数字孪生驱动增材制造的仿生产品建模方法及系统技术方案

本发明专利技术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。的快速和智能化建模。的快速和智能化建模。

【技术实现步骤摘要】
数字孪生驱动增材制造的仿生产品建模方法及系统


[0001]本申请涉及智能化建模
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]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。
[0006]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。
[0007]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。
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]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；对所述融合特本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：姜世超，
申请(专利权)人：长春财经学院，
类型：发明
国别省市：