[发明专利]基于数字孪生的机械设备零部件结构参数动态优化方法

权利要求书

1.一种基于数字孪生的机械设备零部件结构参数动态优化方法，其特征在于，包括：

构建机械设备全部或部分结构的三维模型，研究三维模型动力学与运动状态的关联性，确定反映运动状态的参数，并根据参数分析确定机械设备全部或部分结构中所需的传感器类型及安装位置，按照分析结果在物理空间物理实体中布置传感器，通过传感器监测数据驱动虚拟空间参数更新，完成高保真建模；

依据物理实体的历史监测数据及物理空间传感器实时更新的监测数据，进行超写实仿真，获取高保真三维模型零件结构参数与对应疲劳寿命数据集作为数据分析样本；

对机械设备零部件结构进行超写实仿真的步骤包括：

依据有限元参数化技术，通过传感器实时监测数据实时动态更新虚拟空间相关参数设置，实现动态疲劳仿真，得到对应的疲劳寿命值；其中，传感器实时监测机械设备零部件结构的监测数据至少包括力、速度、温度及位置参数；

通过调整机械设备零部件结构对应的结构参数，继续进行仿真，得到该参数下机械设备零部件结构对应的疲劳寿命值，构建参数与机械设备零部件的疲劳寿命的对应关系；

通过调整不同的参数，得到不同的疲劳寿命值，产生机械设备零部件结构参数与对应的疲劳寿命数据样本集；

构建深度卷积神经网络模型，用高保真三维模型零件结构参数与对应的疲劳寿命数据样本集训练模型，保存训练好的模型；

在进行高保真建模的步骤中，包括步骤：

依据物理空间机械设备零部件结构的受力大小、力的类型、结构、工作时的姿态，轮廓尺寸、相对位置信息，用三维软件构建机械设备零部件结构的三维模型；

导入ANSYS软件中进行动力学分析，研究动力学与运动状态的关联性，确定反映运动状态的关键参数，其中，反映运动状态的关键参数至少包括应变、振型、节点位移、节点位置；

依据得到的关键参数布置需要的传感器的类型，以及传感器在机械设备零部件结构位置的布置；依据物理空间机械设备零部件结构的材料类型、几何尺寸，利用UG参数化建模在虚拟空间构建机械设备零部件结构的三维模型，实现高保真建模；

构建深度卷积神经网络模型的步骤包括：

利用python语言实现DCNN模型，用测试集进行DCNN模型的训练，进行参数优化，调整模型的层数、模型的具体结构及卷积核的大小，直至训练集中的预测值和实际值的均方误差达到最小，训练预测结果达到最优确定训练次数、模型层数、模型具体结构以及卷积核大小，保存模型；

其中，均方误差表达式为

N表示参加训练的数据量，y_pi表示对第i个输入的预测值，y_ti表示第i个输入对应的实际值；基于训练好的模型，利用测试集测试模型预测性能，将模型的预测值和实际值做对比，得到模型预测的准确性；

其中，对模型预测结果进行评判时，采用均方根误差RMSE、拟合优度检验R²、平均绝对百分误差MAPE和Score_function三个指标进行评判；

表达式分别为：

预测分析中RMSE越接近0，代表预测结果越精确；

R²值越接近1，代表预测结果越好；

平均绝对百分误差MAPE不仅仅考虑预测值与真实值之间的误差，还考虑该误差占真实值的比例；

Score值越接近0，代表预测结果越精确；

上述公式中，y_i表示实际值，表示预测值，表示预测的均值；

将目标疲劳寿命数据作为预测模型的输入，通过传感器实时监测数据动态更新虚拟空间参数和预测模型动态训练，得到动态优化后的零部件结构参数。

2.根据权利要求1所述的基于数字孪生的机械设备零部件结构参数动态优化方法，其特征在于，所述传感器类型至少包括加速度、温度传感器和力传感器。

3.根据权利要求1所述的基于数字孪生的机械设备零部件结构参数动态优化方法，其特征在于，传感器布置在机械设备零部件结构上应变大的位置；其中，应变大小通过分析结果的应变图进行判断。