CN117372630B - 基于数字孪生技术的数据可视化系统及方法 - Google Patents
基于数字孪生技术的数据可视化系统及方法 Download PDFInfo
- Publication number
- CN117372630B CN117372630B CN202311668704.1A CN202311668704A CN117372630B CN 117372630 B CN117372630 B CN 117372630B CN 202311668704 A CN202311668704 A CN 202311668704A CN 117372630 B CN117372630 B CN 117372630B
- Authority
- CN
- China
- Prior art keywords
- data
- internet
- things
- factory
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005516 engineering process Methods 0.000 title claims abstract description 20
- 238000013079 data visualisation Methods 0.000 title claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000005265 energy consumption Methods 0.000 claims description 87
- 238000004519 manufacturing process Methods 0.000 claims description 59
- 230000009471 action Effects 0.000 claims description 51
- 238000012163 sequencing technique Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000008844 regulatory mechanism Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 abstract description 3
- 239000010865 sewage Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000001934 delay Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229920001131 Pulp (paper) Polymers 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于可视化智慧工厂技术领域，具体公开了基于数字孪生技术的数据可视化系统，包括工厂虚拟物联网数字孪生模块，用于构建真实工厂的虚拟场景；数据采集模块，用于采集控制物联网设备驱动的PLC数据以及传感器数据；数据处理模块，用于将数据采集模块采集的数据处理后发送至工厂虚拟物联网数字孪生模块，神经网络单元，通过输入数据采集模块采集的数据预判真实工厂物联网设备工作状态。基于该系统，本发明还公开了基于数字孪生技术的数据可视化方法。本发明通过构建物联网设备工作状态神经网络模型来快速预判真实工厂的物联网工作状态，在实现真实工厂数据可视化的同时，实现了实时了解真实工厂工作状态。
Description
技术领域
本发明属于可视化智慧工厂技术领域，特别涉及一种基于数字孪生技术的数据可视化系统及方法。
背景技术
智能制造数字孪生为全球经济发展的重要支撑，我国对基于数字孪生的智慧工厂也越来越重视，先后出台了“互联网+”、“工业互联网”等发展实施战略。随着数字孪生技术的发展，依靠数据进行生产策略制定以及生产预判是大势所趋，基于数字孪生技术的可视化系统实现了现实世界中工厂产线的物理环境，可将实际工厂的数据通过虚拟工厂呈现。
例如公开号为CN111833426A的中国专利公开了基于数字孪生的三维可视化方法，在可视化数字孪生系统内可以实时查看物联网系统，但是在该方案中，无法根据物联网设备以及传感器的数据对物联网设备的工作状态进行预判，对于生产而言，也无法对生产状态进行预判。再比如公开号为CN116107558A的中国专利公开了一种基于数字孪生的可视化管理系统，通过多组功能模块实现拖拽式、参数配置式等方式快速构建数字孪生的可视化系统。但是该方案仅仅用于构建可视化系统，对于通过基于数字孪生的可视化系统实现智慧工厂而言，还不能满足通过虚拟工厂来反映真实工厂的工作状况，也无法对真实工厂的工况进行预判。
发明内容
本发明的目的在于克服现有技术中存在的缺陷，提供了一种基于数字孪生技术的数据可视化系统及方法。
本发明的第一方面，提供了一种基于数字孪生技术的数据可视化系统，包括：
工厂虚拟物联网数字孪生模块，用于构建真实工厂的虚拟场景，以真实工厂为基础对每一台物联网设备进行3D建模，并将物联网设备的3D模型放置在对应的虚拟场景内，实现真实工厂与虚拟工厂一一对应；
数据采集模块，用于采集控制物联网设备驱动的PLC数据、传感器数据以及物联网设备的动作图像信息；
数据处理模块，分别与所述工厂虚拟物联网数字孪生模块和数据采集模块连接，用于将所述数据采集模块采集的数据处理后发送至工厂虚拟物联网数字孪生模块，所述工厂虚拟物联网数字孪生模块基于PLC数据以及传感器数据驱动虚拟环境下物联网设备对应的3D模型，记录3D模型的工作状态并以所述3D模型的工作状态作为物联网设备工作状态的判断标准；
神经网络单元，将若干组所述PLC数据和传感器数据作为模型输入，将物联网设备的工作状态作为模型输出，进行神经网络模型的迭代训练，以获得用于预判未来一时间内基于PLC数据和传感器数据的物联网设备工作状态神经网络模型Ⅰ；基于神经网络模型Ⅰ，通过输入PLC数据以及传感器数据预判真实工厂物联网设备工作状态；
可视化建模单元，将每个物联网设备的动作信息分为若干个有序循环节点，对每一节点匹配动作图像信息，获得若干组与有序循环节点相对应的动作图像信息；将若干组动作图像信息按照节点顺序依次作为模型输入，将物联网设备的工作状态作为模型输出，进行迭代训练，以获得用于预判未来一时间内基于物联网设备动作图像信息的物联网设备工作状态神经网络模型Ⅱ；基于神经网络模型Ⅱ，通过输入物联网设备动作图像信息预判真实工厂物联网设备工作状态。
进一步的方案为，还包括优先级判断模块，所述优先级判断模块将不同的传感器定义不同的第一优先级并分配权重值，优先级判断模块还用于将不同传感器的不同阈值定义不同的第二优先级并分配权重值；优先级判断模块还用于对第一优先级和第二优先级的权重值进行加权计算，获取传感器数据传输优先级并基于传感器数据传输优先级对待传输的传感器数据进行排序编号，并将传感器数据按照排序编号设定为待处理数据，基于待处理数据的编号顺序将所述传感器数据放入预设的优先级队列内，基于所述优先级队列中待处理数据的编号顺序以及待处理数据的获取时间，对优先级队列内的所有待处理数据再次进行排序，得到排序结果；
所述数据处理模块，基于所述排序结果依次对传感器数据进行处理并发送至工厂虚拟物联网数字孪生模块。
进一步的方案为，在数据处理模块和工厂虚拟物联网数字孪生模块之间设置若干个通信信道，每个通信信道分别用于连接物联网设备以及与该物联网设备相对应的3D模型；
所述数据处理模块对所述PLC数据以及传感器数据进行分解处理，以获取用于通过不同通信信道的若干个子参数，所述子参数作为3D模型的调控信号，不同的3D模型接收对应的调控信号，工厂虚拟物联网数字孪生模块根据调控信号加载控制机制，工厂虚拟物联网数字孪生模块发送调控机制至3D模型的控制部件，所述3D模型的控制部件基于控制机制驱动3D模型完成物联网设备的既定动作，实现真实工厂与虚拟工厂的实时联动。
进一步的方案为，所述工厂虚拟物联网数字孪生模块包括实时监测单元，用于实时监测真实工厂的能耗数据、生产数据和排放数据，并对能耗数据、生产数据和排放数据进行级别判断，达到预设级别后，工厂虚拟物联网数字孪生模块发出预警信号。
进一步的方案为，所述工厂虚拟物联网数字孪生模块对能耗数据进行流向分析，确定每个流向生产线的能耗子数据及能耗阈值，当能耗子数据超出能耗阈值时，该流向生产线上的3D模型在工厂虚拟物联网数字孪生模块高亮预警；以及，
所述工厂虚拟物联网数字孪生模块对排放数据进行来源分析，确定每个来源生产线的能耗子数据及能耗阈值，当能耗子数据超出能耗阈值时，该来源生产线上的3D模型在工厂虚拟物联网数字孪生模块高亮预警。
进一步的方案为，所述工厂虚拟物联网数字孪生模块还包括预判仿真模型构建单元，将能耗数据和排放数据作为模型输入，将生产数据作为模型输出，进行迭代训练，以获得用于预判未来一时间内基于能耗数据和排放数据的生产数据预判仿真模型。
本发明的第二方面，提供了一种基于数字孪生技术的数据可视化方法，包括以下步骤：
步骤1：进行物联网设备同步，以真实工厂为基础搭建一套虚拟工厂，构建工厂虚拟物联网数字孪生模块；
步骤2：进行数据同步，采集控制物联网设备驱动的PLC数据以及传感器数据，将PLC数据以及传感器数据发送至工厂虚拟物联网数字孪生模块来驱动虚拟环境下对应的物联网设备3D模型；
步骤3：通过工厂虚拟物联网数字孪生模块来可视化呈现真实工厂的工作状况，实时监控真实工厂的工作状态；
步骤4：构建神经网络模型Ⅰ，将若干组所述PLC数据和传感器数据作为模型输入，将真实工厂的工作状态作为模型输出，进行神经网络模型的迭代训练，以获得用于预判未来一时间内基于物联网设备工况的PLC数据和传感器数据神经网络模型Ⅰ；基于神经网络模型Ⅰ，通过输入PLC数据以及传感器数据预判真实工厂工作状态；
步骤5：构建神经网络模型Ⅱ，将每个物联网设备的动作信息分为若干个有序循环节点，对每一节点匹配动作图像信息，获得若干组与有序循环节点相对应的动作图像信息；将若干组动作图像信息按照节点顺序依次作为模型输入，将物联网设备的工作状态作为模型输出，进行迭代训练，以获得用于预判未来一时间内基于物联网设备动作图像信息的物联网设备工作状态神经网络模型Ⅱ；基于神经网络模型Ⅱ，通过输入物联网设备动作图像信息预判真实工厂物联网设备工作状态。
进一步的方案为，在步骤2中，对不同传感器设置第一优先级并分配权重值，同时对不同传感器的不同阈值设置第二优先级并分配权重值，在传感器数据传输到物联网设备3D模型之前，对第一优先级和第二优先级的权重值进行加权计算，获取传感器数据传输优先级并基于优先级进行排序编号，并将传感器数据按照排序编号设定为待处理数据，基于待处理数据的编号顺序将所述传感器数据放入预设的优先级队列内，基于所述优先级队列中待处理数据的编号顺序以及待处理数据的获取时间，对优先级队列内的所有待处理数据再次进行排序，得到排序结果，根据排序结果依次发送待处理数据至物联网设备3D模型。
进一步的方案为，在步骤2中，设置若干个通信信道，每个通信信道分别用于连接物联网设备以及与该物联网设备相对应的3D模型；
对所述PLC数据以及传感器数据进行分解处理，以获取用于通过不同通信信道的若干个子参数，所述子参数作为3D模型的调控信号，不同的3D模型接收对应的调控信号，工厂虚拟物联网数字孪生模块根据调控信号加载控制机制，工厂虚拟物联网数字孪生模块发送调控机制至3D模型的控制部件，所述3D模型的控制部件基于控制机制驱动3D模型完成物联网设备的既定动作，实现真实工厂与虚拟工厂的实时联动。
进一步的方案为，工厂虚拟物联网数字孪生模块还用于实时监测真实工厂的能耗数据、生产数据和排放数据，并对能耗数据、生产数据和排放数据进行级别判断，达到预设级别后，工厂虚拟物联网数字孪生模块发出预警信号；构建预判仿真模型，将能耗数据和排放数据作为模型输入，将生产数据作为模型输出，进行迭代训练，以获得用于预判未来一时间内基于能耗数据和排放数据的生产数据预判仿真模型；
所述工厂虚拟物联网数字孪生模块对能耗数据进行流向分析，确定每个流向生产线的能耗子数据及能耗阈值，当能耗子数据超出能耗阈值时，该流向生产线上的3D模型在工厂虚拟物联网数字孪生模块高亮预警；以及，
所述工厂虚拟物联网数字孪生模块对排放数据进行来源分析，确定每个来源生产线的能耗子数据及能耗阈值，当能耗子数据超出能耗阈值时，该来源生产线上的3D模型在工厂虚拟物联网数字孪生模块高亮预警。
与现有技术相比，本发明的有益效果在于：本发明以真实工厂为基础对每一台物联网设备进行3D建模，并将3D模型放置在对应的虚拟场景中，从而构建工厂虚拟物联网数字孪生模块，利用控制物联网设备驱动的PLC数据以及传感器数据驱动虚拟环境下的3D模型，再通过记录3D模型的工作状态反推物联网模型的工作状态。本发明还通过构建用于预判未来一段时间内基于PLC数据和传感器数据的物联网设备工作状态神经网络模型Ⅰ来快速预判真实工厂的物联网工作状态，在实现真实工厂数据可视化的同时，实时了解真实工厂的工作状态，实现对物联网设备的实时监控，便于设备管理和隐患排查。
同一真实工厂的工作数据较多，为了避免工厂虚拟物联网数字孪生模块在对3D模型驱动过程中将重要子参数滞后，本发明还设计了优先级判断模块，对不同的传感器定义优先级的同时还对不同传感器的不同阈值定义优先级，优先级判断模块将两个优先级进行加权计算获取最终发送至工厂虚拟物联网数字孪生模块的优先级，保证重要数据的及时响应。同时，本发明还设置了用于精准驱动3D模型的通信信道，将PLC数据以及传感器数据进行分解处理，以获取用于通过不同通信信道的若干个子参数，所述子参数作为3D模型的调控信号，不同的3D模型接收对应的调控信号，工厂虚拟物联网数字孪生模块根据调控信号加载控制机制，工厂虚拟物联网数字孪生模块发送调控机制至3D模型的控制部件，所述3D模型的控制部件基于控制机制驱动3D模型完成物联网设备的既定动作，实现真实工厂与虚拟工厂的实时联动。
为了及时排查真实工厂的物联网设备故障以及能源消耗和超标排放，本发明的工厂虚拟物联网数字孪生模块还具备精准预警功能，具体的，工厂虚拟物联网数字孪生模块对能耗数据进行流向分析，确定每个流向生产线的能耗子数据及能耗阈值，当能耗子数据超出能耗阈值时，该流向生产线上的3D模型在工厂虚拟物联网数字孪生模块高亮预警；以及，工厂虚拟物联网数字孪生模块对排放数据进行来源分析，确定每个来源生产线的能耗子数据及能耗阈值，当能耗子数据超出能耗阈值时，该来源生产线上的3D模型在工厂虚拟物联网数字孪生模块高亮预警。本发明还通过构建预判仿真模型对未来一段时间内的生产进行规划，可通过能源的消耗以及排放确定真实工厂的产量。
附图说明
以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：
图1：本发明模块连接示意图；
图2：本发明通信信道原理示意图；
图3：本发明预警仿真原理示意图；
图4：本发明可视化方法流程图；
图中，1、工厂虚拟物联网数字孪生模块；2、3D模型；3、数据采集模块；4、数据处理模块；5、优先级判断模块；6、数据包序列；7、神经网络单元；8、通信信道；9、实时监测单元；10、数据网关；11、阈值判断模块；12、预警模块；13、能耗数据；14、生产数据；15、排放数据；16、预判仿真模型；17、可视化建模单元。
具体实施方式
为了使本发明的目的、技术方案、设计方法及优点更加清楚明了，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
如图1所示，本发明提供了基于数字孪生技术的数据可视化系统，包括：
工厂虚拟物联网数字孪生模块1，用于构建真实工厂的虚拟场景，以真实工厂为基础对每一台物联网设备基于游戏引擎可视化技术或航拍结合手工建模的方法进行3D建模，并将物联网设备的3D模型2放置在对应的虚拟场景内，实现真实工厂与虚拟工厂一一对应；
数据采集模块3，用于采集控制物联网设备驱动的PLC数据以及传感器数据；本实施例结合现有真实工厂的控制机制，将控制物联网设备驱动的PLC数据以及传感器数据作为驱动3D模型2的参数；
数据处理模块4，分别与所述工厂虚拟物联网数字孪生模块1和数据采集模块3连接，用于将所述数据采集模块3采集的数据处理后发送至工厂虚拟物联网数字孪生模块1，所述工厂虚拟物联网数字孪生模块1基于PLC数据以及传感器数据驱动虚拟环境下物联网设备对应的3D模型2，记录3D模型2的工作状态并以所述3D模型2的工作状态作为物联网设备工作状态的判断标准；
神经网络单元7，将若干组所述PLC数据和传感器数据作为模型输入，将物联网设备的工作状态作为模型输出，进行神经网络模型的迭代训练，以获得用于预判未来一时间内基于PLC数据和传感器数据的物联网设备工作状态神经网络模型Ⅰ；基于神经网络模型Ⅰ，通过输入PLC数据以及传感器数据预判真实工厂物联网设备工作状态；
可视化建模单元17，将每个物联网设备的动作信息分为若干个有序循环节点，对每一节点匹配动作图像信息，获得若干组与有序循环节点相对应的动作图像信息；将若干组动作图像信息按照节点顺序依次作为模型输入，将物联网设备的工作状态作为模型输出，进行迭代训练，以获得用于预判未来一时间内基于物联网设备动作图像信息的物联网设备工作状态神经网络模型Ⅱ；基于神经网络模型Ⅱ，通过输入物联网设备动作图像信息预判真实工厂物联网设备工作状态。具体地，确定每个物联网设备的多个任务节点，所述任务节点为连续循环节点，该连续循环节点构成该物联网设备的完整任务动作，基于多个任务节点中每一任务节点的任务内容匹配该任务节点对应的物联网设备动作图像信息，并基于动作图像信息生成相应的PLC数据，得到多个PLC数据， 依据多个任务节点的节点顺序将所述多个PLC数据串联起来，得到训练集；需要注意的是，在该训练集中，一个任务节点同时匹配了物联网设备的动作图像信息和该物联网设备的PLC控制指令数据，可视化建模单元17获取工作状态下的每个物联网设备的图像信息，将该图像信息与每个任务节点匹配的图像信息进行比对，若比对结果一致，则认为工作状态正常，若比对结果不一致，则认为工作状态异常，将工作状态正常的任务节点对应的训练集作为有效训练集，将有效训练集作为模型的输入，将工作状态正常作为模型的输出，进行迭代训练，以获得用于预判未来一时间内基于物联网设备动作图像信息的物联网设备工作状态神经网络模型Ⅱ，并基于神经网络模型Ⅱ，通过输入物联网设备动作图像信息预判真实工厂物联网设备工作状态。
同一真实工厂的工作数据较多，为了避免工厂虚拟物联网数字孪生模块1在对3D模型2驱动过程中将重要子参数滞后，本实施例还包括优先级判断模块5，所述优先级判断模块5将不同的传感器定义不同的第一优先级并分配权重值，优先级判断模块5还用于将不同传感器的不同阈值定义不同的第二优先级并分配权重值；优先级判断模块5还用于对第一优先级和第二优先级进行加权计算，获取传感器数据传输优先级并基于传感器数据传输优先级对待传输的传感器数据进行排序编号，生成数据包序列6；基于数据包序列6的编号顺序将所述数据包序列6放入预设的优先级队列内，基于所述优先级队列中数据包序列6的编号顺序以及数据包序列6的获取时间，对优先级队列内的所有数据包序列6再次进行排序，得到排序结果；所述数据处理模块4，基于排序结果依次对传感器数据进行处理并发送至工厂虚拟物联网数字孪生模块1。
如图2所示，在数据处理模块4和工厂虚拟物联网数字孪生模块1之间设置若干个通信信道8，每个通信信道8分别用于连接物联网设备以及与该物联网设备相对应的3D模型2，实现数据的精准发送以及3D模型2的精准驱动；所述数据处理模块4对所述PLC数据以及传感器数据进行分解处理，以获取用于通过不同通信信道8的若干个子参数，所述子参数作为3D模型2的调控信号，不同的3D模型2接收对应的调控信号，工厂虚拟物联网数字孪生模块1根据调控信号加载控制机制，工厂虚拟物联网数字孪生模块1发送调控机制至3D模型2的控制部件，所述3D模型2的控制部件基于控制机制驱动3D模型2完成物联网设备的既定动作，实现真实工厂与虚拟工厂的实时联动。
如图3所示，工厂虚拟物联网数字孪生模块1包括实时监测单元9，用于实时监测真实工厂的能耗数据13、生产数据14和排放数据15，并对能耗数据13、生产数据14和排放数据15进行级别判断，达到预设级别后，工厂虚拟物联网数字孪生模块1发出预警信号。在本实施例中，以能耗数据13为例进行说明：实时监测单元9为能源分类分项统计器，用于获取智能电表、智能水表、智能气表等智能检测设备的参数，将参数通过数据网关10发送至阈值判断模块11，若超出预设的阈值，则通过预警模块12发出预警信号，需要注意的是，该预警信号是在工厂虚拟物联网数字孪生模块1中体现的，当能耗数据13超出阈值时，对应的3D模型2在工厂虚拟物联网数字孪生模块1中高亮显示以起到预警作用，具体的，所述工厂虚拟物联网数字孪生模块1对能耗数据13进行流向分析，确定每个流向生产线的能耗子数据及能耗阈值，当能耗子数据超出能耗阈值时，该流向生产线上的3D模型2在工厂虚拟物联网数字孪生模块1高亮预警；对于工厂排放监测而言，以污水处理厂为例说明：工厂虚拟物联网数字孪生模块1对排放数据15进行来源分析，确定每个来源生产线的排放数据15及排放阈值，当排放子数据超出排放阈值时，该来源生产线上的3D模型2在工厂虚拟物联网数字孪生模块1高亮预警，具体的，污水处理按照处理程度不同分为三级处理流程，分别为物理处理、生物处理、化学处理或深度处理，在每级处理的出口位置设置传感器，对每级水处理进行监测，并对每级水处理设置排放阈值，物理处理可以截留污水中的漂浮物如纤维、纸浆等细小悬浮物，若物理处理后的污水中悬浮超出预设的阈值，则在工厂虚拟物联网数字孪生模块1中对物理处理设备的4D模型进行高亮预警。
在上述中，所述工厂虚拟物联网数字孪生模块1还包括预判仿真模型16构建单元，将能耗数据13和排放数据15作为模型输入，将生产数据14作为模型输出，进行迭代训练，以获得用于预判未来一时间内基于能耗数据13和排放数据15的生产数据14预判仿真模型16。
基于上述的数据可视化系统，本发明还提供了一种基于数字孪生技术的数据可视化方法，如图4所示，包括以下步骤：
步骤1：进行物联网设备同步，以真实工厂为基础搭建一套虚拟工厂，构建工厂虚拟物联网数字孪生模块1；
步骤2：进行数据同步，采集控制物联网设备驱动的PLC数据以及传感器数据，将PLC数据以及传感器数据发送至工厂虚拟物联网数字孪生模块1来驱动虚拟环境下对应的物联网设备3D模型2；
步骤3：通过工厂虚拟物联网数字孪生模块1来可视化呈现真实工厂的工作状况，实时监控真实工厂的工作状态；
步骤4：构建神经网络模型Ⅰ，将若干组所述PLC数据和传感器数据作为模型输入，将真实工厂的工作状态作为模型输出，进行神经网络模型的迭代训练，以获得用于预判未来一时间内基于物联网设备工况的PLC数据和传感器数据神经网络模型Ⅰ；基于神经网络模型Ⅰ，通过输入PLC数据以及传感器数据预判真实工厂工作状态；
步骤5：构建神经网络模型Ⅱ，将每个物联网设备的动作信息分为若干个有序循环节点，对每一节点匹配动作图像信息，获得若干组与有序循环节点相对应的动作图像信息；将若干组动作图像信息按照节点顺序依次作为模型输入，将物联网设备的工作状态作为模型输出，进行迭代训练，以获得用于预判未来一时间内基于物联网设备动作图像信息的物联网设备工作状态神经网络模型Ⅱ；基于神经网络模型Ⅱ，通过输入物联网设备动作图像信息预判真实工厂物联网设备工作状态。
在步骤2中，对不同传感器设置第一优先级并分配权重值，同时对不同传感器的不同阈值设置第二优先级并分配权重值，在传感器数据传输到物联网设备3D模型2之前，对第一优先级和第二优先级进行加权计算，获取传感器数据传输优先级并基于优先级进行排序编号，并将传感器数据按照排序编号设定为待处理数据，基于待处理数据的编号顺序将所述传感器数据放入预设的优先级队列内，基于所述优先级队列中待处理数据的编号顺序以及待处理数据的获取时间，对优先级队列内的所有待处理数据再次进行排序，得到排序结果；具体可按照优先级越高排序越前以及优先级相同时获取时间越早排序越前的排序规则，对优先级队列中包含的所有待处理数据进行排序以生成相应的排序结果。最后基于排序结果的先后顺序，将所述优先级队列中包含的所有待处理数据依次发送至物联网设备3D模型2。
在步骤2中，设置若干个通信信道8，每个通信信道8对应分别用于连接物联网设备以及与该物联网设备相对应的3D模型2；
对所述PLC数据以及传感器数据进行分解处理，以获取用于通过不同通信信道8的若干个子参数，所述子参数作为3D模型2的调控信号，不同的3D模型2接收对应的调控信号，工厂虚拟物联网数字孪生模块1根据调控信号加载控制机制，工厂虚拟物联网数字孪生模块1发送调控机制至3D模型2的控制部件，所述3D模型2的控制部件基于控制机制驱动3D模型2完成物联网设备的既定动作，实现真实工厂与虚拟工厂的实时联动。
工厂虚拟物联网数字孪生模块1还用于实时监测真实工厂的能耗数据13、生产数据14和排放数据15，并对能耗数据13、生产数据14和排放数据15进行级别判断，达到预设级别后，工厂虚拟物联网数字孪生模块1发出预警信号；构建预判仿真模型16，将能耗数据13和排放数据15作为模型输入，将生产数据14作为模型输出，进行迭代训练，以获得用于预判未来一时间内基于能耗数据13和排放数据15的生产数据14预判仿真模型16；
所述工厂虚拟物联网数字孪生模块1对能耗数据13进行流向分析，确定每个流向生产线的能耗子数据及能耗阈值，当能耗子数据超出能耗阈值时，该流向生产线上的3D模型2在工厂虚拟物联网数字孪生模块1高亮预警；以及，
所述工厂虚拟物联网数字孪生模块1对排放数据15进行来源分析，确定每个来源生产线的能耗子数据及能耗阈值，当能耗子数据超出能耗阈值时，该来源生产线上的3D模型2在工厂虚拟物联网数字孪生模块1高亮预警。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。
Claims (8)
1.基于数字孪生技术的数据可视化系统，其特征在于，包括：
工厂虚拟物联网数字孪生模块，用于构建真实工厂的虚拟场景，以真实工厂为基础对每一台物联网设备进行3D建模，并将物联网设备的3D模型放置在对应的虚拟场景内，实现真实工厂与虚拟工厂一一对应；
数据采集模块，用于采集控制物联网设备驱动的PLC数据、传感器数据以及物联网设备的动作图像信息；
数据处理模块，分别与所述工厂虚拟物联网数字孪生模块和数据采集模块连接，用于将所述数据采集模块采集的数据处理后发送至工厂虚拟物联网数字孪生模块，所述工厂虚拟物联网数字孪生模块基于PLC数据以及传感器数据驱动虚拟环境下物联网设备对应的3D模型，记录3D模型的工作状态并以所述3D模型的工作状态作为物联网设备工作状态的判断标准；
神经网络单元，将若干组所述PLC数据和传感器数据作为模型输入，将物联网设备的工作状态作为模型输出，进行神经网络模型的迭代训练，以获得用于预判未来一时间内基于PLC数据和传感器数据的物联网设备工作状态神经网络模型Ⅰ；基于神经网络模型Ⅰ，通过输入PLC数据以及传感器数据预判真实工厂物联网设备工作状态；
可视化建模单元，将每个物联网设备的动作信息分为若干个有序循环节点，对每一节点匹配动作图像信息，获得若干组与有序循环节点相对应的动作图像信息；将若干组动作图像信息按照节点顺序依次作为模型输入，将物联网设备的工作状态作为模型输出，进行迭代训练，以获得用于预判未来一时间内基于物联网设备动作图像信息的物联网设备工作状态神经网络模型Ⅱ；基于神经网络模型Ⅱ，通过输入物联网设备动作图像信息预判真实工厂物联网设备工作状态；
还包括优先级判断模块，所述优先级判断模块将不同的传感器定义不同的第一优先级并分配权重值，优先级判断模块还用于将不同传感器的不同阈值定义不同的第二优先级并分配权重值；优先级判断模块还用于对第一优先级和第二优先级的权重值进行加权计算，获取传感器数据传输优先级并基于传感器数据传输优先级对待传输的传感器数据进行排序编号，并将传感器数据按照排序编号设定为待处理数据，基于待处理数据的编号顺序将所述传感器数据放入预设的优先级队列内，基于所述优先级队列中待处理数据的编号顺序以及待处理数据的获取时间，对优先级队列内的所有待处理数据再次进行排序，得到排序结果；
所述数据处理模块基于所述排序结果依次对传感器数据进行处理并发送至工厂虚拟物联网数字孪生模块。
2.根据权利要求1所述的基于数字孪生技术的数据可视化系统，其特征在于，在数据处理模块和工厂虚拟物联网数字孪生模块之间设置若干个通信信道，每个通信信道分别用于连接物联网设备以及与该物联网设备相对应的3D模型；
所述数据处理模块对所述PLC数据以及传感器数据进行分解处理，以获取用于通过不同通信信道的若干个子参数，所述子参数作为3D模型的调控信号，不同的3D模型接收对应的调控信号，工厂虚拟物联网数字孪生模块根据调控信号加载控制机制，工厂虚拟物联网数字孪生模块发送调控机制至3D模型的控制部件，所述3D模型的控制部件基于控制机制驱动3D模型完成物联网设备的既定动作，实现真实工厂与虚拟工厂的实时联动。
3.根据权利要求1所述的基于数字孪生技术的数据可视化系统，其特征在于，所述工厂虚拟物联网数字孪生模块包括实时监测单元，用于实时监测真实工厂的能耗数据、生产数据和排放数据，并对能耗数据、生产数据和排放数据进行级别判断，达到预设级别后，工厂虚拟物联网数字孪生模块发出预警信号。
4.根据权利要求3所述的基于数字孪生技术的数据可视化系统，其特征在于，所述工厂虚拟物联网数字孪生模块对能耗数据进行流向分析，确定每个流向生产线的能耗子数据及能耗阈值，当能耗子数据超出能耗阈值时，该流向生产线上的3D模型在工厂虚拟物联网数字孪生模块高亮预警；以及，
所述工厂虚拟物联网数字孪生模块对排放数据进行来源分析，确定每个来源生产线的能耗子数据及能耗阈值，当能耗子数据超出能耗阈值时，该来源生产线上的3D模型在工厂虚拟物联网数字孪生模块高亮预警。
5.根据权利要求4所述的基于数字孪生技术的数据可视化系统，其特征在于，所述工厂虚拟物联网数字孪生模块还包括预判仿真模型构建单元，将能耗数据和排放数据作为模型输入，将生产数据作为模型输出，进行迭代训练，以获得用于预判未来一时间内基于能耗数据和排放数据的生产数据预判仿真模型。
6.基于数字孪生技术的数据可视化方法，其特征在于，包括以下步骤：
步骤1：进行物联网设备同步，以真实工厂为基础搭建一套虚拟工厂，构建工厂虚拟物联网数字孪生模块；
步骤2：进行数据同步，采集控制物联网设备驱动的PLC数据以及传感器数据，将PLC数据以及传感器数据发送至工厂虚拟物联网数字孪生模块来驱动虚拟环境下对应的物联网设备3D模型；
步骤3：通过工厂虚拟物联网数字孪生模块来可视化呈现真实工厂的工作状况，实时监控真实工厂的工作状态；
步骤4：构建神经网络模型Ⅰ，将若干组所述PLC数据和传感器数据作为模型输入，将真实工厂的工作状态作为模型输出，进行神经网络模型的迭代训练，以获得用于预判未来一时间内基于物联网设备工况的PLC数据和传感器数据神经网络模型Ⅰ；基于神经网络模型Ⅰ，通过输入PLC数据以及传感器数据预判真实工厂工作状态；
步骤5：构建神经网络模型Ⅱ，将每个物联网设备的动作信息分为若干个有序循环节点，对每一节点匹配动作图像信息，获得若干组与有序循环节点相对应的动作图像信息；将若干组动作图像信息按照节点顺序依次作为模型输入，将物联网设备的工作状态作为模型输出，进行迭代训练，以获得用于预判未来一时间内基于物联网设备动作图像信息的物联网设备工作状态神经网络模型Ⅱ；基于神经网络模型Ⅱ，通过输入物联网设备动作图像信息预判真实工厂物联网设备工作状态；
在步骤2中，对不同传感器设置第一优先级并分配权重值，同时对不同传感器的不同阈值设置第二优先级并分配权重值，在传感器数据传输到物联网设备3D模型之前，对第一优先级和第二优先级的权重值进行加权计算，获取传感器数据传输优先级并基于优先级进行排序编号，并将传感器数据按照排序编号设定为待处理数据，基于待处理数据的编号顺序将所述传感器数据放入预设的优先级队列内，基于所述优先级队列中待处理数据的编号顺序以及待处理数据的获取时间，对优先级队列内的所有待处理数据再次进行排序，得到排序结果，根据排序结果依次发送待处理数据至物联网设备3D模型。
7.根据权利要求6所述的基于数字孪生技术的数据可视化方法，其特征在于，在步骤2中，设置若干个通信信道，每个通信信道分别用于连接物联网设备以及与该物联网设备相对应的3D模型；
对所述PLC数据以及传感器数据进行分解处理，以获取用于通过不同通信信道的若干个子参数，所述子参数作为3D模型的调控信号，不同的3D模型接收对应的调控信号，工厂虚拟物联网数字孪生模块根据调控信号加载控制机制，工厂虚拟物联网数字孪生模块发送调控机制至3D模型的控制部件，所述3D模型的控制部件基于控制机制驱动3D模型完成物联网设备的既定动作，实现真实工厂与虚拟工厂的实时联动。
8.根据权利要求7所述的基于数字孪生技术的数据可视化方法，其特征在于，工厂虚拟物联网数字孪生模块还用于实时监测真实工厂的能耗数据、生产数据和排放数据，并对能耗数据、生产数据和排放数据进行级别判断，达到预设级别后，工厂虚拟物联网数字孪生模块发出预警信号；构建预判仿真模型，将能耗数据和排放数据作为模型输入，将生产数据作为模型输出，进行迭代训练，以获得用于预判未来一时间内基于能耗数据和排放数据的生产数据预判仿真模型；
所述工厂虚拟物联网数字孪生模块对能耗数据进行流向分析，确定每个流向生产线的能耗子数据及能耗阈值，当能耗子数据超出能耗阈值时，该流向生产线上的3D模型在工厂虚拟物联网数字孪生模块高亮预警；以及，
所述工厂虚拟物联网数字孪生模块对排放数据进行来源分析，确定每个来源生产线的能耗子数据及能耗阈值，当能耗子数据超出能耗阈值时，该来源生产线上的3D模型在工厂虚拟物联网数字孪生模块高亮预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311668704.1A CN117372630B (zh) | 2023-12-07 | 2023-12-07 | 基于数字孪生技术的数据可视化系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311668704.1A CN117372630B (zh) | 2023-12-07 | 2023-12-07 | 基于数字孪生技术的数据可视化系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117372630A CN117372630A (zh) | 2024-01-09 |
| CN117372630B true CN117372630B (zh) | 2024-03-01 |
Family
ID=89404440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311668704.1A Active CN117372630B (zh) | 2023-12-07 | 2023-12-07 | 基于数字孪生技术的数据可视化系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117372630B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111833426A (zh) * | 2020-07-23 | 2020-10-27 | 四川长虹电器股份有限公司 | 基于数字孪生的三维可视化方法 |
| CN112382064A (zh) * | 2020-11-12 | 2021-02-19 | 广东电网有限责任公司 | 一种基于数字孪生技术的电力物联网故障预警方法及系统 |
| CN115562191A (zh) * | 2022-09-26 | 2023-01-03 | 北京能科瑞元数字技术有限公司 | 基于工业数字孪生的生产力中台智能推测分析方法 |
| CN116715034A (zh) * | 2023-07-20 | 2023-09-08 | 广州大学 | 一种基于数字孪生的码垛机器人预测性维护系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180049634A (ko) * | 2016-11-03 | 2018-05-11 | 한국전자통신연구원 | IoT 데이터를 생성하는 장치 및 방법 |
-
2023
- 2023-12-07 CN CN202311668704.1A patent/CN117372630B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111833426A (zh) * | 2020-07-23 | 2020-10-27 | 四川长虹电器股份有限公司 | 基于数字孪生的三维可视化方法 |
| CN112382064A (zh) * | 2020-11-12 | 2021-02-19 | 广东电网有限责任公司 | 一种基于数字孪生技术的电力物联网故障预警方法及系统 |
| CN115562191A (zh) * | 2022-09-26 | 2023-01-03 | 北京能科瑞元数字技术有限公司 | 基于工业数字孪生的生产力中台智能推测分析方法 |
| CN116715034A (zh) * | 2023-07-20 | 2023-09-08 | 广州大学 | 一种基于数字孪生的码垛机器人预测性维护系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| Building a Digital Twin for network optimization using Graph Neural Networks;Miquel Ferriol-Galmés 等;《Computer Networks》;20220903;全文 * |
| 基于数字孪生与深度学习技术的制造加工设备智能化方法研究;王安邦 等;《工程设计学报》;20191231(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117372630A (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3913549A1 (en) | Model integration device, method, and program, and inference, inspection, and control system | |
| CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
| CN104123476B (zh) | 基于极限学习机的气体浓度预测方法及其装置 | |
| WO2020148992A1 (ja) | モデル生成装置、モデル生成方法、モデル生成プログラム、モデル生成システム、検査システム、及び監視システム | |
| CN111580479A (zh) | 一种基于机器学习和工业物联网的智能制造行业参数寻优方法 | |
| CN114584571B (zh) | 基于空间计算技术的电网场站数字孪生同步通信方法 | |
| CN115576284A (zh) | 一种服装车间智能化管理方法及系统 | |
| CN110597235A (zh) | 一种通用智能故障诊断方法 | |
| CN112561383A (zh) | 一种基于生成对抗网络的实时异常检测方法 | |
| CN113319462A (zh) | 一种基于边云协同的焊接机器人管控方法和装置 | |
| CN112164153A (zh) | 一种ai边缘计算故障诊断器 | |
| CN115129003A (zh) | 一种基于自学习时变数字孪生的自动化产线智能监测系统 | |
| CN117372630B (zh) | 基于数字孪生技术的数据可视化系统及方法 | |
| CN115081585A (zh) | 一种强化异构图神经网络的人机物协同异常状态检测方法 | |
| CN103412549A (zh) | 一种融合多种工业网络的综合自动化控制模拟测试平台 | |
| CN112000923A (zh) | 电网故障诊断方法、系统及设备 | |
| CN115423670A (zh) | 一种基于大数据的智慧环保系统 | |
| US20230376024A1 (en) | Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process | |
| CN115987643A (zh) | 一种基于lstm和sdn的工控网络入侵检测方法 | |
| CN116150253A (zh) | 一种基于多模态信号的生产设备预测性维护方法和系统 | |
| EP3413153A1 (en) | Method and distributed control system for carrying out an automated industrial process | |
| CN108829084A (zh) | 一种基于粒子滤波的分布式智能故障诊断方法及其装置 | |
| CN114580087A (zh) | 一种船载设备的联邦剩余使用寿命预测方法、装置及系统 | |
| CN113468823A (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
| CN207866282U (zh) | 一种基于无人驾驶的多传感器集成控制监测系统 |
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 |