特种设备数字孪生中孪生数据融合方法概述

来源：市场监管领域

数字孪生重点实验室

孪生数据融合的目的主要是为了实现特种设备数字孪生的精准决策优化，需要确保多模数据的一致性、准确性和完整性，从而使得数字孪生模型能够可靠地反映其物理特种设备的状态。包括常用的方法如下：

卡尔曼滤波是一种效率极高的递归滤波器，已有50多年的历史，是当今使用最重要和最常见的数据融合算法之一，主要用于线性动态系统中，能够从一系列不完全和包含噪声的测量中估算动态系统的状态。卡尔曼滤波融合算法的核心在于两个主要步骤：预测（Predict）和更新（Update）。

预测步骤：基于系统的动态模型，卡尔曼滤波器预测下一时刻的状态以及状态的不确定性（协方差）。

更新步骤：当有新的测量数据时，卡尔曼滤波器会结合预测结果和测量数据，通过计算卡尔曼增益（Kalman Gain）来更新状态估计，并重新估计不确定性。

对于电梯数字孪生来说，首先定义状态变量，状态变量可以包括曳引机的速度、加速度和温度等。其次，建立状态转移模型，状态转移模型描述了状态变量如何从当前状态转变到下一个状态，通常基于物理定律和过去的观测数据。再次，建立观测模型，观测模型定义了如何从状态变量计算出观测值，即振动数据、温度和电流数据如何与曳引机的运行状态相关联。最后，卡尔曼增益计算与更新：使用算法中的预测和更新步骤来实时调整和优化状态估计。预测步骤使用状态转移模型来预测下一时刻的状态，更新步骤则利用新的观测数据来修正预测。

粒子滤波，也称为序贯蒙特卡洛方法（SequentialMonte Carlo method），是一种基于蒙特卡洛模拟的算法，用于从复杂的概率分布中生成样本，通过一组随机样本（粒子）来代表概率分布，适用于非线性和非高斯过程的状态估计。粒子滤波在处理具有任意概率分布特征的系统时特别有效。步骤如下：

初始化：在开始粒子滤波算法之前，根据先验概率分布初始化粒子的状态，可提供范围约束。

预测：对每个粒子，根据系统的动态模型来预测下一时刻的状态。

更新：对于每个粒子，通过观测（监测）数据来更新粒子的权重。

重采样：根据粒子的权重，对所有粒子进行重采样，权重越高的粒子有更大的概率生存下来，权重越小的例子生存下来的概率就越低，从而达到优胜劣汰的目的。

特种设备感知数据涉及多个模态，孪生数据需将不同模态数据进行融合分析，以提升数字孪生体的性能。通常多模态融合方法可分为三类，一类是数据级融合，模型分别处理不同模态的数据，然后再将这些信息合并，但这种方法存在不同模态时空不一致问题，可能会影响预测精度；第二类是决策级融合，将不同模态特征信息在网络输出层进行融合，但存在特征不一致和细节丢失等问题；第三类是特征级融合，通过在模型的不同层次之间建立联系，使得深层融合的信息能够被浅层使用，这样既避免了信息丢失，又保持了后融合的优点。

具体步骤如下：

数据采集：采集特种设备不同位置的传感器信号、虚拟实体分析数据。

数据预处理：对传感器信号进行数据处理, 划分数据为训练样本集、验证样本集和测试样本集, 其中训练样本集和验证样本集用于训练模型, 测试样本集用于验证模型。

模型训练：模型参数初始化, 并将训练样本集和验证样本集输入模型, 然后经过卷积、激活函数和最大池化对不同来源的感知数据进行特征提取, 接着通过多通道特征融合模块对不同来源的特征信息进行加权融合, 使用卷积、池化操作提取深层特征信息；最后在全连接层之前，采用带残差连接的自注意力模块，增强对不同感知信号的深层特征学习能力。

模型优化：通过误差反向传播算法不断优化模型参数，判断模型是否收敛, 若收敛则完成训练并保存模型参数, 若不收敛则返回模型训练。

结果输出：测试样本集输入已经训练完成的模型, 然后通过模型进行特征提取, 最终输出故障诊断结果。

孪生数据分析是数字孪生关键技术之一，本文仅对孪生数据分中的数据融合方法进行了初步概述，具体实施细节仍需进一步完善。后续作者团队将进一步结合实际应用需求，深入研究和探讨特种设备数字孪生中基于物理知识的孪生数据分析方法，来提高模型的准确性和效率。