[发明专利]智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统

说明书

一种智能产线动态误差预测系统，包括第一计算层、第二计算层；数据库接收数据采集单元采集得到的数据并存储作为历史数据；第一计算层包括第一服务器，第一服务器内设有数据处理单元和误差预测单元，误差预测单元预测智能产线的动态误差；第二计算层包括第二服务器，第二服务器内设有动态误差预测模型训练单元；误差预测单元和动态误差预测模型训练单元内分别设有动态误差预测模型，动态误差预测模型训练单元对设置在其内的动态误差预测模型进行训练；中央处理器接收经动态误差预测模型训练单元训练后的动态误差预测模型、并更新误差预测单元内的动态误差预测模型。本发明还公开了一种智能产线动态误差控制系统、控制方法及数字孪生系统。

技术领域

本发明属于机械误差分析技术领域，具体的为一种智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统。

背景技术

现有技术中，一般采用先基于神经网络构建误差预测模型，而后将设备运行的实时数据输入该误差预测模型内以获得误差的预测值。然而，误差预测模型预测得到的误差值与设备运行的真实误差之间必然存在显著差异，对于具有时变特性的误差，神经网络需要具备历史数据的记忆行为，随着历史数据的迭代次数增加，误差预测模型预测得到的误差值与设备运行的真实误差之间的差值会存在逐渐上升趋势，从而导致误差预测模型的预测准确度降低。

发明内容

有鉴于此，本发明的目的在于提供一种智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统，通过实时数据预测误差的同时，还通过历史数据训练误差预测模型，从而保证误差预测模型的精准度。

为达到上述目的，本发明提供如下技术方案：

本发明首先提出了一种智能产线动态误差预测系统，包括第一计算层、第二计算层、数据采集单元、数据库和中央处理器；

所述数据采集单元用于采集智能产线的生产和设备数据；所述数据库接收所述数据采集单元采集得到的数据并存储作为历史数据；

所述第一计算层包括第一服务器，所述第一服务器内设有数据处理单元和误差预测单元，所述数据处理单元接收所述数据采集单元采集得到的实时数据并对实时数据进行处理；所述误差预测单元接收经所述数据处理单元处理后的实时数据并预测智能产线的动态误差；

所述第二计算层包括第二服务器，所述第二服务器内设有动态误差预测模型训练单元；所述误差预测单元和动态误差预测模型训练单元内分别设有动态误差预测模型，所述动态误差预测模型训练单元接收所述数据库内的历史数据并对设置在其内的所述动态误差预测模型进行训练；

所述中央处理器接收经所述动态误差预测模型训练单元训练后的所述动态误差预测模型、并将该训练后的所述动态误差预测模型传输至所述误差预测单元以更新所述误差预测单元内的所述动态误差预测模型。

进一步，所述动态误差预测模型采用SOA-LSTM误差预测模型，所述SOA-LSTM误差预测模型的构建方法包括如下步骤：

1)初始化参数：初始化海鸥优化算法(SOA)的参数，并将LSTM神经网络的权重和阈值编码为初始海鸥种群；

2)初始化所述海鸥种群中的每个海鸥的位置；

3)计算海鸥的适应度并找到最佳的海鸥位置P_best(x)；

4)根据最佳的海鸥位置P_best(x)更新每个海鸥的位置；

5)判断是否达到最大迭代次数或达到所需的精度：若是，则输出最终的P_best(x)作为最佳的海鸥位置；若否，则返回步骤3)；

6)将最终的P_best(x)解码为权重和阈值后输入LSTM误差预测模型，得到SOA-LSTM误差预测模型。