CN116629136A - 数字孪生模型的更新方法、装置、设备及存储介质 - Google Patents
数字孪生模型的更新方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116629136A CN116629136A CN202310669136.0A CN202310669136A CN116629136A CN 116629136 A CN116629136 A CN 116629136A CN 202310669136 A CN202310669136 A CN 202310669136A CN 116629136 A CN116629136 A CN 116629136A
- Authority
- CN
- China
- Prior art keywords
- model
- digital twin
- task
- data
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 239000000463 material Substances 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 description 14
- 230000005856 abnormality Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 101100077717 Mus musculus Morn2 gene Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开一种数字孪生模型的更新方法、装置、设备及存储介质,涉及数字孪生技术领域,能够提高数字孪生模型更新效率。具体方案包括:获取数字孪生任务的传感数据和非传感数据,其中,数字孪生任务包括:对目标设备进行故障检测,传感数据包括:目标设备的裂缝数据、坑点数据和振动数据,非传感数据包括:目标设备的材料、目标设备的尺寸和目标设备的运行工况;利用传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练,得到更新后的第一模型;利用非传感数据并基于增量学习方法对当前数字孪生模型进行训练,得到更新后的第二模型;将第一模型和第二模型缓存至预设的模型池中,并调用模型池中更新完成的最新模型执行数字孪生任务。
Description
技术领域
本申请涉及数字孪生技术领域,尤其涉及一种数字孪生模型的更新方法、装置、设备及存储介质。
背景技术
数字孪生是充分利用物理模型、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。数字孪生是一种超越现实的概念,可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。数字孪生是个普遍适应的理论技术体系,可以在众多领域应用,在产品设计、产品制造、医学分析、工程建设等领域应用较多。其中数字孪生模型构建是实现数字孪生落地应用的前提。
目前的数字孪生模型的更新通常是遵循数据处理-模型更新-结果计算的串行更新思路,例如,在应用于对数控机场进行预测维护时,通过对数控机床的即时传感数据进行特征提取后输入至分类网络和回归网络中对数控机床的诊断和预测模型进行参数调整实现模型更新迭代,并利用更新后的模型预测和诊断数控机床的故障。但这种方法模型更新周期长,所需数据多,无法有效满足数字孪生任务处理的时效性。
发明内容
本申请提供了一种数字孪生模型的更新方法、装置、设备及存储介质,能够提高数字孪生模型更新效率,同时可以提高数字孪生任务处理的时效性。
为达到上述目的,本申请采用如下技术方案:
本申请实施例提供了一种数字孪生模型的更新方法,该方法包括:
本申请实施例第一方面,提供了一种数字孪生模型的更新方法,该方法包括:
获取数字孪生任务的传感数据和非传感数据,其中,数字孪生任务包括:对目标设备进行故障检测,传感数据包括:目标设备的裂缝数据、坑点数据和振动数据,非传感数据包括:目标设备的材料、目标设备的尺寸和目标设备的运行工况;
利用传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练,得到更新后的第一模型,当前数字孪生模型用于执行数字孪生任务;
利用非传感数据并基于增量学习方法对当前数字孪生模型进行训练,得到更新后的第二模型;
将第一模型和第二模型缓存至预设的模型池中,并在预设条件下,调用模型池中更新完成的最新模型执行数字孪生任务。
在一种可能的实现方式中,利用传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练,包括:
开设第一线程,并在第一线程中利用传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练;
利用非传感数据并基于增量学习方法对当前数字孪生模型进行训练,包括:
开设第二线程,并在第二线程中利用非传感器数据并基于增量学习方法对当前数字孪生模型进行训练。
在一种可能的实现方式中,开设第二线程之后,方法还包括:
开设第三线程,并利用所述第三线程实时监听所述第一线程和所述第二线程是否完成,并根据所述第一线程和所述第二线程完成的先后顺序,确定所述第一线程训练得到的第一模型和所述第二线程训练得到的第二模型的优先级。
在一种可能的实现方式中,将第一模型和第二模型存储于预设的模型池,包括:
针对第二模型,将第二模型直接存储于预设的模型池中;
针对第一模型,将第一模型与模型池中的目标模型进行比较,若第一模型的模型精度大于目标模型的模型精度,则将第一模型存储于模型池中,目标模型为模型池中模型精度最大的模型。
在一种可能的实现方式中,模型池中包括多个缓存模型,缓存模型为第一模型或第二模型,方法还包括:
获取数字孪生任务的最大延迟时间和数字孪生任务的实际计算用时;
根据延迟时间和实际计算用时确定延迟阈值;
根据延迟阈值和各缓存模型的计算用时,将模型池中计算用时大于延迟阈值的目标缓存模型进行移除。
在一种可能的实现方式中,获取数字孪生任务的最大延迟时间,包括:
获取数字孪生任务的多个实时性因子,实时性因子用于指示数字孪生任务在不同阶段的实时性;
获取数字孪生任务的数据异常因子,所述数据异常因子用于指示所述数字孪生任务周期间异常状态;
获取数字孪生任务的单位计算时间,单位计算时间用于指示数字孪生任务约束最小时的阈值;
根据多个实时性因子,数据异常因子和单位计算时间确定数字孪生任务的最大延迟时间。
在一种可能的实现方式中,获取数字孪生任务的实际计算用时,包括:
获取数字孪生任务的单位优化时间和单位计算时间,单位优化时间和单位计算时间是根据数字孪生任务对应的模型的类型和模型复杂度确定的;
获取影响模型缓存和模型调用的影响因子、模型T时刻的第一数据量和模型内部优化和计算的第二数据量;
根据的单位优化时间、单位计算时间、影响因子、第一数据量和第二数据量,确定数字孪生任务的实际计算用时。
本申请实施例第二方面,提供了一种数字孪生模型的更新装置,该装置包括:
获取模块,用于在预设时间段下,获取数字孪生任务的传感数据和非传感数据,其中,数字孪生任务包括:对目标设备进行故障检测,传感数据包括:目标设备的裂缝数据、坑点数据和振动数据,非传感数据包括:目标设备的材料、目标设备的尺寸和目标设备的运行工况;
第一处理模块,用于利用传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练,得到更新后的第一模型,当前数字孪生模型用于执行数字孪生任务;
第二处理模块,用于利用非传感数据并基于增量学习方法对当前数字孪生模型进行训练,得到更新后的第二模型;
缓存模块,用于将第一模型和第二模型缓存至预设的模型池中;
调用模块,用于在预设条件下,调用模型池中更新完成的最新模型执行数字孪生任务。
本申请实施例第三方面,提供了一种电子设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时实现本申请实施例第一方面中的数字孪生模型的更新方法。
本申请实施例第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请实施例第一方面的数字孪生模型的更新方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例提供的数字孪生模型的更新方法,通过获取数字孪生任务的传感数据和非传感数据,其中,数字孪生任务包括:对目标设备进行故障检测,传感数据包括:目标设备的裂缝数据、坑点数据和振动数据,非传感数据包括:目标设备的材料、目标设备的尺寸和目标设备的运行工况,然后利用传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练,得到更新后的第一模型,当前数字孪生模型用于执行数字孪生任务,以及利用非传感数据并基于增量学习方法对当前数字孪生模型进行训练,得到更新后的第二模型,最后将第一模型和第二模型存储于预设的模型池中,并在预设条件下,调用模型池中更新完成的最新模型执行数字孪生任务。本申请实施例提供的数字孪生模型的更新方法,采用增量学习方式可以提高孪生模型的更新效率,采用模型缓存思路实现满足孪生时间约束的延迟调用,缩短了孪生模型的更新演化及调用周期,进而可以提高数字孪生任务处理的时效性。
附图说明
图1为本申请实施例提供的一种数字孪生模型的更新方法的流程图;
图2为本申请实施例提供的一种数字孪生模型的更新装置的结构图;
图3为本申请实施例提供的一种电子设备的内部结构示意图。
具体实施方式
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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作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。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
另外,“基于”或“根据”的使用意味着开放和包容性,因为“基于”或“根据”一个或多个条件或值的过程、步骤、计算或其他动作在实践中可以基于额外条件或超出的值。
本申请实施例提供了一种数字孪生模型的更新方法,如图1所示,该方法包括以下步骤:
步骤101、获取数字孪生任务的传感数据和非传感数据。
其中,数字孪生任务为数字孪生技术相关的任务,该数字孪生任务可以包括:对目标设备进行故障检测,该数字孪生任务还可以包括:产品设计、工程建设或者智能制造等任务,本申请实施例对此不作具体限定。
当数字孪生任务传感数据包括:目标设备的裂缝数据、坑点数据和振动数据,非传感数据包括:目标设备的材料、目标设备的尺寸和目标设备的运行工况。
步骤102、利用传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练,得到更新后的第一模型,当前数字孪生模型用于执行数字孪生任务。
步骤103、利用非传感数据并基于增量学习方法对当前数字孪生模型进行训练,得到更新后的第二模型。
需要说明的是,步骤102和步骤103可以并行执行或先后执行,本申请实施例对此不作具体限定。
可选的,可以通过开设第一线程和开设第二线程,在第一线程中利用传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练,在第二线程中利用非传感器数据并基于增量学习方法对当前数字孪生模型进行训练。
此外,还开设第三线程,并利用所述第三线程实时监听所述第一线程和所述第二线程是否完成,并根据所述第一线程和所述第二线程完成的先后顺序,确定所述第一线程训练得到的第一模型和所述第二线程训练得到的第二模型的优先级。
步骤104、将第一模型和第二模型缓存至预设的模型池中,并在预设条件下,调用模型池中更新完成的最新模型执行数字孪生任务。
在将第一模型和第二模型缓存至预设的模型池中时,针对第二模型,将第二模型直接缓存至预设的模型池中;针对第一模型,将第一模型与模型池中的目标模型进行比较,若第一模型的模型精度大于目标模型的模型精度,则将第一模型缓存至模型池中,目标模型为模型池中模型精度最大的模型。
可选的,模型池中包括多个缓存模型,缓存模型为第一模型或第二模型,方法还包括:
获取数字孪生任务的最大延迟时间和数字孪生任务的实际计算用时,根据延迟时间和实际计算用时确定延迟阈值;
根据延迟阈值和各缓存模型的计算用时,将模型池中计算用时大于延迟阈值的目标缓存模型进行移除。
具体的,获取数字孪生任务的最大延迟时间的过程可以为:
获取数字孪生任务的多个实时性因子,实时性因子用于指示数字孪生任务在不同阶段的实时性;获取数字孪生任务的数据异常因子,数据异常因子用于指示数字孪生任务周期间数据偏差比例;获取数字孪生任务的单位计算时间,单位计算时间用于指示数字孪生任务约束最小时的阈值;
根据多个实时性因子,数据异常因子和单位计算时间确定数字孪生任务的最大延迟时间。
获取数字孪生任务的实际计算用时的过程可以为:
获取数字孪生任务的单位优化时间和单位计算时间,单位优化时间和单位计算时间是根据数字孪生任务对应的模型的类型和模型复杂度确定的;获取影响模型缓存和模型调用的影响因子、模型T时刻的第一数据量和模型内部优化和计算的第二数据量;
根据的单位优化时间、单位计算时间、影响因子、第一数据量和第二数据量,确定数字孪生任务的实际计算用时。
在实际执行过程中,模型缓存用于保留模型更新步骤的模型结果,通过多模型缓存支持模型调用的稳定性与实时性。
由于数字孪生模型的实时性特征,模型缓存的需要根据延迟阈值和各缓存模型的计算用时,将模型池中计算用时大于延迟阈值的目标缓存模型进行移除。
在实际执行过程中,延迟阈值的计算方法如下:
其中,model_delayt为延迟阈值,Ptt(Prospective time)为数字孪生任务的最大延迟时间,Rtt(Real time)为数字孪生任务的实际计算用时。
具体的,tf(Time factor)表示数字孪生任务的多个实时性因子。
数字孪生任务在设计研发,生产制造,运维管理,设备报废的实时性侧重不同。其中,实时因子代表了当前孪生任务的实时性程度。建议划分如下:
df(data factor)--数据异常因子,固定阶段内的随机故障或状态改变会带来实时性要求收紧需求,df反映收紧程度取决于周期间数据偏差比例。
dft=tempt>1?tempt:0
其中,ave_data_misst表示当前周期与上周期间数据偏差率。pre_miss_ratet表示当前周期的预测偏差率。ratet表示当前周期前正常状态下数据的平均变化率,反映目标对象运行噪音或性能退化的正常范围。
time_unit表示单位计算时间time_unit反映实时性约束最松时的实时性阈值。
Rtt表示t时刻任务的实际计算用时。
Moptt(Model optimization)表示单位优化时间,Moptt与模型类型以及模型复杂度相关。模型类型:例如知识规则模型,神经网络模型,信号分析模型,混合模型等构建与计算周期均不同,模型复杂度包括:参数个数与模型结构,不同的模型计算时间不同。
其中,Mcompt表示单位计算时间,受模型类型,模型复杂度影响。
othert表示影响模型缓存及模型在线调用的其他因素,如通信可靠度,模型读写可靠度,通信延迟,模型训练失败等因素带来的时间延迟。datat表示t时刻的数据量。size_unit表示当前模型内部每次优化和计算时使用的数据量。
在将更新后的模型缓存至模型池中后,计算端从模型池读取最新模型对物理世界的传感数据进行分析,并将结果反馈到物理世界用于目标对象的性能优化。首先监听数据更新和模型缓存是否发生(通过设置更新变量slid监听),其次每次运算都选择缓存池中最好的模型,因为在一次计算过程中可能发生了多次模型更新,每次计算前判断可保证每次抽取最新模型,如果上次抽取后模型没有更新,就不进行替换,使用旧模型对新数据进行计算。通过模型缓存再调用可实现容忍范围内的“即时”模型调用,相比于传统构件使用的串行更新思路节省了模型构建时间,大幅度降低结果产生周期,还有效避免单次更新失败后无法计算的意外事件。
此外,本申请还提供了一种具体实施例,本申请以轴承数据集(CWRU)为样本集构建了坑点位置分类的数字孪生模型,该数字孪生模型是一个5层全连接深度神经网络,其中共包含14282个神经元,在基础训练集上迭代50次后孪生体准确率为97%。该模型利用本申请实施例提供的数字孪生模型的更新方法进行了模型更新。
步骤1、模型更新。
步骤1-线程1:模型在线增量学习。当物理世界传感数据上传信息空间后,直接使用新数据在基础模型(已有的数字孪生模型)的基础上对模型参数进行学习与优化。并计算新模型在当前训练集上的准确度,即Model_t_acc(Model accuracy)。步骤1-线程2:非传感数据监听。按周期驱动或数据驱动的方式定期检查专家经验,系统配置等非传感数据的更新。
步骤2、模型缓存判断。
如果Model_t_acc大于等于Model_t-1_acc,则开始计算模型缓存上限。过程如下:1)计算数据异常因子dft,得到新数据后,对比当前数据与历史数据的偏差。在CWRU数据中,故障类型十秒钟变换一次,因此我们假设每个第十秒数据异常因子为90%,即ave_data_miss t=0.9,ave_data_miss(t-1)=0。系统假设数据异常因子的预测值为15%,即pre_miss_ratet=0.15。即可按照公式1计算每个第十秒的数据偏差因子dft=6。
2)分析任务约束因子tft。
故障位置诊断属于设备运维阶段,根据表1可得tft=0.8。
表1全证明周期实时性约束权重建议划分值
阶段 | 设计研发 | 生产制造 | 运维管理 | 设备报废 |
实时因子tf | 0.5 | 1 | 0.8 | 0 |
3)分析任务实时约束与PT计算。
CWRU数据集以48KHZ每秒的采样频率采样,因此time_unit=1000ms。
然后根据公式2计算可得PTt=1000/6.8,因此在每个第十秒的实时约束大约为147.6ms。
4)模型更新与计算的实际需要时间(RT t)
本案例中故障分类的数字孪生模型在960个样本集上迭代训练50次平均用时1500毫秒,该模型在960个样本集上一次推理应用过程平均用时300毫秒。因此size_unitt=960,Mcompt=300,Moptt=1500。忽略传输延迟,即othert=0。此外,CWRU数据集以12KHZ每秒的采样频率采样,因此每批次数据量datat=48000。基于以上信息,即可按照公式3计算RTt=90000ms。
5)最大延迟上限
由于将模型更新与模型应用分离,因此演化过程只需考虑模型计算过程即可。因此依据公式4可得,在每个第十秒发生故障类型切换时,最多缓存最近模型延迟(Model_delayt)=24.6个模型即可满足需求。
6)以模型延迟上限为依据,保留最近的Model_delay-1个模型,并将本次更新的模型存入其中。
步骤3、模型在线调用
从物理世界和数字孪生空间分别得到最新数据和最准模型,然后开始在线计算。如果模型缓存没有新模型加入,则继续沿用当前模型即可。最后的计算结果即轴承故障诊断的在线数字孪生结果。
本申请实施例提供的数字孪生模型的更新方法,采用增量学习方式可以提高孪生模型的更新效率,采用模型缓存思路实现满足孪生时间约束的延迟调用,缩短了孪生模型的更新演化及调用周期,进而可以提高数字孪生任务处理的时效性。最后基于实时性需求和实际计算时间的计算控制模型缓存的数量,满足数字孪生模型应用过程中的实时性要求。该方法在实现孪生模型更新迭代的同时有效保证了孪生模型计算结果的时效性与稳定性。
如图2所示,一种数字孪生模型的更新装置,该装置包括:
获取模块11,用于获取数字孪生任务的传感数据和非传感数据,其中,数字孪生任务包括:对目标设备进行故障检测,传感数据包括:目标设备的裂缝数据、坑点数据和振动数据,非传感数据包括:目标设备的材料、目标设备的尺寸和目标设备的运行工况;
第一处理模块12,用于利用传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练,得到更新后的第一模型,当前数字孪生模型用于执行数字孪生任务;
第二处理模块13,用于利用非传感数据并基于增量学习方法对当前数字孪生模型进行训练,得到更新后的第二模型;
缓存模块14,用于将第一模型和第二模型缓存至预设的模型池中;
调用模块15,用于在预设条件下,调用模型池中更新完成的最新模型执行数字孪生任务。
在一个实施例中,第一处理模块12具体用于:
开设第一线程,并在第一线程中利用传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练;
在一个实施例中,第二处理模块13具体用于:
开设第二线程,并在第二线程中利用非传感器数据并基于增量学习方法对当前数字孪生模型进行训练。
在一个实施例中,该装置还包括第三处理模块16,第三处理模块16用于开设第三线程,并利用第三线程实时监听第一线程和第二线程是否完成,并在第一线程和/或第二线程完成时,得到第一模型和/或第二模型。
在一个实施例中,缓存模块14具体用于:
针对第二模型,将第二模型直接缓存至预设的模型池中;
针对第一模型,将第一模型与模型池中的目标模型进行比较,若第一模型的模型精度大于目标模型的模型精度,则将第一模型缓存至模型池中,目标模型为模型池中模型精度最大的模型。
在一个实施例中,模型池中包括多个缓存模型,缓存模型为第一模型或第二模型,缓存模块14还用于:
获取数字孪生任务的最大延迟时间和数字孪生任务的实际计算用时;
根据延迟时间和实际计算用时确定延迟阈值;
根据延迟阈值和各缓存模型的计算用时,将模型池中计算用时大于延迟阈值的目标缓存模型进行移除。
在一个实施例中,缓存模块14具体用于:
获取数字孪生任务的多个实时性因子,实时性因子用于指示数字孪生任务在不同阶段的实时性;
获取数字孪生任务的数据异常因子,数据异常因子用于指示数字孪生任务周期间数据偏差比例;
获取数字孪生任务的单位计算时间,单位计算时间用于指示数字孪生任务约束最小时的阈值;
根据多个实时性因子,数据异常因子和单位计算时间确定数字孪生任务的最大延迟时间。
在一个实施例中,缓存模块14具体用于:
获取数字孪生任务的单位优化时间和单位计算时间,单位优化时间和单位计算时间是根据数字孪生任务对应的模型的类型和模型复杂度确定的;
获取影响模型缓存和模型调用的影响因子、模型T时刻的第一数据量和模型内部优化和计算的第二数据量;
根据的单位优化时间、单位计算时间、影响因子、第一数据量和第二数据量,确定数字孪生任务的实际计算用时。
本实施例提供的数字孪生模型的更新装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再多加赘述。
关于数字孪生模型的更新装置的具体限定可以参见上文中对于数字孪生模型的更新方法的限定,在此不再赘述。上述数字孪生模型的更新装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本申请实施例提供的数字孪生模型的更新方法的执行主体可以为电子设备,该电子设备可以为计算机设备、服务器、移动终端设备、处理器或处理芯片等。本申请实施例对此不作具体限定。
图3为本申请实施例提供的一种电子设备的内部结构示意图。如图3所示,该电子设备包括通过系统总线连接的处理器和存储器。其中,该处理器用于提供计算和控制能力。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行,以用于实现以上各个实施例提供的一种数字孪生模型的更新方法的步骤。内存储器为非易失性存储介质中的操作系统和计算机程序提供高速缓存的运行环境。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请另一实施例中,还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如本申请实施例的数字孪生模型的更新方法的步骤。
本申请另一实施例中,还提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在数字孪生模型的更新装置上运行时,使得数字孪生模型的更新装置执行上述方法实施例所示的方法流程中数字孪生模型的更新方法执行的各个步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种数字孪生模型的更新方法,其特征在于,所述方法包括:
获取数字孪生任务的传感数据和非传感数据,其中,所述数字孪生任务包括:对目标设备进行故障检测,对应的,所述传感数据包括:所述目标设备的裂缝数据、坑点数据和振动数据,所述非传感数据包括:所述目标设备的材料、所述目标设备的尺寸和所述目标设备的运行工况;
利用所述传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练,得到更新后的第一模型,所述当前数字孪生模型用于执行所述数字孪生任务;
利用所述非传感数据并基于增量学习方法对所述当前数字孪生模型进行训练,得到更新后的第二模型;
将所述第一模型和所述第二模型缓存至预设的模型池中,并在预设条件下,调用所述模型池中更新完成的最新模型执行所述数字孪生任务。
2.根据权利要求1所述的方法,其特征在于,所述利用所述传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练,包括:
开设第一线程,并在所述第一线程中利用所述传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练;
所述利用所述非传感数据并基于增量学习方法对所述当前数字孪生模型进行训练,包括:
开设第二线程,并在所述第二线程中利用所述非传感器数据并基于增量学习方法对所述当前数字孪生模型进行训练。
3.根据权利要求2所述的方法,其特征在于,所述开设第二线程之后,所述方法还包括:
开设第三线程,并利用所述第三线程实时监听所述第一线程和所述第二线程是否完成,并根据所述第一线程和所述第二线程完成的先后顺序,确定所述第一线程训练得到的第一模型和所述第二线程训练得到的第二模型的优先级。
4.根据权利要求1所述的方法,其特征在于,所述将所述第一模型和所述第二模型缓存至预设的模型池,包括:
针对所述第二模型,将所述所述第二模型直接缓存至预设的模型池中;
针对所述第一模型,将所述第一模型与所述模型池中的目标模型进行比较,若所述第一模型的模型精度大于所述目标模型的模型精度,则将所述第一模型缓存至所述模型池中,所述目标模型为所述模型池中模型精度最大的模型。
5.根据权利要求1所述的方法,其特征在于,所述模型池中包括多个缓存模型,所述缓存模型为所述第一模型或所述第二模型,所述方法还包括:
获取所述数字孪生任务的最大延迟时间和所述数字孪生任务的实际计算用时;
根据所述延迟时间和所述实际计算用时确定延迟阈值;
根据所述延迟阈值和各所述缓存模型的计算用时,将所述模型池中计算用时大于所述延迟阈值的目标缓存模型进行移除。
6.根据权利要求5所述的方法,其特征在于,所述获取所述数字孪生任务的最大延迟时间,包括:
获取所述数字孪生任务的多个实时性因子,所述实时性因子用于指示所述数字孪生任务在不同阶段的实时性;
获取所述数字孪生任务的数据异常因子,所述数据异常因子用于指示所述数字孪生任务周期间异常状态;
获取所述数字孪生任务的单位计算时间,所述单位计算时间用于指示所述数字孪生任务约束最小时的阈值;
根据多个所述实时性因子,所述数据异常因子和所述单位计算时间确定所述数字孪生任务的最大延迟时间。
7.根据权利要求5所述的方法,其特征在于,获取所述数字孪生任务的实际计算用时,包括:
获取所述数字孪生任务的单位优化时间和单位计算时间,所述单位优化时间和所述单位计算时间是根据所述数字孪生任务对应的模型的类型和模型复杂度确定的;
获取影响模型缓存和模型调用的影响因子、模型T时刻的第一数据量和模型内部优化和计算的第二数据量;
根据所述的单位优化时间、所述单位计算时间、所述影响因子、所述第一数据量和所述第二数据量,确定所述数字孪生任务的实际计算用时。
8.一种数字孪生模型的更新装置,其特征在于,所述装置包括:
获取模块,用于获取数字孪生任务的传感数据和非传感数据,其中,所述数字孪生任务包括:对目标设备进行故障检测,所述传感数据包括:所述目标设备的裂缝数据、坑点数据和振动数据,所述非传感数据包括:所述目标设备的材料、所述目标设备的尺寸和所述目标设备的运行工况;
第一处理模块,用于利用所述传感数据并基于增量学习方法对预设的当前数字孪生模型进行训练,得到更新后的第一模型,所述当前数字孪生模型用于执行所述数字孪生任务;
第二处理模块,用于利用所述非传感数据并基于增量学习方法对所述当前数字孪生模型进行训练,得到更新后的第二模型;
缓存模块,用于将所述第一模型和所述第二模型缓存至预设的模型池中;
调用模块,用于在预设条件下,调用所述模型池中更新完成的最新模型执行所述数字孪生任务。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现权利要求1-7任一项所述的数字孪生模型的更新方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的数字孪生模型的更新方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669136.0A CN116629136A (zh) | 2023-06-07 | 2023-06-07 | 数字孪生模型的更新方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669136.0A CN116629136A (zh) | 2023-06-07 | 2023-06-07 | 数字孪生模型的更新方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116629136A true CN116629136A (zh) | 2023-08-22 |
Family
ID=87641709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310669136.0A Pending CN116629136A (zh) | 2023-06-07 | 2023-06-07 | 数字孪生模型的更新方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629136A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094031A (zh) * | 2023-10-16 | 2023-11-21 | 湘江实验室 | 工业数字孪生数据隐私保护方法及相关介质 |
CN117608241A (zh) * | 2024-01-24 | 2024-02-27 | 山东建筑大学 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
-
2023
- 2023-06-07 CN CN202310669136.0A patent/CN116629136A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094031A (zh) * | 2023-10-16 | 2023-11-21 | 湘江实验室 | 工业数字孪生数据隐私保护方法及相关介质 |
CN117094031B (zh) * | 2023-10-16 | 2024-02-06 | 湘江实验室 | 工业数字孪生数据隐私保护方法及相关介质 |
CN117608241A (zh) * | 2024-01-24 | 2024-02-27 | 山东建筑大学 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
CN117608241B (zh) * | 2024-01-24 | 2024-04-05 | 山东建筑大学 | 数控机床数字孪生模型的更新方法、系统、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116629136A (zh) | 数字孪生模型的更新方法、装置、设备及存储介质 | |
CN110018670B (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
CN111414703B (zh) | 一种滚动轴承剩余寿命预测方法及装置 | |
CN112449696A (zh) | 时序数据诊断装置、追加学习方法及程序 | |
CN112598172A (zh) | 一种风电机组轴承温度预警方法 | |
CN113886951A (zh) | 一种飞行器健康管理系统及方法 | |
CN117608241B (zh) | 数控机床数字孪生模型的更新方法、系统、装置及介质 | |
CN111176226A (zh) | 一种基于运行工况的设备特征参数报警阈值自动分析方法 | |
CN116415126A (zh) | 用于造纸机的刮刀的异常检测的方法、装置和计算设备 | |
US20220269257A1 (en) | Vacuum system with diagnostic circuitry and a method and computer program for monitoring the health of such a vacuum system | |
CN115329823A (zh) | 延迟焦化加热炉炉管温度的动态深度迁移预测方法及装置 | |
CN115795999B (zh) | 一种长期服役抽水蓄能机组性能异常预警方法 | |
CN116993326A (zh) | 一种智能化设备全生命周期监控方法及系统 | |
CN113821893B (zh) | 一种航空发动机伺服作动系统自适应状态估计方法 | |
CN115865617A (zh) | 一种vpn远程诊断及维护系统 | |
CN115563475A (zh) | 一种挖掘机液压系统的压力软传感器 | |
JP7415654B2 (ja) | 電池監視システム | |
CN114528942A (zh) | 工程机械的数据样本库的构建、故障预测方法及工程机械 | |
CN112798949A (zh) | 一种抽水蓄能机组发电机温度预警方法和系统 | |
JP2012112247A (ja) | センサ異常判定装置、センサ異常判定方法、及びプログラム | |
US20240185115A1 (en) | Method and apparatus for early warning of dry pump shutdown, electronic device, storage medium and program | |
CN111832840B (zh) | 基于可微成本函数的超短期风电功率区间预测方法、装置 | |
CN116151098A (zh) | 一种基于随机排列重要性的机载传感器配置方法 | |
CN114707428B (zh) | 数控机床不可观环节仿真方法、装置、终端及存储介质 | |
CN112610330B (zh) | 一种内燃机运行状态的监测及分析系统和方法 |
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 |