CN113011085B - 一种设备数字孪生建模方法及系统 - Google Patents

一种设备数字孪生建模方法及系统 Download PDF

Info

Publication number
CN113011085B
CN113011085B CN202110220218.8A CN202110220218A CN113011085B CN 113011085 B CN113011085 B CN 113011085B CN 202110220218 A CN202110220218 A CN 202110220218A CN 113011085 B CN113011085 B CN 113011085B
Authority
CN
China
Prior art keywords
hidden layer
layer
equipment
digital
output
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
CN202110220218.8A
Other languages
English (en)
Other versions
CN113011085A (zh
Inventor
孙洪喜
肖爱斌
路畅
刘瑞廷
林伟
李子辰
刘庆凯
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.)
Qingdao Wangong Information Technology Co ltd
Original Assignee
Qingdao Wangong 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 Qingdao Wangong Information Technology Co ltd filed Critical Qingdao Wangong Information Technology Co ltd
Priority to CN202110220218.8A priority Critical patent/CN113011085B/zh
Publication of CN113011085A publication Critical patent/CN113011085A/zh
Application granted granted Critical
Publication of CN113011085B publication Critical patent/CN113011085B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种设备数字孪生建模方法，通过现实物理设备的数据统计，建立数字孪生模型；将数字孪生模型进行组合，形成数字孪生系统各设备的关联；创建深度模拟神经网络，通过物理设备的运行数据，生成数字孪生系统；建立异常监控神经网络，通过对系统运行数据的监测，触发数字孪生系统的重建模。本发明的方法可有效提高物理设备与孪生模型的匹配效率，可清晰实现各工艺流程设备之间的连接情况。

Description

一种设备数字孪生建模方法及系统
技术领域
本发明涉及计算机、智能计算领域，尤其涉及一种设备数字孪生建模方法及系统。
背景技术
随着信息技术与制造业的融合，数字孪生系统可实现物理世界和信息世界之间的交互和融合，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。通过数字孪生，可在不影响现实系统运行的情况下，方便快捷的对系统进行修改调整，并预测系统运行结果。然而，数字孪生作为新兴技术，需花费大量的时间对物理设备进行数字孪生系统建模，一旦建模完成，物理设备若发生了改造或变化，则所建模型和数字映射都可能发生变化。因此，快速对物理设备进行数字孪生建模，并在物理系统发生变化时，进行自动迭代具有重要意义。
发明内容
本发明要解决的问题是提供一种云组态平台的模型匹配处理方法及系统。
为解决上述技术问题，本发明的设备数字孪生建模方法，包括下列步骤，
S1通过现实物理设备的数据统计，建立数字孪生模型；
S2将数字孪生模型进行组合，形成数字孪生系统各设备的关联；
S3创建深度模拟神经网络，通过物理设备的运行数据，生成数字孪生系统；
S4建立异常监控神经网络，通过对系统运行数据的监测，触发数字孪生系统的重建模。
进一步的，所述S1中，建立数据转换模型，通过对现实物理设备的数据点位特性进行编码，将物理设备的特性转换为数字信息，记CHk＝[chk1，chk2，...，chkN]，CHk表示设备k的特性转换为数字编码的信息集合，chkn表示设备k特征信息对应的数字编码，N为特征信息数量；通过建立详细数据点位特性来创建数字模型，为物理设备和数字孪生模型建立数字关联；
匹配模块20调用存储模块30的数字模型信息，并将数字模型信息通过相同应用特性的规则组织管理。通过数字模型第一特性，将模型集合划分为m个集合，令
Figure BDA0002954523520000021
dp1表示数字模型集合，
Figure BDA0002954523520000022
表示数字模型第一特性；再通过数字模型第二、第三特性将
Figure BDA0002954523520000023
划分为i×j个集合，并融合第一特性
Figure BDA0002954523520000024
即：
Figure BDA0002954523520000025
以此类推，将两个特性作为集合进行划分，直至将数字模型的所有信息划分完成，最终获得
Figure BDA0002954523520000026
进一步的，所述S1中，设置一个指针变量tip，首先令tip＝chk1，根据tip在集合dp1中查询，当
Figure BDA0002954523520000027
时，跳转至集合
Figure BDA0002954523520000028
再令tip＝chk2chk3在集合
Figure BDA0002954523520000029
中查询，当
Figure BDA00029545235200000210
时，再跳转至集合
Figure BDA00029545235200000211
迭代tip值，直至最终获得
Figure BDA00029545235200000212
至此，查询完毕，
Figure BDA00029545235200000213
对应的数字模型即为现实物理设备k根据自身点位特性所匹配获得的数字孪生模型。
通过上述方法对存储模块30中的数字模型进行组织和管理，并使用指针变量tip进行查询，可减少系统数据运算规模，快速匹配获得现实物理设备对应的孪生数字模型。
进一步的，所述S2中，将匹配模块获得的数字模型发送至组合模块，进行系统关联，对数字模型设置数据集合
Figure BDA00029545235200000214
LMOD表示各设备之间的关联关系，P表示设备的数量。
通过LMOD集合进行各数字模型的连接，可清晰实现各工艺流程设备之间的连接情况。
进一步的，所述S3中，按物理设备运行数据的不同状态将设备分为三种状态，分别为静态设备，动态设备和控制设备；静态设备表示在系统运行过程中参数不变的设备，动态设备表示随系统运行参数不断变化的设备，控制设备表示在系统运行过程中可进行自动或人工切换来控制系统运行状态的设备；
令STC＝[stc1，stc2，...，stcr，...，stcR]，STC表示静态设备参数集合，stcr表示静态设备r的运行数据，R表示静态设备数量；令DYC＝[dyc1，dyc2，...，dycs，...，dycS]，DYC表示动态设备参数集合，dycs表示动态设备s运行数据，S表示动态设备数量；令CTL＝[ctl1，ctl2，....，ctlu，...，ctlU]，CTL表示控制设备参数集合，ctlu表示控制设备u是否参与控制，若参与控制，则ctlu＝1，若不参与控制，则ctlu＝0；
采用设备运行数据来描述物理设备参数，进而参与深度网络的好处是，利用动态变化的数据，可根据物理设备状态，实时迭代数字孪生系统。
创建深度模拟神经网络，包括第一输入层，第二输入层，四个隐含层，第一输出层和第二输出层；
第一输入层的输入为静态设备参数集合STC＝[stc1，stc2，...，stcr，...，stcR]，维度为静态设备数量R，第一隐含层维度为I，激活函数为f1(x)，第一输入层与第一隐含层的连接权值为ωri(1≤r≤R，1≤i≤I)，第二隐含层为求和层，第一隐含层与第二隐含层的连接权值为βij(1≤i≤I，1≤j≤J)，获得第一输出层，维度为J；第一输出层与动态参数集合DYC＝[dyc1，dyc2，...，dycs，...，dycS]同时作为第二输入层，维度为(J+S)，第三隐含层激活函数为f3(x)，维度为U，与第二输入层的连接权值为1，同时控制设备参数集合CTL＝[ctl1，ctl2，...，ctlt，...，ctlU]作为调节因子参与运算，第四隐含层为防止引入控制设备参数对网络造成的波动，第四隐含层激活函数为f4(x)，维度为V，第三隐含层与第四隐含层之间的连接权值为αuv(1≤u≤U，1≤v≤V)，第二输出层为最终输出，即为根据实际物理设备建成的数字孪生系统，记维度为W，W等于输出的孪生元数，记
Figure BDA0002954523520000031
第四隐含层与第二输出层的连接权值为δvw(1≤v≤V，1≤w≤W)。
进一步的，令第一隐含层激活函数为
Figure BDA0002954523520000032
则第一输出层的输出为：
Figure BDA0002954523520000033
将第一输出层的输出
Figure BDA0002954523520000034
与DYC＝[dyc1，dyc2，...，dycS]设备动态参数同时作为第二输入层的输入，记作
Figure BDA0002954523520000035
令第三隐含层的激活函数为
Figure BDA0002954523520000036
第四隐含层的激活函数为
Figure BDA0002954523520000037
则最终输出为
Figure BDA0002954523520000041
将获得的输出集合
Figure BDA0002954523520000042
与样本集合RSTi＝[rsti1，rsti2，...，rstiW](1≤i≤I)进行对比来测试网络训练效果，I表示样本数量，根据实际需求设置阈值ε，令
Figure BDA0002954523520000043
与阈值ε进行对比来判断训练是否完成；
中心处理器通过接收模块发送的系统参数，进行模拟运行。
通过本发明所述深度模拟神经网络可实现根据物理设备实际状态，动态进行数字孪生建模，当物理设备的状态或硬件发生变化时，孪生模型将随之更改。
进一步的，所述S4中，在分析模块70中建立异常监控神经网络，包括输入层，输出层及四个隐含层。将设备和各设备之间的关联关系进行统一编号，记作EQ＝[eq1，eq2，...，eqN]，N表示设备关联的数量，令EQ作为网络的输入，网络输出为
Figure BDA0002954523520000044
表示可能发生异常的设备关联，H为可能发生异常的数量；接收模块发送的设备t时刻的动态信息
Figure BDA0002954523520000045
和中心处理模块发送的系统运行结果
Figure BDA0002954523520000046
分别参与第三隐含层和第四隐含层的计算，将t-1时刻的输出FLTt-1引入第二隐含层；可有效避免信息发送错误导致的故障判断错误。第一隐含层和第五隐含层用于防止隐含层信息引入而导致的网络波动。
异常分析神经网络输入层和第一隐含层之间的权值记作
Figure BDA0002954523520000047
N为输入层维度，P为第一隐含层维度，激活函数为g1(x)；第一隐含层与第二隐含层之间的权值记作
Figure BDA0002954523520000048
H为第二隐含层维度，激活函数为g2(x)；第二隐含层与第三隐含层之间的权值记作，S为第三隐含层维度，激活函数为g3(x)；第三隐含层与第四隐含层之间的权值记作
Figure BDA0002954523520000049
W为第四隐含层维度，激活函数为g4(x)；第四隐含层与第五隐含层之间的权值记作
Figure BDA00029545235200000410
Q为第五隐含层维度，激活函数为g5(x)；第五隐含层与输出层的连接权值记作
Figure BDA00029545235200000411
输出层维度为H。
进一步的，第一隐含层和第五隐含层作为稳定网络函数，令
Figure BDA0002954523520000051
第三隐含层激活函数为
Figure BDA0002954523520000052
第四隐含层激活函数为
Figure BDA0002954523520000053
第五隐含层激活函数为
Figure BDA0002954523520000054
则异常分析神经网络的输出为：
Figure BDA0002954523520000055
将输出结果
Figure BDA0002954523520000056
与样本输出
Figure BDA0002954523520000057
进行对比，根据实际情况设定阈值λ，令
Figure BDA0002954523520000058
与阈值λ进行对比来判断训练是否合格；
通过对设备关联关系的监控，当物理设备的拓扑结构出现变化时，异常监控网络将输出异常的设备关联编号，将所述异常设备关联编号引入到本发明S3步骤所述的深度模拟神经网络的第二隐含层，并作为激励信号触发S3步骤所述深度模拟神经网络的重训练，生成新的数字孪生模型。
本发明还涉及一种上述设备数字孪生建模方法在机器学习中的应用。
本发明还涉及一种运行上述设备数字孪生建模方法的设备数字孪生建模控制系统，所述设备数字孪生建模控制系统包括，预处理模块10，匹配模块20，存储模块30，组合模块40，中心处理模块50，接收模块60，分析模块70；
所述预处理模块10，用于将现实物理设备转换为数字信息；
所述匹配模块20，用于获得现实物理设备相匹配的数字孪生模型；
所述存储模块30，用于存储和管理数字孪生模型，并可根据需求进行人工维护数字模型；
所述组合模块40，用于将数字模型组合，建立完整数字孪生系统；
所述中心处理模块50，用于对数字孪生系统进行模拟预测；
所述接收模块60，用于接收现实物理系统设备采集即时信息；
所述接收模块70，用于对现实系统数据与数字孪生系统预测数据进行对比分析。
本发明至少具有以下效果：
(1)通过对现实物理设备的数据点位特性进行编码，将数字模型信息通过相同应用特性的规则组织管理划分，并采用指针变量迭代的方式，可有效提高物理设备与孪生模型的匹配效率。
(2)通过关联集合对各数字模型的关联关系进行描述，可清晰实现各工艺流程设备之间的连接情况。
(3)通过深度模拟神经网络，可实现根据物理设备实际状态，动态进行数字孪生建模，当物理设备的状态或硬件发生变化时，孪生模型将随之更改。
(4)通过异常监控神经网络，对系统运行数据的监测，当物理设备拓扑结构变化时，系统自动判断异常，并触发数字孪生系统的重建模，无需人工重新建模。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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的附图。在所有附图中，类似的元件或部分一般由类似的附图标记标识。
图1本发明所述设备数字孪生建模系统框架图。
图2本发明所述数字孪生系统深度模拟神经网络结构图。
图3本发明所述设备故障分析神经网络结构图。
具体实施方式
为了更好的说明本发明，下面将结合说明书附图和具体实施例来做详细说明。参照图1，本发明所述设备数字孪生建模系统，具体包括以下部分：
预处理模块10，匹配模块20，存储模块30，组合模块40，中心处理模块50，接收模块60，分析模块70。
所述预处理模块10，用于将现实物理设备转换为数字信息；所述预处理模块10与匹配模块20通过数据总线连接。
所述匹配模块20，用于获得现实物理设备相匹配的数字孪生模型；所述匹配模块20与存储模块30通过数据总线连接。
所述存储模块30，用于存储和管理数字孪生模型，并可根据需求进行人工维护数字模型；所述匹配模块20与组合模块40通过数据总线连接。
所述组合模块40，用于将数字模型组合，建立完整数字孪生系统；所述组合模块40与中心处理模块50通过数据总线连接。
所述中心处理模块50，用于对数字孪生系统进行模拟预测；所述中心处理模块50与接收模块60通过数据总线连接。
所述接收模块60，用于接收现实物理系统设备采集即时信息；所述中心处理模块50与分析模块70通过数据总线连接，同时接收模块60与分析模块70也通过数据总线连接。
所述接收模块70，用于对现实系统数据与数字孪生系统预测数据进行对比分析。
预处理模块10根据数据点位将现实物理设备进行数字信息转换，将物理设备转换信息发送至匹配模块20，匹配模块20调用存储模块30存储的数字模型数据，通过设备的数字信息对设备模型进行匹配；组合模块40通过接收匹配模块20匹配的数字模块，将数字模型进行组合，转变成和现实物理系统相同功能的数字孪生系统；通过中心处理模块50建立深度模拟神经网络，对数字孪生系统模型进行训练，直至达到使用要求；接收模块60实时接收现实物理系统设备的运行信息，并将信息发送至中心处理模块50，中心处理模块50即可对物联设备进行动态的数字孪生建模，分析模块70中的异常监控神经网络通过接收中心处理模块50发送的运行结果和接收模块60发送的实时信息进行对比分析，当异常监控神经网络输出异常信息时，将异常信息发送至中心处理模块50，触发深度模拟神经网络的重训练，进而实现数字孪生系统的重建模。
基于所述设备数字孪生建模系统，本发明还公开了一种设备数字孪生建模方法，具体处理过程如下：
S1对现实物理设备进行数字信息转换，通过数据匹配获得数字孪生模型。
建立数据转换模型，通过对现实物理设备的数据点位特性进行编码，将物理设备的特性转换为数字信息，记CHk＝[chk1，chk2，...，chkN]，CHk表示设备k的特性转换为数字编码的信息集合，chkn表示设备k特征信息对应的数字编码，N为特征信息数量。通过建立详细数据点位特性来创建数字模型，为物理设备和数字孪生模型建立数字关联。
匹配模块20调用存储模块30的数字模型信息，并将数字模型信息通过相同应用特性的规则组织管理。通过数字模型第一特性，将模型集合划分为m个集合，令
Figure BDA0002954523520000071
dp1表示数字模型集合，
Figure BDA0002954523520000072
表示数字模型第一特性；再通过数字模型第二、第三特性将
Figure BDA0002954523520000073
划分为i×j个集合，并融合第一特性
Figure BDA0002954523520000074
即：
Figure BDA0002954523520000081
以此类推，将两个特性作为集合进行划分，直至将数字模型的所有信息划分完成，最终获得
Figure BDA0002954523520000082
设置一个指针变量tip，首先令tip＝chk1，根据tip在集合dp1中查询，当
Figure BDA0002954523520000083
时，跳转至集合
Figure BDA00029545235200000810
，再令tip＝chk2chk3在集合
Figure BDA0002954523520000084
中查询，当
Figure BDA0002954523520000085
时，再跳转至集合
Figure BDA0002954523520000086
迭代tip值，直至最终获得
Figure BDA0002954523520000087
至此，查询完毕，
Figure BDA0002954523520000088
对应的数字模型即为现实物理设备k根据自身点位特性所匹配获得的数字孪生模型。
通过上述方法对存储模块30中的数字模型进行组织和管理，并使用指针变量tip进行查询，可减少系统数据运算规模，快速匹配获得现实物理设备对应的孪生数字模型。
S2将数字孪生模型进行组合，形成数字孪生系统各设备的关联。
将匹配模块20获得的数字模型发送至组合模块40,进行系统关联。对数字模型设置数据集合
Figure BDA0002954523520000089
LMOD表示各设备之间的关联关系，P表示设备的数量。linkpq＝0表示设备p与设备q无连接关系，linkpq＝1则表示设备p与设备q有连接关系。
通过LMOD集合进行各数字模型的连接，可清晰实现各工艺流程设备之间的连接情况。
S3创建深度模拟神经网络，通过物理设备的运行数据，生成数字孪生系统。
按物理设备运行数据的不同状态将设备分为三种状态，分别为静态设备，动态设备和控制设备。静态设备表示在系统运行过程中参数不变的设备，动态设备表示随系统运行参数不断变化的设备，控制设备表示在系统运行过程中可进行自动或人工切换来控制系统运行状态的设备。
令STC＝[stc1，stc2，...，stcr，...，srcR]，STC表示静态设备参数集合，stcr表示静态设备r的运行数据，R表示静态设备数量；令DYC＝[dyc1，dyc2，...，dycs，...，dycS]，DYC表示动态设备参数集合，dycs表示动态设备s运行数据，S表示动态设备数量，；令CTL＝[ctl1，ctl2，...，ctlu，...，ctlU]，CTL表示控制设备参数集合，ctlu表示控制设备u是否参与控制，若参与控制，则ctlu＝1，若不参与控制，则ctlu＝0。采用设备运行数据来描述物理设备参数，进而参与深度网络的好处是，利用动态变化的数据，可根据物理设备状态，实时迭代数字孪生系统。
创建深度模拟神经网络，参照图2，所述网络包括第一输入层，第二输入层，四个隐含层，第一输出层和第二输出层。
第一输入层的输入为静态设备参数集合STC＝[stc1，stc2，...，stcr，...，stcR]，维度为静态设备数量R，第一隐含层维度为I，激活函数为f1(x)，第一输入层与第一隐含层的连接权值为ωri(1≤r≤R，1≤i≤I)，第二隐含层为求和层，第一隐含层与第二隐含层的连接权值为βij(1≤i≤I，1≤j≤J)，获得第一输出层，维度为J；第一输出层与动态参数集合DYC＝[dyc1，dyc2，...，dycs，...，dycS]同时作为第二输入层，维度为(J+S)，第三隐含层激活函数为f3(x)，维度为U，与第二输入层的连接权值为1，同时控制设备参数集合CTL＝[ctl1，ctl2，...，ctlt，...，ctlU]作为调节因子参与运算，第四隐含层为防止引入控制设备参数对网络造成的波动，第四隐含层激活函数为f4(x)，维度为V，第三隐含层与第四隐含层之间的连接权值为αuv(1≤u≤U，1≤v≤V)，第二输出层为最终输出，即为根据实际物理设备建成的数字孪生系统，记维度为W，W等于输出的孪生元数，记
Figure BDA0002954523520000091
第四隐含层与第二输出层的连接权值为δvw(1≤v≤V，1≤w≤W)。
作为本发明的实施例，令第一隐含层激活函数为
Figure BDA0002954523520000092
则第一输出层的输出为：
Figure BDA0002954523520000093
将第一输出层的输出
Figure BDA0002954523520000094
与DYC＝[dyc1，dyc2，...，dycS]设备动态参数同时作为第二输入层的输入，记作
Figure BDA0002954523520000095
令第三隐含层的激活函数为
Figure BDA0002954523520000096
第四隐含层的激活函数为
Figure BDA0002954523520000097
则最终输出为
Figure BDA0002954523520000101
将获得的输出集合
Figure BDA0002954523520000102
与样本集合
Figure BDA0002954523520000103
进行对比来测试网络训练效果，I表示样本数量，根据实际需求设置阈值ε，令
Figure BDA0002954523520000104
与阈值ε进行对比来判断训练是否完成。
中心处理器50通过接收模块60发送的系统参数(包括：静态参数，动态参数，控制参数)，进行模拟运行。通过本发明所述深度模拟神经网络可实现根据物理设备实际状态，动态进行数字孪生建模，当物理设备的状态或硬件发生变化时，孪生模型将随之更改。
S4建立异常监控神经网络，通过对系统运行数据的监测，触发数字孪生系统的重建模。
在孪生系统的运行过程中，还需要对建模异常进行监控。
在分析模块70中建立异常监控神经网络，参照图3所述异常监控神经网络包括输入层，输出层及四个隐含层。
将设备和各设备之间的关联关系进行统一编号，记作EQ＝[eq1，eq2，...，eqN]，N表示设备关联的数量，令EQ作为网络的输入，网络输出为
Figure BDA0002954523520000105
表示可能发生异常的设备关联，H为可能发生异常的数量。接收模块60发送的设备t时刻的动态信息
Figure BDA0002954523520000106
和中心处理模块50发送的系统运行结果
Figure BDA0002954523520000107
分别参与第三隐含层和第四隐含层的计算，将t-1时刻的输出FLTt-1引入第二隐含层，可有效避免信息发送错误导致的故障判断错误。第一隐含层和第五隐含层用于防止隐含层信息引入而导致的网络波动。
异常分析神经网络输入层和第一隐含层之间的权值记作
Figure BDA0002954523520000108
N为输入层维度，P为第一隐含层维度，激活函数为g1(x)；第一隐含层与第二隐含层之间的权值记作
Figure BDA0002954523520000109
H为第二隐含层维度，激活函数为g2(x)；第二隐含层与第三隐含层之间的权值记作，S为第三隐含层维度，激活函数为g3(x)；第三隐含层与第四隐含层之间的权值记作
Figure BDA00029545235200001010
W为第四隐含层维度，激活函数为g4(x)；第四隐含层与第五隐含层之间的权值记作
Figure BDA00029545235200001011
Q为第五隐含层维度，激活函数为g5(x)；
第五隐含层与输出层的连接权值记作
Figure BDA0002954523520000111
输出层维度为H。
作为本发明的实施例，第一隐含层和第五隐含层作为稳定网络函数，令
Figure BDA0002954523520000112
第三隐含层激活函数为
Figure BDA0002954523520000113
第四隐含层激活函数为
Figure BDA0002954523520000114
第五隐含层激活函数为
Figure BDA0002954523520000115
则异常分析神经网络的输出为：
Figure BDA0002954523520000116
将输出结果
Figure BDA0002954523520000117
与样本输出
Figure BDA0002954523520000118
进行对比，根据实际情况设定阈值λ，令
Figure BDA0002954523520000119
与阈值λ进行对比来判断训练是否合格。
通过对设备关联关系的监控，当物理设备的拓扑结构出现变化时，异常监控网络将输出异常的设备关联编号，将所述异常设备关联编号引入到本发明S3步骤所述的深度模拟神经网络的第二隐含层，并作为激励信号触发S3步骤所述深度模拟神经网络的重训练，生成新的数字孪生模型，实现在实际物理设备的拓扑结构发生变化时，无需人工重新建模。
综上，便实现了本发明所述的一种设备数字孪生建模系统及方法，可以理解的是，以上仅是本发明的较佳实施例，任何基于本发明的精神所做的改动均应包含在本发明的保护范围内。

Claims (4)

1.一种设备数字孪生建模方法，其特征在于：包括下列步骤，
S1 通过现实物理设备的数据统计，建立数字孪生模型；
S2 将数字孪生模型进行组合，形成数字孪生系统各设备的关联；
S3 创建深度模拟神经网络，通过物理设备的运行数据，生成数字孪生系统；
S4 建立异常监控神经网络，通过对系统运行数据的监测，触发数字孪生系统的重建模；
所述S1中，建立数据转换模型，通过对现实物理设备的数据点位特性进行编码，将物理设备的特性转换为数字信息，记
Figure 577800DEST_PATH_IMAGE001
，
Figure 41011DEST_PATH_IMAGE002
表示设备k的特性转换为数字编码的信息集合，
Figure 149912DEST_PATH_IMAGE003
表示设备k特征信息对应的数字编码，N为特征信息数量；通过建立详细数据点位特性来创建数字模型，为物理设备和数字孪生模型建立数字关联；
匹配模块20调用存储模块30的数字模型信息，并将数字模型信息通过相同应用特性的规则组织管理，通过数字模型第一特性，将模型集合划分为m个集合，令
Figure 777203DEST_PATH_IMAGE004
，
Figure 442802DEST_PATH_IMAGE005
表示数字模型集合，
Figure 714514DEST_PATH_IMAGE006
表示数字模型第一特性；再通过数字模型第二、第三特性将划分为
Figure 40322DEST_PATH_IMAGE007
个集合，并融合第一特性
Figure 889329DEST_PATH_IMAGE006
，即：
Figure 342308DEST_PATH_IMAGE008
，以此类推，将两个特性作为集合进行划分，直至将数字模型的所有信息划分完成，最终获得
Figure 213400DEST_PATH_IMAGE009
；
所述S1中，设置一个指针变量tip，首先令
Figure 54317DEST_PATH_IMAGE010
，根据tip在集合
Figure 62724DEST_PATH_IMAGE005
中查询，当
Figure 771923DEST_PATH_IMAGE011
时，跳转至集合
Figure 814965DEST_PATH_IMAGE012
，再令
Figure 561204DEST_PATH_IMAGE013
在集合
Figure 542061DEST_PATH_IMAGE012
中查询，当
Figure 602421DEST_PATH_IMAGE014
时，再跳转至集合
Figure 686920DEST_PATH_IMAGE015
，迭代tip值，直至最终获得
Figure 541744DEST_PATH_IMAGE016
，至此，查询完毕，
Figure 118219DEST_PATH_IMAGE017
对应的数字模型即为现实物理设备k根据自身点位特性所匹配获得的数字孪生模型；
所述S2中，将匹配模块获得的数字模型发送至组合模块，进行系统关联，对数字模型设置数据集合
Figure 405106DEST_PATH_IMAGE018
，
Figure 485057DEST_PATH_IMAGE019
表示各设备之间的关联关系，P表示设备的数量；
所述S3中，按物理设备运行数据的不同状态将设备分为三种状态，分别为静态设备，动态设备和控制设备；静态设备表示在系统运行过程中参数不变的设备，动态设备表示随系统运行参数不断变化的设备，控制设备表示在系统运行过程中可进行自动或人工切换来控制系统运行状态的设备；
令
Figure 776361DEST_PATH_IMAGE020
，STC表示静态设备参数集合，
Figure 699187DEST_PATH_IMAGE021
表示静态设备r的运行数据，R表示静态设备数量；令
Figure 429245DEST_PATH_IMAGE022
，DYC表示动态设备参数集合，
Figure 973490DEST_PATH_IMAGE023
表示动态设备s运行数据，S表示动态设备数量；令
Figure 186428DEST_PATH_IMAGE024
，CTL表示控制设备参数集合，
Figure 471916DEST_PATH_IMAGE025
表示控制设备u是否参与控制，若参与控制，则
Figure 349873DEST_PATH_IMAGE026
，若不参与控制，则
Figure 404417DEST_PATH_IMAGE027
；
创建深度模拟神经网络，包括第一输入层，第二输入层，四个隐含层，第一输出层和第二输出层；
第一输入层的输入为静态设备参数集合
Figure 490054DEST_PATH_IMAGE020
，维度为静态设备数量R，第一隐含层维度为I，激活函数为
Figure 669362DEST_PATH_IMAGE028
，第一输入层与第一隐含层的连接权值为
Figure 741223DEST_PATH_IMAGE029
，第二隐含层为求和层，第一隐含层与第二隐含层的连接权值为
Figure 293950DEST_PATH_IMAGE030
，获得第一输出层，维度为J；第一输出层与动态参数集合
Figure 160275DEST_PATH_IMAGE022
同时作为第二输入层，维度为(J+S)，第三隐含层激活函数为
Figure 92459DEST_PATH_IMAGE031
，维度为U，与第二输入层的连接权值为1，同时控制设备参数集合
Figure 827066DEST_PATH_IMAGE032
作为调节因子参与运算，第四隐含层为防止引入控制设备参数对网络造成的波动，第四隐含层激活函数为
Figure 590622DEST_PATH_IMAGE033
，维度为V，第三隐含层与第四隐含层之间的连接权值为
Figure 299952DEST_PATH_IMAGE034
，第二输出层为最终输出，即为根据实际物理设备建成的数字孪生系统，记维度为W，W等于输出的孪生元数，记
Figure 407848DEST_PATH_IMAGE035
，第四隐含层与第二输出层的连接权值为
Figure 493616DEST_PATH_IMAGE036
。
2.按照权利要求1所述的设备数字孪生建模方法，其特征在于：令第一隐含层激活函数为
Figure 33050DEST_PATH_IMAGE037
，
则第一输出层的输出为：
Figure 506757DEST_PATH_IMAGE038
Figure 882375DEST_PATH_IMAGE039
将第一输出层的输出
Figure 397932DEST_PATH_IMAGE040
与
Figure 401660DEST_PATH_IMAGE041
设备动态参数同时作为第二输入层的输入，记作
Figure 905322DEST_PATH_IMAGE042
，令第三隐含层的激活函数为
Figure 96132DEST_PATH_IMAGE043
，第四隐含层的激活函数为
Figure 523703DEST_PATH_IMAGE044
；
则最终输出为
Figure 742457DEST_PATH_IMAGE045
，
将获得的输出集合
Figure 557966DEST_PATH_IMAGE046
与样本集合
Figure 377017DEST_PATH_IMAGE047
进行对比来测试网络训练效果，I表示样本数量，根据实际需求设置阈值ε，令
Figure 884310DEST_PATH_IMAGE048
,
与阈值ε进行对比来判断训练是否完成；
中心处理器通过接收模块发送的系统参数，进行模拟运行。
3.按照权利要求1或2所述的设备数字孪生建模方法，其特征在于：所述S4中，在分析模块70中建立异常监控神经网络，包括输入层，输出层及四个隐含层，将设备和各设备之间的关联关系进行统一编号，记作
Figure 597051DEST_PATH_IMAGE049
，N表示设备关联的数量，令EQ作为网络的输入，网络输出为
Figure 708095DEST_PATH_IMAGE050
，
Figure 811181DEST_PATH_IMAGE051
表示可能发生异常的设备关联，H为可能发生异常的数量；接收模块发送的设备t时刻的动态信息
Figure 908450DEST_PATH_IMAGE052
和中心处理模块发送的系统运行结果
Figure 836217DEST_PATH_IMAGE053
分别参与第三隐含层和第四隐含层的计算，将t-1时刻的输出
Figure 665632DEST_PATH_IMAGE054
引入第二隐含层；
异常分析神经网络输入层和第一隐含层之间的权值记作
Figure 583910DEST_PATH_IMAGE055
，N为输入层维度，P为第一隐含层维度，激活函数为
Figure 78345DEST_PATH_IMAGE056
；第一隐含层与第二隐含层之间的权值记作
Figure 437782DEST_PATH_IMAGE057
，H为第二隐含层维度，激活函数为
Figure 923252DEST_PATH_IMAGE058
；第二隐含层与第三隐含层之间的权值记作，S为第三隐含层维度，激活函数为
Figure 797668DEST_PATH_IMAGE059
；第三隐含层与第四隐含层之间的权值记作
Figure 174422DEST_PATH_IMAGE060
，
Figure 575317DEST_PATH_IMAGE061
，W为第四隐含层维度，激活函数为
Figure 169371DEST_PATH_IMAGE062
；第四隐含层与第五隐含层之间的权值记作
Figure 796662DEST_PATH_IMAGE063
，Q为第五隐含层维度，激活函数为
Figure 445949DEST_PATH_IMAGE064
；第五隐含层与输出层的连接权值记作
Figure 966929DEST_PATH_IMAGE065
，输出层维度为H。
4.按照权利要求3所述的设备数字孪生建模方法，其特征在于：第一隐含层和第五隐含层作为稳定网络函数，令
Figure 636945DEST_PATH_IMAGE066
，第三隐含层激活函数为
Figure 626897DEST_PATH_IMAGE067
，第四隐含层激活函数为
Figure 407772DEST_PATH_IMAGE068
，第五隐含层激活函数为
Figure 544443DEST_PATH_IMAGE069
；
则异常分析神经网络的输出为：
Figure 713256DEST_PATH_IMAGE070
将输出结果
Figure 941237DEST_PATH_IMAGE050
与样本输出
Figure 260223DEST_PATH_IMAGE071
进行对比，根据实际情况设定阈值λ，令
Figure 850736DEST_PATH_IMAGE072
，
与阈值λ进行对比来判断训练是否合格；
通过对设备关联关系的监控，当物理设备的拓扑结构出现变化时，异常监控网络将输出异常的设备关联编号，将所述异常设备关联编号引入到S3步骤所述的深度模拟神经网络的第二隐含层，并作为激励信号触发S3步骤所述深度模拟神经网络的重训练，生成新的数字孪生模型。
CN202110220218.8A 2021-02-26 2021-02-26 一种设备数字孪生建模方法及系统 Active CN113011085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110220218.8A CN113011085B (zh) 2021-02-26 2021-02-26 一种设备数字孪生建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110220218.8A CN113011085B (zh) 2021-02-26 2021-02-26 一种设备数字孪生建模方法及系统

Publications (2)

Publication Number Publication Date
CN113011085A CN113011085A (zh) 2021-06-22
CN113011085B true CN113011085B (zh) 2021-10-26

Family

ID=76386571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110220218.8A Active CN113011085B (zh) 2021-02-26 2021-02-26 一种设备数字孪生建模方法及系统

Country Status (1)

Country Link
CN (1) CN113011085B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113852515B (zh) * 2021-08-26 2023-05-09 西安电子科技大学广州研究院 一种数字孪生网络的节点状态管控方法及系统
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
CN114612065B (zh) * 2022-03-07 2022-09-30 东莞市金田纸业有限公司 一种工艺造纸的关联设备组合方法、装置、设备及介质
CN114757111B (zh) * 2022-06-16 2022-08-23 四川观想科技股份有限公司 一种基于数字孪生技术的智能装备健康管理方法
CN115224698B (zh) * 2022-07-20 2023-06-30 南京理工大学 基于数字孪生的新能源电力系统无功-电压优化控制方法
CN115329446B (zh) * 2022-10-13 2023-01-31 江苏航运职业技术学院 一种装配式建筑预制构件智能吊装过程数字孪生建模方法
CN116307641B (zh) * 2023-05-19 2023-08-11 广州健新科技有限责任公司 一种面向数字化电厂的资源协同调度管理方法及系统
CN117439897A (zh) * 2023-10-31 2024-01-23 广州方驰信息科技有限公司 一种用于数字孪生场景的大数据分析系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851966A (zh) * 2019-10-30 2020-02-28 同济大学 一种基于深度神经网络的数字孪生模型修正方法
CN111159793A (zh) * 2020-01-20 2020-05-15 兰州理工大学 基于数字孪生五维模型3d打印机建模方法及模型系统
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
CN111967202A (zh) * 2020-08-08 2020-11-20 西北工业大学 一种基于人工智能的航空发动机极速性能数字孪生方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286572A1 (en) * 2016-03-31 2017-10-05 General Electric Company Digital twin of twinned physical system
DE102019119352A1 (de) * 2019-07-17 2021-01-21 Krones Aktiengesellschaft Vorausschauende Wartung für eine Vorrichtung in der Lebensmittelindustrie mithilfe eines digitalen Zwillings und optimierte Produktionsplanung
CN110900307B (zh) * 2019-11-22 2020-12-15 北京航空航天大学 一种数字孪生驱动的数控机床刀具监控系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851966A (zh) * 2019-10-30 2020-02-28 同济大学 一种基于深度神经网络的数字孪生模型修正方法
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
CN111159793A (zh) * 2020-01-20 2020-05-15 兰州理工大学 基于数字孪生五维模型3d打印机建模方法及模型系统
CN111967202A (zh) * 2020-08-08 2020-11-20 西北工业大学 一种基于人工智能的航空发动机极速性能数字孪生方法

Also Published As

Publication number Publication date
CN113011085A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN113011085B (zh) 一种设备数字孪生建模方法及系统
US7734451B2 (en) System, method, and computer program for early event detection
CN107563067A (zh) 基于自适应代理模型的结构可靠性分析方法
US11755548B2 (en) Automatic dataset preprocessing
CN116150897A (zh) 一种基于数字孪生的机床主轴性能测评方法及系统
CN115427968A (zh) 边缘计算设备中的鲁棒人工智能推理
CN115576293B (zh) 基于数据监控的压敏胶在线生产分析方法及系统
CN117076171A (zh) 一种面向多元时序数据的异常检测及定位方法及装置
CN116107279A (zh) 基于注意力深度神经网络的流程工业能耗多目标优化方法
CN115509178A (zh) 数字孪生驱动的刀具磨损监测方法及数控机床设备
CN115145817A (zh) 一种软件测试方法、装置、设备及可读存储介质
US20240095535A1 (en) Executing a genetic algorithm on a low-power controller
CN114357858A (zh) 一种基于多任务学习模型的设备劣化分析方法及系统
CN113904915A (zh) 一种基于物联网的电力通信智能故障分析方法及系统
CN112016241A (zh) 一种基于mLASSO-MLP模型的软测量建模方法
Kang et al. CPS-based fault-tolerance method for smart factories: Simulation-based framework and fault management application
Korbicz et al. Confidence estimation of GMDH neural networks and its application in fault detection systems
CN115169426B (zh) 一种基于相似性学习融合模型的异常检测方法及系统
CN116108645A (zh) 基于元宇宙的工程数字孪生方法
CA3081825A1 (en) Interactive guidance system for selecting thermodynamics methods in process simulations
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN107315684B (zh) 一种基于基本块的软件可靠性评估方法
Wang et al. Complex equipment diagnostic reasoning based on neural network algorithm
CN117217020A (zh) 一种基于数字孪生的工业模型构建方法及系统
KR102224066B1 (ko) 인공지능 기반 역공학을 이용한 지능 제어기의 분석 방법

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