买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京航空航天大学

摘要：本发明公开了一种离散制造车间数字孪生模型自适应动态更新方法，首先采集虚拟车间和实际车间的数据并选取特征数据集，分别计算性能指标的真实值和模型预测的理论值精度误差，然后基于Mann‑Kendall的精度误差趋势分析方法，以此作为孪生模型动态修正的触发条件；然后，选择DNN和LSTM作为基学习器，采用集成学习的方法，进行不断的迭代训练，分别从数据重要性和性能重要性两个角度，改进基学习器的权重更新方式，形成基于Adaboost‑DNN‑LSTM孪生模型动态修正算法，并采用差额基学习器优选方法，完成孪生模型动态修正。本发明提供的数字孪生模型自适应动态更新方法为离散制造系统数字孪生的精确应用，提供了模型更新方法，对车间生产管控智能化水平的提升具有重要的价值。

主权项：1.一种离散制造车间数字孪生模型自适应动态更新方法，其特征在于，包括以下步骤：步骤S1、通过数字孪生制造车间部署的物联感知设备按时序采集连续多个生产过程的生产数据，选取特征数据集；所述特征数据集包括订单任务数据、当前时刻已完成任务数据、实时生产状态数据和预测时间；同时对虚拟车间进行数据采集，获取特征数据集；步骤S2、将平方损失函数作为性能目标响应误差，并采用最大最小归一方法对目标响应误差进行归一化处理，确认需要优先修正的性能目标；步骤S3、采用基于Mann-Kendall的偏差趋势分析方法对性能指标的精度进行显著性检验；当精度误差超越预设阈值时，所述数字孪生模型进行自适应更新；步骤S4、基于步骤S3的数字孪生模型更新机制，采用集成学习方法，选择DNN和LSTM作为基学习器，对基学习器进行差额对比训练，直到形成强学习器，最后进行数字孪生模型的更新；步骤S2中包括响应误差的计算和待修正性能目标的选择两个过程；具体地，步骤S2.1、构建性能目标响应误差函数；用平方损失函数构建目标响应误差如下： 其中，表示孪生模型中第i个目标响应的实际值，yi＝fx；i表示孪生模型中第i个目标响应的理论值；基于上述目标响应误差函数，完成各个性能目标响应误差的计算；步骤S2.2、选择待修正的性能目标；采用最大最小归一化方法对目标响应误差进行归一化处理，消除不同量纲的影响；计算方式如下： 其中，目标响应对的误差绝对值ΔERij的计算公式为：ΔERij＝|ERi-ERj|i和j分别表示目标响应对中包含的不同目标响应；进一步明确各个目标响应对误差差值所占比例，即目标响应对的分项系数wij，计算公式如下： n表示目标响应的总数；wij的值越大，则表示第i和j个目标的响应误差越大，需要修正的优先级越高；所述步骤S3中基于Mann-Kendall的偏差趋势分析方法具体包括：步骤S3.1、获得数字孪生模型的测试精度变化；计算方式包括： 其中，表示t时刻的第i个指标的实际值；fx；i；t表示t时刻的第i个指标在数字孪生模型下的理论值；第t+1时刻模型测试精度为TAit+1，则数字孪生模型的测试精度为： 第i个指标的一个完整的数字孪生模型测试精度变化表示为： 步骤S3.2、采用Mann-Kendall趋势检验方法检验数字孪生模型测试精度ΔTAi的趋势变化情况；当数字孪生模型测试精度呈现下降趋势时，触发数字孪生模型更新机制；具体地，Mann-Kendall趋势检验的公式为： 其中T为数字孪生模型测试精度序列中数值的个数，当Si0时，表示精度变化向上变化；当Si0时，表示精度变化向下变化；当T10时，使用Zi统计量，并计算Si的方差，计算公式如下： 其中VarSi表示Si的方差，G表示结组数，表示第j*结组中数值的个数；Zi表示检验统计量；当Z0时，表示ΔTAi随着时间在递减变化，孪生模型精度呈现上升趋势；当Z0时，则说明ΔTAi随着时间在递增变化，孪生模型精度呈现下降趋势，此时触发数字孪生模型更新机制；步骤S4中数字孪生模型进行自适应更新的具体步骤包括：步骤S4.1、Adaboost权重函数更新；采用时间加权方法对权重函数进行更新，具体如下：ωt＝exp-ηtt＝1,2,...,T；η∈[0,0.99]其中t表示数据获取的时刻，即t时刻获取的数据批号；当数据批次依次增加时，t增大，数据越新，重要性越强；步骤S4.2、更新样本的迭代加权机制；Adaboost-DNN-LSTM算法对基学习器的训练迭代过程中的样本权重更新机制具体如下： 其中，U表示Adaboost-DNN-LSTM的总迭代次数，m*表示总样本数；表示第i*个样本的第u+1迭代的权重，是用于控制样本权重调整方向的参数；ξ为模型误差的阈值，当误差超过阈值时，增大该类样本权重，反之则减少样本权重；步骤S4.3、确定基学习器权重αu；用αu表示第u个基学习器的投票权重，由DNN、LSTM基学习器在数据集上的精度误差εu所决定，采用以下计算公式： 其中表示第i*个输入的样本，表示生产进度的实际值，表示第u个基学习器的生产进度预测值，表示第u个基学习器DNN的生产进度预测值，表示第u个基学习器LSTM的生产进度预测值；步骤S4.4、基学习器集成；将训练好的基学习器按照投票权重进行集成，获得最终的强学习器Adaboost-DNN-LSTM，集成公式如下： 最终用强学习器更新原有的数字孪生模型中的性能模型，完成动态自适应修正。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种离散制造车间数字孪生模型自适应动态更新方法