CN114896882A - 数据驱动的绿色数字孪生建造系统及方法 - Google Patents
数据驱动的绿色数字孪生建造系统及方法 Download PDFInfo
- Publication number
- CN114896882A CN114896882A CN202210522786.8A CN202210522786A CN114896882A CN 114896882 A CN114896882 A CN 114896882A CN 202210522786 A CN202210522786 A CN 202210522786A CN 114896882 A CN114896882 A CN 114896882A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- construction
- big data
- platform
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title abstract description 31
- 238000004519 manufacturing process Methods 0.000 claims abstract description 19
- 238000012423 maintenance Methods 0.000 claims abstract description 9
- 238000010205 computational analysis Methods 0.000 claims abstract description 7
- 238000012407 engineering method Methods 0.000 claims abstract description 5
- 238000012800 visualization Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 230000002787 reinforcement Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000005538 encapsulation Methods 0.000 claims 1
- 238000004806 packaging method and process Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 14
- 230000018109 developmental process Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 10
- 239000003795 chemical substances by application Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- CFKBCVIYTWDYRP-UHFFFAOYSA-N 10-phosphonooxydecyl 2-methylprop-2-enoate Chemical compound CC(=C)C(=O)OCCCCCCCCCCOP(O)(O)=O CFKBCVIYTWDYRP-UHFFFAOYSA-N 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于智能化工程建设技术领域,公开了数据驱动的绿色数字孪生建造系统及方法,包括基于模型的系统工程方法进行封装的:模型平台,具有若干可视化模型和计算分析模型;数据平台,通过网关链接若干数据源,以获取包括生产大数据、施工大数据、运维大数据、传感网大数据、互联网大数据以及APP大数据;数字孪生空间,用于对模型进行融合;以及物理应用空间;并通过数字线程与各部分进行数据交换。本发明旨在实现数字孪生驱动的绿色智慧建造,大幅提升工程全生命周期的工作效率、节能率及风控能力。
Description
技术领域
本发明属于智能化工程建设技术领域,具体涉及数据驱动的绿色数字孪生建造系统及方法。
背景技术
建筑自动化的发展历程,大致可以总结为四个阶段:单机(单系统)自动化,综合自动化,数字孪生自动化。融合了数字孪生和绿色节能技术的绿色数字孪生建造是未来建筑业转型升级的主流方向。中国建造和中国制造均面临着数字化、绿色化转型的历史命题,将对中国现代经济体系的构建起到关键作用。
全球第四次工业革命是以智能和绿色为核心特征的一场产业迭代升级,其产生的本质影响是提高生产能力、变革生产组织模式、变革能源利用方式。
系统思想是关于事物的整体性观念、相互联系的观念、演化发展的观念。即全面而不是片面的、联系的而不是孤立的、发展的而不是静止的看问题。在设计一个系统特别是像绿色智慧建造这样的复杂大系统时,首先需要进行系统分析(SA)。SA是在对系统问题现状及目标充分挖掘的基础上,运用建模及预测、优化、仿真、评价等方法,对系统的有关方面进行定性与定量相结合的分析,为决策者选择满意的系统方案提供决策依据的分析研究过程。复杂系统的建模、仿真、开发、应用、评价还需要建立在科学合理的方法基础上。现有建设工程中并不具备全生命周期的数字孪生系统,缺乏系统性的管理方法。
发明内容
为了解决现有技术存在的问题,本发明提供一种数据驱动的绿色数字孪生建造系统及方法,融合建造领域知识和行业特点和机器学习算法,采用数据驱动,提出数据驱动的数字孪生建造概念,是的复杂系统的建模、仿真、开发、应用、评价建立在科学合理的方法基础上。
本发明所采用的技术方案为:
第一方面,本发明提供一种数据驱动的绿色数字孪生建造系统,包括基于模型系统工程方法进行封装的:
模型平台,具有若干可视化模型和计算分析模型;
数据平台,通过网关链接若干数据源,以获取包括生产大数据、施工大数据、运维大数据、传感网大数据、互联网大数据以及APP大数据;
数字孪生空间,用于对模型进行融合;以及
物理应用空间;并通过数字线程与各部分进行数据交换。
结合第一方面,本发明提供第一方面的第一种实施方式,所述可视化模型包括三维几何模型、电气原理图、电子电路图、软件架构模型、系统架构设计模型;
并通过数字孪生空间将可视化模型与若干对应的计算分析模型融合,然后通过数据平台接入信息系统中在终端设备中进行展示和交互。
结合第一方面,本发明提供第一方面的第二种实施方式,计算分析模型中包括建造设备预测控制模型,该建造设备预测控制模型基于MAC算法建模。
结合第一方面,本发明提供第一方面的第三种实施方式,模型平台中还集成有深度强化学习算法,所述深度强化学习算法基于DDPG分布式深度强化学习算法。
结合第一方面,本发明提供第一方面的第四种实施方式,计算分析模型中包括集成建筑设备寿命预测模型,建筑设备寿命预测模型基于指数退化模型。
第二方面,本发明还提供一种数据驱动的绿色数字孪生建造系统,包括基于模型的系统工程方法进行封装的:模型平台,具有领域模型、系统模型以及分析模型;数据平台,通过网关链接若干数据源,以获取包括生产大数据、施工大数据、运维大数据、传感网大数据、互联网大数据以及APP大数据;数字孪生空间,用于对模型进行融合;以及物理应用空间;并通过数字线程与各部分进行数据交换。
结合第二方面,本发明提供第一方面的第一种实施方式,其中:
领域模型包括创建机械、电子、电气、网络、软件领域模型,用以对产品功能进行测试和验证,对产品需求进行确认,对产品性能进行预测和优化;
系统模型包括逻辑架构模型、功能架构模型、物理架构模型;
分析模型包括场景计算模型、工作流模型、行为模型。
第三方面,本发明提供一种数据驱动的绿色数字孪生建造方法,搭建上述的系统,搭建以云、网、边为核心组成要素的工程应用架构。
本发明的有益效果为:
本发明与当前建筑工业化的新需求密切相关,可为建筑工业化、绿色化发展提供可落地实施的技术方案,同时兼顾服务与管理,帮助建立优秀商业模式,打造可持续运营的建筑工业生态体系。
本发明提出的绿色数字孪生建造系统模型与技术方案也可纳入到数字孪生城市平台与系统中去,构建以绿色数字孪生建造为核心支柱的数字孪生城市系统,强化建筑工业化对城市发展的作用。
附图说明
图1是本发明的大数据驱动的数字孪生建造系统示意图;
图2是本发明的数据驱动的绿色数字孪生建造系统理论技术场景一体化机理模型;
图3是本发明的绿色数字孪生建造系统中数字平台的逻辑架构图;
图4是本发明的绿色数字孪生建造系统的工程应用架构图;
图5是本发明绿色数字孪生建造系统的预测控制算法模型示意图;
图6是本发明的数字孪生建造系统研发模型示意图;
图7是本发明实施例中基于NTN预测新关系方法示意图;
图8是本发明实施例中的建筑设备剩余寿命预测方法及模拟实验结果图;
图9是本发明实施中的绿色数字孪生建造系统模型在数字孪生城市中的应用示意图;
图10是本发明实施中的绿色数字孪生建造系统模型装配式建筑工程应用示意图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步阐释。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,若出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,本申请的描述中若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,本申请的描述中若出现术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
实施例1:
本实施例公开一种数据驱动的绿色数字孪生建造系统,其中系统如图1所示,包括基于模型系统工程方法进行封装的:模型平台,具有若干可视化模型和计算分析模型;数据平台,通过网关链接若干数据源,以获取包括生产大数据、施工大数据、运维大数据、传感网大数据、互联网大数据以及APP大数据;数字孪生空间,用于对模型进行融合;以及物理应用空间;并通过数字线程与各部分进行数据交换。
实施例2:
本实施例同样公开一种数据驱动的绿色数字孪生建造系统及其方法,该系统是基于iMBSE(集成的基于模型的系统工程),融合建造领域知识和行业特点和机器学习算法,采用数据驱动,提出数据驱动的数字孪生建造概念,即 DDTCiMBSE(Data Driven DigitalTwin Construction iMBSE)。
其中,DDTCiMBSE以数据为流程线索、以数字标识为时空身份产生数字线程,集成领域模型、系统模型、分析模型等多类型模型,构建起的大数据驱动、多模型为核心的建造领域信息物理系统。
数字孪生建造系统的开发目标:优化生产和管理,提高生产效率,提升产品质量,降低生产成本,降低生产能耗,实现产品全生命周期管理。
数字孪生建造系统的典型特征为:
1)模型数字化;
2)生产建造过程自动化;
3)系统少人化甚至无人化;
4)管理决策智慧化;
5)全程基于数据线索可追溯;
6)系统韧性度高,响应恢复及时;
7)系统安全性高,知识可信互联。
DDTiMBSE是基于模型的方法在建筑工程领域的一种应用,主要解决建造系统和系统之系统(Construction System of System,SoS)复杂性增加带来的问题,同时致力于降低系统开发风险、减少成本、提升效率等。
模型是DDTiMBSE的核心,分为两大类:描述性模型和计算分析模型。描述性模型用图形化建模语言来表达,并由相应建模工具完成模型的建立,包括:三维几何模型(机械类、建筑类)、电气原理图(电气类)、电子电路图(自动化类)、软件架构模型(UML模型等)、系统架构设计模型(SysML、Capella模型)。计算分析模型自计算机上建立仿真模型,如:动力学分析模型、伺服控制系统分析模型、电气系统散热分析模型、可靠性预测分析模型、故障树分析模型,这些模型与人、机器、环境集成后形成硬件在环或人在环路的系统仿真模型。
亦或是,DDTCiMBSE的模型类型可分为:
(1)领域模型:创建机械、电子、电气、网络、软件等各领域模型,对产品功能进行测试和验证,对产品需求进行确认,对产品性能进行预测和优化;
(2)系统模型:逻辑架构模型、功能架构模型、物理架构模型;
(3)分析模型:场景计算模型、工作流模型、行为模型。
数字孪生建造系统模型包括四个层级:数据平台,模型平台,数字孪生空间,物理应用空间。四层通过基于模型的系统工程(MBSE)方法进行封装,通过数字线程(具体形式可以是标识、区块链等)进行互联互通。建造全生命周期各阶段产生的大数据——生产大数据、施工大数据、运维大数据等作为系统数据源,经过网关处理后进入平台。网关主要起到协议转换和语义解析作用。根据数据采集类型划分,数字孪生建造数据源又可分为传感网大数据、互联网大数据、APP大数据几种主要类型。
本实施例中,数字孪生建造系统模型的构建充分吸纳和借鉴信息物理系统 (CPS)理论和方法,理论技术综合自多学科的具体分支:系统工程,建模仿真, AI预测控制,数字线程,数字标识。数据驱动的绿色数字孪生建造系统理论技术场景一体化机理模型的构建方法如图2所示。
机理模型的最底部是采集自建筑全生命周期的多源异构大数据,以满足应用场景需求为系统设计研发依据,以满足行业和社会发展为目标,开发实现相应的软硬件,充分吸纳并融合多种基础理论,通过需求驱动产生理论技术融合,从而构建出能够适应绿色智慧建造行业发展的综合模型。
现实工程中,需要重点解决绿色数字孪生建造系统场景建模问题,即基于信息物理系统(CPS)技术基座实现建造系统建模问题。本文提出一种以多传感器智能检测与智能感知认知为起点,大数据智能驱动的绿色数字孪生建造系统建模方法,构建了能够指导数字孪生建造系统研发的系统模型,如图3所示。
本实施例中,为了搭建上述的数字驱动的绿色数字孪生建造系统,则以云、网、边作为工程应用架构。基于数据闭环的数字孪生建造系统工程应用架构如图4所示,数字孪生建造系统工程应用架构的三个层级分别具有以下功能和特点:
1)云:汇聚来自智慧建造泛在物联网的海量多源异构数据,可提供应用统一管理与数据统一展示分析功能,基于模型和算法挖掘数据价值,实现数据服务化与价值化,赋能行业应用。
2)网:采用5G、物联网为主的多网融合技术,支持自适应接入和软件自动化管理技术,具有动态可协商的接口配置与协议数据处理功能,控制集中化以获取全局拓扑、无隧道、无固定锚点,通过人工智能算法优化路由。采用软件定义网络架构技术,将网络功能、计算功能、存储功能和安全功能全部软件化,并以微服务技术形式实现传统及建筑网络的架构革新。
3)边:汇聚和处理本地数据,提供数据采集、数据清洗、数据脱敏、数据智能处理、数据标注、数据加密、数据认证等功能,满足云边数据协同与数据安全管理要求。
数字孪生建造系统工程应用架构采用“云网边”协同智能计算模式,通过视觉、听觉、触觉、力觉等多模态融合计算实现综合认知智能。建筑中央管理平台和边缘计算平台作为“智慧建造大脑”,选择轻量级云或者应用级平台,对智慧建造过程大数据进行智能建模,对业务资源进行优化配置,对生产工艺、设备进行预测性维护,通过数据建模分析实现安全态势感知、安全隐患预测、风险预警控制等机理模型。智慧运维能力可构建在智慧建筑大脑中,在大脑中不断积累知识模型,实现长期复用,提高运营管理效率,降低运维成本。
进一步的,本实施例的模型平台中具有预测控制算法模型
如图5所示,采用模型预测控制(Model Predictive Control,MPC)算法及相应的控制模型。图5中,yr表示参考轨迹,u为输入,y为实际输出值,ym为模型输出,yp为预测输出。
预测控制三要素为:预测模型、反馈校正、滚动优化。
模型可以是机理模型,也可以是一个基于数据的模型(例如用神经网络训练一个模型出来)。
MAC算法是一种基于对象脉冲响应的预测控制算法,它适用于渐近稳定的线性装置。对于不稳定装置,可先用于常规PID控制使其稳定,然后再使用DMC 算法;对于弱非线性装置,可在工作点处线性化。
其中,MAC预测模型如下:
若取控制时域M小于优化时域P(M<P),则u(k+i)在i=M-1后保持不变,于是可将控制作用分两步:
P步预测的向量形式:
反馈校正:
修正后的输出预估值为:
yP(k+j)=ym(k+j)+βj[y(k)-ym(k)]
其中ym(k)由脉冲响应模型求得:
ym(k+j)由预测模型求出:
写成向量形式:
Yp(k)=Ym(k)+βe(k)
其中
滚动优化(最优控制作用):
优化控制目标函数为:
现时刻k的最优控制作用为:
本实施例中海将深度强化学习算法融入数字孪生建造系统模型的方法,如图6所示。
根据智能建造系统的网络复杂性及所连接节点要素的分布式特点,机器学习部分采用多智能体深度强化学习算法,以解决智能体通信、协作、竞争、优化调度等问题。本专利采用分布式深度强化学习算法DDPG(D4PG)。
DDPG(D4PG)算法实现方法:分布式:由于是off-policy的算法,因此可以使用多个actor去分布式地采样,然后存储在同一个replay buffer中,learner 从buffer中采样,更新之后再将权重同步到各个actor上。critic使用价值函数分布:critic权重的损失函数如下:
其中带撇的表示target network,代表distributional Bellman operator,代表分布之间的距离度量。使用n-step TD误差:这样可以减少更新的variance。使用prioritized experience replay:可以加速学习。
MADDPG算法解决多个智能体间交互问题。
MADDP算法模型由多个DDPG网络组成,每个网络学习policyπ(Actor) 和actionvalue Q(Critic);同时具有target network,用于Q-learning的off-policy 学习。
每个Agent的训练同单个DDPG算法的训练过程类似,不同的地方主要体现在Critic的输入上:
(1)在单个Agent的DDPG算法中,Critic的输入是一个state-action对信息,每个Agent的Critic输入除自身的state-action信息外,还可有额外的信息,比如其他Agent的动作;
(2)不同的Agent之间的关系大体可以分为三种,合作型,对抗性,半合作半对抗型,根据不同的合作关系来设计奖励函数。
本实施例中的模型平台中还包括预测新关系模型,构建智能建造知识图谱,围绕关系的推理展开面向建造专业知识图谱的推理。基于建造图谱中已有的事实或关系推断出未知的事实或关系,着重考虑实体、关系和图谱结构三方面特征。具体来说,智能建造知识图谱推理能够辅助推理出新的事实、新的关系、新的公理以及新的规则等。
智能建造推理任务主要有:通过规则挖掘对知识图谱进行补全(Knowledge BaseCompletion,KBC)与质量校验、链接预测、关联关系推理与冲突检测。本发明采用基于神经网络的推理方法。
具体应用涉及到的优化环节还包括:
(1)建造知识补全:针对实际建造工程构建的知识图谱存在的不完备问题,即部分关系或属性会缺失问题,通过算法补全智能建造知识图谱中缺失的属性或关系;
(2)建造知识图谱纠错:实际构建的智能建造知识图谱可能存在错误知识,实体的类型、实体间的关系、实体属性值均可能存在错误。需对建造知识图谱进行融合工程师、管理人员等经验的纠错;
(3)建造知识图谱推理问答:基于知识图谱的问答简称为KBQA,与传统的信息检索式问答相比,KBQA可以具备一定的推理能力。建立基于智能建造知识图谱的推理问答系统,通过多实体、多关系、多跳、跨系统、跨平台、跨语言等复杂问答场景实施具体应用。
在预测环节,采用NTN(Neural Tensor Networks)模型实现对上下游信息、关联信息的推理及关系预测。用NTN模型计算两个实体存在某个关系的可能性值,NTN算法使用一个bilinear tensor层直接关联两个实体向量,可以对接的下游任务有关系预测、知识库补全等。针对给定确定两个实体,找出是否有一个确定的关系,并计算关系成立的可能性分数。
关系预测公式如下:
其中,R1,R2∈R,是实体的向量表示。
首先从智能建造业务中抽象出建造知识,构建出建造词向量空间,对该空间中的建造词进行表示;然后用建造词的组合作为建造实体的表示,用关系张量的不同切片对应与不同实体向量之间的语义联系,增强与不同实体的语义联系。将建造实体输入到神经张量网络,采用关系预测公式进行关系置信度打分。实现方法如图7所示。
本实施例的模型平台中还包括建筑设备寿命预测模型,其中,该模型主要为一个指数退化模型,以实时预测建筑设备某一部件的剩余使用寿命(RUL)。指数退化模型基于参数先验和最新的测量数据预测RUL(历史运行到失效数据可以帮助估计模型参数先验,但它们不是必需的)。该模型能够实时地检测出重要的退化趋势,并在有新的观测数据时更新其参数先验。数据集采集方式为:数据导入与探索、特征提取与特征选择、特征重要度排序与融合、模型拟合与预测、性能分析。连续120天每天通过传感器采集10秒钟的振动信号数据。然会实施以下操作:提取信号频率特征,对特征重要度进行排序并融合,将特征导入预测模型,进行模型训练,输出预测结果,实时观测剩余寿命预测结果,采取必要的预防措施(可以调用本发明中的知识库、规则库中的策略),将设备老化、故障等造成的损失提前降至最低。建筑设备剩余寿命预测方法及模拟实验结果如图9。
本实施例还将该模型应用=在数字孪生城市设计开发建设中。如图9-10,基于本方法,构建数字孪生城市系统模型和实施方案。数字孪生城市开发实现方案以平台加产业链加场景为框架,体现多链融合、多场景支撑、多技术融合。
在装配式建筑开发建造工程中,应用本方法。以产品加工制造和建造现场应用为两个内核,建立以数据为全流程线索的“产品-产线-企业工业互联网平台 -建筑产业互联网平台-城市CIM平台”数字孪生体系,可实现全体系信息畅通,关键信息共享,全流程全领域敏捷互动与实时响应,从而大幅提成系统的敏捷性、生产效率、安全生产能力、风险防控能力。
本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (7)
1.数据驱动的绿色数字孪生建造系统,其特征在于:包括基于模型的系统工程方法进行封装的:
模型平台,具有若干可视化模型和计算分析模型;
数据平台,通过网关链接若干数据源,以获取包括生产大数据、施工大数据、运维大数据、传感网大数据、互联网大数据以及APP大数据;
数字孪生空间,用于对模型进行融合;以及
物理应用空间;并通过数字线程与各部分进行数据交换。
2.根据权利要求1所述的数据驱动的绿色数字孪生建造系统,其特征在于:所述可视化模型包括三维几何模型、电气原理图、电子电路图、软件架构模型、系统架构设计模型;
并通过数字孪生空间将可视化模型与若干对应的计算分析模型融合,然后通过数据平台接入信息系统中在终端设备中进行展示和交互。
3.根据权利要求1所述的数据驱动的绿色数字孪生建造系统,其特征在于:计算分析模型中包括建造设备预测控制模型,该建造设备预测控制模型基于MAC算法建模。
4.根据权利要求1所述的数据驱动的绿色数字孪生建造系统,其特征在于:模型平台中还集成有深度强化学习算法,所述深度强化学习算法基于DDPG分布式深度强化学习算法。
5.根据权利要求1所述的数据驱动的绿色数字孪生建造系统,其特征在于:计算分析模型中包括集成建筑设备寿命预测模型,建筑设备寿命预测模型基于指数退化模型。
6.根据权利要求1所述的数据驱动的绿色数字孪生建造系统,其特征在于:其中:模型平台还具有领域模型、系统模型以及分析模型;
领域模型包括创建机械、电子、电气、网络、软件领域模型,用以对产品功能进行测试和验证,对产品需求进行确认,对产品性能进行预测和优化;
系统模型包括逻辑架构模型、功能架构模型、物理架构模型;
分析模型包括场景计算模型、工作流模型、行为模型。
7.数据驱动的绿色数字孪生建造方法,其特征在于:搭建上述权利要求1-7中任一项的系统,搭建以云、网、边为核心系统组成要素的工程应用架构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210522786.8A CN114896882A (zh) | 2022-05-13 | 2022-05-13 | 数据驱动的绿色数字孪生建造系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210522786.8A CN114896882A (zh) | 2022-05-13 | 2022-05-13 | 数据驱动的绿色数字孪生建造系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114896882A true CN114896882A (zh) | 2022-08-12 |
Family
ID=82721829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210522786.8A Pending CN114896882A (zh) | 2022-05-13 | 2022-05-13 | 数据驱动的绿色数字孪生建造系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114896882A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115357127A (zh) * | 2022-10-24 | 2022-11-18 | 青岛高科技工业园声海电子工程有限公司 | 一种数字孪生智慧建筑脑机装置及系统 |
CN115659838A (zh) * | 2022-11-14 | 2023-01-31 | 中国电力科学研究院有限公司 | 一种电力系统主设备数字孪生混合模型构建方法及装置 |
CN116305496A (zh) * | 2023-05-17 | 2023-06-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种隧道数字孪生建模方法、电子设备及存储介质 |
CN116720752A (zh) * | 2023-08-07 | 2023-09-08 | 济宁金虹装配式建筑科技有限公司 | 基于大数据的装配式建筑质量信息监管系统 |
-
2022
- 2022-05-13 CN CN202210522786.8A patent/CN114896882A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115357127A (zh) * | 2022-10-24 | 2022-11-18 | 青岛高科技工业园声海电子工程有限公司 | 一种数字孪生智慧建筑脑机装置及系统 |
CN115659838A (zh) * | 2022-11-14 | 2023-01-31 | 中国电力科学研究院有限公司 | 一种电力系统主设备数字孪生混合模型构建方法及装置 |
CN115659838B (zh) * | 2022-11-14 | 2023-02-28 | 中国电力科学研究院有限公司 | 一种电力系统主设备数字孪生混合模型构建方法及装置 |
CN116305496A (zh) * | 2023-05-17 | 2023-06-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种隧道数字孪生建模方法、电子设备及存储介质 |
CN116305496B (zh) * | 2023-05-17 | 2023-08-18 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种隧道数字孪生建模方法、电子设备及存储介质 |
CN116720752A (zh) * | 2023-08-07 | 2023-09-08 | 济宁金虹装配式建筑科技有限公司 | 基于大数据的装配式建筑质量信息监管系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114896882A (zh) | 数据驱动的绿色数字孪生建造系统及方法 | |
Villalonga et al. | A decision-making framework for dynamic scheduling of cyber-physical production systems based on digital twins | |
CN109343995A (zh) | 基于多源异构数据融合、机器学习及客服机器人的智能运维分析系统 | |
Cimino et al. | Review of digital twin applications in manufacturing | |
CN104142663B (zh) | 云平台中的工业设备和系统证明 | |
Nordal et al. | Modeling a predictive maintenance management architecture to meet industry 4.0 requirements: A case study | |
Li et al. | Fault localization based on knowledge graph in software-defined optical networks | |
WO2003042769A1 (en) | Analysing events | |
CN114595773B (zh) | 基于工厂生产过程的多源异构孪生数据融合方法及系统 | |
CN113515098A (zh) | 物流机器人数字孪生系统 | |
TWI676148B (zh) | 整合ict服務供裝與虛實資源監控之系統 | |
Ouahabi et al. | A distributed digital twin architecture for shop floor monitoring based on edge-cloud collaboration | |
WO2024066683A1 (zh) | 工业互联网操作系统和产品的处理方法 | |
CN111308975A (zh) | 基于数字孪生技术的智能制造系统孪生智能体构建系统及方法 | |
Wang et al. | Network Meets ChatGPT: Intent Autonomous Management, Control and Operation | |
CN107818523B (zh) | 基于非稳定频率分布与频率因子学习的电力通信系统数据真值判别与推断方法 | |
Francis et al. | Towards data-driven digital twins for smart manufacturing | |
CN114385601B (zh) | 基于超算的云边协同高通量海洋数据智能处理方法及系统 | |
Karagiorgou et al. | Unveiling trends and predictions in digital factories | |
Golovatchev et al. | Digital twins for the basalt fiber production 4.0: smart digitalization in the fiber industry through industrial iot (iiot) | |
Khakifirooz et al. | Decision support for smart manufacturing | |
Zroug et al. | Towards performance evaluation prediction in WSNs using artificial neural network multi-perceptron | |
Ginis | Methodological basis of simulation and cognitive modelling technology of socio-economic systems | |
Elbazi et al. | Digital Twin-Enabled Monitoring of Mining Haul Trucks with Expert System Integration: A Case Study in an Experimental Open-Pit Mine | |
Du et al. | Smart oilfield technology |
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 |