[发明专利]一种数字孪生驱动的多模型融合工业系统异常检测方法

说明书

本发明公开了一种数字孪生驱动的多模型融合工业系统异常检测方法，包括步骤：一、构建物理模型并集成为统一的多领域系统数字孪生模型；二、进行物理模型仿真并迭代修改；三、运用边缘计算技术进行信息建模；四、构建数据驱动的神经网络智能检测模型；五、对步骤四中得到的数据预处理；六、引入阈值排序法对预测异常特征；七、将数据存储至云平台数据库进行异常特征提取，构建最终的异常检测模型；十、保存相应的异常数据到数据库作为更新优化模型的数据。本发明融合了数据驱动的智能化深度学习检测模型以及数字孪生驱动的实时信息模型，克服了基于物理模型的精确度低和数据驱动方法的适应性差的问题，大大提高了预测结果的准确性。

技术领域

本发明属于智能制造及工业工程领域，具体涉及一种数字孪生驱动的多模型融合工业系统异常检测方法。

背景技术

智能制造背景下，工业系统的功能变得更加复杂、规模也更加庞大，这使得对工业系统的检测与维护也变得更加具有挑战性。准确高效的故障检测对工业生产的质量、安全及效率至关重要。然而，工业数据具有大数据量、噪声干扰多、多种数据耦合等特点，导致现有的一些检测方案效率低、实时性差。各行各业都在寻求新的异常检测方法，近年来基于智能传感信息、大数据分析技术、云计算等技术的智能化异常检测方法得到了广泛关注。

异常检测通过在机器故障发生前消除隐患来最大限度地降低生产生命周期成本。工业系统的异常检测主要包括运用传感器进行持续性设备监测以及运用检测模型进行异常检测。目前工业系统异常检测技术主要面临着以下几点挑战：1)难以高效地处理工业系统中产生的大量数据。尽管物联网技术的推广使工业系统的实时数据收集成为可能，但由于难以将大量的数据转化为有意义的信息，目前在数据收集和整合方面仍然存在巨大的障碍。2)工业系统的运行环境和工作条件实时变化，现有的模型往往假设未来可能出现的故障数据与已有数据分布相同，检测模型往往很难适应数据的分布变化。3)工业系统结构复杂，通常由多个子系统、设备以及零部件组成，彼此间相互依赖、相互作用。不同类型的故障可能同时发生在不同的部件或子系统上。传感器收集到的信号往往是带噪声的，多种故障特征以非线性形式复合，难以准确地进行检测。4)工业系统状态的检测涉及到电气、结构、能量、热学、力学等多个学科及信息，不同学科以复杂的方式耦合，形成一种结构和功能复杂的工业系统。需要结合多个学科的知识对系统状态进行综合分析。5)无法充分利用已有的历史数据进行异常检测。

针对目前工业系统检测技术存在的问题，本发明引入数字孪生、边缘计算、深度学习等技术构建了数据驱动的混合异常检测框架，对实际工业系统预测性维护及异常检测具有重要参考价值。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提出了一种数字孪生驱动的工业系统异常检测框架，该框架融合了数据驱动的智能化深度学习检测模型以及数字孪生驱动的实时信息模型，克服了基于物理模型的精确度低和数据驱动方法的适应性差的问题，从而大大提高了预测结果的准确性。

为解决上述技术问题，本发明采用的技术方案是：一种数字孪生驱动的多模型融合工业系统异常检测方法，该方法包括以下步骤：

步骤一、基于数字孪生技术并结合ANSYS、MWorks、Dymola、SimulationX等软件对子系统级及设备构建物理模型并集成为统一的多领域系统数字孪生模型；

步骤二、进行物理模型仿真并对多领域系统数字孪生模型进行迭代修改和仿真，以确保数字孪生模型的准确性，直到仿真结果和实验结果之间的误差足够小，得到高保真的数字孪生模型，并建立映射接口保证数字孪生模型的实时更新；

步骤三、运用边缘计算技术在边缘层对物理实体和数字孪生体之间的联系进行信息建模，以保证物理实体与其数字孪生体之间的实时交互和同步；

步骤四、收集工业系统运行过程中各类智能传感器产生的数据，并基于工业系统过往异常数据构建数据驱动的神经网络智能检测模型；