一种多源异构数据融合与模型修正过程管控方法与流程

本发明涉及一种多源异构数据融合与模型修正过程管控方法，属于自动化
技术领域：
。
背景技术：
：陆基平台系统、航空航天系统、复杂机械系统等系统在设计到方案确定过程中常依靠理论建模、计算机仿真建模以及试验采样分析的方式对所设计的系统进行参数确定、性能优化、合理性验证等。而理论模型、仿真模型的建模时为了便于求解常常会对一些环节进行简化，导致求解结果与实际响应间拟合度较差。与此同时在对样机进行试验测试过程中往往由于存在难以消除的误差导致多组试验数据不一致，且存在由于试验次数增多导致的样本量过大的情况。设计过程中常会对理论、仿真模型以及试验数据进行融合、修正，以提高精度，然而由于试验数据融合，模型修正过程中涉及多源异构的数据和模型，使得难以用传统方法对一个设计过程进行整套数据融合以及模型修正流程，因此设计一套面向多源异构数据和模型的融合管控方法非常必要。现有技术中面向多源异构数据、模型融合的方法存在下述技术问题：当前针对设计过程中不同种类、不同建模方式、不同存储形式的数据、模型之间难以统一管理，存在孤岛现象。对理论、仿真模型的修正以及对试验数据进行处理的环节之间较为独立，且通常靠经验来对某一融合环节存在的较多适应不同情景的方法进行选取，因此难以高效、灵活、准确地对多源异构数据、模型进行修正和应用，导致陆基平台系统、航空航天系统、复杂机械系统等多层级复杂工程系统设计研发过程中建模修正环节效率较低，选用修正方法并非最优，模型精度有待提高。技术实现要素：针对现有技术中面向多源异构数据、模型融合的方法存在
背景技术：
中上述技术问题，本发明公开的一种多源异构数据融合与模型修正过程管控方法要解决的技术问题是：针对多层级复杂工程系统，按照数据、模型和过程的特点，将过程再进一步细分为子过程，定义各子过程的过程模板，包括数据模板、特征模板、方法模板和过程模板，通过各模板的多种灵活配置，建立能够适应多种异构数据、模型和融合方法的融合过程所处理数据和信息的链路，并按照推理机匹配得到最优的方法进行融合和验证，从而使试验数据的融合以及模型修正环节更高效，且能够提高多源异构数据融合修正后模型的精度，进而提高多层级复杂工程系统工程设计效率，利用建立的多源异构数据融合修正后模型提高多层级复杂工程系统应用于相应工程
技术领域：
的预测精度，解决相关工程技术问题。所述多层级复杂工程系统包括陆基平台系统、航空航天系统、复杂机械系统。所述多层级复杂工程系统共性特点：包含多个子系统模型，模型本身存在非线性或高阶次等特性。当本发明应用于陆基平台系统时，能够提高地盘悬挂模型、路面模型、车体结构有限元模型以及其他陆基平台模型的仿真精度，缩减仿真周期。利用精度提高后的模型可以更好地指导陆基平台的结构参数设计，陆基平台振动特性优化，操控性指标优化以及乘坐舒适性指标优化，具有广泛的应用前景与效益。当本发明应用于航空航天系统时，能够提高航空航天平台各部分结构有限元模型，气动力学模型以及其他模型的仿真精度，缩减仿真周期。利用精度提高后的模型可以更好地指导航空航天系统的各子系统结构优化以及气动力学性能优化，具有广泛的应用前景与效益。当本发明应用于复杂机械系统时，能够提高刀具、机床床身结构模型，热力学模型，故障分析模型，状态监测模型的仿真精度，缩减仿真周期。利用精度提高后的模型可以更好地指导复杂机械系统的工程结构设计，还能为时变结构的健康监测、故障诊断以及结构振动控制等方面应用提供有力的支持，具有广泛的应用前景。本发明目的是通过下述技术方案实现的。本发明公开的一种多源异构数据融合与模型修正过程管控方法，包括如下步骤：步骤一：将多层级复杂工程系统的数据融合、模型修正总流程所涵盖的子过程单元化、模块化，构建适于组合配置的过程模板，并形成过程模板库，实现从用户需求、被修正对象的特征为导向的融合流程按需配置，灵活组合，以实现柔性化的融合过程管控。根据多层级复杂工程系统对应
技术领域：
，对将多层级复杂工程系统的数据融合、模型修正总流程进行拆分，形成各个过程单元，并通过过程单元与相对应的技术方法以及过程应用场景所包含的信息进行集成，构建过程模板，并通过丰富过程模板形成融合过程模板库，实现从用户需求、被修正对象的特征为导向的融合流程按需配置，灵活组合，以实现柔性化的融合过程管控。步骤一中提到的融合过程模板由过程信息字典，过程特征说明，从属方法模板与从属特征模板四部分构成。过程信息字典包括该过程的基本信息，所述基本信息包括过程模板名称、模板编号、创建日期；过程特征说明包括所述过程模板的头结点与尾节点的数字编号、所述过程功能说明，为用户进行模板选取与排序作参考，所述头结点与尾节点为数字编号且关联模式为一对多，所述功能说明为文字说明。从属方法模板包括方法模板库中与该过程相关的所有方法模板；从属特征模板包括特征模板库中与该过程相关的特征模板。步骤二：根据融合过程模板各个模板类型及所属
技术领域：
，寻找该领域针对不同问题情景下的典型技术方法，通过对对应的典型技术方法进行修改、封装生成方法求解器，并提取对应的典型技术方法相关信息构建方法模板，所述相关信息包括输入输出信息。通过步骤五所构建的推理机实现方法模板与过程模板的匹配，实现融合过程中方法的灵活调用、按需配置与合理应用。步骤二中的方法模板中所含内容由方法信息字典，方法特征说明，方法求解器三部分构成。方法信息字典基本信息包括该过程的方法模板名称，模板编号，创建日期；方法特征模板包括该方法的应用信息以及应用场景特征，所述应用信息包含方法的输入和输出，所述应用场景特征包含数据维度，样本均值，数据方差域，数据容量，数据类型，模型仿真结果与试验值的决定系数，模型参数个数，模型求解时间，模型是否为非线性，模型阶数，模型类型，模型领域；方法求解器是方法模板的运算模块，负责将输入转化为输出。步骤三：根据融合过程中选取方法模板时所需要的数据特征以及模型修正过程中方法模板选取时需要的模型信息构建数据特征模板。将导入的原始数据和模型按照特征模板进行特征值的计算与提取，形成多个特征集合。步骤三所述的特征模板主要由特征模板信息字典、关联的过程模板信息以及所述特征值三部分构成。特征模板信息字典包含所述特征模板的编号名称，模板编号，模板类型，创建日期；关联过程模板体现特征模板与某一过程模板的之间的一对一关联关系；所述特征值为某一过程模板与方法模板匹配时需要的特征值，数据特征模板中需要匹配的特征值包括数据类型、数据容量、数据维度、样本均值、数据方差，模型特征模板需要的特征值包括模型类型、模型领域、模型的输入输出格式、模型参数个数、模型求解速度、模型仿真结果复相关系数。导入的数据和模型通过与所选的n个过程模板关联的特征模板提取特征，通过所述n组特征集来选择n个方法模板与过程模板相关联。步骤四：构建将特征模板与方法模板进行匹配的推理机，用于步骤七选取最优方法模板。步骤四具体实现方法如下：步骤4.1：对过程模板i所属的方法模板集合中的mpi中的所有方法计算选取概率，所述i为过程模板编号计算公式如下式(1)-(3)。mpi＝{mpi1,mpi2,...,mpin},(i＝1,2,...,n)(1)其中，p(mpin)为方法模板n的选取概率，p(cviz)为根据特征模板ctemk提取到的特征集cvi中特征cviz的取值情况下，选取该方法模板的概率，ωz是p(cviz)的权重，反映该特征概率对方法选取重要程度且满足式约束。所述特征模板中的特征值集合为cvi＝{cvi1,cvi2,…,cvin}，(z＝1,2,…,n)，i为特征模板编号。步骤4.2：计算特征集cvi中每个特征对应的该方法模板点选取概率p(cviz)，计算如式(4)。p(cviz)＝ppri(cviz)*sim(mviz,cviz),z＝1,2,...,n(4)上式中mviz为某一方法模板的推荐特征集mvi＝{mvi1,mvi2,...,mvin}中的第z个特征，α为归一化系数，sim(mviz,cviz)为某一方法模板的推荐特征与特征模板中与之对应特征的拟合度，且满足式约束。步骤4.3：通过步骤4.1、4.2构建的推理机中的参数以及拟合度评价公式中每个项的权值，实现依照特征模板进行数据/模型的特征提取、方法模板与特征模板之间关联值的求解，从而实现各个模板间的组合配置，即构建将特征模板与方法模板进行匹配的推理机。随着融合次数的增长，融合过程模板组合，各过程模板对应的方法模板以及方法模板与特征模板的组合案例样本量逐渐增大，提高推理机中先验概率的准确程度，从而提高推理机推理能力。步骤五：根据用户需求以及多层级复杂工程系统的数据融合和模型修正总流程的需要，从步骤一中构建的融合过程模板库中选取n个模板，配置组合成总体融合模板，形成所述总流程融合操作从始到末的完整过程流。步骤5.1：根据用户需求以及多层级复杂工程系统的数据融合和模型修正总流程的需要，定位在过程子模板库中的数据融合类或模型修正类；步骤5.2：从过程子模板库中挑选处理数据、模型需要的过程单元模板；步骤3：根据步骤5.2挑选得到的过程子模板按照相应
技术领域：
的融合流程排序，组合成总流程，总流程开头节点为数据或模型导入子模板，结束节点为导出子模板。过程模板集合表示为ptem＝{ptem1,ptem2,…,ptemn}，即形成所述总流程融合操作从始到末的完整过程流。步骤六：使用步骤五选取的过程模板所对应的特征模板对将要处理的数据、模型对步骤五所述特征值进行提取，得出本轮数据融合或模型修正的源数据或源模型所对应的n组特征，用于指导步骤七中的方法匹配。步骤6.1：与步骤五过程模板与特征模板一一对应，因此在步骤五确定出过程模板的情况下，n个特征模板也随之确定。特征模板集合表示为ctem＝{ctemi1,ctemi2,…,ctemin}，in为n个特征模板编号。步骤6.2：对数据或模型进行特征值提取。步骤6.1得到的n个特征模板中，各个模板所包含的特征值个数以及种类有所差异。特征模板i所包含的特征值集合表示为按照各个模板中包含的特征值的类型对导入的数据、模型进行计算，得出本次融合的数据、模型对应的n组特征。步骤七：采用步骤四中的推理机，根据步骤六提取得到的n组特征集，从步骤五确定的过程模板所对应的方法模板集中进行筛选，匹配得到与各过程模板对应的方法模板，进而建立多层级复杂工程系统对应
技术领域：
的数据融合、模型修正总流程的信息链路，从而使试验数据的融合以及模型修正环节更高效，且能够提高多源异构数据融合修正后模型的精度。步骤7.1：首先从方法模板库中调出各个过程模板对应的方法模板集mpi＝{mpi1,mpi2,…,mpit}，(i＝1,2,…,n),其中n为过程模板的个数，t为第i个过程模板对应的方法模板集中方法的个数。步骤7.2：然后使用推理机，将与过程模板关联的特征模板得到的特征集与该过程模板所对应的方法模板集中的各个方法逐一匹配，得出每一个方法的选取概率。第i个过程模板所对应的方法集中各个方法的选取概率表示为：p(mpj)，(j＝1,2,…,n)。步骤7.3：从过程模板对应的方法集中选取概率最大的方法模板，对选取概率最大的方法模板进行判断，当符合预设使用需求时，将选取的概率最大的方法模板与其对应的过程模板相关联，并将与选取的概率最大的方法模板进行匹配的特征模板中包含的特征值存入历史数据库中，并更新先验概率ppri(mpj)，(j＝1,2,…,t)；当该概率最大的方法模板不符合预设使用需求时，将选取的概率最大的方法从步骤7.1的方法集中剔除，并返回步骤7.3。步骤7.3中所述的先验概率ppri是由某方法模板在历史融合进程中成功匹配过的特征模板所包含的特征集统计得出，体现了该方法模板最适合处理的数据的特征。先验概率将作为方法模板选取推理机中的一个因子。特征模板与方法模板成功匹配后，特征模板包含的特征集将存入历史数据库中，先验概率由式(7)计算得出。ppri＝n/n(7)式中，n为该特征的值在历史中出现过的次数，n为总历史次数。步骤7.4：对过程模板集合ptem＝{ptem1,ptem2,…,ptemn}中的每个模板进行步骤7.1～7.3，匹配得到与各过程模板对应的方法模板进而建立多层级复杂工程系统对应
技术领域：
的数据融合、模型修正总流程的信息链路，从而使试验数据的融合以及模型修正环节更高效，且能够提高多源异构数据融合修正后模型的精度。步骤八：利用步骤七匹配得到与各过程模板对应的方法模板进而建立多层级复杂工程系统对应
技术领域：
的数据融合、模型修正总流程的信息链路，进而提高多层级复杂工程系统工程设计效率，利用建立的多源异构数据融合修正后模型提高多层级复杂工程系统应用于相应工程
技术领域：
的预测精度，解决相关工程技术问题。所述多层级复杂工程系统包括陆基平台系统、航空航天系统、复杂机械系统。所述多层级复杂工程系统共性特点：包含多个子系统模型，模型本身存在非线性或高阶次等特性。当本发明应用于陆基平台系统时，能够提高地盘悬挂模型、路面模型、车体结构有限元模型以及其他陆基平台模型的仿真精度，缩减仿真周期。利用精度提高后的模型可以更好地指导陆基平台的结构参数设计，陆基平台振动特性优化，操控性指标优化以及乘坐舒适性指标优化，具有广泛的应用前景与效益。当本发明应用于航空航天系统时，能够提高航空航天平台各部分结构有限元模型，气动力学模型以及其他模型的仿真精度，缩减仿真周期。利用精度提高后的模型可以更好地指导航空航天系统的各子系统结构优化以及气动力学性能优化，具有广泛的应用前景与效益。当本发明应用于复杂机械系统时，能够提高刀具、机床床身结构模型，热力学模型，故障分析模型，状态监测模型的仿真精度，缩减仿真周期。利用精度提高后的模型可以更好地指导复杂机械系统的工程结构设计，还能为时变结构的健康监测、故障诊断以及结构振动控制等方面应用提供有力的支持，具有广泛的应用前景。有益效果：1、本发明一种多源异构数据融合与模型修正过程管控方法，对设计过程中建立的模型、试验中得到的数据等资源进行集成，有效解决陆基平台系统、航空航天系统、复杂机械系统等多层级复杂工程系统在建模和仿真过程中的数据孤岛问题。2、本发明一种多源异构数据融合与模型修正过程管控方法，将数据融合、模型修正整个过程进行拆分，定义规范封装成过程模板，实现多层级复杂工程系统的数据融合和模型修正过程按需配置组合，提高资源集中化以及重用率。3、本发明一种多源异构数据融合与模型修正过程管控方法，对试验数据、模型进行特征提取，为数据和模型分析提供有效参考以及可信评估。4、本发明一种多源异构数据融合与模型修正过程管控方法，对数据融合、模型修正过程中各个子过程的方法从方法库中自动确定，并将方法与各子过程进行关联，实现方法高效、灵活利用，消除多层级复杂工程系统的数据融合和模型修正过程中的方法选择上的经验化。5、本发明一种多源异构数据融合与模型修正过程管控方法，构建的推理机通过特征推导方法，并将先验数据引入其中，提高数据融合以及模型修正过程中的智能化水平。附图说明图1本发明一种多源异构数据融合与模型修正过程管控方法总流程图；图2本发明一种多源异构数据融合与模型修正过程管控方法的构建过程模板示意图；图3本发明一种多源异构数据融合与模型修正过程管控方法的构建方法模板示意图；图4本发明一种多源异构数据融合与模型修正过程管控方法的构建特征模板示意图；图5本发明一种多源异构数据融合与模型修正过程管控方法的推理机计算原理图；图6本发明一种多源异构数据融合与模型修正过程管控方法的按照用户需要以及融合需求配置形成过程流示意图；图7本发明一种多源异构数据融合与模型修正过程管控方法的特征集提取示意图；图8本发明一种多源异构数据融合与模型修正过程管控方法的方法模板与过程模板关联形成信息链路示意图。具体实施方式为了更好的说明本发明的目的和优点，下面结合附图和实例对
发明内容做进一步说明。实施例1：如图1所示，本实施例公开的一种多源异构数据融合与模型修正过程管控方法，具体实现步骤如下：步骤一：将多层级复杂机械系统的数据融合和模型修正总流程所涵盖的子过程单元化、模块化，构建适于组合配置的过程模板，并形成过程模板库如图2。步骤一中提到的融合过程模板由过程信息字典，过程特征说明，从属方法模板与从属特征模板四部分构成。以名称为参数生成过程的过程模板为例，列出该模板所包含的信息如表1。表1参数生成过程模板信息表步骤二：根据融合过程模板各个模板类型及所属
技术领域：
，寻找该领域针对不同问题情景下的典型技术方法，构建方法模板库。步骤二中的方法模板中所含内容由方法信息字典，方法特征说明，方法求解器三部分构成。以名称为参数生成过程的过程模板为例，该模板包含的方法模板集以及各方法模板的信息如图3。步骤三：根据融合过程中选取方法模板时所需要的数据特征以及模型修正过程中方法模板选取时需要的模型信息构建数据特征模板库。步骤三所述的特征模板是由信息字典，关联的过程模板信息以及所述特征值三部分构成。对应于每个过程模板的特征模板以及特征模板所包干的信息如图4。步骤四：构建将特征模板与方法模板进行匹配的推理机，用于步骤七选取最优方法模板如图5。在对步骤七中第6个过程模板对应的方法集概率计算时ωz取值如表2。表2过程模板ptem0026对应的方法集各方法模板选取概率表计算反映该特征概率对方法选取重要程度且满足式约束。所述特征模板中的特征值集合为cvk＝{cc1,cc2,…,ccn}，(k＝1,2,…,n)。计算特征集cvk中每个特征对应的该方法模板点选取概率p(ccz).步骤五：根据用户需求以及陆基移动平台底盘悬架模型的模型修正总流程的需要，从步骤一中构建的融合过程模板库中选取8个过程模板，配置组合成总流程，形成所述总流程融合操作从始到末的完整过程流。步骤5.1：根据用户需求以及陆基移动平台底盘悬架模型的模型修正总流程的需要，定位在过程子模板库中的模型修正类；步骤5.2：从过程模板库中挑选8个过程模板；步骤5.3：根据步骤5.2挑选得到的8个过程子模板按照模型修正的流程排序，组合成总流程，总流程开头节点为模型导入子模板，结束节点为导出子模板。过程模板集合表示为ptem＝{ptem0021,ptem0022,ptem0023,ptem0024,ptem0025,ptem0026,ptem0027,ptem0028}，即形成所述总流程融合操作从始到末的完整过程流如图6。步骤六：使用步骤五选取的8个过程模板所对应的特征模板对底盘悬架振动模型进行特征值提取，得出8个特征集，用于指导步骤七中的方法匹配。步骤6.1：与步骤五过程模板与特征模板一一对应，因此在步骤五确定出过程模板的情况下，8个特征模板也随之确定。特征模板集合表示为ctem＝{ctem1021,ctem1022,ctem1023,ctem1024,ctem1025,ctem1026,ctem1027,ctem1028}。步骤6.2：对底盘悬架振动模型进行特征值提取。步骤6.1得到的8个特征模板中，以特征模板ctem1026为例，进行特征进行计算，得出该模型的第6个特征集合为ctem1026＝{0.082,2,2s,1,2,振动模型,陆基平台底盘悬架}，依次得出其余7个特征集合，如图7。步骤七：调用步骤四中的推理机，根据步骤六提取得到的8组特征集，从步骤五确定的过程模板所对应的方法模板集中进行筛选，匹配得到与各过程模板对应的方法模板如图8。步骤7.1：首先从方法模板库中调出一过程模板对应的方法模板集，以过程模板ptem0026对应的方法模板集mp0126＝{mp012601,mp012602,mp012603,mp012604}为例。步骤7.2：使用推理机，将与过程模板6关联的特征模板得到的特征集与该过程模板所对应的方法模板集中的各个方法逐一匹配，得出每一个方法的选取概率。第6个过程模板所对应的方法集中各个方法的选取概率表示为：p(mp0126),第6个过程模板所对应的方法各种方法概率如表3。表3过程模板ptem0026各方法模板概率表步骤7.3：从过程模板对应的方法集中选取概率最大的方法模板，8个过程模板初步选取的最大概率方法及其概率如下表，对选取的8个概率最大的方法模板进行判断，第6个过程中选取的方法由于构建较为复杂不符合预设使用需求，将该方法模板从方法集中剔除，此时方法模板概率最大且符合使用需求。将这个方法模板与其对应的过程模板相关联，并将8个特征集中的特征值存入历史数据库中，并更新先验概率ppri(mp0026)。步骤7.4：对过程模板集合ptem＝{ptem0021,ptem0022,ptem0023,ptem0024,ptem0025,ptem0026,ptem0027,ptem0028}中的每个模板进行步骤7.1～7.3，匹配得到与各过程模板对应的方法模板如表3，进而建立陆基移动平台底盘悬架振动模型的模型修正总流程的信息链路，从而使试验数据的融合以及模型修正环节更高效，且能够提高多源异构数据融合修正后模型的精度。表4各过程模板最终关联的方法模板表过程模板方法模板概率ptem0021mp0121020.820ptem0022mp0122010.295ptem0023mp0123010.362ptem0024mp0124030.285ptem0025mp0125030.420ptem0026mp0126010.259ptem0027mp0127020.360ptem0028mp0128010.820步骤八：利用步骤七匹配得到与各过程模板对应的方法模板进而建立陆基移动平台底盘悬架振动模型的模型修正总流程的信息链路如图8，进而提高陆基移动平台底盘悬架振动模型工程设计效率40％，利用建立的模型修正信息链路对陆基移动平台底盘悬架振动模型进行参数修正可提高模型的预测精度30％。以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12