基于云平台的数字孪生映射方法、装置、系统及存储介质与流程

本技术属于数字孪生，尤其涉及一种基于云平台的数字孪生映射方法、装置、系统及存储介质。

背景技术：

1、数字孪生是指利用数字化的方式模拟现实世界中的物理系统、过程或实体。和传统系统相比，传统系统在复杂系统建模、实时监控和数据驱动决策方面存在一些缺陷，包括：传统系统往往受限于建模能力和计算资源，难以精确地建立复杂系统的模型。这可能导致模型的简化和误差，影响对系统行为的准确预测。传统系统往往处理静态数据，难以实时更新和分析实时数据。这使得在动态环境下进行实时决策变得困难，无法有效应对系统变化和突发事件。

2、传统系统监控通常是基于历史数据或周期性报告，缺乏对实时系统状态的及时监控和反馈。这使得难以快速响应和调整以适应变化。不同系统中的数据通常处于孤立状态，难以进行整合和交互。这导致了信息碎片化和难以获取全局视图，影响综合决策的质量。传统系统通常缺乏智能分析和预测能力，无法充分利用数据进行模式识别、预测性分析和优化。传统系统在面对快速变化的需求和复杂场景时可能显得笨拙，无法灵活调整和快速做出基于数据的决策。

3、传统系统在面对复杂系统的建模、实时监控和数据驱动决策方面常常受到模型简化、数据处理限制、缺乏实时性和智能分析能力等问题的困扰，这些问题限制了其在复杂环境中的应用和效果。

技术实现思路

1、本技术的目的，在于提供一种基于云平台的数字孪生映射方法、装置、系统及存储介质，解决传统系统在复杂系统建模、实时监控和数据驱动决策方面的缺陷。

2、为了达成上述目的，本技术的解决方案是：

3、第一方面，本技术实施例提供一种基于云平台的数字孪生映射方法，包括：

4、获取原始数据，并对原始数据进行预处理，得到第一预处理数据；

5、将预先构建的数字孪生模型部署在云平台上，并通过预先构建的数字孪生模型对第一预处理数据进行处理，得到结果数据；

6、基于部署在云平台上的预先构建的数字孪生模型对结果数据进行云存储，得到云存储数据；

7、基于云存储数据对预先构建的数字孪生模型进行反馈优化，得到优化数字孪生模型；

8、基于优化数字孪生模型对第一预处理数据进行处理，得到优化结果数据。

9、根据本技术实施例的上述方法，还可以具有以下附加技术特征：

10、进一步的，获取原始数据，并对原始数据进行预处理，得到第一预处理数据，包括：

11、确定数据来源，数据来源包括传感器、数据库、日志文件和外部api；从数据来源中提取原始数据，提取方法包括python中的pandas库和sql查询；

12、对原始数据进行缺失值处理和异常值处理，得到清洁数据，对清洁数据进行归一化处理，得到第一预处理数据。

13、进一步的，对原始数据进行缺失值处理和异常值处理，得到清洁数据，包括：

14、通过填充均值、中值或利用插值对原始数据进行缺失值处理；

15、通过统计学方法识别异常数据，并进行处理或删除，得到清洁数据。

16、进一步的，对清洁数据进行归一化处理，得到第一预处理数据，包括：

17、通过中位数和四分位距对清洁数据进行缩放，得到第一预处理数据，公式如下所示：

18、

19、其中，xp表示第一预处理数据；x表示清洁数据；median(x)表示清洁数据的中位数；iqr(x)表示清洁数据的四分位距。

20、进一步的，将预先构建的数字孪生模型部署在云平台上，并通过数字孪生模型对第一预处理数据进行处理，得到结果数据，包括：

21、使用容器技术或虚拟机技术将预先构建的数字孪生模型封装成可移植的部署单元，使用restful api或grpc的方式提供服务接口，将预先构建的数字孪生模型部署在云平台上。

22、进一步的，基于部署在云平台上的数字孪生模型对结果数据进行云存储，得到云存储数据，包括：

23、通过云平台提供的api、sdk或图形用户界面gui，将结果数据上传至云平台；

24、根据结果数据的特性和使用需求，组织数据存储结构，得到云存储数据。

25、进一步的，基于云存储数据对预先构建的数字孪生模型进行反馈优化，得到优化数字孪生模型，包括：

26、从云存储数据中获取新数据集，对新数据集进行预处理，得到第二预处理数据；

27、使用第二预处理数据对预先构建的数字孪生模型进行更新，得到更新数字孪生模型；

28、对更新数字孪生模型进行重新训练并进行性能评估分析，得到分析结果，基于分析结果，对更新数字孪生模型进行优化和调整，并不断循环反馈机制；

29、将更新数字孪生模型的分析结果进行循环反馈，持续改进更新数字孪生模型，得到优化数字孪生模型。

30、第二方面，本技术实施例提供一种基于云平台的数字孪生映射装置，包括：

31、数据获取模块，被配置为用于获取原始数据，并对原始数据进行预处理，得到第一预处理数据；

32、数据处理模块，被配置为用于将预先构建的数字孪生模型部署在云平台上，并通过预先构建的数字孪生模型对第一预处理数据进行处理，得到结果数据；

33、数据存储模块，被配置为用于基于部署在云平台上的预先构建的数字孪生模型对结果数据进行云存储，得到云存储数据；

34、反馈优化模块，被配置为用于基于云存储数据对预先构建的数字孪生模型进行反馈优化，得到优化数字孪生模型；

35、数据优化模块，被配置为用于基于优化数字孪生模型对第一预处理数据进行处理，得到优化结果数据。

36、第三方面，本技术实施例提供了一种基于云平台的数字孪生映射系统，系统包括处理器和存储器，存储器中存储有计算机程序，计算机程序由处理器加载并执行，以实现如本技术实施例第一方面提供的基于云平台的数字孪生映射方法。

37、第四方面，本技术实施例提供了一种计算机可读存储介质，存储介质中存储有计算机程序，计算机程序被处理器执行时，用于实现如本技术实施例第一方面的基于云平台的数字孪生映射方法。

38、采用本技术实施例提供的基于云平台的数字孪生映射方法，与现有技术相比，具有如下有益技术效果：

39、本技术实施例利用云存储数据对数字孪生模型进行反馈优化，能够让模型不断学习新的数据模式和特征，从而提高模型的准确性和泛化能力；持续的优化能够使模型适应不断变化的环境和数据特征，保持模型的有效性和可靠性；通过在云平台上部署数字孪生模型，能够实现对大规模数据的快速处理，优化了数据处理的效率和速度；使用云存储服务存储数据，能够提高数据的可靠性、安全性和可扩展性，同时降低了数据存储和维护的成本；基于云存储数据对模型进行反馈优化，能够实现模型的快速迭代和改进，提高了系统的灵活性和响应速度；通过监控云存储数据和模型反馈，可以实现实时性能评估，及时发现和解决问题，保证系统的稳定性和可靠性；优化的数字孪生模型能够提供更精确的预测和决策支持，帮助业务做出更明智的决策并优化运营。这种方法整合了数字孪生模型、云存储和持续优化流程，使得系统能够在不断变化的数据环境中保持高效、准确和可靠。通过数据驱动的优化和反馈循环，使得模型能够不断学习和适应，从而提高了整体系统的性能和应用价值。