所设计、所制造、所测试、所运行和所服务的耦合数字孪生生态系统的制作方法

本公开涉及一种所设计、所制造、所测试、所运行和所服务的耦合数字孪生生态系统。

背景技术：

在典型工业制造过程中，零件是根据预定的尺寸公差生产的。然而，由于制造过程的变化，部署在现场的所制造零件可能与其设计意图有所不同。例如但不限于，在典型制造过程中，翼型件在发动机上的性能会如何有所不同，取决于其制造方式以及其在特定运行条件下将在发动机上运行多长时间。

在飞行器发动机的设计和维护中，所制造部件与其在现场的性能之间的差异特别重要。例如，由于飞行器发动机核心部件被迫以较少的可用冷却流在较高的温度下运行，因此与制造变化相关的部件鲁棒性的分布被恶化。因此，在制造将来的零件时，必须考虑可以通过零件的现场检查来监视的特定性能条件。典型的制造过程没有集成此功能。因此，需要一种自动化和集成的制造过程以及用于监视制造零件之间的变化的技术基础设施。

技术实现要素：

本文特征的实施例帮助解决或减轻上述问题以及本领域已知的其他问题。例如，实施例提供了通过唯一数字集成过程直接链接所建造、所制造/所组装、所设计和所模拟、所测试、所运行和所服务的部件的能力。在本文的特征实施例中，任何硬件部件都可以参考其设计意图并根据其硬件规格和操作数据得出多个分析结果。新颖过程还提供了多种分析中数据类型的抽象概念，以形成硬件部件的集成数字孪生。此外，该新颖过程提供了通过汇总子系统部件级别数字孪生预测来增加系统级别数字孪生的保真度和准确性的框架。下面总结了两个非限制性的实例性实施例。

一个实例性实施例提供了一种用于生成在制造过程中用来驱动决策的模型的方法。该方法包括同时从多个源接收数据并对该数据执行机器学习的过程。

另一个实例性实施例提供了一个系统，该系统构造用来生成用于驱动零件的制造过程的决策的模型。该系统包括处理器和存储器，该存储器包括在由处理器执行时使处理器执行某些操作的指令。这些操作可包括同时从多个源接收数据并对数据执行基于机器学习的过程。此外，这些操作可以包括基于基于机器学习的过程的结果实时地更新与所述模型相对应的模型。

各种实施例的附加特征，操作模式，优点和其他方面将在下面参考附图描述。注意，本公开不限于本文描述的特定实施例。呈现这些实施例仅出于说明性目的。基于所提供的教导，其他实施例或所公开的实施例的修改对于相关领域的技术人员将是显而易见的。

附图说明

说明性实施例可以采取各种部件和部件的布置的形式。在附图中示出了说明性实施例，在全部附图中，相似的附图标记可以指示各个附图中的对应或相似部分。附图仅出于说明实施例的目的，并且不应被解释为限制本公开。考虑到以下对附图的描述，本公开的新颖性方面对于相关领域的普通技术人员将变得显而易见。

图1示出了根据一个实施例的过程。

图2示出了根据一个实施例的方法。

图3示出了根据一个实施例的系统。

图4示出了根据一个实施例的模型。

具体实施方式

尽管本文针对特定应用描述了说明性实施例，但是应当理解，本公开不限于此。本领域技术人员还可以通过本文提供的教导认识到，在本发明的范围内的另外的应用，修改和实施例以及其中本公开将具有重大用途的另外的领域。

本文特征的实施例具有几个优点。例如，它们可以允许人们根据其设计意图对新制造零件的质量进行准确的评估。它们提供了混合和匹配发动机组件中不同制造组件的能力，以实现所需的集成发动机性能。此外，它们还可以根据制造变化，运行条件和所服务的条件来改善对每个零件和子组件的在翼时间(time-on-wing)评估。实施例使用高保真度设计知识来帮助利用(leverage)子系统组件性能，并且它们根据需要提高了预测精度。此外，它们还启用了反馈环路，有助于改善后续设计。

图1示出了根据示例性实施例的示例性过程100。过程100可以是与零件的生命周期和/或一般制造周期相关联的示例过程。尽管在飞机或喷气发动机零件的背景中描述了过程100，但是过程100可以扩展到制造过程，或者通常扩展到任何制造组件的生命周期。过程100包括作为产品环境范围的模块102。换句话说，模块102可以是数据库，该数据库存储与在现场使用的相同产品的实例有关的信息。例如，模块102可以包括关于当多个涡轮叶片在一组发动机中(即，在两个或更多个发动机中)被任用时的可靠性或故障的信息。模块102可以被配置为根据来自与之通信耦合的设备的请求而组织或呈现产品环境谱(productenvironmentspectrum)，该产品环境谱以预定顺序对所有感兴趣的产品进行分类。

例如，可以基于产品的鲁棒性对其进行分类。在一个用例中，可以将产品从更稳定(102a)到最不稳定(102n)进行分类。通常，可以使用一种或多种性能标准来根据上述谱对这些产品进行分类。在涡轮叶片的情况下，可以根据产品的热鲁棒性性能对产品进行分类，可以使用一种或多种现场检查方法对其进行测量。

产品环境谱可以由来自客户的约束驱动，来自客户的约束可以在模块104中被收集和被功能化(即，以计算机指令的形式放置)。换句话说，鲁棒性标准可以由从客户派生的专用参数决定。类似地，产品环境谱可以受到商业约束的驱动，而商业约束可以在模块106中被功能化。这些约束(对于模块104和106两者)可以随着各种信息源的更新而随着制造过程的更新而更新，如下文将进一步描述。

模块104的客户约束还可以驱动模块108的工程功能，该工程功能继而驱动制造决策，如在模块112中功能化的。一旦工程决策功能化，就可以将它们用于建立配置用于设计的数字线程(模块118)。数字设计线程也可以根据客户的约束进行更新(模块104)。因此，该线程形成了一个数字孪生，可以由代表多个用例的多个数据源形成。换句话说，数字孪生集成了多个用例，以确保根据特定的性能数据生产制造零件，而不是像典型的制造过程那样仅根据预定的尺寸约束生产零件。因此，数字孪生可以根据现场零件的性能进行工程上重新设计。这样，数字孪生可以优化给定的制造过程，以区分所制造零件的质量，从而驱动目标性能和业务成果。

通常，数字设计孪生可以由多个源构成，这些源包括来自工程模块的新制作的制造数据，网络111和零件(模块108)的已经存在的工程模型。来自网络111的数据流可以包括，例如但不限于，来自现场检查的管道镜检查数据(部分或全部，或者在某些实现中，功能检查或尺寸检查)，在飞行期间测量来自发动机的数据的翼上探测器。此外，通常，部件的数字孪生可包括部件的所制造的数据，所测试的数据，所设计和所模拟，所运行的数据以及所服务的数据中的至少一个。此外，部件的数字孪生可以基于部件的操作数据或名义操作条件。

过程100允许连续地收集数据并实时更新模块116的模型。具体地，数字设计线程被不断更新以提供反映实际情况的模型。这是通过过程100的显式反馈循环来完成的，该循环确保了可以基于上述各种信息源来制造新的设计。这样，过程100提供了更好地预测零件的耐久性的能力，因为任何制造的零件将已经基于反映设计，使用，维修等的条件来制造。

总之，过程100集成并自动化了零件生命周期的各个方面，以在企业级别上提供优化的制造过程。过程100还包括分数检查模块114，可以用现场检查分析对其进行更新，以进一步增强模块116的模型。

图2示出了应用于航空服务的过程100的示例性方法200。根据过程100配置的制造系统可以包括模型202，在表面响应元模型的情况下，模型202也称为替代模型；该模型会不断更新，以驱动新零件的制造功能。该替代模型包括将机器学习技术应用于创建模型，该模型根据源自于多种源的数据重新产生响应面。

例如，可以根据源自于数据湖模块204的数据更新模型202。数据湖(模块204)可以是存储例如与多种零件，飞行数据和发动机配置数据相关的结构化或非结构化数据的数据库。此外，还可以使用来自模块206的现场数据来重新调整模型202，该模块206存储从使用中的零件获得的现场数据。这些数据源可以被远程定位，例如它们可以来自基于云的基础设施，或者通常可以将数据无线传输到模块204和206。

还可以基于几个参数从零件的多物理模型208连续更新模块204。例如，多物理模型208可以基于多个参数输出零件(例如，涡轮叶片)的热性能，利用该热性能可以更新模型202。这些参数可以是例如但不限于操作数据以及内部和/或外部累积的灰尘程度。然后，模型202可用于驱动制造功能，以制造一组新的涡轮叶片，这些涡轮叶片能够满足从对模型202的多种输入源得出的耐用性要求(模块210)。

通常，在图2中，从在设计阶段108期间创建的模型中利用多物理仿真模型208，并将其直接馈送到用于设计的数字线程(即，模块118)中。这样可以加快基于多物理模型训练替代模型的过程。此外，模型208是多物理模型的一个实施例，因此，它表示可用于创建训练数据以馈入表面元模型202的任何多物理模型。此外，在一些实施例中，模型208可以由经验模型制成。

图3示出了新颖的所制造，所测试，所运行，所设计和所仿真以及所服务的耦合数字孪生生态系统的总体架构300。架构300是分层模型302，其包括来自各种源的信息。这样，根据模型302制造的零件确保该零件将满足与来自许多信息源的数据相关联的要求。例如，模型302包括第一层304，该第一层304包括要制造的特定零件的设计信息。

第一层304可以包括周期信息，设计点和新零件的部件设计。第一层304仅是实现示例。根据特定的工程学科和部件，此信息沿袭(lineage)可能会有所不同。模型302可以进一步包括第二层，该第二层包括多个部件306、308、310和312。例如，部件306可以包括与要制造的零件的实例的先前设计有关的设计信息和分析模型。

部件308可以包括先前已经制造的零件的实例的数字孪生模型。部件310可以包括已经在现场进行操作并且可获得环境和操作数据的零件实例的数字孪生模型。此外，部件312可以包括已经服务过的零件的实例的数字孪生模型。

通常，可以通过考虑来自所有前述层和层部件的信息的机器学习过程来获得模型302。实施例通常提供相对于设计意图对新制作零件的质量进行准确评估的能力。它们提供了混合和匹配发动机组件中不同制造部件的能力，以实现所需的集成发动机性能。

图4描绘了系统400，其是架构300的示例实施方式，其表示新颖的数字孪生生态系统。系统400包括专用处理器414，其被配置为执行特定于优化根据过程100的制造过程的任务。处理器414具有由存储在存储器402中的指令和/或由可以由处理器414从储存器420获取的指令318赋予的特定结构。储存器420可以与处理器414位于同一地点，或者它可以位于其他地方，并且例如经由通信接口416通信地耦合到处理器414。

系统400可以是独立的可编程系统，或者可以是位于更大系统中的可编程模块。例如，系统400是被配置为处理上述过程100的各种模块的分布式系统的一部分。处理器414可以包括被配置为获取，解码，执行，存储，分析，分发，评估和/或分类信息的一个或多个硬件和/或软件组件。

处理器414可以包括输入/输出模块(i/o模块412)，该输入/输出模块可以被配置为摄取与单项资产或资产组有关的数据。处理器414可以被配置为执行从存储器402，即从存储区404，存储区406，存储区408和存储区410之一中获取的指令。

此外，在不失一般性的情况下，储存器420和/或存储器402可以包括易失性或非易失性，磁性，半导体，磁带，光学，可移动，不可移动，只读，随机访问或任何类型的非暂时性计算机可读计算机介质。储存器420可以被配置为记录在处理器414的操作期间处理，记录或收集的数据。可以按照与数据存储实践一致的各种方式对数据进行时间戳记，位置戳记，编目，索引或组织。储存器420和/或存储器402可以包括处理器414可以用来执行与本文所描述的任务一致的任务的程序和/或其他信息。

例如，处理器414可以由来自存储区406，存储区408和存储区410的指令来配置，以基于各种输入源(例如，网络111和/或现场数据模块108)。这组存储区组合可以形成战略部署模块110。处理器414可以执行来自存储区406、408和410的前述指令，并且输出基于来自上述各种源的数据的孪生数字模型。一般而言，根据连续更新，处理器414可以连续地改变策略部署模块410，该策略部署模块410包括该零件的模型。

实施例提供了基于制造变化，操作条件和所服务的数据来改善每个零件及其子组件的在翼时间评估的能力。此外，实施例使用高保真度设计知识帮助利用子系统组装性能，并根据需要提高预测精度，并且它们使得反馈回路能够帮助改善后续设计。

相关领域的技术人员将理解，在不脱离本公开的范围和精神的情况下，可以配置上述实施例的各种修改和变型。因此，应理解，在所附权利要求的范围内，可以不同于本文具体描述的方式实践本公开。

本发明的进一步方面通过以下条项的主题提供：

1.一种根据优化的制造过程制作新零件的方法，方法包括：从多个源接收数据，数据包括相对于与新零件相似的一个或多个零件的所设计，所制造，所模拟和所测试的数据；实时更新与新零件的基于物理的模型相对应的替代模型，其中替代模型形成新零件的数字孪生；以及基于数字孪生执行一组制造功能以制造新零件。

2.根据任何在前条项的方法，其中多个源包括新制作的制造数据和网络。

3.根据任何在前条项的方法，其中数据与部件相关联。

4.根据任何在前条项的方法，其中相对于部件的数据是所设计的数据，所制造的数据，所测试的数据，所运行的数据，所服务的数据或其组合中的至少一个。

5.根据任何在前条项的方法，其中基于物理的模型是多维的基于物理的模型。

6.一种配置为根据优化的制造过程制作新零件的系统，系统包括：处理器；包含指令的存储器，当指令被处理器执行时，使处理器执行操作，操作包括：同时从多个源接收数据；实时更新与新零件的基于物理的模型相对应的替代模型，其中替代模型形成新零件的数字孪生；以及基于数字孪生执行一组制造功能以制作新零件。

7.根据任何在前条项的系统，其中多个源包括新制作的制造数据和网络。

8.根据任何在前条项的系统，其中数据与部件相关联。

9.根据任何在前条项的系统，其中相对于部件的数据是所设计的数据，所仿真的数据，所制造的数据，所测试的数据，所运行的数据，所服务的数据或其组合中的至少一个。

10.根据任何在前条项的系统，其中基于物理的模型是基于多物理的模型。

11.根据任何在前条项的系统，其中数据包括部件的运行数据或标称运行条件。

12.根据任何在前条项的系统，其中新零件是发动机的部件。

13.根据任何在前条项的系统，其中数字孪生包括发动机的部件的表示。

14.根据任何在前条项的系统，其中替代模型相对于不利用来自多个源的数据的零件的模型，提供具有提高的准确性的预测模型。

15.根据任何在前条项的系统，其中多个源包括维护信息。