CN115857447B - 基于数字孪生的复杂工业系统运行监测方法及系统 - Google Patents
基于数字孪生的复杂工业系统运行监测方法及系统 Download PDFInfo
- Publication number
- CN115857447B CN115857447B CN202211498761.5A CN202211498761A CN115857447B CN 115857447 B CN115857447 B CN 115857447B CN 202211498761 A CN202211498761 A CN 202211498761A CN 115857447 B CN115857447 B CN 115857447B
- Authority
- CN
- China
- Prior art keywords
- data
- industrial system
- model
- real
- twin
- 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
Classifications
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于数字孪生的复杂工业系统运行监测方法及系统,包括:获取工业系统中的设备组件信息,与工业系统的实体进行映射获取工业系统的三维仿真模型;构建工业系统的三维仿真模型与实时数据的映射关系,生成工业系统的数字孪生体模型;获取孪生数据,将孪生数据与监测工况数据进行数据融合,提取工业系统的当前数据特征;基于深度学习构建运行状态识别模型,将当前数据特征输入运行状态识别模型,对工业系统的运行状态进行评估;根据评估结果进行故障诊断,通过故障诊断生成对应的运维方案。本发明实现了复杂工业系统的运行健康状况的在线监测,保证现场安全稳定运行,减小了设备安全隐患事故发生的概率,大大节省了人力资源成本。
Description
技术领域
本发明涉及设备运行监测技术领域,更具体的,涉及一种基于数字孪生的复杂工业系统运行监测方法及系统。
背景技术
随着现代科技的飞速发展和大数据技术的稳步提升,融合了高科技以及智能化设备的工业系统日趋大规模化、集成化、高速化、自动化甚至于智能化,智能制造成为新一代信息技术与生产技术装备相结合的创新工程。以工业机器人、3D打印机等为代表的工业系统具有结构复杂、高度精密的特点,而复杂工业系统逐渐向高阶次、非线性、多主体深度耦合发展,因此对其进行故障诊断在工业系统健康管理方面非常重要。由于传统的故障诊断方法对深层特征提取不充分、依赖人工经验和标签指导、对故障机理不明确的系统诊断性能差的局限性。
数字孪生是以数字化方式创建物理实体的虚拟模型,借助数据模拟物理实体在现实环境中的行为,通过虚实交互反馈、数据融合分析、决策迭代优化等手段,为物理实体增加或扩展新的能力。数字孪生技术可为复杂工业系统的运行状态检测与闭环控制提供可行解决方案,利用数字孪生技术对复杂工业系统进行数字建模,分析系统的工作过程,监测系统的运行状态,实时诊断设备运行状况, 对设备的健康状况做出较为准确的诊断,有效延长工作寿命。
发明内容
为了解决上述技术问题,本发明提出了一种基于数字孪生的复杂工业系统运行监测方法及系统。
本发明第一方面提供了一种基于数字孪生的复杂工业系统运行监测方法,包括:
获取工业系统中的设备组件信息,根据各个设备组件的装配关系与工业系统的实体进行映射获取工业系统的三维仿真模型;
获取各设备组件的实时数据,构建工业系统的三维仿真模型与所述实时数据的映射关系,生成工业系统的数字孪生体模型;
根据工业系统的数字孪生体模型获取孪生数据,将所述孪生数据与监测工况数据进行数据融合,提取工业系统的当前数据特征;
基于深度学习构建运行状态识别模型,将当前数据特征输入所述运行状态识别模型,对工业系统的运行状态进行评估;
根据运行状态的识别评估结果进行故障诊断,通过故障诊断生成对应的运维方案。
本方案中,获取工业系统中的设备组件信息,根据各个设备组件的装配关系与工业系统的实体进行映射获取工业系统的三维仿真模型,具体为:
根据工业系统中的设备组件的几何模型进行关键要素建模,将各个几何模型导入三维建模软件进行简化获取设备组件的轻量化三维仿真模型;
将各设备组件的轻量化三维仿真模型根据工业系统的静态属性及运动关系进行装配获取工业系统三维仿真模型的基本结构;
根据工业系统的历史运行数据获取工业系统的运行原理、运行环境要素,将基本结构与运行环境要素进行交互构建工业系统演变模型;
通过工业系统的历史运行数据及关键设备的实际参数,根据实际参数对工业系统演变模型进行校准调整,通过于工业系统的实体进行映射获取工业系统三维仿真模型。
本方案中,获取各设备组件的实时数据,构建工业系统的三维仿真模型与所述实时数据的映射关系,生成工业系统的数字孪生体模型,具体为:
通过数据感知方法得到各设备组件的各项实时数据,将各项实时数据与工业系统的系统执行数据进行匹配,将匹配后的数据进行异构数据的融合;
将融合后的实时数据获取对应设备组件的响应单元,进行实时数据的实时查询与读写,建立工业系统三维仿真模型的实体与三维仿真模型之间的映射关系;
若三维仿真模型的运行数据与实际运行数据的数据偏差小于预设偏差阈值,则输出工业系统的精准数字孪生体模型。
本方案中,构建运行状态识别模型,还包括:
获取工业系统的历史监测数据及对应的故障信息作为真实样本,分析工业系统的故障机理,获取各类故障信息对应的特征;
根据所述工业系统的数字孪生体模型对故障信息进行仿真获取各类故障信息对应的孪生数据,将所述孪生数据与各类故障信息对应的特征进行相似度计算;
当所述相似度大于预设相似度阈值时,则证明所述工业系统的数字孪生体模型的仿真性能符合预设标准;
将所述孪生数据导入生成对抗网络,通过对生成器网络进行训练,将随机噪声与孪生数据进行匹配,构建与真实样本相同分布的生成样本;
通过判别器网络判断所述生成样本是否为真,根据判断结果对生成样本设置类别标签,对生成器网络及判别器网络进行交替训练至损失函数平稳,通过训练后的生成对抗网络生成大量带标签的且与真实样本分布相同的故障数据集。
本方案中,将当前数据特征输入所述运行状态识别模型,具体为:
通过深度学习构建运行状态识别模型,进行初始化设置并利用故障数据集对所述状态识别模型进行训练;
基于LSTM自编码器将孪生数据与监测工况数据进行数据融合,将所述孪生数据及监测工况数据对应的时序数据序列作为LSTM网络的输入,利用LSTM对时序数据序列进行重采样,获取时序特征;
将所述时序特征根据自编码器的参数对特征进行编码,将自编码器的输出与输入的时序数据序列之间的均方误差作为重构误差构建LSTM自编码器的损失函数;
通过训练LSTM自编码器至损失函数符合预设标准,利用所述LSTM自编码器实现孪生数据及监测工况数据的数据融合,将输出的重构特征作为当前数据特征输入运行状态识别模型。
本方案中,根据运行状态识别模型对工业系统的运行状态进行评估,具体为:
获取当前数据特征构成特征子集,对所述特征子集进行特征聚类,在所述特征子集中选取初始聚类中心点;
获取特征子集中各特征到初始聚类中心点的欧式距离,将所述特征子集中的特征归于距离最近的聚类中心对应的类别标签中生成聚类结果;
求取所述聚类结果中的均值作为新的聚类中心,当迭代次数达到预设次数标准,则结束聚类获取最终聚类结果,根据特征子集中的最终聚类结果获取不同维度中各个特征标签之间的均方距离;
通过不同维度中各个特征标签之间的均方距离对特征子集中的特征进行评价,根据均方距离进行倒序排序,根据排序结果选取预设数量的特征标签中的特征构建新的特征子集;
通过新的特征子集输入运行状态识别模型,获取运行状态识别模型中各分类器的投票得分,根据投票得分获取工业系统当前数据特征对应的运行状态信息,所述运行状态信息包括健康运行状态及各类列故障运行状态;
根据所述运行状态信息通过故障知识图谱获取对应的运维方案,并通过预设方式进行发送显示。
本发明第二方面还提供了一种基于数字孪生的复杂工业系统运行监测系统,该系统包括:存储器、处理器,所述存储器中包括一种基于数字孪生的复杂工业系统运行监测方法程序,所述一种基于数字孪生的复杂工业系统运行监测方法程序被所述处理器执行时实现如下步骤:
获取工业系统中的设备组件信息,根据各个设备组件的装配关系与工业系统的实体进行映射获取工业系统的三维仿真模型;
获取各设备组件的实时数据,构建工业系统的三维仿真模型与所述实时数据的映射关系,生成工业系统的数字孪生体模型;
根据工业系统的数字孪生体模型获取孪生数据,将所述孪生数据与监测工况数据进行数据融合,提取工业系统的当前数据特征;
基于深度学习构建运行状态识别模型,将当前数据特征输入所述运行状态识别模型,对工业系统的运行状态进行评估;
根据运行状态的识别评估结果进行故障诊断,通过故障诊断生成对应的运维方案。
本发明公开了一种基于数字孪生的复杂工业系统运行监测方法及系统,包括:获取工业系统中的设备组件信息,与工业系统的实体进行映射获取工业系统的三维仿真模型;构建工业系统的三维仿真模型与实时数据的映射关系,生成工业系统的数字孪生体模型;获取孪生数据,将孪生数据与监测工况数据进行数据融合,提取工业系统的当前数据特征;基于深度学习构建运行状态识别模型,将当前数据特征输入运行状态识别模型,对工业系统的运行状态进行评估;根据评估结果进行故障诊断,通过故障诊断生成对应的运维方案。本发明实现了复杂工业系统的运行健康状况的在线监测,保证现场安全稳定运行,减小了设备安全隐患事故发生的概率,大大节省了人力资源成本。
附图说明
图1示出了本发明一种基于数字孪生的复杂工业系统运行监测方法的流程图;
图2示出了本发明通过孪生数据与监测工况数据进行数据融合的方法流程图;
图3示出了本发明根据运行状态识别模型对工业系统的运行状态进行评估的方法流程图;
图4示出了本发明一种基于数字孪生的复杂工业系统运行监测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于数字孪生的复杂工业系统运行监测方法的流程图。
如图1所示,本发明第一方面提供了一种基于数字孪生的复杂工业系统运行监测方法,包括:
S102,获取工业系统中的设备组件信息,根据各个设备组件的装配关系与工业系统的实体进行映射获取工业系统的三维仿真模型;
S104,获取各设备组件的实时数据,构建工业系统的三维仿真模型与所述实时数据的映射关系,生成工业系统的数字孪生体模型;
S106,根据工业系统的数字孪生体模型获取孪生数据,将所述孪生数据与监测工况数据进行数据融合,提取工业系统的当前数据特征;
S108,基于深度学习构建运行状态识别模型,将当前数据特征输入所述运行状态识别模型,对工业系统的运行状态进行评估;
S110,根据运行状态的识别评估结果进行故障诊断,通过故障诊断生成对应的运维方案。
需要说明的是,根据工业系统中的设备组件的几何模型进行关键要素建模,将各个几何模型导入三维建模软件进行简化获取设备组件的轻量化三维仿真模型;将各设备组件的轻量化三维仿真模型根据工业系统的静态属性及运动关系进行装配获取工业系统三维仿真模型的基本结构;根据工业系统的历史运行数据获取工业系统的运行原理、运行环境要素,将基本结构与运行环境要素进行交互构建工业系统演变模型;通过工业系统的历史运行数据及关键设备的实际参数,根据实际参数对工业系统演变模型进行校准调整,通过于工业系统的实体进行映射获取工业系统三维仿真模型。建立工业以太网通信接口,借助高传输速率、低延迟、超高稳定性的数据传输协议,实现工业系统实体与工业系统三维仿真模型的同步双向数据采集与传输,通过数据感知方法得到各设备组件的各项实时数据,将各项实时数据与工业系统的系统执行数据进行匹配,在各项实时数据与系统执行数据中存在大量的非结构的异构数据,将匹配后的数据进行异构数据的融合,通过搭建不同的软硬件接口进行数据集成;将融合后的实时数据获取对应设备组件的响应单元,进行实时数据的实时查询与读写,建立工业系统三维仿真模型的实体与三维仿真模型之间的映射关系;若三维仿真模型的运行数据与实际运行数据的数据偏差小于预设偏差阈值,则输出工业系统的精准数字孪生体模型。
图2示出了本发明通过孪生数据与监测工况数据进行数据融合的方法流程图。
根据本发明实施例,通过孪生数据与监测工况数据进行数据融合,将当前数据特征输入所述运行状态识别模型,具体为:
S202,通过深度学习构建运行状态识别模型,进行初始化设置并利用故障数据集对所述状态识别模型进行训练;
S204,基于LSTM自编码器将孪生数据与监测工况数据进行数据融合,将所述孪生数据及监测工况数据对应的时序数据序列作为LSTM网络的输入,利用LSTM对时序数据序列进行重采样,获取时序特征;
S206,将所述时序特征根据自编码器的参数对特征进行编码,将自编码器的输出与输入的时序数据序列之间的均方误差作为重构误差构建LSTM自编码器的损失函数;
S208,通过训练LSTM自编码器至损失函数符合预设标准,利用所述LSTM自编码器实现孪生数据及监测工况数据的数据融合,将输出的重构特征作为当前数据特征输入运行状态识别模型。
需要说明的是,LSTM单元结构主要通过遗忘门,记忆门,输入门,输出门控制传输状态,最后通过全连接层将输出维度转换为预设时间的时间步数,把输入信息限定在了0-1之间,满足权值动态变化的条件,通过LSTM自编码器对孪生数据与实时监测数据进行数据融合,将多维数据进行降维处理,去除冗杂信息,将工业设备的状态信息及故障特征进行最大程度的保留,其LSTM自编码器的损失函数为,其中/>为正则系数,w为数据维度,l为时序数据序列长度,/>为LSTM自编码器输出在维度i的值,/>为时序数据序列初始输入在维度i的值。在典型故障样本选择过程中往往可用的故障特征较少,通过生成对抗网络的实现故障样本的数据增强,获取工业系统的历史监测数据及对应的故障信息作为真实样本,分析工业系统的故障机理,获取各类故障信息对应的特征;根据所述工业系统的数字孪生体模型对故障信息进行仿真获取各类故障信息对应的孪生数据,将所述孪生数据与各类故障信息对应的特征进行相似度计算;当所述相似度大于预设相似度阈值时,则证明所述工业系统的数字孪生体模型的仿真性能符合预设标准;将所述孪生数据导入生成对抗网络,通过对生成器网络进行训练,将随机噪声与孪生数据进行匹配,构建与真实样本相同分布的生成样本;通过判别器网络判断所述生成样本是否为真,根据判断结果对生成样本设置类别标签,对生成器网络及判别器网络进行交替训练至损失函数平稳,通过训练后的生成对抗网络生成大量带标签的且与真实样本分布相同的故障数据集。
图3示出了本发明根据运行状态识别模型对工业系统的运行状态进行评估的方法流程图。
根据本发明实施例,根据运行状态识别模型对工业系统的运行状态进行评估,具体为:
S302,获取当前数据特征构成特征子集,对所述特征子集进行特征聚类,在所述特征子集中选取初始聚类中心点;
S304,获取特征子集中各特征到初始聚类中心点的欧式距离,将所述特征子集中的特征归于距离最近的聚类中心对应的类别标签中生成聚类结果;
S306,求取所述聚类结果中的均值作为新的聚类中心,当迭代次数达到预设次数标准,则结束聚类获取最终聚类结果,根据特征子集中的最终聚类结果获取不同维度中各个特征标签之间的均方距离;
S308,通过不同维度中各个特征标签之间的均方距离对特征子集中的特征进行评价,根据均方距离进行倒序排序,根据排序结果选取预设数量的特征标签中的特征构建新的特征子集;
S310,通过新的特征子集输入运行状态识别模型,获取运行状态识别模型中各分类器的投票得分,根据投票得分获取工业系统当前数据特征对应的运行状态信息,所述运行状态信息包括健康运行状态及各类列故障运行状态;
S312,根据所述运行状态信息通过故障知识图谱获取对应的运维方案,并通过预设方式进行发送显示。
需要说明的是,通过SVM分类器对获取的新特征子集进行分类,根据故障数据集获取预设数量的故障特征,根据预设数量的故障特征训练对应数量的分类器,其中,当前数据特征的类别标签的投票得分计算公式为:,其中,/>表示特征/>归为类别标签c的得分,/>表示第i个分类器对特征/>的分类结果,n为分类器总数,/>表示第i个分类器对特征/>的分类结果为类别标签c的概率,取值为0或1,多数投票选出得票最多的类别标签。
将历史故障的解决方案构建故障知识图谱中,根据当前数据特征确定故障信息,将故障信息和故障知识图谱内历史故障数据进行比对,生成对比相似度,并预设对比相似度阈值;当所述对比相似度大于等于所述对比相似度阈值时,对历史故障数据进行标注,将标注后的史故障数据进行聚合生成相似史故障数据集合;根据所述相似史故障数据集合中的操作记录对故障信息进行分析,生成解决方案;另外,根据历史故障信息获取各设备组件的故障间隔,当设备组件的运维间隔时间大于故障间隔时,则生成可靠性预警。
根据本发明实施例,通过对工业系统的状态监测进行故障对应设备组件的可靠性检测,具体为:
通过工业系统的数字孪生体模型进行仿真,获取工业系统预设时间内的历史监测数据及对应的故障信息,对所述故障信息按照故障位置及故障部件进行分类;
在数字孪生体模型中对各设备组件设备的高发故障设置标签标注,并根据故障频次及故障严重程度将各设备组件设置初始权重;
根据工业系统的装配耦合及运动关系建立有向连接图,通过工业系统当前的运行状况提取故障信息,根据故障信息在所述有向连接图中进行定位,选取初始目标节点;
基于深度学习构建故障影响分析模型,根据历史监测数据及对应的故障信息提取各故障发生时,获取故障设备组件耦合的其他设备组件与正常运行情况下运行曲线的偏差;
根据运行曲线的偏差获取各故障的故障设备组件对耦合设备组件的影响程度,计算初始目标节点及邻居节点的重要性权重,将所述重要性权重结合初始权重与当前故障对应影响程度进行匹配获取最终影响程度;
根据所述最终影响程度判断故障设备组件的耦合设备组件的可靠性,当所述最终影响程度大于预设阈值时,则生成可靠性预警,并根据该设备组件的标签标注提前进行相关设备运维。
其中,通过节点的连接关系计算有向连接图中节点的重要性权重,具体为:,/>表示节点m的重要性权重,在有向连接图中节点m共存在k个节点相连接,/>,/>表示节点n的重要性,/>表示以节点n为起点的有向边的数量,/>表示重要性初始值,防止孤立节点的重要性为0。
图4示出了本发明一种基于数字孪生的复杂工业系统运行监测系统的框图。
本发明第二方面还提供了一种基于数字孪生的复杂工业系统运行监测系统4,该系统包括:存储器41、处理器42,所述存储器中包括一种基于数字孪生的复杂工业系统运行监测方法程序,所述一种基于数字孪生的复杂工业系统运行监测方法程序被所述处理器执行时实现如下步骤:
获取工业系统中的设备组件信息,根据各个设备组件的装配关系与工业系统的实体进行映射获取工业系统的三维仿真模型;
获取各设备组件的实时数据,构建工业系统的三维仿真模型与所述实时数据的映射关系,生成工业系统的数字孪生体模型;
根据工业系统的数字孪生体模型获取孪生数据,将所述孪生数据与监测工况数据进行数据融合,提取工业系统的当前数据特征;
基于深度学习构建运行状态识别模型,将当前数据特征输入所述运行状态识别模型,对工业系统的运行状态进行评估;
根据运行状态的识别评估结果进行故障诊断,通过故障诊断生成对应的运维方案。
需要说明的是,根据工业系统中的设备组件的几何模型进行关键要素建模,将各个几何模型导入三维建模软件进行简化获取设备组件的轻量化三维仿真模型;将各设备组件的轻量化三维仿真模型根据工业系统的静态属性及运动关系进行装配获取工业系统三维仿真模型的基本结构;根据工业系统的历史运行数据获取工业系统的运行原理、运行环境要素,将基本结构与运行环境要素进行交互构建工业系统演变模型;通过工业系统的历史运行数据及关键设备的实际参数,根据实际参数对工业系统演变模型进行校准调整,通过于工业系统的实体进行映射获取工业系统三维仿真模型。建立工业以太网通信接口,借助高传输速率、低延迟、超高稳定性的数据传输协议,实现工业系统实体与工业系统三维仿真模型的同步双向数据采集与传输,通过数据感知方法得到各设备组件的各项实时数据,将各项实时数据与工业系统的系统执行数据进行匹配,在各项实时数据与系统执行数据中存在大量的非结构的异构数据,将匹配后的数据进行异构数据的融合,通过搭建不同的软硬件接口进行数据集成;将融合后的实时数据获取对应设备组件的响应单元,进行实时数据的实时查询与读写,建立工业系统三维仿真模型的实体与三维仿真模型之间的映射关系;若三维仿真模型的运行数据与实际运行数据的数据偏差小于预设偏差阈值,则输出工业系统的精准数字孪生体模型。
根据本发明实施例,通过孪生数据与监测工况数据进行数据融合,将当前数据特征输入所述运行状态识别模型,具体为:
通过深度学习构建运行状态识别模型,进行初始化设置并利用故障数据集对所述状态识别模型进行训练;
基于LSTM自编码器将孪生数据与监测工况数据进行数据融合,将所述孪生数据及监测工况数据对应的时序数据序列作为LSTM网络的输入,利用LSTM对时序数据序列进行重采样,获取时序特征;
将所述时序特征根据自编码器的参数对特征进行编码,将自编码器的输出与输入的时序数据序列之间的均方误差作为重构误差构建LSTM自编码器的损失函数;
通过训练LSTM自编码器至损失函数符合预设标准,利用所述LSTM自编码器实现孪生数据及监测工况数据的数据融合,将输出的重构特征作为当前数据特征输入运行状态识别模型。
需要说明的是,LSTM单元结构主要通过遗忘门,记忆门,输入门,输出门控制传输状态,最后通过全连接层将输出维度转换为预设时间的时间步数,把输入信息限定在了0-1之间,满足权值动态变化的条件,通过LSTM自编码器对孪生数据与实时监测数据进行数据融合,将多维数据进行降维处理,去除冗杂信息,将工业设备的状态信息及故障特征进行最大程度的保留,其LSTM自编码器的损失函数为,其中λ为正则系数,w为数据维度,l为时序数据序列长度,/>为LSTM自编码器输出在维度i的值,/>为时序数据序列初始输入在维度i的值。在典型故障样本选择过程中往往可用的故障特征较少,通过生成对抗网络的实现故障样本的数据增强,获取工业系统的历史监测数据及对应的故障信息作为真实样本,分析工业系统的故障机理,获取各类故障信息对应的特征;根据所述工业系统的数字孪生体模型对故障信息进行仿真获取各类故障信息对应的孪生数据,将所述孪生数据与各类故障信息对应的特征进行相似度计算;当所述相似度大于预设相似度阈值时,则证明所述工业系统的数字孪生体模型的仿真性能符合预设标准;将所述孪生数据导入生成对抗网络,通过对生成器网络进行训练,将随机噪声与孪生数据进行匹配,构建与真实样本相同分布的生成样本;通过判别器网络判断所述生成样本是否为真,根据判断结果对生成样本设置类别标签,对生成器网络及判别器网络进行交替训练至损失函数平稳,通过训练后的生成对抗网络生成大量带标签的且与真实样本分布相同的故障数据集。
根据本发明实施例,根据运行状态识别模型对工业系统的运行状态进行评估,具体为:
获取当前数据特征构成特征子集,对所述特征子集进行特征聚类,在所述特征子集中选取初始聚类中心点;
获取特征子集中各特征到初始聚类中心点的欧式距离,将所述特征子集中的特征归于距离最近的聚类中心对应的类别标签中生成聚类结果;
求取所述聚类结果中的均值作为新的聚类中心,当迭代次数达到预设次数标准,则结束聚类获取最终聚类结果,根据特征子集中的最终聚类结果获取不同维度中各个特征标签之间的均方距离;
通过不同维度中各个特征标签之间的均方距离对特征子集中的特征进行评价,根据均方距离进行倒序排序,根据排序结果选取预设数量的特征标签中的特征构建新的特征子集;
通过新的特征子集输入运行状态识别模型,获取运行状态识别模型中各分类器的投票得分,根据投票得分获取工业系统当前数据特征对应的运行状态信息,所述运行状态信息包括健康运行状态及各类列故障运行状态;
根据所述运行状态信息通过故障知识图谱获取对应的运维方案,并通过预设方式进行发送显示。
需要说明的是,通过SVM分类器对获取的新特征子集进行分类,根据故障数据集获取预设数量的故障特征,根据预设数量的故障特征训练对应数量的分类器,其中,当前数据特征的类别标签的投票得分计算公式为:,其中,/>表示特征/>归为类别标签c的得分,/>表示第i个分类器对特征/>的分类结果,n为分类器总数,/>表示第i个分类器对特征/>的分类结果为类别标签c的概率,取0或1,多数投票选出得票最多的类别标签。
将历史故障的解决方案构建故障知识图谱中,根据当前数据特征确定故障信息,将故障信息和故障知识图谱内历史故障数据进行比对,生成对比相似度,并预设对比相似度阈值;当所述对比相似度大于等于所述对比相似度阈值时,对历史故障数据进行标注,将标注后的史故障数据进行聚合生成相似史故障数据集合;根据所述相似史故障数据集合中的操作记录对故障信息进行分析,生成解决方案;另外,根据历史故障信息获取各设备组件的故障间隔,当设备组件的运维间隔时间大于故障间隔时,则生成可靠性预警。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于数字孪生的复杂工业系统运行监测方法程序,所述一种基于数字孪生的复杂工业系统运行监测方法程序被处理器执行时,实现如上述任一项所述的一种基于数字孪生的复杂工业系统运行监测方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (2)
1.一种基于数字孪生的复杂工业系统运行监测方法,其特征在于,包括以下步骤:
获取工业系统中的设备组件信息,根据各个设备组件的装配关系与工业系统的实体进行映射获取工业系统的三维仿真模型;
获取各设备组件的实时数据,构建工业系统的三维仿真模型与所述实时数据的映射关系,生成工业系统的数字孪生体模型;
根据工业系统的数字孪生体模型获取孪生数据,将所述孪生数据与监测工况数据进行数据融合,提取工业系统的当前数据特征;
基于深度学习构建运行状态识别模型,将当前数据特征输入所述运行状态识别模型,对工业系统的运行状态进行评估;
根据运行状态的识别评估结果进行故障诊断,通过故障诊断生成对应的运维方案;
获取工业系统中的设备组件信息,根据各个设备组件的装配关系与工业系统的实体进行映射获取工业系统的三维仿真模型,具体为:
根据工业系统中的设备组件的几何模型进行关键要素建模,将各个几何模型导入三维建模软件进行简化获取设备组件的轻量化三维仿真模型;
将各设备组件的轻量化三维仿真模型根据工业系统的静态属性及运动关系进行装配获取工业系统三维仿真模型的基本结构;
根据工业系统的历史运行数据获取工业系统的运行原理、运行环境要素,将基本结构与运行环境要素进行交互构建工业系统演变模型;
通过工业系统的历史运行数据及关键设备的实际参数,根据实际参数对工业系统演变模型进行校准调整,通过于工业系统的实体进行映射获取工业系统三维仿真模型;
获取各设备组件的实时数据,构建工业系统的三维仿真模型与所述实时数据的映射关系,生成工业系统的数字孪生体模型,具体为:
通过数据感知方法得到各设备组件的各项实时数据,将各项实时数据与工业系统的系统执行数据进行匹配,将匹配后的数据进行异构数据的融合;
将融合后的实时数据获取对应设备组件的响应单元,进行实时数据的实时查询与读写,建立工业系统三维仿真模型的实体与三维仿真模型之间的映射关系;
若三维仿真模型的运行数据与实际运行数据的数据偏差小于预设偏差阈值,则输出工业系统的精准数字孪生体模型;
构建运行状态识别模型,还包括:获取工业系统的历史监测数据及对应的故障信息作为真实样本,分析工业系统的故障机理,获取各类故障信息对应的特征;
根据所述工业系统的数字孪生体模型对故障信息进行仿真获取各类故障信息对应的孪生数据,将所述孪生数据与各类故障信息对应的特征进行相似度计算;
当所述相似度大于预设相似度阈值时,则证明所述工业系统的数字孪生体模型的仿真性能符合预设标准;
将所述孪生数据导入生成对抗网络,通过对生成器网络进行训练,将随机噪声与孪生数据进行匹配,构建与真实样本相同分布的生成样本;
通过判别器网络判断所述生成样本是否为真,根据判断结果对生成样本设置类别标签,对生成器网络及判别器网络进行交替训练至损失函数平稳,通过训练后的生成对抗网络生成大量带标签的且与真实样本分布相同的故障数据集;
将当前数据特征输入所述运行状态识别模型,具体为:
通过深度学习构建运行状态识别模型,进行初始化设置并利用故障数据集对所述状态识别模型进行训练;
基于LSTM自编码器将孪生数据与监测工况数据进行数据融合,将所述孪生数据及监测工况数据对应的时序数据序列作为LSTM网络的输入,利用LSTM对时序数据序列进行重采样,获取时序特征;
将所述时序特征根据自编码器的参数对特征进行编码,将自编码器的输出与输入的时序数据序列之间的均方误差作为重构误差构建LSTM自编码器的损失函数;
通过训练LSTM自编码器至损失函数符合预设标准,利用所述LSTM自编码器实现孪生数据及监测工况数据的数据融合,将输出的重构特征作为当前数据特征输入运行状态识别模型;
根据运行状态识别模型对工业系统的运行状态进行评估,具体为:
获取当前数据特征构成特征子集,对所述特征子集进行特征聚类,在所述特征子集中选取初始聚类中心点;
获取特征子集中各特征到初始聚类中心点的欧式距离,将所述特征子集中的特征归于距离最近的聚类中心对应的类别标签中生成聚类结果;
求取所述聚类结果中的均值作为新的聚类中心,当迭代次数达到预设次数标准,则结束聚类获取最终聚类结果,根据特征子集中的最终聚类结果获取不同维度中各个特征标签之间的均方距离;
通过不同维度中各个特征标签之间的均方距离对特征子集中的特征进行评价,根据均方距离进行倒序排序,根据排序结果选取预设数量的特征标签中的特征构建新的特征子集;
通过新的特征子集输入运行状态识别模型,获取运行状态识别模型中各分类器的投票得分,根据投票得分获取工业系统当前数据特征对应的运行状态信息,所述运行状态信息包括健康运行状态及各类列故障运行状态;
根据所述运行状态信息通过故障知识图谱获取对应的运维方案,并通过预设方式进行发送显示。
2.一种基于数字孪生的复杂工业系统运行监测系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括一种基于数字孪生的复杂工业系统运行监测方法程序,所述一种基于数字孪生的复杂工业系统运行监测方法程序被所述处理器执行时实现如下步骤:
获取工业系统中的设备组件信息,根据各个设备组件的装配关系与工业系统的实体进行映射获取工业系统的三维仿真模型;
获取各设备组件的实时数据,构建工业系统的三维仿真模型与所述实时数据的映射关系,生成工业系统的数字孪生体模型;
根据工业系统的数字孪生体模型获取孪生数据,将所述孪生数据与监测工况数据进行数据融合,提取工业系统的当前数据特征;
基于深度学习构建运行状态识别模型,将当前数据特征输入所述运行状态识别模型,对工业系统的运行状态进行评估;
根据运行状态的识别评估结果进行故障诊断,通过故障诊断生成对应的运维方案;
获取工业系统中的设备组件信息,根据各个设备组件的装配关系与工业系统的实体进行映射获取工业系统的三维仿真模型,具体为:
根据工业系统中的设备组件的几何模型进行关键要素建模,将各个几何模型导入三维建模软件进行简化获取设备组件的轻量化三维仿真模型;
将各设备组件的轻量化三维仿真模型根据工业系统的静态属性及运动关系进行装配获取工业系统三维仿真模型的基本结构;
根据工业系统的历史运行数据获取工业系统的运行原理、运行环境要素,将基本结构与运行环境要素进行交互构建工业系统演变模型;
通过工业系统的历史运行数据及关键设备的实际参数,根据实际参数对工业系统演变模型进行校准调整,通过于工业系统的实体进行映射获取工业系统三维仿真模型;
获取各设备组件的实时数据,构建工业系统的三维仿真模型与所述实时数据的映射关系,生成工业系统的数字孪生体模型,具体为:
通过数据感知方法得到各设备组件的各项实时数据,将各项实时数据与工业系统的系统执行数据进行匹配,将匹配后的数据进行异构数据的融合;
将融合后的实时数据获取对应设备组件的响应单元,进行实时数据的实时查询与读写,建立工业系统三维仿真模型的实体与三维仿真模型之间的映射关系;
若三维仿真模型的运行数据与实际运行数据的数据偏差小于预设偏差阈值,则输出工业系统的精准数字孪生体模型;
构建运行状态识别模型,还包括:获取工业系统的历史监测数据及对应的故障信息作为真实样本,分析工业系统的故障机理,获取各类故障信息对应的特征;
根据所述工业系统的数字孪生体模型对故障信息进行仿真获取各类故障信息对应的孪生数据,将所述孪生数据与各类故障信息对应的特征进行相似度计算;
当所述相似度大于预设相似度阈值时,则证明所述工业系统的数字孪生体模型的仿真性能符合预设标准;
将所述孪生数据导入生成对抗网络,通过对生成器网络进行训练,将随机噪声与孪生数据进行匹配,构建与真实样本相同分布的生成样本;
通过判别器网络判断所述生成样本是否为真,根据判断结果对生成样本设置类别标签,对生成器网络及判别器网络进行交替训练至损失函数平稳,通过训练后的生成对抗网络生成大量带标签的且与真实样本分布相同的故障数据集;
将当前数据特征输入所述运行状态识别模型,具体为:
通过深度学习构建运行状态识别模型,进行初始化设置并利用故障数据集对所述状态识别模型进行训练;
基于LSTM自编码器将孪生数据与监测工况数据进行数据融合,将所述孪生数据及监测工况数据对应的时序数据序列作为LSTM网络的输入,利用LSTM对时序数据序列进行重采样,获取时序特征;
将所述时序特征根据自编码器的参数对特征进行编码,将自编码器的输出与输入的时序数据序列之间的均方误差作为重构误差构建LSTM自编码器的损失函数;
通过训练LSTM自编码器至损失函数符合预设标准,利用所述LSTM自编码器实现孪生数据及监测工况数据的数据融合,将输出的重构特征作为当前数据特征输入运行状态识别模型;
根据运行状态识别模型对工业系统的运行状态进行评估,具体为:
获取当前数据特征构成特征子集,对所述特征子集进行特征聚类,在所述特征子集中选取初始聚类中心点;
获取特征子集中各特征到初始聚类中心点的欧式距离,将所述特征子集中的特征归于距离最近的聚类中心对应的类别标签中生成聚类结果;
求取所述聚类结果中的均值作为新的聚类中心,当迭代次数达到预设次数标准,则结束聚类获取最终聚类结果,根据特征子集中的最终聚类结果获取不同维度中各个特征标签之间的均方距离;
通过不同维度中各个特征标签之间的均方距离对特征子集中的特征进行评价,根据均方距离进行倒序排序,根据排序结果选取预设数量的特征标签中的特征构建新的特征子集;
通过新的特征子集输入运行状态识别模型,获取运行状态识别模型中各分类器的投票得分,根据投票得分获取工业系统当前数据特征对应的运行状态信息,所述运行状态信息包括健康运行状态及各类列故障运行状态;
根据所述运行状态信息通过故障知识图谱获取对应的运维方案,并通过预设方式进行发送显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211498761.5A CN115857447B (zh) | 2022-11-28 | 2022-11-28 | 基于数字孪生的复杂工业系统运行监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211498761.5A CN115857447B (zh) | 2022-11-28 | 2022-11-28 | 基于数字孪生的复杂工业系统运行监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115857447A CN115857447A (zh) | 2023-03-28 |
CN115857447B true CN115857447B (zh) | 2023-06-09 |
Family
ID=85667009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211498761.5A Active CN115857447B (zh) | 2022-11-28 | 2022-11-28 | 基于数字孪生的复杂工业系统运行监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115857447B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114326492B (zh) * | 2021-12-20 | 2023-09-01 | 中国科学院上海高等研究院 | 一种流程工业设备的数字孪生虚实联动系统 |
CN116126645B (zh) * | 2023-04-04 | 2023-09-29 | 江苏天创科技有限公司 | 一种基于数字孪生的机房稳定性监测方法及系统 |
CN116658489B (zh) * | 2023-06-02 | 2023-12-01 | 上海电气液压气动有限公司 | 一种基于数字孪生的液压系统故障诊断方法及系统 |
CN116755403B (zh) * | 2023-06-13 | 2024-03-26 | 英利新能源(宁夏)有限公司 | 基于光伏组件生产控制系统的数据采集方法及系统 |
CN116505738B (zh) * | 2023-06-26 | 2024-01-16 | 易充新能源(深圳)有限公司 | 一种节能降耗电源的控制方法及系统 |
CN116684769B (zh) * | 2023-07-20 | 2023-10-03 | 深圳市天昕朗科技有限公司 | 基于光通讯场景下数字孪生的数据获取方法及系统 |
CN116760908B (zh) * | 2023-08-18 | 2023-11-10 | 浙江大学山东(临沂)现代农业研究院 | 基于数字孪生的农业信息优化管理方法及系统 |
CN116992696B (zh) * | 2023-09-25 | 2024-01-09 | 中国水产科学研究院南海水产研究所 | 一种基于数字孪生的渔具捕捞和破损监测方法及系统 |
CN117350114B (zh) * | 2023-10-11 | 2024-03-29 | 浙江浙能临海海上风力发电有限公司 | 一种风机健康状态评估方法、装置和系统 |
CN117076935B (zh) * | 2023-10-16 | 2024-02-06 | 武汉理工大学 | 数字孪生辅助的机械故障数据轻量级生成方法及系统 |
CN117648596B (zh) * | 2023-11-28 | 2024-04-30 | 河北建工集团有限责任公司 | 一种建筑施工的数字孪生与智能传感器融合方法与系统 |
CN117407771A (zh) * | 2023-12-13 | 2024-01-16 | 湘江实验室 | 基于数字孪生的轴承健康状态评估方法、装置及相关设备 |
CN117786385B (zh) * | 2023-12-26 | 2024-05-17 | 嘉兴欣晟电机股份有限公司 | 基于孪生网络的三相异步电动机故障监测方法及系统 |
CN117560300B (zh) * | 2023-12-28 | 2024-04-30 | 广东云百智联科技有限公司 | 一种智能物联网流量预测与优化系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11574300B1 (en) * | 2014-04-30 | 2023-02-07 | Wells Fargo Bank, N.A. | Mobile wallet systems and methods using trace identifier using card networks |
CN108919765B (zh) * | 2018-07-20 | 2021-06-04 | 王德权 | 一种基于数字孪生的智能制造工厂虚拟调试和虚拟监控方法及系统 |
CN111496781B (zh) * | 2020-03-17 | 2021-08-03 | 浙江大学 | 数字孪生驱动的机械臂建模、控制与监测一体化集成系统 |
CN112001545B (zh) * | 2020-08-24 | 2022-03-15 | 中国石油大学(华东) | 数字孪生驱动的海洋石油水下生产系统故障预测方法及系统 |
US20220189145A1 (en) * | 2020-12-14 | 2022-06-16 | The Boeing Company | Unpaired image-to-image translation using a generative adversarial network (gan) |
CN112904220B (zh) * | 2020-12-30 | 2021-12-31 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
CN112802021B (zh) * | 2021-04-09 | 2021-07-30 | 泰瑞数创科技(北京)有限公司 | 基于数字孪生技术的城市桥梁道路诊断方法及其系统 |
CN113850488A (zh) * | 2021-09-14 | 2021-12-28 | 武汉理工大学 | 基于数字孪生的多品种小批量的多资源调度系统及方法 |
CN114297927A (zh) * | 2021-12-28 | 2022-04-08 | 中国科学院自动化研究所 | 基于数据驱动的工业装备数字孪生构建维护方法及系统 |
CN115064020B (zh) * | 2022-08-18 | 2023-01-17 | 安徽宝信信息科技有限公司 | 基于数字孪生技术的智慧教学方法、系统及存储介质 |
-
2022
- 2022-11-28 CN CN202211498761.5A patent/CN115857447B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115857447A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115857447B (zh) | 基于数字孪生的复杂工业系统运行监测方法及系统 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
CN116300691B (zh) | 一种多轴联动数控加工的状态监测方法及系统 | |
CN108737406A (zh) | 一种异常流量数据的检测方法及系统 | |
CN107657250A (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
CN110388315B (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
CN109471698B (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
CN109634820A (zh) | 一种云端移动端协同的故障预警方法、相关设备及系统 | |
CN112488142A (zh) | 一种雷达故障的预测方法、装置及存储介质 | |
CN116450399A (zh) | 微服务系统故障诊断及根因定位方法 | |
Li et al. | Framework and case study of cognitive maintenance in Industry 4.0 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
CN117595504A (zh) | 一种电网运行状态的智能监测预警方法 | |
CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
CN114781450B (zh) | 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法 | |
CN110650130B (zh) | 基于多分类GoogLeNet-LSTM模型的工控入侵检测方法 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
Lin et al. | A semi-supervised approach for abnormal event prediction on large operational network time-series data | |
CN113469247B (zh) | 网络资产异常检测方法 | |
CN117540372B (zh) | 智能学习的数据库入侵检测与响应系统 | |
CN115556099B (zh) | 一种可持续学习的工业机器人故障诊断系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |