一种基于数字孪生模型的组件状态估计方法与流程

1.本发明属于数字孪生数据驱动技术领域，具体涉及一种基于数字孪生模型的组件状态估计方法。


背景技术：

2.由于高阶复杂的系统模型简化至一个低阶的近似模型，在计算、分析上都比原来的高阶系统模型简单，并且还可以提供关于原系统足够多的信息，通常需要将高阶复杂的系统模型简化至一个低阶的近似模型，这种模型简化方法可称为基于数学模型的降阶方法，但由于物理模型和数学模型参数间存在复杂关系，因此很难对系统的动态行为作出物理解释。
3.单一静态模型是现有的一种常见模型，但是单一静态模型忽略了类似工程之间的差异，从根本上限制了对任何特定因素建模的能力，而数字孪生范式旨在克服这一局限性，为每一个独特的物理因素提供适应性、综合性和权威性的数字孪生，因而数字孪生模式在一系列工程应用中引起了广泛关注；
4.所谓数字孪生是指充分利用物理模型、传感器、运行历史等数据，集成多学科、多尺度的仿真过程，它作为虚拟空间中对实体产品的镜像，反映了相对应物理实体产品的全生命周期过程。数字孪生的物理模型是基于离散偏微分方程(pde)的计算模型，提供了更高程度的可解释性、可靠性和预测能力。在整个工程中，数字孪生中的计算模型常被使用，如基于仿真的车辆认证和车队管理、结构健康监测以及飞机维持程序等。尽管数字孪生前景得到认可，但是创建、校准和维护单个数字孪生所需模型是一个相当大的挑战。
5.准确地建模一个完整的工程系统通常需要非常大的计算模型，且需要对大量的计算资源进行评估，此类模型通常使用有限元分析(fea)等方法进行求解。但在实时、多查询的环境下，传统的基于大规模物理的模型通常难以求解，这就需要数字孪生面对模型参数变化时适应计算模型，并快速评估模型以提供分析和预测，以便有效地用于运营决策。


技术实现要素：

6.有鉴于此，本发明提出了一种基于数字孪生模型的组件状态估计方法，该方法包括：实时获取组件参数，将组件参数输入到改进的数字孪生模型中，得到原型组件的状态估计结果；
7.采用改进的数字孪生模型对原型组件参数进行处理的过程包括：
8.s1：获取原型组件参数；
9.s2：采用静态压缩降阶基元算法对原型组件参数进行分解，得到子参数；将子参数进行集合，得到数据集；采用缩减基准对数据集中的数据进行处理，得到降阶数据集；
10.s3：将降阶数据集中的数据输入到数字孪生模型中，得到输入数据的数字孪生资产状态；
11.s4：采用隐马尔可夫模型对数字孪生资产的状态进行统计分析，得到当前数据的
数字孪生资产状态的概率分类结果；
12.s5：根据当前数据的数字孪生资产状态的概率分类结果得到组件的概率质量函数，根据概率质量函数预测组件状态；
13.s6：采用贝叶斯同化算法对数字孪生资产的状态进行更新；
14.s7：根据概率质量函数量化数字孪生中的不确定性和误差；
15.s8：重复步骤s3～s7，获取最优的数字孪生模型。
16.优选的，采用静态压缩降阶基元算法对原型组件参数进行分解的过程包括：循缩减基实践对原型组件参数进行仿射分解的过程包括：
17.定义x为hilbert空间，p＝r
ρ
为封闭的参数空间，原型组件参数a和f可分解为参数相关部分和参数无关部分，将分解得到的参数相关部分和参数无关部分进行集合，得到组件参数数据集；分解公式为：
[0018][0019][0020]
其中，r
ρ
表示封闭的作用域，u是有界线性函数，v是狄里克莱边界，μ是系统级部件参数，a(u,v；μ)是双线性形式，f(v；u)线性形式，qa为相关参数部分的数目，qf为无关参数部分的数目，表示计算相关参数的代数运算，表示计算无关参数的代数运算，aq(u,v)表示缩减基有限元的系统矩阵，fq(v)表示载荷向量。
[0021]
采用缩减基准对数据集中的数据进行处理的过程包括：将数据集中的数据实例化为数字孪生模型的模型组件，获取模型组件的外部边界条件；根据外部边界条件采用控制离散偏微分方程pde对数据集中的子参数进行处理，消除原型组件子参数间的不平衡；对消除不平衡后的原型组件子参数进行弱化处理，获得弱化后的原型组件子参数，将所有的弱化后的原型组件子参数进行集合，得到降阶数据集。
[0022]
优选的，将降阶数据集中的数据输入到数字孪生模型中进行处理的过程包括：
[0023]
将降阶数据集输入到经认证的缩减基准rb中，生成相关参数；根据相关参数建立降低自由度的降阶模型；相关参数包括几何参数、非几何参数、计算网格、损坏参数、组件端口参数以及组件内部参数；
[0024]
获取观测到的传感器数据，采用贝叶斯状态估计方法将观测到的传感器数据与状态转移概率模型结合，得到资产当前状态的概率分类；将概率分类结果输入到降阶模型，更新数字孪生模型；
[0025]
根据更新后的数字孪生模型，获得当前的数字孪生资产状态。
[0026]
优选的，采用隐马尔可夫模型对数字孪生资产的状态进行统计分析的过程包括：获取隐马尔可夫模型中上一时刻的隐藏状态；将数字孪生模型的参数输入到隐马尔可夫模型中，根据上一时刻的隐藏状态序列得到当前时刻的隐藏状态集合；根据当前时刻的隐藏状态获取当前时刻的观测量，将所有观测量和隐藏状态进行集合，得到输入数据的数字孪生资产状态的分类结果；得到当前时刻隐藏状态的公式为：
[0027]
p(h
t
|h
t-1
,
…
,h2,h1,o
t-1
,
…
,o2,o1)＝p(h
t
|h
t-1
),t＝1,2,
…
,t
[0028]
得到当前时刻的观测量的公式为：
[0029]
p(o
t
|h
t
,h
t-1
,
…
,h
t 1
,h
t
,h
t-1
,
…
,h1,o
t
,o
t-1
,
…
,o
t 1
,o
t-1
,
…
,o1)＝p(o
t
|h
t
)
[0030]
其中，p(h
t
|h
t-1
)表示状态转移函数，p(o
t
|h
t
)表示似然函数，t表示t时刻，h
t
表示时刻t的隐藏状态，n表示隐藏状态数量，o
t
表示t时刻模型的观测量。
[0031]
优选的，根据当前数据的数字孪生资产状态的概率分类结果得到组件的概率质量函数，根据概率质量函数预测数字孪生资产状态包括：将数字孪生资产d
t
作为离散随机变量，利用后验分布得出概率质量函数，概率质量函数为：
[0032][0033]
其中，b
t
(mj)表示模型mj的信念状态，u
t
表示t时刻物理资产，o
t
表示t时刻模型的观测量。
[0034]
进一步的，采用贝叶斯同化算法对数字孪生资产的状态进行更新包括：
[0035]
使用贝叶斯规则，获得从模型mk转移到模型mj的概率，公式为：
[0036][0037]
其中，m表示模型库中的模型数，u
t
表示影响状态或观测动态的控制输入；
[0038]
根据模型的状态转移概率，预测模型的观测量；公式为：
[0039]ot
＝z(mj,u
t
) v
t
，v
t
～n(0,σ2)
[0040]
其中，o
t
表示模型的观测量，σ2表示观测噪声的协方差，z(mj,u
t
)表示模型处于mj状态且输入为u
t
时物理资产的响应，d
t
表示数字孪生资产的离散随机变量；
[0041]
根据模型的观测量进行数字孪生资产的状态更新。
[0042]
优选的，根据概率质量函数量化数字孪生中的不确定性包括：将观测量的分布期望作为估计，量化不确定性，公式为：
[0043][0044]
其中，表示分布的期望值，q(mj)表示估计实物资产的有效输出量，b
t
(mj)表示模型mj的信念状态。
[0045]
进一步的，根据概率质量函数量化数字孪生中的误差包括：利用观测量定义误差量，公式为：
[0046][0047]
其中，b
t
表示信念状态，o
t
表示观测量，m表示模型库，z(mj,u
t
)表示模型处于mj状态且输入为u
t
时物理资产的响应。
[0048]
本发明的有益效果为：与传统的单一模型简化技术相比，基于组件的方法有效地扩展到大型复杂系统，并为快速模型自适应提供了灵活表达的框架；引入静态压缩降阶基元方法(scrbe)，避免在单一模型缩减方法中计算成本随着参数的增加而迅速增加；提出了一种基于组件的降阶模型库与贝叶斯状态估计相结合，创建基于数据驱动的物理数据孪生；降阶模型的使用大大加快了贝叶斯推理速度，实时求解更容易，由此产生的概率分类为数字孪生的更新提供了基础，通过量化模型中的不确定性，提高了模型的精度；通过本发明，用户可以得到原型组件的状态估计结果，其在多个领域如工业互联网、智慧城市等均可
运用，具有良好的经济效益。
附图说明
[0049]
图1为本发明中基于组件的降阶建模过程；
[0050]
图2为本发明中隐马尔可夫模型的状态转移和观测序列生成；
[0051]
图3为本发明中贝叶斯状态估计方法递推过程。
具体实施方式
[0052]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
[0053]
本发明提出了一种基于数字孪生模型的组件状态估计方法，如图1所示，该方法包括：实时获取组件参数，将组件参数输入到改进的数字孪生模型中，得到原型组件的状态估计结果；
[0054]
采用改进的数字孪生模型对原型组件参数进行处理的过程包括：
[0055]
s1：获取原型组件参数；
[0056]
s2：采用静态压缩降阶基元算法对原型组件参数进行分解，得到子参数；将子参数进行集合，得到数据集；采用缩减基准对数据集中的数据进行处理，得到降阶数据集；
[0057]
s3：将降阶数据集中的数据输入到数字孪生模型中，得到输入数据的数字孪生资产状态；
[0058]
s4：采用隐马尔可夫模型对数字孪生资产的状态进行统计分析，得到当前数据的数字孪生资产状态的概率分类结果；
[0059]
s5：根据当前数据的数字孪生资产状态的概率分类结果得到组件的概率质量函数，根据概率质量函数预测组件状态；
[0060]
s6：采用贝叶斯同化算法对数字孪生资产的状态进行更新；
[0061]
s7：根据概率质量函数量化数字孪生中的不确定性和误差；
[0062]
s8：重复步骤s3～s7，获取最优的数字孪生模型。
[0063]
采用静态压缩降阶基元算法对原型组件参数进行分解的过程包括：
[0064]
定义x为hilbert空间，p＝r
ρ
为封闭的参数空间，原型组件参数a和f可分解为参数相关部分和参数无关部分，将分解得到的参数相关部分和参数无关部分进行集合，得到组件参数数据集；分解公式为：
[0065][0066][0067]
其中，r
ρ
表示封闭的作用域，u是有界线性函数，v是狄里克莱边界，μ是系统级部件参数，a(u,v；μ)是双线性形式，f(v；u)线性形式，qa为相关参数部分的数目，qf为无关参数部
分的数目，表示计算相关参数的代数运算，表示计算无关参数的代数运算，aq(u,v)表示缩减基有限元的系统矩阵，fq(v)表示载荷向量；和仅和参数μ∈p相关，而aq:x
×
x
→
r和fq:x
→
r和μ无关。
[0068]
可选的，原型组件参数可以是发电机仿真模型所固有的一组可以刻画发电机模型特征的变量，比如：泊松比、褶皱角数、杨氏模量、缩减刚度、物质损失、裂纹长度、分层尺寸。
[0069]
采用缩减基准对数据集中的数据进行处理包括：将数据集中的数据实例化为数字孪生模型的模型组件，获取模型组件的外部边界条件；优选的，外部边界条件为线性弹性，根据外部边界条件采用控制离散偏微分方程pde对数据集中的子参数进行处理，消除原型组件子参数间的不平衡；对消除不平衡后的原型组件子参数进行弱化处理，获得弱化后的原型组件子参数，将所有的弱化后的原型组件子参数进行集合，得到降阶数据集；弱化公式为：
[0070][0071]
其中，x(μ)为功能空间，功能空间用于放置弱化参数后的组件。
[0072]
将降阶数据集中的数据输入到数字孪生模型中进行处理的过程包括：
[0073]
将降阶数据集输入到经认证的缩减基准(rb)中，生成相关参数；根据相关参数建立自由度大幅减少的降阶模型；优选的，相关参数包括：几何参数、非几何参数、计算网格、损坏参数、组件端口参数以及组件内部参数；可选的，对于发电机仿真模型而言，相关参数包括泊松比、褶皱角数、杨氏模量、缩减刚度、物质损失、裂纹长度、分层尺寸、转速、频率、电压、噪声；其中，转速、频率、电压和噪声为组件内部参数；
[0074]
获取观测到的传感器数据，采用贝叶斯状态估计方法将观测到的传感器数据与状态转移概率模型(通常来自历史数据或通过基于物理的模拟计算得出)结合，得到资产当前状态的概率分类；将概率分类结果输入到降阶模型，根据降阶模型的模型组件组装系统；计算约化基近似，求解系统；根据求解结果更新数字孪生模型的模型库m，m＝{mj|j＝1,
…
,|m|}，mj,j＝1,
…
,|m|表示模型库中的每个模型，得到更新的数字孪生模型；
[0075]
根据更新后的数字孪生模型，获得当前的数字孪生资产状态。
[0076]
采用隐马尔可夫模型对数字孪生资产的状态进行统计分析，得到当前数据的数字孪生资产状态的概率分类结果包括：获取隐马尔可夫模型中上一时刻的隐藏状态；将数字孪生模型的参数输入到隐马尔可夫模型中，根据上一时刻的隐藏状态序列得到当前时刻的隐藏状态集合q＝{q1,q2,
…
,qn}；根据当前时刻的隐藏状态获取当前时刻的观测量，将所有观测量和隐藏状态进行集合，得到输入数据的数字孪生资产状态的分类结果；具体过程为：
[0077]
将物理资产的状态定义为数字孪生的参数，将物理资产的演化建模为隐马尔可夫模型，如图2所示，隐马尔可夫模型由无法直接观测的随机状态序列生成过程和可直接观测的随机序列的生成过程两个阶段构成，隐藏状态是准确描述物理资产的一组参数，各个隐藏状态序列表示为h＝{h1,h2,
…
,h
t
}，在时间t处的隐藏状态集合表示为q＝{q1,q2,
…
,qn}，所有可观测到的观测序列集合为v＝{v1,v2,
…
,vm}；各个时刻观测到的观测序列为o＝{o1,o2,
…
,o
t
}，其任意时刻t所处的状态h
t
只与上一时刻t-1的状态有关，当前时刻的隐藏状态的公式为：
[0078]
p(h
t
|h
t-1
,
…
,h2,h1,o
t-1
,
…
,o2,o1)＝p(h
t
|h
t-1
),t＝1,2,
…
,t
[0079]
观测独立性假设是指对于观测序列而言，其任意时刻t的观测o
t
只依赖于该时刻t的隐藏状态h
t
，而不依赖于除了时刻t之外其他时刻的隐藏状态和观测，当前时刻的观测量的公式为：
[0080]
p(o
t
|h
t
,h
t-1
,
…
,h
t 1
,h
t
,h
t-1
,
…
,h1,o
t
,o
t-1
,
…
,o
t 1
,o
t-1
,
…
,o1)＝p(o
t
|h
t
)
[0081]
其中，p(h
t
|h
t-1
)表示状态转移函数，p(o
t
|h
t
)表示似然函数，t表示t时刻，h
t
表示时刻t的隐藏状态，q表示可能的隐藏状态，n表示隐藏状态数量，o
t
表示t时刻模型的观测量，vm表示m时刻可能观测到的观测量。
[0082]
根据当前数据的数字孪生资产状态的概率分类结果得到组件的概率质量函数，根据概率质量函数预测数字孪生资产状态包括：将数字孪生资产d
t
作为离散随机变量，利用后验分布得出概率质量函数，概率质量函数为：
[0083][0084]
其中，b
t
(mj)表示模型mj的信念状态，即代表数字孪生资产的状态，u
t
表示t时刻物理资产，o
t
表示模型的观测量，d
t
表示数字孪生资产的离散随机变量。
[0085]
采用贝叶斯同化算法对数字孪生资产的状态进行更新包括：使用贝叶斯规则，获得从模型mk转移到模型mj的概率；根据模型的状态转移概率，预测模型的观测量；根据模型的观测量进行数字孪生资产的状态更新；具体过程为：
[0086]
信念状态b
t
在每个时间步长递归更新，监控t＝0时的初始信念状态b0，如果t》0，根据上一时间步长b
t-1
的信念状态输入，使用贝叶斯规则，获得数字孪生资产的状态从模型mk转移到模型mj的概率：
[0087][0088]
其中，m表示模型库中的模型数，u
t
表示影响状态或观测动态的控制输入。
[0089]
观测数字孪生资产在输入为u
t
时处于状态mj的概率，加入被零均值的高斯误差项干扰，快速评估模型，预测模型的观测量，公式为：
[0090]ot
＝z(mj,u
t
) v
t
，v
t
～n(0,σ2)
[0091]
其中，o
t
表示模型的观测量，σ2表示观测噪声的协方差，z(mj,u
t
)表示模型处于mj状态且输入为u
t
时物理资产的响应。
[0092]
如图3所示，采用贝叶斯方法进行状态估计的具体过程为:
[0093]
系统模型m(
·
)为状态转移函数p(h
t
|h
t-1
),t＝1,2,
…
,t，输出和状态之间的似然函数为p(o
t
|h
t
)，观测序列为o＝{o1,o2,
…
,o
t
}，各个隐藏状态序列h＝{h1,h2,
…
,h
t
}已知时，基于贝叶斯定理，条件概率密度为：
[0094][0095]
简化为：
[0096][0097]
预测过程为：
[0098]
p(h
t
|o
0:t-1
)＝∫p(h
t
|h
t-1
)p(h
t-1
|o
0:t-1
)dh
t-1
[0099]
更新过程：
[0100][0101]
其中，p(o
t
)为观测序列的先验概率，p(h
t
)为隐藏状态序列的先验概率，p(o
0:t
|h
t
)为观测序列的后验概率，p(h
t
|o
0:t
)为隐藏状态序列的后验概率，p(o
t
|o
0:t-1
)为归一化常数，p(h
t
|h
t-1
)为状态转移概率。
[0102]
利用后验分布得到状态预测概率质量函数，之后利用贝叶斯公式，后验似然将输出预测函数封装至系统，得到资产状态更新，获得模型从一个状态转移到另一个状态的概率。
[0103]
根据数字孪生模型估计资产的输出量包括：在资产监控周期中，输入数字孪生资产当前状态，利用平滑和预测方法，计算数字孪生资产当前状态的资产输出量。
[0104]
根据概率质量函数量化数字孪生中的不确定性包括：将观测量的分布期望作为估计，量化不确定性，公式为：
[0105][0106]
其中，表示观测量的分布期望，q(mj)表示估计实物资产的有效输出量，b
t
(mj)表示模型mj的信念状态。
[0107]
根据概率质量函数量化数字孪生中的误差包括：利用观测量定义误差量，公式为：
[0108][0109]
其中，b
t
表示信念状态，o
t
表示观测量，m表示模型库，z(mj,u
t
)表示模型处于mj状态且输入为u
t
时物理资产的响应。
[0110]
本发明与传统的单一模型简化技术相比，基于组件的方法有效地扩展到大型复杂系统，并为快速模型自适应提供了灵活和表达的框架；引入静态压缩降阶基元方法(scrbe)，避免在单一模型缩减方法中计算成本随着参数的增加而迅速增加；提出了一种基于组件的降阶模型库与贝叶斯状态估计相结合，创建基于数据驱动的物理数据孪生；降阶模型的使用大大加快了贝叶斯推理速度，实时求解更容易，由此产生的概率分类为数字孪生的更新提供了基础，用过量化模型中的不确定性，提高了模型的精度；通过本发明，用户可以得到原型组件的状态估计结果，其在多个领域如工业互联网、智慧城市等均可运用，具有良好的经济效益。
[0111]
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。