【技术实现步骤摘要】
本专利技术属于物联网领域。
技术介绍
1、工业物联网通过物联网设备将不同的工业设备连接，加深了不同设备之间以及设备与工人之间的联系。随着设备的不断增多，确保工业设备的稳定运行变得愈发重要。随着工业物联网的快速发展，各种工业设备的联系变得更加紧密，数字化转型成为一种趋势。作为工业物联网中的重要一环，电力系统随着各种用电设备的增加，以及新能源的快速发展，正变得越来越复杂，这阻碍了数字孪生的建立。数据驱动的学习模型作为一种有前途的范例，可以通过神经网络的学习能力来解决建立数字孪生的问题。
2、目前，已有一些工作聚焦于使用神经网络建立数字孪生，其目的都是通过数字孪生分析并反映物理实体的状态，但仍然是有限的。因此，数字孪生可以在虚拟环境中实现实时监控、操作和优化。多尺度数字孪生质量知识模型被研究，为基于数字孪生的决策提供数据支持。为了提升光伏太阳能农场的效率，zohdi将基于基因组的机器学习算法与数字孪生相结合。然而，虽然通过神经网络可以建立数字孪生，但数字孪生的性能依赖于充足的数据来训练模型，在工业物联网中，一些设备处于复杂的工作环...
【技术保护点】
1.面向工业物联网的数字孪生建模方法，其特征在于，包括：
2.根据权利要求1所述的面向工业物联网的数字孪生建模方法，其特征在于，所述数字孪生模型的损失函数L(θf,θy,θd)表达式为：
3.根据权利要求2所述的面向工业物联网的数字孪生建模方法，其特征在于，所述特征提取器、回归预测器和领域分类器的权重参数θf、θy和θd的更新表达式如下：
4.根据权利要求2所述的面向工业物联网的数字孪生建模方法，其特征在于，所述领域分类器还包括梯度反转层，所述梯度反转层用于在特征提取器和领域分类器之间同时实现回归损失和交叉熵损失的最小化。
<...【技术特征摘要】
1.面向工业物联网的数字孪生建模方法，其特征在于，包括：
2.根据权利要求1所述的面向工业物联网的数字孪生建模方法，其特征在于，所述数字孪生模型的损失函数l(θf,θy,θd)表达式为：
3.根据权利要求2所述的面向工业物联网的数字孪生建模方法，其特征在于，所述特征提取器、回归预测器和领域分类器的权重参数θf、θy和θd的更新表达式如下：
4.根据权利要求2所述的面向工业物联网的数字孪生建模方法，其特征在于，所述领域分类器还包括梯度反转层，所述梯度反转层用于在特征提取器和领域分类器之间同时实现回归损失和交叉熵损失的最小化。
5.根据权利要求4所述的面向工业物联网的数字孪生建模方法，其特征在于，所述...
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。