CN117454488B - 基于数字孪生传感器的多设备综合方法和系统 - Google Patents

基于数字孪生传感器的多设备综合方法和系统 Download PDF

Info

Publication number
CN117454488B
CN117454488B CN202311478487.XA CN202311478487A CN117454488B CN 117454488 B CN117454488 B CN 117454488B CN 202311478487 A CN202311478487 A CN 202311478487A CN 117454488 B CN117454488 B CN 117454488B
Authority
CN
China
Prior art keywords
digital twin
vibration
twin sensor
pressure
sensor data
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
Application number
CN202311478487.XA
Other languages
English (en)
Other versions
CN117454488A (zh
Inventor
线登洲
贾凤锁
刘占省
陈辉
赵丽娅
贾立勇
袁赵婧
张嘉熙
杜磊
张智
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.)
Hebei Construction Group Corp Ltd
Original Assignee
Hebei Construction Group Corp 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 Hebei Construction Group Corp Ltd filed Critical Hebei Construction Group Corp Ltd
Priority to CN202311478487.XA priority Critical patent/CN117454488B/zh
Publication of CN117454488A publication Critical patent/CN117454488A/zh
Application granted granted Critical
Publication of CN117454488B publication Critical patent/CN117454488B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供的一种基于数字孪生传感器的多设备综合方法和系统，本发明涉及数据监测技术领域，该方法包括基于重现图方法对振动数字孪生传感器数据进行处理生成得到重现图；将重现图输入到重现图分析模型后输出得到第一振动异常程度，重现图分析模型为yolo模型；基于对各个压力数字孪生传感器的位置处在预设时长对应的健康度指标进行加权平均，确定出第二振动异常程度；基于加速度数字孪生传感器数据、声音数字孪生传感器数据、风速数字孪生传感器数据、位移数字孪生传感器数据使用第三振动输出模型直接输出第三振动异常程度；基于第一振动异常程度、第二振动异常程度、第三振动异常程度得到目标振动异常程度。

Description

基于数字孪生传感器的多设备综合方法和系统
技术领域
本发明涉及数据监测技术领域，具体涉及一种基于数字孪生传感器的多设备综合方法和系统。
背景技术
随着科技的发展和进步，在建筑施工时对建筑物振动的检测越来越重要。建筑物振动可能会由许多因素引起，例如地震、风力、交通、机器振动等。这些振动可能导致建筑物的损坏，影响结构安全，甚至可能造成人员的伤害。因此，开发出高效、准确的建筑物振动检测系统是十分必要的。数字孪生是多物理量、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；
传统的建筑物振动检测方法通常基于单一的传感器，这种方法虽然可以提供一定的监测能力，但在处理复杂和多元的振动数据时，效果并不理想。首先，单一的传感器可能无法全面捕捉到建筑物的所有振动信息，因为建筑物的振动可能在不同的部位和不同的时间产生。其次，单一传感器的监测范围可能较为有限，无法全面覆盖需要监测的区域。
因此如何准确的识别出建筑物的异常振动是当前亟待解决的问题。
发明内容
本发明主要解决的技术问题是如何准确的识别出建筑物的异常振动。
第一方面，本申请第一方面提供了一种基于数字孪生传感器的多设备综合方法，包括：
获取多个数字孪生传感器采集的多个数字孪生传感器数据，多个数字孪生传感器包括振动数字孪生传感器、压力数字孪生传感器、加速度数字孪生传感器、声音数字孪生传感器、风速数字孪生传感器、位移数字孪生传感器；
基于重现图方法对预设时长内的振动数字孪生传感器数据进行处理生成得到重现图；
将重现图输入到重现图分析模型后输出得到第一振动异常程度，重现图分析模型为yolo模型；
处于建筑物不同位置的多个压力数字孪生传感器在预设时长内的多个采样时刻采集压力数字孪生传感器数据；获取对多个采样时刻下的压力数字孪生传感器数据分别关联的压力值对应的概率密度；从每个压力数字孪生传感器分别对应的概率密度中，对所有的压力传感器数据对应的所有概率密度从大至小进行排序，在所有概率密度中确定第一最大的概率密度，并确定所述第一最大的概率密度对应的压力传感器数据；以及对每个压力传感器对应的概率密度从大至小进行排序，在每个压力传感器在对应的概率密度中，将最大的概率密度确定为第二最大的概率密度；
确定每个压力数字孪生传感器对应的第一最大概率密度；以及从多个压力数字孪生传感器对应的第一最大的概率密度中，确定第二最大的概率密度，并根据以下公式确定建筑物在第i个压力数字孪生传感器的位置处在所述预设时长对应的健康度指标HLIACi：
；
其中，max_ΔTACi为第i个压力数字孪生传感器对应的第一最大概率密度对应的 压力值，为所述第二最大的概 率密度对应的压力值；
对各个所述压力数字孪生传感器的位置处在所述预设时长对应的健康度指标进行加权平均，确定出第二振动异常程度；
基于预设时长内的加速度数字孪生传感器数据、声音数字孪生传感器数据、风速数字孪生传感器数据、位移数字孪生传感器数据使用第三振动输出模型直接输出第三振动异常程度；
基于第一振动异常程度、第二振动异常程度、第三振动异常程度得到目标振动异常程度；
若目标振动异常程度大于振动异常阈值，则确定建筑物在预设时长内发生异常振动，并通知管理终端进行后续分析。
其中，本申请提供的方法还包括：若确定建筑物发生异常振动，则暂停施工、疏散人员。
其中，获取对多个采样时刻下的压力数字孪生传感器数据分别关联的压力值对应的概率密度，包括：
获取对多个采样时刻下的压力数字孪生传感器数据进行核密度估计，获取多个压力数字孪生传感器数据分别关联的压力值对应的概率密度。
其中，第三振动输出模型为Transformer模型。
其中，基于第一振动异常程度、第二振动异常程度、第三振动异常程度得到目标振动异常程度，包括：对第一振动异常程度、第二振动异常程度、第三振动异常程度分别赋予不同的权重后，再进行加权求和后得到目标振动异常程度，例如：第一振动异常程度、所述第二振动异常程度、所述第三振动异常程度的权重数值根据实际情况确定，可以分别设置为0.6、0.5以及0.4。
第二方面，本申请还提供了一种基于数字孪生传感器的多设备综合系统，包括：
获取模块，用于获取多个数字孪生传感器采集的多个数字孪生传感器数据，多个数字孪生传感器包括振动数字孪生传感器、压力数字孪生传感器、加速度数字孪生传感器、声音数字孪生传感器、风速数字孪生传感器、位移数字孪生传感器；
重现图模块，用于基于重现图方法对预设时长内的振动数字孪生传感器数据进行处理生成得到重现图；
重现图分析模块，用于将重现图输入到重现图分析模型后输出得到第一振动异常程度，重现图分析模型为yolo模型；
第二振动异常程度模块，用于处于建筑物不同位置的多个压力数字孪生传感器在预设时长内的多个采样时刻采集压力数字孪生传感器数据；获取对多个采样时刻下的压力数字孪生传感器数据分别关联的压力值对应的概率密度；从每个压力数字孪生传感器分别对应的概率密度中，确定每个压力数字孪生传感器对应的第一最大概率密度；以及从多个压力数字孪生传感器对应的第一最大的概率密度中，确定第二最大的概率密度，并根据以下公式确定建筑物在第i个压力数字孪生传感器的位置处在所述预设时长对应的健康度指标HLIACi：
；
其中，max_ΔTACi为第i个压力数字孪生传感器对应的第一最大概率密度对应的 压力值，为所述第二最大的概 率密度对应的压力值；
对各个所述压力数字孪生传感器的位置处在所述预设时长对应的健康度指标进行加权平均，确定出第二振动异常程度；
第三振动异常程度模块，用于基于预设时长内的加速度数字孪生传感器数据、声音数字孪生传感器数据、风速数字孪生传感器数据、位移数字孪生传感器数据使用第三振动输出模型直接输出第三振动异常程度；
目标振动异常程度模块，用于基于第一振动异常程度、第二振动异常程度、第三振动异常程度得到目标振动异常程度；
通知模块，用于若目标振动异常程度大于振动异常阈值，则确定建筑物发生异常振动，并通知管理终端进行后续分析。
其中，系统还用于：若确定建筑物发生异常振动，则暂停施工、疏散人员。
其中，第二振动异常程度模块，具体用于获取对多个采样时刻下的压力数字孪生传感器数据进行核密度估计，获取多个压力数字孪生传感器数据分别关联的压力值对应的概率密度。
其中，第三振动输出模型为Transformer模型。
其中，目标振动异常程度模块还用于：对第一振动异常程度、第二振动异常程度、第三振动异常程度分别赋予不同的权重后，再进行加权求和后得到目标振动异常程度，例如：第一振动异常程度、所述第二振动异常程度、所述第三振动异常程度的权重数值根据实际情况确定，可以分别设置为0.6、0.5以及0.4。
本发明提供的一种基于数字孪生传感器的多设备综合方法和系统，该方法包括获 取多个数字孪生传感器采集的多个数字孪生传感器数据，所述多个数字孪生传感器包括振 动数字孪生传感器、压力数字孪生传感器、加速度数字孪生传感器、声音数字孪生传感器、 风速数字孪生传感器、位移数字孪生传感器；基于重现图方法对振动数字孪生传感器数据 进行处理生成得到重现图；将所述重现图输入到所述重现图分析模型后输出得到第一振动 异常程度，所述重现图分析模型为yolo模型；基于压力数字孪生传感器数据计算建筑物内 部应力场的概率密度函数；处于建筑物不同位置的多个压力数字孪生传感器在预设时长内 的多个采样时刻采集压力数字孪生传感器数据；获取对多个采样时刻下的压力数字孪生传 感器数据分别关联的压力值对应的概率密度；从每个压力数字孪生传感器分别对应的概率 密度中，确定每个压力数字孪生传感器对应的第一最大概率密度；以及从多个压力数字孪 生传感器对应的第一最大的概率密度中，确定第二最大的概率密度，并根据，确定在预设时 长内，建筑物在第i个压力数字孪生传感器的位置处的健康度指标HLIACi；其中，max_Δ TACi为第i个压力数字孪生传感器对应的第一最大概率密度对应的压力值，为第二最大的概率密度对应的 压力值；对各个压力数字孪生传感器的位置处在预设时长对应的健康度指标进行加权平 均，每个压力传感器的位置处在预设时长对应的健康度指标的权值根据实际情况设定，例 如每个权值都设为0.5，确定出第二振动异常程度；基于加速度数字孪生传感器数据、声音 数字孪生传感器数据、风速数字孪生传感器数据、位移数字孪生传感器数据使用第三振动 输出模型直接输出第三振动异常程度；基于所述第一振动异常程度、所述第二振动异常程 度、所述第三振动异常程度得到目标振动异常程度；若所述目标振动异常程度大于振动异 常阈值，则确定建筑物发生异常振动，并通知管理终端进行后续分析，该方法能够准确的识 别出建筑物的异常振动。
附图说明
图1为本发明实施例提供的一种基于数字孪生传感器的多设备综合方法的流程示意图；
图2为本发明实施例提供的一种基于数字孪生传感器的多设备综合系统的示意图。
具体实施方式
本发明实施例中，提供了如图1所示的一种基于数字孪生传感器的多设备综合方法，所述基于数字孪生传感器的多设备综合方法包括步骤S1~S9：
步骤S1，获取多个数字孪生传感器采集的多个数字孪生传感器数据，所述多个数字孪生传感器包括振动数字孪生传感器、压力数字孪生传感器、加速度数字孪生传感器、声音数字孪生传感器、风速数字孪生传感器、位移数字孪生传感器。
振动数字孪生传感器用于检测建筑的振动情况，如建筑物的结构振动，且用于仿真出新的孪生振动数据。
压力数字孪生传感器用于测量建筑表面或内部的压力情况，且用于仿真出新的孪生压力数据。
加速度数字孪生传感器用于测量物体的加速度。在建筑物振动检测中，加速度数字孪生传感器可以用于检测结构的加速度，且用于仿真出新的加速度数据。
声音数字孪生传感器用于捕捉周围环境中声音的强度和频率等信息。在建筑物振动检测中，声音数字孪生传感器可以用于检测建筑物内部和周围环境中的受到声音影响产生的振动信号，且用于仿真出新的孪生强度和孪生频率。
风速数字孪生传感器可以测量风的速度和方向等参数。在建筑物振动检测中，风速数字孪生传感器可以用于检测建筑物受到的风力影响，且用于仿真出新的孪生速度和方向。
位移数字孪生传感器可以测量物体的运动状态和位置。在建筑物振动检测中，位移数字孪生传感器可以用于测量建筑物的位移和变形等运动参数，且用于仿真出新的孪生运动状态和位置。
步骤S2，基于重现图方法对预设时长内的振动数字孪生传感器数据进行处理生成得到重现图。
步骤S2具体包括：
构建相空间：
将振动数字孪生传感器数据通过时延嵌入技术选择合适的嵌入维度和延迟时间来转换为相空间。
计算相似度矩阵：
利用相空间数据，通过欧氏距离计算任意两个观测点之间的相似度。
构建重现图：
根据相似度矩阵，可以构建重现图。重现图是一个二维的图像，矩阵中的每个元素代表相空间中两个观测点的相似度。可以使用不同的阈值来确定相似度的临界值，从而决定重现图中的连通和非连通区域。
通过重现图方法将振动数字孪生传感器采集到的数据转化为可视化的形式，以便更直观地观察和分析物体或结构的位移特征。
步骤S3，将所述重现图输入到所述重现图分析模型后输出得到第一振动异常程度，所述重现图分析模型为yolo模型。
YOLO（You Only Look Once）是一种基于深度学习的目标检测算法，YOLO可以快速且准确地检测出图像中的多个物体，并确定出第一振动异常程度。
可以通过YOLO模型对生成的重现图进行异常检测，以评估物体的振动情况是否正常，并给出第一振动异常程度的量化结果。
第一振动异常程度用于表示建筑物的异常程度，第一振动异常程度越大，则表示建筑物的振动越异常。
步骤S4，处于建筑物不同位置的多个压力数字孪生传感器在预设时长内的多个采样时刻采集压力数字孪生传感器数据；获取对多个采样时刻下的压力数字孪生传感器数据分别关联的压力值对应的概率密度；从每个压力数字孪生传感器分别对应的概率密度中，确定每个压力数字孪生传感器对应的第一最大概率密度；以及从多个压力数字孪生传感器对应的第一最大的概率密度中，确定第二最大的概率密度。
具体地，可以获取对多个采样时刻下的压力数字孪生传感器数据进行核密度估计，获取多个压力数字孪生传感器数据中分别关联的压力值对应的概率密度。例如，压力数字孪生传感器1在采样时刻1采集的压力数字孪生传感器数据关联的压力值A，压力数字孪生传感器1在采样时刻2采集的压力数字孪生传感器数据关联的压力值A、压力数字孪生传感器1在采样时刻3采集的压力数字孪生传感器数据关联的压力值B、压力数字孪生传感器1在采样时刻4采集的压力数字孪生传感器数据关联的压力值C、压力数字孪生传感器1在采样时刻5采集的压力数字孪生传感器数据关联的压力值C，...，等等,可以计算压力值A对应的概率密度、压力值B对应的概率密度以及压力值C对应的概率密度等等。假设压力值C对应的概率密度最大，则压力值C对应的概率密度为压力数字孪生传感器1对应的第一最大概率密度。类似地，确定压力数字孪生传感器2、压力数字孪生传感器3等对应的第一最大概率密度与确定压力数字孪生传感器1对应的第一最大概率密度类似，在此不作赘述。
进而，从压力数字孪生传感器1、压力数字孪生传感器2、压力数字孪生传感器3等分别对应的第一最大概率密度中，选择一个最大的第一概率密度作为第二最大的概率密度。
概率密度函数是描述随机变量概率分布的数学函数。对于给定的随机变量，其概率密度函数可以用于表示随机变量取值的概率分布情况，即某个取值出现的概率大小。对于压力数字孪生传感器所测得的各个位置的压力值，可以通过计算概率密度函数来描述这些压力值的分布情况，比如确定平均值、方差以及压力值落在一定范围内的概率等。
在一些实施例中，可以利用正态分布模型对压力数据进行分析，计算各个位置压力值的概率密度函数。对于某个位置，计算出其压力值的均值为0.5MPa，方差为0.01MPa^2，根据正态分布的概率密度函数公式，可以计算出该位置不同压力值点对应的概率密度值，作为示例：压力值0.45对应的概率密度为0.008，压力值0.46对应的概率密度为0.014，压力值0.47对应的概率密度为0.024......压力值0.54对应的概率密度为0.014，压力值0.55对应的概率密度为0.008。不同位置的压力值概率密度函数呈现出不同的形态和特征，反映了该位置压力值的不同分布情况。基于这些分析结果，可以通过概率密度更好地理解建筑物内部不同位置的压力分布情况，以确定出建筑物振动的异常程度。
步骤S5，根据， 确定在预设时长内，建筑物在第i个压力数字孪生传感器的位置处的健康度指标HLIACi。其 中，max_ΔTACi为第i个压力数字孪生传感器对应的第一最大概率密度对应的压力值，为第二最大的概率密度对应的 压力值。
可以理解地，通过确定单个压力数字孪生传感器数量最多的压力数字孪生传感器数据的取值，与在建筑体中的多个不同位置的压力数字孪生传感器对应的多个压力数字孪生传感器数据中最多的压力数字孪生传感器数据的取值的比例，可以表达出单个压力数字孪生传感器的多个压力数字孪生传感器数据相对于在建筑体中的其他压力数字孪生传感器的多个压力数字孪生传感器数据的离群度，可以理解地，离群度可以表达出建筑体的受力均匀程度，即受力健康度指标。一般来说受力越均匀，受力健康度指标越高，反之，受力越不均匀，受力健康度指标越低。
步骤S6，对各个压力数字孪生传感器的位置处在预设时长对应的健康度指标进行加权平均，每个压力传感器的位置处在预设时长对应的健康度指标的权值根据实际情况设定，例如每个权值都设为0.5，确定出第二振动异常程度。
例如，对各个压力数字孪生传感器的位置处在预设时长对应的健康度指标可以根据实际需求而定。例如，预先根据压力数字孪生传感器的位置处的重要性，各个压力数字孪生传感器的位置处在预设时长对应的健康度指标。可以理解地，重要性越高的压力数字孪生传感器的位置处在预设时长对应的健康度指标的权重越高。
步骤S7，基于预设时长内的加速度数字孪生传感器数据、声音数字孪生传感器数据、风速数字孪生传感器数据、位移数字孪生传感器数据使用第三振动输出模型直接输出第三振动异常程度。
所述第三振动输出模型为Transformer模型，Transformer模型能够处理任意长度的序列数据，捕捉序列的信息，输出基于序列中前后数据关联关系的结果。第三振动输出模型综合考虑了各个传感器的各个时间点的加速度数字孪生传感器数据、声音数字孪生传感器数据、风速数字孪生传感器数据、位移数字孪生传感器数据，并输出得到第三振动异常程度。第三振动输出模型可以通过梯度下降法对训练样本进行训练得到。
步骤S8，基于所述第一振动异常程度、所述第二振动异常程度、所述第三振动异常程度得到目标振动异常程度。
所述基于所述第一振动异常程度、所述第二振动异常程度、所述第三振动异常程度得到目标振动异常程度，包括：对所述第一振动异常程度、所述第二振动异常程度、所述第三振动异常程度分别赋予不同的权重后，再进行加权求和后得到目标振动异常程度，例如：第一振动异常程度、所述第二振动异常程度、所述第三振动异常程度的权重数值根据实际情况确定，可以分别设置为0.6、0.5以及0.4。
步骤S9，若目标振动异常程度大于振动异常阈值，则确定建筑物在预设时长内发生异常振动，并通知管理终端进行后续分析。
所述方法还包括：若确定建筑物发生异常振动，则暂停施工、疏散人员。
在一些实施例中，振动异常阈值可以通过用户手动提前输入。
在一些实施例中，振动异常阈值可以通过如下公式确定：
V_threshold = (Φ × A × S × C1) / (F_range × C2)；
其中，V _threshold 表示振动异常阈值，Φ表示建筑物正常振动时的相位差。A表示建筑物正常振动时的振动幅值。S 表示建筑物正常振动时的平均谱值。C1 和 C2 是常数，F_range 表示建筑物正常振动时的频率范围。
综上所述，本发明提供的一种基于数字孪生传感器的多设备综合方法，该方法包 括获取多个数字孪生传感器采集的多个数字孪生传感器数据，所述多个数字孪生传感器包 括振动数字孪生传感器、压力数字孪生传感器、加速度数字孪生传感器、声音数字孪生传感 器、风速数字孪生传感器、位移数字孪生传感器；基于重现图方法对振动数字孪生传感器数 据进行处理生成得到重现图；将所述重现图输入到所述重现图分析模型后输出得到第一振 动异常程度，所述重现图分析模型为yolo模型；基于压力数字孪生传感器数据计算建筑物 内部应力场的概率密度函数；处于建筑物不同位置的多个压力数字孪生传感器在预设时长 内的多个采样时刻采集压力数字孪生传感器数据；获取对多个采样时刻下的压力数字孪生 传感器数据分别关联的压力值对应的概率密度；从每个压力数字孪生传感器分别对应的概 率密度中，确定每个压力数字孪生传感器对应的第一最大概率密度；以及从多个压力数字 孪生传感器对应的第一最大的概率密度中，确定第二最大的概率密度，并根据 ，确定在预设 时长内，建筑物在第i个压力数字孪生传感器的位置处的健康度指标HLIACi；其中，max_Δ TACi为第i个压力数字孪生传感器对应的第一最大概率密度对应的压力值，为第二最大的概率密度对应的 压力值；对各个压力数字孪生传感器的位置处在预设时长对应的健康度指标进行加权平 均，每个压力传感器的位置处在预设时长对应的健康度指标的权值根据实际情况设定，例 如每个权值都设为0.5，确定出第二振动异常程度；基于加速度数字孪生传感器数据、声音 数字孪生传感器数据、风速数字孪生传感器数据、位移数字孪生传感器数据使用第三振动 输出模型直接输出第三振动异常程度；基于所述第一振动异常程度、所述第二振动异常程 度、所述第三振动异常程度得到目标振动异常程度；若所述目标振动异常程度大于振动异 常阈值，则确定建筑物发生异常振动，并通知管理终端进行后续分析，该方法能够准确的识 别出建筑物的异常振动。
基于同一发明构思，图2为本发明的实施例提供的一种基于数字孪生传感器的多设备综合系统示意图，所述基于数字孪生传感器的多设备综合系统包括：
获取模块21，用于获取多个数字孪生传感器采集的多个数字孪生传感器数据，所述多个数字孪生传感器包括振动数字孪生传感器、压力数字孪生传感器、加速度数字孪生传感器、声音数字孪生传感器、风速数字孪生传感器、位移数字孪生传感器；
重现图模块22，用于基于重现图方法对预设时长内的振动数字孪生传感器数据进行处理生成得到重现图；
重现图分析模块23，用于将所述重现图输入到所述重现图分析模型后输出得到第一振动异常程度，所述重现图分析模型为yolo模型；
第二振动异常程度模块24，用于处于建筑物不同位置的多个压力数字孪生传感器 在预设时长内的多个采样时刻采集压力数字孪生传感器数据；获取对多个采样时刻下的压 力数字孪生传感器数据分别关联的压力值对应的概率密度；从每个压力数字孪生传感器分 别对应的概率密度中，确定每个压力数字孪生传感器对应的第一最大概率密度；以及从多 个压力数字孪生传感器对应的第一最大的概率密度中，确定第二最大的概率密度，并根据，确定在 预设时长内，建筑物在第i个压力数字孪生传感器的位置处的健康度指标HLIACi；其中， max_ΔTACi为第i个压力数字孪生传感器对应的第一最大概率密度对应的压力值，为第二最大的概率密度对应的 压力值；对各个压力数字孪生传感器的位置处在预设时长对应的健康度指标进行加权平 均，每个压力传感器的位置处在预设时长对应的健康度指标的权值根据实际情况设定，例 如每个权值都设为0.5，确定出第二振动异常程度；
第三振动异常程度模块25，用于基于预设时长内的加速度数字孪生传感器数据、声音数字孪生传感器数据、风速数字孪生传感器数据、位移数字孪生传感器数据使用第三振动输出模型直接输出第三振动异常程度；
目标振动异常程度模块26，于基于所述第一振动异常程度、所述第二振动异常程度、所述第三振动异常程度得到目标振动异常程度；
通知模块27，用于若所述目标振动异常程度大于振动异常阈值，则确定建筑物在预设时长内发生异常振动，并通知管理终端进行后续分析。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于数字孪生传感器的多设备综合方法，其特征在于，包括：
获取多个数字孪生传感器采集的多个数字孪生传感器数据，所述多个数字孪生传感器包括振动数字孪生传感器、压力数字孪生传感器、加速度数字孪生传感器、声音数字孪生传感器、风速数字孪生传感器、位移数字孪生传感器；
基于重现图方法对预设时长内的振动数字孪生传感器数据进行处理生成得到重现图；
将所述重现图输入到重现图分析模型后输出得到第一振动异常程度，所述重现图分析模型为yolo模型；
处于建筑物不同位置的多个压力数字孪生传感器在预设时长内的多个采样时刻采集压力数字孪生传感器数据，获取对多个所述采样时刻下的所述压力数字孪生传感器数据分别关联的压力值对应的概率密度；
从每个所述压力值对应的概率密度中，确定每个压力数字孪生传感器对应的第一最大概率密度；以及从每个所述压力数字孪生传感器在所述预设时长下对应的第一最大的概率密度中，确定第二最大的概率密度，并根据以下公式确定建筑物在第i个压力数字孪生传感器的位置处在所述预设时长对应的健康度指标HLIACi：
，
其中，max_ΔTACi为第i个压力数字孪生传感器对应的第一最大概率密度对应的压力值，为所述第二最大的概率密度对应的压力值；
对各个所述压力数字孪生传感器的位置处在所述预设时长对应的健康度指标进行加权平均，确定出第二振动异常程度；
基于所述预设时长内的加速度数字孪生传感器数据、声音数字孪生传感器数据、风速数字孪生传感器数据、位移数字孪生传感器数据使用第三振动输出模型直接输出第三振动异常程度；
基于所述第一振动异常程度、所述第二振动异常程度、所述第三振动异常程度得到目标振动异常程度；
若所述目标振动异常程度大于振动异常阈值，则确定建筑物在所述预设时长内发生异常振动，并通知管理终端进行后续分析;
所述基于重现图方法对预设时长内的振动数字孪生传感器数据进行处理生成得到重现图具体包括：
构建相空间：
将振动数字孪生传感器数据通过时延嵌入技术选择合适的嵌入维度和延迟时间来转换为相空间；
计算相似度矩阵：
利用相空间数据，通过欧氏距离计算任意两个观测点之间的相似度；
构建重现图：
根据相似度矩阵，构建重现图；重现图是一个二维的图像，矩阵中的每个元素代表相空间中两个观测点的相似度；使用不同的阈值来确定相似度的临界值，从而决定重现图中的连通和非连通区域。
2.如权利要求1所述的基于数字孪生传感器的多设备综合方法，其特征在于，所述方法还包括：若确定建筑物发生异常振动，则暂停施工、疏散人员。
3.如权利要求1所述的基于数字孪生传感器的多设备综合方法，其特征在于，所述获取对多个所述采样时刻下的所述压力数字孪生传感器数据分别关联的压力值对应的概率密度，包括：
获取对多个所述采样时刻下的所述压力数字孪生传感器数据进行核密度估计，获取多个所述压力数字孪生传感器数据分别关联的压力值对应的概率密度。
4.如权利要求1所述的基于数字孪生传感器的多设备综合方法，其特征在于，所述第三振动输出模型为Transformer模型。
5.如权利要求1所述的基于数字孪生传感器的多设备综合方法，其特征在于，所述基于所述第一振动异常程度、所述第二振动异常程度、所述第三振动异常程度得到目标振动异常程度，包括：对所述第一振动异常程度、所述第二振动异常程度、所述第三振动异常程度分别赋予不同的权重后，再进行加权求和后得到目标振动异常程度。
6.一种基于数字孪生传感器的多设备综合系统，其特征在于，包括：
获取模块，用于获取多个数字孪生传感器采集的多个数字孪生传感器数据，所述多个数字孪生传感器包括振动数字孪生传感器、压力数字孪生传感器、加速度数字孪生传感器、声音数字孪生传感器、风速数字孪生传感器、位移数字孪生传感器；
重现图模块，用于基于重现图方法对预设时长内的振动数字孪生传感器数据进行处理生成得到重现图；
重现图分析模块，用于将所述重现图输入到所述重现图分析模型后输出得到第一振动异常程度，所述重现图分析模型为yolo模型；
第二振动异常程度模块，用于处于建筑物不同位置的多个压力数字孪生传感器在预设时长内的多个采样时刻采集压力数字孪生传感器数据；获取对多个所述采样时刻下的所述压力数字孪生传感器数据分别关联的压力值对应的概率密度；从每个所述压力值对应的概率密度中，确定每个压力数字孪生传感器对应的第一最大概率密度；以及从每个所述压力数字孪生传感器在所述预设时长下对应的第一最大的概率密度中，确定第二最大的概率密度，并根据以下公式确定建筑物在第i个压力数字孪生传感器的位置处在所述预设时长对应的健康度指标HLIACi：
，
其中，max_ΔTACi为第i个压力数字孪生传感器对应的第一最大概率密度对应的压力值，为所述第二最大的概率密度对应的压力值；
对各个所述压力数字孪生传感器的位置处在所述预设时长对应的健康度指标进行加权平均，确定出第二振动异常程度；
第三振动异常程度模块，用于基于预设时长内的加速度数字孪生传感器数据、声音数字孪生传感器数据、风速数字孪生传感器数据、位移数字孪生传感器数据使用第三振动输出模型直接输出第三振动异常程度；
目标振动异常程度模块，用于基于所述第一振动异常程度、所述第二振动异常程度、所述第三振动异常程度得到目标振动异常程度；
通知模块，用于若所述目标振动异常程度大于振动异常阈值，则确定建筑物发生异常振动，并通知管理终端进行后续分析；
所述基于重现图方法对预设时长内的振动数字孪生传感器数据进行处理生成得到重现图具体包括：
构建相空间：
将振动数字孪生传感器数据通过时延嵌入技术选择合适的嵌入维度和延迟时间来转换为相空间；
计算相似度矩阵：
利用相空间数据，通过欧氏距离计算任意两个观测点之间的相似度；
构建重现图：
根据相似度矩阵，构建重现图；重现图是一个二维的图像，矩阵中的每个元素代表相空间中两个观测点的相似度；使用不同的阈值来确定相似度的临界值，从而决定重现图中的连通和非连通区域。
7.如权利要求6所述的基于数字孪生传感器的多设备综合系统，其特征在于，所述系统还用于：若确定建筑物发生异常振动，则暂停施工、疏散人员。
8.如权利要求6所述的基于数字孪生传感器的多设备综合系统，其特征在于，
第二振动异常程度模块，具体用于获取对多个所述采样时刻下的所述压力数字孪生传感器数据进行核密度估计，获取多个所述压力数字孪生传感器数据分别关联的压力值对应的概率密度。
9.如权利要求6所述的基于数字孪生传感器的多设备综合系统，其特征在于，所述第三振动输出模型为Transformer模型。
10.如权利要求6所述的基于数字孪生传感器的多设备综合系统，其特征在于，所述目标振动异常程度模块还用于：对所述第一振动异常程度、所述第二振动异常程度、所述第三振动异常程度分别赋予不同的权重后，再进行加权求和后得到目标振动异常程度。
CN202311478487.XA 2023-11-08 2023-11-08 基于数字孪生传感器的多设备综合方法和系统 Active CN117454488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311478487.XA CN117454488B (zh) 2023-11-08 2023-11-08 基于数字孪生传感器的多设备综合方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311478487.XA CN117454488B (zh) 2023-11-08 2023-11-08 基于数字孪生传感器的多设备综合方法和系统

Publications (2)

Publication Number Publication Date
CN117454488A CN117454488A (zh) 2024-01-26
CN117454488B true CN117454488B (zh) 2024-03-26

Family

ID=89588934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311478487.XA Active CN117454488B (zh) 2023-11-08 2023-11-08 基于数字孪生传感器的多设备综合方法和系统

Country Status (1)

Country Link
CN (1) CN117454488B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112904220A (zh) * 2020-12-30 2021-06-04 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
CN115422696A (zh) * 2022-04-24 2022-12-02 上海玫克生储能科技有限公司 一种模组数字孪生模型建立方法、系统、终端和介质
CN115437344A (zh) * 2022-07-29 2022-12-06 中国电力科学研究院有限公司 一种数字孪生综合能源故障诊断系统、方法、设备和介质
CN116129366A (zh) * 2023-04-19 2023-05-16 肯特智能技术（深圳）股份有限公司 基于数字孪生的园区监测方法及相关装置
CN116256991A (zh) * 2022-05-30 2023-06-13 合肥学院 基于数据孪生的协作机器人远程监控方法
WO2023113252A1 (ko) * 2021-12-13 2023-06-22 주식회사 스탠스 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램
CN116380166A (zh) * 2023-04-04 2023-07-04 山推工程机械股份有限公司 一种设备异常监测方法、电子设备及存储介质
CN116541570A (zh) * 2023-03-17 2023-08-04 安徽交泰智能技术有限公司 一种基于数字孪生的设备预测性维护系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286572A1 (en) * 2016-03-31 2017-10-05 General Electric Company Digital twin of twinned physical system

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112904220A (zh) * 2020-12-30 2021-06-04 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
WO2023113252A1 (ko) * 2021-12-13 2023-06-22 주식회사 스탠스 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램
CN115422696A (zh) * 2022-04-24 2022-12-02 上海玫克生储能科技有限公司 一种模组数字孪生模型建立方法、系统、终端和介质
CN116256991A (zh) * 2022-05-30 2023-06-13 合肥学院 基于数据孪生的协作机器人远程监控方法
CN115437344A (zh) * 2022-07-29 2022-12-06 中国电力科学研究院有限公司 一种数字孪生综合能源故障诊断系统、方法、设备和介质
CN116541570A (zh) * 2023-03-17 2023-08-04 安徽交泰智能技术有限公司 一种基于数字孪生的设备预测性维护系统
CN116380166A (zh) * 2023-04-04 2023-07-04 山推工程机械股份有限公司 一种设备异常监测方法、电子设备及存储介质
CN116129366A (zh) * 2023-04-19 2023-05-16 肯特智能技术（深圳）股份有限公司 基于数字孪生的园区监测方法及相关装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Artificial Intelligence in Underwater Digital Twins Sensor Networks;Lv, ZH等;《Web of Science》;20220831;全文 *
企业离散式智能设备预测性维护综述;李福兴等;《测控技术》;20210831;第40卷(第8期);全文 *
基于数字孪生的船舶预测性维护;李福兴;李璐爔;彭友;;船舶工程;20200715(第S1期);全文 *
深度学习在数字全息再现中的应用研究;殷达;《中国优秀硕士学位论文全文数据库 信息科技辑》;20210315;第2021年卷(第3期);全文 *

Also Published As

Publication number Publication date
CN117454488A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
JP5657209B2 (ja) ノベルティ検出
CN106323452B (zh) 一种设备异音的检测方法及检测装置
JP6061693B2 (ja) 異常診断装置およびこれを用いた異常診断方法
CN108470138A (zh) 用于目标检测的方法和装置
JP6849446B2 (ja) 振動監視システム
JP6882397B2 (ja) 異音等検出システム、装置、方法及びプログラム
US20190072947A1 (en) Method of predicting plant data and apparatus using the same
CN107748209B (zh) 一种结构损伤检测方法
JP2019067197A (ja) 故障予兆検知手法
CN115690106B (zh) 一种基于计算机视觉的深埋锚具封闭检测方法
CN114492629A (zh) 异常检测方法、装置、电子设备及存储介质
KR101543146B1 (ko) 진동 장치의 상태 판단 방법
CN108152458A (zh) 气体检测方法及装置
US20210397177A1 (en) Fault diagnostics systems and methods
CN117454488B (zh) 基于数字孪生传感器的多设备综合方法和系统
KR101883277B1 (ko) Dtwep 기반 제조공정의 이상탐지 방법 및 장치
JP2002323371A (ja) 音響診断装置及び音響診断方法
TW202045898A (zh) 解析裝置、解析方法及程式
JP7180946B2 (ja) 地震情報処理装置
Basten et al. Structural health monitoring with a wireless vibration sensor network
WO2022059720A1 (ja) 構造物診断システム、構造物診断方法、および構造物診断プログラム
CN115272229A (zh) 一种类别不平衡条件下的异常视觉图像检测方法及装置
CN116910489B (zh) 基于人工智能的墙体防渗检测方法及相关装置
US11624687B2 (en) Apparatus and method for detecting microcrack using orthogonality analysis of mode shape vector and principal plane in resonance point
JP7143895B2 (ja) 情報処理装置、情報処理方法、およびプログラム

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