CN119511869A - 一种基于数字孪生技术的智能监测调节方法、系统及设备 - Google Patents
一种基于数字孪生技术的智能监测调节方法、系统及设备 Download PDFInfo
- Publication number
- CN119511869A CN119511869A CN202411632737.5A CN202411632737A CN119511869A CN 119511869 A CN119511869 A CN 119511869A CN 202411632737 A CN202411632737 A CN 202411632737A CN 119511869 A CN119511869 A CN 119511869A
- Authority
- CN
- China
- Prior art keywords
- data
- fault prediction
- digital twin
- monitoring
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005516 engineering process Methods 0.000 title claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 12
- 239000000243 solution Substances 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009958 sewing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于数字孪生技术领域，具体涉及一种基于数字孪生技术的智能监测调节方法、系统及设备，旨在解决现有技术无法对生产设备进行高效、精准的故障预测以及难以准确定位故障位置，影响维修效率的问题。本发明方法包括：获取待监测生产设备的运行状态数据、工况数据及环境条件数据，作为输入数据；对输入数据预处理，构建数字孪生体模型；通过数字孪生体模型实时监测，获取监测数据；基于监测数据，通过自适应阈值故障预测方法进行故障预测，得到故障预测结果；数字孪生体模型根据故障预测结果进行实景模拟，定位故障位置，并警报给监控人员。本发明实现了对生产设备高效、精准的故障预测，并提高了故障位置定位的准确性，提升了维修效率。
Description
技术领域
本发明属于数字孪生技术领域，具体涉及一种基于数字孪生技术的智能监测调节方法、系统及设备。
背景技术
在特种劳动防护用品和劳动保护用品的生产过程中，生产设备的稳定运行至关重要。这些设备通常包括缝纫机、注塑机、切割机等，它们的正常运行直接影响产品的质量和生产效率。传统的监测方法主要依赖于人工巡检和固定阈值报警，存在以下几方面的局限性：1)响应慢：人工巡检周期长，无法实时监测设备状态，可能导致故障未能及时发现，进而影响生产进度；2)精度低：固定阈值报警方法基于预先设定的阈值，无法适应设备运行状态的变化，容易产生误报或漏报，降低了故障检测的准确性；3)无法实时监测：传统方法无法实现连续、实时的监测，难以捕捉到瞬时的异常情况，增加了故障风险；4)数据处理能力有限：传统方法对大量多源数据的处理能力不足，难以实现高效的数据预处理和特征提取，限制了故障预测的精度和可靠性；5)故障定位不精确：传统方法难以准确定位故障位置，维修人员需要花费大量时间查找故障原因，影响维修效率和生产恢复速度；
数字孪生技术通过构建虚拟模型，实时反映物理设备的状态，可以实现更精准的监测和预测。数字孪生体模型能够集成多源数据，进行实时分析和模拟，为故障预测和维护提供了新的解决方案。然而，现有的数字孪生技术在故障预测方面仍存在以下不足：1)现有的数字孪生模型往往采用固定的阈值或简单的规则进行故障检测，无法根据设备的实际运行状态进行动态调整，容易产生误报或漏报；2)虽然数字孪生技术可以模拟设备的运行状态，但难以精确地识别故障发生的部位和原因，影响维修效率和生产恢复速度。
因此，亟需一种基于数字孪生技术的智能监测调节方法，能够克服上述不足，提高故障预测的精度和可靠性，提升生产效率和设备可靠性。
发明内容
为了解决现有技术中的上述问题，即为了解决现有技术无法对生产设备进行高效、精准的故障预测以及难以准确定位故障位置，影响维修效率的问题，本发明第一方面，提出了一种基于数字孪生技术的智能监测调节方法，该方法包括：
S10，获取待监测生产设备的运行状态数据、工况数据以及环境条件数据，作为输入数据；
S20，对所述输入数据进行预处理，得到预处理数据；根据所述预处理数据，构建所述待监测生产设备的数字孪生体模型；
S30，通过所述数字孪生体模型对所述待监测生产设备进行实时监测，获取监测数据；
S40，基于所述监测数据，通过预构建的自适应阈值故障预测方法进行故障预测，得到故障预测结果；
S50，所述数字孪生体模型根据所述故障预测结果进行实景模拟，定位故障位置，并警报给监控人员。
在一些优选的实施方式中，所述预处理包括：去除异常值、缺失值、数据转换以及标准化处理。
在一些优选的实施方式中，基于所述监测数据，通过预构建的自适应阈值故障预测方法进行故障预测，得到故障预测结果，其方法为：
提取所述监测数据中各模态数据的特征；所述模态数据包括温度数据、震动数据、电流数据；
根据各模态数据的均值、标准差，计算各模态数据的自适应阈值；
将不同模态数据对应的特征进行加权融合，得到多模态数据特征；
将各模态数据的自适应阈值进行加权融合，得到综合自适应阈值；
将所述综合自适应阈值与所述多模态数据特征比对，若所述多模态数据特征大于所述综合自适应阈值，则将所述多模态数据特征输入训练好的故障预测模型，得到故障预测结果。
在一些优选的实施方式中，根据各模态数据的均值、标准差，计算各模态数据的自适应阈值，其方法为：
其中，Ti(t)表示第i种模态数据在时间t的自适应阈值，μi(t)是第i种模态数据在时间t的均值，σi(t)是标准差，k表示可调参数，用于控制阈值的敏感度，α、β表示权重系数，分别用于考虑均值的一阶导数和二阶导数。
在一些优选的实施方式中，将不同模态数据对应的第二特征进行加权融合，得到多模态数据特征，其方法为：
其中，F(t)表示在时间t的多模态数据特征，N表示模态的数量，wi是第i种模态的权重，fi(t)是第i种模态的特征值，γi、δi表示权重系数，分别用于考虑特征值的一阶导数和二阶导数。
在一些优选的实施方式中，所述故障预测模型基于深度神经网络构建。
在一些优选的实施方式中，所述故障预测模型包括依次连接的输入层、嵌入层、残差块、输出层；
所述输入层，用于输入多模态数据特征；
所述嵌入层，用于对所述多模态数据特征进行线性变换；
所述残差块包括两个全连接层，一个残差连接和一个层归一化；所述第一全连接层的输入为所述嵌入层的输出；所述第二个全连接层的输入为所述第一个全连接层的输出；
所述第一个全连接层的输出与所述第二个全连接层的输出进行残差连接，加和后的输出进行层归一化，然后输入所述输出层；
所述输出层对输入的特征进行线性变换、激活函数处理，得到最终的故障预测结果。
在一些优选的实施方式中，所述故障预测模型在训练过程中采用交叉熵损失函数。
本发明的第二方面，提出了一种基于数字孪生技术的智能监测调节系统，该系统包括：
数据获取模块，配置为获取待监测生产设备的运行状态数据、工况数据以及环境条件数据，作为输入数据；
孪生体构建模块，配置为对所述输入数据进行预处理，得到预处理数据；根据所述预处理数据，构建所述待监测生产设备的数字孪生体模型；
监测模块，配置为通过所述数字孪生体模型对所述待监测生产设备进行实时监测，获取监测数据；
故障预测模块，配置为基于所述监测数据，通过预构建的自适应阈值故障预测方法进行故障预测，得到故障预测结果；
警报模块，配置为所述数字孪生体模型根据所述故障预测结果进行实景模拟，定位故障位置，并警报给监控人员。
本发明的第三方面，提出了一种基于数字孪生技术的智能监测调节设备，包括：
至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的一种基于数字孪生技术的智能监测调节方法。
本发明的有益效果：
本发明实现了对生产设备高效、精准的故障预测，并提高了故障位置定位的准确性，提升了维修效率。
1)本发明通过数字孪生体模型实时监测设备状态，结合自适应阈值和深度神经网络，提高了故障预测的精度；通过智能化监测和故障预测，提前发现和处理潜在故障，提高生产效率和产品质量；精确的故障定位和快速的维修响应，减少了维修时间和成本，提高了设备的可靠性
2)本发明通过自适应阈值方法动态调整阈值，适应设备运行状态的变化，减少误报和漏报；
3)本发明通过多种方式实时发送故障警报，确保监控人员能够及时响应，减少设备停机时间。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的一种基于数字孪生技术的智能监测调节方法的流程示意图；
图2是本发明一种实施例的特种劳动防护用品生产车间的示例图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明第一实施例的一种基于数字孪生技术的智能监测调节方法，如图1所示，包括以下步骤：
S10，获取待监测生产设备的运行状态数据、工况数据以及环境条件数据，作为输入数据；
S20，对所述输入数据进行预处理，得到预处理数据；根据所述预处理数据，构建所述待监测生产设备的数字孪生体模型；
S30，通过所述数字孪生体模型对所述待监测生产设备进行实时监测，获取监测数据；
S40，基于所述监测数据，通过预构建的自适应阈值故障预测方法进行故障预测，得到故障预测结果；
S50，所述数字孪生体模型根据所述故障预测结果进行实景模拟，定位故障位置，并警报给监控人员。
为了更清晰地对本发明一种基于数字孪生技术的智能监测调节方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
在特种劳动防护用品及劳动保护用品的生产过程中，设备故障不仅会导致生产中断，增加维修成本，还可能影响产品质量，甚至造成安全隐患。因此，及时准确地预测潜在故障并采取预防措施至关重要。基于此。本发明提出了一种基于数字孪生技术的智能监测调节方法，通过数字孪生技术结合机器学习算法，可以从大量历史数据中学习模式，识别出可能导致故障的早期迹象，从而实现故障的提前预警。具体过程如下：
S10，获取待监测生产设备的运行状态数据、工况数据以及环境条件数据，作为输入数据；
在本实施例中，在特种劳动防护用品生产车间(如图2所示)，通过安装各种传感器收集运行状态数据、工况数据以及环境条件数据，实时传输到监测系统。其中，运行状态数据包括设备的温度、振动、电流、声音等传感器数据；工况数据包括设备的工作模式、负载情况、运行时间等；环境条件数据包括车间的温度、湿度、气压等环境参数。
S20，对所述输入数据进行预处理，得到预处理数据；根据所述预处理数据，构建所述待监测生产设备的数字孪生体模型；
在本实施例中，预处理包括：去除异常值(优选通过滤波算法)、缺失值(通过统计方法)、数据转换以及标准化处理。预处理均为现有技术，此处不再赘述。
利用预处理后的数据，利用Unity或Simulink等软件构建设备的虚拟模型，即数字孪生体模型，包括各个部件和传感器位置，能够实时反映设备的实际运行状态。
S30，通过所述数字孪生体模型对所述待监测生产设备进行实时监测，获取监测数据；
在本实施例中，通过数字孪生体模型实时模拟设备的运行状态(即各项指标，如温度曲线、振动频谱等)，获取监测数据。
S40，基于所述监测数据，通过预构建的自适应阈值故障预测方法进行故障预测，得到故障预测结果；
在传统的故障预测方法中，阈值通常是静态设定的，这可能导致在不同工况下预测性能的下降。此外，单一模态的数据往往无法全面反映设备的健康状态。本实施例提出了一种自适应阈值多模态故障预测算法，通过动态调整阈值和融合多种传感器数据，提高故障预测的准确性和鲁棒性。具体如下：
S41，利用常用的特征提取模型提取所述监测数据中各模态数据的特征；模态数据包括温度数据、震动数据、电流数据；各模态数据的特征包括：温度数据：平均值、标准差、峰值；振动数据：频谱特征、均方根值、峭度；电流数据：峰值、均方根值、谐波失真等。
S42，引入自适应阈值设定机制，根据当前工况动态调整阈值，通过动态调整阈值，适应不同的工况，提高故障预测的准确性，即根据各模态数据的均值、标准差，计算各模态数据的自适应阈值；
其中，Tu(t)表示第i种模态数据在时间t的自适应阈值，iu(t)是第i种模态数据在时间t的均值，σi(t)是标准差，k表示可调参数，用于控制阈值的敏感度，α、β表示权重系数，分别用于考虑均值的一阶导数和二阶导数。
S43，将不同模态数据对应的特征进行加权融合，得到多模态数据特征，通过加权融合不同模态的数据，突出重要特征，提高预测性能；
其中，F(t)表示在时间t的多模态数据特征，D表示模态的数量，wi是第i种模态的权重，fi(t)是第i种模态的特征值，γi、δi表示权重系数，分别用于考虑特征值的一阶导数和二阶导数，即在自适应阈值和多模态数据融合中引入一阶和二阶导数项，更好地捕捉数据的动态变化。
S44，将各模态数据的自适应阈值进行加权融合，得到综合自适应阈值；
S44，将所述综合自适应阈值与所述多模态数据特征比对，若所述多模态数据特征大于所述综合自适应阈值，则将所述多模态数据特征输入训练好的故障预测模型，得到故障预测结果。
在本发明中，将综合自适应阈值与多模态数据特征比对，多模态数据特征大于综合自适应阈值，则初步判断可能存在异常或潜在故障。通过自适应阈值比对，可以初步筛选出可能存在故障的情况。但这只是一个初步的判断，因为阈值比对可能会产生误报或漏报。为了提高故障预测的准确性和可靠性，引入故障预测模型。故障预测模型通过学习历史数据中的复杂模式，可以更准确地判断设备是否真的存在故障。
本发明中，故障预测模型基于深度神经网络构建；故障预测模型包括依次连接的输入层、嵌入层、残差块、输出层；
输入层，用于输入多模态数据特征，并传递给嵌入层；
嵌入层，用于对所述多模态数据特征进行线性变换(即权重矩阵乘法)，输出维度128；
残差块包括两个全连接层，一个残差连接和一个层归一化；
第一全连接层的输入为嵌入层的输出；即对输入特征为x，则先进行线性变换y1＝W1x+b1；然后对y1进行激活函数处理，最后进行正则化处理；
第二个全连接层的输入为第一个全连接层的输出；处理过程和第一个全连基层相似，此处不在赘述。
第一个全连接层的输出与第二个全连接层的输出进行残差连接，加和后的输出进行层归一化，然后输入所述输出层；
输出层对输入的特征进行线性变换(即全连接层)、激活函数(将输出转换为概率值，表示属于故障类别的概率，最终结果可以为二分类，也可以为多分类)处理，得到最终的故障预测结果。
另外，故障预测模型在训练过程中采用交叉熵损失函数。
S50，所述数字孪生体模型根据所述故障预测结果进行实景模拟，定位故障位置，并警报给监控人员。
在本实施例中，根据故障预测结果，数字孪生体模型进行实景模拟，显示故障发生的位置和可能的原因。通过模拟结果，精确定位故障位置，将故障信息通过短信、邮件或移动应用等方式发送给监控人员，提高维修效率。
综上，本发明通过数字孪生体模型实时监测设备状态，结合自适应阈值和深度神经网络，工厂能够显著提高故障预测的准确性和鲁棒性，从而提高生产效率和产品质量，减少维修成本和停机时间。
本发明第二实施例的一种基于数字孪生技术的智能监测调节系统，该系统包括：
数据获取模块，配置为获取待监测生产设备的运行状态数据、工况数据以及环境条件数据，作为输入数据；
孪生体构建模块，配置为对所述输入数据进行预处理，得到预处理数据；根据所述预处理数据，构建所述待监测生产设备的数字孪生体模型；
监测模块，配置为通过所述数字孪生体模型对所述待监测生产设备进行实时监测，获取监测数据；
故障预测模块，配置为基于所述监测数据，通过预构建的自适应阈值故障预测方法进行故障预测，得到故障预测结果；
警报模块，配置为所述数字孪生体模型根据所述故障预测结果进行实景模拟，定位故障位置，并警报给监控人员。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统的具体的工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的一种基于数字孪生技术的智能监测调节系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种基于数字孪生技术的智能监测调节设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的一种基于数字孪生技术的智能监测调节方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的一种基于数字孪生技术的智能监测调节方法。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的一种基于数字孪生技术的智能监测调节设备、计算机可读存储介质的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于数字孪生技术的智能监测调节方法，其特征在于，该方法包括以下步骤：
S10，获取待监测生产设备的运行状态数据、工况数据以及环境条件数据，作为输入数据；
S20，对所述输入数据进行预处理，得到预处理数据；根据所述预处理数据，构建所述待监测生产设备的数字孪生体模型；
S30，通过所述数字孪生体模型对所述待监测生产设备进行实时监测，获取监测数据；
S40，基于所述监测数据，通过预构建的自适应阈值故障预测方法进行故障预测，得到故障预测结果；
S50，所述数字孪生体模型根据所述故障预测结果进行实景模拟，定位故障位置，并警报给监控人员。
2.根据权利要求1所述的一种基于数字孪生技术的智能监测调节方法，其特征在于，所述预处理包括：去除异常值、缺失值、数据转换以及标准化处理。
3.根据权利要求2所述的一种基于数字孪生技术的智能监测调节方法，其特征在于，基于所述监测数据，通过预构建的自适应阈值故障预测方法进行故障预测，得到故障预测结果，其方法为：
提取所述监测数据中各模态数据的特征；所述模态数据包括温度数据、震动数据、电流数据；
根据各模态数据的均值、标准差，计算各模态数据的自适应阈值；
将不同模态数据对应的特征进行加权融合，得到多模态数据特征；
将各模态数据的自适应阈值进行加权融合，得到综合自适应阈值；
将所述综合自适应阈值与所述多模态数据特征比对，若所述多模态数据特征大于所述综合自适应阈值，则将所述多模态数据特征输入训练好的故障预测模型，得到故障预测结果。
4.根据权利要求3所述的一种基于数字孪生技术的智能监测调节方法，其特征在于，根据各模态数据的均值、标准差，计算各模态数据的自适应阈值，其方法为：
其中，Ti(t)表示第i种模态数据在时间t的自适应阈值，μi(t)是第i种模态数据在时间t的均值，σi(t)是标准差，k表示可调参数，用于控制阈值的敏感度，α、β表示权重系数，分别用于考虑均值的一阶导数和二阶导数。
5.根据权利要求3所述的一种基于数字孪生技术的智能监测调节方法，其特征在于，将不同模态数据对应的第二特征进行加权融合，得到多模态数据特征，其方法为：
其中，F(t)表示在时间t的多模态数据特征，N表示模态的数量，wi是第i种模态的权重，fi(t)是第i种模态的特征值，γi、δi表示权重系数，分别用于考虑特征值的一阶导数和二阶导数。
6.根据权利要求3所述的一种基于数字孪生技术的智能监测调节方法，其特征在于，所述故障预测模型基于深度神经网络构建。
7.根据权利要求6所述的一种基于数字孪生技术的智能监测调节方法，其特征在于，所述故障预测模型包括依次连接的输入层、嵌入层、残差块、输出层；
所述输入层，用于输入多模态数据特征；
所述嵌入层，用于对所述多模态数据特征进行线性变换；
所述残差块包括两个全连接层，一个残差连接和一个层归一化；所述第一全连接层的输入为所述嵌入层的输出；所述第二个全连接层的输入为所述第一个全连接层的输出；
所述第一个全连接层的输出与所述第二个全连接层的输出进行残差连接，加和后的输出进行层归一化，然后输入所述输出层；
所述输出层对输入的特征进行线性变换、激活函数处理，得到最终的故障预测结果。
8.根据权利要求7所述的一种基于数字孪生技术的智能监测调节方法，其特征在于，所述故障预测模型在训练过程中采用交叉熵损失函数。
9.一种基于数字孪生技术的智能监测调节系统，其特征在于，该系统包括：
数据获取模块，配置为获取待监测生产设备的运行状态数据、工况数据以及环境条件数据，作为输入数据；
孪生体构建模块，配置为对所述输入数据进行预处理，得到预处理数据；根据所述预处理数据，构建所述待监测生产设备的数字孪生体模型；
监测模块，配置为通过所述数字孪生体模型对所述待监测生产设备进行实时监测，获取监测数据；
故障预测模块，配置为基于所述监测数据，通过预构建的自适应阈值故障预测方法进行故障预测，得到故障预测结果；
警报模块，配置为所述数字孪生体模型根据所述故障预测结果进行实景模拟，定位故障位置，并警报给监控人员。
10.一种基于数字孪生技术的智能监测调节设备，其特征在于，包括：
至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-8任一项所述的一种基于数字孪生技术的智能监测调节方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411632737.5A CN119511869A (zh) | 2024-11-15 | 2024-11-15 | 一种基于数字孪生技术的智能监测调节方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411632737.5A CN119511869A (zh) | 2024-11-15 | 2024-11-15 | 一种基于数字孪生技术的智能监测调节方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN119511869A true CN119511869A (zh) | 2025-02-25 |
Family
ID=94648263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411632737.5A Pending CN119511869A (zh) | 2024-11-15 | 2024-11-15 | 一种基于数字孪生技术的智能监测调节方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN119511869A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN120993895A (zh) * | 2025-10-23 | 2025-11-21 | 中云汇(成都)科技集团有限公司 | 基于数字孪生的设备故障监测方法、装置、介质及设备 |
-
2024
- 2024-11-15 CN CN202411632737.5A patent/CN119511869A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN120993895A (zh) * | 2025-10-23 | 2025-11-21 | 中云汇(成都)科技集团有限公司 | 基于数字孪生的设备故障监测方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1982301B1 (en) | Method of condition monitoring | |
| CN118386024A (zh) | 一种基于人工智能的机床及其故障检测方法 | |
| CN118691046A (zh) | 一种基于人工智能的电力调度方法及系统 | |
| CN118313812A (zh) | 一种基于机器学习的电力大数据采集处理方法 | |
| CN116611013A (zh) | 针对工业时序数据的异常检测以及根因分析方法及系统 | |
| CN118536048A (zh) | 开关柜绝缘状态监测管理系统 | |
| CN119293664A (zh) | 一种基于多源数据融合的设备运行评估方法 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
| CN119557763A (zh) | 基于多输入神经网络的智能故障诊断方法 | |
| CN118898205A (zh) | 一种基于数字孪生的设备故障检测方法及系统 | |
| KR20220144539A (ko) | 실시간 이상 탐지를 위한 gnn 기반의 마스터 상태 생성 방법 | |
| CN117706360A (zh) | 电机运行状态的监测方法、装置、设备及存储介质 | |
| CN119202671A (zh) | 一种电机运行故障预测方法及系统 | |
| CN120067941A (zh) | 一种保供电系统异常的预警方法及系统 | |
| CN119416113A (zh) | 一种基于大数据的能源设备健康监测方法及系统 | |
| CN111400850B (zh) | 设备故障分析方法、装置、设备和存储介质 | |
| CN119511869A (zh) | 一种基于数字孪生技术的智能监测调节方法、系统及设备 | |
| CN120355409B (zh) | 一种用于水电厂多模态数据融合智能巡检方法 | |
| CN120068008B (zh) | 基于数字孪生的输变电设备状态评估方法及系统 | |
| CN119845361B (zh) | 钢网架结构变形监测与预警智能系统及其方法 | |
| CN118133892B (zh) | 一种基于自注意力和神经微分方程的故障检测方法及系统 | |
| CN120372500A (zh) | 一种基于人工智能的运行数据管理系统及方法 | |
| CN118505187A (zh) | 设备管理方法、平台及电子设备 | |
| CN114694357A (zh) | 一种基于物联网的加热炉管控装置及异常报警系统 | |
| CN120223515B (zh) | 一种物联网设备的远程管控与故障诊断方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |