一种基于数字孪生驱动的滚珠丝杠副优化方法及系统

1.本发明属于滚珠丝杠副技术领域，尤其涉及一种基于数字孪生驱动的滚珠丝杠副优化方法及系统。


背景技术：

2.滚珠丝杠副作为智能数控装备以及航空航天等工业领域的重要精密传动功能部件，其传动精度直接关系到高端装备的使用精度；近年来，滚珠丝杠副产品在传动精度方面取得了明显进步，但依然有提升的空间
3.发明人发现，现有的滚珠丝杠副，其传动精度依然不能满足高档数控装备的生产要求，严重制约了高档数控装备的生产，影响了高精度产品的技工生产。


技术实现要素：

4.本发明为了解决上述问题，提出了一种基于数字孪生驱动的滚珠丝杠副优化方法及系统，本发明基于数字孪生驱动的滚珠丝杠副精度损失预测及其优化设计方法，通过对数字孪生技术的应用，实现了滚珠丝杠副的建模、精度损失预测和精度优化，为提升滚珠丝杠副传动精度提供了理论支撑和研究方法。
5.为了实现上述目的，本发明是通过如下的技术方案来实现：
6.第一方面，本发明提供了一种基于数字孪生驱动的滚珠丝杠副优化方法，包括：
7.获取滚珠丝杠副的原始数据和场景感知数据；
8.依据所述原始数据和所述场景感知数据，建立包括滚珠丝杠副模型的数字孪生三维数字模型；依据所述数字孪生三维数字模型，得到精度预测指标；
9.依据获取的场景感知数据，以及预设的精度损失预测模型，得到精度损失预测结果；其中，所述精度损失预测模型，是根据所述场景感知数据、所述精度预测指标以及模糊神经网络训练得到；
10.依据精度损失预测结果，以及预设的精度优化模型，得到滚珠丝杠副的运行精度优化策略；具体的，在运行场景下通过精度损失预测模型获取该场景下的精度损失结果，然后通过精度优化模型耦合调整滚珠丝杠副运行参数和结构参数；再通过基于精度损失预测模型获取运行精度最优值；其中，所述精度优化模型采用人工神经网络构建。
11.进一步的，依据所述场景感知数据，实现所述滚珠丝杠副模型使用周期自更新。
12.进一步的，依据不同应用工况，对所述滚珠丝杠副模型进行自配置和自优化。
13.进一步的，构建滚珠丝杠副场景感知模型，利用历史感知数据，对滚珠丝杠副场景感知模型进行训练并实现数据的挖掘处理，实现数字孪生三维数字模型对物理滚珠丝杠副应用场景的智能感知。
14.进一步的，精度优化模型构建时，基于针对多参数优化的上下文解耦数据，利用反向传播算法对多参数神经网络模型进行训练，得到多参数函数模型；基于数字孪生三维数字模型反映的滚珠丝杠副精度损失规律，实现约束条件的动态更新；采用多目标粒子群算
法，求解模型最优解集。
15.进一步的，对多参数最优解集进行分析，输出最优参数，在数字孪生三维数字模型上对最优参数进行在线仿真分析，将仿真结果反馈到场景感知模型。
16.进一步的，对多参数最优解进行分析时，包括对决策矩阵规进行规范化处理、求解加权规范化矩阵、确定区间正理想解和负理想解、计算各方案与理想解接近程度以及按正理想解接近度确定方案优劣次序。
17.第二方面，本发明还提供了一种基于数字孪生驱动的滚珠丝杠副优化系统，包括：
18.数据获取模块，被配置为：获取滚珠丝杠副的原始数据和场景感知数据；
19.数字孪生三维数字模型建立模块，被配置为：依据所述原始数据和所述场景感知数据，建立包括滚珠丝杠副模型的数字孪生三维数字模型；依据所述数字孪生三维数字模型，得到精度预测指标；
20.预测模块，被配置为：依据获取的场景感知数据，以及预设的精度损失预测模型，得到精度损失预测结果；其中，所述精度损失预测模型，是根据所述场景感知数据、所述精度预测指标以及模糊神经网络训练得到；
21.优化模块，被配置为：依据精度损失预测结果，以及预设的精度优化模型，得到滚珠丝杠副的运行精度优化策略；具体的，在运行场景下通过精度损失预测模型获取该场景下的精度损失结果，然后通过精度优化模型耦合调整滚珠丝杠副运行参数和结构参数；再通过基于精度损失预测模型获取运行精度最优值；其中，所述精度优化模型采用人工神经网络构建。
22.第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的基于数字孪生驱动的滚珠丝杠副优化方法的步骤。
23.第四方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的基于数字孪生驱动的滚珠丝杠副优化方法的步骤。
24.与现有技术相比，本发明的有益效果为：
25.本发明基于数字孪生驱动的滚珠丝杠副精度损失预测及其优化设计方法，通过对数字孪生技术的应用，实现了滚珠丝杠副的建模、精度损失预测和精度优化，为提升滚珠丝杠副传动精度提供了理论支撑和研究方法；为得到满足高档数控装备的生产要求的滚珠丝杠副提供了优化思路。
附图说明
26.构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
27.图1为本发明实施例1的整体技术路线图；
28.图2为本发明实施例1的digital twin模型及智能感知技术框架图；
29.图3为本发明实施例1的滚珠丝杠副精度损失预测流程；
30.图4为本发明实施例1的滚珠丝杠副精度优化设计流程。
具体实施方式：
31.下面结合附图与实施例对本发明作进一步说明。
32.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
33.滚珠丝杠副作为智能数控装备以及航空航天等工业领域的重要精密传动功能部件，其传动精度直接关系到高端装备的使用精度；近年来，国产滚珠丝杠副产品在传动精度方面取得了明显进步，但与国外高端产品仍有差距；据统计国内数控装备生产厂家对高精滚动功能部件的需求量约近一半需从国外企业进口，大部分的滚珠丝杠副是选用国外企业的产品，使得高档数控装备的滚珠丝杠副进口产品处于主导地位，成为国产滚珠丝杠副产品追赶或赶超国外高端产品水平的关键所在。为改善国产滚珠丝杠副传动精度，提高产品性能，本发明提出了一种基于数字孪生驱动的滚珠丝杠副精度损失预测及其优化设计方法，主要将应用数字孪生技术的理念，解决滚珠丝杠副数字孪生体在建模、智能感知和数据驱动的精度损失预测及优化设计方面的关键科学问题，为提升滚珠丝杠副传动精度提供理论支撑和研究方法。
34.实施例1：
35.本实施例提供了一种基于数字孪生驱动的滚珠丝杠副优化方法，包括：
36.获取滚珠丝杠副的原始数据和场景感知数据；
37.依据所述原始数据和所述场景感知数据，建立包括滚珠丝杠副模型的数字孪生三维数字模型；依据所述数字孪生三维数字模型，得到精度预测指标；
38.依据获取的场景感知数据，以及预设的精度损失预测模型，得到精度损失预测结果；其中，所述精度损失预测模型，是根据所述场景感知数据、所述精度预测指标以及模糊神经网络训练得到；
39.依据精度损失预测结果，以及预设的精度优化模型，得到滚珠丝杠副的运行精度优化策略；其中，所述精度优化模型采用人工神经网络构建；
40.具体的，如图1所示，首先，基于多领域建模实现滚珠丝杠副系统的参数化、模块化和数学方程化描述，并结合原始数据构建数字化滚珠丝杠副模型；设计滚珠丝杠副精度损失模型并嵌入在包括滚珠丝杠副模型的数字孪生三维数字模型(digital twin模型)中，结合场景感知数据，设计精度损失更新机制，实现滚珠丝杠副模型使用周期自更新；所述精度损失模型指滚道磨损计算方法，首先对滚道粗糙表面进行多尺度表征及受力分析，提出基于分形特征与修正的archard理论的滚珠丝杠副磨损率时变的磨损计算方法；嵌入过程可以实现的方式为，将滚道时变磨损量与三维digital twin模型联系，在不同时间阶段改变数字模型结构参数尺寸；
41.分析数据采集要求，在滚珠丝杠副试验台上安装如负载和定位测量等传感器，实现数据采集与传输；构建场景感知模块，将数据存储到历史场景数据库中，对感知模型进行训练并实现数据的挖掘处理，实现digital twin对物理机床应用场景的智能感知；将挖掘到的知识存储到感知数据库，感知数据供digital twin模型、精度预测和智能优化模块使用；所述场景感知模块为运行参数(速度、加速度、温升、载荷、预紧力等)的实时测量系统，主要测量传感器包括速度、温升、载荷和预紧力传感器，测量的运行场景数据上传到工控机
分析处理；
42.利用人工神经网络和模糊逻辑系统，构建模糊神经网络精度损失预测模型，利用场景感知的历史数据进行模型的训练，使用场景感知的实时数据进行分析，实现滚珠丝杠副精度损失预测；
43.最后构建基于digital twin场景感知多参数精度优化设计模块，实现基于digital twin场景感知的适用于滚珠丝杠副不同时段的智能运行精度优化策略。
44.如图2所示，在本实施中，首先利用面向对象的思想，基于多领域建模实现滚珠丝杠副系统的参数化、模块化和数学方程化描述，并结合原始数据构建数字化系统性能模型，并以应用分析任务为导向，实现滚珠丝杠副模型的自配置和自优化；设计精度损失模型更新机制，实现滚珠丝杠副模型使用周期内基于模型评价的自更新，设计滚珠丝杠副精度损失模型并嵌入在digital twin模型中；构建滚珠丝杠副场景感知模块，将感知数据存储到历史场景数据库中，对感知模型进行训练并实现数据的挖掘处理，实现digital twin对物理滚珠丝杠副应用场景的智能感知；将挖掘到的知识存储到感知数据库，感知数据供digital twin模型使用。
45.如图3所示，根据滚珠丝杠副精度损失模块得到的精度损失原因，得出预测指标的建立规则，基于digital twin模型仿真得出预测指标建立规则；根据预测指标建立规则对未来数据的参数状态进行重要程度的划分与评分；然后基于场景感知模块中的历史运行信息，反推映射到相关的运行状态和参数；利用历史数据与参数信息以及预测指标，对精度损失预测模型进行训练，得到精确的精度损失预测模型；在滚珠丝杠副运行时，将场景感知模块得到的实时场景信息输入到精度损失预测模型，利用模糊神经网络对运行参数进行预测，根据精度参数化评分确定该参数的损失状态；如果某个运行状态的参数属于某一精度损失状态，结合模糊推理规则，实现精度损失预测；预测得到的结果提供给运行优化模块来改善滚珠丝杠副运行的精度，可以理解的，在运行场景下通过精度损失预测模型获取该场景下的精度损失结果，然后通过精度优化模型耦合调整滚珠丝杠副运行参数和结构参数；再通过基于精度损失预测模型获取运行精度最优值，以此来指导滚珠丝杠副运行和设计策略。
46.如图4所示，在本实施中，首先建立基于digital twin时变状态数据的多参数精度优化设计模型；优化目标模型拟采用人工神经网络构建，基于针对多参数优化的上下文解耦数据，利用反向传播算法对多参数神经网络模型进行训练，得到多参数函数模型；基于digital twin模型反映的滚珠丝杠副精度损失规律，研究其约束条件的动态更新机制，建立多参数约束函数；其次设计多参数优化求解模块对上述多参数优化模型进行求解；采用多目标粒子群算法，求解模型最优解集；最后设计决策分析模块进行多参数最优解决策分析；随后，在面向应用场景的digital twin模型上对多参数精度优化结果进行在线仿真分析，将仿真结果反馈到场景感知模块分析存储；并将最优参数加载到物理滚珠丝杠副试验台上，指导滚珠丝杠副实际应用。
47.实施例2：
48.本实施例提供了一种基于数字孪生驱动的滚珠丝杠副优化系统，包括：
49.数据获取模块，被配置为：获取滚珠丝杠副的原始数据和场景感知数据；
50.数字孪生三维数字模型建立模块，被配置为：依据所述原始数据和所述场景感知
数据，建立包括滚珠丝杠副模型的数字孪生三维数字模型；依据所述数字孪生三维数字模型，得到精度预测指标；
51.预测模块，被配置为：依据获取的场景感知数据，以及预设的精度损失预测模型，得到精度损失预测结果；其中，所述精度损失预测模型，是根据所述场景感知数据、所述精度预测指标以及模糊神经网络训练得到；
52.优化模块，被配置为：依据精度损失预测结果，以及预设的精度优化模型，得到滚珠丝杠副的运行精度优化策略；具体的，在运行场景下通过精度损失预测模型获取该场景下的精度损失结果，然后通过精度优化模型耦合调整滚珠丝杠副运行参数和结构参数；再通过基于精度损失预测模型获取运行精度最优值；其中，所述精度优化模型采用人工神经网络构建。
53.实施例3：
54.本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了实施例1所述的基于数字孪生驱动的滚珠丝杠副优化方法的步骤。
55.实施例4：
56.本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了实施例1所述的基于数字孪生驱动的滚珠丝杠副优化方法的步骤。
57.以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

技术特征：
1.一种基于数字孪生驱动的滚珠丝杠副优化方法，其特征在于，包括：获取滚珠丝杠副的原始数据和场景感知数据；依据所述原始数据和所述场景感知数据，建立包括滚珠丝杠副模型的数字孪生三维数字模型；依据所述数字孪生三维数字模型，得到精度预测指标；依据获取的场景感知数据，以及预设的精度损失预测模型，得到精度损失预测结果；其中，所述精度损失预测模型，是根据所述场景感知数据、所述精度预测指标以及模糊神经网络训练得到；依据精度损失预测结果，以及预设的精度优化模型，得到滚珠丝杠副的运行精度优化策略；具体的，在运行场景下通过精度损失预测模型获取该场景下的精度损失结果，然后通过精度优化模型耦合调整滚珠丝杠副运行参数和结构参数；再通过精度损失预测模型获取运行精度最优值；其中，所述精度优化模型采用人工神经网络构建。2.如权利要求1所述的一种基于数字孪生驱动的滚珠丝杠副优化方法，其特征在于，依据所述场景感知数据，实现所述滚珠丝杠副模型使用周期自更新。3.如权利要求2所述的一种基于数字孪生驱动的滚珠丝杠副优化方法，其特征在于，依据不同应用工况，对所述滚珠丝杠副模型进行自配置和自优化。4.如权利要求2所述的一种基于数字孪生驱动的滚珠丝杠副优化方法，其特征在于，构建滚珠丝杠副场景感知模型，利用历史感知数据，对滚珠丝杠副场景感知模型进行训练并实现数据的挖掘处理，实现数字孪生三维数字模型对物理滚珠丝杠副应用场景的智能感知。5.如权利要求1所述的一种基于数字孪生驱动的滚珠丝杠副优化方法，其特征在于，精度优化模型构建时，基于针对多参数优化的上下文解耦数据，利用反向传播算法对多参数神经网络模型进行训练，得到多参数函数模型；基于数字孪生三维数字模型反映的滚珠丝杠副精度损失规律，实现约束条件的动态更新；采用多目标粒子群算法，求解模型最优解集。6.如权利要求4或5所述的一种基于数字孪生驱动的滚珠丝杠副优化方法，其特征在于，对多参数最优解集进行分析，输出最优参数，在数字孪生三维数字模型上对最优参数进行在线仿真分析，将仿真结果反馈到场景感知模型。7.如权利要求6所述的一种基于数字孪生驱动的滚珠丝杠副优化方法，其特征在于，对多参数最优解进行分析时，包括对决策矩阵规进行规范化处理、求解加权规范化矩阵、确定区间正理想解和负理想解、计算各方案与理想解接近程度以及按正理想解接近度确定方案优劣次序。8.一种基于数字孪生驱动的滚珠丝杠副优化系统，其特征在于，包括：数据获取模块，被配置为：获取滚珠丝杠副的原始数据和场景感知数据；数字孪生三维数字模型建立模块，被配置为：依据所述原始数据和所述场景感知数据，建立包括滚珠丝杠副模型的数字孪生三维数字模型；依据所述数字孪生三维数字模型，得到精度预测指标；预测模块，被配置为：依据获取的场景感知数据，以及预设的精度损失预测模型，得到精度损失预测结果；其中，所述精度损失预测模型，是根据所述场景感知数据、所述精度预测指标以及模糊神经网络训练得到；
优化模块，被配置为：依据精度损失预测结果，以及预设的精度优化模型，得到滚珠丝杠副的运行精度优化策略；具体的，在运行场景下通过精度损失预测模型获取该场景下的精度损失结果，然后通过精度优化模型耦合调整滚珠丝杠副运行参数和结构参数；再通过基于精度损失预测模型获取运行精度最优值；其中，所述精度优化模型采用人工神经网络构建。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的基于数字孪生驱动的滚珠丝杠副优化方法的步骤。10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的基于数字孪生驱动的滚珠丝杠副优化方法的步骤。

技术总结
本发明提供了一种基于数字孪生驱动的滚珠丝杠副优化方法及系统，包括：获取滚珠丝杠副的原始数据和场景感知数据；依据所述原始数据和所述场景感知数据，建立包括滚珠丝杠副模型的数字孪生三维数字模型；依据所述数字孪生三维数字模型，得到精度预测指标；依据获取的场景感知数据，以及预设的精度损失预测模型，得到精度损失预测结果；依据精度损失预测结果，以及预设的精度优化模型，得到滚珠丝杠副的运行精度优化策略；本发明实现了滚珠丝杠副的建模、精度损失预测和精度优化，为提升滚珠丝杠副传动精度提供了理论支撑和研究方法；为得到满足高档数控装备的生产要求的滚珠丝杠副提供了优化思路。副提供了优化思路。副提供了优化思路。


技术研发人员：赵佳佳 姜洪奎 宋现春 张倩倩 宋丽伟 林明星
受保护的技术使用者：山东建筑大学
技术研发日：2021.12.07
技术公布日：2022/3/8