基于数字孪生的工业设备状态推演评估方法

1.本发明涉及数字孪生领域，尤其涉及一种数字孪生中状态推演评估方法。


背景技术：

2.数字孪生是指利用数字技术在虚拟环境中构建出与实际物理系统相对应的“数字孪生”模型，通过与实际物理系统的数据互联来完成现实世界的模拟、分析和预测，从而提高现实世界中的运行效率和准确性。
3.在面向数据中心基础设施场景下，设备故障对数据中心的正常运行和业务安全性都有很大影响。因此，开发数字孪生推演评估技术对于保障数据中心设备的可靠性和稳定性，提高数据中心的运行效率和业务安全性具有非常重要的意义。
4.传统的监测方法往往只能在设备故障发生后才进行报警，而无法提前进行预警和发现设备状态的异常变化。数字孪生推演评估技术通过将实物设备与数字模型进行通信链接，将数字模型构建为实物设备的虚拟映像，通过数字设备模型的运行状态数据进行推演评估，从而实现对运行状态异常的设备进行预警和故障分析。同时，数字孪生技术还可以帮助优化设备的设计和运行参数，提高设备的性能和效率，从而降低数据中心的能耗和维护成本。
5.总之，数字孪生推演评估技术在数据中心设备故障预警和优化管理方面具有广泛的应用前景，可以提高数据中心的可靠性、稳定性和运行效率，为数据中心的安全和稳定运营提供重要保障。


技术实现要素：

6.针对上述问题，本发明提供了基于数字孪生的工业设备状态推演评估方法，将数字孪生应用于数据中心场景下，达到提升数据中心的可靠性、稳定性和运行效率的目的，从而为数据中心的安全和稳定运营提供基础。
7.基于数字孪生的工业设备状态推演评估方法，具体操作步骤如下：
8.步骤1：结合数字孪生技术，为数据中心场景内的实体设备建立数字虚拟模型，并与实体设备进行通信交互，确保数据中心场景内实体设备的实时运行状态信息以及实时环境信息与数字虚拟模型同步；
9.步骤2：以数据中心场景内实体设备的历史运行状态信息以及环境信息为经验样本数据，利用统计直方图方法，构造状态序列(s1,s2,
…
,sk)，用以描述设备运行过程中所处的不同状态，每个状态对应的设备寿命为(d1,d2,
…
,dk)，并构建状态转移概率矩阵pk×k以及判断矩阵x6×4；
10.步骤3：建立以设备运行时长l、设备电流强度i、设备电压等级u为参数的，并考虑环境影响因素温度t、湿度h、空气灰尘质量a，以设备状态为结果的状态评估公式；
11.步骤4：根据状态评估公式，计算得到当前设备的评估状态值q0，并在状态序列中匹配最接近的状态，进而得到相应的设备预期寿命
12.步骤5：在q0的基础上，根据状态转移概率矩阵得到转移状态序列，进行1次推演，得到第1次推演的状态评估矩阵q1，得到对应的状态概率矩阵p
r1
，对q1中的每一个评估状态值在状态序列中匹配最接近的状态，并得到对应的设备预期寿命
13.步骤6：迭代步骤5进行重复推演，直到设备预期寿命小于安全值ds，得到第num次推演的状态评估矩阵q
num
，及对应的状态概率矩阵p
rnum
，对q
num
中的每一个评估状态值在状态序列中匹配最接近的状态，并得到对应的设备预期寿命
14.步骤7：统计直到推演结束时整个推演过程中的设备预期寿命，得到推演期望寿命
15.步骤8：根据设备真实运行寿命与推演期望寿命对状态评估矩阵进行反馈修正。
16.进一步地，步骤2中状态转移概率矩阵pk×k和判断矩阵x6×4的表达式具体为：
[0017][0018][0019]
其中，p(sj|si)表示由状态si转移到状态sj的概率，且
[0020]
1≤i,j≤k，x
mn
表示第m个评估因素处于第n个等级，评估因素分别为l,i,u,t,h,a，评估等级包括[无,低,中,高]四个等级，1≤m≤6,1≤n≤4。
[0021]
进一步地，步骤3中状态评估公式的表达式为：
[0022][0023]
其中，(a1，a2，a3，a4，a5，a6)＝(l，u，i，t，h，a)，d为设备与安全线的距离，dh和d
l
为安全上限和下限，μm为第m个评估因素的期望安全值，k1为放大系数，wm为第m个评估因素的权重，评估因素分别为l，i，u，t，h，a。
[0024]
进一步地，第m个评估因素的权重wm的表达式为：
[0025][0026][0027]
[0028]
其中，m＝1，2，
…
，6，n＝1，2，
…
，4，x
mn
表示第m个评估因素处于第n个等级，，评估因素分别为l，i，u，t，h，a，评估等级包括[无，低，中，高]四个等级。
[0029]
进一步地，步骤4具体为：
[0030][0031]
其中，r0为在状态序列中匹配得到的最接近q0的状态编号。
[0032]
进一步地，步骤5中转移状态序列p
r0
＝p`
r0
，其中，p`
r0
为状态转移概率矩阵pk×k中的第r0行，r0为在状态序列中匹配得到的最接近q0的状态编号。
[0033]
进一步地，步骤5中第1次推演的状态评估矩阵q1及对应的状态概率矩阵p
r1
的表达式为：
[0034][0035]
其中，τ(1)表示震荡函数τ的第1次取的随机值，τ为服从高斯分布τ～n(μ，σ2)的震荡函数，μ，σ2分别为该震荡函数的均值与期望方差；
[0036]
对q1中的每个状态评估值在状态序列中匹配最接近的状态和对应的设备预期寿命具体为：
[0037][0038][0039]
其中，为q1中第k个元素，表示中第k个元素的值，d
th
是设备可使用寿命阈值，为l1的转置。
[0040]
进一步地，步骤6中第num次推演的状态评估矩阵q
num
以及对应的状态概率矩阵p
rnum
，设备预期寿命具体如下：
[0041][0042]
其中，为q
num
中第k
num
个元素，为中第k
num
个元素，τ(num)表示震荡函数τ的第num次取的随机值，为第num-1次推演的状态评估矩阵q
num-1
中的第k
num-1
行，为状态概率矩阵p
rnum-1
中的第k
num-1
行，表示l
num
的转置，d
th
是设备可使用寿命阈值。
[0043]
进一步地，步骤6中推演期望寿命的表达式为：
[0044][0045]
其中，num为截止推演结束时进行的总推演次数。
[0046]
进一步地，步骤7中根据设备真实运行寿命与推演期望寿命按照以下公式更新设备可使用寿命阈值d
th
，实现对状态评估矩阵的反馈修正：
[0047][0048][0049]
其中，为设备真实运行寿命，new_d
th
为更新后的设备可使用寿命阈值。
[0050]
有益效果
[0051]
传统的监测方法往往只能在设备故障发生后才进行报警，而无法提前进行预警和发现设备状态的异常变化。本专利提出的数字孪生推演评估方法通过将实物设备与数字模型进行通信链接，将数字模型构建为实物设备的虚拟映像，通过数字设备模型的运行状态数据进行推演评估，从而实现对运行状态异常的设备进行预警和故障分析。
附图说明
[0052]
图1是本发明的流程图。
具体实施方式
[0053]
下面结合附图以及具体实施例对本发明的技术方案作进一步阐述：
[0054]
一种基于数字孪生的工业设备状态推演评估方法，如图1所示，具体操作步骤如下：
[0055]
步骤s101，结合数字孪生技术，为数据中心场景内的实体设备建立数字虚拟模型，并与实体设备进行通信交互，确保数据中心场景内实体设备的实时运行状态信息以及实时环境信息与数字虚拟模型同步。
[0056]
首先，对数据中心场景中的设备进行建模，模型的物理特性、运行状况与实体设备一致；其次，通过传感器采集环境与设备的实时数据，并将数据转化为数字格式，与数字虚拟模型进行数据交互；然后，将数学模型与转化为数字格式的实时数据融合，建立数字孪生模型。
[0057]
步骤s102，利用对经验样本数据(历史的设备运行状况信息和环境数据)统计直方图方法，构造完整状态序列(s1，s2，...，sk)用以描述设备运行过程中所处的不同状态，sk指的是设备运行过程中的第k个状态，一个设备从健康状态到容易出现故障的异常状态之间有一个逐渐演变的过程，将这个过程划分为k个状态，且这k个状态各自都有对应的设备寿命，形成设备寿命序列为(d1，d2，...，dk)，并构建状态转移概率矩阵pk×k以描述设备的状态
转移关系以及判断矩阵x6×4，判断矩阵中考虑了设备内部的三个影响因素(设备运行时长l、设备电流强度i、设备电压等级u)和三个外部环境的影响因素(温度t、湿度h、空气灰尘质量a)，并将每个影响因素按影响程度分成了[无，低，中，高]四个等级。
[0058][0059][0060]
其中，p(sj|si)表示由状态si转移到状态sj的概率，且任意一行的概率之和为1，即x
mn
表示第m个评估因素处于第n个等级，每一行对应的评估因素分别为l,i,u,t,h,a，评估等级包括[无,低,中,高]四个等级，1≤m≤6,1≤n≤4。
[0061]
步骤s103，通过对数字虚拟模型的设备内部状态影响因素进行实时监测，建立以设备运行时长l、设备电流强度i、设备电压等级u为参数的，并考虑环境影响因素温度t、湿度h、空气灰尘质量a，以设备状态为结果的状态评估公式，根据该公式得到当前设备评估状态值q0，在状态序列中匹配最接近的状态，并得到对应的设备预期寿命
[0062][0063]
其中，(a1,a2,a3,a4,a5,a6)＝(l,u,i,t,h,a)，d为设备与安全线的距离，dh和d
l
为安全上限和下限；μm为评估因素的期望安全值，由专家经验从历史数据中得到；k1为放大系数，用于将q0映射到状态序列中。
[0064]
第m个评估因素的权重wm由判断矩阵x6×4通过熵权法得到：
[0065][0066]
基于每个设备内部状态影响因素的信息熵计算对应的权重wm：
[0067][0068]
根据得到的q0，在完整状态序列中找到最接近的状态，并得到该状态对应的设备寿命
[0069]
[0070]
其中，q0最接近状态序列中的第r0个状态，为对应状态的预期寿命，p`
r0
为状态转移概率矩阵中的第r0行。
[0071]
步骤s104，在q0的基础上，根据状态转移概率矩阵得到设备的转移状态序列p
r0
，进行1次推演，得到第1次推演的设备评估状态值矩阵q1，矩阵大小为1
×
k，对应的状态概率矩阵p
r1
，矩阵大小为1
×
k，对q1中的每一个状态值寻找最接近的状态并得到对应的设备预期寿命
[0072][0073]
其中，τ(1)表示震荡函数τ的第1次取的随机值，τ为服从高斯分布τ～n(μ,σ2)的震荡函数，μ,σ2分别为该震荡函数的均值与期望方差，由下列公式得到：
[0074][0075]
其中，根据q1中的每个状态评估值在完整状态序列中找到最接近的状态和对应状态的预期寿命，并创建与q1相同大小的预期寿命矩阵l1，用于计算预期寿命具体步骤如下：
[0076][0077][0078]
其中，表示中第k个元素的值；d
th
是设备可使用寿命阈值，为(d1,d2,
…
,dk)中的某一个值，预期寿命矩阵中小于d
th
的取0；为l1的转置，为q1对应的预期寿命。
[0079]
步骤s105，迭代步骤s104进行推演直到设备预期寿命小于安全值ds，根据如下树型分支结构推演公式得到第num次推演的设备推演状态矩阵q
num
，矩阵大小为1
×knum
，及对应的状态概率矩阵p
rnum
，矩阵大小为1
×knum
，对q
num
中的每一个状态值在完整状态序列中寻找最接近的状态并得到对应的设备预期寿命
[0080][0081]
其中，τ(num)表示震荡函数τ的第num次取的随机值，为状态评估矩阵q
num-1
中的第k
num-1
行，为状态概率矩阵p
rnim-中的第k
num-1
行，表示l
num
的转置。
[0082]
每次推演会得到一个设备预期寿命，考虑到概率的因素，这个设备预期寿命推演次数越多就越小，因此必定会小于一个安全值，此时得到最终推演次数，num是指到推演终止这个过程中的任意一次推演，num是终止时的推演次数。
[0083]
步骤s106，统计直到推演结束时推演过程中的总的设备预期寿命，得到推演期望寿命
[0084][0085]
其中，num为推演结束时进行的总推演次数。
[0086]
步骤s107，根据设备实际运行寿命与推演期望寿命进行反馈修正更新d
th
：
[0087][0088][0089]
其中，为设备真实运行寿命，new_d
th
为反馈更新后的设备可使用寿命阈值，更新完毕后，使用new_d
th
更新评估公式中对应的值并参与计算。
[0090]
应当指出，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也在本技术权利要求的保护范围内。

技术特征：
1.基于数字孪生的工业设备状态推演评估方法，其特征在于，该方法具体步骤如下：步骤1：结合数字孪生技术，为数据中心场景内的实体设备建立数字虚拟模型，并与实体设备进行通信交互，确保数据中心场景内实体设备的实时运行状态信息以及实时环境信息与数字虚拟模型同步；步骤2：以数据中心场景内实体设备的历史运行状态信息以及环境信息为经验样本数据，利用统计直方图方法，构造状态序列(s1,s2,
…
,s
k
)，s
k
指的是设备运行过程中的第k个状态，对应的设备寿命序列为(d1,d2,
…
,d
k
)，并构建状态转移概率矩阵p
k
×
k
以及判断矩阵x6×4；步骤3：建立以设备运行时长l、设备电流强度i、设备电压等级u为参数的，并考虑环境影响因素温度t、湿度h、空气灰尘质量a，以设备状态为结果的状态评估公式；步骤4：根据状态评估公式，计算得到当前设备的评估状态值q0，并在状态序列中匹配最接近的状态，进而得到相应的设备预期寿命步骤5：在q0的基础上，根据状态转移概率矩阵得到转移状态序列，进行1次推演，得到第1次推演的状态评估矩阵q1，得到对应的状态概率矩阵p
r1
，对q1中的每一个评估状态值在状态序列中匹配最接近的状态，并得到对应的设备预期寿命步骤6：迭代步骤5进行重复推演，直到设备预期寿命小于安全值d
s
，得到第num次推演的状态评估矩阵q
num
，及对应的状态概率矩阵p
rnum
，对q
num
中的每一个评估状态值在状态序列中匹配最接近的状态，并得到对应的设备预期寿命步骤7：统计直到推演结束时整个推演过程中的设备预期寿命，得到推演期望寿命步骤8：根据设备真实运行寿命与推演期望寿命对状态评估矩阵进行反馈修正。2.根据权利要求1所述的基于数字孪生的工业设备状态推演评估方法，其特征在于，步骤2中状态转移概率矩阵p
k
×
k
和判断矩阵x6×4的表达式具体为：的表达式具体为：其中，p(s
j
|s
i
)表示由状态s
i
转移到状态s
j
的概率，且1≤i，j≤k，x
mn
表示第m个评估因素处于第n个等级，评估因素分别为l，i，u，t，h，a，评估等级包括[无，低，中，高]四个等级，1≤m≤6，1≤n≤4。3.根据权利要求1所述的基于数字孪生的工业设备状态推演评估方法，其特征在于，步骤3中状态评估公式的表达式为：
其中，(a1，a2，a3，a4，a5，a6)＝(l，u，i，t，h，a)，d为设备与安全线的距离，d
h
和d
l
为安全上限和下限，μ
m
为第m个评估因素的期望安全值，k1为放大系数，w
m
为第m个评估因素的权重，评估因素分别为l，i，u，t，h，a。4.根据权利要求1所述的基于数字孪生的工业设备状态推演评估方法，其特征在于，第m个评估因素的权重w
m
的表达式为：的表达式为：的表达式为：其中，m＝1，2，
…
，6，n＝1，2，
…
，4，x
mn
表示第m个评估因素处于第n个等级，，评估因素分别为l，i，u，t，h，a，评估等级包括[无，低，中，高]四个等级。5.根据权利要求1所述的基于数字孪生的工业设备状态推演评估方法，其特征在于，步骤4具体为：其中，r0为在状态序列中匹配得到的最接近q0的状态编号。6.根据权利要求1所述的基于数字孪生的工业设备状态推演评估方法，其特征在于，步骤5中转移状态序列其中，为状态转移概率矩阵p
k
×
k
中的第r0行，r0为在状态序列中匹配得到的最接近q0的状态编号。7.根据权利要求1所述的基于数字孪生的工业设备状态推演评估方法，其特征在于，步骤5中第1次推演的状态评估矩阵q1及对应的状态概率矩阵p
r1
的表达式为：其中，τ(1)表示震荡函数τ的第1次取的随机值，τ为服从高斯分布τ～n(μ，σ2)的震荡函数，μ，σ2分别为该震荡函数的均值与期望方差；对q1中的每个状态评估值在状态序列中匹配最接近的状态和对应的设备预期寿命具体为：
其中，为q1中第k个元素，表示中第k个元素的值，d
th
是设备可使用寿命阈值，为l1的转置。8.根据权利要求1所述的基于数字孪生的工业设备状态推演评估方法，其特征在于，步骤6中第num次推演的状态评估矩阵q
num
以及对应的状态概率矩阵p
rnum
，设备预期寿命具体如下：其中，为q
num
中第k
num
个元素，为中第k
num
个元素，τ(num)表示震荡函数τ的第num次取的随机值，为第num-1次推演的状态评估矩阵q
num-中的第k
num-1
行，为状态概率矩阵p
rnu
中的第k
num-1
行，表示l
num
的转置，d
th
是设备可使用寿命阈值。9.根据权利要求1所述的基于数字孪生的工业设备状态推演评估方法，其特征在于，步骤6中推演期望寿命的表达式为：其中，num为截止推演结束时进行的总推演次数。10.根据权利要求1所述的基于数字孪生的工业设备状态推演评估方法，其特征在于，步骤7中根据设备真实运行寿命与推演期望寿命按照以下公式更新设备可使用寿命阈值d
th
，实现对状态评估矩阵的反馈修正：，实现对状态评估矩阵的反馈修正：其中，为设备真实运行寿命，new_d
th
为更新后的设备可使用寿命阈值。

技术总结
本发明公开了基于数字孪生的工业设备状态推演评估方法。面向数据中心基础设施场景，考虑数据中心的设备在不同环境下发生故障的概率与多种因素有关，而常规方案只能在设备发生故障之后才进行报警，无法对可能发生故障的设备状态推演评估，对设备发生故障前预防和发生故障后分析原因的帮助作用不大。因此，本发明提出一种工业设备状态推演评估方案，通过数字孪生技术对场景内的设备进行建模，将实物设备与数字模型进行通信链接，并通过数字设备模型的运行状态数据进行推演评估，进而实现对运行状态异常的设备预警的目的，提高设备的可靠性和稳定性，保障数据中心的运行和安全。保障数据中心的运行和安全。保障数据中心的运行和安全。


技术研发人员：张晖 刘俞辰
受保护的技术使用者：南京邮电大学
技术研发日：2023.06.09
技术公布日：2023/8/4