CN117891644A - 一种基于数字孪生技术的数据采集系统及其采集方法 - Google Patents
一种基于数字孪生技术的数据采集系统及其采集方法 Download PDFInfo
- Publication number
- CN117891644A CN117891644A CN202410270823.XA CN202410270823A CN117891644A CN 117891644 A CN117891644 A CN 117891644A CN 202410270823 A CN202410270823 A CN 202410270823A CN 117891644 A CN117891644 A CN 117891644A
- Authority
- CN
- China
- Prior art keywords
- parameters
- parameter
- simulation
- target equipment
- digital twin
- 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 48
- 238000005516 engineering process Methods 0.000 title claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 99
- 230000002159 abnormal effect Effects 0.000 claims abstract description 54
- 238000012795 verification Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 34
- 238000012937 correction Methods 0.000 claims description 29
- 238000012216 screening Methods 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 6
- 230000008569 process Effects 0.000 abstract description 12
- 238000004458 analytical method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于数据采集技术领域，具体涉及一种基于数字孪生技术的数据采集系统及其采集方法。该发明通过目标设备的已有数据对数字孪生模型进行不断的更新和优化，确保数字孪生模型能够模拟并预测出目标设备的预测状态，并且根据目标设备的已有数据还能够确定其发生故障前的异常趋势值和样本参数，再根据数字孪生模型输出的模拟参数，一旦出现与异常趋势值和样本参数一致的情况，便可认定目标设备趋于异常，使得相关人员能够及时对目标设备进行维护处理。
Description
技术领域
本发明属于数据采集技术领域，具体涉及一种基于数字孪生技术的数据采集系统及其采集方法。
背景技术
随着信息技术的迅猛发展，特别是物联网、大数据、人工智能等新兴技术的广泛应用，工业界对数据的依赖程度日益加深，为了解决这些问题，数字孪生技术应运而生并迅速发展。数字孪生（Digital Twin）是一种通过物理世界与虚拟世界之间数据和模型的双向动态映射，实现对实体对象或系统的模拟、监控和控制的技术。
现有技术中，主要是先将采集到的原始数据进行清洗、去噪和格式化处理，并将处理后的数据同步至数字孪生模型中，再根据数字孪生模型的实时模拟运行情况，来提前确定对应目标设备的异常状态，但设备的异常多是有迹可循的，故而仅根据数字孪生模型的实时模拟运行来确定目标设备的状态，但实时数据的交换具有较高的延迟性，往往无法在目标设备发生异常之前进行告知，基于此，本方案提供了一种基于数字孪生技术的数据采集方法，以解决上述问题。
发明内容
本发明的目的是提供一种基于数字孪生技术的数据采集系统及其采集方法，能够通过目标设备的已有数据对数字孪生模型进行不断的更新和优化，确保数字孪生模型能够模拟并预测出目标设备的预测状态，使得相关人员能够及时对目标设备进行维护处理。
本发明采取的技术方案具体如下：
一种基于数字孪生技术的数据采集方法，包括：
获取目标设备，并对其进行扫描处理，得到所述目标设备的数字孪生模型；
获取所述目标设备历史运行状态下的所有状态参数，并进行筛选处理，得到前置参考参数，再将所述前置参考参数分别汇总为基准数据集和校验数据集；
依据所述前置参考参数对数字孪生模型进行更新处理，且更新后的所述数字孪生模型对目标设备进行模拟仿真，得到模拟参数；
根据所述校验数据集对模拟参数进行校验处理，并依据校验结果对数字孪生模型进行修正，并输出修正数字孪生模型。
在一种优选方案中，所述获取所述目标设备历史运行状态下的所有状态参数，并进行筛选处理，得到前置参考参数的步骤，包括：
获取所有所述状态参数，并将所有所述状态参数按照发生时间进行排序处理；
对相邻位次下的所述状态参数进行做差处理，并将其做差结果标定为波动参数；
获取筛选阈值，并将所述筛选参数与波动参数进行比较；
若所述波动参数大于或等于筛选阈值，则表明其对应的状态参数波动异常，并将其对应的采集节点标定为异常节点；
若所述波动参数小于筛选阈值，则表明其对应的状态参数波动正常，并标定为前置参考参数。
在一种优选方案中，所述异常节点输出后，获取所述异常节点下目标设备的运行状态，其中，所述目标设备的运行状态包括正常状态和异常状态；
若为异常状态，则以所述异常节点为结束节点，向所述目标设备的历史运行方向进行构建取样时段，并将所述取样时段内目标设备的状态参数标定为样本参数，再依据所述样本参数计算目标设备的异常运行趋势值；
若为正常状态，则统计波动异常的持续时段，并以其结束节点开始，继续采集前置参考参数。
在一种优选方案中，所述依据所述样本参数计算目标设备的异常运行趋势值的步骤，包括：
获取所述取样时段内所有的样本参数；
获取与所述样本参数对应的测算函数；
并将所述样本参数输入至测算函数中，且将其输出结果标定为目标设备的异常运行趋势值。
在一种优选方案中，所述将所述前置参考参数分别汇总为基准数据集和校验数据集的步骤，包括：
获取所有所述前置参考参数，及其对应的采集节点，再按照其发生时间的顺序进行排列；
计算相邻所述前置参考参数之间的时间间隔，并标定为待评估参数，并与目标设备状态参数的取样间隔进行比较，其中，所述取样间隔为目标设备采集状态参数的时间间隔；
采集大于所述取样间隔的待评估参数，则将其对应节点标定为间断点，并统计相邻间断点之间前置参考参数的数量，再将其标定为待校验参数；
获取校验需求量，并将所述待校验参数与校验需求量进行比较，且统计大于或等于所述校验需求量的待校验参数，并依据间断点的时序进行排列；
将排列位次最后的所述待校验参数对应的前置参考参数汇总为校验数据集，再将其对应间断点之前的前置参考参数汇总为基准数据集。
在一种优选方案中，所述根据所述校验数据集对模拟参数进行校验处理的步骤，包括：
所述数字孪生模型依据基准数据集中的前置参考参数对目标设备进行模拟仿真，并输出模拟参数；
获取所述模拟参数对应的时间节点，并将该时间节点标定为校验节点；
获取各个所述校验节点下目标设备的真实状态参数，并与所述模拟参数进行做差处理，得到模拟偏离参数；
获取容许偏离阈值，并将所述容许偏离阈值与模拟偏离参数进行比较；
若所述模拟偏离参数大于或等于容许偏离阈值，则表明所述数字孪生模型模拟异常，并同步发出修正指令；
若所述模拟偏离参数小于容许偏离阈值，则表明所述数字孪生模型模拟正常。
在一种优选方案中，所述数字孪生模型依据基准数据集中的前置参考参数对目标设备进行模拟仿真，并输出模拟参数的步骤，包括：
从所述基准数据集中获取所有的前置参考参数；
获取模拟执行函数；
将所有所述前置参考参数输入模拟执行函数中，并将其输出结果标定为模拟参数。
在一种优选方案中，所述修正指令发出后的步骤，包括：
获取所述模拟偏离参数，并依据所述偏离参数对模拟参数进行偏移处理，得到修正参数；
依据所述修正参数对数字孪生模型执行修正处理，并重新对目标设备进行模拟仿真，得到延续模拟参数；
根据所述校验数据集对延续模拟参数继续进行校验处理，直至模拟参数通过校验数据集的校验。
本发明还提供了，一种基于数字孪生技术的数据采集系统，应用于上述的基于数字孪生技术的数据采集方法，包括：
模型搭建模块，所述模型搭建模块用于获取目标设备，并对其进行扫描处理，得到所述目标设备的数字孪生模型；
参数筛选模块，所述参数筛选模块用于获取所述目标设备历史运行状态下的所有状态参数，并进行筛选处理，得到前置参考参数，再将所述前置参考参数分别汇总为基准数据集和校验数据集；
模拟仿真模块，所述模拟仿真模块用于依据所述前置参考参数对数字孪生模型进行更新处理，且更新后的所述数字孪生模型对目标设备进行模拟仿真，得到模拟参数；
模型修正模块，所述模型修正模块用于根据所述校验数据集对模拟参数进行校验处理，并依据校验结果对数字孪生模型进行修正，并输出修正数字孪生模型。
以及，一种基于数字孪生技术的数据采集终端，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上述的基于数字孪生技术的数据采集方法。
本发明取得的技术效果为：
本发明通过目标设备的已有数据对数字孪生模型进行不断的更新和优化，确保数字孪生模型能够模拟并预测出目标设备的预测状态，并且根据目标设备的已有数据还能够确定其发生故障前的异常趋势值和样本参数，再根据数字孪生模型输出的模拟参数，一旦出现与异常趋势值和样本参数一致的情况，便可认定目标设备趋于异常，使得相关人员能够及时对目标设备进行维护处理。
附图说明
图1是本发明实施例1所提供的方法流程图；
图2是本发明实施例2所提供的系统模块图；
图3是本发明实施例3所提供的装置结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
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它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个较佳的实施方式中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
请参阅图1所示，本发明提供了一种基于数字孪生技术的数据采集方法，包括：
S1、获取目标设备，并对其进行扫描处理，得到目标设备的数字孪生模型；
S2、获取目标设备历史运行状态下的所有状态参数，并进行筛选处理，得到前置参考参数，再将前置参考参数分别汇总为基准数据集和校验数据集；
S3、依据前置参考参数对数字孪生模型进行更新处理，且更新后的数字孪生模型对目标设备进行模拟仿真，得到模拟参数；
S4、根据校验数据集对模拟参数进行校验处理，并依据校验结果对数字孪生模型进行修正，并输出修正数字孪生模型。
如上述步骤S1-S4所述，数字孪生技术作为一种新兴的技术手段被引入到生产系统中，它通过创建一个真实系统的虚拟映射来实现对实体对象的模拟、监控和控制，本实施例中，首先需要采集目标设备，并对其进行高精度的扫描处理，以获得目标设备的详细结构和运行状态的数字化信息，构建初始化的数字孪生模型，接下来获取目标设备在历史运行状态下的所有状态参数，通过对这些状态参数的筛选处理，本实施例提取出与设备运行状态密切相关的前置参考参数，这些前置参考参数不仅反映了设备的运行状态，也为后续的模型更新和修正提供了重要依据，然后，本实施例将前置参考参数分别汇总为基准数据集和校验数据集，基准数据集用于后续的模型更新和模拟仿真，而校验数据集则用于对模拟参数进行校验处理，这种数据集划分的方式，既保证了模型更新的准确性，又确保了参数校验的有效性，在模型更新处理阶段，本实施例依据前置参考参数对数字孪生模型进行精细化的调整和优化，通过不断迭代和修正，数字孪生模型逐渐逼近真实设备的运行状态，更新后的数字孪生模型可以对目标设备进行模拟仿真，生成模拟参数，这些模拟参数反映了设备在特定运行状态下的性能表现，为后续的参数校验提供了数据支持，在参数校验处理阶段，本实施例根据校验数据集对模拟参数进行逐一比对和验证，通过对比分析，本实施例能够发现模拟参数与实际参数之间的差异，进而对数字孪生模型进行修正，这种修正过程是一个不断迭代和优化的过程，旨在提高模型的准确性和可靠性，最后，本实施例输出修正后的数字孪生模型，直至修正数字孪生模型能够准确地模拟设备的运行状态，为设备的维护、优化和升级提供相应的数据支持。
在一个较佳的实施方式中，获取目标设备历史运行状态下的所有状态参数，并进行筛选处理，得到前置参考参数的步骤，包括：
S201、获取所有状态参数，并将所有状态参数按照发生时间进行排序处理；
S202、对相邻位次下的状态参数进行做差处理，并将其做差结果标定为波动参数；
S203、获取筛选阈值，并将筛选参数与波动参数进行比较；
若波动参数大于或等于筛选阈值，则表明其对应的状态参数波动异常，并将其对应的采集节点标定为异常节点；
若波动参数小于筛选阈值，则表明其对应的状态参数波动正常，并标定为前置参考参数。
如上述步骤S201-S203所述，在确定前置参考参数时，首先需要全面收集目标设备在历史运行过程中的所有状态参数，这些参数可能包括设备的温度、压力、速度、负载等关键指标，收集完这些参数后，需要按照参数的发生时间进行精确排序，这不仅能够帮助清晰地了解设备的运行轨迹，还能为后续的参数波动分析提供必要的时间线索，接下来对相邻位次下的状态参数进行做差处理，其目的是捕捉设备在运行过程中的状态变化，并将其量化为波动参数，通过做差处理，能够更加直观地了解设备状态的变化趋势，为后续的判断提供数据支持，在得到波动参数后，需要设定一个合理的筛选阈值，这个阈值的设定需要考虑设备的正常运行范围、历史数据波动情况以及可能的环境影响等因素，设定好阈值后，将波动参数与筛选阈值进行比较，如果波动参数大于或等于筛选阈值，这通常意味着设备在该时间段内经历了异常波动，此时将其对应的采集节点标定为异常节点，相反，如果波动参数小于筛选阈值，这表明设备在该时间段内的状态变化在正常范围内，可以将这些状态参数标定为前置参考参数。
在一个较佳的实施方式中，异常节点输出后，获取异常节点下目标设备的运行状态，其中，目标设备的运行状态包括正常状态和异常状态；
若为异常状态，则以异常节点为结束节点，向目标设备的历史运行方向进行构建取样时段，并将取样时段内目标设备的状态参数标定为样本参数，再依据样本参数计算目标设备的异常运行趋势值；
若为正常状态，则统计波动异常的持续时段，并以其结束节点开始，继续采集前置参考参数。
在该实施方式中，异常节点被确定之后，需要明确目标设备在此节点下的运行状态，当目标设备处于异常状态时，将异常节点作为分析的起点，然后根据这个异常节点，向目标设备的历史运行方向回溯，构建一个合适的取样时段，接下来将从取样时段内提取目标设备的状态参数，并将其作为样本参数，通过对这些样本参数的分析，可以计算出目标设备的异常运行趋势值，基于此异常趋势值和样本参数，后续在数字孪生模型执行时，一旦出现这种情况，便可认定目标设备趋于异常，从而可以提前发出预警信号，以此告知相关人员对目标设备进行维护处理，然而，如果目标设备处于正常状态，需要密切关注设备的运行状态，及时发现并统计波动异常的持续时段，一旦这个时段结束，将从结束节点开始，继续采集前置参考参数。
在一个较佳的实施方式中，依据样本参数计算目标设备的异常运行趋势值的步骤，包括：
Step1、获取取样时段内所有的样本参数；
Step2、获取与样本参数对应的测算函数；
Step3、并将样本参数输入至测算函数中，且将其输出结果标定为目标设备的异常运行趋势值。
如上述步骤Step1-Step3所述，在计算目标设备的异常运行趋势值时，将样本参数输入至对应的测算函数中即可，其中，测算函数的表达式为：，式中，表示异常运行趋势值，/>表示取样时段的长度，/>表示样本参数的数量，/>和/>表示相邻的样本参数，基于上式，便可输出目标设备的异常运行趋势值，为后续依据数字孪生模型对目标设备执行状态预测提供相应的数据支持。
在一个较佳的实施方式中，将前置参考参数分别汇总为基准数据集和校验数据集的步骤，包括：
S204、获取所有前置参考参数，及其对应的采集节点，再按照其发生时间的顺序进行排列；
S205、计算相邻前置参考参数之间的时间间隔，并标定为待评估参数，并与目标设备状态参数的取样间隔进行比较，其中，取样间隔为目标设备采集状态参数的时间间隔；
S206、采集大于取样间隔的待评估参数，则将其对应节点标定为间断点，并统计相邻间断点之间前置参考参数的数量，再将其标定为待校验参数；
S207、获取校验需求量，并将待校验参数与校验需求量进行比较，且统计大于或等于校验需求量的待校验参数，并依据间断点的时序进行排列；
S208、将排列位次最后的待校验参数对应的前置参考参数汇总为校验数据集，再将其对应间断点之前的前置参考参数汇总为基准数据集。
如上述步骤S204-S208所述，在确定基准数据集和校验数据集时，需要先行获取所有前置参考参数及其对应的采集节点，接着需要按照参数发生时间的顺序对这些数据进行排列，以便后续的分析和处理，在数据排列之后，需要计算相邻前置参考参数之间的时间间隔，这个时间间隔的计算，并将这个时间间隔标定为待评估参数，其中，取样间隔是目标设备采集状态参数的时间间隔。其目的是为了评估数据的连续性，然后采集大于取样间隔的待评估参数，当发现这样的参数时，将其对应的节点标定为间断点，这些间断点反映了数据的非连续性，然后统计相邻间断点之间前置参考参数的数量，并将其标定为待校验参数，在确定了待校验参数之后，需要获取校验需求量，这个需求量可以根据实际需求或标准来设定，然后将待校验参数与校验需求量进行比较，统计出大于或等于校验需求量的待校验参数，再根据间断点的时序对这些参数进行排列，以便后续的处理和分析，最后将排列位次最后的待校验参数对应的前置参考参数汇总为校验数据集，同时，还需要将其对应间断点之前的前置参考参数汇总为基准数据集，这个基准数据集将作为数字孪生模型的模拟依据，而校验数据集则会来校验数字孪生模型的模拟效果。
在一个较佳的实施方式中，根据校验数据集对模拟参数进行校验处理的步骤，包括：
数字孪生模型依据基准数据集中的前置参考参数对目标设备进行模拟仿真，并输出模拟参数；
S401、获取模拟参数对应的时间节点，并将该时间节点标定为校验节点；
S402、获取各个校验节点下目标设备的真实状态参数，并与模拟参数进行做差处理，得到模拟偏离参数；
S403、获取容许偏离阈值，并将容许偏离阈值与模拟偏离参数进行比较；
若模拟偏离参数大于或等于容许偏离阈值，则表明数字孪生模型模拟异常，并同步发出修正指令；
若模拟偏离参数小于容许偏离阈值，则表明数字孪生模型模拟正常。
如上述步骤S401-S403所述，数字孪生模型依据基准数据集中的前置参考参数，对目标设备进行精确的模拟仿真，完成模拟后，模型将输出模拟参数，为后续的校验处理提供基础数据，在获取模拟参数后，需要确定对应的时间节点，这个时间节点被标定为校验节点，用于后续与实际状态参数的对比，在标定校验节点后，需要获取各个校验节点下目标设备的真实状态参数，这些真实状态参数可以通过传感器采集等方式获得，然后，将真实状态参数与模拟参数进行做差处理，得到模拟偏离参数，模拟偏离参数反映了数字孪生模型模拟结果与实际情况的差异，为了判断模拟偏离参数是否在可接受范围内，需要获取容许偏离阈值，容许偏离阈值是根据实际需求、设备特性以及模拟精度等因素确定的，将容许偏离阈值与模拟偏离参数进行比较，可以判断数字孪生模型的模拟效果，如果模拟偏离参数大于或等于容许偏离阈值，说明数字孪生模型的模拟结果存在异常，此时，需要同步发出修正指令，对模拟参数进行调整或修正，如果模拟偏离参数小于容许偏离阈值，说明数字孪生模型的模拟结果在正常范围内，这意味着模型的模拟效果良好，无需进行修正，此时，可以确认数字孪生模型的模拟正常，并继续进行后续的模拟仿真工作。
在一个较佳的实施方式中，数字孪生模型依据基准数据集中的前置参考参数对目标设备进行模拟仿真，并输出模拟参数的步骤，包括：
A1、从基准数据集中获取所有的前置参考参数；
A2、获取模拟执行函数；
A3、将所有前置参考参数输入模拟执行函数中，并将其输出结果标定为模拟参数。
如上述A1至A3所述，在获得了前置参考参数之后，下一步就是选择合适的模拟执行函数，它负责根据输入的前置参考参数进行模拟计算，并输出模拟参数，模拟执行函数的表达式为：，式中，/>表示模拟参数，/>表示末位前置参数，/>表示前置参考参数的数量，/>和/>表示相邻的前置参考参数，并且在模拟参数输出之后，还可以将其代入至模拟执行函数中作为前置参考参数进行计算，从而不断的输出后续的模拟参数。
在一个较佳的实施方式中，修正指令发出后的步骤，包括：
B1、获取模拟偏离参数，并依据偏离参数对模拟参数进行偏移处理，得到修正参数；
B2、依据修正参数对数字孪生模型执行修正处理，并重新对目标设备进行模拟仿真，得到延续模拟参数；
B3、根据校验数据集对延续模拟参数继续进行校验处理，直至模拟参数通过校验数据集的校验。
如上述步骤B1-B3所述，修正指令发出后，需要确保数字孪生模型的准确性和可靠性，首先获取模拟偏离参数，并在获取这些参数后，根据偏离参数对模拟参数进行相应的偏移处理，这样才能确保模型的输出更加接近实际设备的性能，完成偏移处理后，得到了修正参数，接下来，这些修正参数将被应用到数字孪生模型上，对模型进行修正处理，在得到延续模拟参数后，不能立即确定模型的准确性，因此需要根据校验数据集对延续模拟参数进行校验处理，直至模拟参数通过校验数据集的校验，此时便可将数字孪生模型作为模拟目标设备运行的标准模型。
实施例2
请参阅图2，为本发明的第二个实施例，该实施例基于上一个实施例，并提供了一种基于数字孪生技术的数据采集系统，应用于上述的基于数字孪生技术的数据采集方法，包括：
模型搭建模块，模型搭建模块用于获取目标设备，并对其进行扫描处理，得到目标设备的数字孪生模型；
参数筛选模块，参数筛选模块用于获取目标设备历史运行状态下的所有状态参数，并进行筛选处理，得到前置参考参数，再将前置参考参数分别汇总为基准数据集和校验数据集；
模拟仿真模块，模拟仿真模块用于依据前置参考参数对数字孪生模型进行更新处理，且更新后的数字孪生模型对目标设备进行模拟仿真，得到模拟参数；
模型修正模块，模型修正模块用于根据校验数据集对模拟参数进行校验处理，并依据校验结果对数字孪生模型进行修正，并输出修正数字孪生模型。
上述中，该系统在执行时，首先，模型搭建模块是整个系统的基石，该模块通过获取目标设备的详细数据，运用先进的扫描技术对其进行精确处理，从而得到目标设备的数字孪生模型，接下来是参数筛选模块，该模块的主要任务是从目标设备的历史运行状态中获取所有状态参数，并通过筛选处理，得到前置参考参数，这些前置参考参数是后续模拟仿真的重要依据，模拟仿真模块是系统的核心部分，该模块依据前置参考参数对数字孪生模型进行更新处理，使模型更加贴近实际设备的运行状态，更新后的数字孪生模型可以对目标设备进行模拟仿真，得到模拟参数，这些模拟参数对于预测设备的未来运行状态、优化设备的运行策略以及评估设备的性能具有重要意义，最后是模型修正模块，该模块根据校验数据集对模拟参数进行校验处理，以验证数字孪生模型的准确性和可靠性，如果发现模型存在偏差或不足，模型修正模块会依据校验结果对数字孪生模型进行修正，以提高模型的精度和适应性，修正后的数字孪生模型将被输出，直至输出作为模拟目标设备运行的标准模型。
实施例3
请参阅图3，为本发明的第三个实施例，该实施例基于前两个实施例，还提供了一种基于数字孪生技术的数据采集终端，包括：
至少一个处理器；
以及与至少一个处理器通信连接的存储器；
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，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行上述的基于数字孪生技术的数据采集方法。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本发明中未具体描述和解释说明的结构、装置以及操作方法，如无特别说明和限定，均按照本领域的常规手段进行实施。
Claims (10)
1.一种基于数字孪生技术的数据采集方法，其特征在于：包括：
获取目标设备，并对其进行扫描处理，得到所述目标设备的数字孪生模型；
获取所述目标设备历史运行状态下的所有状态参数，并进行筛选处理，得到前置参考参数，再将所述前置参考参数分别汇总为基准数据集和校验数据集；
依据所述前置参考参数对数字孪生模型进行更新处理，且更新后的所述数字孪生模型对目标设备进行模拟仿真，得到模拟参数；
根据所述校验数据集对模拟参数进行校验处理，并依据校验结果对数字孪生模型进行修正，并输出修正数字孪生模型。
2.根据权利要求1所述的一种基于数字孪生技术的数据采集方法，其特征在于：所述获取所述目标设备历史运行状态下的所有状态参数，并进行筛选处理，得到前置参考参数的步骤，包括：
获取所有所述状态参数，并将所有所述状态参数按照发生时间进行排序处理；
对相邻位次下的所述状态参数进行做差处理，并将其做差结果标定为波动参数；
获取筛选阈值，并将所述筛选参数与波动参数进行比较；
若所述波动参数大于或等于筛选阈值，则表明其对应的状态参数波动异常，并将其对应的采集节点标定为异常节点；
若所述波动参数小于筛选阈值，则表明其对应的状态参数波动正常，并标定为前置参考参数。
3.根据权利要求2所述的一种基于数字孪生技术的数据采集方法，其特征在于：所述异常节点输出后，获取所述异常节点下目标设备的运行状态，其中，所述目标设备的运行状态包括正常状态和异常状态；
若为异常状态，则以所述异常节点为结束节点，向所述目标设备的历史运行方向进行构建取样时段，并将所述取样时段内目标设备的状态参数标定为样本参数，再依据所述样本参数计算目标设备的异常运行趋势值；
若为正常状态，则统计波动异常的持续时段，并以其结束节点开始，继续采集前置参考参数。
4.根据权利要求3所述的一种基于数字孪生技术的数据采集方法，其特征在于：所述依据所述样本参数计算目标设备的异常运行趋势值的步骤，包括：
获取所述取样时段内所有的样本参数；
获取与所述样本参数对应的测算函数；
并将所述样本参数输入至测算函数中，且将其输出结果标定为目标设备的异常运行趋势值。
5.根据权利要求1所述的一种基于数字孪生技术的数据采集方法，其特征在于：所述将所述前置参考参数分别汇总为基准数据集和校验数据集的步骤，包括：
获取所有所述前置参考参数，及其对应的采集节点，再按照其发生时间的顺序进行排列；
计算相邻所述前置参考参数之间的时间间隔，并标定为待评估参数，并与目标设备状态参数的取样间隔进行比较，其中，所述取样间隔为目标设备采集状态参数的时间间隔；
采集大于所述取样间隔的待评估参数，则将其对应节点标定为间断点，并统计相邻间断点之间前置参考参数的数量，再将其标定为待校验参数；
获取校验需求量，并将所述待校验参数与校验需求量进行比较，且统计大于或等于所述校验需求量的待校验参数，并依据间断点的时序进行排列；
将排列位次最后的所述待校验参数对应的前置参考参数汇总为校验数据集，再将其对应间断点之前的前置参考参数汇总为基准数据集。
6.根据权利要求1所述的一种基于数字孪生技术的数据采集方法，其特征在于：所述根据所述校验数据集对模拟参数进行校验处理的步骤，包括：
所述数字孪生模型依据基准数据集中的前置参考参数对目标设备进行模拟仿真，并输出模拟参数；
获取所述模拟参数对应的时间节点，并将该时间节点标定为校验节点；
获取各个所述校验节点下目标设备的真实状态参数，并与所述模拟参数进行做差处理，得到模拟偏离参数；
获取容许偏离阈值，并将所述容许偏离阈值与模拟偏离参数进行比较；
若所述模拟偏离参数大于或等于容许偏离阈值，则表明所述数字孪生模型模拟异常，并同步发出修正指令；
若所述模拟偏离参数小于容许偏离阈值，则表明所述数字孪生模型模拟正常。
7.根据权利要求1所述的一种基于数字孪生技术的数据采集方法，其特征在于：所述数字孪生模型依据基准数据集中的前置参考参数对目标设备进行模拟仿真，并输出模拟参数的步骤，包括：
从所述基准数据集中获取所有的前置参考参数；
获取模拟执行函数；
将所有所述前置参考参数输入模拟执行函数中，并将其输出结果标定为模拟参数。
8.根据权利要求6所述的一种基于数字孪生技术的数据采集方法，其特征在于：所述修正指令发出后的步骤，包括：
获取所述模拟偏离参数，并依据所述偏离参数对模拟参数进行偏移处理，得到修正参数；
依据所述修正参数对数字孪生模型执行修正处理，并重新对目标设备进行模拟仿真，得到延续模拟参数；
根据所述校验数据集对延续模拟参数继续进行校验处理，直至模拟参数通过校验数据集的校验。
9.一种基于数字孪生技术的数据采集系统，应用于权利要求1至8中任意一项所述的基于数字孪生技术的数据采集方法，其特征在于：包括：
模型搭建模块，所述模型搭建模块用于获取目标设备，并对其进行扫描处理，得到所述目标设备的数字孪生模型；
参数筛选模块，所述参数筛选模块用于获取所述目标设备历史运行状态下的所有状态参数，并进行筛选处理，得到前置参考参数，再将所述前置参考参数分别汇总为基准数据集和校验数据集；
模拟仿真模块，所述模拟仿真模块用于依据所述前置参考参数对数字孪生模型进行更新处理，且更新后的所述数字孪生模型对目标设备进行模拟仿真，得到模拟参数；
模型修正模块，所述模型修正模块用于根据所述校验数据集对模拟参数进行校验处理，并依据校验结果对数字孪生模型进行修正，并输出修正数字孪生模型。
10.一种基于数字孪生技术的数据采集终端，其特征在于：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至8中任意一项所述的基于数字孪生技术的数据采集方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410270823.XA CN117891644B (zh) | 2024-03-11 | 2024-03-11 | 一种基于数字孪生技术的数据采集系统及其采集方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410270823.XA CN117891644B (zh) | 2024-03-11 | 2024-03-11 | 一种基于数字孪生技术的数据采集系统及其采集方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117891644A true CN117891644A (zh) | 2024-04-16 |
| CN117891644B CN117891644B (zh) | 2024-06-04 |
Family
ID=90649115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410270823.XA Active CN117891644B (zh) | 2024-03-11 | 2024-03-11 | 一种基于数字孪生技术的数据采集系统及其采集方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117891644B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118132996A (zh) * | 2024-05-06 | 2024-06-04 | 南京励业智能科技有限公司 | 一种基于工业数字孪生的自适应生产调度优化方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442936A (zh) * | 2019-07-24 | 2019-11-12 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
| 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 |
| CN114089715A (zh) * | 2021-10-13 | 2022-02-25 | 鹏城实验室 | 冷水机组数字孪生模型构建方法、装置、终端及存储介质 |
| KR20220148951A (ko) * | 2021-04-27 | 2022-11-07 | 한국전력공사 | 디지털 트윈 시뮬레이터 및 그 디지털 트윈 시뮬레이터의 제어 방법 |
| CN115344991A (zh) * | 2022-07-27 | 2022-11-15 | 南方电网科学研究院有限责任公司 | 一种区域多能源系统数字孪生体的自动参数优化触发方法 |
| CN116796504A (zh) * | 2023-05-10 | 2023-09-22 | 北京航空航天大学 | 基于数字孪生的生产线仿真方法及其相关设备 |
| CN117150757A (zh) * | 2023-08-29 | 2023-12-01 | 中国人民解放军国防科技大学 | 一种基于数字孪生的仿真推演系统 |
| CN117371337A (zh) * | 2023-12-07 | 2024-01-09 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的水利模型构建方法及系统 |
| CN117436215A (zh) * | 2023-11-20 | 2024-01-23 | 国网智能电网研究院有限公司 | 一种融合电气拓扑的配网数字孪生体快速构建方法 |
-
2024
- 2024-03-11 CN CN202410270823.XA patent/CN117891644B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442936A (zh) * | 2019-07-24 | 2019-11-12 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
| KR20220148951A (ko) * | 2021-04-27 | 2022-11-07 | 한국전력공사 | 디지털 트윈 시뮬레이터 및 그 디지털 트윈 시뮬레이터의 제어 방법 |
| 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 |
| CN114089715A (zh) * | 2021-10-13 | 2022-02-25 | 鹏城实验室 | 冷水机组数字孪生模型构建方法、装置、终端及存储介质 |
| CN115344991A (zh) * | 2022-07-27 | 2022-11-15 | 南方电网科学研究院有限责任公司 | 一种区域多能源系统数字孪生体的自动参数优化触发方法 |
| CN116796504A (zh) * | 2023-05-10 | 2023-09-22 | 北京航空航天大学 | 基于数字孪生的生产线仿真方法及其相关设备 |
| CN117150757A (zh) * | 2023-08-29 | 2023-12-01 | 中国人民解放军国防科技大学 | 一种基于数字孪生的仿真推演系统 |
| CN117436215A (zh) * | 2023-11-20 | 2024-01-23 | 国网智能电网研究院有限公司 | 一种融合电气拓扑的配网数字孪生体快速构建方法 |
| CN117371337A (zh) * | 2023-12-07 | 2024-01-09 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的水利模型构建方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118132996A (zh) * | 2024-05-06 | 2024-06-04 | 南京励业智能科技有限公司 | 一种基于工业数字孪生的自适应生产调度优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117891644B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
| CN117891644B (zh) | 一种基于数字孪生技术的数据采集系统及其采集方法 | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN111881495A (zh) | 基于数字孪生的预应力钢结构安全评估方法 | |
| CN114444180A (zh) | 装配式建筑结构的全生命周期参数预测与监测方法及系统 | |
| CN115422635A (zh) | 基于bim的钢结构工程监测方法、系统、设备及存储介质 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
| CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
| CN113642209B (zh) | 基于数字孪生的结构植入故障响应数据获取及评判方法 | |
| CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
| CN108470699B (zh) | 一种半导体制造设备和工艺的智能控制系统 | |
| US20220414555A1 (en) | Prediction system, information processing apparatus, and information processing program | |
| CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
| CN117973194A (zh) | 基于平行系统的油气管网数字孪生建模方法和系统 | |
| CN116663126A (zh) | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 | |
| CN110717287A (zh) | 一种基于温度应变的空间钢结构支座刚度识别方法 | |
| CN114417549B (zh) | 一种基于超级计算机的数字孪生目标场数据处理系统 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| CN114781473A (zh) | 轨道交通设备状态预测方法、装置、设备及存储介质 | |
| CN109974873B (zh) | 一种移动平均的温度监测方法 | |
| CN111625525A (zh) | 一种环境数据修复/填充方法及系统 | |
| CN118132996B (zh) | 一种基于工业数字孪生的自适应生产调度优化方法 | |
| CN117951800B (zh) | 一种水工结构数字孪生模型的建立方法及系统 | |
| CN118313167B (zh) | 一种基于物联网的智能化幕墙智能调控监管系统及方法 |
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 |