CN116432323B - 一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法 - Google Patents

一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法 Download PDF

Info

Publication number
CN116432323B
CN116432323B CN202310702383.6A CN202310702383A CN116432323B CN 116432323 B CN116432323 B CN 116432323B CN 202310702383 A CN202310702383 A CN 202310702383A CN 116432323 B CN116432323 B CN 116432323B
Authority
CN
China
Prior art keywords
model
credibility
digital twin
maturity
aircraft structure
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
CN202310702383.6A
Other languages
English (en)
Other versions
CN116432323A (zh
Inventor
张浩宇
李维
李洪双
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202310702383.6A priority Critical patent/CN116432323B/zh
Publication of CN116432323A publication Critical patent/CN116432323A/zh
Application granted granted Critical
Publication of CN116432323B publication Critical patent/CN116432323B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft 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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法。首先依据飞机结构数字孪生系统的模型结构开展模型层次解析并划分，建立数字孪生系统的参数关联模型。并通过分析单模型的几何模型保真度、物理及材料模型保真度、验证与确认、灵敏度分析、不确定性量化、数据适用性等6项可信性关键要素，构建单模型的预测能力成熟度决策模型并确定其预测能力成熟度等级。然后，建立由可信性关键要素‑模型预测能力成熟度‑数字孪生系统可信性传递的贝叶斯网络。最后，依据飞机结构数字孪生的参数关联模型，根据灵敏度分析获取的灵敏度指标确定贝叶斯网络的条件传递概率，量化飞机结构数字孪生系统的可信性。

Description

一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法
技术领域
本发明涉及可信性评估领域，更具体的说是涉及一种飞机结构数字孪生的可信性评估方法。
背景技术
由于飞机运行环境复杂多变，且飞机不同结构层次之间关系繁杂，基于数字孪生的结构预测、优化决策过程中存在各种不确定性，这些不确定性会在飞机结构数字孪生系统中传递、迭代，最终导致仿真和预测结果的不确定性。现有的数字孪生预测过程中很少考虑不确定性因素对预测结果的影响，而不确定性因素深刻地影响着数字孪生系统的预测结果。因此为了提高数字孪生预测的精度与准确性，需要对数字孪生系统进行可信性评估，可信性评估可以识别数字孪生系统存在的潜在问题和不确定性，从而提高数字孪生的精度和准确性。
数字孪生可信性评估是提高数字孪生技术应用和发展的关键工具。现有技术对数字孪生技术的评估方法，有根据数字孪生系统的性能特点的8项模型评价准则和对应的29个量化指标，最终通过加权的方式获得综合评估指标的评估方法，但该方法指标繁杂，且容易引入评价人员的主观性。还有针对航空航天设备数字孪生系统的可信性评估的10维成熟度模型。尽管对数字孪生的评估方法已有多种，但是针对飞机结构数字孪生系统进行的可信性评估的方法还比较欠缺，因此，如何提供一种能够有效开展飞机结构数字孪生可信性评估的方法是本领域技术人员亟需解决的问题。
发明内容
本发明的目的在于提供一种针对飞机典型结构数字孪生的可信性评估方法。可客观高效地对飞机结构数字孪生系统的可信性展开评估，进而降低基于数字孪生的飞机结构安全性设计和健康维护的决策风险，建立数字孪生系统的仿真可信性。
本发明的技术方案如下：
步骤1，对要评估飞机结构数字孪生系统开展层次化解析，建立该数字孪生系统的参数关联模型；
步骤2，分析所述参数关联模型的可信性关键要素，定义可信性关键要素成熟度等级划分标准，基于该标准得到该参数关联模型每个单模型的可信性关键要素的成熟度等级；
步骤3，根据步骤2得到的可信性关键要素的成熟度等级，构建单模型的预测能力成熟度决策模型，依据可信性关键要素的权重系数，确定单模型的预测能力成熟度等级；
步骤4，基于预测能力成熟度决策模型与贝叶斯网络，建立由可信性关键要素-模型预测能力成熟度-数字孪生系统可信性传递的贝叶斯网络，最终得到该飞机结构数字孪生系统的可信等级，可信等级满足要求则完成评估，不满足要求则需要对飞机结构数字孪生系统进行修正与更新。
作为优选，参数关联模型为该飞机结构数字孪生系统各个模型之间的联系而构建的参数模型，包括该数字孪生系统的每个单模型及其之间的关联。
作为优选，步骤2具体为：定义每个单模型的可信性关键要素，并将其划分为k个成熟度等级，定义每个可信性关键要素的成熟度等级划分标准；分析要评估飞机结构的每个单模型的可信性关键要素，获得对应的成熟度等级。
作为优选，步骤3中，基于下式计算单模型的预测能力成熟度等级：
，
式中，表示模型的预测能力成熟度等级，范围在0～k-1之间，/>表示该模型下每种关键要素的成熟度等级，/>表示权重系数，/>范围在0～1之间，n为每个单模型的关键要素数量。
作为优选，步骤4中，基于单模型的预测能力成熟度等级以及对模型进行灵敏度分析获取的灵敏度指标来确定贝叶斯网络内部的条件传递概率，层层传递，最终得到该数字孪生系统可信等级。
作为优选，灵敏度分析为：根据参数关联模型分别研究每个单模型的不确定性对数字孪生系统响应的敏感性和对可靠度的灵敏度，辨识出对数字孪生系统响应或可靠度影响较大的单模型。
作为优选，通过下式确定贝叶斯网络的传递概率，可得到该飞机结构数字孪生系统的可信等级：，式中，/>为可信等级，范围与/>的范围一致，在0~k-1之间，m为单模型的数量，下标i表示第i个单模型，/>表示第i个单模型的预测能力成熟度等级，/>表示通过灵敏度分析得到的第i个单模型的Sobol灵敏度指标，/>取值范围在0～1之间，取值越大表示该模型发生变化或受不确定性影响时对数字孪生系统输出响应程度越大，取值越小则对输出响应程度越弱。
作为优选，建立的可信性关键要素-模型预测能力成熟度-数字孪生系统可信性传递的贝叶斯网络为三层网络结构，第一层为要素层，包含每个单模型的可信性关键要素的成熟度等级，第二层为模型层，包含每个单模型的预测能力成熟度等级，第三层为系统层，包含该数字孪生系统的可信等级；要素层到模型层的传递是基于预测能力成熟度决策模型，利用可信性关键要素的成熟度等级以及权重系数确定条件传递概率；模型层到系统层基于灵敏度分析确定条件传递概率层层递进。
作为优选，若步骤4得到的可信等级不满足用户要求，则需要对飞机结构数字孪生系统的模型进行修正或更新，如按照真实的机翼结构对模型的几何细节进行丰富或对模型进行不确定性量化和灵敏度分析等工作。
本发明的有益效果为：
1、本发明提供的评估方法实现了对飞机结构数字孪生系统可信性的量化，克服了现有数字孪生系统评估方法中指标繁杂、主观因素较强且没有考虑多源不确定性的不足。本发明将飞机结构数字孪生系统中存在的多源不确定性考虑在内，以尽量客观的方法验证飞机结构数字孪生模型与物理实体的符合性，减少了主观因素的影响，且对不同的数字孪生对象可以根据其特性调整可信性关键要素及贝叶斯网络结构，具有较好的灵活性，能够适用于一般飞机结构数字孪生系统的可信性评估。
2、本发明采用全新的数字孪生系统可信性评估方法，利用预测能力成熟度决策模型与贝叶斯网络，通过对该飞机结构数字孪生系统下每个单模型的可信性关键要素进行分析，得到每个单模型下可信性关键要素的成熟度等级，建立由可信性关键要素-模型预测能力成熟度-数字孪生系统可信性传递的贝叶斯网络，构建了一套飞机结构数字孪生可信性评估框架。
附图说明
图1为本发明以飞机柔性翼结构数字孪生系统为例的流程图；
图2为本发明一个实施例的参数关联模型；
图3为本发明一个实施例的贝叶斯网络传递示意图；
图4为本发明一个实施例可信性评估的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明采用一种基于预测能力成熟度决策模型与贝叶斯网络的方法来评估飞机结构数字孪生系统的可信性，通过建立由可信性关键要素-模型预测能力成熟度-数字孪生系统可信性传递的贝叶斯网络，得到一套飞机结构数字孪生系统可信性评估框架及综合评估结果。
以飞机柔性翼结构数字孪生系统为例：
步骤1：对飞机柔性翼结构数字孪生系统的模型结构开展层次化解析，如图2所示，飞机柔性翼结构数字孪生系统可认为由气动力学仿真模型和结构有限元仿真模型2个单模型组成。
步骤2：对空气动力学仿真模型和结构有限元仿真模型2个单模型的几何模型保真度（RGF）、物理及材料模型保真度（PMMF）、验证与确认（V&V）、灵敏度分析（SSA）、不确定性量化（UQ）、数据适用性（DA）6项可信性关键要素进行分析。
在飞机柔性翼结构数字孪生系统中，几何模型保真度（RGF）指仿真模型的详细表征水平或几何特征规范性；物理及材料模型保真度（PMFF）主要指模型被校准的程度或模型基于物理的程度；验证与确认（V&V）分为模型验证和模型确认，模型验证是分析计算模型能否准确地代表基本数学模型及其求解过程，模型确认是确定一个模型能够准确描述真实物理世界的程度；灵敏度分析（SSA）是研究模型输入的不确定性对其输出影响的过程；不确定性量化（UQ）是识别、描述并对影响仿真模型精度的因素进行定量的过程；数据适用性（DA）指获取的信息及数据适用于模型更新或进化的程度。
对几何模型保真度（RGF）、物理及材料模型保真度（PMMF）、验证与确认（V&V）、灵敏度分析（SSA）、不确定性量化（UQ）、数据适用性（DA）6项可信性关键要素划分为0级、1级、2级和3级4种成熟度等级，划分标准如下：
几何模型保真度（RGF）的成熟度等级按以下描述划分：
0级：模型的建立依赖判断和经验或者直接从模型库导出，没有针对真实的飞机结构进行细节化处理，很少或没有对模型的几何保证真度进行量化。
1级：对模型的主要部件进行了几何保真度量化，但是对真实飞机结构的细节处理仍然不够细致，具体的，对于飞机柔性翼结构，如铆接处的细节处理、表面光滑度、部件与部件之间的间隙等。
2级：对模型的绝大部分部件进行几何保真度量化，并且部分几何保真度量化工作由外部独立审查小组完成，对飞机结构的细节进行了真实化处理，具体的，对于飞机柔性翼结构，对铆钉连接处的细节处理，以及装配、磨损和疲劳引起的部件缺陷等都考虑在内。
3级：对模型的所有部件都进行了几何保真度量化，并且全部由外部独立审查小组完成。具体的，对于飞机柔性翼结构，完全依照真实柔性翼结构进行建模，没有对细节处进行近似处理或简化。
物理及材料模型保真度（PMFF）成熟度等级按以下描述划分：
0级：模型的建立基于经验，或者已知信息并不完整，模型中不同功能的原件大多为松耦合或者没有耦合，没有对模型的重要特征及参数进行校准。
1级：模型的建立并不完全基于经验，部分建模基于物理原理，模型整体的耦合性较差，对于模型的重要特征及参数进行了简易的校准。
2级：所有重要的物理过程模型和材料模型都是基于物理的。使用分离效应测试（SET）和积分效应测试（IET）对模型的重要参数进行校准。重要物理过程之间耦合性良好，并且已经对物理和材料模型进行了一定程度的评审，例如非正式评审或内部评审。
3级：所有物理模型和材料模型都是基于物理的，使用分离效应测试（SET）和积分效应测试（IET）进行校准的需求很小。所有的物理过程之间为紧耦合且是双向耦合。对物理和材料模型进行了独立的同行评审，例如：由建模与仿真工作的专家进行评审或外部专业审查小组进行的正式评审。
验证与确认（V&V）成熟度等级按以下描述划分：
0级：模型的准确性评估几乎完全基于判断和经验。
1级：利用有限的计算结果和实验结果对模型的准确性进行了评估，进行评估的系统响应量（SRQ）与模型领域不直接相关或实验条件与所感兴趣应用不直接相关，系统响应量（SRQ）或实验条件表征中的实验不确定性在很大程度上是未确定的或基于经验的。
2级：对分离效应测试（SET）实验和积分效应测试（IET）实验的一些关键系统响应量（SRQ）的计算结果和实验结果进行定量分析，并且对系统响应量（SRQ）和实验条件中存在的不确定性进行了表征。对模型验证和模型确认进行了评审，例如非正式评审或内部评审。
3级：对模型验证和模型确认进行专业评审，由外部专业审查小组完成。
灵敏度分析（SSA）成熟度等级按以下描述划分：
0级：仅依靠判断和经验对模型的灵敏度进行了评估，没有使用适于该模型的灵敏度评估指标。
1级：对仿真模型中的灵敏度分析是非正式或较为片面的，而不是系统的，使用了适用于该模型的灵敏度评估指标。
2级：对模型中大多数参数进行了灵敏度分析，使用了适用于该模型的灵敏度评估指标，对灵敏度分析进行了评审，如非正式的评审或内部评审。
3级：对参数不确定性和模型形式不确定性进行了全面且系统的灵敏度分析，使用高效且准确的灵敏度指标进行分析，并且数值逼近或采样误差对模型的灵敏度影响较小，对灵敏度分析进行了专业评审，由外部专业审查小组完成。
不确定性量化（UQ）成熟度等级按以下描述划分：
0级：模型的不确定性量化基于判断和经验或仅对模型进行了确定性分析。
1级：对模型中感兴趣领域中的不确定性进行了表征，但是没有对偶然不确定性与认知不确定性进行区分。对不确定性量化做出了一些假设，如：大多数概率密度函数被表征为高斯分布、不确定参数被认为与所有其他参数无关。
2级：对模型中存在的绝大多数不确定性进行了量化，并且对偶然不确定性和认知不确定性进行了分离，对不确定性量化进行评审，如非正式的评审或内部评审。
3级：对认知不确定性和偶然不确定性进行全面量化，对不确定性量化进行了专业评审，由外部专业审查小组完成。
数据适用性（DA）成熟度等级按以下描述划分：
0级：采集得到的信息数据不够完整和准确，难以用于模型的更新或进化，有用的数据占比较少，且飞机结构（实体）与数字孪生模型（虚体）之间数据交互的时延较长。
1级：采集得到的部分数据满足模型的更新或进化的要求，但是数据完整性及准确性有待完善。飞机结构（实体）与数字孪生模型（虚体）之间数据交互的时延较短。
2级：采集得到数据可以较为完整和准确，可以较好的满足模型更新或进化，对数据适用性进行了评审，例如非正式评审或内部评审。且飞机结构（实体）与数字孪生模型（虚体）之间的数据交互的时延短，可以满足飞机结构数字孪生系统大部分性能的实时性要求。
3级：采集得到数据完整、准确，且可靠性高，可以很好的满足模型更新或进化，并且对数据适用性进行了评审，由外部独立审查小组完成。且飞机结构（实体）与数字孪生模型（虚体）之间的数据交互时延极短，可以满足飞机结构数字孪生全部性能的实时性要求。
利用以上的划分标准，对飞机柔性翼结构数字孪生系统的空气动力学仿真模型和结构有限元仿真模型的可信性关键要素的成熟度等级进行划分，共2个单模型，每个单模型有6项关键要素，可得到12项关键要素的成熟度等级，得到的各项成熟度等级如下表1所示。
表1 关键要素的成熟度等级
。
步骤3：依据步骤2得到的可信性关键要素成熟度等级，通过下式计算单模型的预测能力成熟度等级：
，
式中，表示模型的预测能力成熟度等级，/>表示该模型下每种关键要素的成熟度等级，/>表示权重系数，/>范围在0～1之间，用户可以根据自己的需求以及模型本身的特性，设置每个可信性关键要素的权重系数。
本实施例中认为2个单模型的每个可信性关键要素同等重要，权重系数均取0.5，利用上式可得到空气动力学仿真模型的预测能力成熟度等级为2.167，2.167表示该模型成熟度等级在2和3之间，小数部分为0.167，即认为16.7%的概率为3级成熟度，83.3%的概率为2级成熟度；结构有限元仿真模型的成熟度等级/>为2，即认为100%的概率为2级成熟度。
预测能力成熟度模型是用来评估模型建模完整性与输出准确性的一种手段，模型预测能力成熟度等级有0级、1级、2级和3级4种成熟度等级，等级越高代表该模型完整性以及准确性越高。
模型的预测能力成熟度等级具有以下含义：
0级：模型可信性较差，在这种情况下需要对模型进行修正与更新。
1级：模型可信性一般，基本能够满足仿真的需求，但是模型保真度一般，模型仿真得到的数据与真实数据之间存在一定差异。
2级：模型可信性良好，基本满足构建飞机结构数字孪生系统的要求。
3级：模型可信性极高，模型仿真得到数据与真实数据差异极小，满足构建飞机结构数字孪生系统的要求。
步骤4：现在得到了空气动力学仿真模型和结构有限元仿真模型两个单模型的预测能力成熟度等级。建立由可信性关键要素-模型预测能力成熟度-数字孪生系统可信性传递的贝叶斯网络。
根据参数关联模型分别研究两个单模型的不确定性对柔性翼结构数字孪生系统响应的敏感性和对可靠度的灵敏度，辨识出对数字孪生系统响应或可靠度影响较大的单模型（灵敏度分析）。最终通过下式确定贝叶斯网络的传递概率，可得到该飞机柔性翼结构数字孪生系统的可信等级：
，
式中：表示通过灵敏度分析得到该模型的Sobol灵敏度指标，/>取值范围在0～1之间，取值越大表示该模型发生变化或受不确定性影响时对数字孪生系统输出响应程度越大，取值越小则对输出响应程度越弱。此处两个单模型的/>均取0.5，最终可得出该飞机柔性翼结构数字孪生系统可信等级/>为2.084, 2.084表示该模型可信等级在2和3之间，小数部分为0.084，即认为8.4%的概率为3级可信等级，91.6%的概率为2级可信等级。
飞机结构数字孪生系统可信等级有0级、1级、2级和3级4种等级，具体含义如下：
0级：飞机结构数字孪生系统可信性较差，在这种情况下可以认为数字孪生系统难以满足我们的需求，需要进行校准和更新。
1级：飞机结构数字孪生系统可信性一般，基本可以满足数字孪生的要求，但是无法实现高精度的预测。
2级：飞机结构数字孪生系统可信性较高，可以满足大部分对数字孪生系统的要求。
3级：飞机结构数字孪生系统可信性极高，完全满足对数字孪生系统的要求，可以实现高精度的预测，达到实时预测和优化决策的目标。
建立的可信性关键要素-模型预测能力成熟度-数字孪生系统可信性传递的贝叶斯网络为三层网络结构，第一层为要素层，包含每个单模型的可信性关键要素的成熟度等级，第二层为模型层，包含每个单模型的预测能力成熟度等级，第三层为系统层，包含该数字孪生系统的可信等级。要素层到模型层的传递是基于预测能力成熟度决策模型，利用可信性关键要素的成熟度等级以及权重系数确定条件传递概率；模型层到系统层的传递是基于步骤1得到的参数关联模型，通过灵敏度分析确定条件传递概率。如图3所示，三层贝叶斯网络层层递进，最终确定飞机柔性翼结构数字孪生系统的可信等级。依据飞机柔性翼结构数字孪生系统建立的贝叶斯网络如表2所示：
表2 贝叶斯网络的内容
。
如图4所示，最终通过分析得到该飞机柔性翼结构数字孪生系统可信等级大概率为2级，表明该飞机柔性翼结构数字孪生系统可信性较高，如果不是对数字孪生系统要求特别高，则认为该数字孪生系统是比较可靠的。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法，其特征在于，包括以下步骤：
步骤1，对要评估飞机结构数字孪生系统开展层次化解析，建立该数字孪生系统的参数关联模型，包括若干个单模型及单模型之间的联系；
步骤2，分析所述参数关联模型的可信性关键要素，定义可信性关键要素成熟度等级划分标准，基于该标准得到每个单模型的可信性关键要素的成熟度等级；
步骤3，根据步骤2得到的可信性关键要素的成熟度等级，构建单模型的预测能力成熟度决策模型，并依据可信性关键要素的权重系数，评估单模型的预测能力成熟度等级；
步骤4，基于预测能力成熟度决策模型与贝叶斯网络，建立由可信性关键要素-模型预测能力成熟度-数字孪生系统可信性传递的贝叶斯网络，最终得到该飞机结构数字孪生系统的可信等级，具体的，
基于单模型的预测能力成熟度等级以及对模型进行灵敏度分析获取的灵敏度指标确定贝叶斯网络内部的条件传递概率，表示为：式中，LDT为可信等级，范围在0～k-1之间，m为单模型的数量，下标i表示第i个单模型，LMi表示第i个单模型的预测能力成熟度等级，Si表示通过灵敏度分析得到该模型的Sobol灵敏度指标，Si取值范围在0～1之间，取值越大表示该模型发生变化或受不确定性影响时对数字孪生系统输出响应程度越大，取值越小则对输出响应程度越弱。
2.根据权利要求1所述的一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法，其特征在于，所述参数关联模型为该飞机结构数字孪生系统各个模型之间的联系而构建的参数模型，包括该数字孪生系统的每个单模型及其之间的关联。
3.根据权利要求2所述的一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法，其特征在于，所述步骤2具体为：定义每个单模型的可信性关键要素，并将其划分为k个成熟度等级，定义每个可信性关键要素的成熟度等级划分标准；分析要评估飞机结构的每个单模型的可信性关键要素，获得对应的成熟度等级。
4.根据权利要求3所述的一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法，其特征在于，步骤3中，基于下式计算单模型的预测能力成熟度等级：
式中，LM表示模型的预测能力成熟度等级，范围在0～k-1之间，Li表示该模型下每种关键要素的成熟度等级，wi表示权重系数，wi范围在0～1之间，n为每个单模型的关键要素数量。
5.根据权利要求4所述的一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法，其特征在于，所述灵敏度分析为：根据参数关联模型分别研究每个单模型的不确定性对数字孪生系统响应的敏感性和对可靠度的灵敏度，将单模型按照对数字孪生系统响应或可靠度的影响程度排序。
6.根据权利要求5所述的一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法，其特征在于，建立的可信性关键要素-模型预测能力成熟度-数字孪生系统可信性传递的贝叶斯网络为三层网络结构，第一层为要素层，包含每个单模型的可信性关键要素的成熟度等级，第二层为模型层，包含每个单模型的预测能力成熟度等级，第三层为系统层，包含该数字孪生系统的可信等级；要素层到模型层的传递是基于预测能力成熟度决策模型，利用可信性关键要素的成熟度等级以及权重系数确定条件传递概率；模型层到系统层基于灵敏度分析确定条件传递概率层层递进。
7.根据权利要求6所述的一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法，其特征在于，若步骤4得到的可信等级不满足用户要求，则对飞机结构数字孪生系统进行修正与更新，直到可信等级满足用户要求时完成评估。
CN202310702383.6A 2023-06-14 2023-06-14 一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法 Active CN116432323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310702383.6A CN116432323B (zh) 2023-06-14 2023-06-14 一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310702383.6A CN116432323B (zh) 2023-06-14 2023-06-14 一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法

Publications (2)

Publication Number Publication Date
CN116432323A CN116432323A (zh) 2023-07-14
CN116432323B true CN116432323B (zh) 2023-09-29

Family

ID=87091171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310702383.6A Active CN116432323B (zh) 2023-06-14 2023-06-14 一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法

Country Status (1)

Country Link
CN (1) CN116432323B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118627756A (zh) * 2024-08-08 2024-09-10 南方电网能源发展研究院有限责任公司 变电工程数字孪生模型成熟度检测方法、装置、计算机设备、可读存储介质和程序产品
CN118709919A (zh) * 2024-08-27 2024-09-27 南方电网能源发展研究院有限责任公司 变电工程数字孪生模型建模质量检测方法、装置、计算机设备和可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113987770A (zh) * 2021-10-18 2022-01-28 五邑大学 设计域盾构螺旋输送机数字孪生结构模型构建方法
CN114169087A (zh) * 2021-11-11 2022-03-11 五邑大学 数字孪生模型参数优化方法、装置、设备及存储介质
CN114580162A (zh) * 2022-02-24 2022-06-03 北京航空航天大学 一种面向装备的数字孪生动态可信度计算方法和系统
CN115222284A (zh) * 2022-08-04 2022-10-21 北京航空航天大学 一种基于成熟度模型的数字孪生系统成熟度评价方法
CN115759876A (zh) * 2022-12-14 2023-03-07 简易治慧(上海)智能科技发展有限公司 数字孪生几何模型成熟度评估方法、装置和存储介质
CN116011110A (zh) * 2023-02-03 2023-04-25 长安大学 一种自动驾驶汽车安全性等级评估方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113987770A (zh) * 2021-10-18 2022-01-28 五邑大学 设计域盾构螺旋输送机数字孪生结构模型构建方法
CN114169087A (zh) * 2021-11-11 2022-03-11 五邑大学 数字孪生模型参数优化方法、装置、设备及存储介质
CN114580162A (zh) * 2022-02-24 2022-06-03 北京航空航天大学 一种面向装备的数字孪生动态可信度计算方法和系统
CN115222284A (zh) * 2022-08-04 2022-10-21 北京航空航天大学 一种基于成熟度模型的数字孪生系统成熟度评价方法
CN115759876A (zh) * 2022-12-14 2023-03-07 简易治慧(上海)智能科技发展有限公司 数字孪生几何模型成熟度评估方法、装置和存储介质
CN116011110A (zh) * 2023-02-03 2023-04-25 长安大学 一种自动驾驶汽车安全性等级评估方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Digital Twin for Training Bayesian Networks for Fault Diagnostics of Manufacturing Systems;Toyosi Ademujimi 等;《Sensors》;第22卷(第4期);1-24 *
面向飞行器结构健康管理的数字孪生及应用研究综述;刘亚威;《测控技术》;第44卷(第1期);1-10 *

Also Published As

Publication number Publication date
CN116432323A (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN116432323B (zh) 一种基于贝叶斯网络的飞机结构数字孪生可信性评估方法
CN109472110B (zh) 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法
CN110472846B (zh) 核电厂热工水力安全分析最佳估算加不确定性方法
CN107436963B (zh) 一种基于Copula函数多元退化的O型橡胶密封圈寿命预测方法
JP2015532430A (ja) 確率論的疲労亀裂寿命推定のための方法およびシステム
CN108897960B (zh) 一种基于不确定性量化的涡轮叶片热机械疲劳概率寿命预测方法
CN116150897A (zh) 一种基于数字孪生的机床主轴性能测评方法及系统
CN112651119B (zh) 一种空间谐波减速器多性能参数加速退化试验评估方法
CN112949026B (zh) 一种考虑年龄和状态依赖的退化设备剩余寿命预测方法
CN106777814A (zh) 基于多源层次信息更新与故障物理的可靠性预计方法
CN104392122A (zh) 基于裂纹检出概率模型的概率寿命评估方法
CN108491931B (zh) 一种基于机器学习提高无损检测精度的方法
CN104615866A (zh) 一种基于物理统计模型的寿命预测方法
CN112287596A (zh) 一种基于聚类和lstm的发动机剩余寿命预测方法
CN116451514A (zh) 桥梁结构状态评估方法、装置以及电子设备
CN116957331A (zh) 风险旅客流量范围预测方法和装置
Zhao et al. Setting adaptive inspection intervals in helicopter components, based on a Digital Twin
CN118114118A (zh) 一种基于cndt的典型武器装备故障诊断方法
CN116187153B (zh) 基于层次贝叶斯的水工结构数字孪生模型更新方法
CN111160715A (zh) 基于bp神经网络新旧动能转换绩效评价方法和装置
Ling et al. Information gain-based inspection scheduling for fatigued aircraft components
CN115438033A (zh) 一种数字孪生运维数据质量检验方法
Shantz Uncertainty quantification in crack growth modeling under multi-axial variable amplitude loading
Torres et al. Efficiency and Reliability Enhancement of High Pressure Die Casting Process Through a Digital Twin.
CN118395572B (zh) 一种生产桥梁缆索结构寿命分析评估方法及装置

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