CN110705080A - 一种数字孪生模型精准组装方法及装置 - Google Patents
一种数字孪生模型精准组装方法及装置 Download PDFInfo
- Publication number
- CN110705080A CN110705080A CN201910910951.5A CN201910910951A CN110705080A CN 110705080 A CN110705080 A CN 110705080A CN 201910910951 A CN201910910951 A CN 201910910951A CN 110705080 A CN110705080 A CN 110705080A
- Authority
- CN
- China
- Prior art keywords
- model
- submodel
- quality evaluation
- quality
- digital twin
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数字孪生模型精准组装方法及装置,该方法针对数字孪生系统仿真预测中的模型组装问题,包括:设计数字孪生系统模型分解模块,系统模型是针对某个仿真预测任务而建立的模型的统称,该模块从串联、并联、选择三个方面完成系统模型的功能分解;设计数字孪生子模型质量评估模块,子模型由系统模型功能分解而来,该模块首先建立子模型质量评估矩阵,然后对子模型质量评估矩阵进行归一化处理,最后完成子模型的质量计算;设计数字孪生模型组装模块,该模块基于各子模型的质量完成子模型之间的组装。本发明从模型分解、模型质量评估以及模型组装三个角度出发,能够在一定程度上提高数字孪生系统中模型组装的精准性。
Description
技术领域
本发明属于电子工程和计算机科学领域,具体涉及一种数字孪生模型精准组装方法及装置。
背景技术
当前数字孪生与智能制造联系的愈发紧密,数字孪生技术的应用不仅能够更加真实客观的以一种三维可视化的方式反应物理制造过程,同时基于虚拟模型的仿真预测能够更为精准的对实际制造过程进行模拟、故障预判等。实际制造产线的仿真需要不同物理单元的组合联动,每一种物理单元在虚拟场景中即是一种模型,故整条产线的仿真预测需要多个不同模型的组合/组装,同时对于产线中每一个单元,可能存在多个设备均能实现相同的功能,那么就需要根据用户的预期对每一种设备进行质量计算、筛选,以求整体模型的最优。为此,本发明公开了一种数字孪生模型精准组装方法,该方法从模型分解、模型质量评估以及模型组装三个角度出发,能够在一定程度上提高数字孪生系统中模型组装的精准性。
发明内容
本发明要解决的技术问题为:提供一种数字孪生模型精准组装方法及装置,该方法涵盖了数字孪生系统模型分解模块设计、数字孪生子模型质量评估模块设计、数字孪生模型组装模块设计,能够在一定程度上提高数字孪生系统中模型组装的精准性。
本发明解决其技术问题是采取以下技术方案实现的:一种数字孪生模型精准组装方法,包括:
步骤(1)、设计数字孪生系统模型分解模块,系统模型是针对某个仿真预测任务而建立的模型的统称,具体实现如下:
(1.1)定义M表示系统模型,M表示为完成某个仿真预测任务而建立的模型的统称,M能被分解为M={m1,m2,m3,...,mj,...,mn},其中mj表示M的第j个子模型,j=1,2,3,...,n,n为分解的子模型数量;
(1.2)数字孪生系统中的虚拟模型对物理实体进行仿真预测,对于实际的产线,包括各个不同的设备,这些设备在工艺上既存在彼此依赖的情况,也存在彼此独立的情况,故对步骤(1.1)中的系统模型M从串联、并联、选择三个方面进行分类;首先定义M'表示M中的某一些子模型的组合,针对串联的情况,即mj的输入和输出分别最多只能与一个其它的子模型相互连接,表示为:M'={mj,mj+1,mj+2},mj、mj+1、mj+2之间是串联的关系;针对并联的情况,即mj的输出需要同时经过多个其它子模型才能到达另一个子模型,表示为M'={mj,mj+1&&mj+2,mj+3},mj+1、mj+2之间是并联的关系,其中&&符号是一种数学运算符,表示并联,mj是mj+1、mj+2共同的输入,mj+1、mj+2的输出都连接到mj+3;针对选择的情况,即mj的输出只需经过多个其它子模型中的一个就能到达另一个子模型,表示为M'={mj,mj+1||mj+2,mj+3},其中||符号是一种数学运算符,表示两者任选其一,mj的输出只需要经过mj+1、mj+2中的任意一个即能够到达mj+3,mj+1、mj+2之间是选择的关系;
步骤(2)、设计数字孪生子模型质量评估模块,子模型由系统模型功能分解而来,该质量评估模块首先建立子模型质量评估矩阵,然后对子模型质量评估矩阵进行归一化处理,最后完成子模型的质量计算,具体实现如下:
(2.1)针对(1)中的系统模型M={m1,m2,m3,...,mj,...,mn},子模型mj是一个具备特定/预定功能的模型,如某工件一系列加工工艺中的车铣模型,在实际的产线中,能够实现mj功能的模型有多个,如不同厂家不同性能的铣床模型,定义这些模型为原子模型,即每一个原子模型均能实现子模型mj的功能,有其中表示为能够实现mj功能的第i个原子模型,i=1,2,3,...,k,k为原子模型数量;
(2.2)针对步骤(2.1)中的子模型mj,需要从k个原子模型中选取一个最适合的原子模型来实现子模型mj的功能,为此,定义原子模型的质量评估参数其中t为原子模型质量评估参数的个数,则子模型mj的质量评估矩阵表示为:
(2.3)质量评估参数包括正相关和负相关两大类,对于正相关的情况,质量评估参数越大,其质量越好;对于负相关的情况,质量评估参数越大,其质量越劣;在子模型mj的质量评估矩阵中,对于同时存在正相关和负相关质量评估参数的情况,需要对其进行归一化处理;假定质量评估矩阵中的最大值为最小值为则:
(2.4)设子模型mj的质量评估权重为其中且质量评估权重的个数与质量评估参数的个数一致,不同的权重代表着质量评估参数重要程度的不同;将与相乘得到子模型mj的质量矩阵记 是子模型mj的理想质量,也即选取第i个原子模型来实现子模型mj的功能;
步骤(3)、设计数字孪生模型组装模块,该模块基于各子模型的质量完成子模型之间的组装,具体实现如下:
(3.1)针对步骤(1)中的模型串联情况,即M'={mj,mj+1,mj+2},分别选取与mj、mj+1、mj+2相对应的质量最大的原子模型来实现mj、mj+1、mj+2的功能,此时串联链路上的每个模型的质量均是最大,故此种模型组装效果最优;
(3.2)针对步骤(1)中的模型并联情况,即M'={mj,mj+1&&mj+2,mj+3},分别选取与mj、mj+1、mj+2、mj+3相对应的质量最大的原子模型来实现mj、mj+1、mj+2、mj+3的功能,此时并联链路上的每个模型的质量均是最大,故此种模型组装效果最优;
(3.3)针对步骤(1)中的模型选择情况,即M'={mj,mj+1||mj+2,mj+3},分别选取与mj、mj+3相对应的质量最大的原子模型来实现mj、mj+3的功能,然后比较分别与mj+1、mj+2相对应的原子模型的质量大小,并选取最大的那个作为桥接在mj和mj+3中间的子模型,此时选择链路上的每个模型的质量均是最大,故此种模型组装效果最优。
根据本发明的另一方面,提出一种数字孪生模型精准组装装置,包括:
数字孪生系统模型分解模块,系统模型是针对某个仿真预测任务而建立的模型的统称,具体实现如下:
定义M表示系统模型,M表示为完成某个仿真预测任务而建立的模型的统称,M能被分解为M={m1,m2,m3,...,mj,...,mn},其中mj表示M的第j个子模型,j=1,2,3,...,n,n为分解的子模型数量;
数字孪生系统中的虚拟模型对物理实体进行仿真预测,对于实际的产线,包括各个不同的设备,这些设备在工艺上既存在彼此依赖的情况,也存在彼此独立的情况,故对步骤(1.1)中的系统模型M从串联、并联、选择三个方面进行分类;首先定义M'表示M中的某一些子模型的组合,针对串联的情况,即mj的输入和输出分别最多只能与一个其它的子模型相互连接,表示为:M'={mj,mj+1,mj+2},mj、mj+1、mj+2之间是串联的关系;针对并联的情况,即mj的输出需要同时经过多个其它子模型才能到达另一个子模型,表示为M'={mj,mj+1&&mj+2,mj+3},mj+1、mj+2之间是并联的关系,其中&&符号是一种数学运算符,表示并联,mj是mj+1、mj+2共同的输入,mj+1、mj+2的输出都连接到mj+3;针对选择的情况,即mj的输出只需经过多个其它子模型中的一个就能到达另一个子模型,表示为M'={mj,mj+1||mj+2,mj+3},其中||符号是一种数学运算符,表示两者任选其一,mj的输出只需要经过mj+1、mj+2中的任意一个即能够到达mj+3,mj+1、mj+2之间是选择的关系;
数字孪生子模型质量评估模块,子模型由系统模型功能分解而来,该质量评估模块首先建立子模型质量评估矩阵,然后对子模型质量评估矩阵进行归一化处理,最后完成子模型的质量计算,具体实现如下:
针对系统模型M={m1,m2,m3,...,mj,...,mn},子模型mj是一个具备特定/预定功能的模型,如某工件一系列加工工艺中的车铣模型,在实际的产线中,能够实现mj功能的模型有多个,如不同厂家不同性能的铣床模型,定义这些模型为原子模型,即每一个原子模型均能实现子模型mj的功能,有其中表示为能够实现mj功能的第i个原子模型,i=1,2,3,...,k,k为原子模型数量;
质量评估参数包括正相关和负相关两大类,对于正相关的情况,质量评估参数越大,其质量越好;对于负相关的情况,质量评估参数越大,其质量越劣;在子模型mj的质量评估矩阵中,对于同时存在正相关和负相关质量评估参数的情况,需要对其进行归一化处理;假定质量评估矩阵中的最大值为最小值为则:
对于子模型mj的质量评估矩阵中的正相关质量评估参数的归一化处理如下,即:
设子模型mj的质量评估权重为其中且质量评估权重的个数与质量评估参数的个数一致,不同的权重代表着质量评估参数重要程度的不同;将与相乘得到子模型mj的质量矩阵记则是子模型mj的理想质量,也即选取第i个原子模型来实现子模型mj的功能;
数字孪生模型组装模块,该模块基于各子模型的质量完成子模型之间的组装,具体实现如下:
针对数字孪生系统模型分解模块中的模型串联情况,即M'={mj,mj+1,mj+2},分别选取与mj、mj+1、mj+2相对应的质量最大的原子模型来实现mj、mj+1、mj+2的功能,此时串联链路上的每个模型的质量均是最大,故此种模型组装效果最优;
针对数字孪生系统模型分解模块中的模型并联情况,即M'={mj,mj+1&&mj+2,mj+3},分别选取与mj、mj+1、mj+2、mj+3相对应的质量最大的原子模型来实现mj、mj+1、mj+2、mj+3的功能,此时并联链路上的每个模型的质量均是最大,故此种模型组装效果最优;
针对数字孪生系统模型分解模块中的模型选择情况,即M'={mj,mj+1||mj+2,mj+3},分别选取与mj、mj+3相对应的质量最大的原子模型来实现mj、mj+3的功能,然后比较分别与mj+1、mj+2相对应的原子模型的质量大小,并选取最大的那个作为桥接在mj和mj+3中间的子模型,此时选择链路上的每个模型的质量均是最大,故此种模型组装效果最优。
本发明与现有技术相比的优点在于:
(1)结合数字孪生系统在产线仿真预测中的实际情况,从串联、并联、选择三个方面设计模型的分解;
(2)建立了数字孪生模型质量评估矩阵,并对质量评估矩阵进行了归一化处理,从数学角度分析了模型的评估方法,最后基于质量最优原则设计模型组装规则,能够在一定程度上提高数字孪生系统中模型组装的精准性。
附图说明
图1为本发明的结构框图。
具体实施方式
下面结合附图对本发明做进一步详细的描述。
本发明涉及一种数字孪生模型精准组装方法。数字孪生技术能够通过对真实世界中的对象(如车间中的设备)进行刻画,使其反应在虚拟空间中,所以真实世界中的设备与虚拟空间中的设备就形成了一个实、一个虚的孪生体。为了更加精准的刻画真实世界中设备,传统的单纯数学建模或三维外形建模方法存在一定的局限性,数字孪生模型不仅包括真实设备的几何参数,还包括设备的物理属性、行为规则等工艺属性。基于数字孪生的制造过程仿真预测已成为国内外研究热点,实际制造产线的仿真需要不同物理单元的组合联动,每一种物理单元在虚拟场景中即是一种模型,故整条产线的仿真预测需要多个不同模型的组合/组装,同时对于产线中每一个单元,可能存在多个设备均能实现相同的功能,那么就需要根据用户的预期对每一种设备进行质量计算、筛选,以求整体模型的最优。本发明公开的方法包括数字孪生系统模型分解模块设计、数字孪生子模型质量评估模块设计、数字孪生模型组装模块设计,能够在一定程度上提高数字孪生系统中模型组装的精准性。
本发明的系统结构框图如图1所示,具体实施方式如下:
(1)参见图1中的数字孪生系统模型分解模块1,系统模型是针对某个仿真预测任务而建立的模型的统称,具体实现如下:
步骤①定义M表示系统模型,M表示为完成某个仿真预测任务而建立的模型的统称,M可分解为M={m1,m2,m3,...,mj,...,mn},其中mj表示M的第j个子模型,j=1,2,3,...,n,n为分解的子模型数量;
步骤②数字孪生系统中的使能技术之一即是虚拟模型对物理实体的仿真预测,如对车间产线的仿真预测,实际的产线包括各个不同的设备,这些设备在工艺上既存在彼此依赖的情况,也存在彼此独立的情况,故对步骤①中的系统模型M从串联、并联、选择三个方面进行分类。首先定义M'表示M中的某一些子模型的组合,针对串联的情况,即mj的输入和输出分别最多只能与一个其它的子模型相互连接,如M'={mj,mj+1,mj+2},mj、mj+1、mj+2之间是串联的关系;针对并联的情况,即mj的输出需要同时经过多个其它子模型才能到达另一个子模型,如M'={mj,mj+1&&mj+2,mj+3},mj+1、mj+2之间是并联的关系,其中&&符号是一种数学运算符,表示并联,mj是mj+1、mj+2共同的输入,mj+1、mj+2的输出都连接到mj+3;针对选择的情况,即mj的输出只需经过多个其它子模型中的一个就能到达另一个子模型,如M'={mj,mj+1||mj+2,mj+3},其中||符号是一种数学运算符,表示两者任选其一,mj的输出只需要经过mj+1、mj+2中的任意一个即可到达mj+3,mj+1、mj+2之间是选择的关系;
(2)参见图1中的数字孪生子模型质量评估模块2,子模型由系统模型功能分解而来,该模块首先建立子模型质量评估矩阵,然后对子模型质量评估矩阵进行归一化处理,最后完成子模型的质量计算,具体实现如下:
步骤①针对步骤(1)中的M={m1,m2,m3,...,mj,...,mn},子模型mj是一个具备特定/预定功能的模型,如某工件一系列加工工艺中的车铣模型,在实际的产线中,能够实现mj功能的模型有很多,如不同厂家不同性能的铣床模型,定义这些模型为原子模型,即每一个原子模型均能实现子模型mj的功能,有其中表示为能够实现mj功能的第i个原子模型,i=1,2,3,...,k,k为原子模型数量。
步骤②针对①中的子模型mj,需要从k个原子模型中选取一个最适合的原子模型来实现子模型mj的功能,为此,定义原子模型的质量评估参数其中t为原子模型质量评估参数的个数,则子模型mj的质量评估矩阵可表示为:
步骤③质量评估参数包括正相关和负相关两大类,对于正相关的情况,质量评估参数越大,其质量越好;对于负相关的情况,质量评估参数越大,其质量越劣;在子模型mj的质量评估矩阵中,对于同时存在正相关和负相关质量评估参数的情况,需要对其进行归一化处理。假定质量评估矩阵中的最大值为最小值为则:
步骤④设子模型mj的质量评估权重为其中且质量评估权重的个数与质量评估参数的个数一致,不同的权重代表着质量评估参数重要程度的不同;将与相乘得到子模型mj的质量矩阵记则是子模型mj的理想质量,也即选取第i个原子模型来实现子模型mj的功能;
(3)参见图1中的数字孪生模型组装模块3,该模块基于各子模型的质量完成子模型之间的组装,具体实现如下:
①针对步骤(1)中的模型串联情况,即M'={mj,mj+1,mj+2},分别选取与mj、mj+1、mj+2相对应的质量最大的原子模型来实现mj、mj+1、mj+2的功能,此时串联链路上的每个模型的质量均是最大,故此种模型组装效果最优;
②针对步骤(1)中的模型并联情况,即M'={mj,mj+1&&mj+2,mj+3},分别选取与mj、mj+1、mj+2、mj+3相对应的质量最大的原子模型来实现mj、mj+1、mj+2、mj+3的功能,此时并联链路上的每个模型的质量均是最大,故此种模型组装效果最优;
③针对步骤(1)中的模型选择情况,即M'={mj,mj+1||mj+2,mj+3},分别选取与mj、mj+3相对应的质量最大的原子模型来实现mj、mj+3的功能,然后比较分别与mj+1、mj+2相对应的原子模型的质量大小,并选取最大的那个作为桥接在mj和mj+3中间的子模型,此时选择链路上的每个模型的质量均是最大,故此种模型组装效果最优。
综上所述,本发明公开了一种数字孪生模型精准组装方法及装置,包括数字孪生系统模型分解模块设计、数字孪生子模型质量评估模块设计、数字孪生模型组装模块设计,从模型分解、模型质量评估以及模型组装三个角度出发,能够在一定程度上提高数字孪生系统中模型组装的精准性。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种数字孪生模型精准组装方法,其特征在于,包括:
步骤(1)、设计数字孪生系统模型分解模块,系统模型是针对某个仿真预测任务而建立的模型的统称,具体实现如下:
(1.1)定义M表示系统模型,M表示为完成某个仿真预测任务而建立的模型的统称,M能被分解为M={m1,m2,m3,...,mj,...,mn},其中mj表示M的第j个子模型,j=1,2,3,...,n,n为分解的子模型数量;
(1.2)数字孪生系统中的虚拟模型对物理实体进行仿真预测,对于实际的产线,包括各个不同的设备,这些设备在工艺上既存在彼此依赖的情况,也存在彼此独立的情况,故对步骤(1.1)中的系统模型M从串联、并联、选择三个方面进行分类;首先定义M'表示M中的某一些子模型的组合,针对串联的情况,即mj的输入和输出分别最多只能与一个其它的子模型相互连接,表示为:M'={mj,mj+1,mj+2},mj、mj+1、mj+2之间是串联的关系;针对并联的情况,即mj的输出需要同时经过多个其它子模型才能到达另一个子模型,表示为M'={mj,mj+1&&mj+2,mj+3},mj+1、mj+2之间是并联的关系,其中&&符号是一种数学运算符,表示并联,mj是mj+1、mj+2共同的输入,mj+1、mj+2的输出都连接到mj+3;针对选择的情况,即mj的输出只需经过多个其它子模型中的一个就能到达另一个子模型,表示为M'={mj,mj+1||mj+2,mj+3},其中||符号是一种数学运算符,表示两者任选其一,mj的输出只需要经过mj+1、mj+2中的任意一个即能够到达mj+3,mj+1、mj+2之间是选择的关系;
步骤(2)、设计数字孪生子模型质量评估模块,子模型由系统模型功能分解而来,该质量评估模块首先建立子模型质量评估矩阵,然后对子模型质量评估矩阵进行归一化处理,最后完成子模型的质量计算,具体实现如下:
(2.1)针对(1)中的系统模型M={m1,m2,m3,...,mj,...,mn},子模型mj是一个具备预定功能的模型,在实际的产线中,能够实现mj功能的模型有多个,定义这些模型为原子模型,即每一个原子模型均能实现子模型mj的功能,有其中表示为能够实现mj功能的第i个原子模型,i=1,2,3,...,k,k为原子模型数量;
(2.2)针对步骤(2.1)中的子模型mj,需要从k个原子模型中选取一个最适合的原子模型来实现子模型mj的功能,为此,定义原子模型的质量评估参数其中t为原子模型质量评估参数的个数,则子模型mj的质量评估矩阵表示为:
(2.3)质量评估参数包括正相关和负相关两大类,对于正相关的情况,质量评估参数越大,其质量越好;对于负相关的情况,质量评估参数越大,其质量越劣;在子模型mj的质量评估矩阵中,对于同时存在正相关和负相关质量评估参数的情况,需要对其进行归一化处理;假定质量评估矩阵中的最大值为最小值为则:
(2.4)设子模型mj的质量评估权重为其中且质量评估权重的个数与质量评估参数的个数一致,不同的权重代表着质量评估参数重要程度的不同;将与相乘得到子模型mj的质量矩阵记则是子模型mj的理想质量,也即选取第i个原子模型来实现子模型mj的功能;
步骤(3)、设计数字孪生模型组装模块,该模块基于各子模型的质量完成子模型之间的组装,具体实现如下:
(3.1)针对步骤(1)中的模型串联情况,即M'={mj,mj+1,mj+2},分别选取与mj、mj+1、mj+2相对应的质量最大的原子模型来实现mj、mj+1、mj+2的功能,此时串联链路上的每个模型的质量均是最大,故此种模型组装效果最优;
(3.2)针对步骤(1)中的模型并联情况,即M'={mj,mj+1&&mj+2,mj+3},分别选取与mj、mj+1、mj+2、mj+3相对应的质量最大的原子模型来实现mj、mj+1、mj+2、mj+3的功能,此时并联链路上的每个模型的质量均是最大,故此种模型组装效果最优;
(3.3)针对步骤(1)中的模型选择情况,即M'={mj,mj+1||mj+2,mj+3},分别选取与mj、mj+3相对应的质量最大的原子模型来实现mj、mj+3的功能,然后比较分别与mj+1、mj+2相对应的原子模型的质量大小,并选取最大的那个作为桥接在mj和mj+3中间的子模型,此时选择链路上的每个模型的质量均是最大,故此种模型组装效果最优。
2.一种数字孪生模型精准组装装置,其特征在于,包括:
数字孪生系统模型分解模块,系统模型是针对某个仿真预测任务而建立的模型的统称,具体实现如下:
定义M表示系统模型,M表示为完成某个仿真预测任务而建立的模型的统称,M能被分解为M={m1,m2,m3,...,mj,...,mn},其中mj表示M的第j个子模型,j=1,2,3,...,n,n为分解的子模型数量;
数字孪生系统中的虚拟模型对物理实体进行仿真预测,对于实际的产线,包括各个不同的设备,这些设备在工艺上既存在彼此依赖的情况,也存在彼此独立的情况,故对步骤(1.1)中的系统模型M从串联、并联、选择三个方面进行分类;首先定义M'表示M中的某一些子模型的组合,针对串联的情况,即mj的输入和输出分别最多只能与一个其它的子模型相互连接,表示为:M'={mj,mj+1,mj+2},mj、mj+1、mj+2之间是串联的关系;针对并联的情况,即mj的输出需要同时经过多个其它子模型才能到达另一个子模型,表示为M'={mj,mj+1&&mj+2,mj+3},mj+1、mj+2之间是并联的关系,其中&&符号是一种数学运算符,表示并联,mj是mj+1、mj+2共同的输入,mj+1、mj+2的输出都连接到mj+3;针对选择的情况,即mj的输出只需经过多个其它子模型中的一个就能到达另一个子模型,表示为M'={mj,mj+1||mj+2,mj+3},其中||符号是一种数学运算符,表示两者任选其一,mj的输出只需要经过mj+1、mj+2中的任意一个即能够到达mj+3,mj+1、mj+2之间是选择的关系;
数字孪生子模型质量评估模块,子模型由系统模型功能分解而来,该质量评估模块首先建立子模型质量评估矩阵,然后对子模型质量评估矩阵进行归一化处理,最后完成子模型的质量计算,具体实现如下:
针对系统模型M={m1,m2,m3,...,mj,...,mn},子模型mj是一个具备预定功能的模型,在实际的产线中,能够实现mj功能的模型有多个,定义这些模型为原子模型,即每一个原子模型均能实现子模型mj的功能,有其中表示为能够实现mj功能的第i个原子模型,i=1,2,3,...,k,k为原子模型数量;
质量评估参数包括正相关和负相关两大类,对于正相关的情况,质量评估参数越大,其质量越好;对于负相关的情况,质量评估参数越大,其质量越劣;在子模型mj的质量评估矩阵中,对于同时存在正相关和负相关质量评估参数的情况,需要对其进行归一化处理;假定质量评估矩阵中的最大值为最小值为则:
设子模型mj的质量评估权重为其中且质量评估权重的个数与质量评估参数的个数一致,不同的权重代表着质量评估参数重要程度的不同;将与相乘得到子模型mj的质量矩阵记则是子模型mj的理想质量,也即选取第i个原子模型来实现子模型mj的功能;
数字孪生模型组装模块,该模块基于各子模型的质量完成子模型之间的组装,具体实现如下:
针对数字孪生系统模型分解模块中的模型串联情况,即M'={mj,mj+1,mj+2},分别选取与mj、mj+1、mj+2相对应的质量最大的原子模型来实现mj、mj+1、mj+2的功能,此时串联链路上的每个模型的质量均是最大,故此种模型组装效果最优;
针对数字孪生系统模型分解模块中的模型并联情况,即M'={mj,mj+1&&mj+2,mj+3},分别选取与mj、mj+1、mj+2、mj+3相对应的质量最大的原子模型来实现mj、mj+1、mj+2、mj+3的功能,此时并联链路上的每个模型的质量均是最大,故此种模型组装效果最优;
针对数字孪生系统模型分解模块中的模型选择情况,即M'={mj,mj+1||mj+2,mj+3},分别选取与mj、mj+3相对应的质量最大的原子模型来实现mj、mj+3的功能,然后比较分别与mj+1、mj+2相对应的原子模型的质量大小,并选取最大的那个作为桥接在mj和mj+3中间的子模型,此时选择链路上的每个模型的质量均是最大,故此种模型组装效果最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910910951.5A CN110705080B (zh) | 2019-09-25 | 2019-09-25 | 一种数字孪生模型精准组装方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910910951.5A CN110705080B (zh) | 2019-09-25 | 2019-09-25 | 一种数字孪生模型精准组装方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705080A true CN110705080A (zh) | 2020-01-17 |
CN110705080B CN110705080B (zh) | 2020-10-02 |
Family
ID=69197173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910910951.5A Active CN110705080B (zh) | 2019-09-25 | 2019-09-25 | 一种数字孪生模型精准组装方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705080B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100155A (zh) * | 2020-09-09 | 2020-12-18 | 北京航空航天大学 | 一种云边协同的数字孪生模型组装与融合方法 |
CN114117619A (zh) * | 2021-12-15 | 2022-03-01 | 北京航空航天大学 | 一种数字孪生车间可组态可重构构建方法和系统 |
CN114626234A (zh) * | 2022-03-21 | 2022-06-14 | 北京航空航天大学 | 一种装备数字孪生组合模型可信度评估方法及系统 |
CN114706842A (zh) * | 2022-06-02 | 2022-07-05 | 东南大学 | 一种数字孪生模型组装方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018183275A1 (en) * | 2017-03-27 | 2018-10-04 | Siemens Aktiengesellschaft | System for automated generative design synthesis using data from design tools and knowledge from a digital twin graph |
CN109445305A (zh) * | 2018-10-26 | 2019-03-08 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的装配精度仿真分析方法与系统 |
CN109978403A (zh) * | 2019-04-04 | 2019-07-05 | 北京理工大学 | 一种产品装配过程的质量管控方法、装置及设备 |
CN110009250A (zh) * | 2019-04-13 | 2019-07-12 | 郑州航空工业管理学院 | 一种基于犹豫模糊语言的数字孪生车间质量评价方法 |
-
2019
- 2019-09-25 CN CN201910910951.5A patent/CN110705080B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018183275A1 (en) * | 2017-03-27 | 2018-10-04 | Siemens Aktiengesellschaft | System for automated generative design synthesis using data from design tools and knowledge from a digital twin graph |
CN109445305A (zh) * | 2018-10-26 | 2019-03-08 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的装配精度仿真分析方法与系统 |
CN109978403A (zh) * | 2019-04-04 | 2019-07-05 | 北京理工大学 | 一种产品装配过程的质量管控方法、装置及设备 |
CN110009250A (zh) * | 2019-04-13 | 2019-07-12 | 郑州航空工业管理学院 | 一种基于犹豫模糊语言的数字孪生车间质量评价方法 |
Non-Patent Citations (4)
Title |
---|
FEI TAO等: "《Digital twin driven prognostics and health management for complex equipment》", 《CIRP ANNALS - MANUFACTURING TECHNOLOGY》 * |
FEI TAO等: "《Digital Twins and Cyber–Physical Systems toward Smart Manufacturing and Industry 4.0: Correlation and Comparison》", 《ENGINEERING》 * |
李浩等: "《基于数字孪生的复杂产品设计制造一体化开发框架与关键技术》", 《计算机集成制造系统》 * |
陶飞等: "《数字孪生五维模型及十大领域应用》", 《计算机集成制造系统》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100155A (zh) * | 2020-09-09 | 2020-12-18 | 北京航空航天大学 | 一种云边协同的数字孪生模型组装与融合方法 |
CN112100155B (zh) * | 2020-09-09 | 2023-05-23 | 北京航空航天大学 | 一种云边协同的数字孪生模型组装与融合方法 |
CN114117619A (zh) * | 2021-12-15 | 2022-03-01 | 北京航空航天大学 | 一种数字孪生车间可组态可重构构建方法和系统 |
CN114626234A (zh) * | 2022-03-21 | 2022-06-14 | 北京航空航天大学 | 一种装备数字孪生组合模型可信度评估方法及系统 |
CN114626234B (zh) * | 2022-03-21 | 2024-06-07 | 北京航空航天大学 | 一种装备数字孪生组合模型可信度评估方法及系统 |
CN114706842A (zh) * | 2022-06-02 | 2022-07-05 | 东南大学 | 一种数字孪生模型组装方法 |
WO2023231257A1 (zh) * | 2022-06-02 | 2023-12-07 | 东南大学 | 一种数字孪生模型组装方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110705080B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705080B (zh) | 一种数字孪生模型精准组装方法及装置 | |
CN107705242A (zh) | 一种结合深度学习与深度感知的图像风格化迁移方法 | |
CN107491610A (zh) | 汽车覆盖件模具智能设计系统及设计方法 | |
CN104573277B (zh) | 一种车辆悬架系统性能分解方法 | |
CN110610052A (zh) | Pcb自动布线系统及方法 | |
CN109033021B (zh) | 一种基于变参收敛神经网络的线性方程求解器设计方法 | |
WO2021195970A1 (zh) | 工业系统的预测模型学习方法、装置和系统 | |
CN104614985A (zh) | 一种基于非线性规划的高阶系统最优降阶方法 | |
CN105825241A (zh) | 基于模糊神经网络的驾驶员制动意图辨识方法 | |
CN114297912B (zh) | 基于深度学习的刀具磨损预测方法 | |
CN112327745B (zh) | 一种基于可试验数字孪生体的plc程序设计方法 | |
EP2864911A1 (en) | Method for automated assistance to design nonlinear analog circuit with transient solver | |
CN113516133A (zh) | 一种多模态图像分类方法及系统 | |
CN107038297A (zh) | 全球能源互联网运行特性仿真的自适应变步长积分方法 | |
CN104679945B (zh) | 基于有色Petri网的系统综合评估方法 | |
CN116595758A (zh) | 一种机器人研发应用的参数化设计系统及方法 | |
CN109255148B (zh) | 力学产品设计方法及其系统 | |
CN107515978A (zh) | 基于遗传算法构建响应面模型的方法及应用其的系统 | |
CN106777616A (zh) | 一种高速水稻钵苗插秧机移箱机构多学科优化设计方法 | |
CN104749953A (zh) | 用于提供用来在马达控制设备中计算的稀疏高斯过程模型的方法和装置 | |
CN103942380B (zh) | 图形化控制系统设计与仿真工具 | |
CN110298073B (zh) | 集成神经网络与物理系统模型的换挡负载动态模拟方法 | |
CN115238620A (zh) | 一种响应曲面结合支持向量回归机的复合算法辅助模拟ic设计方法 | |
CN114386367A (zh) | 一种非线性延迟电路系统的仿真方法、系统及介质 | |
US20230169219A1 (en) | Server systems and methods for reducing carbon and sulfur footprint |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |