CN115660293A - 基于数字孪生的复杂机电产品全生命周期综合评价方法 - Google Patents
基于数字孪生的复杂机电产品全生命周期综合评价方法 Download PDFInfo
- Publication number
- CN115660293A CN115660293A CN202211597614.3A CN202211597614A CN115660293A CN 115660293 A CN115660293 A CN 115660293A CN 202211597614 A CN202211597614 A CN 202211597614A CN 115660293 A CN115660293 A CN 115660293A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- data
- life cycle
- network
- digital
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 247
- 238000000034 method Methods 0.000 claims abstract description 88
- 238000013461 design Methods 0.000 claims description 43
- 238000013507 mapping Methods 0.000 claims description 37
- 238000004519 manufacturing process Methods 0.000 claims description 35
- 238000012423 maintenance Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 238000013210 evaluation model Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003672 processing method Methods 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 238000011158 quantitative evaluation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013506 data mapping Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 101150011258 Crppa gene Proteins 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于机电产品智能化与数字化的新一代信息技术领域，本申请公开了一种基于数字孪生的复杂机电产品全生命周期综合评价方法，包括物理空间、数字空间、全生命周期综合评价模块；其优点在于，本发明解决产品全生命周期的大量数据造成的产品全生命周期各阶段之间的联系被割裂造成决策失误的问题，提高复杂机电产品综合评价的准确性和全面性，对提高企业效率和产品竞争力具有重要的意义。
Description
技术领域
本发明属于机电产品智能化与数字化的新一代信息技术领域，特别涉及一种基于数字孪生的复杂机电产品全生命周期综合评价方法。
背景技术
数字孪生(Digital Twin，DT)技术作为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，为复杂动态系统的全生命周期信息物理融合提供了实施途径，将复杂机电产品创新设计、制造效率和运维水平提升至一个新的高度。
现有的评价方法大多是规则驱动的，很难根据历史评价数据和在线数据动态调整评价参数。随着制造业进入大数据时代，数据在量级上不断增加，需要更有效的数据驱动方法来评价复杂价机电产品全生命周期方案决策的可行性。
对于传统的评价方法大多要求工程人员必须具有丰富的领域知识才能对产品方案进行迭代评估，同时虚拟空间中的产品与物理空间中的性能评价在很大程度上是相互分离的。随着复杂机电产品的发展，其全生命周期各阶段信息缺失、知识分散、制度落后的缺陷日益凸显。传统的评价方法不足以处理设计、制造和服务阶段产生的“大数据”，造成产品的全生命周期各阶段之间的联系被割裂，影响了产品评价的准确性和全面。因此，亟需构建一种与数字孪生技术与机电产品全生命周期结合的综合评价方法，融化数字孪生技术的优势，为工程人员提供全生命周期的综合评价和方案决策方法，对提高企业效率和产品竞争力具有重要的意义。
发明内容
针对传统的评价方法不足以处理产品全生命周期的大量数据造成的产品全生命周期各阶段之间的联系被割裂造成决策失误的问题，为提高复杂机电产品评价的准确性和全面性，提出了一种基于数字孪生的复杂机电产品全生命周期综合评价方法。其技术方案为，
一种基于数字孪生的复杂机电产品全生命周期综合评价方法，包括以下步骤，包括物理空间、数字空间、全生命周期综合评价模块；
物理空间包括关于物理实体采集的设计数据、制造数据、运行数据和产品维护数据的全生命周期数据；并通过数据映射将物理空间全生命周期数据传输至数字空间；
数字空间包括数据处理方法和多学科协同模型建立方法；数据处理方法包括数据预处理、数据存储、数据交互和数据通信，通过多学科协同模型建立方法得到高保真的数字孪生模型；
全生命周期综合评价模块包括单元结构分解方法、评价指标体系构建方法和基于数字孪生的多阶段综合评价方法；通过单元结构分解方法对机电产品全生命周期各阶段进行分解，建立备选方案决策模型来描述机电产品的全生命周期；通过评价指标体系构建方法建立能够关联并描述机电产品不同阶段的评价指标体系，实现全生命周期信息的有效融合；通过基于数字孪生的多阶段综合评价方法建立复杂学习网络，实现数字空间与物理空间评价指标之间的连续映射与反馈，完成对复杂机电产品设计阶段、制造阶段、运维阶段全生命周期不同备选方案组合的预测评价，为决策者提供了更为准确和全面的评价指导性信息。
优选的，对于机电产品全生命周期的单元结构分解流程，将产品的全生命周期分解为i个设计单元{PD 1 ，...，PD i }、g个制造单元{PM 1 ，...，PM g }和v个运维单元{PU 1 ，...， PU v }，其中每个单元都可以分解为多组元单元，元单元通过备选方案组合进行描述；其中第i个设计单元的元单元为{PD i1 ，...，PD ij ，...，PD ik }；第g个制造单元的元单元为{PM g1 ，...， PM gj ，...，PM gk }，第v个运维单元的元单元为{PU v1 ，...，PU vj ，...，PU vk }；
对于组成上述设计单元的元单元结构PD ij ，都有一组可供评估、比较和选择的备选方案组合用{XD ij1 ，...，XD ijk ，...，XD ijp }表示；对于组成上述制造单元的每个元单元PM ij ，都有一组可供评估、比较和选择的备选方案组合用{XM gj1 ，...，XM gjk ，...，XM gjp }表示；对于组成上述运维单元的每个元单元PU ij ，都有一组可供评估、比较和选择的备选方案组合用{XU vj1 ，...，XU vjk ，...，XU vjp }表示；
规定上述描述每个元单元的备选方案都可以选择一次，通过上述备选方案的选择，建立复杂机电产品的设计阶段、制造阶段、运维阶段的全生命周期备选方案组合模型，
其中，
、
、
以二级制变量形式表示，如果选择备选方案
，则
等于1，否则等于。
优选的，评价指标体系构建方法包括多阶段评价指标建立方法和评价指标模糊量化方法；
建立复杂机电产品的多阶段评价指标，包括一级指标和二级子指标，所建立的二级子指标用于过程评价，一级指标用于最终评价；
评价指标模糊量化方法，分为如下三种情形，
a.对于可以通过构造线性隶属函数进行评价的二级指标，建立隶属度函数进行模糊量化评价，采用基于半梯形分布的隶属函数模糊量化计算方法；
b.对于难以通过构造线性隶属函数来度量的二级子指标，采用模糊统计方法或二元对比排序法对评价指标进行排序并打分；
c.对于样本数据缺乏的二级子指标，通过经验丰富的专家进行模糊综合评价，得到模糊量化的评价结果。
优选的，所述基于数字孪生的多阶段综合评价方法包括基于复杂网络的多阶段评价模型建立方法和基于数字孪生的综合评价方法。
优选的，基于复杂网络的多阶段评价模型建立方法步骤如下：从物理空间收集方案决策数据和评价数据，通过映射网络实现数字空间和物理空间之间的非线性映射；通过持续的监督学习，并建立数字孪生模型驱动的预测网络完成对机电产品全生命周期不同备选方案组合的预测与评价；如果实际评价结果与数字孪生评价结果之间的误差超出规定上限，则通过反馈网络进行迭代并重新学习，直到达到要求训练出可以准确评价机电产品全生命周期决策方案的评价模型；
通过建立由映射网络、预测网络和反馈网络三种网络结构组成的复杂网络，实现机电产品在数字空间和物理空间相互映射，得到机电产品的全生命周期综合预测评价结果。
优选的，基于数字孪生的综合评价方法步骤如下，
S1建立基于数字孪生的评价要素，分别建立物理空间和数字空间的评价要素分别如下式所示，
其中PD表示物理空间所包括的评价要素；VD表示数字空间所包括的评价要素；
表示实际的备选方案决策；
表示虚拟方案决策，VPEI和VFEI分别是APEI和AFEI的基于数字孪生的镜像评价指标和镜像评价结果、在物理空间中采集评价要素所对应的样本数据；
S2建立映射网络，所建立的映射网络为实现数字空间与物理空间一对一的映射，用于压缩数据量并规范数据集，去除不正确的数据；采用Minmax归一化数据处理方法，通过映射归一化方法将采集到的全生命周期数据从物理空间映射到数字空间，建立映射网络通过下式表示，
其中vd和pd分别表示数字空间和物理空间的样本数据，PD min 和PD max 分别表示物理空间样本数据的最小值和最大值；
S3建立预测网络，当数据映射到数字空间后，建立两阶段预测网络；在第一阶段的过程评价中，为了减小计算成本并简化评价指标的样本数据集，将第一层的输出即二级评价子指标进行分类，将评价子指标分为4类，分别隶属于成本、质量、性能、能耗的一级评价指标；建立4类评价子指标的评价子模型分别进行预测，预测结果作为第一层的输出同时作为第二层的输入；
S4建立反馈网络，所建立的反馈网络在结构上与预测网络类似，采用递归算法分别计算第一层和第二层网络新的网络节点；在网络模型中进行权重更新，并在一个方向上更新和调整模型的参数并进行反馈迭代，不断学习，来最小化损失函数，以历史数据作为检验集，验证预测网络评价结果与实际样本数据的一致性；如果预测的评价结果与实际评价结果之间的误差超过规定误差的上限，则采用反馈网络并重新训练；如果预测网络保持一致性，则满足训练条件，求解得到训练好的权值和神经网络的阈值矩阵；最后，通过输入的由物理空间和数字空间样本点组成的非线性连续空间，在训练好的基于数字孪生的复杂网络中进行多阶段评价，输出一级指标的最终评价结果；
S5综合评价过程，对于一级评价指标的评价结果，根据方案满意度调查结果，并引入专家经验和用户需求函数确定主观权重，采用基于博弈论的思想，协调、组合客观权重和主观权重，得到一级指标的综合权重；结合综合权重和评价结果，采用TOPSIS法进行排序得到综合评价结果，综合评价结果是对机电产品设计阶段、制造阶段、运维阶段不同备选方案集的预测与综合评价，可用于机电产品全生命周期方案的评价和决策。
有益效果
（1）本发明提供了一种基于数字孪生的复杂机电产品全生命周期综合评价方法，将数字空间和物理空间贯穿于复杂机电产品全生命周期的每个阶段。建立了数字空间与物理空间相互关联与映射的综合评估框架和工作流程，为复杂机电产品的全生命周期信息物理描述提供了实施途径，有效提高了复杂机电产品的创新设计、制造效率和运维水平。
（2）本发明的有效实施能够推动设计过程与制造业和服务业的深度融合，促进复杂机电产品制造业转型升级与高质量发展。
（3）构建了基于数字孪生的机电产品全生命周期多阶段的综合评价模型，可在多因素联动变化的复杂条件中开展复杂机电产品的全生命周期综合评价，评价结果可为企业、政府提供决策参考。
（4）本发明基于数字孪生的复杂机电产品全生命周期综合评价方法建立机电产品的全生命周期的单元结构分解方法可以重用，避免重复的领域知识分析。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，保证评价过程中数据与信息交互的统一性与快捷性。
附图说明
图1为本公开发明提供的种基于数字孪生的复杂机电产品全生命周期综合评价与设计方法原理框架图。
图2为本公开发明提供的面向挖掘机全生命周期的数字孪生模型建立原理图。
图3为本公开发明提供的机电产品生命周期综合评价模块的单元结构分解方法的流程图。
图4为本公开发明提供的面向挖掘机的评价指标体系结构图。
图5为本公开发明提供的基于数字孪生的多阶段综合评价方法流程图。
图6为本公开发明提供的多阶段评价模型复杂网络的结构图。
具体实施方式
以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
针对传统的评价方法不足以处理产品全生命周期的大量数据造成的产品全生命周期各阶段之间的联系被割裂问题，为提高复杂机电产品评价的准确性和动态性，提出了一种基于数字孪生的复杂机电产品全生命周期综合评价方法。
本发明属于机电产品智能化与数字化的新一代信息技术领域，特别涉及一种基于数字孪生的复杂机电产品全生命周期综合评价方法，包括物理空间、数字空间、全生命周期综合评价模块，如图1所示为总体框架图。
物理空间包括关于物理实体采集的设计数据、制造数据、运行数据和产品维护数据的全生命周期数据；并通过数据映射将物理空间全生命周期数据传输至数字空间；
数字空间包括数据处理方法和多学科协同模型建立方法；数据处理方法包括数据预处理、数据存储、数据交互和数据挖掘，通过多学科协同模型建模方法建立数字孪生模型；
全生命周期综合评价模块包括单元结构分解方法、评价指标体系构建方法和基于数字孪生的多阶段综合评价方法；通过单元结构分解方法对机电产品全生命周期各阶段进行分解，建立备选方案决策模型来描述机电产品的全生命周期；通过评价指标体系构建方法建立能够关联并描述机电产品不同阶段的评价指标体系，实现全生命周期信息的有效融合；通过基于数字孪生的多阶段综合评价方法建立复杂学习网络，实现数字空间与物理空间评价指标之间的连续映射与反馈，完成对复杂机电产品设计、制造、运维阶段全生命周期不同备选方案组合的预测评价，避免了不同阶段之间的联系割裂造成的决策失误的问题，为决策者提供了更为准确和全面的评价指导性信息。
所述物理空间全生命周期数据包括设计阶段、制造阶段和运维阶段通过采集装置获取的数据。通过数据映射将物理空间全生命周期数据传输至数字空间，数字空间通过数据通信方法、数据交互方法、数据预处理方法、数据存储方法处理数据，通过多学科协同模型建模方法建立数字孪生模型。
所述数据通信方法包括建立OPC、modbus、TCP/IP通信协议将系统服务系统采集的数据传输到数据通信终端。所述数据交互方法是对采集到的不同类型的数据进行接收和发送。针对不同类型传感器采集到的采集信号，采用CAN总线、WIFI或蓝牙等技术，完成有线和无线的传输。为保证在对数据在传输过程中的关键数据不丢失，在通讯协议选取时应保证数据传递速率不低于10Gbit/s，保证数据传递的高效、准确、实时。所述数据存储方法是基于SpatialHadoop云平台下的空间存储方法。所述数据预处理方法是对采集的全生命周期数据进行数据清理、数据集成、数据变换、数据归约操作。
以挖掘机为例作为典型的复杂机电产品，图2所示为全生命周期数字孪生模型的建立过程，具体包括如下步骤。
S1-1设计阶段：当企业接到订单后，技术人员利用CAD和SolidWorks根据客户要求设计图纸，并通过产品数据管理系统将产品设计参数、加工参数、材料要求等数据导入企业资源计划系统。
S2-1制造阶段:生产部根据生产明细组织生产。通过物联网技术采集加工设备的实时加工数据和零部件的性能测试数据，然后将合格的零部件运送到装配车间完成装配，并通过检测装置采集进度数据和质检数据，通过数据通信方法传输到终端。
S3-1运维阶段：在产品运行过程中，通过传感器和控制系统实时采集例如能耗、振动、故障参数等产品运行数据，并将其上传到云平台。在产品维护过程中，客户利用售后服务系统向公司反馈问题和评价，通过数据交互方法将数据传输到云平台进行数据存储，用于需求分析及后续产品的改进和优化。
S4-1建立数字孪生模型：通过数字孪生多学科协同模型建立方法，包括基于高层体系结构和公共对象请求代理体系结构的分布式建模技术、基于HAL分布式建模系统的模型驱动设计方法及统一建模语言算法、基于Web的多学科仿真算法、基于云计算的协同仿真以及基于UML统一仿真建模算法及实时集成仿真算法，建立数字孪生多学科协同模型。最后通过多学科模型参数求解技术，得到高保真的数字孪生模型。
所述单元结构分解方法，用于对机电产品的全生命周期每个阶段的方案分解与方案描述，通过备选方案组合的形式来描述复杂机电产品的全生命周期，建立机电产品的全生命周期备选方案组合模型，用以后续的综合评价。如图3所示为单元结构分解方法的流程图。
对于机电产品全生命周期的单元结构分解流程，将产品的全生命周期分解为设计单元{PD 1 ，...，PD i }、制造单元{PM 1 ，...，PM g }和运维单元{PU 1 ，...，PU v }，其中每个单元都可以分解为多组元单元，元单元通过备选方案组合进行描述；其中组成上述第i个设计单元的元单元用{PD i1 ，...，PD ij ，...，PD ik }表示；组成上述第g个制造单元的元单元用{PM g1 ，...， PM gj ，...，PM gk }表示，组成上述第v个运维单元的元单元用{PU v1 ，...，PU vj ，...，PU vk }表示。
对于组成上述设计单元的元单元结构PD ij ，都有一组可供评估、比较和选择的备选方案组合，用{XD ij1 ，...，XD ijk ，...，XD ijp }表示；对于组成上述制造单元的每个元单元PM ij ，都有一组可供评估、比较和选择的备选方案组合用{XM gj1 ，...，XM gjk ，...，XM gjp }表示；对于组成上述运维单元的每个元单元PU ij ，都有一组可供评估、比较和选择的备选方案组合用{XU vj1 ，...，XU vjk ，...，XU vjp }表示。
规定上述描述每个元单元的备选方案都可以选择一次，通过上述备选方案的选择，建立复杂机电产品的设计、制造、运维阶段的全生命周期备选方案组合模型如下式所示。
其中，
、
、
以二级制变量形式表示，如果选择备选方案为
，则
等于1，否则等于0。
构建评价指标体系
所述评价指标体系构建方法，用以在机电产品的设计、制造、运维不同阶段之间建立统一的评价标准，通过评价指标的形式将全生命周期每个阶段构建关联关系，实现全生命周期的有效融合。评价指标体系构建方法包括多阶段评价指标建立方法和评价指标模糊量化方法。
多阶段评价指标建立方法具体为，包括建立一级指标和二级子指标，其中，所建立的二级子指标用于过程评价，一级指标用于最终评价。以挖掘机作为典型的复杂机电产品为例进行分析，建立图4所示的挖掘机多阶段评价指标。
基于单元结构分解方法，将挖掘机的全生命周期分解为17个单元结构。其中设计阶段包括动力装置设计单元、工作装置设计单元、回转机构设计单元、操纵机构设计单元、传动机构设计单元、行走机构设计单元；制造阶段包括物料选择方案单元、加工工艺方案单元、加工方法方案单元、加工精度方案单元、装配精度方案单元、装配方法方案单元；运维阶段包括工作环境方案单元、工作负载方案单元、工作时长方案单元、停车维护方案单元、报废方案单元。
根据所分解的单元结构，选择企业和客户最为关注的四个一级指标，包括成本、质量、性能和能耗。成本指标作为挖掘机的重要评价指标，主要由企业的ERP系统收集汇总和统计，表示其全生命周期中各部分成本总和，包括设计成本、原材料成本、制造成本、人工成本、管理成本、维护成本等；质量指标主要受到耐蚀性、耐磨性、结构强度和使用寿命等因素的耦合作用，取决于结构设计、材料选择、工艺方案等方案的选择；性能指标主要是指挖掘机工作的功率和作业强度，它在很大程度上取决于挖掘机液压系统、冷却系统和传动系统的关键结构和强度；能耗指标主要取决于动力系统的选择、总体结构设计、材料选择等。通过上述对挖掘机四个一级评价指标的分析，进一步将一级指标分解为17个相关联的二级子指标，具体如图4所示。
评价指标模糊量化方法具体为，由于上述所建立的评价指标在实质上是模糊的，无法精确的量化物理空间和数字空间中的机电产品全生命周期数据。因此，需要采用评价指标模糊量化方法，对二级指标进行模糊量化评价。主要分为如下三种情形：
a.对于可以通过构造线性隶属函数进行评价的二级指标，建立隶属度函数进行模糊量化评价，采用基于半梯形分布的隶属函数模糊量化计算方法如下式所示。
通过具体示例计算说明上式的含义，对于质量指标下的二级子指标结构强度，传动机构中的零部件和运动副的数量或传动链的相对长度可以用作隶属函数的自变量记作为
。则该机构的最大隶属度得分为1,最小隶属度得分为0，零部件个数和运动副个数分别为a和b，通过上式即可对该机构的结构强度性能进行模糊量化。
b.对于难以通过构造线性隶属函数来度量的二级子指标，采用模糊统计方法或二元对比排序法对评价指标进行排序并打分。
c.对于样本数据缺乏的二级子指标，通过经验丰富的专家进行模糊综合评价，得到模糊量化的评价结果。
基于数字孪生的多阶段综合评价方法
所述基于数字孪生的多阶段综合评价方法包括基于复杂网络的多阶段评价模型建立方法和基于数字孪生的综合评价方法；通过基于复杂网络的多阶段评价模型建立方法建立由映射网络、预测网络和反馈网络三种网络结构组成的复杂网络评价模型，实现机电产品在数字空间和物理空间相互映射。通过基于数字孪生的综合评价方法不仅可以准确地对物理空间中还未实施的备选方案进行准确预测与评估，而且可以促进设计、制造、运维阶段全生命周期信息的有效融合，避免由于各阶段联系割裂造成决策失误的问题。基于数字孪生的多阶段综合评价方法实现流程如图5所示。
基于复杂网络的多阶段评价模型建立方法具体为，从物理空间收集方案决策数据和评价数据，通过映射网络实现数字空间和物理空间之间的非线性映射；通过持续的监督学习，并建立数字孪生模型驱动的预测网络完成对机电产品全生命周期不同备选方案组合的预测与评价；如果实际评价结果与数字孪生评价结果之间的误差超出规定误差上限，则通过反馈网络进行迭代并重新学习，直到达到要求训练出可以准确评价机电产品全生命周期决策方案的评价模型。
如图6所示为所建立的多阶段评价模型复杂网络的详细结构，该结构包括输入层、第一层、第二层和输出层。基于评价指标体系构建方法，建立一级指标和二级指标。在复杂网络的输入层，基于单元结构分解方法得到设计单元备选方案组合{XD ij1 ，...，XD ijk ，...， XD ijp }、制造单元备选方案组合{XM gj1 ，...，XM gjk ，...，XM gjp }、运维单元备选方案组合{XM gj1 ，...，XM gjk ，...，XM gjp }作为复杂网络的输入值。基于评价指标模糊量化方法计算得到二级子指标的隶属度得分为第一层的输出，同时作为第二层的输入。对于第二层的评价网络，其输入为二级子指标的模糊量化结果，其输出为一级指标的评价结果。第一层进行第一阶段过程评价，第二层进行第二阶段最终评价。根据物理空间和数字空间提供的备选方案组合和二级子指标的模糊量化计算结果作为训练样本，建立二级子指标和一级指标的评价网络和输出层的目标网络。通过样本数据的持续训练，得到基于复杂网络的多阶段评价模型。
基于数字孪生的综合评价方法具体为，在物理空间采集实际机电产品全生命周期的方案决策、评价指标数据及评价数据，在数字空间建立数字孪生模型完成对物理空间的真实映射。建立基于数字孪生的评价指标，分为对物理空间的实际评价指标和对数字空间的虚拟评价指标。基于复杂网络的多阶段评价模型建立方法完成对映射网络、预测网络和反馈网络的建立，不断学习全生命周期每个阶段之间的信息关联并完成对产品全生命周期的综合评价，基于数字孪生的综合评价方法实施步骤如下。
S1建立基于数字孪生的评价要素，分别建立物理空间和数字空间的评价要素分别如下式所示：
其中PD表示物理空间所包括的评价要素；VD表示数字空间多包括的评价要素；
表示实际的备选方案决策；
表示虚拟方案决策，VPEI和VFEI分别是APEI和AFEI的基于数字孪生的镜像评价指标和镜像评价结果。在物理空间中采集评价要素所对应的样本数据。
S2建立映射网络，所建立的映射网络为实现数字空间与物理空间一对一的映射，首先需要在物理空间中统计并收集与所建立评价要素相关的样本数据，通过映射网络压缩数据量并规范数据集，去除不正确的数据。采用Minmax归一化数据处理方法，通过映射归一化方法将采集到的全生命周期数据从物理空间映射到数字空间，建立映射网络通过下式表示，
其中vd和pd分别表示数字空间和物理空间的样本数据，Pd min 和Pd max 分别表示物理空间样本数据的最小值和最大值。
S3建立预测网络，当数据映射到数字空间后，建立两阶段预测网络。在第一阶段的过程评价中，为了减小计算成本并简化评价指标的样本数据集，将第一层的输出即二级评价子指标进行分类如图6所示。将评价子指标分为4类，分别隶属于成本、质量、性能、能耗的一级评价指标。建立4类评价子指标的评价子模型分别进行预测，预测结果作为第一层的输出同时作为第二层的输入。
其中神经元的节点数目取决于评价指标体系的结构，根据Kolmogorov定理进行计算。例如，在成本指标的评价子模型中，由于有6个二级子指标的评价属性值作为输入值，所以在输入层中有6个节点，在输出层中有一个对应于经济指标的节点，计算得到对应的隐藏层节点个数为L=2d+1=12个节点。其中d为输入节点数，对此，构建第一层和第二层网络的表达式如下所示。
其中
表示第一层网络，
表示第二层网络，
和
表示从第e层隐藏层的第r个节点到第e+1层隐藏层的第w个节点的线性映射；t表示输入参数的个数，q为一级评价指标的个数， h和z分别代表隐藏层的层数。
对于第一层的输入为映射网络映射到数字空间的数据集vd，则过程评价和最终评价的评价过程可通过下式表示
其中
为二级子指标的评价结果，
为一级指标的评价结果。
同时为提高预测网络的计算精度，需要对第一层和第二层网络的结构进行优化，采用SGD、Nesterov、Adagrad和ADAM优化算法进行优化。需要根据实际情况选择对应的优化算法，对于复杂网络的优化方法，需要采用混合优化算法来提高训练效果。
S4建立反馈网络，所建立的反馈网络在结构上与预测网络类似，采用递归算法分别计算第一层和第二层网络新的网络节点。在网络模型中进行权重更新，并在一个方向上更新和调整模型的参数并进行反馈迭代，不断学习，来最小化损失函数。以历史数据作为检验集，验证预测网络评价结果与实际样本数据的一致性。如果预测的评价结果与实际评价结果之间的误差超过规定误差的上限，则采用反馈网络并重新训练。如果预测网络保持一致性，则满足训练条件，求解得到训练好的权值和神经网络的阈值矩阵。最后，通过输入的由物理空间和数字空间样本点组成的非线性连续空间，在训练好的基于数字孪生的复杂网络中进行多阶段评价，输出一级指标的最终评价结果。
S5进行综合评价，对于一级评价指标的最终评价结果，根据方案满意度调查引入专家经验和用户需求函数确定主观权重，采用基于博弈论的思想，协调、组合客观权重和主观权重，得到一级指标的综合权重。结合综合权重和一级评价指标的最终评价结果，采用TOPSIS法进行排序得到综合评价结果，综合评价结果是对机电产品设计、制造、运维阶段不同备选方案集的预测与综合评价，可用于机电产品全生命周期方案的评价和决策。对提高企业对产品全生命周期方案综合评价的效率和有效性具有指导性意义，对提高产品竞争力具有重要的意义。
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 (6)
1.一种基于数字孪生的复杂机电产品全生命周期综合评价方法，其特征在于，包括以下步骤，包括物理空间、数字空间、全生命周期综合评价模块；
物理空间包括关于物理实体采集的设计数据、制造数据、运行数据和产品维护数据的全生命周期数据；并通过数据映射将物理空间全生命周期数据传输至数字空间；
数字空间包括数据处理方法和多学科协同模型建立方法；数据处理方法包括数据预处理、数据存储、数据交互和数据通信，通过多学科协同模型建立方法得到高保真的数字孪生模型；
全生命周期综合评价模块包括单元结构分解方法、评价指标体系构建方法和基于数字孪生的多阶段综合评价方法；通过单元结构分解方法对机电产品全生命周期各阶段进行分解，建立备选方案决策模型来描述机电产品的全生命周期；通过评价指标体系构建方法建立能够关联并描述机电产品不同阶段的评价指标体系，实现全生命周期信息的有效融合；通过基于数字孪生的多阶段综合评价方法建立复杂学习网络，实现数字空间与物理空间评价指标之间的连续映射与反馈，完成对复杂机电产品设计阶段、制造阶段、运维阶段全生命周期不同备选方案组合的预测评价，为决策者提供了更为准确和全面的评价指导性信息。
2.根据权利要求1所述的基于数字孪生的复杂机电产品全生命周期综合评价方法，其特征在于，对于机电产品全生命周期的单元结构分解流程，将产品的全生命周期分解为i个设计单元{PD 1 ，...，PD i }、g个制造单元{PM 1 ，...，PM g }和v个运维单元{PU 1 ，...，PU v }，其中每个单元都可以分解为多组元单元，元单元通过备选方案组合进行描述；其中第i个设计单元的元单元为{PD i1 ，...，PD ij ，...，PD ik }；第g个制造单元的元单元为{PM g1 ，...，PM gj ，...， PM gk }，第v个运维单元的元单元为{PU v1 ，...，PU vj ，...，PU vk }；
对于组成上述设计单元的元单元结构PD ij ，都有一组可供评估、比较和选择的备选方案组合用{XD ij1 ，...，XD ijk ，...，XD ijp }表示；对于组成上述制造单元的每个元单元PM ij ，都有一组可供评估、比较和选择的备选方案组合用{XM gj1 ，...，XM gjk ，...，XM gjp }表示；对于组成上述运维单元的每个元单元PU ij ，都有一组可供评估、比较和选择的备选方案组合用{XU vj1 ，...，XU vjk ，...，XU vjp }表示；
规定上述描述每个元单元的备选方案都可以选择一次，通过上述备选方案的选择，建立复杂机电产品的设计阶段、制造阶段、运维阶段的全生命周期备选方案组合模型，
其中，
、
、
以二级制变量形式表示，如果选择备选方案
，则
等于1，否则等于0。
3.根据权利要求1所述的基于数字孪生的复杂机电产品全生命周期综合评价方法，其特征在于，评价指标体系构建方法包括多阶段评价指标建立方法和评价指标模糊量化方法；
建立复杂机电产品的多阶段评价指标，包括一级指标和二级子指标，所建立的二级子指标用于过程评价，一级指标用于最终评价；
评价指标模糊量化方法，分为如下三种情形，
a.对于可以通过构造线性隶属函数进行评价的二级指标，建立隶属度函数进行模糊量化评价，采用基于半梯形分布的隶属函数模糊量化计算方法；
b.对于难以通过构造线性隶属函数来度量的二级子指标，采用模糊统计方法或二元对比排序法对评价指标进行排序并打分；
c.对于样本数据缺乏的二级子指标，通过经验丰富的专家进行模糊综合评价，得到模糊量化的评价结果。
4.根据权利要求1所述的基于数字孪生的复杂机电产品全生命周期综合评价方法，其特征在于，所述基于数字孪生的多阶段综合评价方法包括基于复杂网络的多阶段评价模型建立方法和基于数字孪生的综合评价方法。
5.根据权利要求4所述的基于数字孪生的复杂机电产品全生命周期综合评价方法，其特征在于，基于复杂网络的多阶段评价模型建立方法步骤如下：从物理空间收集方案决策数据和评价数据，通过映射网络实现数字空间和物理空间之间的非线性映射；通过持续的监督学习，并建立数字孪生模型驱动的预测网络完成对机电产品全生命周期不同备选方案组合的预测与评价；如果实际评价结果与数字孪生评价结果之间的误差超出规定上限，则通过反馈网络进行迭代并重新学习，直到达到要求训练出可以准确评价机电产品全生命周期决策方案的评价模型；
通过建立由映射网络、预测网络和反馈网络三种网络结构组成的复杂网络，实现机电产品在数字空间和物理空间相互映射，得到机电产品的全生命周期综合预测评价结果。
6.根据权利要求4所述的基于数字孪生的复杂机电产品全生命周期综合评价方法，其特征在于，基于数字孪生的综合评价方法步骤如下，
S1建立基于数字孪生的评价要素，分别建立物理空间和数字空间的评价要素分别如下式所示，
其中PD表示物理空间所包括的评价要素；VD表示数字空间所包括的评价要素；
表示实际的备选方案决策；
表示虚拟方案决策，VPEI和VFEI分别是APEI和AFEI的基于数字孪生的镜像评价指标和镜像评价结果、在物理空间中采集评价要素所对应的样本数据；
S2建立映射网络，所建立的映射网络为实现数字空间与物理空间一对一的映射，用于压缩数据量并规范数据集，去除不正确的数据；采用Minmax归一化数据处理方法，通过映射归一化方法将采集到的全生命周期数据从物理空间映射到数字空间，建立映射网络通过下式表示，
其中vd和pd分别表示数字空间和物理空间的样本数据，PD min 和PD max 分别表示物理空间样本数据的最小值和最大值；
S3建立预测网络，当数据映射到数字空间后，建立两阶段预测网络；在第一阶段的过程评价中，将第一层的输出即二级评价子指标进行分类，将评价子指标分为4类，分别隶属于成本、质量、性能、能耗的一级评价指标；建立4类评价子指标的评价子模型分别进行预测，预测结果作为第一层的输出同时作为第二层的输入；
S4建立反馈网络，所建立的反馈网络在结构上与预测网络类似，采用递归算法分别计算第一层和第二层网络新的网络节点；在网络模型中进行权重更新，并在一个方向上更新和调整模型的参数并进行反馈迭代，不断学习，来最小化损失函数，以历史数据作为检验集，验证预测网络评价结果与实际样本数据的一致性；如果预测的评价结果与实际评价结果之间的误差超过规定误差的上限，则采用反馈网络并重新训练；如果预测网络保持一致性，则满足训练条件，求解得到训练好的权值和神经网络的阈值矩阵；最后，通过输入的由物理空间和数字空间样本点组成的非线性连续空间，在训练好的基于数字孪生的复杂网络中进行多阶段评价，输出一级指标的最终评价结果；
S5进行综合评价，对于一级评价指标的评价结果，根据方案满意度调查结果，并引入专家经验和用户需求函数确定主观权重，采用基于博弈论的思想，协调、组合客观权重和主观权重，得到一级指标的综合权重；结合综合权重和评价结果，采用TOPSIS法进行排序得到综合评价结果，综合评价结果是对机电产品设计阶段、制造阶段、运维阶段不同备选方案集的预测与综合评价，可用于机电产品全生命周期方案的评价和决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211597614.3A CN115660293B (zh) | 2022-12-14 | 2022-12-14 | 基于数字孪生的复杂机电产品全生命周期综合评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211597614.3A CN115660293B (zh) | 2022-12-14 | 2022-12-14 | 基于数字孪生的复杂机电产品全生命周期综合评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115660293A true CN115660293A (zh) | 2023-01-31 |
| CN115660293B CN115660293B (zh) | 2023-06-30 |
Family
ID=85017388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211597614.3A Active CN115660293B (zh) | 2022-12-14 | 2022-12-14 | 基于数字孪生的复杂机电产品全生命周期综合评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115660293B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117478700A (zh) * | 2023-10-31 | 2024-01-30 | 浙江慧储科技有限公司 | 基于5g通信和智能物联网的元社区虚实交互系统 |
| CN118114573A (zh) * | 2024-04-23 | 2024-05-31 | 湘江实验室 | 一种钢铁工艺流程中数字孪生模型的重构与迁移方法 |
| CN118313519A (zh) * | 2024-06-07 | 2024-07-09 | 无锡学院 | 机电全生命周期预测建模方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3208757A1 (en) * | 2016-02-17 | 2017-08-23 | Plataine Ltd. | Tracking production in a production facility, using searchable digital threads |
| CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
| CN113240302A (zh) * | 2021-05-20 | 2021-08-10 | 北京中创绿发科技有限责任公司 | 产品全生命周期评价系统及评价实施方法 |
| CN113689574A (zh) * | 2020-05-19 | 2021-11-23 | 阿里巴巴集团控股有限公司 | 数字孪生处理方法、装置和机器可读介质 |
| CN113902242A (zh) * | 2021-08-27 | 2022-01-07 | 广西电网有限责任公司南宁供电局 | 一种基于数字孪生的电网设备的综合状态评价方法及系统 |
| CN115422814A (zh) * | 2022-11-04 | 2022-12-02 | 中国海洋大学 | 一种数字孪生驱动的复杂机电产品闭环优化设计方法 |
-
2022
- 2022-12-14 CN CN202211597614.3A patent/CN115660293B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3208757A1 (en) * | 2016-02-17 | 2017-08-23 | Plataine Ltd. | Tracking production in a production facility, using searchable digital threads |
| CN113689574A (zh) * | 2020-05-19 | 2021-11-23 | 阿里巴巴集团控股有限公司 | 数字孪生处理方法、装置和机器可读介质 |
| CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
| CN113240302A (zh) * | 2021-05-20 | 2021-08-10 | 北京中创绿发科技有限责任公司 | 产品全生命周期评价系统及评价实施方法 |
| CN113902242A (zh) * | 2021-08-27 | 2022-01-07 | 广西电网有限责任公司南宁供电局 | 一种基于数字孪生的电网设备的综合状态评价方法及系统 |
| CN115422814A (zh) * | 2022-11-04 | 2022-12-02 | 中国海洋大学 | 一种数字孪生驱动的复杂机电产品闭环优化设计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李浩;王昊琪;程颖;陶飞;郝兵;王新昌;纪杨建;宋文燕;杜文辽;文笑雨;巩晓?;李客;张映锋;罗国富;李奇峰;: "数据驱动的复杂产品智能服务技术与应用", 中国机械工程, no. 07 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117478700A (zh) * | 2023-10-31 | 2024-01-30 | 浙江慧储科技有限公司 | 基于5g通信和智能物联网的元社区虚实交互系统 |
| CN118114573A (zh) * | 2024-04-23 | 2024-05-31 | 湘江实验室 | 一种钢铁工艺流程中数字孪生模型的重构与迁移方法 |
| CN118114573B (zh) * | 2024-04-23 | 2024-07-16 | 湘江实验室 | 一种钢铁工艺流程中数字孪生模型的重构与迁移方法 |
| CN118313519A (zh) * | 2024-06-07 | 2024-07-09 | 无锡学院 | 机电全生命周期预测建模方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115660293B (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539583B (zh) | 一种基于数字孪生的生产过程仿真优化方法 | |
| CN115660293B (zh) | 基于数字孪生的复杂机电产品全生命周期综合评价方法 | |
| US11755976B2 (en) | Method for predicting oxygen load in iron and steel enterprises based on production plan | |
| CN112800668A (zh) | 基于数字孪生的复杂产品运维与制造集成总体模型 | |
| CN103711523B (zh) | 基于局域分解-进化神经网络的瓦斯浓度实时预测方法 | |
| CN117389236B (zh) | 一种环氧丙烷生产过程优化方法及系统 | |
| CN117350774B (zh) | 基于大数据的市区体育建材预算执行管控方法及系统 | |
| CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
| CN104299031A (zh) | Bp神经网络超短期负荷预测方法 | |
| CN117829382A (zh) | 一种公路施工进度智能预测方法及系统 | |
| CN110619442A (zh) | 一种基于强化学习的车辆泊位预测方法 | |
| CN117930786B (zh) | 钢铁生产过程智能化数字孪生仿真系统 | |
| CN110796293A (zh) | 一种电力负荷预测方法 | |
| Acar Yildirim et al. | Time-cost optimization model proposal for construction projects with genetic algorithm and fuzzy logic approach | |
| CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
| Ding et al. | A big data based cost prediction method for remanufacturing end-of-life products | |
| CN112541633A (zh) | 一种基于神经网络的超高精度光伏发电功率预测方法及系统 | |
| CN117575328A (zh) | 一种基于图注意力神经网络的产业链风险评估方法及装置 | |
| CN117217820A (zh) | 供应链采购需求智能集成预测方法及系统 | |
| CN114254734B (zh) | 一种支持确定性应用的流量矩阵建模方法 | |
| CN118297775A (zh) | 基于数字孪生技术的城市规划管控系统 | |
| CN111414927A (zh) | 一种海水水质评价的方法 | |
| Si et al. | Self-Organizing Optimization of Construction Project Management Based on Building Information Modeling and Digital Technology | |
| CN116050190B (zh) | 一种基于数字孪生的产品性能和退化状态分析方法 | |
| Geng et al. | A LSTM based campus network traffic prediction system |
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 |