CN115146329A - 一种基于分布及约束的运维数字孪生数据生成方法 - Google Patents
一种基于分布及约束的运维数字孪生数据生成方法 Download PDFInfo
- Publication number
- CN115146329A CN115146329A CN202210762283.8A CN202210762283A CN115146329A CN 115146329 A CN115146329 A CN 115146329A CN 202210762283 A CN202210762283 A CN 202210762283A CN 115146329 A CN115146329 A CN 115146329A
- Authority
- CN
- China
- Prior art keywords
- data
- distribution
- maintenance
- constraint
- parameters
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于分布及约束的运维数字孪生数据生成方法,包括:虚拟模型构建模块能够针对具体对象,从几何、物理、行为和规则维度刻画对象特征;数据生成驱动模块能够将抽象的物理对象和运维过程参数化为影响数据生成结果的初始及过程参数,并将实际运维过程仿真作为数据生成的驱动;组合分析模块能够针对物理实体及运维过程的特征进行趋势、范围等组合分析,确认生成数据的基本特征;分布及约束构建模块构建生成数据的统计与机理分布并设置范围与条件约束;数据生成模块能够基于驱动生成符合分布与约束构建的数字孪生数据。本发明能够解决设备智能运维优化过程中的可用数据不全面问题,使优化方法的实现和验证具备充足数据支撑的条件。
Description
技术领域
本发明属于电子工程和计算机科学领域,具体涉及一种基于分布及约束的运维数字孪生数据生成方法。
背景技术
随着制造业智能化、产业化升级。智能运维已成为当前制造业关注的热点和目标。在制造领域中有各类复杂物理设备,由于复杂设备具有零部件数量多,结构多样,工艺复杂等特点,复杂设备的运维优化成为了一大难题。当前很多智能运维研究,例如健康状态评估、故障预测、运维决策优化等运用了优化算法和数据模型,这些算法和模型为智能运维优化提供了支撑。然而,这些算法和模型的实现和验证往往会面临可用数据不足的情况。一方面,部分设备能够采集的数据有限,例如复合材料生产车间中的热压罐,数字化程度较低,仅在较少的位置低频率的采集生产过程数据,数据总量不足。另一方面,数字化程度较高的设备,如数控机床等虽然能采集到大量的数据,但是这些数据种类多且杂,涉及到具体研究对象,例如机床刀具、机床轴承等时依然存在可用数据不足的情况。
发明内容
针对智能运维中算法和模型在实现和验证过程中面临的可用数据样本不充足的问题,为了解决该技术问题,本发明提出构建具体物理对象的数字孪生虚拟模型,针对数据使用需求进行数据生成驱动配置。从物理对象的运维过程和生成数据特点出发,组合分析生成数据特征,并配置数据生成过程的分布和约束,最终基于孪生虚拟模型,结合生成数据特征、分布和约束配置,完成可用数据的生成。本发明能够基于物理实体的数字孪生模型,有效的生成设备运维数据,从而增加运维优化算法、模型实现和验证所需的可用数据,使运维优化有足够的数据支撑。
为达到上述目的,本发明采取以下技术方案:
一种基于分布及约束的运维数字孪生数据生成方法,包括如下步骤:
步骤(1)、虚拟模型构建步骤,该步骤的具体实现如下:
①针对车间内具体物理设备,根据该设备的结构、尺寸、装配关系等特征,使用MATLAB等软件描述该设备的二维、三维特征并集成,构建其几何模型;
②选择该设备与运维过程高度相关的零部件及其内部空间,描述其力学、声学、热力学等物理属性,并于几何模型一一对应;
③根据该设备运维的过程及特征,添加运维行为,包括驱动设备运行维护进行的具体行为以及设备各个组成部分面对该行为的响应;
④根据该设备运维过程的具体领域,设置运维规则,包括控制规则、历史数据等;
步骤(2)、数据生成驱动步骤,该步骤的具体实现如下:
①选择运维系统的参数,如环境温度、环境压力等运行环境参数,加工时间、运行时长等工艺要求参数,为这些参数添加相应的数据接口,便于参数转化并输入到构建的虚拟模型中,用于后续的数据生成;
②配置数据生成参数,除了虚拟模型中涉及的材料属性参数、运行参数及边界条件参数外,还包括生成次数、生成时间、生成范围等满足使用者需求的参数;
③仿真运行初始化,包括仿真的运维行为、生成参数、虚拟模型状态、分布与约束状态的初始化;
步骤(3)、组合分析步骤,该步骤的具体实现如下:
①针对物理实体的特征进行分析,包括设备的工艺、控制、维护、故障规则、关键零部件变化位置、关键参数特性等;
②基于设备运维特点以及数据用途对运维数据的趋势进行分析,包括数据集中趋势、分布趋势及变化趋势;
③基于设备运维特点以及数据用途对运维数据的范围进行分析,包括数据取值范围、数据插值范围、数据统计特性等;
④基于上述分析确认生成数据的基本特征,包括数据维度、数据量、数据分布特征和数据基本约束特征;
步骤(4)、分布及约束构建步骤,该步骤的具体实现如下:
①构建生成数据的统计分布,该分布既满足步骤(3)得到的数据分布特征,也便于数据使用,包括高斯分布、二项分布、均匀分布、泊松分布等;
②构建生成数据的机理分布,该分布既满足步骤(3)得到的数据分布特征,也便于数据使用,包括数据的疏密、极值、方向、变化特点等;
③构建生成数据的范围约束,该约束既满足步骤(3)得到的数据约束特征,也便于数据使用,包括数据的均值、异常值频率、方差、拟合公差等;
④构建生成数据的条件约束,该约束既满足步骤(3)得到的数据约束特征,也便于数据使用,包括数据的完整、一致、基本逻辑等;
⑤基于上述构建的分布和约束,确认数据生成特征。
步骤(5)、数据生成步骤,该步骤的具体实现如下:
①设置数据生成特征参数,使生成的数据满足特定分布及约束;
②在步骤(1)中构建的模型中设置本次运行仿真对应的数据采集点,包括位置、数量以及生成数据的空间维度和时间跨度;
③执行运维行为仿真,生成对应行为的虚拟数据;
④对虚拟数据进行标注并转化数据存储格式,若存在相同设备,相同行为,相同采集点的物理数据,则将虚拟数据与物理数据进行对准,实现孪生数据的生成。
本发明与现有技术相比的优点在于:
(1)本发明使用数字孪生技术,通过建立物理对象虚拟模型的方式,自主生成运维优化算法和模型所需要的数据,在时间成本和经济成本两方面都大大减少,解决了可用数据少的问题。
(2)本发明通过组合分析物理对象和数据使用需求,构建分布和约束实现数据生成,该数据既能够满足数据使用需求和也符合物理对象特点。
附图说明
图1为本发明的基于分布及约束的运维数字孪生数据生成方法结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明涉及一种基于分布及约束的运维数字孪生数据生成方法。该方法构建具体物理对象的数字孪生虚拟模型,针对数据使用需求进行数据生成驱动配置。从物理对象的运维过程和生成数据特点出发,组合分析生成数据特征,并配置数据生成过程的分布和约束,最终基于孪生虚拟模型,结合生成数据特征、分布和约束配置,完成可用数据的生成。本发明能够基于物理实体的数字孪生模型,有效的生成设备运维数据,从而增加运维优化算法、模型实现和验证所需的可用数据,使运维优化有足够的数据支撑。
本发明的一种基于分布及约束的运维数字孪生数据生成方法结构框图如图1所示,包括虚拟模型构建模块1、数据生成驱动模块2、组合分析模块3、分布及约束构建模块4和数据生成模块5,具体步骤如下:
(1)所述虚拟模型构建模块1,的具体实现如下:
①针对车间内具体物理设备,根据该物理设备的结构、尺寸、装配关系等特征,使用MATLAB等软件描述该物理设备的二维、三维特征并集成,构建其几何模型;
②选择该物理设备与运维过程高度相关的零部件及其内部空间,描述其力学、声学、热力学等物理属性,并与几何模型一一对应;
③根据该物理设备运维的过程及特征,添加运维行为,包括驱动设备运行维护进行的具体行为以及设备各个组成部分面对该行为的响应;
④根据该物理设备运维过程的具体领域,设置运维规则,包括控制规则、历史数据等;
(2)所述数据生成驱动模块2的具体实现如下:
①选择运维系统的参数,如环境温度、环境压力等运行环境参数,加工时间、运行时长等工艺要求参数,为这些参数添加相应的数据接口,便于参数转化并输入到构建的虚拟模型中,用于后续的数据生成;
②配置数据生成参数,除了虚拟模型中涉及的材料属性参数、运行参数及边界条件参数外,还包括生成次数、生成时间、生成范围等满足使用者需求的参数;
③仿真运行初始化,包括仿真的运维行为、生成参数、虚拟模型状态、分布与约束状态的初始化;
(3)所述组合分析模块3的具体实现如下:
①针对物理实体的特征进行分析,包括设备的工艺、控制、维护、故障规则、关键零部件变化位置、关键参数特性等;
②基于设备运维特点以及数据用途对运维数据的趋势进行分析,包括数据集中趋势、分布趋势及变化趋势;
③基于设备运维特点以及数据用途对运维数据的范围进行分析,包括数据取值范围、数据插值范围、数据统计特性等;
④基于上述分析确认生成数据的基本特征,包括数据维度、数据量、数据分布特征和数据基本约束特征;
(4)所述分布及约束构建模块4的具体实现如下:
①构建生成数据的统计分布,该分布既满足组合分析模块3得到的数据分布特征,也便于数据使用,包括高斯分布、二项分布、均匀分布、泊松分布等;
②构建生成数据的机理分布,该分布既满足组合分析模块3得到的数据分布特征,也便于数据使用,包括数据的疏密、极值、方向、变化特点等;
③构建生成数据的范围约束,该约束既满足组合分析模块3得到的数据约束特征,也便于数据使用,包括数据的均值、异常值频率、方差、拟合公差等;
④构建生成数据的条件约束,该约束既满足组合分析模块3得到的数据约束特征,也便于数据使用,包括数据的完整、一致、基本逻辑等;
⑤基于上述构建的分布和约束,确认数据生成特征。
(5)所述数据生成模块5的具体实现如下:
①设置数据生成特征参数,使生成的数据满足特定分布及约束;
②在步骤(1)中构建的模型中设置本次运行仿真对应的数据采集点,包括位置、数量以及生成数据的空间维度和时间跨度;
③执行运维行为仿真,生成对应行为的虚拟数据;
④对虚拟数据进行标注并转化数据存储格式,若存在相同设备,相同行为,相同采集点的物理数据,则将虚拟数据与物理数据进行对准,实现孪生数据的生成。
综上所述,本发明公开了一种基于分布及约束构建的运维数字孪生数据生成方法,包括:虚拟模型构建模块、数据生成驱动模块、组合分析模块、分布及约束构建模块以及数据生成模块。本发明公开的方法能够解决设备智能运维优化过程中的可用数据不全面问题,使优化方法的实现和验证具备充足数据支撑的条件。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于分布及约束的运维数字孪生数据生成方法,包括如下步骤:
步骤(1)、构建虚拟模型,其具体实现如下:
①针对车间内具体物理设备,根据该物理设备的结构、尺寸、装配关系,描述该物理设备的二维、三维特征并集成,构建其几何模型;
②选择该物理设备与运维过程高度相关的零部件及其内部空间,描述其力学、声学、热力学的物理属性,并与所述几何模型一一对应;
③根据该物理设备运维的过程及特征,添加运维行为,包括驱动设备运行维护进行的具体行为以及设备各个组成部分面对该行为的响应;
④根据该物理设备运维过程的具体领域,设置运维规则,包括控制规则、历史数据;
步骤(2)、生成驱动数据,其具体实现如下:
①选择运维系统的参数,包括环境温度、环境压力的运行环境参数,加工时间、运行时长的工艺要求参数,为上述参数添加相应的数据接口,便于参数转化并输入到构建的虚拟模型中,用于后续的数据生成;
②配置数据生成参数,包括虚拟模型中涉及的材料属性参数、运行参数及边界条件参数、还包括生成次数、生成时间、生成范围的使用者需求的参数;
③仿真运行初始化,包括仿真的运维行为、生成参数、虚拟模型状态、分布与约束状态的初始化;
步骤(3)、对所述步骤(1)和步骤(2)进行组合分析,其具体实现如下:
①针对物理实体的特征进行分析,所述特征包括设备的工艺、控制、维护、故障规则、关键零部件变化位置、关键参数特性;
②基于设备运维特点以及数据用途对运维数据的趋势进行分析,所述趋势包括数据集中趋势、分布趋势及变化趋势;
③基于设备运维特点以及数据用途对运维数据的范围进行分析,所述范围包括数据取值范围、数据插值范围、数据统计特性;
④基于上述分析确认生成数据的基本特征,包括数据维度、数据量、数据分布特征和数据基本约束特征;
步骤(4)、构建分布及约束,其具体实现如下:
①构建生成数据的统计分布,该分布既满足所述步骤(3)得到的数据分布特征,也便于数据使用,包括高斯分布、二项分布、均匀分布或泊松分布;
②构建生成数据的机理分布,该分布既满足所述步骤(3)得到的数据分布特征,也便于数据使用,包括数据的疏密、极值、方向或变化特点;
③构建生成数据的范围约束,该约束既满足所述步骤(3)得到的数据约束特征,也便于数据使用,包括数据的均值、异常值频率、方差或拟合公差;
④构建生成数据的条件约束,该约束既满足所述步骤(3)得到的数据约束特征,也便于数据使用,包括数据的完整、一致或基本逻辑;
⑤基于上述构建的分布和约束,确认数据生成特征;
步骤(5)、生成孪生数据,其具体实现如下:
①设置数据生成特征参数,使生成的数据满足特定分布及约束;
②在步骤(1)中构建的模型中设置本次运行仿真对应的数据采集点,包括位置、数量以及生成数据的空间维度和时间跨度;
③执行运维行为仿真,生成对应行为的虚拟数据;
④对虚拟数据进行标注并转化数据存储格式,若存在相同设备,相同行为,相同采集点的物理数据,则将虚拟数据与物理数据进行对准,实现孪生数据的生成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210762283.8A CN115146329A (zh) | 2022-06-30 | 2022-06-30 | 一种基于分布及约束的运维数字孪生数据生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210762283.8A CN115146329A (zh) | 2022-06-30 | 2022-06-30 | 一种基于分布及约束的运维数字孪生数据生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115146329A true CN115146329A (zh) | 2022-10-04 |
Family
ID=83410868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210762283.8A Pending CN115146329A (zh) | 2022-06-30 | 2022-06-30 | 一种基于分布及约束的运维数字孪生数据生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146329A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574691A (zh) * | 2024-01-17 | 2024-02-20 | 湘江实验室 | 虚拟实体数据系统构建方法及相关设备 |
-
2022
- 2022-06-30 CN CN202210762283.8A patent/CN115146329A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574691A (zh) * | 2024-01-17 | 2024-02-20 | 湘江实验室 | 虚拟实体数据系统构建方法及相关设备 |
CN117574691B (zh) * | 2024-01-17 | 2024-05-14 | 湘江实验室 | 虚拟实体数据系统构建方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889238B (zh) | 一种数字孪生驱动的热压罐管控系统 | |
Zhang et al. | Computationally efficient reliability analysis of mechanisms based on a multiplicative dimensional reduction method | |
Parnianifard et al. | Recent developments in metamodel based robust black-box simulation optimization: An overview | |
CN101763083A (zh) | 一种有效的控制变量参数化的工业过程动态优化系统及方法 | |
CN115146329A (zh) | 一种基于分布及约束的运维数字孪生数据生成方法 | |
Qin et al. | Constructing digital twin for smart manufacturing | |
Wang et al. | Improved input-to-state stability analysis of impulsive stochastic systems | |
Song et al. | Development of an optimization design method for turbomachinery by incorporating the cooperative coevolution genetic algorithm and adaptive approximate model | |
Luściński | Digital twinning for smart industry | |
Shao et al. | Extended Gaussian Kriging for computer experiments in engineering design | |
Huang et al. | Microscale searching algorithm for coupling matrix optimization of automated microwave filter tuning | |
Corney et al. | The CAD/CAM interface: A 25-year retrospective | |
CN109684723B (zh) | 一种二维结构内部声学性能分析方法 | |
JP2003141192A (ja) | 機械構造物の設計支援方法及び設計支援システム | |
Zhang et al. | Dynamic probabilistic design technique for multi-component system with multi-failure modes | |
Zhang et al. | An efficient uncertainty quantification and propagation method through skewness and kurtosis fitting region | |
Fan et al. | Multidomain model integration for online collaborative system design and detailed design of complex mechatronic systems | |
CN115587480A (zh) | 数字化仿真方法以及数字化仿真装置 | |
Woldemariam et al. | A machine learning based framework for model approximation followed by design optimization for expensive numerical simulation-based optimization problems | |
CN113112075B (zh) | 一种基于vmd和narx的内燃机噪声预测方法 | |
Bao et al. | Function-valued rkhs-based operator learning for differential equations | |
Lee | Multi-resolution modelling for feature-based solid models using the effective volumes of features | |
CN112380783B (zh) | 基于三维建模仿真软件的工业大数据实时采集及分析方法 | |
Tarannom et al. | Guided Probabilistic Simulation of Complex Systems Toward Rare and Extreme Events | |
CN117077551B (zh) | 基于梯度增强随机Co-Kriging模型的非嵌入式不确定性量化方法 |
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 |