CN113642236A - 一种面向多学科的数字孪生图网络建模方法 - Google Patents
一种面向多学科的数字孪生图网络建模方法 Download PDFInfo
- Publication number
- CN113642236A CN113642236A CN202110911408.4A CN202110911408A CN113642236A CN 113642236 A CN113642236 A CN 113642236A CN 202110911408 A CN202110911408 A CN 202110911408A CN 113642236 A CN113642236 A CN 113642236A
- Authority
- CN
- China
- Prior art keywords
- model
- digital twin
- layer
- rule
- multidisciplinary
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种面向多学科的数字孪生图网络建模方法，属于智能制造控制方法技术领域。一种面向多学科的数字孪生图网络建模方法，包括创建数据层，构建单一规则的数据表达，通过门控循环神经网络对采集到的时序数据进行阶段性的预测；创建规则层：构建单一子模型的不同物理场的虚拟映射，然后利用图注意力神经网络进行不同规则的表达；创建子模型层：构建数字孪生实体模型中各个子模型的虚拟映射，然后利用图注意力神经网络来构建不同子模型之间的关系；本发明可以实现数字孪生虚拟模型的高保真建模，利用先验知识扩大场的维度，利用图结构降低耦合建模的难度，实现制造过程的实体模型映射，为后续的决策反馈和质量优化等作出贡献。
Description
技术领域
本发明涉及智能制造控制方法技术领域，尤其涉及一种面向多学 科的数字孪生图网络建模方法。
背景技术
智能制造的关键是在自动化制造的基础上使机器具有“智能”， 可以在实践中不断地充实知识库，具有自学习功能。此外，机器可以 根据环境或者制造过程中的状态进行判断和决策，做出相应的调整， 实现整个制造过程的智能化。智能制造顺应时代的发展，是我国的制 造业数字化转型的关键所在。智能制造包括智能制造技术和智能制造 系统，其包括人工智能在内的多个学科技术的交叉，典型的代表就是 信息物理系统(CPS)和数字孪生系统(DT)。
数字孪生是2003年提出的，其定义从最开始的“物理产品的数 字表达”演变为集成多物理、多尺度、多学科属性，具有实时性、虚 实同步、高保真度等特性，可以实现虚实交互的技术。其应用也从最 开始的飞行器演变到了制造业的各个领域。数字孪生是智能制造领域 的一个热门技术，经过检索发现有许多学者通过构建不同的数字孪生 模型将其运用在不同的场景中，例如陶飞等人建立了数字孪生的车间 体系等。
数字孪生技术的关键是建立一个可以实现实体模型高度映射的 高保真虚拟模型，但是现有的数字孪生体系中大多关注于大的系统框 架的研究，而对于细节技术的深入则相对较少，在高保真建模方面， 胡富琴等人提出了从几何、机理、数据三个层次描述和定义模型来达 到知识获取和数据映射等。但是现有的数字孪生系统所建立的大多是 某几个关键物理场的映射，难以构建高保真的虚拟模型，在高精度加 工或者装配过程中存在不足。其原因在于：模型的计算复杂度限制以 及数据采集的困难和生产成本的约束。
一方面，由于实体模型是一个高度复杂的存在，制造过程中存在 着多种几何、属性等的变化，且其实体规则存在高度的复杂性和耦合 性；另一方面，制造过程中的数据是多源异构的，现有的技术难以实 现有效的表达和利用。因此急需一种有效的数字孪生高保真虚拟模型 构建方法，通过合理映射和表达实体模型的规则，来实现制造数据的 有效利用。鉴于此，本发明提出了一种面向多学科的数字孪生图网络 建模方法。
发明内容
本发明的目的是为了实现对实体模型的多规则映射和表达，构建 高保真虚拟模型而提出的一种面向多学科的数字孪生图网络建模方 法。
为了实现上述目的，本发明采用了如下技术方案：
一种面向多学科的数字孪生图网络建模方法，包括以下步骤：
S1、预处理：根据数字孪生系统自身所在的可表示性，通过图结 构建模的方式耦合多物理场，降低数字孪生系统建模的复杂度，同时 利用先验知识扩大场的维度，提高模型保真度；
S2、创建数据层：构建单一规则的数据表达，通过门控循环神经 网络(GRU)对采集到的时序数据进行阶段性的预测，同时利用一个 多层感知机(MLP)实现时序信号的阶段性特征表达；
S3、创建规则层：构建不同物理场(例如：力、震动、热等)规 则的虚拟映射，然后利用图注意力神经网络(GAT)来构建不同规则 之间的关系，进行整个子模型的表达；
S4、创建子模型层：构建数字孪生实体模型中各个子模型(例如： 刀具、工件、机器人等)的虚拟映射，然后利用图注意力神经网络 (GAT)来构建不同子模型之间的关系，进行整个虚拟模型的表达。
优选地，所述S2中提到的数据层，将时间数据切分成不同的时 间片段，利用门控循环神经网络进行下一阶段的状态预测，同时利用 多层感知机进行信息的聚合和表达，可以对不同时间段的数据进行聚 合和表达，该表达是浅层的、单一物理场的信息的识别。
优选地，所述S3中提到的规则层中的规则，每个单一子模型上 都具有自己的规则层，每个规则都是嵌入了先验知识的机理模型、系 统函数，提升了模型的可解释性；同时每个规则通过图结构进行统一 的表达，避免了模型的复杂耦合建模，更进一步提升了模型的可解释 性；对于难以采集到的物理场(例如：热等)的信息，可以通过先验 机理知识进行转移，在扩大场维度的同时不会带来生产成本的提升。
优选地，所述S4中提到的子模型层，构建不同实体部件映射的 子模型，并通过图的结构来进行表达，同时通过图注意力神经网络进 行信息的聚合，可以识别出不同阶段起主要作用的子模型，有利于进 行进一步的质量优化和故障识别等功能。
与现有技术相比，本发明提供了一种面向多学科的数字孪生图网 络建模方法，具备以下有益效果：
本发明通过创建数据层、规则层和子模型层这三个层次，实现了 数据层面上的聚合和规则层面上的表达；机理和系统知识的嵌入既可 以实现数字孪生模型可解释性的提升，同时可以将无法直接采集到的 场数据通过先验知识进行维度的转化，在不增大生产成本的同时扩大 了虚拟模型的场的维度，提高了模型的知识完整性；而图结构建模可 以避开各规则之间的复杂耦合建模表达，同时其具有很好的可读性和 可解释性。
综上所述，本发明实现了数字孪生虚拟模型的高保真建模，在高 精密制造领域中，精准映射出实体模型的状态，有利于后续实体模型 的状态监测、制造过程的异常识别、制造工艺的质量优化等各方面工 作的进行。
附图说明
图1为本发明提出的一种面向多学科的数字孪生图网络建模方 法的方法原理示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方 案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部 分实施例，而不是全部的实施例。
实施例1：
请参阅图1；一种面向多学科的数字孪生图网络建模方法，包括 以下步骤：
S1、预处理：根据数字孪生系统自身所在的可表示性，通过图结 构建模的方式耦合多物理场，降低数字孪生系统建模的复杂度，同时 利用先验知识扩大场的维度，提高模型保真度；
S2、创建数据层：构建单一规则的数据表达，通过门控循环神经 网络(GRU)对采集到的时序数据进行阶段性的预测，同时利用一个 多层感知机(MLP)实现时序信号的阶段性特征表达；
S3、创建规则层：构建不同物理场(例如：力、震动、热等)规 则的虚拟映射，然后利用图注意力神经网络(GAT)来构建不同规则 之间的关系，进行整个子模型的表达；
S4、创建子模型层：构建数字孪生实体模型中各个子模型(例如： 刀具、工件、机器人等)的虚拟映射，然后利用图注意力神经网络 (GAT)来构建不同子模型之间的关系，进行整个虚拟模型的表达。
S2中提到的数据层，将时间数据切分成不同的时间片段，利用 门控循环神经网络进行下一阶段的状态预测，同时利用多层感知机进 行信息的聚合和表达，可以对不同时间段的数据进行聚合和表达，该 表达是浅层的、单一物理场的信息的识别。
S3中提到的规则层中的规则，每个单一子模型上都具有自己的 规则层，每个规则都是嵌入了先验知识的机理模型、系统函数，提升 了模型的可解释性；同时每个规则通过图结构进行统一的表达，避免 了模型的复杂耦合建模，更进一步提升了模型的可解释性；对于难以 采集到的物理场(例如：热等)的信息，可以通过先验机理知识进行 转移，在扩大场维度的同时不会带来生产成本的提升。
S4中提到的子模型层，构建不同实体部件映射的子模型，并通 过图的结构来进行表达，同时通过图注意力神经网络进行信息的聚 合，可以识别出不同阶段起主要作用的子模型，有利于进行进一步的 质量优化和故障识别等功能。
本发明通过创建数据层、规则层和子模型层这三个层次，实现了 数据层面上的聚合和规则层面上的表达；机理和系统知识的嵌入既可 以实现数字孪生模型可解释性的提升，同时可以将无法直接采集到的 场数据通过先验知识进行维度的转化，在不增大生产成本的同时扩大 了虚拟模型的场的维度，提高了模型的知识完整性；而图结构建模可 以避开各规则之间的复杂耦合建模表达，同时其具有很好的可读性和 可解释性；综上所述，本发明实现了数字孪生虚拟模型的高保真建模， 在高精密制造领域中，精准映射出实体模型的状态，有利于后续实体 模型的状态监测、制造过程的异常识别、制造工艺的质量优化等各方 面工作的进行。
实施例2：
请参阅图1，基于实施例1但有所不同之处在于，
机器人钻削系统具有柔性高，空间可达性大等突出优点，具有很 大的发展前景，目前已经运用在了飞机蒙皮等多个加工场景中。但是 其属于弱刚性结构，在钻削的过程中会产生很大的力和振动等因素， 对于加工出来的孔的质量具有很大的影响，因此需要建立数字孪生系 统进行阶段性的实时监控，以便进行调整。
在机器人钻削过程中存在几个主要的部分：机器人、刀具、压脚、 工件、夹具等，本发明将其作为不同的子模型，并用图的结构进行表 示。在每个模型中具有不同的规则场，包括三轴力，振动等可以直接 测得数据的场，以及温度，噪声等难以直接测得的场，因此可以借助 简单的先验知识(机理或者系统函数)进行维度转换，利用可获得的 数据去预测难以采集数据的场的状态。每个子模型内部的规则都用图 的方式进行构建。针对每个规则的输入数据，则是利用多层感知机 (MLP)聚合的时间片段信息。
利用本发明构建的高保真数字孪生虚拟模型可以精准表达出孔 的目标状态参数，来进行阶段性的状态监测以便进行异常识别和反馈 调整。同时还可以通过注意力机制产生的权值，找到核心的影响因素 和异常的场，进行质量的优化等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范 围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技 术范围内，根据本发明的技术方案及其发明构思加以等同替换或改 变，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种面向多学科的数字孪生图网络建模方法，其特征在于，包括以下步骤：
S1、预处理：根据数字孪生系统自身所在的可表示性，通过图结构建模的方式耦合多物理场，降低数字孪生系统建模的复杂度，同时利用先验知识扩大场的维度，提高模型保真度；
S2、创建数据层：构建单一规则的数据表达，通过门控循环神经网络对采集到的时序数据进行阶段性的预测，同时利用一个多层感知机实现时序信号的阶段性特征表达；
S3、创建规则层：构建不同物理场规则的虚拟映射，对于无法直接映射的场可利用先验知识(机理模型)进行场的维度转移，然后利用图注意力神经网络来构建不同规则之间的关系；
S4、创建子模型层：利用规则层的规则进行整个子模型的表达，构建数字孪生实体模型中各个子模型的虚拟映射，然后利用图注意力神经网络来构建不同子模型之间的关系，进行整个虚拟模型的表达。
2.根据权利要求1所述的一种面向多学科的数字孪生图网络建模方法，其特征在于：所述S2中提到的数据层，将时间数据切分成不同的时间片段，利用门控循环神经网络进行下一阶段的状态预测，同时利用多层感知机进行信息的聚合和表达。
3.根据权利要求1所述的一种面向多学科的数字孪生图网络建模方法，其特征在于：所述S3中提到的规则层中的子模型，每个单一子模型上都具有自己的规则层，每个规则都是嵌入了先验知识的机理模型、系统函数，提升了模型的可解释性；同时每个规则通过图结构进行统一的表达，避免了模型的复杂耦合建模，更进一步提升了模型的可解释性。
4.根据权利要求1所述的一种面向多学科的数字孪生图网络建模方法，其特征在于：所述S4中提到的子模型层，构建不同实体部件映射的子模型，并通过图的结构来进行表达，同时通过图注意力神经网络进行信息的聚合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110911408.4A CN113642236A (zh) | 2021-08-10 | 2021-08-10 | 一种面向多学科的数字孪生图网络建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110911408.4A CN113642236A (zh) | 2021-08-10 | 2021-08-10 | 一种面向多学科的数字孪生图网络建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113642236A true CN113642236A (zh) | 2021-11-12 |
Family
ID=78420463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110911408.4A Pending CN113642236A (zh) | 2021-08-10 | 2021-08-10 | 一种面向多学科的数字孪生图网络建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642236A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114596919A (zh) * | 2022-05-10 | 2022-06-07 | 安徽瑞邦数科科技服务有限公司 | 指标预测方法、系统以及其在磷酸生产中的应用 |
| CN115034147A (zh) * | 2022-08-15 | 2022-09-09 | 天津天缘科技有限公司 | 一种基于数字孪生的智能制造系统 |
| CN115204057A (zh) * | 2022-07-29 | 2022-10-18 | 贵州电网有限责任公司 | 一种面向输变电设备的数字孪生多层次模型构建方法 |
-
2021
- 2021-08-10 CN CN202110911408.4A patent/CN113642236A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114596919A (zh) * | 2022-05-10 | 2022-06-07 | 安徽瑞邦数科科技服务有限公司 | 指标预测方法、系统以及其在磷酸生产中的应用 |
| CN115204057A (zh) * | 2022-07-29 | 2022-10-18 | 贵州电网有限责任公司 | 一种面向输变电设备的数字孪生多层次模型构建方法 |
| CN115034147A (zh) * | 2022-08-15 | 2022-09-09 | 天津天缘科技有限公司 | 一种基于数字孪生的智能制造系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113642236A (zh) | 一种面向多学科的数字孪生图网络建模方法 | |
| CN109615113B (zh) | 一种基于数字孪生的船用柴油机关重件加工质量预测方法 | |
| Zhu et al. | A cyber-physical production system framework of smart CNC machining monitoring system | |
| WO2015096511A1 (zh) | 飞机结构件智能数控加工编程系统及方法 | |
| Liu et al. | A review of digital twin-driven machining: From digitization to intellectualization | |
| CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
| Liu et al. | Digital twin-enabled machining process modeling | |
| Jong et al. | Automatic process planning of mold components with integration of feature recognition and group technology | |
| Zhou et al. | Deep learning enabled cutting tool selection for special-shaped machining features of complex products | |
| Liu et al. | A four-terminal-architecture cloud-edge-based digital twin system for thermal error control of key machining equipment in production lines | |
| CN114235330B (zh) | 关联风洞试验和计算数据的多源气动载荷模型构建方法 | |
| CN110244657B (zh) | 一种基于知识表达模型的复杂曲面数字化制造方法 | |
| CN110795835A (zh) | 一种基于自动同步建模的三维工序模型逆向生成方法 | |
| Liu et al. | A synchronous association approach of geometry, process and monitoring information for intelligent manufacturing | |
| CN112231966B (zh) | 一种基于数字孪生的协作机器人可装配性预测系统及方法 | |
| Lan et al. | Research on modeling and scheduling methods of an intelligent manufacturing system based on deep learning | |
| Wei et al. | Manufacturing data-driven process adaptive design method | |
| CN116690988A (zh) | 一种大型建筑模型3d打印系统和方法 | |
| WO2024045415A1 (zh) | 一种数字孪生模型合并方法 | |
| Li et al. | An intelligent interactive approach for assembly process planning based on hierarchical classification of parts | |
| CN113673166A (zh) | 面向加工质量预测的数字孪生模型工况自适应方法及系统 | |
| CN113553667B (zh) | 一种基于深度学习的飞机结构件设计方法 | |
| TAO et al. | INTELLIGENT DESIGN SYSTEM OF MECHANICAL PRODUCTS BASED ON DATA MINING AND KNOWLEDGE BASED ENGINEERING. | |
| Qiangwei et al. | The ontology-based modeling and evolution of digital twin for assembly workshop | |
| CN113033773B (zh) | 面向旋转机械故障诊断的分层多叉网络结构高效搜索方法 |
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 |