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！

龙图腾网获悉南京航空航天大学;南京长江工业技术研究院有限公司申请的专利一种基于数字孪生技术的预测方法、装置及系统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：CN118014143B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202410180797.1，技术领域涉及：G06Q10/04；该发明授权一种基于数字孪生技术的预测方法、装置及系统是由单忠德;单鹏飞;汪俊设计研发完成，并于2024-02-18向国家知识产权局提交的专利申请。

本一种基于数字孪生技术的预测方法、装置及系统在说明书摘要公布了：本发明公开了一种基于数字孪生技术的预测方法、装置及系统，属于复杂薄壁构件质量预测领域，方法包括：获取多工序多工艺复杂薄壁构件制造过程的整体加工数据并存储进行预处理；将采集到的一维多尺度序列数据集转化为二维相同尺度空间下的空间数据后进行空间灰度映射转化成灰度特征图；基于高斯金字塔池化的多尺度卷积神经网络构建多工序及多工艺参数的质量预测模型；用改进的金枪鱼群优化算法优化多尺度卷积神经网络；基于注意力机制对优化后的多尺度卷积神经网络进行特征提取，输入质量预测模型中输出产品质量的预测结果；本发明通过一种综合考虑多个工序及多个工艺参数，实现全工序、多工艺参数的产品质量预测，保证了质量预测的准确性。

本发明授权一种基于数字孪生技术的预测方法、装置及系统在权利要求书中公布了：1.一种基于数字孪生技术的预测方法，包括以下步骤： S1、获取多工序多工艺复杂薄壁构件制造过程的整体加工数据并存储进行预处理，得到一维多尺度序列数据集； S2、将采集到的一维多尺度序列数据集转化为二维相同尺度空间下的空间数据后进行空间灰度映射转化成灰度特征图；其具体包括以下步骤： S201、将单工序多工艺数据排列成一维工序序列向量，不同工艺的工艺序列从上到下组成单工序的一维工序序列向量； S202、再将多工序的一维工序序列向量左右排列在一起，组成多工序多工艺二维矩阵数据，横轴代表工序，纵轴代表各工序的工艺参数； S203、通过归一化的方法将二维矩阵数据归一化至-1～1之间；归一化方法的计算公式如下： 其中Xi表示工艺参数，Xi'表示归一化后的工艺参数，minXi表示最小值，maxXi表示最大值； S204、对归一化后的二维矩阵数据进行空间灰度映射最终得到二维矩阵转化为灰度特征图，空间灰度映射公式如下所示： X″i＝|X′i|·γ； γ为空间灰度级，X″i表示映射后的工艺参数，将灰度级γ设置为0,255； S3、将得到的灰度特征图输入基于高斯金字塔池化的多尺度卷积神经网络中，构建多工序及多工艺参数的质量预测模型；其具体包括以下步骤： S301、在单工序多工艺特征图中通过一维多尺度卷积核3×1，5×1，7×1在数据特征轴上从上到下进行遍历完成卷积操作，特征图包含P个工序提供的N个单工序多工艺一维工序序列向量，那么单工序单工艺n的特征图公式如下： 其中，表示P个单工序单工艺n在t工艺的向量，则表示Xn在[t,t+S-1]工艺范围的S组向量，T表示矩阵转置，卷积操作通过卷积核Wi在工艺轴上与相乘，步数为1，将不同卷积核输出的特征向量进行拼接融合，得到单工序多工艺特征之间关系； S302、在多工序轴上使用同s301方法，通过一维多尺度卷积核3×1，5×1，7×1在数据特征轴上从左到右进行遍历完成卷积操作，卷积核Wi在工序轴上与相乘，步数为1，将不同卷积核输出的特征向量进行拼接融合，得到多工序多工艺特征之间关系； S303、通过添加高斯金字塔模块的跨层连接将不同层次的单工序多工艺特征和多工序多工艺特征进行融合，获取多维度拼接的融合特征；帮助网络更好地学习到不同尺度的信息；将多工序多工艺矩阵数据作为高斯金字塔的第1组第1层，将第1组第1层图像经高斯卷积之后作为第1组金字塔的第2层，其中高斯卷积函数的表达式为： 其中，x为多工序序列，y为多工艺序列，σ为平滑因子是x，y的方差，将σ乘以比例系数k得到新的平滑因子为k*σ，用它来平滑第1组第2层图像，得到第3层，重复此操作，直到得到第L层图像；在同一组中，每一层图像的尺寸是一样的，平滑系数不一样，平滑系数分别为：0，σ，kσ，k2σ,k3σ……kL-2σ； 将第1组倒数第三层图像作比例因子为2的降采样，得到的图像作为第2组的第1层，然后对第2组的第1层图像做平滑因子为σ的高斯平滑，得到第2组的第2层，重复此操作，如此得到第2组的L层图像，同组内它们的尺寸是一样的，对应的平滑系数分别为：0，σ，kσ，k2σ,k3σ……kL-2σ，但是在尺寸方面第2组是第1组图像的一半，共得到O组图像，O＝[logminM,N]-2，其中，M,N为原始图像的行和列数，反复执行，就可以得到一共O组，每组L层，共计O*L个图像； S304、将多维度拼接的融合特征输入一个激活函数为sigmoid的4层DNN全连接层网络进行非线性拟合，得到产品质量预测值；激活函数公式表达式如下所示： 其中，x为输入，σz为经sigmoid转化后的输出； S305、选择采用以一致性指数IA、均方根误差RMSE作为性能评价指标来评估网络输出产品质量预测值和真实标签值之间的差异；以RMSE为评价指标进行训练，训练至结果收敛为止，RMSE的值越小表示预测误差越小，而IA值的取值范围在0～1之间，计算结果越接近1说明拟合效果越好； S4、用改进的金枪鱼群优化算法优化多尺度卷积神经网络； S5、基于注意力机制对优化后的多尺度卷积神经网络进行特征提取，将提取的特征输入质量预测模型中输出产品质量的预测结果。

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南京航空航天大学;南京长江工业技术研究院有限公司，其通讯地址为：210016 江苏省南京市秦淮区御道街29号；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”。