CN112329183A - 设备状态数据获取方法、装置、电子设备及存储介质 - Google Patents
设备状态数据获取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112329183A CN112329183A CN202011232066.5A CN202011232066A CN112329183A CN 112329183 A CN112329183 A CN 112329183A CN 202011232066 A CN202011232066 A CN 202011232066A CN 112329183 A CN112329183 A CN 112329183A
- Authority
- CN
- China
- Prior art keywords
- data
- component
- state data
- twin model
- acquiring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000012880 independent component analysis Methods 0.000 description 6
- 238000005299 abrasion Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供的设备状态数据获取方法、装置、电子设备及存储介质中，电子设备通过第一部位传感器的实测状态数据与第一部位的模拟数据之间的误差，校正目标设备的数字孪生模型；使得校正后的目标数字孪生模型，能够模拟出目标设备第二部位的状态数据。由于，第二部位为未安装传感器的部位，因此，能够减少传感器的安装数量。
Description
技术领域
本申请涉及数据处理领域，具体而言，涉及一种设备状态数据获取方法、装置、电子设备及存储介质。
背景技术
目前，当需要采集设备特定部位的状态数据时，通常在特定部位安装相应类型的传感器。然而，在安装传感器时，需要针对传感器的安装位置，为传感器的各种线路设计相应的布线方式，并且随着传感器数量的增加会使得布线方式极为复杂。同时，一些传感器的价格高昂，部署这一类的价格高昂的传感器，同样会带来成本的增加。
发明内容
第一方面，本申请实施提供一种设备状态数据获取方法，应用于电子设备，所述电子设备预先配置有目标设备的数字孪生模型，所述数字孪生模型能够模拟所述目标设备的第一部件的状态数据以及第二部件的状态数据，所述方法包括：
获取所述第一部件的实测状态数据；
通过所述第一部件的实测状态数据与所述第一部件的模拟状态数据之间的误差，对所述数据孪生模型进行校正，获得目标数字孪生模型；
通过所述目标数字孪生模型，模拟获得所述第二部件的模拟状态数据。
在一种可能的实施方式中，所述第一部件的状态数据能够通过传感器进行检测，所述第二部件的状态数据不能通过传感器进行检测。
在一种可能的实施方式中，所述方法还包括：
将所述第二部件的模拟状态数据与预设的参考状态数据进行比较，判断所述目标设备是否工作异常。
在一种可能的实施方式中，所述获取所述第一部件的实测状态数据的步骤，包括：
获取所述第一部件的原始状态数据；
剔除所述原始状态数据中的干扰信息，获得所述实测状态数据。
在一种可能的实施方式中，所述方法还包括：
通过所述目标数字孪生模型，模拟所述目标设备的异常过程；
获取所述异常过程中，所述第一部件以及所述第二部件的异常状态数据，其中，所述异常状态数据用于作为机器学习模型的样本数据。
在一种可能的实施方式中，所述获取所述第一部件的实测状态数据之前，所述方法还包括：
获取所述目标设备的三维模型数据，以及所述目标设备的性能数据；
根据所述三维模型数据以及所述性能数据，构建所述数字孪生模型。
第二方面，本申请实施例提供一种设备状态数据获取装置，应用于电子设备，所述设备状态数据获取装置包括：
数据获取模块，用于获取所述第一部件的实测状态数据；
数据处理模块，用于通过所述第一部件的实测状态数据与所述第一部件的模拟状态数据之间的误差，对所述数据孪生模型进行校正，获得目标数字孪生模型；
数据输出模块，用于通过所述目标数字孪生模型，模拟获得所述第二部件的模拟状态数据。
在一种可能的实施方式中，所述第一部件的状态数据能够通过传感器进行检测，所述第二部件的状态数据不能通过传感器进行检测。
第三方面，本申请实施例提供一种电子设备，所述电子设备包括处理器以及存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，实现所述的设备状态数据获取方法。
第四方面，本申请实施例提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现所述的设备状态数据获取方法。
相对于现有技术而言，本申请具有以下有益效果：
本申请实施例提供的设备状态数据获取方法、装置、电子设备及存储介质中，电子设备通过第一部位传感器的实测状态数据与第一部位的模拟数据之间的误差，校正目标设备的数字孪生模型；使得校正后的目标数字孪生模型，能够模拟出目标设备第二部位的状态数据。由于，第二部位为未安装传感器的部位，因此，能够减少传感器的安装数量。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备硬件结构示意图；
图2为本申请实施例提供的设备状态数据获取方法的流程图之一；
图3为本申请实施例提供的设备状态数据获取方法的流程图之二；
图4为本申请实施例提供的设备状态数据获取装置的结构示意图。
图标：110-设备状态数据获取装置；120-存储器；130-处理器；140-通信装置；1101-数据获取模块；1102-数据处理模块；1103-数据输出模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
相关技术中，当需要采集设备特定部位的状态数据时，通常在特定部位安装相应类型的传感器。
考虑到，在安装传感器时，需要针对传感器的安装位置，为传感器的各种线路设计相应的布线方式，并且随着传感器数量的增加会使得布线方式极为复杂。同时，一些价格高昂的传感器会带来安装成本的增加。
鉴于此，本申请实施例提供一种设备状态数据获取方法，应用于电子设备。该设备状态数据获取方法中，电子设备通过数字孪生模型对目标设备特定部位的状态数据进行模拟，以达到减少传感器数量的目的。
其中，该电子设备可以是，但不限于，服务器、智能终端、个人电脑等。请参照图1，作为一种可能的示例，为本申请实施例提供的该电子设备的结构示意图。如图1所示，该电子设备包括设备状态数据获取装置110、存储器120、处理器130以及通信装置140。
该存储器120、处理器130以及通信装置140各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。该设备状态数据获取装置110包括至少一个可以软件或固件(Firmware)的形式存储于存储器120中或固化在电子设备的操作系统(Operating System，OS)中的软件功能模块。处理器130用于执行存储器120中存储的可执行模块，例如设备状态数据获取装置110所包括的软件功能模块及计算机程序等。
其中，该存储器120可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器120用于存储程序，该处理器130在接收到执行指令后，执行该程序。该通信装置140用于建立于传感器的通信连接，收发传感器所采集的数据。
其中，电子设备预先配置有目标设备的数字孪生模型，数字孪生模型能够模拟目标设备的第一部件的状态数据以及第二部件的状态数据。请参照图2，图2为应用于图1所示的电子设备的一种设备状态数据获取方法的流程图，以下将对该方法包括的各个步骤进行详细阐述。
步骤S102，获取第一部件的实测状态数据。
本申请实施例中，第一部位以及第二部位可以是一个部位，也可以是多个部位。第一部位以及第二部位为目标设备上所有需要检测的部位。
步骤S103，通过第一部件的实测状态数据与第一部件的模拟状态数据之间的误差，对数据孪生模型进行校正，获得目标数字孪生模型。
考虑到，在所有需要检测的部位均安装相应类的传感器，会设计繁琐的布线方式，以及物料成本。本申请实施例中，仅安装一部分传感器，通过这些传感器所采集的实测状态数据，校正数字孪生模型，以使得校正后的目标数字孪生模型能够模拟出其他部位的状态数据。
步骤S104，通过目标数字孪生模型，模拟获得第二部件的模拟状态数据。
通过该设备状态数据获取方法的上述步骤，电子设备通过第一部位传感器的实测状态数据与第一部位的模拟数据之间的误差，校正目标设备的数字孪生模型；使得校正后的目标数字孪生模型，能够模拟出目标设备第二部位的状态数据。由于，第二部位为未安装传感器的部位，因此，能够减少传感器的安装数量。
考虑到，目标设备的一些部位，难以安装传感器，因此，难以通过传感器直接获取这些部位的状态数据。
例如，作为上述目标设备之一的动力头，是旋挖钻机上故障发生率最高的部件之一。而动力头中，动力头的马达为发生故障率最高的部件。当动力头的马达发生故障时，其故障往往会导致整个旋挖钻机停止工作，从而严重影响旋挖钻机的施工效率。
其中，摩擦副则是动力头的马达中最常见故障位置。摩擦副发生故障时，往往会导致动力头的马达产生内泄，从而影响马达扭矩与转速，严重时会导致马达停止运转，严重影响设备施工效率。
然而，摩擦副的位置难以安装相应类型的传感器，用于检测摩擦副的状态的数据，继而，难以对摩擦副可能的产生的故障提前进行处理。
当然，该目标设备不仅限于上述示例中的动力头，还可以是其他设备，本申请实施例不做具体的限定。
基于此，第一部件的状态数据能够通过传感器进行检测，第二部件的状态数据不能通过传感器进行检测。
因此，针对目标设备难以安装传感器的第二部位，该电子设备通过第一部位的实测状态数据，构建高精度的目标数字孪生模型，模拟第二部位的状态数据，从而，间接获得第二部位的状态数据。
请参照图3，在一种可能的实施方式中，该设备状态数据获取方法还包括：
步骤S105，将第二部件的模拟状态数据与预设的参考状态数据进行比较，判断目标设备是否工作异常。
同样以摩擦副为例，电子设备通过动力头的目标数字孪生模型，模拟获得摩擦副的模拟状态数据；将模拟状态数据与预先配置的参考状态数据进行比较；根据比较结果判断摩擦副是否发生异常。
考虑到目标设备工作环境的复杂性，一些恶劣的工作环境可能会对实测状态数据产生异常干扰。然而，该实测状态数据对于校正数字孪生模型的具有重要以及，即实测状态数据的精度直接影响目标数字孪生模型模拟状态数据的精度。
因此，请再次参收图3，步骤S100具体包括：
步骤S102-1，获取第一部件的原始状态数据。
步骤S102-2，剔除原始状态数据中的干扰信息，获得实测状态数据。
其中，该电子设备可以通过多种方式剔除原始状态数据中的干扰信息。例如，独立分量分析(Independent Component Analysis，ICA)、经验模式分解(Empirical ModeDecomposition，EMD)以及小波分析等。
其中，独立分量分析将通过研究ICA基残余总体相关、ICA基残余互信息以及ICA估计基等方法找出源数据在特征空间中与故障关联性最强的数据点，从而完成对干扰信息的去除；
经验模式分解将基于EMD以及改进EMD的故障时频特征提取方法和基于EMD的时间序列的延拓技术，将传感器回传的数据分解为多个数据波形，再从分解出的多数据波形中提取出与故障关联性最强的数据波形，从而完成对干扰信息的去除；
小波分析将重点研究基于同步压缩小波变换的微弱故障特征提取方法，借由小波分析的方法可以将源数据分成多种频率范围内的小波信号，从而从多频率维度下分析源数据信号。
除以上三种方法以外，其他方法也可用于信号预处理，降低无关信号，提高信号质量，提高模型完成度。
同时，本申请实施例还考虑到，随着人工智能技术、专家系统技术和信息化技术的发展，应用智能化技术对故障进行智能化诊断已经成为一种必然趋势。与基于人工的传统故障诊断方法相比，基于算法的智能化故障诊断具有效率高、不受时间条件限制、不受人员条件限制、可以实现故障预测等优点。
但智能化诊断算法的训练往往需要大量故障数据做支撑，而待检测设备实体往往无法提供足够的故障案例，很大程度上制约了智能化故障诊断的发展。
鉴于此，本申请实施例通过目标设备的目标数字孪生模型，能够极为方便的获得目标设备异常过程中的数据，因此，请再次参照图3，该设备状态数据获取方法还包括：
步骤S106，通过目标数字孪生模型，模拟目标设备的异常过程。
步骤S107，获取异常过程中，第一部件以及第二部件的异常状态数据，其中，异常状态数据用于作为机器学习模型的样本数据。
通过该设备状态数据获取方法的上述步骤，该电子设备能够基于目标设备的数字孪生模型，获得目标设备发生异常时，大量的数据。从而，解决在训练故障诊断模型时，缺乏样本数据的问题。
值得说明的是，数字孪生模型是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。因此，数字孪生模型是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。
因此，请再次参照图3，该设备状态数据获取方法还包括：
步骤S100，获取目标设备的三维模型数据，以及目标设备的性能数据。
步骤S101，根据三维模型数据以及性能数据，构建数字孪生模型。
同样以动力头为例，该电子设备建立动力头马达的三维模型。该三维模型具体包括：尺寸、材质、油管连接方式等数；建立动力头马达资料库，其输入为马达出/入口压力、马达震动值、配油盘磨损量；根据动力头马达资料库中的数据指导构建动力头马达的数字孪生模型，通过马达出/入口压力、马达震动值推演各摩擦副的磨损量与内泄值，同时根据位于配油盘上的磨损量传感器回传配油盘真实磨损量，与数字孪生模型推演出的磨损量进行对比，从而校正数字孪生模型，获得该动力头的目标数字孪生模型。
作为一种可能的实现方式，将训校正后的目标数字孪生模型放置于云端，预测动力头马达的摩擦副的状态数据。同时，将实测状态数据继续上传至云端持续训练孪生模型，以达到基于更多的数据，增加模型准确度的目的。
基于同样的发明构思，本申请实施例还提供一种设备状态数据获取装置110。请参照图4，设备状态数据获取装置110包括：
数据获取模块1101，用于获取第一部件的实测状态数据。
在本申请实施例中，该数据获取模块1101用于执行图2中的步骤S102，关于该数据获取模块1101的详细描述，请参照步骤S102的详细描述。
数据处理模块1102，用于通过第一部件的实测状态数据与第一部件的模拟状态数据之间的误差，对数据孪生模型进行校正，获得目标数字孪生模型。
在本申请实施例中，该数据处理模块1102用于执行图2中的步骤S103，关于该数据处理模块1102的详细描述，请参照步骤S103的详细描述。
数据输出模块1103，用于通过目标数字孪生模型，模拟获得第二部件的模拟状态数据。
在本申请实施例中，该数据输出模块1103用于执行图2中的步骤S104，关于该数据输出模块1103的详细描述，请参照步骤S104的详细描述。
在一种可能的实施方式中，第一部件的状态数据能够通过传感器进行检测，第二部件的状态数据不能通过传感器进行检测。
本申请实施例还提供一种电子设备，电子设备包括处理器以及存储器，存储器存储有计算机可执行指令，计算机可执行指令被处理器执行时，实现该设备状态数据获取方法。
本申请实施例还提供一种存储介质，存储介质存储有计算机程序，计算机程序被处理器执行时，实现该设备状态数据获取方法。
综上所述，本申请实施例提供的设备状态数据获取方法、装置、电子设备及存储介质中，电子设备通过第一部位传感器的实测状态数据与第一部位的模拟数据之间的误差，校正目标设备的数字孪生模型；使得校正后的目标数字孪生模型，能够模拟出目标设备第二部位的状态数据。由于，第二部位为未安装传感器的部位，因此，能够减少传感器的安装数量。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种设备状态数据获取方法，其特征在于，应用于电子设备，所述电子设备预先配置有目标设备的数字孪生模型，所述数字孪生模型能够模拟所述目标设备的第一部件的状态数据以及第二部件的状态数据，所述方法包括：
获取所述第一部件的实测状态数据；
通过所述第一部件的实测状态数据与所述第一部件的模拟状态数据之间的误差，对所述数据孪生模型进行校正，获得目标数字孪生模型；
通过所述目标数字孪生模型，模拟获得所述第二部件的模拟状态数据。
2.根据权利要求1所述的设备状态数据获取方法，其特征在于，所述第一部件的状态数据能够通过传感器进行检测，所述第二部件的状态数据不能通过传感器进行检测。
3.根据权利要求1所述的设备状态数据获取方法，其特征在于，所述方法还包括：
将所述第二部件的模拟状态数据与预设的参考状态数据进行比较，判断所述目标设备是否工作异常。
4.根据权利要求1所述的设备状态数据获取方法，其特征在于，所述获取所述第一部件的实测状态数据的步骤，包括：
获取所述第一部件的原始状态数据；
剔除所述原始状态数据中的干扰信息，获得所述实测状态数据。
5.根据权利要求1所述的设备状态数据获取方法，其特征在于，所述方法还包括：
通过所述目标数字孪生模型，模拟所述目标设备的异常过程；
获取所述异常过程中，所述第一部件以及所述第二部件的异常状态数据，其中，所述异常状态数据用于作为机器学习模型的样本数据。
6.根据权利要求1所述的设备状态数据获取方法，其特征在于，所述获取所述第一部件的实测状态数据之前，所述方法还包括：
获取所述目标设备的三维模型数据，以及所述目标设备的性能数据；
根据所述三维模型数据以及所述性能数据，构建所述数字孪生模型。
7.一种设备状态数据获取装置，其特征在于，应用于电子设备，所述设备状态数据获取装置包括：
数据获取模块，用于获取第一部件的实测状态数据；
数据处理模块，用于通过所述第一部件的实测状态数据与所述第一部件的模拟状态数据之间的误差，对所述数据孪生模型进行校正，获得目标数字孪生模型；
数据输出模块，用于通过所述目标数字孪生模型，模拟获得第二部件的模拟状态数据。
8.根据权利要求7所述的设备状态数据获取装置，其特征在于，所述第一部件的状态数据能够通过传感器进行检测，所述第二部件的状态数据不能通过传感器进行检测。
9.一种电子设备，其特征在于，所述电子设备包括处理器以及存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，实现权利要求1-6任意一项所述的设备状态数据获取方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-6任意一项所述的设备状态数据获取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011232066.5A CN112329183A (zh) | 2020-11-06 | 2020-11-06 | 设备状态数据获取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011232066.5A CN112329183A (zh) | 2020-11-06 | 2020-11-06 | 设备状态数据获取方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112329183A true CN112329183A (zh) | 2021-02-05 |
Family
ID=74316702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011232066.5A Pending CN112329183A (zh) | 2020-11-06 | 2020-11-06 | 设备状态数据获取方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112329183A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808727A (zh) * | 2021-09-17 | 2021-12-17 | 武汉联影医疗科技有限公司 | 设备监控方法、装置、计算机设备和可读存储介质 |
| CN115070780A (zh) * | 2022-08-24 | 2022-09-20 | 北自所(北京)科技发展股份有限公司 | 基于数字孪生的工业机器人抓取方法、装置及存储介质 |
| TWI831186B (zh) * | 2021-06-09 | 2024-02-01 | 日商富士電機股份有限公司 | 診斷裝置、診斷方法及診斷程式 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109684727A (zh) * | 2018-12-20 | 2019-04-26 | 华润电力技术研究院有限公司 | 孪生体模型构建方法、装置和计算机设备 |
| US20190146000A1 (en) * | 2017-11-10 | 2019-05-16 | General Electric Company | Methods and apparatus for prognostic health monitoring of a turbine engine |
| CN110414033A (zh) * | 2019-05-31 | 2019-11-05 | 太原理工大学 | 结合边缘计算和数字孪生的机械设备预测性维护方法 |
| CN111008502A (zh) * | 2019-11-25 | 2020-04-14 | 北京航空航天大学 | 一种数字孪生驱动的复杂装备故障预测方法 |
| US20200185107A1 (en) * | 2018-12-05 | 2020-06-11 | Koninklijke Philips N.V. | Digital twin operation |
| CN111684369A (zh) * | 2018-02-05 | 2020-09-18 | 施乐百有限公司 | 用于风扇或风扇总成的优化操作的方法 |
| CN111862323A (zh) * | 2020-07-08 | 2020-10-30 | 北京科技大学 | 多元孕灾数字孪生智能感知辨识预警系统及方法 |
-
2020
- 2020-11-06 CN CN202011232066.5A patent/CN112329183A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190146000A1 (en) * | 2017-11-10 | 2019-05-16 | General Electric Company | Methods and apparatus for prognostic health monitoring of a turbine engine |
| CN111684369A (zh) * | 2018-02-05 | 2020-09-18 | 施乐百有限公司 | 用于风扇或风扇总成的优化操作的方法 |
| US20200185107A1 (en) * | 2018-12-05 | 2020-06-11 | Koninklijke Philips N.V. | Digital twin operation |
| CN109684727A (zh) * | 2018-12-20 | 2019-04-26 | 华润电力技术研究院有限公司 | 孪生体模型构建方法、装置和计算机设备 |
| CN110414033A (zh) * | 2019-05-31 | 2019-11-05 | 太原理工大学 | 结合边缘计算和数字孪生的机械设备预测性维护方法 |
| CN111008502A (zh) * | 2019-11-25 | 2020-04-14 | 北京航空航天大学 | 一种数字孪生驱动的复杂装备故障预测方法 |
| CN111862323A (zh) * | 2020-07-08 | 2020-10-30 | 北京科技大学 | 多元孕灾数字孪生智能感知辨识预警系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王香云: "基于FPGA的数字信号去噪处理", vol. 1, 31 May 2014, 山西科学技术出版社, pages: 82 - 85 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI831186B (zh) * | 2021-06-09 | 2024-02-01 | 日商富士電機股份有限公司 | 診斷裝置、診斷方法及診斷程式 |
| CN113808727A (zh) * | 2021-09-17 | 2021-12-17 | 武汉联影医疗科技有限公司 | 设备监控方法、装置、计算机设备和可读存储介质 |
| CN113808727B (zh) * | 2021-09-17 | 2024-04-26 | 武汉联影医疗科技有限公司 | 设备监控方法、装置、计算机设备和可读存储介质 |
| CN115070780A (zh) * | 2022-08-24 | 2022-09-20 | 北自所(北京)科技发展股份有限公司 | 基于数字孪生的工业机器人抓取方法、装置及存储介质 |
| CN115070780B (zh) * | 2022-08-24 | 2022-11-18 | 北自所(北京)科技发展股份有限公司 | 基于数字孪生的工业机器人抓取方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112329183A (zh) | 设备状态数据获取方法、装置、电子设备及存储介质 | |
| Borghesani et al. | Testing second order cyclostationarity in the squared envelope spectrum of non-white vibration signals | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| EP1873603B1 (en) | Diagnostic data collection and analysis method and apparatus to diagnose vehicle component failures | |
| CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
| EP2068220B1 (en) | methods and systems for performing diagnostics regarding underlying root causes in turbine engines | |
| CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
| RU2544674C2 (ru) | Способ предварительной обработки сигналов датчика вибрации для диагностики двигателя | |
| US11526783B2 (en) | Abnormality determination device, learning device, and abnormality determination method | |
| US9471044B2 (en) | Method for debugging of process or manufacturing plant solutions comprising multiple sub-systems | |
| CN109657982B (zh) | 一种故障预警方法及装置 | |
| US20200143292A1 (en) | Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset | |
| US11435736B2 (en) | Cause determination of anomalous events | |
| CN114216640A (zh) | 用于检测工业设备故障状态的方法、设备和介质 | |
| CN109213034B (zh) | 设备健康度监控方法、装置、计算机设备及可读存储介质 | |
| CN102693262A (zh) | 确定现象中变量的影响的方法 | |
| KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
| Mączak et al. | Model-based detection of local defects in gears | |
| CN117171657A (zh) | 风力发电设备故障诊断方法、装置、电子设备及存储介质 | |
| Ham et al. | A framework for simulation-based engine-control unit inspection in manufacturing phase | |
| WO2024120018A1 (zh) | 检测方法、训练方法、电器、监控系统、存储介质和设备 | |
| JP6419534B2 (ja) | 診断システム、診断方法および診断プログラム | |
| CN114922806A (zh) | 柱塞泵的异常检测方法和装置 | |
| CN114898174A (zh) | 基于不同识别模型的电缆故障识别系统 | |
| WO2019239607A1 (ja) | 診断装置、診断方法及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |