业设备数字孪生实施提供指导。随着数字孪生技术的研究不断深入,如何充分发挥数字孪生技术特性和优势,挖掘利用现实空间中多尺度数据,有效实现工业设备具体功能应用是现在需要解决的问题。DEBROY等[14]通过总结多个组织的研究,对增材制造第一代数字孪生体的主要组成部分和研究需求进行了展望。美国北卡罗来纳州立大学团队[15]开发了一种用于监测数控机床铣削过程的系统,通过传感器检测机床主轴的负载功率,按照加工工步将检测数据划分为多个部分,分别分析每个工步所对应的表面粗糙度。TAO等[16]基于数字孪生理论提出了面向制造车间的数字孪生诊断与健康管理方法。QI等[17]提出了面向智能制造的数字孪生应用服务,对数字孪生在智能制造和工业 4.0下的作用进行了全方位的总结。

综上,数字孪生在智能制造领域是一项使物理设备与虚拟模型相联通的新技术,以构建多维多域的高保真模型为基础,通过数字化表达方式将物理实体和虚拟模型进行动态联接,建立物理与数字空间的数据交换通道,实现物理装备的虚实映射,在循环迭代中不断提升和优化,是一种实时、动态的数字化表现方式,可以管理、预测和优化现实中的机器设备,推动物理实体分析决策、闭环控制、全生命周期健康管理等应用实施。

1.2 数控机床数字孪生研究现状

在数控机床数字孪生实现之前,信息物理机床的概念在2017年被提出[18],在同一时期,信息物理系统与机床或者加工中心的联系逐渐紧密,研究人员将其应用在五轴加工中心碰撞检测[19]、数控机床附加信息物理系统结构构建[20]等方面。信息物理系统强调“信息”与“物理”之间的交互,涉及海量异构设备数据的采集、实时数据与处理,具有高度的自主感知、自主判断、自主调节和自主控制能力。数字孪生将物理资产变为数字模型,并建立模型映射关系,在数据采集传输及存储后,根据数据分析进行反馈控制,形成闭合系统,因此可以将数字孪生视为信息物理系统建设的一个重要基础环节。通过研究数控机床数字孪生,能够对数控机床的加工过程在虚拟空间进行数字化映射,可以用来模拟、监控、控制物理机床在生产环境中的状态和行为。2018年LIU等[21]提出了机床数字孪生的概念,并开发了基于Web的机床状态监控应用程序,随后越来越多的研究人员在机床数字孪生领域做出贡献。如图1所示,基于Scopus数据库对机床数字孪生以及扩展演化名称进行文献检索,发现全球学者近年来发表的与机床数字孪生相关的文章逐年增多,其中针对机床数字孪生建模与应用的研究是该领域的重要内容。为对比分析,基于知网数据库对机床数字孪生的中英文文献进行检索,发现近四年与机床数字孪生相关文章发表数量同样逐年递增,机床数字孪生正在被越来越多的学者关注和研究。 LUO等[22]构建了数控机床的多领域耦合数字孪生模型,探索了物理实体与数字孪生模型之间的实时映射策略,并提出了一种基于数字孪生的自主维护策略;FUJITA等[23]所提出的数字孪生建模方法能够对机床进行时域仿真,包括控制器模型、加工过程模型和机床动态模型;LAI等[24]梳理了机床数字孪生建模工具与理论,总结了其中需要的关键技术;HAO等[25]将机床主轴实际加工路径与仿真路径结合,提出一种数字孪生驱动的时变几何建模法,准确、高效地获取变形工件的完整几何信息;LIANG等[26]为充分反映数控机床系统加工过程的动态特性,集成了有限元模型、数据模型在内的多种模型用于数字孪生动态过程建模,实现切削参数优化、过程相关变量可视化和加工稳定性评估等多种功能应用。

图1 机床数字孪生相关期刊论文发表情况

目前大多数关于数控机床数字孪生的研究已经可以进行评估、预测、维护等实际应用,但在建模阶段对具体条件进行理想化处理,未完全考虑机床真实的物理特性;仅基于数据模型或者机理模型的建模方法精度不高,缺少数字孪生体虚实交互机制,难以有效表征数控机床性能以及机床运行状态;由于物理机床和数字机床之间存在信息壁垒,在应用过程中缺少实时交互与融合。因此应该围绕数控机床智能应用需求,解决多维多领域建模、虚实交互以及功能实现等核心问题,实现真正意义上的数控机床数字孪生。

2 面向智能应用的数控机床数字孪生实现框架

数字孪生是通过模型和数据双驱动来实现监控﹑仿真、预测、优化等实际功能服务和应用需求,实质上是一种虚实闭环交互[27]。数字孪生模型不仅包括基础单元模型建模,还需从不同机理和数据层面建立本质模型,从多领域多学科角度模型融合以实现复杂物理对象各领域特征的全面刻画,最终通过模型组装和融合实现真实数控机床对象模型的构建,达到与真实环境中的数控机床外观一致、内在本质一致和行为一致的效果,因此如何创建高保真的数控机床数字孪生模型是实现数控机床数字孪生的首要前提。本文提出的数控机床数字孪生建模与智能应用框架,如图2所示,在物理空间中,机床的外形和尺寸是容易被测量的,基于此建立几何模型是构建数字孪生模型的首要工作。根据机床运行机制和先验知识,构建机械系统、电控系统、传热系统的多领域耦合系统,充分反映机床的内在本质和运行机理。基于传感技术收集各种传感数据,结合机床内部信息以及历史状态数据构建数据模型,一方面约束数字孪生模型的行为动作,另一方面充分反映机床实时运行状态和未来工作趋势。基于几何、物理以及数据模型,形成数字孪生模型进行仿真计算,利用智能算法进行数据处理与分析,生成的仿真数据实时反馈到数据模型;物理模型经过模型降阶处理得到复杂性和保真度相互协调的物理模型;最终仿真数据与数据模型共同构成孪生数据,包含数控机床全生命周期、全流程、全业务有效信息,对物理装备及其运行过程和进行完整描述或解释,推动映射的物理模型有效更新,形成数据驱动模型,优化内在机制和设计,并最终反馈给真实数控机床,完成虚实闭环。同时基于模型描述、智能诊断、科学预测以及智能决策等功能支撑智能应用实施,优化物理空间的决策,实现物理信息的有效融合,推动数控机床智能化应用。

图2 数控机床数字孪生建模与智能应用框架

2.1 几何模型构建

几何模型是数字孪生模型的第一步,利用几何模型可以实现参数化的特征构建、装配和仿真,并可以为后续机床结构性能和机构性能分析提供基础。对于几何模型的构建,模型的保真度和轻量化非常重要。数控机床主要包括主轴、立柱、工作台、进给轴、床身等,在几何模型构建过程中不考虑惯性、阻尼、弹性变形等物理因素,将机床的零部件看作刚体,通过三维软件直接建模,或者利用仪器设备(如三维扫描仪)测量的方式逆向建模,在提高建模效率的同时,也赋予几何模型完整的零件精度,保证数字孪生模型与物理机床在几何尺寸、材质属性、颜色、形状等方面保持高度一致,具有视觉上的一致性,同时也能真实反映物理机床的装配关系、原点、从属关系等,具有结构上的一致性。此外,为解决模型占用内存过大造成几何模型传输、浏览卡顿等问题,需要对模型进行轻量化处理,以实现用较少数据达到高保真的效果。

2.2 物理模型构建

几何模型构建完成之后,还需要赋予其内在知识和机理,描述基于几何建模的物理特征和约束,即物理建模。由于数控机床涉及机械、电气、液压、控制等不同领域的特征,需要实现多层次精准建模,在不同空间维度或者领域上对实体进行真实客观描述,实际上是一种面向对象的建模。在建模过程中应充分考虑模型在空间上的多层次耦合表达能力和时间上的虚实一致性,因此,本文采用多领域统一建模原则,研究数控机床各个系统之间的耦合关系,构建机械子系统、控制子系统、电气子系统等多个系统,并进行耦合连接,建立数控机床多系统耦合孪生模型。数控机床各种子系统涉及多个学科的多种元器件,不同领域模型在物理形式上各不相同,但在数学表达上可以用类似的数学公式去描述这些基本建模元件参数,进而根据各个领域知识定义各个子系统的材料特性、物理机理、连接关系、拓扑结构、系统中各功能零部件的约束以及驱动等,从而实现机床多领域模型的耦合。利用支持多领域建模的软件平台将机械系统、电气系统、控制系统、传热系统进行耦合连接,不同领域的子系统模型通过模型间的能量转化接口实现机床的多领域模型构建, 得到数控机床的多系统耦合孪生模型,如图3所示。

基于几何模型和多领域耦合模型,实现多维模型关联、组合与集成,从而在信息空间级融合为一个完整的、具备高保真度的虚拟机床模型映射孪生模型,如图4所示。此外,由于孪生模型需要通过数据模型不断更新和优化,在下一节中将详细介绍数据建模方法。

图4 数控机床多维多域孪生模型构建

2.3 数据模型构建

数控机床生产数据具有规模海量、多源异构、多时空尺度、多维度等大数据特征。通过生产制造大数据建立数控机床加工运行过程和决策间的关系,能对机床运行状态进行统计和分析,有助于提升数控机床生产效率和产品质量等。目前研究主要基于数控机床生产过程感知数据,实现了机床信息层面的数据集成融合,但缺少“虚实交互”环境下全业务、全要素、全流程数据的集成与融合。数控机床数字孪生数据模型的构建如图5所示,基于机床运行一致性原理,对物理机床现场实时数据、虚拟机床模型仿真数据、机床服务系统数据等进行清洗、关联、聚类、挖掘、迭代、演化、融合等操作,真实地刻画和反映机床运行状态、要素行为等各类动态演化过程、演化规律、统计学特性等。数控机床检测指标一般包括转速、温度、坐标、振动等,首先利用领域知识进行冗余处理、特征提取和统计拟合,得到包括静态数据和动态数据在内的实际数据,然后结合数字空间中得到的仿真虚拟数据,基于平均原则、加权原则和可靠性优先原则,对虚实数据进行融合,此过程在时间戳上需要保持一致,以保证加载和映射过程中的同步性。得到的数据模型一方面可以用于分析和应用,另一方面支持孪生数据对映射模型进行动态更新。

图5 数控机床数字孪生数据模型构建

2.4 关键赋能技术

在几何、物理以及数据模型构建过程中,在模型处理、数据处理与融合等方面还存在一些关键技术难题亟待克服,以促进数字孪生模型的应用与实施。

由于数控机床系统和结构复杂,其仿真计算非线性强、效率异常低下,需要从根本上对模型进行降阶处理,粗化颗粒度,提高计算速度,是实现数字孪生应用的基础保障;数控机床数据信息一方面通过内部电控数据获得,另一部分由外部传感器获取,探索有效的数据获取策略,获取能够准确、完整表征设备时间域、空间域特征的完备信息,开发高效的数据处理和清洗算法,确保监测信息的完整性、准确性和有效性,是实现数控机床数字孪生应用的重要步骤;数控机床具备多物理、多领域、多功能的综合特性,构建考虑瞬态、时变因素、多物理场、多部件耦合的数字孪生模型,将仿真分析数据与实时监测数据相融合,解释物理系统本质,提高数控机床分析精度,是实现数控机床数字孪生应用的关键。如图6所示,数控机床数字孪生模型自下而上进行构建,实现最优控制决策、认知设备性能、感知操作过程以及规划操作流程,为功能实现以及智能应用实施提供技术基础。

图6 数控机床数字孪生赋能技术实施

2.5 功能实现方法

基于几何、物理、数据模型和关键赋能技术,建立数控机床数字孪生功能实现框架,包括设备层、模型层、数据层以及功能层,以支持数控机床数字孪生的智能应用。如图7所示为数控机床数字孪生建模与智能应用框架的详细解释,其中设备层由真实机床设备和相关的传感器组成,通过传感网络输出动静态数据。模型层由几何模型、物理模型和数据模型构成,各个模型通过不同的耦合约束条件相关联,模型之间相互融合,并由真实感知数据实时更新。模型通过仿真计算得到虚拟数据,经过一系列的处理与真实数据相融合得到孪生数据同样可以驱动模型更新与优化,最终多源异构数据与多维孪生模型共同驱动智能诊断、科学预测与智能决策等功能的实现。

图7 数控机床数字孪生功能实现框架

3 数控机床数字孪生智能应用

本章以数控机床数字孪生模型为核心,构建具备功能集成性高、系统维护简便的数控机床数字孪生系统,并基于数控机床数字孪生模型描述、智能诊断、科学预测、智能决策四大功能开发智能应用服务。首先搭建数控机床数字孪生系统,通过在线系统集成,实时对数控机床及其关键功能部件进行性能测评、虚拟调试、健康管理等;然后针对性能测评、虚拟调试、健康管理三大应用提出技术框架,并展示不同应用在系统中的实际操作界面,为数控机床数字孪生应用提供技术支持与指导。

3.1 数控机床数字孪生系统搭建

为满足远程访问浏览的需求,数控机床数字孪生系统采用前后端分离的开发方式构建B/S(browser/server)应用。相比传统的C/S(client/server)架构,所构建系统具备功能集成性高、系统维护简便,可支持多用户远程浏览、控制等功能。除此之外,考虑到本系统可能会应用于其他不同种类设备,采用B/S架构可以较为方便的集成其他设备。

数控机床数字孪生系统采用Python语言进行核心算法与应用程序的开发,以Flask为核心Web服务框架,编写应用程序编程接口(Application Programming Interface,API)供前端Web页面调用,同时集成Numpy、Scipy等第三方工具库实现高性能数值计算。系统总体架构如图8所示,数字孪生几何模型利用Three.js实现Web端数控机床模型可视化。构建的多领域耦合物理模型基于FMI(functional mock-up interface)开发接口,将模型封装为FMU(functional mock-up unit)文件,同时仿真数据传递至数据库,结合真实环境下利用FOCAS协议读取数控机床产生的实时数据并存储至数据库,实现虚实数据融合,构建数据模型。在系统实现层面,前端采用Vue框架,使用异步JavaScript和XML(extensible markup language)与后端实现数据交互,通过数据与页面展示组件双向绑定实现动态Web页面。同时,前端也集成Echart、Element UI等控件库,构建用户友好、流畅的各类组件及数据可视化图表。

图8 数控机床数字孪生系统设计框架

3.2 性能测评功能模块

机床主轴作为数控机床的关键功能部件,其稳定性、可靠性直接影响数控机床的加工精度和加工质量,因此,以机床主轴为例开展综合性能测评。性能测评功能框架如图9所示,首先分析数控机床主轴复杂的内部耦合特性,分别构建主轴的各领域子系统模型和耦合模型,其次,通过分析主轴的常见故障来构建主轴评估系统,主要包括轴承磨损和定子和转子因素导致的振动故障、冷却和润滑不足导致的过热故障以及主轴锁定故障,提出包含多维度、虚实指标的虚实融合性能评价指标体系,建立基于主客观融合的权重分配方法,最后,利用基于综合指数法的综合性能测评方法,综合考虑实验测试和孪生模型仿真两种方法,对数控机床主轴的综合性能进行量化评价。

图9 性能测评功能框架

在系统端,通过性能测评模块对监测指标进行数据分析,综合各指标得到性能测评结果。性能测评界面如图10所示,包含功能部件的详细信息,同时,可通过查询时间显示该时间点指标大小,对单指标测评结果进行量化,构建性能测评指标的雷达图,雷达面积显示综合指标的测评效果,在指标量化后,以圆形图百分比的形式展示指标测评后的等级占比,以更加清晰地理解该时刻性能测评的结果,最后给出性能测评结果的综合量化量,同时,利用Echart的树形图来展示性能测评指标体系。

图10 性能测评界面

3.3 虚拟调试功能模块

数控机床传统调试方法具有周期长、占用机器资源、材料浪费和高风险等缺点,虚拟调试安全、 可控且可重复的优点逐渐显现。 数控机床中复杂多变的加工条件是限制虚拟调试应用的一大挑战,通过数字孪生技术建立机床高保真模型,建立如图11所示的虚拟调试功能框架,可以提高调试结果的准确性。首先将机床孪生模型相关输入、输出、参数信息以FMI接口规范的形式导出,生成高效率、高精度的FMU解析模型,其次通过加工代码解析并结合对机床进给伺服以及末端的实际位置的采集,实现机床加工误差的解耦分析,最后规划路径和运动轨迹仿真,研究面向切削负载实时检测的机床工艺参数优化方法,结合工件和实际切削参数,实现工艺参数和机床参数的优化。

图11 虚拟调试功能框架

在系统端,虚拟调试模块用于脱机展示数控机床模型对加工代码的执行以及对工件的虚拟切削,虚拟调试界面如图12所示,在此页面可以手动输入也可以文件录入加工代码,孪生模型根据加工代码指令做出相应的加工动作,也可以观察加工路径、加工效果、实时X、Y、Z、转速信息,模拟机床进行急停、运行等操作。同时可以选择数控机床不同关键功能部件的测点,使用旋钮对加工工况进行修改,并实时将特性趋势变化用仪表盘的形式进行可视化展示。

图12 虚拟调试界面

3.4 健康管理功能模块

传统的故障诊断方法在故障模式识别、故障定位方面具有良好的应用效果,而数控机床结构复杂耦合,降低了故障诊断的精确性。利用构建的数控机床数字孪生模型,从虚拟世界对数控机床进行评估、预测,进而为物理机床提供指导维护建议,避免环境、人为等外界因素的影响,从材料、结构、部件、及功能等多维度实现数控机床性能的全面分析与维护,为数控机床安全可靠运行保驾护航。健康管理功能框架如图13所示,首先收集机床传感数据并划分为可标识数据和不可标识数据,利用决策树等机器学习分类算法对模型库的数据进行训练,根据机床关键部件性能退化规律对数字孪生模型进行系统模拟,输出数据与真实数据相融合。其次利用故障注入建模方法构建数控机床的数字孪生模型库,该模型库由多个机床孪生模型构成,包含了健康状态和故障状态的模型,将分类器应用于机床主轴在线传感数据,推断出模型库与传感数据最相似的模型。最后将基于迁移模型和经过滤波的数据共同融合构建数控机床健康管理模块,进而判断机床运行的健康状态。

图13 健康管理功能框架

系统端健康管理模块展示了故障诊断记录,包括诊断时间、设备名称、测点名、诊断结果、设备状态等信息,如图14所示,该系统可以实现对设备故障诊断信息的记录,通过id、时间、设备名称、测点名进行故障信息的筛选与显示。此外通过对测点和时间的选择,对振动数据进行时域分析、频域分析、包络分析、短时傅里叶分析、韦尔奇功率分析和加速度积分分析,最终以表格的形式展示数据特征值,如最大值、平均值、均方根值、峭度值、峰峰值、波动方差等。同时也可对设备测点和诊断时间进行选择,查看数控机床特征指标,然后根据数控机床特征值对设备状态进行诊断,根据诊断结果给出维护建议,保障机床健康运行。

图14 健康管理界面

4 结束语

数字孪生技术驱动工业和制造模式的变革,本文以数控机床为研究对象,提出面向智能应用的数控机床数字孪生实现框架,聚焦数字孪生模型构建方法和关键技术,搭建数控机床数字孪生功能框架,基于孪生模型最终实现数控机床性能测评、虚拟调试、健康管理等智能应用。针对数字孪生建模问题,从数控机床基本单元、内在机理、多领域多学科等不同层面考虑,构建以几何、物理和数据建模为主的数字孪生建模流程,对数控机床各领域进行全面描述与刻画;针对模型处理、数据处理及功能实现等方面的难点与挑战,开发高效的数据处理和清洗算法,建立准确、有效的数据模型,实现虚实数据相融合,设计物理空间与数字孪生的映射策略,提高模型计算速度;针对智能应用实施问题,开发了数控机床数字孪生模型可视化应用系统,集成数控机床性能测评、虚拟调试、健康管理应用模块,实现数控机床数字孪生的智能应用。

然而,由于数控机床系统复杂,涉及多个领域,数控机床数字孪生必将在多学科、多领域融合发展中变革演化,在深层次应用数字化以及全生命周期管理过程中面临诸多挑战。未来将对多领域模型耦合、多物理场模型降阶以及虚实模型更新与映射等关键技术深入研究,充分发挥数字孪生技术在数控机床的能动性,真实地反映数控机床的真实特性,提高机床运行维护的精度和可行性,助力数控机床向智能机床发展。