买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西南交通大学申请的专利一种基于名义数字孪生的下一代产品设计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115906661B 。

龙图腾网通过国家知识产权局官网在2025-08-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211668930.5，技术领域涉及：G06F30/27；该发明授权一种基于名义数字孪生的下一代产品设计方法是由张海柱;黎荣;丁国富;郑庆;汪豪;傅扬原设计研发完成，并于2022-12-23向国家知识产权局提交的专利申请。

本一种基于名义数字孪生的下一代产品设计方法在说明书摘要公布了：本发明提出了一种基于名义数字孪生的下一代产品设计方法。名义数字孪生在这里首次被定义为与使用中的多个物理产品对应的多个独立数字孪生的合成数字孪生。名义数字孪生不仅可以从一个正在使用的产品的数据和信息中建立一个更精确的近似模型，而且可以从多个物理产品在物理世界的广泛应用场景下的性能和行为中建立一个更精确的模型。该模型可以建立一个基于贝叶斯优化的随机森林元模型。这个更好的模型，可以在名义数字孪生上通过多目标优化，协同探索下一代产品设计和改进的最优设计方案，通过综合信息更好地了解当前使用的产品，从而使下一代产品设计更具适应性。

本发明授权一种基于名义数字孪生的下一代产品设计方法在权利要求书中公布了：1.一种基于名义数字孪生的下一代产品设计方法，其特征在于：包括以下步骤： 步骤S1：构建名义数字孪生模型；步骤S2：构建基于名义数字孪生的逆向优化设计模型； 其中，步骤S1中包括以下步骤： 步骤S11：建立产品行为模型；步骤S12：建立正逆向设计组合方法；步骤S13：建立多实例产品的元模型；步骤S14：建立原始随机森林模型；步骤S15：基于贝叶斯优化超参数方法构建名义数字孪生元模型； 其中，步骤S2中包括以下步骤： 步骤S21：建立可解多目标优化数学模型；步骤S22：建立多目标优化数学问题模型；步骤S23：基于名义数字孪生的逆向优化设计模型生成下一代产品设计参数并验证； 其中，步骤S11：建立产品行为模型； 建立DMU正向设计模型如公式1所示： Y＝fX，Q1 其中，系统响应Y＝y1，y2，…，yl为产品最初的设计指标；Q＝q1，q2，…，qm为系统状态参数；X＝x1，x2，...，xn为系统设计变量； 系统设计变量最优值X*基于Q的输入得到，期望输出Yexpected由系统设计变量最优值X*得到； 基于正向设计模型，产品数字孪生模型捕获在物理世界中与产品相关的各种不确定性，结合制造误差的不确定性ε影响，产品设计模型形成d个物理产品实例；建立产品行为模型如公式2所示： 其中，Yd为第d个产品实例的产品设计指标实际输出响应；fXd，Qd为第d个产品实例的产品设计指标最初系统响应；εd为第d个产品实例的不确定性影响值；X、Q、Y之间的映射关系通过基于机器学习的元模型来描述； 步骤S12：建立正逆向设计组合方法； 步骤S12包括： 步骤S121：对产品操作数据进行挖掘；步骤S122：形成设计决策闭环； 其中，步骤S121：对产品操作数据进行挖掘； 在产品操作数据中挖掘生成与产品设计变量X的实际系统响应Yactual对应的实际系统使用信息，使实际系统响应与产品设计相对应； 步骤S122：形成设计决策闭环； 在遵循正向设计过程的同时，逆向设计对正向设计施加了一个反馈回路；利用实际系统响应Yactual与系统设计变量最优值X*的反比关系，得出最优系统参数设置Q*；将Q*|Yactual带回正向设计过程中取代原始假设，即Q*→Qassumed，形成设计决策闭环，形成专门针对个别用户个性化需求的改进设计； 步骤S13：建立多实例产品的元模型； 针对多实例产品在使用时实际设计参数Xd的不断变化，将单个产品的实际设计参数Xd表示为多个数字孪生的向量，将单个产品的实际系统参数Qd也表示为多个数字孪生的向量，然后基于各实例的实际设计参数向量Xdactual＝xd1,xd2,……,xdn和实际系统参数向量Qdactual＝qd1,qd2,……,qdm，分别得出各实例最优设计的相应设计输出，建立关系元模型如公式3所示： 其中，DTd为第d个实例产品的数字孪生模型；Ydactual为第d个实例产品的实际行为模型输出值；fXdactual，Qdactual为实际系统响应；εd为第d个实例产品对应的制造误差因素导致的不确定性影响值； 步骤S14：建立原始随机森林模型； 基于建立的多实例产品的元模型，首先进行数据采样，得到建立各个决策树的训练集；然后，基于CART节点分割算法构建决策树，并将多个决策树构成一个随机森林模型；最后，求解所有决策树的预测值的平均值，将其作为随机森林模型的预测值；对于回归问题，将k个决策树的结果的平均值计算为最终结果，其表达式为公式4： 其中，k为随机森林模型中决策树的数量；Tix为随机森林中第i棵决策树的结果；Rx为k个决策树的结果的平均值输出； 步骤S15：基于贝叶斯优化超参数方法构建名义数字孪生元模型； 步骤S15中包括以下步骤：步骤S151：将原始随机森林模型不同参数进行组合；步骤S152：利用贝叶斯优化超参数方法对原始随机森林中的参数进行优化； 步骤S151：将原始随机森林模型不同参数进行组合； 使用PythonSciKit-learn学习模块中的随机森林模型设置参数并不断调整组合，利用高斯过程实现原始随机森林模型不同参数的组合过程，任意有限个样本的线性组合表示为联合高斯分布，如式5所示： fx～gpmx,wx,x′5 其中，fx为联合高斯分布输出；mx＝Efx为fx数学期望；wx，x′为x的协方差函数；gp为高斯过程； 将数据输入高斯模型，得到其均值和方差，构造出函数的高斯分布；通过增加数据量，缩小预测分布与真实分布之间的差距； 步骤S152：利用贝叶斯优化超参数方法对原始随机森林中的参数进行优化；步骤S152包括S1521-S1524； S1521为：在随机森林超参数个数范围内，随机生成初始化参数，并将初始化参数输入到高斯模型中，然后将测试样本输入拟合模型，得到模型输出，然后对模型输出进行修改，使模型更接近函数的真实分布； S1522为：利用提取函数从修正后的高斯模型中提取出下一步需要评估的参数组合点； S1523为：当参数组合误差满足目标精度要求时，算法结束并退出，输出适当的参数组合和模型的预测误差xi,fxi； S1524为：如果fx不满足预定的精度要求，则在高斯模型中加入xi,fxi进行更改，然后重复S1522和S1523，直到满足预定的精度要求；使用均方误差MSE、平均绝对误差MAE和决定系数R2评估元模型的正确性，如式6-8所示； 其中：为测试集的实际值减去预测值；m为测试样本的个数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西南交通大学，其通讯地址为：610031 四川省成都市二环路北一段；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。