一种基于数字孪生的化工车间现场数据采集方法与流程

1.本发明涉及人工智能、虚拟现实、物联网结合技术领域，具体而言，涉及一种基于数字孪生的化工车间现场数据采集方法。


背景技术：

2.数字孪生是在虚拟域构建模型与物理域实体相对应，从而仿真和描述物理域中实体的状态的新技术，正在被广泛用于各行业智能制造。数字孪生的基础是数据采集，通过将真实环境中与生产相关的信息通过传感器等采集设备转换成电信号，再进一步采样成数据用于分析、存储，从而实现将客观物理世界虚拟化、数字化的过程。数据采集是数字孪生的基石，采集的完整性、准确性、实时性决定了数字孪生应用效果。
3.基于数字孪生的生产数据采集近年来获得广泛关注，在化工、机械、电力、交通等关键行业得到研究和应用。基于数字孪生的生产数据采集的关键在于采集、处理和虚拟化。在采集方面，基于大规模传感器采集现场数据，实现数据源的高效获取；在处理方面，建立数据处理模型，对大规模数据建模并生成具有现实意义的抽象实体；在虚拟化方面，采用相关技术对抽象实体作展示，从而让使用人可以直观感受到物理域的现实状况，做出决策。
4.对安全的监控是化工生产的基本需求。通过数字孪生进行化工生产安全监控可以将抽象的监控内容和监控对象具体化，让监控人员更加直观的了解化工生产现场的状况，提高安全监控的效率和效果。将采集气体浓度等的传感器分布安装在化工车间的现场，每个传感器采集到的数据反映了车间现场小范围的状态。然而上述各传感器产生的数据是互相隔离的，必须采用一定方法将来源于不同传感器的数据进行综合，才可能全面的反应现场状态。还有一些采用摄像机的采集方法，例如发明专利cn110334701a，提供了一种数字孪生环境下基于深度学习和多目视觉的数据采集方法，虽然能够捕捉更大范围内的现场状态，然而无法捕捉气体浓度这类不可见的关键数据。


技术实现要素：

5.本发明提供一种基于数字孪生的化工车间现场数据采集方法，用以克服现有技术中存在的至少一个技术问题。
6.本发明实施例提供一种基于数字孪生的化工车间现场数据采集方法，包括：建立化工车间的现实空间和虚拟空间的映射关系；在化工车间现场的不同位置设置多个气体浓度传感器；利用所述气体浓度传感器以预定采样率，采集气体浓度的时序数值；将所述虚拟空间划分为多个子空间，得到所述气体浓度传感器的现实坐标与所述子空间的线性关联；每个所述子空间有唯一的标识，表示不同子空间在三个坐标轴上的序号；将所述气体浓度传感器的现实空间坐标和所述气体浓度的时序数值作为输入，定
义输出为，建立气体浓度的风险模型；其中，表示节点；所述气体浓度的风险模型包括第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层和第五隐藏层，第一隐藏层为，表示隐藏层的节点，表示共享的线性权值连接，为线性偏置参数，s表示传感器编号，表示向量维度，表示非线性函数，定义为，为参数，表示实数域；第二隐藏层为，表示第一隐藏层中与传感器对应的节点，为相应的线性权值连接，t表示时间，为线性偏置参数，表示向量维数；第三隐藏层为，、表示传感器的现实空间坐标，是输入层中的节点，、、为相应的连接，为线性偏置参数；第四隐藏层为，、是与节点、的连接，为线性偏置参数，表示向量维数；第五隐藏层为，是节点与隐藏层节点的连接，为线性偏置参数；通过对所述风险模型学习，得到所述风险模型的代价函数；利用所述代价函数迭代计算所述风险模型，得到学习后的风险模型；所述气体浓度传感器采集气体浓度的时序数值，将所述时序数值和所述气体浓度传感器的现实空间坐标输入所述学习后的风险模型，所述学习后的风险模型依次计算所述气体浓度传感器对应的所述子空间上存在风险的概率；当某一所述子空间上存在风险的概率大于剩余子空间上存在风险的概率时，将该子空间作为风险源，并在所述虚拟空间中标注该子空间。
7.可选地，所述建立化工车间的现实空间和虚拟空间的映射关系，具体为：在所述化工车间的现实空间设置摄像机，利用所述摄像机采集图像，根据所述图像，获取目标点在所述现实空间的坐标；
通过计算机建立虚拟空间，在所述虚拟空间中设置与目标点对应的映射点；根据所述映射点在所述虚拟空间下的坐标和所述目标点在所述现实空间下的坐标，得到所述虚拟空间和所述现实空间的映射关系。
8.可选地，根据所述图像，获取目标点在所述现实空间的坐标，具体为：标定所述摄像机的内参数矩阵和外参数矩阵，根据摄像机成像的线性模型，得到目标点在所述现实空间的坐标；其中，表示图像齐次坐标，表示目标点的世界齐次坐标，表示摄像机的内参数矩阵，表示摄像机的外参数矩阵，为线性标定参数。
9.本发明实施例的创新点包括：1、本实施例中，利用摄像机搭载的光学传感器采集现场场景，利用三维重建技术建立现场场景在虚拟空间中的映射，恢复现场目标的位置、纹理等关键信息，作为构建化工车间虚拟空间的基础，是本发明实施例的创新点之一。
10.2、本实施例中，通过布置在现场不同位置的若干气体浓度传感器采集数据，每个位置安装独立的感应特定气体浓度的传感器，并记录传感器在现实空间的位置坐标，用于在现实空间中实施定位，通过建立大规模传感器集合实现在虚拟空间中展示风险点位，是本发明实施例的创新点之一。
11.3、本实施例中，根据现场空间数据、气体浓度数据建立虚拟空间，并建立相应的风险模型，采用神经网络方法分析现场不同位置存在风险源的概率，并将高概率风险点位在虚拟空间中标注警示，是本发明实施例的创新点之一。
12.4、本实施例中，定义输出层和各个隐藏层，通过神经网络建立得到的风险模型的结构，是本发明实施例的创新点之一。
附图说明
13.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
14.图1为本发明实施例提供的数据采集方法的一种流程图；图2为本发明实施例提供的风险模型示意图；图3为本发明实施例提供的虚拟空间和子空间示意图；图4为本发明实施例提供的现实空间和虚拟空间映射关系的一种流程图。
具体实施方式
15.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付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。
16.需要说明的是，本发明实施例及附图中的术语
ꢀ“
包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
17.本发明实施例公开了一种基于数字孪生的化工车间现场数据采集方法。以下分别进行详细说明。
18.图1为本发明实施例提供的数据采集方法的一种流程图，图2为本发明实施例提供的风险模型示意图，图3为本发明实施例提供的虚拟空间和子空间示意图，请参考图1-图3，本实施例提供的基于数字孪生的化工车间现场数据采集方法，包括：步骤1：建立化工车间的现实空间和虚拟空间的映射关系；步骤2：在化工车间现场的不同位置设置多个气体浓度传感器；步骤3：利用气体浓度传感器以预定采样率，采集气体浓度的时序数值；步骤4：将虚拟空间划分为多个子空间，得到气体浓度传感器的现实坐标与子空间的线性关联；每个子空间有唯一的标识，表示不同子空间在三个坐标轴上的序号；步骤5：将气体浓度传感器的现实空间坐标和气体浓度的时序数值作为输入，定义输出为，建立气体浓度的风险模型；其中，表示节点；气体浓度的风险模型包括第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层和第五隐藏层，第一隐藏层为，表示隐藏层的节点，表示共享的线性权值连接，为线性偏置参数，s表示传感器编号，表示向量维度，表示非线性函数，定义为，为参数，表示实数域；第二隐藏层为，表示第一隐藏层中与传感器对应的节点，为相应的线性权值连接，t表示时间，为线性偏置参数，表示向量维数；第三隐藏层为，、表示传感器的现实空间坐标，是输入层中的节点，、、为相应的连接，为线性偏置参数；第四隐藏层为
，、是与节点、的连接，为线性偏置参数，表示向量维数；第五隐藏层为，是节点与隐藏层节点的连接，为线性偏置参数；步骤6：通过对风险模型学习，得到风险模型的代价函数；步骤7：利用代价函数迭代计算风险模型，得到学习后的风险模型；步骤8：气体浓度传感器采集气体浓度的时序数值，将时序数值和气体浓度传感器的现实空间坐标输入学习后的风险模型，学习后的风险模型依次计算气体浓度传感器对应的子空间上存在风险的概率；步骤9：当某一子空间上存在风险的概率大于剩余子空间上存在风险的概率时，将该子空间作为风险源，并在虚拟空间中标注该子空间。
19.具体地，请参考图1，本实施例提供的基于数字孪生的化工车间现场数据采集方法，首先在步骤1中建立化工车间的现实空间和虚拟空间的映射关系，建立映射关系时，需要利用摄像机搭载的光学传感器采集化工车间的现场场景，然后利用三维重建技术建立现场场景在虚拟空间中的映射，恢复现场目标的位置、纹理等相关信息。虚拟空间为三维空间，虚拟空间每个坐标的取值为一个向量，坐标为现实空间中位置坐标的线性映射，向量表示现实空间中对应位置上可视目标的纹理信息。虚拟空间作为现实空间的线性尺度重构，现实空间中可视目标的纹理按照一致的比例在虚拟空间中重现，实现对现场空间的视觉重构，使用者通过在计算机上观察虚拟空间，可以直观的感受现场状态。
20.为了采集气体浓度，通过步骤2在化工车间的现场布置多个气体浓度传感器，多个气体浓度传感器位于不同位置，通过在不同位置安装独立的感应特定气体浓度的气体浓度传感器，并记录气体浓度传感器在现实空间的位置坐标，实现对气体浓度传感器在现实空间中的定位。然后在步骤3中，使气体浓度传感器以预定采样率采集气体浓度，得到一组气体浓度随时间变化的时序数值，其中，s表示传感器编号，t为时间戳，在同一个现场，所有气体浓度传感器的采集时间戳由唯一的中央控制程序控制，以实现同步采样。
21.得到采集气体浓度的时序数值后，根据气体浓度数据建立风险模型，分析现场不同位置存在风险源的概率。建立风险模型时，为了能在虚拟空间中更加直观的呈现风险点位，通过步骤4将虚拟空间划分为多个子空间，请参考图3，为了使每个子空间有唯一的标识，划分子空间时需要按照三维虚拟空间的三个正交坐标轴、、将虚拟空间划分为若干子空间。得到的每个子空间为三维立方体，即子空间的边界与坐标轴平行；任意两个子空间之间不存在交集，且所有子空间的集合等于原空间；子空间立方体的任一面仅与唯
一的另一个子空间立方体的唯一一面存在交集；任一气体浓度传感器的位置坐标必然属于某个子空间，且每个子空间内包括不超过一个气体浓度传感器。当满足上述条件时，得到的子空间有唯一的标识，是三维矩阵，是矩阵中一个元素，表示矩阵元素下标，即子空间沿坐标轴的相对次序。通过上述子空间标识方法，可以建立子空间与传感器的空间位置的线性关联。
22.通过步骤5，将气体浓度传感器的现实空间坐标和气体浓度的时序数值作为输入，虚拟空间子空间的标识作为输出，通过神经网络建立气体浓度的风险模型。本实施例中定义输出为，其中，表示节点。
23.请参考图2，风险模型包括第一隐藏层，第一隐藏层定义为，表示隐藏层中的节点，表示共享的线性权值连接，表示隐藏层的1个节点与所表示的5个节点连接，为步骤3中采集到的气体浓度的时序数值。为线性偏置参数，s表示传感器编号，第一隐藏层所表示的节点的集合包含s个独立的向量，s为传感器总数。表示向量维度，每个向量的维度为t，t为采集时间总长度。通过获取独立传感器上气体浓度随时间变化的特征，使模型能够识别气体浓度的扩散阶段，优化气体浓度分布的识别精度。
24.表示非线性函数，定义为，表示实数域，为参数，参数的作用是使函数在x=0点处产生一个值域上的断点，有助于改善模型的拟合性能，避免过拟合。
25.参考图2，风险模型还包括第二隐藏层，第二隐藏层定义为，表示第一隐藏层中与传感器对应的节点，为相应的线性权值连接，t表示时间戳，为线性偏置参数，表示向量维数，也即为向量，指的是向量的第几维。第二隐藏层的节点集合描述了不同传感器气体浓度变化采集值之间的相关性。
26.参考图2，风险模型还包括第三隐藏层，第三隐藏层定义为，、、表示传感器的现实空间坐标，是输入层中的节点，、、为相应的连接，为线性偏置参数。第三隐藏层的节点集合描述了不同传感器空间坐标之间的相关性。需要说明的是，
第二隐藏层和第三隐藏层中的a、b仅仅是为了区分不同输出的标识，没有实际含义。
27.参考图2，风险模型还包括第四隐藏层，第四隐藏层定义为，、是与节点、的连接，为线性偏置参数，表示向量维数，为1024维向量，其中的参数k表示该向量的第几维。第四隐藏层的节点集合描述了传感器空间坐标与气体浓度采集值之间的相关性。
28.参考图2，风险模型还包括第五隐藏层，第五隐藏层为， 是节点与隐藏层节点的连接，为线性偏置参数。
29.需要说明的是，图2所示的风险模型示意图中，各个参数的表示形式未采用上标、下标表示，但其含义与上述采用上标、下标表示的参数相同，例如，图2中的gs(t)相当于上述，h3(k)相当于上述，还有其他参数此处不进行一一列举。
30.本实施例通过定义的输出层和隐藏层，建立了传感器采集数据、现实空间、虚拟空间之间的风险模型。的每一个元素取值表示该气体泄漏的风险源在该虚拟子空间的概率，取值范围为0-1；当取值为0时表示不存在风险，取值为1时表示确定存在风险。使用风险模型进行监测前准备训练样本集合，人工标记模型输出的概率矩阵，将气体泄露源所在的虚拟子空间输出值标记为1，其余标记为0。对样本的标记记为，根据样本的输入计算获得模型输出。
31.然后通过步骤6，对风险模型进行学习，可得到风险模型的代价函数，表示自然指数函数，表示自然对数函数，采用指数-对数函数组合可以提高小规模样本数据下的识别性能。步骤7中，利用代价函数迭代计算风险模型，得到各隐藏层的参数，从而能够得到学习后的风险模型。迭代计算时，可以采用后向传播方法求取代价函数的极值，从而完成对风险模型中各项参数的学习。
32.在步骤8中，气体浓度传感器采集气体浓度的时序数值，需要说明的是，步骤8中采集气体浓度的时序数值可以参照步骤3，此处不再进行赘述。然后将时序数值和气体浓度传感器的现实空间坐标输入学习后的风险模型，学习后的风险模型可以计算得到各个子空间上存在风险的概率。然后通过步骤9，取风险概率最大值对应的子空间作为风险源，并在虚拟空间中采用特别显示方式标注该子空间。
33.本发明提供的基于数字孪生的化工车间现场数据采集方法，结合气体浓度传感器和摄像机光学传感器的优势，高效快速采集化工生产现场的数据，监测气体泄漏风险，并通过数字孪生的形式对潜在风险点进行建模和虚拟化展示，能够在大范围的化工车间内快速定位潜在风险位置，并在虚拟空间中直观显示风险点位，帮助监控人员快速发现风险。
34.可选地，图4为本发明实施例提供的现实空间和虚拟空间映射关系的一种流程图，
请参考图4，步骤1中，建立化工车间的现实空间和虚拟空间的映射关系，具体为：步骤11：在化工车间的现实空间设置摄像机，利用摄像机采集图像，根据图像，获取目标点在现实空间的坐标；步骤12：通过计算机建立虚拟空间，在虚拟空间中设置与目标点对应的映射点；步骤13：根据映射点在虚拟空间下的坐标和目标点在现实空间下的坐标，得到虚拟空间和现实空间的映射关系。
35.具体地，请参考图4，建立化工车间的现实空间和虚拟空间的映射关系时，首先利用步骤11在在化工车间的现实空间设置摄像机，利用摄像机采集图像，然后从同一场景中采集的多幅图像中获取现场场景，从而获取目标点在现实空间的坐标，例如现场场景中各类目标的空间位置、纹理等信息。在步骤12中，通过计算机建立三维的虚拟空间，并在虚拟空间中设置与目标点对应的映射点，也即，在虚拟空间中设置现场目标的位置、纹理信息的映射点，虚拟空间每个坐标的取值为一个向量，坐标为现实空间中位置坐标的线性映射，向量表示现实空间中对应位置上可视目标的纹理信息。
36.得到映射点后，在步骤13中，根据映射点在虚拟空间下的坐标和目标点在现实空间下的坐标，即可得到虚拟空间和现实空间的映射关系。通过建立现实空间和虚拟空间的映射，将虚拟空间作为现实空间的线性尺度重构，现实空间中可视目标的纹理按照一致的比例在虚拟空间中重现，实现对现场空间的视觉重构，使用者通过在计算机上观察虚拟空间，可以直观的感受现场状态。
37.可选地，请参考图4，步骤11中，根据图像，获取目标点在现实空间的坐标，具体为：标定摄像机的内参数矩阵和外参数矩阵，根据摄像机成像的线性模型，得到目标点在现实空间的坐标；其中，表示图像齐次坐标，表示目标点的世界齐次坐标，表示摄像机的内参数矩阵，表示摄像机的外参数矩阵，为线性标定参数。
38.具体地，请参考图4，图像像素是现场场景中目标在摄像机成像平面上的投影，每个图像像素对应于现场场景中的一个目标，图像像素的坐标与目标的现实世界坐标相关，图像像素的取值与目标的真实纹理相关。摄像机的内参数矩阵表示摄像机成像的基本参数，与摄像机成像元件的性质有关，例如像元大小、焦距等，与摄像机在现场空间的位置无关；摄像机的外参数矩阵表示摄像机在现场空间的相对位置，包括光轴方向、三维空间偏移等。因此，获取目标点在现实空间的坐标时，先标定摄像机的内、外参数矩阵，然后根据摄像机成像的线性模型，即可得到目标点在现实空间的坐标，从而可以从图像像素恢复现场目标的位置、纹理信息。摄像机成像的线性模型中，表示图像齐次坐标，表示目标点的世界齐次坐标，表示摄像
机的内参数矩阵，表示摄像机的外参数矩阵，为线性标定参数。
39.除了上述方式之外，还可以直接利用现场目标的位置、纹理信息标定摄像机的内、外参数矩阵。进一步的，将内、外参数矩阵联合，可得：，其中，。为一3*4矩阵，包括12个自由变量，由于每个图像像素齐次坐标包括2个自由变量，因此理论上测量至少6个现场目标可以求解的唯一解。测量更多的现场目标并采用线性优化方法求解，可以提高求解精度。
40.基于上述提供的方法，发明人针对不同规模的化工车间进行了实验验证，得到实验结果如表1所示，表1为实验结果示意图。
41.表1参考表1，实验结果表明，本发明提供的基于数字孪生的化工车间现场数据采集方法，适用于不同规模的化工车间，识别定位精度高，定位快速，可以有效定位气体泄露风险的点位，提高风险发现的效率。
42.本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
43.本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
44.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。