CN114297927B 基于数据驱动的工业装备数字孪生构建维护方法及系统 （中国科学院自动化研究所）

号ReliabilityandPrognosticsandHea基于数据驱动的工业装备数字孪生构建维及了一种基于数据驱动的工业装备数字孪生构运维过程中新的故障种类不断出现的复杂设备2工业装备从中心服务器获取最新典型故障类型表和最新多模态协步骤S60，中心服务器将参数更新后的最新多模态协同融合决策模型下发给对应的工若为新故障数据，则结合专家先验知识进行新故障命名，通过针对新故障数据对应的故障分类任务，增加一个随机初始化通过旧的多模态协同融合决策模型在新的故障任务上进行预基于所述损失值，通过微调的方法在新的故障任务上训练旧的多模基于命名的新故障进行典型故障类型表更新，将更新后的典型2.根据权利要求1所述的基于数据驱动的工业装备数字孪生构建维护方法，其特征在若数据为通过图像传感器采集的可见光图像、红外图像或其它若数据为振动信号、声音信号或其它时序数据，则通过循环神经若数据为运维知识手册或其他知识规则内容，则通过3.根据权利要求1所述的基于数据驱动的工业装备数字孪生构建维护方法，其特征在4.根据权利要求1所述的基于数据驱动的工业装备数字孪生构建维护方法，其特征在于，步骤S40中通过装备自身的运行监测数据进行模型训练之前，还设置有数据预处理步3数字孪生体构建模块，配置为针对工业装备中不同类别的数据多模态融合模块，配置为通过全连接深度学习故障类型表和模型获取模块，配置为将数字孪生体构建中的故障类本地模型训练模块，配置为各工业装备通过装备自身的运行监测数据进行模型训练，并将训练后的多模态协同融合决策模型的梯度加密后参数聚合模块，配置为中心服务器根据接收的模型梯度进行多模模型下发模块，配置为中心服务器将参数更新后的最新多模态协同若为新故障数据，则结合专家先验知识进行新故障命名，通过针对新故障数据对应的故障分类任务，增加一个随机初始化通过旧的多模态协同融合决策模型在新的故障任务上进行预基于所述损失值，通过微调的方法在新的故障任务上训练旧的多模基于命名的新故障进行典型故障类型表更新，将更新后的典型所述存储器存储有可被所述处理器执行的指令，所述指令用于被所现权利要求1-4任一项所述的基于数据驱动的工业装备数字孪7.一种计算机可读存储介质，其特征在于令，所述计算机指令用于被所述计算机执行以实现权利要求1-4任一项所述的基于数据驱4[0008]步骤S20，通过全连接深度学习网络进行各类别数据对应的数字孪生体的多模态[0009]步骤S30，将数字孪生体构建中的故障类型作为中心服务器维护的典型故障类型[0011]步骤S50，中心服务器根据接收的模型梯度进行多模态协同融合决策模型的参数5[0012]步骤S60，中心服务器将参数更新后的最新多模态协同融合决策模型下发给对应型表和训练后的多模态协同融合决策模型的梯度加密后上传[0024]在一些优选的实施例中，步骤S40中通过装备自身的运行监测数据进行模型训练[0026]本发明的另一方面，提出了一种基于数据驱动的工业装备数字孪生构建维护系6[0039](1)本发明基于数据驱动的工业装备数字孪生构建维护方法，针对不同类别的数[0040](2)本发明基于数据驱动的工业装备数字孪生构建维护方法，通过联邦学习方法[0041](3)本发明基于数据驱动的工业装备数字孪生构建维护方法，通过终身学习解决7[0049]步骤S20，通过全连接深度学习网络进行各类别数据对应的数字孪生体的多模态[0050]步骤S30，将数字孪生体构建中的故障类型作为中心服务器维护的典型故障类型[0052]步骤S50，中心服务器根据接收的模型梯度进行多模态协同融合决策模型的参数[0053]步骤S60，中心服务器将参数更新后的最新多模态协同融合决策模型下发给对应[0054]为了更清晰地对本发明基于数据驱动的工业装备数字孪生构建维护方法进行说[0063]步骤S20，通过全连接深度学习网络进行各类别数据对应的数字孪生体的多模态8[0064]多模态协同融合决策模型即为图1中的诊断预测推理决策功能模块，是通过全连接深度学习网络将各类别数据的数字孪生体融合后获得的，可以对物理实体进行健康管[0065]下述步骤S30-步骤S60为通过基于联邦学习的模型训练方法进行上述的多模态协[0066]步骤S30，将数字孪生体构建中的故障类型作为中心服务器维护的典型故障类型[0068]步骤S40中通过装备自身的运行监测数据进行模型训练之前，还设置有数据预处型表和训练后的多模态协同融合决策模型的梯度加密后上传[0079]步骤S50，中心服务器根据接收的模型梯度进行多模态协同融合决策模型的参数[0080]步骤S60，中心服务器将参数更新后的最新多模态协同融合决策模型下发给对应9[0081]本发明基于数据驱动的工业装备数字孪生构建维护方法是综合基于深度神经网[0083]步骤2，将清洗和标注后的预处理