[发明专利]一种基于数字孪生模型的组件状态估计方法

说明书

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；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；本发明与传统的单一模型简化技术相比，可以有效地扩展到大型复杂系统，并为模型快速自适应提供了灵活表达的框架；避免了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；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，同时对模型中的不确定性进行量化，提高了模型的精度。

技术领域

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

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。

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；

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。

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。

发明内容

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；

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：

S1：获取原型组件参数；

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；

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；

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；

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；

S6：采用贝叶斯同化算法对数字孪生资产的状态进行更新；

S7：根据概率质量函数量化数字孪生中的不确定性和误差；

S8：重复步骤S3～S7，获取最优的数字孪生模型。

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：