CN116578890A - 基于数字孪生的智能工厂数据优化采集方法 - Google Patents

基于数字孪生的智能工厂数据优化采集方法 Download PDF

Info

Publication number
CN116578890A
CN116578890A CN202310860529.XA CN202310860529A CN116578890A CN 116578890 A CN116578890 A CN 116578890A CN 202310860529 A CN202310860529 A CN 202310860529A CN 116578890 A CN116578890 A CN 116578890A
Authority
CN
China
Prior art keywords
monitoring data
historical
cluster
target
determining
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.)
Granted
Application number
CN202310860529.XA
Other languages
English (en)
Other versions
CN116578890B (zh
Inventor
边涛
高翠
王光军
曲新笛
刘仁杰
王岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Jiaoyiwang Digital Technology Co ltd
Original Assignee
Shandong Jiaoyiwang Digital Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Jiaoyiwang Digital Technology Co ltd filed Critical Shandong Jiaoyiwang Digital Technology Co ltd
Priority to CN202310860529.XA priority Critical patent/CN116578890B/zh
Publication of CN116578890A publication Critical patent/CN116578890A/zh
Application granted granted Critical
Publication of CN116578890B publication Critical patent/CN116578890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及电数字数据处理技术领域，具体涉及基于数字孪生的智能工厂数据优化采集方法，该方法包括：获取用于数字孪生的目标工厂设备对应的历史监测数据集合、当前监测数据和历史聚类簇集合；对历史聚类簇集合中的每个历史聚类簇进行离散分析处理；确定当前监测数据和每个历史聚类簇之间的从属相似指标；确定组成监测数据的每种参数对应的参考价值；确定当前监测数据和历史聚类簇之间的目标隶属度；对当前监测数据和历史聚类簇集合进行分类，得到目标聚类簇集合，以实现数据采集的优化。本发明通过对历史监测数据集合、当前监测数据和历史聚类簇集合进行数据处理，解决了数据采集效果较差的技术问题，实现了数据采集的优化。

Description

基于数字孪生的智能工厂数据优化采集方法
技术领域
本发明涉及电数字数据处理技术领域，具体涉及基于数字孪生的智能工厂数据优化采集方法。
背景技术
数字孪生是指利用数字技术对实际工程进行建模，从而更好的对工程进行管理和优化。而在工厂中，通常是通过传感器监测设备的多个参数，从而得到用来描述当前设备运行状态的数据信息，从而对整个生产过程中的建模、预测和调度等多项工作内容提供数据支撑，进而保障生产过程中的安全稳定。因此，数据采集对生产过程中的多项工作至关重要。目前，对数据进行采集时，通常采用的方式为：直接读取与设备运行状态相关的监测数据。
然而，当采用上述方式时，经常会存在如下技术问题：
通过直接读取与设备运行状态相关的监测数据的方式进行数据采集，后续对工程进行管理和优化时，往往还需要对读取的监测数据进行分析，以判断对应的设备运行状态，从而导致后续对工程进行管理和优化的效率较低，因此通过直接读取与设备运行状态相关的监测数据，实现对数据的采集时，往往导致数据采集的效果较差。
发明内容
本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
为了解决数据采集效果较差的技术问题，本发明提出了基于数字孪生的智能工厂数据优化采集方法。
本发明提供了基于数字孪生的智能工厂数据优化采集方法，该方法包括：
获取用于数字孪生的目标工厂设备对应的历史监测数据集合、当前监测数据以及所述历史监测数据集合对应的历史聚类簇集合；
对所述历史聚类簇集合中的每个历史聚类簇进行离散分析处理，得到所述历史聚类簇对应的离散分布指标；
确定所述当前监测数据和每个历史聚类簇之间的从属相似指标；
根据所述历史监测数据集合和所述当前监测数据，确定组成监测数据的每种参数对应的参考价值；
根据每个历史聚类簇对应的离散分布指标、所述当前监测数据和所述历史聚类簇之间的从属相似指标、组成监测数据的各种参数对应的参考价值、所述历史聚类簇和所述当前监测数据，确定所述当前监测数据和所述历史聚类簇之间的目标隶属度；
根据所述当前监测数据和所述历史聚类簇集合中的各个历史聚类簇之间的目标隶属度，对所述当前监测数据和所述历史聚类簇集合进行分类，得到目标聚类簇集合，以实现数据采集的优化。
可选地，所述对所述历史聚类簇集合中的每个历史聚类簇进行离散分析处理，得到所述历史聚类簇对应的离散分布指标，包括：
根据每个历史监测数据包括的各种参数对应的归一化数值，确定所述历史监测数据对应的目标位置；
根据历史监测数据对应的目标位置，从所述历史聚类簇中筛选出核心监测数据集合，其中，核心监测数据对应的预设半径所围成范围内历史监测数据的数量大于预设数量；
根据所述核心监测数据集合中的各个核心监测数据对应的目标位置，确定所述历史聚类簇对应的聚集位置；
将所述历史聚类簇中的每个历史监测数据对应的目标位置与所述聚集位置之间的距离，作为所述历史监测数据对应的目标距离，得到所述历史聚类簇对应的目标距离集合；
将所述历史聚类簇对应的目标距离集合中所有目标距离的标准差，确定为所述历史聚类簇对应的离散分布指标。
可选地，所述确定所述当前监测数据和每个历史聚类簇之间的从属相似指标，包括：
根据所述当前监测数据包括的各种参数对应的归一化数值，确定所述当前监测数据对应的当前位置；
连接所述当前位置与所述聚集位置，得到所述当前监测数据和所述历史聚类簇之间的参考线段；
将所述历史聚类簇中的每个历史监测数据对应的目标位置与所述参考线段之间的垂线，确定为所述历史监测数据对应的目标垂线；
从所述历史聚类簇中筛选出目标垂线与所述参考线段相交的历史监测数据，作为参考监测数据，得到所述当前监测数据和所述历史聚类簇之间的参考监测数据集合；
连接所述聚集位置与所述参考监测数据集合中的每个参考监测数据对应的目标位置，得到所述参考监测数据对应的目标线段；
根据所述参考线段和所述参考监测数据集合中的各个参考监测数据对应的目标线段，确定所述当前监测数据和所述历史聚类簇之间的第一从属指标；
将所述参考监测数据集合中参考监测数据的数量，在所述历史聚类簇中历史监测数据的数量中的占比，确定为所述当前监测数据和所述历史聚类簇之间的第二从属指标；
根据所述第一从属指标和所述第二从属指标，确定所述当前监测数据和所述历史聚类簇之间的从属相似指标，其中，第一从属指标和第二从属指标均与从属相似指标呈正相关。
可选地，所述根据所述参考线段和所述参考监测数据集合中的各个参考监测数据对应的目标线段，确定所述当前监测数据和所述历史聚类簇之间的第一从属指标，包括：
将所述参考监测数据集合中的每个参考监测数据对应的目标线段，在所述参考线段上的投影，确定为所述参考监测数据对应的目标投影；
根据所述参考监测数据集合中的各个参考监测数据对应的目标投影，确定所述当前监测数据和所述历史聚类簇之间的第一从属指标，其中，目标投影与第一从属指标呈正相关。
可选地，所述根据所述历史监测数据集合和所述当前监测数据，确定组成监测数据的每种参数对应的参考价值，包括：
根据历史监测数据对应的采集时间，从所述当前监测数据和所述历史监测数据集合组成的集合中筛选出候选监测数据集合；
将所述候选监测数据集合中的每个候选监测数据包括的所述参数对应的归一化数值，确定为所述候选监测数据包括的所述参数对应的目标参数值，得到所述参数对应的目标参数值集合；
将所述目标参数值集合中所有目标参数值的均值，确定为所述参数对应的代表参数值；
将所述候选监测数据集合中的每个候选监测数据包括的所述参数对应的目标参数值与所述代表参数值的差值的绝对值，确定为所述候选监测数据包括的所述参数对应的参数差异指标；
将当前时间与所述候选监测数据集合中的每个候选监测数据对应的采集时间之间的差值，确定为所述候选监测数据对应的时间跨度；
根据所述候选监测数据集合中的各个候选监测数据包括的所述参数对应的参数差异指标和各个候选监测数据对应的时间跨度，确定所述参数对应的参考价值，其中，时间跨度和参数差异指标均与参考价值呈负相关。
可选地，所述确定所述当前监测数据和所述历史聚类簇之间的目标隶属度，包括：
根据所述离散分布指标和所述从属相似指标，确定所述当前监测数据和所述历史聚类簇之间的第一隶属度，其中，所述离散分布指标与所述第一隶属度呈负相关，所述从属相似指标与所述第一隶属度呈正相关；
根据组成监测数据的每种参数对应的参考价值、所述历史聚类簇中的每个历史监测数据包括的所述参数对应的归一化数值和所述当前监测数据包括的所述参数对应的归一化数值，确定所述当前监测数据和所述历史监测数据在所述参数对应的第二隶属度；
根据所述当前监测数据和所述历史聚类簇中的各个历史监测数据在各个参数对应的第二隶属度，确定所述当前监测数据和所述历史聚类簇之间的第三隶属度，其中，第二隶属度与第三隶属度呈正相关；
根据所述第一隶属度和所述第三隶属度，确定所述当前监测数据和所述历史聚类簇之间的目标隶属度，其中，第一隶属度和第三隶属度均与目标隶属度呈正相关。
可选地，所述根据组成监测数据的每种参数对应的参考价值、所述历史聚类簇中的每个历史监测数据包括的所述参数对应的归一化数值和所述当前监测数据包括的所述参数对应的归一化数值，确定所述当前监测数据和所述历史监测数据在所述参数对应的第二隶属度，包括：
将所述历史监测数据包括的所述参数对应的归一化数值和所述当前监测数据包括的所述参数对应的归一化数值的差值的绝对值，确定为所述当前监测数据和所述历史监测数据在所述参数对应的数据差异；
根据组成监测数据的所述参数对应的参考价值和所述数据差异，确定所述当前监测数据和所述历史监测数据在所述参数对应的第二隶属度，其中，参考价值与第二隶属度呈正相关，数据差异与第二隶属度呈负相关。
可选地，所述根据所述当前监测数据和所述历史聚类簇集合中的各个历史聚类簇之间的目标隶属度，对所述当前监测数据和所述历史聚类簇集合进行分类，得到目标聚类簇集合，包括：
从所述历史聚类簇集合中筛选出目标隶属度最大的历史聚类簇，作为候选聚类簇；
将所述历史聚类簇集合中除了所述候选聚类簇之外的历史聚类簇，确定为目标聚类簇；
将所述当前监测数据添加至所述候选聚类簇，将添加后的候选聚类簇，确定为目标聚类簇；
将得到的所有的目标聚类簇，组成目标聚类簇集合。
本发明具有如下有益效果：
本发明的基于数字孪生的智能工厂数据优化采集方法，通过对历史监测数据集合、当前监测数据和历史聚类簇集合进行数据处理，解决了数据采集效果较差的技术问题，实现了数据采集的优化。首先，获取历史监测数据集合、当前监测数据和历史聚类簇集合，可以便于后续对当前监测数据进行类别划分，可以便于后续判断历史监测数据集合中的每个历史监测数据和当前监测数据对应的设备运行状态。接着，对历史聚类簇集合中的每个历史聚类簇进行离散分析处理，可以提高历史聚类簇对应的离散分布指标确定的准确度。然后，量化当前监测数据和每个历史聚类簇之间的从属相似指标，可以便于后续判断当前监测数据对应的设备运行状态。继续，综合考虑历史监测数据集合和当前监测数据，可以提高组成监测数据的每种参数对应的参考价值确定的准确度。之后，综合考虑每个历史聚类簇对应的离散分布指标、当前监测数据和每个历史聚类簇之间的从属相似指标、组成监测数据的各种参数对应的参考价值、每个历史聚类簇和当前监测数据，可以提高目标隶属度确定的准确度。最后，综合考虑当前监测数据和历史聚类簇集合中的各个历史聚类簇之间的目标隶属度，对当前监测数据和历史聚类簇集合进行分类，可以得到每个监测数据所属的目标聚类簇，即可以在数据采集过程中实现对当前监测数据的状态划分，可以使后续对工程进行管理和优化时，不需再对当前监测数据进行状态划分，可以提高后续对工程进行管理和优化的效率，并且确定目标聚类簇集合，可以便于后续的分析处理，因此本发明实现了对数据采集的优化。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明的基于数字孪生的智能工厂数据优化采集方法的流程图。
具体实施方式
为了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技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明提供了基于数字孪生的智能工厂数据优化采集方法，该方法包括以下步骤：
获取用于数字孪生的目标工厂设备对应的历史监测数据集合、当前监测数据以及历史监测数据集合对应的历史聚类簇集合；
对历史聚类簇集合中的每个历史聚类簇进行离散分析处理，得到历史聚类簇对应的离散分布指标；
确定当前监测数据和每个历史聚类簇之间的从属相似指标；
根据历史监测数据集合和当前监测数据，确定组成监测数据的每种参数对应的参考价值；
根据每个历史聚类簇对应的离散分布指标、当前监测数据和历史聚类簇之间的从属相似指标、组成监测数据的各种参数对应的参考价值、历史聚类簇和当前监测数据，确定当前监测数据和历史聚类簇之间的目标隶属度；
根据当前监测数据和历史聚类簇集合中的各个历史聚类簇之间的目标隶属度，对当前监测数据和历史聚类簇集合进行分类，得到目标聚类簇集合，以实现数据采集的优化。
下面对上述各个步骤进行详细展开：
参考图1，示出了根据本发明的基于数字孪生的智能工厂数据优化采集方法的一些实施例的流程。该基于数字孪生的智能工厂数据优化采集方法，包括以下步骤：
步骤S1，获取用于数字孪生的目标工厂设备对应的历史监测数据集合、当前监测数据以及历史监测数据集合对应的历史聚类簇集合。
在一些实施例中，可以获取用于数字孪生的目标工厂设备对应的历史监测数据集合、当前监测数据以及上述历史监测数据集合对应的历史聚类簇集合。
其中，目标工厂设备可以是工厂中参与数字孪生的设备。历史监测数据集合中的历史监测数据可以是在历史时间段采集的与目标工厂设备运行状态相关的监测数据。当前监测数据可以是在当前时刻采集的与目标工厂设备运行状态相关的监测数据。历史时间段是当前时刻之前的时间段。监测数据可以包括与目标工厂设备运行状态相关的多个参数。监测数据可以是由进行归一化后的参数值组成的数据。参数值可以是参数对应的数值。例如，若目标工厂设备是空调，与空调运行状态相关的多个参数可以包括：制冷量、能效比、噪音和制热量，则监测数据可以包括：进行归一化后的制冷量对应的数值、进行归一化后的能效比对应的数值、进行归一化后的噪音对应的数值和进行归一化后的制热量对应的数值。历史聚类簇集合中的历史聚类簇可以是对历史监测数据集合中的历史监测数据进行聚类得到的聚类簇。
需要说明的是，数字孪生是指利用数字技术对实际工程进行建模，从而更好的对工程进行管理和优化。而在工厂中，通常是通过传感器监测设备的多个参数，从而得到用来描述该设备运行状态的数据信息，从而对整个生产过程中的建模、预测和调度等多项工作内容提供数据支撑，进而保障生产过程中的安全稳定。获取历史监测数据集合、当前监测数据和历史聚类簇集合，可以便于后续对当前监测数据进行类别划分，可以便于后续判断历史监测数据集合中的每个历史监测数据和当前监测数据对应的设备运行状态。
作为示例，本步骤可以包括以下步骤：
第一步，通过传感器，采集历史时间段内的每个预设时刻下，与目标工厂设备运行状态相关的多个参数对应的数值，并将每个预设时刻下采集的多个参数值，组合为每个预设时刻对应的初始数据。
其中，预设时刻可以是预先设置的时刻。相邻预设时刻之间的时长可以为预设时长。预设时长可以是预先设置的时长。比如，预设时长可以是1秒。预设时刻对应的初始数据可以包括：该预设时刻采集的多个参数值。
例如，若预设时长为1秒，则可以通过传感器，在历史时间段内每隔1秒，采集一次初始数据。
第二步，通过传感器，采集当前时刻下，与目标工厂设备运行状态相关的多个参数对应的数值，并将当前时刻下采集的多个参数值，组合为当前时刻对应的初始数据。
其中，当前时刻与历史时间段包括的结束时间之间的时长可以为预设时长。
第三步，对得到的所有初始数据包括的每个参数值进行归一化，实现初始数据的归一化，将归一化后的初始数据作为监测数据。
例如，以任意一种参数为例，对得到的所有初始数据包括的该参数对应的数值进行归一化可以包括以下子步骤：
第一子步骤，从对应的采集时间在历史时间段内所有初始数据中筛选出该参数对应的数值，作为候选数值，得到候选数值集合。
比如，若该参数为速度，则候选数值集合可以包括：对应的采集时间在历史时间段内所有初始数据包括的速度值。
第二子步骤，从候选数值集合中筛选出最大的候选数值，作为第一数值，并从候选数值集合中筛选出最小的候选数值，作为第二数值。
第三子步骤，将第一数值和第二数值的均值，确定为目标均值。
第四子步骤，将第一数值与目标均值的差值，确定为第一步长。
第五子步骤，将第一步长与预设倍数的乘积，确定为第二步长。
其中，预设倍数可以是预先设置的倍数。比如，预设倍数可以是1.3。
第六子步骤，将目标均值与第二步长的和，确定为目标最大值。
第七子步骤，将目标均值与第二步长的差，确定为目标最小值。
第八子步骤，从得到的所有初始数据中筛选出该参数对应的数值，作为待定数值，得到待定数值集合。
第九子步骤，将目标最大值作为最大值，将目标最小值作为最小值，通过最大最小归一化，对待定数值集合中的各个待定数值进行归一化，可以实现对该参数对应的数值的归一化。
需要说明的是，对初始数据包括的多个参数值均进行归一化后，可以实现初始数据的归一化。其次，在某些情况下，某些参数可能会出现突变值，从而导致其超出由对应的初始时的最大值和最小值所围成的范围，因此可以在一定程度下扩大该范围，例如将该范围中心点到端点之间的步长扩大1.3倍。其中，该范围中心点可以用目标均值表征。这里的端点可以是对应的最大值或最小值。
第四步，将对应的采集时间为当前时刻的监测数据作为当前监测数据，并将对应的采集时间在历史时间段内的监测数据作为历史监测数据，将得到的所有历史监测数据，组合为历史监测数据。
第五步，可以通过DBSCAN（Density-Based Spatial Clustering ofApplications with Noise，基于密度的聚类）算法，对历史监测数据集合中的历史监测数据进行聚类，并将得到的聚类簇作为历史聚类簇，将得到的所有历史聚类簇组成历史聚类簇集合。
需要说明的是，同一个历史聚类簇中的各个历史监测数据对应的设备运行状态往往比较相似。历史聚类簇可以是预先聚类完成的聚类簇，历史聚类簇也可以是预先判断过其对应的设备运行状态的聚类簇。
步骤S2，对历史聚类簇集合中的每个历史聚类簇进行离散分析处理，得到历史聚类簇对应的离散分布指标。
在一些实施例中，可以对上述历史聚类簇集合中的每个历史聚类簇进行离散分析处理，得到上述历史聚类簇对应的离散分布指标。
需要说明的是，对历史聚类簇集合中的每个历史聚类簇进行离散分析处理，可以提高历史聚类簇对应的离散分布指标确定的准确度。
作为示例，本步骤可以包括以下步骤：
第一步，根据每个历史监测数据包括的各种参数对应的归一化数值，确定上述历史监测数据对应的目标位置。
其中，归一化数值可以是进行归一化后得到的数值。例如，若某个参数为制冷量，则制冷量对应的归一化数值可以是进行归一化后的制冷量对应的数值。
例如，可以将历史监测数据包括的各种参数对应的归一化数值，组合为坐标，并用该坐标表征该历史监测数据对应的目标位置。若历史监测数据包括的多个参数包括：制冷量、能效比、噪音和制热量，将该历史监测数据对应的采集时刻记为第一历史时刻，则历史监测数据对应的目标位置可以为坐标（第一历史时刻采集的制冷量对应的归一化数值，第一历史时刻采集的能效比对应的归一化数值，第一历史时刻采集的噪音对应的归一化数值，第一历史时刻采集的制热量对应的归一化数值）。
需要说明的是，由于历史监测数据包括的各种参数之间的量纲往往不同，因此采用各种参数对应的归一化数值，确定历史监测数据对应的目标位置，可以消除不同量纲之间的影响。
第二步，根据历史监测数据对应的目标位置，从上述历史聚类簇中筛选出核心监测数据集合。
其中，核心监测数据对应的预设半径所围成范围内历史监测数据的数量可以大于预设数量。预设半径可以是预先设置的半径。预设半径可以是通过DBSCAN算法，对历史监测数据进行聚类时设置的半径。比如，预设半径可以是2。预设数量可以是预先设置的数量。预设数量可以是通过DBSCAN算法，对历史监测数据进行聚类时设置的形成聚类簇所需要的最少数据量。比如，预设数量可以是10。核心监测数据集合中的核心监测数据可以是DBSCAN算法中的核心点。
第三步，根据上述核心监测数据集合中的各个核心监测数据对应的目标位置，确定上述历史聚类簇对应的聚集位置。
例如，可以将历史聚类簇对应的核心监测数据集合中的各个核心监测数据对应的目标位置的中心，确定为该历史聚类簇对应的聚集位置。
比如，若某个历史聚类簇对应的核心监测数据集合包括3个核心监测数据，并且这3个核心监测数据对应的目标位置可以分别为（0.1，0.2，0.3）、（0.4，0.5，0.6）和（0.7，0.8，0.9），由于，/>，/>，则该历史聚类簇对应的聚集位置对应的坐标可以为（0.4，0.5，0.6）。
第四步，将上述历史聚类簇中的每个历史监测数据对应的目标位置与上述聚集位置之间的距离，作为上述历史监测数据对应的目标距离，得到上述历史聚类簇对应的目标距离集合。
例如，可以将历史监测数据对应的目标位置，与该历史监测数据所在的历史聚类簇对应的聚集位置之间的距离，作为该历史监测数据对应的目标距离。
第五步，将上述历史聚类簇对应的目标距离集合中所有目标距离的标准差，确定为上述历史聚类簇对应的离散分布指标。
例如，确定历史聚类簇对应的离散分布指标对应的公式可以为：
其中，是历史聚类簇集合中第/>个历史聚类簇对应的离散分布指标。/>是第个历史聚类簇中历史监测数据的数量。/>是第/>个历史聚类簇中第/>个历史监测数据对应的目标距离；也就是第/>个历史监测数据对应的目标位置与第/>个历史聚类簇对应的聚集位置之间的距离。/>是第/>个历史聚类簇中所有历史监测数据对应的目标距离的均值。/>是历史聚类簇集合中历史聚类簇的序号。/>是第/>个历史聚类簇中历史监测数据的序号。/>是/>的平方。
需要说明的是，当越大时，往往说明第/>个历史聚类簇中的各个历史监测数据对应的目标位置越混乱，往往说明第/>个历史聚类簇中的各个历史监测数据之间的相似度越低，往往说明第/>个历史聚类簇的聚类效果越不好，当前监测数据越不应该划分至第个历史聚类簇。
步骤S3，确定当前监测数据和每个历史聚类簇之间的从属相似指标。
在一些实施例中，可以确定上述当前监测数据和每个历史聚类簇之间的从属相似指标。
需要说明的是，量化当前监测数据和每个历史聚类簇之间的从属相似指标，可以便于后续判断当前监测数据对应的设备运行状态。
作为示例，本步骤可以包括以下步骤：
第一步，根据上述当前监测数据包括的各种参数对应的归一化数值，确定上述当前监测数据对应的当前位置。
例如，可以将当前监测数据包括的各种参数对应的归一化数值，组合为坐标，并用该坐标表征该当前监测数据对应的当前位置。若当前监测数据包括的多个参数包括：制冷量、能效比、噪音和制热量，则当前监测数据对应的当前位置可以为坐标（当前时刻采集的制冷量对应的归一化数值，当前时刻采集的能效比对应的归一化数值，当前时刻采集的噪音对应的归一化数值，当前时刻采集的制热量对应的归一化数值）。
第二步，连接上述当前位置与上述聚集位置，得到上述当前监测数据和上述历史聚类簇之间的参考线段。
例如，当前监测数据和第个历史聚类簇之间的参考线段可以是：连接当前位置与第/>个历史聚类簇对应的聚集位置得到的线段。
第三步，将上述历史聚类簇中的每个历史监测数据对应的目标位置与上述参考线段之间的垂线，确定为上述历史监测数据对应的目标垂线。
第四步，从上述历史聚类簇中筛选出目标垂线与上述参考线段相交的历史监测数据，作为参考监测数据，得到上述当前监测数据和上述历史聚类簇之间的参考监测数据集合。
第五步，连接上述聚集位置与上述参考监测数据集合中的每个参考监测数据对应的目标位置，得到上述参考监测数据对应的目标线段。
第六步，根据上述参考线段和上述参考监测数据集合中的各个参考监测数据对应的目标线段，确定上述当前监测数据和上述历史聚类簇之间的第一从属指标。
例如，根据上述参考线段和上述参考监测数据集合中的各个参考监测数据对应的目标线段，确定上述当前监测数据和上述历史聚类簇之间的第一从属指标可以包括以下子步骤：
第一子步骤，将上述参考监测数据集合中的每个参考监测数据对应的目标线段，在上述参考线段上的投影，确定为上述参考监测数据对应的目标投影。
第二子步骤，根据上述参考监测数据集合中的各个参考监测数据对应的目标投影，确定上述当前监测数据和上述历史聚类簇之间的第一从属指标。
其中，目标投影可以与第一从属指标呈正相关。
第七步，将上述参考监测数据集合中参考监测数据的数量，在上述历史聚类簇中历史监测数据的数量中的占比，确定为上述当前监测数据和上述历史聚类簇之间的第二从属指标。
第八步，根据上述第一从属指标和上述第二从属指标，确定上述当前监测数据和上述历史聚类簇之间的从属相似指标。
其中，第一从属指标和第二从属指标均可以与从属相似指标呈正相关。
例如，确定当前监测数据和历史聚类簇之间的从属相似指标对应的公式可以为：
其中，是当前监测数据和历史聚类簇集合中第/>个历史聚类簇之间的从属相似指标。/>是第/>个历史聚类簇中历史监测数据的数量。/>是当前监测数据和第/>个历史聚类簇之间的参考监测数据集合中参考监测数据的数量。/>是当前监测数据和第个历史聚类簇之间的参考监测数据集合中，第/>个参考监测数据对应的目标投影。/>是当前监测数据和第/>个历史聚类簇之间的参考监测数据集合中，第/>个参考监测数据对应的目标线段的距离。/>是当前监测数据和第/>个历史聚类簇之间的参考监测数据集合中，第/>个参考监测数据对应的目标线段与第一线段之间的夹角，其中，第一线段是当前监测数据和第/>个历史聚类簇之间的参考线段。/>是/>的余弦。/>是当前监测数据和第/>个历史聚类簇之间的第一从属指标。/>与/>呈正相关。/>是当前监测数据和第/>个历史聚类簇之间的第二从属指标。/>和/>均与/>呈正相关。/>是历史聚类簇集合中历史聚类簇的序号。/>是当前监测数据和第/>个历史聚类簇之间的参考监测数据集合中参考监测数据的序号。
需要说明的是，当越大时，往往说明第/>个参考监测数据相对于当前监测数据的投影越大，往往说明第/>个参考监测数据与当前监测数据之间的关联性越强。当/>越大时，往往说明与当前监测数据相似的参考监测数据相对越多，往往说明当前监测数据越可能划分至第/>个历史聚类簇。因此，当/>越大时，往往说明当前监测数据对应的设备运行状态与第/>个历史聚类簇对应的设备运行状态越相近，往往说明当前监测数据越应该划分至第/>个历史聚类簇。
步骤S4，根据历史监测数据集合和当前监测数据，确定组成监测数据的每种参数对应的参考价值。
在一些实施例中，可以根据上述历史监测数据集合和上述当前监测数据，确定组成监测数据的每种参数对应的参考价值。
需要说明的是，综合考虑历史监测数据集合和当前监测数据，可以提高组成监测数据的每种参数对应的参考价值确定的准确度。
作为示例，本步骤可以包括以下步骤：
第一步，根据历史监测数据对应的采集时间，从上述当前监测数据和上述历史监测数据集合组成的集合中筛选出候选监测数据集合。
其中，当前监测数据和历史监测数据集合组成的集合可以包括：当前监测数据和该历史监测数据集合。
例如，可以从当前监测数据和历史监测数据集合组成的集合中筛选出与当前时刻最近的预设数目个监测数据，并将这预设数目个监测数据组成的集合作为候选监测数据集合。其中，预设数目可以是预先设置的数目。比如，预设数目可以是30。
比如，若预设数目为3，当前时刻为2023年07月04日14时00分04秒，历史监测数据集合包括：第一历史监测数据、第二历史监测数据和第三历史监测数据，当前监测数据对应的采集时间为2023年07月04日14时00分04秒，第三历史监测数据对应的采集时间为2023年07月04日14时00分03秒，第二历史监测数据对应的采集时间为2023年07月04日14时00分02秒，第一历史监测数据对应的采集时间为2023年07月04日14时00分01秒，则候选监测数据集合可以包括：第二历史监测数据、第三历史监测数据和当前监测数据。
第二步，将上述候选监测数据集合中的每个候选监测数据包括的上述参数对应的归一化数值，确定为上述候选监测数据包括的上述参数对应的目标参数值，得到上述参数对应的目标参数值集合。
其中，某个参数对应的目标参数值集合可以包括：所有候选监测数据包括的该参数对应的目标参数值。
例如，若某个参数是速度，则候选监测数据包括的速度对应的目标参数值可以为该候选监测数据包括的速度对应的归一化数值。速度对应的目标参数值集合可以包括：所有候选监测数据包括的速度对应的目标参数值。
第三步，将上述目标参数值集合中所有目标参数值的均值，确定为上述参数对应的代表参数值。
第四步，将上述候选监测数据集合中的每个候选监测数据包括的上述参数对应的目标参数值与上述代表参数值的差值的绝对值，确定为上述候选监测数据包括的上述参数对应的参数差异指标。
第五步，将当前时间与上述候选监测数据集合中的每个候选监测数据对应的采集时间之间的差值，确定为上述候选监测数据对应的时间跨度。
第六步，根据上述候选监测数据集合中的各个候选监测数据包括的上述参数对应的参数差异指标和各个候选监测数据对应的时间跨度，确定上述参数对应的参考价值。
其中，时间跨度和参数差异指标均可以参考价值呈负相关。
例如，确定组成监测数据的每种参数对应的参考价值对应的公式可以为：
其中，是组成监测数据的第/>种参数对应的参考价值。/>是候选监测数据集合中候选监测数据的数量。/>是组成候选监测数据集合中第/>个候选监测数据包括的第/>种参数对应的第一价值指标。/>是自然常数的/>次方。/>是的绝对值，也就是组成候选监测数据集合中第/>个候选监测数据包括的第/>种参数对应的参数差异指标。/>是组成候选监测数据集合中第/>个候选监测数据包括的第/>种参数对应的归一化数值，也就是第/>个候选监测数据包括的第/>种参数对应的目标参数值。组成候选监测数据集合中的各个候选监测数据包括的第/>种参数是同一种参数。/>是组成监测数据的第/>种参数对应的代表参数值；也就是组成候选监测数据集合中所有候选监测数据包括的第/>种参数对应的归一化数值的均值；也就是第/>种参数对应的目标参数值集合中所有目标参数值的均值。/>是第/>个候选监测数据对应的时间跨度，也就是当前时间与第/>个候选监测数据对应的采集时间之间的差值。/>是/>的平方。/>和/>均可以与/>呈负相关。/>是组成监测数据的参数的序号。/>是候选监测数据集合中候选监测数据的序号。/>的取值范围可以为[0.5，1]。
需要说明的是，当越大时，往往说明第/>个候选监测数据包括的第/>种参数对应的归一化数值的波动越大。当/>越小时，往往说明第/>个候选监测数据对应的采集时间越接近当前时刻，往往说明第/>个候选监测数据与当前监测数据之间的时间跨度越小，往往说明第/>个候选监测数据对于当前监测数据的敏感度越高，往往说明第/>个候选监测数据对于当前监测数据的可信度越高。因此，当/>越小时，往往说明各个候选监测数据包括的第/>种参数对应的归一化数值的波动程度越大，往往说明各个候选监测数据包括的第/>种参数对应的归一化数值的变化越紊乱，往往说明第/>种参数对应的归一化数值越不稳定，往往说明第/>种参数相对于当前监测数据的参考价值越低。
步骤S5，根据每个历史聚类簇对应的离散分布指标、当前监测数据和历史聚类簇之间的从属相似指标、组成监测数据的各种参数对应的参考价值、历史聚类簇和当前监测数据，确定当前监测数据和历史聚类簇之间的目标隶属度。
在一些实施例中，可以根据每个历史聚类簇对应的离散分布指标、上述当前监测数据和上述历史聚类簇之间的从属相似指标、组成监测数据的各种参数对应的参考价值、上述历史聚类簇和上述当前监测数据，确定上述当前监测数据和上述历史聚类簇之间的目标隶属度。
需要说明的是，综合考虑每个历史聚类簇对应的离散分布指标、当前监测数据和每个历史聚类簇之间的从属相似指标、组成监测数据的各种参数对应的参考价值、每个历史聚类簇和当前监测数据，可以提高目标隶属度确定的准确度。
作为示例，本步骤可以包括以下步骤：
第一步，根据上述离散分布指标和上述从属相似指标，确定上述当前监测数据和上述历史聚类簇之间的第一隶属度。
其中，上述离散分布指标可以与上述第一隶属度呈负相关。上述从属相似指标可以与上述第一隶属度呈正相关。
第二步，根据组成监测数据的每种参数对应的参考价值、上述历史聚类簇中的每个历史监测数据包括的上述参数对应的归一化数值和上述当前监测数据包括的上述参数对应的归一化数值，确定上述当前监测数据和上述历史监测数据在上述参数对应的第二隶属度。
例如，根据组成监测数据的每种参数对应的参考价值、上述历史聚类簇中的每个历史监测数据包括的上述参数对应的归一化数值和上述当前监测数据包括的上述参数对应的归一化数值，确定上述当前监测数据和上述历史监测数据在上述参数对应的第二隶属度可以包括以下子步骤：
第一子步骤，将上述历史监测数据包括的上述参数对应的归一化数值和上述当前监测数据包括的上述参数对应的归一化数值的差值的绝对值，确定为上述当前监测数据和上述历史监测数据在上述参数对应的数据差异。
第二子步骤，根据组成监测数据的上述参数对应的参考价值和上述数据差异，确定上述当前监测数据和上述历史监测数据在上述参数对应的第二隶属度。
其中，参考价值可以与第二隶属度呈正相关。数据差异可以与第二隶属度呈负相关。
第三步，根据上述当前监测数据和上述历史聚类簇中的各个历史监测数据在各个参数对应的第二隶属度，确定上述当前监测数据和上述历史聚类簇之间的第三隶属度。
其中，第二隶属度可以与第三隶属度呈正相关。
第四步，根据上述第一隶属度和上述第三隶属度，确定上述当前监测数据和上述历史聚类簇之间的目标隶属度。
其中，第一隶属度和第三隶属度均可以与目标隶属度呈正相关。
例如，确定当前监测数据和历史聚类簇之间的目标隶属度对应的公式可以为：
其中，是当前监测数据和历史聚类簇集合中第m个历史聚类簇之间的目标隶属度。/>是第/>个历史聚类簇对应的离散分布指标。/>是当前监测数据和第/>个历史聚类簇之间的从属相似指标。/>是当前监测数据和第/>个历史聚类簇之间的第三隶属度。/>是第/>个历史聚类簇中历史监测数据的数量。/>是组成监测数据的参数的总数。是当前监测数据和第/>个历史聚类簇中第/>个历史监测数据在组成监测数据的第种参数对应的数据差异，也就是当前监测数据包括的第/>种参数对应的归一化数值与第个历史监测数据包括的第/>种参数对应的归一化数值的差值的绝对值。/>是组成监测数据的第/>种参数对应的参考价值。/>是自然常数的/>次方。/>是自然常数的/>次方。/>是当前监测数据和第/>个历史聚类簇中第/>个历史监测数据在组成监测数据的第/>种参数对应的第二隶属度。/>与呈负相关。/>与/>呈正相关。/>是当前监测数据和第/>个历史聚类簇之间的第一隶属度。/>与/>呈负相关。/>与/>呈正相关。/>与/>呈正相关。和/>均与/>呈正相关。/>是历史聚类簇集合中历史聚类簇的序号。/>是第/>个历史聚类簇中历史监测数据的序号。/>是组成监测数据的参数的序号。
需要说明的是，当越大时，往往说明第i种参数相对于当前监测数据的参考价值越高。当/>越小时，往往说明当前监测数据和第/>个历史聚类簇中第/>个历史监测数据在组成监测数据的第i种参数对应数值越相近。所以当/>越大时，往往说明当前监测数据对应的设备运行状态与第/>个历史聚类簇对应的设备运行状态越相近，往往说明当前监测数据越应该划分至第/>个历史聚类簇。当/>越大时，往往说明当前监测数据越应该划分至第/>个历史聚类簇。当/>越大时，往往说明第/>个历史聚类簇中的各个历史监测数据对应的目标位置越混乱，往往说明第/>个历史聚类簇中的各个历史监测数据之间的相似度越低，往往说明第/>个历史聚类簇的聚类效果越不好，当前监测数据越不应该划分至第个历史聚类簇。因此，当/>越大时，往往说明当前监测数据越应该划分至第/>个历史聚类簇。
步骤S6，根据当前监测数据和历史聚类簇集合中的各个历史聚类簇之间的目标隶属度，对当前监测数据和历史聚类簇集合进行分类，得到目标聚类簇集合，以实现数据采集的优化。
在一些实施例中，可以根据上述当前监测数据和上述历史聚类簇集合中的各个历史聚类簇之间的目标隶属度，对上述当前监测数据和上述历史聚类簇集合进行分类，得到目标聚类簇集合，以实现数据采集的优化。
需要说明的是，综合考虑当前监测数据和历史聚类簇集合中的各个历史聚类簇之间的目标隶属度，对当前监测数据和历史聚类簇集合进行分类，可以得到每个监测数据所属的目标聚类簇。即可以在数据采集过程中实现对当前监测数据的状态划分，可以使后续对工程进行管理和优化时，不需再对当前监测数据进行状态划分，可以提高后续对工程进行管理和优化的效率，因此本发明实现了对数据采集的优化。
作为示例，本步骤可以包括以下步骤：
第一步，从上述历史聚类簇集合中筛选出目标隶属度最大的历史聚类簇，作为候选聚类簇。
第二步，将上述历史聚类簇集合中除了上述候选聚类簇之外的历史聚类簇，确定为目标聚类簇。
第三步，将上述当前监测数据添加至上述候选聚类簇，将添加后的候选聚类簇，确定为目标聚类簇。
第四步，将得到的所有的目标聚类簇，组成目标聚类簇集合。
需要说明的是，一般情况下，当前监测数据往往会属于某个历史聚类簇，因此可以直接将当前监测数据划分到最大的目标隶属度对应的历史聚类簇。然而，当前监测数据也可能会与各个历史聚类簇均不相似，此时当前监测数据可能不属于任意一个历史聚类簇，此时可以将当前监测数据标记为离散点，即若所有目标隶属度中最大的目标隶属度小于预先设置的隶属度阈值，则将当前监测数据标记为离散点。其中，隶属度阈值可以是预先设置的阈值。例如，隶属度阈值可以是0.5。当最大的目标隶属度大于或等于隶属度阈值时，可以按照步骤S6包括的作为示例进行处理。
综上，本发明量化了当前监测数据和历史聚类簇集合中的各个历史聚类簇之间的目标隶属度，对当前监测数据和历史聚类簇集合进行分类，可以得到每个监测数据所属的目标聚类簇，即可以在数据采集过程中实现对当前监测数据的状态划分，可以使后续对工程进行管理和优化时，不需再对当前监测数据进行状态划分，可以提高后续对工程进行管理和优化的效率，并且确定目标聚类簇集合，可以便于后续的分析处理，因此本发明实现了对数据采集的优化。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于数字孪生的智能工厂数据优化采集方法，其特征在于，包括以下步骤：
获取用于数字孪生的目标工厂设备对应的历史监测数据集合、当前监测数据以及所述历史监测数据集合对应的历史聚类簇集合；
对所述历史聚类簇集合中的每个历史聚类簇进行离散分析处理，得到所述历史聚类簇对应的离散分布指标；
确定所述当前监测数据和每个历史聚类簇之间的从属相似指标；
根据所述历史监测数据集合和所述当前监测数据，确定组成监测数据的每种参数对应的参考价值；
根据每个历史聚类簇对应的离散分布指标、所述当前监测数据和所述历史聚类簇之间的从属相似指标、组成监测数据的各种参数对应的参考价值、所述历史聚类簇和所述当前监测数据，确定所述当前监测数据和所述历史聚类簇之间的目标隶属度；
根据所述当前监测数据和所述历史聚类簇集合中的各个历史聚类簇之间的目标隶属度，对所述当前监测数据和所述历史聚类簇集合进行分类，得到目标聚类簇集合，以实现数据采集的优化。
2.根据权利要求1所述的一种基于数字孪生的智能工厂数据优化采集方法，其特征在于，所述对所述历史聚类簇集合中的每个历史聚类簇进行离散分析处理，得到所述历史聚类簇对应的离散分布指标，包括：
根据每个历史监测数据包括的各种参数对应的归一化数值，确定所述历史监测数据对应的目标位置；
根据历史监测数据对应的目标位置，从所述历史聚类簇中筛选出核心监测数据集合，其中，核心监测数据对应的预设半径所围成范围内历史监测数据的数量大于预设数量；
根据所述核心监测数据集合中的各个核心监测数据对应的目标位置，确定所述历史聚类簇对应的聚集位置；
将所述历史聚类簇中的每个历史监测数据对应的目标位置与所述聚集位置之间的距离，作为所述历史监测数据对应的目标距离，得到所述历史聚类簇对应的目标距离集合；
将所述历史聚类簇对应的目标距离集合中所有目标距离的标准差，确定为所述历史聚类簇对应的离散分布指标。
3.根据权利要求2所述的一种基于数字孪生的智能工厂数据优化采集方法，其特征在于，所述确定所述当前监测数据和每个历史聚类簇之间的从属相似指标，包括：
根据所述当前监测数据包括的各种参数对应的归一化数值，确定所述当前监测数据对应的当前位置；
连接所述当前位置与所述聚集位置，得到所述当前监测数据和所述历史聚类簇之间的参考线段；
将所述历史聚类簇中的每个历史监测数据对应的目标位置与所述参考线段之间的垂线，确定为所述历史监测数据对应的目标垂线；
从所述历史聚类簇中筛选出目标垂线与所述参考线段相交的历史监测数据，作为参考监测数据，得到所述当前监测数据和所述历史聚类簇之间的参考监测数据集合；
连接所述聚集位置与所述参考监测数据集合中的每个参考监测数据对应的目标位置，得到所述参考监测数据对应的目标线段；
根据所述参考线段和所述参考监测数据集合中的各个参考监测数据对应的目标线段，确定所述当前监测数据和所述历史聚类簇之间的第一从属指标；
将所述参考监测数据集合中参考监测数据的数量，在所述历史聚类簇中历史监测数据的数量中的占比，确定为所述当前监测数据和所述历史聚类簇之间的第二从属指标；
根据所述第一从属指标和所述第二从属指标，确定所述当前监测数据和所述历史聚类簇之间的从属相似指标，其中，第一从属指标和第二从属指标均与从属相似指标呈正相关。
4.根据权利要求3所述的一种基于数字孪生的智能工厂数据优化采集方法，其特征在于，所述根据所述参考线段和所述参考监测数据集合中的各个参考监测数据对应的目标线段，确定所述当前监测数据和所述历史聚类簇之间的第一从属指标，包括：
将所述参考监测数据集合中的每个参考监测数据对应的目标线段，在所述参考线段上的投影，确定为所述参考监测数据对应的目标投影；
根据所述参考监测数据集合中的各个参考监测数据对应的目标投影，确定所述当前监测数据和所述历史聚类簇之间的第一从属指标，其中，目标投影与第一从属指标呈正相关。
5.根据权利要求1所述的一种基于数字孪生的智能工厂数据优化采集方法，其特征在于，所述根据所述历史监测数据集合和所述当前监测数据，确定组成监测数据的每种参数对应的参考价值，包括：
根据历史监测数据对应的采集时间，从所述当前监测数据和所述历史监测数据集合组成的集合中筛选出候选监测数据集合；
将所述候选监测数据集合中的每个候选监测数据包括的所述参数对应的归一化数值，确定为所述候选监测数据包括的所述参数对应的目标参数值，得到所述参数对应的目标参数值集合；
将所述目标参数值集合中所有目标参数值的均值，确定为所述参数对应的代表参数值；
将所述候选监测数据集合中的每个候选监测数据包括的所述参数对应的目标参数值与所述代表参数值的差值的绝对值，确定为所述候选监测数据包括的所述参数对应的参数差异指标；
将当前时间与所述候选监测数据集合中的每个候选监测数据对应的采集时间之间的差值，确定为所述候选监测数据对应的时间跨度；
根据所述候选监测数据集合中的各个候选监测数据包括的所述参数对应的参数差异指标和各个候选监测数据对应的时间跨度，确定所述参数对应的参考价值，其中，时间跨度和参数差异指标均与参考价值呈负相关。
6.根据权利要求1所述的一种基于数字孪生的智能工厂数据优化采集方法，其特征在于，所述确定所述当前监测数据和所述历史聚类簇之间的目标隶属度，包括：
根据所述离散分布指标和所述从属相似指标，确定所述当前监测数据和所述历史聚类簇之间的第一隶属度，其中，所述离散分布指标与所述第一隶属度呈负相关，所述从属相似指标与所述第一隶属度呈正相关；
根据组成监测数据的每种参数对应的参考价值、所述历史聚类簇中的每个历史监测数据包括的所述参数对应的归一化数值和所述当前监测数据包括的所述参数对应的归一化数值，确定所述当前监测数据和所述历史监测数据在所述参数对应的第二隶属度；
根据所述当前监测数据和所述历史聚类簇中的各个历史监测数据在各个参数对应的第二隶属度，确定所述当前监测数据和所述历史聚类簇之间的第三隶属度，其中，第二隶属度与第三隶属度呈正相关；
根据所述第一隶属度和所述第三隶属度，确定所述当前监测数据和所述历史聚类簇之间的目标隶属度，其中，第一隶属度和第三隶属度均与目标隶属度呈正相关。
7.根据权利要求6所述的一种基于数字孪生的智能工厂数据优化采集方法，其特征在于，所述根据组成监测数据的每种参数对应的参考价值、所述历史聚类簇中的每个历史监测数据包括的所述参数对应的归一化数值和所述当前监测数据包括的所述参数对应的归一化数值，确定所述当前监测数据和所述历史监测数据在所述参数对应的第二隶属度，包括：
将所述历史监测数据包括的所述参数对应的归一化数值和所述当前监测数据包括的所述参数对应的归一化数值的差值的绝对值，确定为所述当前监测数据和所述历史监测数据在所述参数对应的数据差异；
根据组成监测数据的所述参数对应的参考价值和所述数据差异，确定所述当前监测数据和所述历史监测数据在所述参数对应的第二隶属度，其中，参考价值与第二隶属度呈正相关，数据差异与第二隶属度呈负相关。
8.根据权利要求1所述的一种基于数字孪生的智能工厂数据优化采集方法，其特征在于，所述根据所述当前监测数据和所述历史聚类簇集合中的各个历史聚类簇之间的目标隶属度，对所述当前监测数据和所述历史聚类簇集合进行分类，得到目标聚类簇集合，包括：
从所述历史聚类簇集合中筛选出目标隶属度最大的历史聚类簇，作为候选聚类簇；
将所述历史聚类簇集合中除了所述候选聚类簇之外的历史聚类簇，确定为目标聚类簇；
将所述当前监测数据添加至所述候选聚类簇，将添加后的候选聚类簇，确定为目标聚类簇；
将得到的所有的目标聚类簇，组成目标聚类簇集合。
CN202310860529.XA 2023-07-14 2023-07-14 基于数字孪生的智能工厂数据优化采集方法 Active CN116578890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310860529.XA CN116578890B (zh) 2023-07-14 2023-07-14 基于数字孪生的智能工厂数据优化采集方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310860529.XA CN116578890B (zh) 2023-07-14 2023-07-14 基于数字孪生的智能工厂数据优化采集方法

Publications (2)

Publication Number Publication Date
CN116578890A true CN116578890A (zh) 2023-08-11
CN116578890B CN116578890B (zh) 2023-09-01

Family

ID=87536439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310860529.XA Active CN116578890B (zh) 2023-07-14 2023-07-14 基于数字孪生的智能工厂数据优化采集方法

Country Status (1)

Country Link
CN (1) CN116578890B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195028A (zh) * 2023-11-07 2023-12-08 江苏新希望生态科技有限公司 一种芽苗菜种子萌发预测方法
CN117609813A (zh) * 2024-01-23 2024-02-27 山东第一医科大学附属省立医院(山东省立医院) 一种重症患者监护数据智能管理方法
CN117540327B (zh) * 2024-01-09 2024-04-02 中山市环境保护技术中心 一种企业环境自主管理数据采集处理系统
CN118014312A (zh) * 2024-04-08 2024-05-10 西安思坦仪器股份有限公司 一种波码智能分注井井下分层流量的有效调配方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598148A (zh) * 2020-04-29 2020-08-28 中国电子科技集团公司第二十八研究所 一种基于历史容量相似特征的容量评估方法及设备
WO2020233320A1 (zh) * 2019-05-20 2020-11-26 深圳壹账通智能科技有限公司 提醒任务分配方法、装置、计算机设备和存储介质
CN115828145A (zh) * 2023-02-09 2023-03-21 深圳市仕瑞达自动化设备有限公司 一种电子设备的在线监测方法、系统及介质
CN116154972A (zh) * 2023-04-21 2023-05-23 新风光电子科技股份有限公司 一种分布式电网电能质量监测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020233320A1 (zh) * 2019-05-20 2020-11-26 深圳壹账通智能科技有限公司 提醒任务分配方法、装置、计算机设备和存储介质
CN111598148A (zh) * 2020-04-29 2020-08-28 中国电子科技集团公司第二十八研究所 一种基于历史容量相似特征的容量评估方法及设备
CN115828145A (zh) * 2023-02-09 2023-03-21 深圳市仕瑞达自动化设备有限公司 一种电子设备的在线监测方法、系统及介质
CN116154972A (zh) * 2023-04-21 2023-05-23 新风光电子科技股份有限公司 一种分布式电网电能质量监测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宁鹏飞;万幼;沈怡然;任福;: "基于签到数据的城市热点功能区识别研究", 测绘地理信息, no. 02 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195028A (zh) * 2023-11-07 2023-12-08 江苏新希望生态科技有限公司 一种芽苗菜种子萌发预测方法
CN117195028B (zh) * 2023-11-07 2024-01-26 江苏新希望生态科技有限公司 一种芽苗菜种子萌发预测方法
CN117540327B (zh) * 2024-01-09 2024-04-02 中山市环境保护技术中心 一种企业环境自主管理数据采集处理系统
CN117609813A (zh) * 2024-01-23 2024-02-27 山东第一医科大学附属省立医院(山东省立医院) 一种重症患者监护数据智能管理方法
CN117609813B (zh) * 2024-01-23 2024-04-23 山东第一医科大学附属省立医院(山东省立医院) 一种重症患者监护数据智能管理方法
CN118014312A (zh) * 2024-04-08 2024-05-10 西安思坦仪器股份有限公司 一种波码智能分注井井下分层流量的有效调配方法

Also Published As

Publication number Publication date
CN116578890B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN116578890B (zh) 基于数字孪生的智能工厂数据优化采集方法
Li et al. Classification of energy consumption in buildings with outlier detection
Fan et al. A framework for knowledge discovery in massive building automation data and its application in building diagnostics
Lei et al. A dynamic anomaly detection method of building energy consumption based on data mining technology
CN111324642A (zh) 一种面向电网大数据分析的模型算法选型与评价方法
CN112381181B (zh) 一种建筑能耗异常的动态检测方法
CN108985380B (zh) 一种基于聚类集成的转辙机故障识别方法
GB2585890A (en) System for distributed data processing using clustering
CN116976707B (zh) 基于用电信息采集的用户用电数据异常分析方法及系统
CN105871634A (zh) 检测集群异常的方法及应用、管理集群的系统
CN107423746B (zh) 基于聚类分析的电力线通信用电量数据分析方法及系统
Du Toit et al. Customer segmentation using unsupervised learning on daily energy load profiles
CN116660759B (zh) 基于bms电池管理系统的电池寿命预测方法及装置
CN111784379B (zh) 追缴电费的估算方法、装置和异常案例的筛选方法、装置
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN114722098A (zh) 一种基于正态云模型和密度聚类算法的典型负荷曲线辨识方法
Fan et al. Research and applications of data mining techniques for improving building operational performance
CN109976986B (zh) 异常设备的检测方法及装置
CN113780354A (zh) 调度自动化主站系统遥测数据异常识别方法和装置
CN115935212A (zh) 一种基于纵向趋势预测的可调节负荷聚类方法及系统
CN115081533A (zh) 基于两级聚类和mgru-at的客户侧负荷预测方法与系统
CN113723671A (zh) 一种基于用电情况大数据的数据聚类分析方法
CN117930669B (zh) 基于物联网的智能家居远程控制方法
CN118503894B (zh) 基于工序指标数据分析的锂电池质量检测系统
CN118365139B (zh) 风险态势感知方法、系统、设备和介质

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