[发明专利]一种基于多源数据融合的复杂装备数字孪生建模方法

权利要求书

1.一种基于多源数据融合的复杂装备数字孪生建模方法，其特征在于：包括如下步骤：

S1：通过收集设备对复杂装备进行多源数据收集，获得复杂装备的多源图像数据；

S2：对复杂装备的多源图像数据进行数据预处理和多源数据融合，获得处理后图像数据；所述S2中的数据预处理包括对复杂装备图像的灰度化处理、图像降噪处理、图像归一化处理，

复杂装备图像的灰度化处理公式如下：

；

；

其中为像素点(i,j)对应的灰度化处理对应的像素值，为像素点(i,j)对应的颜色三通道值，为对应的权重系数，X为灰度化处理后对应的矩阵；

图像降噪处理，计算公式如下：

；

其中为降噪处理后对应的像素值，n为降噪选取计算核的大小选取奇数，为计算核内对应的像素值，图像归一化计算公式如下：

；

其中为归一化后像素点(i,j)对应的像素值，为像素值最大值，为像素最小值

归一化后的像素以矩阵形式表达：

；

其中元素为对应像素点(m,n)归一化后的像素值；

所述多源数据融合是通过对归一化后的数据进行特征提取，并通过特征向量和特征值来代表各个数据的特征，具体计算和融合过程如下：

；

；

；

其中，A为数据预处理得到的原始矩阵，为第i个特征向量，E为单位矩阵，为特征向量对应的特征值，B为多源融合矩阵；

S3：对处理后图像数据进行数据工业大数据标签和特征选择以及特征降维，获得输入数据；对处理后图像数据进行数据工业大数据标签和特征选择以及特征降维是通过对多源融合矩阵进行数据工业大数据标签和特征选择；所述工业大数据标签中，通过K-means算法对多源数据进行分类标签算法步骤如下：

S3.1.1：手动规定K个中心点作为K-means算法分类中心簇；

S3.1.2：将融合矩阵作为输入簇进行分类，根据距离进行分类：

；

其中（，）表示中心簇的坐标,,,…,表示多源融合矩阵每一列对应的数值；

S3.1.3：根据各分类簇进行中心簇的重新选择；

S3.1.4：重复S3.2和S3.3直至算法收敛；

所述特征选择和特征降维是通过主成分分析法进行特征选择和降维处理；

通过主成分分析法进行特征选择和降维处理的步骤如下：

S3.2.1：将K-Means融合后的数据作为输入；

S3.2.2：计算协方差矩阵C=其中B是多源融合矩阵，n为矩阵的维度；

S3.2.3：对协方差矩阵进行分解，分解过程如下：

；

；

其中C为协方差矩阵，为特征值，为C的特征向量，为特征向量对应的特征值；

S3.2.4:选取特征值大的特征向量作为主成分；

S4：使用循环神经网络算法对输入数据进行模型训练获得数字；

所述循环神经网络算法步骤如下：

S4.1：确定隐藏层开始状态维度为n*1；

S4.2：对隐藏层进行更新，更新公式如下：

；

其中U为参数维度为n*n，为上一层隐藏层的状态，W为参数维度为n*n,为主成分向量，b为偏置系数维度为n*1；

S4.3：隐藏层的输出如下：

；

S4.4:构建损失函数，当损失函数不在变小或者迭代次数到达则停止迭代，损失函数计算公式如下：

；

其中为预测值，为真实值。

2.根据权利要求1所述的基于多源数据融合的复杂装备数字孪生建模方法，其特征在于：所述S1中的数据收集设备为计算机、手机或相机。

3.根据权利要求1所述的基于多源数据融合的复杂装备数字孪生建模方法，其特征在于：根据循环神经网络迭代训练得到的模型进行多源数据融合的数字孪生建模。