CN115422814B - 一种数字孪生驱动的复杂机电产品闭环优化设计方法 - Google Patents

一种数字孪生驱动的复杂机电产品闭环优化设计方法 Download PDF

Info

Publication number
CN115422814B
CN115422814B CN202211372871.7A CN202211372871A CN115422814B CN 115422814 B CN115422814 B CN 115422814B CN 202211372871 A CN202211372871 A CN 202211372871A CN 115422814 B CN115422814 B CN 115422814B
Authority
CN
China
Prior art keywords
digital twin
data
design
model
closed
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
Application number
CN202211372871.7A
Other languages
English (en)
Other versions
CN115422814A (zh
Inventor
王泓晖
刘新宇
刘贵杰
谢迎春
田晓洁
冷鼎鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Original Assignee
Ocean University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ocean University of China filed Critical Ocean University of China
Priority to CN202211372871.7A priority Critical patent/CN115422814B/zh
Publication of CN115422814A publication Critical patent/CN115422814A/zh
Application granted granted Critical
Publication of CN115422814B publication Critical patent/CN115422814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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

Abstract

本申请属于机电产品新一代智能化与数字化信息技术领域，特别涉及一种数字孪生驱动的复杂机电产品闭环优化设计方法，包括物理实体层、数字孪生层和应用服务层；物理实体层包括复杂机电产品、数据采集装置；数字孪生层包括数字孪生模块和闭环设计驱动模块；应用服务层包括机电产品不同阶段设计过程的需求信息以及闭环设计驱动模块反馈的设计信息。数字孪生驱动的复杂机电产品闭环优化设计方法可以充分挖掘包含与使用环境或工况和机电产品性能与效率等相关的隐性设计需求，同时避免了传统优化设计中由于人工分析引入的主观性数据与模型不准确问题，对产品的更新换代、竞争力的提升具有重要的意义。

Description

一种数字孪生驱动的复杂机电产品闭环优化设计方法
技术领域
本申请属于机电产品新一代智能化与数字化信息技术领域，特别涉及一种数字孪生驱动的复杂机电产品闭环优化设计方法。
背景技术
复杂机电产品是国民经济建设的重要基础装备，如工程机械、高速列车等，其适应性和智能化一直是制造业关注的重点和难题。随着物联网、CPS以及大数据、人工智能等技术的快速发展，使得收集、分析和挖掘越来越多的产品生命周期相关数据并提供给设计人员成为可能。其中，产品在役期间所产生的大量数据中蕴含着更为准确和客观的信息，如何有效利用产品使用和运行数据为复杂机电产品设计领域研究和应用带来新的机遇和挑战。
数字孪生(Digital Twin，DT)是未来十大战略技术之一，为当前制造业的创新和发展提供了新的理念和工具。数字孪生通过建立物理实体与虚拟模型的感知连接，实现多源异构信息物理数据融合下的反馈控制和闭环迭代优化，为复杂机电产品多要素信息物理融合开辟了新途径。数字孪生在机电产品全生命周期中各个阶段均有涵盖，涉及到卫星、电力、智慧城市、船舶、轨道车辆等多个领域。目前数字孪生技术的应用多以设备健康管理和故障诊断为目的，相关研究已成为热点并取得很大进展。相比之下，如何将工况数据和信息反馈至研发设计等前端，相关研究还处于起步阶段。
目前关于复杂机电产品的全生命周期的闭环设计，还存在诸多不足。在设计优化模型方面，现有的技术手段往往难以完整真实地反映机电产品复杂运行环境和工况条件，造成相应设计信息的输入与真实情况存在一定偏差，导致其输出与真实需求存在不同程度的差距，不能与优化设计模型保持完全一致。例如在仿真载荷的设计方面，传统的方法一般根据设计要求计算得出载荷，或使用经验数据进行分析设计，设计参数往往不能真实反映用户需求。对此，在机电产品更新换代过程中，由于设备使用和维护信息反馈不及时、不完整，造成设计过程与运维过程不闭环、研发效率低下、设计周期长等问题。
因此，在复杂机电产品的设计中，亟待解决设计工况模型的客观性、真实性和准确性以及模型不准性问题，并建立运维数据及时反馈给设计过程的闭环优化设计方法。
发明内容
基于上述问题，本申请提供一种改善设计模型的客观性、真实性和准确性以及设计过程与运维过程不闭环的问题的数字孪生驱动的复杂机电产品闭环优化设计方法。其技术方案为，
一种数字孪生驱动的复杂机电产品闭环优化设计方法，包括物理实体层、数字孪生层、闭环设计驱动模块和应用服务层；
物理实体层包括复杂机电产品、数据采集装置；
数字孪生层包括数字孪生模块和闭环设计驱动模块；数据采集装置采集复杂机电产品的多元数据并将多元数据通过数字孪生映射策略映射到数字孪生模块；数字孪生模块包括数据处理模块、多元特征集成模块以及数字孪生预测模块；
数据处理模块用于对多元数据进行预处理并建立交互接口将多元数据传输至多元特征集成模块；
数字孪生预测模块采用数字孪生修正方法与数字孪生预测方法用于评估和预测设计参数以及工况对机电产品性能的影响；
闭环设计驱动模块通过数字孪生模块的评估结果以及应用服务层提供的需求信息作为驱动建立闭环优化驱动函数和规则库，通过对应的算法库完成设计方案的优化；
应用服务层包括需求分析、概念设计、方案设计和详细设计不同阶段的机电产品设计过程，是与数字孪生层设计信息的交互和反馈的过程，随着信息和知识的增加而不断迭代直至获得最终优化方案。
优选的，闭环设计驱动模块优化步骤如下：
S11.建立闭环优化驱动函数
式中 X*表示第 N代产品的设计方案， Y Actual 为第 N代产品使用过程中获取的实际响应， Y Expected 表示数字孪生预测模型的预测响应， Q Actual 表示通过闭环优化驱动函数得到的能够准确反映客观实际的新的系统参数；
S12.基于闭环优化驱动函数选取对应的优化算法，优化得到一个或一组最优系统参数，且，为假定的边界条件；
S13.分别以和最优系统参数作为闭环优化驱动函数的输入和输出，为应用服务层提供设计信息用于指导第 N+1代产品的系统参数和设计方案的选择，其中 X为设计变量， Y为系统响应。
优选的，多元特征集成模块分析步骤如下：
步骤3-1.特征识别：将来自数据处理模块的特征数据进行识别，用于对多特征模型的输入；
步骤3-2.多元特征模型：使用非负矩阵分解的方法用来融合多元特征子集，并对每个特征子集基矩阵与不同特征之间的系数矩阵进行分析，建立多元特征集成模型并更新不同特征子集模型之间的子空间；
步骤3-3.基础学习模型：使用分类器算法包括朴素贝叶斯算法、决策树算法来学习新的特征子集模型子空间，并更新当前的分类器；
步骤3-4.多元特征集成模型：通过投票法，获得集成学习的分类器结果；
重复步骤3-3和步骤3-4，持续更新直至得到可以与物理实体层多元数据相互映射并持续更新的多元特征集成模型。
优选的，多元特征模型构建如下，
式中为重构误差， L 1 为范式用来约束子空间所表示的稀疏性， V表示每个特征子集所描述的特征， R V 表述关于特征 V的多元数据集， H v 表示每个特征子集的基矩阵， λ 1表示权重， Z表示不同特征子集模型之间的子空间，参数 a v 为各个特征子集的权重；对此，完成不同特征子集之间约束关系以及多元特征模型的重构误差更新，得到融合多元特征子集的多元特征模型。
优选的，数据处理模块包括数据预处理方法与数据交互接口构建方法；所述数据预处理是将映射过来的多元数据通过数据滤波方法处理剔除离群点、噪声点及异常值；所述数据交互接口是构建基于统一建模语言的多元数据信息注入接口；
所述多元数据包括用户数据、产品数据、环境工况数据；用户数据包括用户需求反馈数据、用户在线操作数据、维修数据、履历数据；产品数据包括零部件工艺数据、装配数据、质量数据；环境工况数据包括运行环境监测数据、工况实时感知数据。
优选的，所述交互接口是采用Socket通讯接口将多元数据信息注入到多元特征集成模块。
优选的，所述数字孪生预测模块包括数字孪生修正方法、数字孪生模型、数字孪生预测方法，
数字孪生修正方法：将多元特征集成模型采用修正算法用来保持模型的输出和物理实体的实时输出的一致性程度，建立一致性度量模型；
数字孪生模型：采用搜索法优化特征参数的求解过程，在搜索求解过程中，选用拉丁超立方抽样的试验方法将特征参数进行向量表示，并结合一致性度量模型，寻找全局和局部最优参数解；在参数选择过程中，引入迭代机制，采用迭代取值验证特征参数动态调整的可靠性，如果满足条件，则得到数字孪生模型；
数字孪生预测方法：基于建立的数字孪生模型采用径向神经网络或卷积神经网络建立数字孪生预测模型，用于评估和预测产品的运行状态和性能。
优选的，数字孪生修正算法用来保持模型的输出和物理实体的实时输出的一致性程度，建立一致性度量模型，
式中，表示数字孪生模型的输出，表示采集装置获取的物理实体实时数据输入；表示 t时刻的模型一致性程度。
优选的，由数字孪生预测模块提供的状态评估与性能预测结果以及应用服务层提供的需求信息作为规则库，在闭环设计驱动模块算法库中选取对应的算法，建立闭环优化驱动函数，充分挖掘使用环境或工况数据和机电产品性能与效率等相关的隐性设计需求，完成对设计信息的更新、迭代和优化。
优选的，所述算法库包括遗传算法、模拟退火算法、搜索算法、蚁群算法。
有益效果
1.本发明基于数字孪生的复杂机电产品闭环设计方法的模型边界条件与约束条件等数据来源于真实的物理实体数据，保证闭环优化设计过程中模型的准确性。
2.本发明基于数字孪生的复杂机电产品闭环优化设计方法建立高保真的机电产品数字孪生模型，能够全面完整系统的描述会影响机电产品运行性能和效率的用户及环境工况等因素，保证闭环设计过程中多元数据的完整性。多元数据经过预处理后不是简单的分析应用，而是通过对于多元特征数据的分析计算从而得到可以反映整个产品特征的统一的多元特征集成模型，进而得到可以准确映射物理实体的数字孪生模型。
3.针对概念设计、方案设计等不同设计阶段特点，深入扩展研究相应的数字孪生闭环设计模型与算法，并利用机器学习等热门的人工智能技术提高环境工况相关的特征参数识别效率和质量。针对不同类型装备，如工程机械、高速列车、机床等，开展数字孪生预测模型建立，最优系统参数优化，和设计反馈及闭环优化方法的研究，得到更为客观、准确的优化结果，为复杂机电产品的闭环优化及更新换代提供了具有指导性的设计方法。
4.本发明基于数字孪生的复杂机电产品闭环优化设计方法建立机电产品的数字孪生模型可以重用，避免重复的领域知识分析。设计者通过构建一个统一框架或者一个规范模型来减少概念和术语上的差异，保证闭环设计过程中数据与信息交互的统一性与快捷性。
附图说明
图1为本发明数字孪生驱动的复杂机电产品闭环优化设计方法的整体框架。
图2为本发明高速列车的多元数据分析。
图3为本发明复杂机电产品数字孪生模块的建立方法。
图4为本发明复杂机电产品数字孪生驱动的闭环优化设计流程。
具体实施方式
以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。
一种数字孪生驱动的复杂机电产品闭环优化设计方法，其特征在于：包括物理实体层、数字孪生层和应用服务层；
物理实体层包括复杂机电产品、数据采集装置；
数字孪生层包括数字孪生模块和闭环设计驱动模块；数据采集装置采集复杂机电产品的多元数据并将多元数据通过数字孪生映射策略映射到数字孪生模块；数字孪生模块包括数据处理模块、多元特征集成模块以及数字孪生预测模块；数据处理模块用于对多元数据进行预处理并建立交互接口将多元数据传输至多元特征集成模块；
数字孪生预测模块采用数字孪生修正方法与数字孪生预测方法用于评估和预测设计参数以及工况对机电产品性能的影响；
闭环设计驱动模块通过数字孪生模块的评估结果以及应用服务层提供的需求信息作为驱动建立闭环驱动函数和规则库，通过对应的算法库完成设计方案的优化；
应用服务层包括需求分析、概念设计、方案设计和详细设计不同阶段的机电产品设计过程，是与数字孪生层设计信息的交互和反馈的过程，随着信息和知识的增加而不断迭代直至获得最终优化方案。
数据处理模块包括数据预处理方法与数据交互接口构建方法；所述预处理是将映射过来的多元数据通过数据滤波方法处理剔除离群点、噪声点及异常值；所述交互接口是采用Socket通讯接口将多元数据信息注入到多元特征集成模块。多元特征集成模块的作用在于对具有大量、多源、异构特点的数据进行分析，并基于统一建模语言的多元信息接口技术与深度学习技术建立集成模型，挖掘能够准确映射数字孪生模型的重要特征信息和工况信息，
以高速列车典型的复杂机电产品为例建立数字孪生模块。首先需要建立多元数据的类型和属性。
如图2所示，高速列车多元数据类型包括用户数据、产品数据和环境工况数据。高速列车产品数据由悬挂系统、传动系统、驱动系统、制动系统、构架、轮对等系统的数据构成，以驱动系统为例包括轴承、齿轮箱、变速齿轮、主轴等零部件数据对象，以齿轮箱为例具体的属性数据包括工艺数据、装配数据、质量数据、参数数据等数据。高速列车环境工况数据有结构力学工况、热力学工况、流体力学工况、电磁学工况等数据对象，以结构力学工况为例包括静力学工况和动力学工况类型等数据对象，以动力学工况为例具体的属性数据包括位移数据、加速度数据等数据。高速列车用户数据包括用户使用数据、用户保养数据、用户维修数据等用数据构成。
步骤1数据预处理：确定高速列车多元数据类型和属性后，建立如图3所示的数字孪生模块。首先需要进行数据预处理，采用限幅滤波、小波阈值等滤波方法剔除离群点、噪声点及异常值用来有效地区分类间差距。
步骤2建立特征子集模型：对图2所述的带有数据类型和属性的多元数据进行重要特征数据筛选，例如动力学特征、载荷工况特征、几何特征等特征数据。为提高多元特征识别模块的准确性，从多元特征中选取与类目标相关度大且预处理后剔除冗余特征的特征子集，结合统一语言系统建模工具和专业领域软件例如ANSYS、SIMPACK、CATIA等软件进行特征子集模型的构建。
步骤3多元特征集成模块分析步骤如下：
步骤3-1.特征识别：将来自数据处理模块的特征数据进行识别，用于对多特征模型的输入；
步骤3-2.多元特征模型：使用非负矩阵分解的方法用来融合多元特征子集，并对每个特征子集基矩阵与不同特征之间的系数矩阵进行分析，建立多元特征模型并更新不同特征子集模型之间的子空间，使子空间可更好地重构多元特征模型，更新过程如下式，
式中为重构误差， L 1 为范式用来约束子空间所表示的稀疏性， V表示每个特征子集所描述的特征， R V 表述关于特征 V的多元数据集， H v 表示每个特征子集的基矩阵， λ 1表示权重， Z表示不同特征子集模型之间的子空间，参数 a v 为各个特征子集的权重。对此，完成不同特征子集之间约束关系以及多元特征模型的重构误差更新，得到融合多元特征子集的多元特征模型。
步骤3-3.建立基础学习模型：使用分类器算法包括朴素贝叶斯算法、决策树算法来学习新的特征子集模型子空间，并更新当前的分类器。
步骤3-4.建立多元特征集成模型：通过投票法，获得集成学习的分类器结果，重复步骤3-3和步骤3-4，持续更新直至得到可以与物理实体层多元数据相互映射并持续更新的多元特征集成模型。
所述数字孪生预测模块包括数字孪生修正方法、数字孪生模型、数字孪生预测方法，
数字孪生修正方法：将上述多元特征集成模型采用图3所示修正算法用来保持模型的输出和物理实体的实时输出的一致性程度，建立一致性度量模型，提高可信度。
将特征参数的修正视为一个优化问题，使多元特征集成模型的模拟响应与物理实体测量的瞬时响应之间的误差最小，得到数字孪生模型，具体步骤为：
1）一致性度量模型如下式所示：
式中，表示数字孪生模型的输出，表示采集装置获取的物理实体实时数据输入，表示 t时刻的模型一致性程度；
2）采用搜索法代替非求解法来优化特征参数的求解过程，避免直接求取一致性程度和特征参数两者之间复杂的数学映射关系；在搜索求解过程中，选用拉丁超立方抽样的试验方法将特征参数进行向量表示，并结合一致性度量模型，寻找全局和局部最优参数解；
3）在参数选择过程中，引入迭代机制，采用迭代取值验证特征参数动态调整的可靠性，如果满足条件，则得到数字孪生模型。
数字孪生预测方法：基于建立的数字孪生模型采用径向神经网络或卷积神经网络建立数字孪生预测模型，用于评估和预测产品的运行状态和性能。
闭环设计驱动模块包括闭环优化驱动函数、规则库、算法库，由数字孪生预测模块评估和预测分析以及应用服务层提供的需求信息作为规则库。在闭环设计驱动模块算法库中选取对应的算法，建立闭环优化驱动函数完成对设计信息的更新、迭代和优化。如图4所示为数字孪生驱动的闭化优化设计流程，具体包括如下步骤。
步骤S00传统设计流程：例如在进行机械结构设计时，对所构建的有限元模型施加一定的载荷和边界条件，可以精确地对系统结构的性能响应进行仿真和预测。通过传统的设计模型进而得到最优的结构设计方案，定义设计模型如下式所示。
式中系统参数是设计过程中与系统条件和状态等相关的变量，如结构设计中所需的载荷分布和边界条件等。在概念设计、详细设计等不同的设计阶段，系统参数为设计过程中设计变量 X的选择和优化提供知识依据。例如在上述结构设计的仿真载荷中，由于通常根据设计要求或经验数据进行分析得到假定的载荷分布和边界条件，存在系统参数无法准确反映机电产品的实际情况和用户需求的问题，导致所预测的系统响应 Y与设计方案最终表现出的实际响应存在偏差。
步骤S10闭环优化设计流程：随着产品进入市场后不断上市大量运行，产品真实用户需求和实际性能质量逐渐以各种运行大数据的形式呈现，反映了该产品在实际使用环境工况下的用户潜在需求，可以为设计和优化提供精准信息反馈。通过该反馈过程，可以解决步骤S00传统设计存在的设计需求偏差问题，但产品运行数据的多源、大量和异构等特点需要一种创新性的数据驱动方法对数据进行分析和挖掘。下面提出了一种数字孪生驱动的闭环优化设计流程，具体流程图如图4所示，具体步骤如下所示。
S11.基于步骤S00传统设计模型，且在不确定条件下基于经验数据和假定参数求解得到产品的设计方案，研究并建立上述步骤S00传统设计过程和步骤S10闭环优化设计过程之间的转换和反馈关系，并基于所建立的数字孪生预测模型，建立数字孪生驱动的闭环优化驱动函数如下所示。
式中 X*表示通过步骤S00传统设计模型求解得到的第 N代产品的设计方案， Y Actual 为第 N代产品使用过程中获取的实际响应， Y Expected 表示数字孪生预测模型的预测响应， Q Actual 表示通过闭环优化驱动函数得到的能够准确反映客观实际的新的系统参数。
S12.以数字孪生模型的预测响应作为驱动，基于闭环优化驱动函数选取对应的优化算法包括遗传算法、模拟退火算法、搜索算法、蚁群算法，优化得到一个或一组的最优系统参数，并用其代替步骤S00传统设计中的假定的系统参数，且。
S13.分别以和最优系统参数作为闭环优化驱动函数的输入和输出，产生能够准确反映客观实际的系统参数作为新的设计知识并将其反馈给应用服务层。
步骤S20设计决策过程：应用服务层根据产品研发不同阶段的设计需求，并根据步骤S13反馈的设计知识，得到设计过程所需的客观且准确的设计信息和知识，并将其应用至相应的方案设计、详细设计不同阶段的设计前端，指导设计者进行第 N+1代产品的设计决策。
步骤S30闭环迭代过程：将步骤S13得到的最优系统参数代替步骤S00传统设计过程的系统参数 Q 1 ，将步骤S20得到的第N+1代产品决策方案的设计变量代替步骤S00传统设计过程的设计变量 X；重复上述步骤S00~步骤S30进行优化迭代，形成持续改进的增强闭环设计决策和知识的更新回路，对产品的更新换代、竞争力的提升具有重要的意义。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (7)

1.一种数字孪生驱动的复杂机电产品闭环优化设计方法，其特征在于，包括物理实体层、数字孪生层、闭环设计驱动模块和应用服务层；
物理实体层包括复杂机电产品、数据采集装置；
数字孪生层包括数字孪生模块和闭环设计驱动模块；数据采集装置采集复杂机电产品的多元数据并将多元数据通过数字孪生映射策略映射到数字孪生模块；数字孪生模块包括数据处理模块、多元特征集成模块以及数字孪生预测模块；
数据处理模块用于对多元数据进行预处理并建立交互接口将多元数据传输至多元特征集成模块；
数字孪生预测模块采用数字孪生修正方法与数字孪生预测方法用于评估和预测设计参数以及工况对机电产品性能的影响；
所述数字孪生预测模块包括数字孪生修正方法、数字孪生模型、数字孪生预测方法，
数字孪生修正方法：将多元特征集成模型采用修正算法用来保持模型的输出和物理实体的实时输出的一致性程度，建立一致性度量模型；
D＝<h(1),h(2),…,h(t)>
＝<us1-ur1,us2-ur2，…,ust-urt>
式中，{us1,us2,…,ust}表示数字孪生模型的输出，{ur1,ur2,…,urt}表示采集装置获取的物理实体实时数据输入；D＝<h(1),h(2),…,h(t)>表示t时刻的模型一致性程度；
数字孪生模型：采用搜索法优化特征参数的求解过程，在搜索求解过程中，选用拉丁超立方抽样的试验方法将特征参数进行向量表示，并结合一致性度量模型，寻找全局和局部最优参数解；在参数选择过程中，引入迭代机制，采用迭代取值验证特征参数动态调整的可靠性，如果满足条件，则得到数字孪生模型；
数字孪生预测方法：基于建立的数字孪生模型采用径向神经网络或卷积神经网络建立数字孪生预测模型，用于评估和预测产品的运行状态和性能；
闭环设计驱动模块通过数字孪生模块的评估结果以及应用服务层提供的需求信息作为驱动建立闭环优化驱动函数和规则库，通过对应的算法库完成设计方案的优化，闭环设计驱动模块优化步骤如下：
S11.建立闭环优化驱动函数
Figure FDA0003990083880000011
式中X*表示第N代产品的设计方案，YActual为第N代产品使用过程中获取的实际响应，YExpected表示数字孪生预测模型的预测响应，QActual表示通过闭环优化驱动函数得到的能够准确反映客观实际的新的系统参数；
S12.基于闭环优化驱动函数选取对应的优化算法，优化得到一个或一组最优系统参数
Figure FDA0003990083880000021
且
Figure FDA0003990083880000022
QAssumed为假定的边界条件；
S13.分别以
Figure FDA0003990083880000023
和最优系统参数
Figure FDA0003990083880000024
作为闭环优化驱动函数
Figure FDA0003990083880000025
的输入和输出，为应用服务层提供设计信息用于指导第N+1代产品的系统参数和设计方案的选择，其中X为设计变量，Y为系统响应；
应用服务层包括需求分析、概念设计、方案设计和详细设计不同阶段的机电产品设计过程，是与数字孪生层设计信息的交互和反馈的过程，随着信息和知识的增加而不断迭代直至获得最终优化方案。
2.根据权利要求1所述的一种数字孪生驱动的复杂机电产品闭环优化设计方法，其特征在于，多元特征集成模块分析步骤如下：
步骤3-1.特征识别：将来自数据处理模块的特征数据进行识别，用于对多特征模型的输入；
步骤3-2.多元特征模型：使用非负矩阵分解的方法用来融合多元特征子集，并对每个特征子集基矩阵与不同特征之间的系数矩阵进行分析，建立多元特征集成模型并更新不同特征子集模型之间的子空间；
步骤3-3.基础学习模型：使用分类器算法包括朴素贝叶斯算法、决策树算法来学习新的特征子集模型子空间，并更新当前的分类器；
步骤3-4.多元特征集成模型：通过投票法，获得集成学习的分类器结果；
重复步骤3-3和步骤3-4，持续更新直至得到可以与物理实体层多元数据相互映射并持续更新的多元特征集成模型。
3.根据权利要求2所述的一种数字孪生驱动的复杂机电产品闭环优化设计方法，其特征在于，多元特征模型构建如下，
Figure FDA0003990083880000026
式中
Figure FDA0003990083880000027
为重构误差，L1为范式用来约束子空间所表示的稀疏性，V表示每个特征子集所描述的特征，RV表述关于特征V的多元数据集，Hv表示每个特征子集的基矩阵，λ1表示权重，Z表示不同特征子集模型之间的子空间，参数av为各个特征子集的权重；对此，完成不同特征子集之间约束关系以及多元特征模型的重构误差更新，得到融合多元特征子集的多元特征模型。
4.根据权利要求1所述的一种数字孪生驱动的复杂机电产品闭环优化设计方法，其特征在于，数据处理模块包括数据预处理方法与数据交互接口构建方法；所述数据预处理是将映射过来的多元数据通过数据滤波方法处理剔除离群点、噪声点及异常值；所述数据交互接口是构建基于统一建模语言的多元数据信息注入接口；
所述多元数据包括用户数据、产品数据、环境工况数据；用户数据包括用户需求反馈数据、用户在线操作数据、维修数据、履历数据；产品数据包括零部件工艺数据、装配数据、质量数据；环境工况数据包括运行环境监测数据、工况实时感知数据。
5.根据权利要求1所述的一种数字孪生驱动的复杂机电产品闭环优化设计方法，其特征在于，所述交互接口是采用Socket通讯接口将多元数据信息注入到多元特征集成模块。
6.根据权利要求1所述的一种数字孪生驱动的复杂机电产品闭环优化设计方法，其特征在于，由数字孪生预测模块提供的状态评估与性能预测结果以及应用服务层提供的需求信息作为规则库，在闭环设计驱动模块算法库中选取对应的算法，建立闭环优化驱动函数，充分挖掘使用环境或工况数据和机电产品性能与效率等相关的隐性设计需求，完成对设计信息的更新、迭代和优化。
7.根据权利要求1所述的一种数字孪生驱动的复杂机电产品闭环优化设计方法，其特征在于，所述算法库包括遗传算法、模拟退火算法、搜索算法、蚁群算法。
CN202211372871.7A 2022-11-04 2022-11-04 一种数字孪生驱动的复杂机电产品闭环优化设计方法 Active CN115422814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211372871.7A CN115422814B (zh) 2022-11-04 2022-11-04 一种数字孪生驱动的复杂机电产品闭环优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211372871.7A CN115422814B (zh) 2022-11-04 2022-11-04 一种数字孪生驱动的复杂机电产品闭环优化设计方法

Publications (2)

Publication Number Publication Date
CN115422814A CN115422814A (zh) 2022-12-02
CN115422814B true CN115422814B (zh) 2023-04-28

Family

ID=84207363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211372871.7A Active CN115422814B (zh) 2022-11-04 2022-11-04 一种数字孪生驱动的复杂机电产品闭环优化设计方法

Country Status (1)

Country Link
CN (1) CN115422814B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115660293B (zh) * 2022-12-14 2023-06-30 中国海洋大学 基于数字孪生的复杂机电产品全生命周期综合评价方法
CN116341131B (zh) * 2023-02-13 2023-08-25 北京信息科技大学 基于数字孪生的再制造设计仿真系统、方法、设备及介质
CN116050190B (zh) * 2023-03-31 2023-06-23 中国海洋大学 一种基于数字孪生的产品性能和退化状态分析方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611313A (zh) * 2022-03-21 2022-06-10 西南交通大学 一种基于模型融合的复杂产品数字孪生构建与应用方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10417614B2 (en) * 2016-05-06 2019-09-17 General Electric Company Controlling aircraft operations and aircraft engine components assignment
CN112427624B (zh) * 2020-11-04 2021-11-09 中国科学院重庆绿色智能技术研究院 一种基于数字孪生的铸锻双控成型系统及参数优化方法
CN112659127A (zh) * 2020-12-25 2021-04-16 达闼机器人有限公司 多机器人控制方法、装置、系统、存储介质及电子设备
CN114037352A (zh) * 2021-12-02 2022-02-11 上海海事大学 基于数字孪生的自动化集装箱码头多agv动态调度方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611313A (zh) * 2022-03-21 2022-06-10 西南交通大学 一种基于模型融合的复杂产品数字孪生构建与应用方法

Also Published As

Publication number Publication date
CN115422814A (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN115422814B (zh) 一种数字孪生驱动的复杂机电产品闭环优化设计方法
van Dinter et al. Predictive maintenance using digital twins: A systematic literature review
Saldivar et al. Self-organizing tool for smart design with predictive customer needs and wants to realize Industry 4.0
Tao et al. Digital twin modeling
CN109933923B (zh) 一种基于数字孪生的机电装备精益设计方法
US8380642B2 (en) Methods and systems for self-improving reasoning tools
Li et al. Physics-informed meta learning for machining tool wear prediction
CN114048600A (zh) 一种数字孪生驱动的多模型融合工业系统异常检测方法
You et al. Advances of digital twins for predictive maintenance
CN102063550A (zh) 机器智能参与设计决策的冷挤压件智能设计系统
CN111127246A (zh) 一种输电线路工程造价的智能预测方法
CN105893669A (zh) 一种基于数据挖掘的全局仿真性能预测方法
CN114201920A (zh) 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法
Lermer et al. Creation of digital twins by combining fuzzy rules with artificial neural networks
Singh et al. Decision-making under uncertainty for a digital thread-enabled design process
Wei et al. Digital twin-driven manufacturing equipment development
Li et al. A review on physics-informed data-driven remaining useful life prediction: Challenges and opportunities
Li et al. A digital twin framework for product to-be-designed analysis based on operation data
Xie et al. Estimating a civil aircraft’s development cost with a GM (1, N) model and an MLP neural network
Wei et al. Manufacturing data-driven process adaptive design method
Li et al. A remaining useful life prediction method considering the dimension optimization and the iterative speed
Yang et al. Data-driven intelligent computational design for products: method, techniques, and applications
CN116629352A (zh) 一种亿级参数寻优平台
Andrés-Pérez et al. Aerodynamic shape design by evolutionary optimization and support vector machines
US11892809B2 (en) Controlling operation of an electrical grid using reinforcement learning and multi-particle modeling

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