CN112100155A - 一种云边协同的数字孪生模型组装与融合方法 - Google Patents

Abstract

本发明公开了一种云边协同的数字孪生模型组装与融合方法，该方法针对云边协同的数字孪生系统中的模型组装与融合问题，包括：数字孪生的建模对象的模块分解，针对不同的模块建立其数字孪生模型；从空间关系和约束关系维度剖析模型间关联关系，计算模型间的耦合度，并根据耦合度对模型集进行聚合划分；计算模型在运行时所占用的计算资源和时间规模，根据计算结果把模型分配到边缘层和云端；在边缘端设备和云端进行模型的组装与融合，并进行边云协同。方法通过对数字孪生对象进行模块分解、模型耦合度分析、模型运行所占计算资源和时间规模分析，进行云端和边缘层模型组装与融合以及云边协同，能够在一定程度上提高数字孪生系统中模型的运行效率。

Description

一种云边协同的数字孪生模型组装与融合方法

技术领域

本发明属于工业工程、计算机科学和制造领域，具体涉及一种云边协同的数字孪生模型组装与融合方法。

背景技术

当前，全球新一轮科技革命和产业变革加紧孕育兴起，并与制造业转型升级形成了历史性交汇，给制造行业带来了新的机遇。数字孪生作为实现制造物理世界和信息世界交互与融合的一种有效途径，得到了国内外相关领域学术界和企业界高度关注。数字孪生不仅可以利用数据和模型驱动来理解、监控、优化和控制物理世界，而且还可以利用虚拟模型和仿真技术预测未来状态与探讨未知世界。由于资源的复杂性，资源的数字孪生模型往往不是仅仅只有一个或一种模型，而是多个模型的组装与融合。因功能和性能的不同，有些模型可能需要功能强大的计算服务来发挥其主要性能，而有些轻量级模型只需部署在边缘层运行即可。因此，数字孪生模型可由部署于不同平台和位置的模型组装与融合产生。

现有数字孪生模型的组装融合未考虑模型功能和性能的差异，统一在边缘层进行模型组装融合会产生边缘计算资源不足而运行失败或超时问题，而统一在云端进行模型组装融合管理，会产生模型的数据通信量大、网络拥塞、时延长的问题。为此，本发明公开了一种云边协同的数字孪生模型组装与融合方法，该方法通过对数字孪生对象进行模块分解、模型耦合度分析、模型运行所占计算资源和时间规模分析，进行云端和边缘层模型组装与融合以及云边协同，能够在一定程度上提高数字孪生系统中模型的运行效率。

发明内容

本发明要解决的技术问题为：提供一种云边协同的数字孪生模型组装与融合方法，该方法涵盖了数字孪生建模对象的模块分解、模型耦合度分析、模型运行所占计算资源和时间规模分析、云端和边缘层模型组装与融合以及云边协同，能够在一定程度上提高数字孪生系统中模型的运行效率。

本发明解决其技术问题是采取以下技术方案实现的：一种云边协同的数字孪生模型组装与融合方法，包括：

步骤(1)、对数字孪生的建模对象进行模块分解，数字孪生的建模过程是针对具体对象进行的，定义Obj表示数字孪生的建模对象，即Obj为在进行数字孪生应用时物理空间中的实体事物或过程，根据实际数字孪生应用需求Obj可分解为不同的模块Obj＝{O₁，O₂，...，O_j，...，O_n}，其中O_j表示Obj的第j个模块，j＝1，2，...n，n为数字孪生的建模对象分解的模块数量；针对不同的模块O_j建模人员建立其数字孪生模型m_j，则数字孪生的建模对象Obj对应的模型集为M＝{m₁，m₂，...，m_j，...，m_n}，数字孪生模型的组装与融合是模型集M中的子模型的组装与融合。

步骤(2)、从空间关系和约束关系维度剖析模型集M中子模型间关联关系，空间关系包括邻接关系、功能互补、控制关系、输入输出关系，约束关系包括时序关系、边界条件、物理条件约束、共享数据。基于关联关系计算模型集M中任意两个子模型m_i，m_j间耦合度，Coup_ij＝f(m_i，m_j)，设子模型间耦合度阈值THR，当Coup_ij>THR时，则定义模型m_i，m_j之间为紧耦合，否则为松耦合。所有两两之间紧耦合的子模型组成模型子集Sub_M_t＝{m_k，m_p，...，m_q}，k，p，q∈1，2，...，n，Sub_M_t中模型子集的个数最少为1个，则数字孪生的建模对象Obj的模型集聚合为M＝{Sub_M₁，Sub_M₂，...，Sub_M_t}，t表示模型集M聚合成的模型子集的个数。其中耦合度计算函数Coup_ij＝f(m_i，m_j)及子模型间耦合度阈值THR因模型类型不同而异，可根据实际做选择。耦合度计算函数Coup_ij＝f(m_i，m_j)，具体为：

其中，α+β＝1，

表示模型i输入数据参数的个数，

表示模型i输入控制参数的个数，

表示模型i输出数据参数的个数，

表示模型i输出控制参数的个数，

表示模型j输入数据参数的个数，

表示模型j输入控制参数的个数，

表示模型j输出数据参数的个数，

表示模型j输出控制参数的个数；

表示模型i和模型j共同的输入数据参数的个数，

表示模型i和模型j共同的输入控制参数的个数，

表示模型i和模型j共同的输出数据参数的个数，

表示模型i和模型j共同的输出控制参数的个数；gdⁱ表示模型i用来存储数据的全局变量，gd^j表示模型j用来存储数据的全局变量，gd^ij表示模型i和模型j共用的全局变量。

步骤(3)、计算模型在运行时所占用的计算资源和时间规模。由于模型子集Sub_M_t＝{m_k，m_p，…，m_q}中的子模型两两之间紧耦合，因此在进行云边协同分配时，模型子集Sub_M_t作为一个整体进行分配，计算时模型子集Sub_M_t中的子模型也作为一个整体计算运行时所占用的计算资源S(Sub_M_t)和时间规模T(Sub_M_t)。同时根据边缘设备的计算资源和计算能力决定模型子集Sub_M_t的分配，当S(Sub_M_t)小于边缘设备的计算资源同时T(Sub_M_t)满足时间要求，则将模型子集Sub_M_t部置在边缘设备上运行，否则将将模型子集Sub_M_t部置在云端运行。

模型子集Sub_M_t运行时所占用的计算资源S(Sub_M_t)的计算公式为S(Sub-M_t)＝S_r+S_r，其中S_r表示模型子集Sub_M_t中模型本身存储所占的资源的总和，S_r表示模型子集Sub_M_t中模型运行和计算时所需的辅助资源，包括计算执行时模型的输入数据和输出数据所占的资源、指令所占的资源；模型子集Sub_M_t运行时的时间规模T(Sub_M_t)计算为T(Sub-M_t)＝O(n)/Cap，其中O(n)表示模型子集Sub-M_t的计算时间复杂度，Cap表示边缘计算设备的计算能力，不同的边缘计算设备因能力不同，时间规模T(Sub_M_t)也不同。

步骤(4)、在边缘端设备进行轻量级模型的组装与融合，边缘端设备包括路由器、边缘网关、边缘微服务器、工业互联网Hub。边缘层模型的组装与融合是基于步骤2分析得到的模型间的空间关系和约束关系，结合模型之间的功能链接和信息交互，组装与融合形成能够实时刻画和控制数字孪生的建模对象状态的轻量级数字孪生融合模型。同时在云端进行复杂模型的组装与融合，云端复杂模型的组装与融合方法与边缘层类似。组装是指基于分析得到的空间关系在同一个运行环境下将彼此间具有邻接关系、功能互补、输入输出交互的模型组合在一起，融合是指在组合后模型的基础上添加模型间内在关联关系，包括时序关系、工艺约束关系、边界约束，从而将分散的模型融合成为能够实现特定功能的完整模型。

步骤(5)、基于边云间的数据交互实现模型间的边云协同。模型的边云融合包括两方面，一方面一些部署在边缘层的模型是在云端基于海量的历史数据以及实时采集数据训练得到，云端模型形成后，模型可被下载到边缘层，由边缘数据驱动其响应和控制物理对象，同时该模型会在运行过程中随数据的不断丰富而更新；另一方面，边缘层模型与云端模型之间存在交互，边缘层模型参数与云端在较大时间尺度上计算的更丰富模型的预测数据和结果进行比较，从而实时更新参数。

经过边缘层和云端模型组装与融合以及边云模型协同，部署在不同位置和平台的子模型共同完成数字孪生的功能。

本发明与现有技术相比的优点在于：

(1)结合数字孪生系统中模型在功能和性能复杂度的不同，设计了边缘层和云端协同的模型组装与融合方法；

(2)分析了子模型间的耦合度，并计算了模型运行的时间和空间规模，能够在一定程度上减少模型在云端和边缘层分配的复杂性。

附图说明

图1为本发明的一种云边协同的数字孪生模型组装与融合方法流程框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明涉及一种云边协同的数字孪生模型组装与融合方法。数字孪生技术能够通过对真实世界中的对象进行刻画，使其反应在虚拟空间中，所以真实世界中的设备与虚拟空间中的设备就形成了一个实、一个虚的孪生体。数字孪生不仅可以利用数据和模型驱动来理解、监控、优化和控制物理世界，而且还可以利用虚拟模型和仿真技术预测未来状态与探讨未知世界。由于资源的复杂性，资源的数字孪生模型往往不是仅仅只有一个或一种模型，而是多个模型的组装与融合。因功能和性能的不同，有些模型可能需要功能强大的计算服务来发挥其主要性能，而有些轻量级模型只需部署在边缘层运行即可。因此，数字孪生模型可由部署于不同平台和位置的模型组装与融合产生。为此，本发明公开了一种云边协同的数字孪生模型组装与融合方法，该方法从对象的模块分解、模型耦合度分析、模型运行所占计算资源和时间规模分析、云端和边缘层模型组装与融合以及云边协同出发，能够在一定程度上提高数字孪生系统中模型的运行效率。

本发明的系统结构框图如图1所示，具体实施方式如下：

(1)参见图1中的模块1，对数字孪生的建模对象进行模块分解，数字孪生的建模过程是针对具体对象进行的，具体实现如下：

步骤①、对数字孪生的建模对象进行模块分解，数字孪生的建模过程是针对具体对象进行的，定义Obj表示数字孪生的建模对象，即Obj为在进行数字孪生应用时物理空间中的实体事物或过程，根据实际数字孪生应用需求Obj可分解为不同的模块Obj＝{O₁，O₂，...，O_j，...，O_n}，其中O_j表示Obj的第j个模块，j＝1，2，...n，n为数字孪生的建模对象分解的模块数量；针对不同的模块O_j建模人员建立其数字孪生模型m_j，则数字孪生的建模对象Obj对应的模型集为M＝{m₁，m₂，...，m_j，...，m_n}，数字孪生模型的组装与融合是模型集M中的子模型的组装与融合。

步骤②、从空间关系和约束关系维度剖析模型集M中子模型间关联关系，空间关系包括邻接关系、功能互补、控制关系、输入输出关系，约束关系包括时序关系、边界条件、物理条件约束、共享数据。基于关联关系计算模型集M中任意两个子模型m_i，m_j间耦合度，Coup_ij＝f(m_i，m_j)，设子模型间耦合度阈值THR，当Coup_ij>THR时，则定义模型m_i，m_j之间为紧耦合，否则为松耦合。所有两两之间紧耦合的子模型组成模型子集Sub_M_t＝{m_k，m_p，...，m_q}，k，p，q∈1，2，...，n，Sub_M_t中模型子集的个数最少为1个，则数字孪生的建模对象Obj的模型集聚合为M＝{Sub_M₁，Sub_M₂，...，Sub_M_t}，t表示模型集M聚合成的模型子集的个数。其中耦合度计算函数Coup_ij＝f(m_i，m_j)及子模型间耦合度阈值THR因模型类型不同而异，可根据实际做选择。耦合度计算函数Coup_ij＝f(m_i，m_j)，具体为：

其中，α+β＝1，

表示模型i输入数据参数的个数，

表示模型i输入控制参数的个数，

表示模型i输出数据参数的个数，

表示模型i输出控制参数的个数，

表示模型j输入数据参数的个数，

表示模型j输入控制参数的个数，

表示模型j输出数据参数的个数，

表示模型j输出控制参数的个数；

表示模型i和模型j共同的输入数据参数的个数，

表示模型i和模型j共同的输入控制参数的个数，

表示模型i和模型j共同的输出数据参数的个数，

表示模型i和模型j共同的输出控制参数的个数；gdⁱ表示模型i用来存储数据的全局变量，gd^j表示模型j用来存储数据的全局变量。

步骤③、计算模型在运行时所占用的计算资源和时间规模。由于模型子集Sub_M_t＝{m_k，m_p，...，m_q}中的子模型两两之间紧耦合，因此在进行云边协同分配时，模型子集Sub_M_t作为一个整体进行分配，计算时模型子集Sub_M_t中的子模型也作为一个整体计算运行时所占用的计算资源S(Sub-M_t)和时间规模T(Sub-M_t)。同时根据边缘设备的计算资源和计算能力决定模型子集Sub_M_t的分配，当S(Sub_M_t)小于边缘设备的计算资源同时T(Sub_M_t)满足时间要求，则将模型子集Sub-M_t部置在边缘设备上运行，否则将将模型子集Sub-M_t部置在云端运行。

模型子集Sub_M_t运行时所占用的计算资源S(Sub_M_t)的计算公式为S(Sub_M_t)＝S_r+S_r，其中S_r表示模型子集Sub_M_t中模型本身存储所占的资源的总和，S_r表示模型子集Sub_M_t中模型运行和计算时所需的辅助资源，包括计算执行时模型的输入数据和输出数据所占的资源、指令所占的资源；模型子集Sub_M_t运行时的时间规模T(Sub_M_t)计算为T(Sub_M_t)＝O(n)/Cap，其中O(n)表示模型子集Sub_M_t的计算时间复杂度，Cap表示边缘计算设备的计算能力，不同的边缘计算设备因能力不同，时间规模T(Sub_M_t)也不同；

(2)参见图1中模块2，在边缘端设备和云端进行模型的组装与融合，具体实现如下：

步骤①、在边缘端设备进行轻量级模型的组装与融合，边缘端设备包括路由器、边缘网关、边缘微服务器、工业互联网Hub。边缘层模型的组装与融合是基于分析得到的模型间的空间关系和约束关系，结合模型之间的功能链接和信息交互，组装与融合形成能够实时刻画和控制数字孪生的建模对象状态的轻量级数字孪生融合模型。同时在云端进行复杂模型的组装与融合，云端复杂模型的组装与融合方法与边缘层类似。组装是指基于分析得到的空间关系在同一个运行环境下将彼此间具有邻接关系、功能互补、输入输出交互的模型组合在一起，融合是指在组合后模型的基础上添加模型间内在关联关系，包括时序关系、工艺约束关系、边界约束，从而将分散的模型融合成为能够实现特定功能的完整模型。

步骤②、基于边云间的数据交互实现模型间的边云协同。模型的边云融合包括两方面，一方面一些部署在边缘层的模型是在云端基于海量的历史数据以及实时采集数据训练得到，云端模型形成后，模型可被下载到边缘层，由边缘数据驱动其响应和控制物理对象，同时该模型会在运行过程中随数据的不断丰富而更新；另一方面，边缘层模型与云端模型之间存在交互，边缘层模型参数与云端在较大时间尺度上计算的更丰富模型的预测数据和结果进行比较，从而实时更新参数。经过边缘层和云端模型组装与融合以及边云模型协同，部署在不同位置和平台的子模型共同完成数字孪生的功能。。

综上所述，本发明公开了一种云边协同的数字孪生模型组装与融合方法，该方法通过对数字孪生对象进行模块分解、模型耦合度分析、模型运行所占计算资源和时间规模分析，进行云端和边缘层模型组装与融合以及云边协同，能够在一定程度上提高数字孪生系统中模型的运行效率。

本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种云边协同的数字孪生模型组装与融合方法，其特征在于，包括如下步骤：

步骤(1)、对数字孪生的建模对象进行模块分解，数字孪生的建模过程是针对具体对象进行的，定义Obj表示数字孪生的建模对象，即Obj为在进行数字孪生应用时物理空间中的实体事物或过程，根据实际数字孪生应用需求Obj分解为不同的模块Obj＝{O₁，O₂，...，O_j，...，O_n}，其中O_j表示Obj的第j个模块，j＝1，2，...n，n为数字孪生的建模对象分解的模块数量；针对不同的模块O_j，建模人员建立其数字孪生模型m_j，则数字孪生的建模对象Obj对应的模型集为M＝{m₁，m₂，...，m_j，...，m_n}，数字孪生模型的组装与融合是模型集M中的子模型的组装与融合；

步骤(2)、从空间关系和约束关系维度剖析模型集M中子模型间关联关系，空间关系包括邻接关系、功能互补、控制关系、输入输出关系，约束关系包括时序关系、边界条件、物理条件约束、共享数据；基于关联关系计算模型集M中任意两个子模型m_i，m_j间耦合度，Coup_ij＝f(m_i，m_j)，设子模型间耦合度阈值THR，当Coup_ij>THR时，则定义模型m_i，m_j之间为紧耦合，否则为松耦合；所有两两之间紧耦合的子模型组成模型子集Sub-M_t＝{m_k，m_p，...，m_q}，k，p，q∈1，2，...，n，Sub_M_t中模型子集的个数最少为1个，则数字孪生的建模对象Obj的模型集聚合为M＝{Sub_M₁，Sub_M₂，...，Sub_M_t}，t表示模型集M聚合成的模型子集的个数；其中耦合度计算函数Coup_ij＝f(m_i，m_j)及子模型间耦合度阈值THR因模型类型不同而异，根据实际做选择；

步骤(3)、计算模型在运行时所占用的计算资源和时间规模，由于模型子集Sub_M_t＝{m_k，m_p，...，m_q}中的子模型两两之间紧耦合，因此在进行云边协同分配时，模型子集Sub_M_t作为一个整体进行分配，计算时模型子集Sub_M_t中的子模型也作为一个整体计算运行时所占用的计算资源S(Sub_M_t)和时间规模T(Sub_M_t)；同时根据边缘设备的计算资源和计算能力决定模型子集Sub_M_t的分配，当S(Sub_M_t)小于边缘设备的计算资源同时T(Sub_M_t)满足时间要求，则将模型子集Sub_M_t部置在边缘设备上运行，否则将将模型子集Sub_M_t部置在云端运行；

步骤(4)、在边缘端设备进行轻量级模型的组装与融合，边缘端设备包括路由器、边缘网关、边缘微服务器、工业互联网Hub；边缘层模型的组装与融合是基于步骤2分析得到的模型间的空间关系和约束关系，结合模型之间的功能链接和信息交互，组装与融合形成能够实时刻画和控制数字孪生的建模对象状态的轻量级数字孪生融合模型，同时在云端进行复杂模型的组装与融合；

步骤(5)、基于边云间的数据交互实现模型间的边云协同，模型的边云融合包括两方面，一方面一些部署在边缘层的模型是在云端基于海量的历史数据以及实时采集数据训练得到，云端模型形成后，云端模型能够被下载到边缘层，由边缘数据驱动其响应和控制物理对象，同时该云端模型会在运行过程中随数据的不断丰富而更新；另一方面，边缘层模型与云端模型之间存在交互，边缘层模型参数与云端在较大时间尺度上计算的更丰富模型的预测数据和结果进行比较，从而实时更新参数；

经过边缘层和云端模型组装与融合以及边云模型协同，部署在不同位置和平台的子模型共同完成数字孪生的功能。

2.根据权利要求1中所述的一种云边协同的数字孪生模型组装与融合方法，其特征在于：

所述步骤(3)中模型子集Sub_M_t运行时所占用的计算资源S(Sub_M_t)的计算公式为S(Sub_M_t)＝S_r+S_t，其中S_r表示模型子集Sub_M_t中模型本身存储所占的资源的总和，S_t表示模型子集Sub_M_t中模型运行和计算时所需的辅助资源，包括计算执行时模型的输入数据和输出数据所占的资源、指令所占的资源；模型子集Sub_M_t运行时的时间规模T(Sub_M_t)计算为T(Sub_M_t)＝O(n)/Cap，其中O(n)表示模型子集Sub_M_t的计算时间复杂度，Cap表示边缘计算设备的计算能力。

3.根据权利要求1中所述的一种云边协同的数字孪生模型组装与融合方法，其特征在于：

所述步骤(4)中边缘层和云端的模型组装与融合中，组装是指基于分析得到的空间关系在同一个运行环境下将彼此间具有邻接关系、功能互补、输入输出交互的模型组合在一起，融合是指在组合后模型的基础上添加模型间内在关联关系，包括时序关系、工艺约束关系、边界约束，从而将分散的模型融合成为能够实现特定功能的完整模型。

4.根据权利要求1中所述的一种云边协同的数字孪生模型组装与融合方法，其特征在于：

所述步骤(2)中的耦合度计算函数Coup_ij＝f(m_i，m_j)，具体如下：

Coup_ij＝f(m_i，m_j)

其中，α+β＝1，

表示模型i输入数据参数的个数，

表示模型i输入控制参数的个数，

表示模型i输出数据参数的个数，

表示模型i输出控制参数的个数，

表示模型j输入数据参数的个数，

表示模型j输入控制参数的个数，

表示模型j输出数据参数的个数，

表示模型j输出控制参数的个数；

表示模型i和模型j共同的输入数据参数的个数，

表示模型i和模型j共同的输入控制参数的个数，

表示模型i和模型j共同的输出数据参数的个数，

表示模型i和模型j共同的输出控制参数的个数；gdⁱ表示模型i用来存储数据的全局变量，gd^j表示模型j用来存储数据的全局变量，gd^ij表示模型i和模型j共用的全局变量。

Images