[發(fā)明專利]“互聯(lián)網(wǎng)+”環(huán)境下定制產(chǎn)品的分層混合性能預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202011124105.X
• 申請日: 2020-10-20
• 公開（公告）號: CN112241811A
• 公開（公告）日: 2021-01-19
• 發(fā)明（設(shè)計）人: 張樹有;周會芳;裘樂淼;王自立
• 申請（專利權(quán)）人: 浙江大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F30/27;G06N3/04;G06N3/08;G06N3/00
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 邱啟旺

本發(fā)明公開了一種“互聯(lián)網(wǎng)+”環(huán)境下定制產(chǎn)品的分層混合性能預(yù)測方法，本發(fā)明利用計算仿真數(shù)據(jù)集構(gòu)造單保真度層混合模型，利用歷史實測數(shù)據(jù)集構(gòu)造最優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型，再采用均方根誤差策略基于單保真度層混合模型和最優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)造雙保真度層混合模型。本發(fā)明方法基于混合代理模型，通過不同保真度層次的分層混合實現(xiàn)了高保真度的歷史實測數(shù)據(jù)與低保真度的計算仿真數(shù)據(jù)關(guān)聯(lián)融合，從而實現(xiàn)了基于多保真度數(shù)據(jù)信息的定制產(chǎn)品性能預(yù)測，提高了性能預(yù)測模型的預(yù)測精度和泛化能力，實現(xiàn)了在設(shè)計階段對定制產(chǎn)品性能的高效可信預(yù)測。

技術(shù)領(lǐng)域

本發(fā)明屬于“互聯(lián)網(wǎng)+”環(huán)境下定制產(chǎn)品性能預(yù)測領(lǐng)域，尤其涉及一種“互聯(lián)網(wǎng)+”環(huán)境下定制產(chǎn)品的分層混合性能預(yù)測方法。

背景技術(shù)

“互聯(lián)網(wǎng)+”環(huán)境下，用戶對產(chǎn)品的個性化需求日益凸顯，同時在用戶深度參與設(shè)計過程方面也提出了更高的要求。針對用戶需求驅(qū)動的個性化定制產(chǎn)品設(shè)計而言，定制產(chǎn)品的性能預(yù)測有助于在設(shè)計階段對用戶需求實現(xiàn)高效快速響應(yīng)，同時能夠有效降低設(shè)計成本同時縮短設(shè)計周期，從而有效促進用戶深度參與設(shè)計過程。

傳統(tǒng)的產(chǎn)品性能預(yù)測方法一般有兩種，第一種是基于歷史實測性能進行推演預(yù)測，從累積的歷史實測性能數(shù)據(jù)的角度出發(fā)，實現(xiàn)“性能—性能”的推演預(yù)測，具有較高的可信度，但費用高、周期長且響應(yīng)慢；第二種方法是基于結(jié)構(gòu)形狀建模的仿真預(yù)測，從結(jié)構(gòu)形狀建模及計算仿真的角度出發(fā)，實現(xiàn)“形狀—性能”的仿真預(yù)測，響應(yīng)高效快速，但計算仿真具有較大誤差，使得性能預(yù)測的可信度低。以上兩種方法都難以在設(shè)計階段實現(xiàn)定制產(chǎn)品的高效快速、可信性預(yù)測。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種“互聯(lián)網(wǎng)+”環(huán)境下定制產(chǎn)品的分層混合性能預(yù)測方法。本發(fā)明基于混合代理模型，通過不同保真度層次的分層混合，將高保真度的歷史實測性能數(shù)據(jù)與低保真度的計算仿真性能數(shù)據(jù)進行關(guān)聯(lián)融合，構(gòu)建最終的預(yù)測模型，實現(xiàn)對定制產(chǎn)品性能的多保真度預(yù)測，由此解決了難以在設(shè)計階段對定制產(chǎn)品性能進行高效、可信預(yù)測的問題。

本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：一種“互聯(lián)網(wǎng)+”環(huán)境下定制產(chǎn)品的分層混合性能預(yù)測方法，包括以下步驟：

(1)以定制產(chǎn)品的配置參數(shù)作為輸入特征，定制產(chǎn)品的待預(yù)測性能作為輸出特征，收集獲取數(shù)據(jù)樣本。收集對已有產(chǎn)品實測的性能數(shù)據(jù)，構(gòu)建歷史實測數(shù)據(jù)集；利用計算機仿真軟件，建立產(chǎn)品的虛擬仿真模型，通過仿真分析獲取性能數(shù)據(jù)，構(gòu)建計算仿真數(shù)據(jù)集；

(2)對歷史實測數(shù)據(jù)集和計算仿真數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理；

(3)以步驟(1)中選取的輸入特征和輸出特征作為模型的輸入和輸出，采用計算仿真數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，基于多項式響應(yīng)面模型、克里金模型和徑向基函數(shù)模型等，構(gòu)造單保真度層混合模型Surr_mix；

(4)以步驟(1)中選取的輸入特征和輸出特征作為模型的輸入和輸出，采用歷史實測數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，結(jié)合粒子群算法訓(xùn)練一個最優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型BPNN_hropt；

(5)以基于計算仿真數(shù)據(jù)集構(gòu)造的單保真度層混合模型Surr_mix和基于歷史實測數(shù)據(jù)集訓(xùn)練的最優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型BPNN_hropt為基礎(chǔ)，構(gòu)造雙保真度層混合模型Surr_bpmix，并以此作為最終的預(yù)測模型。

(6)對待預(yù)測的數(shù)據(jù)樣本，首先按照步驟(2)中對計算仿真數(shù)據(jù)集的處理進行數(shù)據(jù)預(yù)處理，然后輸入至步驟(5)中構(gòu)建的預(yù)測模型進行預(yù)測，即可得到定制產(chǎn)品在不同配置參數(shù)條件下的產(chǎn)品性能。

進一步地，所述的步驟(3)中，以計算仿真數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，首先分別構(gòu)造多項式響應(yīng)面模型、克里金模型和徑向基函數(shù)模型，然后采用基于廣義均方交叉驗證誤差策略的權(quán)重計算準則計算各模型的權(quán)重，從而構(gòu)造單保真度層混合模型Surr_mix。