数字工程 | 哈理工岳彩旭教授团队：基于数字孪生的薄壁零件变形在线监测研究

Research on online deformation monitoring of thin-walled parts driven by digital twin

Caixu Yue ¹, Ruhong Jia ¹, Xiaofei Zhu ^2,3, Boweng Geng ¹, Jiahao Zhang ¹

1 Key Laboratory of Advanced Manufacturing and Intelligent Technology, Ministry of Education. Harbin University of Science and Technology, Harbin 150080, China

2 Electronics Equipment Manufacturing Engineering Technology Research and Development Center in Jiangsu Province, Huaian, 223003, China

3 Jiangsu Vocational College of Electronics and Information, Huaian, Jiangsu 223003

Abstract

Thin-walled parts are widely used in aerospace. Because thin-walled parts have thin walls, weak stiffness, and are easy to deform and other characteristics, it is easy to produce deformation in the processing, affecting the quality and accuracy of the workpiece processing. Therefore, accurate and efficient online real-time monitoring of the deformation of thin-walled parts has become a vital issue in process control. The visualization, real-time monitoring, and iterative optimization of digital twin technology can effectively solve the problem of online monitoring of thin-walled parts processing. Therefore, this paper proposes a digital twin driven deformation monitoring method for thin-walled parts, which realizes the effective monitoring of deformation during the processing of thin-walled parts. Firstly, the digital twin architecture for online deformation monitoring of thin-walled parts is established, and the critical technologies of the digital twin for online deformation monitoring of thin-walled parts are proposed. Secondly, the Support Vector Regression (SVR) finite element surrogate model is established to realize the rapid simulation of thin-walled parts cutting. At the same time, a One-Dimensional Convolutional Neural Network (1DCNN) combined with the Self-Attention Mechanism (SAM) deformation prediction model was established based on sensor data. The real-time monitoring and accurate prediction of the deformation of thin-walled components are realized through the parallel guidance of the deep learning and surrogate model. Finally, an experimental analysis was carried out by machining thin-walled plates of aluminum alloy 7075, and the fit of the monitoring models was above 95%, thus verifying the validity of the proposed method.

Keywords

Digital twin, Thin-walled parts, Surrogate model, Deformation monitoring

Fig. 1. Digital twin architecture for machining deformation of thin-walled parts

Fig. 2. Digital twin scene modeling flow

摘要

薄壁零件因其独特的优势，在航空航天领域中得到了广泛的应用。然而，这类零件具有壁厚薄、刚度弱、易变形等特点，导致在加工过程中极易产生变形，进而影响工件加工的质量与精度。因此，对薄壁零件加工变形进行准确高效的在线实时监测已成为过程控制中的关键问题。数字孪生技术的可视化、实时监测及迭代优化功能可有效解决薄壁零件加工过程中的在线监测问题。

因此，本文提出了一种基于数字孪生的薄壁零件变形监测方法，实现了薄壁零件加工过程中变形的有效监测。首先，构建了薄壁零件在线变形监测的数字孪生架构，并提出了薄壁零件在线变形监测数字孪生的关键技术。其次，建立了支持向量回归（SVR）有限元仿真代理模型，实现了薄壁零件切削的快速仿真。同时，基于传感器数据，建立了融合自注意力机制（SAM）的一维卷积神经网络（1DCNN）变形预测模型。通过深度学习模型和仿真代理模型的并行指导，实现了薄壁零件变形的实时监测与准确预测。最后，通过加工7075铝合金薄壁板件进行了实验分析，监测模型的拟合度均在95%以上，从而验证了所提方法的有效性。

数字孪生、薄壁件、代理模型、变形监测

研究背景：

1. 薄壁件加工变形问题： 薄壁件在加工过程中容易产生变形，影响工件的加工质量和精度。

2. 数字孪生技术应用：数字孪生技术能够实现物理实体的实时分析和决策，对于薄壁件加工变形的在线实时监测具有重要意义。

3. 研究现状： 早期研究多从切削机理角度分析工件变形与切削力的关系，但实际加工中薄壁件结构复杂，难以直接应用有限元数值方法。

4. 研究需求： 需要一种简单有效的监测方法来反映复杂薄壁件的切削力与变形关系，机器学习可以从数据中挖掘切削力与变形的深层次关系。

研究方法：

1. 数字孪生架构： 建立薄壁件加工变形的数字孪生在线监测架构，包括物理加工层、数据交互层、虚拟加工层和变形监测层。

2. 关键技术研发： 提出数字孪生驱动的薄壁件加工变形监测方法，建立加工过程的数字孪生模型，实现薄壁件铣削过程的实时映射。

3. 支持向量回归（SVR）有限元代理模型： 建立SVR有限元代理模型，实现薄壁件切削的快速仿真。

4. 一维卷积神经网络（1DCNN）结合自注意力机制（SAM）变形预测模型： 基于传感器数据建立变形预测模型，通过深度学习和代理模型的并行指导实现薄壁件变形的实时监测和准确预测。

实验设计：

1. 实验环境：使用VMC-C 50五轴数控机床进行薄壁板件加工实验，工件材料为AL 7075-T6，尺寸为150mm*100mm*3mm，铣削刀具为φ10mm的四刃硬质合金平底端铣刀，主轴转速为5000r/min，轴向切深为6mm、8mm，径向切深为0.5mm、1mm，进给速度为20mm/s、30mm/s、40mm/s，使用Kistler-5236B旋转测力仪采集铣削力，使用Keyence激光位移传感器测量加工变形量。

2. 数据交互层： 通过数据交互层实现物理和虚拟加工数据的交互映射，将采集的物理数据存储在MySQL数据库中。

3. 虚拟加工层： 在孪生空间中构建虚拟加工场景，实现薄壁件铣削过程的实时映射。

4. 变形监控层： 结合仿真技术和深度学习技术，通过代理模型和机器学习模型，实现薄壁件加工过程的实时仿真和变形预测。

结果分析：

1. 仿真代理模型验证： 通过有限元仿真数据训练SVR代理模型，验证模型的预测精度和泛化能力，实验结果显示MAE值均小于5μm，RMSE值均小于7μm，R²值均高于96%，表明建立的SVR代理模型能有效实现薄壁件的变形精确预测。

2. 变形预测模型验证：通过实际加工数据验证1DCNN-SAM算法模型，预测模型的MAE值均小于7μm，R²值均高于95%，表明1DCNN-SAM方法能有效预测薄壁件的加工变形。

3. 实验分析： 通过加工铝合金7075薄壁板的实验分析，变形监测模型的拟合度超过95%，验证了所提方法的有效性。

研究结论：

1. 数字孪生驱动的变形监测方法：提出了数字孪生驱动的薄壁件加工变形监测方法，建立了薄壁件加工过程的数字孪生模型，实现了薄壁件铣削过程的实时映射。

2. 关键技术研发： 提出了数字孪生驱动薄壁件监测的关键技术，通过建立仿真代理模型实现了加工过程的可解释性和快速仿真能力。

3. 模型应用： 通过变形预测模型和代理模型的先验知识的并行指导，实现了虚拟数据和物理数据的融合预测，以及数字孪生驱动的薄壁件加工变形监测。

关注公众号，后台回复“DE23”即可下载原文

教授，博士生导师，现任机械动力工程学院副院长兼高效切削与刀具国家地方联合工程实验室副主任。国家高层次青年人才，龙江学者“青年学者”，黑龙江省高层次人才，黑龙江省青年五四奖章获得者、黑龙江省青年科技奖获得者。近五年，主持重点研发课题、国家自然科学基金面上项目各2项，参与完成多项国家及省级重点项目。已发表SCI/EI检索学术论文90篇，出版著作2部，并获批发明专利20余项，获批中国机械工业科学技术进步一、二等奖各1项（序2）。先后担任中国机械工业金属切削刀具技术协会切削先进技术研究分会全国理事、黑龙江省刀具技术协会副秘书长、中国机械工程学会生产工程分会常务委员等职务。研究方向包括智能制造、数字孪生、切削过程建模及复杂刀具设计等。

通讯作者，邮箱：

yuecaixu@hrbust.edu.cn

2015年毕业于济宁学院机械设计制造及其自动化专业，获学士学位。自2021年起，在哈尔滨理工大学攻读博士学位，研究方向包括数字孪生、智能制造和刀具状态监测。

工学博士，中国机械工程学会高级会员，中国自动化学会会员。研究方向包括数字化建模与仿真、大数据可视化、自动化控制系统的集成及产业应用。

2020年毕业于哈尔滨理工大学机械设计制造及其自动化专业，获学士学位。2024年毕业于哈尔滨理工大学，获硕士学位，研究方向包括数字孪生、智能制造。

2021年毕业于东北林业大学电子信息工程专业，获学士学位。自2023年起，在哈尔滨理工大学攻读硕士学位，研究方向包括数字孪生、智能制造。