买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉云旗(南京)生物技术有限公司申请的专利一种融合数字孪生的风阀在线自适应调节方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121091691B 。

龙图腾网通过国家知识产权局官网在2026-04-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511622335.1，技术领域涉及：G05B13/04；该发明授权一种融合数字孪生的风阀在线自适应调节方法及系统是由赵丹妮;严巍;卢瑞康设计研发完成，并于2025-11-07向国家知识产权局提交的专利申请。

本一种融合数字孪生的风阀在线自适应调节方法及系统在说明书摘要公布了：本发明公开了一种融合数字孪生的风阀在线自适应调节方法及系统，属于风阀智能调节领域，该调节方法具体步骤如下：Ⅰ、各边缘设备采集并预处理对应风阀系统的多源数据，基于预处理后的多源数据，构建当前风阀系统对应的虚拟仿真环境；Ⅱ、在虚拟仿真环境中，预训练风阀控制模型，同时识别各传感参数与风阀调节结果之间的因果关系，并动态优化各控制变量；本发明显著提升模型预测精度与仿真可信度，减少对大量新数据的依赖，实现跨系统快速自适应调节，能够在策略优化时避免误判和混杂因素干扰，增强模型决策的可解释性与可信性，同时既保护数据隐私，又加速全局策略的收敛，提高系统整体智能水平。

本发明授权一种融合数字孪生的风阀在线自适应调节方法及系统在权利要求书中公布了：1.一种融合数字孪生的风阀在线自适应调节方法，其特征在于，该调节方法具体步骤如下： Ⅰ、各边缘设备采集并预处理对应风阀系统的多源数据，基于预处理后的多源数据，构建当前风阀系统对应的虚拟仿真环境； 其中各边缘设备采集并预处理对应风阀系统的多源数据的具体步骤如下： S1.1：在现场将来自不同来源的原始数据按原始时间戳收集入临时存储，再选择一个统一的参考时间轴，对每一条原始数据进行时间标准化，采用最近邻时间配对将不同源的各项数据对齐到参考时间轴上的固定时间点集合，以建立不同的时间序列； S1.2：检查对齐后各时间序列的缺失段的长度及位置，若缺失段长度小于预设阈值，则标记为短缺失区间，反之，则标记为长缺失区间，并采用线性插值补齐短缺失区间，对长缺失区间标记为不可恢复并通过最近邻同类设备数据填充处理，同时在插补后保留插补标志位； S1.3：去除处理后的各时间序列中的低频漂移与高频噪声，以平滑各时间序列，通过MAD法构造平滑后的各时间序列对应的鲁棒尺度估计，识别各时间序列的异常点，并通过邻点插值替代检测到的异常点，之后通过长度W，步长S的滑动窗口将各时间序列划分为多段； S1.4：计算每个滑动窗口中的时间序列各时间域特征，并记录各时间域特征对应滑动窗口的起止时间与来源传感器ID，再对各滑动窗口内时间序列进行离散傅里叶变换，获得对应频谱分量，计算总体功率谱密度、各频带内的能量占比、主频分量与频率质心各频域特征，之后将频域特征与时间域特征并行保存，以获取对应传感器特征； S1.5：从历史操作日志与事件记录中抽取离散事件，并对各离散事件的文本条目进行时间对齐，对离散事件中的文本类或类别事件进行one-hot编码，对离散事件中的周期性或计数类事件提取频率统计，以获取事件特征，之后对各事件特征按窗口聚合，并与传感器窗口特征拼接； S1.6：根据预设划分标准将各拼接后的特征划分为数值特征以及二值特征，再利用Z-score标准化方法将数值特征统一至[0,1]区间内，再将二值特征映射为0或1，以统一各类特征的量纲，随后利用相同的均值或方差对各类特征进行归一化处理，将各类特征在样本层面对齐为同一索引，并采用可学习的注意力权重将各类特征进行加权组合，以生成对应的综合特征； 构建当前风阀系统对应的虚拟仿真环境的具体步骤如下： S2.1：从各综合特征中读取用于物理建模的观测量，并根据预设需求，确定需要在物理模型中显式模拟的物理量集合，根据确定的物理量集合，分别建立对应物理子模型，同时将物理子模型中的各物理关系处理为连续时间形式，并区分可用物理参数与未知可调参数； S2.2：设置数据驱动的连续时间状态向量，并确定由数据驱动校正的各物理量，再将连续状态导数用物理模型导数和神经网络修正项的形式进行表示，以建立ODE模型，并从历史运行数据提取对应风阀真实状态与控制输入序列，之后将控制输入序列输入ODE模型中，并输出初始模型参数下的风阀预测状态，通过预设的离线训练损失函数计算风阀预测状态与对应风阀真实状态之间的损失值； S2.3：基于计算出的损失值，利用可微分数值积分器调整ODE模型的初始参数，并保存训练时的归一化参数与时间步长策略，重复训练与调整ODE模型，同时对比当前ODE模型损失值与前一轮模型损失值大小，若模型损失值变化值收敛至预设范围，则停止训练，同时选取损失值最小时的模型参数作为ODE模型最优参数； S2.4：将物理子模型与ODE模型耦合集成为一个可仿真的虚拟运行模型，并在虚拟运行模型中加载离线归一化参数与训练得到的模型参数，对每组历史工况运行仿真，同时采用与历史观测相同的采样时间点输出模拟结果，记录仿真-观测残差序列并按工况分类统计性能指标； S2.5：将观测残差按频带分解、按工况归类，判别是否为模型结构性误差、参数偏差或历史数据问题，若为结构性误差，则标记为后续模型拓扑改进项；若为参数偏差，则做参数再估计准备；若为数据质量问题，则标注并回到数据预处理环节； S2.6：当虚拟运行模型每到达新的时间窗口后，利用该时间窗口数据构造一个即时损失，并以预设小步长对模型参数进行在线更新，之后在模型参数更新后对虚拟运行模型连续进行状态预测，在后续每一时间窗口计算当前时间窗口的即时损失，当即时损失超过预设容忍度，则将模型参数回退至上一时间窗口的模型参数，同时缩短时间窗口大小，重新更新模型参数； Ⅱ、在虚拟仿真环境中，预训练风阀控制模型，同时识别各传感参数与风阀调节结果之间的因果关系，并动态优化各控制变量； Ⅲ、利用风阀控制模型，根据不同风阀的动态特征实时调整控制策略，同时利用实时运行数据对策略参数进行动态调整； Ⅳ、周期性对各边缘设备的虚拟仿真环境进行分布式优化，并在在线运行阶段，实时进行风阀控制策略更新与不确定性修正； Ⅴ、收集各风阀系统全生命周期中的各项数据，并预测设备老化趋势与性能退化状态，以动态调整控制策略； Ⅵ、在实际运行阶段，将实时控制数据输入虚拟仿真环境中，对比虚拟预测与实际反馈，计算偏差并对控制策略进行在线更新。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人云旗(南京)生物技术有限公司，其通讯地址为：210000 江苏省南京市江宁区秣周东路9号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。