本發(fā)明涉及智能三維模型設計，尤其涉及一種用于零配件的智能三維模型設計方法及系統(tǒng)。

背景技術(shù)：

1、零配件的設計方法從傳統(tǒng)經(jīng)驗驅(qū)動到數(shù)據(jù)驅(qū)動的轉(zhuǎn)變。傳統(tǒng)的cad/cam方法雖然實現(xiàn)了模型的數(shù)字化，但仍然依賴于設計師的經(jīng)驗和知識。因此，一些新興技術(shù)開始應用于零配件設計領(lǐng)域，推動了智能化設計方法的發(fā)展，例如，通過定義參數(shù)和約束，使模型能夠根據(jù)參數(shù)的變化自動調(diào)整幾何形狀，提高了設計的靈活性和效率。利用有限元分析(fea)、計算流體動力學(cfd)等方法，對零配件的性能進行虛擬驗證，減少了物理樣機的制作和測試成本。

2、然而，現(xiàn)有的智能三維模型設計方法仍然存在一些局限性：例如，設計冗余或不足，成本高，效率低，參數(shù)化建模和拓撲優(yōu)化雖然可以提高設計效率，但仍然需要設計師手動設置參數(shù)和約束，并且難以充分考慮實際運行工況的復雜性。這導致設計冗余(過度設計，增加材料和制造成本)或不足(設計強度不夠，導致零配件過早失效)?，F(xiàn)有方法難以根據(jù)實際運行狀態(tài)和潛在故障風險進行提前設計和優(yōu)化，仿真分析主要用于驗證已有的設計方案，難以主動預測潛在的失效風險。

技術(shù)實現(xiàn)思路

1、基于此，有必要提供一種用于零配件的智能三維模型設計方法及系統(tǒng)，以解決至少一個上述技術(shù)問題。

2、為實現(xiàn)上述目的，一種用于零配件的智能三維模型設計方法，包括以下步驟：

3、步驟s1：對零配件進行多維感知數(shù)據(jù)獲取，得到原始傳感器數(shù)據(jù)流；對原始傳感器數(shù)據(jù)流進行關(guān)聯(lián)特征參數(shù)挖掘，得到初級特征參數(shù)集；對初級特征參數(shù)集進行多維特征融合構(gòu)建，得到行為特征向量；

4、步驟s2：獲取零配件歷史故障數(shù)據(jù)；根據(jù)零配件歷史故障數(shù)據(jù)進行多模態(tài)失效預測模型訓練，得到多模態(tài)失效預測模型；利用多模態(tài)失效預測模型進行未來失效概率推演，并進行時序失效風險累積，得到失效概率分布；

5、步驟s3：對失效概率分布進行失效機理與設計參數(shù)關(guān)聯(lián)解析，得到失效-參數(shù)關(guān)聯(lián)表；對失效-參數(shù)關(guān)聯(lián)表進行設計參數(shù)敏感度評估，得到參數(shù)敏感度評估數(shù)據(jù)；根據(jù)參數(shù)敏感度評估數(shù)據(jù)進行多目標約束構(gòu)建與優(yōu)化，得到優(yōu)化設計約束；

6、步驟s4：根據(jù)優(yōu)化設計約束進行約束驅(qū)動參數(shù)賦值，得到約束賦值模型；根據(jù)約束賦值模型進行幾何形態(tài)自適應三維模型構(gòu)建，得到自適應三維模型；

7、步驟s5：對自適應三維模型進行新模型服役狀態(tài)監(jiān)控，并進行維護檔案生成，得到新模型維護檔案；根據(jù)新模型維護檔案進行服役性能指標生成，得到服役性能指標。

8、本發(fā)明通過多維感知數(shù)據(jù)獲取、關(guān)聯(lián)特征參數(shù)挖掘和多維特征融合構(gòu)建，有效提取了反映零部件運行狀態(tài)的關(guān)鍵特征，形成行為特征向量，為后續(xù)失效預測提供了高質(zhì)量的數(shù)據(jù)基礎(chǔ)，避免了信息缺失和數(shù)據(jù)冗余，提高了預測模型的準確性和效率。通過整合歷史故障數(shù)據(jù)、訓練多模態(tài)失效預測模型以及進行未來失效概率推演和時序失效風險累積，實現(xiàn)了對零部件未來失效風險的精準預測，不僅可以預測失效概率，還能預測失效模式和時間分布，為后續(xù)的設計優(yōu)化提供了明確的目標和方向。通過失效機理與設計參數(shù)關(guān)聯(lián)解析、設計參數(shù)敏感度評估以及多目標約束構(gòu)建與優(yōu)化，將失效預測結(jié)果轉(zhuǎn)化為可操作的設計約束，并通過多目標優(yōu)化算法找到了最佳的設計參數(shù)組合，實現(xiàn)了基于失效風險的自適應設計，從而提高了零部件的可靠性和壽命。通過約束驅(qū)動參數(shù)賦值和幾何形態(tài)自適應三維模型構(gòu)建，實現(xiàn)了基于優(yōu)化設計約束的快速模型生成，自動化地構(gòu)建滿足設計要求的三維模型，并通過虛擬性能評估和迭代優(yōu)化，進一步提升了模型的性能和可靠性，縮短了設計周期，提高了設計效率。通過對新模型進行服役狀態(tài)監(jiān)控、維護檔案生成和服役性能指標生成，構(gòu)建了閉環(huán)反饋優(yōu)化機制，將實際運行數(shù)據(jù)反饋到設計流程中，可以不斷驗證和改進設計方法和模型，實現(xiàn)持續(xù)優(yōu)化，從而使零部件的設計能夠更好地適應實際工況，進一步提高可靠性、降低成本并提升效率。因此，本發(fā)明提供了一種用于零配件的智能三維模型設計方法及系統(tǒng)，通過將預測性維護數(shù)據(jù)與智能三維模型設計流程深度融合，實現(xiàn)了數(shù)據(jù)驅(qū)動的自適應設計和閉環(huán)反饋優(yōu)化，有效地解決了現(xiàn)有方法存在的設計冗余或不足，成本高，效率低以及難以根據(jù)實際運行狀態(tài)和潛在故障風險進行提前設計和優(yōu)化的局限性，使得零配件的設計能夠更好地適應其所處的實際運行環(huán)境，從而提高其可靠性、降低成本并提升效率。

9、優(yōu)選地，步驟s1包括以下步驟：

10、步驟s11：對設備關(guān)鍵部位的零配件進行多維感知數(shù)據(jù)獲取，得到原始傳感器數(shù)據(jù)流；

11、步驟s12：對原始傳感器數(shù)據(jù)流進行異構(gòu)數(shù)據(jù)同步校準，得到同步校準數(shù)據(jù)集；

12、步驟s13：對同步校準數(shù)據(jù)集進行噪聲干擾辨識與抑制，得到高信噪比數(shù)據(jù)；

13、步驟s14：對高信噪比數(shù)據(jù)進行關(guān)聯(lián)特征參數(shù)挖掘，得到初級特征參數(shù)集；

14、步驟s15：對初級特征參數(shù)集進行多維特征融合構(gòu)建，得到行為特征向量。

15、本發(fā)明通過在設備關(guān)鍵部位部署多種類型的傳感器并同步采集數(shù)據(jù)，可以全面獲取零配件的運行狀態(tài)信息，為后續(xù)的特征提取和失效預測提供豐富的數(shù)據(jù)來源，避免了僅依靠單一傳感器數(shù)據(jù)可能導致的信息缺失，從而提高了后續(xù)分析的準確性和可靠性。通過對多源傳感器數(shù)據(jù)進行時間同步和量綱校準，消除了不同傳感器之間的數(shù)據(jù)差異，例如采樣頻率不同、量綱單位不一致等，保證了數(shù)據(jù)的一致性和可比性，為后續(xù)的特征提取和數(shù)據(jù)融合奠定了基礎(chǔ)，提高了數(shù)據(jù)處理的效率和準確性。通過采用合適的去噪算法對傳感器數(shù)據(jù)進行噪聲抑制，可以去除環(huán)境干擾和傳感器自身誤差帶來的噪聲，提高數(shù)據(jù)的信噪比，使得提取的特征參數(shù)更能反映零配件的真實運行狀態(tài)，從而提高了后續(xù)失效預測的準確性和可靠性。通過對高信噪比數(shù)據(jù)進行特征提取，可以將原始的時域或頻域信號轉(zhuǎn)化為更具代表性的特征參數(shù)，例如振動頻譜特征、溫度變化率等，這些特征參數(shù)能夠更有效地反映零配件的運行狀態(tài)和潛在的失效模式，為后續(xù)的特征融合和失效預測提供了更有效的數(shù)據(jù)輸入。通過將多個初級特征參數(shù)融合構(gòu)建成多維的行為特征向量，可以更全面地描述零配件的運行狀態(tài)，避免了僅依靠單一特征參數(shù)可能導致的信息丟失，從而提高了后續(xù)失效預測的準確性和可靠性。同時，標準化處理消除了不同特征參數(shù)之間的量綱差異，使得各個特征參數(shù)在行為特征向量中具有相同的權(quán)重，避免了某些特征參數(shù)的影響被過度放大或縮小。

16、優(yōu)選地，步驟s14包括以下步驟：

17、步驟s141：根據(jù)高信噪比數(shù)據(jù)進行力學模型構(gòu)建，得到力學模型；

18、步驟s142：根據(jù)高信噪比數(shù)據(jù)以及力學模型進行應力歷程推演，得到應力時間序列；

19、步驟s143：對應力時間序列進行循環(huán)載荷譜提取，得到循環(huán)特征譜；

20、步驟s144：根據(jù)循環(huán)特征譜進行疲勞損傷參數(shù)計算，得到疲勞損傷指標；

21、步驟s145：對疲勞損傷指標進行通用特征整合，得到初級特征參數(shù)集。

22、本發(fā)明通過構(gòu)建力學模型，將傳感器采集到的載荷、位移等數(shù)據(jù)與零部件的應力狀態(tài)聯(lián)系起來，為后續(xù)的疲勞分析提供了基礎(chǔ)。力學模型的建立使得可以更準確地評估零部件在實際工作載荷下的應力分布，避免了僅依靠經(jīng)驗或簡化公式進行估算帶來的誤差，從而提高了疲勞損傷預測的準確性。通過將高信噪比數(shù)據(jù)輸入到力學模型中進行仿真計算，可以得到零部件關(guān)鍵部位的應力時間序列，該序列準確反映了零部件在實際運行過程中的應力變化歷史，為疲勞損傷分析提供了更精細、更貼近實際的數(shù)據(jù)，避免了使用簡化的載荷譜導致的誤差，從而提高了疲勞損傷預測的準確性。通過對應力時間序列進行循環(huán)載荷譜提取，可以將復雜的變幅載荷轉(zhuǎn)化為一系列不同幅值和均值的循環(huán)載荷，簡化了疲勞分析的計算過程，同時保留了載荷譜的關(guān)鍵特征，為后續(xù)的疲勞損傷計算提供了更便捷、更有效的數(shù)據(jù)輸入。通過結(jié)合材料的s-n曲線和循環(huán)特征譜，可以定量計算零部件的疲勞損傷指標，例如疲勞損傷累積量或等效應力幅值，這些指標能夠更直觀地反映零部件的疲勞損傷程度，為后續(xù)的壽命預測和設計優(yōu)化提供了重要的參考依據(jù)。通過將疲勞損傷指標與其他傳感器數(shù)據(jù)提取的通用特征參數(shù)進行整合，可以構(gòu)建一個更全面的特征參數(shù)集，該參數(shù)集不僅包含了零部件的疲勞損傷信息，還包含了其他重要的運行狀態(tài)信息，例如振動、溫度等，從而能夠更全面地描述零部件的狀態(tài)，為后續(xù)的失效預測和健康評估提供更豐富的信息，提高預測的準確性和可靠性。

23、優(yōu)選地，步驟s2包括以下步驟：

24、步驟s21：獲取零配件歷史故障數(shù)據(jù)；對零配件歷史故障數(shù)據(jù)進行歷史故障信息整合，得到標準化故障檔案；

25、步驟s22：對行為特征向量以及標準化故障檔案進行行為特征與故障關(guān)聯(lián)標注，得到故障標注特征集；

26、步驟s23：利用故障標注特征集進行多模態(tài)失效預測模型訓練，得到多模態(tài)失效預測模型；

27、步驟s24：將行為特征向量數(shù)據(jù)輸入至多模態(tài)失效預測模型進行未來失效概率推演，得到即時失效概率；

28、步驟s25：對即時失效概率進行時序失效風險累積，得到失效概率分布。

29、本發(fā)明通過收集和整合歷史故障數(shù)據(jù)，并進行清洗、去重、標準化等預處理，構(gòu)建了結(jié)構(gòu)化的標準化故障檔案，為后續(xù)的故障關(guān)聯(lián)分析和模型訓練提供了高質(zhì)量的數(shù)據(jù)基礎(chǔ)，避免了數(shù)據(jù)噪聲對分析結(jié)果的影響，提高了后續(xù)步驟的準確性和可靠性。通過將行為特征向量與標準化故障檔案進行時間關(guān)聯(lián)和標注，構(gòu)建了故障標注特征集，將零部件的運行狀態(tài)特征與其對應的失效模式關(guān)聯(lián)起來，為訓練失效預測模型提供了必要的監(jiān)督學習數(shù)據(jù)，使得模型能夠?qū)W習到運行狀態(tài)特征與失效模式之間的潛在關(guān)系。利用故障標注特征集訓練多模態(tài)失效預測模型，使得模型能夠根據(jù)零部件的運行狀態(tài)特征預測其未來發(fā)生不同失效模式的概率，為后續(xù)的預防性維護和設計優(yōu)化提供決策依據(jù)。gbdt模型的應用能夠有效處理高維特征和非線性關(guān)系，提高預測的準確性。通過將實時的行為特征向量輸入到訓練好的失效預測模型中，可以得到零部件當前時刻發(fā)生不同失效模式的即時概率，為實時監(jiān)控和預警提供了依據(jù)，可以及時發(fā)現(xiàn)潛在的故障風險。通過對即時失效概率進行時序累積，可以得到未來一段時間內(nèi)零部件發(fā)生不同失效模式的概率分布，更全面地評估了未來的失效風險，避免了僅關(guān)注瞬時概率導致的片面性，為制定更合理的維護策略和設計優(yōu)化方案提供了更可靠的依據(jù)。

30、優(yōu)選地，步驟s3包括以下步驟：

31、步驟s31：對失效概率分布進行高風險失效甄別，得到顯著失效模式集；

32、步驟s32：對顯著失效模式集進行失效機理與設計參數(shù)關(guān)聯(lián)解析，得到失效-參數(shù)關(guān)聯(lián)表；

33、步驟s33：對失效-參數(shù)關(guān)聯(lián)表進行設計參數(shù)敏感度評估，得到參數(shù)敏感度評估數(shù)據(jù)；

34、步驟s34：根據(jù)參數(shù)敏感度評估數(shù)據(jù)進行初始設計約束生成，得到初始設計約束集；

35、步驟s35：對初始設計約束集進行多目標約束優(yōu)化與融合，得到優(yōu)化設計約束。

36、本發(fā)明通過設定概率閾值，篩選出未來一段時間內(nèi)發(fā)生概率較高的失效模式，形成顯著失效模式集，有助于集中資源重點關(guān)注和優(yōu)化這些高風險失效模式，提高設計改進的效率和針對性，避免了對所有失效模式進行同等程度的分析，從而優(yōu)化資源分配。通過分析顯著失效模式的失效機理，并將其與零部件的設計參數(shù)關(guān)聯(lián)起來，構(gòu)建失效-參數(shù)關(guān)聯(lián)表，明確了哪些設計參數(shù)對特定失效模式的影響較大，為后續(xù)的參數(shù)敏感度評估和設計優(yōu)化提供了方向和依據(jù)，避免了盲目修改設計參數(shù)。通過對失效-參數(shù)關(guān)聯(lián)表中的設計參數(shù)進行敏感度評估，量化了每個參數(shù)對失效概率的影響程度，有助于識別出對失效影響最大的關(guān)鍵設計參數(shù)，為后續(xù)的設計優(yōu)化提供更精確的指導，避免了對次要參數(shù)的過度調(diào)整。根據(jù)參數(shù)敏感度評估數(shù)據(jù)，針對高風險失效模式，制定初始設計約束，為后續(xù)的設計優(yōu)化提供了初始的搜索方向和范圍，將失效概率的預測結(jié)果轉(zhuǎn)化為可操作的設計約束，為模型優(yōu)化提供了具體的目標。通過多目標優(yōu)化算法對初始設計約束集進行優(yōu)化和融合，可以得到一組滿足多個設計目標(例如降低多種失效模式的概率、滿足重量和成本限制等)的最優(yōu)設計約束，從而在多個相互競爭的設計目標之間取得平衡，避免了單目標優(yōu)化導致的顧此失彼，實現(xiàn)了零部件的整體性能提升。

37、優(yōu)選地，步驟s32包括以下步驟：

38、步驟s321：對顯著失效模式集進行基于知識的參數(shù)初步識別，得到初步關(guān)聯(lián)參數(shù)列表；

39、步驟s322：對初步關(guān)聯(lián)參數(shù)列表進行仿真驅(qū)動的參數(shù)影響量化，得到參數(shù)敏感度數(shù)據(jù)；

40、步驟s323：對參數(shù)敏感度數(shù)據(jù)進行實驗驗證與關(guān)聯(lián)關(guān)系校準，得到校準后參數(shù)敏感度；

41、步驟s324：根據(jù)初步關(guān)聯(lián)參數(shù)列表以及校準后參數(shù)敏感度進行失效機理關(guān)聯(lián)規(guī)則集。

42、本發(fā)明通過基于現(xiàn)有知識庫和文獻檢索，初步識別與顯著失效模式相關(guān)的潛在設計參數(shù)，形成初步關(guān)聯(lián)參數(shù)列表，為后續(xù)的仿真分析和實驗驗證提供了方向，避免了盲目地對所有設計參數(shù)進行分析，提高了分析效率，并確保了分析的重點集中在最可能影響失效模式的參數(shù)上。通過仿真分析，量化了初步關(guān)聯(lián)參數(shù)列表中每個參數(shù)對失效模式的影響程度，得到了參數(shù)敏感度數(shù)據(jù)，為后續(xù)的實驗驗證和關(guān)聯(lián)關(guān)系校準提供了基礎(chǔ)數(shù)據(jù)，并能夠在實驗驗證之前初步篩選出對失效模式影響較大的關(guān)鍵參數(shù)，從而減少實驗驗證的工作量和成本。通過實驗驗證和校準，修正了仿真分析中可能存在的誤差，得到了更準確、更可靠的參數(shù)敏感度數(shù)據(jù)，提高了失效機理關(guān)聯(lián)規(guī)則集的準確性和可靠性，使得基于該規(guī)則集的設計優(yōu)化更具有效性。通過將初步關(guān)聯(lián)參數(shù)列表和校準后的參數(shù)敏感度數(shù)據(jù)相結(jié)合，構(gòu)建了失效機理關(guān)聯(lián)規(guī)則集，該規(guī)則集以if-then的形式清晰地表達了設計參數(shù)與失效模式之間的關(guān)聯(lián)關(guān)系，形成了一個可用于指導零部件設計優(yōu)化的知識庫，為自動化和智能化的設計優(yōu)化提供了基礎(chǔ)。

43、優(yōu)選地，步驟s33包括以下步驟：

44、步驟s331：對失效-參數(shù)關(guān)聯(lián)表進行局部敏感度計算，得到局部敏感度數(shù)據(jù)；

45、步驟s332：根據(jù)失效-參數(shù)關(guān)聯(lián)表以及失效概率分布進行全局敏感度分析，得到全局敏感度指標；

46、步驟s333：根據(jù)失效-參數(shù)關(guān)聯(lián)表進行仿真輔助的敏感度驗證，得到仿真驗證敏感度數(shù)據(jù)；

47、步驟s334：對局部敏感度數(shù)據(jù)、全局敏感度指標以及仿真驗證敏感度數(shù)據(jù)進行參數(shù)敏感度評估數(shù)據(jù)生成，得到參數(shù)敏感度評估數(shù)據(jù)。

48、本發(fā)明通過計算局部敏感度，量化了各個設計參數(shù)在基準值附近對失效概率的影響程度，提供了對參數(shù)變化的即時影響的理解，為后續(xù)的全局敏感度分析和設計優(yōu)化提供了基礎(chǔ)數(shù)據(jù)，并有助于識別在當前設計點附近哪些參數(shù)對失效概率的影響最大。通過全局敏感度分析，考慮了參數(shù)在整個取值范圍內(nèi)變化對失效概率的影響，得到了更全面的敏感度指標，例如sobol指數(shù)，可以更準確地識別出對失效概率影響最大的關(guān)鍵參數(shù)，避免了局部敏感度分析帶來的片面性，為設計優(yōu)化提供了更可靠的指導。通過仿真輔助的敏感度驗證，可以進一步驗證和校準局部敏感度和全局敏感度分析的結(jié)果，提高了敏感度評估的準確性和可靠性，并可以幫助理解參數(shù)變化對失效模式的影響機理。通過綜合考慮局部敏感度數(shù)據(jù)、全局敏感度指標和仿真驗證敏感度數(shù)據(jù)，并采用加權(quán)平均等方法進行融合，得到了更全面、更可靠的參數(shù)敏感度評估數(shù)據(jù)，該數(shù)據(jù)綜合了多種分析方法的結(jié)果，提高了評估結(jié)果的準確性和魯棒性，為后續(xù)的初始設計約束生成提供了更可靠的依據(jù)。

49、優(yōu)選地，步驟s4包括以下步驟：

50、步驟s41：將優(yōu)化設計約束應用于預構(gòu)建的初始參數(shù)化模型，進行約束驅(qū)動參數(shù)賦值，得到約束賦值模型；

51、步驟s42：根據(jù)約束賦值模型進行幾何形態(tài)自適應生成，得到待驗證三維模型；

52、步驟s43：對待驗證三維模型進行虛擬性能指標評估，得到仿真性能報告；

53、步驟s44：對仿真性能報告進行模型迭代優(yōu)化決策，得到自適應三維模型。

54、本發(fā)明通過將優(yōu)化設計約束應用于預構(gòu)建的初始參數(shù)化模型，并進行約束驅(qū)動參數(shù)賦值，確保了生成的三維模型滿足預設的設計約束條件，并將設計約束轉(zhuǎn)化為可操作的參數(shù)化模型，為后續(xù)的幾何形態(tài)自適應生成奠定了基礎(chǔ)。根據(jù)約束賦值模型自動生成待驗證三維模型，實現(xiàn)了設計過程的自動化，提高了設計效率，并能夠快速生成滿足設計約束的多種設計方案，為后續(xù)的性能評估和優(yōu)化提供了更多的選擇。通過對生成的待驗證三維模型進行虛擬性能指標評估，例如利用有限元分析評估其力學性能、熱學性能等，可以提前預測模型在實際工況下的性能表現(xiàn)，并識別潛在的設計缺陷，為后續(xù)的模型優(yōu)化提供指導，節(jié)省了時間和成本。通過分析仿真性能報告，并根據(jù)評估結(jié)果進行模型迭代優(yōu)化決策，可以不斷改進設計方案，直至所有性能指標滿足設計要求，最終得到性能優(yōu)化的自適應三維模型，該模型能夠更好地滿足實際工況的需求，并有效降低失效風險。迭代優(yōu)化的過程確保了最終模型的性能和可靠性。

55、優(yōu)選地，步驟s5包括以下步驟：

56、步驟s51：對自適應三維模型進行新模型服役狀態(tài)監(jiān)控，得到新模型運行履歷；

57、步驟s52：將新模型運行履歷與行為特征向量進行實際性能數(shù)據(jù)比對，得到性能差異報告；

58、步驟s53：對自適應三維模型進行維護事件與故障信息記錄，得到新模型維護檔案；

59、步驟s54：根據(jù)性能差異報告以及新模型維護檔案進行服役性能指標計算與評估，得到初步性能指標集；

60、步驟s55：對初步性能指標集進行設計優(yōu)化策略反饋，得到服役性能指標。

61、本發(fā)明通過對投入實際使用的自適應三維模型零部件進行服役狀態(tài)監(jiān)控，并記錄其運行數(shù)據(jù)，構(gòu)建了新模型運行履歷，為后續(xù)的性能評估和優(yōu)化提供了實際運行數(shù)據(jù)，彌補了仿真分析與實際工況之間存在的差距。通過將新模型的運行數(shù)據(jù)與歷史數(shù)據(jù)(行為特征向量)進行對比分析，可以量化評估新模型的性能改進效果，例如振動水平是否降低、溫度變化是否更穩(wěn)定等，為設計優(yōu)化提供數(shù)據(jù)支持，并驗證了之前步驟的有效性。通過記錄新模型的維護事件和故障信息，構(gòu)建了新模型維護檔案，為評估新模型的可靠性和維護成本提供了數(shù)據(jù)支持，可以更準確地計算mtbf、mttr等關(guān)鍵指標。通過綜合性能差異報告和新模型維護檔案中的數(shù)據(jù)，計算得到了新模型的各項服役性能指標，例如mtbf、mttr、維護成本等，形成了初步性能指標集，為最終的性能評估和設計優(yōu)化策略反饋提供了量化依據(jù)。通過分析初步性能指標集，并將評估結(jié)果反饋到設計優(yōu)化階段，形成了閉環(huán)反饋優(yōu)化機制，可以不斷改進設計方法和模型，從而持續(xù)提升零部件的性能和可靠性，降低維護成本，并使設計方案能夠更好地適應實際工況。

62、優(yōu)選地，本發(fā)明還提供了一種用于零配件的智能三維模型設計系統(tǒng)，用于執(zhí)行如上所述的用于零配件的智能三維模型設計方法，該用于零配件的智能三維模型設計系統(tǒng)包括：

63、動態(tài)特征提取模塊，用于對零配件進行多維感知數(shù)據(jù)獲取，得到原始傳感器數(shù)據(jù)流；對原始傳感器數(shù)據(jù)流進行關(guān)聯(lián)特征參數(shù)挖掘，得到初級特征參數(shù)集；對初級特征參數(shù)集進行多維特征融合構(gòu)建，得到行為特征向量；

64、風險譜系構(gòu)建模塊，用于獲取零配件歷史故障數(shù)據(jù)；根據(jù)零配件歷史故障數(shù)據(jù)進行多模態(tài)失效預測模型訓練，得到多模態(tài)失效預測模型；利用多模態(tài)失效預測模型進行未來失效概率推演，并進行時序失效風險累積，得到失效概率分布；

65、拓撲構(gòu)型演化模塊，用于對失效概率分布進行失效機理與設計參數(shù)關(guān)聯(lián)解析，得到失效-參數(shù)關(guān)聯(lián)表；對失效-參數(shù)關(guān)聯(lián)表進行設計參數(shù)敏感度評估，得到參數(shù)敏感度評估數(shù)據(jù)；根據(jù)參數(shù)敏感度評估數(shù)據(jù)進行多目標約束構(gòu)建與優(yōu)化，得到優(yōu)化設計約束；

66、參數(shù)化內(nèi)核重構(gòu)模塊，用于根據(jù)優(yōu)化設計約束進行約束驅(qū)動參數(shù)賦值，得到約束賦值模型；根據(jù)約束賦值模型進行幾何形態(tài)自適應三維模型構(gòu)建，得到自適應三維模型；

67、閉環(huán)性能評估模塊，用于對自適應三維模型進行新模型服役狀態(tài)監(jiān)控，并進行維護檔案生成，得到新模型維護檔案；根據(jù)新模型維護檔案進行服役性能指標生成，得到服役性能指標。