本發明涉及三維仿(fang)真(zhen)，具(ju)體為面向模具(ju)制造的數字孿生建模方法。

背景技術：

1、隨著全球經濟的(de)持續(xu)發(fa)(fa)(fa)展和(he)科技的(de)飛速進步，智(zhi)能制(zhi)造已成為(wei)(wei)當(dang)今制(zhi)造業的(de)核心發(fa)(fa)(fa)展趨勢(shi)。特別(bie)是隨著工業4.0時(shi)代的(de)到來，數字化(hua)(hua)、網(wang)絡化(hua)(hua)和(he)智(zhi)能化(hua)(hua)成為(wei)(wei)制(zhi)造業轉(zhuan)型(xing)的(de)關鍵方(fang)向(xiang)。模(mo)具(ju)制(zhi)造，作為(wei)(wei)工業生(sheng)產(chan)鏈條中(zhong)的(de)重(zhong)要一環(huan)，對于提升產(chan)品(pin)質量、優化(hua)(hua)生(sheng)產(chan)流程、降低成本以及縮短產(chan)品(pin)開發(fa)(fa)(fa)周期具(ju)有(you)舉足輕重(zhong)的(de)作用。

2、然而，傳(chuan)統的(de)(de)模(mo)(mo)具(ju)制造方(fang)法(fa)存在(zai)諸多局限性。這(zhe)(zhe)些方(fang)法(fa)往往高度依賴工程師的(de)(de)經驗和直覺，手動進行調整和監控(kong)。這(zhe)(zhe)種方(fang)式(shi)雖然在(zai)一定程度上能夠滿(man)足生產需(xu)求(qiu)，但(dan)效率低(di)下，精度難(nan)以保證，且產品的(de)(de)一致性和可重(zhong)復性較差。在(zai)競爭激(ji)烈的(de)(de)市場(chang)環境下，這(zhe)(zhe)些局限性已成為制約模(mo)(mo)具(ju)制造業進一步(bu)發展的(de)(de)瓶頸(jing)。為此(ci)，我們提出面向模(mo)(mo)具(ju)制造的(de)(de)數字(zi)孿生建模(mo)(mo)方(fang)法(fa)。

技術實現思路

1、本發明的(de)目(mu)的(de)在于提(ti)供面向模(mo)具制造的(de)數字孿(luan)生建(jian)模(mo)方法，以解決上述背景技術(shu)中提(ti)出的(de)問題。

2、為實現上述(shu)(shu)目(mu)的，本發(fa)明提供如(ru)下(xia)技術方(fang)案：面向(xiang)模(mo)具制造的數字孿(luan)生建模(mo)方(fang)法(fa)，所述(shu)(shu)方(fang)法(fa)的具體步驟包括：

3、步驟ⅰ、數據采(cai)集與(yu)傳輸：利用傳感器技術，實時(shi)采(cai)集模具加工設(she)備的(de)運(yun)行(xing)狀態數據，包(bao)括(kuo)設(she)備的(de)振動頻率、運(yun)行(xing)溫(wen)度(du)和工作(zuo)壓力；同時(shi)，監(jian)測(ce)并記錄工作(zuo)環境中的(de)實時(shi)溫(wen)度(du)與(yu)濕度(du)數據；

4、收集原材料的相關數據，包括材質類型、硬(ying)度值和彈性模量；

5、步驟ⅱ、數據(ju)分析(xi)與機器學習預測：對采集到的各類數據(ju)進(jin)行預處(chu)理，包括數據(ju)清洗和歸一化操(cao)作，以(yi)消除異常值(zhi)和不同特(te)征之間的量綱差(cha)異；

6、利用四分位(wei)距iqr識別數據(ju)集中的異常值(zhi)，具體算(suan)法為：

7、

8、其中，?為為上四分(fen)位數，?下四分(fen)位數，定義異(yi)常(chang)值的上下限分(fen)別(bie)為：

9、

10、

11、?表(biao)示(shi)數(shu)據(ju)數(shu)值(zhi)的(de)上(shang)(shang)限，?表(biao)示(shi)數(shu)據(ju)數(shu)值(zhi)的(de)下限，將(jiang)超出上(shang)(shang)下限的(de)數(shu)據(ju)視為異(yi)常值(zhi)，并進(jin)行刪除；

12、為了消除不(bu)同(tong)特征之間的(de)量綱差異，采(cai)用數據歸一化方(fang)法將數據映射到(dao)同(tong)一尺度上，具體算法為：

13、

14、其中(zhong)，??為(wei)歸一化(hua)后的(de)值，?為(wei)原始(shi)值，?和(he)??分別(bie)為(wei)數據集中(zhong)的(de)最小值和(he)最大值；

15、利用機器學習算法，對預(yu)(yu)(yu)處理后的(de)數(shu)據(ju)進行訓(xun)練(lian)，以建立產(chan)品(pin)形態預(yu)(yu)(yu)測模(mo)型(xing)；將實時采集的(de)數(shu)據(ju)輸入訓(xun)練(lian)好的(de)預(yu)(yu)(yu)測模(mo)型(xing)中(zhong)，通過模(mo)型(xing)運算得到孿(luan)生建模(mo)的(de)產(chan)品(pin)形態預(yu)(yu)(yu)測數(shu)據(ju)，所述產(chan)品(pin)形態預(yu)(yu)(yu)測數(shu)據(ju)包括產(chan)品(pin)的(de)物理結構和(he)尺寸；

16、步驟ⅲ、構建數(shu)字孿(luan)生模(mo)(mo)型：基于輸入數(shu)據，利用三維建模(mo)(mo)技術構建模(mo)(mo)具加(jia)工(gong)設備的(de)數(shu)字虛擬(ni)模(mo)(mo)型，該(gai)模(mo)(mo)型準確反映(ying)設備的(de)物理特(te)性和動(dong)態(tai)行為；在虛擬(ni)模(mo)(mo)型中(zhong)(zhong)集成設備的(de)運行模(mo)(mo)擬(ni)功能，以復現設備在實際(ji)生產中(zhong)(zhong)的(de)工(gong)作狀態(tai)；

17、步驟ⅳ、數(shu)(shu)(shu)字(zi)孿生(sheng)建模(mo)與可視化(hua)展示(shi)：將預測的(de)產(chan)品形(xing)(xing)態數(shu)(shu)(shu)據與數(shu)(shu)(shu)字(zi)孿生(sheng)模(mo)型進行(xing)(xing)融合(he)處理，生(sheng)成(cheng)具有真實感的(de)三(san)維可視化(hua)產(chan)品模(mo)型；通過數(shu)(shu)(shu)字(zi)孿生(sheng)平臺展示(shi)不同參(can)數(shu)(shu)(shu)組合(he)下的(de)產(chan)品預測形(xing)(xing)態，使(shi)得生(sheng)產(chan)人員能夠直觀地了解(jie)產(chan)品的(de)外觀和(he)結構特點；根據實際需(xu)求，調整模(mo)具加工(gong)設備的(de)運行(xing)(xing)狀態數(shu)(shu)(shu)據、工(gong)作環(huan)境(jing)數(shu)(shu)(shu)據和(he)原材料的(de)相(xiang)關數(shu)(shu)(shu)據，觀察預測結果(guo)的(de)三(san)維模(mo)型變化(hua)趨勢，為生(sheng)產(chan)決(jue)策提供參(can)考依據。

18、優選(xuan)的，采用線(xian)性(xing)回歸算法(fa)構建和訓練產(chan)品(pin)形態預測模(mo)型，具(ju)體(ti)步驟為：

19、s1：數據(ju)(ju)(ju)收(shou)集，利用傳感器技術實時(shi)采集模具加(jia)工(gong)(gong)設備(bei)的運行(xing)狀態數據(ju)(ju)(ju)、工(gong)(gong)作(zuo)環境數據(ju)(ju)(ju)，以及收(shou)集原材料(liao)的相關數據(ju)(ju)(ju)；

20、s2：數據預處理，對(dui)采集和(he)收集到的(de)各類數據進(jin)行清洗和(he)歸一化操作，以(yi)消(xiao)除異常值和(he)不同特(te)征(zheng)之間(jian)的(de)量綱差異，形成規整(zheng)的(de)數據集；

21、s3：數據集(ji)(ji)劃(hua)分(fen)，將預處理后(hou)的數據集(ji)(ji)劃(hua)分(fen)為訓練集(ji)(ji)、驗證集(ji)(ji)和測試集(ji)(ji)；

22、s4：模(mo)型選(xuan)擇，選(xuan)用線性回歸算法作(zuo)為產品(pin)形態(tai)預(yu)測模(mo)型的基礎；

23、s5：模型參數初始化，為線性回歸(gui)模型設定初始參數；

24、s6：模型訓(xun)(xun)練，使(shi)用訓(xun)(xun)練集數據(ju)，通過線性回(hui)歸算法(fa)對(dui)模型進行訓(xun)(xun)練，調整模型參數，使(shi)得預(yu)測的產品形態數據(ju)與實際數據(ju)之間的差異最小化；

25、s7：模型驗證(zheng)與優(you)化(hua)，利用驗證(zheng)集數(shu)據對訓(xun)練好的模型進行驗證(zheng)，并根據驗證(zheng)結果對模型參(can)數(shu)進行優(you)化(hua)調整(zheng)；

26、s8：模型評估，使用(yong)測試集數據對優化后的模型進行評估，確(que)(que)保(bao)模型預測的準確(que)(que)性；

27、s9：模型保存與部署，將(jiang)經過訓練、驗證和(he)評估(gu)的線性回歸模型保存，并部署到數(shu)字孿生建模系統中，用(yong)于實(shi)時預測產品形態。

28、優選的(de)，在產品形態預(yu)測模型訓練(lian)(lian)過(guo)(guo)程(cheng)中，使(shi)用訓練(lian)(lian)集數(shu)(shu)據對線性回歸模型進(jin)行(xing)訓練(lian)(lian)，通(tong)過(guo)(guo)優化(hua)算法不斷(duan)迭(die)代(dai)調整模型參數(shu)(shu)，包括回歸系數(shu)(shu)和截距，以最小(xiao)化(hua)預(yu)測的(de)產品形態數(shu)(shu)據與(yu)實際數(shu)(shu)據之(zhi)間的(de)差異；利(li)用驗(yan)證(zheng)集數(shu)(shu)據對訓練(lian)(lian)好的(de)模型進(jin)行(xing)驗(yan)證(zheng)，根據驗(yan)證(zheng)結果對模型參數(shu)(shu)進(jin)行(xing)進(jin)一(yi)步(bu)優化(hua)調整，包括調整學習率(lv)、迭(die)代(dai)次數(shu)(shu)和正則化(hua)參數(shu)(shu)，經過(guo)(guo)多次迭(die)代(dai)和優化(hua)后，確定最終(zhong)的(de)模型參數(shu)(shu)，使(shi)得模型在驗(yan)證(zheng)集上達到最佳預(yu)測效(xiao)果。

29、優選的(de)，評估產(chan)品形態預測模型性能(neng)的(de)方法為：

30、a、準備測(ce)(ce)試集數(shu)(shu)據：從預處理并劃(hua)分好的數(shu)(shu)據集中(zhong)取出測(ce)(ce)試集數(shu)(shu)據，該測(ce)(ce)試集數(shu)(shu)據包括已知的輸入特(te)征和(he)對應的產品形(xing)態實(shi)際數(shu)(shu)據；

31、b、模(mo)型(xing)預(yu)測：將測試(shi)集數據的輸入特征(zheng)輸入到經過訓練并優化后的線性回歸模(mo)型(xing)中，得到模(mo)型(xing)預(yu)測的產品形態數據；

32、c、誤差(cha)計算(suan)：對比模型預(yu)測的產品(pin)形態(tai)數據(ju)與測試集中的產品(pin)形態(tai)實際數據(ju)，通(tong)過均(jun)方誤差(cha)和平均(jun)絕對誤差(cha)的誤差(cha)計算(suan)方法，計算(suan)出預(yu)測誤差(cha)；

33、d、評(ping)(ping)估(gu)標準設定(ding)：根據實際需(xu)求設定(ding)評(ping)(ping)估(gu)標準，設定(ding)一個誤差閾值；

34、e、評估結果判定(ding)：將步(bu)驟c中(zhong)(zhong)計算出的(de)預測誤差與步(bu)驟d中(zhong)(zhong)設定(ding)的(de)評估標準進行對比，根(gen)據對比結果判定(ding)模(mo)型是(shi)否滿(man)足預測準確性要(yao)求。

35、優選的，步驟ⅲ中構(gou)建的數字孿生模型具有(you)交互(hu)式操作(zuo)功能(neng)，允許用戶通過(guo)數字孿生平(ping)臺對(dui)模具加工設(she)備進行模擬操作(zuo)，以觀(guan)察設(she)備在不同操作(zuo)條件下的反應和性能(neng)。

36、優選(xuan)的，在模具制(zhi)造(zao)過程中(zhong)，通過數字孿生模型實時(shi)監(jian)控設備的運(yun)行(xing)狀態(tai)和產(chan)品(pin)的制(zhi)造(zao)進度，并根據實時(shi)監(jian)控數據進行(xing)優化調整。

37、優選的(de)(de)，在(zai)步驟s1中，數(shu)據(ju)(ju)清(qing)(qing)洗的(de)(de)具體方式(shi)為(wei)：收(shou)集原(yuan)始數(shu)據(ju)(ju)，包(bao)含模(mo)(mo)具加工(gong)設備的(de)(de)運行狀態數(shu)據(ju)(ju)、工(gong)作(zuo)環境數(shu)據(ju)(ju)以及(ji)原(yuan)材料的(de)(de)相關(guan)數(shu)據(ju)(ju)；對原(yuan)始數(shu)據(ju)(ju)進(jin)行初步檢查，識別并移(yi)除包(bao)含缺(que)失值(zhi)(zhi)、異(yi)常值(zhi)(zhi)和(he)重復(fu)值(zhi)(zhi)的(de)(de)數(shu)據(ju)(ju)記(ji)錄(lu)(lu)；利用(yong)均(jun)值(zhi)(zhi)法填充缺(que)失值(zhi)(zhi)；采用(yong)設定閾值(zhi)(zhi)的(de)(de)方法，過濾掉超出合理(li)范(fan)圍的(de)(de)異(yi)常數(shu)據(ju)(ju)；對于重復(fu)的(de)(de)數(shu)據(ju)(ju)記(ji)錄(lu)(lu)，根(gen)據(ju)(ju)數(shu)據(ju)(ju)的(de)(de)時間(jian)戳(chuo)進(jin)行去重處(chu)理(li)；清(qing)(qing)洗后(hou)(hou)的(de)(de)數(shu)據(ju)(ju)將作(zuo)為(wei)后(hou)(hou)續(xu)數(shu)據(ju)(ju)歸(gui)一化和(he)模(mo)(mo)型訓練的(de)(de)基礎。

38、優選的，在步(bu)驟s1中，數據(ju)歸(gui)一(yi)化的具體方(fang)式為：

39、i)、選取經(jing)過清洗后的數據集作為歸一化的處理(li)對象(xiang)；

40、ii)、對于數據集中(zhong)的每一(yi)類特征，分別(bie)計(ji)算其最小值min和最大(da)值max；

41、iii)、利(li)用線(xian)性(xing)變換公式，將數據集中(zhong)的每個(ge)特征值x轉換為歸一化后(hou)的值x'，轉換公式為：x'?=?(x?-?min)?/?(max?-?min)，使轉換后(hou)的數據范圍(wei)在[0,1]之間；

42、iv)、對于數(shu)據集中(zhong)的(de)分類特征，采用(yong)獨熱編碼one-hot?encoding進行轉換，歸一(yi)化后的(de)數(shu)據集將作為后續模型訓(xun)練和預(yu)測的(de)標準輸入。

43、與現有(you)技術(shu)相(xiang)比(bi)，本發明(ming)的有(you)益(yi)效果是：

44、1，提高生(sheng)(sheng)產(chan)(chan)效率(lv)和精(jing)度(du)：通(tong)過實時采集(ji)模具加工(gong)設備的(de)運行狀態數(shu)(shu)據、工(gong)作環境數(shu)(shu)據以及(ji)原(yuan)材料的(de)相關數(shu)(shu)據，本發明(ming)能夠更精(jing)確(que)地模擬和預測模具制造(zao)過程(cheng)，有助(zhu)于減少試錯(cuo)次數(shu)(shu)，優化生(sheng)(sheng)產(chan)(chan)流程(cheng)，從而(er)提高生(sheng)(sheng)產(chan)(chan)效率(lv)，并(bing)確(que)保產(chan)(chan)品(pin)的(de)高精(jing)度(du)。

45、2，增強產(chan)品(pin)一(yi)致性和可重復性：通過(guo)數字孿生建模(mo)方法，可以(yi)標準(zhun)化(hua)模(mo)具制(zhi)造過(guo)程，減少人(ren)為因素的(de)干擾，使得每(mei)一(yi)批產(chan)品(pin)都能保持高(gao)度的(de)一(yi)致性和可重復性，滿(man)足(zu)市場對產(chan)品(pin)質量穩定性的(de)需求。

46、3，降低(di)生產(chan)(chan)成本：通過預測模型精(jing)確預測產(chan)(chan)品形態(tai)，本發(fa)明能(neng)夠在生產(chan)(chan)前發(fa)現潛在問(wen)題并進行調整(zheng)，從而避(bi)免不必要的材料浪費和生產(chan)(chan)成本。同時，優化生產(chan)(chan)流程也能(neng)進一步降低(di)制造成本。

47、4，提升(sheng)決策(ce)支持的(de)(de)準(zhun)確性和(he)實時性：本(ben)發明通過三維(wei)可視化產品模型(xing)(xing)，使生產人員能夠直觀地了(le)解(jie)產品的(de)(de)外觀和(he)結(jie)構特點，并根據實際需求調整相關(guan)參數，觀察預測結(jie)果(guo)的(de)(de)三維(wei)模型(xing)(xing)變化趨(qu)勢。這為生產決策(ce)提供了(le)更(geng)為準(zhun)確和(he)實時的(de)(de)支持。