一种基于数字孪生的化工车间现场数据采集方法技术

本发明专利技术公开一种基于数字孪生的化工车间现场数据采集方法，涉及人工智能、虚拟现实、物联网结合技术领域，包括：建立现实空间和虚拟空间的映射关系；在化工车间设置气体浓度传感器，采集气体浓度的时序数值；将虚拟空间划分为多个子空间；建立气体浓度的风险模型；通过学习得到代价函数；迭代计算风险模型，得到学习后的风险模型；计算子空间上存在风险的概率；当某一子空间上存在风险的概率大于剩余子空间上存在风险的概率时，将该子空间作为风险源，并标注该子空间。本发明专利技术根据现场空间数据、气体浓度数据建立虚拟空间，并建立相应的风险模型，采用神经网络方法分析现场不同位置存在风险源的概率，并将高概率风险点位在虚拟空间中标注警示。中标注警示。中标注警示。

【技术实现步骤摘要】
一种基于数字孪生的化工车间现场数据采集方法


[0001]本专利技术涉及人工智能、虚拟现实、物联网结合
，具体而言，涉及一种基于数字孪生的化工车间现场数据采集方法。

技术介绍

[0002]数字孪生是在虚拟域构建模型与物理域实体相对应，从而仿真和描述物理域中实体的状态的新技术，正在被广泛用于各行业智能制造。数字孪生的基础是数据采集，通过将真实环境中与生产相关的信息通过传感器等采集设备转换成电信号，再进一步采样成数据用于分析、存储，从而实现将客观物理世界虚拟化、数字化的过程。数据采集是数字孪生的基石，采集的完整性、准确性、实时性决定了数字孪生应用效果。
[0003]基于数字孪生的生产数据采集近年来获得广泛关注，在化工、机械、电力、交通等关键行业得到研究和应用。基于数字孪生的生产数据采集的关键在于采集、处理和虚拟化。在采集方面，基于大规模传感器采集现场数据，实现数据源的高效获取；在处理方面，建立数据处理模型，对大规模数据建模并生成具有现实意义的抽象实体；在虚拟化方面，采用相关技术对抽象实体作展示，从而让使用人可以直观感受到物理域的现实状况，做出决策。
[0004]对安全的监控是化工生产的基本需求。通过数字孪生进行化工生产安全监控可以将抽象的监控内容和监控对象具体化，让监控人员更加直观的了解化工生产现场的状况，提高安全监控的效率和效果。将采集气体浓度等的传感器分布安装在化工车间的现场，每个传感器采集到的数据反映了车间现场小范围的状态。然而上述各传感器产生的数据是互相隔离的，必须采用一定方法将来源于不同传感器的数据进行综合，才可能全面的反应现场状态。还有一些采用摄像机的采集方法，例如专利技术专利CN110334701A，提供了一种数字孪生环境下基于深度学习和多目视觉的数据采集方法，虽然能够捕捉更大范围内的现场状态，然而无法捕捉气体浓度这类不可见的关键数据。

技术实现思路

[0005]本专利技术提供一种基于数字孪生的化工车间现场数据采集方法，用以克服现有技术中存在的至少一个技术问题。
[0006]本专利技术实施例提供一种基于数字孪生的化工车间现场数据采集方法，包括：建立化工车间的现实空间和虚拟空间的映射关系；在化工车间现场的不同位置设置多个气体浓度传感器；利用所述气体浓度传感器以预定采样率，采集气体浓度的时序数值；将所述虚拟空间划分为多个子空间，得到所述气体浓度传感器的现实坐标与所述子空间的线性关联；每个所述子空间有唯一的标识，表示不同子空间在三个坐标轴上的序号；将所述气体浓度传感器的现实空间坐标和所述气体浓度的时序数值作为输入，定
义输出为，建立气体浓度的风险模型；其中，表示节点；所述气体浓度的风险模型包括第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层和第五隐藏层，第一隐藏层为，表示隐藏层的节点，表示共享的线性权值连接，为线性偏置参数，s表示传感器编号，表示向量维度，表示非线性函数，定义为，为参数，表示实数域；第二隐藏层为，表示第一隐藏层中与传感器对应的节点，为相应的线性权值连接，t表示时间，为线性偏置参数，表示向量维数；第三隐藏层为，、表示传感器的现实空间坐标，是输入层中的节点，、、为相应的连接，为线性偏置参数；第四隐藏层为，、是与节点、的连接，为线性偏置参数，表示向量维数；第五隐藏层为，是节点与隐藏层节点的连接，为线性偏置参数；通过对所述风险模型学习，得到所述风险模型的代价函数；利用所述代价函数迭代计算所述风险模型，得到学习后的风险模型；所述气体浓度传感器采集气体浓度的时序数值，将所述时序数值和所述气体浓度传感器的现实空间坐标输入所述学习后的风险模型，所述学习后的风险模型依次计算所述气体浓度传感器对应的所述子空间上存在风险的概率；当某一所述子空间上存在风险的概率大于剩余子空间上存在风险的概率时，将该子空间作为风险源，并在所述虚拟空间中标注该子空间。
[0007]可选地，所述建立化工车间的现实空间和虚拟空间的映射关系，具体为：在所述化工车间的现实空间设置摄像机，利用所述摄像机采集图像，根据所述图像，获取目标点在所述现实空间的坐标；
通过计算机建立虚拟空间，在所述虚拟空间中设置与目标点对应的映射点；根据所述映射点在所述虚拟空间下的坐标和所述目标点在所述现实空间下的坐标，得到所述虚拟空间和所述现实空间的映射关系。
[0008]可选地，根据所述图像，获取目标点在所述现实空间的坐标，具体为：标定所述摄像机的内参数矩阵和外参数矩阵，根据摄像机成像的线性模型，得到目标点在所述现实空间的坐标；其中，表示图像齐次坐标，表示目标点的世界齐次坐标，表示摄像机的内参数矩阵，表示摄像机的外参数矩阵，为线性标定参数。
[0009]本专利技术实施例的创新点包括：1、本实施例中，利用摄像机搭载的光学传感器采集现场场景，利用三维重建技术建立现场场景在虚拟空间中的映射，恢复现场目标的位置、纹理等关键信息，作为构建化工车间虚拟空间的基础，是本专利技术实施例的创新点之一。
[0010]2、本实施例中，通过布置在现场不同位置的若干气体浓度传感器采集数据，每个位置安装独立的感应特定气体浓度的传感器，并记录传感器在现实空间的位置坐标，用于在现实空间中实施定位，通过建立大规模传感器集合实现在虚拟空间中展示风险点位，是本专利技术实施例的创新点之一。
[0011]3、本实施例中，根据现场空间数据、气体浓度数据建立虚拟空间，并建立相应的风险模型，采用神经网络方法分析现场不同位置存在风险源的概率，并将高概率风险点位在虚拟空间中标注警示，是本专利技术实施例的创新点之一。
[0012]4、本实施例中，定义输出层和各个隐藏层，通过神经网络建立得到的风险模型的结构，是本专利技术实施例的创新点之一。
附图说明
[0013]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0014]图1为本专利技术实施例提供的数据采集方法的一种流程图；图2为本专利技术实施例提供的风险模型示意图；图3为本专利技术实施例提供的虚拟空间和子空间示意图；图4为本专利技术实施例提供的现实空间和虚拟空间映射关系的一种流程图。
具体实施方式
[0015]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于
本专利技术中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0016]需要说明的是，本专利技术实施例及附图中的术语
ꢀ“
包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。<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的化工车间现场数据采集方法，其特征在于，包括：建立化工车间的现实空间和虚拟空间的映射关系；在化工车间现场的不同位置设置多个气体浓度传感器；利用所述气体浓度传感器以预定采样率，采集气体浓度的时序数值；将所述虚拟空间划分为多个子空间，得到所述气体浓度传感器的现实坐标与所述子空间的线性关联；每个所述子空间有唯一的标识，表示不同子空间在三个坐标轴上的序号；将所述气体浓度传感器的现实空间坐标和所述气体浓度的时序数值作为输入，定义输出为，建立气体浓度的风险模型；其中，表示节点；所述气体浓度的风险模型包括第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层和第五隐藏层，第一隐藏层为，表示隐藏层的节点，表示共享的线性权值连接，为线性偏置参数，s表示传感器编号，表示向量维度，表示非线性函数，定义为，为参数，表示实数域；第二隐藏层为，表示第一隐藏层中与传感器对应的节点，为相应的线性权值连接，t表示时间，为线性偏置参数，表示向量维数；第三隐藏层为，、表示传感器的现实空间坐标，是输入层中的节点，、、为相应的连接，为线性偏置参数；第四隐藏层为，、是与节点、的连接，为线性偏置参数，表示向量维数；第五隐藏层为，是节点与隐藏层节点的连接，为线性偏置参数；通过对所述风险模型学习，得到所述风险模型的代价函数；利用所述代价函数迭代计算所述风...

【专利技术属性】
技术研发人员：王延敦，秦云松，王岩，宋博，
申请(专利权)人：北京中环高科环境治理有限公司，
类型：发明
国别省市：