【技术实现步骤摘要】
本专利技术涉及数字孪生，具体为基于数字孪生的高铁动车智能运维管理系统。
技术介绍
1、数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度的仿真过程，在虚拟空间中完成对物理实体的映射，从而反映物理实体的全生命周期过程，数字孪生是在数字世界建立一个与真实世界系统的运行性能完全一致，且可实现实时仿真的仿真模型，利用安装在真实系统上的传感器数据作为该仿真模型的边界条件，实现真实世界的系统与数字世界的系统同步运行，从本质上来看，数字孪生是一个对物理实体或流程的数字化镜像，创建数字孪生的过程，集成了人工智能、机器学习和传感器数据，以建立一个可以实时更新的、现场感极强的“真实”模型，用来支撑物理产品生命周期各项活动的决策。
2、例如中国专利公开了一种基于数字孪生的智能运维管理系统，申请号：cn116545110a，具体包括：建模比例确定模块；运行状态确定模块；数量阈值确定模块；数字孪生模型输出模块；其中建模比例确定模块负责基于历史故障数据和基础建模比例确定建模比例；运行状态确定模块负责基于实时运行数据确定是否存在故障；数量阈值确定模块负责通过电气设备的建模比例、体积、重要监测的组成部件的数量进行数量阈值的确定；数字孪生模型输出模块负责按照所述电气设备的建模比例进行所述电气设备的数字孪生模型的生成，并以数量阈值为约束，基于筛选数据进行电气设备的数字孪生模型的数据标签的生成，从而保证了数字孪生模型的运维的直观性和针对性。
3、虽然上述方案具有如上的优势，然而传统的高铁动车智能运维管理系统通
技术实现思路
1、针对现有技术的不足，本专利技术提供了基于数字孪生的高铁动车智能运维管理系统，解决现有技术中存在的静态维护方式缺乏对动车实时状态的深度监测，无法涵盖复杂多变的运行环境的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：
3、本专利技术提供了基于数字孪生的高铁动车智能运维管理系统，包括：
4、智能环境感知模块，沿高铁动车线路部署传感器和气象监测器，基于部署的传感器和气象监测器进行环境感知，气象监测器用于实时气象数据，所述智能环境感知模块包括传感器数据采集模块、气象数据接口模块、环境感知算法模块，所述传感器数据采集模块，用于实时获取动车周围环境信息，所述气象数据接口模块，用于获取实时天气数据，所述环境感知算法模块，基于环境感知算法将动车周围环境信息和天气数据对动车环境进行感知；
5、实时预测性调度系统，通过故障预测模型使用预测性算法结合实时数据对动车可能的故障进行预测，所述实时预测性调度系统包括数据预处理模块、预测性算法模块、实时数据集成模块，所述数据预处理模块，用于清洗和归一化实时数据，所述预测性算法模块，基于清洗后的数据进行模型训练与预测，所述实时数据集成模块，将预测结果融入实时运行数据；
6、隐性风险监测模块，通过数字孪生技术实时监测动车运行路线上的隐性风险，并通过预测性维护提前采取措施预防潜在的风险，所述隐性风险监测模块包括数字孪生模型构建模块、隐性风险监测算法模块、预防性维护策略模块，所述数字孪生模型构建模块用于构建真实动车的数字化模型，所述隐性风险监测算法模块在数字孪生模型基础上实时监测风险，所述预防性维护策略模块通过监测结果制定预防性维护计划；
7、隐性风险强化模块，进行多因素交互模拟，在虚拟化测试中加强多因素交互模拟，包括天气、隧道、路线环境，所述隐性风险强化模块内置多因素交互模拟引擎，包括虚拟环境构建模块和模拟数据生成模块，多因素交互模拟引擎负责模拟多因素的交互，虚拟环境构建模块提供真实场景的虚拟化环境，模拟数据生成模块生成模拟数据供系统测试；
8、结果输出系统，基于智能环境感知模块所提供的实时路线监控，将路线上风险因素与动车的实际运行状态相结合，所述结果输出系统包括实时数据监控模块和风险预警算法模块，所述实时数据监控模块用于采集动车实时数据，风险预警算法模块采用预测性分析算法基于监控数据进行风险预测，然后向运维人员提供实时监控与预警信息。
9、本专利技术进一步地设置为：所述环境感知算法模块中，对动车环境进行感知步骤包括：
10、基于传感器和气象监测器获取的环境信息，对其进行定义，包括温度t、湿度h、振动v传感器数据，此处按需进行额外的传感器数据定义；
11、将动车周围环境信息和天气数据进行融合，构建全局特征向量：；
12、将全局特征向量作为输入层数据，采用多个卷积核进行特征提取，保留空间结构信息，卷积层：，表示卷积操作，分别为卷积核的权重和偏置，为激活函数，使用修正线性单元；
13、使用池化层减小特征图的尺寸，保留关键信息，池化层：，表示最大池化操作，为卷积输出；
14、将池化后的特征图连接到全连接层，进行高层次的抽象表示，输出动车环境的感知结果；
15、本专利技术进一步地设置为：所述智能环境感知模块，采用机器学习算法对历史数据进行深度学习，使用使用历史数据进行训练，采用决策优化算法基于深度学习模型进行实时的深度学习模型训练，然后将新的实时的运行数据纳入模型更新；
16、本专利技术进一步地设置为：所述智能环境感知模块，进行模型数据更新方法为：
17、收集动车运行过去的历史数据，包括环境信息、运行状态、维护记录：
18、，其中表示包含n个样本的数据集，表示第n次运行的特征数据，表示对应的环境感知结果，即模型在第n次运行时预测的结果；
19、采用lstm模型进行模型训练；
20、定义损失函数用于衡量模型预测结果与实际环境感知结果差距；
21、采用随机梯度下降sgd算法使用历史数据进行模型参数迭代更新，然后使用新的实时数据，基于已经更新的lstm模型参数进行实时的模型训练和更新；
22、本专利技术进一步地设置为：所述实时预测性调度系统中，故障预测模型建立步骤包括：
23、收集包含列车历史运行数据和故障标签的数据集，，其中，是历史时刻的特征向量，包括传感器测量、环境数据，而是对应的故障标签；
24、对历史数据进行清洗，处理缺失值和异常值，并将数据进行归一化：，其中表示第n个特征，而和分别是第n个特征的均值和标准差；
25、采用lstm作为模型结构进行模型建立，定义模型结构：，单元通过输入和前一时刻的隐藏状态更新当前时刻的隐藏状态，其中是时刻t的输入，是隐藏状态，为模型输出，通过全连接层计算得到输出；
26本文档来自技高网...
【技术保护点】
1.基于数字孪生的高铁动车智能运维管理系统，其特征在于，包括：
2.根据权利要求1所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于，所述环境感知算法模块中，对动车环境进行感知步骤包括：
3.根据权利要求2所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于，所述智能环境感知模块，采用机器学习算法对历史数据进行深度学习，使用使用历史数据进行训练，采用决策优化算法基于深度学习模型进行实时的深度学习模型训练，然后将新的实时的运行数据纳入模型更新。
4.根据权利要求3所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于，所述智能环境感知模块，进行模型数据更新方法为：
5.根据权利要求4所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于，所述实时预测性调度系统中，故障预测模型建立步骤包括：
6.根据权利要求5所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于，所述实时预测性调度系统中，对动车可能的故障进行预测方法为：
7.根据权利要求6所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于
8.根据权利要求7所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于，所述隐性风险监测模块，进行动态计划，根据动车的实际状况和环境变化来调整维护计划，隐性风险监测模块通过分析动车实时状况，然后基于分析结果进行计划优化，再实施动态调整后的维护计划。
9.根据权利要求8所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于，所述隐性风险监测模块还通过增强现实技术，提供实时的、可视化的维修指导，所述隐性风险监测模块内置故障诊断系统，所述故障诊断系统包括维修方案生成模块和增强现实界面模块，所述故障诊断系统识别动车实际故障，维修方案生成模块基于诊断结果提供最优维修方案，增强现实界面模块将维修指导以可视化形式呈现给维修人员。
10.根据权利要求9所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于，所述隐形风险强化模块中，多因素交互模拟步骤包括：
...【技术特征摘要】
1.基于数字孪生的高铁动车智能运维管理系统，其特征在于，包括：
2.根据权利要求1所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于，所述环境感知算法模块中，对动车环境进行感知步骤包括：
3.根据权利要求2所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于，所述智能环境感知模块，采用机器学习算法对历史数据进行深度学习，使用使用历史数据进行训练，采用决策优化算法基于深度学习模型进行实时的深度学习模型训练，然后将新的实时的运行数据纳入模型更新。
4.根据权利要求3所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于，所述智能环境感知模块，进行模型数据更新方法为：
5.根据权利要求4所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于，所述实时预测性调度系统中，故障预测模型建立步骤包括：
6.根据权利要求5所述的基于数字孪生的高铁动车智能运维管理系统，其特征在于，所述实时预测性调度系统中，对动车可能的故障进行预测方法为：
7.根据...
【专利技术属性】
技术研发人员：李广东，
申请(专利权)人：北京中瀚润淇科技有限公司，
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。