一种设备数字孪生建模方法及系统技术方案

本发明专利技术涉及一种设备数字孪生建模方法，通过现实物理设备的数据统计，建立数字孪生模型；将数字孪生模型进行组合，形成数字孪生系统各设备的关联；创建深度模拟神经网络，通过物理设备的运行数据，生成数字孪生系统；建立异常监控神经网络，通过对系统运行数据的监测，触发数字孪生系统的重建模。本发明专利技术的方法可有效提高物理设备与孪生模型的匹配效率，可清晰实现各工艺流程设备之间的连接情况。

【技术实现步骤摘要】
一种设备数字孪生建模方法及系统
本专利技术涉及计算机、智能计算领域，尤其涉及一种设备数字孪生建模方法及系统。
技术介绍
随着信息技术与制造业的融合，数字孪生系统可实现物理世界和信息世界之间的交互和融合，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。通过数字孪生，可在不影响现实系统运行的情况下，方便快捷的对系统进行修改调整，并预测系统运行结果。然而，数字孪生作为新兴技术，需花费大量的时间对物理设备进行数字孪生系统建模，一旦建模完成，物理设备若发生了改造或变化，则所建模型和数字映射都可能发生变化。因此，快速对物理设备进行数字孪生建模，并在物理系统发生变化时，进行自动迭代具有重要意义。
技术实现思路
本专利技术要解决的问题是提供一种云组态平台的模型匹配处理方法及系统。为解决上述技术问题，本专利技术的设备数字孪生建模方法，包括下列步骤，S1通过现实物理设备的数据统计，建立数字孪生模型；S2将数字孪生模型进行组合，形成数字孪生系统各设备的关联；S3创建深度模拟神经网络，通过物理设备的运行数据，生成数字孪生系统；S4建立异常监控神经网络，通过对系统运行数据的监测，触发数字孪生系统的重建模。进一步的，所述S1中，建立数据转换模型，通过对现实物理设备的数据点位特性进行编码，将物理设备的特性转换为数字信息，记CHk＝[chk1，chk2，...，chkN]，CHk表示设备k的特性转换为数字编码的信息集合，chkn表示设备k特征信息对应的数字编码，N为特征信息数量；通过建立详细数据点位特性来创建数字模型，为物理设备和数字孪生模型建立数字关联；匹配模块20调用存储模块30的数字模型信息，并将数字模型信息通过相同应用特性的规则组织管理。通过数字模型第一特性，将模型集合划分为m个集合，令dp1表示数字模型集合，表示数字模型第一特性；再通过数字模型第二、第三特性将划分为i×j个集合，并融合第一特性即：以此类推，将两个特性作为集合进行划分，直至将数字模型的所有信息划分完成，最终获得进一步的，所述S1中，设置一个指针变量tip，首先令tip＝chk1，根据tip在集合dp1中查询，当时，跳转至集合再令tip＝chk2chk3在集合中查询，当时，再跳转至集合迭代tip值，直至最终获得至此，查询完毕，对应的数字模型即为现实物理设备k根据自身点位特性所匹配获得的数字孪生模型。通过上述方法对存储模块30中的数字模型进行组织和管理，并使用指针变量tip进行查询，可减少系统数据运算规模，快速匹配获得现实物理设备对应的孪生数字模型。进一步的，所述S2中，将匹配模块获得的数字模型发送至组合模块，进行系统关联，对数字模型设置数据集合LMOD表示各设备之间的关联关系，P表示设备的数量。通过LMOD集合进行各数字模型的连接，可清晰实现各工艺流程设备之间的连接情况。进一步的，所述S3中，按物理设备运行数据的不同状态将设备分为三种状态，分别为静态设备，动态设备和控制设备；静态设备表示在系统运行过程中参数不变的设备，动态设备表示随系统运行参数不断变化的设备，控制设备表示在系统运行过程中可进行自动或人工切换来控制系统运行状态的设备；令STC＝[stc1，stc2，...，stcr，...，stcR]，STC表示静态设备参数集合，stcr表示静态设备r的运行数据，R表示静态设备数量；令DYC＝[dyc1，dyc2，...，dycs，...，dycS]，DYC表示动态设备参数集合，dycs表示动态设备s运行数据，S表示动态设备数量；令CTL＝[ctl1，ctl2，....，ctlu，...，ctlU]，CTL表示控制设备参数集合，ctlu表示控制设备u是否参与控制，若参与控制，则ctlu＝1，若不参与控制，则ctlu＝0；采用设备运行数据来描述物理设备参数，进而参与深度网络的好处是，利用动态变化的数据，可根据物理设备状态，实时迭代数字孪生系统。创建深度模拟神经网络，包括第一输入层，第二输入层，四个隐含层，第一输出层和第二输出层；第一输入层的输入为静态设备参数集合STC＝[stc1，stc2，...，stcr，...，stcR]，维度为静态设备数量R，第一隐含层维度为I，激活函数为f1(x)，第一输入层与第一隐含层的连接权值为ωri(1≤r≤R，1≤i≤I)，第二隐含层为求和层，第一隐含层与第二隐含层的连接权值为βij(1≤i≤I，1≤j≤J)，获得第一输出层，维度为J；第一输出层与动态参数集合DYC＝[dyc1，dyc2，...，dycs，...，dycS]同时作为第二输入层，维度为(J+S)，第三隐含层激活函数为f3(x)，维度为U，与第二输入层的连接权值为1，同时控制设备参数集合CTL＝[ctl1，ctl2，...，ctlt，...，ctlU]作为调节因子参与运算，第四隐含层为防止引入控制设备参数对网络造成的波动，第四隐含层激活函数为f4(x)，维度为V，第三隐含层与第四隐含层之间的连接权值为αuv(1≤u≤U，1≤v≤V)，第二输出层为最终输出，即为根据实际物理设备建成的数字孪生系统，记维度为W，W等于输出的孪生元数，记第四隐含层与第二输出层的连接权值为δvw(1≤v≤V，1≤w≤W)。进一步的，令第一隐含层激活函数为则第一输出层的输出为：将第一输出层的输出与DYC＝[dyc1，dyc2，...，dycS]设备动态参数同时作为第二输入层的输入，记作令第三隐含层的激活函数为第四隐含层的激活函数为则最终输出为将获得的输出集合与样本集合RSTi＝[rsti1，rsti2，...，rstiW](1≤i≤I)进行对比来测试网络训练效果，I表示样本数量，根据实际需求设置阈值ε，令与阈值ε进行对比来判断训练是否完成；中心处理器通过接收模块发送的系统参数，进行模拟运行。通过本专利技术所述深度模拟神经网络可实现根据物理设备实际状态，动态进行数字孪生建模，当物理设备的状态或硬件发生变化时，孪生模型将随之更改。进一步的，所述S4中，在分析模块70中建立异常监控神经网络，包括输入层，输出层及四个隐含层。将设备和各设备之间的关联关系进行统一编号，记作EQ＝[eq1，eq2，...，eqN]，N表示设备关联的数量，令EQ作为网络的输入，网络输出为表示可能发生异常的设备关联，H为可能发生异常的数量；接收模块发送的设备t时刻的动态信息和中心处理模块发送的系统运行结果分别参与第三隐含层和第四隐含层的计算，将t-1时刻的输出FLTt-1引入第二隐含层；可有效避免信息发送错误导致的故障判断错误。第一隐含层和第五隐含层用于防止隐含层信息引入而导致的网络波动。异常分析神经网络输入层和第一隐含层之间的权值记作N为输入层维度，P为第一隐含层维度，激活函数为g1(x)；第一隐含层与第二隐含层之间的权值记作H为第二隐含层维度，激活函数为g2(x)；第二隐含层与第本文档来自技高网...

【技术保护点】
1.一种设备数字孪生建模方法，其特征在于：包括下列步骤，/nS1通过现实物理设备的数据统计，建立数字孪生模型；/nS2将数字孪生模型进行组合，形成数字孪生系统各设备的关联；/nS3创建深度模拟神经网络，通过物理设备的运行数据，生成数字孪生系统；/nS4建立异常监控神经网络，通过对系统运行数据的监测，触发数字孪生系统的重建模。/n

【技术特征摘要】
1.一种设备数字孪生建模方法，其特征在于：包括下列步骤，
S1通过现实物理设备的数据统计，建立数字孪生模型；
S2将数字孪生模型进行组合，形成数字孪生系统各设备的关联；
S3创建深度模拟神经网络，通过物理设备的运行数据，生成数字孪生系统；
S4建立异常监控神经网络，通过对系统运行数据的监测，触发数字孪生系统的重建模。


2.按照权利要求1所述的设备数字孪生建模方法，其特征在于：所述S1中，建立数据转换模型，通过对现实物理设备的数据点位特性进行编码，将物理设备的特性转换为数字信息，记CHk＝[chk1，chk2，...，chkN]，CHk表示设备k的特性转换为数字编码的信息集合，chkn表示设备k特征信息对应的数字编码，N为特征信息数量；通过建立详细数据点位特性来创建数字模型，为物理设备和数字孪生模型建立数字关联；
匹配模块20调用存储模块30的数字模型信息，并将数字模型信息通过相同应用特性的规则组织管理。通过数字模型第一特性，将模型集合划分为m个集合，令dp1表示数字模型集合，表示数字模型第一特性；再通过数字模型第二、第三特性将划分为i×j个集合，并融合第一特性即：以此类推，将两个特性作为集合进行划分，直至将数字模型的所有信息划分完成，最终获得


3.按照权利要求2所述的设备数字孪生建模方法，其特征在于：所述S1中，设置一个指针变量tip，首先令tip＝chk1，根据tip在集合dp1中查询，当时，跳转至集合再令tip＝chk2chk3在集合中查询，当时，再跳转至集合迭代tip值，直至最终获得至此，查询完毕，对应的数字模型即为现实物理设备k根据自身点位特性所匹配获得的数字孪生模型。


4.按照权利要求2或3所述的设备数字孪生建模方法，其特征在于：所述S2中，将匹配模块获得的数字模型发送至组合模块，进行系统关联，对数字模型设置数据集合LMOD表示各设备之间的关联关系，P表示设备的数量。


5.按照权利要求4所述的设备数字孪生建模方法，其特征在于：所述S3中，按物理设备运行数据的不同状态将设备分为三种状态，分别为静态设备，动态设备和控制设备；静态设备表示在系统运行过程中参数不变的设备，动态设备表示随系统运行参数不断变化的设备，控制设备表示在系统运行过程中可进行自动或人工切换来控制系统运行状态的设备；
令STC＝[stc1，stc2，...，stcr，...，stcR]，STC表示静态设备参数集合，stcr表示静态设备r的运行数据，R表示静态设备数量；令DYC＝[dyc1，dyc2，...，dycs，...，dycS]，DYC表示动态设备参数集合，dycs表示动态设备s运行数据，S表示动态设备数量；令CTL＝[ctl1，ctl2，...，ctlu，...，ctlU]，CTL表示控制设备参数集合，ctlu表示控制设备u是否参与控制，若参与控制，则ctlu＝1，若不参与控制，则ctlu＝0；
创建深度模拟神经网络，包括第一输入层，第二输入层，四个隐含层，第一输出层和第二输出层；
第一输入层的输入为静态设备参数集合STC＝[stc1，stc2，...，stcr，...，stcR]，维度为静态设备数量R，第一隐含层维度为I，激活函数为f1(x)，第一输入层与第一隐含层的连接权值为ωri(1≤r≤R，1≤i≤I)，第二隐含层为求和层，第一隐含层与第二隐含层的连接权值为βij(1≤i≤I，1≤j≤J)，获得第一输出层，维度为J；第一输出层与动态参数集合DYC＝[dyc1，dyc2，...，dycs，...，dycS]同时作为第二输入层，维度为(J+S)，第三隐含层激活函数为f3(x)，维度为U，与第二输入层的连接权值为1，同时控制设备参数集合CTL＝[ctl1，ctl2，...，ctlt，...，ctlU]作为调节因子参与运算，第四隐含层为防止引入控制设备参数对网络造...

【专利技术属性】
技术研发人员：孙洪喜，肖爱斌，路畅，刘瑞廷，林伟，李子辰，刘庆凯，
申请(专利权)人：青岛弯弓信息技术有限公司，
类型：发明
国别省市：山东;37