CN115605879A - 计算机辅助构造方法及构造系统 - Google Patents
计算机辅助构造方法及构造系统 Download PDFInfo
- Publication number
- CN115605879A CN115605879A CN202180038892.2A CN202180038892A CN115605879A CN 115605879 A CN115605879 A CN 115605879A CN 202180038892 A CN202180038892 A CN 202180038892A CN 115605879 A CN115605879 A CN 115605879A
- Authority
- CN
- China
- Prior art keywords
- structure data
- construction
- trained
- data record
- training
- 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]
- G06F30/10—Geometric CAD
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
- General Factory Administration (AREA)
Abstract
对于技术产品(TP)的多个构造变体(KV),作为训练数据(TD)分别读入指定相应的构造变体(KV)的训练结构数据记录(SDT)以及量化预先给定的构造标准(K1、K2、K3)的训练质量值(QT1、QT2、QT3)。贝叶斯神经网络(BNN)根据训练数据(TD)被训练,以根据结构数据记录(SD、SSD)确定相关的质量值(Q)连同相关的不确定性说明(UC)。此外,生成多个合成结构数据记录(SSD)并将其馈入到经过训练的贝叶斯神经网络(BNN)中,所述经过训练的贝叶斯神经网络(BNN)为合成结构数据记录(SSD)分别生成具有相关的不确定性说明(UC)的质量值(Q)。将所生成的不确定性说明(UC)与预先给定的可靠性说明(REL)进行比较,并且据此选择合成结构数据记录(SD)之一。然后输出所选择的结构数据记录(SD)以用于生产技术产品(TP)。
Description
背景技术
为了设计复杂的技术产品,例如涡轮叶片、风力涡轮机、燃气涡轮机、机器人、机动车辆或其部件,越来越多地使用计算机辅助构造或规划工具。虽然这样的构造系统本身形成了一个专门的技术领域,但它们通常可以用于构造非常不同的技术产品。
对不同技术领域的技术产品一般也有不同的技术要求,这些技术要求要作为构造标准预先给定。这样的构造标准例如可以涉及效率、振动趋势、温度负荷、热传导、空气动力学效率、性能、资源消耗、排放、材料疲劳、相应的产品或其部件的紧固和/或磨损。在设计技术产品时,大多要考虑大量可能竞争性的构造标准,成品要尽可能全面地满足这些构造标准。
传统上,此类设计由专家实施,他们创建构造方案,评估其质量,并据此在必要时改进设计。然而,这样的过程通常相对复杂。此外,在构造标准、要构造的产品和/或技术领域发生变化的情况下,要重新执行许多构造步骤。
从公开文献WO 2020/007844 A1已知使用神经网络系统来设计涡轮机叶片,其自动确定不同的叶片参数。然而,在这种情况下,经常也产生不太可用的构造变体。尤其是,对于相应的构造变体的可用性通常存在不确定性。
发明内容
本发明的任务是说明一种用于生成指定技术产品的结构数据记录的计算机辅助构造方法和构造系统,利用它们可以更有效地设计技术产品。
通过具有专利权利要求1的特征的构造方法、通过具有专利权利要求10的特征的构造系统、通过具有专利权利要求11的特征的计算机程序产品以及通过具有专利权利要求12的特征的计算机可读存储介质来解决该任务。
为了生成指定技术产品的结构数据记录,对于技术产品的多个构造变体,作为训练数据分别读入指定相应的构造变体的训练结构数据记录以及量化预先给定的构造标准的训练质量值。这样的训练数据可以从具有用于大量技术产品的构造文档的多个现有数据库中获悉。根据本发明,贝叶斯神经网络根据训练数据被训练,以根据结构数据记录确定相关的质量值连同相关的不确定性说明。此外,生成多个合成结构数据记录并将其馈入到经过训练的贝叶斯神经网络中,所述经过训练的贝叶斯神经网络为合成结构数据记录分别生成具有相关的不确定性说明的质量值。将所生成的不确定性说明与预先给定的可靠性说明进行比较,并且据此选择合成结构数据记录之一。这种可靠性说明在此情况下尤其可以说明质量值的最大允许不确定性或不准确性、满足构造标准的最小概率和/或允许质量值的区间、极限值或分位数。然后输出所选择的结构数据记录以用于生产技术产品。
提供了一种构造系统、一种计算机程序产品以及一种计算机可读的、优选非易失性的存储介质,用于实施根据本发明的构造方法。
根据本发明的构造方法以及根据本发明的构造系统可以例如借助于一个或多个计算机、处理器、专用集成电路(ASIC)、数字信号处理器(DSP)和/或所谓的“现场可编程门阵列”(Field Programmable Gate Arrays,FPGA)来实施或实现。
本发明的优点尤其在于,通常可以在明确考虑不确定性的基础上产生更稳健和/或更可靠的构造变体。尤其是,因此也可以考虑材料特性或生产过程的分散。此外,本发明在许多情况下可以容易地适应不同的技术领域,只要对于相应的技术领域有足够量的训练数据可用。
本发明的有利实施方式和扩展方案在从属权利要求中说明。
根据本发明的有利实施方式,所述合成结构数据记录由能训练的生成过程生成,优选地以随机诱导的方式生成。大量有效的方法可用于实现这样的生成过程。
尤其是,生成过程可以借助于变分自动编码器和/或借助于生成对立网络来实施。在许多情况下,变分自动编码器允许显著减少对构造起重要作用的参数空间的维数,并且从而显著减少所需的计算耗费。生成对抗网络——其通常简称为GAN(GenerativeAdversarial Networks,生成对抗网络)——允许生成的结构数据记录到由训练数据撑开的设计空间有效均衡。
根据本发明的有利实施方式,可以根据训练结构数据记录训练生成过程,以根据馈入的随机数据再现训练结构数据记录。然后可以将大量随机数据馈入到经过训练的生成过程中,根据所述随机数据由经过训练的生成过程生成合成结构数据记录。通过训练,生成过程可以在一定程度上学习如何从随机数据中生成逼真的合成结构数据记录。在许多情况下可以观察到,通过这种方式生成的合成结构数据记录可以相对较好地利用真实构造变体的空间。
此外,结构数据记录可以被馈入到经过训练的生成过程中。然后可以根据馈入的另外的结构数据记录通过经过训练的生成过程生成合成结构数据记录。尤其是,训练结构数据记录和/或已经生成的结构数据记录可以作为另外的结构数据记录被馈入到经训练的生成过程中。通过这种方式,合成结构数据记录的随机诱导生成可以受到现有结构的影响。
根据本发明的一个特别有利的实施方式,可以生成多个数据值并将其馈入到经过训练的生成过程中,其中对于分别馈入的数据值,由经过训练的生成过程生成合成结构数据记录,并且由经过训练的贝叶斯神经网络根据合成结构数据记录生成具有相关的不确定性说明的相关的质量值。此外在优化方法的范围内,优化数据值被确定为使得减少由相应的不确定性说明量化的不确定性和/或优化由相应的质量值量化的构造标准。为所优化的数据值生成的合成结构数据记录然后可以作为所选择的结构数据记录被输出。优化在此处和以下也被理解为对最优值的近似。为了执行优化可以使用大量标准优化方法,尤其是梯度方法、遗传算法和/或粒子群方法。通过优化可以在构造标准方面产生特别可靠和/或有利的构造变体。
有利地,可以通过方差、标准偏差、概率分布、分布类型和/或流程说明来指定相应的不确定性说明。
此外,针对所选择的结构数据记录生成的不确定性说明可以与所选结构数据记录相关联地输出。这允许估计在何种程度上可靠地满足构造标准。尤其是,可以评估最佳情况和最坏情况。
根据本发明的另一有利实施方式,可以预先给定多个构造标准。贝叶斯神经网络可以相应地被训练以确定特定于标准的质量值的特定于标准的不确定性说明。此外,由经过训练的贝叶斯神经网络为合成结构数据记录分别生成多个特定于标准的不确定性说明。然后根据所生成的特定于标准的不确定性说明可以选择所述合成结构数记录之一。除此之后,不同的构造标准、特定于标准的质量值和/或特定于标准的不确定性说明可以通过预先给定的加权因子进行加权,并且可以使用结果得到的加权和与可靠性说明进行比较。必要时,还可以提供特定于标准的可靠性说明,然后可以以特定于标准的方式将所述可靠性说明与特定于标准的不确定性说明进行比较。
附图说明
下面根据附图更详细地解释本发明的实施例。在此,在示意图中分别示出:
图1 用于制造技术产品的构造系统和生产系统,
图2 贝叶斯神经网络,
图3 训练阶段中的变分自动编码器,和
图4 根据本发明的处于应用阶段中的构造系统。
具体实施方式
图1以示意图示出了用于制造技术产品TP的构造系统KS和生产系统PS。生产系统PS例如可以是用于根据构造数据或加工数据来进行产品制造或产品加工的制造设施、机器人或机床。
构造数据或加工数据尤其可以以结构数据记录SD的形式存在,其指定要制造的产品TP或其部件或其物理结构中的一个或多个。例如,结构数据记录SD可以在此将技术产品TP的几何形状说明为网格模型或CAD模型。必要时,结构数据记录SD还可以包括有关技术产品TP的生产或加工过程的说明。待生产的技术产品TP可以是例如涡轮叶片、风力涡轮机、燃气轮机、机器人、机动车辆或这种技术结构的部件。
指定技术产品TP的结构数据记录SD由构造系统KS生成。构造系统KS用于技术产品TP的计算机辅助的构造并且可以例如包括计算机辅助的CAD系统或者是其一部分。
根据本发明,建造系统KS应该能够很大程度上自动地生成逼真的和优化的结构数据记录SD。为此目的,构造系统KS在训练阶段中通过机器学习方法被训练,以从要制造的技术产品TP的大量已知和可用的构造变体KV开始生成由结构数据记录SD指定的新构造变体。优选地,这些新的构造变体应该比已知的构造变体KV更好地满足预先给定的构造标准。构造标准在此情况下尤其可以涉及要生产的产品TP或其部件的振动趋势、效率、刚度、温度负荷、热传导、空气动力学效率、性能、资源消耗、材料消耗、排放、材料疲劳、紧固、磨损或其他物理、化学或电气特性。
为了训练构造系统KS,通过构造系统KS从数据库DB中读入大量已知的构造变体KV作为训练数据TD。具有针对大量构造变体的构造数据的这种数据库可用于大量产品。
在此实施例中,相应的构造变体KV的训练数据TD包括一个或多个结构数据记录,其指定相应的构造变体或其物理结构。此外,相应的构造变体KV的训练数据TD还包含一个或多个质量值,所述质量值分别量化用于相应的构造变体的构造标准或对构造标准的满足。因此,例如第一质量值可以说明涡轮叶片的构造变体的空气动力学效率,第二质量值说明冷却效率,并且第三质量值说明机械负荷能力。尤其是,相应的质量值可以说明是否满足与技术产品TP的构造标准相关的要求以及在何种程度上满足。质量值尤其可以从现有的测量值、经验值或已知构造变体KV的专家评估中导出。
通过训练——下面将更详细地阐述——使构造系统KS能够在很大程度上自动生成在构造标准方面经优化的结构数据记录SD以用于生产技术产品TP。于是在应用阶段中,由经过训练的构造系统KS生成的结构数据记录SD被输出到生产系统PS,该生产系统PS按照结构数据记录SD生产或加工技术产品TP。
根据本发明,构造系统KS具有贝叶斯神经网络BNN以及变分自动编码器VAE,这两者都要通过机器学习方法在构造系统KS的训练范围内进行训练。
图2以示意图示出贝叶斯神经网络BNN。只要在图2和其他附图中使用相同的或对应的附图标记,这些附图标记就表示相同或对应的实体,这些实体可以如在相关位置所描述的那样被实现或设置。
贝叶斯神经网络BNN形成所谓的统计估计器。统计估计器用于根据总体样本的经验数据确定总体对象的统计估计。贝叶斯神经网络——这里是BNN——可以根据样本借助于机器学习的标准方法被训练,以为总体中的新对象估计一个或多个估计值及其不确定性。
在本实施例中,贝叶斯神经网络BNN包括用于馈入输入数据的输入层INB、隐藏层HB以及用于输出输出数据的输出层OUTB。除了隐藏层HB,贝叶斯神经网络BNN还可以具有一个或多个另外的隐藏层。
在本实施例中,贝叶斯神经网络BNN在训练阶段中借助于从数据库DB输送的训练数据TD被训练,以评估分别关于多个预先给定的构造标准K1、K2和K3的新结构数据记录SD。评估通过如下方式进行,即针对对于每个构造标准K1、K2或K3的相应的新的结构数据记录SD,分别输出一个不确定的质量值Q1、Q2或Q3及其相应的不确定性UC1、UC2和UC3。在构造涡轮叶片时,构造标准K1、K2和K3可以涉及例如涡轮叶片的气动效率、冷却效率和机械负荷能力,并且质量值Q1、Q2和Q3可以量化相对应的构造标准K1、K2和K3。
训练数据TD针对相应的构造变体除了指定该构造变体的训练结构数据记录SDT之外还针对每个要评估的构造标准K1、K2或K3包含特定于标准的训练质量值QT1、QT2或QT3,所述训练质量值针对该构造变体量化相关的构造标准K1、K2或K3。根据训练数据TD对贝叶斯神经网络BNN的训练在图2中由虚线箭头示出。
在统计估计器的术语中,技术产品TP的可能的构造变体可以理解为总体,具有大量已知的构造变体的训练数据 TD可以理解为样本,由新的结构数据记录指定的构造变体可以理解为新的对象,以及不确定的质量值可以理解为不确定的估计值。
例如,从Christopher M. Bishop,Springer 2011的教科书“PatternRecognition and Maschine Learning”中可以获悉此类贝叶斯神经网络的有效训练方法。
训练后,经训练的贝叶斯神经网络BNN可以作为统计估计器用在应用阶段中。在此情况下将分别要评估的结构数据记录SD输入到经过训练的贝叶斯神经网络BNN的输入层INB中,该贝叶斯神经网络从中为每个构造标准K1、K2或K3导出一个量化相应的构造标准的质量值Q1、Q2或Q3以及一个量化其相应的不确定性的不确定性说明UC1、UC2或UC3。质量值Q1、Q2和Q3以及不确定性说明UC1、UC2和UC3由输出层OUTB输出。
不确定性说明UC1、UC2和UC3尤其可以由分散宽度、误差区间、精度区间、方差、标准偏差、概率分布、分布类型和/或置信度量来表示。在概率分布的情况下,具体的概率值可以分别分配给不同的可能的质量值。可替代地或附加地,确定的质量值Q1、Q2和Q3可以分别由概率分布的平均值或中值来指定或代表。在这种情况下,质量值Q1、Q2或
Q3和相关的不确定性说明UC1、UC2或UC3被表示为由概率分布的均值和方差组成的值对。
由馈入的结构数据记录SD指定的构造变体由经过训练的贝叶斯神经网络BNN在一定程度上根据训练数据TD关于预期质量及其不确定性或关于构造标准K1、K2和K3的满足来评估。
在本实施例中,要评估的结构数据记录通过所谓的生成过程来综合性地生成。所述生成过程在这里由变分自动编码器VAE来实现。
图3图示了在训练阶段中的这种变分自动编码器VAE。所述变分自动编码器VAE包括输入层IN、隐藏层H以及输出层OUT。除了隐藏层H之外,变分自动编码器VAE还可以具有另外的隐藏层。对于自动编码器来说特征性的是:隐藏层H明显更小,即比输入层IN或输出层OUT具有更少的神经元。
所述变分自动编码器VAE应当按照从数据库DB中读入的训练结构数据记录SDT被训练,以根据所馈入的随机数据RND在尽可能大的程度上再现训练结构数据记录SDT。为此目的,大量的训练结构数据记录SDT作为输入数据被馈入到输入层IN中,并由层IN、H和OUT处理。经处理的数据最终由输出层OUT作为输出数据输出,所述输出数据在进一步的方法中应当用作为合成结构数据记录SSD。
变分自动编码器VAE的训练尤其是包括两个方面。根据第一方面,变分自动编码器VAE被训练为使得其输出数据(这里是合成结构数据记录SSD)尽可能良好地再现输入数据(这里是训练结构数据记录SDT)。只要输入数据在一定程度上必须通过较小的隐藏层H并且应该根据训练目标从那里存在的较少数据量中再次在很大程度上可重构,则在隐藏层H中获得输入数据的数据缩减表示。因此,变分自动编码器VAE学习了输入数据的有效编码或压缩。
由此在隐藏层H中实现了训练结构数据记录SDT的所谓的潜在参数空间或潜在表示并且因此在一定程度上实现了潜在设计空间。隐藏层H中存在的数据对应于训练结构数据记录SDT中包含的设计结构的抽象描述,并且在许多情况下也可以尤其是从几何上进行解释。
在该方法的进一步流程中,输入数据的压缩导致要覆盖的设计空间的维度减小,并且从而导致所需的计算耗费的显著减少。
为了实现上述训练目标,实施一种优化方法,该优化方法将变分自动编码器VAE的处理参数设置为,使得重构误差被最小化。在此情况下尤其是可以将合成结构数据记录SSD和训练结构数据记录SDT之间的距离确定为重构误差。
根据变分自动编码器VAE的训练的第二方面,随机数据RND被附加地通过随机数据生成器RGEN生成并被馈入到隐藏层H中,即被馈入到潜在参数空间中,从而激励变分自动编码器VAE产生合成结构数据记录SSD。随机数据RND在此情况下可以是随机数、伪随机数、噪声信号和/或其他随机诱导的数据。
只要变分自动编码器VAE被如上所述地训练,以最小化从随机数据RND生成的合成结构数据记录SSD至训练结构数据记录SDT的距离,变分自动编码器VAE就能够在基于随机的激励下生成逼真的、即与训练结构数据记录SDT尽可能相似的构造变体。如果训练结构数据记录SDT和合成数据记录SSD分别由数据向量表示,则要最小化的距离可以例如被确定为一个或多个合成结构数据记录SSD与多个或所有训练结构数据记录SDT之间的相应欧几里得距离的平均值、最小值或其他度量。
为了训练变分自动编码器VAE或优化其处理参数,所计算的距离——如图3中通过虚线箭头所示的——被反馈给变分自动编码器VAE。为了训练的具体执行可以动用大量有效的标准方法。
成功训练后,变分自动编码器 VAE仅通过将随机数据 RND 馈入隐藏层 H中即可激励生成在很大程度上逼真的合成结构数据记录SSD。
使用可由随机数据激励的变分自动编码器VAE是有利的,因为在训练结构数据记录 SDT中未明确存在的新结构也可以作为随机诱导的设计建议来产生,所述新结构由于训练与训练结构具有相似性。这样,一般都能良好地覆盖真实且可用的设计结构的空间。
经过训练的变分自动编码器VAE为合成结构数据记录SSD实现了随机诱导的生成过程。替代地或附加地,这种生成过程也可以通过生成对立网络来实现。
图4示出了根据本发明的构造系统KS,其在应用阶段中具有经过训练的贝叶斯神经网络BNN和经过训练的变分自动编码器VAE。如上所述执行贝叶斯神经网络BNN和变分自动编码器VAE的相应训练。
为清楚起见,在图4中质量值Q和不确定性说明UC仅针对单个构造标准明确示出。
构造系统KS具有一个或多个用于执行必要的方法步骤的处理器PROC以及一个或多个用于存储要处理的数据的存储器MEM。
构造系统KS还具有优化模块OPT用于优化要生成的结构数据记录。在本实施例中,这些结构数据记录鉴于结果得到的质量值Q、相关联的不确定性说明UC以及可靠性说明REL被优化。为此目的在优化模块OPT中实现待优化的目标函数TF。根据构造变体的质量值Q和相关的不确定性说明UC以及根据可靠性说明REL,目标函数TF计算品质值,所述品质值量化该构造变体的品质、适用性或其他质量。这样的目标函数通常也称为成本函数或奖励函数。
可靠性说明REL量化了技术产品TP所需的可靠性,利用该可靠性要满足相应的构造标准。可靠性说明REL尤其可以说明用于满足相应构造标准的最小概率、质量值的最大可接受不确定性或不准确性和/或技术产品TP的最大故障概率。
为了确定构造变体的可靠性,要将可靠性说明REL尤其是与该构造变体的质量值的不确定性说明进行比较。如有必要,可以规定多个可靠性标准并且从而规定多个特定于标准的可靠性说明。相应地,构造变体的可靠性可以通过在特定于标准的不确定性说明和相关的特定于标准的可靠性说明之间的特定于标准的比较来确定。
例如,目标函数TF可以被实现为,使得当技术产品TP的期望质量值Q上升或下降和/或该质量值的不确定性说明UC下降或上升时,待计算的品质值上升或下降。相应地,如果不确定性说明UC不满足由可靠性说明REL量化的可靠性标准和/或质量值Q超过由可靠性说明REL量化的极限值,则品质值下降。为了确定单个品质值,可以借助于合适的加权因子对目标函数TF的不同优化标准进行加权。这样的目标函数TF然后可以通过优化模块OPT借助于标准优化方法来最大化。
在本实施例中,针对要生产的技术产品TP,预先给定的可靠性说明REL被传送到优化模块OPT。于是在优化的范围内,通过优化模块OPT生成大量随机诱导的数据值DW,例如借助于随机数据生成器来生成,并将所述数据值DW馈入到经过训练的变分自动编码器VAE的隐藏层H中。通过数据值激励经过训练的变分自动编码器VAE来生成合成结构数据记录SSD,所述合成结构数据记录SSD如上文已经解释的那样指定了技术产品TP的在很大程度上逼真的构造变体。
合成结构数据记录SSD作为输入数据被馈入到经过训练的贝叶斯神经网络BNN的输入层INB中。结果,由经过训练的贝叶斯神经网络BNN为相应的合成结构数据记录SSD生成质量值Q以及该质量值Q的不确定性说明UC,并且经由输出层OUTB作为输出数据来输出。质量值Q在此情况下量化了由相应的合成结构数据记录SSD指定的构造变体的构造标准。
生成的质量值Q和不确定性说明UC被传送到优化模块OPT,优化模块OPT从中借助于目标函数TF计算相应的合成结构数据记录SSD的品质值。然后由优化模块OPT进一步生成数据值DW,使得分别由此结果得出的品质值被最大化或以其他方式被优化。
数据值DW的优化优选在潜在参数空间中迭代进行。如上已经提及的,可以使用大量有效的标准优化方法——例如梯度方法、粒子群优化和/或遗传算法——来具体执行所述优化。
以这种方式,通过优化模块OPT确定在上述方面已经优化的、即导致高品质值的数据值DWO。后者由优化模块OPT馈入到经过训练的变分自动编码器VAE的隐藏层H中,所述变分自动编码器从中生成经过优化的合成结构数据记录SD。选择经优化的合成结构数据记录SD作为要输出的结构数据记录并且通过构造系统KS输出以用于技术产品TP的构造和生产。
此外,所选定的结构数据记录SD被馈入到经过训练的贝叶斯神经网络BNN的输入层INB中,该贝叶斯神经网络BNN从中导出所选择的结构数据记录SD的质量值Q和该质量值Q的不确定性说明UC。所选择的结构数据记录SD的质量值Q和不确定性说明UC然后通过构造系统KS与该结构数据记录SD相关联地输出。
所输出的结构数据记录SD指定要制造的产品TP的经优化的、新的构造变体,并且可以传送到生产设施PS用于其制造或加工。
通过明确地包括或最小化不确定性,借助于本发明通常可以生成比利用已知方法更稳健的构造变体。在许多情况下,所生成的构造变体比其他数据驱动的产生的构造变体需要更少的手动匹配并且具有更高质量。此外,可以根据不确定性说明轻松评估最佳情况或最坏情况。尤其是,可以更容易地评估不符合构造规定的风险。此外,在根据本发明的方法中可以自然地考虑材料波动或生产过程中的波动。就本发明基本上仅依赖于所评估的训练结构数据记录而言,根据本发明的构造系统KS通常可以以简单的方式应用于具有足够多的训练数据的许多技术领域。
Claims (12)
1.用于生成指定技术产品(TP)的结构数据记录(SD)的计算机实现的构造方法,其中
a)对于技术产品(TP)的多个构造变体(KV),作为训练数据(TD)分别读入指定相应的构造变体(KV)的训练结构数据记录(SDT)以及量化预先给定的构造标准(K1、K2、K3)的训练质量值(QT1、QT2、QT3),
b)贝叶斯神经网络(BNN)根据训练数据(TD)被训练,以根据结构数据记录(SD、SSD)确定相关的质量值(Q)连同相关的不确定性说明(UC),
c)生成多个合成结构数据记录(SSD)并将其馈入到经过训练的贝叶斯神经网络(BNN)中,
d)由经过训练的贝叶斯神经网络(BNN)为合成结构数据记录(SSD)分别生成具有相关的不确定性说明(UC)的质量值(Q),
e)将所生成的不确定性说明(UC)与预先给定的可靠性说明(REL)进行比较,并且据此选择合成结构数据记录(SD)之一,并且
f)输出所选择的结构数据记录(SD)以用于生产技术产品(TP)。
2.根据权利要求1所述的方法,其特征在于,
所述合成结构数据记录(SSD)由能训练的生成过程(VAE)生成。
3.根据权利要求2所述的方法,其特征在于,
所述生成过程借助于变分自动编码器(VAE)和/或借助于生成对抗网络来实施。
4.根据权利要求2或3所述的方法,其特征在于,
所述生成过程(VAE)根据训练结构数据记录(SDT)被训练,以根据所馈入的随机数据(RND)再现训练结构数据记录(SDT),
产生多个随机数据(RND)并将其馈入到经过训练的生成过程(VAE)中,并且
所述合成结构数据记录(SSD)由经过训练的生成过程(VAE)根据所馈入的多个所产生的随机数据(RND)来生成。
5. 根据权利要求2至4中任一项所述的方法,其特征在于,
将另外的结构数据记录馈入到经过训练的生成过程(VAE)中,并且
根据所馈入的另外的结构数据记录由经过训练的生成过程 (VAE)生成合成结构数据记录(SSD)。
6.根据权利要求2至5中任一项所述的方法,其特征在于,
所述生成过程(VAE)根据训练结构数据记录(SDT)被训练,以根据所馈入的随机数据(RND)再现训练结构数据记录(SDT),
生成多个数据值(DW)并将其馈入到经过训练的生成过程(VAE)中,
对于分别馈入的数据值(DW),
- 由经过训练的生成过程(VAE)生成合成结构数据记录(SSD),并且
- 由经过训练的贝叶斯神经网络(BNN)根据合成结构数据记录(SSD)生成具有相关的不确定性说明(UC)的相关的质量值(Q),
在优化方法的范围内,优化数据值(DWO)被确定为使得减少由相应的不确定性说明(UC)量化的不确定性和/或优化由相应的质量值(Q)量化的构造标准,并且
为所优化的数据值(DWO)生成的合成结构数据记录作为所选择的结构数据记录(SD)输出。
7.根据前述权利要求中任一项所述的方法,其特征在于,
相应的不确定性说明(UC)由方差、标准偏差、概率分布、分布类型和/或流程说明指定。
8.根据前述权利要求中任一项所述的方法,其特征在于,
为所选择的结构数据记录(SD)生成的不确定性说明(UC)与所选择的结构数据记录(SD)相关联地输出。
9.根据前述权利要求中任一项所述的方法,其特征在于,
预先给定多个构造标准(K1、K2、K3),
贝叶斯神经网络(BNN)被训练以确定特定于标准的质量值(Q1、Q2、Q3)的特定于标准的不确定性说明(UC1、UC2、UC3),
由经过训练的贝叶斯神经网络(BNN)为合成结构数据记录(SSD)分别生成多个特定于标准的不确定性说明(UC1、UC2、UC3),并且
根据所生成的特定于标准的不确定性说明(UC1、UC2、UC3)选择所述合成结构数据记录之一。
10.用于生成指定技术产品(TP)的结构数据记录(SD)的构造系统(KS),其被配置为实施根据前述权利要求中任一项所述的方法。
11.计算机程序产品,其被配置为实施根据权利要求1至9中任一项所述的方法。
12.计算机可读存储介质,其具有根据权利要求11所述的计算机程序产品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20177436.1A EP3916638A1 (de) | 2020-05-29 | 2020-05-29 | Rechnergestütztes konstruktionsverfahren und konstruktionssystem |
EP20177436.1 | 2020-05-29 | ||
PCT/EP2021/062818 WO2021239477A1 (de) | 2020-05-29 | 2021-05-14 | Rechnergestütztes konstruktionsverfahren und konstruktionssystem |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115605879A true CN115605879A (zh) | 2023-01-13 |
Family
ID=70968754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180038892.2A Pending CN115605879A (zh) | 2020-05-29 | 2021-05-14 | 计算机辅助构造方法及构造系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230195950A1 (zh) |
EP (1) | EP3916638A1 (zh) |
CN (1) | CN115605879A (zh) |
WO (1) | WO2021239477A1 (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10867085B2 (en) * | 2017-03-10 | 2020-12-15 | General Electric Company | Systems and methods for overlaying and integrating computer aided design (CAD) drawings with fluid models |
DE102018210894A1 (de) | 2018-07-03 | 2020-01-09 | Siemens Aktiengesellschaft | Entwurf und Herstellung einer Strömungsmaschinenschaufel |
-
2020
- 2020-05-29 EP EP20177436.1A patent/EP3916638A1/de active Pending
-
2021
- 2021-05-14 US US17/926,117 patent/US20230195950A1/en active Pending
- 2021-05-14 WO PCT/EP2021/062818 patent/WO2021239477A1/de active Application Filing
- 2021-05-14 CN CN202180038892.2A patent/CN115605879A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3916638A1 (de) | 2021-12-01 |
US20230195950A1 (en) | 2023-06-22 |
WO2021239477A1 (de) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | A hybrid machine learning approach for additive manufacturing design feature recommendation | |
US7565333B2 (en) | Control system and method | |
US7499777B2 (en) | Diagnostic and prognostic method and system | |
US7788070B2 (en) | Product design optimization method and system | |
JP2023507548A (ja) | 製造データを使用した機械学習ベースの付加製造 | |
Kutschenreiter-Praszkiewicz | Application of neural network in QFD matrix | |
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 | |
Omairi et al. | Towards machine learning for error compensation in additive manufacturing | |
Rios et al. | On the efficiency of a point cloud autoencoder as a geometric representation for shape optimization | |
CN110837857A (zh) | 工业用电负荷预测方法、系统及其存储介质 | |
CN115605879A (zh) | 计算机辅助构造方法及构造系统 | |
Park et al. | A framework for identifying and prioritizing data analytics opportunities in additive manufacturing | |
Li et al. | Neural process enhanced machining error evaluation for coordinate measuring machines | |
Menzel et al. | Application of free form deformation techniques in evolutionary design optimisation | |
Hallmann et al. | A method for analyzing the influence of process and design parameters on the build time of additively manufactured components | |
CN112597584B (zh) | 基于数字孪生的数字样机构建及模型转换方法及装置 | |
Gao et al. | A 6-sigma robust optimization method for stamping forming of automobile covering parts based on residual error and radial basis interpolation | |
Smith et al. | Discrete-event simulation and machine learning for prototype composites manufacture lead time predictions | |
JP4528962B2 (ja) | 設計支援方法 | |
Keshavarz Ghorabaee et al. | A new approach for solving bi-objective redundancy allocation problem using DOE, simulation and ε-constraint method | |
Borchani et al. | The usage of a system engineering approach for integrating machining constraints in the upstream design stage | |
Wang et al. | Machine learning-enabled early prediction of dimensional accuracy for complex products of investment casting | |
Ge et al. | An axiomatic approach for “target cascading” of parametric design of engineering systems | |
US20220299984A1 (en) | Method and system for controlling a production plant to manufacture a product | |
Marquez et al. | A hybrid neural network-feature-based manufacturability analysis of mould reinforced plastic parts |
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 |