[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

说明书

本发明公开了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，通过构建高保真模型，在虚拟空间实现物理空间对应设备的数字化镜像，方便后期结构参数修改和超写实仿真；通过进行超写实仿真，在虚拟空间实时动态的同步反映物理空间对应实体的状态，在虚拟空间实现物理设备真实情况的写实运动；同时利用深度学习理论，构建神经网络结构，借助其强大的数字挖掘和映射能力，挖掘建立结构参数和疲劳寿命之间的关系，通过结合高保真模型和超写实仿真环境，实现结构参数的动态优化。通过本发明，实现虚拟空间对物理空间的结构参数的动态优化与反向指导，提高了优化效率和真实性。

技术领域

本发明涉及深度学习领域，特别是涉及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。

背景技术

数字孪生为虚拟空间和物理空间的实时交互与双向连接提供了重要的理论依据和技术支撑，近几年在理论和应用层面均取得了快速发展，目前数字孪生技术被应用于航天设备和车间生产控制。对于通用机械这种工作环境复杂，条件多变的大型设备，其关键零部件结构参数优化手段落后，基本停留在经验设计、参数静态仿真设计，无法对实际运行情况进行高逼真度模拟仿真，这使得对真实工作面环境中机械设备零部件结构参数的优化准确性差、效率低、智能化程度滞后。在结构参数设计阶段，很少考虑到设备的实际工作环境。而机械设备的实际工作条件多变，存在诸多的不确定因素，因此，对机械设备关键零部件的结构参数设计，更应该实时动态的考虑其实际工作环境的影响。现有机械设备零部件结构参数优化手段落后，优化效率低，真实性有待提升，对于复杂工况条件下的零部件关键结构参数优化困难。

发明内容

本发明的目的是为解决上述现有技术的不足之处而提供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。

为解决上述技术问题，本发明采用的一个技术方案是：提供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，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；

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；

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。

其中，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。

其中，所述传感器类型至少包括加速度、温度传感器和力传感器。

其中，传感器布置在机械设备零部件结构上应变大的位置。

其中，通过VR技术获得的机械设备零部件结构物理空间多物理参数，其中，机械设备零部件结构的物理空间多物理参数至少包括受力、速度、振动、温度、环境温度、位置参数。