数字孪生技术与工程实践 PPT课件第6章 数字孪生的智能化应用.pptx
- 文档编号:171515
- 上传时间:2022-10-05
- 格式:PPTX
- 页数:33
- 大小:3.54MB
数字孪生技术与工程实践 PPT课件第6章 数字孪生的智能化应用.pptx
《数字孪生技术与工程实践 PPT课件第6章 数字孪生的智能化应用.pptx》由会员分享,可在线阅读,更多相关《数字孪生技术与工程实践 PPT课件第6章 数字孪生的智能化应用.pptx(33页珍藏版)》请在冰豆网上搜索。
,数字孪生技术与工程实践第6章数字孪生的智能化应用,数字孪生技术与工程实践,引言在SIGGRAPH2021上,英伟达(Nvidia)公司通过一部纪录片自曝:
在2021年4月举办的“英伟达GTC(图形技术大会)发布会”内藏玄机,他们构建了一个英伟达首席执行官兼创始人黄仁勋(老黄)的“数字孪生体”,出现在视频发布会的部分环节中。
数字孪生不但可以是真实物理世界的孪生,还可以是“虚拟物理”的孪生,也就是说,可以是满足物理规律的“另一个世界”的构建。
而利用这个“另一个世界”,可以完成许多真实物理世界中不能完成的工作,或者可以更好地完成这些工作。
中科院的王飞跃研究员提出的“平行宇宙”、当下热门的“元宇宙”就是和这个类似的概念。
基于数字孪生的智能化应用,可以从模型和数据相结合的优化入手来考虑。
传统的基于模型的或者说基于知识的优化,在面向复杂大系统或者巨系统的情况,可能会遇到效率不高、难以实现等问题;而单纯基于数据的优化,在工业、建筑业等已经拥有大量机理模型和物理、化学等演变规律知识的学科与行业中,往往事倍功半,容易在数据中迷失方向。
数字孪生的优势,在于基于模型和知识,结合实际系统中采集的数据,融合后进行优化,充分发挥模型和数据各自的优势。
数字孪生技术与工程实践,目录,知识及其表达模型和数据双驱动的优化基于数字孪生的机器学习基于数字孪生的装配优化基于数字孪生的设备维护,数字孪生技术与工程实践,6.1知识及其表达,数字孪生技术与工程实践,模型和知识,模型是对现实系统有关结构信息和行为的某种形式的描述,是对系统的特征与变化规律的一种定量抽象,是人们认识事物的一种手段或工具。
对于“基于模型”说法中的“模型”一词,是知识的一种体现,通过模型,科学家/工程师把隐性知识表达成显示知识(如数学模型),或者把隐藏在物理系统中的运行规律用另外一种计算机可以模拟的方式表达出来(如仿真模型)。
从这个意义上说,“基于模型的方法”和“基于知识的方法”可以是类似的概念。
知识工程中的形式化模型,包括知识表示模型、知识推理模型,这些模型表述了知识如何在计算机中存储以及计算机如何处理应用知识。
在数字孪生应用中,以知识工程的知识模型管理框架结合数据智能方法,能很好地构建起“模型+数据”驱动的优化应用系统架构。
数字孪生技术与工程实践,数据和知识,数据(Data)数据是世界的度量和表示,是外部世界中客观事物的符合记录,一般指没有特定时间、空间背景和意义的数字、文字、图像或声音等。
外部客观世界中的原始资料可以称为数据,其存在不依赖于人类对它是否认知。
信息(Information)数据的关联将产生信息,信息是对数据赋予含义而生成的,是具有特定含义的彼此有关联的数据。
信息来源于数据并高于数据。
从数学的观点看,信息是用来消除不确定的一个物理量。
知识(Knowledge)信息的关联将产生知识,知识是对信息进行加工而形成的,是结构化的、具有指导意义的信息。
人们头脑中数据与信息、信息与信息在行动中的应用之间所建立的有意义的联系,体现了知识的本质、原则和经验。
智能/智慧(Intelligent/Wisdom)智能是理解知识、应用知识处理问题的能力,表现在知识与知识的关联上,即运用已有的知识,针对物质世界发展过程中产生的问题,根据获得的知识和信息进行分析、对比,演绎出解决方案的能力。
数字孪生技术与工程实践,知识表示,利用计算机表示、存储、处理数据的优势,知识表示是借助计算机能够接收处理的符号和方式,把人在客观世界中所接收的知识进行转换。
任何一种表示方式都是一种数据结构,同时把数据结构与人类知识联系起来。
人类知识的结构及机制决定了知识表示方式。
知识表示要选择适合的方式表达知识,即找准知识与表示之间的对应关系。
知识表示的目的就是:
基于知识的准确表示,智能算法程序能利用其知识表示作出对应的决策,制定相关计划,判别状况和识别对象,分析目标物体,获得结果等,数字孪生技术与工程实践,典型的知识表示方法
(1),一阶谓词逻辑表示法一阶谓词逻辑是目前最精确地表达人类思维和推理的的方法之一,它基于数理逻辑,借助计算机进行精确运算(推演)。
因为人类自然语言与其表现方式大致相同,所以,人们易于接受将逻辑当作知识表示工具。
框架表示法框架是一种表示和组织知识的数据结构。
它由框架名和描述框架各方面性质的槽构成。
语义网络一个语义网络即一个带标识的有向图,其中问题领域中的物体、概念、事件、动作等通过带有标识的结点表示,结点之间的有向弧标识用来表达他们之间的语义联系。
产生式表示法基于人类大脑记忆模式中的不同知识块之间存在的因果关系,以“IF-THEN”的形式,即产生式规则来表示。
数字孪生技术与工程实践,典型的知识表示方法
(2),基于神经网络的知识表示在学习过程中,人工神经网络将其所获得的知识,分布式地存储于节点间的权重和偏置系数之中,有效提升网络的鲁棒性和容错性;而在模式识别易受噪声干扰并且模式的部分损失较大,因此网络的这一特点是成功解决模式匹配的重要因素之一。
基于本体的知识表示法通过将现实世界中的某个应用领域抽象或概括成一组概念和概念之间的关系,并在该区域中构建本体,可以大大促进该区域中的计算机信息处理。
知识工程领域对本体的研究主要集中在两个方面:
领域本体库的构建和本体的表示。
知识地图知识地图是用来整理个人或组织所拥有的知识项目及其访问地址的工具,以便用户能快速定位到其所需要的知识,“按图索骥”地寻找知识来源。
知识图谱知识图谱试图用实体及实体间的关系来解读各种知识和用户需求,并以此实现知识和用户的更好匹配。
根据知识数据的来源和图谱应用的领域,可以将其分为通用知识图谱和行业知识图谱。
数字孪生技术与工程实践,知识推理,推理一般是指这样一个过程,通过对事物进行分解、分析,再进行综合,然后做出决策,这个过程往往是从事实开始,运用已经掌握的知识,找出其中隐含的事实或总结出新的知识。
在智能系统中,推理通常是由一组程序来实现的,一般把这一组用来控制计算机实现推理的程序称为推理机。
推理方法是解决在推理的过程中推理前提和推理结论的逻辑关系问题,包括确定性的以及不确定性的传递问题。
按推理过程的单调性分类,推理可分为单调推理与非单调推理,这是根据推理过程所得出的结论是否越来越接近目标来区分的;按推理的逻辑基础分类,常用的推理方法可分为归纳推理、演绎推理和类比推理;根据推理过程所应用知识的确定性,推理可以分为确定性推理和不确定性推理。
推理的常用方法有逻辑推理(包括命题逻辑、谓词逻辑)、基于规则的推理、基于案例的推理、基于模型的推理等方法。
数字孪生技术与工程实践,6.2模型和数据双驱动的优化,数字孪生技术与工程实践,模型驱动和数据驱动的方法,模型(或者说知识)驱动方法与数据驱动方法是指导工程人员研究工程系统的两大方法论。
数据驱动方法与模型驱动方法本质上都源于对人类知识的总结和扩展,都具有一定的数学理论基础。
数据驱动方法(Data-drivenMethod)能够将数据样本转化为经验模型(Experience-basedModel),模型驱动方法(Model-drivenMethod)通常以机理模型(Model-driven/Physics-basedModel)或者知识规则(Rule-basedModel)的形式展现。
数字孪生技术与工程实践,模型驱动方法,在工程应用中,模型驱动的方法已经证明了其指导实际应用系统的有效性模型驱动方法有助于辨明问题起源、认识问题机理、提取普适规则、实施控制决策,并且能够在应用场景发生变化时,通过模型细化或参数修改等方式扩展,以增强模型适应性。
对于大多数工程系统(如机电液设备、电子电路、过程控制系统等),系统的运行机理和结构较为清晰,因此通常采用机理建模的方式建立白箱模型,基于系统的运行原理对系统进行刻画。
模型驱动方法能够对研究问题整体考虑,以具体的机理模型或者相关的规则描述研究对象的特性,有助于寻找问题本质和开发新理论。
但模型驱动方法也面临诸多问题,如模型误差难以避免、模型难以清晰表达、计算难度大、模型复杂度与准确度矛盾等等,限制了物理机理方法在实际系统工程应用中的实施效果。
现实世界中的许多系统,其机理至今仍不甚清楚。
数字孪生技术与工程实践,数据驱动方法,随着新一代信息技术和人工智能技术的发展,推动了数据驱动方法在工程系统中的应用。
数据驱动方法以数据构建模型,包括统计分析方法、人工智能方法等数据驱动方法的性能高度依赖于数据规模和质量,而获取实际工程系统全面且合格的数据往往代价高昂数据驱动方法摒弃了对研究对象内部机理的严格分析,以大量的试验及测试数据为基础,通过不同的数据处理算法(或标准的处理流程),分析数据之间的关联关系,生成经验模型。
其特点在于以数据样本为基础提取变量间的关联关系,其中数据关联关系存在一定的模糊性,且普适性不及模型驱动方法对于很多复杂系统,特别是包含人的一些系统(如社会系统等),难以进行明确的数学、物理或化学机理描述,可采用数据收集和统计归纳的方法来建立模型。
近年来,随着大数据、人工智能技术的发展,上述方法中基于数据和统计的“黑箱”建模方法受到了越来越广泛的重视和应用。
数据建模也存在一定的问题。
首先,由于数据模型不依赖于系统机理,而是直接从数据集当中构建而来,当数据集对应的环境条件发生变化时,该数据模型将无法再适应环境,需要重新构建。
此外,如果将数据建模方法单纯作为一种黑箱建模方法,在不利用先验知识和系统机理下构建的模型通常精度有限。
数字孪生技术与工程实践,数据驱动和模型驱动的联合应用方式,在模型构建阶段,模型和数据双驱动建模融合方式一般被分成两大类,数据辅助机理建模和机理辅助数据建模。
在模型验证方法,基于模型的方法和基于数据的方法能相互协助,帮助在模型验证的过程中进行得更好。
在模型修正方面,机理模型可以指导基于数据的方法,进行数据采集方面的采集点配置以及优化,减少采集规模的盲目扩展;而基于数据的模型库,可以帮助机理模型进行参数调整和模型修正。
机理模型和数据驱动融合的建模方法具有以下三个优点:
可以将独立的预测方法取长补短;预测的准确性极大提高;降低计算复杂度及成本,数字孪生技术与工程实践,6.3基于数字孪生的机器学习,数字孪生技术与工程实践,基于模型的生成对抗网络,生成式对抗网络(GenerativeAdversarialNetworks,GAN)由一个生成器和一个判别器构成。
生成器捕捉真实数据样本的潜在分布,并生成新的数据样本;判别器是一个二分类器,判别输入是真实数据还是生成的样本。
GAN训练中真实的数据样本和生成的数据样本通过对抗网络互动,并且训练好的生成器能够生成比真实样本更多的虚拟样本。
GAN可以深化数字孪生系统的虚实互动、交互一体的理念。
GAN作为一种有效的生成式模型,可以融入到数字孪生的研究体系。
由于传感器的部署及物联网的发展限制,数字孪生系统无法获取到大量的、多种类的异构数据来构建超现实的虚拟场景。
这可以通过GAN来实现,GAN能够生成大规模多样性的场景数据集,与真实数据集结合起来构建虚拟模型并训练智能算法模型,有助于提高虚拟场景和智能算法模型的泛化能力。
数字孪生中的智能学习引擎可嵌入机器学习框架,通过“软件定义的数字孪生体”来生成人工数据,这些数据参与到计算实验和强化学习中,并且通过形成针对特定场合的小知识,用于智能控制中。
通过智能控制和协同学习结果,产生的原始数据,再进行评价和选择。
数字孪生技术与工程实践,迁移学习,机器学习的繁荣发展使得机器学习在越来越多场景下得以运用,但是机器学习中算法效果较好的有监督学习算法需要大量的有标签训练数据。
针对训练数据加标签的操作在数据量较少时还可以担负,在数据量庞大的情况下,枯燥繁琐的标签操作使得有监督学习在应用过程中受到限制。
在不同的领域中的对象一定程度上存在共有的特征,在应用这种特征过程中发展诞生了迁移学习技术迁移学习是一
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数字孪生技术与工程实践 PPT课件第6章 数字孪生的智能化应用 数字 孪生 技术 工程 实践 PPT 课件 智能化 应用