買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉西南交通大學申請的專利一種基于名義數字孿生的下一代產品設計方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115906661B 。

龍圖騰網通過國家知識產權局官網在2025-08-12發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211668930.5，技術領域涉及：G06F30/27；該發明授權一種基于名義數字孿生的下一代產品設計方法是由張海柱;黎榮;丁國富;鄭慶;汪豪;傅揚原設計研發完成，并于2022-12-23向國家知識產權局提交的專利申請。

本一種基于名義數字孿生的下一代產品設計方法在說明書摘要公布了：本發明提出了一種基于名義數字孿生的下一代產品設計方法。名義數字孿生在這里首次被定義為與使用中的多個物理產品對應的多個獨立數字孿生的合成數字孿生。名義數字孿生不僅可以從一個正在使用的產品的數據和信息中建立一個更精確的近似模型，而且可以從多個物理產品在物理世界的廣泛應用場景下的性能和行為中建立一個更精確的模型。該模型可以建立一個基于貝葉斯優化的隨機森林元模型。這個更好的模型，可以在名義數字孿生上通過多目標優化，協同探索下一代產品設計和改進的最優設計方案，通過綜合信息更好地了解當前使用的產品，從而使下一代產品設計更具適應性。

本發明授權一種基于名義數字孿生的下一代產品設計方法在權利要求書中公布了：1.一種基于名義數字孿生的下一代產品設計方法，其特征在于：包括以下步驟： 步驟S1：構建名義數字孿生模型；步驟S2：構建基于名義數字孿生的逆向優化設計模型； 其中，步驟S1中包括以下步驟： 步驟S11：建立產品行為模型；步驟S12：建立正逆向設計組合方法；步驟S13：建立多實例產品的元模型；步驟S14：建立原始隨機森林模型；步驟S15：基于貝葉斯優化超參數方法構建名義數字孿生元模型； 其中，步驟S2中包括以下步驟： 步驟S21：建立可解多目標優化數學模型；步驟S22：建立多目標優化數學問題模型；步驟S23：基于名義數字孿生的逆向優化設計模型生成下一代產品設計參數并驗證； 其中，步驟S11：建立產品行為模型； 建立DMU正向設計模型如公式1所示： Y＝fX，Q1 其中，系統響應Y＝y1，y2，…，yl為產品最初的設計指標；Q＝q1，q2，…，qm為系統狀態參數；X＝x1，x2，...，xn為系統設計變量； 系統設計變量最優值X*基于Q的輸入得到，期望輸出Yexpected由系統設計變量最優值X*得到； 基于正向設計模型，產品數字孿生模型捕獲在物理世界中與產品相關的各種不確定性，結合制造誤差的不確定性ε影響，產品設計模型形成d個物理產品實例；建立產品行為模型如公式2所示： 其中，Yd為第d個產品實例的產品設計指標實際輸出響應；fXd，Qd為第d個產品實例的產品設計指標最初系統響應；εd為第d個產品實例的不確定性影響值；X、Q、Y之間的映射關系通過基于機器學習的元模型來描述； 步驟S12：建立正逆向設計組合方法； 步驟S12包括： 步驟S121：對產品操作數據進行挖掘；步驟S122：形成設計決策閉環； 其中，步驟S121：對產品操作數據進行挖掘； 在產品操作數據中挖掘生成與產品設計變量X的實際系統響應Yactual對應的實際系統使用信息，使實際系統響應與產品設計相對應； 步驟S122：形成設計決策閉環； 在遵循正向設計過程的同時，逆向設計對正向設計施加了一個反饋回路；利用實際系統響應Yactual與系統設計變量最優值X*的反比關系，得出最優系統參數設置Q*；將Q*|Yactual帶回正向設計過程中取代原始假設，即Q*→Qassumed，形成設計決策閉環，形成專門針對個別用戶個性化需求的改進設計； 步驟S13：建立多實例產品的元模型； 針對多實例產品在使用時實際設計參數Xd的不斷變化，將單個產品的實際設計參數Xd表示為多個數字孿生的向量，將單個產品的實際系統參數Qd也表示為多個數字孿生的向量，然后基于各實例的實際設計參數向量Xdactual＝xd1,xd2,……,xdn和實際系統參數向量Qdactual＝qd1,qd2,……,qdm，分別得出各實例最優設計的相應設計輸出，建立關系元模型如公式3所示： 其中，DTd為第d個實例產品的數字孿生模型；Ydactual為第d個實例產品的實際行為模型輸出值；fXdactual，Qdactual為實際系統響應；εd為第d個實例產品對應的制造誤差因素導致的不確定性影響值； 步驟S14：建立原始隨機森林模型； 基于建立的多實例產品的元模型，首先進行數據采樣，得到建立各個決策樹的訓練集；然后，基于CART節點分割算法構建決策樹，并將多個決策樹構成一個隨機森林模型；最后，求解所有決策樹的預測值的平均值，將其作為隨機森林模型的預測值；對于回歸問題，將k個決策樹的結果的平均值計算為最終結果，其表達式為公式4： 其中，k為隨機森林模型中決策樹的數量；Tix為隨機森林中第i棵決策樹的結果；Rx為k個決策樹的結果的平均值輸出； 步驟S15：基于貝葉斯優化超參數方法構建名義數字孿生元模型； 步驟S15中包括以下步驟：步驟S151：將原始隨機森林模型不同參數進行組合；步驟S152：利用貝葉斯優化超參數方法對原始隨機森林中的參數進行優化； 步驟S151：將原始隨機森林模型不同參數進行組合； 使用PythonSciKit-learn學習模塊中的隨機森林模型設置參數并不斷調整組合，利用高斯過程實現原始隨機森林模型不同參數的組合過程，任意有限個樣本的線性組合表示為聯合高斯分布，如式5所示： fx～gpmx,wx,x′5 其中，fx為聯合高斯分布輸出；mx＝Efx為fx數學期望；wx，x′為x的協方差函數；gp為高斯過程； 將數據輸入高斯模型，得到其均值和方差，構造出函數的高斯分布；通過增加數據量，縮小預測分布與真實分布之間的差距； 步驟S152：利用貝葉斯優化超參數方法對原始隨機森林中的參數進行優化；步驟S152包括S1521-S1524； S1521為：在隨機森林超參數個數范圍內，隨機生成初始化參數，并將初始化參數輸入到高斯模型中，然后將測試樣本輸入擬合模型，得到模型輸出，然后對模型輸出進行修改，使模型更接近函數的真實分布； S1522為：利用提取函數從修正后的高斯模型中提取出下一步需要評估的參數組合點； S1523為：當參數組合誤差滿足目標精度要求時，算法結束并退出，輸出適當的參數組合和模型的預測誤差xi,fxi； S1524為：如果fx不滿足預定的精度要求，則在高斯模型中加入xi,fxi進行更改，然后重復S1522和S1523，直到滿足預定的精度要求；使用均方誤差MSE、平均絕對誤差MAE和決定系數R2評估元模型的正確性，如式6-8所示； 其中：為測試集的實際值減去預測值；m為測試樣本的個數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人西南交通大學，其通訊地址為：610031 四川省成都市二環路北一段；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。