CN117829318A - 一种基于大模型算法的数字孪生系统 - Google Patents
一种基于大模型算法的数字孪生系统 Download PDFInfo
- Publication number
- CN117829318A CN117829318A CN202410030207.7A CN202410030207A CN117829318A CN 117829318 A CN117829318 A CN 117829318A CN 202410030207 A CN202410030207 A CN 202410030207A CN 117829318 A CN117829318 A CN 117829318A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- module
- digital twin
- twin system
- 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
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 210000001503 joint Anatomy 0.000 abstract description 2
- 238000012216 screening Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于大模型算法的数字孪生系统,包括数据采集模块、数据预处理模块、模型训练模块、模型验证模块、模型更新模块、决策支持模块；本申请在运用大模型算法的技术基础上，构建了数字孪生系统，其用作装备数据采集时，通过系统对接传感器或监测设备，实时监测数据并带入算法模型中进行数据训练，梯度优化最优数据模拟结果，以用作装备虚拟模型中的损耗模拟、仿真作业模拟以及保养规划制定工作，给于厂商提供了优质化的监测工作方案，尤其在数据源的收集工作中，采用智能化的录入，解析，转换，以及成果展现一系列的自动程序化工作，在构建虚拟模型工作中实现了低成本、工作效率高、数据精确的有益效果。
Description
技术领域
本发明主要涉及数字孪生的技术领域，具体为一种基于大模型算法的数字孪生系统。
背景技术
数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、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，在智能装备的应用中，采用数字孪生系统能够基于现实同步的虚拟数字空间中构建装备模型，同步多类型数据而测算出装备的生命周期数据，例如对装备的保养周期，磨损周期等；
展开来说，数字孪生就是在一个设备或系统“物理实体”的基础上，创造一个数字版的“虚拟模型”；这个“虚拟模型”被创建在信息化平台上提供服务，与电脑的设计图纸又不同，相比于设计图纸，数字孪生体最大的特点在于，它是对实体对象的动态仿真；同时，数字孪生体“动”的依据，来自实体对象的物理设计模型、传感器反馈的“数据”，以及运行的历史数据；实体对象的实时状态，还有外界环境条件，都会“连接”到“孪生体”上。
目前的数字孪生系统在构建过程中，主要提供了拟真化的数据支持，而对于真实数据化的信息提供，则是需要耗费较大的人力物力的，在从装备上获取传感监测数据的同时，还需要人为的进行测量把控，且在不同装备上还需进行不同的数据库，整个数字孪生系统的构建较为繁琐，因此，我们需要研制在基于大模型算法的技术层面上，衍生出相应的数字孪生系统的数据构建方式。
发明内容
基于此，本发明的目的是提供一种基于大模型算法的数字孪生系统，以解决上述背景技术中提出的技术问题。
为实现上述目的，本发明提供如下技术方案：
一种基于大模型算法的数字孪生系统,包括数据采集模块、数据预处理模块、模型训练模块、模型验证模块、模型更新模块、决策支持模块；
数据采集模块：通过传感器或监测设备实时采集物理系统的各种数据，包括温度、压力、速度的数据信息；
数据预处理模块：对采集到的数据进行清洗、筛选和处理，去除噪声、异常值的干扰因素，确保数据的准确性和完整性；
模型训练模块：采用大模型算法对预处理后的数据进行训练，建立物理系统的虚拟模型；
模型验证模块：通过与实际物理系统进行对比和验证，评估虚拟模型的准确性和可靠性，且采用的评估指标包括均方根误差、相关系数；
模型更新模块：根据验证结果，对虚拟模型进行修正和更新，提高虚拟模型的适应性和准确性，且更新是基于在线学习或离线学习的方式进行；
决策支持模块：基于虚拟模型，提供决策制定和故障诊断的支持，且根据模型的预测结果，进行优化调度、故障排查的操作。
优选的，所述数据采集模块包含数据源格式转换层、分类存储层、采集频率模拟层、加密层以及同步数据执行层。
优选的，所述数据源格式转换层为：对传感器或监测设备所传输来的数据进行格式转换，转换后的数据源格式包含CSV、Excel、XML、JSON，其中应用于数据库的格式包含SQLite、MySQL、Oracle，应用于图片展现的格式包含JPEG、PNG、GIF、PDF，应用于音频源的格式为WAV、AVI、WMV、MIDI。
优选的，所述分类存储层为：针对不同的数据格式根据运行环境区进行分类存储，分别存入本地数据库和云数据库。
优选的，所述采集频率模拟层为：控制数据源的采集频率，由低到高进行频率调节，根据大模型算法进行深度学习后取得优选频率。
优选的，所述加密层为：采用密令校对方式，于数字孪生系统中建立密令库，发送校对指令至传感器或监测设备的运算程序中进行密令数据回应，将指定传感器或监测设备的运算程序中添加标记密令码，便于回应校对指令时的正确性。
优选的，所述同步数据执行层为：针对数据源的存储行为进行同步更新，对本地数据库和云数据库的数据进行实时同步，获取新的的数据时产生覆盖行为且同时对原数据存根进行备份。
优选的，所述模型训练模块的训练算法为SGD深度学习算法，用于优化学习模型的损失函数，得到参数的更新公式如下：
其中，θ表示模型的参数，α表示学习率(learning rate)，表示目标函数J(θ)对模型参数θ的梯度，该公式表示，在每个迭代步骤中，我们将当前参数值θ沿着梯度的反方向调整一个步长，步长大小由学习率α控制。
综上所述，本发明主要具有以下有益效果：
本申请在运用大模型算法的技术基础上，构建了数字孪生系统，其用作装备数据采集时，通过系统对接传感器或监测设备，实时监测数据并带入算法模型中进行数据训练，梯度优化最优数据模拟结果，以用作装备虚拟模型中的损耗模拟、仿真作业模拟以及保养规划制定工作，给于厂商提供了优质化的监测工作方案，尤其在数据源的收集工作中，采用智能化的录入，解析，转换，以及成果展现一系列的自动程序化工作，在构建虚拟模型工作中实现了低成本、工作效率高、数据精确的有益效果。
附图说明
图1为本发明的系统组成模块图；
图2为本发明的数据源采集流程图；
图3为本发明的密令码校对流程图；
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清楚、完整地描述。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
下面根据本发明的整体结构，对其实施例进行说明。
实施例
如图1-3所示，本申请提供了一种基于大模型算法的数字孪生系统,包括数据采集模块、数据预处理模块、模型训练模块、模型验证模块、模型更新模块、决策支持模块；
数据采集模块：通过传感器或监测设备实时采集物理系统的各种数据，包括温度、压力、速度的数据信息；
数据预处理模块：对采集到的数据进行清洗、筛选和处理，去除噪声、异常值的干扰因素，确保数据的准确性和完整性；
模型训练模块：采用大模型算法对预处理后的数据进行训练，建立物理系统的虚拟模型；
模型验证模块：通过与实际物理系统进行对比和验证，评估虚拟模型的准确性和可靠性，且采用的评估指标包括均方根误差、相关系数；
模型更新模块：根据验证结果，对虚拟模型进行修正和更新，提高虚拟模型的适应性和准确性，且更新是基于在线学习或离线学习的方式进行；
决策支持模块：基于虚拟模型，提供决策制定和故障诊断的支持，且根据模型的预测结果，进行优化调度、故障排查的操作。
数据采集模块包含数据源格式转换层、分类存储层、采集频率模拟层、加密层以及同步数据执行层。
数据源格式转换层为：对传感器或监测设备所传输来的数据进行格式转换，转换后的数据源格式包含CSV、Excel、XML、JSON，其中应用于数据库的格式包含SQLite、MySQL、Oracle，应用于图片展现的格式包含JPEG、PNG、GIF、PDF，应用于音频源的格式为WAV、AVI、WMV、MIDI。
分类存储层为：针对不同的数据格式根据运行环境区进行分类存储，分别存入本地数据库和云数据库。
采集频率模拟层为：控制数据源的采集频率，由低到高进行频率调节，根据大模型算法进行深度学习后取得优选频率。
加密层为：采用密令校对方式，于数字孪生系统中建立密令库，发送校对指令至传感器或监测设备的运算程序中进行密令数据回应，将指定传感器或监测设备的运算程序中添加标记密令码，便于回应校对指令时的正确性。
同步数据执行层为：针对数据源的存储行为进行同步更新，对本地数据库和云数据库的数据进行实时同步，获取新的的数据时产生覆盖行为且同时对原数据存根进行备份。
模型训练模块的训练算法为SGD深度学习算法，用于优化学习模型的损失函数，得到参数的更新公式如下：
其中，θ表示模型的参数，α表示学习率(learning rate)，表示目标函数J(θ)对模型参数θ的梯度，该公式表示，在每个迭代步骤中，我们将当前参数值θ沿着梯度的反方向调整一个步长，步长大小由学习率α控制。
基于上述实施例内容，还需要理解的是：
其一，本申请的系统运行环境需要使用计算机设备或移动设备为载体；
其二，关于密令码功能，传感器类型标记密令码为01编码，监测设备类型标记密令码为02编码，依托其功能分类，以A-Z的26个英文大写字母为分类标记，后续编号为数量标号，例如温度传感器的标记密令码为01A001，其中，01为传感器类型，A为温度功能类，001为第一个温度传感器，监测设备同样设定即可。
其三，关于数据源的预处理，能够自动识别和处理不同数据源的接口和协议，基于此设定筛选区，于筛选区中分别建立碎片处理层、关键数据载入层、训练模块交互单元，筛选条件包括：
1、数据源名称；
2、数据源属性；
3、数据类型；
4、数据大小；
5、数据格式；
筛选时将根据以上筛选条件,从多个数据源中筛选出符合条件的数据,并将结果返回给数据处理中心，同时支持数据源的查询、过滤、排序；
采用逻辑回归分类方法模型，对数据源进行归纳处理后，分别将数据碎片或破损数据移入碎片处理层，导出合格数据源载入关键数据载入层，且将关键数据载入层通过训练模块交互单元接入模型训练模块中。
基于上述内容，本申请建立大模型算法的数字孪生系统在实施虚拟模型的构建过程中，对实时数据的掌握和推演能力得到极大加强，且在运行装备时，作为被测对象，其从寿命的初始即可进行全数据记载，便于进行后续一系列的维护、使用，直至装备停运下线，结束寿命周期，本申请可服务于下一个装备继续进行监测服务，并重新建立新的虚拟模型库。
尽管已经示出和描述了本发明的实施例，但本具体实施例仅仅是对本发明的解释，其并不是对发明的限制，描述的具体特征、结构、材料或者特点可以在任何一个或多个实施例或示例中以合适的方式结合，本领域技术人员在阅读完本说明书后可在不脱离本发明的原理和宗旨的情况下，可以根据需要对实施例做出没有创造性贡献的修改、替换和变型等，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (8)
1.一种基于大模型算法的数字孪生系统,其特征在于,包括数据采集模块、数据预处理模块、模型训练模块、模型验证模块、模型更新模块、决策支持模块；
数据采集模块：通过传感器或监测设备实时采集物理系统的各种数据，包括温度、压力、速度的数据信息；
数据预处理模块：对采集到的数据进行清洗、筛选和处理，去除噪声、异常值的干扰因素，确保数据的准确性和完整性；
模型训练模块：采用大模型算法对预处理后的数据进行训练，建立物理系统的虚拟模型；
模型验证模块：通过与实际物理系统进行对比和验证，评估虚拟模型的准确性和可靠性，且采用的评估指标包括均方根误差、相关系数；
模型更新模块：根据验证结果，对虚拟模型进行修正和更新，提高虚拟模型的适应性和准确性，且更新是基于在线学习或离线学习的方式进行；
决策支持模块：基于虚拟模型，提供决策制定和故障诊断的支持，且根据模型的预测结果，进行优化调度、故障排查的操作。
2.根据权利要求1所述的一种基于大模型算法的数字孪生系统，其特征在于，所述数据采集模块包含数据源格式转换层、分类存储层、采集频率模拟层、加密层以及同步数据执行层。
3.根据权利要求2所述的一种基于大模型算法的数字孪生系统，其特征在于，所述数据源格式转换层为：对传感器或监测设备所传输来的数据进行格式转换，转换后的数据源格式包含CSV、Excel、XML、JSON，其中应用于数据库的格式包含SQLite、MySQL、Oracle，应用于图片展现的格式包含JPEG、PNG、GIF、PDF，应用于音频源的格式为WAV、AVI、WMV、MIDI。
4.根据权利要求3所述的一种基于大模型算法的数字孪生系统，其特征在于，所述分类存储层为：针对不同的数据格式根据运行环境区进行分类存储，分别存入本地数据库和云数据库。
5.根据权利要求2所述的一种基于大模型算法的数字孪生系统，其特征在于，所述采集频率模拟层为：控制数据源的采集频率，由低到高进行频率调节，根据大模型算法进行深度学习后取得优选频率。
6.根据权利要求2所述的一种基于大模型算法的数字孪生系统，其特征在于，所述加密层为：采用密令校对方式，于数字孪生系统中建立密令库，发送校对指令至传感器或监测设备的运算程序中进行密令数据回应，将指定传感器或监测设备的运算程序中添加标记密令码，便于回应校对指令时的正确性。
7.根据权利要求4所述的一种基于大模型算法的数字孪生系统，其特征在于，所述同步数据执行层为：针对数据源的存储行为进行同步更新，对本地数据库和云数据库的数据进行实时同步，获取新的的数据时产生覆盖行为且同时对原数据存根进行备份。
8.根据权利要求1所述的一种基于大模型算法的数字孪生系统，其特征在于，所述模型训练模块的训练算法为SGD深度学习算法，用于优化学习模型的损失函数，得到参数的更新公式如下：
其中，θ表示模型的参数，α表示学习率(learning rate)，表示目标函数J(θ)对模型参数θ的梯度，该公式表示，在每个迭代步骤中，我们将当前参数值θ沿着梯度的反方向调整一个步长，步长大小由学习率α控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410030207.7A CN117829318A (zh) | 2024-01-09 | 2024-01-09 | 一种基于大模型算法的数字孪生系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410030207.7A CN117829318A (zh) | 2024-01-09 | 2024-01-09 | 一种基于大模型算法的数字孪生系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117829318A true CN117829318A (zh) | 2024-04-05 |
Family
ID=90513287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410030207.7A Pending CN117829318A (zh) | 2024-01-09 | 2024-01-09 | 一种基于大模型算法的数字孪生系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117829318A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118171328A (zh) * | 2024-05-16 | 2024-06-11 | 三峡金沙江川云水电开发有限公司 | 面向水利数字孪生应用的安全与隐私强化方法、架构和系统 |
| CN118536835A (zh) * | 2024-06-12 | 2024-08-23 | 山东融谷信息科技有限公司 | 基于数字孪生与大模型结合的智能预测与管理平台 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906299A (zh) * | 2021-02-05 | 2021-06-04 | 北京交通大学 | 城轨供电系统的数字孪生仿真的数据计算方法、系统 |
| CN113515098A (zh) * | 2021-07-30 | 2021-10-19 | 青岛海尔工业智能研究院有限公司 | 物流机器人数字孪生系统 |
| CN113657031A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于数字孪生的供热调度自动化实现方法、系统及平台 |
| US20220207217A1 (en) * | 2020-12-31 | 2022-06-30 | Electronics And Telecommunications Research Institute | Method and system for real-time simulation using digital twin agent |
| CN116776561A (zh) * | 2023-05-25 | 2023-09-19 | 盐城工学院 | 一种产品加工过程的数字孪生模型构建方法 |
| CN117350711A (zh) * | 2023-10-27 | 2024-01-05 | 国能铁路装备有限责任公司 | 一种列车检修进度可视化管理系统、方法及电子设备 |
-
2024
- 2024-01-09 CN CN202410030207.7A patent/CN117829318A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220207217A1 (en) * | 2020-12-31 | 2022-06-30 | Electronics And Telecommunications Research Institute | Method and system for real-time simulation using digital twin agent |
| CN112906299A (zh) * | 2021-02-05 | 2021-06-04 | 北京交通大学 | 城轨供电系统的数字孪生仿真的数据计算方法、系统 |
| CN113515098A (zh) * | 2021-07-30 | 2021-10-19 | 青岛海尔工业智能研究院有限公司 | 物流机器人数字孪生系统 |
| CN113657031A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于数字孪生的供热调度自动化实现方法、系统及平台 |
| CN116776561A (zh) * | 2023-05-25 | 2023-09-19 | 盐城工学院 | 一种产品加工过程的数字孪生模型构建方法 |
| CN117350711A (zh) * | 2023-10-27 | 2024-01-05 | 国能铁路装备有限责任公司 | 一种列车检修进度可视化管理系统、方法及电子设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118171328A (zh) * | 2024-05-16 | 2024-06-11 | 三峡金沙江川云水电开发有限公司 | 面向水利数字孪生应用的安全与隐私强化方法、架构和系统 |
| CN118536835A (zh) * | 2024-06-12 | 2024-08-23 | 山东融谷信息科技有限公司 | 基于数字孪生与大模型结合的智能预测与管理平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117829318A (zh) | 一种基于大模型算法的数字孪生系统 | |
| CN109255440B (zh) | 基于递归神经网络（rnn）的对电力生产设备进行预测性维护的方法 | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN115062674B (zh) | 基于深度学习的刀具排布及换刀方法、设备及存储介质 | |
| WO2022030041A1 (ja) | 予測システム、情報処理装置および情報処理プログラム | |
| CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
| CN115034278A (zh) | 性能指标异常检测方法、装置、电子设备和存储介质 | |
| CN117743909A (zh) | 一种基于人工智能的供热系统故障分析方法及装置 | |
| CN114548494B (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN117391674A (zh) | 一种基于可靠性的电气设备预防性维修优化方法及装置 | |
| WO2021111936A1 (ja) | 予測システム、情報処理装置および情報処理プログラム | |
| CN118170658A (zh) | 一种基于ai大模型的软件规模度量方法及系统 | |
| CN117952377A (zh) | 一种数字孪生的离散制造车间同步演化方法、设备及介质 | |
| CN117669984A (zh) | 基于数字孪生及知识图谱的强化学习的车间调度方法 | |
| CN117934042A (zh) | 一种根据电网工程备件调配的造价方法、介质及系统 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| CN117391464A (zh) | 一种基于rbf神经网络的工程项目进度预测方法及系统 | |
| CN114926075B (zh) | 基于工时预测的机械零件生产调度方法 | |
| CN116467219A (zh) | 一种测试处理方法及装置 | |
| CN109556861A (zh) | 一种基于案例推理的轴承实时故障诊断系统 | |
| CN115101188A (zh) | 一种生化分析仪预测性维护系统及辅助决策方法 | |
| CN118012479B (zh) | 一种基于预估方式的数字孪生实时更新方法、介质及系统 | |
| CN117076454B (zh) | 一种工程质量验收表单数据结构化存储方法及系统 | |
| CN114415602B (zh) | 工业设备的监控方法、装置、系统和存储介质 |
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 |