CN117763816A - 基于数字孪生的实时虚拟仿真系统和方法 - Google Patents
基于数字孪生的实时虚拟仿真系统和方法 Download PDFInfo
- Publication number
- CN117763816A CN117763816A CN202311686320.2A CN202311686320A CN117763816A CN 117763816 A CN117763816 A CN 117763816A CN 202311686320 A CN202311686320 A CN 202311686320A CN 117763816 A CN117763816 A CN 117763816A
- Authority
- CN
- China
- Prior art keywords
- waste gas
- gas concentration
- industrial waste
- time
- time sequence
- 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 31
- 239000007789 gas Substances 0.000 claims abstract description 211
- 239000002440 industrial waste Substances 0.000 claims abstract description 164
- 230000007613 environmental effect Effects 0.000 claims abstract description 97
- 239000013598 vector Substances 0.000 claims description 96
- 230000004927 fusion Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 25
- 239000002912 waste gas Substances 0.000 abstract description 22
- 238000009826 distribution Methods 0.000 abstract description 17
- 238000009792 diffusion process Methods 0.000 abstract description 14
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000011282 treatment Methods 0.000 abstract description 9
- 238000011217 control strategy Methods 0.000 abstract description 8
- 238000011269 treatment regimen Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 11
- 230000006399 behavior Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- -1 urban smog Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于数字孪生的实时虚拟仿真系统和方法，其通过传感器组实时采集工业废气浓度值、环境温度值、环境湿度值和风速值作为输入，并在后端引入数据处理和分析算法来进行这些数据的时序协同分析，同时构建数字孪生模型，以此来模拟工业废气的扩散过程，并预测未来的废气浓度分布。这样，可以对工业废气的扩散和影响进行实时仿真和预测，帮助环保监测人员更好地理解废气行为和环境状况，并及时采取相应的治理措施，优化废气处理和控制策略，从而为环境监测和污染防治提供有效的支持，提高环境质量和安全性。
Description
技术领域
本发明涉及智能化虚拟仿真技术领域，并且更具体地，涉及一种基于数字孪生的实时虚拟仿真系统和方法。
背景技术
数字孪生是一种基于物理模型、传感器更新、运算分析和数据可视化的技术，可以实现对真实世界的动态映射。数字孪生可以用于各种领域，如智能制造、智能交通、智能城市等。数字孪生的核心是实时虚拟仿真，即利用数字模型和实时数据，对真实环境中的物理过程进行模拟和预测。
在工业废气的监测和控制方面，传统的废气监测方法通常需要采集废气样本，并将其送往实验室进行分析，这种离线的采样和分析过程耗时且成本较高，无法提供实时的监测和反馈。数字孪生模型在工业废气的监控和预测方面可以提供重要的帮助。但是，基于数字孪生模型的虚拟仿真系统的准确性取决于所使用的数字孪生模型的质量和精度，如果模型没有准确地捕捉到废气扩散和环境影响的复杂性，那么系统的预测结果会存在误差。
此外，应用于工业废气监控和预测方面的虚拟仿真系统需要在实时环境下进行模拟和预测，并及时提供反馈和结果。系统的实时性和响应性对于工业废气监测和控制至关重要。如果系统的计算和处理时间过长，无法满足实时性要求，那么系统的应用效果可能会受到影响。
因此，期望一种优化的基于数字孪生的实时虚拟仿真系统。
发明内容
为了解决上述技术问题，提出了本发明。本发明的实施例提供了一种基于数字孪生的实时虚拟仿真系统和方法，其通过传感器组实时采集工业废气浓度值、环境温度值、环境湿度值和风速值作为输入，并在后端引入数据处理和分析算法来进行这些数据的时序协同分析，同时构建数字孪生模型，以此来模拟工业废气的扩散过程，并预测未来的废气浓度分布。这样，可以对工业废气的扩散和影响进行实时仿真和预测，帮助环保监测人员更好地理解废气行为和环境状况，并及时采取相应的治理措施，优化废气处理和控制策略，从而为环境监测和污染防治提供有效的支持，提高环境质量和安全性。
第一方面，提供了一种基于数字孪生的实时虚拟仿真系统，其包括：
数据收集模块，用于获取由传感器组采集的预定时间段内多个预定时间点的工业废气浓度值、环境温度值、环境湿度值和风速值；
数据预处理模块，用于对所述多个预定时间点的工业废气浓度值、环境温度值、环境湿度值和风速值进行预处理以得到多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值；
仿真模块，用于对所述多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值进行分析和预测以得到短时工业废气浓度预测值；
数字孪生模块，用于在屏幕显示所述短时工业废气浓度预测值。
第二方面，提供了一种基于数字孪生的实时虚拟仿真方法，其包括：
获取由传感器组采集的预定时间段内多个预定时间点的工业废气浓度值、环境温度值、环境湿度值和风速值；
对所述多个预定时间点的工业废气浓度值、环境温度值、环境湿度值和风速值进行预处理以得到多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值；
对所述多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值进行分析和预测以得到短时工业废气浓度预测值；
在屏幕显示所述短时工业废气浓度预测值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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为根据本发明实施例的基于数字孪生的实时虚拟仿真系统的框图。
图2为根据本发明实施例的基于数字孪生的实时虚拟仿真方法的流程图。
图3为根据本发明实施例的基于数字孪生的实时虚拟仿真方法架构的示意图。
图4为根据本发明实施例的基于数字孪生的实时虚拟仿真系统的应用场景图。
具体实施方式
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描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
除非另有说明，本发明实施例所使用的所有技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。本发明中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明的范围。
在本发明实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本发明实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在介绍了本发明的基本原理之后，下面将参考附图来具体介绍本发明的各种非限制性实施例。
数字孪生是一种将物理世界与数字世界相结合的技术，通过建立物理系统的数字模型并实时更新该模型，实现对真实世界的动态映射和仿真，可以用于各种领域，如智能制造、智能交通、智能城市等，以提供更高效、安全和可持续的解决方案。
数字孪生的核心是实时虚拟仿真，通过将物理系统的数据与数字模型相结合，实现对物理过程的模拟和预测。具体而言，数字孪生包括以下几个关键步骤：首先，需要创建一个与真实系统相对应的数字模型，以是基于物理原理的数学模型，也可以是基于数据驱动的机器学习模型，模型的准确性和复杂程度将直接影响数字孪生的效果。为了获取真实世界中的数据，需要在物理系统中安装传感器设备，这些传感器可以收集各种参数，如温度、压力、湿度等，传感器将实时监测物理系统的状态，并将数据传输到数字模型中。在数字模型中，通过将传感器数据与模型进行整合和分析，可以实现对物理系统的实时监测和评估，运算分析可以用于检测异常情况、优化系统性能、预测未来状态等。为了使用户能够直观地理解和操作数字孪生，数据可视化起着重要的作用，通过将数字模型和实时数据可视化，可以提供直观的界面，帮助用户进行决策和调整。
数字孪生的应用非常广泛，在智能制造领域，数字孪生可以帮助优化生产流程、预测设备故障、提高产品质量；在智能交通领域，数字孪生可以模拟交通流量、优化交通信号灯控制、提供智能导航服务；在智能城市领域，数字孪生可以模拟城市能源消耗、优化城市规划、提供智慧公共服务等。
数字孪生模型在工业废气的监控和预测方面确实可以提供重要的帮助，通过建立准确的数字孪生模型，可以对废气扩散和环境影响的复杂性进行模拟和预测，从而实现对工业废气排放的监控和管理。
例如，数字孪生模型可以基于物理原理和实时数据，模拟废气在环境中的扩散过程，通过考虑风速、风向、地形等因素，模型可以预测废气在空气中的传播路径和浓度分布，帮助评估废气对周围环境的影响。数字孪生模型可以结合历史数据和实时监测数据，进行风险评估和预警，通过分析废气排放的特征和环境条件的变化，模型可以提前发现潜在的风险和异常情况，并及时采取措施进行调整和管理。
数字孪生模型可以用于优化工业废气排放的控制策略，通过模拟不同的控制方案，模型可以评估每种方案对废气排放和环境影响的效果，从而帮助制定最佳的排放控制策略，减少废气排放量并提高环境效益。数字孪生模型可以为决策者提供重要的支持和预测分析，通过对废气排放和环境因素进行模拟和预测，模型可以帮助决策者了解不同决策对环境影响的潜在结果，从而做出更明智的决策。
值得一提的是，数字孪生模型的准确性取决于所使用的模型的质量和精度。因此，在应用数字孪生模型进行工业废气监控和预测时，需要确保模型能够准确地捕捉到废气扩散和环境影响的复杂性，以提供可靠的预测结果。
基于数字孪生的实时虚拟仿真系统是一种利用数字模型和物理模型之间的数据交互，实现对环境气体环保监测治理过程的高效模拟和优化的技术。该系统可以根据实时采集的环境气体数据，构建数字孪生模型，反映环境气体的分布、浓度、流动等特征，以及与气象、地形、人为活动等因素的关系。通过虚拟仿真系统，可以对环境气体的治理方案进行预测、评估和调整，提高治理效果和效率，降低成本和风险。该系统具有实时性、准确性、可视化和智能化等优点，适用于多种环境气体环保监测治理方向，如工业废气、城市烟雾、温室气体等。
在本发明的一个实施例中，图1为根据本发明实施例的基于数字孪生的实时虚拟仿真系统的框图。如图1所示，根据本发明实施例的基于数字孪生的实时虚拟仿真系统100，包括：数据收集模块110，用于获取由传感器组采集的预定时间段内多个预定时间点的工业废气浓度值、环境温度值、环境湿度值和风速值；数据预处理模块120，用于对所述多个预定时间点的工业废气浓度值、环境温度值、环境湿度值和风速值进行预处理以得到多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值；仿真模块130，用于对所述多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值进行分析和预测以得到短时工业废气浓度预测值；数字孪生模块140，用于在屏幕显示所述短时工业废气浓度预测值。
针对上述技术问题，本发明的技术构思为通过传感器组实时采集工业废气浓度值、环境温度值、环境湿度值和风速值作为输入，并在后端引入数据处理和分析算法来进行这些数据的时序协同分析，同时构建数字孪生模型，以此来模拟工业废气的扩散过程，并预测未来的废气浓度分布。这样，可以对工业废气的扩散和影响进行实时仿真和预测，帮助环保监测人员更好地理解废气行为和环境状况，并及时采取相应的治理措施，优化废气处理和控制策略，从而为环境监测和污染防治提供有效的支持，提高环境质量和安全性。
具体地，在本发明的技术方案中，首先，获取由传感器组采集的预定时间段内多个预定时间点的工业废气浓度值、环境温度值、环境湿度值和风速值。应可以理解，由于环境参数(如温度、湿度和风速)在废气扩散和影响过程中起着重要的作用，它们的变化会直接影响废气的传播和浓度分布。并且，还考虑到所述工业废气浓度值、所述环境温度值、所述环境湿度值和所述风速值在时间维度上都具有着时序的动态变化规律，同时，这些数据之间还具有着时序的关联关系。例如，温度和湿度存在一定的相关性，而风速对废气的传播方向和速度产生影响。因此，为了能够对于废气排放源的特性和环境条件的时序特征进行关联分析，以此来更好地理解和模拟环境参数对于工业废气分布和传播的影响，在本发明的技术方案中，进一步将所述多个预定时间点的环境温度值、环境湿度值和风速值按照时间维度和参数样本维度排列为环境参数时序关联输入矩阵。这样，通过将环境参数和工业废气浓度按照时间维度排列，能够有利于后续捕捉到它们的时序变化趋势和关联性。
在本发明的一个具体实施例中，所述仿真模块，包括：环境参数数据时序排列模块，用于将所述多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值按照时间维度和参数样本维度排列为环境参数时序关联输入矩阵；环境参数时序关联特征提取模块，用于通过基于深度神经网络模型的环境参数时序关联特征提取器对所述环境参数时序关联输入矩阵进行特征提取以得到环境参数时序关联特征图；工业废气浓度时序排列模块，用于将所述多个预定时间点的工业废气浓度值按照时间维度排列为工业废气浓度时序输入向量；工业废气浓度时序特征提取模块，用于通过基于一维卷积层的时序特征提取器对所述工业废气浓度时序输入向量进行特征提取以得到工业废气浓度时序特征向量；信息融合更新表达模块，用于对所述环境参数时序关联特征图和所述工业废气浓度时序特征向量进行信息融合表达更新以得到更新工业废气浓度时序特征；工业废气浓度预测模块，用于基于所述更新工业废气浓度时序特征，确定所述短时工业废气浓度预测值。
其中，所述深度神经网络模型为卷积神经网络模型。
继而，再将所述环境参数时序关联输入矩阵通过基于卷积神经网络模型的环境参数时序关联特征提取器中进行特征挖掘，以提取出所述工业废气浓度值和所述环境参数之间的时序协同关联特征信息，从而得到环境参数时序关联特征图。
应可以理解，对于所述工业废气浓度值来说，其在时间维度上也具有着时序的动态变化特性，并且，工业废气浓度的时序变化对于废气监测和控制至关重要。因此，为了能够对于工业废气浓度的时序变化情况进行分析和特征刻画，需要将所述多个预定时间点的工业废气浓度值按照时间维度排列为工业废气浓度时序输入向量，以此来整合所述工业废气浓度值的时序分布信息，以便于捕捉到工业废气的时序变化趋势和关联性。接着，再将所述工业废气浓度时序输入向量通过基于一维卷积层的时序特征提取器中进行特征挖掘，以提取出所述工业废气浓度在时间维度上的时序变化特征信息，从而得到工业废气浓度时序特征向量。通过这样的方式，能够提取到工业废气浓度变化的重要特征信息，如浓度的趋势、周期性变化和峰值等。这些特征向量可以用于后续的信息融合和预测步骤，从而有助于更准确地预测工业废气的浓度变化和传播行为。
进一步地，对于所述环境参数时序关联特征图来说，其表示了环境参数和废气浓度在时间维度上的时序协同关联特征信息，并且，所述环境参数时序关联特征图的沿通道维度的各个特征矩阵分别表示了不同的环境参数之间以及不同的环境参数和废气浓度之间在时间维度上的时序关联特征信息。因此，为了能够基于这些关联特征来进行废气浓度的时序变化特征更新，以此来更为准确地对于工业废气浓度进行短时预测，在本发明的技术方案中，进一步将所述环境参数时序关联特征图的沿通道维度的各个特征矩阵展开为特征向量以得到环境参数时序关联特征向量的序列。这样，可以更方便地对特征进行处理和融合。并且，展开后的环境参数时序关联特征向量可以保留原始特征图中的参数时序关联性，能够有利于更好地与工业废气浓度时序特征向量进行信息融合。
然后，考虑到环境参数对工业废气浓度的分布和变化趋势具有重要影响，因此，需要结合环境参数的时序特征来对工业废气浓度进行更为精准地短时预测。基于此，为了将环境参数的时序关联性引入到工业废气浓度的特征表示中，以更为全面地考虑环境因素对废气浓度的影响，在本发明的技术方案中，进一步基于所述环境参数时序关联特征向量的序列，对所述工业废气浓度时序特征向量进行信息融合式特征表达更新以得到更新工业废气浓度时序特征向量。通过进行信息融合式特征表达更新，可以将环境参数的时序关联性信息融入到工业废气浓度的特征表示中，以更新工业废气浓度的特征表示，从而提供更丰富的特征信息。这有助于改善模型对废气浓度时序数据的理解和预测能力，使系统能够更准确地模拟和预测工业废气的行为。
在本发明的一个具体实施例中，所述信息融合更新表达模块，用于：基于所述环境参数时序关联特征向量的序列，对所述工业废气浓度时序特征向量进行信息融合式特征表达更新以得到更新工业废气浓度时序特征向量作为所述更新工业废气浓度时序特征。
具体地，所述信息融合更新表达模块，包括：基于所述环境参数时序关联特征向量的序列，以如下融合公式对所述工业废气浓度时序特征向量进行信息融合式特征表达更新以得到所述更新工业废气浓度时序特征向量；其中，所述融合公式为：
其中，v是所述工业废气浓度时序特征向量，hi是所述环境参数时序关联特征向量的序列中各个环境参数时序关联特征向量，A是1×Nw的矩阵，B是1×Nh的矩阵，Nw和Nh分别是所述工业废气浓度时序特征向量以及所述各个环境参数时序关联特征向量的尺度，N是多个所述环境参数时序关联特征向量的向量总数，σ(·)是Sigmoid函数，Mw(·)和Mh(·)表示点卷积函数，v’是所述更新工业废气浓度时序特征向量。
在本发明的一个实施例中，所述工业废气浓度预测模块，包括：特征校正单元，用于基于所述环境参数时序关联特征向量的序列对所述更新工业废气浓度时序特征向量进行校正以得到校正更新工业废气浓度时序特征向量；工业废气浓度预测解码单元，用于将所述校正更新工业废气浓度时序特征向量通过所述基于解码器的工业废气浓度预测器以得到解码值，所述解码值用于表示所述短时工业废气浓度预测值。
特别地，在本发明的技术方案中，所述工业废气浓度时序特征向量表达工业废气浓度的时序关联特征，而环境参数时序关联特征向量的序列表达环境参数的局部邻域关联特征的通道分布语义特征，因此，在基于所述环境参数时序关联特征向量的序列对所述工业废气浓度时序特征向量进行信息融合式特征表达更新时，实质上是基于所述环境参数时序关联特征向量的序列表达的在时序维度以外的环境参数语义空间分布维度上进行插值式维度信息混合优化。
也就是，将所述更新工业废气浓度时序特征向量通过基于解码器的工业废气浓度预测器进行基于工业废气浓度时序分布的解码回归时，所述更新工业废气浓度时序特征向量是相对于所述工业废气浓度时序特征向量的对于时序分布解码目标的插值式多维度特征关联混合。这样，为了提升所述更新工业废气浓度时序特征向量在所述更新工业废气浓度时序特征向量的时序特征分布表达一致性基础上的插值式多维度特征关联混合强化表达效果，基于所述环境参数时序关联特征向量的序列对所述更新工业废气浓度时序特征向量进行校正，以得到校正更新工业废气浓度时序特征向量，表示为：以如下优化公式基于所述环境参数时序关联特征向量的序列对所述更新工业废气浓度时序特征向量进行校正，以得到校正更新工业废气浓度时序特征向量；其中，所述优化公式为：
其中，V1是所述环境参数时序关联特征向量的序列级联后得到的级联特征向量，V2是所述更新工业废气浓度时序特征向量，v1max -1和v2max -1分别表示所述级联特征向量V1和所述更新工业废气浓度时序特征向量V2的全局最大值的倒数，I是单位向量，且V2 ⊙-1表示对所述更新工业废气浓度时序特征向量V2的逐位置特征值取倒数，Vc是所述校正更新工业废气浓度时序特征向量，表示按位置减法，/>表示按位置加法，⊙表示按位置点乘。
具体地，针对在特征提取过程中对于回归目标的相关性插值式时序关联混合，基于插值正则化的思想，通过将离群特征的特征映射解除混合，使得高维特征流形基于归纳偏差而恢复到以弱增强为基础的流形几何形状，实现基于特征提取的插值样本和插值预测的一致性特征增强映射，以在保持所述更新工业废气浓度时序特征向量在所述更新工业废气浓度时序特征向量的时序特征分布表达一致性的同时获得插值式多维度特征关联混合强化表达效果，从而改进所述校正更新工业废气浓度时序特征向量的时序分布解码回归表达效果，以提升所述校正更新工业废气浓度时序特征向量通过基于解码器的工业废气浓度预测器得到的解码值的准确性。这样，能够基于数字孪生模型对工业废气的扩散和影响进行实时仿真和预测，以帮助环保监测人员更好地理解废气行为和环境状况，并及时采取相应的治理措施来优化废气处理和控制策略，从而为环境监测和污染防治提供有效的支持，提高环境质量和安全性。
继而，再将所述校正更新工业废气浓度时序特征向量通过基于解码器的工业废气浓度预测器以得到解码值，所述解码值用于表示短时工业废气浓度预测值。也就是说，将环境参数的时序关联性特征信息融入到工业废气浓度的时序特征表示中的更新工业废气浓度时序特征来进行解码回归，以此来进行短时工业废气浓度的预测，并将预测值在屏幕进行显示。这样，能够模拟工业废气的扩散过程，并预测未来的废气浓度的短时分布，从而帮助环保监测人员更好地理解废气行为和环境状况，并及时采取相应的治理措施，优化废气处理和控制策略。
在本发明的一个具体实施例中，所述工业废气浓度预测解码单元，用于：使用所述基于解码器的工业废气浓度预测器以如下解码公式对所述校正更新工业废气浓度时序特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：其中，X表示所述校正更新工业废气浓度时序特征向量，Y表示解码值，W表示权重矩阵，B表示偏置向量，/>表示矩阵乘。
通过本发明的系统，可以实现对物理实体的实时虚拟仿真，提高产品设计的质量和效率，降低生产成本，具有重要的应用价值。
在本发明的另一个实施例中，该系统可以包括以下部分：数据收集模块、数据预处理模块、模型构建模块、仿真模块和交互模块。
其中数据收集模块：该模块通过物联网技术，从物理世界的各种传感器中收集数据，包括但不限于温度、湿度、压力、速度、位置等数据。数据预处理模块：该模块对收集的数据进行清洗、过滤和标准化处理，以提高数据的质量和准确性。模型构建模块：该模块利用大数据分析和机器学习技术，从预处理的数据中提取特征，建立物理实体的数字孪生模型。仿真模块：该模块在数字孪生模型的基础上，对物理实体进行仿真预测，包括但不限于性能模拟、故障预测和优化设计等。交互模块：该模块允许用户在数字环境中对物理实体进行操作，并将操作结果实时反馈到物理世界，实现数字世界和物理世界的交互。
应可以理解，本发明的所具有的优点及积极效果包括：
实时性：通过物联网技术和数据传输技术，实现物理实体状态的实时收集和反馈。
高精度：通过大数据分析和机器学习技术，建立准确的数字孪生模型，提高模拟预测的准确性。
高效率：通过在数字环境中进行模拟和预测，大大减少了物理实验的次数和成本。
可交互性：用户可以在数字环境中对物理实体进行操作，并将操作结果实时反馈到物理世界，实现数字世界和物理世界的交互。
综上，基于本发明实施例的基于数字孪生的实时虚拟仿真系统100被阐明，其可以对工业废气的扩散和影响进行实时仿真和预测，帮助环保监测人员更好地理解废气行为和环境状况，并及时采取相应的治理措施，优化废气处理和控制策略，从而为环境监测和污染防治提供有效的支持，提高环境质量和安全性。
如上所述，根据本发明实施例的基于数字孪生的实时虚拟仿真系统100可以实现在各种终端设备中，例如用于基于数字孪生的实时虚拟仿真的服务器等。在一个示例中，根据本发明实施例的基于数字孪生的实时虚拟仿真系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于数字孪生的实时虚拟仿真系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于数字孪生的实时虚拟仿真系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于数字孪生的实时虚拟仿真系统100与该终端设备也可以是分立的设备，并且该基于数字孪生的实时虚拟仿真系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本发明的一个实施例中，图2为根据本发明实施例的基于数字孪生的实时虚拟仿真方法的流程图。图3为根据本发明实施例的基于数字孪生的实时虚拟仿真方法架构的示意图。如图2和图3所示，所述基于数字孪生的实时虚拟仿真方法，包括：210，获取由传感器组采集的预定时间段内多个预定时间点的工业废气浓度值、环境温度值、环境湿度值和风速值；220，对所述多个预定时间点的工业废气浓度值、环境温度值、环境湿度值和风速值进行预处理以得到多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值；230，对所述多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值进行分析和预测以得到短时工业废气浓度预测值；240，在屏幕显示所述短时工业废气浓度预测值。
在所述基于数字孪生的实时虚拟仿真方法中，对所述多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值进行分析和预测以得到短时工业废气浓度预测值，包括：将所述多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值按照时间维度和参数样本维度排列为环境参数时序关联输入矩阵；通过基于深度神经网络模型的环境参数时序关联特征提取器对所述环境参数时序关联输入矩阵进行特征提取以得到环境参数时序关联特征图；将所述多个预定时间点的工业废气浓度值按照时间维度排列为工业废气浓度时序输入向量；通过基于一维卷积层的时序特征提取器对所述工业废气浓度时序输入向量进行特征提取以得到工业废气浓度时序特征向量；对所述环境参数时序关联特征图和所述工业废气浓度时序特征向量进行信息融合表达更新以得到更新工业废气浓度时序特征；基于所述更新工业废气浓度时序特征，确定所述短时工业废气浓度预测值。
在所述基于数字孪生的实时虚拟仿真方法中，所述深度神经网络模型为卷积神经网络模型。
本领域技术人员可以理解，上述基于数字孪生的实时虚拟仿真方法中的各个步骤的具体操作已经在上面参考图1的基于数字孪生的实时虚拟仿真系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图4为根据本发明实施例的基于数字孪生的实时虚拟仿真系统的应用场景图。如图4所示，在该应用场景中，首先，获取由传感器组采集的预定时间段内多个预定时间点的工业废气浓度值(例如，如图4中所示意的C1)、环境温度值(例如，如图4中所示意的C2)、环境湿度值(例如，如图4中所示意的C3)和风速值(例如，如图4中所示意的C4)；然后，将获取的工业废气浓度值、环境温度值、环境湿度值和风速值输入至部署有基于数字孪生的实时虚拟仿真算法的服务器(例如，如图4中所示意的S)中，其中所述服务器能够基于数字孪生的实时虚拟仿真算法对所述工业废气浓度值、环境温度值、环境湿度值和风速值进行处理，以在屏幕显示所述短时工业废气浓度预测值。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于数字孪生的实时虚拟仿真系统，其特征在于，包括：
数据收集模块，用于获取由传感器组采集的预定时间段内多个预定时间点的工业废气浓度值、环境温度值、环境湿度值和风速值；
数据预处理模块，用于对所述多个预定时间点的工业废气浓度值、环境温度值、环境湿度值和风速值进行预处理以得到多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值；
仿真模块，用于对所述多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值进行分析和预测以得到短时工业废气浓度预测值；
数字孪生模块，用于在屏幕显示所述短时工业废气浓度预测值。
2.根据权利要求1所述的基于数字孪生的实时虚拟仿真系统，其特征在于，所述仿真模块，包括：
环境参数数据时序排列模块，用于将所述多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值按照时间维度和参数样本维度排列为环境参数时序关联输入矩阵；
环境参数时序关联特征提取模块，用于通过基于深度神经网络模型的环境参数时序关联特征提取器对所述环境参数时序关联输入矩阵进行特征提取以得到环境参数时序关联特征图；
工业废气浓度时序排列模块，用于将所述多个预定时间点的工业废气浓度值按照时间维度排列为工业废气浓度时序输入向量；
工业废气浓度时序特征提取模块，用于通过基于一维卷积层的时序特征提取器对所述工业废气浓度时序输入向量进行特征提取以得到工业废气浓度时序特征向量；
信息融合更新表达模块，用于对所述环境参数时序关联特征图和所述工业废气浓度时序特征向量进行信息融合表达更新以得到更新工业废气浓度时序特征；
工业废气浓度预测模块，用于基于所述更新工业废气浓度时序特征，确定所述短时工业废气浓度预测值。
3.根据权利要求2所述的基于数字孪生的实时虚拟仿真系统，其特征在于，所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的基于数字孪生的实时虚拟仿真系统，其特征在于，所述信息融合更新表达模块，用于：基于所述环境参数时序关联特征向量的序列，对所述工业废气浓度时序特征向量进行信息融合式特征表达更新以得到更新工业废气浓度时序特征向量作为所述更新工业废气浓度时序特征。
5.根据权利要求4所述的基于数字孪生的实时虚拟仿真系统，其特征在于，所述信息融合更新表达模块，包括：基于所述环境参数时序关联特征向量的序列，以如下融合公式对所述工业废气浓度时序特征向量进行信息融合式特征表达更新以得到所述更新工业废气浓度时序特征向量；
其中，所述融合公式为：
其中，v是所述工业废气浓度时序特征向量，hi是所述环境参数时序关联特征向量的序列中各个环境参数时序关联特征向量，A是1×Nw的矩阵，B是1×Nh的矩阵，Nw和Nh分别是所述工业废气浓度时序特征向量以及所述各个环境参数时序关联特征向量的尺度，N是多个所述环境参数时序关联特征向量的向量总数，σ(·)是Sigmoid函数，Mw(·)和Mh(·)表示点卷积函数，v’是所述更新工业废气浓度时序特征向量。
6.根据权利要求5所述的基于数字孪生的实时虚拟仿真系统，其特征在于，所述工业废气浓度预测模块，包括：
特征校正单元，用于基于所述环境参数时序关联特征向量的序列对所述更新工业废气浓度时序特征向量进行校正以得到校正更新工业废气浓度时序特征向量；
工业废气浓度预测解码单元，用于将所述校正更新工业废气浓度时序特征向量通过所述基于解码器的工业废气浓度预测器以得到解码值，所述解码值用于表示所述短时工业废气浓度预测值。
7.根据权利要求6所述的基于数字孪生的实时虚拟仿真系统，其特征在于，所述工业废气浓度预测解码单元，用于：
使用所述基于解码器的工业废气浓度预测器以如下解码公式对所述校正更新工业废气浓度时序特征向量进行解码回归以得到所述解码值；
其中，所述解码公式为：其中，X表示所述校正更新工业废气浓度时序特征向量，Y表示解码值，W表示权重矩阵，B表示偏置向量，/>表示矩阵乘。
8.一种基于数字孪生的实时虚拟仿真方法，其特征在于，包括：
获取由传感器组采集的预定时间段内多个预定时间点的工业废气浓度值、环境温度值、环境湿度值和风速值；
对所述多个预定时间点的工业废气浓度值、环境温度值、环境湿度值和风速值进行预处理以得到多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值；
对所述多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值进行分析和预测以得到短时工业废气浓度预测值；
在屏幕显示所述短时工业废气浓度预测值。
9.根据权利要求8所述的基于数字孪生的实时虚拟仿真方法，其特征在于，对所述多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值进行分析和预测以得到短时工业废气浓度预测值，包括：
将所述多个预定时间点的预处理后工业废气浓度值、预处理后环境温度值、预处理后环境湿度值和预处理后风速值按照时间维度和参数样本维度排列为环境参数时序关联输入矩阵；
通过基于深度神经网络模型的环境参数时序关联特征提取器对所述环境参数时序关联输入矩阵进行特征提取以得到环境参数时序关联特征图；
将所述多个预定时间点的工业废气浓度值按照时间维度排列为工业废气浓度时序输入向量；
通过基于一维卷积层的时序特征提取器对所述工业废气浓度时序输入向量进行特征提取以得到工业废气浓度时序特征向量；
对所述环境参数时序关联特征图和所述工业废气浓度时序特征向量进行信息融合表达更新以得到更新工业废气浓度时序特征；
基于所述更新工业废气浓度时序特征，确定所述短时工业废气浓度预测值。
10.根据权利要求9所述的基于数字孪生的实时虚拟仿真方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311686320.2A CN117763816A (zh) | 2023-12-08 | 2023-12-08 | 基于数字孪生的实时虚拟仿真系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311686320.2A CN117763816A (zh) | 2023-12-08 | 2023-12-08 | 基于数字孪生的实时虚拟仿真系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117763816A true CN117763816A (zh) | 2024-03-26 |
Family
ID=90311637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311686320.2A Pending CN117763816A (zh) | 2023-12-08 | 2023-12-08 | 基于数字孪生的实时虚拟仿真系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117763816A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114296408A (zh) * | 2021-12-06 | 2022-04-08 | 上海大学 | 一种数字孪生环境中的生产制造车间人工智能优化算法模型系统及其算法 |
| CN116272363A (zh) * | 2023-05-17 | 2023-06-23 | 浙江浙能迈领环境科技有限公司 | 船舶废气混合式脱硫系统及其方法 |
| CN116359285A (zh) * | 2023-04-13 | 2023-06-30 | 北龙泽达（北京）数据科技有限公司 | 一种基于大数据的油气浓度智能检测系统及方法 |
| CN117063820A (zh) * | 2023-10-16 | 2023-11-17 | 武安市园林绿化管理局 | 基于大数据的智慧园林监控平台及其方法 |
| CN117136765A (zh) * | 2023-09-04 | 2023-12-01 | 河南省农业农村科技教育中心(河南省农业广播电视学校) | 基于智能农业的大棚控制系统及方法 |
-
2023
- 2023-12-08 CN CN202311686320.2A patent/CN117763816A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114296408A (zh) * | 2021-12-06 | 2022-04-08 | 上海大学 | 一种数字孪生环境中的生产制造车间人工智能优化算法模型系统及其算法 |
| CN116359285A (zh) * | 2023-04-13 | 2023-06-30 | 北龙泽达（北京）数据科技有限公司 | 一种基于大数据的油气浓度智能检测系统及方法 |
| CN116272363A (zh) * | 2023-05-17 | 2023-06-23 | 浙江浙能迈领环境科技有限公司 | 船舶废气混合式脱硫系统及其方法 |
| CN117136765A (zh) * | 2023-09-04 | 2023-12-01 | 河南省农业农村科技教育中心(河南省农业广播电视学校) | 基于智能农业的大棚控制系统及方法 |
| CN117063820A (zh) * | 2023-10-16 | 2023-11-17 | 武安市园林绿化管理局 | 基于大数据的智慧园林监控平台及其方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李晓云，王晓凯: "基于BP-RBF组合神经网络的废气监测盲区SO_2浓度预测", 测试技术学报, no. 03, 30 June 2018 (2018-06-30), pages 191 - 196 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3809220B1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
| CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| JP2019527413A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
| CN107480698A (zh) | 基于多个监测指标的质量控制方法 | |
| CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
| Chen et al. | Bibliometric methods in traffic flow prediction based on artificial intelligence | |
| CN117787508B (zh) | 基于模型预测的建筑施工过程碳排放处理方法及系统 | |
| CN114201570A (zh) | 河网水质的监测方法、装置和可读存储介质 | |
| CN113222442A (zh) | 实时交通大气污染排放清单计算方法以及决策辅助方法 | |
| CN116359285A (zh) | 一种基于大数据的油气浓度智能检测系统及方法 | |
| CN117892915A (zh) | 基于核算单位的商品碳标签生成方法及系统 | |
| Zhang et al. | Grouped time series networks for grade monitoring of zinc tailings with multisource features | |
| Geng et al. | A novel total nitrogen prediction method based on recurrent neural networks utilizing cross-coupling attention and selective attention | |
| CN116738866A (zh) | 一种基于时间序列特征提取的即时学习的软测量建模方法 | |
| CN117671450A (zh) | 一种基于transformer的属地网络图像内容安全监管的DETR架构方法 | |
| CN117763816A (zh) | 基于数字孪生的实时虚拟仿真系统和方法 | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
| Yang et al. | Using big data analytics and visualization to create iot-enabled science park smart governance platform | |
| Zhong et al. | Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction | |
| CN112016403B (zh) | 一种视频异常事件检测方法 | |
| Lagomarsino-Oneto et al. | Physics informed shallow machine learning for wind speed prediction | |
| CN118312726B (zh) | 探地雷达数据实时评估方法及系统、训练方法及系统 | |
| Nguyen-Tan et al. | Lightweight Model Using Graph Neural Networks for Air Quality Impact Assessment on Human Health | |
| CN116701371B (zh) | 协方差分析下大气温度数据缺失值插补方法及其插补装置 | |
| CN117767579B (zh) | 基于AutoML的电网大数据分析方法及自动化建模系统 |
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 |