CN118014143B 一种基于数字孪生技术的预测方法、装置及系统 （南京航空航天大学）

司本发明公开了一种基于数字孪生技术的预构件制造过程的整体加工数据并存储进行预处维相同尺度空间下的空间数据后进行空间灰度多尺度卷积神经网络构建多工序及多工艺参数2S2、将采集到的一维多尺度序列数据集转化为S201、将单工序多工艺数据排列成一维工序序列向S202、再将多工序的一维工序序列向量左S204、对归一化后的二维矩阵数据进行空间S3、将得到的灰度特征图输入基于高斯金字塔池化特征轴上从左到右进行遍历完成卷积操作，卷S303、通过添加高斯金字塔模块的跨层连接将不同3将第1组倒数第三层图像作比例因子为2的降采样，得到的图像作为S304、将多维度拼接的融合特征输入一个激活函数为sigmoid的4层DNN全连接层网络S305、选择采用以一致性指数IA、均方根误差RMSS5、基于注意力机制对优化后的多尺度卷积神经S103、将采集到的全工序加工数据进行存储至4ys表示对应s时刻未平滑的波动数据。5.一种用于实现上述权利要求1-4任一项所述的基于数字孪生技术的预测方法的装数据集构建模块100，所述数据集构建模块100用于获取多工序多工灰度特征图转化模块200，所述灰度特征图转化模块200用于将采集到列数据集转化为二维相同尺度空间下的空间数据后进行空间灰度映射转化成灰度特征图；S201、将单工序多工艺数据排列成一维工序序列向S202、再将多工序的一维工序序列向量左S204、对归一化后的二维矩阵数据进行空间质量预测模型构造模块300，所述质量预测模型构造模块3005特征轴上从左到右进行遍历完成卷积操作，卷S303、通过添加高斯金字塔模块的跨层连接将不同将第1组倒数第三层图像作比例因子为2的降采样，得到的图像作为S304、将多维度拼接的融合特征输入一个激活函数为sigmoid的4层DNN全连接层网络S305、选择采用以一致性指数IA、均方根误差RMS优化网络模块400，所述优化网络模块400用于用改进的获取预测结果模块500，所述获取预测结果模块500用于基于注意6.一种用于实现上述权利要求1_4任一项所述的基于数字孪生技术的预测方法的系67确保产品质量的关键步骤，生产者可以根据质量预测结果在生产过程中及时调整工艺参导致预测结果的不准确性和可靠性不高，需要一种能够综合考虑多个工序及多个工艺参对现有技术中复杂薄壁构件产品质量难以全面的预测以及预测结果不准确性和可靠性不[0006]S1、获取多工序多工艺复杂薄壁构件制造过程的整体加工数据并存储进行预处8[0013]S102、记录采集到的数据并根据工序和工艺参数的对应关系进行整理和标记；[0023]S304、将多维度拼接的融合特征输入一个激活函数为sigmoid的4层DNN全连接层ys表示对应s时刻未平滑的波动数据。[0032]该技术方案还提供了一种用于实现所述的基于数字孪生9集转化为二维相同尺度空间下的空间数据后进行空间灰度映射转[0052]本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以[0055]S1、获取多工序多工艺复杂薄壁构件制造过程的整体加工数据并存储进行预处建多工序及多工艺参数的质量预测模型，如图4所示为本发明本实施例中的质量预测网络单工序多工艺的空间特征关系；数据特征轴上从左到右进行遍历完成卷积操作，卷积核Wi在工序轴上与x""相乘，步数[0079]将第1组倒数第三层图像作比例因子为2的降采样，得到的图像作为第2组的第1k2σ,k3σ……k(L_2)σ,但是在尺寸方面第2组是第1组图像的一半，共得到O组图像，O=[0080]S304、如图4所示：将多维度拼接的融合特征输入一个激活函数为sigmoid的4层和k2是控制个体向Levylight个体和前一个个体移动趋势的权重v的正态分布,Γ函数为欧拉第二类积分T(xt1)-;r'e"d-[-e'"r',"xf"r"e"e"'d-XTt)。S403、快速获得全局最优位置和适应ys表示对应s时刻未平滑的波动数据。[0108]请参照图5，本实施例还提供了一种用于实现上述基于数字孪生技术的预测方法[0114]本实施例还提供了一种用于实现上述基于数字