基于机器学习的数字孪生动态优化方法及系统与流程

本发明涉及数据处理领域，特别涉及基于机器学习的数字孪生动态优化方法及系统。

背景技术：

1、数字孪生技术是一种基于物理模型、传感器更新、历史和实时数据的集成，将物理世界与虚拟世界紧密连接起来的技术。简单来说，数字孪生技术是通过收集各种数据，构建实体的虚拟模型，可以在虚拟环境中模拟、预测和优化现实世界中的各种情况。数字孪生技术在智能制造领域的应用包括：生产流程优化，数字孪生技术可以通过构建生产线的虚拟模型，模拟生产流程中的各个环节，找到生产流程中的瓶颈和问题，优化生产流程，提高生产效率；产品质量提升，数字孪生技术可以通过构建产品的虚拟模型，模拟产品的各种性能和参数，预测产品可能存在的质量问题，提前进行改进和优化，提高产品质量；设备维护和故障预测，数字孪生技术可以通过收集设备的各种数据，构建设备的虚拟模型，预测设备可能出现的故障和问题，提前进行维修和更换，减少设备停机时间，降低生产成本；生产计划优化，数字孪生技术可以通过构建生产计划的虚拟模型，模拟生产计划中的各个环节，预测可能出现的问题和风险，优化生产计划，提高生产计划的准确性和可行性。

2、在数字孪生技术的发展过程中，传统的静态网络结构无法有效应对实时数据流和复杂多变的任务要求，在处理实时数据和进行模型自适应调整方面存在局限性，如无法准确预测系统未来状态、模型调整过程需要大量的人工干预等。这些问题限制了数字孪生技术的应用范围和效能。

3、因此，需要提供基于机器学习的数字孪生动态优化方法及系统，用于实现数字孪生模型结构的自动优化，以提高数字孪生模型的性能。

技术实现思路

1、本发明提供基于机器学习的数字孪生动态优化方法，包括：获取制造环境的实时数据流；获取数字孪生模型的实时性能数据；获取所述数字孪生模型的实时任务要求；基于所述制造环境的实时数据流、数字孪生模型的实时性能数据或数字孪生模型的实时任务要求，判断是否调整所述数字孪生模型的网络结构；当判定调整所述数字孪生模型的网络结构时，对所述数字孪生模型的网络结构进行优化；对结构优化后的数字孪生模型进行参数更新。

2、进一步地，基于所述制造环境的实时数据流、数字孪生模型的实时性能数据或数字孪生模型的实时任务要求，判断是否调整所述数字孪生模型的网络结构，包括：基于所述制造环境的实时数据流和所述数字孪生模型的历史预测数据，确定所述数字孪生模型的预测准确度，当所述数字孪生模型的预测准确度小于预设预测准确度阈值时，判定调整所述数字孪生模型的网络结构。

3、进一步地，对所述数字孪生模型的网络结构进行优化，包括：当所述数字孪生模型的预测准确度小于预设预测准确度阈值时，基于q学习算法对所述数字孪生模型的网络结构进行优化。

4、进一步地，所述q学习算法的奖励函数为：其中，q(s,a)为在状态s下采取行动a的预期效用，q(s′,a′)为在状态s′下采取行动a′的预期效用，s′为是采取行动后的新状态，a′为在状态s′下对所述数字孪生模型的网络结构进行优化的动作，α为学习率，r为立即奖励，γ为未来奖励的折扣因子，对所述数字孪生模型的网络结构进行优化的动作包括改变神经网络层的层数、改变神经网络层中的神经元数量、改变神经元之间的连接、改变神经网络层中的激活函数中至少一种。

5、进一步地，基于所述制造环境的实时数据流、数字孪生模型的实时性能数据或数字孪生模型的实时任务要求，判断是否调整所述数字孪生模型的网络结构，包括：计算所述制造环境的实时数据流和所述制造环境的历史数据流的数据流相似度；当所述数据流相似度小于预设数据流相似度阈值时，判定调整所述数字孪生模型的网络结构。

6、进一步地，对所述数字孪生模型的网络结构进行优化，包括：当所述数据流相似度小于预设数据流相似度阈值时，基于进化策略和强化学习算法，对所述数字孪生模型的网络结构进行优化。

7、进一步地，基于所述制造环境的实时数据流、数字孪生模型的实时性能数据或数字孪生模型的实时任务要求，判断是否调整所述数字孪生模型的网络结构，包括：基于所述数字孪生模型的实时性能数据，确定所述数字孪生模型在多个目标性能指标的实时得分；判断所述数字孪生模型在多个目标性能指标的实时得分是否满足预设性能指标要求，当判定所述数字孪生模型在多个目标性能指标的实时得分不满足预设性能指标要求时，判定调整所述数字孪生模型的网络结构，或，判断所述数字孪生模型在多个目标性能指标的实时得分是否满足所述数字孪生模型的实时任务要求对应的任务性能要求，当判定所述数字孪生模型在多个目标性能指标的实时得分不满足所述数字孪生模型的实时任务要求对应的任务性能要求时，判定调整所述数字孪生模型的网络结构。

8、进一步地，对所述数字孪生模型的网络结构进行优化，包括：当所述数字孪生模型在多个目标性能指标的实时得分不满足预设性能指标要求时，基于深度确定性策略梯度算法，对所述数字孪生模型的网络结构进行优化。

9、进一步地，对所述数字孪生模型的网络结构进行优化，包括：当判定所述数字孪生模型在多个目标性能指标的实时得分不满足所述数字孪生模型的实时任务要求对应的任务性能要求时，运用遗传算法或粒子群优化的进化策略，基于所述制造环境的实时数据流和所述数字孪生模型的实时任务要求，对所述数字孪生模型的网络结构进行优化。

10、本发明提供基于机器学习的数字孪生动态优化系统，包括：环境适应性模块，用于获取制造环境的实时数据流；性能监测模块，用于获取数字孪生模型的实时性能数据；任务解析模块，用于获取所述数字孪生模型的实时任务要求；优化判断模块，用于基于所述制造环境的实时数据流、数字孪生模型的实时性能数据或数字孪生模型的实时任务要求，判断是否调整所述数字孪生模型的网络结构；结构搜索与优化模块，用于当判定调整所述数字孪生模型的网络结构时，对所述数字孪生模型的网络结构进行优化；模型重训练模块，用于对结构优化后的数字孪生模型进行参数更新。

11、本发明提供计算机设备，包括存储器及处理器，所述存储器中储存有计算机可读指令，所述指令被所述处理器执行时，使得所述处理器执行上述的基于机器学习的数字孪生动态优化方法。

12、本发明提供一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行上述基于机器学习的数字孪生动态优化方法。

13、相比于现有技术，本发明提供的基于机器学习的数字孪生动态优化方法及系统，至少具备以下有益效果：

14、通过获取制造环境的实时数据流、数字孪生模型的实时性能数据或数字孪生模型的实时任务要求，从多个角度更加全面地判断是否需要调整数字孪生模型的网络结构，进一步的，对数字孪生模型的网络结构进行优化，不仅涉及对网络层数的增减，即调整网络的深度，以适应不同复杂性的任务需求，还包括对每一层内部的细节进行微调，例如改变激活函数或调整神经元的数量，即调整网络的宽度，这种多层次的调整方法允许数字孪生模型在保持足够的适应性的同时，避免不必要的计算开销，通过机器学习算法实现数字孪生模型结构的自动优化，以提高数字孪生模型的性能，例如，实时性能和预测精度等。