本技術涉及數字孿生，特別涉及一種設備數字孿生模型更新方法、系統、終端及介質。

背景技術：

1、在數字孿生技術的應用中，一個關鍵問題是模型的實時更新。隨著物理實體的運行，其狀態會不斷變化，如設備的磨損、結構的變形等，數字孿生模型需要相應地更新以準確反映這些變化。然而，現有技術存在諸多限制，例如傳感器的監測頻率和覆蓋范圍的局限性，導致無法全面和及時地捕捉物理實體的變化信息，同時更新模型所需的算法和計算資源復雜，制約了數字孿生系統的實時性能。尤其對于大型設備，如大型起重機，在風荷載、負載等作用下的結構變化難以實時反映到數字孿生模型中，極大地影響了數字孿生技術的有效性和應用價值。

技術實現思路

1、本技術提供了一種設備數字孿生模型更新方法、系統、終端及介質，其優點是可以提高設備數字孿生模型的更新效率，顯著提高了數字孿生系統的實時性能和可靠性，為大型設備的安全運行、維護和管理提供了有力的支持。

2、本技術的技術方案如下：

3、一方面，本技術提供一種設備數字孿生模型更新方法，包括以下步驟：

4、s1：采集設備若干位置的數據；

5、對于設備上任一個的數據采集點，根據監測數據的變化敏感度指標動態調整監測頻率；

6、s2：對采集數據進行預處理，包括數據清洗、異常值檢測和降噪處理；

7、s3：根據處理后的數據，對設備的數字孿生模型進行更新；模型更新時：

8、根據數據類型選擇更新算法，對于結構變形的應變數據，采用基于有限元分析的更新算法；對于設備磨損數據，使用基于歷史磨損數據和機器學習的算法預測磨損趨勢，并更新模型中的部件磨損狀態；

9、根據數據的變化趨勢，動態調整計算資源的分配，并根據計算資源的分配比選擇模型更新算法；

10、采用增量式學習算法，對模型中受物理實體變化影響的部分進行更新。

11、進一步的，步驟s1中，采集的設備數據包括設備不同部位的應變數據、位移數據和振動數據。

12、進一步的，步驟s1中，采用分布式傳感器網絡采集設備若干位置的數據，傳感器的采集頻率通過下式獲得：

13、

14、其中，是傳感器的初始監測頻率，k為調節系數，s為監測數據的變化敏感度指標；

15、監測數據的變化敏感度指標s通過以下任意方式獲得：

16、(1)對于結構應變數據監測：

17、

18、：當前時間窗口內數據的方差；時間窗口長度t：根據物理實體響應時間設定；

19、：歷史最大方差，歷史方差更新周期：每日或每周更新；

20、(2)對于位移數據和振動數據：

21、

22、：數據的時間梯度；梯度計算周期：與傳感器采樣頻率一致；

23、：歷史最大梯度；

24、在數據的時間梯度連續多個超過預設閾值時判斷為異常并發出異常預警；

25、(3)對于設備的復雜工況：

26、

27、：權重系數；通過歷史數據回歸分析，選擇使模型預測誤差最小的，值。

28、進一步的，步驟s1中，采用分布式傳感器網絡采集設備若干位置的數據，傳感器網絡中的傳感器相互通信，且：

29、(1)傳感器之間采用基于蟻群優化的動態路由協議進行通信：

30、采用蟻群優化算法設計動態路由機制，每個傳感器節點通過釋放虛擬信息素標記通信路徑質量，當部分節點故障或數據傳輸受阻時，鄰近節點根據信息素濃度動態選擇替代路徑；路徑選擇概率公式：

31、

32、其中：

33、：路徑itoj在時刻t的信息素濃度；

34、：啟發式因子，為路徑長度；

35、：信息素權重系數；

36、：啟發式因子權重系數；

37、信息素更新規則為：

38、

39、：信息素揮發率；

40、：第k只螞蟻在路徑釋放的信息素增量，q=1為常量，lk為螞蟻k的路徑總長度；

41、(2)每個傳感器嵌入輕量級強化學習模型，通過局部觀測自主決策監測策略，當鄰近傳感器失效時，強化學習模型觸發“補償模式”，自動提高自身監測頻率，并通過qlearning算法優化資源分配；q值更新公式：

42、

43、其中：

44、：學習率；

45、：折扣因子；

46、獎勵函數設計：

47、

48、w1=0.7,w2=0.3：權重系數；

49、(3)自適應能量數據權衡機制：

50、傳感器節點實時評估自身能量水平與數據重要性，動態調整傳輸模，在能量不足時，優先傳輸關鍵數據，關鍵數據包括異常信號，并降低非關鍵數據的采樣頻率；當數據傳輸受阻時，切換至低功耗廣播模式，通過多跳中繼傳輸數據；

51、(4)采用噴泉碼fountaincode冗余編碼技術，將數據分塊并分散存儲于鄰近傳感器中，噴泉碼冗余編碼：

52、數據分塊為k個原始包，生成n個編碼包，n≥k；

53、每個編碼包為隨機選取d個原始包的異或；

54、解碼閾值：接收個編碼包以成功解碼，?為失敗概率；

55、(5)協同壓縮感知與數據融合

56、鄰近傳感器共享原始數據，利用壓縮感知算法進行聯合稀疏表示，減少冗余數據傳輸。同時，通過卡爾曼濾波或貝葉斯融合算法整合多傳感器數據，提升數據質量；在某傳感器故障時，鄰近節點基于歷史數據與當前觀測值重構缺失信號；通過協同處理降低通信負載，并提高故障容錯能力；移動平均濾波濾波公式：

57、

58、參數選擇：n=5：窗口大小；

59、數據熵計算：

60、熵公式：；

61、分箱規則：自適應分箱；

62、(6)基于區塊鏈的信任管理：

63、引入輕量級區塊鏈協議，記錄傳感器節點的狀態與數據交互歷史，當節點失效或數據異常時，鄰近節點通過共識機制驗證數據可信度，并隔離惡意或故障節點。

64、進一步的，步驟s2中，采用統計分析的方法識別和去除異常數據點，采用3σ原則，若數據x滿足，為均值，σ為標準差，則判斷該數據為異常值，將其排除；

65、采用移動平均濾波對數據進行降噪，公式為：

66、

67、其中是第n個數據點的濾波后值，是原始數據點，n是移動平均窗口的大小。

68、進一步的，步驟s3中，根據數據的變化趨勢，動態調整計算資源的分配具體為：

69、使用一組數據對設備數字孿生模型更新時，該組數據的計算資源分配比例r為：

70、

71、其中a和b是根據系統性能和設備特性確定的系數；

72、熵h可通過香農熵公式計算：

73、

74、是數據的概率分布。

75、進一步的，步驟s3中，采用增量式學習算法，對模型中受物理實體變化影響的部分進行更新；

76、對于有限元模型的增量更新，根據變分原理和虛功原理進行；假設結構變形，其滿足以下變分方程：

77、

78、其中：是結構的域，σ是應力張量，是應變張量，是體力，是邊界上的面力，是虛位移；通過求解此方程，以更新結構的變形狀態，進而更新數字孿生模型中的結構信息。

79、又一方面，本技術提供一種設備數字孿生模型更新系統，包括：

80、數據采集單元，所述數據采集單元包括若干數據采集裝置，數據采集裝置分布式部署于設備的若干位置用以采集設備的數據；數據采集裝置包括傳感器模塊、數據處理模塊以及通訊模塊，傳感器模塊包括應變傳感器、位移傳感器和振動傳感器中的一種或多種，數據處理模塊用于對傳感器模塊采集的數據進行預處理；

81、數據中心，所述數據中心與數據采集裝置通信連接，用于接收數據采集裝置的數據，所述數據中心根據接收數據對設備的數字孿生模型進行更新；模型更新時：根據數據類型選擇更新算法，對于結構變形的應變數據，采用基于有限元分析的更新算法；對于設備磨損數據，使用基于歷史磨損數據和機器學習的算法預測磨損趨勢，并更新模型中的部件磨損狀態；根據數據的變化趨勢，動態調整計算資源的分配；采用增量式學習算法，對模型中受物理實體變化影響的部分進行更新；

82、以及存儲與展示單元，用于存儲和展示數字孿生模型。

83、又一方面，本技術提供一種數字孿生模型終端，包括存儲器、處理器和顯示器，所述顯示器用于展示數字孿生模型，所述存儲器存儲有計算機程序，所述計算機程序被處理器調用執行時，實現如上所述的設備數字孿生模型更新方法。

84、又一方面，本技術提供一種計算機可讀介質，其特征在于，所述計算機可讀介質存儲器存儲有計算機程序，所述計算機程序被計算機調用執行時，實現如上所述的設備數字孿生模型更新方法。

85、綜上所述，本技術的有益效果是：

86、1．根據物理實體的運行狀態和環境動態調整監測頻率，實現了資源的優化配置，在數據較小時，采集較少的數據，減少數據處理量；利用監測數據的變化敏感度指標計算監測頻率，使傳感器能智能適應不同工況下的數據采集需求；

87、2．運用3σ原則和移動平均濾波，精確地進行異常值檢測和數據降噪，為后續模型更新提供高質量的數據；

88、3．根據不同的數據類型靈活選擇更新算法，并根據數據變化動態分配計算資源，避免了傳統方法中固定算法和固定資源分配的局限性，提高了計算資源的利用效率；基于數據熵動態分配計算資源，實現了資源的自適應調整；增量式學習算法的引入，僅更新受影響的模型部分，顯著減少了更新所需的計算量和時間，使模型更新更具實時性。利用變分原理和虛功原理實現有限元模型的增量更新，保證了模型更新的物理合理性和準確性。