(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111402855.3 (22)申请日 2021.11.24 (71)申请人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 谌仲威　李林森　杨航均　邹福泰　 (74)专利代理 机构 上海交达专利事务所 31201 代理人 王毓理　王锡麟 (51)Int.Cl. G06Q 10/06(2012.01) G06F 30/27(2020.01) (54)发明名称 基于数字孪生技术的工业控制系统功能安 全量化评估方法 (57)摘要 一种基于数字孪生技术的工业控制系统功 能安全量化评估方法， 以工业生产设备为原型， 建立数字孪生模 型， 并通过数字孪生技术的预测 性维护功能， 产生大量数据集用于故障诊断和预 测， 之后定义并计算工业场景中给定指标的偏移 量， 得到该工业生产设备的功能安全风险值， 能 够体现该设备可用性， 并最终反馈到整个工业控 制系统功能安全风险值， 做到对整个工业控制系 统功能安全的量 化评估。 权利要求书3页 说明书5页 附图5页 CN 114118777 A 2022.03.01 CN 114118777 A 1.一种基于数字 孪生技术的工业控制系统功能安全量 化评估方法， 其特 征在于， 包括： 步骤1、 对工业作业设备建立数字孪生模型， 并使得数字孪生模型与实际作业设备能够 实时进行 数据交互； 步骤2、 利用建立的数字孪生模型， 通过修改模型的物理参数， 大量模拟该作业设备在 不同情形下的工况数据， 利用产生的大量数据， 使用人工智能方法训练故障识别模型， 具体 为为： 对该类故障的产生原理进行分析， 进而得到该类故障发生的根本原因与影响到的参 数， 通过修改这些参数去模拟故障发生的根本原因， 便能够产生该类故障下的数据； 例如某 类故障发生的根本原因是某处的摩擦增加， 通过修改该 处的摩擦力参数， 即可进 行模拟； 而 另一类故障发生的根本原因是某处的电路发生了断路， 通过修改该处的电阻参数， 即可进 行模拟； 步骤3、 计算作业设备的故障量化指标偏移量， 在实时数据中， 利用步骤2的模型检测故 障， 并实时计算该设备的偏移量， 同时通过 数字孪生模型 预测未来偏移量的变化趋势； 步骤4、 通过实时偏移量和预测性偏移量最终计算得到该作业设备的功能安全风险值， 所有作业设备的功能安全风险值加权后得到该工业控制系统的功能安全风险值。 2.根据权利要求1所述的基于数字孪生技术的工业控制系统功能安全量化评估方法， 其特征是， 所述的计算功 能安全风险值的方法， 是将归一化后的实时偏移量和预测 性偏移 量进行加权运算， 满足权值之和为 1， 归一化的偏移 量是由偏移 量的值除以发生作业事故的 偏移量数值得到 。 3.根据权利要求1所述的基于数字孪生技术的工业控制系统功能安全量化评估方法， 其特征是， 所述的数字孪生模型为白盒模型或者是若干黑盒拼接的模型， 通过数学物理方 法、 人工智能方法、 或者两者相结合的方法建立， 具体为： 根据工业作业设备 的核心工作参 数， 将该设备分为若干子模块， 每个子模块有各自的输入和输出， 每个子模块可以对应于该 作业设备的一个子组件， 依据子模块间的关联， 即可构成完整的数字孪生模型， 体现出的效 果便是在相同模型输入X和子模块的物理参数输入M时， 中间工作参数Y以及数字孪生模型 输出Z与真实的作业设备相符合。 4.根据权利要求1所述的基于数字孪生技术的工业控制系统功能安全量化评估方法， 其特征是， 直接根据数学和物理方法计算出该子模块的输出与输入的数学关系或将该子模 块视为黑盒， 使用该子模块的输入输出历史数据进行训练， 利用人工智能的方法得到该子 模块对应的模型。 5.根据权利要求1所述的基于数字孪生技术的工业控制系统功能安全量化评估方法， 其特征是， 当在初始情况下无法得知物理参数 的参数值时， 先对这些未知参数赋予初始值 进行计算， 之后采用梯度下降法对未知参数值进行逐步的优化调整， 最终使得子模块的仿 真结果与实测结果相吻合。 6.根据权利要求1所述的基于数字孪生技术的工业控制系统功能安全量化评估方法， 其特征是， 所述的故障包括： 设备仍然处于正常的工况 范畴， 但有着即将发生故障的趋势。 7.根据权利要求1所述的基于数字孪生技术的工业控制系统功能安全量化评估方法， 其特征是， 所述的故障量化指标偏移 量， 能够反映该设备工况与正常工况的差异情况， 值越 大， 表示该设备工况越偏移正常情况。 8.根据权利要求1～7中任一所述的基于数字孪生技术的工业控制系统功能安全量化权　利　要　求　书 1/3 页 2 CN 114118777 A 2评估方法， 其特 征是， 具体包括： 步骤1)数字孪生模型构建： 采用数学物 理模型和数据优化相结合的手段建立抽油机模 型， 具体为： 首先将抽油机模型分为四连杆模块、 载荷 模块和示功图模块， 其中模 型输入集X 包括抽油机的工作频率、 和当前的工作时间； M1为抽油机自身的结构参数； Y1和Y2分别为抽 油机悬点的运动规律； M2为油井相关的结构参数； Y3为悬点载荷的变化规律； 最终输出集Z 为该抽油机的示功图； 1.1)所述示功图的横坐标是光杆悬点的位移， 纵坐标是光杆悬点的载荷， 在驴头2上下 运动一次往返后， 便得到 完整的示功图； 1.2)使用数学物理方法对四连杆模块和载荷模块建立模型， 需要计算得到悬点1的运 动规律和悬点的相应载荷大小， 即计算得到悬点的运动规律 ， 包括 ： 位移 其中： θ为曲柄转角， φ为K 与水平方向的夹角； 速度 其中： ω为曲柄旋转角速度， α 为R和P的夹角， β 为P和 C的夹角； 加速度 其中： ψ为C和K的夹角， θk为R与K的夹 角； 1.3)计算得到悬点的载荷变化规律， 包括： 上冲程静载荷Pstatic， up＝Prod′+Poil′， 下冲程 静载荷Pstatic， down＝Prod′， 其中： Prod′表示抽油杆柱在油中的重量； Poil′表示油井中动液面以 上的油柱重量； 上冲程惯性载荷Pg， up＝(1+m)Prod/g*a， 下冲程惯性载荷Pg， down＝Prod/g*a， 其 中： m表示油柱惯性载荷与抽油杆柱惯性载荷之比； Prod表示抽油杆柱的重量； g表示重力加 速度； a表示悬点加速度； 1.4)在上下冲程的转折过程中， 悬点载荷会发生变化， 得到λ＝Poil′*L/(E*frod*Ψ)， 其 中： L为抽油杆长度， E为抽油杆的弹性模量， frod为抽油杆截面积， Ψ为变形分配系数， 从而 得到该数学物理模型 下的抽油机示功图； 1.5)对载荷模型的M2参数中的初始未知参数， 即与振动载荷和摩擦载荷的相 关参数， 采用梯度下降的方法进 行优化， 具体为： 首先计算当前模拟数据与实测数据的差值， 并选取 新的参数值进行新的仿真， 通过计算参数值的梯度确定参数值应当调整的方向， 经过若干 次迭代后， 得到最终的模型； 步骤2)故障数据模拟与训练： 在 建立好数字孪生模型之后， 对模型的参数进行修改， 便 能模拟出故障发生的情形； 在本例中， 我们修改不同区域的摩擦 载荷参数， 便可以模拟出油 井不同区域的结蜡程度， 得到该结蜡情形下的故障数据； 通过这种 方法， 得到大量的数据， 能够用于人工智能方法的训练集， 实现故障识别的功能； 步骤3)偏移量的计算与预测： 为对故障进行量化， 提出偏移量概念， 体现的是设备数据 与正常数据的偏移程度； 在抽油机的场景下， 把偏移量定义为设备示功图与正常工况示功 图的差异， 具体通过示功图面积来进 行计算； 利用数字孪生模 型进行仿真， 可以在短时间内 模拟出将来一段时间内故障发生的后续影响， 即故障偏移 量的变化趋势， 对每一种故障， 都 可以得到故障偏移量的变化趋势， 称为故障偏移量模型； 步骤4)通过故障偏移量模型， 可以判断该故障的当前水平和未来的故障程度， 即风险 值计算： 通过故障偏移 量模型， 能够得到未来一段时间的偏移 量变化趋势； 首先对作业设备权　利　要　求　书 2/3 页 3 CN 114118777 A 3