数模融合驱动的数字孪生模型机理动态演化方法与流程
本技术涉及数字孪生与工业装备智能运维,具体涉及一种数模融合驱动的数字孪生模型机理动态演化方法。
背景技术:
1、本部分的陈述仅仅是为了提供与本技术相关的背景信息,以帮助理解本技术,这些背景信息并不一定构成现有技术。
2、加弹机、针织机、纺纱机等纺织复杂装备属于高度集成的先进工程技术装备,其生产模式通常为全天候连续运转,长期处于超负荷、高强度运行状态。关键零部件例如假捻器摩擦盘、卷绕器轴承组、热箱加热元件的磨损或性能退化,不仅会降低产品品质,还可能引发装备意外宕机,给生产企业带来巨大经济损失。利用数字孪生技术对纺织复杂装备实施故障预测与主动性维护,核心在于能否构建真实反映装备内部运行机理的高保真数字化模型,并保持模型随装备状态变化的长期虚实一致性。
3、然而,现有数字孪生方法在机理动态演化方面仍存在显著不足。多数研究聚焦于单一物理属性或单一工况下的模型局部更新,缺乏面向复杂装备多维度、多领域、多物理属性耦合条件下的体系化机理演化机制。数据驱动模型与机理仿真模型往往独立运行,二者之间缺乏有效的关联与协同校正机制,导致数据异常时模型响应滞后,或机理偏差累积时无法实时修正。此外,部分方法依赖专家经验进行人工参数整定,效率低下且难以规模化推广。
技术实现思路
1、为解决上述技术问题,本技术提供一种数模融合驱动的数字孪生模型机理动态演化方法,通过采集纺织复杂装备多源异构运行数据并融合为完备孪生数据集,在此基础上构建多维度参数迭代、多领域工况映射、多物理属性关联度协同更新的三层机理演化机制,同时建立生成对抗网络判别模型(对抗网络模型)的对抗预训练与无监督在线迭代提升流程,最终将机理仿真输出与数据预测输出的偏差作为闭环驱动力,驱动对数字孪生机理演化模型进行持续校正。
2、为实现上述目的,本技术采用如下技术方案:
3、根据本技术的第一个方面,提供一种数模融合驱动的数字孪生模型机理动态演化方法,包括:将装备的历史运行过程数据、历史运行状态数据及历史故障数据进行融合与降维处理,形成带有故障标签的完备孪生历史数据;构建装备的各领域机理模型,并根据各领域机理模型以及三层机理演化机制构建数字孪生机理演化模型,所述三层机理演化机制包括数据流耦合联动的多维度模型参数更新机制、多领域工况映射更新机制以及多物理属性关联度更新机制,其中,所述多维度模型参数更新机制用于迭代更新几何-行为-规则参数,所述多领域工况映射更新机制用于根据更新后的几何-行为-规则参数更新各领域机理模型对应的耦合权重,并基于耦合权重求解预设的各物理量的多域耦合状态值,所述多物理属性关联度更新机制用于根据所述各物理量的多域耦合状态值确定对应物理特征的变化,并根据物理特征的变化更新对应领域机理模型的机理参数;构建生成对抗网络模型,并利用所述完备孪生历史数据对所述生成对抗网络模型进行离线预训练,所述生成对抗网络模型包括生成器和判别器,判别器用于表征装备真实运行状态的数据分布基准,生成器用于输出装备运行状态的预测结果;将装备的实时运行过程数据、实时运行状态数据及实时故障数据进行融合与降维处理,得到完备孪生实时数据,并同步输入所述数字孪生机理演化模型和预训练好的生成对抗网络模型,根据数字孪生机理演化模型输出的各物理量的多域耦合状态值与生成器的输出之间的偏差,反向更新所述数字孪生机理演化模型和所述生成器,形成数字孪生机理演化模型与生成对抗网络模型双向协同演化的闭环。
4、优选的,所述融合与降维处理包括:按各模态数据的完整度自适应确定各模态的融合权重,对各模态数据进行加权融合,其中各模态数据是利用多采集装置协同测量、异构通信协议解析及业务系统数据导入采集的,包括机械模态数据、电气模态数据和故障标签数据;对融合后的高维异构数据进行核映射降维,投影至统一低维共享隐空间,得到标准化的完备孪生特征向量;其中,对于历史运行过程数据、历史运行状态数据及历史故障数据,在融合之前,针对样本量低于预设均衡阈值的稀缺故障工况,通过工况仿真生成算子基于对应工况的少量真实故障样本批量生成虚拟工况样本,以补齐数据集的样本分布。
5、优选的,所述数字孪生机理演化模型由多维度模型参数更新模块、多领域工况映射更新模块以及多物理属性关联度更新模块串联构建而成,其中:多维度模型参数更新模块用于运行多维度模型参数更新机制;多领域工况映射更新模块用于运行多领域工况映射更新机制,其包括机械领域机理模型、电气领域机理模型、电磁领域机理模型以及机理仿真求解单元,机理仿真求解单元用于基于机械领域机理模型、电气领域机理模型、电磁领域机理模型以及各领域机理模型对应的耦合权重求解各物理量的多域耦合状态值;多物理属性关联度更新模块用于运行多物理属性关联度更新机制。
6、优选的,根据数字孪生机理演化模型输出的各物理量的多域耦合状态值与生成器的输出之间的偏差,反向更新所述数字孪生机理演化模型,包括:根据数字孪生机理演化模型输出的各物理量的多域耦合状态值与生成器的输出计算二范数偏差,当所述二范数偏差大于预设偏差阈值时,根据所述三层机理演化机制按照以下方式更新所述数字孪生机理演化模型:所述多维度模型参数更新机制包括:先采用几何行为规则特征匹配损失对几何行为规则参数执行层内局部迭代更新,得到中间几何行为规则参数;将所述中间几何行为规则参数输入多领域工况映射更新机制以及多物理属性关联度更新机制进行前向推演;基于前向推演结果,以最小化二范数偏差为优化目标,采用梯度下降算法求取二范数偏差相对于所述中间几何行为规则参数的梯度,沿梯度下降方向对所述中间几何行为规则参数做梯度补偿校正,得到最终生效几何行为规则参数;将所述最终生效几何行为规则参数回写至多维度模型参数更新模块,作为下一时刻迭代的几何行为规则参数;所述多领域工况映射更新机制包括:根据更新后的几何-行为-规则参数映射计算机械、电气、电磁之间的相互作用强度,自适应更新各领域机理模型对应的耦合权重,根据更新后的耦合权重以及各领域机理模型求解各物理量的多域耦合状态值,若所述各物理量的多域耦合状态值与完备孪生实时数据中的对应状态变量之间的第一误差的绝对值大于预设精度阈值,则迭代调整各领域机理模型的机理参数并重新求解,直至所述第一误差的绝对值小于或等于所述预设精度阈值;所述多物理属性关联度更新机制包括:分别提取静力学特征集、动力学特征集和弹性力学特征集,各特征集中包括对应的物理特征,计算任意两个物理特征之间非线性耦合关联强度,并根据计算出的全部物理特征对的非线性耦合关联强度构建多物理属性关联度矩阵,筛选非线性耦合强度超过预设关联强度阈值的物理量作为强关联特征,更新与所述强关联特征的属性对应的领域机理模型的机理参数与耦合权重。
7、优选的,所述多物理属性关联度更新机制还包括:所述各物理量的多域耦合状态值更新后,确定发生变化的物理量,并重新计算对应的非线性耦合关联强度,更新多物理属性关联度矩阵;根据更新后的多物理属性关联度矩阵,筛选新的强关联特征,更新新的强关联特征的属性对应的领域机理模型的机理参数与耦合权重,以及更新发生变化的物理量的属性对应的领域机理模型的机理参数与耦合权重。
8、优选的,利用所述完备孪生历史数据对所述生成对抗网络模型进行离线预训练,包括:对所述完备孪生历史数据依次执行聚类、回归和泛化扩充预处理,形成训练数据集;基于所述训练数据集,以预设的对抗损失函数为优化目标,对所述生成器与所述判别器进行交替迭代训练直至收敛,完成所述生成对抗网络模型的离线预训练;其中,所述生成器的输入为随机噪声向量,所述生成器的输出为根据噪声生成的装备运行状态的预测结果;所述判别器的输入为所述训练数据集中的完备孪生历史特征向量,所述判别器的输出为其输入属于真实孪生样本的概率。
9、优选的,根据数字孪生机理演化模型输出的各物理量的多域耦合状态值与生成器的输出之间的偏差,反向更新所述生成器,包括:根据数字孪生机理演化模型输出的各物理量的多域耦合状态值与生成器的输出计算二范数偏差;当所述二范数偏差大于预设偏差阈值时,将所述二范数偏差作为生成器的附加输入信号,与完备孪生实时数据共同输入生成器,以最小化生成器输出与完备孪生实时数据中对应状态变量之间的误差为优化目标,通过反向传播算法求取所述误差的损失梯度,沿梯度下降方向更新生成器的网络权重参数。
10、优选的,还包括:将所述完备孪生实时数据同步输入所述数字孪生机理演化模型和预训练好的生成对抗网络模型之后,利用所述完备孪生实时数据按照以下方式对所述判别器进行在线迭代更新:以所述完备孪生实时数据作为正样本,以所述数字孪生机理演化模型的输出作为负样本,构造在线判别损失函数;以最大化所述在线判别损失函数为优化目标,利用梯度下降法迭代更新所述判别器的网络参数。
11、优选的,所述装备为纺织复杂装备,所述纺织复杂装备包括加弹机、针织机或纺纱机;由运行过程数据、运行状态数据及故障数据构成的多模态数据包括丝线流动速度、卷绕张力、热箱温度、电机转速、电流负载、假捻器工作频率以及断丝、卷绕异常、假捻器打滑的故障标签数据;几何-行为-规则参数包括几何特征参数集、运动行为参数集以及运行规则参数集,其中:所述几何特征参数集包括假捻器摩擦盘直径、热箱加热板尺寸和卷绕器槽筒螺旋角度;所述运动行为参数集包括假捻器旋转速度与加捻角度的运动学关系参数、卷绕张力与卷绕速度的动力学关系参数;所述运行规则参数集包括断丝报警阈值、速度匹配规则和温度梯度控制规则。
12、根据本技术的第二个方面,提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本技术第一个方面中的方法。
13、根据本技术的第三个方面,提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现本技术第一个方面中的方法。
14、与现有技术相比,本技术具有以下优点:
15、本技术构建了多维度模型参数梯度迭代更新、多领域工况耦合映射更新及多物理属性关联度互信息更新的三层机理演化机制,形成了维度-领域-属性的立体化演化框架;通过生成对抗网络模型离线预训练与实时无监督在线迭代提升相结合的方式,建立机理仿真输出-数字驱动预测输出-偏差计算-模型校正的数模融合闭环校正回路。以机理仿真输出与数据预测输出之间的二范数偏差作为演化驱动力,基于偏差梯度反向补偿更新包含机理层与数据层的整套数字孪生模型,全程无需人工调参即可实现数字孪生机理演化模型的自适应动态演化。本技术将数据驱动模型与机理仿真模型有机融合,克服了二者独立运行、缺乏互校正机制的缺陷,实现了复杂装备数字孪生机理演化模型在长期运行过程中的自适应动态演化。相较于传统无校正机制的静态孪生模型,本技术在长周期连续运行条件下可有效抵消模型虚实漂移误差,显著提升设备故障预警准确率与装备服役寿命,为纺织复杂装备智能化转型提供有效技术支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com