一种基于名义数字孪生的下一代产品设计方法技术

本发明专利技术提出了一种基于名义数字孪生的下一代产品设计方法。名义数字孪生在这里首次被定义为与使用中的多个物理产品对应的多个独立数字孪生的合成数字孪生。名义数字孪生不仅可以从一个正在使用的产品的数据和信息中建立一个更精确的近似模型，而且可以从多个物理产品在物理世界的广泛应用场景下的性能和行为中建立一个更精确的模型。该模型可以建立一个基于贝叶斯优化的随机森林元模型。这个更好的模型，可以在名义数字孪生上通过多目标优化，协同探索下一代产品设计和改进的最优设计方案，通过综合信息更好地了解当前使用的产品，从而使下一代产品设计更具适应性。从而使下一代产品设计更具适应性。从而使下一代产品设计更具适应性。

【技术实现步骤摘要】
一种基于名义数字孪生的下一代产品设计方法


[0001]本专利技术涉及产品设计方法，具体涉及一种基于名义数字孪生的下一代产品设计方法。

技术介绍

[0002]在当今竞争日益激烈的市场中，制造业的数字化鼓励使用虚拟产品模型，这也被称为数字模型(DMU)和数字孪生(DT)。
[0003]在产品开发的早期阶段，产品数字模型和配置管理之间的定义视图链接，为每个产品配置或变体提供正确的3D设计数据，包括3D几何形状、产品结构和属性；在产品开发阶段，设计是定义的继承者；功能性数字模型(FDMU)被提出作为一种载体，它可以模拟各种工程领域和模型下的假设场景，并保存所有模拟结果，以充分展示产品行为描述，包括几何形状、行为和模拟结果的可视化。需要注意的是，在设计阶段，定义视图和设计视图可能还没有相应的3D物理模型(有时，为了进行概念评估，可能会构建一些3D原型)，因此不能将已定义视图和已设计视图视为数字孪生模型，而只能将其视为数字模型。在每个单独的部件或组件从其设计视图被制造出来并组装好所有部件之后，它的数字模型被称为工业数字模型(iDMU)，包含每个部件本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于名义数字孪生的下一代产品设计方法，其特征在于：包括以下步骤：步骤S1：构建名义数字孪生模型；步骤S2：构建基于名义数字孪生的逆向优化设计模型；其中，步骤S1中包括以下步骤：步骤S11：建立产品行为模型；步骤S12：建立正逆向设计组合方法；步骤S13：建立多实例产品的元模型；步骤S14：建立原始随机森林模型；步骤S15：基于贝叶斯优化超参数方法构建名义数字孪生元模型；其中，步骤S2中包括以下步骤：步骤S21：建立可解多目标优化数学模型；步骤S22：建立多目标优化数学问题模型；步骤S23：基于名义数字孪生的逆向优化设计模型生成下一代产品设计参数并验证；其中，步骤S11：建立产品行为模型；建立DMU正向设计模型如公式(1)所示：Y＝f(X，Q)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，系统响应Y＝(y1，y2，
…
，y
l
)为产品最初的设计指标；Q＝(q1，q2，
…
，q
m
)为系统状态参数；X＝(x1，x2,
…
，x
n
)为系统设计变量；系统设计变量最优值X
*
基于Q的输入得到，期望输出Y
expected
由最优设计变量X
*
得到；基于正向设计模型，产品数字孪生模型捕获在物理世界中与产品相关的各种不确定性，结合制造误差的不确定性(ε)影响，产品设计模型形成d个物理产品实例；建立产品行为模型如公式(2)所示：其中，Y
d
为第d个产品实例的产品设计指标实际输出响应；f(X
d
，Q
d
)为第d个产品实例的产品设计指标最初系统响应；ε(d)为第d个产品实例的不确定性影响值；X、Q、Y之间的映射关系通过基于机器学习的元模型来描述；步骤S12：建立正逆向设计组合方法；步骤S12包括：步骤S121：对产品操作数据进行挖掘；步骤S122：形成设计决策闭环；其中，步骤S121：对产品操作数据进行挖掘；在产品操作数据中挖掘生成与产品设计变量X的实际系统响应Y
actual
对应的实际系统使用信息，使实际系统响应与产品设计相对应；步骤S122：形成设计决策闭环；在遵循正向设计过程的同时，逆向设计对正向设计施加了一个反馈回路；利用实际系统响应Y
actual
与设计参数X
*
的反比关系，得出最优系统参数设置Q
*
；将Q
*
|Y
actual
带回正向设计过程中取代原始假设，即Q
*
→
Q
assumed
，形成设计决策闭环，形成专门针对个别用户个性化需求的改进设计；步骤S13：建立多实例产品的元模型；
针对多实例产品在使用时实际设计参数X的不断变化，将单个产品的实际设计参数X表示为多个数字孪生的向量，将单个产品的实际系统参数Q
d
也表示为多个数字孪生的向量，然后基于各实例的实际设计参数向量X
d(actual)
＝(x1,x2,
……
,x
n
)和实际系统参数向量Q
d(actual)
＝(q1,q2,
……
,q
m
)，分别得出各实例最优设计X的相应设计输出Y，建立关系元模型如公式(3)所示：其中，DT
d
为第d个实例产品的数字孪生模型；Y
d
(actual)为第d个实例产品的实际行为模型输出值；f(X
d
(actual)，Q
d
(actual))为实际系统响应；ε(d)为第d个实例产品对应的制造误差等因素导致的不确定性影响值；步骤S14：建立原始随机森林模型；基于建立的多实例产品的元模型，首先进行数据采样，得到建立各个决策树的训练集；然后，基于CART节点分割算法构建决策树，并将多个决策树构成一个随机森林模型；最后，求解所有决策树的预测值的平均值，将其作为随机森林模型的预测值；对于回归问题，将k个决策树的结果的平均值计算为最终结果，其表达式为公式(4)：其中，k为随机森林模型中决策树的数量；Ti(x)为随机森林中第i棵决策树的结果；R(x)为k个决策树的结果的平均值输出；步骤S15：基于贝叶斯优化超参数方法构建名义数字孪生元模型；步骤S15中包括以下步骤：步骤S151：将原始随机森林模型不同参数进行组合；步骤S152：利用贝叶斯优化超参数方法对原始随机森林中的参数进行优化；步骤S151：将原始随机森林模型不同参数进行组合；使用Python SciKit
‑
learn学习模块中的随机森林模型设置参数并不断调整组合，利用高斯过程实现原始随机森林模型不同参数的组合过程，任意有限个样本的线性组合可以表示为联合高斯分布，如式(5)所示：f(x)～gp...

【专利技术属性】
技术研发人员：张海柱，黎荣，丁国富，郑庆，汪豪，傅扬原，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：