[发明专利]一种基于大数据的仿真数学模型参数对的估量方法

说明书

本发明属于仿真技术领域，公开了一种基于大数据的仿真数学模型参数对的估量方法，所述基于大数据的仿真数学模型参数对的估量系统包括：大数据采集模块、主控模块、参数设置模块、优化模块、估算模块、数据存储模块、显示模块。本发明通过大数据采集模块可保证工业大数据能够实时且安全地传输，从而缓解网络传输的压力；通过估算模块能滤除大部分的失真数据，提高了参数估计结果的无偏性；同时，通过数据存储模块设计测点ID及时间序列组成的行键将工业大数据按行进行存储，从而使业务逻辑上具有时间相关性、测点相关性的数据在物理存储上按行相邻排列，同时优化读写性能，实现查询效率和写入效率的平衡。

技术领域

本发明属于仿真技术领域，尤其涉及一种基于大数据的仿真数学模型参数对的估量方法。

背景技术

仿真数学模型在具体工业生产装置应用时，需要做针对性的参数估计。仿真(Simulation)，即使用项目模型将特定于某一具体层次的不确定性转化为它们对目标的影响，该影响是在项目仿真项目整体的层次上表示的。项目仿真利用计算机模型和某一具体层次的风险估计，一般采用蒙特卡洛法进行仿真。利用模型复现实际系统中发生的本质过程，并通过对系统模型的实验来研究存在的或设计中的系统，又称模拟。这里所指的模型包括物理的和数学的，静态的和动态的，连续的和离散的各种模型。所指的系统也很广泛,包括电气、机械、化工、水力、热力等系统,也包括社会、经济、生态、管理等系统。当所研究的系统造价昂贵、实验的危险性大或需要很长的时间才能了解系统参数变化所引起的后果时，仿真是一种特别有效的研究手段。仿真的重要工具是计算机。仿真与数值计算、求解方法的区别在于它首先是一种实验技术。仿真的过程包括建立仿真模型和进行仿真实验两个主要步骤。然而，现有仿真数据源实时产生的数据量巨大，工业控制系统或智能传感器的数据几乎是秒级变化，在数据包小、数量多且频率高的情况下，对采集服务器和传输网络的压力非常大，采集效率低；以及，工业生产数据往往包含了各种噪声误差，部分数据可能是失真的；增加了残差较大数据对参数计算的干扰，这时的计算结果是有偏的；同时，工业过程中的数据规模越来越大，数据量越来越多，海量大数据的采集、存储面临巨大压力，传统的关系型数据库或实时数据库已经无法满足工业大数据的应用需求。

综上所述，现有技术存在的问题是：现有仿真数据源实时产生的数据量巨大，数据存储成本高，且数据管理与调度能力不高；工业控制系统或智能传感器的数据几乎是秒级变化，在数据包小、数量多且频率高的情况下，对采集服务器和传输网络的压力非常大，采集效率低；以及，工业生产数据往往包含了各种噪声误差，部分数据可能是失真的；增加了残差较大数据对参数计算的干扰，这时的计算结果是有偏的；同时，工业过程中的数据规模越来越大，数据量越来越多，海量大数据的采集、存储面临巨大压力，传统的关系型数据库或实时数据库已经无法满足工业大数据的应用需求；显示器显示图像噪声大，图像纹理显示效果不佳。

发明内容

针对现有技术存在的问题，本发明提供了一种基于大数据的仿真数学模型参数对的估量方法。

本发明是这样实现的，一种基于大数据的仿真数学模型参数对的估量方法，所述基于大数据的仿真数学模型参数对的估量方法包括：

步骤一，利用数据采集接口采集工业大数据信息；

步骤二，通过参数设置模块利用仿真软件设置仿真数学模型参数对；

步骤三，利用基于优化粒子群算法的大数据优化算法对采集的大数据进行优化处理；利用仿真软件对仿真数学模型参数对的估算操作；

步骤四，利用存储器存储采集的工业大数据；

步骤五，利用基于全局自适应分数阶积分图像去噪算法进行图像去噪的显示器显示采集的工业大数据及估算结果。

进一步，所述步骤五中基于优化粒子群算法的大数据优化算法，如下：

在D维大数据云存储聚类特征空间中，有m个粒子组成一个种群，把数据聚类问题转化为一个多目标优化问题，云存储中大数据聚类：