CN118296310A - 基于数字孪生驱动的大型设备生产运维方法及系统 - Google Patents
基于数字孪生驱动的大型设备生产运维方法及系统 Download PDFInfo
- Publication number
- CN118296310A CN118296310A CN202410507898.5A CN202410507898A CN118296310A CN 118296310 A CN118296310 A CN 118296310A CN 202410507898 A CN202410507898 A CN 202410507898A CN 118296310 A CN118296310 A CN 118296310A
- Authority
- CN
- China
- Prior art keywords
- data
- expansion
- range
- box
- degree
- 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 52
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 23
- 238000012423 maintenance Methods 0.000 title claims abstract description 12
- 238000010586 diagram Methods 0.000 claims abstract description 97
- 238000010276 construction Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据分析技术领域,具体涉及基于数字孪生驱动的大型设备生产运维方法及系统,包括:采集原始数据;根据原始数据,构建第0个箱线图;根据第0个箱线图左右相邻的数据段,获取第1个箱线图;将根据第0个箱线图获取第1个箱线图的过程记为第一次扩展,得到每次扩展;计算每次扩展的必要性,根据每次扩展的必要性获取若干个箱线图;根据若干个箱线图判断数据是否为噪声数据;去除所有噪声数据获取构建数据,根据构建数据构建设备的数字孪生模型。本发明通过对单个数据构建多个箱线图,使数据得到更加全面的评估,从而达到准确地识别出噪声数据的目的。
Description
技术领域
本发明涉及数据分析技术领域,具体涉及基于数字孪生驱动的大型设备生产运维方法及系统。
背景技术
数字孪生系统作为一种能够实时监测设备状态的模型,能够极大的提高设备的监测管理效率,但是在构建数字孪生模型的过程中,需要通过许多传感器采集许多数据,而在采集数据的过程由于外部环境因素的影响,会导致所采集的数据中存在大量的噪声数据导致构建的数字孪生模型不能够精确地模拟现实世界中的设备;由于设备中的数据,会因为设备的运行功率的变化而变化,此时设备的数据会偏离整体表现,所以传统的根据数据构建单个箱线图,不能够准确的识别原始数据中的噪声数据。
发明内容
本发明提供基于数字孪生驱动的大型设备生产运维方法及系统,以解决现有的问题:传统的根据数据构建单个箱线图,不能够准确的识别原始数据中的噪声数据。
本发明的基于数字孪生驱动的大型设备生产运维方法及系统采用如下技术方案:
本发明一个实施例提供了基于数字孪生驱动的大型设备生产运维方法,该方法包括以下步骤:
采集原始数据;
根据原始数据,构建第0个箱线图;
根据第0个箱线图左右相邻的数据段,获取第一次左扩展程度与第一次右扩展程度;根据第一次左扩展程度与第一次右扩展程度,获取第一次左扩展的扩展长度与第一次右扩展的扩展长度;根据第一次左扩展的扩展长度与第一次右扩展的扩展长度,获取第1个箱线图;将根据第0个箱线图获取第1个箱线图的过程记为第一次扩展,得到每次扩展;
计算每次扩展的必要性,根据每次扩展的必要性获取若干个箱线图;
根据若干个箱线图判断数据是否为噪声数据;去除所有噪声数据获取构建数据,根据构建数据构建设备的数字孪生模型。
优选的,所述采集原始数据,包括的具体方法为:
通过温度传感器、压力传感器、流量传感器等传感器,采集所有时刻下设备中的所有数据,将通过传感器采集的数据记为原始数据;将同一传感器采集的真实数据记为同一维度数据,得到所有维度的原始数据。
优选的,所述根据原始数据,构建第0个箱线图,包括的具体方法为:
将任意一个维度中的第x个数据记为目标数据,对于目标数据,首先预设一个初始局部范围α,将目标数据以及距离目标数据最近的α个数据,作为第0个局部范围,根据第0个局部范围内的所有原始数据,构建得到第0个箱线图。
优选的,所述根据第0个箱线图左右相邻的数据段,获取第一次左扩展程度与第一次右扩展程度,包括的具体方法为:
预设一个最大拓展范围L,将第0个局部范围中第一个数据在同一维度中的上一个数据,到第0个局部范围中第一个数据在同一维度中的上L个数据,作为第0个局部范围的最大左扩展范围;将第0个局部范围中最后一个数据在同一维度中的下一个数据,到第0个局部范围中最后一个数据在同一维度中的下L个数据,作为第0个局部范围的最大右扩展范围;最后根据第0个局部范围内的数据、第0个局部范围的最大左扩展范围内的数据、第0个局部范围的最大右扩展范围内的数据;获取第一次左扩展程度与第一次右扩展程度;其具体的计算公式为:
式中,A表示第一次左扩展程度;B表示第一次右扩展程度;pi+1表示第0个局部范围中的第i+1个数据;pi表示第0个局部范围中的第i个数据;qv+1表示第0个局部范围的最大左扩展范围内的第v+1个数据;qv表示第0个局部范围的最大左扩展范围内的第v个数据;表示第0个局部范围内所有数据的均值;ru+1表示第0个局部范围的最大右扩展范围内的第u+1个数据;ru表示第0个局部范围的最大右扩展范围内的第u个数据;L为预设的最大拓展范围;α为预设的初始局部范围;||为绝对值运算。
优选的,所述根据第一次左扩展程度与第一次右扩展程度,获取第一次左扩展的扩展长度与第一次右扩展的扩展长度,包括的具体计算公式为:
E=L-W
式中,W表示第一次左扩展的扩展长度;E表示第一次右扩展的扩展长度;A表示第一次左扩展程度;B表示第一次右扩展程度;L为预设的最大拓展范围;round()表示四舍五入取整函数。
优选的,所述根据第一次左扩展的扩展长度与第一次右扩展的扩展长度,获取第1个箱线图,包括的具体方法为:
从第0个局部范围中第一个数据在同一维度中的上W个数据,到第0个局部范围中最后一个数据在同一维度中的下E个数据,作为第1个局部范围,根据第1个局部范围内的所有原始数据,构建得到第1个箱线图。
优选的,所述计算每次扩展的必要性,包括的具体方法为:
对于第j次扩展的必要性,首先获取每个局部范围中所有数据的标准差,根据每个局部范围中所有数据的标准差、第j次左扩展程度以及第j次右扩展程度;获取第j次扩展的必要性,其具体的计算公式为:
式中,Kj表示第j次扩展的必要性;Aj表示第j次左扩展程度;Bj表示第j次右扩展程度;j表示第0个局部范围到第j个局部范围中的局部范围数量;Sj-c表示第j-c个局部范围内数据的标准差;Sj-c-1表示第j-c-1个局部范围内数据的标准差;c表示调整变量;norm{}表示线性归一化函数。
优选的,所述根据每次扩展的必要性获取若干个箱线图,包括的具体方法为:
预设一个必要性阈值β,计算每次扩展的必要性,当扩展的必要性大于等于β时,则继续扩展,当扩展的必要性小于β时,则停止扩展,得到若干个局部范围;根据若干个局部范围,构建得到若干个箱线图。
优选的,所述根据若干个箱线图判断数据是否为噪声数据;去除所有噪声数据获取构建数据,包括的具体方法为:
首先,统计每个箱线图中箱外的数据以及每个箱线图中数据的数量,记录每个箱线图中中位数;根据每个箱线图中箱外的数据、每个箱线图中数据的数量、每个箱线图中中位数以及目标数据,获取目标数据的噪声程度,其具体的计算公式为:
式中,F表示目标数据的噪声程度;N+1表示目标数据的箱线图数量;Mj表示目标数据的第j个箱线图中数据的数量;mj表示目标数据的第j个箱线图中箱外数据的数量;Q表示目标数据的值;Hj表示目标数据的第j个箱线图中中位数的值;norm{}表示线性归一化函数;
然后,预设一个噪声程度阈值γ,当目标数据的噪声程度小于γ,则目标数据为正常数据,当目标数据的噪声程度大于等于γ,则目标数据为噪声数据;
最后,获取所有噪声数据,将所有噪声数据删除,然后利用线性插值法,填补删除的噪声数据,得到新的数据,记为构建数据。
本发明的实施例提供了基于数字孪生驱动的大型设备生产运维系统,该系统包括数据采集模块、初始选定模块、数据扩展模块、终止扩展模块以及数据清洗模块,其中:
数据采集模块,用于采集原始数据;
初始选定模块,用于根据原始数据,构建第0个箱线图;
数据扩展模块,用于根据第0个箱线图左右相邻的数据段,获取第一次左扩展程度与第一次右扩展程度;根据第一次左扩展程度与第一次右扩展程度,获取第一次左扩展的扩展长度与第一次右扩展的扩展长度;根据第一次左扩展的扩展长度与第一次右扩展的扩展长度,获取第1个箱线图;将根据第0个箱线图获取第1个箱线图的过程记为第一次扩展,得到每次扩展;
终止扩展模块,用于计算每次扩展的必要性,根据每次扩展的必要性获取若干个箱线图;
数据清洗模块,用于根据若干个箱线图判断数据是否为噪声数据;去除所有噪声数据获取构建数据,根据构建数据构建设备的数字孪生模型。
本发明的技术方案的有益效果是:本发明首先通过预设一个小的局部范围,然后不断的扩展局部范围,得到若干局部范围;同时根据扩展的局部范围内数据的稳定性,避免扩展的局部范围内引入与初始的局部范围差异大的数据;最后根据若干局部范围生成若干箱线图,避免了单个箱线图无法准确地识别噪声数据的问题,使数据得到更加全面的评估达到准确地识别出噪声数据的目的。
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为本发明的基于数字孪生驱动的大型设备生产运维方法的步骤流程图;
图2为本发明的基于数字孪生驱动的大型设备生产运维系统的结构框图。
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基于数字孪生驱动的大型设备生产运维方法及系统,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基于数字孪生驱动的大型设备生产运维方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于数字孪生驱动的大型设备生产运维方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集原始数据。
需要说明的是,数字孪生模型是模拟现实世界的虚拟模型,可以在数字环境中测试和验证各种方案和决策,具有很高的价值和应用前景,而本实施例作为一种基于数字孪生驱动的大型设备生产运维方法,因此首先需要构建数字孪生模型,而构建数字孪生模型,首先需要采集各种数据。
具体的,通过温度传感器、压力传感器、流量传感器等传感器,采集所有时刻下设备中的所有数据,将通过传感器采集的数据记为原始数据;将同一传感器采集的真实数据记为同一维度数据。
至此,得到所有维度的原始数据。
步骤S002:根据原始数据,构建第0个箱线图。
需要说明的是,由于数字孪生模型是模拟现实世界的虚拟模型;为了使设备的数字孪生模型能够精确地模拟现实世界中的设备,因此构建数字孪生模型所需要的数据中不能存在噪声数据,避免因由噪声数据导致设备的数字孪生模型不能够精准地模拟现实世界中的设备。因此不能够直接的通过步骤S001采集的原始数据构建设备的数字孪生模型,首先需要对步骤S001得到的原始数据进行去噪处理,然后再根据经过去噪后的处理后的原始数据构建设备的数字孪生模型,使最终的设备的数字孪生模型能够精确地模拟现实世界中的设备。
需要进一步说明的是,传统的对于时序数据去噪,首先是根据数据构建单个箱线图,获取数据在箱线图的偏离整体表现确定数据的异常程度;再根据数据的异常程度对数据进行去噪处理;但是本实施例中的原始数据采集的是设备中的数据,当设备的运行功率发生改变时,此时设备的数据会偏离整体表现,但不是噪声数据;即传统的根据数据构建单个箱线图,不能够准确的识别原始数据中的噪声数据,因此本实施例提出了一种原始数据的去噪方法,首先构建第0个箱线图,然后不断向外扩展,根据每次扩展得到数据,构建多个箱线图,即根据数据构建多个箱线图,能够准确地识别出原始数据中的噪声数据。
由于判断每个维度中的任意一个原始数据是否为异常数据的过程完全相同,所以本实施例将任意一个维度中的第x个数据记为目标数据,以判断目标数据是否为噪声数据为例进行叙述;因此首先需要根据目标数据构建第0个箱线图。
具体的,对于目标数据,首先预设一个初始局部范围α,α的具体大小可结合实际情况自行设置,本实施例不做硬性要求,在本实施例中以α=10进行叙述;将目标数据以及距离目标数据最近的α个数据,作为第0个局部范围,根据第0个局部范围内的所有原始数据,构建得到第0个箱线图;由于箱线图的构建方法作为一种公知的现有技术,故在本实施例中不再进行赘述。
步骤S003:根据第0个箱线图左右相邻的数据段,获取第一次左扩展程度与第一次右扩展程度;根据第一次左扩展程度与第一次右扩展程度,获取第一次左扩展的扩展长度与第一次右扩展的扩展长度;根据第一次左扩展的扩展长度与第一次右扩展的扩展长度,获取第1个箱线图;将根据第0个箱线图获取第1个箱线图的过程记为第一次扩展,得到每次扩展。
需要说明的是,由于本实施例作为一种基于数字孪生驱动的大型设备生产运维方法,提出了一种对设备的原始数据进行去噪的方法,而在通过步骤S002得到第0个箱线图后,即可根据第0个箱线图进行扩展,得到第1个局部范围,再以第1个局部范围内的所有数据构建第1个箱线图。
需要注意的是,由于在设备的原始数据中,与第0个箱线图相邻的左右两侧数据的分布以及变化趋势大概率存在差异,为避免在扩展箱线图时引入变化趋势差异大的数据作为构建箱线图的数据,导致构建的箱线图不能准确的对数据进行分析,因此需要计算第0个箱线图第一次左扩展程度与第一次右扩展程度。
具体的,预设一个最大拓展范围L,L的具体取值可结合实际情况自行设置,本实施例不做硬性要求,在本实施例中以L=6进行叙述,将第0个局部范围中第一个数据在同一维度中的上一个数据,到第0个局部范围中第一个数据在同一维度中的上L个数据,作为第0个局部范围的最大左扩展范围;将第0个局部范围中最后一个数据在同一维度中的下一个数据,到第0个局部范围中最后一个数据在同一维度中的下L个数据,作为第0个局部范围的最大右扩展范围;最后根据第0个局部范围内的数据、第0个局部范围的最大左扩展范围内的数据、第0个局部范围的最大右扩展范围内的数据;获取第一次左扩展程度与第一次右扩展程度;其具体的计算公式为:
式中,A表示第一次左扩展程度;B表示第一次右扩展程度;pi+1表示第0个局部范围中的第i+1个数据;pi表示第0个局部范围中的第i个数据;qv+1表示第0个局部范围的最大左扩展范围内的第v+1个数据;qv表示第0个局部范围的最大左扩展范围内的第v个数据;表示第0个局部范围内所有数据的均值;ru+1表示第0个局部范围的最大右扩展范围内的第u+1个数据;ru表示第0个局部范围的最大右扩展范围内的第u个数据;L为预设的最大拓展范围;α为预设的初始局部范围;||为绝对值运算。
需要说明的是,表示的是第0个局部范围内数据的变化趋势;表示的是第0个局部范围的最大左扩展范围内数据的变换趋势;因此表示第0个局部范围内数据的变化趋势与第0个局部范围的最大左扩展范围内数据的变换趋势之间的差异;而的值越大,则说明所述差异越小;所述差异越小则第0个局部范围内数据的变化趋势与第0个局部范围的最大左扩展范围内数据的变换趋势越相似,即第一次左扩展程度越大;同时表示的是第0个局部范围的最大左扩展范围内的所有数据,与第0个局部范围内的整体数据之间的差异;而的值越大,则说明第0个局部范围的最大左扩展范围内的所有数据,与第0个局部范围内的整体数据之间的差异越小,则说明第一次左扩展程度越大。由于获取第一次左扩展程度与第一次右扩展程度的原理完全相同,因此本实施例不再对获取第一次右扩展程度的原理进行赘述。
需要说明的是,在得到第一次左扩展程度与第一次右扩展程度后,即可根据第一次左扩展程度与第一次右扩展程度,获取第一次左扩展的扩展长度与第一次右扩展的扩展长度。
具体的,获取第一次左扩展的扩展长度与第一次右扩展的扩展长度的计算公式为:
E=L-W
式中,W表示第一次左扩展的扩展长度;E表示第一次右扩展的扩展长度;A表示第一次左扩展程度;B表示第一次右扩展程度;L为预设的最大拓展范围;round()表示四舍五入取整函数。
最后,从第0个局部范围中第一个数据在同一维度中的上W个数据,到第0个局部范围中最后一个数据在同一维度中的下E个数据,作为第1个局部范围,根据第1个局部范围内的所有原始数据,构建得到第1个箱线图;由于箱线图的构建方法作为一种公知的现有技术,故在本实施例中不再进行赘述。
至此,得到第1个箱线图。
需要说明的是,将根据第0个箱线图获取第1个箱线图的过程记为第一次扩展;将根据第1个箱线图获取第2个箱线图的过程记为第二次扩展;以此类推,得到每次扩展,由于每次扩展的过程完全相同,故在本实施例中不再进行赘述。
步骤S004:计算每次扩展的必要性,根据每次扩展的必要性获取若干个箱线图。
需要说明的是,由于本实施例是通过对一个数据构建多个箱线图,判断数据是否为噪声数据,因此根据数据所构建的多个箱线图均需要满足,能够数据在扩展的局部范围内的具有稳定变化的特征,而随着数据的局部范围的扩展,会逐渐的失去这一特征,因此不能根据数据的第0个局部范围,进行无限的扩展,即在根据数据的第0个局部范围进行扩展时,存在扩展极限,为了能够得到数据所有的局部范围,生成数据所有的箱线图,因此需要计算每次扩展的必要性,根据每次扩展的必要性,得到若干局部范围,生成若干箱线图。
具体的,对于第j次扩展的必要性,首先获取每个局部范围中所有数据的标准差,根据每个局部范围中所有数据的标准差、第j次左扩展程度以及第j次右扩展程度;获取第j次扩展的必要性,其具体的计算公式为:
式中,Kj表示第j次扩展的必要性;Aj表示第j次左扩展程度;Bj表示第j次右扩展程度;j表示第0个局部范围到第j个局部范围中的局部范围数量;Sj-c表示第j-c个局部范围内数据的标准差;Sj-c-1表示第j-c-1个局部范围内数据的标准差;c表示调整变量;norm{}表示线性归一化函数。
需要进一步说明的是,第j次左扩展程度与第j次右扩展程度越大,则说明第j个局部范围的最大左扩展范围,以及第j个局部范围的最大右扩展范围,与第j-1个局部范围就越相似,即第j次扩展的必要性就越大;Sj-c-1为第j-c-1个局部范围内数据的标准差,表示的是第j-c-1个局部范围的稳定性,Sj-c为第j-c个局部范围内数据的标准差,表示的是第j-c个局部范围的稳定性,而标准差越小稳定性越高,因此Sj-c-1-Sj-c的值越大,则说明第j-c-1个局部范围到第j-c个局部范围的稳定性降得越少,即第j次扩展的必要性就越大。
最后,预设一个必要性阈值β,β的具体大小可结合实际情况自行设置,本实施例不做硬性要求,在本实施例中以β=0.6进行叙述,计算每次扩展的必要性,当扩展的必要性大于等于β时,则继续扩展,当扩展的必要性小于β时,则停止扩展,得到若干个局部范围;根据若干个局部范围,构建得到若干个箱线图,由于箱线图的构建方法作为一种公知的现有技术,故在本实施例中不再进行赘述。
至此,得到若干个箱线图。
步骤S005:根据若干个箱线图判断数据是否为噪声数据;去除所有噪声数据获取构建数据,根据构建数据构建设备的数字孪生模型。
需要说明的是,由于本实施例是通过对一个数据构建多个箱线图,判断数据是否为噪声数据,而在通过步骤S004得到若干个箱线图后,即可根据这些箱线图判断目标数据是否为噪声数据。
具体的,统计每个箱线图中箱外的数据以及每个箱线图中数据的数量,记录每个箱线图中中位数;根据每个箱线图中箱外的数据、每个箱线图中数据的数量、每个箱线图中中位数以及目标数据,获取目标数据的噪声程度,其具体的计算公式为:
式中,F表示目标数据的噪声程度;N+1表示目标数据的箱线图数量;Mj表示目标数据的第j个箱线图中数据的数量;mj表示目标数据的第j个箱线图中箱外数据的数量;Q表示目标数据的值;Hj表示目标数据的第j个箱线图中中位数的值;norm{}表示线性归一化函数。
需要进一步说明的是,|Q-Hj|的值越大,则说明在目标数据的第j个箱线图中目标数据越具有噪声数据的程度,因此|Q-Hj|的值越大,目标数据为噪声数据的可能性就越大;的值越大,则说明箱线图中箱外数据的数量就少;箱外数据的数量越少,则该箱线图的可信度就越高,因此F的值越大则目标数据为噪声数据的可能性就越大。
最后,预设一个噪声程度阈值γ,γ的具体大小可结合实际情况自行设置,本实施例不做硬性要求,在本实施例中,以γ=0.9进行叙述,当目标数据的噪声程度小于γ,则目标数据为正常数据,当目标数据的噪声程度大于等于γ,则目标数据为噪声数据。
至此,完成对目标数据是否为噪声数据的判断;同理判断所有维度中的所有原始数据是否为噪声数据,得到所有噪声数据。
将所有噪声数据删除,然后利用线性插值法,填补删除的噪声数据,得到新的数据,记为构建数据,由于线性插值法作为一种公知的现有技术,故在本实施例中不再进行赘述;然后根据构建数据构建设备的数字孪生模型,由于数字孪生模型的构建作为一种公知的现有技术,故在本实施例中不再进行赘述,使得根据构建数据构建设备的数字孪生模型能够精确地模拟现实世界中的设备。
至此,本实施例完成。
请参阅图2,其示出了本发明一个实施例提供的基于数字孪生驱动的大型设备生产运维系统的结构框图,该系统包括以下模块:
数据采集模块,用于采集原始数据;
初始选定模块,用于根据原始数据,构建第0个箱线图;
数据扩展模块,用于根据第0个箱线图左右相邻的数据段,获取第一次左扩展程度与第一次右扩展程度;根据第一次左扩展程度与第一次右扩展程度,获取第一次左扩展的扩展长度与第一次右扩展的扩展长度;根据第一次左扩展的扩展长度与第一次右扩展的扩展长度,获取第1个箱线图;将根据第0个箱线图获取第1个箱线图的过程记为第一次扩展,得到每次扩展;
终止扩展模块,用于计算每次扩展的必要性,根据每次扩展的必要性获取若干个箱线图;
数据清洗模块,用于根据若干个箱线图判断数据是否为噪声数据;去除所有噪声数据获取构建数据,根据构建数据构建设备的数字孪生模型。
本发明的技术方案的有益效果是:本发明首先通过预设一个小的局部范围,然后不断的扩展局部范围,得到若干局部范围;同时根据扩展的局部范围内数据的稳定性,避免扩展的局部范围内引入与初始的局部范围差异大的数据;最后根据若干局部范围生成若干箱线图,避免了单个箱线图无法准确地识别噪声数据的问题,使数据得到更加全面的评估达到准确地识别出噪声数据的目的。
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 (10)
1.基于数字孪生驱动的大型设备生产运维方法,其特征在于,该方法包括以下步骤:
采集原始数据;
根据原始数据,构建第0个箱线图;
根据第0个箱线图左右相邻的数据段,获取第一次左扩展程度与第一次右扩展程度;根据第一次左扩展程度与第一次右扩展程度,获取第一次左扩展的扩展长度与第一次右扩展的扩展长度;根据第一次左扩展的扩展长度与第一次右扩展的扩展长度,获取第1个箱线图;将根据第0个箱线图获取第1个箱线图的过程记为第一次扩展,得到每次扩展;
计算每次扩展的必要性,根据每次扩展的必要性获取若干个箱线图;
根据若干个箱线图判断数据是否为噪声数据;去除所有噪声数据获取构建数据,根据构建数据构建设备的数字孪生模型。
2.根据权利要求1所述基于数字孪生驱动的大型设备生产运维方法,其特征在于,所述采集原始数据,包括的具体方法为:
通过温度传感器、压力传感器、流量传感器等传感器,采集所有时刻下设备中的所有数据,将通过传感器采集的数据记为原始数据;将同一传感器采集的真实数据记为同一维度数据,得到所有维度的原始数据。
3.根据权利要求1所述基于数字孪生驱动的大型设备生产运维方法,其特征在于,所述根据原始数据,构建第0个箱线图,包括的具体方法为:
将任意一个维度中的第x个数据记为目标数据,对于目标数据,首先预设一个初始局部范围α,将目标数据以及距离目标数据最近的α个数据,作为第0个局部范围,根据第0个局部范围内的所有原始数据,构建得到第0个箱线图。
4.根据权利要求3所述基于数字孪生驱动的大型设备生产运维方法,其特征在于,所述根据第0个箱线图左右相邻的数据段,获取第一次左扩展程度与第一次右扩展程度,包括的具体方法为:
预设一个最大拓展范围L,将第0个局部范围中第一个数据在同一维度中的上一个数据,到第0个局部范围中第一个数据在同一维度中的上L个数据,作为第0个局部范围的最大左扩展范围;将第0个局部范围中最后一个数据在同一维度中的下一个数据,到第0个局部范围中最后一个数据在同一维度中的下L个数据,作为第0个局部范围的最大右扩展范围;最后根据第0个局部范围内的数据、第0个局部范围的最大左扩展范围内的数据、第0个局部范围的最大右扩展范围内的数据;获取第一次左扩展程度与第一次右扩展程度;其具体的计算公式为:
式中,A表示第一次左扩展程度;B表示第一次右扩展程度;pi+1表示第0个局部范围中的第i+1个数据;pi表示第0个局部范围中的第i个数据;qv+1表示第0个局部范围的最大左扩展范围内的第v+1个数据;qv表示第0个局部范围的最大左扩展范围内的第v个数据;表示第0个局部范围内所有数据的均值;ru+1表示第0个局部范围的最大右扩展范围内的第u+1个数据;ru表示第0个局部范围的最大右扩展范围内的第u个数据;L为预设的最大拓展范围;α为预设的初始局部范围;||为绝对值运算。
5.根据权利要求1所述基于数字孪生驱动的大型设备生产运维方法,其特征在于,所述根据第一次左扩展程度与第一次右扩展程度,获取第一次左扩展的扩展长度与第一次右扩展的扩展长度,包括的具体计算公式为:
E=L-W
式中,W表示第一次左扩展的扩展长度;E表示第一次右扩展的扩展长度;A表示第一次左扩展程度;B表示第一次右扩展程度;L为预设的最大拓展范围;round()表示四舍五入取整函数。
6.根据权利要求1所述基于数字孪生驱动的大型设备生产运维方法,其特征在于,所述根据第一次左扩展的扩展长度与第一次右扩展的扩展长度,获取第1个箱线图,包括的具体方法为:
从第0个局部范围中第一个数据在同一维度中的上W个数据,到第0个局部范围中最后一个数据在同一维度中的下E个数据,作为第1个局部范围,根据第1个局部范围内的所有原始数据,构建得到第1个箱线图。
7.根据权利要求6所述基于数字孪生驱动的大型设备生产运维方法,其特征在于,所述计算每次扩展的必要性,包括的具体方法为:
对于第j次扩展的必要性,首先获取每个局部范围中所有数据的标准差,根据每个局部范围中所有数据的标准差、第j次左扩展程度以及第j次右扩展程度;获取第j次扩展的必要性,其具体的计算公式为:
式中,Kj表示第j次扩展的必要性;Aj表示第j次左扩展程度;Bj表示第j次右扩展程度;j表示第0个局部范围到第j个局部范围中的局部范围数量;Sj-c表示第j-c个局部范围内数据的标准差;Sj-c-1表示第j-c-1个局部范围内数据的标准差;c表示调整变量;norm{}表示线性归一化函数。
8.根据权利要求1所述基于数字孪生驱动的大型设备生产运维方法,其特征在于,所述根据每次扩展的必要性获取若干个箱线图,包括的具体方法为:
预设一个必要性阈值β,计算每次扩展的必要性,当扩展的必要性大于等于β时,则继续扩展,当扩展的必要性小于β时,则停止扩展,得到若干个局部范围;根据若干个局部范围,构建得到若干个箱线图。
9.根据权利要求3所述基于数字孪生驱动的大型设备生产运维方法,其特征在于,所述根据若干个箱线图判断数据是否为噪声数据;去除所有噪声数据获取构建数据,包括的具体方法为:
首先,统计每个箱线图中箱外的数据以及每个箱线图中数据的数量,记录每个箱线图中中位数;根据每个箱线图中箱外的数据、每个箱线图中数据的数量、每个箱线图中中位数以及目标数据,获取目标数据的噪声程度,其具体的计算公式为:
式中,F表示目标数据的噪声程度;N+1表示目标数据的箱线图数量;Mj表示目标数据的第j个箱线图中数据的数量;mj表示目标数据的第j个箱线图中箱外数据的数量;Q表示目标数据的值;Hj表示目标数据的第j个箱线图中中位数的值;norm{}表示线性归一化函数;
然后,预设一个噪声程度阈值γ,当目标数据的噪声程度小于γ,则目标数据为正常数据,当目标数据的噪声程度大于等于γ,则目标数据为噪声数据;
最后,获取所有噪声数据,将所有噪声数据删除,然后利用线性插值法,填补删除的噪声数据,得到新的数据,记为构建数据。
10.基于数字孪生驱动的大型设备生产运维系统,其特征在于,该系统包括以下模块:
数据采集模块,用于采集原始数据;
初始选定模块,用于根据原始数据,构建第0个箱线图;
数据扩展模块,用于根据第0个箱线图左右相邻的数据段,获取第一次左扩展程度与第一次右扩展程度;根据第一次左扩展程度与第一次右扩展程度,获取第一次左扩展的扩展长度与第一次右扩展的扩展长度;根据第一次左扩展的扩展长度与第一次右扩展的扩展长度,获取第1个箱线图;将根据第0个箱线图获取第1个箱线图的过程记为第一次扩展,得到每次扩展;
终止扩展模块,用于计算每次扩展的必要性,根据每次扩展的必要性获取若干个箱线图;
数据清洗模块,用于根据若干个箱线图判断数据是否为噪声数据;去除所有噪声数据获取构建数据,根据构建数据构建设备的数字孪生模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410507898.5A CN118296310A (zh) | 2024-04-25 | 2024-04-25 | 基于数字孪生驱动的大型设备生产运维方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410507898.5A CN118296310A (zh) | 2024-04-25 | 2024-04-25 | 基于数字孪生驱动的大型设备生产运维方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118296310A true CN118296310A (zh) | 2024-07-05 |
Family
ID=91675941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410507898.5A Pending CN118296310A (zh) | 2024-04-25 | 2024-04-25 | 基于数字孪生驱动的大型设备生产运维方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118296310A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230237412A1 (en) * | 2022-01-27 | 2023-07-27 | Applied Materials, Inc. | Diagnostic tool to tool matching methods for manufacturing equipment |
CN117411192A (zh) * | 2023-12-15 | 2024-01-16 | 东莞市华灏技术有限公司 | 一种不间断电源并机系统的监控方法及系统 |
CN117473770A (zh) * | 2023-11-13 | 2024-01-30 | 建龙西林钢铁有限公司 | 一种基于数字孪生信息的钢铁设备智能管理系统 |
CN117574102A (zh) * | 2024-01-17 | 2024-02-20 | 山东华中重钢有限公司 | 基于大数据分析的钢结构疲劳寿命预测方法 |
-
2024
- 2024-04-25 CN CN202410507898.5A patent/CN118296310A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230237412A1 (en) * | 2022-01-27 | 2023-07-27 | Applied Materials, Inc. | Diagnostic tool to tool matching methods for manufacturing equipment |
CN117473770A (zh) * | 2023-11-13 | 2024-01-30 | 建龙西林钢铁有限公司 | 一种基于数字孪生信息的钢铁设备智能管理系统 |
CN117411192A (zh) * | 2023-12-15 | 2024-01-16 | 东莞市华灏技术有限公司 | 一种不间断电源并机系统的监控方法及系统 |
CN117574102A (zh) * | 2024-01-17 | 2024-02-20 | 山东华中重钢有限公司 | 基于大数据分析的钢结构疲劳寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116167668B (zh) | 基于bim的绿色节能建筑施工质量评价方法及系统 | |
CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN111522808B (zh) | 一种风电机组异常运行数据处理方法 | |
CN110083910B (zh) | 一种基于nsga-ⅱ的混沌时间序列预测样本获取方法 | |
CN108537133A (zh) | 一种基于监督学习深度自编码器的人脸重构方法 | |
CN106570790A (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
CN115828466A (zh) | 一种基于宽核卷积的风机主轴部件故障预测方法 | |
CN117540238A (zh) | 一种工业数字化信息采集装置用数据安全管理方法 | |
CN117786371B (zh) | 一种温度监测数据优化预测分析方法及系统 | |
CN111198979A (zh) | 一种用于对输变电可靠性评估大数据进行清洗的方法及系统 | |
CN115659284A (zh) | 一种大数据融合平台 | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
CN117540220A (zh) | 一种近零碳园区源网荷匹配方法及系统 | |
CN113886992A (zh) | 一种基于多保真度数据的数字孪生建模方法 | |
CN118296310A (zh) | 基于数字孪生驱动的大型设备生产运维方法及系统 | |
CN116881640A (zh) | 岩心采出程度的预测方法、系统及计算机可读存储介质 | |
CN114781507B (zh) | 一种基于1dcnn-ds的冷水机组故障诊断方法 | |
CN117272704B (zh) | 一种面向多源异构数据的数字孪生驱动的数据处理系统 | |
CN112733076A (zh) | 基于神经网络常微分方程在非持续激励下的系统辨识方法 | |
CN116842764B (zh) | 一种跨临界二氧化碳制冷数据仿真系统 | |
CN117560015B (zh) | 一种空调安装工程数据高效处理系统 | |
CN117540326B (zh) | 钻爆法隧道施工装备的施工状态异常辨识方法及系统 | |
CN114969017B (zh) | 风功率数据清洗方法、清洗装置及预测方法 |
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 |