CN113534679B - 系统监测模型生成方法、处理器芯片以及工业系统 - Google Patents
系统监测模型生成方法、处理器芯片以及工业系统 Download PDFInfo
- Publication number
- CN113534679B CN113534679B CN202110761539.9A CN202110761539A CN113534679B CN 113534679 B CN113534679 B CN 113534679B CN 202110761539 A CN202110761539 A CN 202110761539A CN 113534679 B CN113534679 B CN 113534679B
- Authority
- CN
- China
- Prior art keywords
- model
- longicorn
- monitored
- digital twin
- virtual system
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000013178 mathematical model Methods 0.000 claims abstract description 23
- 238000000611 regression analysis Methods 0.000 claims abstract description 12
- 241000254173 Coleoptera Species 0.000 claims description 66
- 241001481710 Cerambycidae Species 0.000 claims description 63
- 238000010845 search algorithm Methods 0.000 claims description 31
- 238000005259 measurement Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 abstract description 16
- 230000002427 irreversible effect Effects 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 abstract description 5
- 241000726768 Carpinus Species 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明实施例提供了一种系统监测模型生成方法、处理器芯片以及工业系统，涉及监测技术领域。系统监测模型生成方法，包括：根据待监测系统的真实数学模型，构建所述待监测系统对应虚拟系统的数字孪生模型，所述数字孪生模型中包括所述虚拟系统的多个虚拟系统参数；构建所述真实数学模型与所述数字孪生模型之间的误差反馈模型；基于所述待监测系统的参考历史数据与所述误差反馈模型进行回归分析，得到各所述虚拟系统参数的值。本发明中，在系统参数辨识过程中，不会受到不可逆矩阵对算力的影响，从而能够快速地迭代收敛；降低了对设备算力的要求，应用于算力较低的处理器芯片，能够实时的对系统进行监测。
Description
技术领域
本发明涉及监测技术领域，具体涉及一种系统监测模型生成方法、处理器芯片以及工业系统。
背景技术
在工业制造系统中，一般可以通过传感器来采集系统的输入输出信号；进一步的，由于传感器一般是间隔进行数据采集的，为了能够实时获取系统的输入输出，一般会基于系统的真实模型构建对应的虚拟系统模型，该虚拟系统模型即为通过系统的输入输出时间函数来模拟系统行为的数学模型。
在构建虚拟系统模型时，会对虚拟系统模型中的系统参数进行辨识，常用的辨识方法如自回归滑动平均模型(Autoregressive moving average model，简称ARMA模型)、状态空间模型以及后向ARMA模型等。
然而，在系统参数求解过程中，存在矩阵不可逆、计算过程复杂等问题，并且会因为非凸问题导致得到虚拟系统模型的精度不高。另外，若采用神经网络通过多线性拟合非线性的方法进行系统参数辨识，也会存在计算消耗过大而无法对系统参数进行实时判别的问题。
发明内容
本发明的目的是提供了一种系统监测模型生成方法、处理器芯片以及工业系统，在系统参数辨识过程中，不会受到不可逆矩阵对算力的影响，从而能够快速地迭代收敛；降低了对设备算力的要求，应用于算力较低的处理器芯片，能够实时的对系统进行监测。
为实现上述目的，本发明提供了一种系统监测模型生成方法，包括：根据待监测系统的真实数学模型，构建所述待监测系统对应虚拟系统的数字孪生模型，所述数字孪生模型中包括所述虚拟系统的多个虚拟系统参数；构建所述真实数学模型与所述数字孪生模型之间的误差反馈模型；基于所述待监测系统的参考历史数据与所述误差反馈模型进行回归分析，得到各所述虚拟系统参数的值。
本发明还提供了一种处理器芯片，处理器芯片用于执行上述系统监测模型生成方法生成待监测系统对应的虚拟系统的数字孪生模型。
本发明还提供了一种工业系统，包括上述的处理器芯片与连接于所述处理器芯片的工业设备；所述处理器芯片用于生成所述工业设备对应的虚拟系统的数字孪生模型。
本发明实施例中，在生成待监测系统所对应的虚拟系统的数字孪生模型时，首先根据待监测系统的真实数学模型，构建所述待监测系统对应虚拟系统的数字孪生模型，所述数字孪生模型中包括所述虚拟系统的多个虚拟系统参数，然后构建所述真实数学模型与所述数字孪生模型之间的误差反馈模型，再基于所述待监测系统的参考历史数据与所述误差反馈模型进行回归分析，得到各所述虚拟系统参数的值，从而能够得到待监测系统的数字孪生模型；采用本发明的系统监测模型生成方法，在系统参数辨识过程中，不会受到不可逆矩阵对算力的影响，从而能够快速地迭代收敛；降低了对设备算力的要求，应用于算力较低的处理器芯片，能够实时的对系统进行监测。
在一个实施例中，所述待监测系统的真实数学模型的表达式为：
x(t+k)＝f[x(t+k-1)，x(t+k-2)，…，x(t)，u(t)]，其中，x(t)表示t时刻所述待监测系统的输出测量值，k表示预设的第一滑窗长度，u(t)表示t时刻所述待监测系统的输入值；
所述待监测系统对应的数字孪生模型的表达式为：
其中，
表示n时刻所述待监测系统的输出预测值，x(n)表示n时刻所述待监测系统的输出测量值，ωi、ωi′以及ω0为所述虚拟系统参数，l表示预设的第二滑窗长度，u(n)表示n时刻所述待监测系统的输入值，k0表示第一预设常数。
在一个实施例中，所述误差反馈模型的表达式为：
其中，e(n)表示n时刻所述真实数学模型与所述数字孪生模型之间的误差，
表示n时刻所述待监测系统的输出预测值，x(n)表示n时刻所述待监测系统的输出测量值，k表示所述第一滑窗长度，l表示所述第二滑窗长度。
在一个实施例中，所述基于所述待监测系统的参考历史数据与所述误差反馈模型进行回归分析，得到各所述虚拟系统参数的值，包括：
利用所述待监测系统的参考历史数据，采用单次测量天牛须搜索算法对所述误差反馈模型进行回归分析，得到各所述虚拟系统参数的值。
在一个实施例中，所述利用所述待监测系统的参考历史数据，采用单次测量天牛须搜索算法对所述误差反馈模型进行回归分析，得到各所述虚拟系统参数的值，包括：
利用所述多个虚拟系统参数构建天牛的位置，将所述误差反馈模型作为所述单次测量天牛须搜索算法的适应度函数，并对天牛进行初始化；
基于所述参考历史数据、天牛的当前位置以及所述适应度函数，得到天牛在当前位置的适应度；
计算天牛左右两个触须的适应度，并更新天牛的位置；
更新天牛的步长、须长以及迭代次数，并判断是否满足预设的迭代条件；
若满足预设的迭代条件，终止所述单次测量天牛须搜索算法，并输出当前的天牛位置作为虚拟系统参数的值；
若不满足预设的迭代条件，将更新后的天牛的位置代入到所述适应度函数中，重复所述单次测量天牛须搜索算法。
在一个实施例中，所述计算天牛左右两个触须的适应度，包括：
基于天牛的当前位置、天牛左右触须的长度，得到天牛左右触须的位置；
将所述参考历史数据中最近一个测量数据与天牛左触须的位置代入所述适应度函数，得到天牛左触须的适应度；
将所述参考历史数据中所述最近一个测量数据的前一个测量数据与天牛右触须的位置代入所述适应度函数，得到天牛右触须的适应度。
在一个实施例中，天牛的位置更新公式为：
Ti+1＝Ti-step*G/σ；
其中，Ti表示第i次迭代天牛的位置，step表示天牛的当前步长，G表示单次测量天牛须搜索算法的梯度，σ表示第二预设常数。
在一个实施例中，单次测量天牛须搜索算法的梯度的公式为：
G＝sign(e(Ti)-e(Ti-1))*normal(Ti-Ti-1)；
其中，G表示单次测量天牛须搜索算法的梯度，sign表示天牛下一步的方向，Ti表示第i次迭代天牛的位置，e(Ti)表示天牛在Ti位置时的适应度。
附图说明
图1是根据本发明第一实施例的系统监测模型生成方法的框架图；
图2是根据本发明第一实施例的系统监测模型生成方法的具体流程图；
图3是图2的系统监测模型生成方法的步骤103的具体流程图；
图4是根据本发明第一实施例的数据孪生模型在基于单次测量天牛须搜索算法进行回归分析的示意图；
图5是根据本发明第三实施例的工业系统的示意图。
具体实施方式
以下将结合附图对本发明的各实施例进行详细说明，以便更清楚理解本发明的目的、特点和优点。应理解的是，附图所示的实施例并不是对本发明范围的限制，而只是为了说明本发明技术方案的实质精神。
在下文的描述中，出于说明各种公开的实施例的目的阐述了某些具体细节以提供对各种公开实施例的透彻理解。但是，相关领域技术人员将认识到可在无这些具体细节中的一个或多个细节的情况来实践实施例。在其它情形下，与本申请相关联的熟知的装置、结构和技术可能并未详细地示出或描述从而避免不必要地混淆实施例的描述。
除非语境有其它需要，在整个说明书和权利要求中，词语“包括”和其变型，诸如“包含”和“具有”应被理解为开放的、包含的含义，即应解释为“包括，但不限于”。
在整个说明书中对“一个实施例”或“一实施例”的提及表示结合实施例所描述的特定特点、结构或特征包括于至少一个实施例中。因此，在整个说明书的各个位置“在一个实施例中”或“在一实施例”中的出现无需全都指相同实施例。另外，特定特点、结构或特征可在一个或多个实施例中以任何方式组合。
如该说明书和所附权利要求中所用的单数形式“一”和“”包括复数指代物，除非文中清楚地另外规定。应当指出的是术语“或”通常以其包括“或/和”的含义使用，除非文中清楚地另外规定。
在以下描述中，为了清楚展示本发明的结构及工作方式，将借助诸多方向性词语进行描述，但是应当将“前”、“后”、“左”、“右”、“外”、“内”、“向外”、“向内”、“上”、“下”等词语理解为方便用语，而不应当理解为限定性词语。
本发明第一实施方式涉及一种系统监测模型生成方法，应用于处理器芯片，该处理器芯片能够执行本实施例中的系统监测模型生成方法生成待监测系统对应的虚拟系统的数字孪生模型，该数字孪生模型能够基于待监测系统的输入输出时间函数来模拟系统的行为；其中，待监测系统可以为工业系统，例如变压器系统、风电系统等。
本实施例的系统监测模型生成方法，包括：根据待监测系统的真实数学模型，构建待监测系统对应虚拟系统的数字孪生模型，数字孪生模型中包括虚拟系统的多个虚拟系统参数；构建真实数学模型与数字孪生模型之间的误差反馈模型；基于待监测系统的参考历史数据与误差反馈模型进行回归分析，得到各虚拟系统参数的值。
采用本实施例中的系统监测模型生成方法，在系统参数辨识过程中，不会受到不可逆矩阵对算力的影响，从而能够快速地迭代收敛；降低了对设备算力的要求，应用于算力较低的处理器芯片，能够实时的对系统进行监测。
下面结合待监测系统的具体数学模型进行详细说明，仅为示例性说明，并非实现本发明的必须。其中，图1为系统监测模型生成方法的框架图。
本实施方式的系统监测模型生成方法的具体流程如图2所示。
步骤101，根据待监测系统的真实数学模型，构建待监测系统对应虚拟系统的数字孪生模型，数字孪生模型中包括虚拟系统的多个虚拟系统参数。
待监测系统的真实数学模型的表达式为：
x(t+k)＝f[x(t+k-1)，x(t+k-2)，…，x(t)，u(t)]，其中，x(t)表示t时刻待监测系统的输出测量值，k表示预设的第一滑窗长度，u(t)表示t时刻待监测系统的输入值。以待监测系统为变压器系统为例，变压器系统的输入u为输入到变压器系统中的电压，变压器系统的输出x为变压器系统中的传感器测量的变压器系统输出的电压。
待监测系统对应的数字孪生模型的表达式为：
其中，
表示n时刻待监测系统的输出预测值，x(n)表示n时刻待监测系统的输出测量值，ωi、ωi′以及ω0为虚拟系统参数，l表示预设的第二滑窗长度，u(n)表示n时刻待监测系统的输入值，k0表示第一预设常数。其中，第一预设常数k0一般设置为远大于0的常数，例如100、1000、2000等。
本实施例中，在待监测系统的真实数学模型以及与待监测系统对应的虚拟系统的数字孪生模型中加入了滑动窗口，能够增加待监测系统的真实数学模型以及数字孪生模型对系统监测的完整性，使得模型能够更加准确的反应系统的输入输出。
步骤102，构建真实数学模型与数字孪生模型之间的误差反馈模型。
本实施例中采用滑动平均误差来构建误差反馈机制，构建得到的真实数学模型与数字孪生模型之间的误差反馈模型的表达式为：
其中，e(n)表示n时刻真实数学模型与数字孪生模型之间的误差，
表示n时刻待监测系统的输出预测值，x(n)表示n时刻待监测系统的输出测量值，k表示第一滑窗长度，l表示第二滑窗长度。
步骤103，利用待监测系统的参考历史数据，采用单次测量天牛须搜索算法对误差反馈模型进行回归分析，得到各虚拟系统参数的值。
请参考图3，步骤103包括以下子步骤：
子步骤1031，利用多个虚拟系统参数构建天牛的位置，将误差反馈模型作为单次测量天牛须搜索算法的适应度函数，并对天牛进行初始化。
具体而言，本实施例中选择步骤102中构建的误差反馈模型e(n)作为单次测量天牛须搜索算法(One Measure Beetle Antennae search algorithm，简称OMBAS)的适应度函数(即待优化的目标函数)，然后利用数字孪生模型中所包含的虚拟系统参数ωi、ωi′以及ω0构建OMBAS算法中天牛的位置，即天牛在第i次迭代中的位置Ti＝(ωi，ωi′，ω0)，并对天牛进行初始化，初始化过程包括：设置ωi、ωi′以及ω0的范围，然后可以从这个范围中随机产生天牛位置，同时还包括对迭代次数的初始化，即设置迭代次数i＝1，以及天牛左右触须的长度d、步长step。
子步骤1032，基于参考历史数据、天牛的当前位置以及适应度函数，得到天牛在当前位置的适应度。
具体而言，将天牛的当前位置Ti带入到数字孪生模型和适应度函数e(n)中，然后将参考历史数据中各个时刻的输入信号代入到数字孪生模型中，得到数字孪生模型在各个时刻的输出预测值，然后基于适应度函数e(n)的表达式与数字孪生模型的输出预测值，便能够计算到天牛在当前位置Ti的适应度。
子步骤1033，计算天牛左右两个触须的适应度，并更新天牛的位置。
具体而言，计算天牛左右两个触须的适应度，包括：基于天牛的当前位置、天牛左右触须的长度，得到天牛左右触须的位置；将参考历史数据中最近一个测量数据与天牛左触须的位置代入适应度函数，得到天牛左触须的适应度；将参考历史数据中最近一个测量数据的前一个测量数据与天牛右触须的位置代入适应度函数，得到天牛右触须的适应度。即只需一个传感器提供的参考历史数据便能够运行单次测量天牛须搜索算法，减少了传感器的测量次数，进一步提高了参考历史数据的利用率及算法效率。
在单次测量天牛须搜索算法中，天牛左触须与右触须之间的距离d0是固定的，可以用xl表示天牛左触须的坐标，xr表示右须坐标，x表示质心坐标(即为天牛当前的位置)，并生成随机向量dir＝rands(n，1)来表示天牛进行下一步飞行后的天牛头的朝向，n为大于或等于1的正整数，即天牛右触须指向天牛左触须的向量的朝向是任意的，归一化后得到dir＝dir/norm(dir)；
xl-xr＝d0*dir；
因此，xl、xr还可以表示成关于质心x的表达式：
xl＝x+d0*dir/2；
xr＝x-d0*dir/2。
随后将天牛左触须的坐标xl带入到适应度函数e(n)中，利用参考历史数据最近一个测量数据得到天牛左触须的适应度fleft；同理，将天牛右触须的坐标xr带入到适应度函数e(n)中，利用参考历史数据最近一个测量数据的前一个测量数据得到天牛右触须的适应度fright。其中，天牛左右触须的适应度的计算方式与天牛的适应度的计算方式大致相同，在此不再赘述。
将天牛左触须的适应度fleft与天牛右触须的适应度fright进行比较，能够得到天牛下一步的前进方向，如果fleft<fright，为了探寻天牛的适应度的最小值，则天牛向着左触须方向行进，如果fleft>fright,为了探寻天牛的适应度的最小值，则天牛向着右触须方向行进，可以采用如下的符号函数sign来表示：
其中，sign＝1时，表示下一步天牛向着右触须方向行进；sign＝-1时，表示下一步天牛向着左触须方向行进。
在确定天牛下一步的行进方向之后，便可以根据天牛当前的步长step来更新天牛的位置，天牛的位置更新公式为
Ti+1＝Ti-step*G/σ；
其中，Ti表示第i次迭代天牛的位置，step表示天牛的当前步长，G表示单次测量天牛须搜索算法的梯度，σ表示第二预设常数。
单次测量天牛须搜索算法的梯度的公式为：
G＝sign(e(Ti)-e(Ti-1))*normal(Ti-Ti-1)；
G表示单次测量天牛须搜索算法的梯度，sign表示天牛下一步的方向，Ti表示第i次迭代天牛的位置，e(Ti)表示天牛在Ti位置时的适应度。
子步骤1034，更新天牛的步长、须长以及迭代次数，并判断是否满足预设的迭代条件。若是，则进入子步骤1034；若否，则进入子步骤1035。
子步骤1035，终止单次测量天牛须搜索算法，并输出当前的天牛位置作为虚拟系统参数的值。
子步骤1036，将更新后的天牛的位置代入到适应度函数中，重复单次测量天牛须搜索算法。
天牛步长step的更新公式为：
step＝step*eta；
其中，eta表示天牛的步长调整比例，0＜eta＜1，例如eta取0.95。
天牛须长P的更新公式为：
Pi＝r*Pi-1；
其中，r表示天牛的须长衰减系数，i表示迭代次数。
迭代次数的更新方式为i＝i+1。
在完成上述的天牛的步长、须长以及迭代次数的更新之后，判断本次迭代是否满足预设的迭代条件，迭代条件可以为天牛的适应度是否满足预设的适应度阈值，和/或天牛的迭代次数i是否达到预设的迭代次数阈值，当本次迭代满足迭代条件时，终止本次的单次测量天牛须搜索算法，并将当前天牛的位置Ti中的ωi，ωi′以及ω0的值输入到数字孪生模型中，该数字孪生模型便能够基于时间来模拟待监测系统的输出。当本次迭代不满足迭代条件时，将更新后的天牛的位置代入到适应度函数中，回到步骤103，重复上述过程，直至迭代至满足预设的迭代条件。
在一个实施例中，还可以在得到待监测系统所对应的虚拟系统的数字孪生模型后，虚拟系统的误差en为：
虚拟系统的误差更新方式如下：
由此可以得到虚拟系统的误差判别公式：
|en|＜k1*e′n；
其中，∈与K1为待定参数，此时可以利用参数∈与K1构成天牛的位置，并采用天牛须搜索算法来整定参数∈与K1，便能够得到虚拟系统的误差判别公式，具体过程与上述类似，在此不再赘述。当虚拟系统的误差符合误差判别公式时，说明虚拟系统的误差较小，该虚拟系统符合要求；当虚拟系统的误差不符合误差判别公式时，说明虚拟系统的误差较大，该虚拟系统不符合要求。
请参考图4，包括了一种数据孪生模型在基于单次测量天牛须搜索算法进行回归分析的收敛速度图、精度误差图以及损失图，由图4可见，单次测量天牛须搜索算法在迭代了112次后收敛，损失值为0.085，精度误差在0.2左右。
本实施例中，处理器芯片在利用待监测系统所对应的虚拟系统的数字孪生模型后，能够结合待监测系统中的传感器测量的数据与数字孪生模型反馈的数据进行对比，从而在虚拟系统与真实系统之间的误差较大时，利用最近的待监测系统中的传感器测量的数据重新执行上述的系统监测模型生成方法，生成一个新的数字孪生模型，从而能够适用于待监测系统在各个阶段的实时状态。
由上可知，本实施例中提出了基于单次测量天牛须搜索算法来生成数字孪生模型，采用单次测量天牛须搜索算法回归分析方法，对数字孪生模型中的虚拟系统参数进行辨识，实现了算力消耗小、孪生精度高、收敛速度快的效果。
本发明的第二实施例涉及一种处理器芯片，处理器芯片用于执行第一实施方式中的系统监测模型生成方法生成待监测系统对应的虚拟系统的数字孪生模型，该数字孪生模型能够基于待监测系统的输入输出时间函数来模拟系统的行为；其中，待监测系统可以为工业系统，例如变压器系统、风电系统等。
本发明第三实施例涉及一种工业系统，请参考图5，包括第二实施例中的处理器芯片1与连接于处理器芯片1的工业设备2；工业设备例如为变压器系统、风电系统等。
处理器芯片1用于生成工业设备2对应的虚拟系统的数字孪生模型。
以上已详细描述了本发明的较佳实施例，但应理解到，若需要，能修改实施例的方面来采用各种专利、申请和出版物的方面、特征和构思来提供另外的实施例。
考虑到上文的详细描述，能对实施例做出这些和其它变化。一般而言，在权利要求中，所用的术语不应被认为限制在说明书和权利要求中公开的具体实施例，而是应被理解为包括所有可能的实施例连同这些权利要求所享有的全部等同范围。
Claims (4)
1.一种系统监测模型生成方法，其特征在于，包括：
根据待监测系统的真实数学模型，构建所述待监测系统对应虚拟系统的数字孪生模型，所述数字孪生模型中包括所述虚拟系统的多个虚拟系统参数；所述待监测系统的真实数学模型的表达式为：x(t+k)＝f[x(t+k-1)，x(t+k-2)，…，x(t)，u(t)]，其中，x(t)表示t时刻所述待监测系统的输出测量值，k表示预设的第一滑窗长度，u(t)表示t时刻所述待监测系统的输入值；所述待监测系统对应的数字孪生模型的表达式为：
其中，
表示n时刻所述待监测系统的输出预测值，x(n)表示n时刻所述待监测系统的输出测量值，ωi、ωi′以及ω0表示所述虚拟系统参数，l表示预设的第二滑窗长度，u(n)表示n时刻所述待监测系统的输入值，k0表示第一预设常数；
构建所述真实数学模型与所述数字孪生模型之间的误差反馈模型；所述误差反馈模型的表达式为：
其中，e(n)表示n时刻所述真实数学模型与所述数字孪生模型之间的误差，
表示n时刻所述待监测系统的输出预测值，x(n)表示n时刻所述待监测系统的输出测量值，k表示所述第一滑窗长度，l表示所述第二滑窗长度；
利用所述待监测系统的参考历史数据，采用单次测量天牛须搜索算法对所述误差反馈模型进行回归分析，得到各所述虚拟系统参数的值，包括：利用所述多个虚拟系统参数构建天牛的位置，将所述误差反馈模型作为所述单次测量天牛须搜索算法的适应度函数，并对天牛进行初始化；基于所述参考历史数据、天牛的当前位置以及所述适应度函数，得到天牛在当前位置的适应度；计算天牛左右两个触须的适应度，并更新天牛的位置；更新天牛的步长、须长以及迭代次数，并判断是否满足预设的迭代条件；若满足预设的迭代条件，终止所述单次测量天牛须搜索算法，并输出当前的天牛位置作为虚拟系统参数的值；若不满足预设的迭代条件，将更新后的天牛的位置代入到所述适应度函数中，重复所述单次测量天牛须搜索算法；
天牛的位置更新公式为：Ti+1＝Ti-step*G/σ；
单次测量天牛须搜索算法的梯度的公式为：
G＝sign(e(Ti)-e(Ti-1))*normal(Ti-Ti-1)；
其中，G表示单次测量天牛须搜索算法的梯度，sign表示天牛下一步的方向，Ti表示第i次迭代天牛的位置，σ表示第二预设常数，e(Ti)表示天牛在Ti位置时的适应度。
2.根据权利要求1所述的系统监测模型生成方法，其特征在于，所述计算天牛左右两个触须的适应度，包括：
基于天牛的当前位置、天牛左右触须的长度，得到天牛左右触须的位置；
将所述参考历史数据中最近一个测量数据与天牛左触须的位置代入所述适应度函数，得到天牛左触须的适应度；
将所述参考历史数据中所述最近一个测量数据的前一个测量数据与天牛右触须的位置代入所述适应度函数，得到天牛右触须的适应度。
3.一种处理器芯片，其特征在于，所述处理器芯片用于执行权利要求1或2所述系统监测模型生成方法生成待监测系统对应的虚拟系统的数字孪生模型。
4.一种工业系统，其特征在于，包括权利要求3所述的处理器芯片与连接于所述处理器芯片的工业设备；
所述处理器芯片用于生成所述工业设备对应的虚拟系统的数字孪生模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110761539.9A CN113534679B (zh) | 2021-07-06 | 2021-07-06 | 系统监测模型生成方法、处理器芯片以及工业系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110761539.9A CN113534679B (zh) | 2021-07-06 | 2021-07-06 | 系统监测模型生成方法、处理器芯片以及工业系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113534679A CN113534679A (zh) | 2021-10-22 |
| CN113534679B true CN113534679B (zh) | 2023-04-28 |
Family
ID=78097825
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110761539.9A Active CN113534679B (zh) | 2021-07-06 | 2021-07-06 | 系统监测模型生成方法、处理器芯片以及工业系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113534679B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11880464B2 (en) * | 2021-08-18 | 2024-01-23 | General Electric Company | Vulnerability-driven cyberattack protection system and method for industrial assets |
| CN114505852B (zh) * | 2021-12-07 | 2023-07-25 | 中国科学院沈阳自动化研究所 | 基于数字孪生的人机协同固体燃料整形系统及建立方法 |
| CN114609988B (zh) * | 2022-04-07 | 2023-09-26 | 吉林大学 | 一种基于改进推理控制器的大滞后系统控制方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819036A (zh) * | 2021-01-28 | 2022-07-29 | 上海新氦类脑智能科技有限公司 | 一种单次测量天牛须控制方法、装置及可读存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110783962A (zh) * | 2019-04-17 | 2020-02-11 | 上海电机学院 | 一种虚拟同步发电机并网逆变器的控制方法 |
| CN111230887B (zh) * | 2020-03-10 | 2021-01-26 | 合肥学院 | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 |
| CN111639430B (zh) * | 2020-05-29 | 2024-02-27 | 重庆大学 | 一种数字孪生驱动的天然气管道泄漏识别系统 |
| CN113344262A (zh) * | 2021-05-28 | 2021-09-03 | 淮阴工学院 | 一种基于城市垃圾分类的智能清运系统及方法 |
| CN113433913B (zh) * | 2021-07-06 | 2023-03-24 | 上海新氦类脑智能科技有限公司 | 系统监测模型生成及监测方法、处理器芯片以及工业系统 |
-
2021
- 2021-07-06 CN CN202110761539.9A patent/CN113534679B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819036A (zh) * | 2021-01-28 | 2022-07-29 | 上海新氦类脑智能科技有限公司 | 一种单次测量天牛须控制方法、装置及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113534679A (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113534679B (zh) | 系统监测模型生成方法、处理器芯片以及工业系统 | |
| CN111240268B (zh) | 基于slstm神经网络的轴系统热误差建模方法和热误差补偿系统 | |
| US11593611B2 (en) | Neural network cooperation | |
| JP6746292B2 (ja) | 言語モデル学習方法及び装置、言語認識方法及び装置 | |
| KR102410820B1 (ko) | 뉴럴 네트워크를 이용한 인식 방법 및 장치 및 상기 뉴럴 네트워크를 트레이닝하는 방법 및 장치 | |
| CN112247992A (zh) | 一种机器人前馈力矩补偿方法 | |
| US10783452B2 (en) | Learning apparatus and method for learning a model corresponding to a function changing in time series | |
| CN112231632B (zh) | 一种运载火箭风估计方法、装置、设备及存储介质 | |
| CN112668104A (zh) | 一种高超声速飞行器气动参数在线辨识方法 | |
| WO2020149971A2 (en) | Robust and data-efficient blackbox optimization | |
| Baek et al. | Sparse variational deterministic policy gradient for continuous real-time control | |
| WO2020105468A1 (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラムが格納された非一時的なコンピュータ可読媒体 | |
| CN110471768B (zh) | 一种基于fastPCA-ARIMA的负载预测方法 | |
| US11195116B2 (en) | Dynamic boltzmann machine for predicting general distributions of time series datasets | |
| US20210166131A1 (en) | Training spectral inference neural networks using bilevel optimization | |
| CN113370208A (zh) | 一种可重构机械臂子系统的控制方法及系统 | |
| CN113433913B (zh) | 系统监测模型生成及监测方法、处理器芯片以及工业系统 | |
| Mücke et al. | Markov chain generative adversarial neural networks for solving Bayesian inverse problems in physics applications | |
| Zhang et al. | Biased compensation adaptive gradient algorithm for rational model with time-delay using self-organising maps | |
| CN108132600B (zh) | Mimo紧格式无模型控制器基于偏导信息的参数自整定方法 | |
| Shamsudin et al. | Recursive Gauss-Newton based training algorithm for neural network modelling of an unmanned rotorcraft dynamics | |
| CN115455353A (zh) | 一种基于非线性时域滤波的在线参数辨识方法 | |
| CN114722995A (zh) | 训练神经随机微分方程的神经漂移网络和神经扩散网络的设备和方法 | |
| Nguyen et al. | A data-driven iterative learning algorithm for robot kinematics approximation | |
| Xie et al. | An efficient algorithm for parameterizing HsMM with Gaussian and Gamma distributions |
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 |