面向工业物联网的数字孪生建模方法

本发明属于物联网领域。

背景技术：

1、工业物联网通过物联网设备将不同的工业设备连接，加深了不同设备之间以及设备与工人之间的联系。随着设备的不断增多，确保工业设备的稳定运行变得愈发重要。随着工业物联网的快速发展，各种工业设备的联系变得更加紧密，数字化转型成为一种趋势。作为工业物联网中的重要一环，电力系统随着各种用电设备的增加，以及新能源的快速发展，正变得越来越复杂，这阻碍了数字孪生的建立。数据驱动的学习模型作为一种有前途的范例，可以通过神经网络的学习能力来解决建立数字孪生的问题。

2、目前，已有一些工作聚焦于使用神经网络建立数字孪生，其目的都是通过数字孪生分析并反映物理实体的状态，但仍然是有限的。因此，数字孪生可以在虚拟环境中实现实时监控、操作和优化。多尺度数字孪生质量知识模型被研究，为基于数字孪生的决策提供数据支持。为了提升光伏太阳能农场的效率，zohdi将基于基因组的机器学习算法与数字孪生相结合。然而，虽然通过神经网络可以建立数字孪生，但数字孪生的性能依赖于充足的数据来训练模型，在工业物联网中，一些设备处于复杂的工作环境，此时受环境和经济因素的影响，获得充足的可用于训练模型的数据是困难的，只有少量数据可以被用于建立数字孪生。此外，复杂环境中数据采集和传输设备的故障会导致部分数据缺失，这也会导致数据不充分问题。不足的训练数据会导致数字孪生的性能快速退化，无法准确反映物理实体的运行。在这种情况下，充足的数据是确保数字孪生成功建立的关键。

技术实现思路

1、本发明是为了解决在工业物联网中用于训练数字孪生模型的数据不充足，导致数字孪生的性能快速退化，无法准确反映物理实体的运行的问题，现提供面向工业物联网的数字孪生建模方法。

2、面向工业物联网的数字孪生建模方法，包括：

3、s1：利用informer的编码器和解码器分别构建特征提取器和回归预测器，利用分类器构建领域分类器，获得数字孪生模型；

4、s2：利用所述特征提取器提取时间序列数据中的时间特征，所述时间序列数据包括源域数据和目标域数据，所述源域数据为工业物联网中实际设备的运行数据，所述目标域数据为目标工业物联网环境中实际设备的运行数据；

5、s3：利用所述回归预测器将所述时间特征的维度降低并输出回归损失；

6、s4：利用所述领域分类器辨别所述时间特征来自源域数据还是目标域数据，获得领域分类损失；

7、s5：所述特征提取器将根据所述回归损失和领域分类损失获得源域数据与目标域数据的公共特征，并将该公共特征与目标域数据的时间特征共同输入至所述回归预测器；

8、重复上述s2至s5直至所述数字孪生模型的损失达到最小，实现工业物联网的数字孪生。

9、进一步的，上述数字孪生模型的损失函数l(θf,θy,θd)表达式为：

10、

11、其中，θf、θy和θd分别为特征提取器、回归预测器和领域分类器的权重参数，λ为源域数据至目标域数据的迁移率且有λ∈[0,1]，τ1和τ2均为常数，ns和nt分别为源域数据和目标域数据的数据量，i＝1,2,...,nt，j＝1,2,...,ns，ly(θf,θy)表示回归预测器的回归损失，ld(θf,θd)表示领域分类器的交叉熵损失。

12、进一步的，上述特征提取器、回归预测器和领域分类器的权重参数θf、θy和θd的更新表达式如下：

13、

14、

15、

16、其中，η为学习率，μ为常数，和分别表示在第i次迭代中的回归损失和交叉熵损失。

17、进一步的，上述领域分类器还包括梯度反转层，所述梯度反转层用于在特征提取器和领域分类器之间同时实现回归损失和交叉熵损失的最小化。

18、进一步的，上述梯度反转的表达式如下：

19、rλ(x)＝x

20、

21、其中，rλ(·)为梯度翻转层的伪函数，x为rλ(·)的变量，μ为常数，i表示单位矩阵。

22、进一步的，上述领域分类器利用对抗迁移学习的方法辨别所述时间特征辨别所述时间特征来自源域数据还是目标域数据；

23、所述对抗迁移学习的方法采用领域对抗神经网络实现。

24、进一步的，利用皮尔逊相关性度量方法、余弦相似度度量方法或互相关度量方法判断源域数据和目标域数据是否具有相似性，以避免负迁移。

25、进一步的，上述皮尔逊相关性度量方法表达式为：

26、

27、其中，表示皮尔逊距离，和表示被度量相关性的两个序列，为皮尔逊相关系数。

28、进一步的，上述余弦相似度度量方法表达式为：

29、

30、其中，表示余弦距离，和表示被度量相关性的两个序列，为余弦相似度。

31、进一步的，上述互相关度量方法表达式为：

32、

33、其中，表示互相关距离，和表示被度量相关性的两个序列，表示互相关序列与各序列自相关的几何平均值中的最大值。

34、本发明的有益效果如下：

35、本发明所述的面向工业物联网的数字孪生建模方法，使用了数据分析的方法，分析了源域与目标域之间的相似度。进一步地，为了解决数字孪生建模过程中迁移多少知识的问题，在相似度的基础上定义了迁移率的概念。考虑到数字孪生与物理世界的差异，以及迁移过程中产生的迁移损失，给出了不充分数据数字孪生建模算法。基于真实数据集的数值结果表明，本发明能够实现不充分数据条件下的数字孪生建模。进一步的实验表明，迁移率对所提出的数字孪生建模算法的性能有很大的影响。

技术特征：

1.面向工业物联网的数字孪生建模方法，其特征在于，包括：

2.根据权利要求1所述的面向工业物联网的数字孪生建模方法，其特征在于，所述数字孪生模型的损失函数l(θf,θy,θd)表达式为：

3.根据权利要求2所述的面向工业物联网的数字孪生建模方法，其特征在于，所述特征提取器、回归预测器和领域分类器的权重参数θf、θy和θd的更新表达式如下：

4.根据权利要求2所述的面向工业物联网的数字孪生建模方法，其特征在于，所述领域分类器还包括梯度反转层，所述梯度反转层用于在特征提取器和领域分类器之间同时实现回归损失和交叉熵损失的最小化。

5.根据权利要求4所述的面向工业物联网的数字孪生建模方法，其特征在于，所述梯度反转的表达式如下：

6.根据权利要求1、2、3、4或5所述的面向工业物联网的数字孪生建模方法，其特征在于，所述领域分类器利用对抗迁移学习的方法辨别所述时间特征辨别所述时间特征来自源域数据还是目标域数据；

7.根据权利要求6所述的面向工业物联网的数字孪生建模方法，其特征在于，

8.根据权利要求7所述的面向工业物联网的数字孪生建模方法，其特征在于，所述皮尔逊相关性度量方法表达式为：

9.根据权利要求7所述的面向工业物联网的数字孪生建模方法，其特征在于，所述余弦相似度度量方法表达式为：

10.根据权利要求7所述的面向工业物联网的数字孪生建模方法，其特征在于，所述互相关度量方法表达式为：

技术总结面向工业物联网的数字孪生建模方法，涉及物联网领域。本发明是为了解决在工业物联网中用于训练数字孪生模型的数据不充足，导致数字孪生的性能快速退化，无法准确反映物理实体的运行的问题。本发明所述的面向工业物联网的数字孪生建模方法，使用了数据分析的方法，分析了源域与目标域之间的相似度。为了解决数字孪生建模过程中迁移多少知识的问题，在相似度的基础上定义了迁移率的概念。考虑到数字孪生与物理世界的差异，以及迁移过程中产生的迁移损失，给出了不充分数据数字孪生建模算法。基于真实数据集的数值结果表明，本发明能够实现不充分数据条件下的数字孪生建模。进一步的实验表明，迁移率对所提出的数字孪生建模算法的性能有很大的影响。技术研发人员：关心,刘杨,刘永楠受保护的技术使用者：黑龙江大学技术研发日：技术公布日：2024/11/4