CN115310228A - 基于数字孪生的齿轮修形设计方法 - Google Patents
基于数字孪生的齿轮修形设计方法 Download PDFInfo
- Publication number
- CN115310228A CN115310228A CN202210951222.6A CN202210951222A CN115310228A CN 115310228 A CN115310228 A CN 115310228A CN 202210951222 A CN202210951222 A CN 202210951222A CN 115310228 A CN115310228 A CN 115310228A
- Authority
- CN
- China
- Prior art keywords
- gear
- node
- matrix
- graph
- simulation
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数字孪生的齿轮修形设计方法,包括如下步骤:步骤一:在待修形齿轮的三维几何区域内进行随机采样,构建节点图G;步骤二:将图G输入到多层图卷积神经网络中,调整采样点的位置,输出修形后的齿轮;步骤三:将修形后的齿轮输入到齿轮动力传播数字孪生模型Sθ中进行齿轮传动模拟,对节点图进行循环迭代处理,获得最终的性能指标步骤四:判断性能指标是否达到目标性能指标P;若是,则执行步骤七;若否,则执行步骤五;步骤五:通过L2‑范数计算性能指标与目标性能指标P的差值作为修形优化的损失L;步骤六:将损失值L进行反向传播,依次计算Sθ和图卷积修形网络参数对L的梯度,更新多层图卷积网络的梯度,执行步骤一;步骤七:停止修形。
Description
技术领域
本发明属于齿轮设计技术领域,具体的为一种基于数字孪生的齿轮修形设计方法。
背景技术
新能源汽车电驱动系统传动齿轮集成优化设计难度大,功率密度性能要求高,且NVH等指标要求更为严格,对齿轮的修形设计带来了新的挑战。传统齿轮修形方法多采用有限元仿真和经验辅助迭代优化的方式进行齿轮修形,此类方法受限于仿真计算速度慢、仿真计算精度偏差和系统性修形理论方法缺失导致修形过程需反复迭代,不仅修形周期长,修形效果也难以在设计阶段得到保证,且多仅能针对齿轮单一性能指标进行针对性修形,难以统筹齿轮多性能指标进行协同修形,无法满足当前新能源汽车电驱系统齿轮性能指标相对应的修形设计要求。传统齿轮修形方法缺陷的主要原因集中在两点:
1、齿轮真实运行过程中的复杂动力学偏微分方程高度非线性,无法得到解析解,数值仿真计算速度慢;
2、齿轮修形量和最终的目标性能指标间不具备微分关系,在设计阶段只能借助于离散优化通过数次仿真找到一个相对好的修形量,过程非常耗时,不适用于新能源汽车电驱系统所要求的精细齿轮修形设计。
发明内容
有鉴于此,本发明的目的在于提供一种基于数字孪生的齿轮修形设计方法,能够实现在设计阶段对齿轮进行快速精确修形的技术目的。
为达到上述目的,本发明提供如下技术方案:
一种基于数字孪生的齿轮修形设计方法,包括如下步骤:
步骤一:在待修形齿轮的三维几何区域内进行随机采样,得到足够多的节点,构建节点图G;
步骤二:将图G输入到多层图卷积神经网络中,利用多层图卷积神经网络调整采样点的位置,输出修形后的齿轮;
步骤六:将损失值L进行反向传播,依次计算齿轮动力传播数字孪生模型Sθ和图卷积修形网络参数对L的梯度,并通过梯度下降算法更新多层图卷积网络的梯度,执行步骤一;
步骤七:停止修形,得到修行后的齿轮几何数字模型。
进一步,所述步骤三中,构建齿轮动力传播数字孪生模型Sθ的构建方法如下:
S1:构建目标齿轮的三维模型,获取目标齿轮的材料属性和工作参数;
S2:结合齿轮性能指标要求,利用目标齿轮的三维模型进行多次有限元仿真,每次仿真均对网格划分方案进行随机调整,并随机选取工作参数作为当次仿真的工况参数,得到齿轮仿真数据;
S3:利用其中一次有限元仿真的齿轮仿真数据求解齿轮状态在时间上的差分增量dθ,从而构建齿轮动力传播数字孪生模型Sθ;
S4:将齿轮仿真数据随机多批次输入到所述齿轮动力传播数字孪生模型Sθ中进行前向传播计算,并与对应有限元仿真过程的数据进行比较,将两者的差值作为损失;通过随机梯度优化器优化齿轮动力传播数字孪生模型Sθ的参数使损失降低至设定阈值以内,得到最终的齿轮动力传播数字孪生模型Sθ。
进一步,所述步骤S1中,所述工作参数包括功率、转速和负载的工作区间。
进一步,所述步骤S2中,齿轮仿真数据获取方法如下:
21)保存每次仿真中每一个时间步节点i的节点位移ui、节点速度vi、节点加速度ai和节点力fi,并组合成节点状态向量xi;
进一步,所述步骤S3中,齿轮状态在时间上的差分增量的求解方法为:
31)利用动力信息编码网络将齿轮每个节点i的状态向量xi编码至隐空间向量hi;
32)根据所有节点的隐空间向量hi在齿轮上的原始坐标位置,构建节点图G';
33)构建节点图G'的对称规范化拉普拉斯矩阵,将图G送入动力信息前向传播网络中,模拟齿轮在复杂动力环境下的作用规律,输出GM;
其中,表示齿轮数字模型在tk+1时刻的状态矩阵;Tmask和Fmask均为掩码算子,且:Tmask算子矩阵中所有处于边界条件点对应的系数均为0,非边界条件节点对应的系数均为1;为Tmask的二进制取反,Fmask算子表示齿轮受外部工况设定约束导致的变化量。
进一步,所述步骤31)中,利用动力信息编码网络将齿轮每个节点i的状态向量xi编码至隐空间向量hi的方法为:
312)将每一个状态向量xi均送入同一个共享的动力信息编码网络MLP,并输出隐空间向量hi,隐空间向量hi记录了采样节点i在齿轮上的原始坐标位置。
进一步,所述步骤32)中,节点图G'的构建方法为:
321)根据目标齿轮的实际几何形状指定距离r,对每一个节点i,遍历以i为球心、以r为半径的三维球中的所有节点j,若||pi-pj||2<r(||·||2为2-范数),则创建节点i和节点j的边,表示为eij,eij的值为其中,γ为系数;pi表示节点i的位置坐标向量;pj表示节点j的位置坐标向量;
322)循环执行步骤321),直至遍历所有节点i及其临近节点j,构建得到节点图G'。
进一步,所述步骤33)中,节点图G'的对称规范化拉普拉斯矩阵的构建方法为:
331)通过eij构建节点图G'的邻接矩阵A,邻接矩阵A为N×N的方阵,方阵元素表征两对应节点的空间度量关系,若两节点i,j相邻,则aij=eij,否则aij=0,aij为邻接矩阵元素,即aij∈A;
332)构建节点图G'的对称规范化拉普拉斯矩阵Lsys,计算公式为:
Lsys=D-1/2LD-1/2
其中,D为图G'的度矩阵,L为图G'的拉普拉斯矩阵;
拉普拉斯矩阵可由邻接矩阵求得:L=D-A。
进一步,所述步骤33)中,利用动力信息前向传播网络模拟齿轮在复杂动力环境下的作用规律的方法为:
333)动力信息传播网络由M层基于图神经网络的GN网络组成,其中第m层网络为GNm;由于图G'的对称规范化拉普拉斯矩阵Lsys为对称阵,因此GN网络首先对Lsys进行特征分解:
对称规范化拉普拉斯矩阵Lsys的特征值矩阵Λ为:
由于输入特征是具有k通道的图结构,为每一个通道设计一组滤波器参数gθ(Λ):
335)利用动力信息前向传播网络分别针对齿间啮合的节点间动力学传播过程和齿轮内部动力学传播过程进行处理,最终输出图GM。
本发明的有益效果在于:
本发明基于数字孪生的齿轮修形设计方法,通过图卷积网络对齿轮几何变形进行调整,以达到修形的目的,并通过齿轮传动数字孪生模型对修形后的齿轮进行快速模拟并获取其性能指标,整个计算过程均具备梯度跟踪保持,建立了齿轮修形量和其目标性能指标的微分关系,使得模型可通过梯度下降算法对齿轮各项性能指标进行快速精细齿轮修形,让修形在设计阶段即可得到最优化,缩短了齿轮的设计时间,大幅提升了设计能力和质量,具备现实意义和良好的应用前景。
通过构建齿轮动力传播数字孪生模型,结合目标齿轮的三维模型和工作参数,利用多次有限元仿真能够或者反应齿轮运行历史或实时状态的齿轮仿真数据,从而能够从齿轮运行真实数据中学习齿轮潜在的隐式动力学表示,得到齿轮状态在时间上的差分增量,利用该差分增量能够构建得到齿轮动力传播数字孪生模型,最后利用多次有限元仿真数据对齿轮动力传播数字孪生模型的参数进行优化,使齿轮动力传播数字孪生模型的模拟精度不断逼进有限元仿真计算的精度,优化后得到的齿轮动力传播数字孪生模型能够应用于齿轮修形中,能够满足在设计阶段对齿轮进行快速精确修形的技术目的。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明基于数字孪生的齿轮修形设计方法实施例中的齿轮修形过程图;
图2为齿轮动力传播数字孪生模型的结构图;
图3为动力信息编码器网络的原理图;
图4为节点图构建过程示意图;
图5为动力信息前向传播网络中的单层GN网络结构图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1所示,本实施例基于数字孪生的齿轮修形设计方法,包括如下步骤:
步骤一:在待修形齿轮的三维几何区域内进行随机采样,得到足够多的节点,构建节点图G。
步骤二:将图G输入到多层图卷积神经网络中,利用多层图卷积神经网络调整采样点的位置,输出修形后的齿轮。
步骤六:将损失值L进行反向传播,依次计算齿轮动力传播数字孪生模型Sθ和图卷积修形网络参数对L的梯度,并通过梯度下降算法更新多层图卷积网络的梯度,执行步骤一。
步骤七:停止修形,得到修行后的齿轮几何数字模型。
具体的,步骤三中,齿轮动力传播数字孪生模型Sθ的构建方法如下。
S1:构建目标齿轮的三维模型,获取目标齿轮的材料属性和工作参数。工作参数包括功率、转速和负载的工作区间。
S2:结合齿轮性能指标要求,利用目标齿轮的三维模型进行多次有限元仿真,具体的,一般进行50次以上的有限元仿真。每次仿真均对网格划分方案进行随机调整,并随机选取工作参数作为当次仿真的工况参数,即随机选取齿轮功率、转速和负载工作区间内的工作参数设定为当次仿真的工况参数,得到齿轮仿真数据。本实施例中,齿轮仿真数据获取方法如下:
21)保存每次仿真中每一个时间步节点i的节点位移ui、节点速度vi、节点加速度ai和节点力fi,并组合成节点状态向量xi;
S3:利用其中一次有限元仿真的齿轮仿真数据求解齿轮状态在时间上的差分增量,从而构建齿轮动力传播数字孪生模型Sθ,构建得到的齿轮动力传播数字孪生模型Sθ如图2所示。具体的,本实施例中,齿轮动力传播数字孪生模型Sθ为齿轮在单个时间步的状态转移模拟器,即Sθ将齿轮在tk时间的状态转移到tk+1时间状态:其中,θ为状态转移模拟器待学习优化参数。Sθ的核心是一个状态微分模拟器dθ,dθ表征齿轮状态在时间上的微分增量,此处由于设定为定长时间步,则dθ表征齿轮状态在时间上的差分增量,通过状态微分模拟器dθ即可确定状态转移过程Sθ。若不考虑边界条件,即:状态微分模拟器dθ包括动力信息编码网络、动力信息前向传播网络和动力信息解码网络三部分。具体的,本实施例中,齿轮状态在时间上的差分增量的求解方法为:
31)利用动力信息编码网络将齿轮每个节点i的状态向量xi编码至隐空间向量hi。如图3所示,具体方法为:
312)将每一个状态向量xi均送入同一个共享的动力信息编码网络MLP,并输出隐空间向量hi,隐空间向量hi记录了采样节点i在齿轮上的原始坐标位置。
32)根据所有节点的隐空间向量hi在齿轮上的原始坐标位置,构建节点图G',节点图G'的构建过程如图4所示。具体的,节点图G'的构建方法为:
321)根据目标齿轮的实际几何形状指定距离r,对每一个节点i,遍历以i为球心、以r为半径的三维球中的所有节点j,若||pi-pj||2<r(||·||2为2-范数),则创建节点i和节点j的边,表示为eij,eij的值为其中,γ为系数,根据实际齿轮的大小进行合理设置;pi表示节点i的位置坐标向量;pj表示节点j的位置坐标向量;
322)循环执行步骤321),直至遍历所有节点i及其临近节点j,构建得到节点图G'。
33)构建节点图G'的对称规范化拉普拉斯矩阵,将图G送入动力信息前向传播网络中,模拟齿轮在复杂动力环境下的作用规律,输出GM。具体的,节点图G'的对称规范化拉普拉斯矩阵的构建方法为:
331)通过eij构建节点图G'的邻接矩阵A,邻接矩阵A为N×N的方阵,方阵元素表征两对应节点的空间度量关系,若两节点i,j相邻,则aij=eij,否则aij=0,aij为邻接矩阵元素,即aij∈A;
332)构建节点图G'的对称规范化拉普拉斯矩阵Lsys,计算公式为:
Lsys=D-1/2LD-1/2
其中,D为图G'的度矩阵,L为图G'的拉普拉斯矩阵;
拉普拉斯矩阵可由邻接矩阵求得:L=D-A。
节点图G'包含了齿轮当前采样节点的动力信息及齿轮的几何拓扑结构。接下来将图G'送入动力信息前向传播网络中,模拟齿轮在复杂动力环境下的作用规律。具体的,利用动力信息前向传播网络模拟齿轮在复杂动力环境下的作用规律的方法为:
333)动力信息传播网络由M层基于图神经网络的GN网络组成,其中第m层网络为GNm,多层GN网络均采用残差结构进行前后连接,以保证后续训练过程梯度能够有效传播。GN网络的具体结构图5所示,由于图G'的对称规范化拉普拉斯矩阵Lsys为对称阵,因此GN网络首先对Lsys进行特征分解(谱分解):
对称规范化拉普拉斯矩阵Lsys的特征值矩阵Λ为:
由于输入特征是具有k通道的图结构,为每一个通道设计一组滤波器参数gθ(Λ):
335)由于齿轮自身内部的动力学传播规律和齿轮齿间啮合的动力学传播规律不一样,因此动力信息前向传播为两个不同的处理过程,即分别只针对齿间啮合的节点间动力学传播过程和齿轮内部弹性应力等的动力学传播过程。利用动力信息前向传播网络分别针对齿间啮合的节点间动力学传播过程和齿轮内部动力学传播过程进行处理,最终输出图GM。
34)利用动力信息解码网络得到当前时刻节点状态向量的微分表示将节点状态向量微分叠加到上一时刻的节点状态矩阵中,并根据数字孪生体的边界条件更新节点状态矩阵信息。边界条件采用两个掩码算子对边界条件节点的位移更新进行屏蔽,分别为Tmask和Fmask,则齿轮数字模型在tk+1时刻的状态信息表示为:
其中,表示齿轮数字模型在tk+1时刻的状态矩阵;Tmask和Fmask均为掩码算子,且:Tmask算子矩阵中所有处于边界条件点对应的系数均为0,非边界条件节点对应的系数均为1;为Tmask的二进制取反,Fmask算子表示齿轮受外部工况设定约束导致的变化量。
得到齿轮动力传播数字孪生模型Sθ。
S4:将动力传播数字孪生模型分布式部署在多GPU计算环境中,将齿轮仿真数据随机多批次输入到所述齿轮动力传播数字孪生模型Sθ中进行前向传播计算,并与对应有限元仿真过程的数据进行比较,将两者的差值作为损失;通过反向传播算法对损失进行反向传播并计算齿轮动力传播数字孪生模型各层待优化参数对损失梯度,通过Adam等随机梯度优化器优化齿轮动力传播数字孪生模型参数使得损失不断降低,让齿轮动力传播数字孪生模型的模拟精度不断逼进有限元仿真计算的精度,直至损失降低至设定阈值以内,优化完成,保存齿轮动力传播数字孪生模型,得到最终的齿轮动力传播数字孪生模型Sθ。
具体的,本实施例的步骤一中,节点图G的构建方法与步骤31)和步骤32)中记载的节点图G'的构建方法相同,不再累述。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (9)
1.一种基于数字孪生的齿轮修形设计方法,其特征在于:包括如下步骤:
步骤一:在待修形齿轮的三维几何区域内进行随机采样,得到足够多的节点,构建节点图G;
步骤二:将图G输入到多层图卷积神经网络中,利用多层图卷积神经网络调整采样点的位置,输出修形后的齿轮;
步骤六:将损失值L进行反向传播,依次计算齿轮动力传播数字孪生模型Sθ和图卷积修形网络参数对L的梯度,并通过梯度下降算法更新多层图卷积网络的梯度,执行步骤一;
步骤七:停止修形,得到修行后的齿轮几何数字模型。
2.根据权利要求1所述基于数字孪生的齿轮修形设计方法,其特征在于:所述步骤三中,构建齿轮动力传播数字孪生模型Sθ的构建方法如下:
S1:构建目标齿轮的三维模型,获取目标齿轮的材料属性和工作参数;
S2:结合齿轮性能指标要求,利用目标齿轮的三维模型进行多次有限元仿真,每次仿真均对网格划分方案进行随机调整,并随机选取工作参数作为当次仿真的工况参数,得到齿轮仿真数据;
S3:利用其中一次有限元仿真的齿轮仿真数据求解齿轮状态在时间上的差分增量dθ,从而构建齿轮动力传播数字孪生模型Sθ;
S4:将齿轮仿真数据随机多批次输入到所述齿轮动力传播数字孪生模型Sθ中进行前向传播计算,并与对应有限元仿真过程的数据进行比较,将两者的差值作为损失;通过随机梯度优化器优化齿轮动力传播数字孪生模型Sθ的参数使损失降低至设定阈值以内,得到最终的齿轮动力传播数字孪生模型Sθ。
3.根据权利要求2所述基于数字孪生的齿轮修形设计方法,其特征在于:所述步骤S1中,所述工作参数包括功率、转速和负载的工作区间。
5.根据权利要求4所述基于数字孪生的齿轮修形设计方法,其特征在于:所述步骤S3中,齿轮状态在时间上的差分增量的求解方法为:
31)利用动力信息编码网络将齿轮每个节点i的状态向量xi编码至隐空间向量hi;
32)根据所有节点的隐空间向量hi在齿轮上的原始坐标位置,构建节点图G';
33)构建节点图G'的对称规范化拉普拉斯矩阵,将图G'送入动力信息前向传播网络中,模拟齿轮在复杂动力环境下的作用规律,输出GM;
8.根据权利要求7所述基于数字孪生的齿轮修形设计方法,其特征在于:所述步骤33)中,节点图G'的对称规范化拉普拉斯矩阵的构建方法为:
331)通过eij构建节点图G'的邻接矩阵A,邻接矩阵A为N×N的方阵,方阵元素表征两对应节点的空间度量关系,若两节点i,j相邻,则aij=eij,否则aij=0,aij为邻接矩阵元素,即aij∈A;
332)构建节点图G'的对称规范化拉普拉斯矩阵Lsys,计算公式为:
Lsys=D-1/2LD-1/2
其中,D为图G'的度矩阵,L为图G'的拉普拉斯矩阵;
拉普拉斯矩阵可由邻接矩阵求得:L=D-A。
9.根据权利要求8所述基于数字孪生的齿轮修形设计方法,其特征在于:所述步骤33)中,利用动力信息前向传播网络模拟齿轮在复杂动力环境下的作用规律的方法为:
333)动力信息传播网络由M层基于图神经网络的GN网络组成,其中第m层网络为GNm;由于图G'的对称规范化拉普拉斯矩阵Lsys为对称阵,因此GN网络首先对Lsys进行特征分解:
对称规范化拉普拉斯矩阵Lsys的特征值矩阵Λ为:
由于输入特征是具有k通道的图结构,为每一个通道设计一组滤波器参数gθ(Λ):
335)利用动力信息前向传播网络分别针对齿间啮合的节点间动力学传播过程和齿轮内部动力学传播过程进行处理,最终输出图GM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210951222.6A CN115310228B (zh) | 2022-08-09 | 2022-08-09 | 基于数字孪生的齿轮修形设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210951222.6A CN115310228B (zh) | 2022-08-09 | 2022-08-09 | 基于数字孪生的齿轮修形设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115310228A true CN115310228A (zh) | 2022-11-08 |
CN115310228B CN115310228B (zh) | 2023-06-27 |
Family
ID=83861591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210951222.6A Active CN115310228B (zh) | 2022-08-09 | 2022-08-09 | 基于数字孪生的齿轮修形设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310228B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109249186A (zh) * | 2018-11-12 | 2019-01-22 | 重庆大学 | 一种精密减速器行星齿轮智能制造系统 |
CN112417742A (zh) * | 2021-01-22 | 2021-02-26 | 浙江中自庆安新能源技术有限公司 | 一种基于数字孪生模型的齿轮箱寿命动态评估方法及系统 |
CN113221277A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生模型的轴承性能退化评估方法及系统 |
WO2022099997A1 (zh) * | 2020-11-16 | 2022-05-19 | 杭州景业智能科技股份有限公司 | 基于数字孪生映射的主从联动控制方法和系统 |
WO2022121923A1 (zh) * | 2020-12-10 | 2022-06-16 | 东北大学 | 复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质 |
CN114719962A (zh) * | 2022-04-12 | 2022-07-08 | 重庆大学 | 基于机器学习的机械振动数字孪生模型构建方法 |
WO2022148077A1 (zh) * | 2021-01-07 | 2022-07-14 | 大连理工大学 | 智能挖掘机的结构性能数字孪生体构建方法 |
-
2022
- 2022-08-09 CN CN202210951222.6A patent/CN115310228B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109249186A (zh) * | 2018-11-12 | 2019-01-22 | 重庆大学 | 一种精密减速器行星齿轮智能制造系统 |
WO2022099997A1 (zh) * | 2020-11-16 | 2022-05-19 | 杭州景业智能科技股份有限公司 | 基于数字孪生映射的主从联动控制方法和系统 |
WO2022121923A1 (zh) * | 2020-12-10 | 2022-06-16 | 东北大学 | 复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质 |
WO2022148077A1 (zh) * | 2021-01-07 | 2022-07-14 | 大连理工大学 | 智能挖掘机的结构性能数字孪生体构建方法 |
CN112417742A (zh) * | 2021-01-22 | 2021-02-26 | 浙江中自庆安新能源技术有限公司 | 一种基于数字孪生模型的齿轮箱寿命动态评估方法及系统 |
CN113221277A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生模型的轴承性能退化评估方法及系统 |
CN114719962A (zh) * | 2022-04-12 | 2022-07-08 | 重庆大学 | 基于机器学习的机械振动数字孪生模型构建方法 |
Non-Patent Citations (2)
Title |
---|
JIALAN LIUA等: "A four-terminal-architecture cloud-edge-based digital twin system for thermal error control of key machining equipment in production lines", MECHANICAL SYSTEMS AND SIGNAL PROCESSING, pages 1 - 44 * |
王时龙;王彦凯;杨波;王四宝;: "基于层次化数字孪生的工业互联网制造新范式――雾制造", 计算机集成制造系统, no. 12, pages 3070 - 3080 * |
Also Published As
Publication number | Publication date |
---|---|
CN115310228B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Gear reducer optimal design based on computer multimedia simulation | |
Papalambros | The optimization paradigm in engineering design: promises and challenges | |
CN111203890B (zh) | 一种机器人的位置误差补偿方法 | |
CN110046408B (zh) | 基于bp神经网络微分与区间分析的区间不确定性优化方法 | |
CN112187554B (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
CN105427360B (zh) | 一种动态网格的误差可控cage序列表示算法 | |
CN109344969B (zh) | 神经网络系统及其训练方法以及计算机可读介质 | |
CN115310227B (zh) | 齿轮动力传播数字孪生模型构建方法 | |
CN106169095A (zh) | 主动学习大数据标注方法和系统 | |
CN114719962A (zh) | 基于机器学习的机械振动数字孪生模型构建方法 | |
He et al. | Aerodynamic optimisation of a high-speed train head shape using an advanced hybrid surrogate-based nonlinear model representation method | |
Yang et al. | Thermal error modeling by integrating GWO and ANFIS algorithms for the gear hobbing machine | |
Rao et al. | Fuzzy logic-based expert system to predict the results of finite element analysis | |
CN115310228A (zh) | 基于数字孪生的齿轮修形设计方法 | |
Yu et al. | Environmental landscape art design using dynamic nonlinear parameterization | |
CN115972216B (zh) | 并联机器人正运动求解方法、控制方法、设备及存储介质 | |
CN112232565A (zh) | 基于两阶段的时间序列预测方法、预测系统、终端及介质 | |
Sun et al. | An advanced form-finding of tensegrity structures aided with noise-tolerant zeroing neural network | |
CN111444614B (zh) | 一种基于图卷积的流场重构方法 | |
Jia et al. | CEO election optimization algorithm and its application in constrained optimization problem | |
Wang et al. | Learning to abstract and compose mechanical device function and behavior | |
CN112488248A (zh) | 一种基于卷积神经网络的代理模型的构建方法 | |
Miao et al. | Rotate vector reducer design using resnet-based model and integration of discretized optimization | |
CN111274665A (zh) | 一种模拟裂纹尖端应力场的数值方法和系统 | |
CN116562186B (zh) | 基于模拟-优化的水下输气管道泄漏参数反演方法与系统 |
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 |