一种滚齿过程碳效率动态预测仿真系统及方法

技术领域

本发明涉及齿轮加工技术领域，具体涉及一种滚齿过程碳效率动态预测仿真系统及方法。

背景技术

制造业是碳排放的主要来源，消耗了超过30％的一次能源，产生了大约36％的温室气体。在保证行业发展的前提下，如何让减少碳排放是亟待解决的事情。对于碳排放效率的研究有助于分析碳排放趋势，对于减少碳排放具有重要作用。如何提高单位碳排放的利用效率，在固定碳排放额度的限制下，兼顾经济效益与环境效益，实现高效、节能、低碳制造，是国家和企业需要重点关注的问题。

滚齿是最广泛使用的齿轮加工工艺，提高滚齿过程的碳排放效率，对于提高企业经济效益、降低环境污染、达成国家战略目标有着重要意义。为此，众多学者针对滚齿进行了大量研究。但是这些研究均是在静态环境下对滚齿加工进行的研究，其默认滚齿加工中其他因素恒定，而将目标专注于加工参数带来的影响。而实际上滚齿加工是一个发生在动态加工条件下的动态过程，由于设备磨损、工艺参数变化以及材料差异等动态参数的影响，单纯的静态模型难以保证预测和优化的准确性，且无法描述滚齿过程的实时状态，而若要根据变化建立新的模型，有需要耗费大量时间，难以适应生产的实时性需求。

发明内容

针对现有技术存在的上述不足，本发明要解决的技术问题是：如何提供一种能充分利用物理空间动态参数的数据，并依靠虚拟空间的动态预测及仿真模型，实现滚齿过程碳效率的精准预测与实时动态仿真，以指导企业的生产计划和操作人员的加工决策，提高碳排放效率的基于数字孪生的滚齿过程碳效率动态预测仿真系统及方法。

为了解决上述技术问题，本发明采用如下技术方案：

一种滚齿过程碳效率动态预测仿真系统，包括物理实体、孪生数据库和虚拟模型；

所述物理实体包括设备层和感知层，所述设备层包括对滚齿进行加工的各种设备，所述感知层用于对滚齿加工过程中所述设备层的动态参数进行采集和传输；

所述孪生数据库用于将所述感知层采集的数据输入到所述虚拟模型，接收来自于所述虚拟模型的仿真输出结果，并将该仿真输出结果发送给所述物理实体；

所述虚拟模型包括动态预测模型和动态仿真模型，所述动态预测模型用于根据所述孪生数据库的输入预测出实时输出功率，并输入到所述动态仿真模型，所述动态仿真模型用于根据各输入数据进行动态仿真并输出设定的滚齿加工状态结果到所述孪生数据库。

一种滚齿过程碳效率动态预测仿真方法，采用上述的滚齿过程碳效率动态预测仿真系统，包括以下步骤：

步骤1)所述感知层对滚齿加工过程中所述设备层的动态参数进行采集，并传输给所述孪生数据库；

步骤2)所述孪生数据库将所述感知层采集的数据输入到所述虚拟模型；

步骤3)所述动态预测模型根据所述孪生数据库的输入预测出实时输出功率，并输入到所述动态仿真模型，所述动态仿真模型根据各输入数据进行动态仿真并输出设定的滚齿加工状态结果到所述孪生数据库；

步骤4)所述孪生数据库接收来自于所述虚拟模型的仿真输出结果，并将该仿真输出结果发送给所述物理实体。

优选的，步骤3)中，所述动态预测模型采用一维卷积神经网络模型，滚齿加工时，将实时采集的动态参数作为一维卷积神经网络模型的输入，已训练好的一维卷积神经网络模型根据各动态参数的值，回归预测并输出实时功率，且此次滚齿加工产生的数据将加入历史数据集，对一维卷积神经网络模型再次进行训练。

优选的，所述一维卷积神经网络模型的训练方法为：所述一维卷积神经网络模型采用历史数据集的数据进行训练，通过采用一维卷积神经网络算法自动对历史数据集中滚齿加工的各动态参数进行特征提取，并构建滚齿加工过程实时功率的回归预测模型。

优选的，步骤3)中，所述动态预测模型在对滚齿加工的实时功率进行预测之前，对实时采集的数据进行预处理，实时采集的数据包括定性数据和定量数据，对定性数据采用独热编码的方式转换为定量数据，并对定量数据进行数据归一化处理；

数据归一化处理的计算公式为：

式中：x′为归一化后的值，x为该定量数据的原始值，x

优选的，所述一维卷积神经网络模型包括输入层、一维卷积层、激活层、池化层、全连接层和输出层；

所述输入层用于数据输入；

所述一维卷积层用于对输入数据进行特征提取，按照设定的步长，在数据上不断滑动并进行卷积运算；

所述激活层利用线性整流函数加入非线性因素；

所述池化层用于对数据进行降维处理；

所述全连接层用于对经过多次卷积和池化处理后的数据通过线性变换激活所有神经元，得到回归结果，并通过计算实时功率预测值与实时功率实际值的误差，将误差反向传播，利用随机梯度下降的方式不断调整一维卷积神经网络模型，达到设定要求后在输出层输出结果。

优选的，所述一维卷积层进行卷积运算的公式为：

式中：Y

所述激活层利用线性整流函数加入非线性因数的计算公式为：

f(x)＝max(0,x)

式中：f(x)为激活后的输出函数，x为输入数据。

优选的，所述动态仿真模型采用离散事件系统规范模型，离散事件系统规范模型包括离散事件系统规范原子模型和离散事件系统规范耦合模型；

对滚齿的各个加工过程分别设计对应的离散事件系统规范原子模型，然后将各个离散事件系统规范原子模型按照滚齿加工时间的先后顺序进行耦合，以构造滚齿加工过程的粗滚齿离散事件系统规范耦合模型和精滚齿离散事件系统规范耦合模型，粗滚齿离散事件系统规范耦合模型和精滚齿离散事件系统规范耦合模型又再次耦合，以得到单个离散事件系统规范耦合模型，最后再将多台设备的单个离散事件系统规范耦合模型进行耦合，得到滚齿加工全过程碳效率的离散事件系统规范耦合模型。

优选的，离散事件系统规范原子模型为：

A＝＜DI,X,Y,S,δ

式中，DI为外部动态输入集，DI＝{Pstandby,Pcutin,Pfullcut,Pcutout}，Pstandby,Pcutin,Pfullcut,Pcutout分别代表动态预测模型在滚齿加工的待机时段实时功率的拟合值、滚齿加工的切入段实时功率的拟合值、滚齿加工的完全切入时段实时功率的拟合值和滚齿加工的切出时段实时功率的拟合值；

X：外部输入事件集，X＝{batch,p,os}，其中，batch表示此次待加工滚齿批量，p表示当前时段的实时功率，由DI决定，os＝{gh,gc,gm}，gh,gc,gm分别代表滚刀、切削液和材料；

Y：外部输出事件集，Y＝{c,ec,t

S：系统状态集，S＝{ts,bn,am,qam,uam,c,ec,t

δ

δ

λ：输出函数，当系统发生内部事件或外部事件时，产生的向外输出的相关信息，当时段状态为空闲状态f时，统计并发送碳排放、持续时间和碳效率的信息；

t

优选的，离散事件系统规范耦合模型为：

C＝＜X,Y,D,E

式中：D：内部离散事件系统规范原子模型成员名字集；

E

E

IC：内部耦合关系集，即内部各加工时段离散事件系统规范原子模型之间的连接关系；

select：选择函数，当离散事件系统规范耦合模型内部有多个成员同时发生状态变化时，确定状态变化的优先级从低到高依次为待机时段离散事件系统规范原子模型、切出时段离散事件系统规范原子模型、完全切入时段离散事件系统规范原子模型和切入时段离散事件系统规范原子模型。

与现有技术相比，本发明具有以下优点：

1、由于滚齿加工过程中的动态性，静态模型难以保证预测的准确性，且无法反映加工的实时状态，故本发明将数字孪生应用于滚齿加工过程，提出了一种基于数字孪生的滚齿过程碳效率动态预测及方法。根据滚齿过程不同时段的碳排放特性，基于卷积神经网络和动态离散事件系统规范构建了动态预测模型及动态仿真模型；搭建了滚齿加工过程碳效率数字孪生框架，动态预测模型和动态仿真模型作为虚拟模型被集成到其中；该模型能够实现滚齿过程碳排放的动态分析，为滚齿过程碳效率的实时动态优化提供支撑，帮助企业实现绿色制造。

2、本发明在提高滚齿加工过程碳排放预测准确性的同时，还能表达滚齿加工的实时状态和碳效率结果，操作人员在加工前可调用和查看模型的预测及仿真输结果，根据生产计划和加工条件，提前规划生产工艺安排和时间管理，从而提高滚齿的碳排放效率，保证企业的经济效益和社会环境效益。

3、本文利对传统DEVS(离散事件系统规范)进行扩展提出DDEVS，它利用1D-CNN(一维卷积神经网络)拟合动态参数对于滚齿实时功率的影响，对滚齿过程及其碳效率进行动态仿真。与反向传播神经网络、支持向量机回归以及极限学习机等传统算法相比，本文所用的模型有着更好的仿真精度，仿真结果表明该模型能有效反映滚齿的加工状态和碳效率等结果，为操作者规划生产工艺安排和时间管理提供有效指导，同时，该模型能够实现滚齿过程碳排放的动态分析，为后续实现动态预测做了准备工作。

附图说明

图1为本发明滚齿过程碳效率动态预测仿真系统的系统连接框图；

图2为本发明滚齿过程碳效率动态预测仿真方法中一维卷积神经网络模型的结构图；

图3为本发明滚齿过程碳效率动态预测仿真方法中离散事件系统规范模型的耦合流程图；

图4为本发明滚齿过程碳效率动态预测仿真方法中离散事件系统规范模型的运行机制图；

图5为本发明实施例一中单次滚齿碳排放动态仿真模型图；

图6为本发明实施例一中切削阶段碳排放量对比图；

图7为本发明实施例一中批次滚齿碳效率动态仿真模型图；

图8为本发明实施例一中批次滚齿碳效率仿真结果图；

图9为本发明实施例一中滚齿动态参数影响效果排序示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。

本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，除非上下文清楚地指明其它情况，否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件，并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

滚齿是一个复杂的齿轮加工工艺，具有众多的碳排放来源。一般而言，可将滚齿机床的运行过程分为启动-待机(Standby)-空载-切削-退刀等阶段，分别计算碳排放量。在机床启动后，操作者会对齿坯进行装夹，安装滚刀并进行对刀，然后在数控系统中选择或输入相应的程序代码，启动机床后，齿坯经历各加工时段，消耗一定的时间和物料，产生相应的碳排放，最终成形后被送去检验。

滚齿的碳排放来源包括能源(电能)、材料和设备。在待机时段中，机床的碳排放由电能消耗产生，与机床自身性能、所处环境条件等动态因素决定。其时间包括齿坯装夹、对刀以及输入数控程序所需时间等，受操作者的熟练程度影响。待机时段的碳排放如下式所示：

式中，EF

滚齿过程中的空切时段和退刀时段相对于整体时长而言，仅占极小部分时间，故可忽略不计，重点考虑切削时段产生的碳排放。

根据滚刀切入的程度分别建立碳排放模型，能有效提高预测的准确度，并对滚齿过程的实时状态进行描述。切削时段包括切入(Cutin)、完全切入(Fullcut)和切出(Cutout)三个连续过程。

在切削时段中，滚齿机床切除多余材料使齿轮成形，其碳排放包括电能消耗碳排放、切削液碳排放、刀具制备碳排放以及废料处理碳排放。三个过程的碳排放量均可通过功率对时间进行积分，利用碳排放因子计算获得。如下式所示：

式中，x＝cut-in,full-cut,cut-out，代表切削阶段的三个过程；T

表1碳排放相关参数

不同于车削或铣削加工，滚齿加工在实际工业生产中一般为多品种小批量生产，生产单个齿轮的时间较长，且一个批次生产中通常只对首个齿轮进行精度检测，难以采集大量的包含制造结果和精度结果的完整数据用以指导加工实践。基于仿真生成的数据是另一种获取数据的有效方法。仿真工具可用于表征制造系统的碳排放动态，帮助企业减少生产碳排放。因此本方案提出一种滚齿过程碳效率动态预测仿真系统和方法。

具体的，如附图1所示，本发明提供一种滚齿过程碳效率动态预测仿真系统，包括物理实体、孪生数据库和虚拟模型；

物理实体包括设备层和感知层，设备层包括对滚齿进行加工的各种设备，如机床、工件和刀具等，感知层用于对滚齿加工过程中设备层的动态参数进行采集和传输，具体的，感知层利用传感器、分析仪等装备对设备层的数据进行实时采集，将数据传输到计算机和采集终端处进行简单处理；为提高响应速率，减少时间延迟，采用边缘服务器对实时数据进行分析，历史数据则会在空闲时间传输至云端服务器中进行存储；

孪生数据库用于将感知层采集的数据输入到虚拟模型，接收来自于虚拟模型的仿真输出结果，并将该仿真输出结果发送给物理实体；

虚拟模型包括动态预测模型和动态仿真模型，动态预测模型用于根据孪生数据库的输入预测出实时输出功率，并输入到动态仿真模型，动态仿真模型用于根据各输入数据进行动态仿真并输出设定的滚齿加工状态结果到孪生数据库。具体的，虚拟模型对存储在孪生数据库中的机床、工件、工艺参数等动态参数的感知数据进行预处理，动态预测模型采用一维卷积神经网络将会进行特征提取并回归预测滚齿过程中的实时功率。之后，预测的实时功率数据将会同其他感知数据一同输入到动态仿真模型中进行仿真，并向孪生数据库中输出滚齿加工实时状态和碳效率等结果，用以作为服务数据。操作者可在正式加工前调用查看相关数据，了解生产加工的仿真过程和结果，提前规划生产工艺安排和时间管理，提高滚齿加工的碳排放效率，实现滚齿过程碳效率数字孪生模型虚拟模型向物理实体的映射。

另外，本发明还提供一种滚齿过程碳效率动态预测仿真方法，采用上述的滚齿过程碳效率动态预测仿真系统，包括以下步骤：

步骤1)感知层对滚齿加工过程中设备层的动态参数进行采集，并传输给孪生数据库；

步骤2)孪生数据库将感知层采集的数据输入到虚拟模型；

步骤3)动态预测模型根据孪生数据库的输入预测出实时输出功率，并输入到动态仿真模型，动态仿真模型根据各输入数据进行动态仿真并输出设定的滚齿加工状态结果到孪生数据库；

步骤4)孪生数据库接收来自于虚拟模型的仿真输出结果，并将该仿真输出结果发送给物理实体。

在本实施例中，面向滚齿加工质量，提出了质量碳效率、产量碳效率和利润碳效率，用以对滚齿过程的碳排放效益进行评价，质量碳效率定义为设计精度与实际加工精度的差值与生产该个齿轮产生的碳排放量之比，用以描述滚齿质量与碳排放量之间的关系。质量碳效率η

式中，滚齿的精度采用径向跳动F

C

产量碳效率，定义为该批次合格品数量与总加工时间与该次滚齿过程总碳排放量的乘积之比，用以描述该设备的滚齿加工效率与碳排放量之间的关系。产量碳效率η

式中，Q为合格滚齿数目，t

式中，m为不合格齿轮的重量。

利润碳效率，定义为滚齿产生的利润与碳排放量之比，用以描述滚齿增值与碳排放量之间的关系。利润碳效率η

式中，P表示滚齿工步产生的价值，C

式中，p

t

在本实施例中，步骤3)中，动态预测模型采用一维卷积神经网络模型(1D-CNN)，滚齿加工时，将实时采集的动态参数作为一维卷积神经网络模型的输入，已训练好的一维卷积神经网络模型根据各动态参数的值，回归预测并输出实时功率，且此次滚齿加工产生的数据将加入历史数据集，对一维卷积神经网络模型再次进行训练。

在本实施例中，一维卷积神经网络模型的训练方法为：一维卷积神经网络模型采用历史数据集的数据进行训练，通过采用一维卷积神经网络算法自动对历史数据集中滚齿加工的各动态参数进行特征提取，并构建滚齿加工过程实时功率的回归预测模型。

在本实施例中，步骤3)中，动态预测模型在对滚齿加工的实时功率进行预测之前，对实时采集的数据进行预处理，实时采集的数据包括定性数据和定量数据，对定性数据采用独热(One-Hot)编码的方式转换为定量数据，当一个特征存在N个可能的定性值时，将该特征扩展为N个由0与1表示的定量特征，比如对于机床型号，可使用‘10’表示机床YS3132CNC6，使用‘01’表示机床YS3140CNC6。同时对于定量数据，为防止量纲不同、数量级差距过大导致预测精度降低的问题，需要对数据进行归一化处理，将数据的维度特征值映射到[0,1]；

数据归一化处理的计算公式为：

式中：x′为归一化后的值，x为该定量数据的原始值，x

在本实施例中，如附图2所示，一维卷积神经网络模型包括输入层、一维卷积层、激活层、池化层、全连接层和输出层；

输入层用于数据输入；

一维卷积层用于对输入数据进行特征提取，按照设定的步长，在数据上不断滑动并进行卷积运算；

激活层利用线性整流函数(rectified linear unit,ReLU)加入非线性因素；

池化层用于对数据进行降维处理；池化层使得只有影响最大的特征被保留，实现对数据进行降维，防止过拟合；

全连接层用于对经过多次卷积和池化处理后的数据通过线性变换激活所有神经元，得到回归结果，并通过计算实时功率预测值与实时功率实际值的误差，将误差反向传播，利用随机梯度下降的方式不断调整一维卷积神经网络模型，达到设定要求后在输出层输出结果。

在本实施例中，一维卷积层进行卷积运算的公式为：

式中：Y

激活层利用线性整流函数加入非线性因数的计算公式为：

f(x)＝max(0,x)

式中：f(x)为激活后的输出函数，x为输入数据。

离散事件系统规范(Discrete event system specification,DEVS)是一种模块化、层次化的建模方法。DEVS通过连接系统组件来构建系统，能够表达动态系统，对离散或连续系统进行形式化描述，因此，在本实施例中，动态仿真模型采用离散事件系统规范模型，离散事件系统规范模型包括离散事件系统规范原子模型(Atomic DEVS)和离散事件系统规范耦合模型(Coupled DEVS)。

滚齿过程经历待机、切入、完全切入、切出四个连续阶段，可视为一个碳排放的连续系统。滚齿加工通常包括粗滚齿加工和精滚齿加工两次过程，且一个加工生产车间有不止一台滚齿机床进行加工，它们的滚齿过程碳效率可视为一个离散系统。因此，在本实施例中，对滚齿的各个加工过程分别设计对应的离散事件系统规范原子模型，然后将各个离散事件系统规范原子模型按照滚齿加工时间的先后顺序进行耦合，以构造滚齿加工过程的粗滚齿离散事件系统规范耦合模型和精滚齿离散事件系统规范耦合模型，粗滚齿离散事件系统规范耦合模型和精滚齿离散事件系统规范耦合模型又再次耦合，以得到单个离散事件系统规范耦合模型，最后再将多台设备的单个离散事件系统规范耦合模型进行耦合，得到滚齿加工全过程碳效率的离散事件系统规范耦合模型。由此自下而上构建出滚齿过程碳效率的DEVS动态仿真模型，输出滚齿加工过程的实时进程和加工结果。如附图3所示为离散事件系统规范模型的耦合流程图。

传统的DEVS原子模型由一个七元组表示，但其无法对动态变化的输入进行仿真。为实现将1D-CNN(一维卷积神经网络模型)对于动态变化的实时功率的拟合值作为输入进行仿真，本文对传统的DEVS进行扩展并提出了DDEVS，因此，在本具体实施例中，离散事件系统规范原子模型为：

A＝＜DI,X,Y,S,δ

式中，DI为外部动态输入集，DI＝{Pstandby,Pcutin,Pfullcut,Pcutout}，Pstandby,Pcutin,Pfullcut,Pcutout分别代表动态预测模型在滚齿加工的待机时段实时功率的拟合值、滚齿加工的切入段实时功率的拟合值、滚齿加工的完全切入时段实时功率的拟合值和滚齿加工的切出时段实时功率的拟合值；

X：外部输入事件集，X＝{batch,p,os}，其中，batch表示此次待加工滚齿批量，p表示当前时段的实时功率，由DI决定，os＝{gh,gc,gm}，gh,gc,gm分别代表滚刀、切削液和材料；

Y：外部输出事件集，Y＝{c,ec,t

S：系统状态集，S＝{ts,bn,am,qam,uam,c,ec,t

δ

δ

λ：输出函数，当系统发生内部事件或外部事件时，产生的向外输出的相关信息，当时段状态为空闲状态f时，统计并发送碳排放、持续时间和碳效率的信息；

t

在本实施例中，按照滚齿过程加工时段的先后顺序，可将加工时段原子模型按顺序进行连接，成为描述单个齿轮进行一次滚齿加工的滚齿过程耦合模型，以一个七元组的形式进行描述，故本方案的离散事件系统规范耦合模型为：

C＝

式中：D：内部离散事件系统规范原子模型成员名字集；

E

E

IC：内部耦合关系集，即内部各加工时段离散事件系统规范原子模型之间的连接关系；

select：选择函数，当离散事件系统规范耦合模型内部有多个成员同时发生状态变化时，确定状态变化的优先级从低到高依次为待机时段离散事件系统规范原子模型、切出时段离散事件系统规范原子模型、完全切入时段离散事件系统规范原子模型和切入时段离散事件系统规范原子模型。如附图4所示展示了离散事件系统规范模型的运行机制，其中虚线表示模型内部事件的转换机制，实线表示模型外部事件的转换关系。

与现有技术相比，本发明由于滚齿加工过程中的动态性，静态模型难以保证预测的准确性，且无法反映加工的实时状态，故本发明将数字孪生应用于滚齿加工过程，提出了一种基于数字孪生的滚齿过程碳效率动态预测及方法。根据滚齿过程不同时段的碳排放特性，基于卷积神经网络和动态离散事件系统规范构建了动态预测模型及动态仿真模型；搭建了滚齿加工过程碳效率数字孪生框架，动态预测模型和动态仿真模型作为虚拟模型被集成到其中；该模型能够实现滚齿过程碳排放的动态分析，为滚齿过程碳效率的实时动态优化提供支撑，帮助企业实现绿色制造。本发明在提高滚齿加工过程碳排放预测准确性的同时，还能表达滚齿加工的实时状态和碳效率结果，操作人员在加工前可调用和查看模型的预测及仿真输结果，根据生产计划和加工条件，提前规划生产工艺安排和时间管理，从而提高滚齿的碳排放效率，保证企业的经济效益和社会环境效益。本文利对传统DEVS(离散事件系统规范)进行扩展提出DDEVS，它利用1D-CNN(一维卷积神经网络)拟合动态参数对于滚齿实时功率的影响，对滚齿过程及其碳效率进行动态仿真。与反向传播神经网络、支持向量机回归以及极限学习机等传统算法相比，本文所用的模型有着更好的仿真精度，仿真结果表明该模型能有效反映滚齿的加工状态和碳效率等结果，为操作者规划生产工艺安排和时间管理提供有效指导，同时，该模型能够实现滚齿过程碳排放的动态分析，为后续实现动态预测做了准备工作。

实施例一：

下面以一个具体实施例为例来说明本发明的方法：

为验证本文提出的基于数字孪生的滚齿过程碳效率动态预测及方法的有效性，在某公司下的变速箱制造车间进行了实验和数据采集。该车间具有滚齿、插齿、磨齿、热处理等多台齿轮加工设备，其中共计有两台滚齿机床，型号分别为YS3132CNC6和YS3140CNC6。

根据该车间在2021年一年中含滚齿的加工订单，本文基于物联网共计采集了271组完整数据。首先从工厂的制造数据库中采集被加工齿轮、刀具等的信息。在数控系统中采集工艺参数。然后将钳式电流传感器和鳄鱼夹安装在滚齿机床的电箱之中，利用HIOKI3390功率分析仪分析并采集滚齿过程中的实时功率信号。在滚齿完成之后，利用WGT400齿轮测量中心进行精度检测。被采集的数据将通过以太网或WIFI传输至边缘服务器中进行分析和利用，实现碳效率的动态预测及仿真，产生仿真数据将用于指导操作者规划生产工艺安排和时间管理。

在滚齿加工过程中，有众多动态参数会对碳排放产生影响。利用主成分分析法(PCA)对数据进行处理，可排除工业生产中的噪声对于实时功率的影响，只保留重要的动态参数的属性。在本案例中，机床的动态属性由机床使用时长体现，环境的动态属性由加工过程环境温度体现，刀具的动态属性由其使用时长和材料体现，齿轮的动态属性由齿轮的材料、模数、齿数等体现，切削参数的动态属性由主轴转速和进给量体现。

本例使用1D-CNN模型(一维卷积神经网络模型)进行实时功率的仿真预测，将采集的271组数据中的随机54组作为测试集，其余数据作为训练集。采集的动态参数的数据在预处理后进入输入层，在卷积层1由5个核大小为3的卷积核进行卷积操作，并进行大小为2的最大池化。然后，数据在卷积层2通过10个核大小为3的卷积核进行卷积后，并再次进行大小为2的最大池化。输出与具有128个神经元的全连接层相连，通过两个大小分别为64和32的全连接层进行降维之后，在输出层实现对滚齿过程的实时功率的预测。

为体现本文所使用的1D-CNN模型(一维卷积神经网络模型)在滚齿过程中动态参数的影响下，对实时功率的预测效果仿真精度，本文将其预测结果与反向传播神经网络(BPNN)、极限学习机(ELM)、支持向量回归(SVR)等传统机器学习预测模型进行比较。各机器学习算法的参数如表2所示。

本文采用均方根误差(Root Mean Square Error，RMSE)、平均绝对误差(MeanAbsolute Error,MAE)、平均百分比误差(Mean Absolut Percentage Error,MAPE)和决定系数(R

式中，y

表3展示了各预测模型的效果

其中，RMSE、MAE和MAPE可用于评价模型预测值和监测值之间的偏差，三者的值越小，说明该模型对滚齿过程实时功率的预测效果越好，性能越稳定。决定系数R

动态预测模型无法直接描述滚齿过程的碳排放和碳效率结果，也无法直观描述滚齿过程的实时状态，故需要将预测结果和动态参数作为输入，利用动态仿真模型对其过程进行仿真并输出碳效率和实时加工状态等结果。

本文基于DEVS，采用CD++Builder建立动态仿真模型。图5展示了滚齿机床YS3132CNC6进行单次滚齿过程的动态仿真模型图。该模型具有批次Batch、功率P和其他资源Os共计3个输入接口，以及已加工工件总数am、合格齿轮数目qam、粗滚齿各时段的碳排放croustd,croucin,croufct,croucot、粗滚齿总碳排放crough、精滚齿各时段碳排放cfinstd,cfincin,cfinfct,cfinfct、精滚齿总碳排放cfinishing以及总碳排放ctotal等共计13个外部输出接口。该滚齿动态仿真模型分别利用待机、切入、完全切入和切出四个原子模型对粗滚齿和精滚齿的过程进行仿真，然后利用3个统计原子模型整合碳排放数据并发送到输出端口。

以WS2001-04372工件的滚齿过程为例进行仿真，表4展示了滚齿机床粗加工该零件的仿真参数(包括时间和废屑重量)：

粗加工的待机时间与操作者的熟练程度有关，本文根据调研情况采用其平均使用时长，其中机床YS3132CNC6的待机时间为300s，YS3140CNC6的待机时间为240s。

表5展示了滚齿机床精加工该零件的仿真参数(包括时间和废屑重量)：

精加工的待机时间与程序代码有关，其中机床YS3132CNC6的待机时间为8s，YS3140CNC6的待机时间为11s。其余时段的仿真时间由切削参数以及齿厚决定。各时段的功率取决于动态预测模型的预测结果。切削液的循环使用周期为83000s，切削液的循环使用量和废弃量均为13L，刀具寿命为112800s，重量为2.35kg。

基于YS3132CNC6对单次滚齿过程进行仿真，结果如表6所示：

表中展示的仿真结果展示了滚齿过程的实时工作状态和碳排放，比如在9分49秒到12分25秒这期间，正处于粗滚齿的完全切入阶段，该阶段一共产生了1.50963kgCO

图6展示了滚齿过程中各阶段的碳排放和总碳排放。可见，粗滚齿的碳排放量占据了总碳排放量的超过80％。一方面是因为粗滚齿进给量更小，虽然精滚齿的实时功率更高，但更长的加工时间导致在粗滚齿过程中产生了更多的电能消耗碳排放、切削液碳排放和刀具制备碳排放。另一方面是因为粗滚齿会切削掉更多的加工余量，产生的废料处理碳排放更多。另外，在切削的三个阶段中，由于完全切入这一阶段的时间更短，导致切入和切出产生的碳排放量都多于完全切入产生的碳排放量。

单次滚齿碳排放的动态仿真能帮助我们分析滚齿过程碳排放的情况，但想要兼顾经济效益与环境效益，还是需要对成批次的滚齿加工的碳效率进行仿真。

根据实际车间调研情况，设计了如图7所示的车间滚齿过程碳效率动态仿真模型图。我们将一次完整的滚齿过程拆分为粗滚齿和精滚齿两个耦合模型，并按照两台机床构建滚齿生产车间的碳效率动态仿真模型。该模型具有批次、功率、其他资源以及齿轮的径向跳动这4个输入端口，有加工齿轮数目，合格品数目，不合格品数目，总碳排放，产量碳效率，利润碳效率以及质量碳效率这7个输出端口。Buffer原子模型根据机床的运行状态将输入的加工批次分配给两台滚齿机床，中间四个耦合模型分别仿真两台机床的粗滚齿和精滚齿，最后由Statistic原子模型计算并输出结果。

同样以WS2001-04372工件的滚齿过程为例，将批量设置为9，图8展示了动态仿真的结果。

图8(a)展示了该批次加工齿轮的总数目、合格齿轮数目以及不合格齿轮数目的情况。该批次共九个工件，第一个工件在00：23：09加工完成，最后一个工件在01：55：45加工完成。中间没有产生不合格品。根据加工工件数目的仿真数据，操作者可在工件加工的时候去对另外的机器进行操作，直到加工完成之前再返回该机床进行操作。

图8(b)展示了该批次齿轮加工产生的碳排放累积变化情况。加工该批次的工件，一共产生了59.97089kgCO

图8(c)(d)(e)展示了该批次齿轮加工的碳效率变化情况，分别是质量碳效率、产量碳效率和利润碳效率。质量碳效率与被加工齿轮的精度有关，可以看到第1、5、7个齿轮的径向跳动更大，导致质量碳效率更低，这三个齿轮均是由机床YS3140CNC6加工，操作者可查看滚刀的情况并进行一定调整。产量碳效率与加工时间有关，由于机床YS3140CNC6的操作者熟练度更高，待机时段的时间更少，故产量碳效率要高于机床YS3140CNS6的产量碳效率。利润碳效率与合格率有关，尽管由于累计碳排放量的影响下出现了波动，但可以发现随着批次加工齿轮数目的不断增加，利润碳效率逐渐平稳在一个较高的值。想要利润碳效率不出现下跌的情况，就需要与质量碳效率相结合，在出现不合格品之前及时对加工工艺进行调整，保证加工的顺利进行。

基于动态仿真系统的输出结果，可使操作者预知该批次齿轮的加工过程和结果，合理分配操作时间，提前调整加工工艺或更换滚刀，保证生产的顺利进行，减少CO

在滚齿加工过程中，动态参数的变化会对碳排放和碳效率产生影响。这些动态参数来源于机床、刀具、工件、环境以及工艺参数等，各自对碳排放以及碳效率具备不同的影响效果。当滚齿过程碳效率数字孪生模型的虚拟模型的输出结果无法达到要求的时候，就需要操作者对滚齿过程的动态参数进行针对性优化，改进加工，从而获得令人满意的滚齿结果。

基于灰色关联分析法(GRA)，我们获得了各动态参数对于碳排放和碳效率的影响效果排序，如图9所示。

图9(a)展示了动态参数与碳排放的关联度，依次为模数、齿数、齿轮宽度、粗加工主轴转速、精加工主轴转速、粗加工进给量、精加工进给量、滚刀加工齿轮数目、齿轮材料、待机时长、环境温度、机床使用时长和滚刀材料。可见，齿轮本身的参数与碳排放量的关联度最高，其次四个滚齿参数，这也可以很好解释为什么在静态模型中，研究者们专注于工艺参数对碳排放的影响。当滚齿过程产生的碳排放量过大时，齿轮本身的参数无法更改，那么最佳的优化方案就是对滚齿参数进行优化。至于后面的动态参数，由于关联度较低，在优化滚齿参数后，可根据优化结果决定是否优化。

图9(b)展示了动态参数与质量碳效率的关联度，依次为模数、齿数、齿轮宽度、精加工进给量、滚刀加工齿轮数目、粗加工进给量、精加工主轴转速、粗加工主轴转速、齿轮材料、滚刀材料、环境温度、待机时长和机床使用时长。质量碳效率与齿轮加工精度和碳排放量有关，齿轮本身的参数依旧拥有最高的关联度。在滚齿参数之中，夹杂着滚刀加工齿轮数目，说明滚刀的磨损程度和滚齿参数都对齿轮的加工精度有着巨大影响。当改变滚齿参数后依旧无法获得满意效果时，需要考虑更换新的滚刀。另外，齿轮和滚刀的材料也对质量碳效率有一定影响。

图9(c)展示了动态参数与产量碳效率的关联度，依次为齿轮宽度、粗加工进给量、待机时长、模数、精加工进给量、齿数、粗加工主轴转速、精加工主轴转速、滚刀加工齿轮数目、齿轮材料、滚刀材料、环境温度和机床使用时长。产量碳效率主要与加工时间和碳排放量有关，与加工质量有一定关系(要求合格)。此次结果与之前两个结果差距较大，主要来源于各动态参数对于加工时间的影响，比如齿轮宽度和进给量以及待机时间。后续几个关联度较大的参数则是影响碳排放量，如滚齿参数和齿轮参数等。当产量碳效率不能满足要求时，可以优先更改进给量，或是加强操作者的熟练度，减少待机时长。

图9(d)展示了动态参数与利润碳效率的关联度，依次为模数、精加工进给量、精加工主轴转速、齿轮宽度、齿数、粗加工进给量、粗加工主轴转速、滚刀加工齿轮数目、齿轮材料、滚刀材料、待机时长、环境温度和机床使用时长。利润碳效率与成本、碳排放量有关，与加工质量也有一定关系，当有齿轮不合格时，会严重拉低利润碳效率。当利润碳效率降低时，应优先对滚齿参数进行优化，尤其是精滚齿时的滚齿参数。然后根据情况再次进行预测仿真，决定是否更换新的刀具。

灰色关联分析法虽然无法提供动态因素与碳排放量或碳效率的具体相关情况，但根据关联度可以为操作者提供优化的优先级，也为下一步滚齿过程碳效率数字孪生模型的动态优化提供方向。

最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。