【技术实现步骤摘要】
本专利技术属于人工智能，具体涉及一种数字孪生模型构建方法。
技术介绍
1、数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。根据数字孪生，可以快速构建仿真模型模拟不同场景，数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。
2、目前工业设备逐步趋于精密化，通过构建数字孪生模型，能够精准分析工业设备的运行情况，在模型构建过程中，需要对模型进行校准验证，以保证模型的准确性与可靠性，但是现有技术在模型构建过程中不能够合理分配模型优化资源，无法对构建的数字孪生模型进行相应的优化，从而无法提高模型的准确性，同时在模型预测阶段，未对模型的预测过程进行检验与修正，因此无法提高模型预测的精准度。
技术实现思路
1、本专利技术针对现有技术下的问题，本申请采用的技术方案为：一种数字孪生模型构建方法，包括：
2、采集历史数据，建立历史数据库，通过动态抽取算法从历史数据库中抽取样本，利用样本构建数字孪生模型；
3、在模型预测阶段对生成的数字孪生模型进行数据矫正；
4、利用数据矫正好的数字孪生模型对实时数据流进行预测，获取目标数据集合；
5、记录初始数字孪生仿真模型构建中的参数和数据变化；对初始数字孪生仿真模型的可行性、灵敏性、实用性和稳定性做出评价，符合评价标准的数字孪生模型作为最终数字孪
6、进一步的，历史数据库采用memcahed数据库，采用不断追加记录的方式进行存储，利用memcached客户端封装后得到多个实例化集群，每个客户端连接集群中的一个服务器主机，服务器主机通过调用主态进程进行赋值操作，服务器主机的主备切换时，读取hmemecached内存中的历史数据并完成切换操作。
7、进一步的，通过动态抽取模型从历史数据库中抽取样本，建立数字孪生模型；动态抽取模型采用dbscan密度聚类算法对样本点数据进行密集区域与稀疏区域的划分，dt＝1+na/y，na表示圆域内样本点个数，y表示数据样本总数，通过密度因素构建sparql查询关联数据，sparql查询关联数据包含的领域知识关系，然后针对每一个知识关系构建知识图谱概览三元组并形成知识图谱概览g1，再提取每个知识分类的知识图谱概览三元组并形成知识图谱概览g2，最终合并两者成为完整的关联数据知识图谱概，从关联数据知识图谱概中针对关联度进行样本点的抽取，所抽取的样本点与知识图谱相关联；提取的样本点输入训练好的大语言模型进行特征提取，特征提取阶段基于birch算法提取最优样本点集合进行字段单元构建，通过正则表达式对字段进行匹配成完整数据，提取完整数据作为最终的抽取样本特征。
8、进一步的，利用深度学习算法处理抽取样本构建数据模型，将对应的实体模型加载至数据模型中，以形成数字孪生模型。
9、进一步的，所述模型预测阶段对生成的数字孪生模型进行数据矫正，通过未参与建模样本中筛选价值样本对数字孪生模型进行训练，对目标对象的三维模型与目标对象实体进行映射分析，得出每个偏移点的偏移值，对三维模型进行矫正，并计算偏移矫正系数。
10、进一步的，所述利用数据矫正好的数字孪生模型对实时数据流进行预测，获取目标数据集合。
11、进一步的，可采用正常概率密度的特征和异常数据的概率密度的特征的比较值，对数字孪生仿真模型的获取数据进行评价，比较值越高代表模型评价越高。
12、与现有技术相比，本专利技术的优点和积极效果在于：
13、本专利技术采用一种数字孪生模型构建方法，采集历史数据，建立历史数据库，通过动态抽取算法从历史数据库中抽取样本，利用样本构建数字孪生模型；在模型预测阶段对生成的数字孪生模型进行数据矫正；利用数据矫正好的数字孪生模型对实时数据流进行预测，获取目标数据集合；记录初始数字孪生仿真模型构建中的参数和数据变化；对初始数字孪生仿真模型的可行性、灵敏性、实用性和稳定性做出评价，符合评价标准的数字孪生模型作为最终数字孪生模型，模型构建过程中能够合理分配模型优化资源，对构建的数字孪生模型进行相应的优化，从而提高模型的准确性，同时在模型预测阶段，对模型的预测过程进行检验与修正，可以提高模型预测的精准度。
本文档来自技高网...【技术保护点】
1.一种数字孪生模型构建方法，其特征在于，包括：
2.根据权利要求1所述的一种数字孪生模型构建方法，其特征在于，历史数据库采用memcahed数据库，采用不断追加记录的方式进行存储，利用memcached客户端封装后得到多个实例化集群，每个客户端连接集群中的一个服务器主机，服务器主机通过调用主态进程进行赋值操作，服务器主机的主备切换时，读取Hmemecached内存中的历史数据并完成切换操作。
3.根据权利要求1所述的一种数字孪生模型构建方法，其特征在于，通过动态抽取模型从历史数据库中抽取样本，建立数字孪生模型；动态抽取模型采用DBSCAN密度聚类算法对样本点数据进行密集区域与稀疏区域的划分，dt＝1+na/Y，na表示圆域内样本点个数，Y表示数据样本总数，通过密度因素构建SPARQL查询关联数据，SPARQL查询关联数据包含的领域知识关系，然后针对每一个知识关系构建知识图谱概览三元组并形成知识图谱概览G1，再提取每个知识分类的知识图谱概览三元组并形成知识图谱概览G2，最终合并两者成为完整的关联数据知识图谱概，从关联数据知识图谱概中针对关联度进行样本点的抽
4.根据权利要求1所述的一种数字孪生模型构建方法，其特征在于，利用深度学习算法处理抽取样本构建数据模型，将对应的实体模型加载至数据模型中，以形成数字孪生模型。
5.根据权利要求1所述的一种数字孪生模型构建方法，其特征在于，所述模型预测阶段对生成的数字孪生模型进行数据矫正，通过未参与建模样本中筛选价值样本对数字孪生模型进行训练，对目标对象的三维模型与目标对象实体进行映射分析，得出每个偏移点的偏移值，对三维模型进行矫正，并计算偏移矫正系数。
6.根据权利要求1所述的一种数字孪生模型构建方法，其特征在于，所述利用数据矫正好的数字孪生模型对实时数据流进行预测，获取目标数据集合。
7.根据权利要求1所述的一种数字孪生模型构建方法，其特征在于，可采用正常概率密度的特征和异常数据的概率密度的特征的比较值，对数字孪生仿真模型的获取数据进行评价，比较值越高代表模型评价越高。
...【技术特征摘要】
1.一种数字孪生模型构建方法，其特征在于，包括：
2.根据权利要求1所述的一种数字孪生模型构建方法，其特征在于，历史数据库采用memcahed数据库，采用不断追加记录的方式进行存储，利用memcached客户端封装后得到多个实例化集群，每个客户端连接集群中的一个服务器主机，服务器主机通过调用主态进程进行赋值操作，服务器主机的主备切换时，读取hmemecached内存中的历史数据并完成切换操作。
3.根据权利要求1所述的一种数字孪生模型构建方法，其特征在于，通过动态抽取模型从历史数据库中抽取样本，建立数字孪生模型；动态抽取模型采用dbscan密度聚类算法对样本点数据进行密集区域与稀疏区域的划分，dt＝1+na/y，na表示圆域内样本点个数，y表示数据样本总数，通过密度因素构建sparql查询关联数据，sparql查询关联数据包含的领域知识关系，然后针对每一个知识关系构建知识图谱概览三元组并形成知识图谱概览g1，再提取每个知识分类的知识图谱概览三元组并形成知识图谱概览g2，最终合并两者成为完整的关联数据知识图谱概，从关联数据知识图谱概中针对关联度进行样本点的抽取，所抽取的样本点与知识...
【专利技术属性】
技术研发人员：田日辉，孙晓田，白欲立，
申请(专利权)人：联想新视界北京科技有限公司，
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。