CN113642236A - 一种面向多学科的数字孪生图网络建模方法 - Google Patents
一种面向多学科的数字孪生图网络建模方法 Download PDFInfo
- Publication number
- CN113642236A CN113642236A CN202110911408.4A CN202110911408A CN113642236A CN 113642236 A CN113642236 A CN 113642236A CN 202110911408 A CN202110911408 A CN 202110911408A CN 113642236 A CN113642236 A CN 113642236A
- Authority
- CN
- China
- Prior art keywords
- model
- digital twin
- layer
- rule
- multidisciplinary
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000008878 coupling Effects 0.000 claims abstract description 7
- 238000010168 coupling process Methods 0.000 claims abstract description 7
- 238000005859 coupling reaction Methods 0.000 claims abstract description 7
- 125000004122 cyclic group Chemical group 0.000 claims abstract 2
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000005094 computer simulation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 28
- 238000013507 mapping Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005553 drilling Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 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
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向多学科的数字孪生图网络建模方法,属于智能制造控制方法技术领域。一种面向多学科的数字孪生图网络建模方法,包括创建数据层,构建单一规则的数据表达,通过门控循环神经网络对采集到的时序数据进行阶段性的预测;创建规则层:构建单一子模型的不同物理场的虚拟映射,然后利用图注意力神经网络进行不同规则的表达;创建子模型层:构建数字孪生实体模型中各个子模型的虚拟映射,然后利用图注意力神经网络来构建不同子模型之间的关系;本发明可以实现数字孪生虚拟模型的高保真建模,利用先验知识扩大场的维度,利用图结构降低耦合建模的难度,实现制造过程的实体模型映射,为后续的决策反馈和质量优化等作出贡献。
Description
技术领域
本发明涉及智能制造控制方法技术领域,尤其涉及一种面向多学 科的数字孪生图网络建模方法。
背景技术
智能制造的关键是在自动化制造的基础上使机器具有“智能”, 可以在实践中不断地充实知识库,具有自学习功能。此外,机器可以 根据环境或者制造过程中的状态进行判断和决策,做出相应的调整, 实现整个制造过程的智能化。智能制造顺应时代的发展,是我国的制 造业数字化转型的关键所在。智能制造包括智能制造技术和智能制造 ***,其包括人工智能在内的多个学科技术的交叉,典型的代表就是 信息物理***(CPS)和数字孪生***(DT)。
数字孪生是2003年提出的,其定义从最开始的“物理产品的数 字表达”演变为集成多物理、多尺度、多学科属性,具有实时性、虚 实同步、高保真度等特性,可以实现虚实交互的技术。其应用也从最 开始的飞行器演变到了制造业的各个领域。数字孪生是智能制造领域 的一个热门技术,经过检索发现有许多学者通过构建不同的数字孪生 模型将其运用在不同的场景中,例如陶飞等人建立了数字孪生的车间 体系等。
数字孪生技术的关键是建立一个可以实现实体模型高度映射的 高保真虚拟模型,但是现有的数字孪生体系中大多关注于大的***框 架的研究,而对于细节技术的深入则相对较少,在高保真建模方面, 胡富琴等人提出了从几何、机理、数据三个层次描述和定义模型来达 到知识获取和数据映射等。但是现有的数字孪生***所建立的大多是 某几个关键物理场的映射,难以构建高保真的虚拟模型,在高精度加 工或者装配过程中存在不足。其原因在于:模型的计算复杂度限制以 及数据采集的困难和生产成本的约束。
一方面,由于实体模型是一个高度复杂的存在,制造过程中存在 着多种几何、属性等的变化,且其实体规则存在高度的复杂性和耦合 性;另一方面,制造过程中的数据是多源异构的,现有的技术难以实 现有效的表达和利用。因此急需一种有效的数字孪生高保真虚拟模型 构建方法,通过合理映射和表达实体模型的规则,来实现制造数据的 有效利用。鉴于此,本发明提出了一种面向多学科的数字孪生图网络 建模方法。
发明内容
本发明的目的是为了实现对实体模型的多规则映射和表达,构建 高保真虚拟模型而提出的一种面向多学科的数字孪生图网络建模方 法。
为了实现上述目的,本发明采用了如下技术方案:
一种面向多学科的数字孪生图网络建模方法,包括以下步骤:
S1、预处理:根据数字孪生***自身所在的可表示性,通过图结 构建模的方式耦合多物理场,降低数字孪生***建模的复杂度,同时 利用先验知识扩大场的维度,提高模型保真度;
S2、创建数据层:构建单一规则的数据表达,通过门控循环神经 网络(GRU)对采集到的时序数据进行阶段性的预测,同时利用一个 多层感知机(MLP)实现时序信号的阶段性特征表达;
S3、创建规则层:构建不同物理场(例如:力、震动、热等)规 则的虚拟映射,然后利用图注意力神经网络(GAT)来构建不同规则 之间的关系,进行整个子模型的表达;
S4、创建子模型层:构建数字孪生实体模型中各个子模型(例如: 刀具、工件、机器人等)的虚拟映射,然后利用图注意力神经网络 (GAT)来构建不同子模型之间的关系,进行整个虚拟模型的表达。
优选地,所述S2中提到的数据层,将时间数据切分成不同的时 间片段,利用门控循环神经网络进行下一阶段的状态预测,同时利用 多层感知机进行信息的聚合和表达,可以对不同时间段的数据进行聚 合和表达,该表达是浅层的、单一物理场的信息的识别。
优选地,所述S3中提到的规则层中的规则,每个单一子模型上 都具有自己的规则层,每个规则都是嵌入了先验知识的机理模型、系 统函数,提升了模型的可解释性;同时每个规则通过图结构进行统一 的表达,避免了模型的复杂耦合建模,更进一步提升了模型的可解释 性;对于难以采集到的物理场(例如:热等)的信息,可以通过先验 机理知识进行转移,在扩大场维度的同时不会带来生产成本的提升。
优选地,所述S4中提到的子模型层,构建不同实体部件映射的 子模型,并通过图的结构来进行表达,同时通过图注意力神经网络进 行信息的聚合,可以识别出不同阶段起主要作用的子模型,有利于进 行进一步的质量优化和故障识别等功能。
与现有技术相比,本发明提供了一种面向多学科的数字孪生图网 络建模方法,具备以下有益效果:
本发明通过创建数据层、规则层和子模型层这三个层次,实现了 数据层面上的聚合和规则层面上的表达;机理和***知识的嵌入既可 以实现数字孪生模型可解释性的提升,同时可以将无法直接采集到的 场数据通过先验知识进行维度的转化,在不增大生产成本的同时扩大 了虚拟模型的场的维度,提高了模型的知识完整性;而图结构建模可 以避开各规则之间的复杂耦合建模表达,同时其具有很好的可读性和 可解释性。
综上所述,本发明实现了数字孪生虚拟模型的高保真建模,在高 精密制造领域中,精准映射出实体模型的状态,有利于后续实体模型 的状态监测、制造过程的异常识别、制造工艺的质量优化等各方面工 作的进行。
附图说明
图1为本发明提出的一种面向多学科的数字孪生图网络建模方 法的方法原理示意图。
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。
实施例1:
请参阅图1;一种面向多学科的数字孪生图网络建模方法,包括 以下步骤:
S1、预处理:根据数字孪生***自身所在的可表示性,通过图结 构建模的方式耦合多物理场,降低数字孪生***建模的复杂度,同时 利用先验知识扩大场的维度,提高模型保真度;
S2、创建数据层:构建单一规则的数据表达,通过门控循环神经 网络(GRU)对采集到的时序数据进行阶段性的预测,同时利用一个 多层感知机(MLP)实现时序信号的阶段性特征表达;
S3、创建规则层:构建不同物理场(例如:力、震动、热等)规 则的虚拟映射,然后利用图注意力神经网络(GAT)来构建不同规则 之间的关系,进行整个子模型的表达;
S4、创建子模型层:构建数字孪生实体模型中各个子模型(例如: 刀具、工件、机器人等)的虚拟映射,然后利用图注意力神经网络 (GAT)来构建不同子模型之间的关系,进行整个虚拟模型的表达。
S2中提到的数据层,将时间数据切分成不同的时间片段,利用 门控循环神经网络进行下一阶段的状态预测,同时利用多层感知机进 行信息的聚合和表达,可以对不同时间段的数据进行聚合和表达,该 表达是浅层的、单一物理场的信息的识别。
S3中提到的规则层中的规则,每个单一子模型上都具有自己的 规则层,每个规则都是嵌入了先验知识的机理模型、***函数,提升 了模型的可解释性;同时每个规则通过图结构进行统一的表达,避免 了模型的复杂耦合建模,更进一步提升了模型的可解释性;对于难以 采集到的物理场(例如:热等)的信息,可以通过先验机理知识进行 转移,在扩大场维度的同时不会带来生产成本的提升。
S4中提到的子模型层,构建不同实体部件映射的子模型,并通 过图的结构来进行表达,同时通过图注意力神经网络进行信息的聚 合,可以识别出不同阶段起主要作用的子模型,有利于进行进一步的 质量优化和故障识别等功能。
本发明通过创建数据层、规则层和子模型层这三个层次,实现了 数据层面上的聚合和规则层面上的表达;机理和***知识的嵌入既可 以实现数字孪生模型可解释性的提升,同时可以将无法直接采集到的 场数据通过先验知识进行维度的转化,在不增大生产成本的同时扩大 了虚拟模型的场的维度,提高了模型的知识完整性;而图结构建模可 以避开各规则之间的复杂耦合建模表达,同时其具有很好的可读性和 可解释性;综上所述,本发明实现了数字孪生虚拟模型的高保真建模, 在高精密制造领域中,精准映射出实体模型的状态,有利于后续实体 模型的状态监测、制造过程的异常识别、制造工艺的质量优化等各方 面工作的进行。
实施例2:
请参阅图1,基于实施例1但有所不同之处在于,
机器人钻削***具有柔性高,空间可达性大等突出优点,具有很 大的发展前景,目前已经运用在了飞机蒙皮等多个加工场景中。但是 其属于弱刚性结构,在钻削的过程中会产生很大的力和振动等因素, 对于加工出来的孔的质量具有很大的影响,因此需要建立数字孪生系 统进行阶段性的实时监控,以便进行调整。
在机器人钻削过程中存在几个主要的部分:机器人、刀具、压脚、 工件、夹具等,本发明将其作为不同的子模型,并用图的结构进行表 示。在每个模型中具有不同的规则场,包括三轴力,振动等可以直接 测得数据的场,以及温度,噪声等难以直接测得的场,因此可以借助 简单的先验知识(机理或者***函数)进行维度转换,利用可获得的 数据去预测难以采集数据的场的状态。每个子模型内部的规则都用图 的方式进行构建。针对每个规则的输入数据,则是利用多层感知机 (MLP)聚合的时间片段信息。
利用本发明构建的高保真数字孪生虚拟模型可以精准表达出孔 的目标状态参数,来进行阶段性的状态监测以便进行异常识别和反馈 调整。同时还可以通过注意力机制产生的权值,找到核心的影响因素 和异常的场,进行质量的优化等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范 围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技 术范围内,根据本发明的技术方案及其发明构思加以等同替换或改 变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种面向多学科的数字孪生图网络建模方法,其特征在于,包括以下步骤:
S1、预处理:根据数字孪生***自身所在的可表示性,通过图结构建模的方式耦合多物理场,降低数字孪生***建模的复杂度,同时利用先验知识扩大场的维度,提高模型保真度;
S2、创建数据层:构建单一规则的数据表达,通过门控循环神经网络对采集到的时序数据进行阶段性的预测,同时利用一个多层感知机实现时序信号的阶段性特征表达;
S3、创建规则层:构建不同物理场规则的虚拟映射,对于无法直接映射的场可利用先验知识(机理模型)进行场的维度转移,然后利用图注意力神经网络来构建不同规则之间的关系;
S4、创建子模型层:利用规则层的规则进行整个子模型的表达,构建数字孪生实体模型中各个子模型的虚拟映射,然后利用图注意力神经网络来构建不同子模型之间的关系,进行整个虚拟模型的表达。
2.根据权利要求1所述的一种面向多学科的数字孪生图网络建模方法,其特征在于:所述S2中提到的数据层,将时间数据切分成不同的时间片段,利用门控循环神经网络进行下一阶段的状态预测,同时利用多层感知机进行信息的聚合和表达。
3.根据权利要求1所述的一种面向多学科的数字孪生图网络建模方法,其特征在于:所述S3中提到的规则层中的子模型,每个单一子模型上都具有自己的规则层,每个规则都是嵌入了先验知识的机理模型、***函数,提升了模型的可解释性;同时每个规则通过图结构进行统一的表达,避免了模型的复杂耦合建模,更进一步提升了模型的可解释性。
4.根据权利要求1所述的一种面向多学科的数字孪生图网络建模方法,其特征在于:所述S4中提到的子模型层,构建不同实体部件映射的子模型,并通过图的结构来进行表达,同时通过图注意力神经网络进行信息的聚合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110911408.4A CN113642236A (zh) | 2021-08-10 | 2021-08-10 | 一种面向多学科的数字孪生图网络建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110911408.4A CN113642236A (zh) | 2021-08-10 | 2021-08-10 | 一种面向多学科的数字孪生图网络建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113642236A true CN113642236A (zh) | 2021-11-12 |
Family
ID=78420463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110911408.4A Pending CN113642236A (zh) | 2021-08-10 | 2021-08-10 | 一种面向多学科的数字孪生图网络建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642236A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114596919A (zh) * | 2022-05-10 | 2022-06-07 | 安徽瑞邦数科科技服务有限公司 | 指标预测方法、***以及其在磷酸生产中的应用 |
CN115034147A (zh) * | 2022-08-15 | 2022-09-09 | 天津天缘科技有限公司 | 一种基于数字孪生的智能制造*** |
CN115204057A (zh) * | 2022-07-29 | 2022-10-18 | 贵州电网有限责任公司 | 一种面向输变电设备的数字孪生多层次模型构建方法 |
-
2021
- 2021-08-10 CN CN202110911408.4A patent/CN113642236A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114596919A (zh) * | 2022-05-10 | 2022-06-07 | 安徽瑞邦数科科技服务有限公司 | 指标预测方法、***以及其在磷酸生产中的应用 |
CN115204057A (zh) * | 2022-07-29 | 2022-10-18 | 贵州电网有限责任公司 | 一种面向输变电设备的数字孪生多层次模型构建方法 |
CN115034147A (zh) * | 2022-08-15 | 2022-09-09 | 天津天缘科技有限公司 | 一种基于数字孪生的智能制造*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113642236A (zh) | 一种面向多学科的数字孪生图网络建模方法 | |
CN109615113B (zh) | 一种基于数字孪生的船用柴油机关重件加工质量预测方法 | |
Liu et al. | A review of digital twin-driven machining: From digitization to intellectualization | |
WO2015096511A1 (zh) | 飞机结构件智能数控加工编程***及方法 | |
CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
Liu et al. | Digital twin-enabled machining process modeling | |
Jong et al. | Automatic process planning of mold components with integration of feature recognition and group technology | |
Zhou et al. | Deep learning enabled cutting tool selection for special-shaped machining features of complex products | |
Liu et al. | A four-terminal-architecture cloud-edge-based digital twin system for thermal error control of key machining equipment in production lines | |
CN114235330B (zh) | 关联风洞试验和计算数据的多源气动载荷模型构建方法 | |
CN110244657B (zh) | 一种基于知识表达模型的复杂曲面数字化制造方法 | |
CN112231966B (zh) | 一种基于数字孪生的协作机器人可装配性预测***及方法 | |
CN110795835A (zh) | 一种基于自动同步建模的三维工序模型逆向生成方法 | |
Hou et al. | FuS-GCN: Efficient B-rep based graph convolutional networks for 3D-CAD model classification and retrieval | |
Liu et al. | A synchronous association approach of geometry, process and monitoring information for intelligent manufacturing | |
Li et al. | An intelligent interactive approach for assembly process planning based on hierarchical classification of parts | |
Wei et al. | Manufacturing data-driven process adaptive design method | |
CN116690988A (zh) | 一种大型建筑模型3d打印***和方法 | |
WO2024045415A1 (zh) | 一种数字孪生模型合并方法 | |
Zhu et al. | The cyber-physical production system of smart machining system | |
CN114609969A (zh) | 一种基于云计算的数控机床轨迹误差补偿方法 | |
CN113673166A (zh) | 面向加工质量预测的数字孪生模型工况自适应方法及*** | |
Yusof et al. | Computer aided process planning: a comprehensive survey | |
Liu et al. | A pragmatic system to support virtual assembly for military armored vehicle integrated transmission system in the virtual environment | |
CN113553667B (zh) | 一种基于深度学习的飞机结构件设计方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211112 |