算法|数字孪生(三):技术体系

算法|数字孪生(三):技术体系

这节我们来聊聊数据孪生的技术体系 。

数字孪生技术的实现依赖于诸多先进技术的发展和应用 , 架构上看按照数据采集到应用分为数据保障层、建模计算层、数字孪生功能层和沉浸式体验层的四层模型 , 依次实现数据采集、传输和处理、仿真建模、功能设计、结果呈现等功能 。 每一层的实现都建立在前面各层的基础之上 , 是对前面各层功能的进一步丰富和拓展 , 其技术体系如下图所示 。
【算法|数字孪生(三):技术体系】
一、数据保障层数据保障层是整个数字孪生技术体系的基础 , 支撑着整个上层体系的运作 , 其主要由高性能传感器数据采集、高速数据传输和全寿命周期数据管理3个部分构成 。 先进传感器技术及分布式传感技术使整个数字孪生体系能够获得更加准确、充分的数据源支撑 , 数据是整个数字孪生体系的基础 , 海量复杂系统运行数据包含用于提取和构建系统特征的最重要信息 , 相比于专家经验知识和系统 , 系统实时传感信息更准确、更能反映系统的实时物理特性 , 对多运行阶段系统更具适用性 。
作为整个体系的最前沿部分 , 其重要性毋庸置疑 。 高带宽光纤技术的采用使得海量传感器数据的传输不再受带宽的限制 , 由于复杂工业系统的数据采集量庞大 , 带宽的扩大缩小了系统传输数据的时间 , 降低了系统延时 , 保障了系统实时性 , 提高了数字孪生系统的实时跟随性能 。 分布式云服务器存储技术的发展为全寿命周期数据的存储和管理提供了平台保障 , 高效率存储结构和数据检索结构为海量历史运行数据存储和快速提取提供了重要保障 , 为基于云存储和云计算的系统体系提供了历史数据基础 , 使大数据分析和计算的数据查询和检索阶段能够快速可靠完成 。
二、建模计算层建模计算层在获得数据保障层提供的数据后利用数据驱动方法和基于数学模型的方法对系统进行多物理、 多尺度层面的建模 , 使所建立的模型与实际系统准备匹配、实时同步 , 并能预测系统未来状态和寿命 , 依据其当前和未来健康状态评估其执行任务成功的可能性 。
建模计算层主要由建模算法和一体化计算平台两部分构成 , 智能算法部分充分利用机器学习和人工智能领域的技术方法实现系统数据的深度特征提取和建模 , 通过采用多尺度多模型的方法对传感数据进行多层次多尺度的解析 , 挖掘和学习其中蕴含的相关关系、逻辑关系和主要特征 , 实现对系统的超现实状态表征和建模 。 计算部分分为系统嵌入式计算和云服务器计算两部分 , 协同完成系统的计算任务 。 嵌入式计算层在端上完成数据的分析和建模 , 使得数据分析工作不再仅仅依赖于云端计算 , 并且通过端上数据计算和处理 , 减小了通过链路传输的数据量 , 节省了传输时间 , 提高了系统时效性; 云服务器计算层是整个体系的计算核心 , 为复杂的建模计算提供硬件计算平台 , 在平台上利用分布式计算方法对经过链路传送到云端的数据以及历史存储数据进行高速解析 , 智能算法模型的训练和应用都在云端完成 。 建模计算层是整个数字孪生体系的核心部分 , 为功能层提供多视角、多尺度的系统模型和评估结果 。
三、数字孪生功能层功能层面向实际的系统设计、生产、使用和维护需求提供相应的功能 , 包括多层级系统寿命估计、系统集群执行任务能力的评估、系统集群维护保障、系统生产过程监控以及系统设计决策等功能 。 针对复杂系统在使用过程中存在的异常和退化现象 , 在功能层开展针对系统关键部件和子系统的退化建模和寿命估计工作 , 为系统健康状态的管理提供指导和评估依据 。 对于需要协同工作的复杂系统集群 , 功能层为其提供协同执行任务的可执行性评估和个体自身状态感知 , 辅助集群任务的执行过程决策 。 在对系统集群中每个个体的状态深度感知的基础上 , 可以进一步依据系统健康状态实现基于集群的系统维护保障 , 节省系统的维修开支和避免人力资源的浪费 , 实现系统群体的批量化维修保障 。