CN113852515B - 一种数字孪生网络的节点状态管控方法及系统 - Google Patents

Abstract

一种数字孪生网络的节点状态管控方法及系统，其方法包括：对物理节点进行重要性排序，计算每个物理节点中的相似节点集合；选取物理节点中重要性最高的节点作为初始节点；对初始节点的隐马尔可夫模型进行训练，将训练完成的物理节点称为已知节点，未训练的物理节点称为未知节点；按照重要性排序依次对未知节点的模型进行训练，并根据相似性规则，利用已知节点对未知节点的模型训练进行指导；物理节点的模型训练完成后，对物理节点所处的状态进行判断，并根据判断结果采取补救措施，本申请充分的考虑到物理层节点之间的关联关系，引入节点重要性和节点相似性，让节点学习的顺序以及参数更新的规则更加的合理，增强了对孪生网络的理解和监控能力。

Description

一种数字孪生网络的节点状态管控方法及系统

技术领域

本发明涉及数字孪生技术领域，特别涉及一种数字孪生网络的节点状态管控方法及系统。

背景技术

数字孪生技术通过对物理实体构建“高保真”的数字孪生模型，实现物理模型和数字孪生模型的双向映射，数字孪生网络包含物理层、虚拟层和服务层，物理层中的不同节点具有不同的属性和功能，在生产运营中，实体节点之间存在协调合作关系，物理层依托于工业互联网技术，实时采集节点传感器数据和运行数据，并将采集数据实时发送到虚拟层，因为物理节点的状态对于物理层的运转至关重要，物理网络中一个物理节点发生故障，可能导致整条生产线的瘫痪。但是由于物理节点的实际工作状态是隐藏在网络中的，无法直接观测到。

因此，如何提供一种物理节点的监测管控方法，是本领域技术人员亟待解决的问题。

发明内容

本申请实施例提供了一种数字孪生网络的节点状态管控方法及系统，旨在解决数字孪生网络物理节点的监测管控的问题。

第一方面，本申请提供了一种数字孪生网络的节点状态管控方法，该方法包括：

对物理节点进行重要性排序，计算物理节点中的相似节点集合；

选取物理节点中重要性最高的节点作为初始节点；

对初始节点的隐马尔可夫模型进行训练，将训练完成的物理节点称为已知节点，未训练的物理节点称为未知节点；

按照重要性排序依次对未知节点的模型进行训练，并根据相似性规则，利用已知节点对未知节点的模型训练进行指导；

物理节点的模型训练完成后，对物理节点所处的状态进行判断，并根据判断结果采取补救措施。

第二方面，本申请还提供了一种数字孪生网络的节点状态管控系统，该系统包括：

排序模块，用于对物理节点进行重要性排序，计算物理节点中的相似节点集合；

初始节点选取模块，用于选取物理节点中重要性最高的节点作为初始节点；

初始节点训练模块，用于对初始节点的隐马尔可夫模型进行训练，将训练完成的物理节点称为已知节点，未训练的物理节点称为未知节点；

未知节点训练模块，用于按照重要性排序依次对未知节点的模型进行训练，并根据相似性规则，利用已知节点对未知节点的模型训练进行指导；

节点状态判断模块，用于物理节点的模型训练完成后，对物理节点所处的状态进行判断，并根据判断结果采取补救措施。

第三方面，本申请还提供了一种计算机装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如上述第一方面中任一项所述的数字孪生网络的节点状态管控方法。

第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行如上述第一方面中任一项所述的数字孪生网络的节点状态管控方法。

本申请提出的一种数字孪生网络的节点状态管控方法和系统，充分的考虑到物理层节点之间的关联关系，引入了节点重要性和节点相似性，让节点学习的顺序以及参数更新的规则更加的合理，增强了管控器对于孪生网络的理解和监控能力，同时，未知节点学习过程中，充分利用已知节点已经储备的知识，基于经验知识的指领，可以更快的到达收敛，对于物理节点的状态信息，进行合理细致的分类，从而增强了对于节点实际状态的理解，便于采取适当的补救措施。

附图说明

为了更清楚的说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面的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附图。

图1为本申请实施例提供的一种数字孪生网络的节点状态管控方法流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。

数字孪生网络包含物理层、虚拟层和服务层，物理层依托于工业互联网技术，实时采集节点传感器数据和运行数据，并将采集数据实时发送到虚拟层。虚拟层是利用孪生技术生成的与物理实体节点一对一的虚拟节点组成，该层数据主要包括产品模型数据和虚拟运营数据等。服务层收集来自物理层和虚拟层的数据，对网络的运行状态进行检测和管控，并预测可能出现的故障，并根据业务需求进行运维管理，本申请主要是研究物理节点的状态，对其进行管控，在进行物理节点管控之前，需要先构建数字孪生系统模型，具体为：

假设物理层含有N个物理节点，物理节点集合表示为PNs＝{PN₁,PN₂,...,PN_N}。虚拟层含有N个虚拟节点，虚拟节点集合表示为VNs＝{VN₁,VN₂,...,VN_N}。物理节点共同协作完成分配的任务，所有节点的功能假设有K种，表示为F＝{f₁,f₂,...,f_K}。每个节点具有单个或多个功能。因此，物理节点PN_i的属性集合为PN_i＝{ot_i，wt_i，ft_i}。ot_i表示该节点的运作时长，wt_i表示该节点的磨损程度，ft_i∈F表示该节点的功能集合。假设物理节点的状态空间为S＝{S₁,S₂,S₃,S₄}，不同的状态对应不同的故障等级。S₁状态表示该物理节点处于健康状态，可以正常运作。S₂状态表示由于周围环境的变化，该物理节点发生了退化。环境恢复正常后，处于此状态的物理节点可能会在短时间内恢复正常状态，或者随着时间推移继续恶化。S₃状态表示该物理节点处于恶化状态，映射到该节点的任务会受到严重影响，可能是由于软件或者硬件故障引起的。这种状态下，如果没有补救措施，物理节点将无法恢复到正常状态，如果一直被忽略的话，甚至变为中断状态。S₄状态表示该物理节点处于一个完全故障的状态，不支持任何的功能。一旦节点处于该状态，就不可能自发恢复到正常状态，并且必须执行节点迁移或激活备份等措施以确保映射到该节点上的任务正常运行。假设虚拟节点的状态空间为V＝{V₁,V₂,...,V_n}，由于孪生系统是依托于物理实体的系统，所以通常假设虚拟节点状态是物理节点状态的一个子集，没有在物理节点中没有出现过的状态，本申请中假设n＝3。鉴于传感器测量误差以及孪生误差，虚拟节点的状态不能够简单的与物理节点状态一对一映射，映射关系需要借助隐马尔可夫模型去学习。

本申请主要用于对物理节点的状态进行管控，因此需要学习物理层和虚拟层所有节点之间的映射关系。

参见图1实施例所示一种数字孪生网络的节点状态管控方法流程图，包括：

S101、对物理节点进行重要性排序，计算相似节点集合。

如果每对节点的映射关系独自学习，忽略节点之间的关联和相似性，会导致学习算法需要很长的时间才能到达收敛，影响状态管控器的实时性，影响学习算法收敛时间的主要因素就是初始参数的选取。

因此，本申请首先对物理层底层拓扑进行分析，对物理节点的重要性进行排序，优先学习重要的节点。

已经学习好的节点，将其参数传输到与其具有较高相似性的节点处，作为该节点参数更新的参考，从而实现物理节点之间的协作学习。

在一实施例中，节点重要性采用度中心性来衡量，节点的度中心性越大，则该节点越重要。节点的度中心性可以通过

来计算，d_ij表示底层拓扑的邻接矩阵。

为了消除网络规模变化对于度中心性的影响，可以采用标准化的计算公式

来计算，其中，节点的重要性决定了节点参数的学习顺序。

在一实施例中，节点的相似性考量需要综合节点的运作时长、磨损程度和功能集合，三个因素对应相似性表示为simi_ot(i,j)，simi_wt(i,j)，simi_ft(i,j)，具体计算方法如下式所示：

其中，ot_i为节点i的运作时长，ot_j为节点j的运作时长，wt_i为节点i的磨损程度，wt_j为节点j的磨损程度，ft_i为节点i的功能集合，ft_j为节点j的功能集合。

节点之间的相似性simi_PN(i,j)定义为三个相似性的线性组合，如下式所示：

simi_PN(i,j)＝α·simi_ot(i,j)+β·simi_wt(i,j)+γ·simi_ft(i,j)  (4)

相似性关系到节点之间的协作学习关系。其中，各类相似性所占比例根据不同物理模型有不同的取值，满足α+β+γ＝1即可。本申请假设α＝0.3，β＝0.3，γ＝0.4。

设定了一个节点相似性的阈值ξ，当节点之间的相似性大于等于阈值时，称两个节点为相似节点，因此每个物理节点都有自己的相似节点集合。本申请假设ξ＝0.7，属性差距很多的节点，模型参数一般也差别很大，已知模型参数的节点会对未知节点的模型学习造成误导，学习性能反而劣于随机初始参数方案，因此相似性阈值的设定，可以保证模型学习性能。

S102、选取物理节点中重要性最高的节点作为初始节点。

S103、对初始节点的隐马尔可夫模型进行训练，将训练完成的物理节点称为已知节点，未训练的物理节点称为未知节点。

在一实施例中，初始节点的隐马尔可夫模型采用以下方式进行训练：

物理节点PN_m状态序列表示为

该序列也可以称为隐藏序列，虚拟节点状态序列表示为

该序列也可以称为观测序列，状态转移矩阵定义为

其中

发射矩阵定义为

其中

初始状态矩阵定义为

其中

由于物理节点的状态序列是未知的，因此需要根据虚拟节点的状态序列对其进行推断和预测，这就需要首先学习隐马尔可夫模型的参数，然后找出物理节点最大可能处于的状态。按照上述规则，选取重要性最高的节点作为初始节点。假设初始节点为PN_n，首先定义一个前向变量

其中

根据齐次马尔可夫假设和观测独立假设，可以推导出前向变量满足递推式：

然后定义一个后向变量

其中

同理根据齐次马尔可夫假设和观测独立假设，可以推导出后向变量满足递推式：

引入一个平滑变量

该变量表示在观测为O_n的条件下，PN_n的系统状态在时刻t处于S_i的概率。

可以通过下式计算：

为了简化表示，引入辅助变量

该变量表示在已知观测序列的条件下，PN_n的系统状态由t时刻的S_i状态转移到t+1时刻的S_j状态的概率。对该变量进行分析，可以得到以下表达式：

初始节点PN_n的隐马尔可夫模型参数λ_n＝(π_n,A_n,B_n)通过随机值进行初始化，然后根据EM(Expectation-Maximization)算法重新估算每次迭代后的参数矩阵。EM算法的性能很大程度上取决于初始参数设置，初始矩阵越接近实际值，收敛所需的时间越短。参数矩阵迭代更新的公式定义为：

假设第l次迭代的参数更新为

为了评估参数与实际模型的接近程度，引入一个评估变量

其中

评估变量的值越大，则参数越接近实际模型参数。因此，定义参数学习算法停止的迭代的条件为：

|log(Eva_λ(l))-logP(Eva_λ(l+1))|≤ε  (14)

ε为收敛阈值。

当得到真实的隐马尔可夫模型参数后，就可以对物理节点状态进行推断，本申请通过最大后验概率来推断PN_n在每个时刻所处的状态，即：

通过上述方法对初始节点的隐马尔可夫模型进行训练，将已经训练完成的节点称为已知节点，还没有进行训练的节点称为未知节点，并将已知节点的模型作为知识存储在系统中。

S104、按照重要性排序依次对未知节点的模型进行训练，并根据相似性规则，利用已知节点对未知节点的模型训练进行指导。

首先，判断目标节点的相似节点集合中是否存在已知节点。若不存在已知节点，则目标节点采取与初始节点相同的学习方案，即随机选取初始参数，参数的迭代更新根据式(11)，(12)和(13)进行。若存在已知节点，则选取相似性最高的已知节点作为其学习过程的参考节点，已知节点的参数作为目标节点的初始参数，并对每一步的迭代更新进行指导，影响度随着迭代次数逐渐减小。假设目标节点为PN_k，选取的参考节点为PN_r，则节点PN_k的初始参数设置为λ_k＝(π_r,A_r,B_r)。参数的迭代更新参照下式：

其中，ρ(l)是影响度，l是迭代次数。影响度的选取需要满足迭代次数越多，影响度越小。本申请将影响度函数定义为

迭代的终止条件同样为式(14)。

S105、物理节点的模型训练完成后，对物理节点所处的状态进行判断，并根据判断结果采取补救措施。

当所有物理节点的隐马尔科夫模型都已经学习完成后，本申请的学习阶段也就结束了。上述管控器具备了对于节点状态的监控能力，可以根据观测信息，利用式(15)对物理节点所处的状态进行推断，并采取相应的补救措施。

本申请相对于现有技术手段，充分的考虑到物理层节点之间的关联关系，引入了节点重要性和节点相似性，让节点学习的顺序以及参数更新的规则更加的合理，这增强了管控器对于孪生网络的理解和监控能力。同时，未知节点学习过程中，充分利用已知节点已经储备的知识，基于经验知识的指领，可以更快的到达收敛。对于物理节点的状态信息，进行合理细致的分类，这将增强对于节点实际状态的理解，便于采取适当的补救措施。

以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims (7)

1.一种数字孪生网络的节点状态管控方法，其特征在于，包括：

对物理节点进行重要性排序，计算每个物理节点中的相似节点集合；

选取物理节点中重要性最高的节点作为初始节点；

对初始节点的隐马尔可夫模型进行训练，将训练完成的物理节点称为已知节点，未训练的物理节点称为未知节点；

按照重要性排序依次对未知节点的模型进行训练，判断待训练的未知节点的相似节点集合中是否存在已知节点，若不存在己知节点，则待训练的未知节点采取与初始节点相同的训练方案，并根据相似性规则，利用已知节点对未知节点的模型训练进行指导，所述相似性规则为：当其他物理节点与目标物理节点的相似性大于或等于设定的阈值时，则判断其他物理节点为目标物理节点的相似节点，所有目标物理节点的相似节点组成的集合为相似节点集合；

物理节点的模型训练完成后，对物理节点所处的状态进行判断，并根据判断结果采取补救措施。

2.如权利要求1所述的一种数字孪生网络的节点状态管控方法，其特征在于，所述对物理节点进行重要性排序，包括：通过计算节点的度中心性来对节点的重要性进行排序，节点的度中心性越大，则节点越重要。

3.如权利要求1所述的一种数字孪生网络的节点状态管控方法，其特征在于，所述按照重要性排序依次对未知节点的模型进行训练，还包括：

若待训练的未知节点的相似节点集合中存在已知节点，则选取相似性最高的已知节点作为待训练的未知节点的模型训练过程的参考节点。

4.如权利要求1所述的一种数字孪生网络的节点状态管控方法，其特征在于，按照重要性排序依次对未知节点的模型进行训练之后，还包括：

判断未知节点集合是否为空，若不为空，则表示未知节点未训练完成，继续对未知节点的模型进行训练，直到未知节点集合为空。

5.一种数字孪生网络的节点状态管控系统，其特征在于，还包括：

排序模块：用于对物理节点进行重要性排序，计算每个物理节点中的相似节点集合；

初始节点选取模块：用于选取物理节点中重要性最高的节点作为初始节点；

初始节点训练模块：用于对初始节点的隐马尔可夫模型进行训练，将训练完成的物理节点称为已知节点，未训练的物理节点称为未知节点；

未知节点训练模块：用于按照重要性排序依次对未知节点的模型进行训练，判断待训练的未知节点的相似节点集合中是否存在已知节点，若不存在己知节点，则待训练的未知节点采取与初始节点相同的训练方案，并根据相似性规则，利用已知节点对未知节点的模型训练进行指导，所述相似性规则为：当其他物理节点与目标物理节点的相似性大于或等于设定的阈值时，则判断其他物理节点为目标物理节点的相似节点，所有目标物理节点的相似节点组成的集合为相似节点集合；

节点状态判断模块：用于物理节点的模型训练完成后，对物理节点所处的状态进行判断，并根据判断结果采取补救措施。

6.一种计算机装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-4中任一项所述的数字孪生网络的节点状态管控方法。

7.一种计算机可读存储介质，其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时执行如权利要求1-4中任一项所述的数字孪生网络的节点状态管控方法。

Images