CN117744455A - 考虑加载偏差的试验数字孪生体动态校正方法 - Google Patents
考虑加载偏差的试验数字孪生体动态校正方法 Download PDFInfo
- Publication number
- CN117744455A CN117744455A CN202410190818.8A CN202410190818A CN117744455A CN 117744455 A CN117744455 A CN 117744455A CN 202410190818 A CN202410190818 A CN 202410190818A CN 117744455 A CN117744455 A CN 117744455A
- Authority
- CN
- China
- Prior art keywords
- test
- reduced
- design
- model
- field data
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000012937 correction Methods 0.000 title claims abstract description 20
- 238000013461 design Methods 0.000 claims abstract description 131
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000012821 model calculation Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 238000002076 thermal analysis method Methods 0.000 claims description 2
- 238000013508 migration Methods 0.000 claims 1
- 230000005012 migration Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
考虑加载偏差的试验数字孪生体动态校正方法，属于结构试验领域，首先，确定设计变量、试验加载变量，仿真计算力学场数据并组装快照矩阵。其次，计算各设计变量对应的降阶基系数。第三，构建设计变量到降阶基系数的代理模型，当精度不足时扩大快照矩阵，重新上述步骤，得到最终降阶模型。第四，在试验阶段实时获取试验数据及当前设计变量，当存在加载偏差时，通过最终降阶模型计算力学场数据。最后，将试验数据及力学场数据融合构建数字孪生体。本发明操作简便、便于集成于传统试验；可解决由于加载偏差导致的精度不足的问题，通过将实际加载信息输入降阶模型，实现仿真数据的在线高效高精度更新，完成数字孪生体动态校正，提高数字孪生体精度。
Description
技术领域
本发明属于降阶计算领域，涉及一种考虑加载偏差的试验数字孪生体动态校正方法。
背景技术
现阶段，结构试验是装备设计开发的必要环节，用于检测结构的刚度、强度、稳定性等性能在典型服役工况下是否能达到指标要求，可为结构设计合理性、生产工艺安全性等提供评判依据。传统结构试验往往基于有限试验测点实现，比如中国专利ZL202210305360.7，专利名称为一种实时监测飞机机体结构强度的系统，其中指出，针对飞机机体结构强度试验，记录有限元计算结果中应力集中的多个位置，根据这些部位，在飞机结构件上对应的位置粘贴光纤光栅应变传感器，获取离散试验数据以此达到监测飞机机体结构强度的目的。该方法得到的离散试验数据难以保证结构应力监测覆盖度，当结构关键区域布设传感器位置不准确时，将无法得到结构真实应力状态导致对结构强度性能的误判。
针对上述问题，基于多源数据融合方法的试验数字孪生技术是一种可行的解决方案，通过将仿真数据和实测数据融合得到结构试验数字孪生体，即可实现结构整体力学场的实时监测，比如中国专利ZL202311165716.2，专利名称为基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质，其中指出，针对闸门，一方面建立有限元模型计算获取仿真数据；另一方面测量载荷、局部位移、局部应力及局部应变等真实数据，基于神经网络融合获取三维数字孪生模型，从而实现对闸门结构性能的监测和预测。因此通过数字孪生的方法将仿真数据与试验数据融合，对于结构性能评估具有重要意义。
然而，在进行结构试验过程中，由于仪器精度、人工操作等原因，容易出现加载偏差的情况，这就导致试验前，面向计划加载工况所准备好的仿真数据无法对应真实加载工况，进而使传统方法数据融合得到的数字孪生体精度大幅降低，而试验数字孪生体的精度直接影响结构未布设传感器区域的力学场识别精度，因此，为了获得更加可靠的数字孪生体力学场数据，需要根据试验过程中出现的加载偏差对数字孪生体进行动态校正。考虑到结构试验件需要和工装相连，往往具有螺栓孔等特征，其精细仿真模型仿真分析耗时长，因此，有必要针对结构试验过程中出现的加载偏差，建立高效、高精度的数字孪生体动态校正方法。
发明内容
针对试验过程中的数字孪生体构建方法，为了进一步提高数字孪生体的精度及鲁棒性，本发明提供一种考虑加载偏差的试验数字孪生体动态校正方法，所述试验数字孪生体动态校正方法能够在试验加载出现偏差时，实时对数字孪生体进行校正，进而提高数字孪生体的精度。
为了达到上述目的，本发明采用的技术方案为：
一种考虑加载偏差的试验数字孪生体动态校正方法，所述试验数字孪生体动态校正方法：首先，确定设计变量类型、计划试验加载变量，同时针对设计变量采样，仿真计算力学场数据并组装快照矩阵。其次，使用模型降阶方法处理第一步构造的快照矩阵/>，基于模型降阶方法获取缩减基矩阵并计算出各设计变量对应的降阶基系数/>。第三，构建设计变量到降阶基系数/>的代理模型，当精度不足时，进一步通过补充采样点并扩大快照矩阵，重复上述步骤，直到精度结果在指定的精度范围，完成最终降阶模型的构建。第四，在试验进行阶段，实时获取试验数据及当前设计变量，当当前设计变量与计划试验加载变量产生偏差时，通过最终降阶模型计算力学场数据。最后，将试验数据及最终降阶模型计算得到的力学场数据融合，构建数字孪生体。具体包括以下步骤：
第一步，确定设计变量类型、计划试验加载变量，同时针对设计变量采样，仿真计算力学场数据并组装快照矩阵，具体如下：
1.1)在试验准备阶段，根据试验方案确定设计变量类型，同时设定计划试验加载变量及设计区域，对指定设计区域的试验结构设计变量进行采样，获取组初始设计变量，单组设计变量表示为/>；
所述的设计变量及其对应的设计区域包括：
①试验结构承受载荷大小，其设计区域上限为计划试验加载范围的a倍，其设计区域下限为真实试验加载范围的b倍，其中a取值一般为1-3，b取值一般为0.3-1；
②试验结构承受温度的大小，其设计区域上限为计划试验加载范围的c倍，其设计区域下限为真实试验加载范围的d倍，其中c取值一般为1-3，d取值一般为0.3-1；
③试验结构承受载荷的角度，其设计区域为指定载荷的所有方向；
④试验结构承受载荷的区域，其设计区域为试验结构全部区域；
⑤试验结构承受温度的区域，其设计区域为试验结构全部区域。
所述的采样方法包括：拉丁超立方采样法（Latin hypercube sampling，LHS）、均匀分布采样法（Uniformly distributed sampling），为本领域已知方法。
1.2)对各组设计变量通过有限元仿真的方法得到力学场数据，其中，/>为设计变量数目。
所述的有限元仿真方法包括动力学分析方法、静力学分析方法、热分析方法，为本领域已知方法。
所述的力学场数据为应力场数据、应变场数据、温度场数据、位移场数据，每次降阶模型构建所用力学场数据限定为统一类型。
1.3)将所有力学场数据组装为快照矩阵；
(1)
第二步，基于模型降阶方法处理快照矩阵，具体如下：
使用模型降阶方法（Model Order Reduction，ROM）处理第一步构造的快照矩阵，基于模型降阶方法获取缩减基矩阵并计算出各设计变量对应的降阶基系数/>。
所述的模型降阶方法包括：本征正交分解法（Proper OrthogonalDecomposition，POD）、动态模式分解法（Dynamic Mode Decomposition，DMD）、变分模态分解法（Variational Mode Decomposition，VMD），均为本领域已知方法。
为方便描述，针对本征正交分解法进行具体阐述。
2.1)首先，基于快照矩阵计算相关矩阵/>：
(2)
2.2)其次，求解相关矩阵的特征值/>和特征向量/>，并将特征值由大到小排列：
(3)
式(3)中，表示特征值数量。
2.3)然后，选取满足的/>的最小值，其中，/>为截断阈值，需大于0.9999；
(4)
2.4)根据前阶特征向量建立缩减基矩阵/>：
(5)
式(5)中，为组成缩减基矩阵的缩减基向量。
2.5)最后基于减缩基矩阵计算各阶段下场数据对应的降阶基系数/>；
(6)
式(6)中，，其中/>表示与各组设计变量相对应的降阶基系数。
第三步，构建设计变量到降阶基系数的代理模型，当精度不足时，进一步通过补充采样点并扩大快照矩阵/>，重复第一步、第二步、3.1)、3.2)，直到精度结果在指定的精度范围，完成最终降阶模型的构建，具体如下：
3.1)将设计变量与对应的降阶基系数/>作为训练样本，构建初始代理模型，完成初始降阶模型构建，初始降阶模型包括2.4)构建的缩减基矩阵及初始代理模型。
所述的代理模型的构建方法包括：高斯自适应回归、径向基函数（Radical BasisFunction，RBF）、深度神经网络，基于上述构建方法，将组设计变量/>与其对应的降阶基系数/>作为训练样本点，获得代理模型。代理模型使用方法为，将单组设计变量输入代理模型，即可预测该组设计变量对应的降阶基系数/>，以上方法均为本领域已知方法。
3.2)额外对指定设计区域的试验结构设计变量进行采样，获取组初始设计变量，单组设计变量表示为/>，/>为5-10。
针对组设计变量，通过初始降阶模型计算获取/>组力学场数据，通过有限元仿真方法计算/>组力学场数据/>；其中初始降阶模型计算方法为：将各组设计变量/>输入最初代理模型预测降阶基系数/>，进而与缩减基矩阵相乘获取初始降阶模型的力学场数据/>。
3.3)将每组设计变量基于初始降阶模型所计算的力学场数据和基于有限元仿真方法所计算的力学场数据/>进行精度计算，获取精度数据，并求取平均值，当平均值超出或低于指定精度范围时，进一步通过补充采样点并扩大快照矩阵，再重复第一步、第二步、3.1)、3.2)，直到精度结果在指定的精度范围，迭代终止，获取设计变量到降阶基系数/>的最终代理模型。
所述的3.3)中，精度计算所采用的方法及指定精度范围包括以下几种：
①决定系数R2，指定精度范围一般为[0.75,1.0]；
②均方误差，指定精度范围一般为[0,2]；
③相对均方根误差，指定精度范围一般为[0,2]；
④平均相对误差，指定精度范围一般为[0,0.05]。
以上精度计算所采用的方法及其对应的指定精度范围均为本领域已知技术内容。
3.4)至此完成最终降阶模型的构建，最终降阶模型包括2.4)构建的缩减基矩阵及3.3)构建的最终降阶模型。
第四步，在试验进行阶段，实时获取试验数据及当前设计变量，当当前设计变量与计划试验加载变量产生偏差时，通过最终降阶模型计算力学场数据，具体如下：
基于试验系统进行试验，实时获取试验数据及当前设计变量，当当前设计变量与计划试验加载变量产生偏差时，将当前设计变量输入第三步构建的最终降阶模型中，计算获取结构当前状态下的力学场数据。
所述的试验系统可以获取当前试验结构承受载荷的大小、角度、区域，承受温度的大小、区域，即当前设计变量。
最终降阶模型计算具体过程为：将当前设计变量输入最终代理模型，预测降阶基系数，进而与缩减基矩阵相乘得到的力学场数据。
第五步，将试验数据及最终降阶模型计算得到的力学场数据融合，构建数字孪生体，具体如下：
将最终降阶模型计算的力学场数据，基于数据融合技术，将两者相融合，共同构建数字孪生体，进而实现对结构性能的高精度评估。
所述数据融合技术包括协同克里金法（Co-Kriging，CK）、迁移学习法（TransferLearning）、桥函数法、间隔本征正交分解法（Gappy POD），为本领域已知方法。
本发明的有益效果为：
（1）本发明在试验过程中，当设计变量与计划试验加载变量产生偏差时，可以以较少的计算资源获取高精度及高鲁棒性的仿真模型，进而完成对数字孪生体的校正。
（2）本发明基于降阶技术服务于数字孪生体构建，在进行结构试验时，能够以较少的计算资源快速获取结构当前状态下的高精度及高鲁棒性的力学场数据，为数字孪生体的构建精度提供有力保障，进一步实现对结构性能的高精度评估。
附图说明
图1为考虑加载偏差的试验数字孪生体动态校正方法的实现流程图；
图2为有限元仿真模型、降阶模型计算对比图；图2（a）为有限元仿真模型计算结果，计算时长约为79 s；图2（b）为降阶模型计算结果，计算时长约为0.7 s，颜色深浅表示应力值大小，对应关系如左上角色阶图所示；
图3为校正前与校正后的数字孪生体对比图；图3（a）为校正前数字孪生体，精度=0.80；图3（b）为校正后数字孪生体，/>=0.91，颜色深浅表示应力值大小，对应关系如左上角色阶图所示。
具体实施方式
以下结合具体实施案例对本发明做进一步说明。
实施例1
考虑加载偏差的试验数字孪生体动态校正方法，本实施例以开口板为研究对象，所述试验数字孪生体动态校正方法包括以下步骤：
第一步，确定设计变量为开口板两端承受拉力大小，设定计划试验加载变量10kN，并针对设计变量采样，仿真计算力学场数据并组装快照矩阵，具体如下：
1.1)在试验准备阶段，确定试验方案，确定设计变量为开口板两端承受载荷大小，设定计划试验加载变量为10kN，设计区域设置为[0,30kN]，设置采样个数为50，基于拉丁超立方对设计变量进行采样，获取50组初始设计变量，单组设计变量表示为/>。
1.2)对初始设计变量通过有限元仿真的方法得到力学场数据，本实施例有限元仿真方法为动力学分析，力学场数据为应力场，基于动力学分析中的显式动力学计算开口板在各组设计变量（载荷大小）下的应力场数据，计算一组设计变量（载荷大小）下的应力场数据平均时间为79 s。
1.3)将所有应力场数据组装为快照矩阵，所述快照矩阵/>的行数为47982，表示有限元节点数量，列数为50，表示50组设计变量。
(1)
第二步，使用本征正交分解法处理第一步构造的快照矩阵；
2.1)基于快照矩阵计算相关矩阵/>：
(2)
2.2)求解相关矩阵的特征值/>和特征向量/>，并将特征值由大到小排列：
(3)
式(3)中，表示特征值数量。
2.3)选取满足的/>的最小值，/>为截断阈值，本实施中选择为0.99999。
(4)
2.4)根据前阶特征向量建立减缩基矩阵/>：
(5)
2.5)最后基于减缩基矩阵计算各阶段下场数据对应的系数。
(6)
式(6)中，，其中/>表示与各组设计变量相对应的降阶基系数。
第三步，构建设计变量到降阶基系数的代理模型，当精度不足时，进一步通过补充采样点并扩大快照矩阵，重复第一步、第二步、3.1)、3.2)，直到精度结果在指定的精度范围，完成最终降阶模型的构建，具体如下：
3.1)将设计变量与对应的降阶基系数/>作为训练样本，构建初始代理模型，完成初始降阶模型构建，初始降阶模型包括2.4)构建的缩减基矩阵及初始代理模型。
此处代理模型的构建方法为高斯自适应回归，基于此方法，将50组设计变量与其对应的降阶基系数/>作为训练样本点，训练获得代理模型。代理模型使用方法为，将单组设计变量输入代理模型，即可预测该组设计变量对应的降阶基系数/>，以上方法均为本领域已知方法。
3.2)额外对指定设计区域的试验结构设计变量进行采样，获取5组初始设计变量，单组设计变量表示为/>。
针对5组设计变量，通过初始降阶模型计算获取5组力学场数据，通过有限元仿真方法计算s组力学场数据/>。其中初始降阶模型计算方法为：将各组设计变量/>输入最初代理模型预测降阶基系数/>，进而与缩减基矩阵相乘获取初始降阶模型的力学场数据/>。
3.3)将每组设计变量基于初始降阶模型所计算的力学场数据和基于有限元仿真方法所计算的力学场数据/>进行精度计算，获取精度数据，并求取平均值，当平均值超出或低于指定精度范围时，进一步通过补充采样点并扩大快照矩阵，再重复第一步、第二步、3.1)、3.2)，当设计变量数量扩大至100组时，相关系数/>，迭代终止。获取设计变量到降阶基系数/>的最终代理模型。
3.4)至此完成最终降阶模型的构建，最终降阶模型包括2.4)构建的缩减基矩阵及3.3)构建的最终降阶模型。
第四步，在试验进行阶段，实时获取试验数据及当前设计变量，当当前设计变量与计划试验加载变量产生偏差时，通过最终降阶模型计算力学场数据，具体如下：
基于试验系统进行试验，实时获取当前试验结构承受载荷的大小为20kN，即当前设计变量为20kN，计划试验加载变量设置为10kN，产生偏差，将当前设计变量（20kN）输入第三步构建的最终降阶模型中，在0.7 s的时间内计算获取应力场数据，相较于显式动力学计算时间79 s，分析效率提升99.1%。
计算获取应力场数据的具体过程为：将设计变量（载荷大小）输入最终代理模型，预测降阶基系数，进而与缩减基矩阵相乘得到的应力场数据。
第五步，将试验数据及最终降阶模型计算得到的应力场数据融合，构建数字孪生体。具体如下：
将最终降阶模型计算的应力场数据，基于数据融合技术，将两者相融合，共同构建数字孪生体，针对数字孪生体精度进行验证，得到为0.91。
本例中数据融合技术为桥函数法，精度验证方式为留一验证方法，为本领域已知方法。
对比例1
为了对比降阶模型对数字孪生体构建精度的影响，该对比例1直接通过数据融合方法构建数字孪生体，在试验准备阶段，设定计划试验加载变量设置为10kN，同时通过显示动力学计算10kN下开口板的应力场数据。在试验进行阶段，实时获取试验数据及当前试验结构承受载荷的大小为20kN，产生偏差。基于桥函数法将/>直接与试验数据融合，针对数字孪生体精度进行验证，得到/>为0.80。
实施例1和对比例1的结果分析：
本实施例的创新之处在于基于降阶技术构建的最终降阶模型，当当前设计变量与计划试验加载变量产生偏差时，在0.70s的时间内，能够快速获取当前设计变量下的应力场数据，进一步与试验数据融合，构建数字孪生体，完成对数字孪生体的校正。
其中校正的含义为，当当前设计变量与计划试验加载变量产生偏差时，将当前设计变量输入最终降阶模型，计算获取力学场，以此代替试验准备阶段计算得到的计划试验加载变量下的力学场，即完成力学场的更新。将更新后的力学场与试验数据融合，进一步完成对数字孪生体的更新。
在本例中，当当前设计变量（20kN）与计划试验加载变量（10kN）产生偏差时，将当前设计变量（20kN）输入最终降阶模型，计算获取力学场，以此代替试验准备阶段计算得到的计划试验加载变量（10kN）下的力学场，即完成力学场的更新。将更新后的力学场与试验数据融合，进一步完成对数字孪生体的更新。对比例1为未校正的数字孪生体，其/>=0.80，校正后的数字孪生体精度/>达到0.91，提升13.75%。
以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。
Claims (7)
1.一种考虑加载偏差的试验数字孪生体动态校正方法，其特征在于，所述试验数字孪生体动态校正方法：首先，确定设计变量类型、计划试验加载变量，同时针对设计变量采样，仿真计算力学场数据并组装快照矩阵；其次，使用模型降阶方法处理第一步构造的快照矩阵/>，基于模型降阶方法获取缩减基矩阵并计算出各设计变量对应的降阶基系数/>；第三，构建设计变量到降阶基系数/>的代理模型，当精度不足时，进一步通过补充采样点并扩大快照矩阵/>，重复上述步骤，直到精度结果在指定的精度范围，完成最终降阶模型的构建；第四，在试验进行阶段，实时获取试验数据及当前设计变量，当当前设计变量与计划试验加载变量产生偏差时，通过最终降阶模型计算力学场数据；最后，将试验数据及最终降阶模型计算得到的力学场数据融合，构建数字孪生体；具体包括以下步骤：
第一步，确定设计变量类型、计划试验加载变量，同时针对设计变量采样，仿真计算力学场数据并组装快照矩阵，具体如下：
1.1)在试验准备阶段，根据试验方案确定设计变量类型，同时设定计划试验加载变量及设计区域，对指定设计区域的试验结构设计变量进行采样，获取组初始设计变量，单组设计变量表示为/>；
1.2)对各组设计变量通过有限元仿真的方法得到力学场数据，其中，为设计变量数目；所述的力学场数据为应力场数据、应变场数据、温度场数据、位移场数据，每次降阶模型构建所用力学场数据限定为统一类型；
1.3)将所有力学场数据组装为快照矩阵；
(1)
第二步，基于模型降阶方法处理快照矩阵，具体如下：
使用模型降阶方法处理第一步构造的快照矩阵，基于模型降阶方法获取缩减基矩阵并计算出各设计变量对应的降阶基系数/>；
第三步，构建设计变量到降阶基系数的代理模型，当精度不足时，进一步通过补充采样点并扩大快照矩阵/>，重复第一步、第二步、3.1)、3.2)，直到精度结果在指定的精度范围，完成最终降阶模型的构建，具体如下：
3.1)将设计变量与对应的降阶基系数/>作为训练样本，构建初始代理模型，完成初始降阶模型构建，初始降阶模型包括2.4)构建的缩减基矩阵及初始代理模型；
3.2)额外对指定设计区域的试验结构设计变量进行采样，获取组初始设计变量，单组设计变量表示为/>，/>为5-10；
针对组设计变量，通过初始降阶模型计算获取/>组力学场数据/>，通过有限元仿真方法计算/>组力学场数据/>；其中初始降阶模型计算方法为：将各组设计变量/>输入最初代理模型预测降阶基系数/>，进而与缩减基矩阵相乘获取初始降阶模型的力学场数据/>；
3.3)将每组设计变量基于初始降阶模型所计算的力学场数据和基于有限元仿真方法所计算的力学场数据/>进行精度计算，获取精度数据，并求取平均值，当平均值超出或低于指定精度范围时，进一步通过补充采样点并扩大快照矩阵，再重复第一步、第二步、3.1)、3.2)，直到精度结果在指定的精度范围，迭代终止，获取设计变量到降阶基系数/>的最终代理模型；
3.4)至此完成最终降阶模型的构建，最终降阶模型包括2.4)构建的缩减基矩阵及3.3)构建的最终降阶模型；
第四步，在试验进行阶段，实时获取试验数据及当前设计变量，当当前设计变量与计划试验加载变量产生偏差时，通过最终降阶模型计算力学场数据，具体如下：
基于试验系统进行试验，实时获取试验数据及当前设计变量，当当前设计变量与计划试验加载变量产生偏差时，将当前设计变量输入第三步构建的最终降阶模型中，计算获取结构当前状态下的力学场数据；
所述的试验系统可以获取当前试验结构承受载荷的大小、角度、区域，承受温度的大小、区域，即当前设计变量；
最终降阶模型计算具体过程为：将当前设计变量输入最终代理模型，预测降阶基系数，进而与缩减基矩阵相乘得到的力学场数据；
第五步，将试验数据及最终降阶模型计算得到的力学场数据，基于数据融合方法，将两者相融合，共同构建数字孪生体，进而实现对结构性能的高精度评估。
2.根据权利要求1所述的一种考虑加载偏差的试验数字孪生体动态校正方法，其特征在于，所述的第一步1.1)中，设计变量及其对应的设计区域包括：
①试验结构承受载荷大小，其设计区域上限为计划试验加载范围的倍，其设计区域下限为真实试验加载范围的/>倍，其中/>取值为1-3，/>取值为0.3-1；
②试验结构承受温度的大小，其设计区域上限为计划试验加载范围的倍，其设计区域下限为真实试验加载范围的/>倍，其中/>取值为1-3，/>取值为0.3-1；
③试验结构承受载荷的角度，其设计区域为指定载荷的所有方向；
④试验结构承受载荷的区域，其设计区域为试验结构全部区域；
⑤试验结构承受温度的区域，其设计区域为试验结构全部区域。
3.根据权利要求1所述的一种考虑加载偏差的试验数字孪生体动态校正方法，其特征在于，所述的第一步1.1)中，采样方法包括：拉丁超立方采样法或均匀分布采样法；第一步1.2)中有限元仿真方法包括动力学分析方法、静力学分析方法、热分析方法，为本领域已知方法。
4.根据权利要求1所述的一种考虑加载偏差的试验数字孪生体动态校正方法，其特征在于，所述的第二步中，模型降阶方法包括：本征正交分解法、动态模式分解法、变分模态分解法；针对本征正交分解法进行说明：
2.1)基于快照矩阵计算相关矩阵/>：
(2)
2.2)求解相关矩阵的特征值/>和特征向量/>，并将特征值由大到小排列：
(3)
式(3)中，表示特征值数量；
2.3)选取满足的/>的最小值，其中，/>为截断阈值，需大于0.9999；
(4)
2.4)根据前阶特征向量建立缩减基矩阵/>：
(5)
式(5)中，为组成缩减基矩阵的缩减基向量；
2.5)基于减缩基矩阵计算各阶段下场数据对应的降阶基系数/>；
(6)
式(6)中，，其中/>表示与各组设计变量相对应的降阶基系数。
5.根据权利要求1所述的一种考虑加载偏差的试验数字孪生体动态校正方法，其特征在于，所述的第三步3.1)中，代理模型的构建方法包括：高斯自适应回归、径向基函数、深度神经网络。
6.根据权利要求1所述的一种考虑加载偏差的试验数字孪生体动态校正方法，其特征在于，所述的第三步3.3)中，精度计算所采用的方法及指定精度范围包括以下几种：
1)决定系数R2，指定精度范围一般为[0.75,1.0]；
2)均方误差，指定精度范围一般为[0,2]；
3)相对均方根误差，指定精度范围一般为[0,2]；
4)平均相对误差，指定精度范围一般为[0,0.05]。
7.根据权利要求1所述的一种考虑加载偏差的试验数字孪生体动态校正方法，其特征在于，所述的第五步数据融合方法包括协同克里金法、迁移学习法、桥函数法、间隔本征正交分解法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410190818.8A CN117744455B (zh) | 2024-02-21 | 2024-02-21 | 考虑加载偏差的试验数字孪生体动态校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410190818.8A CN117744455B (zh) | 2024-02-21 | 2024-02-21 | 考虑加载偏差的试验数字孪生体动态校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117744455A true CN117744455A (zh) | 2024-03-22 |
| CN117744455B CN117744455B (zh) | 2024-06-14 |
Family
ID=90254918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410190818.8A Active CN117744455B (zh) | 2024-02-21 | 2024-02-21 | 考虑加载偏差的试验数字孪生体动态校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117744455B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973156A (zh) * | 2024-03-29 | 2024-05-03 | 大连理工大学 | 一种面向真实试验状态的强度试验系统数字孪生仿真方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
| US20210141981A1 (en) * | 2019-11-08 | 2021-05-13 | Dalian University Of Technology | Structural non-gradient topology optimization method based on sequential kriging surrogate model |
| CN114580224A (zh) * | 2022-05-09 | 2022-06-03 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种分布式气动融合轨道耦合姿态摄动分析方法 |
| CN115095884A (zh) * | 2022-06-21 | 2022-09-23 | 烟台龙源电力技术股份有限公司 | 基于数字孪生的锅炉精细化配风方法和锅炉系统 |
| US20230027455A1 (en) * | 2019-12-18 | 2023-01-26 | Koninklijke Philips N.V. | System and method for configuring data collection for a digital twin |
| CN116635798A (zh) * | 2020-12-24 | 2023-08-22 | 节奏有限公司 | 融合对于多物理设备系统的降阶模型、测定数据及机器学习技术的数字孪生构建方法 |
| CN117236112A (zh) * | 2023-09-06 | 2023-12-15 | 浙江大学 | 一种双重降阶的数控机床数字孪生物理场构建方法 |
| WO2024020876A1 (zh) * | 2022-07-27 | 2024-02-01 | 中国科学院深圳先进技术研究院 | 基于模型降阶的结构声学耦合处理方法、装置及终端设备 |
-
2024
- 2024-02-21 CN CN202410190818.8A patent/CN117744455B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210141981A1 (en) * | 2019-11-08 | 2021-05-13 | Dalian University Of Technology | Structural non-gradient topology optimization method based on sequential kriging surrogate model |
| US20230027455A1 (en) * | 2019-12-18 | 2023-01-26 | Koninklijke Philips N.V. | System and method for configuring data collection for a digital twin |
| CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
| CN116635798A (zh) * | 2020-12-24 | 2023-08-22 | 节奏有限公司 | 融合对于多物理设备系统的降阶模型、测定数据及机器学习技术的数字孪生构建方法 |
| CN114580224A (zh) * | 2022-05-09 | 2022-06-03 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种分布式气动融合轨道耦合姿态摄动分析方法 |
| CN115095884A (zh) * | 2022-06-21 | 2022-09-23 | 烟台龙源电力技术股份有限公司 | 基于数字孪生的锅炉精细化配风方法和锅炉系统 |
| WO2024020876A1 (zh) * | 2022-07-27 | 2024-02-01 | 中国科学院深圳先进技术研究院 | 基于模型降阶的结构声学耦合处理方法、装置及终端设备 |
| CN117236112A (zh) * | 2023-09-06 | 2023-12-15 | 浙江大学 | 一种双重降阶的数控机床数字孪生物理场构建方法 |
Non-Patent Citations (3)
| Title |
|---|
| TEERATORN KADEETHUM ET AL.: "Reduced order modeling for flow and transport problems with Barlow Twins self-supervised learning", 《OPEN ACCESS》, 30 November 2022 (2022-11-30) * |
| 袁胜华;张腾;钮建伟;: "数字孪生技术在航天制造领域中的应用", 强度与环境, no. 03, 15 June 2020 (2020-06-15) * |
| 郝文涛;田凌;童秉枢;: "支持系统级仿真与优化的流场模型降阶技术", 清华大学学报(自然科学版), no. 11, 15 November 2007 (2007-11-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973156A (zh) * | 2024-03-29 | 2024-05-03 | 大连理工大学 | 一种面向真实试验状态的强度试验系统数字孪生仿真方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117744455B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117744455B (zh) | 考虑加载偏差的试验数字孪生体动态校正方法 | |
| CN108363870B (zh) | 一种基于深度学习的数控机床主轴热误差建模方法 | |
| CN113627098B (zh) | 一种cfd模型确认方法及产品设计方法 | |
| CN114548368B (zh) | 一种基于多层核超限学习机的锂电池温度场预测模型的建模方法以及预测方法 | |
| CN107862170B (zh) | 一种基于动态缩聚的有限元模型修正方法 | |
| CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
| CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
| CN113537319B (zh) | 一种针对类型化模型的风洞天平终身学习校准方法及系统 | |
| CN111691679A (zh) | 基于数字孪生的预应力钢结构智能张拉方法 | |
| CN111209620A (zh) | 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法 | |
| Sheidaii et al. | Evaluation of compression member buckling and post-buckling behavior using artificial neural network | |
| CN115950609B (zh) | 一种结合相关性分析和神经网络的桥梁挠度异常检测方法 | |
| CN110920930B (zh) | 一种直升机平尾载荷标定方法 | |
| CN118447205B (zh) | 基于深度学习的航发叶片多视场点云型线数据拼合方法 | |
| CN114528764B (zh) | 基于整体优化的即时学习的软测量建模方法及装置 | |
| CN116484495A (zh) | 一种基于试验设计的气动数据融合建模方法 | |
| CN114330150A (zh) | 一种电热传感器互校正的锂电池健康状态估计方法 | |
| CN117252085A (zh) | 基于神经网络与粒子群的斜拉桥索力容差优化方法及系统 | |
| CN116047753A (zh) | 光学系统正交优化模型的构建及优化方法 | |
| CN115219081A (zh) | 神经网络与卡尔曼滤波融合的光纤压力传感器温补方法 | |
| CN109613618B (zh) | 一种重力敏感器的长期漂移误差补偿方法 | |
| CN110543724B (zh) | 面向总体设计的卫星结构性能预测方法 | |
| CN112818455A (zh) | 一种桥梁结构响应监测方法及系统 | |
| CN118114343B (zh) | 一种拱桥主拱圈长期变形的预测方法及系统 | |
| CN114741923B (zh) | 基于高密度测点应变的大跨径桥梁吊索索力识别方法 |
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 |