一种基于数字孪生模型的组件状态估计方法技术

本发明专利技术属于数字孪生数据驱动技术领域，具体涉及一种基于数字孪生模型的组件状态估计方法；该方法包括：实时获取组件参数，将组件参数输入到改进的数字孪生模型中，得到原型组件的状态估计结果；本发明专利技术与传统的单一模型简化技术相比，可以有效地扩展到大型复杂系统，并为模型快速自适应提供了灵活表达的框架；避免了在单一模型缩减方法中计算成本随着参数的增加而迅速增加；降阶模型的使用大大加快了贝叶斯推理速度，实时求解更容易，由此产生的概率分类为数字孪生的更新提供了基础，同时对模型中的不确定性进行量化，提高了模型的精度。提高了模型的精度。提高了模型的精度。

【技术实现步骤摘要】
一种基于数字孪生模型的组件状态估计方法


[0001]本专利技术属于数字孪生数据驱动
，具体涉及一种基于数字孪生模型的组件状态估计方法。

技术介绍

[0002]由于高阶复杂的系统模型简化至一个低阶的近似模型，在计算、分析上都比原来的高阶系统模型简单，并且还可以提供关于原系统足够多的信息，通常需要将高阶复杂的系统模型简化至一个低阶的近似模型，这种模型简化方法可称为基于数学模型的降阶方法，但由于物理模型和数学模型参数间存在复杂关系，因此很难对系统的动态行为作出物理解释。
[0003]单一静态模型是现有的一种常见模型，但是单一静态模型忽略了类似工程之间的差异，从根本上限制了对任何特定因素建模的能力，而数字孪生范式旨在克服这一局限性，为每一个独特的物理因素提供适应性、综合性和权威性的数字孪生，因而数字孪生模式在一系列工程应用中引起了广泛关注；
[0004]所谓数字孪生是指充分利用物理模型、传感器、运行历史等数据，集成多学科、多尺度的仿真过程，它作为虚拟空间中对实体产品的镜像，反映了相对应物理实体产品的全生命周期过程。数字孪生的物理模型是基于离散偏微分方程(PDE)的计算模型，提供了更高程度的可解释性、可靠性和预测能力。在整个工程中，数字孪生中的计算模型常被使用，如基于仿真的车辆认证和车队管理、结构健康监测以及飞机维持程序等。尽管数字孪生前景得到认可，但是创建、校准和维护单个数字孪生所需模型是一个相当大的挑战。
[0005]准确地建模一个完整的工程系统通常需要非常大的计算模型，且需要对大量的计算资源进行评估，此类模型通常使用有限元分析(FEA)等方法进行求解。但在实时、多查询的环境下，传统的基于大规模物理的模型通常难以求解，这就需要数字孪生面对模型参数变化时适应计算模型，并快速评估模型以提供分析和预测，以便有效地用于运营决策。

技术实现思路

[0006]有鉴于此，本专利技术提出了一种基于数字孪生模型的组件状态估计方法，该方法包括：实时获取组件参数，将组件参数输入到改进的数字孪生模型中，得到原型组件的状态估计结果；
[0007]采用改进的数字孪生模型对原型组件参数进行处理的过程包括：
[0008]S1：获取原型组件参数；
[0009]S2：采用静态压缩降阶基元算法对原型组件参数进行分解，得到子参数；将子参数进行集合，得到数据集；采用缩减基准对数据集中的数据进行处理，得到降阶数据集；
[0010]S3：将降阶数据集中的数据输入到数字孪生模型中，得到输入数据的数字孪生资产状态；
[0011]S4：采用隐马尔可夫模型对数字孪生资产的状态进行统计分析，得到当前数据的
数字孪生资产状态的概率分类结果；
[0012]S5：根据当前数据的数字孪生资产状态的概率分类结果得到组件的概率质量函数，根据概率质量函数预测组件状态；
[0013]S6：采用贝叶斯同化算法对数字孪生资产的状态进行更新；
[0014]S7：根据概率质量函数量化数字孪生中的不确定性和误差；
[0015]S8：重复步骤S3～S7，获取最优的数字孪生模型。
[0016]优选的，采用静态压缩降阶基元算法对原型组件参数进行分解的过程包括：循缩减基实践对原型组件参数进行仿射分解的过程包括：
[0017]定义X为Hilbert空间，P＝R
ρ
为封闭的参数空间，原型组件参数a和f可分解为参数相关部分和参数无关部分，将分解得到的参数相关部分和参数无关部分进行集合，得到组件参数数据集；分解公式为：
[0018][0019][0020]其中，R
ρ
表示封闭的作用域，u是有界线性函数，v是狄里克莱边界，μ是系统级部件参数，a(u,v；μ)是双线性形式，f(v；u)线性形式，Q
a
为相关参数部分的数目，Q
f
为无关参数部分的数目，表示计算相关参数的代数运算，表示计算无关参数的代数运算，a
q
(u,v)表示缩减基有限元的系统矩阵，f
q
(v)表示载荷向量。
[0021]采用缩减基准对数据集中的数据进行处理的过程包括：将数据集中的数据实例化为数字孪生模型的模型组件，获取模型组件的外部边界条件；根据外部边界条件采用控制离散偏微分方程PDE对数据集中的子参数进行处理，消除原型组件子参数间的不平衡；对消除不平衡后的原型组件子参数进行弱化处理，获得弱化后的原型组件子参数，将所有的弱化后的原型组件子参数进行集合，得到降阶数据集。
[0022]优选的，将降阶数据集中的数据输入到数字孪生模型中进行处理的过程包括：
[0023]将降阶数据集输入到经认证的缩减基准RB中，生成相关参数；根据相关参数建立降低自由度的降阶模型；相关参数包括几何参数、非几何参数、计算网格、损坏参数、组件端口参数以及组件内部参数；
[0024]获取观测到的传感器数据，采用贝叶斯状态估计方法将观测到的传感器数据与状态转移概率模型结合，得到资产当前状态的概率分类；将概率分类结果输入到降阶模型，更新数字孪生模型；
[0025]根据更新后的数字孪生模型，获得当前的数字孪生资产状态。
[0026]优选的，采用隐马尔可夫模型对数字孪生资产的状态进行统计分析的过程包括：获取隐马尔可夫模型中上一时刻的隐藏状态；将数字孪生模型的参数输入到隐马尔可夫模型中，根据上一时刻的隐藏状态序列得到当前时刻的隐藏状态集合；根据当前时刻的隐藏状态获取当前时刻的观测量，将所有观测量和隐藏状态进行集合，得到输入数据的数字孪生资产状态的分类结果；得到当前时刻隐藏状态的公式为：
[0027]P(h
t
|h
t
‑1,
…
,h2,h1,o
t
‑1,
…
,o2,o1)＝P(h
t
|h
t
‑1),t＝1,2,
…
,T
[0028]得到当前时刻的观测量的公式为：
[0029]P(o
t
|h
T
,h
T
‑1,
…
,h
t+1
,h
t
,h
t
‑1,
…
,h1,o
T
,o
T
‑1,
…
,o
t+1
,o
t
‑1,
…
,o1)＝P(o
t
|h
t
)
[0030]其中，P(h
t
|h
t
‑1)表示状态转移函数，P(o
t
|h
t
)表示似然函数，T表示T时刻，h
t
表示时刻t的隐藏状态，N表示隐藏状态数量，o
t
表示t时刻模型的观测量。
[0031]优选的，根据当前数据的数字孪生资产状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生模型的组件状态估计方法，其特征在于，包括：实时获取组件参数，将组件参数输入到改进的数字孪生模型中，得到原型组件的状态估计结果；采用改进的数字孪生模型对原型组件参数进行处理的过程包括：S1：获取原型组件参数；S2：采用静态压缩降阶基元算法对原型组件参数进行分解，得到子参数；将子参数进行集合，得到数据集；采用缩减基准对数据集中的数据进行处理，得到降阶数据集；S3：将降阶数据集中的数据输入到数字孪生模型中，得到输入数据的数字孪生资产状态；S4：采用隐马尔可夫模型对数字孪生资产的状态进行统计分析，得到当前数据的数字孪生资产状态的概率分类结果；S5：根据当前数据的数字孪生资产状态的概率分类结果得到组件的概率质量函数，根据概率质量函数预测数字孪生资产状态；S6：采用贝叶斯同化算法对数字孪生资产的状态进行更新；S7：根据概率质量函数量化数字孪生中的不确定性和误差；S8：重复步骤S3～S7，获取最优的数字孪生模型。2.根据权利要求1所述的一种基于数字孪生模型的组件状态估计方法，其特征在于，采用静态压缩降阶基元算法对原型组件参数进行分解的过程包括：定义X为Hilbert空间，P＝R
ρ
为封闭的参数空间，将原型组件参数a和f分解为参数相关部分和参数无关部分，将分解得到的参数相关部分和参数无关部分进行集合，得到组件参数数据集；分解的公式为：数据集；分解的公式为：其中，R
ρ
表示封闭的作用域，u是有界线性函数，v是狄里克莱边界，μ是系统级部件参数，a(u,v；μ)表示双线性形式，f(v；u)表示线性形式，Q
a
为相关参数部分的数目，Q
f
为无关参数部分的数目，表示计算相关参数的代数运算，表示计算无关参数的代数运算，a
q
(u,v)表示缩减基有限元的系统矩阵，f
q
(v)表示载荷向量。3.根据权利要求1所述的一种基于数字孪生模型的组件状态估计方法，其特征在于，采用缩减基准对数据集中的数据进行处理的过程包括：将数据集中的数据实例化为数字孪生模型的模型组件，得到模型组件的外部边界条件；根据外部边界条件采用控制离散偏微分方程PDE对数据集中的子参数进行处理，消除原型组件子参数间的不平衡；对消除不平衡后的原型组件子参数进行弱化处理，获得弱化后的原型组件子参数，将所有的弱化后的原型组件子参数进行集合，得到降阶数据集。4.根据权利要求1所述的一种基于数字孪生模型的组件状态估计方法，其特征在于，将降阶数据集中的数据输入到数字孪生模型中进行处理的过程包括：将降阶数据集输入到经认证的缩减基准RB中，生成相关参数；根据相关参数建立降低自由度的降阶模型；相关参数包括几何参数、非几何参数、计算网格、损坏参数、组件端口参
数以及组件内部参数；获取观测到的传感器数据，采用贝叶斯状态估计方法将观测到的传感器数据与状态转移概率模型结合，得到资产当前状态的概率分类；将概率分类结果输入到降阶模型，更新数字孪生模型；根据更新后的数字孪生模型，获得当前的数字孪生资产状态。5.根据权利要求1所述的一种基于数字孪生模型的组件状态估计方法，其特征在于，采用隐马尔可夫模型对数字孪生资产的状态进行统计分析的过程包括：获取隐马尔可夫模型中上一时刻的隐藏状态；将数字孪生模型的参数输入到隐马尔可夫模型中，根据上一时刻的隐藏状态序列得到当前时刻的隐藏状态集合；根据当前时刻的隐藏状态获取当前时刻的观测量，将所有观测量和隐藏状态进行集合，得到输入数据的数字孪生资产状态的分类结果；得到当前时刻的隐藏状态的公式为：P(h
t
|h
t
‑1,
…
,h2,h1,o
t
‑1,
…
,o2,o1)＝P(h
t
|h
t
‑1),t＝1,2,
...

【专利技术属性】
技术研发人员：付蔚，刘庆，童世华，胡灿炜，李正，张棚，吴志强，冯建强，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：