(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111320896.8 (22)申请日 2021.11.09 (71)申请人 苏州纽克斯电源技 术股份有限公司 地址 215143 江苏省苏州市相城区黄埭镇 春兰路81号 (72)发明人 浦敏　 (74)专利代理 机构 苏州吴韵知识产权代理事务 所(普通合伙) 32364 代理人 王铭陆 (51)Int.Cl. G06F 30/20(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 30/10(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种数字孪生驱动 的多模型融合工业系统 异常检测方法 (57)摘要 本发明公开了一种数字孪生驱动 的多模型 融合工业系统异常检测方法， 包括步骤： 一、 构建 物理模型并集成为统一的多领域系统数字孪生 模型； 二、 进行物理模型仿真并迭代修改； 三、 运 用边缘计算技术进行信息建模； 四、 构建数据驱 动的神经网络智 能检测模型； 五、 对步骤四中得 到的数据预处理； 六、 引入阈值排序法对预测异 常特征； 七、 将数据存储至云平台数据库进行异 常特征提取， 构建最终的异常检测模型； 十、 保存 相应的异常数据到数据库作为更新优化模型的 数据。 本发 明融合了数据驱动的智能化深度学习 检测模型以及数字孪生驱动的实时信息模型， 克 服了基于物理模型的精确度低和数据驱动方法 的适应性差的问题， 大大提高了预测结果的准确 性。 权利要求书2页 说明书7页 附图1页 CN 114048600 A 2022.02.15 CN 114048600 A 1.一种数字孪生驱动的多模型融合工业系统异常检测方法， 其特征在于， 该方法包括 以下步骤： 步骤一、 基于数字孪生技术并结合多个软件对子系统级及 设备构建物 理模型并集成为 统一的多领域系统数字 孪生模型； 步骤二、 进行物理模型仿真并对多领域系统数字 孪生模型进行迭代修改和仿真； 步骤三、 运用边缘计算技术在边缘层对物 理实体和数字孪生体之间的联系 进行信息建 模； 步骤四、 收集工业系统运行过程中各类智能传感器产生的数据， 并基于工业系统过往 异常数据构建数据驱动的神经网络智能检测模型； 步骤五、 将步骤四中得到的数据作为样本， 对步骤四中得到的数据在边缘层运用边缘 计算进行降噪、 实例选择、 归一化、 数据清洗及预处理并通过XGBoost算法处理样本不平衡 问题； 步骤六、 引入阈值 排序法对预测异常特 征； 步骤七、 将步骤四中得到的数据传输到云平台并进行模型训练、 迭代并更新参数， 由多 组数据集训练得到异常检测模型且异常检测模型由多个预测模型组成； 步骤八、 对工业系统中的子系统及设备的异常检测模型通过融合方法进行集成， 并分 配不同的权 重， 构成系统级的异常检测模型； 步骤九、 基于HybridAl gorithm融合算法， 结合数字孪生模型及 数据驱动的神经网络智 能检测模型， 以数字 孪生模型作为空间状态设置并输入构建最终的异常检测模型； 步骤十、 在边 缘层部署训练后的异常检测模型进行实时异常检测； 步骤十一、 对异常检测模型的输出设定 评估机制； 步骤十二、 根据得到的异常检测结果执行相应的维护计划， 并保存相应的异常数据到 数据库作为更新优化模型的数据。 2.按照权利要求1所述的数字孪生驱动的多模型融合工业系统异常检测方法， 其特征 在于： 步骤一中所述对子系统级及设备构建的多领域系统数字 孪生模型 具体过程 为： 步骤101、 采集由智能传感器提供的工业系统运转情况及工作条件数据作为模型的输 入参数； 步骤102、 运用ANSYS、 MWorks、 Dymola和SimulationX软件对控制系统、 物料系统、 传动 设备、 生产器件子系统及设备进行建模仿真； 步骤103、 基于机械、 热学、 力学、 自动化多领域专家知识及经验数据对仿真模型进行优 化， 并将各子系统及设备零部件的模型集成为多领域系统数字 孪生模型。 3.按照权利要求1所述的数字孪生驱动的多模型融合工业系统异常检测方法， 其特征 在于： 步骤三中所述运用边缘计算技术在边缘层对物理实体和数字孪生体之间的实时交互 和同步进行信息建模具体过程 为： 步骤301、 在云端对物理实体建立几何模型用于对物理系统的几何描述和运动学描述； 步骤302、 构建描述数字孪生体的行为及功能的功能模型来负责数字孪生体的功能和 行为的管理； 步骤303、 在边缘层对物理实体和数字 孪生体之间的联系进行信息建模。 4.按照权利要求1所述的数字孪生驱动的多模型融合工业系统异常检测方法， 其特征权　利　要　求　书 1/2 页 2 CN 114048600 A 2在于： 步骤四中所述构建数据驱动的神经网络智能检测模型， 具体过程 为： 步骤401、 收集工业系统过往异常数据作为模型的训练数据， 同时采集工业系统在不同 工作条件下的由智能传感器得到的数据信息， 通过MQTT进 行传输并参与训练以提高模型的 泛化能力； 步骤402、 构建基于深度神经网络的异常特征提取器， 通过前向传播对异常特征进行逐 层抽取； 步骤403、 通过度量学习将各领域具有不同概率分布的数据映射到高维空间， 缩小不同 领域间的数据分布差异， 并得到数据分布差异损失； 步骤404、 运用含有全连接层的分类器对提取到的系统运行状态特征进行分类， 得到异 常检测结果以及分类损失， 并引入正则化项以提升模型的鲁棒 性。 5.按照权利要求1所述的数字孪生驱动的多模型融合工业系统异常检测方法， 其特征 在于： 步骤 七中所述将数据传输 到云平台并进行模型训练、 迭代并更新 参数具体过程 为： 步骤701、 将实时数据通过智能传感器和数据采集设备收集并传输到边缘层， 在边缘层 进行预处理以减轻传输压力， 预处理后的数据在云平台进行训练， 并将传输到云平台的数 据存储在云数据库中； 步骤702、 通过自动机器学习优化算法和超参数选择， 基于历史数据和实时数据确定最 可行的异常检测模型； 步骤703、 运用增量学习从新的实时数据中学习新的知识并调整算法、 更新异常检测模 型。 6.按照权利要求1所述的数字孪生驱动的多模型融合工业系统异常检测方法， 其特征 在于： 步骤九中所述基于HybridAlgor ithm融合算法， 结合数字孪生模 型及数据驱动的神经 网络模型构建最终的异常检测模型 具体过程 为： 步骤901、 以数字孪生模型作为系统级融合模型的空间状态、 运转条件的设置， 并基于 多物理仿真计算系统内部值输入融合 算法； 步骤902、 由训练得到的数据驱动的神经网络智能检测模型得出对系统各项指标的初 步预测值； 步骤903、 运用HybridAl gorithm融合算法集成数字孪生模型及机器学习检测模型得到 更精确检测结果， 判断各项指标 是否达到阈值， 并进行迭代更新异常检测模型。权　利　要　求　书 2/2 页 3 CN 114048600 A 3