本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，特別涉及基于機(jī)器學(xué)習(xí)的數(shù)字孿生動態(tài)優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、數(shù)字孿生技術(shù)是一種基于物理模型、傳感器更新、歷史和實(shí)時數(shù)據(jù)的集成，將物理世界與虛擬世界緊密連接起來的技術(shù)。簡單來說，數(shù)字孿生技術(shù)是通過收集各種數(shù)據(jù)，構(gòu)建實(shí)體的虛擬模型，可以在虛擬環(huán)境中模擬、預(yù)測和優(yōu)化現(xiàn)實(shí)世界中的各種情況。數(shù)字孿生技術(shù)在智能制造領(lǐng)域的應(yīng)用包括：生產(chǎn)流程優(yōu)化，數(shù)字孿生技術(shù)可以通過構(gòu)建生產(chǎn)線的虛擬模型，模擬生產(chǎn)流程中的各個環(huán)節(jié)，找到生產(chǎn)流程中的瓶頸和問題，優(yōu)化生產(chǎn)流程，提高生產(chǎn)效率；產(chǎn)品質(zhì)量提升，數(shù)字孿生技術(shù)可以通過構(gòu)建產(chǎn)品的虛擬模型，模擬產(chǎn)品的各種性能和參數(shù)，預(yù)測產(chǎn)品可能存在的質(zhì)量問題，提前進(jìn)行改進(jìn)和優(yōu)化，提高產(chǎn)品質(zhì)量；設(shè)備維護(hù)和故障預(yù)測，數(shù)字孿生技術(shù)可以通過收集設(shè)備的各種數(shù)據(jù)，構(gòu)建設(shè)備的虛擬模型，預(yù)測設(shè)備可能出現(xiàn)的故障和問題，提前進(jìn)行維修和更換，減少設(shè)備停機(jī)時間，降低生產(chǎn)成本；生產(chǎn)計劃優(yōu)化，數(shù)字孿生技術(shù)可以通過構(gòu)建生產(chǎn)計劃的虛擬模型，模擬生產(chǎn)計劃中的各個環(huán)節(jié)，預(yù)測可能出現(xiàn)的問題和風(fēng)險，優(yōu)化生產(chǎn)計劃，提高生產(chǎn)計劃的準(zhǔn)確性和可行性。

2、在數(shù)字孿生技術(shù)的發(fā)展過程中，傳統(tǒng)的靜態(tài)網(wǎng)絡(luò)結(jié)構(gòu)無法有效應(yīng)對實(shí)時數(shù)據(jù)流和復(fù)雜多變的任務(wù)要求，在處理實(shí)時數(shù)據(jù)和進(jìn)行模型自適應(yīng)調(diào)整方面存在局限性，如無法準(zhǔn)確預(yù)測系統(tǒng)未來狀態(tài)、模型調(diào)整過程需要大量的人工干預(yù)等。這些問題限制了數(shù)字孿生技術(shù)的應(yīng)用范圍和效能。

3、因此，需要提供基于機(jī)器學(xué)習(xí)的數(shù)字孿生動態(tài)優(yōu)化方法及系統(tǒng)，用于實(shí)現(xiàn)數(shù)字孿生模型結(jié)構(gòu)的自動優(yōu)化，以提高數(shù)字孿生模型的性能。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供基于機(jī)器學(xué)習(xí)的數(shù)字孿生動態(tài)優(yōu)化方法，包括：獲取制造環(huán)境的實(shí)時數(shù)據(jù)流；獲取數(shù)字孿生模型的實(shí)時性能數(shù)據(jù)；獲取所述數(shù)字孿生模型的實(shí)時任務(wù)要求；基于所述制造環(huán)境的實(shí)時數(shù)據(jù)流、數(shù)字孿生模型的實(shí)時性能數(shù)據(jù)或數(shù)字孿生模型的實(shí)時任務(wù)要求，判斷是否調(diào)整所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)；當(dāng)判定調(diào)整所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)時，對所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化；對結(jié)構(gòu)優(yōu)化后的數(shù)字孿生模型進(jìn)行參數(shù)更新。

2、進(jìn)一步地，基于所述制造環(huán)境的實(shí)時數(shù)據(jù)流、數(shù)字孿生模型的實(shí)時性能數(shù)據(jù)或數(shù)字孿生模型的實(shí)時任務(wù)要求，判斷是否調(diào)整所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)，包括：基于所述制造環(huán)境的實(shí)時數(shù)據(jù)流和所述數(shù)字孿生模型的歷史預(yù)測數(shù)據(jù)，確定所述數(shù)字孿生模型的預(yù)測準(zhǔn)確度，當(dāng)所述數(shù)字孿生模型的預(yù)測準(zhǔn)確度小于預(yù)設(shè)預(yù)測準(zhǔn)確度閾值時，判定調(diào)整所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)。

3、進(jìn)一步地，對所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，包括：當(dāng)所述數(shù)字孿生模型的預(yù)測準(zhǔn)確度小于預(yù)設(shè)預(yù)測準(zhǔn)確度閾值時，基于q學(xué)習(xí)算法對所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。

4、進(jìn)一步地，所述q學(xué)習(xí)算法的獎勵函數(shù)為：其中，q(s,a)為在狀態(tài)s下采取行動a的預(yù)期效用，q(s′,a′)為在狀態(tài)s′下采取行動a′的預(yù)期效用，s′為是采取行動后的新狀態(tài)，a′為在狀態(tài)s′下對所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化的動作，α為學(xué)習(xí)率，r為立即獎勵，γ為未來獎勵的折扣因子，對所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化的動作包括改變神經(jīng)網(wǎng)絡(luò)層的層數(shù)、改變神經(jīng)網(wǎng)絡(luò)層中的神經(jīng)元數(shù)量、改變神經(jīng)元之間的連接、改變神經(jīng)網(wǎng)絡(luò)層中的激活函數(shù)中至少一種。

5、進(jìn)一步地，基于所述制造環(huán)境的實(shí)時數(shù)據(jù)流、數(shù)字孿生模型的實(shí)時性能數(shù)據(jù)或數(shù)字孿生模型的實(shí)時任務(wù)要求，判斷是否調(diào)整所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)，包括：計算所述制造環(huán)境的實(shí)時數(shù)據(jù)流和所述制造環(huán)境的歷史數(shù)據(jù)流的數(shù)據(jù)流相似度；當(dāng)所述數(shù)據(jù)流相似度小于預(yù)設(shè)數(shù)據(jù)流相似度閾值時，判定調(diào)整所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)。

6、進(jìn)一步地，對所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，包括：當(dāng)所述數(shù)據(jù)流相似度小于預(yù)設(shè)數(shù)據(jù)流相似度閾值時，基于進(jìn)化策略和強(qiáng)化學(xué)習(xí)算法，對所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。

7、進(jìn)一步地，基于所述制造環(huán)境的實(shí)時數(shù)據(jù)流、數(shù)字孿生模型的實(shí)時性能數(shù)據(jù)或數(shù)字孿生模型的實(shí)時任務(wù)要求，判斷是否調(diào)整所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)，包括：基于所述數(shù)字孿生模型的實(shí)時性能數(shù)據(jù)，確定所述數(shù)字孿生模型在多個目標(biāo)性能指標(biāo)的實(shí)時得分；判斷所述數(shù)字孿生模型在多個目標(biāo)性能指標(biāo)的實(shí)時得分是否滿足預(yù)設(shè)性能指標(biāo)要求，當(dāng)判定所述數(shù)字孿生模型在多個目標(biāo)性能指標(biāo)的實(shí)時得分不滿足預(yù)設(shè)性能指標(biāo)要求時，判定調(diào)整所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)，或，判斷所述數(shù)字孿生模型在多個目標(biāo)性能指標(biāo)的實(shí)時得分是否滿足所述數(shù)字孿生模型的實(shí)時任務(wù)要求對應(yīng)的任務(wù)性能要求，當(dāng)判定所述數(shù)字孿生模型在多個目標(biāo)性能指標(biāo)的實(shí)時得分不滿足所述數(shù)字孿生模型的實(shí)時任務(wù)要求對應(yīng)的任務(wù)性能要求時，判定調(diào)整所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)。

8、進(jìn)一步地，對所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，包括：當(dāng)所述數(shù)字孿生模型在多個目標(biāo)性能指標(biāo)的實(shí)時得分不滿足預(yù)設(shè)性能指標(biāo)要求時，基于深度確定性策略梯度算法，對所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。

9、進(jìn)一步地，對所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，包括：當(dāng)判定所述數(shù)字孿生模型在多個目標(biāo)性能指標(biāo)的實(shí)時得分不滿足所述數(shù)字孿生模型的實(shí)時任務(wù)要求對應(yīng)的任務(wù)性能要求時，運(yùn)用遺傳算法或粒子群優(yōu)化的進(jìn)化策略，基于所述制造環(huán)境的實(shí)時數(shù)據(jù)流和所述數(shù)字孿生模型的實(shí)時任務(wù)要求，對所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。

10、本發(fā)明提供基于機(jī)器學(xué)習(xí)的數(shù)字孿生動態(tài)優(yōu)化系統(tǒng)，包括：環(huán)境適應(yīng)性模塊，用于獲取制造環(huán)境的實(shí)時數(shù)據(jù)流；性能監(jiān)測模塊，用于獲取數(shù)字孿生模型的實(shí)時性能數(shù)據(jù)；任務(wù)解析模塊，用于獲取所述數(shù)字孿生模型的實(shí)時任務(wù)要求；優(yōu)化判斷模塊，用于基于所述制造環(huán)境的實(shí)時數(shù)據(jù)流、數(shù)字孿生模型的實(shí)時性能數(shù)據(jù)或數(shù)字孿生模型的實(shí)時任務(wù)要求，判斷是否調(diào)整所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)；結(jié)構(gòu)搜索與優(yōu)化模塊，用于當(dāng)判定調(diào)整所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)時，對所述數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化；模型重訓(xùn)練模塊，用于對結(jié)構(gòu)優(yōu)化后的數(shù)字孿生模型進(jìn)行參數(shù)更新。

11、本發(fā)明提供計算機(jī)設(shè)備，包括存儲器及處理器，所述存儲器中儲存有計算機(jī)可讀指令，所述指令被所述處理器執(zhí)行時，使得所述處理器執(zhí)行上述的基于機(jī)器學(xué)習(xí)的數(shù)字孿生動態(tài)優(yōu)化方法。

12、本發(fā)明提供一個或多個包含計算機(jī)可執(zhí)行指令的非易失性計算機(jī)可讀存儲介質(zhì)，當(dāng)所述計算機(jī)可執(zhí)行指令被一個或多個處理器執(zhí)行時，使得所述處理器執(zhí)行上述基于機(jī)器學(xué)習(xí)的數(shù)字孿生動態(tài)優(yōu)化方法。

13、相比于現(xiàn)有技術(shù)，本發(fā)明提供的基于機(jī)器學(xué)習(xí)的數(shù)字孿生動態(tài)優(yōu)化方法及系統(tǒng)，至少具備以下有益效果：

14、通過獲取制造環(huán)境的實(shí)時數(shù)據(jù)流、數(shù)字孿生模型的實(shí)時性能數(shù)據(jù)或數(shù)字孿生模型的實(shí)時任務(wù)要求，從多個角度更加全面地判斷是否需要調(diào)整數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)一步的，對數(shù)字孿生模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，不僅涉及對網(wǎng)絡(luò)層數(shù)的增減，即調(diào)整網(wǎng)絡(luò)的深度，以適應(yīng)不同復(fù)雜性的任務(wù)需求，還包括對每一層內(nèi)部的細(xì)節(jié)進(jìn)行微調(diào)，例如改變激活函數(shù)或調(diào)整神經(jīng)元的數(shù)量，即調(diào)整網(wǎng)絡(luò)的寬度，這種多層次的調(diào)整方法允許數(shù)字孿生模型在保持足夠的適應(yīng)性的同時，避免不必要的計算開銷，通過機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)數(shù)字孿生模型結(jié)構(gòu)的自動優(yōu)化，以提高數(shù)字孿生模型的性能，例如，實(shí)時性能和預(yù)測精度等。