实时人工智能驱动的铣削数字孪生技术,旨在实现极低的延迟

《Engineering》:Real-Time AI-Driven Milling Digital Twin Towards Extreme Low-Latency

【字体: 大 中 小 】 时间:2026年01月06日 来源:Engineering 11.6

编辑推荐:

  刘文毅 | R. Sharma | 郭伟(Grace)| 叶杰 | 郭月兵 美国新泽西州皮斯卡特维市罗格斯大学-新不伦瑞克分校机械与航空航天工程系,邮编08854 **摘要** 数字孪生(DT)通过利用实时数据、人工智能(AI)模型和智能控制系统,实现了智能制造。本

  刘文毅 | R. Sharma | 郭伟(Grace)| 叶杰 | 郭月兵
美国新泽西州皮斯卡特维市罗格斯大学-新不伦瑞克分校机械与航空航天工程系,邮编08854

**摘要**
数字孪生(DT)通过利用实时数据、人工智能(AI)模型和智能控制系统,实现了智能制造。本文对铣削领域中数字孪生的新兴技术进行了深入分析,探讨了数字孪生的关键方面,包括物理铣削的虚拟模型、从物理铣削到虚拟模型的数据流以及从虚拟模型到物理铣削的反馈机制。文中重点介绍了实时数据流协议和虚拟建模方法,并通过一个案例研究展示了实时机器学习驱动的铣削过程中刀具-工件接触情况的数字化孪生的变革能力。同时,还提出了实现工业4.0及未来发展的研究方向。

**1. 引言**
智能制造或工业4.0代表了一种新兴的制造范式,旨在通过数字技术和智能系统提高生产效率、适应性和可持续性[1]。其关键技术包括网络化传感器、物联网(IoT)、人工智能(AI)和机器学习(ML)(统称为AI)、实时数据分析[2][3]、动态建模与仿真以及智能自动化[4]。集成传感和通信网络与制造系统相连,与机器(包括机器人)交互,传输信息,并根据系统算法做出智能决策[5]。通过整合这些技术,智能制造能够实现实时监控、过程自动化和预测性维护。在智能制造中,数据至关重要,它通过收集、存储、处理、可视化和传输来自各种来源的信息,将信息转化为可执行的决策,从而提高生产效率和响应速度[6][7]。

本文以铣削这一典型制造过程为例,探讨了实现智能制造的方法。铣削广泛应用于汽车和航空航天行业,涉及复杂的工艺动态。例如,刀具的逐渐磨损可能导致颤振、表面质量差、尺寸精度问题、能耗增加甚至机器损坏。据报道,刀具磨损占生产停机的近75%,而机床主要部件的维护成本占总生产成本的12%[8][9]。实施制造过程监控和预测分析对于评估刀具状态、预测磨损趋势以及减少后续质量检查的需求至关重要[10]。

在关键技术中,数字孪生(DT)为实现智能制造的实时感知、学习和控制提供了途径。数字孪生(图1)是物理实体(如工艺、机器或系统)的数字副本,两者之间存在双向实时连接[12]。数字孪生的核心思想在于弥合静态模型与代表动态物理实体的实时数据流之间的差距[12][13][14]。自数字孪生概念提出以来[15]及其术语定义[16][17],其在不同领域的应用和理解不断演变[18][19][20][21][22][23][24][25][26]。数字孪生作为动态的数据驱动模型,能够利用来自各种来源的数据(如物联网传感器)实现实时监控、仿真和优化。

**图1. 数字孪生的概念**
数字副本可以有多种形式,如基于物理的仿真模型和数据驱动模型。基于物理的仿真模型(包括有限元分析FEA和计算流体动力学CFD[27][28])基于物理原理和数学方程,虽然准确且有助于理解工艺背后的物理机制,但在计算上可能较为复杂且难以快速适应实时变化。相比之下,数据驱动模型(包括AI/ML模型)依赖于从传感器和监控系统收集的大量数据来学习模式,能够预测未来结果、检测异常并优化工艺参数。这些模型具有灵活性和适应性,可以通过实时数据持续改进,从而实现系统行为的实时监控。数字孪生的关键特性在于其能够实时更新和校准虚拟模型。当从铣床等监测技术收集到数据时,这些数据会被反馈到数字孪生中以持续更新模型,确保虚拟模型准确反映物理系统,这对于保持制造过程的精度至关重要。例如,如果机器状态发生变化(如刀具磨损或温度波动),这些变化可以用于校准数字孪生模型,确保预测和控制的准确性。最终,基于模型的过程控制利用数字孪生来优化和控制物理过程,其中数字模型的预测能力与实时数据同步,为控制决策提供依据。例如,数字孪生可以预测如何调整切削参数(如主轴转速或进给速度),从而影响最终产品的质量。

尽管数字孪生具有巨大的变革潜力,但仍存在几个关键问题阻碍其发展:①物理系统的虚拟表示——不同类型数字孪生模型在准确性、成本、效率和可解释性方面的评估;②从物理系统到虚拟模型的数据流——从物理铣削到虚拟模型的数字孪生模型与实时数据的同步;③从虚拟模型到物理系统的反馈——决策制定和实时过程控制。

**2. 物理铣削的虚拟模型**
模型是数字孪生的核心组成部分。从物理铣削到其虚拟表示的转换依赖于多种建模技术,这些技术用于模拟和预测铣削过程。这些模型构成了数字孪生系统的基础,能够数字复制物理铣削过程,以实现实时监控、预测性决策和过程控制。主要建模方法包括基于物理的仿真模型、数据驱动的ML模型以及结合这两种方法的混合模型(图2)[29][30]。基于物理的模型依靠力学、材料科学和热力学的原理来模拟铣削过程的物理行为[31]。这些模型有助于理解工艺背后的物理机制,但计算成本较高且耗时较长。传统的基于物理的建模方法难以模拟现实世界应用中普遍存在的复杂非线性关系。相比之下,数据驱动的ML模型利用大量实际铣削数据集学习模式并预测结果,能够捕捉非线性关系,并在新数据收集时进行实时更新,因此具有高度适应性。

**图2. 用于机床维护的预测模型**(来源:[29][30],经许可复制)

AI/ML模型在未来的数字孪生系统中将发挥重要作用。通过不断适应实时数据,AI/ML模型可以提升预测能力,应对制造过程中的动态变化,从而改善决策质量、提高生产效率并减少停机时间。将AI/ML集成到数字孪生模型中,有望改变铣削过程的控制和优化方式,实现自主决策、自我校正和持续过程改进[32][33][34][35]。

**2.1. 基于物理的仿真模型**
基于物理的方法广泛应用于制造过程优化,以满足零件复杂性增加、质量要求提高以及对高加工性能材料的需求。基于物理的仿真模型对于理解和优化铣削过程至关重要。这些模型使用数值方法模拟实际物理过程,通过复杂方程计算切削力、功耗、扭矩和材料去除率等参数。此外,它们还用于理解测量无法直接获取的制造过程参数。

数值方法是模拟、分析和优化铣削过程的计算方法,通过求解数学模型来实现。一些常用的数值方法包括有限元分析(FEA)、有限差分法(FDM)和机械模型。这些方法通常结合使用,以全面理解铣削过程。FEA是最常用的铣削建模方法,特别是在需要精确和优化加工参数的工业环境中[37]。这些模型基于力学、热力学和材料行为等基本物理原理,模拟刀具、工件和加工条件之间的相互作用。例如,基于有限元方法(FEM)的三维(3D)切割仿真在分析关键物理状态变量方面起着关键作用,有助于减少切削力、摩擦和刀具磨损[38]。

基于物理的铣削仿真的优势在于能够直接模拟铣削组件(刀具和工件)之间的物理相互作用,提供更准确的预测和深入的工艺理解。然而,其局限性也不容忽视,如模型更新难以反映实时过程变化,以及求解复杂物理方程的计算成本较高,这可能限制其在某些场景中的应用。

变量如载荷、力和扭矩可以通过数学建模来模拟和优化铣削过程。基于物理的模型还通过将动态切削力系数和刀具几何形状整合到时域仿真中,预测和减轻铣削过程中的颤振。针对高精度铣削,模型还提供了关于主轴转速和切削深度的过程稳定性和优化策略,有助于理解现有预测性能模型的优势和局限性[29]。这些模型旨在建立预测的基本工艺参数与各种性能指标(如精度、尺寸公差和表面质量、表面和亚表面完整性、切屑形成和断裂性、过程稳定性[39]以及刀具磨损[40])之间的关系。

基于物理的模型还可以通过结合稳定性分析和动态切削力系数来预测和控制铣削过程中的颤振,为调整切削参数以避免不稳定提供实际解决方案[41]。通过考虑温度引起的刀具变形和热应力,并结合热力学、力学和动态模型的多物理仿真方法,开发了更全面的仿真环境,以预测不同工况下的刀具寿命和材料行为,从而优化精密加工[42]。基于物理的仿真与优化算法结合使用,以细化铣削过程参数。通过模拟铣削过程并评估切削力、表面质量和刀具磨损等变量的影响,基于物理的方法优化了加工过程并提高了生产效率[43]。表1比较了各种基于物理的铣削仿真方法,详细说明了它们在切削力、温度分布、应力-应变分析和刀具磨损方面的处理方式,以及结合多种技术的混合模型以提高精度。不同基于物理的仿真方法的比较。
铣削参数:FEM、FDM、SPH、混合模型
切削力:
- 通过应力-应变分析和力平衡方程计算
- 适用于简化模型
- 通过粒子相互作用和动量守恒计算
- 结合FEM和SPH以准确预测力

温度分布:
- 通过热传递建模和热-机械耦合确定
- 使用数值热传导方程计算
- 通过追踪粒子间的热扩散确定
- 使用FEM进行整体材料加热,使用SPH处理局部效应

应力和应变:
- 通过使用本构材料模型的变形分析得出
- 基于应变场的数值微分估计
- 从基于粒子的应力-应变关系得出

刀具磨损:
- 使用接触力学和刀具-工件相互作用模型预测
- 需要额外的磨损模型
- 通过追踪刀具-工件相互作用动态建模
- 通过结合多种磨损机制提高预测准确性

SPH:平滑粒子流体动力学。

2.2. 数据驱动的机器学习模型
数据驱动模型是一种基于经验数据构建和训练的数学、统计或机器学习模型,用于直接从数据中识别模式、进行预测或做出决策,而无需基于物理定律对系统进行建模。为了确保数据可靠性,通常会应用数据整理过程(如归一化和降采样)来提高输入数据的质量并减少测量噪声。数据驱动模型已被用于预测刀具磨损、颤振、切削力和表面形貌。为了在不同切削条件下提高预测准确性,这些模型通常会将多模态传感器数据与主轴转速、进给率和切削深度等工艺参数结合使用。在铣削操作中,这些变量可以通过传感器和计量系统收集,转换为代表性特征集,并使用机器学习模型进行分析[44]。在智能铣削中,已经采用了多种机器学习技术,包括统计模型、神经网络(NNs)、时间序列分析和模糊逻辑,来预测刀具磨损、颤振和表面粗糙度[45]。标准机器学习方法,如支持向量机(SVMs)、决策树、K最近邻(KNN)和卷积神经网络(CNNs),被用来预测工艺性能。研究表明,机器学习可以成功预测铣削过程中的刀具磨损[46]。SVM是一种用于分类和回归任务的监督式机器学习算法,它通过识别将数据点分为不同类别的最佳超平面来工作,特别适用于二分类场景[47]。虽然决策树提供了可解释的决策规则,并能有效识别影响表面粗糙度的关键参数[48],但KNN在将主轴转速-轴向深度组合分类为稳定或不稳定状态时具有简单性和竞争力[49]。神经网络是最经典的机器学习形式,为现代深度学习(DL)架构提供了概念基础[50]。这些模型基于大型数据集提供了关于刀具磨损、切削力和表面质量的宝贵见解。这些方法特别适用于实时监控、预测性维护以及通过分析振动、声音和切削力等传感器数据来提高加工效率[51][52][53]。数据集的类型和特性在指导模型选择中起着关键作用[54]。例如,卷积神经网络(CNNs)专为处理空间数据(如图像或地形表面图)而设计,并已应用于智能铣削中的表面缺陷检测和基于图像的刀具磨损评估。相比之下,循环神经网络(RNNs)专门用于处理序列数据,在建模加工信号的时间依赖性方面表现良好,从而更准确地预测刀具磨损演变和颤振行为。由于力、振动、声发射(AE)信号和刀具磨损图像反映了不同的铣削过程特性,因此应相应采用不同的机器学习模型。这些数据捕捉了铣削过程的不同方面,需要不同的建模策略。例如,SVM可用于刀具磨损状况监测[55]、颤振检测[56]和表面粗糙度预测[57],而神经网络在预测切削力方面往往表现更好,因为它可以建模多个工艺变量之间的非线性关系[29][58]。决策树有助于识别影响表面粗糙度的关键参数[48],KNN可用于将主轴转速-轴向深度组合分类为稳定或不稳定状态[49]。传统统计模型侧重于推理和理解关系,而机器学习模型侧重于预测和优化性能。统计模型比机器学习模型提供更好的可解释性,而机器学习模型更有效地处理非线性和高维数据。数据特性(如维度、采样率和噪声水平)决定了机器学习模型的适用性和预测准确性,其中高维、高频率数据更适合深度网络,而传统统计模型更适合处理低维或噪声数据。此外,质量差或不平衡的数据可能导致过拟合和泛化能力降低,从而影响机器学习模型的预测可靠性。因此,模型选择应根据铣削应用的不同需求平衡准确性、可解释性和计算效率。从时间、频率和时间-频率域提取的特征(如峰值、均方根(RMS)和能量)表征了信号的基本行为,并决定了机器学习模型学习和处理模式的效率。反向传播算法通过最小化实际输出和期望输出之间的损失函数(如均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)或平均绝对百分比误差(MAPE)来优化机器学习模型[59]。这些数据驱动方法可以相互补充,以实现过程监控和优化。它们可以揭示提取的特征集与相应参数(如刀具磨损水平)之间的复杂关系,从而在加工过程中实现稳健和准确的预测[60][61][62][63]。

人工智能的最新发展为具有推理和多模态理解能力的架构提供了支持,包括大型语言模型(LLMs)、变换器和强化学习(RL)。LLMs能够对制造数据进行语义解释,以实现自适应决策[65]。变换器是一种利用自注意力机制并行处理输入数据的神经网络架构,特别是像文本这样的序列数据,而不是像RNNs或长短期记忆(LSTM)网络那样逐步处理。这种架构在动态处理条件下提高了模型的泛化性能和实时预测能力[66][67][68]。同时,强化学习是一种强大的自适应过程控制方法,允许其代理通过与物理系统的持续交互自主学习最佳加工策略[69]。这些人工智能技术共同推动了认知和自适应数字孪生系统的发展,为实现智能、低延迟和自主的铣削操作奠定了基础。总体而言,数据驱动模型在复杂加工动态建模中表现出出色的自适应能力,并且可以通过实时反馈支持在线学习和预测性维护。在足够大的训练数据集和稳定的操作条件下,这些模型表现非常出色。然而,当应用于未知或高度动态的铣削条件时,如果材料属性、刀具几何形状或环境与训练域显著不同时,预测准确性往往会下降。目前,大多数方法依赖于大量标记数据,增加了计算成本。因此,这些模型的应用范围通常限于具有明确特征或重复模式的加工条件。未来的研究可以专注于开发新兴的机器学习技术,如变换器和强化学习,并将其与铣削过程物理相结合,以实现具有可解释性、可移植性和计算效率的智能数字孪生系统。

2.3. 基于物理的机器学习模型
基于物理的机器学习(PIML)方法,也称为混合建模方法,结合了基于物理的模型和数据驱动技术,以提高预测准确性,同时确保与物理定律的一致性。这种方法利用两种方法的优势,以实现可靠和稳健的结果。PIML不仅依赖数据,还在神经网络中强制执行物理定律(如质量守恒、动量守恒和能量守恒)作为约束[70]。数据驱动的机器学习模型表现良好,但往往像“黑箱”一样难以解释[71]。通过结合基于物理和数据驱动的方法,构建了混合模型以提高铣削仿真的准确性。基于物理的模型确保了物理一致性,而数据驱动元素提高了对新条件进行调整、修改或响应的能力。这种方法弥合了传统建模技术和现代机器学习之间的差距[29]。PIML模型在智能加工中有三个主要用途:
① 混合模型结合数据驱动和基于物理的方法来提高模型性能;
② 物理引导的损失函数将先验知识或物理模型整合到正则化项中,确保物理一致性;
③ 物理预训练的混合模型在模型初始化期间使用约束,这加速了训练并提高了一致性[72]。与迁移学习不同,PIML直接将物理知识纳入学习过程,而不是从预训练模型中转移知识。然而,PIML可以通过在一个材料上预训练模型并将其适应另一个材料来与迁移学习结合,同时保持物理一致性[73]。混合方法减少了对大型数据集的依赖,并确保预测与现实世界的物理方法一致。

由于结合了数据驱动方法和已建立的物理原理,PIML模型在铣削中具有显著优势。这些模型可以使用相对较小的数据集进行准确预测,因为它们利用了物理和数学模型,减少了大量实验数据的需求。此外,它们增强了模型不确定性的评估,确保了更可靠和稳健的结果。然而,这些模型也面临一些挑战。模型集成在技术上可能很复杂,需要加工物理和机器学习的领域知识。此外,计算成本可能很高,特别是在解决嵌入式物理方程或处理复杂的多物理相互作用时。这些限制可能会降低PIML模型在多样化或大规模工业应用中的可扩展性和适应性。

3. 从物理铣削到虚拟模型的流程:使用实时数据的数字孪生模型更新
数据采集(DAQ)和实时数据流是铣削过程数字孪生的重要输入。通过过程监控进行的数据采集涉及多种技术来跟踪铣削过程性能和刀具状态。传统的监控技术,包括声发射(AE)、振动、力和温度测量,每种都提供了理解铣削过程的关键数据。用于数字孪生模型更新和校准的实时数据流涉及多模态数据集成,其中模型数据接口促进了数据输入、模型更新、输出和反馈循环,以提高预测精度和准确性。此外,基于5G的过程监控实现了高速和超低延迟的数据传输,使得实时数据收集和集成成为可能。以下部分将讨论DAQ和实时流在过程监控和数字孪生部署中的作用,重点介绍基于传感器的DAQ、实时数据处理、在线预测、模型更新以及5G技术对智能铣削的影响。

3.1. 数据采集和可视化
在铣削过程中,使用不同类型的传感器来收集数据,包括声发射传感器、力传感器、振动传感器和温度传感器,这些将在下文中介绍。来自这些不同来源的数据集成形成了多模态数据,提供了对铣削过程的全面表示。表2突出了铣削中使用的各种传感器类型。整合这些传感器的多模态数据可以更全面地了解刀具状态、材料行为和铣削动态,从而提高智能铣削中的预测建模和实时决策能力。

表2. 传感器和测量参数
| 传感器类型 | 测量参数 | 设备 | 优点 | 挑战 |
| --- | --- | --- | --- | --- |
| 声发射 | 弹性波 | 前置放大器、放大器、滤波器、压电声发射传感器、信号分析仪 | 实时监控、高灵敏度、能够检测微裂纹 | 需要信号处理专业知识,对环境噪声敏感 |
| 力 | 切削力 | 压电传感器、旋转测力计、三轴力传感器 | 可靠的刀具状态监控,与表面粗糙度有强相关性 | 商用测力计价格昂贵,DAQ成本高 |
| 振动 | 工具和工件振动 | 加速度计、振动分析仪、基于计算机的实时信号处理 | 成本低,能有效检测颤振和刀具不平衡 | 信号过滤困难,受传感器放置和切削液影响 |
| 温度 | 温度 | 热电偶、红外传感器、红外热成像仪、基于微控制器的监控系统 | 非接触式测量、响应快,适用于高速加工 | 受环境因素影响,需要校准以确保准确性 |

传感器输出生成的信号,DAQ系统广泛用于数据收集。数据收集的第一阶段是从传感器等来源收集原始数据。原始数据是主要输入,因此充分收集数据以确保其准确性、完整性和相关性至关重要。下一步是数据准备,旨在生成准确、全面和相关的数据集以支持后续处理步骤。将特定传感器(用于获取所需的物理参数)连接到前置放大器和DAQ,并配置采样率和数据格式后,数据将无损失地传输到中央处理单元[74]。前置放大器是一种电子设备,用于将微弱的电信号放大为较强的信号,过滤噪声信号以获得更清晰的输出信号,从而支持进一步处理。否则,结果信号可能会面临噪声或失真的问题。前置放大器通常用于增强来自模拟传感器的信号,并最小化噪声和干扰的影响。它们通常位于传感器附近。一个DAQ系统包括所需的硬件和软件,旨在实现金属切割过程中传感器数据的自动读取和存储[75]。模数转换器(ADC)是现代DAQ系统的基本组成部分,负责将模拟信号转换为可以传输、存储和按需分析的数字数据。传感器产生的电位差通过放大电路输入到嵌入式DAQ单元中,然后该单元将信号转换为数字格式并传输到计算机,在那里进行显示和进一步处理[76]。DAQ软件可以在过程中实时图形化模拟信号[77],提供即时可视化和分析。或者,可以使用应用程序编程接口(API)来实现这一功能,从而与其他数据处理系统无缝集成。

3.2. 数字孪生(DT)同步和校准
对于保持准确和自适应的加工模型而言,用于DT同步和校准的实时数据流至关重要。高效的数据管道对于无缝收集、处理和转换传感器数据至关重要。数据管道由四个关键阶段组成:摄取、存储、转换和聚合[78]。数据流是数据管道的一个子集,专门关注实时数据流[79]。实时数据管道通常集成数据流系统(例如Kafka、Flink和Spark Streaming)来处理来自物联网传感器、日志或金融交易等来源的高速数据。数据流使得实时监控、模型更新、预测和决策成为可能。此外,通过基于在线数据的更新和校准,模型可以保持准确性和适应性。本节探讨了端到端的数据流过程和迭代更新,以提高DT性能和流程优化。

3.2.1. 实时数据流
数据收集和预处理后,可以将其传输到云平台或边缘服务器进行进一步的数据处理。这些数据需要高效传输,以便进行额外的处理、分析和存储。数据流不断实时传输来自各种来源的数据。在智能铣削和工业物联网中,实时数据流对于及时预测、决策、流程优化以及通过持续监控刀具磨损、振动和切削力来确保操作精度至关重要[80]。根据延迟、可靠性、可扩展性和互操作性要求,可以使用不同的通信协议来实现实时数据传输。例如,消息队列遥测传输(MQTT)协议促进了网络和设备之间的无缝通信,并实现了低延迟的实时通信[81] [82]。开放平台通信统一架构(OPC UA)是另一种用于工业自动化中的机器对机器通信的标准协议[83]。它提供了一个安全、与平台无关的标准,用于将多供应商的工业设备与机器学习模型集成[84]。此外,受限应用协议(CoAP)采用表示状态转移(REST)哲学,特别适用于网络中包含许多传感器和设备的情况[85] [86]。WebSocket通过单个套接字提供完整的双向通信通道,允许在连接建立时任何一方都可以发送数据[87]。
除了通信协议外,还可以在服务器上部署诸如Apache Kafka和Redpanda之类的数据平台,以实现数据流并高效处理智能铣削应用中的高吞吐量传感器数据。以Apache Kafka为例,它因能够以低延迟摄取、处理、存储和分发实时传感器数据而在工业应用中得到广泛应用。Apache Kafka是一个广泛使用的开源分布式流处理平台,常用于构建大规模数据流处理应用,如LinkedIn所使用的应用[88] [89]。Kafka使用API及其自己的二进制协议(TCP)进行通信。其架构遵循发布-订阅模型,生产者将数据流发送到Kafka主题,代理存储和管理数据,消费者根据需要检索和处理数据[89] [90]。这种结构允许高吞吐量的并行处理,确保实时制造数据能够得到有效分析。例如,在铣削过程中,AE和力传感器不断作为Kafka生产者,将实时加工数据发送到Kafka主题,然后存储并在多个代理之间分发。AI驱动的监控系统和DT模型订阅这些主题,以进行异常检测、刀具状态监控和流程优化。Kafka通过跨多个代理的数据复制确保容错性,即使某个节点失败也能防止数据丢失并保持系统可靠性。数据流平台使用通信协议从机器收集实时生产数据,这些数据可以与API集成,以实现应用程序之间的无缝数据传输,并与AWS(美国亚马逊)、Azure(美国微软)或Google Cloud(美国谷歌)等云计算平台集成,进行远程监控和预测性维护。表3比较了不同通信协议和数据流平台,适用于DT应用[83] [84] [85] [86] [87] [88] [89] [90] [91] [92] [93] [94] [95] [96] [97] [98] [99] [100] [101] [102] [103] [104]。

表3. 数据流协议 [83] [84] [85] [86] [87] [88] [89] [90] [91] [92] [93] [94] [95] [96] [97] [98] [99] [100] [101] [102] [103] [104]
| 名称 | 类型 | 通信机制 | 优点 | 缺点 |
| --- | --- | --- | --- | --- |
| MQTT | 轻量级消息协议,基于TCP/IP | 使用轻量级头部格式的代理发布/订阅 | 轻量级且开销低;在不可靠的网络中可靠;适合资源有限的物联网设备 | 有限的先进流处理能力;不适合处理大量数据 |
| OPC UA | 基于TCP/IP的工业通信协议 | 客户端-服务器和发布/订阅,具有集成的语义建模和安全性 | 丰富的信息建模;标准化的安全性和可靠性;适合工业设备通信 | 复杂性和开销高;需要更多计算资源,不适合资源有限的设备 |
| CoAP | 基于UDP的RESTful Web传输协议 | 请求-响应模型,遵循类似Web的架构 | 轻量级;在资源有限的网络中速度快;适合资源有限的传感器网络 | 由于使用UDP,可靠性有限;可扩展性有限,不被工业或企业系统广泛使用 |
| WebSocket | 基于TCP的全双工通信协议 | 实时浏览器/服务器双向流 | 实时双向通信;适用于Web和移动实时应用 | 没有标准消息格式;需要手动重新连接和状态处理 |
| Apache Kafka | 基于TCP的分布式流处理平台 | 基于日志的发布/订阅 | 可靠性、可扩展性和消息排序;与流处理框架紧密集成 | 资源使用量大;设置和操作开销高;不适合低功耗设备 |
| RedPanda | 兼容Kafka的流处理平台 | 兼容Kafka API的平台,基于日志的发布/订阅 | 由于优化了架构,延迟更低,操作更简单,资源使用更少 | 社区和生态系统较小;企业支持仍在发展中;开源可见性较低 |
| UDP | 用户数据报协议 | 在实际工业应用中,选择适当的协议或架构取决于数据的性质、通信要求和系统约束。MQTT适用于资源有限的网络或边缘设备(如旋转设备上的振动传感器)中的轻量级实时遥测。MQTT可以在智能工厂环境中实现三轴计算机数控(CNC)机器与中央监控系统之间的无缝数据交换,允许实时更新机器状态和操作。这种轻量级协议桥接了不同类型的机器,消除了复杂的协议转换需求。此外,像Raspberry Pi这样的边缘设备可以在本地收集和预处理传感器数据,然后通过MQTT将结果发布到云服务和仪表板。这种架构减少了网络负载和延迟,同时实现了车间的实时可见性和控制[105]。OPC UA更适合需要与工业自动化系统紧密集成的结构化、分层机器数据,例如从CNC机器或监控控制和数据采集(SCADA)系统检索可编程逻辑控制器(PLC)数据。例如,在实验室规模的智能制造系统中,OPC UA可以通过作为通信层实现机械臂和输送系统之间的无缝实时数据交换。它允许使用不同物理网络(Wi-Fi)的多样化设备通过统一的OPC UA信息模型共享数据。此外,企业层中的Java-based OPC UA客户端界面允许操作员通过图形用户界面(GUI)远程监控系统状态并发布控制命令。OPC UA服务器从现场设备聚合数据,并以结构化信息模型的形式暴露出来,支持读/写操作,便于实时可视化、操作决策和制造过程的动态重新配置[106]。Kafka更适合处理高吞吐量、可扩展的数据管道,特别是当目标是支持多个下游消费者(如分析平台、仪表板或机器学习推理引擎)时。例如,Apache Kafka可以通过将孤立的工厂网络链接到一个统一的流处理管道,实现韩国、中国和云平台之间的实时数据收集。它可以处理来自传感器日志和PLC输出等多种来源的数据,支持全球范围内的集成[107]。 |

在智能制造中,常用的通信协议包括MQTT、CoAP、OPC UA和WebSocket,每种协议都会直接影响系统延迟。像MQTT和CoAP这样的轻量级协议通常提供低延迟和最小的开销,是智能铣削中边缘通信的良好选择。MQTT在资源有限的网络中可靠且高效,而CoAP虽然更快但不够稳健,因为它使用用户数据报协议(UDP)。相比之下,OPC UA提供强大的语义建模和工业集成,但带来更高的延迟和计算开销。因此,它更适合结构化数据交换,而不是高频流处理。WebSocket支持低延迟的双向通信,对仪表板和操作员界面很有帮助,但缺乏标准的工业消息机制。
结合通信协议和数据流平台是实现铣削过程中DT的有效策略。例如,可以在工业环境中部署Apache Kafka,以实现基于云的应用的可扩展实时数据流。同时,作为轻量级消息协议的MQTT确保了在带宽受限和不可靠的网络条件下的可靠通信。通过使用MQTT与分布式边缘设备或传感器接口并收集数据,并利用Kafka实时传输和处理这些数据,系统受益于高效的设备级通信和强大的、可扩展的后端分析。通过在设备级别使用MQTT进行可靠的DAQ,在Kafka中进行集中流处理和分析,这种架构实现了及时决策、预测建模和闭环控制,这对于实现智能制造系统中的响应式和准确的DT至关重要。
在数据流之后,下一步是流处理。流处理涉及在数据流通过系统时应用算法或规则,允许立即分析、聚合或压缩、过滤、特征提取和选择,这些将在服务器上通过云/边缘计算或流处理引擎完成。服务器计算通过将密集型操作从本地设备卸载,增强了无线传感器网络(WSNs)的数据处理、存储和计算能力[108]。由于数据流本质上是无界的,窗口化允许根据时间间隔或基于事件的触发器对数据进行分组。窗口化将数据集划分为离散的部分,从而可以对每个部分进行分组处理[109]。流处理框架应用窗口化技术,将连续的数据流分割成有限的部分,以实现更有效的实时分析。常见的窗口化技术包括固定窗口,将数据划分为相等的时间段;滑动窗口,允许重叠的部分以捕捉趋势;以及会话窗口,根据事件活动而不是时间对数据进行分组(图3)[110]。

从传感器数据中提取和选择特征涉及几个关键步骤。首先,根据制造过程的具体情况确定相关参数。接下来,应用时间序列分析技术提取不同类型的特征,包括时域特征(平均值、标准差和峰值)、频域特征(傅里叶变换用于分析主导频率)和时频域特征(短时傅里叶变换或小波变换用于检测瞬态或不稳定的信号)。然后使用相关性分析、统计测试或基于机器学习的技术(如主成分分析(PCA)和互信息分析)等方法来保留对预测建模最有意义的特征。该过程必须考虑传感器类型、目标结果(如缺陷检测或磨损预测)以及制造过程的特点。时间域、频域和时频域为信号分析提供了不同的视角[35]。时间域揭示了信号随时间的变化情况,提供了直接的物理解释。频域使用傅里叶变换等技术突出显示主导频率成分,有助于检测制造过程中的周期性模式。时频域允许使用STFT或小波变换同时分析时间和频率特性,这使得它特别适用于识别突然的刀具故障或不稳定的工艺条件。每个域都提供了独特的视角,它们的结合使用增强了工艺监控和预测的准确性。一旦选择了最相关的特征,就可以用它们来训练和优化模型。例如,表4显示了12个与刀具状态相关的标准AE特征,这些特征是实时提取的,用于进一步的预测。这些提取的特征表示为包含时间、频率和时频域信息的时间序列信号,作为机器学习模型的输入,从而实现更精确的刀具状态监控和故障预测[111],[112]。

表4. AE特征的定义[111]。

| 特征 | 缩写 | 定义 |
| --- | --- | --- |
| 上升时间 | RT | 从AE事件开始到达到峰值幅度之间的时间 |
| 计数 | C | 超过AE阈值的AE信号偏移次数 |
| 幅度 | AA = 10^20 log(Vmax-P) (dB),其中P是前置放大增益,Vmax是最大电压 |
| 均方根 | RMS | RMS = (1/N)∑i=1NVi^2,Vi是电压,N是测量次数 |
| 平均信号水平 | ASL | ASL = 10^20 log(Vˉ) (dB),其中Vˉ是电压 |
| 到峰值计数 | CP | 从开始到峰值幅度之间的C次数 |
| 信号强度 | SSS | SSS = 1/fs∑i=1N(Vi+Vi+1),其中fs是采样率 |
| 绝对能量 | ABE | ABE = 10^10 kΩ∑i=1NVi^2,其中10 kΩ是记录设备的参考电阻 |
| 平均频率 | AFA | AFA = C/HT,其中HT是AE事件的持续时间 |
| 混响频率 | RFR | RFR = (CP-RT)/HT |
| 启动频率 | IFI | IFI = CP/RT |
| 频率质心 | FCF | FCF = ∑f?V~/∑V~,通过快速傅里叶变换(FFT)计算得出,其中V~是FFT元素的幅度,f是相应的频率 |

为了实现上述数据的实时处理,可以采用云/边缘计算或流处理引擎来实现低延迟的数据摄取、处理和跨系统的传输。云/边缘计算通过软件框架、容器化应用程序和运行时环境的组合,在分布式节点上实现实时数据流处理。数据流处理平台可以与Apache Flink、Apache Spark Streaming、Azure Stream Analytics等流处理引擎或Kafka Streams等Java库集成,以实现实时数据处理。流处理引擎允许用户在Kafka流上编写实时查询,从而无需编写代码即可更容易地分析和处理数据。例如,Apache Kafka可以与Kafka Stream和Apache Spark等分布式计算框架集成,以进一步增强实时传感器数据处理能力。

3.2.2. 数据驱动(DT)更新和校准
如图1所示,数据驱动(DT,即虚拟模型)与物理系统具有实时的双向连接。逻辑上,数据流(第3.2.1节)现在已经准备好使用选定的协议与DT同步。本节讨论了使用实时数据流更新和校准DT,而随后的第4节则关注使用DT对物理系统的实时控制。因此,这三个部分是无缝连接的,这体现了这项工作的关键创新。传统模型(例如有限元模拟模型)无法实现实时工艺学习,因为这些模型无法处理实时工艺数据。相反,由机器学习驱动的DT模型可以完成这一功能,这是智能DT的关键创新和优势。

在线预测是物理到虚拟工艺的重要功能。将处理后的数据输入机器学习模型后,将生成预测和决策以控制机床。在生产环境中将机器学习模型部署在DT框架中需要一个全面的流程,以确保实时适应性、可扩展性和自动化。推理流程通过服务器处理实时数据,将预处理后的特征输入到已部署的模型中。在这个框架中,机器学习模型可以通过两种主要方法进行部署。一种方法是将模型集成到Apache Kafka等流处理平台中,使它们能够摄取实时数据、立即进行推理,并将预测结果直接输出到流处理管道中。这种低延迟、事件驱动的方法非常适合高吞吐量的工业应用,包括异常检测、预测性维护和智能制造中的实时工艺优化。另一种方法是通过API或gRPC(https://grpc.io/)部署模型,使外部系统(如云平台、边缘设备或基于Web的监控界面)能够实时发送数据请求并接收预测结果。虽然RESTful API确保了与Web服务的广泛互操作性,但gRPC提供了更高效、低延迟的通信,非常适合需要快速数据交换和决策的高速工业环境。

分类算法对于将数据分类为离散类别至关重要。SVM可以找到最佳的超平面来分隔类别,在大规模和小规模数据集中表现良好。决策树提供可解释的树状结构,但需要剪枝以避免过拟合,而随机森林(RF)使用集成学习来提高鲁棒性。人工神经网络(ANN)模型可以处理复杂的关系,但计算密集度高;KNN则基于距离进行分类,尽管对于大型数据集来说计算成本可能较高。回归算法用于预测连续值。自回归模型用于时间序列数据,而高斯过程回归(GPR)提供概率预测。多元线性回归假设线性关系,岭回归(RR)和套索回归通过添加正则化来防止过拟合并改进特征选择。主成分回归(PCR)在回归前减少维度。

深度学习(DL)算法用于处理复杂数据。人工神经网络(ANN)是基础,卷积神经网络(CNN)专门用于图像处理,循环神经网络(RNN)用于建模序列数据。高级模型如生成对抗网络(GAN)可以生成逼真的合成数据,展示了DL的适应性和强大功能。这些方法共同解决了多种机器学习挑战。

为了确保智能制造中预测模型的准确性和适应性,模型更新和校准是关键过程,它们随着时间的推移保持机器学习模型的可靠性。由于工艺变化和环境因素,传感器数据不断演变,因此必须系统地改进模型以减轻概念漂移,即输入数据的统计属性发生变化时发生的情况。模型更新结合新数据重新训练或微调现有模型,采用增量学习进行连续适应或在预定义的时间间隔进行批量重新训练。在实时应用中,在线学习和强化学习(RL)技术可以根据加工条件动态调整模型,提高响应性和预测准确性。校准通过根据预测结果与测量结果之间的偏差调整参数,确保模型预测与观察值一致。这个过程可能涉及通过贝叶斯优化或网格搜索进行超参数优化,以及使模型能够泛化到不同加工环境或材料属性的领域适应技术。在DT系统中,校准通常结合传感器融合,其中结合多种传感器模式以提高预测准确性,反馈循环和预测与实际加工性能之间的实时偏差指导模型改进。

图4展示了一个实时数据流架构,该架构集成了MQTT和Apache Kafka,用于传感器到机器学习模型的通信。传感器数据通过MQTT传输到中央服务器,Kafka生产者将消息摄入到Kafka主题中。然后数据经过处理,由Kafka消费者消费并传递给机器学习模型进行推理。所提出的数据管道利用轻量级通信协议MQTT和大规模消息平台Apache Kafka通过API。这种集成促进了可扩展、低延迟的数据流处理,适用于实时DT实现和智能铣削系统中的预测性维护。可以使用Apache Kafka和Spark Streaming部署自动化管道,以实现无缝的模型更新和校准,确保无需人工干预即可持续适应模型。数据摄取层捕获实时传感器数据。收集后,数据处理层将原始传感器信号转换为对机器学习模型至关重要的有意义特征。这些提取的特征被输入到模型推理层,训练有素的机器学习模型进行实时预测,从而支持主动决策。模型更新层采用增量学习和批量重新训练来保持准确性和适应性,使模型能够随着新数据的发展而进化,并对工艺变化保持鲁棒性。最后,可视化和集成层提供实时监控和决策支持,确保与制造控制系统的无缝集成。这些相互连接的层共同建立了一个全面的、实时数据驱动的框架,增强了适应性制造,确保预测模型保持准确、可靠,并能响应动态生产条件[113]。

此外,OPC UA、MQTT和Kafka的结合可以通过对智能铣削系统不同层的通信和处理能力进行对齐,形成一种强大且高效的物联网(IoT)应用架构。MQTT确保了来自分布式边缘设备的高效、实时数据采集(DAQ),特别是在带宽受限或网络不可靠的环境中。OPC UA提供了对机器级数据的结构化访问,使得与CNC控制器和PLC等工业设备的无缝集成成为可能。Kafka作为中央流处理平台,汇集来自MQTT和OPC UA源的数据,实现实时分析、预测建模和DT同步。这种架构允许智能工厂通过MQTT收集传感器数据,通过OPC UA获取机器状态,并将两者流式传输到Kafka进行统一处理。这种设置支持跨异构系统的可扩展数据集成,确保预测性维护和质量控制的及时洞察,并实现闭环决策。通过将每种协议分配到最适合其执行的层(设备级、机器级和平台级),系统在现代工业物联网(IIoT)环境中实现了性能、互操作性和响应性的优化[114],[115],[116]。例如,智能工厂可能使用OPC UA与机床接口,MQTT从生产线收集传感器数据,Kafka将这两种类型的数据统一并流式传输到集中式分析平台,用于预测性维护或质量监控。选择正确的组合可以确保每个系统层在性能、可靠性和灵活性方面得到优化。

4. 从虚拟模型到物理铣削的反馈:决策制定和实时控制
完成实时预测后,将AI模型输出集成到DT中,可以将模型预测转化为物理铣削操作的实时控制动作,从而实现自适应铣削。在许多系统中,机器学习模型预测与直接执行是分离的,阻碍了加工参数的实时调整。将预测与执行联系起来,使铣削系统能够持续适应变化的条件。当根据实时预测调整进给率和主轴速度等参数时,纯粹的监控框架演变成一个能够自我优化和低延迟运行的自适应系统。

4.1. 用于决策制定和实时工艺控制的AI模型
AI模型可以预测铣削过程的各个方面,例如估计切削工具的剩余使用寿命(刀具磨损预测)、评估成品部件的质量(表面质量预测)以及监控切削力以防止过载或变形(力/扭矩预测)。一旦做出这些预测,下一步就是将它们转化为可执行的控制命令,以控制系统的操作。机器学习模型可以将预测结果转化为实时控制算法,精确调整加工过程。借助机器学习,系统可以动态纠正错误,降低风险,并有效避免危险情况。同时,机器学习通过分析复杂数据提高了决策的准确性,确保更可靠的处理结果。这些技术使铣削过程更加高效和灵活,显著提高了生产力、安全性和工艺稳定性[117],[118]。

一旦生成AI模型预测,就必须通过决策过程将这些预测系统地转化为可执行的控制命令。当AI模型提供分类输出时,通常采用基于阈值的方法。例如,如果预测刀具磨损超过其可用寿命的80%,系统可以触发更换刀具或调整加工参数(如降低进给率或主轴速度)以减轻进一步磨损。同样,表面质量预测(如过度表面粗糙度)可以促使调整加工参数以改善表面质量。异常情况(如刀具断裂或颤振)可能需要停止加工过程或减少切削力以保护机器和工件。在AI模型提供连续值的情况下(例如磨损水平或切削力趋势),可以进行实时优化,动态调整进给率和切削深度等参数,以保持加工稳定性和操作效率[119],[120]。

对于更高级的应用,可以采用模型预测控制(MPC)将AI预测集成到基于优化的控制框架中。MPC利用实时输入(如主轴转速、进给速度和切削深度)预测未来的工艺状态,同时考虑系统约束(如机床扭矩或热限制)。目标是实现操作目标,例如最小化刀具磨损、最大化生产率并保持零件质量。例如,如果预测到刀具磨损会加速,MPC可以优化进给速度和主轴转速以延长刀具寿命,同时保持生产目标[121]、[122]、[123]。这些优化决策通过CNC或可编程逻辑控制器(PLC)等接口实现,这些接口将AI驱动的命令转换为机床动作[124]。控制子模块使用经过验证的NC代码(如G代码)自主管理铣削过程。这些代码包含最佳铣削参数,通过高保真模拟进行验证,评估诸如机床超程、刀具接触、加工时间、主轴电流和铣削力等因素。一旦验证通过,代码将通过工业通信协议发送用于过程控制,优化子模块的更新可以实时调整以减少薄壁零件的变形。监控子模块跟踪铣削过程中的实时变形,主要受铣削力的影响。三轴力传感器收集力数据,将每条NC代码线的平均力映射到指令域。这种映射在基于可扩展标记语言(XML)的参数表中详细说明,评估每条NC代码对变形的影响[125]、[126]。这些行动弥合了AI预测与实际工业应用之间的差距。这里的差距指的是将AI模型预测转换为物理铣削操作的实时控制动作的方法,以实现自适应铣削。在实时控制下,控制器根据AI驱动的命令调整铣削过程。例如,传感器将加工过程中产生的主轴负载反馈给控制器,控制器将参考值与该信号进行比较,并输出新的进给命令以稳定主轴负载[127]。一些负载铣削控制器在LabVIEW等软件环境中工作[128]。设计的控制器用LabVIEW编程,并在National Instruments(NI)处理器上执行。放大器通过电压增益输出控制电压以驱动执行器,从而抑制颤振[129]。非线性控制器向执行器提供非线性输出,有助于抑制高频振动。控制器根据这些信号向执行器发送信号以执行物理运动。电磁执行器是铣削过程中常用的执行器。通过控制电压和频率来控制电磁力,从而控制机床的操作[130]、[131]。系统内的传感器监控这些调整,并将反馈传递到控制回路中,确保实施的变化产生预期的结果。这种闭环系统为持续的过程改进和优化奠定了基础,使铣削过程更能适应不同的操作条件。

4.2. 控制反馈
控制反馈是整个闭环系统的最后一步,也是铣削DT的关键组成部分,通过实时感知、学习和控制实现持续的过程优化。在执行器做出决策后,铣削参数会发生变化,加工过程中发生的振动、切削力和刀具状态等实时变化通过加速度计、AE传感器和力传感器等先进传感技术收集回闭环中。这个反馈回路使过程能够动态适应变化的条件,确保高效和精确的操作,并为ML模型预测系统行为、识别异常和推荐过程调整奠定基础。控制反馈对于维持整个铣削系统的稳定性和可靠性至关重要。实时分析和调整确保过程能够应对刀具磨损、材料不一致性或外部环境变化等干扰。这种动态适应防止了效率低下,减少了浪费,并降低了缺陷风险,直接提高了产品质量和系统性能[132]。此外,将控制反馈集成到感知-学习-控制回路中支持主动决策。控制反馈在智能铣削系统中实现实时过程优化方面发挥着重要作用。它促进了感知、学习和控制的集成,使系统能够适应变化的条件。控制反馈通过持续监控和调整操作来提高生产过程的效率、稳定性和可靠性。它是实现智能和响应式铣削的基本组成部分。

总之,图5展示了一个控制架构,代表了从NC代码生成到实时控制反馈的交互流程。决策后,转换后的NC代码通过标准化通信协议或API传输到机床控制器,在那里被解释和执行。调整执行模块实时实施这些命令,而集成传感器持续监控加工过程并生成控制反馈。这种反馈使控制器能够动态更新,支持自适应和智能的铣削操作。这些组件共同构成了在智能制造环境中实施DT技术所需的自适应闭环控制框架。

下载:下载高分辨率图像(58KB)
下载:下载全尺寸图像
图5. 基于传感器的反馈的自适应控制系统。

5. 案例研究:功能性铣削DT
一篇有意义的综述论文应包含三个部分:对最新技术的分析和综合、突出关键概念或想法的案例研究以及未来展望。因此,提供了一个案例研究来展示AI驱动的DT及其能力。该案例研究旨在证明智能DT(本例中为NN模型)的概念及其实时感知-学习-控制功能。该案例研究展示了微铣削过程的AI驱动DT,展示了如何创建功能性DT。DT的目标是通过集成实时AE数据收集、流式传输和ML预测来实现实时监控和预测刀具-工件接触。单模态案例研究的目的是证明智能DT的概念,即实时数据流同步DT,为物理系统提供实时控制。该案例研究可以扩展到多模态制造应用,这将是未来的重要研究方向。DT有四个关键元素(图6):物理铣削系统-刀具/工件交互、数字副本-物理铣削系统的虚拟模型、实时数据流-提供实时输入以驱动DT的传感器以及反馈控制-物理系统的实时虚拟MPC。铣削DT旨在通过集成实时AE数据收集、流式传输和ML预测来实现实时监控和预测刀具-工件接触检测。关键DT元素如下描述:
(1) 物理铣削系统。铣削平台包括一台台式铣床、安装在工件表面的AE传感器、用于在数字化前增强弱AE信号的预放大器以及用于收集和预处理实时AE信号的DAQ系统。基于Python的框架使用NI-DAQmx Python API管理实时DAQ、特征提取和预测。AE信号以100 kHz的采样率连续采样并存储在双缓冲内存中以防止数据丢失。原始信号被分割成0.1秒的窗口(10,000个样本),并从每个窗口中提取峰值幅度作为分类的关键特征,因为其简单性及其与接触事件的强相关性。每个窗口根据刀具的状态(接触或无接触)手动标记,并用于构建结构化数据集。该数据集是训练能够预测实时刀具-工件接触检测的NN模型的基础。
(2) 虚拟模型训练。开发了一个铣削过程DT,即NN模型,用于使用AE峰值幅度监控刀具-工件接触状态。共收集了1,555个标记样本,并分为80%的训练数据(1,244个样本)和20%的测试数据(311个样本)。NN模型设计为基于AE信号峰值幅度作为输入特征来预测刀具-工件接触。NN架构包括一个输入神经元(峰值幅度)、三个隐藏层(16、16和8个神经元)以及一个用于分类的输出神经元。所有隐藏层使用修正线性单元(ReLU)激活函数,而输出层使用Sigmoid激活函数来产生接触概率。NN模型使用Adam优化器进行训练,学习率为0.001。采用二元交叉熵作为损失函数。训练进行了200个周期,如果连续15个周期验证损失没有改善,则提前停止。网络测试准确率为99.86%,在测试数据集上表现出近乎完美的分类。
(3) 从物理铣削到虚拟模型的流程。建立了一个实时数据流框架,用于从ADC传输数字AE信号以进行信号分析和ML处理。AE传感器的模拟信号首先以100 kHz的采样率放大和数字化,然后通过外围组件互连(PCI)快速协议传输到嵌入式控制器。使用NI-DAQmx API和NI-DAQmx驱动程序开发了Python脚本,以管理带有双缓冲的连续DAQ,防止数据丢失。定期从AE信号中提取峰值幅度,并作为主要输入输入到预训练的NN模型中。使用Python构建了GUI来显示实时分类结果,指示切削工具和工件之间的接触状态。这种系统架构将DAQ、特征提取、分类和通信分离为同步的过程。这种结构确保了可靠的性能,并支持与闭环实时加工控制的未来集成。
(4) 从虚拟模型到物理铣削的反馈。为了实现响应式控制,系统将实时分类结果集成到反馈回路中,根据刀具-工件接触状态调整机器行为。一旦检测到接触事件,更新后的决策被转换为修改后的NC代码,并通过软件和机器层之间的控制API发送到机床控制器。控制器解释更新后的指令,并命令机器执行器进行相应的机械调整,例如修改主轴转速或进给速度。这些调整反映在物理铣削过程中,铣削过程动态的变化再次由AE传感器捕获以进行持续监控。这种连续的预测、决策和物理调整回路形成了闭环控制策略。它确保加工过程实时适应,减少潜在的机器损坏风险,并支持现代制造系统中的智能自动化。

下载:下载高分辨率图像(253KB)
下载:下载全尺寸图像
图6. 实时AI驱动的铣削DT。PCLe:外围组件互连快速。

端到端的实时感知-学习-控制延迟估计约为10毫秒。系统地测量和比较其他方法的延迟超出了本工作的范围,但将在未来的工作中进行探讨。

6. 结论与展望
6.1. 结论
本研究提供了一个带有铣削过程案例研究的DT框架,以证明概念。DT框架允许物理制造过程与其虚拟模型之间持续同步,形成一个闭环感知-学习-控制回路,能够在几毫秒内感知、预测和响应。主要结果总结如下:
(1) 智能DT有四个关键组成部分:物理过程或系统;物理实体的虚拟模型(例如,仿真、AI/ML模型);实时数据流,用于实时同步虚拟模型与其物理实体;以及物理系统的实时虚拟MPC。
(2) 从物理铣削到虚拟模型的数据流——分析了DAQ和实时数据流协议,以更新和校准DT以实现实时同步。
(3) 物理系统的虚拟模型——评估了传统基于物理的模型、数据驱动的ML模型和物理信息驱动的ML模型的优缺点。
(4) 从虚拟模型到物理铣削的反馈——通过API将模型预测转换为实时控制动作,可以实现端到端延迟低的DT驱动的自适应过程。

研究表明,通过DT框架集成实时监控、实时数据流、AI模型和MPC可以使静态模型变得动态适应、低延迟和自主,标志着未来智能制造的变革性方法。

6.2. 未来研究方向
DT仍处于早期阶段,因为尚未达成统一的定义。DT社区面临许多挑战,以实现自学习、自适应和自主制造系统的目标。关键挑战和潜在的研究方向如下:

(1) 超低延迟感知与通信网络——由智能制造领域推动的下一代感知与通信网络(例如5G/6G)将显著降低实时数据流传输和控制的延迟。

(2) 利用边缘计算与云计算的结合——未来的数据驱动系统将利用边缘计算进行低延迟决策或过程控制,并借助云计算进行计算密集型数据分析。这种混合模式将提升系统的实时响应能力和可扩展性。

(3) 自主且自我演化的数据驱动系统——下一代数据驱动系统将集成自学习AI模型,以无需人工干预的方式持续适应现实世界的动态变化。

(4) 鲁棒且具有韧性的数据驱动系统——未来的数据驱动模型应能够应对制造系统中固有的不确定性和意外中断。

(5) 高效、通用且可解释的数据驱动系统——基于物理规律的神经网络(PINNs)可以结合物理定律和少量训练数据,实现高计算效率和模型可解释性。

(6) 基于快速多物理场仿真的数据驱动模型——物理规律驱动的降阶建模方法结合了传统数值方法的精确性与数据驱动PINN方法的效率。

(7) 端到端的延迟优化——在数据驱动生态系统的每个阶段,都可以减少数据采集与处理(DAQ)和数据流传输、数据驱动模型计算以及基于边缘的计算控制(MPC)所带来的延迟。

(8) 语义互操作性和标准化——一个重要挑战是确保不同AI驱动的数据驱动系统之间能够通过通用通信协议(如OPC UA)实现语义互操作。

(9) 人机协作——AI驱动的双胞胎系统将发展为能够自然与人类互动的认知伙伴,提供情境化的洞察和预测性决策支持。

(10) 网络安全与可信的数据驱动系统——AI驱动的数据驱动系统需要具备信任机制、透明度以及可解释性,以降低数据篡改和对抗性攻击的风险。

CRediT作者贡献声明:
刘文毅:撰写原始草稿、可视化处理、验证、方法论设计、数据分析、形式化分析、数据管理。
R. Sharma:撰写原始草稿、方法论设计、数据分析、形式化分析、数据管理。
郭Grace:撰写审稿与编辑工作、项目管理工作、方法论设计、资金筹集、形式化分析。
易杰:撰写审稿与编辑工作、数据分析、资金筹集、概念构思。
郭月兵:撰写审稿与编辑工作、撰写原始草稿、项目监督、软件开发、资源协调、方法论设计、数据分析、资金筹集、概念构思。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号