CN114417549B - 一种基于超级计算机的数字孪生目标场数据处理系统 - Google Patents

Abstract

本发明涉及一种基于超级计算机的数字孪生目标场数据处理系统，包括超级计算机，所述超级计算机中包括初始数字孪生模型库、数据库、处理器和存储有计算机程序的存储器，所述数字孪生模型库用于存储模型id和对应的初始数字孪生模型；所述数据库用于存储数字孪生模型参数记录，所述数字孪生模型参数记录包括模型id，固定参数列表，可变参数列表和每一可变参数的取值范围和调整步长字段。本发明基于实际采集的测点数据和虚拟的预测场数据对虚拟的数字孪生模型进行修订，来获取场数据，提高了获取场数据的准确性和效率，且减少计算量。

Description

一种基于超级计算机的数字孪生目标场数据处理系统

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于超级计算机的数字孪生目标场数据处理系统。

背景技术

数字孪生模型是一种能够构建现实装置或设备的虚拟物理映射，可以实时展现物理装置的运行状态，揭示物理装置内部运行规律的原始仿真模型。构建数字孪生模型获取场数据，对于物理装置前期的研发定型、运行过程中的虚拟工艺调整和后期的预防性维护有着重要意义。但是，由于数字孪生模型本身与超大规模计算强耦合，需要巨大的计算量，且由于很多物理装置的全生命周期长，因此对于物理装置全生命周期的管控又对海量数据的存储都有着较高的要求，可以基于超级计算机构建数字孪生模型。但是，如果随着物理装置的生命周期变化不断更新数字孪生模型，则需要耗费很大的计算量，且面对海量的数据，可能面临丢失部分数据等情况，从而无法保证生成更新的数字孪生模型的准确性，从而无法获取准确的场数据。由此可知，如何提高获取场数据的准确性和效率，减少计算量成为亟待解决的技术问题。

发明内容

本发明目的在于，提供一种基于超级计算机的数字孪生目标场数据处理系统，基于实际采集的测点数据和虚拟的预测场数据对虚拟的数字孪生模型进行修订，来获取场数据，提高了获取场数据的准确性和效率，且减少计算量。

根据本发明一方面，提供了一种基于超级计算机的数字孪生目标场数据处理系统，包括超级计算机，所述超级计算机中包括初始数字孪生模型库、数据库、处理器和存储有计算机程序的存储器，所述数字孪生模型库用于存储模型id和对应的初始数字孪生模型；所述数据库用于存储数字孪生模型参数记录，所述数字孪生模型参数记录包括模型id，固定参数列表，可变参数列表和每一可变参数的取值范围和调整步长字段；

当所述处理器执行所述计算机程序时，实现以下步骤：

步骤S1、获取模型id和输入数据，将所述输入数据输入对应的初始数字孪生模型中生成初始预测场数据FD₀,从FD₀中获取预设的M个参考点对应的预测数据{V₀₁，V₀₂，…V_0M}，V_0m为第m个参考点的预测数据，m的取值范围为1到M；

步骤S2、获取所述M个参考点对应的实际测量数据{F₀₁，F₀₂，…F_0M}，F_0m为第m个参考点的实际测量数据，基于{V₀₁，V₀₂，…V_0N}和{F₀₁，F₀₂，…F_0M}获取计算误差值，若小于预设的计算误差阈值，则将所述初始预测场数据确定为目标场数据，结束流程，否则启动预设的状态限制器，限制时间项信息，执行步骤S3；

步骤S3、基于所述初始数字孪生模型的可变参数列表和每一可变参数的取值范围和调整步长字段，组建所有可变参数组合列表，并与对应的固定参数列表构建对应的候选数字孪生模型；

步骤S4、基于预设的调整系数调整所述M个参考点对应的目标值，基于所述候选数字孪生模型和所述M个参考点对应的目标值确定目标场数据。

本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明提供的一种基于超级计算机的数字孪生目标场数据处理系统可达到相当的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有下列优点：

本发明基于实际采集的测点数据和虚拟的预测场数据对虚拟的数字孪生模型进行修订，无需对模型进行大的修改，基于预设的调整系数调整M个参考点对应的目标值，确定候选数字孪生模型，并基于目标值引导候选数字孪生模型快速准确地生成目标场数据，提高了获取场数据的准确性和效率，且减少计算量。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。

附图说明

图1为本发明实施例提供的基于超级计算机的数字孪生目标场数据处理系统示意图。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种基于超级计算机的数字孪生目标场数据处理系统的具体实施方式及其功效，详细说明如后。

本发明实施例提供了一种基于超级计算机的数字孪生目标场数据处理系统，如图1所示，包括超级计算机，所述超级计算机中包括初始数字孪生模型库、数据库、处理器和存储有计算机程序的存储器，所述数字孪生模型库用于存储模型id和对应的初始数字孪生模型，需要说明的是，初始数字孪生模型为基于超级计算机构建的粗模型，即采用较小的计算能量构建的，模型精度不高的初始数字孪生模型。所述数据库用于存储数字孪生模型参数记录，所述数字孪生模型参数记录包括模型id，固定参数列表，可变参数列表和每一可变参数的取值范围和调整步长字段，其中，固定参数列表中的参数指的是随着时间变化数值固定不变的参数，例如设备上某一固定结构的长、宽、高，可变参数列表指的是随着设备存在时间的推移而变化的参数，例如设备某一部件的强度。

当所述处理器执行所述计算机程序时，实现以下步骤：

步骤S1、获取模型id和输入数据，将所述输入数据输入对应的初始数字孪生模型中生成初始预测场数据FD₀,从FD₀中获取预设的M个参考点对应的预测数据{V₀₁，V₀₂，…V_0M}，V_0m为第m个参考点的预测数据，m的取值范围为1到M；

其中，具体可基于与所述超级计算机通信连接的云计算平台获取获取模型id和输入数据。可以理解的是，场数据对应的测量点的数量远远大于参考点的数量。

步骤S2、获取所述M个参考点对应的实际测量数据{F₀₁，F₀₂，…F_0M}，F_0m为第m个参考点的实际测量数据，基于{V₀₁，V₀₂，…V_0N}和{F₀₁，F₀₂，…F_0M}获取计算误差值，若小于预设的计算误差阈值，则将所述初始预测场数据确定为目标场数据，结束流程，否则启动预设的状态限制器，限制时间项信息，执行步骤S3；

其中，若计算误差值小于预设的计算误差阈值，说明当前基于初始数字孪生模型得到的初始预测场数据是准确地，则直接将该初始预测场数据确定为目标场数据，无需再调整模型。需要说明的是，启动预设的状态限制器，限制时间项信息即将模型的方程限定在具体的时刻，消除计算过程中时间项的影响。

步骤S3、基于所述初始数字孪生模型的可变参数列表和每一可变参数的取值范围和调整步长字段，组建所有可变参数组合列表，并与对应的固定参数列表构建对应的候选数字孪生模型；

可以理解的是，候选数字孪生模型具体基于原始的数字孪生模型结构以及可变参数组合构建得到。

步骤S4、基于预设的调整系数调整所述M个参考点对应的目标值，基于所述候选数字孪生模型和所述M个参考点对应的目标值确定目标场数据。

需要说明的是，如果直接将M个参考点对应的实际测量数据赋值给模型，那么可能会导致模型的发散，因此，需要采用调整系数调整所述M个参考点对应的目标值，逐步调整模型，引导模型最终生成准确的目标场数据。

本发明实施例基于实际采集的测点数据和虚拟的预测场数据对虚拟的数字孪生模型进行修订，无需对模型进行大的修改，基于预设的调整系数调整M个参考点对应的目标值，确定候选数字孪生模型，并基于目标值引导候选数字孪生模型快速准确地生成目标场数据，提高了获取场数据的准确性和效率，且减少计算量。

作为一种实施例，所述步骤S4包括：

步骤S41、将每一候选数字孪生模型的模型初始场数据设置为FD₀，将所述M个参考点对应的目标值设置为{F₁₁，F₁₂，…F_1M}，其中，F_1m为第一轮的第m个参考点的目标值，F_1m＝V_0m+a*(F_0m-V_0m)，其中，a为所述调整系数，0<a<1,将所述输入数据输入每一候选数字孪生模型运算，基于所有候选数字孪生模型的运算结果确定预选数字孪生模型和第一轮的场数据FD₁，设置i＝2,执行步骤S42；

可以理解的是，所有候选数字孪生模型运算中只有部分能最终收敛，且收敛的候选数字孪生模型全部符合质量守恒、动量守恒、能量守恒，输出的场数据均为FD₁，且FD₁中所述M个参考点对应的值为{F₁₁，F₁₂，…F_1M}。预选数字孪生模型的数量远小于选数字孪生模型的数量。

步骤S42、将每一预选数字孪生模型的模型初始场数据设置为FD_i-1，将所述M个参考点对应的目标值设置为{F_i1，F_i2，…F_iM},其中，F_im为第i轮调整对应的第m个参考点对应的目标值，F_im＝V_0m+i*a*(F_0m-V_0m)，0<i*a≤1，将所述输入数据输入每一候选数字孪生模型运算，生成第i轮的场数据FD_i；

步骤S43、判断i*a是否等于1，若是，则将FD_i确定为目标场数据，否则，设置i＝i+1,返回执行步骤S42。

通过步骤S41-步骤S43，只需对所有候选数字孪生模型进行一轮计算，即可筛选出预选数字孪生模型，无需基于大量的运算去寻找最精确的模型，后续直接基于预选数字孪生模型，以及M个参考点对应的目标值即可引导预选数字孪生模型最终输出精确度高的目标场数据，减少了获取目标场数据的计算量，提高了获取目标场数据的效率。

作为一种实施例，所述步骤S41中，基于所有候选数字孪生模型的运算结果确定预选数字孪生模型，包括：

步骤S411、当候选数字孪生模型运算时间达到预设的时间阈值时，将已收敛的候选数字孪生模型的运算结果标注为“1”，将未收敛的候选数字孪生模型的运算结果标注为“0”；

步骤S412、基于每一候选数字孪生模型对应的可变参数组合列表、运算结果生成每一候选数字孪生模型对应的模型调整信息记录；

步骤S413、基于所有候选数字孪生模型对应的模型调整信息记录从可变参数中确定目标可变参数，以及目标可变参数调整路线信息；

需要说明的是，通过对所有候选数字孪生模型对应的模型调整信息记录的分析，能够确定调整哪些参数能够使得模型收敛，这些参数即为目标可变参数，也能够确定调整哪些参数无法使得模型收敛，这些参数为非目标可变参数，且通过对所有候选数字孪生模型对应的模型调整信息记录的分析，还能得到具体哪些目标可变参数调整路线能够更容易使得模型收敛。具体可采用现有的统计分析算法实现，在此不再展开描述。

为了进一步的提高计算效率，还可在超级计算机上设置用于获取目标可变参数，以及目标可变参数调整路线信息的人工智能算法，所述步骤S413包括：

步骤S4131、基于预设的人工智能算法对所有候选数字孪生模型对应的模型调整信息记录进行敏感性分析，将敏感参数确定为目标可变参数，并确定目标可变参数调整路线信息。

通过超级计算机直接调用预设的人工智能算法，提高了确定目标可变参数，以及目标可变参数调整路线信息的效率。

步骤S414、将可变参数中的非目标可变参数设置为固定值，基于所述目标可变参数、目标可变参数调整路线信息，生成目标可变参数组合列表，就每一目标可变参数组合列表、非目标可变参数和固定参数，构建对应的预选数字孪生模型。

由于测量环境等因素，有些情况下可能会导致M个参考点中部分实际测量数据存在较大偏差，因此可以进一步对M个参考点实际测量数据进行准确度判断，以提升获取目标场数据的准确性，作为一种实施例，当所述步骤S2中确定所述计算误差值小于预设的计算误差阈值时，执行以下步骤：

步骤S20、基于{V₀₁，V₀₂，…V_0N}和{F₀₁，F₀₂，…F_0M}获取所述M个参考点对应的整体变化趋势误差，若小于预设的趋势误差阈值，则执行步骤S3，否则，返回执行步骤S2；

部分实施例中，可能会出现一些预测测点位置信息与实际测点位置信息不一致，这种情况下为了提高计算结果的准确性，需要对模型的几何结构进行调整，以便于在模型的实际测点位置对应的位置进行合理插值，作为一种实施例，V_0m包括预测测点位置信息VA_0m和预测测点数值信息VB_0m，F_0m包括实际测点位置信息FA_0m和实际测点数值信息FB_0m，所述步骤S3还包括：

步骤S31、获取VA_0m和FA_0m的位置误差信息；

步骤S32、基于VA_0m和FA_0m的位置误差信息对所述初始数字孪生模型进行几何处理，基于集合处理后的初始数字孪生模型生成所述候选数字孪生模型，所述集合处理包括网格重构。

作为一种实施例，所述步骤S4之后还包括：

步骤S5、关闭所述状态限制器，释放时间项信息，实时监测是否接收到模型id和输入数据，若是，则重新执行步骤S1。

由此可知，本发明实施例可以基于一个初始数字孪生模型实现对多个时刻下获取目标场数据，无需对模型进行大的修改，也无需采用大量的计算量来得到高精度的模型，基于实际采集的测点数据和虚拟的预测场数据对虚拟的数字孪生模型进行修订即可，提高了获取场数据的准确性和效率，且减少计算量。

需要说明的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，部分步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (6)

1.一种基于超级计算机的数字孪生目标场数据处理系统，其特征在于，包括超级计算机，所述超级计算机中包括初始数字孪生模型库、数据库、处理器和存储有计算机程序的存储器，所述数字孪生模型库用于存储模型id和对应的初始数字孪生模型；所述数据库用于存储数字孪生模型参数记录，所述数字孪生模型参数记录包括模型id，固定参数列表，可变参数列表和每一可变参数的取值范围和调整步长字段；

当所述处理器执行所述计算机程序时，实现以下步骤：

步骤S1、获取模型id和输入数据，将所述输入数据输入对应的初始数字孪生模型中生成初始预测场数据FD₀,从FD₀中获取预设的M个参考点对应的预测数据{V₀₁，V₀₂，…V_0M}，V_0m为第m个参考点的预测数据，m的取值范围为1到M；

步骤S2、获取所述M个参考点对应的实际测量数据{F₀₁，F₀₂，…F_0M}，F_0m为第m个参考点的实际测量数据，基于{V₀₁，V₀₂，…V_0N}和{F₀₁，F₀₂，…F_0M}获取计算误差值，若小于预设的计算误差阈值，则将所述初始预测场数据确定为目标场数据，结束流程，否则启动预设的状态限制器，限制时间项信息，执行步骤S3；

步骤S3、基于所述初始数字孪生模型的可变参数列表和每一可变参数的取值范围和调整步长字段，组建所有可变参数组合列表，并与对应的固定参数列表构建对应的候选数字孪生模型；

步骤S4、基于预设的调整系数调整所述M个参考点对应的目标值，基于所述候选数字孪生模型和所述M个参考点对应的目标值确定目标场数据；

所述步骤S4包括：

步骤S41、将每一候选数字孪生模型的模型初始场数据设置为FD₀，将所述M个参考点对应的目标值设置为{F₁₁，F₁₂，…F_1M}，其中，F_1m为第一轮的第m个参考点的目标值，F_1m＝V_0m+a*(F_0m-V_0m)，其中，a为所述调整系数，0<a<1,将所述输入数据输入每一候选数字孪生模型运算，基于所有候选数字孪生模型的运算结果确定预选数字孪生模型和第一轮的场数据FD₁，设置i＝2,执行步骤S42；

步骤S42、将每一预选数字孪生模型的模型初始场数据设置为FD_i-1，将所述M个参考点对应的目标值设置为{F_i1，F_i2，…F_iM},其中，F_im为第i轮调整对应的第m个参考点对应的目标值，F_im＝V_0m+i*a*(F_0m-V_0m)，0<i*a≤1，将所述输入数据输入每一候选数字孪生模型运算，生成第i轮的场数据FD_i；

步骤S43、判断i*a是否等于1，若是，则将FD_i确定为目标场数据，否则，设置i＝i+1,返回执行步骤S42。

2.根据权利要求1所述的系统，其特征在于，

所述步骤S41中，基于所有候选数字孪生模型的运算结果确定预选数字孪生模型，包括：

步骤S411、当候选数字孪生模型运算时间达到预设的时间阈值时，将已收敛的候选数字孪生模型的运算结果标注为“1”，将未收敛的候选数字孪生模型的运算结果标注为“0”；

步骤S412、基于每一候选数字孪生模型对应的可变参数组合列表、运算结果生成每一候选数字孪生模型对应的模型调整信息记录；

步骤S413、基于所有候选数字孪生模型对应的模型调整信息记录从可变参数中确定目标可变参数，以及目标可变参数调整路线信息；

步骤S414、将可变参数中的非目标可变参数设置为固定值，基于所述目标可变参数、目标可变参数调整路线信息，生成目标可变参数组合列表，就每一目标可变参数组合列表、非目标可变参数和固定参数，构建对应的预选数字孪生模型。

3.根据权利要求2所述的系统，其特征在于，

所述步骤S413包括：

步骤S4131、基于预设的人工智能算法对所有候选数字孪生模型对应的模型调整信息记录进行敏感性分析，将敏感参数确定为目标可变参数，并确定目标可变参数调整路线信息。

4.根据权利要求1所述的系统，其特征在于，

当所述步骤S2中确定所述计算误差值小于预设的测量误差阈值时，执行以下步骤：

步骤S20、基于{V₀₁，V₀₂，…V_0N}和{F₀₁，F₀₂，…F_0M}获取所述M个参考点对应的整体变化趋势误差，若小于预设的趋势误差阈值，则执行步骤S3，否则，返回执行步骤S2。

5.根据权利要求1所述的系统，其特征在于，

V_0m包括预测测点位置信息VA_0m和预测测点数值信息VB_0m，F_0m包括实际测点位置信息FA_0m和实际测点数值信息FB_0m，所述步骤S3还包括：

步骤S31、获取VA_0m和FA_0m的位置误差信息；

步骤S32、基于VA_0m和FA_0m的位置误差信息对所述初始数字孪生模型进行几何处理，基于集合处理后的初始数字孪生模型生成所述候选数字孪生模型，所述集合处理包括网格重构。

6.根据权利要求1所述的系统，其特征在于，

步骤S5、关闭所述状态限制器，释放时间项信息，实时监测是否接收到模型id和输入数据，若是，则重新执行步骤S1。