[發明專利]一種實現多學科仿真模型降階的工業互聯網平臺

有效

• 申請號: 202210118111.7
• 申請日: 2022-02-08
• 公開（公告）號: CN114297946B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 梁新樂;王峰
• 申請（專利權）人: 無錫雪浪數制科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F18/214;G06N3/0442;G06N3/08
• 代理公司: 無錫華源專利商標事務所(普通合伙) 32228
• 代理人: 過顧佳

本發明公開了一種實現多學科仿真模型降階的工業互聯網平臺，涉及仿真優化領域，該工業互聯網平臺包括以組件化形式存在的不同功能，能夠根據業務進行仿真結果數據采集和模型訓練，可以根據業務快速制作針對多學科仿真模型降階建模流程，提供多種先進降階算法，適應更多的學科仿真場景，為工業復雜的仿真場景提供降階模型建模方案，同單個仿真軟件解耦，最終自動尋優選定目標降階模型，顯著降低降階模型建模難度，加快建模速度，縮短設計和開發周期。

技術領域

本發明涉及仿真優化領域，尤其是一種實現多學科仿真模型降階的工業互聯網平臺。

背景技術

仿真優化是工業智能設計中重要的一環，其核心環節是在滿足約束條件下，采用優化算法尋找一組仿真模型的輸入參數，使得仿真模型的某個或某些輸出性能達到最優，即對仿真模型的參數進行優化。但是數值計算仿真模型，特別是多維模型的運行需要大量計算資源，一次仿真時間可達數十分鐘，甚至數小時，因此在計算資源一定的情況下，仿真模型可執行的次數受到了限制，影響了研發設計的效率。所以一般需要首先對仿真模型進行模型降階以實現簡化降維，模型降階也即在可接受的精度犧牲范圍內，實現模型預測計算最小化。

近年來，在新產品開發制造的需求牽引及相關學科技術發展的推動下，以支持多領域協同技術為特征的復雜產品的虛擬樣機技術成為研究的熱點，復雜產品通常包含機械、控制、液壓軟件等各學科子系統，由此構建得到的是復雜的包含多維參數的多學科仿真模型，但是不同學科場景下，有各自適合的降階算法、種類繁多，另外參數較多，造成使用門檻較高，導致目前對多學科仿真模型的模型降階的操作難度較高、效果也不夠理想。

發明內容

本發明人針對上述問題及技術需求，提出了一種實現多學科仿真模型降階的工業互聯網平臺，本發明的技術方案如下：

一種實現多學科仿真模型降階的工業互聯網平臺，該工業互聯網平臺包括仿真接口組件和降階組件，仿真接口組件連接若干種不同學科場景的仿真軟件，工業互聯網平臺在運行過程中：

仿真接口組件調用產品子系統所屬的學科場景的仿真軟件，按照仿真模型參數執行仿真任務獲取仿真結果數據；

降階組件根據降階需求信息和仿真結果數據的數據類型、基于降階算法庫中的降階算法構建若干個不同的候選降階模型，每個候選降階模型采用相應的降階算法以及降階參數，且構建的候選降階模型采用多種不同的降階算法；

降階組件利用仿真結果數據分別訓練各個候選降階模型，并確定各個候選降階模型的模型性能參數；

基于各個候選降階模型的模型性能參數從中選定候選降階模型作為產品子系統的目標降階模型。

其進一步的技術方案為，構建若干個不同的候選降階模型，包括：

從降階算法庫中選擇滿足降階需求信息和仿真結果數據的數據類型的多種不同的降階算法以及對應的參數范圍，并在參數范圍內確定降階算法對應的多個不同的降階參數；

基于各種降階算法及對應的多種不同的降階參數的排列組合構建得到若干個不同的候選降階模型。

其進一步的技術方案為，降階算法庫中的降階算法包括克里金、BalancedTruncation、正交分解法、Krylov方法、長短期記憶神經網絡、物理信息神經網絡、神經元神經網絡、編碼解碼神經網絡中的至少兩種。

其進一步的技術方案為，分別訓練各個候選降階模型，包括：

利用計算機集群并行訓練各個候選降階模型。

其進一步的技術方案為，確定各個候選降階模型的模型性能參數，包括對于每個候選降階模型：

對候選降階模型的若干個模型關鍵特征進行加權計算得到候選降階模型的模型性能參數，模型關鍵特征是對候選降階模型訓練過程中產生的反映模型準確度和/或模型速度的特征。