CN117454530A - 一种基于数字孪生的汽车车身部件建模、检测方法及系统 - Google Patents
一种基于数字孪生的汽车车身部件建模、检测方法及系统 Download PDFInfo
- Publication number
- CN117454530A CN117454530A CN202311797141.6A CN202311797141A CN117454530A CN 117454530 A CN117454530 A CN 117454530A CN 202311797141 A CN202311797141 A CN 202311797141A CN 117454530 A CN117454530 A CN 117454530A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- automobile body
- body part
- modeling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013499 data model Methods 0.000 claims abstract description 52
- 238000012423 maintenance Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 17
- 238000012546 transfer Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 15
- 230000008878 coupling Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 12
- 238000005859 coupling reaction Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 239000013598 vector Substances 0.000 description 13
- 238000006073 displacement reaction Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013140 knowledge distillation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000013013 elastic material Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000036314 physical performance Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于数字孪生的汽车车身部件建模、检测方法及系统，涉及汽车制造技术领域，该方法包括：基于汽车车身部件的点云数据构建几何模型；所述几何模型用于展现汽车车身部件的结构；采用多领域统一建模原则构建汽车车身部件的物理模型；基于汽车车身部件的实时数据、所述几何模型的虚拟汽车车身部件孪生数据以及汽车车身部件的历史维护数据，构建数据模型；所述数据模型用于对所述汽车车身部件进行检测；通过所述数据模型更新所述几何模型。本发明结合几何模型、物理模型和数据模型高效且准确地模拟和检测汽车车身部件。
Description
技术领域
本发明涉及汽车制造技术领域，特别涉及一种基于数字孪生的汽车车身部件建模、检测方法及系统。
背景技术
在现代汽车制造中，汽车车身部件质量是决定汽车性能、安全和耐用性的关键。虽然传统的物理检测和人工检验为质量检测提供了基础，但其局限性明显，尤其在制造业向数字化和智能化发展的背景下。数字孪生技术，作为连接物理与数字世界的新方法，通过模拟实际生产和操作的数字化副本，为汽车车身部件的设计、测试和生产提供了创新的支持方式，从而提升质量并降低成本。汽车车身部件建模作为数字孪生系统的基础，如何精确地建模和预测汽车车身部件的性质与行为是亟需解决的关键问题。虽然有限元分析和CAD建模提供了传统的人工手动建模方法，但面对复杂的生产和设计环境，它们无法高效率高精度的对各种汽车车身部件进行建模。数字孪生，凭借其对工程学、实际数据和历史性能的综合考虑，为汽车车身部件的全面建模提供了新的解决方案。
数字孪生是通过模型和数据双驱动来实现监控、仿真、预测、优化等实际功能服务和应用需求，实质上是一种虚实闭环交互。数字孪生将物理资产变为数字模型，并建立模型映射关系。因此其中汽车车身部件模型的建立扮演着基础且决定性的角色。几何模型不仅为汽车车身部件提供了详尽的尺寸和形状描述，还为后续的物理和功能分析奠定了基础。尽管如此，仅依赖几何建模可能不足以完整描述汽车车身部件在实际操作中的细微表现，它需从不同的机制和数据层面出发，融合多领域多学科的模型，以实现对复杂物体的全面描述。这种综合考虑使得数字孪生模型能够达到与真实对象在外观、内在属性和行为上的一致性。因此，如何创建一个高保真的数字孪生模型是实现其真实应用的首要任务。
发明内容
基于此，本发明的目的是提供一种基于数字孪生的汽车车身部件建模、检测方法及系统，结合几何模型、物理模型和数据模型高效且准确地模拟和检测汽车车身部件。
为实现上述目的，本发明提供了如下方案：
一种基于数字孪生的汽车车身部件建模、检测方法，包括：
基于汽车车身部件的点云数据构建几何模型；所述几何模型用于展现汽车车身部件的结构；
采用多领域统一建模原则构建汽车车身部件的物理模型；
基于汽车车身部件的实时数据、所述几何模型的虚拟汽车车身部件孪生数据以及汽车车身部件的历史维护数据，构建数据模型；所述数据模型用于对所述汽车车身部件进行检测；
通过所述数据模型更新所述几何模型；
基于所述几何模型、所述物理模型以及所述数据模型形成汽车车身部件的数字孪生模型。
为实现上述目的，本发明还提供了如下方案：
一种基于数字孪生的汽车车身部件建模、检测系统，包括：
几何模型构建模块，用于基于汽车车身部件的点云数据构建几何模型；所述几何模型用于展现汽车车身部件的结构；
物理模型构建模块，用于采用多领域统一建模原则构建汽车车身部件的物理模型；
数据模型构建模块，用于基于汽车车身部件的实时数据、所述几何模型的虚拟汽车车身部件孪生数据以及汽车车身部件的历史维护数据，构建数据模型；所述数据模型用于对所述汽车车身部件进行检测；
更新模块，用于通过所述数据模型更新所述几何模型；
数字孪生模型形成模块，用于基于所述几何模型、所述物理模型以及所述数据模型形成汽车车身部件的数字孪生模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的基于数字孪生的汽车车身部件建模、检测方法及系统从多领域多视角对汽车车身部件进行建模，通过数据模型对几何模型进行更新能够精确地描述汽车车身部件在不同使用环境和条件下的性能和行为，为汽车车身部件的性能分析和故障诊断提供了坚实的基础。在对工厂生产的汽车车身部件进行高效率高精度的建模以及汽车车身部件质量检测的同时，还创建了多领域融合的模型，可用于数字孪生的后续仿真。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于数字孪生的汽车车身部件建模、检测方法的流程图；
图2为本发明提供的基于数字孪生的汽车车身部件建模、检测方法的框架图；
图3为数据模型构建示意图；
图4为扫描汽车车身部件示意图。
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。
本发明的目的是提供一种基于数字孪生的汽车车身部件建模、检测方法及系统，结合几何模型、物理模型和数据模型高效且准确地模拟和检测汽车车身部件。
如图2所示，在物理空间中，汽车车身部件的基本外形和尺寸通过三维逆向工程技术进行测量，基于此建立几何模型是构建汽车车身部件数字孪生模型的首要任务。根据汽车车身部件质量的性能和设计要求，本发明构建了机械系统、材料性能和热流传递等多领域耦合的物理模型，深入挖掘汽车车身部件的内在属性和运行机理。本发明利用先进的传感和3D扫描技术收集了各种实时数据，并结合虚拟汽车车身部件孪生数据、汽车车身部件的历史性能和状态数据来构建数据模型，旨在更好地描述和预测汽车车身部件的质量，以及实际操作和性能表现。基于几何模型、物理模型以及数据模型，形成了数字孪生模型，并进行了详细仿真，可用于汽车车身部件模型描述、智能诊断、性能预测，旨在进一步提升汽车车身部件质量，降低生产成本，并推动汽车制造业的数字化和智能化发展。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1-图2所示，本实施例提供的基于数字孪生的汽车车身部件建模、检测方法，包括以下步骤：
S1：基于汽车车身部件的点云数据构建几何模型；几何模型用于展现汽车车身部件的结构。
几何模型是汽车车身部件数字孪生模型建模的首要任务。利用几何模型，可以对汽车车身部件进行参数化的特征构建，也为后续的汽车车身部件的装配、仿真以及结构性能和机构性能的分析提供基础。在构建几何模型时，可以采用三维扫描仪进行逆向工程建模，将扫描所得的点云数据输入到DesignX等原生的建模软件中。这种方法不仅提高了建模效率，还确保了几何模型的表面质量与真实汽车车身部件一致，从而实现数字孪生模型与实际的视觉和结构的一致性，有利于进行进一步的高精度质量检测。
汽车车身部件的详细和准确的三维表示是任何模拟和分析的基础。为此，首先采用高精度的3D扫描技术来捕获汽车车身部件的微观结构和宏观形态。通过配置两个机械臂，每个机械臂上都装有3D扫描仪，这种双臂操作使本发明能够在不同的角度和方向上对汽车车身部件进行同步扫描，如图4所示。结合可移动的滑轨系统，实现了对汽车车身部件的360度无死角的扫描，确保了数据的完整性和准确性。扫描后得到的点云数据，包含了汽车车身部件表面的众多细节，这些数据被输入到专门的建模软件中，转化为三维的参数化模型，在获得数字孪生世界的虚拟的汽车车身部件的几何模型后，就可以直观地展现汽车车身部件的结构，还为后续的多物理场分析奠定了基础。
S2：采用多领域统一建模原则构建汽车车身部件的物理模型。
在汽车车身部件的几何模型构建完成之后，更进一步赋予数字孪生模型深层次的物理属性和性能参数，即物理建模。由于汽车车身部件的实际性能不仅包括传统的受力，也同时涉及稳态传热，振动性能等多领域特性，因此需要细致地、多层次地进行物理建模。在建模过程中，本发明采用了多领域统一建模原则，探讨汽车的机械、电子、传感器、控制等子系统间的相互作用和耦合关系。每个子模型（应力子模型、传热子模型以及振动子模型）可能由不同的物理学科描述，但本发明通过统一的数学语言和模型接口实现它们的无缝连接。通过多领域建模软件平台，如Simulink或Modelica，本发明将所有子模型耦合在一起，形成了多领域融合的汽车车身部件性能测试的物理模型。基于几何模型和多领域耦合的物理模型，实现多维模型关联、组合与集成，从而在信息空间级融合为一个完整的、具备高保真度的汽车车身部件数字孪生模型。
针对汽车车身部件在实际应用中可能遭遇的各种工况，进行了应力、传热和振动的建模。每一种子模型都基于深入的物理原理和汽车车身部件的材料特性进行构建，确保其对真实环境的响应有着较高的仿真精度。随后，采用了先进的融合算法，将这些独立的子模型合并成一个综合的多物理场的物理模型，使其能够考虑各个物理场之间的相互作用和影响。
对于线弹性材料，通常使用下列公式计算应变：
其中，(x,y,z)是相应的坐标分量，位移在x、y、z三个坐标轴上的投影用u、v、w来表示。这些公式将位移的梯度映射到应变分量。有限元分析的目标是解决平衡方程，其中力和位移之间的关系由总刚度矩阵和位移向量给出：
其中，K是刚度矩阵，u是位移向量，是外部载荷向量。
同时本发明还考虑了传热子模型以及振动子模型等多领域，振动子模型主要用于模拟汽车车身部件在行驶过程中遭受到的各种振动和冲击。这些振动可能来源于路面的不平整、车辆加速减速、外部冲击力等因素。该模型通常基于动力学原理，考虑材料的弹性、阻尼特性以及结构的几何特征，可以用公式表示为：
其中u是位移向量，为u的一次导数，/>为u的二次导数，M是质量矩阵，C1是阻尼矩阵，K是刚度矩阵，F(t)则是随着时间变化的外力向量，即t时刻的外部载荷向量。
本发明针对汽车车身部件的长时间使用的稳态传热问题，使用热传导方程来描述温度分布随时间的演化，有限元分析可以帮助本发明解决复杂几何形状中的热传导问题，可以表示为：
其中：是材料的密度，c是材料的比热容，T是温度，k是材料的热导率，Q是热源项，是梯度算子，/>是时间。
另外将结构分割成有限元或网格，并在每个元素上使用近似函数来表示温度场。这些近似函数通常是分片线性或分片二次函数，称为形状函数。然后，热传导方程被离散化为有限元形式：
其中：M是质量矩阵，表示元素内部的热质量，是刚度矩阵，表示元素内部的热传导性质，这些矩阵的构建需要考虑形状函数和材料性质。
将以上的单独的子模型以及暂未展示的子模型通过多物理场建模进行耦合后，可以定义一个状态向量，σ是应力张量，u是位移向量，形成热-结构耦合、结构-振动耦合等物理模型之间互相依赖的函数。以下举例耦合应力方程：
其中，C2是弹性张量，β是热膨胀系数，T0是参考温度，I是单位张量。可以看出应力场和振动位移场通过动力学方程和弹性方程相互耦合。位移场的变化会影响应力分布，而应力分布的变化又会影响到位移场的动态响应。这种相互耦合确保了物理模型能够全面地考虑所有相关物理现象的影响，从而提供更准确和可靠的仿真结果。通过先进的数值方法和算法，能够求解这一组耦合方程，获取关于汽车车身部件在复杂工况下行为的深入洞察。
同时会在物理模型上添加各种约束条件，如应力分析或是振动分析中的固定约束（物理约束和载荷约束）：某些汽车零件在实际使用中会被固定在一定的位置，不会发生位移，比如车轮与车轴连接的部分。另外如传热分析中的对流边界条件：定义零件表面与周围流体（如空气或液体）之间的热交换系数，以及温度边界条件：设置零件某些区域的温度值，例如冷却系统中的冷却液温度。
S3：基于汽车车身部件的实时数据、几何模型的虚拟汽车车身部件孪生数据以及汽车车身部件的历史维护数据，构建数据模型；数据模型用于对汽车车身部件进行检测。
汽车车身部件质量检测数据源是多样的，通过这些大数据建立汽车车身部件的生产与运行关系，对汽车车身部件的性能和健康状况进行统计和分析，是确保汽车性能和驾驶安全的关键。当前的研究主要关注于汽车车身部件的生产和制造阶段的数据，数据模型基于汽车车身部件性能的一致性原理，将实际汽车车身部件的实时数据、虚拟汽车车身部件孪生数据、以及汽车车身部件的历史和维护数据进行整合。汽车车身部件的实时数据，如温度、压力、振动、应力等物理量的监测结果，能够实时捕捉部件在实际运行过程中的状态，由此构建的数据集是数据模型的基础。
其次，几何模型的虚拟汽车车身部件仿真数据来源于高密度的3D扫描和先进的计算机模拟。再者，汽车车身部件的历史维护数据提供了汽车车身部件在长期使用过程中的性能变化和维护记录。这部分数据对于理解部件的疲劳寿命和潜在故障模式至关重要。
由于汽车车身部件的检测指标较多，包括材料性质、应力/应变、疲劳寿命、表面完整性、温度、振动等。因此需要先使用专业领域知识进行数据的冗余处理、特征提取和统计分析，获取实际静态和动态数据。然后，采用高效的神经网络模型对海量数据进行学习，并预测汽车车身部件的性能指标。最终得到的数据模型不仅可用于质量分析和其他应用，还支持数字孪生模型的动态更新，以持续反映真实汽车车身部件的状态和性能。
在构建了物理模型后，在真实世界的应用中，数字孪生模型的精度和泛化能力是至关重要的。为了满足这一要求，本发明对大量传感器数据进行深度融合和模型训练。首先，3D扫描所得到的高密度点云数据为本发明提供了一个准确的汽车车身部件外观和内部结构的表征。但单纯的形状数据并不足以描述汽车车身部件在实际工况中的复杂响应。因此，本发明结合了众多实时传感器的数据，这些传感器被设计来捕获汽车车身部件在不同操作条件下的表现，包括温度、压力、振动、应力等物理量。例如在车身外表面设置温度传感器检测表面温度分布，用于热传导分析；在汽车车身部件连接点、角落、边缘处设置应力传感器用于分析结构强度分析等等。但这些数据源都有各自的特点和采样频率，所以在集成前需要经过严格的预处理和校准步骤。
如图3所示，几何模型与物理模型的创建为数据模型的建立提供了良好的基础。一般来说，实时采集到的大量传感器所包含的信息非常繁杂，而物理模型则可以对实时传感数据处理，为数据模型提供良好的先验知识。几何模型提供的数字孪生数据可以很好的表示实时传感数据所属的位置的几何特征，同时实时传感数据经过物理模型的初步计算处理可以得到更加精准的物理特征数据。具体来说，传感器的实时数据会被作为物理模型的输入，并通过物理模型对传感数据进行计算，得到一系列的多领域的物理特征向量，其中包含的物理信息相较于实时数据更加凝练，同时几何模型所提供的几何特征将经过位置编码手段生成位置向量，整合到物理特征向量中。另外，历史的维护数据也被拼接整合到物理特征向量中作为输入数据被数据模型所学习，可以给出更加长期的故障预测。
为了捕获这些数据中的潜在模式和关系，本发明采用了先进的数据处理技术，包括噪声去除、特征提取和数据归一化。经过处理的数据被送入复杂的机器学习模型中，如深度神经网络，以学习和预测汽车车身部件在不同工况下的行为。此外，本发明还引入了先进的知识蒸馏技术，这使本发明能够利用在更复杂更全面的任务上训练得到的模型，为当前任务提供预训练的知识和经验。这不仅大大加速了模型的训练速度，而且提高了模型的精度和稳定性。训练完成后的数据模型不仅能够准确地描述和预测汽车车身部件的实际行为，还为后续的优化和控制提供了宝贵的决策支持。具体执行过程如下：
S31：数据收集和预处理。
S311：在汽车车身部件的关键位置布设温度、压力、振动、应力等传感器，实时收集数据；通过几何模型的方法获得数字孪生数据；获取汽车车身部件的历史和维护数据。
S312：对收集的数据进行清洗，去除噪声和异常值，并进行标准化或归一化处理，随后将实时数据联合物理模型进行处理获得物理特征，随后与几何特征编码与汽车车身部件的历史和维护数据整合作为输入数据。
S32：Teacher模型网络结构设计。
S321：输入层：设计多个输入层，每个输入层对应一个特征，特征中包含了多领域的物理特征，如零件区域温度、应力、压力等，同时还有位置编码以及历史维护数据，每个特征都有一个输入层与之对应。
S322：特征提取层：对每个输入层后接两层全连接层，每层有64个节点，使用ReLU激活函数来提升网络的表达能力和训练稳定性。
S323：特征融合层：将所有特征提取层的输出合并（concatenate），然后通过一个128节点的全连接层，使用ReLU激活函数。并且加入注意力机制，动态调整不同物理量特征的权重。
S324：预测层：接一个64节点的全连接层，使用ReLU激活函数。输出层：5个节点（根据不同汽车车身部件具体需求进行调整），使用线性激活函数。
S33：模型训练。
S331：将数据划分为训练集、验证集和测试集。并选择合适的损失函数，本发明采用均方误差（MSE）。
S332：选择合适的优化器，如Adam，用于调整网络的权重和参数，最小化损失函数。用训练集数据训练模型，利用验证集数据进行模型调整，防止过拟合。
S333：超参数调优，根据验证集上的性能调整网络的超参数，如学习率、批大小等。
S334：知识蒸馏：使用教师模型的输出作为软标签，与真实标签一起训练学生模型。损失函数是真实标签的损失和软标签的损失的加权和，学生模型的中间网络节点数为Teacher模型的1/4。
S34：模型评估与调整。
S341：性能评估：使用测试集数据对模型进行评估，确保其泛化能力强，性能稳定。
S342：模型调整：根据性能评估的结果，调整模型结构或参数，优化模型性能。
有了经过训练的几何模型，本发明便可以对汽车车身部件的各种性能进行预测和分析。当本发明输入数字孪生数据以及实时数据后，在数字孪生世界即可输出对汽车车身部件在实际应用中可能出现的表面质量问题、应力集中区域、传热异常等关键性能参数的预测，以及可能潜在的故障模式和性能退化。
随着实际的运行，孪生数据会促进数据模型的更新优化，随着运行时长的增加，数据量的增大，数据的分布可能发生部分的变化，此时模型的性能可能会轻微下降，因此需要利用当前模型的预测变化和重新收集数据集来分析和更新模型的数据，可以用来揭示零件的长期的性能趋势和潜在故障模式，并预测未来的状态变化和可能的性能退化。然后利用这些预测来指导数字孪生模型的进一步优化，包括参数调整和行为修正，确保数字孪生模型能够持续地反映出物理实体在不同操作条件下的精确表现。这种数据驱动的更新机制，不仅提高了数字孪生模型的响应速度和准确性，也使得数字孪生模型能够动态适应于不断变化的操作条件和环境因素。
S4：通过数据模型更新几何模型。
当然，数据模型不仅用于实时数据分析，还用于优化汽车的几何模型的优化设计。通过综合分析数字孪生模型预测的性能结果，本发明能够识别零件哪些部位的设计会影响车身零件的关键性能。例如，如果散热效率不佳，数据分析可能指出需要修改的零件几何参数，并据此调整设计以提高耐用性和可靠性，确保所做的每一次调整都朝着性能提升的方向。这种基于数据驱动的几何模型优化方法提高了设计的精确性和效率，为汽车设计提供了一个系统化、可追溯和可验证的优化流程。
本发明可以实时地为设计师和工程师提供这些关键数据，帮助他们在早期发现潜在的问题，从而进行针对性的优化和调整。此外，这些预测数据还为生产线的自动化和维护工作提供了有力的支持，进一步提升了汽车车身部件的质量和整体性能。
S5：基于几何模型、物理模型以及数据模型形成汽车车身部件的数字孪生模型。
本发明能够精确地描述汽车车身部件在不同使用环境和条件下的性能和行为，为汽车车身部件的性能分析和故障诊断提供了坚实的基础。本发明建立针对汽车车身部件质量检测的物理模型，结合多领域融合的技术，实现了对汽车车身部件从微观到宏观、从材料性能到功能性能的全面、高精度的描述。本发明的多领域多视角建模和检测方案具有广泛的适用性，能够支持各种汽车车身部件的研发、生产和维护工作，助力汽车制造商提高产品质量，降低生产成本。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供了一种基于数字孪生的汽车车身部件建模、检测系统。
上述系统包括：
几何模型构建模块，用于基于汽车车身部件的点云数据构建几何模型；几何模型用于展现汽车车身部件的结构。几何模型构建模块具体包括：扫描单元，用于通过载有3D扫描仪的机械臂对汽车车身部件进行扫描，获取点云数据；几何模型构建单元，用于将点云数据输入至建模软件中构建几何模型。
物理模型构建模块，用于采用多领域统一建模原则构建汽车车身部件的物理模型。物理模型构建模块具体包括：子模型构建单元，用于构建应力子模型、传热子模型以及振动子模型；耦合单元，用于采用多领域统一建模原则耦合应力子模型、传热子模型以及振动子模型，得到物理模型。
数据模型构建模块，用于基于汽车车身部件的实时数据、几何模型的虚拟汽车车身部件孪生数据以及汽车车身部件的历史维护数据，构建数据模型；数据模型用于对汽车车身部件进行检测。数据模型构建模块具体包括：训练数据获取单元，用于获取训练数据；训练数据包括汽车车身部件的实时数据、几何模型的虚拟汽车车身部件孪生数据以及汽车车身部件的历史维护数据；Teacher网络模型构建单元，用于构建Teacher网络模型；Teacher网络模型包括输入层、特征提取层、特征融合层和预测层；训练单元，用于通过训练数据对Teacher网络模型进行训练，得到数据模型。
更新模块，用于通过数据模型更新几何模型；
数字孪生模型形成模块，用于基于几何模型、物理模型以及数据模型形成汽车车身部件的数字孪生模型。
上述系统还包括：
约束条件加载模块，用于在物理模型上加载约束条件；约束条件包括物理约束、热传导约束以及载荷约束。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于数字孪生的汽车车身部件建模、检测方法，其特征在于，包括：
基于汽车车身部件的点云数据构建几何模型；所述几何模型用于展现汽车车身部件的结构；
采用多领域统一建模原则构建汽车车身部件的物理模型；
基于汽车车身部件的实时数据、所述几何模型的虚拟汽车车身部件孪生数据以及汽车车身部件的历史维护数据，构建数据模型；所述数据模型用于对所述汽车车身部件进行检测；
通过所述数据模型更新所述几何模型；
基于所述几何模型、所述物理模型以及所述数据模型形成汽车车身部件的数字孪生模型。
2.根据权利要求1所述的基于数字孪生的汽车车身部件建模、检测方法，其特征在于，基于汽车车身部件的点云数据构建几何模型，具体包括：
通过载有3D扫描仪的机械臂对汽车车身部件进行扫描，获取点云数据；
将所述点云数据输入至建模软件中构建几何模型。
3.根据权利要求1所述的基于数字孪生的汽车车身部件建模、检测方法，其特征在于，采用多领域统一建模原则构建汽车车身部件的物理模型，具体包括：
构建应力子模型、传热子模型以及振动子模型；
采用多领域统一建模原则耦合所述应力子模型、所述传热子模型以及所述振动子模型，得到物理模型。
4.根据权利要求1所述的基于数字孪生的汽车车身部件建模、检测方法，其特征在于，在采用多领域统一建模原则构建汽车车身部件的物理模型之后，还包括：
在所述物理模型上加载约束条件；所述约束条件包括物理约束、热传导约束以及载荷约束。
5.根据权利要求1所述的基于数字孪生的汽车车身部件建模、检测方法，其特征在于，基于汽车车身部件的实时数据、所述几何模型的虚拟汽车车身部件孪生数据以及汽车车身部件的历史维护数据，构建数据模型，具体包括：
获取训练数据；所述训练数据包括汽车车身部件的实时数据、所述几何模型的虚拟汽车车身部件孪生数据以及汽车车身部件的历史维护数据；
构建Teacher网络模型；所述Teacher网络模型包括输入层、特征提取层、特征融合层和预测层；
通过所述训练数据对所述Teacher网络模型进行训练，得到数据模型。
6.一种基于数字孪生的汽车车身部件建模、检测系统，其特征在于，包括：
几何模型构建模块，用于基于汽车车身部件的点云数据构建几何模型；所述几何模型用于展现汽车车身部件的结构；
物理模型构建模块，用于采用多领域统一建模原则构建汽车车身部件的物理模型；
数据模型构建模块，用于基于汽车车身部件的实时数据、所述几何模型的虚拟汽车车身部件孪生数据以及汽车车身部件的历史维护数据，构建数据模型；所述数据模型用于对所述汽车车身部件进行检测；
更新模块，用于通过所述数据模型更新所述几何模型；
数字孪生模型形成模块，用于基于所述几何模型、所述物理模型以及所述数据模型形成汽车车身部件的数字孪生模型。
7.根据权利要求6所述的基于数字孪生的汽车车身部件建模、检测系统，其特征在于，几何模型构建模块具体包括：
扫描单元，用于通过载有3D扫描仪的机械臂对汽车车身部件进行扫描，获取点云数据；
几何模型构建单元，用于将所述点云数据输入至建模软件中构建几何模型。
8.根据权利要求6所述的基于数字孪生的汽车车身部件建模、检测系统，其特征在于，物理模型构建模块具体包括：
子模型构建单元，用于构建应力子模型、传热子模型以及振动子模型；
耦合单元，用于采用多领域统一建模原则耦合所述应力子模型、所述传热子模型以及所述振动子模型，得到物理模型。
9.根据权利要求6所述的基于数字孪生的汽车车身部件建模、检测系统，其特征在于，还包括：
约束条件加载模块，用于在所述物理模型上加载约束条件；所述约束条件包括物理约束、热传导约束以及载荷约束。
10.根据权利要求6所述的基于数字孪生的汽车车身部件建模、检测系统，其特征在于，数据模型构建模块具体包括：
训练数据获取单元，用于获取训练数据；所述训练数据包括汽车车身部件的实时数据、所述几何模型的虚拟汽车车身部件孪生数据以及汽车车身部件的历史维护数据；
Teacher网络模型构建单元，用于构建Teacher网络模型；所述Teacher网络模型包括输入层、特征提取层、特征融合层和预测层；
训练单元，用于通过所述训练数据对所述Teacher网络模型进行训练，得到数据模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311797141.6A CN117454530B (zh) | 2023-12-26 | 2023-12-26 | 一种基于数字孪生的汽车车身部件建模、检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311797141.6A CN117454530B (zh) | 2023-12-26 | 2023-12-26 | 一种基于数字孪生的汽车车身部件建模、检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117454530A true CN117454530A (zh) | 2024-01-26 |
| CN117454530B CN117454530B (zh) | 2024-03-26 |
Family
ID=89584137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311797141.6A Active CN117454530B (zh) | 2023-12-26 | 2023-12-26 | 一种基于数字孪生的汽车车身部件建模、检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117454530B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488629A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于数字孪生技术的混合动力汽车的管控方法 |
| CN113624439A (zh) * | 2021-07-01 | 2021-11-09 | 中汽研（天津）汽车工程研究院有限公司 | 一种基于数字孪生技术的汽车环境风洞模拟方法 |
| CN114035521A (zh) * | 2021-11-09 | 2022-02-11 | 中机寰宇(江苏)智能制造认证检测有限公司 | 一种基于数字孪生的汽车分段建造方法 |
| US20220164502A1 (en) * | 2020-11-23 | 2022-05-26 | Jiangsu University | Pump machine unit optimized operation regulation system and method based on digital twin |
| CN114611235A (zh) * | 2022-03-09 | 2022-06-10 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生化纤长丝卷绕车间设备管控系统及方法 |
| CN115495880A (zh) * | 2022-08-18 | 2022-12-20 | 昆明理工大学 | 一种流程制造车间数字孪生模型、数字孪生系统构建方法 |
| CN115758867A (zh) * | 2022-11-04 | 2023-03-07 | 重庆红江机械有限责任公司 | 一种基于数字孪生模型的燃料喷射系统寿命预测方法及电子设备 |
| US20230141060A1 (en) * | 2021-11-10 | 2023-05-11 | Banpu Innovation & Ventures LLC. | Method and system for predicting non-linear well system dynamics performance in green energy generation utilizing physics and machine learning models |
| US20230244826A1 (en) * | 2022-01-28 | 2023-08-03 | Hiwin Technologies Corp. | Method and System for Building Digital Twin Models |
| US20230348238A1 (en) * | 2021-08-25 | 2023-11-02 | China University Of Mining And Technology | Automatic driving system of monorail hoist driven based on digital twin and method thereof |
-
2023
- 2023-12-26 CN CN202311797141.6A patent/CN117454530B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488629A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于数字孪生技术的混合动力汽车的管控方法 |
| US20220164502A1 (en) * | 2020-11-23 | 2022-05-26 | Jiangsu University | Pump machine unit optimized operation regulation system and method based on digital twin |
| CN113624439A (zh) * | 2021-07-01 | 2021-11-09 | 中汽研（天津）汽车工程研究院有限公司 | 一种基于数字孪生技术的汽车环境风洞模拟方法 |
| US20230348238A1 (en) * | 2021-08-25 | 2023-11-02 | China University Of Mining And Technology | Automatic driving system of monorail hoist driven based on digital twin and method thereof |
| CN114035521A (zh) * | 2021-11-09 | 2022-02-11 | 中机寰宇(江苏)智能制造认证检测有限公司 | 一种基于数字孪生的汽车分段建造方法 |
| US20230141060A1 (en) * | 2021-11-10 | 2023-05-11 | Banpu Innovation & Ventures LLC. | Method and system for predicting non-linear well system dynamics performance in green energy generation utilizing physics and machine learning models |
| US20230244826A1 (en) * | 2022-01-28 | 2023-08-03 | Hiwin Technologies Corp. | Method and System for Building Digital Twin Models |
| CN114611235A (zh) * | 2022-03-09 | 2022-06-10 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生化纤长丝卷绕车间设备管控系统及方法 |
| CN115495880A (zh) * | 2022-08-18 | 2022-12-20 | 昆明理工大学 | 一种流程制造车间数字孪生模型、数字孪生系统构建方法 |
| CN115758867A (zh) * | 2022-11-04 | 2023-03-07 | 重庆红江机械有限责任公司 | 一种基于数字孪生模型的燃料喷射系统寿命预测方法及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| SURAJ PAWAR等: "Hybrid analysis and modeling for next generation of digital twins", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》, 31 December 2018 (2018-12-31) * |
| 李柏松;王学力;王巨洪;: "数字孪生体及其在智慧管网应用的可行性", 油气储运, no. 10, 27 August 2018 (2018-08-27) * |
| 黄华等: "基于混合驱动的进给系统数字孪生 模型自适应更新法", 《计算机集成制造系统》, vol. 29, no. 6, 30 June 2023 (2023-06-30) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117454530B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111145236B (zh) | 一种基于数字孪生的产品拟实物装配模型生成方法及实现框架 | |
| CN112487584A (zh) | 一种基于动力学的滚动轴承数字孪生建模方法 | |
| CN113806978B (zh) | 基于bim-fem的桥梁结构数字孪生体及方法 | |
| CN111159793A (zh) | 基于数字孪生五维模型3d打印机建模方法及模型系统 | |
| 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 | |
| CN105678015B (zh) | 一种高超声速三维机翼的非概率可靠性气动结构耦合优化设计方法 | |
| CN114611313A (zh) | 一种基于模型融合的复杂产品数字孪生构建与应用方法 | |
| Lai et al. | Digital twin-based structural health monitoring by combining measurement and computational data: An aircraft wing example | |
| Wei et al. | Digital twin-driven manufacturing equipment development | |
| CN110716520B (zh) | 基于多源信息融合的飞控伺服作动器可靠性评估建模方法 | |
| Oishi et al. | Finite elements using neural networks and a posteriori error | |
| Tao et al. | A review of digital twin intelligent assembly technology and application for complex mechanical products | |
| Lu et al. | Digital twin-based operation simulation system and application framework for electromechanical products | |
| CN117454530B (zh) | 一种基于数字孪生的汽车车身部件建模、检测方法及系统 | |
| CN116050190B (zh) | 一种基于数字孪生的产品性能和退化状态分析方法 | |
| Wei et al. | Manufacturing data-driven process adaptive design method | |
| CN115455754A (zh) | 一种基于数字孪生的矿山液压支架设计方法 | |
| Li et al. | Research on Mathematical Calculation of Bridge Health Monitoring System based on BIM Model Time History Analysis | |
| CN115859521A (zh) | 基于神经网络的铣削加工误差重建方法及系统 | |
| CN112990601B (zh) | 基于数据挖掘的蜗轮加工精度自愈系统及方法 | |
| CN115238394A (zh) | 复合材料结构多源不确定性混合可靠性数字孪生建模方法 | |
| Zhang et al. | Application exploration of digital twin in rail transit health management | |
| CN114919181A (zh) | 连续纤维3d打印过程动态模拟及打印件翘曲变形的预测方法 | |
| Zhang et al. | Performance-oriented digital twin assembly of high-end equipment: a review | |
| Lin et al. | The future of environmental performance architectural design based on human-computer interaction |
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 |