基于数字孪生的故障预测方法、装置、服务器及存储介质制造方法及图纸

本申请适用于数据映射技术领域，提供了一种基于数字孪生的故障预测方法、装置、服务器及存储介质方法，包括：获取目标真实对象的实时数据；根据实时数据生成数字孪生虚拟对象；获取数字孪生虚拟模型中的仿真数据；根据仿真数据，以及预先训练的故障预测模型，得到故障预测结果。可见，本申请实施例可以通过数字孪生技术结合预先训练的故障预测模型的无监督学习特性，达到对真实对象（例如生产线或者车间等）进行准确地故障预测的效果。间等）进行准确地故障预测的效果。间等）进行准确地故障预测的效果。

【技术实现步骤摘要】
基于数字孪生的故障预测方法、装置、服务器及存储介质


[0001]本申请属于数据映射
，尤其涉及一种基于数字孪生的故障预测方法、装置、服务器及存储介质。

技术介绍

[0002]随着“工业4.0”的概念提出，工厂对生产线智能化的需求越来越高，但是大多数生产线不够智能化。现有技术中，一般采用后置报警的方式对生产线故障进行故障提示，但是这种后置报警的故障提示只能减少生产线故障造成的影响。

技术实现思路

[0003]本申请实施例提供了基于数字孪生的故障预测方法、装置、服务器及存储介质，实现对生产线故障的提前预测。
[0004]第一方面，本申请实施例提供了一种基于数字孪生的故障预测方法，包括：获取目标真实对象的实时数据；根据所述实时数据生成数字孪生虚拟对象；获取所述数字孪生虚拟模型中的仿真数据；根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果。
[0005]在第一方面的一种可能的实现方式中，将所述仿真数据输入至预先训练的故障预测模型中，得到故障预测结果之前，还包括：获取目标真实对象的实时训练数据；提取所述实时数据样本中的故障数据；将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型。
[0006]在第一方面的一种可能的实现方式中，提取所述实时数据中的故障数据，包括：根据预先设定的故障数据抽取模型抽取所述实时训练数据中的故障数据。
[0007]在第一方面的一种可能的实现方式中，所述预先训练的故障预测模型包括生成网络和判别网络；将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型，包括：生成噪声数据；将所述噪声数据导入至所述生成网络，得到假样本数据；将所述故障数据作为真实数据，将所述真实数据和所述假样本数据作为输入，判别结果作为输出，并且将所述判别结果作为所述生成网络的反馈输入，根据预设的目标函数对所述判别网络和所述生成网络进行训练，得到预先训练的故障预测模型。
[0008]在第一方面的一种可能的实现方式中，所述预设的目标函数为：=，
其中，表示预设的目标函数，D表示生成网络，G表示对抗网络，E表示期望函数，x表示故障数据，表示故障数据服从分布，z表示噪声数据，表示噪声数据服从分布，表示故障数据导入生成网络后输出的数据，表示噪声数据导入判定网络后输出的数据。
[0009]在第一方面的一种可能的实现方式中，根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果，包括：将所述仿真数据和生成网络根据噪声数据生成的数据导入至判别网络，输出故障预测结果。
[0010]在第一方面的一种可能的实现方式中，根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果之后，还包括：配准所述仿真数据和所述故障预测结果；将配准后的仿真数据和故障预测结果发送至用户终端，以指示用户终端根据配准后的仿真数据和故障预测结果生成监控画面，并显示所述监控画面至用户。
[0011]第二方面，本申请实施例提供了一种基于数字孪生的故障预测装置，包括：第一获取模块，用于获取目标真实对象的实时数据；生成模块，用于根据所述实时数据生成数字孪生虚拟对象；第二获取模块，所述数字孪生虚拟模型中的仿真数据；故障预测模块，用于根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果。
[0012]在一种可能实现的方式中，所述装置还包括：第三获取模块，用于获取目标真实对象的实时训练数据；提取模块，用于提取所述实时数据样本中的故障数据；训练模块，用于将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型。
[0013]在一种可能实现的方式中，所述提取模块包括：抽取单元，用于根据预先设定的故障数据抽取模型抽取所述实时训练数据中的故障数据。
[0014]在一种可能实现的方式中，所述预先训练的故障预测模型包括生成网络和判别网络；所述训练模块，包括：生成噪声数据；将所述噪声数据导入至所述生成网络，得到假样本数据；将所述故障数据作为真实数据，将所述真实数据和所述假样本数据作为输入，判别结果作为输出，并且将所述判别结果作为所述生成网络的反馈输入，根据预设的目标函数对所述判别网络和所述生成网络进行训练，得到预先训练的故障预测模型。
[0015]在一种可能实现的方式中，所述预设的目标函数为：
=，其中，表示预设的目标函数，D表示生成网络，G表示对抗网络，E表示期望函数，x表示故障数据，表示故障数据服从分布，z表示噪声数据，表示噪声数据服从分布，表示故障数据导入生成网络后输出的数据，表示噪声数据导入判定网络后输出的数据。
[0016]在一种可能实现的方式中，所述故障预测模块包括：故障预测单元，用于将所述仿真数据和生成网络根据噪声数据生成的数据导入至判别网络，输出故障预测结果。
[0017]在一种可能实现的方式中，所述基于数字孪生的故障诊断设备，还包括：配准模块，用于配准仿真数据和故障预测结果。
[0018]发送模块，用于将配准后的仿真数据和故障预测结果发送至用户终端，以指示用户终端显示监控画面至用户，所述监控画面包括所述目标真实对象的运行状态以及标记出的故障预测分析。
[0019]第三方面，本申请实施例提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
[0020]第四方面，本申请实施例提供了一种存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
[0021]本申请实施例与现有技术相比存在的有益效果是：本申请实施例中，通过获取目标真实对象的实时数据，根据实时数据生成数字孪生虚拟对象，获取数字孪生虚拟模型中的仿真数据，根据仿真数据，以及预先训练的故障预测模型，得到故障预测结果。可见，本申请实施例可以通过数字孪生技术结合预先训练的故障预测模型的无监督学习特性，达到对真实对象（例如生产线或者车间等）进行准确地故障预测的效果。
附图说明
[0022]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是本申请实施例提供的基于数字孪生的故障预测方法的流程示意图；图2是本申请实施例提供的基于数字孪生的故障预测方法的图1中步骤S108之前的流程示意图；图3是本申请实施例提供的基于数字孪生的故障预测方法的图2中步骤S206的具体实现流程图；图4是本申请实施例提供的基于数字孪生的故障预测方法的图2中步骤S204之后的流程示意图；
图5是本申请实施例提供的基于数字孪生的故障预测装置的结构示意图；图6是本申请实施例提供的服务器的结构示意图；图7是本申请实施例提供的基于数字孪生的故障预测方法的故障预测模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的故障预测方法，其特征在于，包括：获取目标真实对象的实时数据；根据所述实时数据生成数字孪生虚拟对象；获取所述数字孪生虚拟模型中的仿真数据；根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果。2.如权利要求1所述的基于数字孪生的故障预测方法，其特征在于，将所述仿真数据输入至预先训练的故障预测模型中，得到故障预测结果之前，还包括：获取目标真实对象的实时训练数据；提取所述实时数据样本中的故障数据；将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型。3.如权利要求2所述的基于数字孪生的故障预测方法，其特征在于，提取所述实时数据中的故障数据，包括：根据预先设定的故障数据抽取模型抽取所述实时训练数据中的故障数据。4.如权利要求2所述的基于数字孪生的故障预测方法，其特征在于，所述预先训练的故障预测模型包括生成网络和判别网络；将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型，包括：生成噪声数据；将所述噪声数据导入至所述生成网络，得到假样本数据；将所述故障数据作为真实数据，将所述真实数据和所述假样本数据作为输入，判别结果作为输出，并且将所述判别结果作为所述生成网络的反馈输入，根据预设的目标函数对所述判别网络和所述生成网络进行训练，得到预先训练的故障预测模型。5.如权利要求4所述的基于数字孪生的故障预测方法，其特征在于，所述预设的目标函数为：=，其中，表示预设的目标函数，D表示生成网络，G表示对抗网络，E表示期望函数，x表示故...

【专利技术属性】
技术研发人员：崔岩，侯宇灿，揭英达，
申请(专利权)人：五邑大学珠海市四维时代网络科技有限公司，
类型：发明
国别省市：