本发明专利技术公开了基于物联网建模的智能产线数字孪生体建模方法，属于工业生产领域，该建模方法具体步骤如下：Ⅰ、实时收集与预处理智能产线中的多维度数据；Ⅱ、对处理后的智能产线数据进行多维度的特征提取；Ⅲ、基于提取的特征数据构建虚拟模型对生产过程进行模拟；本发明专利技术能够大大提高生产效率，同时在生产需求变化时，能够迅速做出最优响应，有效保证算法的实时性和适应性，保障调度系统的稳定性和高效性，有助于发现隐藏的关联，并进行有效的故障预防，能够在系统运行过程中不断改进，提供更精确的维护计划，减少生产线的意外停机，能够有效降低维护成本并提高生产线的整体资源利用效率。
【技术实现步骤摘要】
本专利技术涉及工业生产领域，尤其涉及基于物联网建模的智能产线数字孪生体建模方法。
技术介绍
1、在现代智能制造体系中，生产线的数字化、智能化已经成为提升制造效率、应对复杂生产需求的关键手段。随着物联网技术的发展，生产设备与系统间的数据交互日益紧密，生产线的实时监控与智能决策也变得尤为重要。作为连接物理世界与虚拟世界的桥梁，数字孪生体技术能够通过创建生产线的虚拟模型，实时反映物理设备的状态，并进行动态分析和优化。传统的生产线监控与优化方案往往依赖于历史数据的分析，缺乏对实时数据的响应能力，无法准确预判生产线中的潜在问题；因此，专利技术出基于物联网建模的智能产线数字孪生体建模方法变得尤为重要。
2、现有的智能产线数字孪生体建模方法生产效率低下，无法在生产需求变化时，迅速做出最优响应，不能保证算法的实时性和适应性，调度系统的稳定性和高效性降低；此外，现有的智能产线数字孪生体建模方法不利于发现隐藏的关联，并进行故障预防，生产线的意外停机的情况较多，增加维护成本并降低生产线的整体资源利用效率；为此，我们提出基于物联网建模的智能产线数字孪生体建模方法。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在的缺陷，而提出的基于物联网建模的智能产线数字孪生体建模方法。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、基于物联网建模的智能产线数字孪生体建模方法，该建模方法具体步骤如下：
4、ⅰ、实时收集与预处理智能产线中的多维度数据；</p>5、ⅱ、对处理后的智能产线数据进行多维度的特征提取；
6、ⅲ、基于提取的特征数据构建虚拟模型对生产过程进行模拟；
7、ⅳ、优化生产线物流和设备调度并实时预测未来生产趋势；
8、ⅴ、推断设备潜在的故障风险并验证与优化虚拟模型。
9、作为本专利技术的进一步方案，步骤ⅰ中所述预处理智能产线中的多维度数据具体步骤如下：
10、s1.1：通过部署的传感器网络实时采集智能产线的各组数据，并检测采集到的产线数据中的缺失值，之后通过均值填充对检测出的缺失值进行推测填补，再将缺失值处理后的各组数据按照由大到小排序；
11、s1.2：计算排序完成的各组数据的第一四分位数、第二四分位数以及第三四分位数，并计算第一四分位数和第三四分位数之间的四分位距，再基于计算出的四分位距定义异常值的上下边界，将小于下边界或大于上边界的数据都标记为异常值，并通过插值法替换异常值；
12、s1.3：通过滑动平均法去除各组产线数据中的噪音，之后通过z-score标准化方法将不同量纲的数据统一到[0,1]范围内，并统一处理后的各组数据的数据单位。
13、作为本专利技术的进一步方案，步骤ⅱ中所述对处理后的智能产线数据进行多维度的特征提取具体步骤如下：
14、s2.1：依据预处理后的各组产线数据，构建对应数据矩阵，其中每行为一个样本，每列为一个特征，并计算每列特征的均值向量，之后将每组特征减去其对应的均值向量，通过计算对应协方差矩阵，以获取各组特征之间的相关性；
15、s2.2：对协方差矩阵进行特征值分解，以得到对应特征向量和特征值，选择多组特征值最大的特征向量，作为主成分方向，并利用选择的特征向量构造低维数据，通过皮尔逊相关系数度量两组特征之间的线性相关性，若两组特征的相关系数超过预设阈值，则去除其中一组特征；
16、s2.3：随机选择多组特征数据点作为簇的初始中心，将每组特征数据点分配到与其欧氏距离最近的簇中心，重新计算每个簇内所有特征数据点的均值，并将该均值作为新的簇中心，重复分配数据点和更新簇中心的步骤，直到达到预设的迭代次数。
17、作为本专利技术的进一步方案，步骤ⅳ中所述优化生产线物流和设备调度具体步骤如下：
18、s3.1：收集智能产线上的物流分拣点、设备站点以及工作中心信息，并依据收集到的各组信息在智能产线上标记对应的节点，初始化各节点之间的路径信息素浓度以及启发式因子，并随机生成多组参与调度问题的探索个体；
19、s3.2：将探索个体随机分布到生产线中的不同节点，根据连接该节点的各组路径上的信息素浓度和启发式因子，计算各路径的选择概率，基于各组路径的选择概率，通过随机选择的方式选择下一步的移动路径；
20、s3.3：每组探索个体重复选择路径并移动，直到完成一条物流路线或一个完整的设备调度方案，并计算该方案的物流成本或调度时间，在所有探索个体完成路径选择后，对路径上的信息素进行更新；
21、s3.4：重复进行路径构建以及信息素更新，直至达到预设的最大迭代次数，并输出具有较小的物流成本或最优的调度效率的最优生产线物流路径和设备调度方案，并将其反馈给工作人员查看。
22、作为本专利技术的进一步方案，步骤ⅳ中所述实时预测未来生产趋势具体步骤如下：
23、s4.1：通过tensorflow深度学习框架构建趋势预测模型，并初始化趋势预测模型中的生成器网络以及判别器网络，之后随机从标准正态分布中采集多组噪声向量；
24、s4.2：将采集到的多组噪声向量输入趋势预测模型中，模型中的生成器网络接收各组噪声向量，并通过多层神经网络将噪声映射为逼真的虚拟数据，之后将生成的虚拟数据以及预处理后的产线数据输入至模型中的判别器网络中；
25、s4.3：判别器网络通过多层神经网络对虚拟数据以及真实产线数据进行判别，并输出虚拟数据以及真实产线数据分别为真实数据的概率，并依据判别器网络的输出结果，通过交叉熵损失函数计算该判别器网络的判断误差，基于损失函数值，通过梯度下降法更新判别器网络的参数；
26、s4.4：生成器网络接收虚拟数据被判断为真实数据的概率，并通过交叉熵损失函数计算生产器网络的生成误差，再通过adam优化对生成器网络进行参数更新，重复进行判别器以及生成器的交替迭代，直至判别器网络以及生成器网络误差收敛至预设范围内；
27、s4.5：训练完成后，通过生成器网络生成的虚拟数据补全原始产线数据中的空缺值，并在补全数据后，基于历史数据的分布规律，通过随机噪声输入，通过训练好的生成器生成多组生产场景，以预测生产趋势。
28、作为本专利技术的进一步方案，步骤ⅴ中所述推断设备潜在的故障风险具体步骤如下：
29、s5.1：收集设备状态、传感器数据、故障类别以及外部环境各组数据，并基于领域专家的知识或历史数据，分析收集的各组数据之间的因果关系，通过用有向边连接，以构建对应有向无环图形式的贝叶斯网络，其中有向无环图中各节点分别代表一组数据；
30、s5.2：通过数据驱动的算法优化贝叶斯网络结构，调整变量之间的依赖关系，之后依据各组数据之间的因果关系，确定网络结构中各节点对应的父节点，并通过对大量历史数据进行统计分析，获取该节点在不同父节点条件下的概率分布；
31、s5.3：收集各组概率分布值，并生成各节点对应的条件概率表本文档来自技高网
...
【技术保护点】
1.基于物联网建模的智能产线数字孪生体建模方法，其特征在于，该建模方法具体步骤如下：
2.根据权利要求1所述的基于物联网建模的智能产线数字孪生体建模方法，其特征在于，步骤Ⅰ中所述预处理智能产线中的多维度数据具体步骤如下：
3.根据权利要求2所述的基于物联网建模的智能产线数字孪生体建模方法，其特征在于，步骤Ⅱ中所述对处理后的智能产线数据进行多维度的特征提取具体步骤如下：
4.根据权利要求1所述的基于物联网建模的智能产线数字孪生体建模方法，其特征在于，步骤Ⅳ中所述优化生产线物流和设备调度具体步骤如下：
5.根据权利要求3所述的基于物联网建模的智能产线数字孪生体建模方法，其特征在于，步骤Ⅳ中所述实时预测未来生产趋势具体步骤如下：
6.根据权利要求1所述的基于物联网建模的智能产线数字孪生体建模方法，其特征在于，步骤Ⅴ中所述推断设备潜在的故障风险具体步骤如下：
【技术特征摘要】
1.基于物联网建模的智能产线数字孪生体建模方法，其特征在于，该建模方法具体步骤如下：
2.根据权利要求1所述的基于物联网建模的智能产线数字孪生体建模方法，其特征在于，步骤ⅰ中所述预处理智能产线中的多维度数据具体步骤如下：
3.根据权利要求2所述的基于物联网建模的智能产线数字孪生体建模方法，其特征在于，步骤ⅱ中所述对处理后的智能产线数据进行多维度的特征提取具体步骤如下：
4...
【专利技术属性】
技术研发人员：赵亮，
申请(专利权)人：江苏建筑职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。