近年来，数字孪生等新兴技术在制造领域中的应用研究受到了广泛重视，在全球工业智能化转型的背景下，数字孪生成为智能制造领域的热门话题，并且在数控机床领域具有广阔的应用前景。数字孪生体被定义为模拟单个或一组物理实体的结构、联系和行为的虚拟镜像，其在整个生命周期中使用来自物理孪生的数据进行动态更新，能够有效解决智能制造的信息物理融合难题，可以通过实时数据和算法模型来模拟、验证、预测和控制物理实体的整个生命周期，并提供决策性信息。然而，如何将数字孪生技术实现落地应用仍然是近年来的重要问题。

机床的颤振是影响加工精度和工件质量的重要因素，然而，精密加工中的颤振预测及其特征分析仍然有待解决。针对上述问题，清华大学深圳国际研究生院先进制造团队的王晓浩、冯平法、张旻、冯峰等教师展开了一系列数字孪生技术助力数控机床领域发展的研究工作。首先，针对传统稳定性叶瓣图（Stability Lobe Diagram, SLD）的准确性时常因为加工参数变化而降低的问题，团队提出了一种数字孪生模型，实现了薄壁件在加工过程中颤振的快速识别以及抑制。数字孪生模型由三个部分组成：物理机床及其加工过程、对应的孪生体和两者之间的数据传输。在加工过程中，切削力、主轴振动、切削噪音等传感器信号和转速、进给、切深等数控系统设定参数通过有线的方式传输至孪生体。在孪生体中，颤振识别和优化模型对上述数据进行分析，计算出可抑制颤振发生的加工参数并反馈指导机床加工。

图1.薄壁件加工过程的数字孪生体框架

在参数优化子模型中，根据基于实时刀具和工件模态参数构建的实时动态叶瓣图，可以实时得出有效的抑制颤振的加工参数，与传统的基于静态叶瓣图的抑制颤振的方法相比，该基于动态叶瓣图的做法更能反映真实的加工情况，因此具有更好的抑制性能。经实验验证，该数字孪生模型比传统的静态稳定性叶瓣图方法能够更有效地预测和抑制颤振。上述研究成果以“数字孪生驱动的薄壁件加工过程中的颤振抑制”（Digital modeling-driven chatter suppression for thin-walled part manufacturing）为题发表在先进制造技术领域期刊《智能制造》（Journal of Intelligent Manufacturing）上。该论文的共同第一作者为深圳国际研究生院2019级博士生周果和2021级博士生周凯，通讯作者为张旻副研究员和冯峰副教授。

图2.数字孪生模型的颤振抑制算法框架

另外，先进制造团队还针对机床颤振的数字孪生技术提出了一种新型的颤振量化算法，并使用该算法对端铣的工件表面进行了系统分析，从图像中提取两类量化参数。根据参数值可以将加工状态分为稳定、强迫振动和颤振加工等类型，并进一步将颤振的剧烈程度划分成四个等级。该研究不同于前人普遍采用的仅识别颤振的“发生”或者“未发生”的二值化思维方式，而是更加关注颤振“剧烈程度”的演变。该研究思路基于实验中发现的颤振存在的演化过程，采用分级的方式衡量颤振的剧烈程度，以利于对颤振的机理分析，从而进一步完善颤振的理论模型。论文所提出的算法具有良好的颤振量化性能，并基于此开发了视觉模块可进一步应用于数字孪生系统中。该研究成果以“一种基于表面分析的颤振量化和铣削不稳定性分类新算法”（A new algorithm for chatter quantification and milling instability classification based on surface analysis）为题发表于先进制造技术领域期刊《机械系统和信号处理》（Mechanical Systems and Signal Processing）上。该论文的共同第一作者为深圳国际研究生院2019级博士生周果和2020级硕士生袁梦，通讯作者为冯峰副教授和张旻副研究员。

图3.可用于数字孪生模型的颤振分级算法流程图

先进制造团队开展的上述研究工作面向数字孪生的制造装备状态追踪预测技术，有望实现集加工过程可视化、健康状态监测模型、加工质量预测与控制模型、安全控制模型于一体的制造装备实时状态追踪预测系统，从而使数控机床具备更高的生产效率、加工精度、安全性以及更低的生产成本，推动智能制造装备的发展。上述两项研究得到国家自然科学基金、广东省自然科学基金和深圳市高等院校稳定支持重点项目的支持。