(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111225438.6 (22)申请日 2021.10.21 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 张超　刘立雪　宋学官　 (74)专利代理 机构 大连理工大 学专利中心 21200 代理人 李晓亮　潘迅 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/14(2020.01) (54)发明名称 一种基于多保真度数据的数字孪生建模方 法 (57)摘要 本发明提供一种基于多保真度数据的数字 孪生建模方法， 属于工业设计技术领域。 该数字 孪生建模 方法利用生成式对抗网络作为基模型， 针对数字孪生建模中高保真数据精度高、 成本 高、 数量少， 低保真数据精度低、 成本低、 数量多 的问题， 以相对较低的成本给出较为精准的数字 孪生建模。 与传统方法相比， 本发明能够充分挖 掘数据的内在分布规律， 降低方法对于高保真点 数据的需求， 进一步符合问题设定； 同时不对高 低保真数据的线性关系 与数据分布做过多假设， 拓宽了方法的应用场景。 权利要求书2页 说明书5页 附图1页 CN 113886992 A 2022.01.04 CN 113886992 A 1.一种基于多保真度数据的数字孪生建模方法， 其特征在于， 所述的数字孪生建模的 模型结构沿用原始生成式对抗网络的框架， 整个模型结构分为生成器与判别器两部分； 其 特征在于， 所述的生成器被分为低保真与高保真两个模块； 所述数字孪生建模方法包括以 下步骤： 第一步， 构建低保真模块， 并寻找低保真数据点 与相应低保真标签 的对应关系； 低保真模块采用的结构为一个多层神经网络， 网络的训练集为低保真训练集 其中， i表示低保真样本的编号； L表示低保真； IL表示低保真 训练集中样本 的数量； 表示d1维度的实数集； 表示d2维度的实数集； d1表示低保真 样本与高保真样本的数据点的维度； d2表示低保真样本以及高保真样本标签的维度； 分别表示低保真样本的数据点与对应标签； 通过标准的神经网络训练方法迭代更 新网络参数， 直到网络收敛为止； 当该模块训练结束后， 对于任意的低保真数据点， 该模块 都能够给 出相应的数据标签的拟合， 能够提取低保真训练集的分布特点； 第二步， 构建高保真模块， 利用高保真模块给 出高保真数据点 相应标签的拟合； 高保真模块采用的结构是一个新的多层神经网络， 所使用的训练数据集为高保真训练 集 其中， 分别表示高保真样本的数据点与对应标 签； j表示高保真训练集中高傲真样本的编号； IH表示高保真训练集中高保真样本的数量， IH ＜＜IL； H表示高保真； 在第一步的基础上， 保持低保真模块参数固定不变， 利用低保真模块给出高保真训练 点 相应的低保真标签拟合 再将高保真数据点xH与其相对应的低保真 拟合进行拼接， 拼接方式如下： 其中， 为xH的分量， 为qH的分量； 拼接后得到的新向量即为高保真模块的输入， 记高保真模块的输出为G[x]； 当高保真 模块充分训练以后， G[x]为高保真数据标签的高精度拟合； 第三步， 构建判别器D， 并利用高保真模块与判别器D进行生成对抗训练， 使高保真模块 得到充分训练； 判别器D采用的结构为一个多层神经网络， 用于正确区分所输入的值的性质： 是真实的 高保真数据标签 或者是生成器给出的标签拟 合G[x]； 通过交替训练判别器与高保真模 块的方式进行生成对抗训练； 模型采用的损失函数如下: 针对高保真模块 参数更新的损失函数为： LG： ＝Ex{1‑D[G[x]]}(1) 其中， LG表示该损失函数的名称， Ex表示针对x进行期望计算， D[G[x ]]表示判别器对于G [x]的确信程度；权　利　要　求　书 1/2 页 2 CN 113886992 A 2针对判别器参数 更新的损失函数为： 其中， LD表示该损失函数的名称， 表示针对yH进行期望计算； 为了提高模型稳定性与模型最终表现效果， 在原始生成式对抗网络的基础上， 引入监 督损失： 其中， LS表示损失函数的名称， 表示针对(xH,yH)进行期望计算； 具体训练模式如下： 1)利用(3)式对高保真模块 参数进行 更新； 2)利用(2)式对判别器参数进行 更新； 3)利用(3)式对高保真模块进行 更新； 4)利用(1)式对高保真模块进行 更新； 5)利用(3)式对高保真模块进行 更新； 第四步， 当判别器无法区分所输入的值是真实 的高保真数据标签 或者是生成器给 出的标签拟合G[x]时， 表明生成器与判别器达到纳什均衡， 此时模型训练结束， 终止训练； 此时高保真模块给 出的G[x]为模型的最终输出。 2.根据权利要求1所述的一种基于多保真度 数据的数字孪生建模方法， 其特征在于， 所 述的神经网络训练方法为Adam法， 其隐层数量、 激活函数选取、 学习率选取取决于具体问 题。权　利　要　求　书 2/2 页 3 CN 113886992 A 3