CN113673171B - 一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法 - Google Patents
一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法 Download PDFInfo
- Publication number
- CN113673171B CN113673171B CN202111004043.3A CN202111004043A CN113673171B CN 113673171 B CN113673171 B CN 113673171B CN 202111004043 A CN202111004043 A CN 202111004043A CN 113673171 B CN113673171 B CN 113673171B
- Authority
- CN
- China
- Prior art keywords
- test
- data
- characteristic information
- model
- module
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 422
- 238000003032 molecular docking Methods 0.000 title claims abstract description 74
- 238000010801 machine learning Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000007246 mechanism Effects 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000004088 simulation Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 52
- 238000013523 data management Methods 0.000 claims description 45
- 238000012937 correction Methods 0.000 claims description 40
- 238000007726 management method Methods 0.000 claims description 38
- 210000001503 joint Anatomy 0.000 claims description 28
- 238000013499 data model Methods 0.000 claims description 21
- 230000006399 behavior Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012942 design verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本发明属于数字孪生技术领域,公开了一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法,对接机构数字孪生试验系统由物理试验台、数字孪生服务系统和数字孪生试验台组成;物理试验台用于进行对接机构的物理试验,生成历史数据集,并将其传输至数字孪生服务系统;数字孪生服务系统用于接收历史数据集,并对历史数据集进行分层处理存储、数据仿真和信息提取,生成原始试验特征信息和预测试验特征信息,并将其传输至数字孪生试验台;数字孪生试验台将接收到的原始试验特征信息和预测试验特征信息进行可视化展示;本发明的对接机构数字孪生试验系统不仅能实现试验结果可预测,同时可以支持对接机构数字孪生智能伴飞系统的运行。
Description
技术领域
本发明涉及数字孪生技术领域,具体涉及一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法。
背景技术
近年来,在航天发射领域开展了大量的数字化设计验证、数字化合练与模拟训练、箭地联合仿真评估等数字化试验工作,都涉及航天发射信息数字化、可视化的问题。但对接机构试验车间的信息化、数字化水平还有所欠缺,对接机构试验设备、试验任务及信息管理还停留在手工报表阶段,试验数据也只是被存储,并没有得到有效的统计分析利用。同时,对接机构试验数据量很大,格式多样,不同的试验设备采集的数据的格式都有很大的差异,增加了对对接机构数字化试验系统数据治理的需求。
航天器发射任务数量呈爆发式增长以及对接机构型号的增多,导致对对接机构的试验需求越来越多,试验模式向“多型号并举,研制与试验并行”进行转变,传统的对接机构试验系统管控和数据记录、存储模式已无法满足新形式下型号任务的需求,需要建立数字化、一键化的对接机构试验系统,将试验内产生的数据对产品的发射和太空环境运行等过程进行传递,形成数据流闭环,最终形成数字一体化的对接机构试验体系,解决传统的试验数据管理对后期对接机构使用流程创新引领作用不凸显的问题。数字孪生是资产和流程的软件形式的代表,可用于理解、预测和优化性能,其目的是提高资产和流程的性能。
数字孪生由三个数字化的部分组成:
数据模型:数据模型是描述数字孪生的结构和特征的系统、资产和组件的层次结构。
分析或算法:分析或算法是根据物理模型和人工智能/机器学习模型,预测、描述和规定当前和未来资产或流程的行为。
知识:知识是提供分析、主题专业知识、历史数据和行业最佳实践的数据源。
航天企业利用数字孪生的理念,在数字化建模后可以先在虚拟环境里进行仿真试验分析,分析产品发射前的产品性能,在一定程度上部分替代物理试验,从而提高效率节省成本,所以,数字孪生在航天数字化领域有极大的应用空间。
机器学习是一门人工智能的科学,用来研究、开发用于模拟、延伸和扩展人的智能,能够通过经验自动改进计算机算法程序,实现对算法模型的优化。目前机器学习在语音语义的识别、机器视觉、快销品的预测等众多方面有了广泛的应用,但是在航天产品的试验预测中应用还很少。
发明内容
针对现有技术中存在的问题和不足,本发明的目的在于提供一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法。
为了实现发明的目的,本发明采用如下技术方案:
第一方面,本发明提供了一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统,所述对接机构数字孪生试验系统由物理试验台、数字孪生服务系统和数字孪生试验台组成;所述物理试验台用于进行真实产品的物理试验,生成历史数据集,并将历史数据集传输至数字孪生服务系统;所述数字孪生服务系统用于接收来自物理试验台的历史数据集,并对历史数据集进行分层处理存储、数据仿真和信息提取,生成原始试验特征信息和预测试验特征信息,并将预测试验特征信息、原始试验特征信息传输至数字孪生试验台;所述数字孪生试验台在建立数据驱动模型的基础上将接收到的原始试验特征信息和预测试验特征信息进行可视化展示,同时进行模型偏差纠正,并将模型偏差纠正反馈至数字孪生服务系统。
根据上述的对接机构数字孪生试验系统,优选地,所述数字孪生服务系统包括数据接受模块、数据仓库、试验数据管理模块、机器学习模块;
所述数据接受模块用于接收历史数据集中的源数据,并根据数据仓库提供的配置信息对源数据进行加工处理,得到初步数据,然后将初步数据传输至数据仓库进行储存;数据接受模块主要提供了各类数据接口,完成对历史数据的接收、加工处理;数据接受模块底层接口是网络接口,采用TCP/IP方式与服务器通讯,上层接口是数据仓库;
所述数据仓库主要对初步数据进行分层处理,得到分层数据,并根据试验数据管理模块发出的请求指令将分层数据传输至试验数据管理模块;所述数据仓库为PostgreSQL数据库,用来存储试验数据和配置分层管控配置信息;对获取到的初步试验数据进行分层管理,将散落在各个部门、各试验台、各试验设备的试验数据、试验文档采用统一的数据存储平台进行分类存储,统一试验数据来源,同时对试验数据进行全方位的保护;
所述试验数据管理模块从分层数据中提取试验所需的特征信息,并进行预试验对特征信息进行有效验证,生成原始试验特征信息,将原始试验特征信息传输至机器学习模块和数字孪生试验台;
所述试验数据管理模块包括数据模型仿真系统、数据保障体系;所述数据模型仿真系统用数据模型对试验过程进行逻辑构建,主要进行试验特征信息的提取,从数据仓库接收到的海量冗余信息中提取对试验有价值的特征信息,进行预试验对特征信息进行有效验证,得到原始试验特征信息,将原始试验特征信息反馈给机器学习模块和数字孪生试验台;所述数据保障体系用于确保数据存储及使用安全,提供人员和组织结构管理、角色/权限管理、日志管理和密级管理,同时引入试验系统容灾备份机制,减少突发事件造成的测试数据丢失现象;
所述机器学习模块输入为试验数据管理模块的原始试验特征信息,所述机器学习模块输出为预测试验特征信息,所述机器学习模块将预测试验特征信息输出至数字孪生试验台。
根据上述的对接机构数字孪生试验系统,优选地,所述机器学习模块包括试验知识管理模块、中央处理模块、辅助决策模块;
所述试验知识管理模块中运行有学习模型算法,将从试验数据管理模块接收到的原始试验特征信息进行分析处理,得到初始条件,并将初始条件传输至中央处理器;
述试验知识管理内容包括试验方法和步骤、试验检测标准、试验检测方法、数据分析处理方法和学习模型算法、故障处理方法和措施等内容。
所述中央处理模块的输入为初始条件,并将初始条件进行运算,得到预测试验特征信息,并将预测试验特征信息传输至辅助决策模块;
所述辅助决策模块的输入为中央处理模块输出的预测试验特征信息和试验数据管理模块输出的原始试验特征信息,通过内部评估体系得出算法偏差纠正,并将算法偏差纠正反馈至试验知识管理模型;
试验知识管理模块根据算法纠正偏差对学习模型算法进行优化,然后再次进行输入和运算,通过不断迭代和优化,直到实现相同初始条件的原始试验特征信息和预测试验特征信息完全一致,生成最终的预测试验特征信息,并将最终的预测试验特征信息传递给数字孪生试验台。
所述机器学习模块,通过迁移学习模型算法和可信评估体系,实现了试验条件自适应、试验过程自感知和试验结果自优化的闭环过程。
根据上述的对接机构数字孪生试验系统,优选地,所述数字孪生试验台包括模型驱动模块、显示模块;
所述模型驱动模块包含几何模型和逻辑模型,几何模型对物理试验台进行写实还原,逻辑模型对试验行为进行功能描述和实现,逻辑模型接收试验数据管理模块的原始试验特征信息,对该特征信息进行模型层面的解读并和模型行为进行匹配,通过显示模块完成动态演化的功能,并对比模型动态演化过程和实际对接动态过程,生成模型偏差纠正,将模型偏差纠正反馈给试验数据管理模块中的数据模型仿真系统,用于优化数据模型仿真系统的提取策略;然后,模型驱动模块接收机器学习模块输出的最终的预测试验特征信息,并将最终的预测试验特征信息与模型进行匹配,生成多模态信息,并将多模态信息传输至显示模块;
所述显示模块将接收到的多模态信息进行展示,完成预测试验的可视化展示。
根据上述的对接机构数字孪生试验系统,优选地,所述模型驱动模块的构建过程包括以下步骤:
(1)根据从物理试验台得到历史数据集中的几何模型数据进行结构建模;
(2)把以仿真模型形式存在的关于物理空间的工程经验知识与试验数据管理模块获取原始试验特征信息进行结合,对其进行解析并与真实模型进行对应驱动,根据动态演化过程完成对对接过程的还原,得到对当前物理空间更精确描述,即成熟的孪生驱动模型;
(3)成熟的孪生驱动模型根据从机器学习模块获取预测试验特征信息进行动态演化,并将试验结果与真实值作对比得出真实偏差纠正,并将真实偏差纠正反馈至机器学习模块用以优化学习算法模型。
根据上述的对接机构数字孪生试验系统,优选地,所述物理试验台包括对接缓冲试验台、对接综合试验台;
所述对接缓冲试验台用于模拟对接机构从接触、捕获、拉近、锁紧、密封到分离的全过程,获得试验过程数据、工况信息和对接初始条件;
所述对接综合试验台用于模拟不同试验温度、不同试验工况下对接机构的对接动力学过程,得到对接机构的试验过程数据、工况信息和对接初始条件。
根据上述的对接机构数字孪生试验系统,优选地,历史数据集包括试验过程数据、工况信息、对接初始条件、几何模型数据;其中,所述几何模型数据为对接缓冲试验台与对接综合试验台的设计图和产品模型数据,用来为数字孪生模型建模提供依据。
根据上述的对接机构数字孪生试验系统,优选地,所述物理试验台中布署有传感器,所述传感器包括光栅传感器、位移传感器、六维力传感器、风管型温度传感器、空气点式温度传感器、加速度传感器、薄膜型温度传感器、PLC信息模块、重力传感器。
所述工况信息包括型号信息、对接飞行器质量信息、试验温度、工况代号;
所述对接初始条件指两航天器对接机构首次机械接触时,追踪航天器对接面坐标系与目标航天器对接面坐标系之间相对同轴位置偏差的相对坐标值(相对位移与相对转角)及其一阶导数(相对速度与相对角速度),即包括接近速度、横向偏移量、横向速度、横向角偏移量、滚转角偏移量、横向角速度、滚转角速度;
第二方面,本发明提供一种上述第一方面所述基于历史数据驱动和机器学习的对接机构数字孪生试验系统的运行方法,包括以下步骤:(1)数据采集与接收:对接机构在物理试验台中进行试验,数字孪生服务系统中的数据接受模块对部署在物理试验台内的传感器采集的源数据进行接收,;
(2)数据存储:数字孪生服务系统中的数据仓库提供给数据接受模块相应的配置信息,数据接受模块按照配置信息对源数据进行加工处理,得到初步数据,并将初步数据存储在数字孪生服务系统中的数据仓库中,同时,数据仓库对初步数据进行分层处理,得到分层数据;
(3)原始试验特征提取:数字孪生服务系统中的试验数据管理模块接收到数据仓库处理后的分层数据,通过内部数据模型仿真系统,实现对试验过程特征信息的提取,生成原始试验特征信息,并将原始试验特征信息反馈给数字孪生服务系统的机器学习模块和数字孪生试验台,实现对数据的融合处理;
(4)预测试验特征提取:机器学习模块接收原始试验特征信息,通过机器学习模块中的试验知识管理模块的学习模型算法对原始试验特征信息进行训练,生成初始条件,并将初始条件传输至机器学习模块中的中央处理器,中央处理模块对初始条件进行运算处理,得到预测试验特征信息,并将预测试验特征信息传输至辅助决策模块;辅助决策模块的输入为中央处理模块输出的预测试验特征信息和试验数据管理模块输出的原始试验特征信息,通过内部评估体系得出算法偏差纠正,并将算法偏差纠正反馈至试验知识管理模型;试验知识管理模块根据算法纠正偏差对学习模型算法进行优化,然后再次进行输入和运算,通过不断迭代和优化,直到实现相同初始条件的原始试验特征信息和预测试验特征信息完全一致,生成最终的预测试验特征信息,并将最终的预测试验特征信息传递给数字孪生试验台;
(5)孪生驱动建模:数字孪生试验台中的模型驱动模块根据历史数据集中的几何模型数据进行几何建模,得到几何模型;根据工程经验知识进行逻辑建模,得到逻辑模型;逻辑模型接收试验数据管理模块的原始试验特征信息,对该特征信息进行模型层面的解读并和模型行为进行匹配,通过显示模块完成动态演化的功能,并对比模型动态演化过程和实际对接动态过程,生成模型偏差纠正,将模型偏差纠正反馈给试验数据管理模块中的数据模型仿真系统,用于优化数据模型仿真系统的提取策略;然后,模型驱动模块接收机器学习模块输出的最终的预测试验特征信息,并将最终的预测试验特征信息与模型进行匹配,生成多模态信息,并将多模态信息传输至显示模块;
(6)显示模块输出:显示模块接收多模态信息后对模型驱动模块的几何模型和逻辑模型构建的模型动态演化过程进行可视化展示。
与现有技术相比,本发明取得的积极有益效果为:
(1)本发明通过在数字孪生服务系统中构建机器学习模块,通过机器学习模块能够实现对试验结果的精准预测,同时,能够快速对试验初始条件作出响应,提供给系统需要的试验过程数据信息和试验结果;而且,能够减少物理试验次数,优化试验流程,提高试验数据的关联度,实现了对试验数据有效的管理。
(2)本发明基于历史数据进行数字孪生试验台中模型驱动模块的构建,能够实现对对接各个阶段进行可视化演化,同时获取各个阶段的信息,为系统分析各个对接阶段的对接机构的状态提供依据;而且,通过历史数据集可以对机器学习模块的预测结果进行验证和校正,优化模型,提高模型的准确度。
(3)本发明通过物理试验台、数字孪生服务系统、数字孪生试验台之间的数据流传输,能够实现对对接机构物理试验过程的多物理场的耦合,而且,能够能够预先在试验台进行试验,得到预测的数字试验结果,达到指导智能伴飞系统的目的。
附图说明
图1为本发明一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统的框架结构示意图;
图2为本发明数字孪生服务系统的逻辑流程示意图;
图3为本发明机器学习模块的逻辑流程示意图;
图4为本发明数字孪生试验台的逻辑流程示意图。
具体实施方式
以下通过具体的实施例对本发明作进一步详细说明,但并不限制本发明的范围。
实施例1:
一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统,所述对接机构数字孪生试验系统如图1所示,由物理试验台、数字孪生服务系统和数字孪生试验台组成;所述物理试验台用于进行真实产品的物理试验,生成历史数据集,并将历史数据集传输至数字孪生服务系统;所述数字孪生服务系统用于接收来自物理试验台的历史数据集,并对历史数据集进行分层处理存储、数据仿真和信息提取,生成原始试验特征信息和预测试验特征信息,并将预测试验特征信息、原始试验特征信息传输至数字孪生试验台;所述数字孪生试验台在建立数据驱动模型的基础上将接收到的原始试验特征信息和预测试验特征信息进行可视化展示,同时进行模型偏差纠正,并将模型偏差纠正反馈至数字孪生服务系统。
所述数字孪生服务系统如图2所示,包括数据接受模块、数据仓库、试验数据管理模块、机器学习模块;
所述数据接受模块用于接收历史数据集中的源数据,并根据数据仓库提供的配置信息对源数据进行加工处理,得到初步数据,然后将初步数据传输至数据仓库进行储存;数据接受模块主要提供了各类数据接口,完成对历史数据的接收、加工处理;数据接受模块底层接口是网络接口,采用TCP/IP方式与服务器通讯,上层接口是数据仓库;
所述数据仓库主要对初步数据进行分层处理,得到分层数据,并根据试验数据管理模块发出的请求指令将分层数据传输至试验数据管理模块;所述数据仓库为PostgreSQL数据库,用来存储试验数据和配置分层管控配置信息;对获取到的初步试验数据进行分层管理,将散落在各个部门、各试验台、各试验设备的试验数据、试验文档采用统一的数据存储平台进行分类存储,统一试验数据来源,同时对试验数据进行全方位的保护;
所述试验数据管理模块从分层数据中提取试验所需的特征信息,并进行预试验对特征信息进行有效验证,生成原始试验特征信息,将原始试验特征信息传输至机器学习模块和数字孪生试验台;
所述试验数据管理模块包括数据模型仿真系统、数据保障体系;所述数据模型仿真系统用数据模型对试验过程进行逻辑构建,主要进行试验特征信息的提取,从数据仓库接收到的海量冗余信息中提取对试验有价值的特征信息,进行预试验对特征信息进行有效验证,得到原始试验特征信息,将原始试验特征信息反馈给机器学习模块和数字孪生试验台;所述数据保障体系用于确保数据存储及使用安全,提供人员和组织结构管理、角色/权限管理、日志管理和密级管理,同时引入试验系统容灾备份机制,减少突发事件造成的测试数据丢失现象;
所述机器学习模块输入为试验数据管理模块的原始试验特征信息,所述机器学习模块输出为预测试验特征信息,所述机器学习模块将预测试验特征信息输出至数字孪生试验台。
所述机器学习模块如图3所示,包括试验知识管理模块、中央处理模块、辅助决策模块;
所述试验知识管理模块中运行有学习模型算法,将从试验数据管理模块接收到的原始试验特征信息进行分析处理,得到初始条件,并将初始条件传输至中央处理器;
所述试验知识管理内容包括试验方法和步骤、试验检测标准、试验检测方法、数据分析处理方法和学习模型算法、故障处理方法和措施等内容;
所述中央处理模块的输入为初始条件,并将初始条件进行运算,得到预测试验特征信息,并将预测试验特征信息传输至辅助决策模块;
所述辅助决策模块的输入为中央处理模块输出的预测试验特征信息和试验数据管理模块输出的原始试验特征信息,通过内部评估体系得出算法偏差纠正,并将算法偏差纠正反馈至试验知识管理模型;
试验知识管理模块根据算法纠正偏差对学习模型算法进行优化,然后再次进行输入和运算,通过不断迭代和优化,直到实现相同初始条件的原始试验特征信息和预测试验特征信息完全一致,生成最终的预测试验特征信息,并将最终的预测试验特征信息传递给数字孪生试验台;
所述机器学习模块,通过迁移学习模型算法和可信评估体系,实现了试验条件自适应、试验过程自感知和试验结果自优化的闭环过程。
所述数字孪生试验台如图4所示,包括模型驱动模块、显示模块;
所述模型驱动模块包含几何模型和逻辑模型,几何模型对物理试验台进行写实还原,逻辑模型对试验行为进行功能描述和实现,逻辑模型接收试验数据管理模块的原始试验特征信息,对该特征信息进行模型层面的解读并和模型行为进行匹配,通过显示模块完成动态演化的功能,并对比模型动态演化过程和实际对接动态过程,生成模型偏差纠正,将模型偏差纠正反馈给试验数据管理模块中的数据模型仿真系统,用于优化数据模型仿真系统的提取策略;然后,模型驱动模块接收机器学习模块输出的最终的预测试验特征信息,并将最终的预测试验特征信息与模型进行匹配,生成多模态信息,并将多模态信息传输至显示模块;
所述显示模块将接收到的多模态信息进行展示,完成预测试验的可视化展示。
所述模型驱动模块的构建过程包括以下步骤:
(1)根据从物理试验台得到历史数据集中的几何模型数据进行结构建模;
(2)把以仿真模型形式存在的关于物理空间的工程经验知识与试验数据管理模块获取原始试验特征信息进行结合,对其进行解析并与真实模型进行对应驱动,根据动态演化过程完成对对接过程的还原,得到对当前物理空间更精确描述,即成熟的孪生驱动模型;
(3)成熟的孪生驱动模型根据从机器学习模块获取预测试验特征信息进行动态演化,并将试验结果与真实值作对比得出真实偏差纠正,并将真实偏差纠正反馈至机器学习模块用以优化学习算法模型。
所述物理试验台包括对接缓冲试验台、对接综合试验台;
所述对接缓冲试验台用于模拟对接机构从接触、捕获、拉近、锁紧、密封到分离的全过程,获得试验过程数据、工况信息和对接初始条件;
所述对接综合试验台用于模拟不同试验温度、不同试验工况下对接机构的对接动力学过程,得到对接机构的试验过程数据、工况信息和对接初始条件。
所述历史数据集包括试验过程数据、工况信息、对接初始条件、几何模型数据;其中,所述几何模型数据为对接缓冲试验台与对接综合试验台的设计图和产品模型数据,用来为数字孪生模型建模提供依据。
所述物理试验台中布署有传感器,所述传感器包括光栅传感器、位移传感器、六维力传感器、风管型温度传感器、空气点式温度传感器、加速度传感器、薄膜型温度传感器、PLC信息模块、重力传感器。
所述工况信息包括型号信息、对接飞行器质量信息、试验温度、工况代号;
所述对接初始条件指两航天器对接机构首次机械接触时,追踪航天器对接面坐标系与目标航天器对接面坐标系之间相对同轴位置偏差的相对坐标值(相对位移与相对转角)及其一阶导数(相对速度与相对角速度),即包括接近速度、横向偏移量、横向速度、横向角偏移量、滚转角偏移量、横向角速度、滚转角速度;
实施例2:
一种实施例1所述基于历史数据驱动和机器学习的对接机构数字孪生试验系统的运行方法,包括以下步骤:
(1)数据采集与接收:对接机构在物理试验台中进行试验,数字孪生服务系统中的数据接受模块对部署在物理试验台内的传感器采集的源数据进行接收;
(2)数据存储:数字孪生服务系统中的数据仓库提供给数据接受模块相应的配置信息,数据接受模块按照配置信息对源数据进行加工处理,得到初步数据,并将初步数据存储在数字孪生服务系统中的数据仓库中,同时,数据仓库对初步数据进行分层处理,得到分层数据;
(3)原始试验特征提取:数字孪生服务系统中的试验数据管理模块接收到数据仓库处理后的分层数据,通过内部数据模型仿真系统,实现对试验过程特征信息的提取,生成原始试验特征信息,并将原始试验特征信息反馈给数字孪生服务系统的机器学习模块和数字孪生试验台,实现对数据的融合处理;
(4)预测试验特征提取:机器学习模块接收原始试验特征信息,通过机器学习模块中的试验知识管理模块的学习模型算法对原始试验特征信息进行训练,生成初始条件,并将初始条件传输至机器学习模块中的中央处理器,中央处理模块对初始条件进行运算处理,得到预测试验特征信息,并将预测试验特征信息传输至辅助决策模块;辅助决策模块的输入为中央处理模块输出的预测试验特征信息和试验数据管理模块输出的原始试验特征信息,通过内部评估体系得出算法偏差纠正,并将算法偏差纠正反馈至试验知识管理模型;试验知识管理模块根据算法纠正偏差对学习模型算法进行优化,然后再次进行输入和运算,通过不断迭代和优化,直到实现相同初始条件的原始试验特征信息和预测试验特征信息完全一致,生成最终的预测试验特征信息,并将最终的预测试验特征信息传递给数字孪生试验台;
(5)孪生驱动建模:数字孪生试验台中的模型驱动模块根据历史数据集中的几何模型数据进行几何建模,得到几何模型;根据工程经验知识进行逻辑建模,得到逻辑模型;逻辑模型接收试验数据管理模块的原始试验特征信息,对该特征信息进行模型层面的解读并和模型行为进行匹配,通过显示模块完成动态演化的功能,并对比模型动态演化过程和实际对接动态过程,生成模型偏差纠正,将模型偏差纠正反馈给试验数据管理模块中的数据模型仿真系统,用于优化数据模型仿真系统的提取策略;然后,模型驱动模块接收机器学习模块输出的最终的预测试验特征信息,并将最终的预测试验特征信息与模型进行匹配,生成多模态信息,并将多模态信息传输至显示模块;
(6)显示模块输出:显示模块接收多模态信息后对模型驱动模块的几何模型和逻辑模型构建的模型动态演化过程进行可视化展示。
Claims (6)
1.一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统,其特征在于,所述对接机构数字孪生试验系统由物理试验台、数字孪生服务系统和数字孪生试验台组成;所述物理试验台用于进行对接机构的物理试验,生成历史数据集,并将历史数据集传输至数字孪生服务系统;所述数字孪生服务系统用于接收来自物理试验台的历史数据集,并对历史数据集进行分层处理存储、数据仿真和信息提取,生成原始试验特征信息和预测试验特征信息,并将预测试验特征信息、原始试验特征信息传输至数字孪生试验台;所述数字孪生试验台在建立数据驱动模型的基础上将接收到的原始试验特征信息和预测试验特征信息进行可视化展示,同时进行模型偏差纠正,并将模型偏差纠正反馈至数字孪生服务系统;所述数字孪生服务系统包括数据接受模块、数据仓库、试验数据管理模块、机器学习模块;
所述机器学习模块输入为试验数据管理模块的原始试验特征信息,所述机器学习模块输出为预测试验特征信息,所述机器学习模块将预测试验特征信息输出至数字孪生试验台;
所述机器学习模块包括试验知识管理模块、中央处理模块、辅助决策模块;
所述试验知识管理模块中运行有学习模型算法,将从试验数据管理模块接收到的原始试验特征信息进行分析处理,得到初始条件,并将初始条件传输至中央处理模块;
所述中央处理模块的输入为初始条件,并将初始条件进行运算,得到预测试验特征信息,并将预测试验特征信息传输至辅助决策模块;
所述辅助决策模块的输入为中央处理模块输出的预测试验特征信息和试验数据管理模块输出的原始试验特征信息,通过内部评估体系得出算法偏差纠正,并将算法偏差纠正反馈至试验知识管理模块;
试验知识管理模块根据算法纠正偏差对学习模型算法进行优化,然后再次进行输入和运算,通过不断迭代和优化,直到实现相同初始条件的原始试验特征信息和预测试验特征信息完全一致,生成最终的预测试验特征信息,并将最终的预测试验特征信息传递给数字孪生试验台。
2.根据权利要求1所述的对接机构数字孪生试验系统,其特征在于,
所述数据接受模块用于接收历史数据集中的源数据,并根据数据仓库提供的配置信息对源数据进行加工处理,得到初步数据,然后将初步数据传输至数据仓库进行储存;
所述数据仓库主要对初步数据进行分层处理,得到分层数据,并根据试验数据管理模块发出的请求指令将分层数据传输至试验数据管理模块;
所述试验数据管理模块从分层数据中提取试验所需的特征信息,并进行预试验对特征信息进行有效验证,生成原始试验特征信息,将原始试验特征信息传输至机器学习模块和数字孪生试验台。
3.根据权利要求1所述的对接机构数字孪生试验系统,其特征在于,所述数字孪生试验台包括模型驱动模块、显示模块;
所述模型驱动模块包含几何模型和逻辑模型,几何模型对物理试验台进行写实还原,逻辑模型对试验行为进行功能描述和实现,逻辑模型接收试验数据管理模块的原始试验特征信息,对原始试验特征信息进行模型层面的解读并和模型行为进行匹配,生成模型偏差纠正,将模型偏差纠正反馈给试验数据管理模块;然后,模型驱动模块接收机器学习模块输出的最终的预测试验特征信息,并将最终的预测试验特征信息与模型进行匹配,生成多模态信息,并将多模态信息传输至显示模块;
所述显示模块将接收到的多模态信息进行展示,完成预测试验的可视化展示。
4.根据权利要求1所述的对接机构数字孪生试验系统,其特征在于,所述物理试验台包括对接缓冲试验台、对接综合试验台;
所述对接缓冲试验台用于模拟对接机构从接触、捕获、拉近、锁紧、密封到分离的全过程,获得试验过程数据、工况信息和对接初始条件;
所述对接综合试验台用于模拟不同试验温度、不同试验工况下对接机构的对接动力学过程,得到对接机构的试验过程数据、工况信息和对接初始条件。
5.根据权利要求4所述对接机构数字孪生试验系统,其特征在于,所述历史数据集包括试验过程数据、工况信息、对接初始条件、几何模型数据;其中,所述几何模型数据为对接缓冲试验台与对接综合试验台的设计图和产品模型数据。
6.一种权利要求1-5任一所述基于历史数据驱动和机器学习的对接机构数字孪生试验系统的运行方法,其特征在于,包括以下步骤:
(1)数据采集与接收:对接机构在物理试验台中进行试验,数字孪生服务系统中的数据接受模块对部署在物理试验台内的传感器采集的源数据进行接收;
(2)数据存储:数字孪生服务系统中的数据仓库提供给数据接受模块相应的配置信息,数据接受模块按照配置信息对源数据进行加工处理,得到初步数据,并将初步数据存储在数字孪生服务系统中的数据仓库中,同时,数据仓库对初步数据进行分层处理,得到分层数据;
(3)原始试验特征提取:数字孪生服务系统中的试验数据管理模块接收到数据仓库处理后的分层数据,通过内部数据模型仿真系统,实现对试验过程特征信息的提取,生成原始试验特征信息,并将原始试验特征信息反馈给数字孪生服务系统的机器学习模块和数字孪生试验台,实现对数据的融合处理;
(4)预测试验特征提取:机器学习模块接收原始试验特征信息,通过机器学习模块中的试验知识管理模块的学习模型算法对原始试验特征信息进行训练,生成初始条件,并将初始条件传输至机器学习模块中的中央处理模块,中央处理模块对初始条件进行运算处理,得到预测试验特征信息,并将预测试验特征信息传输至辅助决策模块;辅助决策模块的输入为中央处理模块输出的预测试验特征信息和试验数据管理模块输出的原始试验特征信息,通过内部评估体系得出算法偏差纠正,并将算法偏差纠正反馈至试验知识管理模块;试验知识管理模块根据算法纠正偏差对学习模型算法进行优化,然后再次进行输入和运算,通过不断迭代和优化,直到实现相同初始条件的原始试验特征信息和预测试验特征信息完全一致,生成最终的预测试验特征信息,并将最终的预测试验特征信息传递给数字孪生试验台;
(5)孪生驱动建模:数字孪生试验台中的模型驱动模块根据历史数据集中的几何模型数据进行几何建模,得到几何模型;根据工程经验知识进行逻辑建模,得到逻辑模型;逻辑模型接收试验数据管理模块的原始试验特征信息,对该特征信息进行模型层面的解读并和模型行为进行匹配,通过显示模块完成动态演化的功能,并对比模型动态演化过程和实际对接动态过程,生成模型偏差纠正,将模型偏差纠正反馈给试验数据管理模块中的数据模型仿真系统,用于优化数据模型仿真系统的提取策略;然后,模型驱动模块接收机器学习模块输出的最终的预测试验特征信息,并将最终的预测试验特征信息与模型进行匹配,生成多模态信息,并将多模态信息传输至显示模块;
(6)显示模块输出:显示模块接收多模态信息后对模型驱动模块的几何模型和逻辑模型构建的模型动态演化过程进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004043.3A CN113673171B (zh) | 2021-08-30 | 2021-08-30 | 一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004043.3A CN113673171B (zh) | 2021-08-30 | 2021-08-30 | 一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673171A CN113673171A (zh) | 2021-11-19 |
CN113673171B true CN113673171B (zh) | 2023-11-14 |
Family
ID=78547558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111004043.3A Active CN113673171B (zh) | 2021-08-30 | 2021-08-30 | 一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673171B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114441126A (zh) * | 2022-02-10 | 2022-05-06 | 上海电气集团股份有限公司 | 基于数字孪生的振动试验方法、系统、设备和介质 |
CN116009405B (zh) * | 2023-03-21 | 2023-06-13 | 中国科学院武汉岩土力学研究所 | 一种中等应变率岩石动三轴试验伺服控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019162894A1 (en) * | 2018-02-23 | 2019-08-29 | Tata Consultancy Services Limited | Method and system for pre-emptive deviation detection for telecom process flow using digital twin |
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
EP3798778A1 (en) * | 2019-09-30 | 2021-03-31 | Siemens Energy Global GmbH & Co. KG | Method and system for detecting an anomaly of an equipment in an industrial environment |
-
2021
- 2021-08-30 CN CN202111004043.3A patent/CN113673171B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019162894A1 (en) * | 2018-02-23 | 2019-08-29 | Tata Consultancy Services Limited | Method and system for pre-emptive deviation detection for telecom process flow using digital twin |
EP3798778A1 (en) * | 2019-09-30 | 2021-03-31 | Siemens Energy Global GmbH & Co. KG | Method and system for detecting an anomaly of an equipment in an industrial environment |
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113673171A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113673171B (zh) | 一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法 | |
Zhong et al. | Overview of predictive maintenance based on digital twin technology | |
Jo et al. | A Unified Framework for Augmented Reality and Knowledge-Based Systems in Maintaining Aircra | |
CN110530638A (zh) | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 | |
WO2021254340A1 (zh) | 基于云平台的电动汽车分布式网络化测试系统及方法 | |
CN113359640A (zh) | 一种基于数字孪生和增强现实的产线预测性维护系统及方法 | |
CN115310638A (zh) | 基于数字孪生的变电站运维方法及系统 | |
Li et al. | Civil aircraft health management research based on big data and deep learning technologies | |
CN117387559B (zh) | 基于数字孪生的混凝土桥监测系统及方法 | |
CN112800606A (zh) | 数字孪生产线构建方法、系统、电子设备及存储介质 | |
Tikhonov et al. | Digitalization and application of artificial intelligence in aircraft | |
CN117150627A (zh) | 一种基于3d建模数字孪生的仓库建造方法及系统 | |
CN114312930B (zh) | 基于日志数据的列车运行异常诊断方法和装置 | |
Kumar et al. | Improving Train Track Safety using Drones, Computer Vision and Machine Learning | |
Wang et al. | A review of digital twin for vehicle predictive maintenance system | |
Liu et al. | The modelling and application of cross-scale human behavior in realizing the shop-floor digital twin | |
Wang et al. | A framework of safety training based on augmented reality and cloud computing platform in mines | |
US20230306572A1 (en) | Flange Integrity Classification Using Artificial Intelligence | |
Yurong et al. | Optimization analysis of assembly system based on digital twin and deep learning | |
NL2021588B1 (en) | Automated supervision and inspection of assembly process | |
Jahan et al. | Equal Contribution, Corresponding Author Towards Digital Twin in Aerospace Industry | |
CN117474457B (zh) | 一种危化和工贸设备应急管理执法检查智能辅助系统 | |
CN111046785B (zh) | 一种基于卷积神经网络的无人机巡检视频关键目标识别的方法 | |
Zou | Application Research of Computer Virtual Reality Technology in Civil Aviation Safety Management System | |
Hua-Wei | Preliminary Research on VR Technology Application to Inspect the Physical Evidence of Vehicle Body Trace at the Road Traffic Accident Scene |
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 |