融合时序对抗生成网络的企业数字化发展路径仿真方法与流程
本发明涉及数字化仿真,具体涉及融合时序对抗生成网络的企业数字化发展路径仿真方法。
背景技术:
1、在产线等企业生产场景中,数字化发展路径的选择直接决定了转型投入的效能转化率。然而,企业数字化系统具有多子系统耦合、长时延效应显著、随机扰动源众多等复杂特性,其数字化方案对生产运行状态的影响呈现高度非线性、强时序依赖和工况敏感等特征。
2、然而,传统的基于解析模型的效能评估方法难以准确刻画数字化系统与物理生产系统之间的动态交互关系,单纯依赖历史运行数据进行经验复盘又面临样本稀缺、工况覆盖不足和反事实推理不可行等根本性困难。
技术实现思路
1、本发明提供了融合时序对抗生成网络的企业数字化发展路径仿真方法,解决了现有技术中单纯依赖机理仿真模型进行确定性预测,导致的不确定性和随机性表征不足的技术问题。
2、本发明提供了融合时序对抗生成网络的企业数字化发展路径仿真方法,所述方法包括:
3、根据目标生产场景,构建包含多种典型工况的数字化测试工况集;
4、获取待评估的数字化方案,根据所述数字化方案初始化预构建的机理仿真模型,并运行所述机理仿真模型对所述数字化测试工况集进行仿真分析,获取对应测试工况下的确定性基准预测序列;
5、分别以每一测试工况与所述数字化方案为条件输入,通过预训练完成的时序生成对抗网络的条件时序生成器,结合随机噪声采样策略生成对应测试工况下的残差预测序列;
6、以测试工况为索引,对应的进行所述确定性基准预测序列与各所述残差预测序列的逐时间步叠加,生成多条仿真轨迹;
7、基于全部测试工况的所述仿真轨迹进行统计分析,获取统计分布并对应提取评估指标,将所述评估指标与所述数字化方案关联输出为仿真结果。
8、优选地,根据目标生产场景构建,包含多种典型工况的数字化测试工况集,包括:
9、获取目标生产场景的历史运行数据,并对所述历史运行数据进行工况条件参数提取和统计分析,确定本源工况集;
10、获取与目标生产场景具有相同设备类型和相似工艺流程的多个同源生产场景的历史运行数据;
11、统计分析各工况在所述同源生产场景的历史运行数据中的再现率,筛选再现率位于前列的多个工况,确定同源工况集;
12、将所述本源工况集与所述同源工况集合并为数字化测试工况集,其中,所述同源工况集的工况数量为所述本源工况集工况数量的预设比例。
13、优选地,所述机理仿真模型的预构建,包括:
14、构建设备性能退化子模型、能耗预测子模型、故障率预测子模型、数据采集与通信子模型、生产排程子模型和维护策略子模型;
15、定义数字化参数至各子模型运行参数的映射关系,其中:
16、传感器配置参数映射至所述数据采集与通信子模型和所述能耗预测子模型;
17、边缘计算配置参数与数据采集配置参数映射至所述数据采集与通信子模型;
18、生产管理配置参数映射至所述生产排程子模型;
19、维护策略配置参数映射至所述维护策略子模型和所述故障率预测子模型;
20、按照工艺逻辑组装多个子模型,获取所述机理仿真模型,其中,各子模型的输出作为下游子模型的输入条件。
21、优选地,获取待评估的数字化方案,根据所述数字化方案初始化预构建的机理仿真模型,并运行所述机理仿真模型对所述数字化测试工况集进行仿真分析,获取对应测试工况下的确定性基准预测序列,包括:
22、获取待评估的数字化方案,从所述数字化方案中提取数字化参数,其中,所述数字化参数包括传感器配置参数、边缘计算配置参数、数据采集配置参数、生产管理配置参数和维护策略配置参数;
23、根据所述数字化参数,通过预定义的参数映射关系初始化设定所述机理仿真模型中各子模型的运行参数;
24、遍历所述数字化测试工况集中的各测试工况,将各测试工况对应的工况条件参数输入初始化后的机理仿真模型执行仿真分析;
25、从各测试工况的仿真分析结果中提取系统状态预测序列,构建为对应的确定性基准预测序列,并建立各确定性基准预测序列与对应的测试工况之间的关联标记。
26、优选地,所述时序生成对抗网络的预训练,包括:
27、获取经过数字化配置的多个同源生产场景在各自的历史运行状态数据、工况条件参数和数字化参数,构建训练样本集;
28、将所述训练样本集中的历史运行状态数据与所述机理仿真模型在对应工况条件参数和数字化参数下输出的确定性预测序列逐时间步相减,得到残差序列;
29、构建条件时序生成器,其中,所述条件时序生成器以随机采样噪声向量为随机输入,以工况条件参数和数字化参数为条件输入,基于循环神经网络以自回归方式逐时间步生成残差预测序列;
30、构建时序判别器,所述时序判别器用于区分真实的残差序列与所述残差预测序列;
31、以所述残差序列为训练目标,通过对抗训练优化所述条件时序生成器和所述时序判别器的网络参数;
32、其中,所述条件时序生成器的损失函数由对抗损失和物理约束正则化损失组成。
33、优选地,分别以每一测试工况与所述数字化方案为条件输入,通过预训练完成的时序生成对抗网络的条件时序生成器,结合随机噪声采样策略生成对应测试工况下的残差预测序列,包括:
34、根据目标生产场景的历史运行状态数据,计算每一测试工况对应的工况稳定性度量,其中,所述工况稳定性度量用于表征测试工况在历史运行状态数据中的波动程度;
35、根据各测试工况的所述工况稳定性度量,确定各测试工况对应的采样次数,其中,所述工况稳定性度量越低的测试工况对应越大的采样次数;
36、面向每一测试工况,以该测试工况的工况条件参数和所述数字化方案中提取的数字化参数为条件输入,以随机采样噪声向量为随机输入,输入所述时序生成对抗网络的所述条件时序生成器,获取对应的单条所述残差预测序列;
37、根据每一测试工况确定的采样次数,重复执行生成过程,得到每一测试工况下的多条所述残差预测序列。
38、优选地,基于全部测试工况的所述仿真轨迹进行统计分析,获取统计分布并对应提取评估指标,将所述评估指标与所述数字化方案关联输出为仿真结果,包括:
39、遍历每一测试工况,基于对应的多条所述仿真轨迹,计算系统状态指标的期望值和方差;
40、针对每一测试工况,基于对应的多条所述仿真轨迹,计算各系统状态指标在预设置信水平下的置信区间、各系统状态指标的观测值低于对应预设目标阈值的风险概率,输出为单项评估指标;
41、跨全部测试工况,分析获取各系统状态指标的跨工况平均值、跨工况波动度、各系统状态指标在全部测试工况中的最大风险概率,作为跨工况综合评估指标;
42、将各测试工况的所述单项评估指标和所述跨工况综合评估指标与所述数字化方案进行关联标记,输出为仿真结果。
43、优选地,所述时序生成对抗网络的预训练,还包括:
44、获取多个同源生产场景的历史运行状态数据、工况条件参数和数字化参数;
45、以各同源生产场景的工况条件参数为条件输入,在全部历史运行状态数据上执行对抗训练,完成源域预训练,得到源域预训练模型;
46、获取目标生产场景的历史运行状态数据,并以所述目标生产场景的工况条件参数为条件输入,以低于源域预训练的学习率对所述源域预训练模型中的条件时序生成器进行微调训练,得到目标域微调模型作为预训练完成的时序生成对抗网络。
47、优选地,融合时序对抗生成网络的企业数字化发展路径仿真方法,还包括:
48、构建综合评估目标函数,其中,所述综合评估目标函数以跨工况平均值、跨工况波动度和最大风险概率为自变量,以预设权重系数进行加权求和;
49、以所述综合评估目标函数为优化目标,以数字化参数的可行域为约束条件,通过迭代优化在可行域中搜索候选数字化参数;
50、基于所述候选数字化参数,构建候选数字化方案,重新获取确定性基准预测序列、残差预测序列,并进行逐时间步叠加和统计分析,直至所述综合评估目标函数满足收敛条件,输出对应的数字化参数、数字化方案及仿真结果。
51、本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
52、本发明提供了融合时序对抗生成网络的企业数字化发展路径仿真方法,首先,通过构建包含多种典型工况的数字化测试工况集并融合同源场景工况筛选策略,显著提升了仿真验证的工况覆盖度和代表性,使评估结果对不同生产场景具有泛化迁移能力。其次,将机理仿真模型输出的确定性基准预测与预训练时序生成对抗网络的条件时序生成器输出的残差预测序列进行逐时间步叠加,既保留了机理模型的物理一致性约束,又通过对抗训练从历史运行状态数据中习得了残差的高阶时序依赖和工况条件异质性分布特征,使生成的仿真轨迹在统计分布层面逼真还原真实生产日志的随机波动特性。再次,基于多条仿真轨迹的统计分布提取包含期望值、方差、置信区间和风险概率在内的多层次评估指标,为跨工况综合评估提供了量化依据,有效支撑了数字化参数的迭代搜索和最优化决策。最终,实现数字化发展路径仿真验证,在保持物理可信度的同时提升不确定性精度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com