CN117592310B - 支撑结构数字孪生模型的更新方法、装置、设备以及介质 - Google Patents
支撑结构数字孪生模型的更新方法、装置、设备以及介质 Download PDFInfo
- Publication number
- CN117592310B CN117592310B CN202410063773.8A CN202410063773A CN117592310B CN 117592310 B CN117592310 B CN 117592310B CN 202410063773 A CN202410063773 A CN 202410063773A CN 117592310 B CN117592310 B CN 117592310B
- Authority
- CN
- China
- Prior art keywords
- model
- support structure
- response result
- digital twin
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000004044 response Effects 0.000 claims abstract description 135
- 238000004088 simulation Methods 0.000 claims abstract description 67
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims description 38
- 230000008447 perception Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000000704 physical effect Effects 0.000 claims description 20
- 239000000463 material Substances 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 18
- 230000006378 damage Effects 0.000 claims description 17
- 230000005284 excitation Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000001953 sensory effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 10
- 238000013016 damping Methods 0.000 description 26
- 239000003795 chemical substances by application Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012933 kinetic analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- 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)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种支撑结构数字孪生模型的更新方法、装置、设备以及介质。该方法包括：获取支撑结构的数字孪生模型，并基于数字孪生模型，确定第一仿真响应结果；通过支撑结构关联的感知设备获取感知数据，并根据感知数据，确定实测响应结果；若检测到实测响应结果与第一仿真响应结果不满足第一偏差条件，则基于预先构建的代理模型，确定支撑结构的目标物性参数；根据目标物性参数，对支撑结构数字孪生模型进行更新。本技术方案解决了现有支撑结构检测方案物理量采集丰富度低、支撑结构运行状态模拟和预测的准确率低等问题，可以有效提高支撑结构的管理效率，保证支撑结构的稳定可靠运行，显著节约支撑结构在检测过程中的硬件成本和人工成本。
Description
技术领域
本发明涉及数字化仿真技术领域，尤其涉及一种支撑结构数字孪生模型的更新方法、装置、设备以及介质。
背景技术
目前，对于支撑结构，例如房屋、风电机组塔架等建筑结构中的支撑结构，车辆等机械结构中的支撑结构，通常只能针对有限的支撑结构进行简单的状态检测。例如通过在桥梁中部署压力、温度等传感器获取结构应力、温度等感知信息，根据感知信息对桥梁进行状态检测。
但是，对于支撑结构的部分物性参数，例如阻尼，难以通过实体传感器进行测量。对于部分实体传感器，部署成本较高，甚至难以进行部署。同时，现有的状态检测方案仅能获取支撑结构检测时的状态参数，对未来运行状态进行模拟和预测的准确率低，无法实现全方位的覆盖整个生命周期的状态检测。因此，本方案通过对支撑结构进行数字孪生建模的方式，将支撑结构进行信息镜像，以实现支撑结构的全面检测和分析。
发明内容
本发明提供了一种支撑结构数字孪生模型的更新方法、装置、设备及存储介质，以解决现有支撑结构检测方案物理量采集丰富度低、支撑结构运行状态模拟和预测的准确率低等问题，可以有效提高支撑结构的管理效率，保证支撑结构的稳定可靠运行，显著节约支撑结构在检测过程中的硬件成本和人工成本。
根据本发明的一方面，提供了一种支撑结构数字孪生模型的更新方法，所述方法包括：
获取支撑结构的数字孪生模型，并基于所述数字孪生模型，确定第一仿真响应结果；
通过支撑结构关联的感知设备获取感知数据，并根据所述感知数据，确定实测响应结果；
若检测到所述实测响应结果与所述第一仿真响应结果不满足第一偏差条件，则基于预先构建的代理模型，确定支撑结构的目标物性参数；
根据所述目标物性参数，对所述支撑结构数字孪生模型进行更新。
根据本发明的另一方面，提供了一种支撑结构数字孪生模型的更新装置，该装置包括：
仿真响应结果确定模块，用于获取支撑结构的数字孪生模型，并基于所述数字孪生模型，确定第一仿真响应结果；
实测响应结果确定模块，用于通过支撑结构关联的感知设备获取感知数据，并根据所述感知数据，确定实测响应结果；
目标物性参数确定模块，用于若检测到所述实测响应结果与所述第一仿真响应结果不满足第一偏差条件，则基于预先构建的代理模型，确定支撑结构的目标物性参数；
数字孪生模型更新模块，用于根据所述目标物性参数，对所述支撑结构数字孪生模型进行更新。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的支撑结构数字孪生模型的更新方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的支撑结构数字孪生模型的更新方法。
本发明实施例的技术方案，通过获取支撑结构的数字孪生模型，并基于所述数字孪生模型，确定第一仿真响应结果；通过支撑结构关联的感知设备获取感知数据，并根据所述感知数据，确定实测响应结果；若检测到所述实测响应结果与所述第一仿真响应结果不满足第一偏差条件，则基于预先构建的代理模型，确定支撑结构的目标物性参数；根据所述目标物性参数，对所述支撑结构数字孪生模型进行更新。该技术方案解决了现有支撑结构检测方案物理量采集丰富度低、支撑结构运行状态模拟和预测的准确率低等问题，可以有效提高支撑结构的管理效率，保证支撑结构的稳定可靠运行，显著节约支撑结构在检测过程中的硬件成本和人工成本。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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他的附图。
图1是根据本发明实施例一提供的一种支撑结构数字孪生模型的更新方法的流程图；
图2是根据本发明实施例二提供的一种支撑结构数字孪生模型的更新方法的流程图；
图3是根据本发明实施例二提供的风电机组的耦合有限元模型示意图；
图4是根据本发明实施例二提供的风电机组的半耦合有限元模型示意图；
图5是根据本发明实施例三提供的一种支撑结构数字孪生模型的更新装置的结构示意图；
图6是实现本发明实施例的支撑结构数字孪生模型的更新方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1为本发明实施例一提供了一种支撑结构数字孪生模型的更新方法的流程图，本实施例可适用于支撑结构的数字孪生模型的更新场景。该方法可以由支撑结构数字孪生模型的更新装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取支撑结构的数字孪生模型，并基于所述数字孪生模型，确定第一仿真响应结果。
本方案可以由支撑结构的数字孪生系统执行，所述支撑结构可以是在建筑结构中起到支撑作用的结构，例如房屋的墙体、风电机组的塔架等，也可以是机械结构中起到支撑作用的结构，例如汽车的车身。所述数字孪生系统可以包括部署于支撑结构的感知设备，用于获取支撑结构关联的感知数据。数字孪生系统可以预先构建支撑结构的数字孪生模型，并基于所述数字孪生模型，确定第一仿真响应结果。具体的，支撑结构的数字孪生模型可以是支撑结构的整体有限元模型，根据支撑结构的整体有限元模型，进行模态分析，数字孪生系统可以确定第一仿真响应结果。其中，所述第一仿真响应结果可以包括整体有限元模型输出的模态频率、振型等数据。
S120、通过支撑结构关联的感知设备获取感知数据，并根据所述感知数据，确定实测响应结果。
可以理解的，支撑结构关联的感知设备可以部署于支撑结构内部，也可以部署于支撑结构表面，还可以部署于支撑结构的关联结构，所述关联结构可以与支撑结构在同一系统中，可以与支撑结构相邻也可以不相邻。所述感知设备可以是实体感知设备，例如物理传感器，也可以是虚拟感知设备，例如虚拟传感器。所述感知数据可以包括载荷、速度等数据。
感知数据可以作为激励输入至数据处理模型，数据处理模型的输出响应可以作为实测响应结果。数据处理模型可以包括滤波、预测以及模态识别等模型。例如对感知数据进行模态识别，可以得到支撑结构的模态频率、振型以及阻尼等实测响应结果。
S130、若检测到所述实测响应结果与所述第一仿真响应结果不满足第一偏差条件，则基于预先构建的代理模型，确定支撑结构的目标物性参数。
容易理解的，由于支撑结构部件的物理属性改变，例如部件损伤、地基沉降等，或者，物性参数难以测量无法给到数字孪生模型，例如阻尼值。数字孪生模型在运行过程中容易与支撑结构的实际运行状态存在偏差，因此需要根据数字孪生模型输出的仿真响应结果与实测响应结果的差异，对数字孪生模型的物性参数进行标定，以更新数字孪生模型。
数字孪生系统可以将当前周期的实测响应结果和第一仿真响应结果进行比较，确定响应结果偏差。判断响应结果偏差是否满足第一偏差条件，若满足，则说明数字孪生模型符合支撑结构实际运行状态。若不满足，则说明数字孪生模型运行存在偏差，需要确定当前时刻的第二仿真响应结果，并对数字孪生模型进行参数标定。
具体的，数字孪生系统可以根据支撑结构的模型参数信息以及预先构建的代理模型，确定支撑结构的第二仿真响应结果。其中，所述代理模型可以是以支撑结构的数字孪生模型为依据，基于深度学习、机器学习等人工智能算法，利用数据驱动方式生成的物性参数预测模型。将支撑结构的几何参数、材料参数等模型参数信息输入至代理模型，根据代理模型的输出数据，数字孪生系统可以确定支撑结构的固有频率、振型以及模态阻尼比等第二仿真响应结果。
数字孪生系统可以将支撑结构的第二仿真响应结果与预先确定的物性参数评估条件进行比较，若支撑结构的第二仿真响应结果不满足物性参数评估条件，则对数字孪生模型进行参数标定。可以理解的，代理模型可以表征模型参数信息与第二仿真响应结果的关联关系，数字孪生系统可以将模型参数信息与第二仿真响应结果的关联关系作为约束条件，根据实测响应结果与第一仿真响应结果的响应误差，确定目标函数。根据目标函数和约束条件，数字孪生系统可以确定在响应误差最小时，支撑结构的目标物性参数。
S140、根据所述目标物性参数，对所述支撑结构数字孪生模型进行更新。
在得到目标物性参数之后，数字孪生系统可以将目标物性参数输入至数字孪生模型，对数字孪生模型进行更新，以保证数字孪生模型符合支撑结构实际的运行状态。
本发明实施例的技术方案，通过获取支撑结构的数字孪生模型，并基于所述数字孪生模型，确定第一仿真响应结果；通过支撑结构关联的感知设备获取感知数据，并根据所述感知数据，确定实测响应结果；若检测到所述实测响应结果与所述第一仿真响应结果不满足第一偏差条件，则基于预先构建的代理模型，确定支撑结构的目标物性参数；根据所述目标物性参数，对所述支撑结构数字孪生模型进行更新。该技术方案解决了现有支撑结构检测方案物理量采集丰富度低、支撑结构运行状态模拟和预测的准确率低等问题，可以有效提高支撑结构的管理效率，保证支撑结构的稳定可靠运行，显著节约支撑结构在检测过程中的硬件成本和人工成本。
实施例二
图2为本发明实施例二提供的一种支撑结构数字孪生模型的更新方法的流程图，本实施例以上述实施例为基础进行细化。如图2所示，该方法包括：
S210、获取支撑结构匹配的模型参数信息，根据所述模型参数信息，确定所述支撑结构的数字孪生模型。
本方案以风电机组的塔架为例，对支撑结构的数字孪生系统进行说明。可以理解的，模型参数信息可以包括结构网格信息、结构单元信息、连接关系信息以及结构材料信息。模型参数信息可以是支撑结构关联的有限元模型文件，例如msh、bdf、cdb、APDL命令行、json以及yaml等类型的有限元模型文件，也可以是支撑结构的参数化文件，例如json、txt以及excel等类型的参数化文件。数字孪生系统可以直接根据支撑结构关联的有限元模型，进行单元矩阵构造和系统矩阵组装，得到支撑结构的整体有限元模型。数字孪生系统也可以根据参数化文件，生成支撑结构各部分的有限元模型，再根据支撑结构各部分的有限元模型，进行单元矩阵构造和系统矩阵组装，得到支撑结构的整体有限元模型。在得到支撑结构的整体有限元模型之后，数字孪生系统可以将支撑结构的整体有限元模型作为支撑结构的数字孪生模型。
在本方案中，可选的，所述模型参数信息包括结构网格信息、结构单元信息、连接关系信息以及结构材料信息；
所述根据所述模型参数信息，确定所述支撑结构的数字孪生模型，包括：
根据所述模型参数信息，确定单元有限元模型；
根据单元有限元模型，进行单元矩阵构造和系统矩阵组装，确定所述支撑结构的整体有限元模型；
将所述整体有限元模型作为所述支撑结构的数字孪生模型。
数字孪生系统可以直接基于本地的模型参数信息，构建支撑结构的数字孪生模型，也可以接收用户终端发送的模型参数信息，针对用户提供的模型参数信息进行数字孪生建模。在针对用户服务的数字孪生建模场景中，数字孪生系统可以接收用户终端发送的加密后的模型参数信息，并按照预设加密方式，对加密后的模型参数信息进行解密，获取模型参数信息。在生成支撑结构的数字孪生模型之后，数字孪生系统可以将数字孪生模型、仿真响应结果等信息，按照预设加密方式进行加密，并发送至用户终端。在一个可行的方案中，预设加密方式可以是非对称加密和对称加密的组合加密方式，例如RSA+AES的组合加密方式。
在获取模型参数信息之后，数字孪生系统可以基于模型参数信息，生成支撑结构各部分的单元有限元模型。例如塔架与地面部分通过弹簧-阻尼单元进行建模。根据单元有限元模型，数字孪生系统可以进行单元矩阵构造和系统矩阵组装，确定所述支撑结构的整体有限元模型。具体的，单元矩阵构造可以表示为：
；
；
，或者，/>；
；
其中，表示单元索引，/>、/>、/>以及/>分别表示单元/>匹配的刚度矩阵、质量矩阵、阻尼矩阵以及结点载荷向量；/>、/>和/>分别表示第一参数、第二参数和第三参数，均与单元网格和材料相关；/>表示材料阻尼系数，/>表示材料密度，/>表示质量矩阵系数，表示刚度矩阵系数，/>表示单元/>体积力的积分域，/>表示单元/>面积力的积分域，表示体积力，/>表示面积力。
将每个单元元素对应的自由度转化到系统的自由度上，并将单元矩阵对应位置元素累加到系统矩阵对应位置，系统矩阵分别为：
；
；
；
；
其中，、/>、/>以及/>分别表示系统匹配的刚度矩阵、质量矩阵、阻尼矩阵以及结点载荷向量。
图3是根据本发明实施例二提供的风电机组的耦合有限元模型示意图，图4是根据本发明实施例二提供的风电机组的半耦合有限元模型示意图。支撑结构的整体有限元模型可以是通过质量单元、梁单元、壳单元、实体单元、弹簧-阻尼单元以及MPC(Multi-PointConstraints，多点约束)连接单元等单元中的一种或多种来构建的高保真模型。具体的，数字孪生系统可以基于耦合有限元模型或半耦合有限元模型的方式构建整体有限元模型。其中，塔架通常采用梁单元、壳单元、实体单元以及连接单元进行建模，塔架底部，即与土壤作用接触的基础部分，可以通过弹簧-阻尼单元进行建模，风电机组的其它部件可以采用质量单元、梁单元、壳单元或者实体单元进行等效。耦合有限元模型与半耦合有限元模型的主要区别在于对风电机组的叶片的建模。如图3所示，耦合有限元模型(FEM-Coupled model)中每个叶片分别采用梁单元进行建模，如图4所示，半耦合模型(FEM-Sim model)将机头部件等效为一个或者数个质量点进行建模。数字孪生系统可以将整体有限元模型作为支撑结构的数字孪生模型。
S220、获取支撑结构的数字孪生模型，并基于所述数字孪生模型，确定第一仿真响应结果。
在得到支撑结构的数字孪生模型之后，根据数字孪生模型进行模态分析，可以得到第一仿真响应结果。可以理解的，模态分析的主要任务是求解特征方程：，/>，其中，/>表示模态阶数，/>表示特征值，/>表示特征向量，/>表示固有频率。
S230、通过支撑结构关联的感知设备获取感知数据，并根据所述感知数据，确定实测响应结果。
本实施例中，可选的，所述根据所述感知数据，确定实测响应结果，包括：
将所述感知数据作为激励，输入至预先确定的激励响应模型，确定实测响应结果。
在本实施例中，感知数据可以包括风电机组的现场监控和数据采集(Supervisory Control And Data Acquisition，SCADA)系统采集的实测数据，风电机组的现场辅助控制系统中物理传感器和虚拟传感器采集的数据，以及风电机组的运行模态分析(Operational Modal Analysis，OMA)系统采集的数据。
具体的，感知数据可以包括机舱加速度(塔顶加速度)、发电机功率、桨距角、转速、风速以及叶根载荷等数据。实测响应结果可以包括塔顶载荷、塔架的模态频率、振型以及阻尼等数据。对于塔顶载荷，数字孪生系统可以直接通过塔顶载荷传感器获取塔顶载荷，也可以通过卡尔曼滤波确定塔顶载荷，还可以根据风速预估的风机推力，等效塔顶载荷。除此之外，数字孪生系统可以将叶根载荷转换到耦合有限元模型的叶根处或者半耦合有限元模型的塔顶质量点处，以预测塔架载荷。对于塔架的模态频率、振型以及阻尼等数据，数字孪生系统可以通过PolyMax等模态识别方法，得到塔架的模态频率、振型和阻尼。
在得到实测响应结果之后，数字孪生系统可以同时执行S240和S260。
S240、若检测到所述实测响应结果与所述第一仿真响应结果不满足第一偏差条件，则基于预先构建的代理模型，确定支撑结构的目标物性参数。
在一个可行的方案中，所述基于预先构建的代理模型，确定支撑结构的目标物性参数，包括：
基于预先构建的代理模型，确定模型参数信息与第二仿真响应结果的关联关系，并将模型参数信息与第二仿真响应结果的关联关系作为约束条件；
根据所述实测响应结果与所述第一仿真响应结果，确定目标函数，根据所述目标函数和所述约束条件，确定所述支撑结构的目标物性参数。
可以理解的，结构损伤、地基沉降以及阻尼值的偏差可以直接体现在结构固有频率、振型、阻尼以及振幅的变化上。数字孪生系统可以通过对比实测响应结果中的塔架频率和第一仿真响应结果中的固有频率，当频率偏差大于预设第一偏差阈值时，启动物性参数标定。
数字孪生模型中的物性参数标定可以包括以下步骤：
(1)预先获取塔架匹配的代理模型，代理模型的输入可以包括塔架的各截面段的几何、材料参数以及阻尼参数等模型参数数据。代理模型的输出可以是塔架的前n阶固有频率，n通常在中取值，代理模型的输出也可以是固有频率、振型以及模态阻尼比等第二仿真响应结果。
(2)当频率偏差、固有频率、振型以及模态阻尼比偏差中的一项或多项不满足预设评估条件，例如大于参数阈值，则确定需要优化的目标物性参数，例如塔架各截面段的材料参数和阻尼参数。优化目标函数可以设置为：，优化约束条件通过代理模型来等效；其中，/>表示实测响应结果中的塔架前n阶固有频率，/>表示第一仿真响应结果中的前n阶固有频率。需要说明的是，目标函数还可以根据实测响应结果与第一仿真响应结果在固有频率、振型以及模态阻尼比等数据项确定。根据目标函数和约束条件，数字孪生系统可以得到前n阶固有频率差异最小时，塔架的目标物性参数，即塔架各截面段的材料参数和阻尼参数。
S250、根据所述目标物性参数，对所述支撑结构数字孪生模型进行更新。
在得到目标物性参数之后，数字孪生系统可以将S240中得到的塔架各截面段的材料参数和阻尼参数输入到数字孪生模型中，以对数字孪生模型中有限元模型的物性参数进行更新，例如材料的弹性模量、阻尼参数等物性参数。在数字孪生模型更新之后，数字孪生系统可以自动对更新后的物性参数下的数字孪生模型进行模态分析，更新固有频率、振型和阻尼数据等第一仿真响应结果。如果机组辅助控制系统中存在整机级或者子系统级的多体动力学数字孪生模型，数字孪生系统可以将材料参数转换成梁截面参数输入到辅助控制系统中。
S260、若检测到所述实测响应结果与所述第一仿真响应结果不满足第二偏差条件，或所述感知数据不满足预设评估条件，则根据所述数字孪生模型，进行强度计算、屈曲分析以及动力学分析，确定所述支撑结构的应力场数据。
可以理解的，数字孪生系统可以将实测响应结果与第一仿真响应结果进行比较，确定响应偏差，并将响应偏差与第二偏差条件进行对比。若响应偏差不满足第二偏差条件，则根据数字孪生模型以及第一仿真响应结果，进行强度计算、屈曲分析以及动力学分析，确定支撑结构的应力场数据。数字孪生系统还可以将感知数据与预设评估条件进行比较，若感知数据不满足预设评估条件，则启动支撑结构应力场数据的计算，以判断支撑结构是否存在损伤。
例如，数字孪生系统可以确定实测响应结果中固有频率与第一仿真响应结果中固有频率的频率偏差，若频率偏差大于预设第二偏差阈值，则确定需要对塔架进行应力分析。数字孪生系统还可以将感知数据中机舱加速度与预设加速度阈值进行比较，或者将感知数据中塔顶载荷与预设载荷阈值进行比较，若机舱加速度大于预设加速度阈值，或者塔顶载荷大于预设载荷阈值，则确定需要对塔架进行应力分析。
塔架的应力分析过程可以包括以下步骤：
(1)强度计算
通过有限元模型的静力学分析来实现，,/>为有限元系统自由度上的位移，/>表示刚度矩阵，/>表示节点外载荷。根据有限元原理，由位移计算出对应的单元节点应力值。
(2)屈曲分析
屈曲分析可以采用基于特征值的线性屈曲分析，其中，/>、分别表示刚度矩阵和应力刚度矩阵，/>、/>分别表示特征值和特征向量。
(3)动力学分析
对有限元模型进行动力学分析，主要采用以下两种方法，两种方法的输入均为：有限元模型或者已经组装好的系统矩阵、单元矩阵，各阶固有频率、振型数据以及实测响应结果中的塔顶载荷时序。
方法1：采用模态叠加法进行时域动力学分析，将动力学方程从物理空间转化到模态空间，实现空间自由度层级的降阶。将模态空间结果转化到物理空间，类似强度计算原理，代入有限元模型进行结构应力的计算。最终输出为各时间步下的结构应力场数据。
具体的强度计算公式如下：
；
；
；
其中，表示阶数索引，/>表示有限元系统自由度上的位移，/>表示第/>阶固有频率，/>表示第/>阶模态阻尼比，/>为第/>阶振型，/>为第/>阶模态空间位移，/>为第/>阶模态空间对应的塔顶载荷，由/>转换到模态空间, />表示阶数。
方法2：采用模态叠加法进行频域动力学分析，对塔架时序载荷进行频谱分析和滤波处理，例如低通滤波、带通滤波等处理方式，将激励载荷分解成受迫振动信号(需要记录受迫振动激励对应的幅值和次数)和随机激励振动信号，再通过模态叠加法进行频域动力学分析，分别进行谐响应分析和随机振动分析。
谐响应分析的具体过程可以如下公式所示：
假设一个正弦激励载荷转换到模态空间：
；
；
；
；
其中，表示阶数索引，/>表示第/>阶激励载荷幅值，/>表示激励频率，/>为第/>阶模态的响应振幅，/>为第/>阶贡献，/>为对应的复数域响应位移，/>为第/>阶振型，表示阶数，/>表示复数的幅值标识，/>表示时间。
随机振动分析可以联合功率谱分析以及随机过程理论来实现，控制方程如下：
；
；
其中，为第/>阶模态载荷，/>为激励载荷的随机信号部分，可以处理成高斯信号或者非高斯信号，随机振动分析可以输出单元或者节点的应力场的PSD(Power SpectralDensity,功率谱密度)分布。
对于时域动力学分析方法，数字孪生系统可以实时或者间隔预设时间进行计算，对于频域动力学分析方法，数字孪生系统可以间隔预设时间，积累预设数量的采样点后进行计算。
S270、若根据所述应力场数据确定存在目标时刻的应力值不满足预设应力条件，则生成损伤提示信息，并根据所述损伤提示信息进行预警。
在得到应力场数据之后，数字孪生系统可以判断应力场数据中各时刻应力值是否满足预设应力条件，例如是否小于预设应力阈值。若应力场数据中存在目标时刻的应力值不满足预设应力条件，则说明支撑结构存在损伤风险。数字孪生系统可以根据应力场数据中不满足预设应力条件的应力值，生成损伤提示信息，例如塔架位置A在B时刻应力值异常，请检查是否存在损伤。数字孪生系统可以根据损伤提示信息进行预警，以保证支撑结构的安全可靠运行。
S280、根据所述支撑结构的应力场数据，确定所述支撑结构的疲劳评估结果。
在得到支撑结构的应力场数据之后，数字孪生系统可以根据应力场数据以及支撑结构的材料参数，计算支撑结构的疲劳评估结果。具体的，所述应力场数据可以包括S260中的时域动力学分析结果，例如，支撑结构各单元的应力张量时域值，也可以包括S260中的频域动力学谐响应分析结果，例如，支撑结构各单元的激励频率-次数-应力张量幅值结果，还可以包括S260中的频域动力学随机振动分析结果，例如，支撑结构各单元的应力张量PSD结果。所述材料参数可以包括材料的应力-寿命(S-N)曲线。所述疲劳评估结果可以包括支撑结构的疲劳值、使用寿命以及剩余寿命等信息。
具体的，支撑结构的疲劳评估结果计算方式可以包括：
(1)基于时域的应力张量历程，按照最大主应力或者临界平面法的方法来进行应力组合，运用雨流计数法确定应力幅值、平均应力以及循环次数，并采用Gerber或者Goodman法则进行平均应力修正，结合Pelmgren-miner线性累积损伤法，得到支撑结构的疲劳评估结果。
；其中，/>表示应力水平-循环次数索引，/>表示应力水平-循环次数/>下的损伤值，/>表示支撑结构的疲劳评估结果，/>表示应力水平-循环次数总量。
(2)基于谐响应的频域分析结果，根据谐响应的各幅频响应值以及对应的次数，每个频率激励下直接采用等幅度疲劳计算，，/>，并根据Pelmgren-miner准则进行线性叠加。其中，/>为平均应力，/>为应力幅值,表示最大应力与最小应力之差的绝对值。
(3)基于随机振动分析结果，采用随机振动疲劳计算方法来进行计算，采用谱矩法来进行疲劳计数，，其中，/>表示/>所属频率段的应力功率谱密度，/>是指采样频率，/>为常数，取值范围为/>，/>表示谱距，/>表示采样频率间隔。
需要说明的是，对于支撑结构的疲劳评估结果，焊缝处可以单独评估，按照预设标准对应力和材料参数进行处理。材料参数可以支持线性形式、双线性形式以及表格形式的输入。
本发明实施例的技术方案，通过基于数值方法的动力学降阶模型、基于模态空间的时域动力学响应降阶模型以及基于频域的动力学响应降阶模型，从不同角度实现计算降阶，提高了降阶效果。由于是从物理机理的角度出发，可以保证数据预测精度，相对于数据驱动模型，能对极限值具有更准确的预测结果。本方案可以实现支撑结构的材料参数和阻尼参数的在线标定，解决了阻尼不确定性、部件损伤预测以及带伤运行仿真的问题。稳态、时域以及频域疲劳的快速计算，可以实现与应力计算的无缝适配。同时，本方案还可以实现极限载荷、稳定性判断以及疲劳载荷的在线计算和预测，均基于物理降阶模型，在保证计算效率和精度的同时，有利于在物理模型的基础与数据驱动模型进行融合。
实施例三
图5为本发明实施例三提供的一种支撑结构数字孪生模型的更新装置的结构示意图。如图5所示，该装置包括：
仿真响应结果确定模块310，用于获取支撑结构的数字孪生模型，并基于所述数字孪生模型，确定第一仿真响应结果；
实测响应结果确定模块320，用于通过支撑结构关联的感知设备获取感知数据，并根据所述感知数据，确定实测响应结果；
目标物性参数确定模块330，用于若检测到所述实测响应结果与所述第一仿真响应结果不满足第一偏差条件，则基于预先构建的代理模型，确定支撑结构的目标物性参数；
数字孪生模型更新模块340，用于根据所述目标物性参数，对所述支撑结构数字孪生模型进行更新。
在本方案中，可选的，所述目标物性参数确定模块330，具体用于：
基于预先构建的代理模型，确定模型参数信息与第二仿真响应结果的关联关系，并将模型参数信息与第二仿真响应结果的关联关系作为约束条件；
根据所述实测响应结果与所述第一仿真响应结果，确定目标函数，根据所述目标函数和所述约束条件，确定所述支撑结构的目标物性参数。
在上述方案的基础上，可选的，所述装置还包括：
孪生模型构建模块，用于在获取支撑结构的数字孪生模型之前，获取支撑结构匹配的模型参数信息，根据所述模型参数信息，确定所述支撑结构的数字孪生模型。
在一个可行的方案中，所述模型参数信息包括结构网格信息、结构单元信息、连接关系信息以及结构材料信息；
所述孪生模型构建模块，具体用于：
根据所述模型参数信息，确定单元有限元模型；
根据单元有限元模型，进行单元矩阵构造和系统矩阵组装，确定所述支撑结构的整体有限元模型；
将所述整体有限元模型作为所述支撑结构的数字孪生模型。
可选的，所述装置还包括：
应力场数据确定模块，用于在确定实测响应结果之后，若检测到所述实测响应结果与所述第一仿真响应结果不满足第二偏差条件，或所述感知数据不满足预设评估条件，则根据所述数字孪生模型，进行强度计算、屈曲分析以及动力学分析，确定所述支撑结构的应力场数据。
在上述方案的基础上，所述装置还包括：
损伤预警模块，用于在确定所述支撑结构的应力场数据之后，若根据所述应力场数据确定存在目标时刻的应力值不满足预设应力条件，则生成损伤提示信息，并根据所述损伤提示信息进行预警；
疲劳评估模块，用于在确定所述支撑结构的应力场数据之后，根据所述支撑结构的应力场数据，确定所述支撑结构的疲劳评估结果。
在一个可行的方案中，所述实测响应结果确定模块320，具体用于：
将所述感知数据作为激励，输入至预先确定的激励响应模型，确定实测响应结果。
本发明实施例所提供的支撑结构数字孪生模型的更新装置可执行本发明任意实施例所提供的支撑结构数字孪生模型的更新方法，具备执行方法相应的功能模块和有益效果。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备410的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示，电子设备410包括至少一个处理器411，以及与至少一个处理器411通信连接的存储器，如只读存储器（ROM）412、随机访问存储器（RAM）413等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器411可以根据存储在只读存储器（ROM）412中的计算机程序或者从存储单元418加载到随机访问存储器（RAM）413中的计算机程序，来执行各种适当的动作和处理。在RAM 413中，还可存储电子设备410操作所需的各种程序和数据。处理器411、ROM 412以及RAM 413通过总线414彼此相连。输入/输出（I/O）接口415也连接至总线414。
电子设备410中的多个部件连接至I/O接口415，包括：输入单元416，例如键盘、鼠标等；输出单元417，例如各种类型的显示器、扬声器等；存储单元418，例如磁盘、光盘等；以及通信单元419，例如网卡、调制解调器、无线通信收发机等。通信单元419允许电子设备410通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器411可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器411的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器411执行上文所描述的各个方法和处理，例如支撑结构数字孪生模型的更新方法。
在一些实施例中，支撑结构数字孪生模型的更新方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元418。在一些实施例中，计算机程序的部分或者全部可以经由ROM 412和/或通信单元419而被载入和/或安装到电子设备410上。当计算机程序加载到RAM 413并由处理器411执行时，可以执行上文描述的支撑结构数字孪生模型的更新方法的一个或多个步骤。备选地，在其他实施例中，处理器411可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行支撑结构数字孪生模型的更新方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程支撑结构数字孪生模型的更新装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (9)
1.一种支撑结构数字孪生模型的更新方法，其特征在于，所述方法包括：
获取支撑结构的数字孪生模型，并基于所述数字孪生模型，确定第一仿真响应结果；
通过支撑结构关联的感知设备获取感知数据，并根据所述感知数据，确定实测响应结果；
若检测到所述实测响应结果与所述第一仿真响应结果不满足第一偏差条件，则基于预先构建的代理模型，确定模型参数信息与第二仿真响应结果的关联关系，并将模型参数信息与第二仿真响应结果的关联关系作为约束条件；其中，所述代理模型是以所述模型参数信息作为输入的物性参数预测模型；所述第二仿真响应结果是所述代理模型根据所述模型参数信息确定的；
根据所述实测响应结果与所述第一仿真响应结果，确定目标函数，根据所述目标函数和所述约束条件，确定所述支撑结构的目标物性参数；
根据所述目标物性参数，对所述支撑结构数字孪生模型进行更新。
2.根据权利要求1所述的方法，其特征在于，在获取支撑结构的数字孪生模型之前，所述方法还包括：
获取支撑结构匹配的模型参数信息，根据所述模型参数信息，确定所述支撑结构的数字孪生模型。
3.根据权利要求2所述的方法，其特征在于，所述模型参数信息包括结构网格信息、结构单元信息、连接关系信息以及结构材料信息；
所述根据所述模型参数信息，确定所述支撑结构的数字孪生模型，包括：
根据所述模型参数信息，确定单元有限元模型；
根据单元有限元模型，进行单元矩阵构造和系统矩阵组装，确定所述支撑结构的整体有限元模型；
将所述整体有限元模型作为所述支撑结构的数字孪生模型。
4.根据权利要求1所述的方法，其特征在于，在确定实测响应结果之后，所述方法还包括：
若检测到所述实测响应结果与所述第一仿真响应结果不满足第二偏差条件，或所述感知数据不满足预设评估条件，则根据所述数字孪生模型，进行强度计算、屈曲分析以及动力学分析，确定所述支撑结构的应力场数据。
5.根据权利要求4所述的方法，其特征在于，在确定所述支撑结构的应力场数据之后，所述方法还包括：
若根据所述应力场数据确定存在目标时刻的应力值不满足预设应力条件，则生成损伤提示信息，并根据所述损伤提示信息进行预警；
根据所述支撑结构的应力场数据，确定所述支撑结构的疲劳评估结果。
6.根据权利要求1所述的方法，其特征在于，所述根据所述感知数据，确定实测响应结果，包括：
将所述感知数据作为激励，输入至预先确定的激励响应模型，确定实测响应结果。
7.一种支撑结构数字孪生模型的更新装置，其特征在于，所述装置包括：
仿真响应结果确定模块，用于获取支撑结构的数字孪生模型，并基于所述数字孪生模型，确定第一仿真响应结果；
实测响应结果确定模块，用于通过支撑结构关联的感知设备获取感知数据，并根据所述感知数据，确定实测响应结果；
目标物性参数确定模块，用于若检测到所述实测响应结果与所述第一仿真响应结果不满足第一偏差条件，则基于预先构建的代理模型，确定模型参数信息与第二仿真响应结果的关联关系，并将模型参数信息与第二仿真响应结果的关联关系作为约束条件；根据所述实测响应结果与所述第一仿真响应结果，确定目标函数，根据所述目标函数和所述约束条件，确定所述支撑结构的目标物性参数；
其中，所述代理模型是以所述模型参数信息作为输入的物性参数预测模型；所述第二仿真响应结果是所述代理模型根据所述模型参数信息确定的；
数字孪生模型更新模块，用于根据所述目标物性参数，对所述支撑结构数字孪生模型进行更新。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的支撑结构数字孪生模型的更新方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的支撑结构数字孪生模型的更新方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410063773.8A CN117592310B (zh) | 2024-01-17 | 2024-01-17 | 支撑结构数字孪生模型的更新方法、装置、设备以及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410063773.8A CN117592310B (zh) | 2024-01-17 | 2024-01-17 | 支撑结构数字孪生模型的更新方法、装置、设备以及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117592310A CN117592310A (zh) | 2024-02-23 |
| CN117592310B true CN117592310B (zh) | 2024-04-02 |
Family
ID=89922272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410063773.8A Active CN117592310B (zh) | 2024-01-17 | 2024-01-17 | 支撑结构数字孪生模型的更新方法、装置、设备以及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117592310B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118012479B (zh) * | 2024-04-10 | 2024-06-14 | 山东观享世界数字科技有限公司 | 一种基于预估方式的数字孪生实时更新方法、介质及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532625A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 航空发动机涡轮盘-转子-支承系统数字孪生建模方法 |
| CN113806978A (zh) * | 2021-08-31 | 2021-12-17 | 华南理工大学 | 基于bim-fem的桥梁结构数字孪生体及方法 |
| CN114254457A (zh) * | 2021-12-17 | 2022-03-29 | 中国矿业大学(北京) | 一种基于数字孪生的矿山液压支架疲劳寿命预测方法 |
| CN114444366A (zh) * | 2022-04-08 | 2022-05-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于有限元仿真的桥梁数字孪生模型更新方法及装置 |
| 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 |
Family Cites Families (4)
| 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 |
| US20190102494A1 (en) * | 2017-10-03 | 2019-04-04 | Endurica, LLC | System for tracking incremental damage accumulation |
| US11433977B2 (en) * | 2019-11-25 | 2022-09-06 | Akselos S.A. | Methods and systems for component-based reduced order modeling for industrial-scale structural digital twins |
| CN112417619B (zh) * | 2020-11-23 | 2021-10-08 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
-
2024
- 2024-01-17 CN CN202410063773.8A patent/CN117592310B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532625A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 航空发动机涡轮盘-转子-支承系统数字孪生建模方法 |
| CN113806978A (zh) * | 2021-08-31 | 2021-12-17 | 华南理工大学 | 基于bim-fem的桥梁结构数字孪生体及方法 |
| CN114254457A (zh) * | 2021-12-17 | 2022-03-29 | 中国矿业大学(北京) | 一种基于数字孪生的矿山液压支架疲劳寿命预测方法 |
| CN114444366A (zh) * | 2022-04-08 | 2022-05-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于有限元仿真的桥梁数字孪生模型更新方法及装置 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| A modelling and updating approach of digital twin based on surrogate model to rapidly evaluate product performance;Xinyu Liu 等;The International Journal of Advanced Manufacturing Technology;20231114;第129卷;第5059-5074页 * |
| Probabilistic digital twin for decision-making under uncertainty: Sensing, diagnosis, prognosis and optimization;William Sisson;Vanderbilt University Institutional Repository;20230404;第1-124页 * |
| 数字孪生技术综述分析与发展展望;聂蓉梅 等;宇航总体技术;20220130;第6卷(第1期);第1-6页 * |
| 风力发电机组数字孪生系统;房方 等;中国科学: 技术科学;20211011;第52卷(第10期);第1582-1594页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117592310A (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117592310B (zh) | 支撑结构数字孪生模型的更新方法、装置、设备以及介质 | |
| Nabiyan et al. | Mechanics‐based model updating for identification and virtual sensing of an offshore wind turbine using sparse measurements | |
| CN108376184A (zh) | 一种桥梁健康监控的方法及系统 | |
| CN102436515A (zh) | 用于估算涡轮机翼型的剩余寿命的方法和系统 | |
| CN114893360B (zh) | 风电机组塔筒异常振动识别和运行状态监测方法及系统 | |
| CN109492897B (zh) | 基于能量的暂态稳定和振荡动态的统一分析方法、装置及系统 | |
| Hartmann et al. | Coupling sensor-based structural health monitoring with finite element model updating for probabilistic lifetime estimation of wind energy converter structures | |
| CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
| CN111311021A (zh) | 一种风电场理论功率预测方法、装置、设备和存储介质 | |
| CN118378461B (zh) | 一种基于力学数值仿真的支架结构校核仿真方法和设备 | |
| CN115577587A (zh) | 一种历史建筑健康状态监测方法及系统 | |
| Valeti et al. | Remaining useful life estimation of wind turbine blades under variable wind speed conditions using particle filters | |
| CN113987871B (zh) | 一种航空发动机叶片损伤在线识别方法 | |
| Tatsis et al. | State estimation of geometrically non-linear systems using reduced-order models | |
| JP6129508B2 (ja) | 異常検出前処理装置および方法ならびにプログラム、それを備えた異常検出装置 | |
| CN116992577B (zh) | 跨介质航行器的仿真方法、系统、设备及存储介质 | |
| CN109038550B (zh) | 基于电压静态稳定性的电力系统自复性指标计算方法 | |
| JP2021043687A (ja) | 故障確率評価装置、及び、故障確率評価方法 | |
| KR101502402B1 (ko) | 차분방식과 확률기법을 적용한 바람 모델링 방법 | |
| Quattri et al. | OWL wind loading characterization: a preliminary study | |
| Teixeira et al. | Comparative analysis of the probabilistic methods to estimate the probability of failure of offshore wind turbine towers | |
| Chen et al. | The interpolation of missing wind speed data based on optimized LSSVM model | |
| CN111401624A (zh) | 一种风功率预测的方法、装置及计算机可读存储介质 | |
| CN114838699B (zh) | 一种输电塔的变形监测方法、装置、设备及存储介质 | |
| Quang et al. | Model updating of plate composite structure using particle swarm optimization algorithm |
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 |