根据密歇根大学研究人员在IEEEAccess上发表的一项研究，一种新方法使用数字孪生来优化制造机器速度(称为进给率)，同时遵守质量限制。

密歇根大学机械工程和集成系统与设计教授、该研究的通讯作者ChinedumOkwudire表示：“这项工作的灵感源自我加入密歇根大学之前在制造自动化行业的经历。”

Okwudire注意到，制造商要么花费大量时间通过反复试验来微调机器设置，要么选择保守的方法，在保证质量的同时牺牲了生产力潜力。

“我想知道，我们能否将这个问题纳入一个科学框架中，然后能够为机器提供质量约束，并让它自行找到最佳的生产力设置，”Okwudire说。

该算法实现了这一目标，通过对该方法的实验测试，将3轴台式CNC机床的循环时间(或生产一个单位输出所需的时间)减少了38%，将桌面3D打印机减少了17%。

“这些在制造业中是巨大的数字。对于38%的周期时间缩短，每生产三个零件，您现在可以在相同的时间内生产四个零件。当您考虑循环使用数千个零件时，这是相当重要的，”奥克乌迪尔说道。

该模型广泛适用于任何使用进给驱动器(或将材料运送到切削刀具的工具)的制造环境，包括铣削、3D打印和机器人。

研究人员使用数字孪生开发了该方法，数字孪生是一种模拟真实系统行为的虚拟模型，基于机器的物理原理和从传感器实时收集的数据。

物理学第一原理还有很长的路要走，但利用实时数据和机器学习弥补了物理学无法预测的缺点，例如机器所处的特定环境引起的变化。

该框架的另一个关键改进是处理不确定性的能力。研究人员对数字孪生进行了编程，使其能够意识到不确定性——在本例中，即生产超出质量阈值的零件的可能性。该算法能够决定在给定质量严格性的情况下可以达到多少速度。

喜欢更积极方法的制造商可能会设定严格要求，允许生产的零件中有5%不符合质量阈值，以实现更快的速度。更愿意规避风险的制造商可能会将算法设置为仅允许0.1%的零件不符合质量标准。

“模型中添加的不确定性意识反映了人们如何使用机器。风险总是存在的，但并不是每个人都有相同的风险承受能力或严格程度，”Okwudire说。

研究人员承认，为了提高算法的计算效率，他们对不确定性的统计正态性做出了一些假设，这些假设可能不适用于某些用途。

密歇根大学机械工程博士研究生、该研究的第一作者HeejinKim表示：“我们非常高兴能够通过纳入复杂的不确定性分布将我们的工作扩展到其他应用。”

密歇根大学的RaelAlKontar是另一位合著者。