CN112668237B - 一种基于工业互联网云平台的数字孪生模型及其构建方法 - Google Patents

一种基于工业互联网云平台的数字孪生模型及其构建方法 Download PDF

Info

Publication number
CN112668237B
CN112668237B CN202011568092.5A CN202011568092A CN112668237B CN 112668237 B CN112668237 B CN 112668237B CN 202011568092 A CN202011568092 A CN 202011568092A CN 112668237 B CN112668237 B CN 112668237B
Authority
CN
China
Prior art keywords
layer
digital
digital twin
module
data
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.)
Active
Application number
CN202011568092.5A
Other languages
English (en)
Other versions
CN112668237A (zh
Inventor
胡丽华
龙小昂
陈�峰
郭斌
吴必升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHENZHEN HUALONG XUNDA INFORMATION TECHNOLOGY CO LTD
Original Assignee
SHENZHEN HUALONG XUNDA INFORMATION TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SHENZHEN HUALONG XUNDA INFORMATION TECHNOLOGY CO LTD filed Critical SHENZHEN HUALONG XUNDA INFORMATION TECHNOLOGY CO LTD
Priority to CN202011568092.5A priority Critical patent/CN112668237B/zh
Publication of CN112668237A publication Critical patent/CN112668237A/zh
Application granted granted Critical
Publication of CN112668237B publication Critical patent/CN112668237B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于工业互联网云平台的数字孪生模型及其构建方法，属于数据处理技术领域。本发明提供了基于工业互联网云平台的数字孪生模型，它包括工业互联网云平台、数字化系统及云存储单元，所述的工业互联网云平台与所述的数字化系统相连，所述的工业互联网云平台还与所述的云存储单元相连；其构建方法，包括以下步骤：(1)物理模型的构建；(2)逻辑模型的表示；(3)仿真模型的建立；(4)仿真模型的优化；(5)仿真模型的验证；(6)数据模型的构建；(7)数字孪生的表征。本发明通过构建物理层在虚拟空间的数字孪生模型，实现数字孪生体与物理实体之间的信息交互与虚拟监控。

Description

一种基于工业互联网云平台的数字孪生模型及其构建方法
技术领域
本发明属于数据处理技术领域，具体地说，涉及一种基于工业互联网云平台的数字孪生模型及其构建方法。
背景技术
数字孪生是一种集成多物理、多尺度、多学科属性，具有实时同步、忠实映射、高保真度特性，能够实现物理世界与信息世界交互与融合的技术手段。随着数字孪生车间概念的提出，数字孪生在智能制造中的应用潜力得到越来越多的关注。具体来说，数字孪生(digital twin)是以数字化方式创建物理实体的虚拟模型，借助数据模拟物理实体在现实环境中的行为，通过虚实交互反馈、数据融合分析、决策迭代优化等手段，为物理实体增加或扩展新的能力。作为一种充分利用模型、数据、智能并集成多学科的技术，数字孪生面向产品全生命周期过程，发挥连接物理世界和信息世界的桥梁和纽带作用，提供更加实时、高效、智能的服务。工业互联网是指通过网络将工业系统中的智能物体(intelligentmachine)、智能分析(advanced analytics)和人(people)相连接的系统。当前，利用工业互联网云平台来打造数字孪生模型的情况越来越多，国家及地方各级政府应加强在法律法规层面对工业互联网应用的保障支持。
虽然已有企业初步探索了数字孪生的相关应用，但数字孪生在实际应用过程中仍存很多问题和不足，例如：
(1)缺乏系统的数字孪生理论/技术支撑和应用准则指导目前在数字孪生模型构建、信息物理数据融合、交互与协同等方面的理论与技术比较缺乏，导致数字孪生落地应用过程中缺乏相应的理论和技术支撑；
(2)数字孪生驱动的应用产生的比较优势不明目前数字孪生应用基本处于起步阶段，数字孪生在产品设计、制造和服务中的应用所带来的比较优势不明晰，应用过程中所需攻克的问题和技术不清楚；
(3)在产品生命周期各阶段的应用不全面从产品的产前、产中、产后3个阶段分析，当前数字孪生的应用主要集中产品的运维和健康管理等产后方面，需要加强在产前(如产品设计、再设计、优化设计等)和产中(如装配、测试/检测、车间调度与物流等)的应用探索。
发明内容
1、要解决的问题
针对上述现有技术中存在的问题，本发明提供一种基于工业互联网云平台的数字孪生模型及其构建方法，为数字孪生模型的构建提供了一种可行的理论和技术保证。
2、技术方案
为解决上述问题，本发明提供的技术方案为：
一种基于工业互联网云平台的数字孪生模型，包括工业互联网云平台、数字化系统及云存储单元，所述的工业互联网云平台与所述的数字化系统相连，所述的工业互联网云平台还与所述的云存储单元相连；
所述的数字化系统设置有数字化管理模块、数字化传输模块、数字孪生对接模块、数字化存储模块及数字化引导模块，所述的数字化管理模块、所述的数字化传输模块、所述的数字化存储模块、所述的数字化引导模块均与所述的数字孪生对接模块相连；
所述的工业互联网平台设置有物理层、数据收集层、数据传输层、数字孪生对接层及数据引导层，所述的物理层、所述的数据收集层、所述的数据传输层、所述的数据引导层均与所述的数字孪生对接层相连；
所述的数字化管理模块与所述的物理层、所述的数据收集层、所述的数据引导层相连，所述的数字化传输模块与所述的数据传输层相连，所述的数字孪生对接模块与所述的数字孪生对接层相连，所述数字化引导模块与所述的数据引导层相连；
所述的数字孪生对接层用于数字孪生模型对感知数据、状态数据、历史数据进行数据挖掘和基于卷积神经网络深度学习；
所述的工业互联网云平台的交互算法如下：
Figure BDA0002861605610000021
其中式(I)为针对数据传输层与数字孪生对接层之间交互的关系矩阵，其中R表示关系矩阵的系数，其中r(N,N)分别表示数据传输层的模块参数与数字孪生对接层的模块参数，N为正整数；
将式(I)采用遗传算法进行优化处理，其中优化的函数关系如下：
Figure BDA0002861605610000022
其中式(II)中内聚度的表示为
Figure BDA0002861605610000023
其耦合度的表示为
Figure BDA0002861605610000024
其中f为优化后的关系矩阵系统，hi为数据传输层的权重参数，hj为数字孪生对接层的权重参数，Cr(i,j)为数据传输层与数字孪生对接层的耦合参数，其中/>
Figure BDA0002861605610000031
为数据传输层与数字孪生对接层的内聚度指标，其中
Figure BDA0002861605610000032
为数据传输层与数字孪生对接层的耦合度指标，其中Cou(K,Ps)为耦合度指标的权重参数，i和j均为正整数。
上述所述的一种基于工业互联网云平台的数字孪生模型中，所述的物理层用于提供目标物理实体的功能、性能和物理特性的描述信息，所述的描述信息为所述的目标物理实体的全生命周期过程中的全部类别的数据；
所述的数字孪生对接层与所述的物理层之间形成映射关系，将物理层中的各个设备以及其之间的连接关系虚拟化，形成工业化生产中目标物理实体与孪生数字模型的对接映射。
上述所述的一种基于工业互联网云平台的数字孪生模型中，所述的数据挖掘中感知数据与状态数据之间的关联强度关系如下：
Figure BDA0002861605610000033
其中Cr(i,j)为数据传输层与数字孪生对接层的耦合参数，Cr(j,i)为数据传输层与数字孪生对接层的对称耦合参数，其中Si为感知数据与状态数据之间的关联强度参数，i和j均为正整数；
其中关联强度的关联密度函数如下：
Figure BDA0002861605610000034
其中di为关联密度参数，其中τ表示逆运算；
其中关联强度采用Floyd算法进行优化以得出感知数据与状态数据之间的关联联系。
上述所述的一种基于工业互联网云平台的数字孪生模型中，所述的基于卷积神经网络深度学习为联接所述的工业互联网平台与所述的数字化系统，记为IL，相应的函数关系如下：
Figure BDA0002861605610000035
Figure BDA0002861605610000036
其中ai表示联接关系的类别，其中P(ai)表示某类联接断开次数和所有类型联接断开次数总和的比值，其中disconnect表示失联运算，其中all表示联接关系的类别总数。
上述所述的一种基于工业互联网云平台的数字孪生模型中，所述的云存储单元采用Quartus II芯片，所述的云存储单元的监测分析模块包括程序总线、数据总线及地址总线，其中程序总线的数量为6个，所述的数据总线的数量为5个，所述的地址总线的数量为8个；所述的监测分析模块的系统指令周期为6ns，所述的监测分析模块的运算速度为200MIPS，所述的监测分析模块的可访问扩展存储器空间为1682KW，所述的监测分析模块的片内配置为1KW DARAM。
一种基于工业互联网云平台的数字孪生模型，所述的云存储单元上还设置有识别系统，所述的识别系统包括第一处理单元和第二处理单元，所述的第一处理单元包括射频卡模块和AD信号转换模块，所述的射频卡模块通过AD信号转换模块与主控电源相连，所述的第二处理单元包括读取单元和提取单元，所述的读取单元与自动反馈模块相连，所述的提取单元与所述的读取单元之间设置有存储模块，所述的提取单元与数据库系统相连。
一种基于工业互联网云平台的数字孪生模型的构建方法，包括以下步骤：
(1)物理模型的构建：根据目标物理实体，定义物理模型的基本参数信息，利用数据引导层建立物理层与数字孪生对接层之间的联接关系；
(2)逻辑模型的表示：将物理模型通过工业物联网云平台进行映射处理，并通过数字化管理模块进行逻辑模型搭建；
(3)仿真模型的建立：通过状态感知算法、场景生成算法及用户行为分析算法对逻辑模型进行孪生对象可视化处理；
(4)仿真模型的优化：利用基于卷积神经网络深度学习的算法对仿真模型进行训练和优化，并将仿真结果反馈到物理模型；
(5)仿真模型的验证：利用数字孪生对接模块对物理模型与仿真模型进行一致性与可靠性验证，如满足仿真模型的目标函数迭代优化条件，则执行步骤(6)，否则，执行步骤(2)；
(6)数据模型的构建：利用数字化存储模块构建可计算的数据模型，并进行实时监测和确定运行控制策略；
(7)数字孪生的表征：整合物理模型、逻辑模型、仿真模型及数据模型，构建可视化的虚拟空间内的数字孪生体。
上述所述的基于工业互联网云平台的数字孪生模型的构建方法中，
步骤(4)中所述的可视化处理的函数关系如下：
Figure BDA0002861605610000041
具体为基于自适应函数的修改，其中pc为可视化处理的纠缠性能参数，其中pm为模糊YOLO算法函数，其中fit为适应性RCCN算法函数；
其中相应的自适应函数如下：
Figure BDA0002861605610000051
其中ξ为自适应函数的度量值，其中c为固定系数，其中M为单次阈值，其中iter为标记参数。
上述所述的基于工业互联网云平台的数字孪生模型的构建方法中，
步骤(5)中所述的一致性与可靠性验证的算法如下：
Figure BDA0002861605610000052
其中关联强度Si表示物理模型与仿真模型的关联关系之和占数字孪生对接模块关联关系之和的比值。
上述所述的基于工业互联网云平台的数字孪生模型的构建方法中，
步骤(6)中所述的运行控制策略的函数关系如下：
Figure BDA0002861605610000053
其中函数关系的确定具体为采用最小二乘法进行平移矩阵，其中argmin为激活函数，其中Pi,s为最大池化运算函数，其中Pi,m为最小池化运算函数，其中T为非极大值抑制运算，其中R为重合度参数。
3、有益效果
相比于现有技术，本发明的有益效果为：
本发明提供了基于工业互联网云平台的数字孪生模型，它包括工业互联网云平台、数字化系统及云存储单元，所述的工业互联网云平台与所述的数字化系统相连，所述的工业互联网云平台还与所述的云存储单元相连；其构建方法，包括以下步骤：(1)物理模型的构建；(2)逻辑模型的表示；(3)仿真模型的建立；(4)仿真模型的优化；(5)仿真模型的验证；(6)数据模型的构建；(7)数字孪生的表征。本发明通过构建物理层在虚拟空间的数字孪生模型，实现数字孪生体与物理实体之间的信息交互与虚拟监控。具体来说，工业互联网云平台提供了数字孪生模型的网络传输平台和模型构建的基架，数字化系统为数字孪生模型的数据模型的构建提供了关键性作用，使得物理层借助数据引导层实现与虚拟的逻辑模型、仿真模型进行交互，为后续的虚实交互反馈、数据融合分析及决策迭代优化等操作提供应用接口，同时云存储单元为整个逻辑模型、仿真模型、数据模型的构建提供便捷的存储平台，实现数字孪生模型与物理实体之间的数据镜像、数据交互，使矩阵中关联度高的部件尽可能分布到一起，以便设计人员更直观地对模型进行优化分析与评价。本发明能够对生产进行更加智能化的控制，适用于所有生产及厂务系统(生产设备、生产线)和使用维护中的监控及预测管理系统。
附图说明
图1为本发明中基于工业互联网云平台的数字孪生模型的关联关系图；
图2为本发明中基于工业互联网云平台的数字孪生模型的遗传算法的优化迭代过程图；
图3为本发明中基于工业互联网云平台的数字孪生模型的映射关系图；
图4为本发明中基于工业互联网云平台的数字孪生模型的构建方法的仿真模型的验证图。
具体实施方式
下面结合具体实施例和附图对本发明进一步进行描述。
实施例1
本实施例的基于工业互联网云平台的数字孪生模型，包括工业互联网云平台、数字化系统及云存储单元，所述的工业互联网云平台与所述的数字化系统相连，所述的工业互联网云平台还与所述的云存储单元相连。
目前，很多企业存在着优化迟滞的问题，各类反馈数据获取不足且不及时，设计人员难以对产品进行及时优化或全新设计。因此，建立及时甚至实时的数据获取与管理系统尤为重要，这类系统的构建能提高企业适应市场的能力。而数字孪生技术能有效解决数据获取和处理迟滞的问题，对于构建实时的数据获取管理系统有着得天独厚的优势。拥有实时的数据获取与管理系统只是对产品进行优化的前提，它仅仅是指导了产品优化的方向，而如何基于分析得到的优化方向进行后续的模块设计与粒度划分等仍需进行深入研究。因此如何基于数字孪生及时确立产品、模块的优化方向，以便设计人员进行创新和变型设计，是未来研究的热点。与此同时，通过相应方法对模块进行粒度划分优化，也是亟待解决的问题之一。
所述的数字化系统设置有数字化管理模块、数字化传输模块、数字孪生对接模块、数字化存储模块及数字化引导模块，所述的数字化管理模块、所述的数字化传输模块、所述的数字化存储模块、所述的数字化引导模块均与所述的数字孪生对接模块相连；
所述的工业互联网平台设置有物理层、数据收集层、数据传输层、数字孪生对接层及数据引导层，所述的物理层、所述的数据收集层、所述的数据传输层、所述的数据引导层均与所述的数字孪生对接层相连；
所述的数字化管理模块与所述的物理层、所述的数据收集层、所述的数据引导层相连，所述的数字化传输模块与所述的数据传输层相连，所述的数字孪生对接模块与所述的数字孪生对接层相连，所述数字化引导模块与所述的数据引导层相连；
所述的数字孪生对接层用于数字孪生模型对感知数据、状态数据、历史数据进行数据挖掘和基于卷积神经网络深度学习；
所述的工业互联网云平台的交互算法如下：
Figure BDA0002861605610000071
其中式(I)为针对数据传输层与数字孪生对接层之间交互的关系矩阵，其中R表示关系矩阵的系数，其中r(N,N)分别表示数据传输层的模块参数与数字孪生对接层的模块参数，N为正整数。
具体如图1所示，联接关联关系指零部件(数据传输层与数字孪生对接层)间可拆卸的难易程度，也是两零部件联接在一起的紧密程度；功能关联关系指零部件完成某一功能的协同程度；位置关联关系指零部件间的相对位置要求；能信关联关系指零部件间的力与光、电等的传递。
将式(I)采用遗传算法进行优化处理，结合图2，其中优化的函数关系如下：
Figure BDA0002861605610000072
其中式(II)中内聚度的表示为
Figure BDA0002861605610000073
其耦合度的表示为
Figure BDA0002861605610000074
其中f为优化后的关系矩阵系统，hi为数据传输层的权重参数，hj为数字孪生对接层的权重参数，Cr(i,j)为数据传输层与数字孪生对接层的耦合参数，其中/>
Figure BDA0002861605610000075
为数据传输层与数字孪生对接层的内聚度指标，其中
Figure BDA0002861605610000076
为数据传输层与数字孪生对接层的耦合度指标，其中Cou(K,Ps)为耦合度指标的权重参数，i和j均为正整数。
如图1所示，上述所述的基于工业互联网云平台的数字孪生模型中，
所述的物理层用于提供目标物理实体的功能、性能和物理特性的描述信息，所述的描述信息为所述的目标物理实体的全生命周期过程中的全部类别的数据；
所述的数字孪生对接层与所述的物理层之间形成映射关系，将物理层中的各个设备以及其之间的连接关系虚拟化，形成工业化生产中目标物理实体与孪生数字模型的对接映射，具体如图3所示。
上述所述的基于工业互联网云平台的数字孪生模型中，
所述的数据挖掘中感知数据与状态数据之间的关联强度关系如下：
Figure BDA0002861605610000081
其中Cr(i,j)为数据传输层与数字孪生对接层的耦合参数，Cr(j,i)为数据传输层与数字孪生对接层的对称耦合参数，其中Si为感知数据与状态数据之间的关联强度参数，i和j均为正整数。
其中关联强度的关联密度函数如下：
Figure BDA0002861605610000082
其中di为关联密度参数，其中τ表示逆运算。
其中关联强度采用Floyd算法进行优化以得出感知数据与状态数据之间的关联联系。上述可实现实物设备数字化、运行过程脚本化的效果，便于形成整线的执行操作。
上述所述的基于工业互联网云平台的数字孪生模型中，
所述的基于卷积神经网络深度学习为联接所述的工业互联网平台与所述的数字化系统，记为IL，相应的函数关系如下：
Figure BDA0002861605610000083
Figure BDA0002861605610000084
其中ai表示联接关系的类别，其中P(ai)表示某类联接断开次数和所有类型联接断开次数总和的比值，其中disconnect表示失联运算，其中all表示联接关系的类别总数。即某种联接断开的相对概率，概率越大则其联接关系的紧密程度就越低。
上述所述的基于工业互联网云平台的数字孪生模型中，
所述的云存储单元采用Quartus II芯片，所述的云存储单元的监测分析模块包括程序总线、数据总线及地址总线，其中程序总线的数量为6个，所述的数据总线的数量为5个，所述的地址总线的数量为8个；所述的监测分析模块的系统指令周期为6ns，所述的监测分析模块的运算速度为200MIPS，所述的监测分析模块的可访问扩展存储器空间为1682KW，所述的监测分析模块的片内配置为1KW DARAM。
上述所述的基于工业互联网云平台的数字孪生模型中，
所述的云存储单元上还设置有识别系统，所述的识别系统包括第一处理单元和第二处理单元，所述的第一处理单元包括射频卡模块和AD信号转换模块，所述的射频卡模块通过AD信号转换模块与主控电源相连，所述的第二处理单元包括读取单元和提取单元，所述的读取单元与自动反馈模块相连，所述的提取单元与所述的读取单元之间设置有存储模块，所述的提取单元与数据库系统相连。本步骤涉及的处理单元或硬件装置，可采用本领域常规的公知常识或惯用技术手段即可。
上述基于工业互联网云平台的数字孪生模型的构建方法，包括以下步骤：
(1)物理模型的构建：根据目标物理实体，定义物理模型的基本参数信息，利用数据引导层建立物理层与数字孪生对接层之间的联接关系；
(2)逻辑模型的表示：将物理模型通过工业物联网云平台进行映射处理，并通过数字化管理模块进行逻辑模型搭建；
(3)仿真模型的建立：通过状态感知算法、场景生成算法及用户行为分析算法对逻辑模型进行孪生对象可视化处理；
(4)仿真模型的优化：利用基于卷积神经网络深度学习的算法对仿真模型进行训练和优化，并将仿真结果反馈到物理模型；
(5)仿真模型的验证：利用数字孪生对接模块对物理模型与仿真模型进行一致性与可靠性验证，如满足仿真模型的目标函数迭代优化条件，则执行步骤(6)，否则，执行步骤(2)；上述验证方式具体如图4所示，首先从车间监控视频中获取大量视频帧图像，对图像进行预处理，构建深度模型的训练集，并对图像中的车间人员进行人工标记；然后接受模型训练，设计车间人员检测的深度模型结构，并使用标注好的训练集数据对其进行训练，调整模型参数，直到模型收敛；最后接受模型测试，从车间监控摄像头中获取实时视频帧图像，并进行同步骤一的图像预处理，然后采用训练好的模型进行实时人员检测。
(6)数据模型的构建：利用数字化存储模块构建可计算的数据模型，并进行实时监测和确定运行控制策略；
(7)数字孪生的表征：整合物理模型、逻辑模型、仿真模型及数据模型，构建可视化的虚拟空间内的数字孪生体。
上述所述的基于工业互联网云平台的数字孪生模型的构建方法中，
步骤(4)中所述的可视化处理的函数关系如下：
Figure BDA0002861605610000101
具体为基于自适应函数的修改，其中pc为可视化处理的纠缠性能参数，其中pm为模糊YOLO算法函数，其中fit为适应性RCCN算法函数；
其中相应的自适应函数如下：
Figure BDA0002861605610000102
其中ξ为自适应函数的度量值，其中c为固定系数，其中M为单次阈值，其中iter为标记参数。上述操作，引入优化处理引擎，提高虚实交互反馈的程度，实现可视化处理模型的效果。
上述所述的基于工业互联网云平台的数字孪生模型的构建方法中，
步骤(5)中所述的一致性与可靠性验证的算法如下：
Figure BDA0002861605610000103
其中关联强度Si表示物理模型与仿真模型的关联关系之和占数字孪生对接模块关联关系之和的比值。上述操作实现数字孪生模型与物理实体之间的数据镜像、数据交互。
上述所述的基于工业互联网云平台的数字孪生模型的构建方法中，
步骤(6)中所述的运行控制策略的函数关系如下：
Figure BDA0002861605610000104
其中argmin为激活函数，其中Pi,s为最大池化运算函数，其中Pi,m为最小池化运算函数，其中T为非极大值抑制运算，其中R为重合度参数。其中函数关系的确定具体为采用最小二乘法进行平移矩阵。上述操作，实现使矩阵中关联度高的部件尽可能分布到一起，以便设计人员更直观地对模型进行优化分析与评价。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (6)

1.一种基于工业互联网云平台的数字孪生模型，其特征在于，
包括工业互联网云平台、数字化系统及云存储单元，所述的工业互联网云平台与所述的数字化系统相连，所述的工业互联网云平台还与所述的云存储单元相连；
所述的数字化系统设置有数字化管理模块、数字化传输模块、数字孪生对接模块、数字化存储模块及数字化引导模块，所述的数字化管理模块、所述的数字化传输模块、所述的数字化存储模块、所述的数字化引导模块均与所述的数字孪生对接模块相连；
所述的工业互联网云平台设置有物理层、数据收集层、数据传输层、数字孪生对接层及数据引导层，所述的物理层、所述的数据收集层、所述的数据传输层、所述的数据引导层均与所述的数字孪生对接层相连；
所述的数字化管理模块与所述的物理层、所述的数据收集层、所述的数据引导层相连，所述的数字化传输模块与所述的数据传输层相连，所述的数字孪生对接模块与所述的数字孪生对接层相连，所述数字化引导模块与所述的数据引导层相连；
所述的数字孪生对接层用于数字孪生模型对感知数据、状态数据、历史数据进行数据挖掘和基于卷积神经网络深度学习；
所述的工业互联网云平台的交互算法如下：
Figure FDA0004175070560000011
其中式(I)为针对数据传输层与数字孪生对接层之间交互的关系矩阵，其中R表示关系矩阵的系数，其中r(N,N)的前者N表示数据传输层的模块参数，后者N表示数字孪生对接层的模块参数，N为正整数；
将式(I)采用遗传算法进行优化处理，其中优化的函数关系如下：
Figure FDA0004175070560000012
其中式(II)中内聚度的表示为
Figure FDA0004175070560000013
其耦合度的表示为
Figure FDA0004175070560000014
其中f为优化后的关系矩阵系统，hi为数据传输层的权重参数，hj为数字孪生对接层的权重参数，Cr(i,j)为数据传输层与数字孪生对接层的耦合参数，其中/>
Figure FDA0004175070560000015
为数据传输层与数字孪生对接层的内聚度指标，其中/>
Figure FDA0004175070560000016
为数据传输层与数字孪生对接层的耦合度指标，其中Cou(K,Ps)为耦合度指标的权重参数，i和j均为正整数。
2.根据权利要求1所述的一种基于工业互联网云平台的数字孪生模型，其特征在于，
所述的物理层用于提供目标物理实体的功能、性能和物理特性的描述信息，所述的描述信息为所述的目标物理实体的全生命周期过程中的全部类别的数据；
所述的数字孪生对接层与所述的物理层之间形成映射关系，将物理层中的各个设备以及其之间的连接关系虚拟化，形成工业化生产中目标物理实体与孪生数字模型的对接映射。
3.根据权利要求1所述的一种基于工业互联网云平台的数字孪生模型，其特征在于，
所述的数据挖掘中感知数据与状态数据之间的关联强度关系如下：
Figure FDA0004175070560000021
其中Cr(i,j)为数据传输层与数字孪生对接层的耦合参数，Cr(j,i)为数据传输层与数字孪生对接层的对称耦合参数，其中Si为感知数据与状态数据之间的关联强度参数，i和j均为正整数；
其中关联强度的关联密度函数如下：
Figure FDA0004175070560000022
其中di为关联密度参数，其中τ(,)表示逆运算；
其中关联强度采用Floyd算法进行优化以得出感知数据与状态数据之间的关联联系。
4.根据权利要求1所述的一种基于工业互联网云平台的数字孪生模型，其特征在于，
所述的基于卷积神经网络深度学习为联接所述的工业互联网云平台与所述的数字化系统，记为IL，相应的函数关系如下：
Figure FDA0004175070560000023
Figure FDA0004175070560000024
其中ai表示联接关系的类别，其中P(ai)表示某类联接断开次数和所有类型联接断开次数总和的比值，其中disconnect(.)表示失联运算，其中all表示联接关系的类别总数。
5.根据权利要求1所述的一种基于工业互联网云平台的数字孪生模型，其特征在于，
所述的云存储单元采用Quartus II芯片，所述的云存储单元的监测分析模块包括程序总线、数据总线及地址总线，其中程序总线的数量为6个，所述的数据总线的数量为5个，所述的地址总线的数量为8个；所述的监测分析模块的系统指令周期为6ns，所述的监测分析模块的运算速度为200MIPS，所述的监测分析模块的可访问扩展存储器空间为1682KW，所述的监测分析模块的片内配置为1KW DARAM。
6.根据权利要求1所述的一种基于工业互联网云平台的数字孪生模型，其特征在于，
所述的云存储单元上还设置有识别系统，所述的识别系统包括第一处理单元和第二处理单元，所述的第一处理单元包括射频卡模块和AD信号转换模块，所述的射频卡模块通过AD信号转换模块与主控电源相连，所述的第二处理单元包括读取单元和提取单元，所述的读取单元与自动反馈模块相连，所述的提取单元与所述的读取单元之间设置有存储模块，所述的提取单元与数据库系统相连。
CN202011568092.5A 2020-12-25 2020-12-25 一种基于工业互联网云平台的数字孪生模型及其构建方法 Active CN112668237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011568092.5A CN112668237B (zh) 2020-12-25 2020-12-25 一种基于工业互联网云平台的数字孪生模型及其构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011568092.5A CN112668237B (zh) 2020-12-25 2020-12-25 一种基于工业互联网云平台的数字孪生模型及其构建方法

Publications (2)

Publication Number Publication Date
CN112668237A CN112668237A (zh) 2021-04-16
CN112668237B true CN112668237B (zh) 2023-06-16

Family

ID=75409658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011568092.5A Active CN112668237B (zh) 2020-12-25 2020-12-25 一种基于工业互联网云平台的数字孪生模型及其构建方法

Country Status (1)

Country Link
CN (1) CN112668237B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128865B (zh) * 2021-04-19 2022-09-20 贵州航天云网科技有限公司 一种基于统一数据源驱动的数字孪生体构建系统及方法
CN113221456A (zh) * 2021-05-11 2021-08-06 上海交通大学 一种智慧微电网的数字孪生建模和多智能体协调控制方法
CN113596095B (zh) * 2021-06-30 2024-04-19 新奥数能科技有限公司 快速物联方法、装置、计算机设备及计算机可读存储介质
CN113435657B (zh) * 2021-07-09 2022-12-23 清华四川能源互联网研究院 数据集成处理方法、系统、能源管理系统、电子设备及计算机可读存储介质
CN113534731B (zh) * 2021-07-16 2022-03-11 珠海市鸿瑞信息技术股份有限公司 一种基于工控的下装数据安全分析系统及方法
CN115696368A (zh) * 2021-07-23 2023-02-03 维沃移动通信有限公司 数字孪生方法及装置
CN113673948A (zh) * 2021-08-02 2021-11-19 江苏杰瑞信息科技有限公司 一种基于工业互联网的数字孪生基础开发平台
CN113658325B (zh) * 2021-08-05 2022-11-11 郑州轻工业大学 数字孪生环境下的生产线不确定对象智能识别与预警方法
CN113778034B (zh) * 2021-09-14 2024-01-05 宏普科技（扬州）有限公司 一种基于边缘计算的智能制造监测工业互联网平台
CN113867299B (zh) * 2021-10-18 2023-02-28 郑州轻工业大学 基于数字孪生的不确定扰动下的ipps问题求解方法
CN114253228B (zh) * 2021-11-22 2023-09-12 中国科学院软件研究所 一种基于数字孪生的工业设备对象建模方法及装置
CN114043024B (zh) * 2021-11-30 2022-08-30 大连工业大学 一种基于数字孪生电火花加工型腔形貌在线监测系统及在线监测方法
CN114299045A (zh) * 2021-12-30 2022-04-08 成都益新云信息技术有限公司 一种基于数字孪生的态势感知系统及方法
CN114513430B (zh) * 2022-01-14 2024-03-22 浪潮工业互联网股份有限公司 一种工业互联网设备的状态监控方法、设备及存储介质
CN115460485B (zh) * 2022-08-26 2024-05-28 烽火通信科技股份有限公司 一种基于数据交互的层次化光网络模型及建模方法
CN115859700B (zh) * 2023-03-02 2023-05-05 国网湖北省电力有限公司电力科学研究院 一种基于数字孪生技术的电网建模方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017136489A1 (en) * 2016-02-03 2017-08-10 Caspo, Llc Smart cooking system that produces and uses hydrogen fuel
CN109146090A (zh) * 2018-07-30 2019-01-04 红塔烟草(集团)有限责任公司 一种基于设备数字孪生体管理平台的零部件生命周期管理方法
CN111161410A (zh) * 2019-12-30 2020-05-15 中国矿业大学(北京) 一种矿井数字孪生模型及其构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180203949A1 (en) * 2017-01-13 2018-07-19 Fedem Technology As Data transformation for a virtual asset

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017136489A1 (en) * 2016-02-03 2017-08-10 Caspo, Llc Smart cooking system that produces and uses hydrogen fuel
CN109146090A (zh) * 2018-07-30 2019-01-04 红塔烟草(集团)有限责任公司 一种基于设备数字孪生体管理平台的零部件生命周期管理方法
CN111161410A (zh) * 2019-12-30 2020-05-15 中国矿业大学(北京) 一种矿井数字孪生模型及其构建方法

Also Published As

Publication number Publication date
CN112668237A (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
CN112668237B (zh) 一种基于工业互联网云平台的数字孪生模型及其构建方法
CN112507569A (zh) 一种数字孪生系统
CN112085261B (zh) 基于云端融合和数字孪生技术的企业生产现状诊断方法
CN110083119A (zh) 一种基于数字孪生的可视化电力系统机房监控系统和方法
CN113325816A (zh) 面向工业互联网的数字孪生体数据管理方法
CN115062478A (zh) 基于数字孪生的动态车间生产排程调度方法、系统及介质
CN113487083A (zh) 一种设备剩余使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN115469627B (zh) 基于物联网的智能工厂运行管理系统
WO2024066683A1 (zh) 工业互联网操作系统和产品的处理方法
CN114706842B (zh) 一种数字孪生模型组装方法
CN115423429A (zh) 基于图像和声音信息的多模态一体化配网运营系统
CN113627032B (zh) 一种基于数字孪生的设备设计/维修方案智能决策方法
TW202013304A (zh) 整合ｉｃｔ服務供裝與虛實資源監控之系統
CN115374968A (zh) 一种银行机房管理方法、装置及设备
CN117240887A (zh) 一种智慧物联网能源管理平台系统
CN115511656A (zh) 一种基于挖掘电网数据价值的需求规划辅助决策系统
Chen et al. Digital twin for equipment management of intelligent railway station
KR20220076753A (ko) 디지털 트윈 기술을 이용한 스마트양식장 교육 시스템 및 방법
CN116614344B (zh) 一种基于数字孪生的故障诊断方法及系统
CN111652415A (zh) 管控无人机地面控制站生产数据的信息物理系统集成模型
CN114757448B (zh) 一种基于数据空间模型的制造环节间最优价值链构建方法
CN113569358B (zh) 一种面向产品质量反馈的数字孪生系统模型构建方法
CN109684471B (zh) 一种ai智能文本处理系统在新零售领域的应用方法
CN113743883A (zh) 基于类脑启发的工业制造通用智能决策协同优化系统
Zheng et al. Multi-stage cyber-physical fusion methods for supporting equipment’s digital twin applications

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
GR01 Patent grant
GR01 Patent grant