随着现代计算机技术的快速发展,数字样机技术被广泛的应用到飞机、汽车等实际制造业中,使得以仿真驱动的产品设计成为了一种主流。数字化仿真技术在对复杂产品进行建模和运行过程中会产生海量、高维数、相互关系复杂的仿真数据,如何充分利用仿真数据中隐含的知识和规律来指导产品的设计和优化是目前所要解决的难点问题,而数据挖掘技术能通过分析大量的数据来揭示其中新的关系、模式和趋势,因此数据挖掘技术是解决这类问题的有效方法。近年来,随着基于数据驱动的人工智能技术的不断发展,深度学习因其具有较强的数据分析和学习能力而被广泛用于数据挖掘中。本文对深度信念网络进行了改进并将其用于袋式除尘器数字样机工作性能预测中,具体研究内容如下:(1)分析了袋式除尘器的工作原理,在此基础上对自主研发的袋式除尘器数字样机实现的关键技术及工作性能进行了研究;并从数据挖掘技术的角度,对除尘器数字样机仿真数据进行了分析,确定了数据挖掘的目标。(2)分析了深度信念网络(DBN)模型的学习算法,针对DBN模型在非线性系统预测时,模型在构建过程中固定的学习率难以寻找全局最优以及学习速度慢等问题,提出了一种改进的DBN预测模型。将动量学习率引入到DBN预训练阶段,改进了受限波尔兹曼机网络以提高特征提取精度及参数在训练过程中的抗振荡能力。同时,将共轭梯度法嵌入DBN微调阶段来加快学习速度。构建基于改进DBN的袋式除尘器数字样机工作性能预测模型,并通过实验的方法确定最优的模型网络结构,建立预测准确度较高的预测模型。(3)搭建了袋式除尘器数字样机工作性能预测平台,完成了袋式除尘器数字样机仿真和数据挖掘功能模块的开发和集成。该平台主要包括五个模块:数字样机模型重构模块、数值模拟模块、数据预处理模块、数据挖掘模块、性能预测模块,并通过对192系列袋式除尘器整机工作性能的预测,证明了该平台的可行性、有效性。研究和应用结果表明,改进的DBN预测模型不仅速度快而且预测精度高。应用该模型对袋式除尘器数字样机工作性能进行预测时,不仅能快速准确得到评价性能的指标值,更重要的是使设计者可以通过该指标值评价不同设计方案对其工作性能的影响,确定出最优的除尘器结构。