[发明专利]基于数据驱动的工业装备数字孪生构建维护方法及系统

说明书

本发明属于工业装备数字孪生领域，具体涉及了一种基于数据驱动的工业装备数字孪生构建维护方法及系统，旨在解决数字孪生体的构建维护过程无法兼顾适用范围和效率的问题。本发明包括：通过数据驱动的深度学习网络学习工业装备标注数据来构建数字孪生体，并进行多模态融合；通过联邦学习以不同企业的数据进行多模态融合模型训练；通过终身学习持续学习新的样本空间分布，在线更新多模态融合模型；通过模型进行工业装备健康管理。本发明能够克服现实工业场景中机理建模困难、数据共享困难、长期运维过程中新的故障种类不断出现的复杂设备健康管理场景，数字孪生体逼真、鲁棒、健壮、可信。

技术领域

本发明属于工业装备数字孪生领域，具体涉及了一种基于数据驱动的工业装备数字孪生构建维护方法、系统及设备。

背景技术

工业装备全生命周期的健康管理是智能制造的内在要求。随着工业装备的复杂度越来越高，使用环境和工况日益多种多样，同时社会对工业装备的安全健康运行要求越来越高。同时伴随着人工智能深度学习、传感器技术、数字孪生理念的不断发展。应用新技术提升工业装备的健康管理需求也越来越强烈。基于数字孪生进行工业装备的全周期健康管理开始兴起，而数字孪生体的构建维护是核心和关键技术。

现有数字孪生体的构建维护有两种途径，一种是模型驱动的方式，基于模型机理知识及专业仿真建模软件，进行工业装备的建模，构建数字孪生体。另一种是数据驱动的方式，通过工业装备的运行数据以及机器学习模型，拟合工业装备的状态，构建数据驱动的孪生模型。数据驱动方式因其端到端特点，对机理知识需求少因而有很广阔前景。

然而，模型驱动的方式是根据对象、生产过程的内部机制或者物质流的传递机理建立起来的精确数学模型，对于某些难以写出数学表达式，或者表达式中某些系数难以确定的对象，模型驱动的方式难以适用。针对数据驱动的建模方式，因为工业设备通常会在不同的工厂运行，数据在不同客户之间难以共享，同时工业设备在全生命周期中运行数据不断增加，如果每次更新数据都要重新训练模型，将带来资源和时间的浪费，极大影响了数字孪生体的构建维护的效率。

总的来说，本领域中数字孪生体的构建维护过程，还难以在适用范围范围广泛的同时，提高构建维护效率。

发明内容

为了解决现有技术中的上述问题，即数字孪生体的构建维护过程无法兼顾适用范围和效率的问题，本发明提供了一种基于数据驱动的工业装备数字孪生构建维护方法，该方法包括：

步骤S10，针对工业装备中不同类别的数据，中心服务器选择相应的神经网络进行数据的数字孪生体构建；

步骤S20，通过全连接深度学习网络进行各类别数据对应的数字孪生体的多模态融合，获得数字孪生体的多模态协同融合决策模型；

步骤S30，将数字孪生体构建中的故障类型作为中心服务器维护的典型故障类型表，各工业装备从中心服务器获取最新典型故障类型表和最新多模态协同融合决策模型；

步骤S40，各工业装备通过装备自身的运行监测数据进行模型训练，并将训练后的多模态协同融合决策模型的梯度加密后上传给中心服务器；

步骤S50，中心服务器根据接收的模型梯度进行多模态协同融合决策模型的参数更新，获得最新多模态协同融合决策模型；

步骤S60，中心服务器将参数更新后的最新多模态协同融合决策模型下发给对应的工业装备。

在一些优选的实施例中，步骤S10包括：

若数据为通过图像传感器采集的可见光图像、红外图像或其它传感器信号转换成的图像信息，则通过卷积神经网络进行数据的数字孪生体构建；

若数据为振动信号、声音信号或其它时序数据，则通过循环神经网络进行数据的数字孪生体构建；

若数据为运维知识手册或其他知识规则内容，则通过图神经网络进行数据的数字孪生体构建。