本技術(shù)屬于數(shù)字孿生的機電產(chǎn)品，具體涉及一種基于數(shù)字孿生的機電產(chǎn)品動態(tài)多目標優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、隨著物聯(lián)網(wǎng)、cps?以及大數(shù)據(jù)、人工智能等技術(shù)的不斷進步，對現(xiàn)代機電產(chǎn)品的優(yōu)化升級提出了更高的需求，要求其朝著個性化、適應(yīng)性和智能化發(fā)展。在這個背景下，為確保機電產(chǎn)品在役過程中穩(wěn)定且可靠的運行，必須及時且有效地對于其進行不斷優(yōu)化升級。優(yōu)化的目標是基于機電產(chǎn)品的運行機理和監(jiān)測數(shù)據(jù)，準確構(gòu)建并求解優(yōu)化模型，以提升機電產(chǎn)品的運行性能、使用壽命等優(yōu)化指標。

2、對于復(fù)雜的機電產(chǎn)品，采用多目標優(yōu)化方法成為平衡多個優(yōu)化指標之間矛盾的主要途徑。目前的優(yōu)化方法通常假定優(yōu)化函數(shù)或者約束條件不變，完成對優(yōu)化模型的建立與迭代求解。然而，由于實際中運行工況的改變，導(dǎo)致模型的優(yōu)化函數(shù)或約束條件呈現(xiàn)動態(tài)變化的趨勢。傳統(tǒng)的優(yōu)化方法由于無法應(yīng)對優(yōu)化模型的動態(tài)改變問題，導(dǎo)致優(yōu)化結(jié)果與實際運行不符。

3、近年來，隨著智能傳感和通信技術(shù)的發(fā)展，及大規(guī)模計算和智能算法的進步，數(shù)字孿生(digital?twin，dt)的概念逐漸在產(chǎn)品的智能運維領(lǐng)域引起了廣泛關(guān)注。數(shù)字孿生技術(shù)以建立精確數(shù)字孿生模型為特點，實現(xiàn)了對物理世界與數(shù)字世界的虛實映射。并通過應(yīng)用通信技術(shù)提高對監(jiān)測數(shù)據(jù)的有效采集與利用，使數(shù)字孿生模型能夠隨著物理世界的變化而實現(xiàn)更新。然而，針對產(chǎn)品運行工況具有的隨機性和動態(tài)變化性特點，dt優(yōu)化模型在求解過程中模型更新前后的關(guān)聯(lián)性較差，導(dǎo)致最終求解的優(yōu)化結(jié)果收斂性發(fā)散、迭代時間長及適應(yīng)性差等問題。

4、因此，在復(fù)雜機電產(chǎn)品的優(yōu)化過程中，亟待找到有效的解決方法來應(yīng)對變工況下優(yōu)化函數(shù)或約束條件不確定性的問題。

技術(shù)實現(xiàn)思路

1、根據(jù)上述背景，本技術(shù)提供基于數(shù)字孿生的機電產(chǎn)品動態(tài)多目標優(yōu)化方法，解決運行工況改變下的機電產(chǎn)品性能指標動態(tài)優(yōu)化問題。其技術(shù)方案為：

2、一種基于數(shù)字孿生的機電產(chǎn)品動態(tài)多目標優(yōu)化方法，包括以下步驟：

3、s1.采集所研究機電產(chǎn)品對象的物理信息數(shù)據(jù)，形成多源數(shù)據(jù)；

4、s2.將上述多源數(shù)據(jù)映射到數(shù)字空間中，進行數(shù)據(jù)預(yù)處理分析并獲取工況條件和約束條件的建模參數(shù)；

5、s3.根據(jù)所提供的物理空間的實測數(shù)據(jù)集和數(shù)字空間的仿真數(shù)據(jù)集，采用梯度提升回歸樹gbrt模型訓(xùn)練方法，訓(xùn)練輸入?yún)?shù)與目標性能指標之間的非線性映射關(guān)系，建立數(shù)字孿生優(yōu)化模型；

6、s4.當工況條件或約束條件發(fā)生改變時，基于新的訓(xùn)練數(shù)據(jù)調(diào)整gbrt參數(shù)結(jié)構(gòu)，以更新數(shù)字孿生優(yōu)化模型的映射關(guān)系，為參數(shù)尋優(yōu)提供更加準確的適應(yīng)度函數(shù)；

7、s5.對于機電產(chǎn)品的運行工況改變后，由于數(shù)字孿生優(yōu)化模型更新前后的不確定性，構(gòu)建數(shù)字孿生自適應(yīng)動態(tài)多目標優(yōu)化策略。

8、優(yōu)選的，對于步驟s3的gbrt模型訓(xùn)練方法，包含以下幾個步驟：

9、s3-1.?通過對產(chǎn)品所關(guān)注目標性能的分析，建立用于優(yōu)化求解的優(yōu)化函數(shù)，表示產(chǎn)品性能參數(shù)與單個優(yōu)化指標之的映射關(guān)系，構(gòu)建優(yōu)化模型 f， f是對多維映射關(guān)系的集合，表示為；

10、s3-2.?定義步驟s2中所獲取的訓(xùn)練數(shù)據(jù)集為?；表示方案為 i的產(chǎn)品性能參數(shù)，表示方案為 i的性能參數(shù)組合下的目標性能指標，其中性能參數(shù)的組合屬于 d維輸入向量，屬于一維向量；

11、s3-3.對于優(yōu)化模型 f中單個優(yōu)化函數(shù)的求解，本發(fā)明采用最小化聯(lián)合分布損失函數(shù)期望值的方式，如下式所示：

12、?；

13、式中，，表示性能參數(shù)從方案1到方案 i的向量組合，，表示目標性能指標從方案1到方案 i的向量組合，表示 x到 y之間的映射關(guān)系，表示對 x與 y的聯(lián)合分布損失函數(shù)期望。

14、優(yōu)選的，對于步驟s4的映射關(guān)系更新，包含以下幾個步驟：

15、s4-1.對于產(chǎn)品的工況發(fā)生改變后，將新的訓(xùn)練數(shù)據(jù)集作為輸入來更新優(yōu)化模型 f的優(yōu)化函數(shù)，以展開式的形式進行描述，如下式所示：

16、?；

17、式中，為膨脹系數(shù)，是基學(xué)習(xí)模型，選用分類與回歸樹cart作為學(xué)習(xí)模型；

18、s4-2.規(guī)定迭代次數(shù)為 m次，劃分為 l個不相交的葉子節(jié)點，每個回歸樹可使用相加形式表示如下式所示：

19、；

20、式中，是區(qū)域中當前殘差的平均值，若，則，否則，；

21、s4-3.?求解回歸樹的每個區(qū)域膨脹系數(shù)，區(qū)域的計算公式如下：

22、?；

23、是的初始膨脹系數(shù)，取值為0.1；

24、s4-4.?得到在每 m次迭代后如下式所示：

25、；

26、將更新的代入s3-3步驟中，可求解得到個更新后的優(yōu)化函數(shù)，用于描述工況改變后產(chǎn)品性能參數(shù)與優(yōu)化指標之間的映射關(guān)系。

27、優(yōu)選的，對于步驟s5的數(shù)字孿生自適應(yīng)動態(tài)多目標優(yōu)化策略，包括初始種群的動態(tài)更新機制與改進非支配性排序機制。

28、優(yōu)選的，對于步驟s5的初始種群的動態(tài)更新機制，包含以下幾個步驟：

29、s5-11.?由于步驟s4中產(chǎn)品工況條件的變化，在映射關(guān)系更新后會存在不同的相關(guān)性程度，定義皮爾遜相關(guān)系數(shù)對含有多維目標空間的優(yōu)化模型相關(guān)性程度進行量化，如下式所示：

30、；

31、式中，表示更新前的第 n個的優(yōu)化函數(shù)，表示更新后的第 n個的優(yōu)化函數(shù)，表示對原有模型求解得到的代表性解集，表示模型更新時刻所計算的相關(guān)性系數(shù)值，范圍為[0,?1]；

32、s5-12.?當相關(guān)系數(shù)時，表示更新前后具有較高的相關(guān)性，定義種群質(zhì)心的計算如下式所示：

33、?；

34、式中，表示更新前 t-1時刻的種群，表示 t-1時刻種群進化過程中的種群大??；表示 t-1時刻種群個體，，其中表示 t-1時刻種群個體的流形信息，，其中 pop表示種群大??；

35、則對于 t時刻種群質(zhì)心的更新，如下式所示：

36、?；

37、式中，表示模型參數(shù)， k為自回歸模型的階數(shù)，為均值為0的高斯擾動變量，其中，；

38、則對于 t時刻種群輪廓的更新，如下式所示：

39、?；

40、式中，，其中與的輪廓相關(guān)；

41、s5-13.當相關(guān)系數(shù)時，表示更新前后的相關(guān)性程度較低，則在 t時刻種群輪廓的更新，如下式所示：

42、?；

43、式中，表示s5-12步驟計算得到的個種群，表示隨機生成的個種群，和共同組成 t時刻的初始種群。

44、優(yōu)選的，對于步驟s5的改進非支配性排序機制，包含以下幾個步驟：

45、s5-21.?對于初始種群，采用交叉、變異算法得到子代種群；

46、s5-22.?在子代種群的獲取中，利用改進的擁擠度距離的度量指標計算擁擠度距離，計算如下式所示：

47、?；

48、式中，表示個體擁擠度距離，通過擁擠度距離的計算方法求得，表示采用topsis方法計算的得分；

49、s5-23.?計算如下式所示：

50、?；

51、式中，與表示最優(yōu)解與最劣解的歐式距離，如下式所示：

52、；

53、式中，表示加權(quán)歸一化決策矩陣，表示每個指標的權(quán)重值，表示對原始矩陣的歸一化處理；矩陣行表示對不同種群的組合，矩陣列表示所關(guān)注產(chǎn)品性能評價指標的組合?；跀?shù)字孿生的機電產(chǎn)品動態(tài)多目標優(yōu)化系統(tǒng)，包括數(shù)據(jù)獲取模塊、數(shù)據(jù)處理模塊、決策模塊和輸出模塊；

54、數(shù)據(jù)獲取模塊：通過傳感器、監(jiān)測設(shè)備或其它數(shù)據(jù)源獲取所研究機電產(chǎn)品對象的物理信息數(shù)據(jù)，包括傳感器數(shù)據(jù)、操作記錄、環(huán)境參數(shù)數(shù)據(jù)；

55、數(shù)據(jù)處理模塊：將采集的多源數(shù)據(jù)交互到數(shù)字空間中，進行數(shù)據(jù)預(yù)處理分析并獲取工況條件和約束條件關(guān)鍵建模參數(shù)；

56、根據(jù)所提供的物理空間的實測數(shù)據(jù)集和數(shù)字空間的仿真數(shù)據(jù)集，采用梯度提升回歸樹gbrt模型訓(xùn)練方法；訓(xùn)練輸入?yún)?shù)與目標性能指標之間的非線性映射關(guān)系，建立數(shù)字孿生優(yōu)化模型；

57、當工況條件或約束條件發(fā)生改變時，基于新的訓(xùn)練數(shù)據(jù)調(diào)整gbrt參數(shù)結(jié)構(gòu)，以更新數(shù)字孿生優(yōu)化模型的映射關(guān)系，為參數(shù)尋優(yōu)提供更加準確的適應(yīng)度函數(shù)；

58、決策模塊：對于機電產(chǎn)品的運行工況改變后，由于數(shù)字孿生優(yōu)化模型更新前后的不確定性，構(gòu)建數(shù)字孿生自適應(yīng)動態(tài)多目標優(yōu)化策略；

59、輸出模塊：將計算結(jié)果進行可視化輸出。

60、與現(xiàn)有技術(shù)相比，本技術(shù)有益效果如下：

61、1.本發(fā)明基于數(shù)字孿生的機電產(chǎn)品動態(tài)多目標優(yōu)化方法，通過從真實的物理實體中獲取模型的邊界條件與約束條件數(shù)據(jù)，確保了在動態(tài)優(yōu)化過程中模型的準確性與可靠性。相比傳統(tǒng)方法，該技術(shù)能夠更加精準地反映物理系統(tǒng)的實際運行狀態(tài)，從而提高優(yōu)化設(shè)計的有效性。

62、2.本發(fā)明深入研究了針對于機電產(chǎn)品工況條件改變下的動態(tài)多目標優(yōu)化算法，并結(jié)合機器學(xué)習(xí)等人工智能技術(shù)，提升了與環(huán)境工況相關(guān)的特征參數(shù)的有效性。在工程機械、高速列車、機床等不同類型機電產(chǎn)品的應(yīng)用中，該方法能夠?qū)崿F(xiàn)精準的優(yōu)化模型建立并進行優(yōu)化求解，確保了優(yōu)化結(jié)果的客觀性與準確性，為復(fù)雜機電產(chǎn)品的動態(tài)優(yōu)化設(shè)計提供了有力支持。

63、3.本發(fā)明基于數(shù)字孿生的動態(tài)多目標優(yōu)化方法，具有較高的模型重用性，避免了重復(fù)的領(lǐng)域知識分析。設(shè)計者通過構(gòu)建統(tǒng)一的優(yōu)化框架和規(guī)范模型，有效減少了概念和術(shù)語上的差異，保證了動態(tài)優(yōu)化過程中的數(shù)據(jù)交互統(tǒng)一性與高效性，提高了設(shè)計與優(yōu)化的整體效率。