本发明专利技术公开了一种数字孪生驱动的多模型融合工业系统异常检测方法，包括步骤：一、构建物理模型并集成为统一的多领域系统数字孪生模型；二、进行物理模型仿真并迭代修改；三、运用边缘计算技术进行信息建模；四、构建数据驱动的神经网络智能检测模型；五、对步骤四中得到的数据预处理；六、引入阈值排序法对预测异常特征；七、将数据存储至云平台数据库进行异常特征提取，构建最终的异常检测模型；十、保存相应的异常数据到数据库作为更新优化模型的数据。本发明专利技术融合了数据驱动的智能化深度学习检测模型以及数字孪生驱动的实时信息模型，克服了基于物理模型的精确度低和数据驱动方法的适应性差的问题，大大提高了预测结果的准确性。性。性。
【技术实现步骤摘要】
一种数字孪生驱动的多模型融合工业系统异常检测方法
[0001]本专利技术属于智能制造及工业工程领域，具体涉及一种数字孪生驱动的多模型融合工业系统异常检测方法。
技术介绍
[0002]智能制造背景下，工业系统的功能变得更加复杂、规模也更加庞大，这使得对工业系统的检测与维护也变得更加具有挑战性。准确高效的故障检测对工业生产的质量、安全及效率至关重要。然而，工业数据具有大数据量、噪声干扰多、多种数据耦合等特点，导致现有的一些检测方案效率低、实时性差。各行各业都在寻求新的异常检测方法，近年来基于智能传感信息、大数据分析技术、云计算等技术的智能化异常检测方法得到了广泛关注。
[0003]异常检测通过在机器故障发生前消除隐患来最大限度地降低生产生命周期成本。工业系统的异常检测主要包括运用传感器进行持续性设备监测以及运用检测模型进行异常检测。目前工业系统异常检测技术主要面临着以下几点挑战：1)难以高效地处理工业系统中产生的大量数据。尽管物联网技术的推广使工业系统的实时数据收集成为可能，但由于难以将大量的数据转化为有意义的信息，目前在数据收集和整合方面仍然存在巨大的障碍。2)工业系统的运行环境和工作条件实时变化，现有的模型往往假设未来可能出现的故障数据与已有数据分布相同，检测模型往往很难适应数据的分布变化。3)工业系统结构复杂，通常由多个子系统、设备以及零部件组成，彼此间相互依赖、相互作用。不同类型的故障可能同时发生在不同的部件或子系统上。传感器收集到的信号往往是带噪声的，多种故障特征以非线性形式复合，难以准确地进行检测。4)工业系统状态的检测涉及到电气、结构、能量、热学、力学等多个学科及信息，不同学科以复杂的方式耦合，形成一种结构和功能复杂的工业系统。需要结合多个学科的知识对系统状态进行综合分析。5)无法充分利用已有的历史数据进行异常检测。
[0004]针对目前工业系统检测技术存在的问题，本专利技术引入数字孪生、边缘计算、深度学习等技术构建了数据驱动的混合异常检测框架，对实际工业系统预测性维护及异常检测具有重要参考价值。
技术实现思路
[0005]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提出了一种数字孪生驱动的工业系统异常检测框架，该框架融合了数据驱动的智能化深度学习检测模型以及数字孪生驱动的实时信息模型，克服了基于物理模型的精确度低和数据驱动方法的适应性差的问题，从而大大提高了预测结果的准确性。
[0006]为解决上述技术问题，本专利技术采用的技术方案是：一种数字孪生驱动的多模型融合工业系统异常检测方法，该方法包括以下步骤：
[0007]步骤一、基于数字孪生技术并结合ANSYS、MWorks、Dymola、SimulationX等软件对子系统级及设备构建物理模型并集成为统一的多领域系统数字孪生模型；
[0008]步骤二、进行物理模型仿真并对多领域系统数字孪生模型进行迭代修改和仿真，以确保数字孪生模型的准确性，直到仿真结果和实验结果之间的误差足够小，得到高保真的数字孪生模型，并建立映射接口保证数字孪生模型的实时更新；
[0009]步骤三、运用边缘计算技术在边缘层对物理实体和数字孪生体之间的联系进行信息建模，以保证物理实体与其数字孪生体之间的实时交互和同步；
[0010]步骤四、收集工业系统运行过程中各类智能传感器产生的数据，并基于工业系统过往异常数据构建数据驱动的神经网络智能检测模型；
[0011]步骤五、将步骤四中得到的数据作为样本，对步骤四中得到的数据在边缘层运用边缘计算进行降噪、实例选择、归一化、数据清洗及预处理并通过XGBoost算法处理样本不平衡问题；
[0012]步骤六、引入阈值排序法(The Ranking and Thresholdmethod)对异常特征进行多个预测，从而解决数据中可能包含的多处异常特征之间相互干扰的问题，并准确地将其诊断为对应的多个部位的异常；
[0013]步骤七、将步骤四中得到的数据传输到云平台并进行模型训练、迭代并更新参数，由多组数据集训练得到异常检测模型且异常检测模型由多个预测模型组成，通过皮尔逊相关系数法确定目标参数的最显著参数，系数可由下式求得：
[0014][0015]其中n是数据集中的编号，x、y是参数值然后利用与这些参数相关的部分历史数据作为模型的输入，更新数据驱动异常检测模型。运用增量学习不断地从新的实时数据中学习新的知识并调整算法、更新模型；
[0016]步骤八、对工业系统中的子系统及设备的异常检测模型通过融合方法进行集成，并分配不同的权重，构成系统级的异常检测模型；
[0017]步骤九、基于HybridAlgorithm融合算法，结合数字孪生模型及数据驱动的神经网络智能检测模型，以数字孪生模型作为空间状态设置并输入构建最终的异常检测模型；
[0018]步骤十、在边缘层部署训练后的异常检测模型进行实时异常检测；将预测结果存储在边缘层中并通过比较实际运行状态和预测结果来验证异常检测模型的准确性并以此评估模型的性能，确定算法是否需要更新或重新训练；
[0019]步骤十一、对异常检测模型的输出设定评估机制；由于异常检测是一个连续的过程，设备的健康状态很难由某个特定时间点的值来确定。应排除掉一些短暂出现异常又很快回到正常范围的情况而重点关注持续超出正常范围的情况；通过以下评估机制来确定：
[0020][0021]其中P
i
(Y
i
(t))为检测模型输出的评估结果，f是输入的信号频率，当S
i
(t)小于基于专业知识及经验设定的阈值时系统将做出预警。
[0022]步骤十二、根据得到的异常检测结果执行相应的维护计划，并保存相应的异常数据到数据库作为更新优化模型的数据；
[0023]上述的一种数字孪生驱动的多模型融合工业系统异常检测方法，步骤一中所述对子系统级及设备构建的多领域系统数字孪生模型具体过程为：
[0024]步骤101、采集由智能传感器提供的工业系统运转情况及工作条件数据作为模型的输入参数；
[0025]步骤102、运用ANSYS、MWorks、Dymola、SimulationX等软件对控制系统、物料系统、传动设备、生产器件子系统及设备进行建模仿真；
[0026]步骤103、基于机械、热学、力学、自动化多领域专家知识及经验数据对仿真模型进行优化，并将各子系统及设备零部件的模型集成为多领域系统数字孪生模型。
[0027]上述的一种数字孪生驱动的多模型融合工业系统异常检测方法，步骤三中所述运用边缘计算技术在边缘层对物理实体和数字孪生体之间的实时交互和同步进行信息建模具体过程为：
[0028]步骤301、在云端对物理实体建立几何模型用于对物理系统的几何描述和运动学描述；
[0029]步骤302、构建描述数字孪生体的行为及功能的功能模型来负责数字孪生体的功能和行为的管理；
[0030]步骤303、在边缘层对物理实体和数字孪生体之间的联系进行信息建模。<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种数字孪生驱动的多模型融合工业系统异常检测方法，其特征在于，该方法包括以下步骤：步骤一、基于数字孪生技术并结合多个软件对子系统级及设备构建物理模型并集成为统一的多领域系统数字孪生模型；步骤二、进行物理模型仿真并对多领域系统数字孪生模型进行迭代修改和仿真；步骤三、运用边缘计算技术在边缘层对物理实体和数字孪生体之间的联系进行信息建模；步骤四、收集工业系统运行过程中各类智能传感器产生的数据，并基于工业系统过往异常数据构建数据驱动的神经网络智能检测模型；步骤五、将步骤四中得到的数据作为样本，对步骤四中得到的数据在边缘层运用边缘计算进行降噪、实例选择、归一化、数据清洗及预处理并通过XGBoost算法处理样本不平衡问题；步骤六、引入阈值排序法对预测异常特征；步骤七、将步骤四中得到的数据传输到云平台并进行模型训练、迭代并更新参数，由多组数据集训练得到异常检测模型且异常检测模型由多个预测模型组成；步骤八、对工业系统中的子系统及设备的异常检测模型通过融合方法进行集成，并分配不同的权重，构成系统级的异常检测模型；步骤九、基于HybridAlgorithm融合算法，结合数字孪生模型及数据驱动的神经网络智能检测模型，以数字孪生模型作为空间状态设置并输入构建最终的异常检测模型；步骤十、在边缘层部署训练后的异常检测模型进行实时异常检测；步骤十一、对异常检测模型的输出设定评估机制；步骤十二、根据得到的异常检测结果执行相应的维护计划，并保存相应的异常数据到数据库作为更新优化模型的数据。2.按照权利要求1所述的数字孪生驱动的多模型融合工业系统异常检测方法，其特征在于：步骤一中所述对子系统级及设备构建的多领域系统数字孪生模型具体过程为：步骤101、采集由智能传感器提供的工业系统运转情况及工作条件数据作为模型的输入参数；步骤102、运用ANSYS、MWorks、Dymola和SimulationX软件对控制系统、物料系统、传动设备、生产器件子系统及设备进行建模仿真；步骤103、基于机械、热学、力学、自动化多领域专家知识及经验数据对仿真模型进行优化，并将各子系统及设备零部件的模型集成为多领域系统数字孪生模型。3.按照权利要求1所述的数字孪生驱动的多模型融合工业系统异常检测方法，其特征在于：步骤三中所述运用边缘计算技术在边缘层对物理实体和数字孪生体之间的实时交互和同步进行信息建模具体过程为：步骤3...
【专利技术属性】
技术研发人员：浦敏，
申请(专利权)人：苏州纽克斯电源技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。