CN116992516A - 数字孪生驱动增材制造的仿生产品建模方法及系统 - Google Patents
数字孪生驱动增材制造的仿生产品建模方法及系统 Download PDFInfo
- Publication number
- CN116992516A CN116992516A CN202311259009.XA CN202311259009A CN116992516A CN 116992516 A CN116992516 A CN 116992516A CN 202311259009 A CN202311259009 A CN 202311259009A CN 116992516 A CN116992516 A CN 116992516A
- Authority
- CN
- China
- Prior art keywords
- matrix
- feature
- product structure
- product
- model
- 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
- 239000000654 additive Substances 0.000 title claims abstract description 73
- 230000000996 additive effect Effects 0.000 title claims abstract description 73
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 69
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 33
- 238000013461 design Methods 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims description 198
- 239000011159 matrix material Substances 0.000 claims description 177
- 230000004927 fusion Effects 0.000 claims description 104
- 230000003592 biomimetic effect Effects 0.000 claims description 35
- 238000009792 diffusion process Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000005538 encapsulation Methods 0.000 claims description 9
- 230000000903 blocking effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000011960 computer-aided design Methods 0.000 description 34
- 238000004590 computer program Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 7
- 230000001976 improved effect Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000010146 3D printing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/10—Additive manufacturing, e.g. 3D printing
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种数字孪生驱动增材制造的仿生产品建模方法及系统,涉及智能化建模技术领域,首先获取产品结构CAD设计图以及由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据;利用数字孪生和人工智能技术,挖掘产品结构CAD设计图和传感器数据的隐含特征,进而自动化的生成产品结构数字孪生模型。这样,可以实现仿生产品的快速和智能化建模。
Description
技术领域
本申请涉及智能化建模技术领域,涉及一种数字孪生驱动增材制造的仿生产品建模方法及系统。
背景技术
增材制造(3D打印)作为近年来快速成长的高端数字化制造技术,是先进制造业中最具潜力和最有发展前景的战略方向,是“引领第三次工业技术革命的核心技术之一”。然而,现今的增材制造模式远未达到全程数字化和高度智能化的水平,更未实现工艺过程和产品指标的信息交互与实时反馈。在减材和等材制造主导天下的产业体系中逐渐推广增材及其复合制造的绿色模式,在工业体系中全面推进增材模式的转变仍任重道远。
特别伴随物联网、大数据和人工智能等技术的发展,新一代信息技术与实体制造正加快融合,人们与增材制造物理世界的交互方式正在发生新的变化。数字孪生作为推动未来数字化转型的核心技术,它充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度的仿真过程,在物理世界和数字世界之间建立精准的联系,在虚拟空间中完成对物理实体的映射,从而反映物理实体的全生命周期过程,将是引领增材制造走向产业化的“金钥匙”。众所周知,增材制造过程具有“数字化”的天然属性。从微分式的增材产品设计到积分式的材料累积成型,从定量化的制造参数选择到数字化的工艺路径规划,增材制造过程产生的数据和算法是核心的数字资产。仿生增材制造是基于生物生长成形原理构建增材制造的新理论、新方法和新技术,亦或是依据仿生设计规则,增材制造出类生物复杂结构及其制品的过程。作为仿生制造与增材制造的交叉,仿生学为增材制造提供了全新的设计灵感及方法原理,增材制造则为仿生学赋予了新的内涵,极大延伸了仿生制造的物理空间及实现手段。
采用数字孪生驱动增材制造的仿生产品建模方法是实现基于增材制造的数字孪生技术的前期基础与技术保障,因此,急需一种数字孪生驱动增材制造的仿生产品建模方法及系统,满足用于增材制造的数字孪生技术的前期技术需求。
发明内容
本申请提供了一种数字孪生驱动增材制造的仿生产品建模方法及系统,获取产品结构CAD设计图以及由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据;利用数字孪生和人工智能技术,挖掘产品结构CAD设计图和传感器数据的隐含特征,进而自动化的生成产品结构数字孪生模型。这样,可以实现仿生产品的快速和智能化建模。
第一方面,提供了一种数字孪生驱动增材制造的仿生产品建模方法,其包括:
获取产品结构CAD设计图以及由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据,其中,所述传感器数据为弹性模量;
将所述产品结构CAD设计图通过包含嵌入层的ViT模型以得到多个产品结构局部语义理解特征向量;
将所述多个产品结构局部语义理解特征向量排列为产品结构全局语义理解特征矩阵;
将所述由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据按照时间维度和传感器样本维度排列为传感器数据矩阵;
将所述传感器数据矩阵通过使用空间注意力机制的卷积神经网络模型以得到物理模型传感特征矩阵;
融合所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵以得到融合特征矩阵;以及
将所述融合特征矩阵通过基于扩散模型的生成器以得到产品结构数字孪生模型。
在上述数字孪生驱动增材制造的仿生产品建模方法中,将所述产品结构CAD设计图通过包含嵌入层的ViT模型以得到多个产品结构局部语义理解特征向量,包括:对所述产品结构CAD设计图进行图像分块处理以得到图像块的序列;使用所述ViT模型的嵌入层对所述图像块的序列中的各个图像块进行向量嵌入化以得到图像块嵌入向量的序列;以及,将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个产品结构局部语义理解特征向量。
在上述数字孪生驱动增材制造的仿生产品建模方法中,将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个产品结构局部语义理解特征向量,包括:将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量;计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个产品结构局部语义理解特征向量。
在上述数字孪生驱动增材制造的仿生产品建模方法中,将所述传感器数据矩阵通过使用空间注意力机制的卷积神经网络模型以得到物理模型传感特征矩阵,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述物理模型传感特征矩阵。
在上述数字孪生驱动增材制造的仿生产品建模方法中,融合所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵以得到融合特征矩阵,包括:将所述产品结构全局语义理解特征矩阵和所述物理模型传感特征矩阵分别展开为产品结构全局语义理解特征向量和物理模型传感特征向量;对所述产品结构全局语义理解特征向量和所述物理模型传感特征向量进行深层空间封装语义匹配融合以得到融合特征向量;以及,将融合特征向量进行特征向量重构以得到所述融合特征矩阵。
在上述数字孪生驱动增材制造的仿生产品建模方法中,对所述产品结构全局语义理解特征向量和所述物理模型传感特征向量进行深层空间封装语义匹配融合以得到融合特征向量,包括:以如下优化公式对所述产品结构全局语义理解特征向量和所述物理模型传感特征向量进行深层空间封装语义匹配融合以得到融合特征向量;其中,所述优化公式为:
;
其中,表示所述产品结构全局语义理解特征向量,/>表示所述物理模型传感特征向量,/>表示所述融合特征向量,/>和/>分别表示向量的一范数和二范数,和/>分别为权重和偏置超参数,/>表示所述产品结构全局语义理解特征向量和所述物理模型传感特征向量之间的按位置距离矩阵,且/>为单位矩阵,/>表示向量乘法,/>表示按位置加法,/>表示按位置点乘,/>表示按位置减法。
在上述数字孪生驱动增材制造的仿生产品建模方法中,将所述融合特征矩阵通过基于扩散模型的生成器以得到产品结构数字孪生模型,包括:
将所述融合特征矩阵展开为融合特征向量;
对所述融合特征向量进行希尔伯特正交空间域表示解耦以得到优化融合特征向量;
将所述优化融合特征向量通过基于扩散模型的生成器以得到所述产品结构数字孪生模型。
在上述数字孪生驱动增材制造的仿生产品建模方法中,对所述融合特征向量进行希尔伯特正交空间域表示解耦以得到优化融合特征向量,包括:以如下解耦公式对所述融合特征向量进行希尔伯特正交空间域表示解耦以得到所述优化融合特征向量;
其中,所述解耦公式为:
;
;
;
其中,是所述融合特征向量,/>是所述融合特征向量/>的全局特征均值,是所述融合特征向量/>的二范数,/>是所述融合特征向量/>的长度,/>表示一维卷积,且/>是单位向量,/>表示向量的按位置差分,/>是卷积后的特征向量,是差分后的特征向量,/>是所述优化融合特征向量。
第二方面,提供了一种数字孪生驱动增材制造的仿生产品建模系统,其包括:
数据获取模块,用于获取产品结构CAD设计图以及由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据,其中,所述传感器数据为弹性模量;
嵌入编码模块,用于将所述产品结构CAD设计图通过包含嵌入层的ViT模型以得到多个产品结构局部语义理解特征向量;
产品矩阵构造模块,用于将所述多个产品结构局部语义理解特征向量排列为产品结构全局语义理解特征矩阵;
传感器矩阵构造模块,用于将所述由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据按照时间维度和传感器样本维度排列为传感器数据矩阵;
空间注意力模块,用于将所述传感器数据矩阵通过使用空间注意力机制的卷积神经网络模型以得到物理模型传感特征矩阵;
融合单元,用于融合所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵以得到融合特征矩阵;以及
生成模块,用于将所述融合特征矩阵通过基于扩散模型的生成器以得到产品结构数字孪生模型。
在上述数字孪生驱动增材制造的仿生产品建模系统中,所述嵌入编码模块,包括:图像分块单元,用于对所述产品结构CAD设计图进行图像分块处理以得到图像块的序列;嵌入化单元,用于使用所述ViT模型的嵌入层对所述图像块的序列中的各个图像块进行向量嵌入化以得到图像块嵌入向量的序列;以及,转换单元,用于将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个产品结构局部语义理解特征向量。
本发明的有益效果:
本申请提供的数字孪生驱动增材制造的仿生产品建模方法及系统,获取产品结构CAD设计图以及由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据;利用数字孪生和人工智能技术,挖掘产品结构CAD设计图和传感器数据的隐含特征,进而自动化的生成产品结构数字孪生模型。这样,可以实现仿生产品的快速和智能化建模。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模方法的场景示意图。
图2为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模方法的流程图。
图3为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模方法的架构示意图。
图4为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模方法中步骤120的子步骤的流程图。
图5为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模方法中步骤123的子步骤的流程图。
图6为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模方法中步骤160的子步骤的流程图。
图7为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模系统的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
图1为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模方法的场景示意图。如图1所示,在该应用场景中,首先,获取产品结构CAD设计图(例如,如图1中所示意的C1)以及由部署于真实物理模型(例如,如图1中所示意的M)的多个传感器采集的预定时间段内多个预定时间点的传感器数据(例如,如图1中所示意的C2);然后,将获取的产品结构CAD设计图和传感器数据输入至部署有数字孪生驱动增材制造的仿生产品建模算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于数字孪生驱动增材制造的仿生产品建模算法对所述产品结构CAD设计图和所述传感器数据进行处理,以将所述融合特征矩阵通过基于扩散模型的生成器以得到产品结构数字孪生模型。
在本申请的一个实施例中,图2为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模方法的流程图。如图2所示,根据本申请实施例的数字孪生驱动增材制造的仿生产品建模方法,包括:110,获取产品结构CAD设计图以及由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据,其中,所述传感器数据为弹性模量;120,将所述产品结构CAD设计图通过包含嵌入层的ViT模型以得到多个产品结构局部语义理解特征向量;130,将所述多个产品结构局部语义理解特征向量排列为产品结构全局语义理解特征矩阵;140,将所述由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据按照时间维度和传感器样本维度排列为传感器数据矩阵;150,将所述传感器数据矩阵通过使用空间注意力机制的卷积神经网络模型以得到物理模型传感特征矩阵;160,融合所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵以得到融合特征矩阵;以及,170,将所述融合特征矩阵通过基于扩散模型的生成器以得到产品结构数字孪生模型。
图3为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模方法的架构示意图。如图3所示,在该网络架构中,首先,获取产品结构CAD设计图以及由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据,其中,所述传感器数据为弹性模量;然后,将所述产品结构CAD设计图通过包含嵌入层的ViT模型以得到多个产品结构局部语义理解特征向量;接着,将所述多个产品结构局部语义理解特征向量排列为产品结构全局语义理解特征矩阵;然后,将所述由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据按照时间维度和传感器样本维度排列为传感器数据矩阵;接着,将所述传感器数据矩阵通过使用空间注意力机制的卷积神经网络模型以得到物理模型传感特征矩阵;然后,融合所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵以得到融合特征矩阵;以及,最后,将所述融合特征矩阵通过基于扩散模型的生成器以得到产品结构数字孪生模型。
具体地,在步骤110中,获取产品结构CAD设计图以及由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据,其中,所述传感器数据为弹性模量。针对上述技术问题,本申请的技术构思是利用数字孪生和人工智能技术,挖掘产品结构CAD设计图和传感器数据的隐含特征,进而自动化的生成产品结构数字孪生模型。这样,实现仿生产品的快速和智能化建模。
具体地,在本申请的技术方案中,首先,获取产品结构CAD设计图以及由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据,其中,所述传感器数据为弹性模量。其中,所述产品结构CAD设计图是增材制造(3D打印)的基础,它可以提供产品的几何形状、尺寸和结构信息。所述弹性模量是一种重要的材料力学性能指标,它反映了材料在受力时的变形程度和恢复能力,对于增材制造的仿生产品来说,弹性模量直接影响了产品的强度、韧性和耐久性。
具体地,在步骤120中,将所述产品结构CAD设计图通过包含嵌入层的ViT模型以得到多个产品结构局部语义理解特征向量。接着,将所述产品结构CAD设计图通过包含嵌入层的ViT模型以得到多个产品结构局部语义理解特征向量。这里,所述ViT模型是一种将Transformer应用在图像处理的计算机模型,它可以直接将图像分为多个图像块(patch),然后通过嵌入层将每个图像块进行嵌入化操作,再送入Transformer的编码器进行自注意力计算,最后得到每个图像块的语义理解特征向量,即所述产品结构局部语义理解特征向量。
ViT模型的优点是可以有效地捕捉图像中的全局语义信息,而不需要使用卷积神经网络等具有归纳偏置的结构。具体而言,通过ViT模型可以实现不同图像块之间的交互,从而捕捉产品结构CAD设计图中的全局语义关联关系,例如零件之间的拓扑结构、力学性能、工作状态等。
图4为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模方法中步骤120的子步骤的流程图,如图4所示,将所述产品结构CAD设计图通过包含嵌入层的ViT模型以得到多个产品结构局部语义理解特征向量,包括:121,对所述产品结构CAD设计图进行图像分块处理以得到图像块的序列;122,使用所述ViT模型的嵌入层对所述图像块的序列中的各个图像块进行向量嵌入化以得到图像块嵌入向量的序列;以及,123,将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个产品结构局部语义理解特征向量。
应可以理解, 自2017年Google提出的Transformer结构以来,迅速引发一波热潮,针对于NLP领域的,通过自注意力机制代替传统处理序列数据时采用的循环神经网络结构,不仅实现了并行训练,提升了训练的效率,同时也在应用中取得很好的结果。在NLP中,输入transformer中的是一个序列,而在视觉领域,需要考虑如何将一个2d图片转化为一个1d的序列,最直观的想法就是将图片中的像素点输入到transformer中,但是复杂度太高的问题。
而ViT模型对输入的改进可以降低复杂度,先将图片切分成一个个图像块,然后每一个图像块投影为固定长度的向量送入Transformer中,后续编码器的操作和原始Transformer中完全相同。但是因为对图片分类,因此在输入序列中加入一个特殊的标记,该标记对应的输出即为最后的类别预测。ViT在很多视觉任务上都展现了相当优秀的性能,但是和CNN(Convolutional Neural Network,卷积神经网络)相比,缺少归纳偏置让ViT应用于小数据集时非常依赖模型正则化(model regularization)和数据增广(dataaugmentation)。
图5为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模方法中步骤123的子步骤的流程图,如图5所示,将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个产品结构局部语义理解特征向量,包括:1231,将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量;1232,计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;1233,分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;1234,将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,1235,分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个产品结构局部语义理解特征向量。
上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式,可选地,编码器包括:CNN(Convolutional Neural Network,卷积神经网络)、Recursive NN(RecursiveNeural Network,递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果,但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳,因此基于Bi-LSTM(Long Short- Term Memory,长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理,从理论上而言具有更强的表示能力,但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点,因此在实际应用中使用 较少。Transformer是应用广泛的网络结构了,同时具有CNN和RNN的特性,对于全局特征有较好的提取效果,同时相较于RNN(RecurrentNeural Network,循环神经网络)在并行计算上具有一定优势。
具体地,在步骤130和步骤140中,将所述多个产品结构局部语义理解特征向量排列为产品结构全局语义理解特征矩阵;以及,将所述由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据按照时间维度和传感器样本维度排列为传感器数据矩阵。
由于离散的传感器数据无法直接被计算机模型识别,在本申请的技术方案中,将所述由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据按照时间维度和传感器样本维度排列为传感器数据矩阵。这里,所述传感器数据矩阵可以将不同时间点和不同位置的传感器数据有序地组织起来,便于后续模型对其进行特征提取。
具体地,在步骤150中,将所述传感器数据矩阵通过使用空间注意力机制的卷积神经网络模型以得到物理模型传感特征矩阵。如前所述,所述传感器数据矩阵包含了真实物理模型在不同时间点和不同位置上的弹性模量信息,这些信息蕴含了物理模型的形变和应力状态,是构建数字孪生模型的重要依据。在本申请的技术方案中,将所述传感器数据矩阵通过使用空间注意力机制的卷积神经网络模型以得到物理模型传感特征矩阵。其中,所述空间注意力机制的卷积神经网络模型可以有效地提取传感器数据矩阵中的空间特征,即物理模型在不同位置上的弹性模量分布和变化趋势,同时也可以减少冗余和噪声信息的影响。
其中,将所述传感器数据矩阵通过使用空间注意力机制的卷积神经网络模型以得到物理模型传感特征矩阵,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述物理模型传感特征矩阵。
注意力机制是机器学习中的一种数据处理方法,广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面,注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方;另一方面,注意力机制通过神经网络的操作生成一个掩码mask, mask上的值的权重。 一般来说,空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
具体地,在步骤160中,融合所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵以得到融合特征矩阵。由于所述物理模型传感特征矩阵能够表征物理模型的动态变化和状态,而所述多个产品结构局部语义理解特征向量能够表征产品结构的静态属性和设计意图。在本申请的技术方案中,期待融合所述物理模型传感特征矩阵和所述多个产品结构局部语义理解特征向量以实现对产品结构数字孪生模型的全面描述。因此,首先,将所述多个产品结构局部语义理解特征向量排列为产品结构全局语义理解特征矩阵以与所述物理模型传感特征矩阵进行对齐和融合,再进行两者的融合,从而得到融合特征矩阵。这样,使得所述融合特征矩阵既包含了物理模型的动态信息,又包含了产品结构的静态信息,从而提高了数字孪生模型的精度和可信度。
图6为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模方法中步骤160的子步骤的流程图,如图6所示,融合所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵以得到融合特征矩阵,包括:161,将所述产品结构全局语义理解特征矩阵和所述物理模型传感特征矩阵分别展开为产品结构全局语义理解特征向量和物理模型传感特征向量;162,对所述产品结构全局语义理解特征向量和所述物理模型传感特征向量进行深层空间封装语义匹配融合以得到融合特征向量;以及,163,将融合特征向量进行特征向量重构以得到所述融合特征矩阵。
在本申请的技术方案中,所述产品结构全局语义理解特征矩阵表达产品结构CAD设计图的各局部的上下文关联图像语义,而所述物理模型传感特征矩阵表达空间强化的传感器数据空间关联特征语义,因此,在融合所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵得到所述融合特征矩阵时,为了提升所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵的融合效果,期望进一步加强所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵在特征语义层面上的融合。
因此,本申请的申请人首先将所述产品结构全局语义理解特征矩阵和所述物理模型传感特征矩阵展开为产品结构全局语义理解特征向量和物理模型传感特征向量,再对所述产品结构全局语义理解特征向量,例如表示为和所述物理模型传感特征向量,例如表示为/>进行深层空间封装语义匹配融合,以得到融合特征向量,例如表示为/>,其中,所述融合特征向量/>具体为:以如下优化公式对所述产品结构全局语义理解特征向量和所述物理模型传感特征向量进行深层空间封装语义匹配融合以得到融合特征向量;其中,所述优化公式为:
;
其中,表示所述产品结构全局语义理解特征向量,/>表示所述物理模型传感特征向量,/>表示所述融合特征向量,/>和/>分别表示向量的一范数和二范数,/>和/>分别为权重和偏置超参数,/>表示所述产品结构全局语义理解特征向量和所述物理模型传感特征向量之间的按位置距离矩阵,且/>为单位矩阵,/>表示向量乘法,/>表示按位置加法,表示按位置点乘,/>表示按位置减法。
这里,对于深度特征空间中的所述产品结构全局语义理解特征向量和所述物理模型传感特征向量/>,其语义表达被封装到了深层空间内,这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布,由此,通过所述深层空间封装语义匹配融合,可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配,以实现特征在特征空间内的语义受控的编译融合,从而获得所述产品结构全局语义理解特征向量/>和所述物理模型传感特征向量/>在特征融合空间内的语义协同。这样,再将融合特征向量还原为所述融合特征矩阵,就提升了所述融合特征矩阵对所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵的语义融合效果,也就提升了所述融合特征矩阵的表达效果,从而提升了所述融合特征矩阵通过基于扩散模型的生成器得到的产品结构数字孪生模型的准确性。
具体地,在步骤170中,将所述融合特征矩阵通过基于扩散模型的生成器以得到产品结构数字孪生模型。继而,将所述融合特征矩阵通过基于扩散模型的生成器以得到产品结构数字孪生模型。其中,所述扩散模型是一种潜变量模型,可以通过对数据点在潜空间中的扩散方式进行建模,来学习数据集的潜结构。扩散模型的目标是将先验数据分布转化为随机噪声,然后再一步一步地修正转换重建一个全新的样本。具体而言,使用基于扩散模型的生成器可以有效地利用融合特征矩阵中包含的产品结构局部语义理解特征和物理模型传感特征,从而生成高质量的产品结构数字孪生模型。
在本申请的一个实施例中,将所述融合特征矩阵通过基于扩散模型的生成器以得到产品结构数字孪生模型,包括:将所述融合特征矩阵展开为融合特征向量;对所述融合特征向量进行希尔伯特正交空间域表示解耦以得到优化融合特征向量;将所述优化融合特征向量通过基于扩散模型的生成器以得到所述产品结构数字孪生模型。
在本申请的技术方案中,所述产品结构全局语义理解特征矩阵表达产品结构CAD设计图的各局部的上下文关联图像语义,而所述物理模型传感特征矩阵表达空间强化的传感器数据空间关联特征语义,因此,在融合所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵得到所述融合特征矩阵时,考虑到所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵在特征语义层面上的差异,所述融合特征矩阵会具有多样化的语义特征表示,这样,将所述融合特征矩阵通过基于扩散模型的生成器时,就会影响所述融合特征矩阵作为整体的扩散泛化效果,也就是,影响得到的产品结构数字孪生模型的准确性。基于此,本申请在将所述融合特征矩阵通过基于扩散模型的生成器进行训练时,优选地首先将所述融合特征矩阵展开为融合特征向量,例如记为,再对所述融合特征向量进行希尔伯特正交空间域表示解耦。
在本申请的一个实施例中,对所述融合特征向量进行希尔伯特正交空间域表示解耦以得到优化融合特征向量,包括:以如下解耦公式对所述融合特征向量进行希尔伯特正交空间域表示解耦以得到所述优化融合特征向量;
其中,所述解耦公式为:
;
;
;
其中,是所述融合特征向量,/>是所述融合特征向量/>的全局特征均值,是所述融合特征向量/>的二范数,/>是所述融合特征向量/>的长度,/>表示一维卷积,且/>是单位向量,/>表示向量的按位置差分,/>是卷积后的特征向量,是差分后的特征向量,/>是所述优化融合特征向量。
这里,所述希尔伯特正交空间域表示解耦用于通过强调所述融合特征向量的多样化特征表达内的本质域特定(domain-specific)信息,即,通过基于向量自空间度量和向量自内积表示下的希尔伯特空间度量,来从所述融合特征向量/>的整体域表示内进行域恒定(domain-invariant)表征的正交空间域解耦,以提升所述融合特征向量/>在扩散生成域内的域自适应泛化性能,从而提升所述融合特征矩阵通过基于扩散模型的生成器得到的产品结构数字孪生模型的准确性。
综上,基于本申请实施例的数字孪生驱动增材制造的仿生产品建模方法被阐明,获取产品结构CAD设计图以及由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据;利用数字孪生和人工智能技术,挖掘产品结构CAD设计图和传感器数据的隐含特征,进而自动化的生成产品结构数字孪生模型。这样,可以实现仿生产品的快速和智能化建模。
在本申请的一个实施例中,图7为根据本申请实施例的数字孪生驱动增材制造的仿生产品建模系统的框图。如图7所示,根据本申请实施例的数字孪生驱动增材制造的仿生产品建模系统200,包括:数据获取模块210,用于获取产品结构CAD设计图以及由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据,其中,所述传感器数据为弹性模量;嵌入编码模块220,用于将所述产品结构CAD设计图通过包含嵌入层的ViT模型以得到多个产品结构局部语义理解特征向量;产品矩阵构造模块230,用于将所述多个产品结构局部语义理解特征向量排列为产品结构全局语义理解特征矩阵;传感器矩阵构造模块240,用于将所述由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据按照时间维度和传感器样本维度排列为传感器数据矩阵;空间注意力模块250,用于将所述传感器数据矩阵通过使用空间注意力机制的卷积神经网络模型以得到物理模型传感特征矩阵;融合单元260,用于融合所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵以得到融合特征矩阵;以及,生成模块270,用于将所述融合特征矩阵通过基于扩散模型的生成器以得到产品结构数字孪生模型。
这里,本领域技术人员可以理解,上述数字孪生驱动增材制造的仿生产品建模系统中的各个单元和模块的具体功能和操作已经在上面,参考图1到图6的数字孪生驱动增材制造的仿生产品建模方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的数字孪生驱动增材制造的仿生产品建模系统200可以实现在各种终端设备中,例如用于数字孪生驱动增材制造的仿生产品建模的服务器等。在一个示例中,根据本申请实施例的数字孪生驱动增材制造的仿生产品建模系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该数字孪生驱动增材制造的仿生产品建模系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该数字孪生驱动增材制造的仿生产品建模系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该数字孪生驱动增材制造的仿生产品建模系统200与该终端设备也可以是分立的设备,并且数字孪生驱动增材制造的仿生产品建模系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
本申请还提供了一种计算机程序产品,所述计算机程序产品包括指令,当所述指令被执行时,以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种数字孪生驱动增材制造的仿生产品建模方法,其特征在于,包括:
获取产品结构CAD设计图以及由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据,其中,所述传感器数据为弹性模量;
将所述产品结构CAD设计图通过包含嵌入层的ViT模型以得到多个产品结构局部语义理解特征向量;
将所述多个产品结构局部语义理解特征向量排列为产品结构全局语义理解特征矩阵;
将所述由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据按照时间维度和传感器样本维度排列为传感器数据矩阵;
将所述传感器数据矩阵通过使用空间注意力机制的卷积神经网络模型以得到物理模型传感特征矩阵;
融合所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵以得到融合特征矩阵;
将所述融合特征矩阵通过基于扩散模型的生成器以得到产品结构数字孪生模型。
2.根据权利要求1所述的数字孪生驱动增材制造的仿生产品建模方法,其特征在于,将所述产品结构CAD设计图通过包含嵌入层的ViT模型以得到多个产品结构局部语义理解特征向量,包括:
对所述产品结构CAD设计图进行图像分块处理以得到图像块的序列;
使用所述ViT模型的嵌入层对所述图像块的序列中的各个图像块进行向量嵌入化以得到图像块嵌入向量的序列;
将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个产品结构局部语义理解特征向量。
3.根据权利要求2所述的数字孪生驱动增材制造的仿生产品建模方法,其特征在于,将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个产品结构局部语义理解特征向量,包括:
将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量;
计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;
分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个产品结构局部语义理解特征向量。
4.根据权利要求3所述的数字孪生驱动增材制造的仿生产品建模方法,其特征在于,将所述传感器数据矩阵通过使用空间注意力机制的卷积神经网络模型以得到物理模型传感特征矩阵,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:
对输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行非线性激活以生成激活特征图;
计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;
计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;
计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;
其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述物理模型传感特征矩阵。
5.根据权利要求4所述的数字孪生驱动增材制造的仿生产品建模方法,其特征在于,融合所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵以得到融合特征矩阵,包括:
将所述产品结构全局语义理解特征矩阵和所述物理模型传感特征矩阵分别展开为产品结构全局语义理解特征向量和物理模型传感特征向量;
对所述产品结构全局语义理解特征向量和所述物理模型传感特征向量进行深层空间封装语义匹配融合以得到融合特征向量;
将融合特征向量进行特征向量重构以得到所述融合特征矩阵。
6.根据权利要求5所述的数字孪生驱动增材制造的仿生产品建模方法,其特征在于,对所述产品结构全局语义理解特征向量和所述物理模型传感特征向量进行深层空间封装语义匹配融合以得到融合特征向量,包括:以如下优化公式对所述产品结构全局语义理解特征向量和所述物理模型传感特征向量进行深层空间封装语义匹配融合以得到融合特征向量;
其中,所述优化公式为:
;
其中,表示所述产品结构全局语义理解特征向量,/>表示所述物理模型传感特征向量,/>表示所述融合特征向量,/>和/>分别表示向量的一范数和二范数,/>和/>分别为权重和偏置超参数,/>表示所述产品结构全局语义理解特征向量和所述物理模型传感特征向量之间的按位置距离矩阵,且/>为单位矩阵,/>表示向量乘法,表示按位置加法,/>表示按位置点乘,/>表示按位置减法。
7.根据权利要求6所述的数字孪生驱动增材制造的仿生产品建模方法,其特征在于,将所述融合特征矩阵通过基于扩散模型的生成器以得到产品结构数字孪生模型,包括:
将所述融合特征矩阵展开为融合特征向量;
对所述融合特征向量进行希尔伯特正交空间域表示解耦以得到优化融合特征向量;
将所述优化融合特征向量通过基于扩散模型的生成器以得到所述产品结构数字孪生模型。
8.根据权利要求7所述的数字孪生驱动增材制造的仿生产品建模方法,其特征在于,对所述融合特征向量进行希尔伯特正交空间域表示解耦以得到优化融合特征向量,包括:以如下解耦公式对所述融合特征向量进行希尔伯特正交空间域表示解耦以得到所述优化融合特征向量;
其中,所述解耦公式为:
;
;
;
其中,是所述融合特征向量,/>是所述融合特征向量/>的全局特征均值,/>是所述融合特征向量/>的二范数,/>是所述融合特征向量/>的长度,/>表示一维卷积,且/>是单位向量,/>表示向量的按位置差分,/>是卷积后的特征向量,/>是差分后的特征向量,/>是所述优化融合特征向量。
9.一种数字孪生驱动增材制造的仿生产品建模系统,其特征在于,包括:
数据获取模块,用于获取产品结构CAD设计图以及由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据,其中,所述传感器数据为弹性模量;
嵌入编码模块,用于将所述产品结构CAD设计图通过包含嵌入层的ViT模型以得到多个产品结构局部语义理解特征向量;
产品矩阵构造模块,用于将所述多个产品结构局部语义理解特征向量排列为产品结构全局语义理解特征矩阵;
传感器矩阵构造模块,用于将所述由部署于真实物理模型的多个传感器采集的预定时间段内多个预定时间点的传感器数据按照时间维度和传感器样本维度排列为传感器数据矩阵;
空间注意力模块,用于将所述传感器数据矩阵通过使用空间注意力机制的卷积神经网络模型以得到物理模型传感特征矩阵;
融合单元,用于融合所述物理模型传感特征矩阵和所述产品结构全局语义理解特征矩阵以得到融合特征矩阵;
生成模块,用于将所述融合特征矩阵通过基于扩散模型的生成器以得到产品结构数字孪生模型。
10.根据权利要求9所述的数字孪生驱动增材制造的仿生产品建模系统,其特征在于,所述嵌入编码模块,包括:
图像分块单元,用于对所述产品结构CAD设计图进行图像分块处理以得到图像块的序列;
嵌入化单元,用于使用所述ViT模型的嵌入层对所述图像块的序列中的各个图像块进行向量嵌入化以得到图像块嵌入向量的序列;
转换单元,用于将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个产品结构局部语义理解特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311259009.XA CN116992516B (zh) | 2023-09-27 | 2023-09-27 | 数字孪生驱动增材制造的仿生产品建模方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311259009.XA CN116992516B (zh) | 2023-09-27 | 2023-09-27 | 数字孪生驱动增材制造的仿生产品建模方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116992516A true CN116992516A (zh) | 2023-11-03 |
CN116992516B CN116992516B (zh) | 2023-12-12 |
Family
ID=88534201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311259009.XA Active CN116992516B (zh) | 2023-09-27 | 2023-09-27 | 数字孪生驱动增材制造的仿生产品建模方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116992516B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048600A (zh) * | 2021-11-09 | 2022-02-15 | 苏州纽克斯电源技术股份有限公司 | 一种数字孪生驱动的多模型融合工业系统异常检测方法 |
US20220067233A1 (en) * | 2020-08-27 | 2022-03-03 | Industrial Technology And Safety Council Llc | Generating operational and realistic models of physical systems |
CN114424167A (zh) * | 2019-05-06 | 2022-04-29 | 强力物联网投资组合2016有限公司 | 用于促进工业物联网系统智能开发的平台 |
CN114970292A (zh) * | 2022-07-29 | 2022-08-30 | 吉林大学 | 一种数字孪生驱动增材制造的仿生产品建模系统及方法 |
CN115439809A (zh) * | 2022-11-07 | 2022-12-06 | 浙江非线数联科技股份有限公司 | 基于数字孪生的地铁人流密度实时监测系统及其方法 |
CN115713507A (zh) * | 2022-11-16 | 2023-02-24 | 华中科技大学 | 基于数字孪生的混凝土3d打印成形质量检测方法及装置 |
CN115989504A (zh) * | 2020-08-31 | 2023-04-18 | 西门子公司 | 硬件加速器上的大规模矩阵运算 |
WO2023079139A1 (en) * | 2021-11-05 | 2023-05-11 | Swiss Reinsurance Company Ltd. | Automated standardized location digital twin and location digital twin method factoring in dynamic data at different construction levels, and system thereof |
-
2023
- 2023-09-27 CN CN202311259009.XA patent/CN116992516B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114424167A (zh) * | 2019-05-06 | 2022-04-29 | 强力物联网投资组合2016有限公司 | 用于促进工业物联网系统智能开发的平台 |
US20220067233A1 (en) * | 2020-08-27 | 2022-03-03 | Industrial Technology And Safety Council Llc | Generating operational and realistic models of physical systems |
CN115989504A (zh) * | 2020-08-31 | 2023-04-18 | 西门子公司 | 硬件加速器上的大规模矩阵运算 |
WO2023079139A1 (en) * | 2021-11-05 | 2023-05-11 | Swiss Reinsurance Company Ltd. | Automated standardized location digital twin and location digital twin method factoring in dynamic data at different construction levels, and system thereof |
CN114048600A (zh) * | 2021-11-09 | 2022-02-15 | 苏州纽克斯电源技术股份有限公司 | 一种数字孪生驱动的多模型融合工业系统异常检测方法 |
CN114970292A (zh) * | 2022-07-29 | 2022-08-30 | 吉林大学 | 一种数字孪生驱动增材制造的仿生产品建模系统及方法 |
CN115439809A (zh) * | 2022-11-07 | 2022-12-06 | 浙江非线数联科技股份有限公司 | 基于数字孪生的地铁人流密度实时监测系统及其方法 |
CN115713507A (zh) * | 2022-11-16 | 2023-02-24 | 华中科技大学 | 基于数字孪生的混凝土3d打印成形质量检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
庄红权;刘杨;: "构建权威的智能制造专业知识库及服务平台", 出版广角, no. 13 * |
汪霖;曹建福;: "机器人三维视觉技术及其在智能制造中的应用", 自动化博览, no. 02 * |
闫琼;张海军;: "基于犹豫模糊语言的数字孪生车间质量评价", 科学技术与工程, no. 16 * |
Also Published As
Publication number | Publication date |
---|---|
CN116992516B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079532B (zh) | 一种基于文本自编码器的视频内容描述方法 | |
Cheng et al. | Bi-pointflownet: Bidirectional learning for point cloud based scene flow estimation | |
CN116152267B (zh) | 基于对比性语言图像预训练技术的点云实例分割方法 | |
CN112949647B (zh) | 三维场景描述方法、装置、电子设备和存储介质 | |
CN110728219A (zh) | 基于多列多尺度图卷积神经网络的3d人脸生成方法 | |
Lee et al. | Visual question answering over scene graph | |
Wensel et al. | Vit-ret: Vision and recurrent transformer neural networks for human activity recognition in videos | |
CN112132739A (zh) | 3d重建以及人脸姿态归一化方法、装置、存储介质及设备 | |
CN114780748A (zh) | 基于先验权重增强的知识图谱的补全方法 | |
Yu et al. | Deep learning for topology optimization design | |
CN112149645A (zh) | 基于生成对抗学习和图神经网络的人体姿势关键点识别方法 | |
CN115222998A (zh) | 一种图像分类方法 | |
CN113706670B (zh) | 生成动态三维人体网格模型序列的方法及装置 | |
CN117725966A (zh) | 草图序列重建模型的训练方法、几何模型重建方法及设备 | |
CN116992516B (zh) | 数字孪生驱动增材制造的仿生产品建模方法及系统 | |
CN111159424B (zh) | 标注知识图谱实体的方法,装置,存储介质及电子设备 | |
Maimaitimin et al. | Stacked convolutional auto-encoders for surface recognition based on 3d point cloud data | |
CN112529057A (zh) | 一种基于图卷积网络的图相似性计算方法及装置 | |
CN117011943A (zh) | 基于多尺度自注意力机制的解耦的3d网络的动作识别方法 | |
CN116129251A (zh) | 办公桌椅的智能化制造方法及其系统 | |
WO2022173814A1 (en) | System and method for photorealistic image synthesis using unsupervised semantic feature disentanglement | |
CN111368026B (zh) | 基于词语义关系与动态卷积神经网络的文本蕴含分析方法 | |
CN114677569A (zh) | 一种基于特征解耦合的文字-图像对生成方法和装置 | |
CN114065769A (zh) | 情感原因对抽取模型的训练方法、装置、设备及介质 | |
CN112560712A (zh) | 基于时间增强图卷积网络的行为识别方法、装置及介质 |
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 |