CN117951456B - 一种基于数字孪生的设备状态智能监控系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于数字孪生的设备状态智能监控系统，包括：采集人造石英板整线设备的振幅数据序列和整线速度数据序列；获取振幅数据序列中振幅数据的趋势因子、季节因子及残差因子；获取振幅数据序列的若干噪声数据；根据噪声数据和振幅数据序列的季节项，得到振幅数据序列的噪声数据的偏差程度；获取噪声数据的修正系数，根据修正系数得到去噪之后的振幅数据序列。本发明通过对振动数据的趋势与季节进行分析，获得数据在整体和局部的偏差程度，最后利用偏差程度对数据的残差因子进行修正，减少噪声检测的误差，使得数字孪生的设备状态智能监控更加准确。

Description

一种基于数字孪生的设备状态智能监控系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于数字孪生的设备状态智能监控系统。

背景技术

数字孪生是一种充分利用物理模型、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。在基于数字孪生的人造石英板整线装备系统中，服务器利用在物理实体设备上实时采集的数据，建立虚拟的孪生体模型并实时监控物理实体设备的运行状态，以实现设备故障的预测与诊断功能。设备在运行过程中的振动强度对系统稳定性、产品质量稳定性都有着直接或间接的影响，而数字孪生技术对物理实体的数据准确性又有着较高的要求，因此对人造石英板整线装备系统的振幅数据进行去噪就成为了不可或缺的一步。

STL分解法是一种常用的时序数据分析方法，它通过将时间序列分解成趋势项、季节项和残差项三个主要分量来分析数据的特征。在利用STL分解法对时序数据进行分析时，通常会直接将残差项视为数据的偏差量，并以此来判断数据的噪声程度，然而由于常规的分解方法并不能得到准确的趋势项，所以残差项的准确性也无法保证，噪声的检测容易出现误差。不仅如此，在人造石英板整线设备系统的工作过程中，整线速度对机器振幅的变化也有着较大的影响，如果不考虑整线速度会使得振幅数据的分解结果中残差项过大，对噪声检测产生很大的干扰。

发明内容

为解决上述问题，本发明提供一种基于数字孪生的设备状态智能监控系统。

本发明的一种基于数字孪生的设备状态智能监控系统采用如下技术方案：

本发明一个实施例提供了一种基于数字孪生的设备状态智能监控系统，该系统包括以下模块：

数据采集模块，用于采集人造石英板整线设备的振幅数据序列和整线速度数据序列；

噪声数据获取模块，用于对振幅数据序列进行分解得到振幅数据序列的趋势项、季节项及残差项；根据振幅数据序列、振幅数据序列的趋势项、季节项及残差项，得到振幅数据序列中每个振幅数据的趋势因子、季节因子及残差因子；根据振幅数据的趋势因子、季节因子及残差因子得到振幅数据序列的若干噪声数据；

偏差程度获取模块，用于根据振幅数据的趋势因子得到振幅数据序列的趋势项的变化程度；根据噪声数据、振幅数据序列的趋势项的变化程度及振幅数据序列的季节项，得到振幅数据序列的每个噪声数据的偏差程度；

数据去噪模块，用于根据噪声数据的偏差程度、振幅数据序列及整线速度数据序列得到振幅数据序列的每个噪声数据的修正系数；根据振幅数据的残差因子、噪声数据的偏差程度及噪声数据的修正系数，得到振幅数据序列的每个噪声数据修正后的残差因子；根据噪声数据修正后的残差因子得到去噪之后的振幅数据序列。

进一步地，所述得到振幅数据序列中每个振幅数据的趋势因子、季节因子及残差因子，包括的具体步骤如下：

将振幅数据序列中任意一个振幅数据，记为参考振幅数据；将参考振幅数据在振幅数据序列的次序值，记为第一次序值，将振幅数据序列的趋势项中第一次序值对应的值，记为参考振幅数据的趋势因子；将振幅数据序列的季节项中第一次序值对应的值，记为参考振幅数据的季节因子；将振幅数据序列的残差项中第一次序值对应的值，记为参考振幅数据的残差因子。

进一步地，所述根据振幅数据的趋势因子、季节因子及残差因子得到振幅数据序列的若干噪声数据，包括的具体步骤如下：

将振幅数据序列中任意一个振幅数据，记为参考振幅数据，在振幅数据序列中，以参考振幅数据为中心，邻域半径为TH3的数据范围，得到参考振幅数据的局部范围，TH3为预设的一个第三数值；

式中，为参考振幅数据的残差因子，/>为振幅数据序列中所有振幅数据的残差因子的最大值，/>为参考振幅数据的局部范围内所有振幅数据的残差因子的方差；的具体获取方法如下：将参考振幅数据的局部范围内每个振幅数据对应的残差因子和趋势因子相加，得到若干第一相加值，将所有第一相加值的方差，记为/>；/>为归一化函数；/>的具体获取方法如下：将参考振幅数据的局部范围内每个振幅数据对应的季节因子和残差因子相加，得到若干第二相加值，将所有第二相加值的方差，记为/>；为参考振幅数据的修正必要性；

依据振幅数据的修正必要性得到振幅数据序列的若干噪声数据。

进一步地，所述依据振幅数据的修正必要性得到振幅数据序列的若干噪声数据，包括的具体步骤如下：

预设一个第一阈值，将振幅数据序列中振幅数据的修正必要性大于或等于第一阈值的振幅数据，作为振幅数据序列的噪声数据。

进一步地，所述根据振幅数据的趋势因子得到振幅数据序列的趋势项的变化程度，包括的具体步骤如下：

式中，为振幅数据序列中第/>个振幅数据的趋势因子，/>为振幅数据序列中第/>个振幅数据的趋势因子，/>为取绝对值，/>为振幅数据序列中振幅数据的个数，/>为振幅数据序列的趋势项的变化程度。

进一步地，所述得到振幅数据序列的每个噪声数据的偏差程度，包括的具体步骤如下：

将振幅数据序列的任意一个噪声数据，记为目标噪声数据；在振幅数据序列中，以目标噪声数据为中心，邻域半径为TH3的数据范围，作为目标噪声数据的局部范围，TH3为预设的一个第三数值；

式中，为振幅数据序列的趋势项的变化程度，/>为目标噪声数据的局部范围内第/>个振幅数据的趋势因子，/>为目标噪声数据的局部范围内第/>个振幅数据的趋势因子，/>为取绝对值，/>为目标噪声数据的局部范围内振幅数据的个数；/>为归一化函数；/>和/>的具体获取方法如下：根据振幅数据序列的季节项得到振幅数据序列的若干周期；将目标噪声数据所在的周期，记为当前周期，将当前周期的前一个周期，记为第一周期，将当前周期内所有振幅数据的均值减去第一周期内所有振幅数据的均值的结果，记为/>，将当前周期的后一个周期，记为第二周期，将当前周期内所有振幅数据的均值减去第二周期内所有振幅数据的均值的结果，记为/>；/>为目标噪声数据的偏差程度。

进一步地，所述根据噪声数据的偏差程度、振幅数据序列及整线速度数据序列得到振幅数据序列的每个噪声数据的修正系数，包括的具体步骤如下：

获取目标噪声数据在振幅数据序列中的次序值，记为第二次序值，将整线速度数据序列中与第二次序值相同次序值的整线速度数据，记为目标整线速度数据；在整线速度数据序列中，以目标整线速度数据为中心，邻域半径为TH3的数据范围，作为目标整线速度数据的局部范围，TH3为预设的一个第三数值；

式中，为目标整线速度数据的局部范围内第/>个整线速度数据，/>为目标整线速度数据的局部范围内第/>个整线速度数据，/>为目标整线速度数据的局部范围内整线速度数据的个数；/>为趋势一致性参数；/>和/>的具体获取方法如下：对整线速度数据序列进行分解得到整线速度数据序列的季节项，根据整线速度数据序列的季节项得到整线速度数据序列的若干周期；将目标整线速度数据所在的周期，记为目标周期，将目标周期的前一个周期，记为第三周期，将目标周期内所有整线速度数据的均值减去第三周期内所有整线速度数据的均值的结果，记为/>，将目标周期的后一个周期，记为第四周期，将目标周期内所有整线速度数据的均值减去第四周期内所有整线速度数据的均值的结果，记为/>，/>为目标噪声数据的修正系数。

进一步地，所述趋势一致性参数的具体获取方法如下：

对整线速度数据序列进行分解得到整线速度数据序列的趋势项，将整线速度数据序列中任意一个整线速度数据在整线速度数据序列的次序值，记为第三次序值，将整线速度数据序列的趋势项中第三次序值对应的值，记为该整线速度数据的趋势因子；

式中，为目标整线速度数据的局部范围内第/>个整线速度数据的趋势因子，/>为目标整线速度数据的局部范围内第/>个整线速度数据的趋势因子，/>为目标整线速度数据的局部范围内整线速度数据的个数，/>为趋势一致性参数。

进一步地，所述得到振幅数据序列的每个噪声数据修正后的残差因子，包括的具体步骤如下：

式中，为目标噪声数据的偏差程度，/>为目标噪声数据的修正系数，/>为目标噪声数据的残差因子，/>为目标噪声数据修正后的残差因子，/>为线性归一化函数。

进一步地，所述根据噪声数据修正后的残差因子得到去噪之后的振幅数据序列，包括的具体步骤如下：

预设一个第二阈值，记为，若/>，/>为目标噪声数据修正后的残差因子，在振幅数据序列中将目标噪声数据左右相邻两个振幅数据的均值替换目标噪声数据，对振幅数据序列的所有噪声数据进行替换，得到去噪之后的振幅数据序列。

本发明的技术方案的有益效果是：本发明在采集到人造石英板整线设备的振幅数据序列和整线速度数据序列后，通过对振幅数据序列的趋势项、季节项及残差项中的因子进行分析振幅数据的修正必要性，进而依据修正必要性得到噪声数据，使得对噪声的检测更加准确，进而提升设备状态的智能监控，通过获取振幅数据序列的每个噪声数据的偏差程度，能够结合数据的局部趋势与季节性特点得到其综合偏差，避免单一残差的偏差过大导致的检测误差，而后通过对噪声数据的偏差程度进行修正，获取振幅数据序列的每个噪声数据修正后的残差因子，进而得到去噪之后的振幅数据序列，使得数字孪生的设备状态智能监控更加智能和准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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为本发明一个实施例所提供的一种基于数字孪生的设备状态智能监控系统的系统框架图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于数字孪生的设备状态智能监控系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于数字孪生的设备状态智能监控系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于数字孪生的设备状态智能监控系统的系统框架图，该系统包括以下模块：

数据采集模块：

需要说明的是，本实施例利用STL分解算法，结合振幅数据在局部和季节中的变化以及振幅与整线速度的变化关系，计算数据的异常程度并对其残差项进行修正，最终获得更加准确的真实噪声数据，更好的对数字孪生的设备状态进行智能监控，在开始分析之前，首先需要采集数据。

具体的，采集人造石英板整线设备的振幅数据序列和整线速度数据序列，具体如下：

利用人造石英板整线设备系统中的振动传感器检测设备运行过程中的振幅，利用人造石英板整线设备系统中的测速仪检测设备运行过程中的整线速度，振动传感器每隔TH1毫秒输出一个振幅数据，将最近TH2个小时内采集到的所有振幅数据按照时序顺序进行排列，得到一个序列，记为振幅数据序列；测速仪每隔TH1毫秒输出一个整线速度数据，将最近TH2个小时内采集到的所有整线速度数据按照时序顺序进行排列，得到一个序列，记为整线速度数据序列，TH1为预设的一个第一数值，TH2为预设的一个第二数值，本实施例以TH1=100，TH2=1进行叙述。

至此，采集到人造石英板整线设备的振幅数据序列和整线速度数据序列。

噪声数据获取模块：

需要说明的是，在利用STL分解对振幅数据序列进行分析的过程中，并非所有数据的残差项都需要修正，且对所有数据都进行修正的计算量过于庞大，所以首先需要根据数据的残差表现筛选出需要修正的数据。而单个数据的残差也无法直接体现出数据的噪声程度，所以可以对数据进行局部分析，并结合整体的季节与趋势来判断其偏差大小，以获取数据的噪声程度。此外，由于振幅与整线速度有着密切的关联，因此可以通过整线速度数据与振幅的变化关系计算数据的异常程度，进一步对数据的噪声程度进行确认，获得更加真实的噪声表现。

需要说明的是，振幅的大小是系统振动数据的其中一个参数，监测系统中设备的振幅数据对监控系统的结构稳定性和产品质量稳定性都有着重要的意义。振幅数据中的噪声可能来源于多种因素，例如传感器故障、电磁场波动、人为干扰等，这些噪声数据对数字孪生系统的分析和建模都会产生负面干扰，所以需要提前进行去噪处理。

具体的，对振幅数据序列进行分解得到振幅数据序列的趋势项、季节项及残差项，具体如下：

将振幅数据序列输入到STL分解算法中，输出得到振幅数据序列的趋势项、季节项及残差项；需要说明的是，将振幅数据序列输入到STL分解算法中，输出得到振幅数据序列的趋势项、季节项及残差项为STL分解算法的现有方法，本实施例不再赘述。

需要说明的是，其中残差项通常可以体现数据的噪声程度。为了增加残差项在体现噪声程度时的准确性，需要结合多个数据特征对其进行修正，然而每个数据的修正必要性不同，较大的残差项对应着较高的噪声表现，相应的修正必要性也较高。此外，当一个数据在趋势性和季节性上表现较强时，该数据的残差因子对噪声程度的体现就会较弱，则该数据的修正必要性也较低。

具体的，根据振幅数据序列、振幅数据序列的趋势项、季节项及残差项，得到振幅数据序列中每个振幅数据的趋势因子、季节因子及残差因子，具体如下：

将振幅数据序列中任意一个振幅数据，记为参考振幅数据，在振幅数据序列中，以参考振幅数据为中心，邻域半径为TH3的数据范围，作为参考振幅数据的局部范围，TH3为预设的一个第三数值，本实施例以TH3=20进行叙述；需要说明的是，若参考振幅数据位于振幅数据序列的左侧或右侧时，参考振幅数据的局部范围可能会超出振幅数据序列的范围，此时，本实施例利用二次线性插值的方法将振幅数据序列超出范围的部分进行插值填充数据，因此本实施例进行STL分解时，对振幅数据序列和插值填充后的振幅数据序列均进行STL分解，获取振幅数据序列和插值填充后的振幅数据序列对应的趋势项、季节项及残差项；将参考振幅数据在振幅数据序列的次序值，记为第一次序值，将振幅数据序列的趋势项中第一次序值对应的值，记为参考振幅数据的趋势因子；将振幅数据序列的季节项中第一次序值对应的值，记为参考振幅数据的季节因子；将振幅数据序列的残差项中第一次序值对应的值，记为参考振幅数据的残差因子；需要说明的是，振幅数据序列中振幅数据的个数分别和振幅数据序列的趋势项、季节项及残差项中的因子个数是相同的，例如振幅数据序列中包含100个振幅数据，则振幅数据序列的趋势项包含100个趋势因子，振幅数据序列的季节项包含100个季节因子，振幅数据序列的残差项包含100个残差因子。

进一步地，根据振幅数据的趋势因子、季节因子及残差因子得到振幅数据序列中每个振幅数据的修正必要性，具体如下：

式中，为参考振幅数据的残差因子，/>为振幅数据序列中所有振幅数据的残差因子的最大值，/>为参考振幅数据的局部范围内所有振幅数据的残差因子的方差；的具体获取方法如下：将参考振幅数据的局部范围内每个振幅数据对应的残差因子和趋势因子相加，得到若干第一相加值，将所有第一相加值的方差，记为/>；/>为归一化函数，本实施例的归一化函数具体为sigmoid函数；/>的具体获取方法如下：将参考振幅数据的局部范围内每个振幅数据对应的季节因子和残差因子相加，得到若干第二相加值，将所有第二相加值的方差，记为/>；/>为参考振幅数据的修正必要性。

需要说明的是，表示参考振幅数据的残差因子趋近于最大值的程度，该比值越大则参考振幅数据的修正必要性越大，/>表示邻域内振幅数据的趋势强度，比值越大说明振幅数据的趋势强度越低，参考振幅数据的修正必要性就越大，/>表示邻域内振幅数据的季节强度，比值越大说明振幅数据的季节强度越低，参考振幅数据的修正必要性就越大；该公式通过邻域中振幅数据在不同分解项中的离散程度表现，来计算参考振幅数据的趋势与季节强度，从而得出振幅数据的修正必要性，以达到精简振幅数据序列的效果。

进一步地，依据振幅数据的修正必要性得到振幅数据序列的若干噪声数据，具体如下：

预设一个第一阈值，本实施例以第一阈值为0.65进行叙述，将振幅数据序列中振幅数据的修正必要性大于或等于第一阈值的振幅数据，作为振幅数据序列的噪声数据。需要说明的是，噪声数据的残差因子需要进行修正，本实施中振幅数据的修正必要性小于第一阈值的振幅数据不进行分析。

至此，得到振幅数据序列的若干噪声数据。

偏差程度获取模块：

需要说明的是，在常规STL分解中，趋势项代表数据的长期变化趋势，季节项代表数据的周期性变化关系，而残差项代表趋势与季节无法解释的部分，通常能够表示该数据在时序上的偏差。然而这个偏差仅仅是通过单个数据的分解项得到的，对于人造石英板整线设备系统的振幅数据而言，其在时序上的关联性很强，并且由于系统的工序往往不会有较大的变化，所以振幅数据的周期性也会较强，即数据有较好的季节性表现，因此我们需要结合数据在时序上的变化关系以及其在季节性上的表现来综合得出它的偏差程度，以获得更加符合数据特征的计算结果。

进一步需要说明的是，在振幅数据的趋势项当中，数据局部趋势项的变化与整个序列中趋势项的变化关系可以反映数据的原始偏差，局部趋势项的变化相较于整体变化越强，则振幅数据的偏差程度就越高。而振幅数据在相邻周期上相同位置的变化相较于整体趋势的变化关系同样能反映其偏差程度，周期上的变化与趋势变化的一致程度越低，数据的偏差程度就越高。

具体的，根据振幅数据的趋势因子得到振幅数据序列的趋势项的变化程度，具体如下：

式中，为振幅数据序列中第/>个振幅数据的趋势因子，/>为振幅数据序列中第/>个振幅数据的趋势因子，/>为取绝对值，/>为振幅数据序列中振幅数据的个数，/>为振幅数据序列的趋势项的变化程度。

需要说明的是，表示振幅数据序列中所有振幅数据的趋势因子的增量平均值，代表了振幅数据序列的整体趋势，该均值越大即/>越大则振幅数据序列的整体趋势变化越大。

进一步地，根据噪声数据、振幅数据序列的趋势项的变化程度及振幅数据序列的季节项，得到振幅数据序列的每个噪声数据的偏差程度，具体如下：

将振幅数据序列的任意一个噪声数据，记为目标噪声数据；在振幅数据序列中，以目标噪声数据为中心，邻域半径为TH3的数据范围，作为目标噪声数据的局部范围，TH3为预设的一个第三数值；需要说明的是，若目标噪声数据位于振幅数据序列的左侧或右侧时，目标噪声数据的局部范围可能会超出振幅数据序列的范围，此时，本实施例利用二次线性插值的方法将振幅数据序列超出范围的部分进行插值填充数据。

式中，为振幅数据序列的趋势项的变化程度，/>为目标噪声数据的局部范围内第/>个振幅数据的趋势因子，/>为目标噪声数据的局部范围内第/>个振幅数据的趋势因子，/>为取绝对值，/>为目标噪声数据的局部范围内振幅数据的个数；/>为归一化函数，本实施例的归一化函数具体为sigmoid函数；/>和/>的具体获取方法如下：根据振幅数据序列的季节项得到振幅数据序列的若干周期；需要说明的是，根据振幅数据序列的季节项得到振幅数据序列的若干周期为现有方法，本实施例不再赘述；将目标噪声数据所在的周期，记为当前周期，将当前周期的前一个周期，记为第一周期，将当前周期内所有振幅数据的均值减去第一周期内所有振幅数据的均值的结果，记为/>，将当前周期的后一个周期，记为第二周期，将当前周期内所有振幅数据的均值减去第二周期内所有振幅数据的均值的结果，记为/>；需要说明的是，若当前周期前后没有相邻周期，则不进行分析；/>为目标噪声数据的偏差程度。

需要说明的是，表示局部范围内振幅数据的趋势变化程度，其与/>的比值表示局部范围内振幅数据的趋势趋近于整体数据趋势的程度，该值越接近1则邻域内变化趋势越趋近于整体变化趋势，偏差程度就越小，/>表示目标噪声数据在相邻周期的平均变化，/>表示目标噪声数据在相邻周期上的平均变化趋近于整体趋势的程度，该值越接近1则周期变化趋势越趋近于整体变化趋势，偏差程度就越小；该公式通过目标噪声数据在局部与周期中的变化趋势与整体趋势的一致程度来获得数据的偏差程度，这种方法既能体现残差项的大小对偏差的影响，又能结合数据的趋势和季节特征，使得最终得到偏差程度更加准确。

至此，得到振幅数据序列的每个噪声数据的偏差程度。

数据去噪模块：

需要说明的是，上述模块通过结合数据的趋势项、季节项、残差项得到了其在时序中的偏差程度，该偏差程度可以较好地反映振幅数据的噪声表现程度。但除了环境和人为的干扰因素外，系统运行过程中的整线速度也对振幅有着较大的影响，并且这种影响导致的振幅数据变动属于正常变化，不应该被视为噪声，因此在计算出振幅数据的偏差程度后，还需要考虑同时刻下整线速度的变化关系，以进一步修正振幅数据的偏差程度。

进一步需要说明的是，已知在人造石英板整线设备系统中，整线速度的改变是由驱动装置提供的动力输入改变所引起的，而当驱动装置提供的动力变化时，振幅也会相应发生变化，且振幅与整线速度呈正相关。由此可推断出，振幅数据与整线速度数据在趋势项上的变化应该具有一致性，它们在周期的数据变化也应该一致，且偏差程度较大的振幅数据在同时刻的整线速度应该也会有较大变化，当它们的变化一致性较强的时候振幅数据的偏差程度相应会较小，一致性较弱的时候偏差程度则较大。

具体的，根据噪声数据的偏差程度、振幅数据序列及整线速度数据序列得到振幅数据序列的每个噪声数据的修正系数，具体如下：

获取目标噪声数据在振幅数据序列中的次序值，记为第二次序值，将整线速度数据序列中与第二次序值相同次序值的整线速度数据，记为目标整线速度数据；需要说明的是，为便于次序值，此处进行举例说明，若目标噪声数据为振幅数据序列中的第10个振幅数据，则第二次序值为10，目标整线速度数据为整线速度数据序列中的第10个整线速度数据；在整线速度数据序列中，以目标整线速度数据为中心，邻域半径为TH3的数据范围，作为目标整线速度数据的局部范围，TH3为预设的一个第三数值；需要说明的是，若目标整线速度数据位于整线速度数据序列的左侧或右侧时，目标整线速度数据的局部范围可能会超出整线速度数据序列的范围，此时，本实施例利用二次线性插值的方法将整线速度数据序列超出范围的部分进行插值填充数据。

式中，为目标噪声数据的偏差程度，/>为目标整线速度数据的局部范围内第个整线速度数据，/>为目标整线速度数据的局部范围内第/>个整线速度数据，/>为目标整线速度数据的局部范围内整线速度数据的个数；/>为归一化函数，本实施例的归一化函数具体为sigmoid函数；/>为取绝对值，/>为趋势一致性参数，/>和/>的具体获取方法如下：根据振幅数据序列的季节项得到振幅数据序列的若干周期；将目标噪声数据所在的周期，记为当前周期，将当前周期的前一个周期，记为第一周期，将当前周期内所有振幅数据的均值减去第一周期内所有振幅数据的均值的结果，记为/>，将当前周期的后一个周期，记为第二周期，将当前周期内所有振幅数据的均值减去第二周期内所有振幅数据的均值的结果，记为/>；/>和/>的具体获取方法如下：对整线速度数据序列进行分解得到整线速度数据序列的季节项，根据整线速度数据序列的季节项得到整线速度数据序列的若干周期；将目标整线速度数据所在的周期，记为目标周期，将目标周期的前一个周期，记为第三周期，将目标周期内所有整线速度数据的均值减去第三周期内所有整线速度数据的均值的结果，记为/>，将目标周期的后一个周期，记为第四周期，将目标周期内所有整线速度数据的均值减去第四周期内所有整线速度数据的均值的结果，记为/>；需要说明的是，若目标周期前后没有相邻周期，则不进行分析；/>为目标噪声数据的修正系数；需要说明的是，噪声数据的修正系数用于对噪声数据的偏差程度进行修正。

其中，趋势一致性参数的具体获取方法如下：

对整线速度数据序列进行分解得到整线速度数据序列的趋势项，将整线速度数据序列中任意一个整线速度数据在整线速度数据序列的次序值，记为第三次序值，将整线速度数据序列的趋势项中第三次序值对应的值，记为该整线速度数据的趋势因子。

式中，为目标噪声数据的局部范围内第/>个振幅数据的趋势因子，/>为目标噪声数据的局部范围内第/>个振幅数据的趋势因子，/>为目标整线速度数据的局部范围内第/>个整线速度数据的趋势因子，/>为目标整线速度数据的局部范围内第/>个整线速度数据的趋势因子，/>为取绝对值，/>为目标噪声数据的局部范围内振幅数据的个数，/>为目标整线速度数据的局部范围内整线速度数据的个数，/>为趋势一致性参数。

需要说明的是，表示振幅数据的偏差程度与整线速度变化程度的一致性，差值越大则一致性越弱，修正系数就越大；趋势一致性参数表示局部范围内的振幅与整线速度的趋势一致性，该均值越大则一致性越弱，修正系数就越大；/>表示振幅与整线速度在相邻周期上的变化一致性，该值越大则一致性越弱，修正系数就越大；该公式利用振幅与整线速度的变化一致性对振幅数据的偏差程度进行修正，且结合了数据在不同分解项上的变化表现，能够得到振幅数据的最终真实偏差。

进一步地，根据振幅数据的残差因子、噪声数据的偏差程度及噪声数据的修正系数，得到振幅数据序列的每个噪声数据修正后的残差因子，具体如下：

式中，为目标噪声数据的偏差程度，/>为目标噪声数据的修正系数，/>为目标噪声数据的残差因子，/>为目标噪声数据修正后的残差因子，/>为线性归一化函数，归一化的对象为所有噪声数据的/>。需要说明的是，修正后的残差因子可以表现目标噪声数据的真实噪声程度。

进一步地，根据噪声数据修正后的残差因子得到去噪之后的振幅数据序列，具体如下：

预设一个第二阈值，记为，本实施例以/>进行叙述，若/>，为目标噪声数据修正后的残差因子，在振幅数据序列中将目标噪声数据左右相邻两个振幅数据的均值替换目标噪声数据，对振幅数据序列的所有噪声数据进行替换，得到去噪之后的振幅数据序列。需要说明的是，目标噪声数据左右相邻两个振幅数据不是噪声数据，若左右相邻两个振幅数据中包含噪声数据，则选取次相邻的振幅数据，直至不是噪声数据，例如目标噪声数据在振幅数据序列中为第10个振幅数据，目标噪声数据左侧相邻的振幅数据即为振幅数据序列中的第9个振幅数据，若第9个振幅数据为噪声数据，则选取的次相邻为振幅数据序列中的第8个振幅数据；若目标噪声数据左右任意一侧直到序列边界没有不是噪声数据的振幅数据，则不进行分析；若目标噪声数据左侧回右侧没有振幅数据，即左侧或右侧的振幅数据超过振幅数据序列的范围，此时本实施例利用二次线性插值的方法将超出振幅数据序列范围的部分进行插值填充数据。

至此，通过对振幅数据序列进行噪声分析，得到去噪之后的振幅数据序列，之后将去噪之后的振幅数据序列传输至Unity服务器设备上，系统会根据去噪之后的振幅数据序列进行分析和处理，将去噪之后的振幅数据序列与Unity中设备的数字模型预测的振幅数据进行对比，及时发现设备的异常状态，若检测到了振幅数据的异常，系统就会立即发出警报，具体为现有方法，本实施例不再赘述，最终完成数字孪生的设备状态智能监控。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于数字孪生的设备状态智能监控系统，其特征在于，该系统包括以下模块：

数据采集模块，用于采集人造石英板整线设备的振幅数据序列和整线速度数据序列；

噪声数据获取模块，用于对振幅数据序列进行分解得到振幅数据序列的趋势项、季节项及残差项；根据振幅数据序列、振幅数据序列的趋势项、季节项及残差项，得到振幅数据序列中每个振幅数据的趋势因子、季节因子及残差因子；根据振幅数据的趋势因子、季节因子及残差因子得到振幅数据序列的若干噪声数据；

所述根据振幅数据的趋势因子、季节因子及残差因子得到振幅数据序列的若干噪声数据，包括的具体步骤如下：

将振幅数据序列中任意一个振幅数据，记为参考振幅数据，在振幅数据序列中，以参考振幅数据为中心，邻域半径为TH3的数据范围，得到参考振幅数据的局部范围，TH3为预设的一个第三数值；

式中，为参考振幅数据的残差因子，/>为振幅数据序列中所有振幅数据的残差因子的最大值，/>为参考振幅数据的局部范围内所有振幅数据的残差因子的方差；/>的具体获取方法如下：将参考振幅数据的局部范围内每个振幅数据对应的残差因子和趋势因子相加，得到若干第一相加值，将所有第一相加值的方差，记为/>；/>为归一化函数；/>的具体获取方法如下：将参考振幅数据的局部范围内每个振幅数据对应的季节因子和残差因子相加，得到若干第二相加值，将所有第二相加值的方差，记为/>；/>为参考振幅数据的修正必要性；

依据振幅数据的修正必要性得到振幅数据序列的若干噪声数据；

偏差程度获取模块，用于根据振幅数据的趋势因子得到振幅数据序列的趋势项的变化程度；根据噪声数据、振幅数据序列的趋势项的变化程度及振幅数据序列的季节项，得到振幅数据序列的每个噪声数据的偏差程度；

所述得到振幅数据序列的每个噪声数据的偏差程度，包括的具体步骤如下：

将振幅数据序列的任意一个噪声数据，记为目标噪声数据；在振幅数据序列中，以目标噪声数据为中心，邻域半径为TH3的数据范围，作为目标噪声数据的局部范围，TH3为预设的一个第三数值；

式中，为振幅数据序列的趋势项的变化程度，/>为目标噪声数据的局部范围内第个振幅数据的趋势因子，/>为目标噪声数据的局部范围内第/>个振幅数据的趋势因子，/>为取绝对值，/>为目标噪声数据的局部范围内振幅数据的个数；/>为归一化函数；/>和/>的具体获取方法如下：根据振幅数据序列的季节项得到振幅数据序列的若干周期；将目标噪声数据所在的周期，记为当前周期，将当前周期的前一个周期，记为第一周期，将当前周期内所有振幅数据的均值减去第一周期内所有振幅数据的均值的结果，记为/>，将当前周期的后一个周期，记为第二周期，将当前周期内所有振幅数据的均值减去第二周期内所有振幅数据的均值的结果，记为/>；/>为目标噪声数据的偏差程度；

数据去噪模块，用于根据噪声数据的偏差程度、振幅数据序列及整线速度数据序列得到振幅数据序列的每个噪声数据的修正系数；根据振幅数据的残差因子、噪声数据的偏差程度及噪声数据的修正系数，得到振幅数据序列的每个噪声数据修正后的残差因子；根据噪声数据修正后的残差因子得到去噪之后的振幅数据序列。

2.根据权利要求1所述一种基于数字孪生的设备状态智能监控系统，其特征在于，所述得到振幅数据序列中每个振幅数据的趋势因子、季节因子及残差因子，包括的具体步骤如下：

将振幅数据序列中任意一个振幅数据，记为参考振幅数据；将参考振幅数据在振幅数据序列的次序值，记为第一次序值，将振幅数据序列的趋势项中第一次序值对应的值，记为参考振幅数据的趋势因子；将振幅数据序列的季节项中第一次序值对应的值，记为参考振幅数据的季节因子；将振幅数据序列的残差项中第一次序值对应的值，记为参考振幅数据的残差因子。

3.根据权利要求1所述一种基于数字孪生的设备状态智能监控系统，其特征在于，所述依据振幅数据的修正必要性得到振幅数据序列的若干噪声数据，包括的具体步骤如下：

预设一个第一阈值，将振幅数据序列中振幅数据的修正必要性大于或等于第一阈值的振幅数据，作为振幅数据序列的噪声数据。

4.根据权利要求1所述一种基于数字孪生的设备状态智能监控系统，其特征在于，所述根据振幅数据的趋势因子得到振幅数据序列的趋势项的变化程度，包括的具体步骤如下：

式中，为振幅数据序列中第/>个振幅数据的趋势因子，/>为振幅数据序列中第/>个振幅数据的趋势因子，/>为取绝对值，/>为振幅数据序列中振幅数据的个数，/>为振幅数据序列的趋势项的变化程度。

5.根据权利要求1所述一种基于数字孪生的设备状态智能监控系统，其特征在于，所述根据噪声数据的偏差程度、振幅数据序列及整线速度数据序列得到振幅数据序列的每个噪声数据的修正系数，包括的具体步骤如下：

获取目标噪声数据在振幅数据序列中的次序值，记为第二次序值，将整线速度数据序列中与第二次序值相同次序值的整线速度数据，记为目标整线速度数据；在整线速度数据序列中，以目标整线速度数据为中心，邻域半径为TH3的数据范围，作为目标整线速度数据的局部范围，TH3为预设的一个第三数值；

式中，为目标整线速度数据的局部范围内第/>个整线速度数据，/>为目标整线速度数据的局部范围内第/>个整线速度数据，/>为目标整线速度数据的局部范围内整线速度数据的个数；/>为趋势一致性参数；/>和/>的具体获取方法如下：对整线速度数据序列进行分解得到整线速度数据序列的季节项，根据整线速度数据序列的季节项得到整线速度数据序列的若干周期；将目标整线速度数据所在的周期，记为目标周期，将目标周期的前一个周期，记为第三周期，将目标周期内所有整线速度数据的均值减去第三周期内所有整线速度数据的均值的结果，记为/>，将目标周期的后一个周期，记为第四周期，将目标周期内所有整线速度数据的均值减去第四周期内所有整线速度数据的均值的结果，记为，/>为目标噪声数据的修正系数。

6.根据权利要求5所述一种基于数字孪生的设备状态智能监控系统，其特征在于，所述趋势一致性参数的具体获取方法如下：

对整线速度数据序列进行分解得到整线速度数据序列的趋势项，将整线速度数据序列中任意一个整线速度数据在整线速度数据序列的次序值，记为第三次序值，将整线速度数据序列的趋势项中第三次序值对应的值，记为该整线速度数据的趋势因子；

式中，为目标整线速度数据的局部范围内第/>个整线速度数据的趋势因子，为目标整线速度数据的局部范围内第/>个整线速度数据的趋势因子，/>为目标整线速度数据的局部范围内整线速度数据的个数，/>为趋势一致性参数。

7.根据权利要求1所述一种基于数字孪生的设备状态智能监控系统，其特征在于，所述得到振幅数据序列的每个噪声数据修正后的残差因子，包括的具体步骤如下：

式中，为目标噪声数据的偏差程度，/>为目标噪声数据的修正系数，/>为目标噪声数据的残差因子，/>为目标噪声数据修正后的残差因子，/>为线性归一化函数。

8.根据权利要求1所述一种基于数字孪生的设备状态智能监控系统，其特征在于，所述根据噪声数据修正后的残差因子得到去噪之后的振幅数据序列，包括的具体步骤如下：

预设一个第二阈值，记为，若/>，/>为目标噪声数据修正后的残差因子，在振幅数据序列中将目标噪声数据左右相邻两个振幅数据的均值替换目标噪声数据，对振幅数据序列的所有噪声数据进行替换，得到去噪之后的振幅数据序列。