CN117788721A - 基于人工智能的数字孪生内容显示方法、系统和介质 - Google Patents
基于人工智能的数字孪生内容显示方法、系统和介质 Download PDFInfo
- Publication number
- CN117788721A CN117788721A CN202410208722.XA CN202410208722A CN117788721A CN 117788721 A CN117788721 A CN 117788721A CN 202410208722 A CN202410208722 A CN 202410208722A CN 117788721 A CN117788721 A CN 117788721A
- Authority
- CN
- China
- Prior art keywords
- information
- digital twin
- sensor
- field
- area
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 39
- 230000000007 visual effect Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005192 partition Methods 0.000 claims description 60
- 230000007613 environmental effect Effects 0.000 claims description 51
- 238000011156 evaluation Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 32
- 238000002329 infrared spectrum Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004806 packaging method and process Methods 0.000 claims description 12
- 230000001360 synchronised effect Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000013461 design Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明提供一种基于人工智能的数字孪生内容显示方法、系统和介质，所述方法包括：构建3D工业现场模型；由每个传感器分别采集获取各个区域的现场环境信息；由每个传感器分别将各自采集的现场环境信息上传至后台服务器进行数据处理；由后台服务器基于所述现场环境信息和3D工业现场模型进行拟合构建虚拟环境的数字孪生体以进行可视化显示；由后台服务器构建数字孪生衍生模型，由所述数字孪生衍生模型基于当前时刻的数字孪生体的状态参数进行下一时刻预测，从而衍生出下一时刻的数字孪生体的工作状态。本发明的方法能够实现对工业现场设备状态的监控并有利于对潜在故障的预测性维护。
Description
技术领域
本发明涉及数字孪生技术领域，尤其涉及一种基于人工智能的数字孪生内容显示方法、系统和介质。
背景技术
数字孪生是一种对于既有对象或系统的、跨越其完整生命周期的虚拟表示，经由实时数据进行更新，并使用模拟、机器学习及推理等技术助力决策。数字孪生帮助我们在数字环境下重构物理世界，并映射出其中每一个微观细节。在先进传感器、人工智能以及通信技术的支持下，这些数字空间中的副本能够精确模拟包括人体、设备、事物、系统乃至地点在内的各类物理对象。
而虚拟模型对于真实对象或系统的准确模拟，离不开传感器数据的持续更新。这些传感器主动将相关环境数据实时转发至数字副本端，借此实现物理对象或系统与数字副本之间的动态同步。而这些数据的存在又将催生出新的流程与服务，例如通过数据分析预测潜在故障的预测性维护，就有望帮助我们在故障实际发生前抢先加以修复。正是这种强大的能力，让数字孪生成为智慧企业探索之旅中的重要组成部分。
数字孪生有着不同级别的复杂性。复杂度越高，对应的数据与见解生成能力也就越强。最简单的数字孪生变体就是单一对象的数字表示，例如联网可穿戴设备、简单机器人或者工业设备等。此类数字孪生可用于分析产品性能、建立数字原型，进而指导新产品的设计思路。
复杂性更高一级，对应的就是模拟完整流程的数字孪生，例如由众多数字孪生对象共同构成的制造流程。这类更为复杂的数字孪生需要从一个体系（例如飞机或者车间）当中捕捉数据。更高层级则涵盖全局系统，例如覆盖全球的供应链、或者整座城市规模的数字孪生。在前两个复杂性等级下，数字孪生可以通过数字空间与现实世界的同步实现流程优化。而第三层中的各类应用程序则负责监控并分析这些流程或系统，运行模拟以优化对应的物理对象，或者通过多方协作实现原型设计、创造出新的物理产品。
无论复杂性如何，数字孪生总能给用户带来可观的价值回报，具体价值水平则取决于数字孪生的可视化效果。即使是简单的可视化（即描述性、预测性或规范性分析）用户也能从数字孪生中获取深刻洞见，据此找到准确可靠的优化方向。这种可视化也可以通过对数字对象或系统的高级2D视觉表示来实现。这些先进的2D表示能让用户从不同角度观察数字孪生并开展远程协作，从而进一步改进或开发数字孪生及其现实对应物。3D数字表示允许用户灵活查看数字孪生模型，深入了解其内部运作逻辑，结合实时传感器获取相关数据、把握物理层面的变更反馈，最终通过远程协作实现原型设计/创建或者解决现实问题。视觉表示越是先进，所对应的潜在价值就越是可观。
然而对于目前的工业现场的工作环境，传感器难以实现对复杂工业环境的数据进行全面准确识别，且为了实现数字孪生可视化，工业现场需要配置大量传感器，如果这些传感器同时上传数据至后台服务器，则对带宽要求极高，否则，无法实现数字孪生的可视化同步展示。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于人工智能的数字孪生内容显示方法、系统和介质，能够在较为复杂的工业现场环境中，实现传感器对环境数据的全面且准确的识别感测，同时在不增加原有带宽的基础上，满足数字孪生的可视化同步展示与互动，实现对工业现场设备状态的监控并有利于对潜在故障的预测性维护。
本发明第一方面提出了一种基于人工智能的数字孪生内容显示方法，所述方法包括：
基于工业现场设施的布局位置关系，构建3D工业现场模型；
在工业现场的各个区域分别布置有传感器；
获取每个区域的感测聚焦中心，并调整每个传感器的角度并使其对准于对应区域的感测聚焦中心；
由每个传感器分别采集获取各个区域的现场环境信息，其中所述现场环境信息至少包括温度信息、气压信息、应变信息、图像信息以及位置信息的任意一种或多种；
由每个传感器分别将各自采集的现场环境信息上传至后台服务器进行数据处理；
由后台服务器基于所述现场环境信息和3D工业现场模型进行拟合构建虚拟环境的数字孪生体以进行可视化显示；
由后台服务器构建数字孪生衍生模型，由所述数字孪生衍生模型基于当前时刻的数字孪生体的状态参数进行下一时刻预测，从而衍生出下一时刻的数字孪生体的工作状态；
由各个传感器定期感测各个区域的现场环境更新信息并上报后台服务器，由后台服务器根据现场环境更新信息对相同时刻的数字孪生体的工作状态进行同步。
本方案中，由各个传感器定期感测各个区域的现场环境更新信息并上报后台服务器，由后台服务器根据现场环境更新信息对相同时刻的数字孪生体的工作状态进行同步，具体包括：
预设工业现场布置有多种类型传感器，且每个类型的传感器均有多个，且每个类型的多个传感器离散分布在工业现场各个位置；
获取每个类型的多个传感器在工业现场的位置信息；
基于DBSCAN算法分别对每个类型的多个传感器的位置信息进行聚类，得到每个类型的聚类中心；
从每个类型的多个传感器中计算出距离对应聚类中心最近的传感器作为每个类型的主传感器，每个类型的其他传感器作为次传感器；
每个类型的次传感器采集获取现场环境更新信息并通过近端通信传送给对应的主传感器；
由每个类型的主传感器将该类型的所有传感器的现场环境更新信息进行汇总并统一上报给后台服务器；
由后台服务器对收到的现场环境更新信息进行数据处理并对相同时刻的数字孪生体的工作状态进行同步。
本方案中，由各个传感器定期感测各个区域的现场环境更新信息并上报后台服务器，由后台服务器根据现场环境更新信息对相同时刻的数字孪生体的工作状态进行同步，具体包括：
每个传感器本地预存有近k个时刻的历史环境信息，后台服务器基于每个传感器建立有预存库，每个预存库分别预存有与每个传感器同步的近k个时刻的历史环境信息；
每个传感器在采集获取当前时刻的环境信息时，将当前时刻的环境信息与本地预存的近k个时刻的历史环境信息进行比对分析，找出差异最小的历史环境信息作为基准环境信息，并确定出基准环境信息对应的历史时间标识；
由每个传感器分析出当前时刻的环境信息相对于基准环境信息之间的差异特征信息以及差异位置信息；
由每个传感器将差异特征信息、差异位置信息以及历史时间标识进行打包并上报后台服务器；
由后台服务器获取每个传感器上报的打包信息并查找到与之对应的预存库，并从所述预存库中调取出信息；
基于打包信息中的历史时间标识从预存库中找出对应的历史环境信息，并将其作为基准环境信息；
基于打包信息中的差异特征信息、差异位置信息，并结合预存库中找出的基准环境信息进行拟合，得到当前时刻的环境信息；
由后台服务器根据当前时刻的环境信息对数字孪生体的工作状态进行同步更新。
本方案中，由每个传感器分别采集获取各个区域的现场环境信息，具体包括：
预设传感器为红外传感器，且在工业现场布置有多个红外传感器；
通过3D工业现场模型初步获取某个工位的工作人员的可活动区域，且可活动区域由多个位置点组成；
通过3D工业现场模型获取多个红外传感器的坐标位置；
基于可活动区域的每个位置点，通过3D工业现场模型直接判断每个位置点与各个红外传感器之间是否遮挡，如遮挡，则标记对应的红外传感器为A1，如不遮挡，则标记对应的红外传感器为A2；
基于可活动区域的每个位置点，由每个红外传感器分别感测可活动区域内每个位置点的红外图谱，并判断是否为目标红外图谱，如果否，则标记对应的红外传感器为B1，如果是，则标记对应的红外传感器为B2；
基于可活动区域的每个位置点，如果某个红外传感器分别被标记为A1和B1，则将相应的位置点积分加1，如果某个红外传感器分别被标记为A1和B2，则相应的位置点积分加0，如果某个红外传感器分别被标记为A2和B1，则将相应的位置点积分加0，如果某个红外传感器分别被标记为A2和B2，则相应的位置点积分加1；
基于可活动区域的每个位置点，待所有红外传感器被标记并积分完成后，统计每个位置点的总积分；
基于可活动区域的每个位置点的总积分，并按照高低分进行排序，选取最高的总积分；
判断最高的总积分是否大于第二预设阈值，如果大于等于，将总积分最高的位置点坐标信息作为现场工作人员的位置信息，如果小于，则判定该工位的可活动区域无工作人员。
本方案中，获取每个区域的感测聚焦中心，具体包括：
预设每个区域由多个现场规划分区组成，预设每个现场规划分区的形状均为多边形；
基于每个现场规划分区，分别获取该现场规划分区的多边形顶点坐标；
基于每个现场规划分区，对该现场规划分区的所有多边形顶点的横坐标进行相加，得到横坐标之和，然后将横坐标之和除以多边形顶点的数量，得到该现场规划分区的中心横坐标；对该现场规划分区的所有多边形顶点的纵坐标进行相加，得到纵坐标之和，然后将纵坐标之和除以多边形顶点的数量，得到该现场规划分区的中心纵坐标；
由每个现场规划分区的中心横坐标和中心纵坐标确定每个现场规划分区的中心位置；
基于每个区域，对其中的多个现场规划分区的中心位置进行聚类处理，得到初始感测聚焦中心；
基于每个区域，获取其中各个现场规划分区的传感注意力需求程度；
基于每个区域，结合传感注意力需求程度并通过预设修正算法对初始感测聚焦中心进行修正，得到修正后的感测聚焦中心。
本方案中，结合传感注意力需求程度并通过预设修正算法对初始感测聚焦中心进行修正，得到修正后的感测聚焦中心，具体包括：
基于每个区域，获取其中各个现场规划分区的传感注意力需求程度；
以初始感测聚焦中心为原点构建二维坐标系；
由二维坐标系的X轴和Y轴将所述区域分成第一区、第二区、第三区以及第四区；
分别统计落入第一区、第二区、第三区以及第四区的各个现场规划分区；
分别针对第一区、第二区、第三区以及第四区的各个现场规划分区对应的传感注意力需求程度进行累加，并分别得到第一区、第二区、第三区以及第四区的传感注意力需求程度之和；
分别以第一区、第二区、第三区以及第四区的角平分线的延长线方向为向量方向，以其对应的传感注意力需求程度之和为向量数值，生成第一区、第二区、第三区以及第四区的分向量；
将第一区、第二区、第三区以及第四区的分向量进行向量和计算，得到修正向量；
将初始感测聚焦中心基于修正向量进行位移，得到修正后的感测聚焦中心。
本方案中，在衍生出下一时刻的数字孪生体的工作状态之后，所述方法还包括：
获取工业现场的当前时刻的现场环境信息、工作参数、以及工作状态，并进行特征计算，得到第一特征数据；
获取工业现场的多个历史工作数据，每条历史工作数据包括历史时刻的现场环境信息、工作参数、以及工作状态、以及历史时刻下一时刻的实际工作进程量；
针对每条历史工作数据的历史时刻的现场环境信息、工作参数、以及工作状态并进行特征计算，得到第二特征数据；
将当前时刻的第一特征数据与每条历史工作数据的第二特征数据进行差异比对，并比较二者的差异度；
将差异度小于第四预设阈值的历史工作数据筛选入库；
基于入库后的每个历史工作数据，将历史时刻的工作参数、以及工作状态通过数字孪生衍生模型预测得到历史时刻下一时刻的预测工作进程量；
基于入库后的每个历史工作数据，将历史时刻下一时刻的实际工作进程量与预测工作进程量进行作差计算，得到该历史工作数据的工作进程偏差量；
对入库后的所有历史工作数据的工作进程偏差量进行平均值计算，得到工作进程均值偏差量；
在衍生出下一时刻的数字孪生体的工作状态的基础上，结合工作进程均值偏差量，得到修正后的下一时刻的数字孪生体。
本方案中，由所述数字孪生衍生模型基于当前时刻的数字孪生体的状态参数进行下一时刻预测，具体包括：
预设工业现场的某个工业流程下一时刻将有m个节点为可变动节点，且每个可变动节点有n个选择，则该工业流程有种搭配方案；
基于个搭配方案中的每个搭配方案分别进行数字孪生体的预设配置；
评估采用每个搭配方案进行预设配置的数字孪生体，得出每个搭配方案下的多个评选项的特征数据；
基于每个搭配方案，将其每个评选项的特征数据与其他搭配方案的对应评选项的特征数据进行逐个差异比对，判断前者是否优于后者，如果是，则标记前者的评选项胜出；
待个搭配方案中的每个搭配方案的每个评选项的特征数据与其他搭配方案的对应评选项的特征数据均完成差异比对后，统计每个搭配方案的每个评选项胜出的总次数；
预设不同评选项对搭配方案的整体评选结果影响权重不同，获取每个评选项的评选权重；
基于每个搭配方案，将其每个评选项胜出的总次数乘以对应的评选权重得到每个评选项的权重积分；
基于每个搭配方案，累计计算所有评选项的权重积分，得到评选总积分；
对个搭配方案的评选总积分按照高低分进行排序，选定出最高分的搭配方案为目标方案；
将目标方案的相关参数反馈配置给工业现场的对应设备，以进行互动。
本发明第二方面还提出一种基于人工智能的数字孪生内容显示系统，包括存储器和处理器，所述存储器中包括一种基于人工智能的数字孪生内容显示方法程序，所述基于人工智能的数字孪生内容显示方法程序被所述处理器执行时实现如下步骤：
基于工业现场设施的布局位置关系，构建3D工业现场模型；
在工业现场的各个区域分别布置有传感器；
获取每个区域的感测聚焦中心，并调整每个传感器的角度并使其对准于对应区域的感测聚焦中心；
由每个传感器分别采集获取各个区域的现场环境信息，其中所述现场环境信息至少包括温度信息、气压信息、应变信息、图像信息以及位置信息的任意一种或多种；
由每个传感器分别将各自采集的现场环境信息上传至后台服务器进行数据处理；
由后台服务器基于所述现场环境信息和3D工业现场模型进行拟合构建虚拟环境的数字孪生体以进行可视化显示；
由后台服务器构建数字孪生衍生模型，由所述数字孪生衍生模型基于当前时刻的数字孪生体的状态参数进行下一时刻预测，从而衍生出下一时刻的数字孪生体的工作状态；
由各个传感器定期感测各个区域的现场环境更新信息并上报后台服务器，由后台服务器根据现场环境更新信息对相同时刻的数字孪生体的工作状态进行同步。
本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于人工智能的数字孪生内容显示方法程序，所述基于人工智能的数字孪生内容显示方法程序被处理器执行时，实现如上述的一种基于人工智能的数字孪生内容显示方法的步骤。
本发明提出的一种基于人工智能的数字孪生内容显示方法、系统和介质，能够在较为复杂的工业现场环境中，实现传感器对环境数据的全面且准确的识别感测。同时在不增加原有带宽的基础上，满足数字孪生的可视化同步展示与互动，实现对工业现场设备状态的监控并有利于对潜在故障的预测性维护。
本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1示出了本发明一种基于人工智能的数字孪生内容显示方法的流程图；
图2示出了本发明实施例的传感器与后台服务器进行数据交互的流程图；
图3示出了本发明实施例的感测聚焦中心的修正算法流程图；
图4示出了本发明一种基于人工智能的数字孪生内容显示系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于人工智能的数字孪生内容显示方法的流程图。
如图1所示，本发明第一方面提出一种基于人工智能的数字孪生内容显示方法，所述方法包括：
S102，基于工业现场设施的布局位置关系，构建3D工业现场模型；
S104，在工业现场的各个区域分别布置有传感器；
S106，获取每个区域的感测聚焦中心，并调整每个传感器的角度并使其对准于对应区域的感测聚焦中心；
S108，由每个传感器分别采集获取各个区域的现场环境信息，其中所述现场环境信息至少包括温度信息、气压信息、应变信息、图像信息以及位置信息的任意一种或多种；
S110，由每个传感器分别将各自采集的现场环境信息上传至后台服务器进行数据处理；
S112，由后台服务器基于所述现场环境信息和3D工业现场模型进行拟合构建虚拟环境的数字孪生体以进行可视化显示；
S114，由后台服务器构建数字孪生衍生模型，由所述数字孪生衍生模型基于当前时刻的数字孪生体的状态参数进行下一时刻预测，从而衍生出下一时刻的数字孪生体的工作状态；
S116，由各个传感器定期感测各个区域的现场环境更新信息并上报后台服务器，由后台服务器根据现场环境更新信息对相同时刻的数字孪生体的工作状态进行同步。
可以理解，通常各个传感器上传现场环境信息无法做到实时上传，如果不能及时上传更新后的现场环境信息，则虚拟环境的数字孪生体将由于得不到更新的现场环境信息而无法基于时间轴进行工作状态的同步，也就是说，数字孪生体将会出现短暂暂停的界面。本发明，则通过构建数字孪生衍生模型，由所述数字孪生衍生模型基于当前时刻的数字孪生体的状态参数进行下一时刻预测，从而衍生出下一时刻的数字孪生体的工作状态。实际上，本发明虚拟环境的数字孪生体更多的是基于自身深度学习、人工智能算法来实现对未来时刻的工作状态预测，从而实现数字孪生体的可视化、流畅化显示，提升了用户的体验感。例如，各个传感器可能在间隔1s或5s感测更新信息并上传后台服务器，但本发明的数字孪生体可视化显示在上传间隔内并不会停止不前，而是有自身的模型预测衍生机制进行补全。当然，本发明考虑到长时间的衍生预测可能会脱离实际真实的现场环境，因此，本发明通过各个传感器定期感测各个区域的现场环境更新信息进行同步更新纠正，从而使得虚拟环境的数字孪生体更加贴合于真实的工业现场实时工作状态。
本发明的基于人工智能的数字孪生内容显示方法，能够在较为复杂的工业现场环境中，实现传感器对环境数据的全面且准确的识别感测，同时由于数字孪生衍生模型的加持，使得传感器无需频繁的上传更新信息至后台服务器，减少了上传网络拥挤的现象，在不增加原有带宽的基础上，满足数字孪生的可视化同步展示。
如图2所示，由各个传感器定期感测各个区域的现场环境更新信息并上报后台服务器，由后台服务器根据现场环境更新信息对相同时刻的数字孪生体的工作状态进行同步，具体包括：
S202，预设工业现场布置有多种类型传感器，且每个类型的传感器均有多个，且每个类型的多个传感器离散分布在工业现场各个位置；
S204，获取每个类型的多个传感器在工业现场的位置信息；
S206，基于DBSCAN算法分别对每个类型的多个传感器的位置信息进行聚类，得到每个类型的聚类中心；
S208，从每个类型的多个传感器中计算出距离对应聚类中心最近的传感器作为每个类型的主传感器，每个类型的其他传感器作为次传感器；
S210，每个类型的次传感器采集获取现场环境更新信息并通过近端通信传送给对应的主传感器；
S212，由每个类型的主传感器将该类型的所有传感器的现场环境更新信息进行汇总并统一上报给后台服务器；
S214，由后台服务器对收到的现场环境更新信息进行数据处理并对相同时刻的数字孪生体的工作状态进行同步。
需要说明的是，所述DBSCAN（Density-Based Spatial Clustering ofApplications with Noise）是基于密度的聚类算法。算法的主要目标是相比基于划分的聚类方法和层次聚类方法，需要更少的领域知识来确定输入参数；发现任意形状的聚簇；在大规模数据库上更好的效率。DBSCAN能够将足够高密度的区域划分成簇，并能在具有噪声的空间数据库中发现任意形状的簇。
需要说明的是，由于工业现场中的传感器数量较多，如果多个传感器同时上传数据，则容易出现上传卡顿甚至丢包的问题，因此传统为了解决这样的问题，通常需要设计更高的网络带宽来满足如此多的传感器，但这样一来将会增加网络布局的成本。本发明通过DBSCAN密度聚类算法，从多个传感器找出最佳的主传感器，其他传感器采集的现场信息均通过近端通信汇集至主传感器，由主传感器进行统一上报，从而有效解决了多个传感器同时上报信息至后台服务器，占用网络带宽的问题。
根据本发明的实施例，由各个传感器定期感测各个区域的现场环境更新信息并上报后台服务器，由后台服务器根据现场环境更新信息对相同时刻的数字孪生体的工作状态进行同步，具体包括：
每个传感器本地预存有近k个时刻的历史环境信息，后台服务器基于每个传感器建立有预存库，每个预存库分别预存有与每个传感器同步的近k个时刻的历史环境信息；
每个传感器在采集获取当前时刻的环境信息时，将当前时刻的环境信息与本地预存的近k个时刻的历史环境信息进行比对分析，找出差异最小的历史环境信息作为基准环境信息，并确定出基准环境信息对应的历史时间标识；
由每个传感器分析出当前时刻的环境信息相对于基准环境信息之间的差异特征信息以及差异位置信息；
由每个传感器将差异特征信息、差异位置信息以及历史时间标识进行打包并上报后台服务器；
由后台服务器获取每个传感器上报的打包信息并查找到与之对应的预存库，并从所述预存库中调取出信息；
基于打包信息中的历史时间标识从预存库中找出对应的历史环境信息，并将其作为基准环境信息；
基于打包信息中的差异特征信息、差异位置信息，并结合预存库中找出的基准环境信息进行拟合，得到当前时刻的环境信息；
由后台服务器根据当前时刻的环境信息对数字孪生体的工作状态进行同步更新。
需要说明的是，对于部分传感器，例如红外传感器需要感测对应区域的热成像图谱，如果每个时刻红外传感器均将当前时刻的热成像图谱上传给后台服务器，则上传的数据量较大，进而给物联网的通信压力增大，造成数据拥挤的问题。本发明通过在传感器一端和后台服务器一端均预存有历史环境信息，先是在传感器端分析出当前时刻的环境信息相对于基准环境信息之间的差异特征信息以及差异位置信息，然后传感器仅将差异特征信息上传给后台服务器，当后台服务器接收到来自传感器的差异特征信息之后，基于相同的基准环境信息进行拟合还原，从而得到当前时刻的环境信息，整个传输过程，大大减少了上传的数据量，解决网络延迟的问题，减轻了物联网通信压力。
可以理解，传感器与后台服务器二者本地预存的近k个时刻的历史环境信息始终基于相同的本地预存机制保持同步。可以理解，近k个时刻始终是相对于当前时刻进行同步更新，本发明通过预存近k个时刻的历史环境信息，从中找出与当前时刻的环境信息差异最小的历史环境信息，并通过比对分析得出差异特征信息，并且由此得到的差异特征信息的信息量是最小的，进一步减少了传输的数据量。
根据本发明的具体实施例，在由后台服务器根据当前时刻的环境信息对数字孪生体的工作状态进行同步更新之后，所述方法还包括：
后台服务器基于当前时刻的环境信息对本地对应预存库中近k个时刻的历史环境信息进行更新，并将距离当前时刻最远的一个历史环境信息剔除，同时将当前时刻的环境信息加入预存库，以迎接下一时刻比对分析；
当传感器完成将当前时刻的环境信息上传至后台服务器后，由传感器基于当前时刻的环境信息对本地预存的近k个时刻的历史环境信息进行更新，并将距离当前时刻最远的一个历史环境信息剔除，同时将当前时刻的环境信息加入本地预存，以迎接下一时刻的环境信息的上传工作。
根据本发明的实施例，由每个传感器分别采集获取各个区域的现场环境信息，具体包括：
预设传感器为红外传感器，且在工业现场布置有多个红外传感器；
通过3D工业现场模型初步获取某个工位的工作人员的可活动区域，且可活动区域由多个位置点组成；
通过3D工业现场模型获取多个红外传感器的坐标位置；
基于可活动区域的每个位置点，通过3D工业现场模型直接判断每个位置点与各个红外传感器之间是否遮挡，如遮挡，则标记对应的红外传感器为A1，如不遮挡，则标记对应的红外传感器为A2；
基于可活动区域的每个位置点，由每个红外传感器分别感测可活动区域内每个位置点的红外图谱，并判断是否为目标红外图谱，如果否，则标记对应的红外传感器为B1，如果是，则标记对应的红外传感器为B2；
基于可活动区域的每个位置点，如果某个红外传感器分别被标记为A1和B1，则将相应的位置点积分加1，如果某个红外传感器分别被标记为A1和B2，则相应的位置点积分加0，如果某个红外传感器分别被标记为A2和B1，则将相应的位置点积分加0，如果某个红外传感器分别被标记为A2和B2，则相应的位置点积分加1；
基于可活动区域的每个位置点，待所有红外传感器被标记并积分完成后，统计每个位置点的总积分；
基于可活动区域的每个位置点的总积分，并按照高低分进行排序，选取最高的总积分；
判断最高的总积分是否大于第二预设阈值，如果大于等于，将总积分最高的位置点坐标信息作为现场工作人员的位置信息，如果小于，则判定该工位的可活动区域无工作人员。
需要说明的是，工业现场不仅有工业设备设施，同时也会有相关的作业人员，通常红外传感器是用于获取工作人员姿态以及位置信息。然而红外传感器容易收到现场设备的遮挡，从而无法准确获取工作人员的位置信息。本发明则通过设置多个红外传感器，由多个红外传感器分别感测工位可活动区域各个位置点的红外图谱，并结合相关的积分判断方法，从而得到工作人员的具体位置信息，以便于准确实时上传工作人员位置信息给后台服务器进行数字孪生同步显示。
可以理解，基于一个位置点，同一个红外传感器分别有两次标记，即第一次标记是基于3D工业现场模型进行遮挡判断后进行标记，第二次标记是基于红外传感器感测该位置点的红外图谱判断后进行标记。
可以理解，在判断是否为目标红外图谱时，则将对应位置点的红外图谱与人体红外图谱模板进行模板匹配，如果匹配相似度大于预设阈值，则判断为目标红外图谱，否者，则判断不是目标红外图谱。
根据本发明的实施例，获取每个区域的感测聚焦中心，具体包括：
预设每个区域由多个现场规划分区组成，预设每个现场规划分区的形状均为多边形；
基于每个现场规划分区，分别获取该现场规划分区的多边形顶点坐标；
基于每个现场规划分区，对该现场规划分区的所有多边形顶点的横坐标进行相加，得到横坐标之和，然后将横坐标之和除以多边形顶点的数量，得到该现场规划分区的中心横坐标；对该现场规划分区的所有多边形顶点的纵坐标进行相加，得到纵坐标之和，然后将纵坐标之和除以多边形顶点的数量，得到该现场规划分区的中心纵坐标；
由每个现场规划分区的中心横坐标和中心纵坐标确定每个现场规划分区的中心位置；
基于每个区域，对其中的多个现场规划分区的中心位置进行聚类处理，得到初始感测聚焦中心；
基于每个区域，获取其中各个现场规划分区的传感注意力需求程度；
基于每个区域，结合传感注意力需求程度并通过预设修正算法对初始感测聚焦中心进行修正，得到修正后的感测聚焦中心。
根据本发明的具体实施例，基于每个区域，对其中的多个现场规划分区的中心位置进行聚类处理，得到初始感测聚焦中心，具体包括：
基于每个区域，分别获取每个现场规划分区的中心横坐标、中心纵坐标以及面积；
基于每个区域，将其所有的现场规划分区的面积进行相加得到面积之和S，将每个现场规划分区的面积乘以对应的中心横坐标数据，得到每个现场规划分区的中心横坐标乘积，将所有现场规划分区的中心横坐标乘积进行相加得到乘积之和A，将乘积之和A除以面积之和S得到初始感测聚焦中心的横坐标；将每个现场规划分区的面积乘以对应的中心纵坐标数据，得到每个现场规划分区的中心纵坐标乘积，将所有现场规划分区的中心纵坐标乘积进行相加得到乘积之和B，将乘积之和B除以面积之和S得到初始感测聚焦中心的纵坐标。
如图3所示，结合传感注意力需求程度并通过预设修正算法对初始感测聚焦中心进行修正，得到修正后的感测聚焦中心，具体包括：
S302，基于每个区域，获取其中各个现场规划分区的传感注意力需求程度；
S304，以初始感测聚焦中心为原点构建二维坐标系；
S306，由二维坐标系的X轴和Y轴将所述区域分成第一区、第二区、第三区以及第四区；
S308，分别统计落入第一区、第二区、第三区以及第四区的各个现场规划分区；
S310，分别针对第一区、第二区、第三区以及第四区的各个现场规划分区对应的传感注意力需求程度进行累加，并分别得到第一区、第二区、第三区以及第四区的传感注意力需求程度之和；
S312，分别以第一区、第二区、第三区以及第四区的角平分线的延长线方向为向量方向，以其对应的传感注意力需求程度之和为向量数值，生成第一区、第二区、第三区以及第四区的分向量；
S314，将第一区、第二区、第三区以及第四区的分向量进行向量和计算，得到修正向量；
S316，将初始感测聚焦中心基于修正向量进行位移，得到修正后的感测聚焦中心。
需要说明的是，由于各个现场规划分区的传感需求可能不同，例如部分现场规划分区为核心设备布置区域，则对应的传感需求程度较高，反之，则较低。本发明结合各个现场规划分区的传感需求程度不同以实现对初始感测聚焦中心进行修正，从而得到更加准确的感测聚焦中心，便于将传感器调整对准至该感测聚焦中心，并感测获取到更加全面且用户关心的现场数据，进一步实现后续显示数字孪生体的真实性、准确性。
根据本发明的实施例，获取其中各个现场规划分区的传感注意力需求程度，具体包括：
获取现场规划分区的设备等级对传感注意力的影响权重，以及现场规划分区的面积对传感注意力的影响权重；
分别获取各个现场规划分区布置的设备，并通过查询设备等级表获取对应的设备等级，并计算出各个现场规划分区的面积；
基于每个现场规划分区，将其设备等级乘以对应的影响权重，并将其面积乘以对应的影响权重，然后将二者乘积进行相加得到每个现场规划分区的传感注意力需求程度。
可以理解，现场规划分区的面积越大，则传感注意力需求越高，反之，则越低。现场规划分区上布置的设备越核心或等级越高，则传感注意力需求越高反之，则越低。本发明通过综合考虑各个现场规划分区的设备等级和面积，以及对应的影响权重，计算出各个现场规划分区相对合理的传感注意力需求程度，从而便于后续传感器将注意力集中在更加需要捕捉的位置进行感测。
根据本发明的实施例，在衍生出下一时刻的数字孪生体的工作状态之后，所述方法还包括：
获取工业现场的当前时刻的现场环境信息、工作参数、以及工作状态，并进行特征计算，得到第一特征数据；
获取工业现场的多个历史工作数据，每条历史工作数据包括历史时刻的现场环境信息、工作参数、以及工作状态、以及历史时刻下一时刻的实际工作进程量；
针对每条历史工作数据的历史时刻的现场环境信息、工作参数、以及工作状态并进行特征计算，得到第二特征数据；
将当前时刻的第一特征数据与每条历史工作数据的第二特征数据进行差异比对，并比较二者的差异度；
将差异度小于第四预设阈值的历史工作数据筛选入库；
基于入库后的每个历史工作数据，将历史时刻的工作参数、以及工作状态通过数字孪生衍生模型预测得到历史时刻下一时刻的预测工作进程量；
基于入库后的每个历史工作数据，将历史时刻下一时刻的实际工作进程量与预测工作进程量进行作差计算，得到该历史工作数据的工作进程偏差量；
对入库后的所有历史工作数据的工作进程偏差量进行平均值计算，得到工作进程均值偏差量；
在衍生出下一时刻的数字孪生体的工作状态的基础上，结合工作进程均值偏差量，得到修正后的下一时刻的数字孪生体。
需要说明的是，在工业现场通常呈现流水线作业模式，例如当前时刻的目标物在A位置处，然而经过一个时刻，也就是说下一时刻，则目标物已随着工业设备的运作移动至B位置处，则B位置相对于A位置具有一定的进程量（如位移量等），在此本发明称之为相邻两个时刻的工作进程量。
需要说明的是，本发明考虑到数字孪生衍生模型仅通过当前时刻的数字孪生体的状态参数进行下一时刻预测，可能会因为模型自身参数的影响存在一定的误差。本发明通过多个历史工作数据作为参考，计算出实际工作进程量与预测工作进程量之间的偏差量，并通过计算出的偏差量对衍生出下一时刻的数字孪生体的工作状态进行修正，从而预测得到更加准确的下一时刻的数字孪生体，便于对工业现场进行准确监测并做出早起预判。
根据本发明的实施例，由所述数字孪生衍生模型基于当前时刻的数字孪生体的状态参数进行下一时刻预测，具体包括：
预设工业现场的某个工业流程下一时刻将有m个节点为可变动节点，且每个可变动节点有n个选择，则该工业流程有种搭配方案；
基于个搭配方案中的每个搭配方案分别进行数字孪生体的预设配置；
评估采用每个搭配方案进行预设配置的数字孪生体，得出每个搭配方案下的多个评选项的特征数据；
基于每个搭配方案，将其每个评选项的特征数据与其他搭配方案的对应评选项的特征数据进行逐个差异比对，判断前者是否优于后者，如果是，则标记前者的评选项胜出；
待个搭配方案中的每个搭配方案的每个评选项的特征数据与其他搭配方案的对应评选项的特征数据均完成差异比对后，统计每个搭配方案的每个评选项胜出的总次数；
预设不同评选项对搭配方案的整体评选结果影响权重不同，获取每个评选项的评选权重；
基于每个搭配方案，将其每个评选项胜出的总次数乘以对应的评选权重得到每个评选项的权重积分；
基于每个搭配方案，累计计算所有评选项的权重积分，得到评选总积分；
对个搭配方案的评选总积分按照高低分进行排序，选定出最高分的搭配方案为目标方案；
将目标方案的相关参数反馈配置给工业现场的对应设备，以进行互动。
可以理解，所述多个评选项可以包括产能、用料量、能源消耗、良率等。但不限于此。本发明通过基于每个可能的搭配方案进行预配置生成对应的数字孪生体，然后基于生成的数字孪生体进行多个评选项评价换言之，本发明则是枚举下一时刻所有可能的搭配方案进行一一假设，则假设体就是预配置生成对应的数字孪生体。而且本发明是将多个搭配方案预配置生成的数字孪生体进行两两评估，从而使得评选出的目标方案更具有相对性。例如某个搭配方案的良率评选项优于另一个搭配方案，则前者胜出。
需要说明的是，在进行下一时刻的预测时，对于某些工业流程的部分节点可能会存在多种选择，例如某个节点为分拣节点，该分拣节点的分拣后续流向为n个，则该分拣节点将对当前时刻的目标物处理结果有n个选择，相应的，如果该工业流程有m个这样的节点，则m个这样节点将可能形成个搭配方案，如此一来，下一时刻的可变性将会大大增加，如果安全依靠人工来进行下一时刻搭配方案的选定，则难以选定最佳的搭配方案。本发明通过上述评选算法对/>个搭配方案进行评选，从而选定最佳的搭配方案作为下一时刻该工业流程的目标方案，在进行下一时刻数字孪生体显示的同时，并将目标方案的相关参数反馈配置给工业现场的对应设备，以进行数字孪生交互和现场设备智能化调控。
图4示出了本发明一种基于人工智能的数字孪生内容显示系统的框图。
如图4所示，本发明第二方面还提出一种基于人工智能的数字孪生内容显示系统4，包括存储器41和处理器42，所述存储器中包括一种基于人工智能的数字孪生内容显示方法程序，所述基于人工智能的数字孪生内容显示方法程序被所述处理器执行时实现如下步骤：
基于工业现场设施的布局位置关系，构建3D工业现场模型；
在工业现场的各个区域分别布置有传感器；
获取每个区域的感测聚焦中心，并调整每个传感器的角度并使其对准于对应区域的感测聚焦中心；
由每个传感器分别采集获取各个区域的现场环境信息，其中所述现场环境信息至少包括温度信息、气压信息、应变信息、图像信息以及位置信息的任意一种或多种；
由每个传感器分别将各自采集的现场环境信息上传至后台服务器进行数据处理；
由后台服务器基于所述现场环境信息和3D工业现场模型进行拟合构建虚拟环境的数字孪生体以进行可视化显示；
由后台服务器构建数字孪生衍生模型，由所述数字孪生衍生模型基于当前时刻的数字孪生体的状态参数进行下一时刻预测，从而衍生出下一时刻的数字孪生体的工作状态；
由各个传感器定期感测各个区域的现场环境更新信息并上报后台服务器，由后台服务器根据现场环境更新信息对相同时刻的数字孪生体的工作状态进行同步。
本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于人工智能的数字孪生内容显示方法程序，所述基于人工智能的数字孪生内容显示方法程序被处理器执行时，实现如上述的一种基于人工智能的数字孪生内容显示方法的步骤。
本发明提出的一种基于人工智能的数字孪生内容显示方法、系统和介质，能够在较为复杂的工业现场环境中，实现传感器对环境数据的全面且准确的识别感测。同时在不增加原有带宽的基础上，满足数字孪生的可视化同步展示与互动，实现对工业现场设备状态的监控并有利于对潜在故障的预测性维护。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于人工智能的数字孪生内容显示方法，其特征在于，所述方法包括：
基于工业现场设施的布局位置关系，构建3D工业现场模型；
在工业现场的各个区域分别布置有传感器；
获取每个区域的感测聚焦中心，并调整每个传感器的角度并使其对准于对应区域的感测聚焦中心；
由每个传感器分别采集获取各个区域的现场环境信息，其中所述现场环境信息至少包括温度信息、气压信息、应变信息、图像信息以及位置信息的任意一种或多种；
由每个传感器分别将各自采集的现场环境信息上传至后台服务器进行数据处理；
由后台服务器基于所述现场环境信息和3D工业现场模型进行拟合构建虚拟环境的数字孪生体以进行可视化显示；
由后台服务器构建数字孪生衍生模型，由所述数字孪生衍生模型基于当前时刻的数字孪生体的状态参数进行下一时刻预测，从而衍生出下一时刻的数字孪生体的工作状态；
由各个传感器定期感测各个区域的现场环境更新信息并上报后台服务器，由后台服务器根据现场环境更新信息对相同时刻的数字孪生体的工作状态进行同步。
2.根据权利要求1所述的一种基于人工智能的数字孪生内容显示方法，其特征在于，由各个传感器定期感测各个区域的现场环境更新信息并上报后台服务器，由后台服务器根据现场环境更新信息对相同时刻的数字孪生体的工作状态进行同步，具体包括：
预设工业现场布置有多种类型传感器，且每个类型的传感器均有多个，且每个类型的多个传感器离散分布在工业现场各个位置；
获取每个类型的多个传感器在工业现场的位置信息；
基于DBSCAN算法分别对每个类型的多个传感器的位置信息进行聚类，得到每个类型的聚类中心；
从每个类型的多个传感器中计算出距离对应聚类中心最近的传感器作为每个类型的主传感器，每个类型的其他传感器作为次传感器；
每个类型的次传感器采集获取现场环境更新信息并通过近端通信传送给对应的主传感器；
由每个类型的主传感器将该类型的所有传感器的现场环境更新信息进行汇总并统一上报给后台服务器；
由后台服务器对收到的现场环境更新信息进行数据处理并对相同时刻的数字孪生体的工作状态进行同步。
3.根据权利要求2所述的一种基于人工智能的数字孪生内容显示方法，其特征在于，由各个传感器定期感测各个区域的现场环境更新信息并上报后台服务器，由后台服务器根据现场环境更新信息对相同时刻的数字孪生体的工作状态进行同步，具体包括：
每个传感器本地预存有近k个时刻的历史环境信息，后台服务器基于每个传感器建立有预存库，每个预存库分别预存有与每个传感器同步的近k个时刻的历史环境信息；
每个传感器在采集获取当前时刻的环境信息时，将当前时刻的环境信息与本地预存的近k个时刻的历史环境信息进行比对分析，找出差异最小的历史环境信息作为基准环境信息，并确定出基准环境信息对应的历史时间标识；
由每个传感器分析出当前时刻的环境信息相对于基准环境信息之间的差异特征信息以及差异位置信息；
由每个传感器将差异特征信息、差异位置信息以及历史时间标识进行打包并上报后台服务器；
由后台服务器获取每个传感器上报的打包信息并查找到与之对应的预存库，并从所述预存库中调取出信息；
基于打包信息中的历史时间标识从预存库中找出对应的历史环境信息，并将其作为基准环境信息；
基于打包信息中的差异特征信息、差异位置信息，并结合预存库中找出的基准环境信息进行拟合，得到当前时刻的环境信息；
由后台服务器根据当前时刻的环境信息对数字孪生体的工作状态进行同步更新。
4.根据权利要求1所述的一种基于人工智能的数字孪生内容显示方法，其特征在于，由每个传感器分别采集获取各个区域的现场环境信息，具体包括：
预设传感器为红外传感器，且在工业现场布置有多个红外传感器；
通过3D工业现场模型初步获取某个工位的工作人员的可活动区域，且可活动区域由多个位置点组成；
通过3D工业现场模型获取多个红外传感器的坐标位置；
基于可活动区域的每个位置点，通过3D工业现场模型直接判断每个位置点与各个红外传感器之间是否遮挡，如遮挡，则标记对应的红外传感器为A1，如不遮挡，则标记对应的红外传感器为A2；
基于可活动区域的每个位置点，由每个红外传感器分别感测可活动区域内每个位置点的红外图谱，并判断是否为目标红外图谱，如果否，则标记对应的红外传感器为B1，如果是，则标记对应的红外传感器为B2；
基于可活动区域的每个位置点，如果某个红外传感器分别被标记为A1和B1，则将相应的位置点积分加1，如果某个红外传感器分别被标记为A1和B2，则相应的位置点积分加0，如果某个红外传感器分别被标记为A2和B1，则将相应的位置点积分加0，如果某个红外传感器分别被标记为A2和B2，则相应的位置点积分加1；
基于可活动区域的每个位置点，待所有红外传感器被标记并积分完成后，统计每个位置点的总积分；
基于可活动区域的每个位置点的总积分，并按照高低分进行排序，选取最高的总积分；
判断最高的总积分是否大于第二预设阈值，如果大于等于，将总积分最高的位置点坐标信息作为现场工作人员的位置信息，如果小于，则判定该工位的可活动区域无工作人员。
5.根据权利要求1所述的一种基于人工智能的数字孪生内容显示方法，其特征在于，获取每个区域的感测聚焦中心，具体包括：
预设每个区域由多个现场规划分区组成，预设每个现场规划分区的形状均为多边形；
基于每个现场规划分区，分别获取该现场规划分区的多边形顶点坐标；
基于每个现场规划分区，对该现场规划分区的所有多边形顶点的横坐标进行相加，得到横坐标之和，然后将横坐标之和除以多边形顶点的数量，得到该现场规划分区的中心横坐标；对该现场规划分区的所有多边形顶点的纵坐标进行相加，得到纵坐标之和，然后将纵坐标之和除以多边形顶点的数量，得到该现场规划分区的中心纵坐标；
由每个现场规划分区的中心横坐标和中心纵坐标确定每个现场规划分区的中心位置；
基于每个区域，对其中的多个现场规划分区的中心位置进行聚类处理，得到初始感测聚焦中心；
基于每个区域，获取其中各个现场规划分区的传感注意力需求程度；
基于每个区域，结合传感注意力需求程度并通过预设修正算法对初始感测聚焦中心进行修正，得到修正后的感测聚焦中心。
6.根据权利要求5所述的一种基于人工智能的数字孪生内容显示方法，其特征在于，结合传感注意力需求程度并通过预设修正算法对初始感测聚焦中心进行修正，得到修正后的感测聚焦中心，具体包括：
基于每个区域，获取其中各个现场规划分区的传感注意力需求程度；
以初始感测聚焦中心为原点构建二维坐标系；
由二维坐标系的X轴和Y轴将所述区域分成第一区、第二区、第三区以及第四区；
分别统计落入第一区、第二区、第三区以及第四区的各个现场规划分区；
分别针对第一区、第二区、第三区以及第四区的各个现场规划分区对应的传感注意力需求程度进行累加，并分别得到第一区、第二区、第三区以及第四区的传感注意力需求程度之和；
分别以第一区、第二区、第三区以及第四区的角平分线的延长线方向为向量方向，以其对应的传感注意力需求程度之和为向量数值，生成第一区、第二区、第三区以及第四区的分向量；
将第一区、第二区、第三区以及第四区的分向量进行向量和计算，得到修正向量；
将初始感测聚焦中心基于修正向量进行位移，得到修正后的感测聚焦中心。
7.根据权利要求1所述的一种基于人工智能的数字孪生内容显示方法，其特征在于，在衍生出下一时刻的数字孪生体的工作状态之后，所述方法还包括：
获取工业现场的当前时刻的现场环境信息、工作参数、以及工作状态，并进行特征计算，得到第一特征数据；
获取工业现场的多个历史工作数据，每条历史工作数据包括历史时刻的现场环境信息、工作参数、以及工作状态、以及历史时刻下一时刻的实际工作进程量；
针对每条历史工作数据的历史时刻的现场环境信息、工作参数、以及工作状态并进行特征计算，得到第二特征数据；
将当前时刻的第一特征数据与每条历史工作数据的第二特征数据进行差异比对，并比较二者的差异度；
将差异度小于第四预设阈值的历史工作数据筛选入库；
基于入库后的每个历史工作数据，将历史时刻的工作参数、以及工作状态通过数字孪生衍生模型预测得到历史时刻下一时刻的预测工作进程量；
基于入库后的每个历史工作数据，将历史时刻下一时刻的实际工作进程量与预测工作进程量进行作差计算，得到该历史工作数据的工作进程偏差量；
对入库后的所有历史工作数据的工作进程偏差量进行平均值计算，得到工作进程均值偏差量；
在衍生出下一时刻的数字孪生体的工作状态的基础上，结合工作进程均值偏差量，得到修正后的下一时刻的数字孪生体。
8.根据权利要求1所述的一种基于人工智能的数字孪生内容显示方法，其特征在于，由所述数字孪生衍生模型基于当前时刻的数字孪生体的状态参数进行下一时刻预测，具体包括：
预设工业现场的某个工业流程下一时刻将有m个节点为可变动节点，且每个可变动节点有n个选择，则该工业流程有种搭配方案；
基于个搭配方案中的每个搭配方案分别进行数字孪生体的预设配置；
评估采用每个搭配方案进行预设配置的数字孪生体，得出每个搭配方案下的多个评选项的特征数据；
基于每个搭配方案，将其每个评选项的特征数据与其他搭配方案的对应评选项的特征数据进行逐个差异比对，判断前者是否优于后者，如果是，则标记前者的评选项胜出；
待个搭配方案中的每个搭配方案的每个评选项的特征数据与其他搭配方案的对应评选项的特征数据均完成差异比对后，统计每个搭配方案的每个评选项胜出的总次数；
预设不同评选项对搭配方案的整体评选结果影响权重不同，获取每个评选项的评选权重；
基于每个搭配方案，将其每个评选项胜出的总次数乘以对应的评选权重得到每个评选项的权重积分；
基于每个搭配方案，累计计算所有评选项的权重积分，得到评选总积分；
对个搭配方案的评选总积分按照高低分进行排序，选定出最高分的搭配方案为目标方案；
将目标方案的相关参数反馈配置给工业现场的对应设备，以进行互动。
9.一种基于人工智能的数字孪生内容显示系统，其特征在于，包括存储器和处理器，所述存储器中包括一种基于人工智能的数字孪生内容显示方法程序，所述基于人工智能的数字孪生内容显示方法程序被所述处理器执行时实现如下步骤：
基于工业现场设施的布局位置关系，构建3D工业现场模型；
在工业现场的各个区域分别布置有传感器；
获取每个区域的感测聚焦中心，并调整每个传感器的角度并使其对准于对应区域的感测聚焦中心；
由每个传感器分别采集获取各个区域的现场环境信息，其中所述现场环境信息至少包括温度信息、气压信息、应变信息、图像信息以及位置信息的任意一种或多种；
由每个传感器分别将各自采集的现场环境信息上传至后台服务器进行数据处理；
由后台服务器基于所述现场环境信息和3D工业现场模型进行拟合构建虚拟环境的数字孪生体以进行可视化显示；
由后台服务器构建数字孪生衍生模型，由所述数字孪生衍生模型基于当前时刻的数字孪生体的状态参数进行下一时刻预测，从而衍生出下一时刻的数字孪生体的工作状态；
由各个传感器定期感测各个区域的现场环境更新信息并上报后台服务器，由后台服务器根据现场环境更新信息对相同时刻的数字孪生体的工作状态进行同步。
10.一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中包括一种基于人工智能的数字孪生内容显示方法程序，所述基于人工智能的数字孪生内容显示方法程序被处理器执行时，实现如权利要求1至8中任一项所述的一种基于人工智能的数字孪生内容显示方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410208722.XA CN117788721B (zh) | 2024-02-26 | 基于人工智能的数字孪生内容显示方法、系统和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410208722.XA CN117788721B (zh) | 2024-02-26 | 基于人工智能的数字孪生内容显示方法、系统和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117788721A true CN117788721A (zh) | 2024-03-29 |
| CN117788721B CN117788721B (zh) | 2024-05-14 |
Family
ID=
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210201584A1 (en) * | 2019-12-31 | 2021-07-01 | VIRNECT inc. | System and method for monitoring field based augmented reality using digital twin |
| CN113255117A (zh) * | 2021-05-11 | 2021-08-13 | 北京航空航天大学 | 一种液位挥发类产品的可靠性数字孪生模型 |
| CN114398049A (zh) * | 2021-11-29 | 2022-04-26 | 南京航空航天大学 | 一种离散制造车间数字孪生模型自适应动态更新方法 |
| CN114595875A (zh) * | 2022-02-25 | 2022-06-07 | 国家电网有限公司 | 基于变压器传感信息和数字孪生的状态评估方法及系统 |
| CN117328941A (zh) * | 2023-10-09 | 2024-01-02 | 北京科技大学 | 基于煤层孕灾动态物理场数字孪生体的孕灾状态预警系统 |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210201584A1 (en) * | 2019-12-31 | 2021-07-01 | VIRNECT inc. | System and method for monitoring field based augmented reality using digital twin |
| CN113255117A (zh) * | 2021-05-11 | 2021-08-13 | 北京航空航天大学 | 一种液位挥发类产品的可靠性数字孪生模型 |
| CN114398049A (zh) * | 2021-11-29 | 2022-04-26 | 南京航空航天大学 | 一种离散制造车间数字孪生模型自适应动态更新方法 |
| CN114595875A (zh) * | 2022-02-25 | 2022-06-07 | 国家电网有限公司 | 基于变压器传感信息和数字孪生的状态评估方法及系统 |
| CN117328941A (zh) * | 2023-10-09 | 2024-01-02 | 北京科技大学 | 基于煤层孕灾动态物理场数字孪生体的孕灾状态预警系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106104398B (zh) | 过程控制系统中的分布式大数据 | |
| CN103842923B (zh) | 用于预报和预测的序列核回归建模系统 | |
| CN106952208A (zh) | 犯罪自动预测方法及系统 | |
| CN110068332A (zh) | 基于可穿戴设备的变电站巡检路径规划装置及方法 | |
| CN116129366A (zh) | 基于数字孪生的园区监测方法及相关装置 | |
| CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
| CN111026781A (zh) | 一种基于对象和空间位置的搜索查询工具 | |
| CN117391641A (zh) | 一种生发剂生产流程管理方法及系统 | |
| Spezzano et al. | Pattern detection in cyber-physical systems | |
| CN109145431A (zh) | 一种监控电力二次系统运行状态的建模方法及装置 | |
| CN117434912B (zh) | 无纺布制品生产环境监控方法及系统 | |
| CN117788721B (zh) | 基于人工智能的数字孪生内容显示方法、系统和介质 | |
| CN117788721A (zh) | 基于人工智能的数字孪生内容显示方法、系统和介质 | |
| Gungor et al. | Respire++: Robust indoor sensor placement optimization under distance uncertainty | |
| CN109740455B (zh) | 一种人群疏散仿真方法和装置 | |
| CN114879702B (zh) | 多智能体巡检控制方法、装置、系统、设备及介质 | |
| CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
| Diao | Deep mining of redundant data in wireless sensor network based on genetic algorithm | |
| TWI618016B (zh) | 水庫水位之預測顯示系統及方法 | |
| CN117390590B (zh) | 一种基于cim模型的数据管理方法及系统 | |
| CN117216722B (zh) | 基于传感器时序数据多源异构数据融合系统 | |
| CN117852324B (zh) | 一种基于数据孪生的场景构建方法 | |
| Hong et al. | Rancidity Analysis Management System Based on Machine Learning Using IoT Rancidity Sensors. | |
| KR20230165995A (ko) | 시계열 데이터를 이용한 분석/예측에 최적화된 인공지능모듈 제공 방법 | |
| KR20230165997A (ko) | 분석/예측에 최적화된 시계열 데이터와 인공지능모듈 제공 방법 |
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 |