[發明專利]基于數字孿生的機械設備零部件結構參數動態優化方法

有效

• 申請號: 201910261337.0
• 申請日: 2019-04-02
• 公開（公告）號: CN110045608B
• 公開（公告）日: 2022-04-05
• 發明（設計）人: 丁華;楊亮亮;王義亮;高俊光;盧川川
• 申請（專利權）人: 太原理工大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 太原晉科知識產權代理事務所(特殊普通合伙) 14110
• 代理人: 任林芳

1.一種基于數字孿生的機械設備零部件結構參數動態優化方法，其特征在于，包括：

構建機械設備全部或部分結構的三維模型，研究三維模型動力學與運動狀態的關聯性，確定反映運動狀態的參數，并根據參數分析確定機械設備全部或部分結構中所需的傳感器類型及安裝位置，按照分析結果在物理空間物理實體中布置傳感器，通過傳感器監測數據驅動虛擬空間參數更新，完成高保真建模；

依據物理實體的歷史監測數據及物理空間傳感器實時更新的監測數據，進行超寫實仿真，獲取高保真三維模型零件結構參數與對應疲勞壽命數據集作為數據分析樣本；

對機械設備零部件結構進行超寫實仿真的步驟包括：

依據有限元參數化技術，通過傳感器實時監測數據實時動態更新虛擬空間相關參數設置，實現動態疲勞仿真，得到對應的疲勞壽命值；其中，傳感器實時監測機械設備零部件結構的監測數據至少包括力、速度、溫度及位置參數；

通過調整機械設備零部件結構對應的結構參數，繼續進行仿真，得到該參數下機械設備零部件結構對應的疲勞壽命值，構建參數與機械設備零部件的疲勞壽命的對應關系；

通過調整不同的參數，得到不同的疲勞壽命值，產生機械設備零部件結構參數與對應的疲勞壽命數據樣本集；

構建深度卷積神經網絡模型，用高保真三維模型零件結構參數與對應的疲勞壽命數據樣本集訓練模型，保存訓練好的模型；

在進行高保真建模的步驟中，包括步驟：

依據物理空間機械設備零部件結構的受力大小、力的類型、結構、工作時的姿態，輪廓尺寸、相對位置信息，用三維軟件構建機械設備零部件結構的三維模型；

導入ANSYS軟件中進行動力學分析，研究動力學與運動狀態的關聯性，確定反映運動狀態的關鍵參數，其中，反映運動狀態的關鍵參數至少包括應變、振型、節點位移、節點位置；

依據得到的關鍵參數布置需要的傳感器的類型，以及傳感器在機械設備零部件結構位置的布置；依據物理空間機械設備零部件結構的材料類型、幾何尺寸，利用UG參數化建模在虛擬空間構建機械設備零部件結構的三維模型，實現高保真建模；

構建深度卷積神經網絡模型的步驟包括：

利用python語言實現DCNN模型，用測試集進行DCNN模型的訓練，進行參數優化，調整模型的層數、模型的具體結構及卷積核的大小，直至訓練集中的預測值和實際值的均方誤差達到最小，訓練預測結果達到最優確定訓練次數、模型層數、模型具體結構以及卷積核大小，保存模型；

其中，均方誤差表達式為

N表示參加訓練的數據量，y_pi表示對第i個輸入的預測值，y_ti表示第i個輸入對應的實際值；基于訓練好的模型，利用測試集測試模型預測性能，將模型的預測值和實際值做對比，得到模型預測的準確性；

其中，對模型預測結果進行評判時，采用均方根誤差RMSE、擬合優度檢驗R²、平均絕對百分誤差MAPE和Score_function三個指標進行評判；

表達式分別為：

預測分析中RMSE越接近0，代表預測結果越精確；

R²值越接近1，代表預測結果越好；

平均絕對百分誤差MAPE不僅僅考慮預測值與真實值之間的誤差，還考慮該誤差占真實值的比例；

Score值越接近0，代表預測結果越精確；

上述公式中，y_i表示實際值，表示預測值，表示預測的均值；

將目標疲勞壽命數據作為預測模型的輸入，通過傳感器實時監測數據動態更新虛擬空間參數和預測模型動態訓練，得到動態優化后的零部件結構參數。

2.根據權利要求1所述的基于數字孿生的機械設備零部件結構參數動態優化方法，其特征在于，所述傳感器類型至少包括加速度、溫度傳感器和力傳感器。

3.根據權利要求1所述的基于數字孿生的機械設備零部件結構參數動態優化方法，其特征在于，傳感器布置在機械設備零部件結構上應變大的位置；其中，應變大小通過分析結果的應變圖進行判斷。