CN115659160B - 一种用于数字孪生模型优化的数据质量度量方法 - Google Patents
一种用于数字孪生模型优化的数据质量度量方法 Download PDFInfo
- Publication number
- CN115659160B CN115659160B CN202211687794.4A CN202211687794A CN115659160B CN 115659160 B CN115659160 B CN 115659160B CN 202211687794 A CN202211687794 A CN 202211687794A CN 115659160 B CN115659160 B CN 115659160B
- Authority
- CN
- China
- Prior art keywords
- cycle
- period
- process cycle
- curve
- curves
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,提出了一种用于数字孪生模型优化的数据质量度量方法,包括:获取任意工业场景下的多种时序数据;对任意一种时序数据分解得到季节性曲线,根据季节变化获取若干工艺周期及其对应的若干段工艺周期曲线,并得到若干生命周期曲线;对生命周期曲线通过EMD分解及工艺周期获取每个工艺周期的若干IMF分量,根据IMF分量与工艺周期曲线的匹配关系得到每个工艺周期的相似度序列;根据相似度序列获取每个工艺周期的稳定性参数,并获取若干时序数据下的标准周期,进而得到每个标准周期的数据质量指标;根据数据质量指标对数字孪生模型进行优化。本发明旨在解决数字孪生模型无法针对具体的工艺流程进行优化的问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于数字孪生模型优化的数据质量度量方法。
背景技术
数字孪生是一种充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程;在诸如产品设计、工件制造、医学分析、工程建设等众多领域广泛应用。
以工件制造的数字孪生模型为例,在现有方法通过对数字孪生模型指导下的数据质量进行度量,并根据度量结果对数字孪生模型进行优化的过程中,通常是根据数字孪生模型指导下的工件质量进行评估;但由于每个工件的产生往往要经过多个工艺流程,通过该方法只能得到模型对哪些零件的指导效果好,难以针对具体的工艺参数进行改进,进而使得模型优化后的提升往往较小。因此,需要一种通过对不同生命周期过程中属于同一工艺流程的数据进行比较,得到不同数据的稳定性,即得到了在模型指导下各个工艺流程操作的稳定程度,进而对模型的不足之处进行改进,提高模型优化后的指导效果。
发明内容
本发明提供一种用于数字孪生模型优化的数据质量度量方法,以解决现有的数字孪生模型无法针对具体的工艺流程进行优化的问题,所采用的技术方案具体如下:
本发明一个实施例提供了一种用于数字孪生模型优化的数据质量度量方法,该方法包括以下步骤:
获取任意一种工业场景下的多种时序数据;
对任意一种时序数据通过时间序列分解得到季节性曲线,将季节性曲线转换到频域空间中并得到若干幅值,根据不同幅值对应的频率得到若干工艺周期,根据不同工艺周期分别对季节性曲线划分得到若干段,根据同一工艺周期内的不同段之间的相似度获取该工艺周期对应的若干段工艺周期曲线,将连续的不同段工艺周期曲线作为一个生命周期曲线;
对每个生命周期曲线通过模态分解及工艺周期获取每个工艺周期的若干IMF分量,根据每个工艺周期每个IMF分量与工艺周期曲线的匹配关系获取每个工艺周期的若干特征点序列及若干分量相似度,根据同一工艺周期在相邻生命周期内的若干特征点序列获取相邻两个相同段工艺周期曲线的第一相似度;
根据每个工艺周期在相邻生命周期的第一相似度,获取每个工艺周期的稳定性参数,获取不同种时序数据中每个工艺周期的稳定性参数,根据不同种时序数据中的若干工艺周期获取若干标准周期,根据每个标准周期对应的不同种时序数据中的工艺周期的稳定性参数,获取每个标准周期的数据质量指标;
根据每个标准周期的数据质量指标对数字孪生模型进行优化。
可选的,所述将季节性曲线转换到频域空间中并得到若干幅值,根据不同幅值对应的频率得到若干工艺周期,包括的具体方法为:
将季节性曲线通过傅里叶变换转换到频域空间中,频域空间中包括若干幅值,每个幅值分别对应一个频率,将每个频率的倒数分别作为一个工艺周期。
可选的,所述根据同一工艺周期内的不同段之间的相似度获取该工艺周期对应的若干段工艺周期曲线,包括的具体方法为:
任意一个工艺周期对季节性曲线划分得到的若干段中,获取每个段与其他所有段的余弦相似度,将余弦相似度大于第一预设阈值的所有段对应的季节性曲线部分作为该工艺周期的工艺周期曲线,每个段分别对应一段工艺周期曲线,每个工艺周期包含若干段工艺周期曲线。
可选的,所述将连续的不同段工艺周期曲线作为一个生命周期曲线,包括的具体方法为:
将季节性曲线中的第一段工艺周期曲线与相邻的下一相同段工艺周期曲线之前的所有不同段工艺周期曲线,作为一个生命周期曲线;将之后的若干段工艺周期曲线按照相同方法组合得到若干生命周期曲线。
可选的,所述获取每个工艺周期的若干IMF分量,包括的具体方法为:
对每个生命周期曲线通过EMD分解得到若干初始IMF分量,根据任意一个生命周期曲线中各不同段工艺周期曲线对应的时段,对该生命周期曲线中每个初始IMF分量进行划分,得到每个工艺周期在该生命周期曲线中的若干IMF分量。
可选的,所述获取每个工艺周期的若干特征点序列及若干分量相似度,包括的具体方法为:
对任意一个工艺周期的任意IMF分量与对应段工艺周期曲线进行DTW匹配,将得到的DTW距离记为该IMF分量的分量相似度,获取匹配后得到的若干对应关系中的一一对应关系,将一一对应关系中属于IMF分量中的若干点作为特征点,并组成特征点序列。
可选的,所述获取相邻两个相同段工艺周期曲线的第一相似度,包括的具体方法为:
根据同一工艺周期在相邻生命周期内的若干特征点序列构建二分图,将任意一个生命周期内的任意一个工艺周期的若干特征点序列作为二分图的左侧节点,将相邻下一个生命周期内的该工艺周期的若干特征点序列作为二分图的右侧节点,将左右两侧节点对应特征点序列的余弦相似度作为两节点之间的边值,通过最优化匹配获取若干匹配点对,根据各匹配点对的边值及对应两个节点的分量相似度均值,加权求和得到相邻两个相同段工艺周期曲线的第一相似度。
可选的,所述获取每个工艺周期的稳定性参数,包括的具体方法为:
获取每个工艺周期在所有相邻生命周期内的两个相同段工艺周期曲线的第一相似度,任意一个工艺周期得到的所有第一相似度组成该工艺周期的相似度序列,将该工艺周期的第一相似度均值与相似度序列的离散系数的比值作为该工艺周期的稳定性参数。
可选的,所述根据不同种时序数据中的若干工艺周期获取若干标准周期,包括的具体方法为:
每种时序数据分别对应了一种工艺周期的分段情况,即分别对应一组工艺周期分段点,将所有时序数据的若干组工艺周期分段点按照时序关系进行叠加,得到叠加后的标准周期分段点,标准周期分段点将整个时间序列划分为若干标准周期。
可选的,所述获取每个标准周期的数据质量指标,包括的具体方法为:
所述标准周期为不同种时序数据中的最小分段周期,每个标准周期对应任意一种时序数据中的某一个工艺周期或某一个工艺周期的某一部分,将每个标准周期对应的各时序数据中的工艺周期的稳定性参数的均值作为每个标准周期的数据质量指标。
本发明相较于现有技术的有益效果是:通过EMD分解得到的IMF分量对不同生命周期中的相同工艺流程的数据进行分析,有效避免了不同生命周期内相同工艺流程受环境因素的干扰,提高计算结果的精度和可靠性;通过计算不同生命周期中相同工艺流程数据的相似度序列,得到各种工艺流程的稳定性参数,进而对模型的不足之处进行针对性的改进,提高模型优化后的指导效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供一种用于数字孪生模型优化的数据质量度量方法的流程示意图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例所提供的一种用于数字孪生模型优化的数据质量度量方法流程图,该方法包括以下步骤:
步骤S001、获取任意工业场景下的多种时序数据。
本实施例的目的是对任意工业场景下数字孪生模型指导下的数据质量进行度量,进而对数字孪生模型进行优化;因此首先需要获取工业场景下的多种数据,所述多种数据皆为时序数据,即得到的时序数据可以转换为曲线形式,其中曲线横坐标为时间,纵坐标为时序数据;以激光切割工业场景为例,采集到的多种时序数据包括切割速度、激光功率、辅助气体气压等时序数据;需要说明的是,采集到的时序数据都为完整的加工过程中的数据,不会获取某次不完整加工过程的时序数据。
步骤S002、对任意一种时序数据分解得到季节性曲线,根据季节性曲线中的季节变化获取若干工艺周期及其对应的若干段工艺周期曲线,并得到若干生命周期曲线。
需要说明的是,时序数据转换为曲线形式后,通过STL时间序列分解可以得到其中的季节性曲线,季节性曲线主要反映数据的季节性,即周期性变化;而时序数据中包含若干次完整的加工过程,即生命周期;每次完整的加工过程包含若干不同的工艺流程,即工艺周期;通过对相同工艺流程在不同加工过程中的数据提取,可以为后续判断各种工艺流程下的数据稳定性进行判断。
具体的,首先选取任意一种时序数据,将该时序数据转化为曲线形式后,利用STL时间序列分解方法,获取该时序数据的季节性曲线;其中STL时间序列分解方法为现有技术,本实施例中不再赘述;将季节性曲线通过傅里叶变换转换到频域空间中,频域空间中包括若干幅值,每个幅值分别对应一个频率,将每个频率的倒数分别作为一个工艺周期。
进一步的,根据得到的若干工艺周期,分别对季节性曲线进行划分,得到每个工艺周期划分下的若干段,每个段即为一部分季节性曲线,获取任意一个工艺周期划分下的每个段与其他所有段的余弦相似度,本实施例中给出第一预设阈值为0.9,具体实施过程实施者可视情况进行调整;获取余弦相似度大于第一预设阈值的若干段组,所述段组即为求余弦相似度的两个段,将这若干段组包括的若干段,即若干部分季节性曲线,作为该工艺周期的工艺周期曲线;需要说明的是,每个段分别对应一段工艺周期曲线,每个工艺周期包含若干段工艺周期曲线;按照上述方法获取每个工艺周期的若干段工艺周期曲线;需要说明的是,由于不同工艺流程之间数据周期差异较大,因此在每个工艺周期的工艺周期曲线提取过程中不会出现不同工艺周期的工艺周期曲线有交集的情况,且若干工艺周期最终会将季节性曲线完全划分为若干段工艺周期曲线,不会有未划分的季节性曲线部分。
进一步的,由于同一工艺周期下的若干段工艺周期曲线在季节性曲线中不会连续分布,即同一工艺周期即为同一工艺流程,每段工艺周期曲线即为时序上每次工艺流程的开始到结束;将季节性曲线中的第一段工艺周期曲线与相邻的下一相同段工艺周期曲线之前的所有不同段工艺周期曲线,作为一个生命周期曲线;即将连续的不同段工艺周期曲线作为一个生命周期曲线,同时在下一个相同段工艺周期前停止;将之后的若干段工艺周期曲线按照相同方法进行组合,即可得到若干生命周期曲线;需要说明的是,采集到的时序数据为若干完整的加工过程,因此最终会得到若干完整的生命周期曲线。
例如,对同一工艺周期下的若干段工艺周期曲线用相同的数字进行标注,进而在季节性曲线上得到了数字序列,如数字序列[1,2,3,1,2,3,1,2,3];在笛卡尔坐标系中将数字序列中的次序值作为横坐标,将数字序列中元素对应的值作为纵坐标,以数字序列中的第一个值为3的元素为例,其在笛卡尔坐标系中的坐标为(3,3);得到笛卡尔坐标系中的折线图后,通过傅里叶变换转换到频域空间,将最大幅值对应频率的倒数作为周期,根据该周期值进行分段,即得到了数字序列的分段,此时数字序列中连续的1、2、3即表示连续的不同段工艺周期曲线,其共同组成一个生命周期曲线。
至此,得到了每个工艺周期的若干段工艺周期曲线,其表示同一工艺流程在不同次加工过程中的出现;将连续的不同段工艺周期曲线组成生命周期曲线,其表示一次加工过程中的不同工艺流程;生命周期及工艺周期的划分用于后续对各工艺周期的数据稳定性的计算,通过每个工艺周期在不同生命周期中的数据表现来判断时序数据在该工艺周期的稳定性。
步骤S003、对生命周期曲线通过EMD分解及工艺周期获取每个工艺周期的若干IMF分量,根据IMF分量与工艺周期曲线的匹配关系得到每个工艺周期的相似度序列。
需要说明的是,EMD分解即经验模态分解,其可以将曲线分解为残差曲线及若干IMF分量,可以消除环境因素对于时序数据的影响;每个IMF分量都是有规律的周期波动信号,而残差曲线即是原始曲线减去若干不同频率及振幅的周期波动信号后的剩余部分,通过EMD分解得到的IMF分量可以较好反映时序数据的本质变化,而避免环境因素的改变对于时序数据的部分影响。
具体的,任意一个生命周期曲线通过EMD分解得到若干初始IMF分量,根据各不同段工艺周期曲线对应的时段分别对每个初始IMF分量进行划分,每个初始IMF分量都被划分为若干段分量,每段分量根据时段分别对应一个工业周期曲线,每个工业周期曲线在不同初始IMF分量得到的若干段分量即为对应工业周期在该生命周期曲线中的若干IMF分量。
进一步需要说明的是,每个工艺周期的若干IMF分量为了适应生命周期曲线,在保留每个工艺周期数据特征的同时,引入了其它工艺周期的数据特征;因此首先需要计算得到每个工艺周期在每个生命曲线中各时段的若干IMF分量与对应段工艺周期曲线的匹配关系,得到每个IMF分量的特征点,所述特征点即为该IMF分量保留的该工艺周期的特征数据。
具体的,对任意一个工艺周期的任意IMF分量与对应段工艺周期曲线进行DTW匹配,将得到的DTW距离记为该IMF分量的分量相似度,将匹配后得到的若干对应关系中的一对一对应关系中,属于IMF分量中的若干点作为特征点,并组成特征点序列;需要说明的是,由于IMF分量与对应段工艺周期曲线在时序上并不是按顺序一一对应关系,因此采用DTW时间序列规整算法来获取两者之间匹配关系。
进一步需要说明的是,此时得到的是每个工艺周期的每个IMF分量的特征,其不能反映该工艺周期的整体数据特征,仍需计算每个工艺周期的若干IMF分量的整体表现来获取数据特征;通过对每个工艺周期在相邻生命周期曲线中的若干IMF分量进行最优化匹配,并根据匹配结果获取每个工艺周期在相邻生命周期曲线下相同工艺周期曲线的第一相似度。
具体的,根据同一工艺周期在相邻生命周期内的若干特征点序列构建二分图,将任意一个生命周期内的任意一个工艺周期的若干特征点序列作为二分图的左侧节点,将相邻下一个生命周期内的该工艺周期的若干特征点序列作为二分图的右侧节点,将左右两侧节点对应特征点序列的余弦相似度作为两节点之间的边值,通过最优化匹配获取若干匹配点对,根据各匹配点对的边值及对应两个节点的分量相似度均值,加权求和得到相邻两个相同段工艺周期曲线的第一相似度;需要说明的是,由于要对匹配点对的分量相似度均值根据对应边值进行加权求和,本实施例中采用softmax方法对匹配点对的边值进行归一化,以确保权重的和为1。
至此,得到了每个工艺周期在相邻生命周期曲线下相同段工艺周期曲线的第一相似度,将任意一个工艺周期得到的所有第一相似度组成该工艺周期的相似度序列,并按照上述方法得到所有工艺周期的相似度序列,用于后续对各工艺周期的数据质量进行量化得到各工艺周期的数据稳定性参数。
步骤S004、根据每个工艺周期的相似度序列获取每个工艺周期的稳定性参数,获取若干时序数据下的标准周期,并根据各时序数据下每个工艺周期的稳定性参数得到每个标准周期的数据质量指标。
需要说明的是,计算得到的稳定性参数仅是一种时序数据下若干工艺周期的稳定性参数,要对数据质量进行度量,需要考虑工业场景下的各种时序数据。
具体的,获取到每个工艺周期的相似度序列后,任意一个工艺周期的相似度序列中包含若干第一相似度,计算该相似度序列中若干第一相似度的均值及标准差,将标准差与均值的比值作为该相似度序列的离散系数,将均值与离散系数的比值作为该工艺周期的稳定性参数;按照上述方法获取每个工艺周期的稳定性参数,此时得到的稳定性参数越大,表明该中时序数据在该工业周期中越稳定,即数字孪生模型的模拟度越好。
进一步需要说明的是,此时得到的若干工艺周期的稳定性参数仅为工业场景下的任意一种时序数据中的若干工艺周期的稳定性参数,要反映数字孪生模型的数据质量,仍需获取工业场景下的其他时序数据;同时各种时序数据对于工艺周期的划分可能不同,但工艺流程为分步骤进行,因此各种时序数据下的各种工艺周期不会出现交叉现象;即对各种时序数据的工艺周期进行叠加后存在最小周期,记为标准周期,且标准周期不会由其他相邻两工艺周期的各一部分组成;通过对标准周期内各种时序数据下不同工艺周期的稳定性参数求均值,即可得到标准周期的数据质量指标,用以反映数字孪生模型下数据质量的度量。
具体的,每种时序数据分别对应了一种工艺周期的分段情况,即每种时序数据分别对应一组工艺周期分段点,将所有时序数据的若干组工艺周期分段点按照时序关系进行叠加,叠加过程中大部分分段点会重叠为一个分段点,将叠加后的分段点记为标准周期分段点,通过标准周期对时序数据对应的时间序列进行划分,得到的每个时段记为每个标准周期;同时获取每种时序数据下的若干工艺周期的稳定性参数。
进一步的,标准周期即是时间序列中的最小分段周期,其反映的是最基础的工艺流程,每个标准周期都对应任意一种时序数据中的某一个工艺周期或某一个工艺周期的一部分,计算每个标准参数对应的各时序数据下的若干工艺周期的稳定性参数的均值,并将得到的稳定性参数的均值记为每个标准周期的数据质量指标。
至此,获取到了每个标准周期的数据质量指标,其可以反映最基础工艺流程下各种时序数据的数据质量,数据质量指标越大,表明该工艺流程在数字孪生模型下的数据模拟度越好;相反数据质量指标越小,表明该工艺流程的数据模拟度越差,需要进行改进优化。
步骤S005、根据每个标准周期的数据质量指标对数字孪生模型进行优化。
每个标准周期即是一个个最小的工艺周期,每个标准周期的数据质量指标即可以反映对于最小工艺周期内各种数据质量的度量;对于数据质量指标较小,即数据质量较差的数据,对相应的数字孪生模型数据进行特征分析提取、数据挖掘等方法,提高该部分数字孪生模型的模拟度,进而完成对数字孪生模型的优化。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于数字孪生模型优化的数据质量度量方法,其特征在于,该方法包括以下步骤:
获取任意一种工业场景下的多种时序数据;
对任意一种时序数据通过时间序列分解得到季节性曲线,将季节性曲线转换到频域空间中并得到若干幅值,根据不同幅值对应的频率得到若干工艺周期,根据不同工艺周期分别对季节性曲线划分得到若干段,根据同一工艺周期内的不同段之间的相似度获取该工艺周期对应的若干段工艺周期曲线,将连续的不同段工艺周期曲线作为一个生命周期曲线;
对每个生命周期曲线通过模态分解及工艺周期获取每个工艺周期的若干IMF分量,根据每个工艺周期每个IMF分量与工艺周期曲线的匹配关系获取每个工艺周期的若干特征点序列及若干分量相似度,根据同一工艺周期在相邻生命周期内的若干特征点序列获取相邻两个相同段工艺周期曲线的第一相似度;
根据每个工艺周期在相邻生命周期的第一相似度,获取每个工艺周期的稳定性参数,获取不同种时序数据中每个工艺周期的稳定性参数,根据不同种时序数据中的若干工艺周期获取若干标准周期,根据每个标准周期对应的不同种时序数据中的工艺周期的稳定性参数,获取每个标准周期的数据质量指标;
根据每个标准周期的数据质量指标对数字孪生模型进行优化。
2.根据权利要求1所述的一种用于数字孪生模型优化的数据质量度量方法,其特征在于,所述将季节性曲线转换到频域空间中并得到若干幅值,根据不同幅值对应的频率得到若干工艺周期,包括的具体方法为:
将季节性曲线通过傅里叶变换转换到频域空间中,频域空间中包括若干幅值,每个幅值分别对应一个频率,将每个频率的倒数分别作为一个工艺周期。
3.根据权利要求1所述的一种用于数字孪生模型优化的数据质量度量方法,其特征在于,所述根据同一工艺周期内的不同段之间的相似度获取该工艺周期对应的若干段工艺周期曲线,包括的具体方法为:
任意一个工艺周期对季节性曲线划分得到的若干段中,获取每个段与其他所有段的余弦相似度,将余弦相似度大于第一预设阈值的所有段对应的季节性曲线部分作为该工艺周期的工艺周期曲线,每个段分别对应一段工艺周期曲线,每个工艺周期包含若干段工艺周期曲线。
4.根据权利要求3所述的一种用于数字孪生模型优化的数据质量度量方法,其特征在于,所述将连续的不同段工艺周期曲线作为一个生命周期曲线,包括的具体方法为:
将季节性曲线中的第一段工艺周期曲线与相邻的下一相同段工艺周期曲线之前的所有不同段工艺周期曲线,作为一个生命周期曲线;将之后的若干段工艺周期曲线按照相同方法组合得到若干生命周期曲线。
5.根据权利要求1所述的一种用于数字孪生模型优化的数据质量度量方法,其特征在于,所述获取每个工艺周期的若干IMF分量,包括的具体方法为:
对每个生命周期曲线通过EMD分解得到若干初始IMF分量,根据任意一个生命周期曲线中各不同段工艺周期曲线对应的时段,对该生命周期曲线中每个初始IMF分量进行划分,得到每个工艺周期在该生命周期曲线中的若干IMF分量。
6.根据权利要求1所述的一种用于数字孪生模型优化的数据质量度量方法,其特征在于,所述获取每个工艺周期的若干特征点序列及若干分量相似度,包括的具体方法为:
对任意一个工艺周期的任意IMF分量与对应段工艺周期曲线进行DTW匹配,将得到的DTW距离记为该IMF分量的分量相似度,获取匹配后得到的若干对应关系中的一一对应关系,将一一对应关系中属于IMF分量中的若干点作为特征点,并组成特征点序列。
7.根据权利要求6所述的一种用于数字孪生模型优化的数据质量度量方法,其特征在于,所述获取相邻两个相同段工艺周期曲线的第一相似度,包括的具体方法为:
根据同一工艺周期在相邻生命周期内的若干特征点序列构建二分图,将任意一个生命周期内的任意一个工艺周期的若干特征点序列作为二分图的左侧节点,将相邻下一个生命周期内的该工艺周期的若干特征点序列作为二分图的右侧节点,将左右两侧节点对应特征点序列的余弦相似度作为两节点之间的边值,通过最优化匹配获取若干匹配点对,根据各匹配点对的边值及对应两个节点的分量相似度均值,加权求和得到相邻两个相同段工艺周期曲线的第一相似度。
8.根据权利要求1所述的一种用于数字孪生模型优化的数据质量度量方法,其特征在于,所述获取每个工艺周期的稳定性参数,包括的具体方法为:
获取每个工艺周期在所有相邻生命周期内的两个相同段工艺周期曲线的第一相似度,任意一个工艺周期得到的所有第一相似度组成该工艺周期的相似度序列,将该工艺周期的第一相似度均值与相似度序列的离散系数的比值作为该工艺周期的稳定性参数。
9.根据权利要求1所述的一种用于数字孪生模型优化的数据质量度量方法,其特征在于,所述根据不同种时序数据中的若干工艺周期获取若干标准周期,包括的具体方法为:
每种时序数据分别对应了一种工艺周期的分段情况,即分别对应一组工艺周期分段点,将所有时序数据的若干组工艺周期分段点按照时序关系进行叠加,得到叠加后的标准周期分段点,标准周期分段点将整个时间序列划分为若干标准周期。
10.根据权利要求1所述的一种用于数字孪生模型优化的数据质量度量方法,其特征在于,所述获取每个标准周期的数据质量指标,包括的具体方法为:
所述标准周期为不同种时序数据中的最小分段周期,每个标准周期对应任意一种时序数据中的某一个工艺周期或某一个工艺周期的某一部分,将每个标准周期对应的各时序数据中的工艺周期的稳定性参数的均值作为每个标准周期的数据质量指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211687794.4A CN115659160B (zh) | 2022-12-28 | 2022-12-28 | 一种用于数字孪生模型优化的数据质量度量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211687794.4A CN115659160B (zh) | 2022-12-28 | 2022-12-28 | 一种用于数字孪生模型优化的数据质量度量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115659160A CN115659160A (zh) | 2023-01-31 |
CN115659160B true CN115659160B (zh) | 2023-06-16 |
Family
ID=85023545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211687794.4A Active CN115659160B (zh) | 2022-12-28 | 2022-12-28 | 一种用于数字孪生模型优化的数据质量度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659160B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116089777B (zh) * | 2023-04-10 | 2023-06-23 | 北京智蚁杨帆科技有限公司 | 一种基于信息智能匹配的新能源智能结算方法及系统 |
CN116128769B (zh) * | 2023-04-18 | 2023-06-23 | 聊城市金邦机械设备有限公司 | 摇摆运动机构的轨迹视觉记录系统 |
CN116304751B (zh) * | 2023-05-23 | 2023-08-01 | 天佑京铁轨道技术有限公司 | 用于动车组部件检修的运行数据处理方法 |
CN116341993B (zh) * | 2023-05-29 | 2023-07-25 | 无锡兴达泡塑新材料股份有限公司 | 一种用于聚苯乙烯生产过程中状态监测方法及系统 |
CN117271987B (zh) * | 2023-11-23 | 2024-02-06 | 国网吉林省电力有限公司长春供电公司 | 一种配电设备环境状态数据智能采集处理方法 |
CN117436290B (zh) * | 2023-12-21 | 2024-03-08 | 卓世未来(天津)科技有限公司 | 一种数字孪生模型响应优化方法及系统 |
CN117668496B (zh) * | 2024-01-31 | 2024-04-30 | 泰安市瑞亨建材有限公司 | 一种土工格栅应变测试方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105954695A (zh) * | 2016-04-20 | 2016-09-21 | 国家电网公司 | 一种基于同步的同质传感器突变参数识别方法与装置 |
CN114299389A (zh) * | 2021-12-27 | 2022-04-08 | 中国地质大学(武汉) | 一种融合时空信息的Savitzky-Golay滤波降噪并行方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7941298B2 (en) * | 2006-09-07 | 2011-05-10 | DynaDx Corporation | Noise-assisted data analysis method, system and program product therefor |
US11620528B2 (en) * | 2018-06-12 | 2023-04-04 | Ciena Corporation | Pattern detection in time-series data |
-
2022
- 2022-12-28 CN CN202211687794.4A patent/CN115659160B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105954695A (zh) * | 2016-04-20 | 2016-09-21 | 国家电网公司 | 一种基于同步的同质传感器突变参数识别方法与装置 |
CN114299389A (zh) * | 2021-12-27 | 2022-04-08 | 中国地质大学(武汉) | 一种融合时空信息的Savitzky-Golay滤波降噪并行方法 |
Non-Patent Citations (2)
Title |
---|
Satellite Image Time Series Decomposition Based on EEMD;Yun-long Kong等;《remote sensing》;第15583-15604页 * |
数字孪生技术在输变电设备状态评估中的 应用现状与发展展望;齐波等;《高电压技术》;第1522-1538页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115659160A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115659160B (zh) | 一种用于数字孪生模型优化的数据质量度量方法 | |
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
CN110008253B (zh) | 一种工业数据关联规则挖掘及异常工况预测方法 | |
CN111382906B (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
CN116306320B (zh) | 非血管腔道导丝生产质量管理方法及系统 | |
CN114399032B (zh) | 一种电能表计量误差预测方法及系统 | |
CN112232244A (zh) | 一种滚动轴承故障诊断方法 | |
US8073652B2 (en) | Method and system for pre-processing data using the mahalanobis distance (MD) | |
CN116089777B (zh) | 一种基于信息智能匹配的新能源智能结算方法及系统 | |
CN114169110B (zh) | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 | |
CN110955648A (zh) | 一种非等距时间序列监测数据的归一化映射处理方法 | |
CN111260138A (zh) | 加权和自适应并行关联规则的火电机组能耗动态优化方法 | |
CN116541732B (zh) | 基于超声波数据与最优化算法的气象监测系统 | |
CN111398523B (zh) | 基于分布的传感器数据校准方法及系统 | |
CN115271225B (zh) | 一种基于小波降噪和神经网络的风力-风功率建模方法 | |
CN115659284A (zh) | 一种大数据融合平台 | |
CN111783336A (zh) | 一种基于深度学习理论的不确定性结构频响动力学模型修正方法 | |
CN117633696B (zh) | 一种基于bim模型的水利工程施工监测方法及系统 | |
CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
CN112001115A (zh) | 一种半监督动态软测量网络的软测量建模方法 | |
CN117077866A (zh) | 一种发电设备时间序列数据的预测方法 | |
CN116277821A (zh) | 一种注塑机注射成形过程异常的监控方法及设备 | |
CN115952724A (zh) | 航空发动机剩余寿命预测方法、系统、设备及介质 | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
CN110658722B (zh) | 一种基于gap的自均衡多模型分解方法及系统 |
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 |