一种基于数字孪生的三维全息可视化模型及实现方法与流程

本发明属于模型技术领域，具体涉及一种基于数字孪生的三维全息可视化模型及实现方法。

背景技术：

数字孪生是充分利用物理模型、传感器更新、运行历史数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。

数字孪生是个普遍适应的理论技术体系，可以在众多领域应用，目前在产品设计、产品制造、医学分析、工程建设领域应用较多。目前在国内应用最深入的是工程建设领域，关注度最高、研究最热的是智能制造领域。

数字孪生，做为物理产品的数字化表达科技工具，给工业领域带来了全生命跟踪的可能，并且引领着智能制造与数字化工业思维的落地途径与发展。在过去的2018年，我们看到数字孪生的技术发展焦点围绕着“物理认知”以及“流程展现”两个维度。这对工艺设计和工程应用等制造环节提升了新的认知能力，特别是在促进对生产运营的认知增加了可靠性判断的依据。

数字孪生在资产密集型行业的大部分宣传都是关于以设备维护为重点的应用，各种基于数字化模型进行的各类仿真、分析、数据积累、挖掘，甚至人工智能的应用，都能确保它与现实物理系统的适用性，是增强现实(ar)和虚拟现实(vr)工具发展的基础，可帮助技术人员更好地执行服务任务。

数字孪生技术是数字仿真模拟技术的进阶升级版，以往的军工产业的数字仿真模拟依靠的是人工测量数据并利用turegird建模并利用anysy软件进行数字模拟，数字孪生技术则是利用全息技术和vr技术，用人工智能创建一个完全拟真的环境和数字空间，用以全态化全周期的实验；这种技术一旦使用，可以大幅度地提高个研发团队的工作直观度，利于进一步交流改进。

数据可视化，是关于数据视觉表现形式的科学技术研究，其中，这种数据的视觉表现形式被定义为，一种以某种概要形式抽提出来的信息，包括相应信息单位的各种属性和变量。

它是一个处于不断演变之中的概念，其边界在不断地扩大；主要指的是技术上较为高级的技术方法，而这些技术方法允许利用图形、图像处理、计算机视觉以及用户界面，通过表达、建模以及对立体、表面、属性以及动画的显示，对数据加以可视化解释，与立体建模之类的特殊技术方法相比，数据可视化所涵盖的技术方法要广泛得多。

为了提高可视化模型构建的效率，支撑数字孪生全息数据的完善变更，为此我们提出一种基于数字孪生的三维全息可视化模型及实现方法。

技术实现要素：

本发明的目的在于提供一种基于数字孪生的三维全息可视化模型及实现方法，提高可视化模型构建的效率，支撑数字孪生全息数据的完善变更。

为实现上述目的，本发明提供如下技术方案：一种基于数字孪生的三维全息可视化模型及实现方法，由数据采集模块、数据传输模块、数据融合变换模块、可视化映射模块、显示模块、辅助终端，其中：

数据采集模块用于采集实体对象数据；

数据传输模块用于对采集后的数据进行实时数据通信传输；

数据融合变换模块用于对采集的数据进行融合处理分析、并提供给可视化映射模块使用；

可视化映射模块用于将实体中的物理对象映射到数字空间中的模型对象；

显示模块用于显示数据处理和变换模块处理后的信息；

辅助终端用于数字信息的显示和交互；

所述实现方法如下：

步骤一：通过数据采集模块采集实体对象数据；

步骤二：通过数据融合变换模块对采集的数据进行融合处理和分析；

步骤三：通过可视化映射模块将实体中的物理对象映射到数字空间中的模型对象；

步骤四：通过辅助终端与数字信息进行交互，对数字化模型进行预测、分析和操作。

作为本发明的一种优选的技术方案，所述数据传输模块为wifi、4g、gprs模块中的一种或至少两种组合。

作为本发明的一种优选的技术方案，构建的模型通过神经网络进行优化加速。

作为本发明的一种优选的技术方案，所述采集的数据进行融合处理分析包括去除数据噪声、数据清洗、提取特征。

作为本发明的一种优选的技术方案，所述特征提取时，使用双线性插值算法对图片进行缩放，利用卷积核对图像进行卷积处理，确定处理后图像各特征图大小。

作为本发明的一种优选的技术方案，还包括迭代更新模块、且迭代更新模块用于重构社会模型，进行模型的迭代更新。

作为本发明的一种优选的技术方案，所述辅助终端为mr智能眼镜、vr头盔。

作为本发明的一种优选的技术方案，还包括评价模块、且评价模块用于对模型进行评价。

与现有技术相比，本发明的有益效果是：

(1)模块化设计，帮助分析人员自动分析时，直观地看到参数的修改或者算法的选择，增强了模型构建的效率；

(2)通过辅助终端与数字信息进行交互，对数字化模型进行预测、分析和操作，支撑数字孪生全息数据的完善变更。

附图说明

图1为本发明的实现方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

请参阅图1，本发明提供一种技术方案：一种基于数字孪生的三维全息可视化模型及实现方法，由数据采集模块、数据传输模块、数据融合变换模块、可视化映射模块、显示模块、辅助终端，其中：

数据采集模块用于采集实体对象数据；

数据传输模块用于对采集后的数据进行实时数据通信传输；

数据融合变换模块用于对采集的数据进行融合处理分析、并提供给可视化映射模块使用；

可视化映射模块用于将实体中的物理对象映射到数字空间中的模型对象；

显示模块用于显示数据处理和变换模块处理后的信息；

辅助终端用于数字信息的显示和交互；

包括如下步骤：

步骤一：通过数据采集模块采集实体对象数据；

步骤二：通过数据融合变换模块对采集的数据进行融合处理和分析；

步骤三：通过可视化映射模块将实体中的物理对象映射到数字空间中的模型对象；

步骤四：通过辅助终端与数字信息进行交互，对数字化模型进行预测、分析和操作。

数字孪生可以为实际业务决策提供依据，可视化决策系统最具有实际应用意义的，是可以帮助用户建立现实世界的数字孪生；基于既有海量数据信息，通过数据可视化建立一系列业务决策模型，能够实现对当前状态的评估、对过去发生问题的诊断，以及对未来趋势的预测，为业务决策提供全面、精准的决策依据。

本实施例中，优选的，数据传输模块为wifi模块。

本实施例中，优选的，构建的模型通过神经网络进行优化加速；神经网络加速是为了进一步提高模型的运行速度，使用tensorrt进行推理加速，tensorrt是一个针对nvidiagpu的高性能深度学习推理加速优化器，深度学习框架pytorch实现的模型不能直接由tensorrt优化，因此采用先将pytorch模型转为中间格式文件onnx后，再由tensorrt优化加速。

本实施例中，优选的，采集的数据进行融合处理分析包括去除数据噪声、数据清洗、提取特征。

本实施例中，优选的，特征提取时，使用双线性插值算法对图片进行缩放，利用卷积核对图像进行卷积处理，确定处理后图像各特征图大小。

本实施例中，优选的，辅助终端为mr智能眼镜。

实施例2

请参阅图1，本发明提供一种技术方案：一种基于数字孪生的三维全息可视化模型及实现方法，由数据采集模块、数据传输模块、数据融合变换模块、可视化映射模块、显示模块、辅助终端，其中：

数据采集模块用于采集实体对象数据；

数据传输模块用于对采集后的数据进行实时数据通信传输；

数据融合变换模块用于对采集的数据进行融合处理分析、并提供给可视化映射模块使用；

可视化映射模块用于将实体中的物理对象映射到数字空间中的模型对象；

显示模块用于显示数据处理和变换模块处理后的信息；

辅助终端用于数字信息的显示和交互；

包括如下步骤：

步骤一：通过数据采集模块采集实体对象数据；

步骤二：通过数据融合变换模块对采集的数据进行融合处理和分析；

步骤三：通过可视化映射模块将实体中的物理对象映射到数字空间中的模型对象；

步骤四：通过辅助终端与数字信息进行交互，对数字化模型进行预测、分析和操作。

数字孪生可以为实际业务决策提供依据，可视化决策系统最具有实际应用意义的，是可以帮助用户建立现实世界的数字孪生；基于既有海量数据信息，通过数据可视化建立一系列业务决策模型，能够实现对当前状态的评估、对过去发生问题的诊断，以及对未来趋势的预测，为业务决策提供全面、精准的决策依据。

本实施例中，优选的，数据传输模块为4g、gprs模块。

本实施例中，优选的，构建的模型通过神经网络进行优化加速；神经网络加速是为了进一步提高模型的运行速度，使用tensorrt进行推理加速，tensorrt是一个针对nvidiagpu的高性能深度学习推理加速优化器，深度学习框架pytorch实现的模型不能直接由tensorrt优化，因此采用先将pytorch模型转为中间格式文件onnx后，再由tensorrt优化加速。

本实施例中，优选的，采集的数据进行融合处理分析包括去除数据噪声、数据清洗、提取特征。

本实施例中，优选的，特征提取时，使用双线性插值算法对图片进行缩放，利用卷积核对图像进行卷积处理，确定处理后图像各特征图大小。

本实施例中，优选的，辅助终端为vr头盔。

本实施例中，优选的，还包括评价模块、且评价模块用于对模型进行评价。

实施例3

请参阅图1，本发明提供一种技术方案：一种基于数字孪生的三维全息可视化模型及实现方法，由数据采集模块、数据传输模块、数据融合变换模块、可视化映射模块、显示模块、辅助终端，其中：

数据采集模块用于采集实体对象数据；

数据传输模块用于对采集后的数据进行实时数据通信传输；

数据融合变换模块用于对采集的数据进行融合处理分析、并提供给可视化映射模块使用；

可视化映射模块用于将实体中的物理对象映射到数字空间中的模型对象；

显示模块用于显示数据处理和变换模块处理后的信息；

辅助终端用于数字信息的显示和交互；

包括如下步骤：

步骤一：通过数据采集模块采集实体对象数据；

步骤二：通过数据融合变换模块对采集的数据进行融合处理和分析；

步骤三：通过可视化映射模块将实体中的物理对象映射到数字空间中的模型对象；

步骤四：通过辅助终端与数字信息进行交互，对数字化模型进行预测、分析和操作。

数字孪生可以为实际业务决策提供依据，可视化决策系统最具有实际应用意义的，是可以帮助用户建立现实世界的数字孪生；基于既有海量数据信息，通过数据可视化建立一系列业务决策模型，能够实现对当前状态的评估、对过去发生问题的诊断，以及对未来趋势的预测，为业务决策提供全面、精准的决策依据。

本实施例中，优选的，数据传输模块为wifi、4g、gprs模块。

本实施例中，优选的，构建的模型通过神经网络进行优化加速；神经网络加速是为了进一步提高模型的运行速度，使用tensorrt进行推理加速，tensorrt是一个针对nvidiagpu的高性能深度学习推理加速优化器，深度学习框架pytorch实现的模型不能直接由tensorrt优化，因此采用先将pytorch模型转为中间格式文件onnx后，再由tensorrt优化加速。

本实施例中，优选的，采集的数据进行融合处理分析包括去除数据噪声、数据清洗、提取特征。

本实施例中，优选的，特征提取时，使用双线性插值算法对图片进行缩放，利用卷积核对图像进行卷积处理，确定处理后图像各特征图大小。

本实施例中，优选的，还包括迭代更新模块、且迭代更新模块用于重构社会模型，进行模型的迭代更新。

本实施例中，优选的，辅助终端为mr智能眼镜、vr头盔。

本实施例中，优选的，还包括评价模块、且评价模块用于对模型进行评价。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。