本發(fā)明涉及數據處理，特別是指一種數據采集系統(tǒng)與模擬仿真軟件的功能映射管理方法。

背景技術：

1、隨著工業(yè)仿真與數字化建模技術的快速發(fā)展，數據采集系統(tǒng)和模擬仿真軟件在制造、交通、能源等多個領域得到了廣泛應用?，F有技術中，數據采集系統(tǒng)通過傳感器或監(jiān)控設備實時采集物理設備的運行數據，并將其轉化為可用于仿真軟件的輸入數據，從而實現對復雜系統(tǒng)運行的預測、優(yōu)化和評估。例如，在制造業(yè)中，常見的做法是通過采集機械設備的振動、溫度等運行數據，將其輸入到仿真軟件以預測設備的故障情況。然而，現有的技術實現通常需要通過人工定義采集數據與仿真軟件輸入參數之間的映射關系，這種人工定義的方式在復雜數據場景中易出現配置錯誤，導致數據映射的不準確性。

2、在具體應用場景中，例如風力發(fā)電設備的狀態(tài)監(jiān)控與仿真中，采集系統(tǒng)需將多個維度的數據，如風速、葉片角度、發(fā)電功率，映射至仿真軟件的運行模型。然而，由于現有技術缺乏對數據采集與模擬仿真軟件模型參數的動態(tài)適配管理能力，映射關系在不同設備狀態(tài)下可能需要頻繁更新，而現有方法大多依賴靜態(tài)映射配置。這種靜態(tài)配置在設備狀態(tài)發(fā)生變化時，可能導致關鍵參數的遺漏或錯誤映射，進而影響仿真軟件對風電系統(tǒng)性能的準確評估。

技術實現思路

1、本發(fā)明的目的在于提供一種數據采集系統(tǒng)與模擬仿真軟件的功能映射管理方法，旨在解決背景技術中所提到的問題。

2、為解決上述技術問題，本發(fā)明的技術方案如下：

3、一種數據采集系統(tǒng)與模擬仿真軟件的功能映射管理方法，所述方法包括：

4、s100、從目標設備中采集原始數據集，其中所述原始數據集包括至少一個數據維度；

5、s200、對原始數據集進行噪聲過濾和異常值檢測，得到預處理數據集；

6、s300、根據預處理數據集，提取與模擬仿真軟件模型對應的多個特征數據，生成綜合特征數據集，其中所述特征數據包括針對不同物理屬性的獨立數據集合；

7、s400、根據特征數據與模擬仿真軟件模型輸入參數之間的映射規(guī)則，生成初始映射參數集合；

8、s500、根據目標設備的實時運行狀態(tài)，對初始映射參數集合進行動態(tài)調整，所述動態(tài)調整包括檢測目標設備運行狀態(tài)的變化量，根據變化量選擇對應的預設調整策略，并生成適配映射參數集合；

9、s600、根據適配映射參數集合，將特征數據轉化為仿真軟件模型所需的輸入格式數據，其中所述轉化包括針對不同類型模擬仿真軟件模型的格式規(guī)范化處理，輸出仿真輸入數據集；

10、s700、對適配映射參數集合和仿真輸入數據集進行一致性驗證，其中：

11、若驗證通過，則將適配映射參數集合存儲為映射模型配置；若驗證未通過，則根據預定義的修正規(guī)則調整適配映射參數集合并重新生成仿真輸入數據集；

12、s800、將仿真輸入數據集輸入模擬仿真軟件，得到仿真結果數據；

13、s900、對仿真結果數據進行校驗，若校驗未通過，則根據仿真結果數據與特征數據的差異度生成反饋調整參數，其中：

14、比較仿真結果數據與目標設備運行數據的關鍵指標差異，生成差異因子集合；

15、根據差異因子集合計算反饋調整權重，并更新適配映射參數集合；

16、將更新后的適配映射參數集合輸入步驟s500進行動態(tài)調整；若校驗通過，則將仿真結果數據作為目標設備運行評估的輸出數據。

17、優(yōu)選地，所述根據預處理數據集，提取與模擬仿真軟件模型對應的多個特征數據，包括：

18、根據預處理數據集，采用逐維分析方式，提取時間序列中的趨勢特征和周期特征，得到趨勢數據集和周期數據集；

19、根據趨勢數據集，利用分段統(tǒng)計方法生成多區(qū)間的關鍵統(tǒng)計量數據集合；

20、將周期數據集進行頻譜分析，提取頻率特征數據并將其歸類為頻域特征集合；

21、對趨勢數據、統(tǒng)計量數據和頻率特征數據進行特征融合，生成綜合特征數據集。

22、優(yōu)選地，所述根據趨勢數據集，利用分段統(tǒng)計方法生成多區(qū)間的關鍵統(tǒng)計量數據集合，包括：

23、將趨勢數據集按時間軸分為多個時間區(qū)間，每個時間區(qū)間的長度根據目標設備的運行周期動態(tài)設定；

24、對每個時間區(qū)間內的趨勢數據進行統(tǒng)計分析，計算區(qū)間的平均值、中位數、方差和最大值；

25、根據預定義的關鍵指標篩選規(guī)則，選取具有顯著波動或變化趨勢的統(tǒng)計量作為關鍵統(tǒng)計量；

26、對所有時間區(qū)間內的關鍵統(tǒng)計量進行歸一化處理，生成多區(qū)間的關鍵統(tǒng)計量數據集合。

27、優(yōu)選地，所述將周期數據集進行頻譜分析，提取頻率特征數據并將其歸類為頻域特征集合，包括：

28、對周期數據集進行快速傅里葉變換，將時域數據轉化為頻域數據；

29、提取頻譜中的主要頻率分量，計算對應的幅值、相位和功率密度；

30、根據頻率分量的幅值大小，選取超過預設幅值閾值的頻率分量作為主要頻率特征；

31、對主要頻率分量的幅值、相位和功率密度進行歸類，并生成頻域特征集合。

32、優(yōu)選地，所述根據特征數據與模擬仿真軟件模型輸入參數之間的映射規(guī)則，生成初始映射參數集合，包括：

33、將綜合特征數據集與模擬仿真軟件模型輸入參數集合進行分組對應，建立特征分組映射規(guī)則；

34、根據特征分組映射規(guī)則，對特征數據的相關性進行加權計算，生成初始映射參數矩陣；所述初始映射參數矩陣的生成公式為：

35、，其中，為初始映射參數矩陣中第行第列的參數值，為第個特征數據與第個輸入參數之間的相關性系數，和為調節(jié)系數，為特征數據集中第個特征值，為模擬仿真軟件模型輸入參數集合中第個參數的標稱值，為特征數據集中總特征數，為自然對數的底；其中，

36、，為第個特征數據在第個維度上的值，為第個輸入參數在第個維度上的值，為特征數據的均值，為輸入參數的均值，為第維度的權重系數，為數據維度的總數；

37、根據初始映射參數矩陣，提取每個參數值，并對其進行范圍標準化和結構化處理，生成初始映射參數集合。

38、優(yōu)選地，所述根據目標設備的實時運行狀態(tài)，對初始映射參數集合進行動態(tài)調整，所述動態(tài)調整包括檢測目標設備運行狀態(tài)的變化量，根據變化量選擇對應的預設調整策略，并生成適配映射參數集合，包括：

39、根據目標設備的實時運行狀態(tài)，提取運行狀態(tài)變化量，形成狀態(tài)變化指標數據集；

40、根據狀態(tài)變化指標數據集，重新計算初始映射參數矩陣中的權重因子，生成調整映射參數矩陣；所述調整映射參數矩陣的生成公式為：

41、，其中，為調整后的映射參數矩陣中第行第列的參數值，為調整前的映射參數矩陣中第行第列的參數值，為調節(jié)系數，為第個特征數據的實時運行狀態(tài)變化量，，為第個特征數據的實際運行狀態(tài)，為第個特征數據的期望運行狀態(tài)，為狀態(tài)變化量的總數量，為第個特征數據的實時運行狀態(tài)變化量，為調節(jié)系數；

42、根據調整映射參數矩陣，對初始映射參數集合進行調整，生成適配映射參數集合。

43、優(yōu)選地，所述根據適配映射參數集合，將特征數據轉化為仿真軟件模型所需的輸入格式數據，其中所述轉化包括針對不同類型模擬仿真軟件模型的格式規(guī)范化處理，輸出仿真輸入數據集，包括：

44、根據適配映射參數集合，對綜合特征數據集進行分組分解，形成格式化特征數據集；

45、對格式化特征數據集中的每組數據，執(zhí)行單位規(guī)范化處理，生規(guī)范化特征數據集；

46、針對不同仿真軟件模型輸入需求，調整規(guī)范化特征數據集中的排列順序并封裝為仿真輸入數據包；

47、輸出仿真輸入數據包作為仿真輸入數據集。

48、優(yōu)選地，所述對適配映射參數集合和仿真輸入數據集進行一致性驗證，包括：

49、驗證仿真輸入數據包中每一個參數是否符合模擬仿真軟件模型的輸入要求；

50、比較適配映射參數集合中的關鍵參數與模擬仿真軟件模型的約束條件，判斷其一致性；

51、若檢測到參數沖突，則根據沖突參數的類型生成修正數據集，其中：

52、針對超出模擬仿真軟件模型輸入范圍的參數，調整其歸一化值至模擬仿真軟件模型的輸入范圍；

53、針對缺失的參數，從適配映射參數集合中查找最接近的備選值替代；

54、針對重復或冗余參數，刪除沖突項并保持關鍵參數的唯一性；

55、根據修正數據集對適配映射參數集合進行更新，并重新生成仿真輸入數據集。

56、優(yōu)選地，所述比較仿真結果數據與目標設備運行數據的關鍵指標差異，生成差異因子集合，包括：

57、提取目標設備運行數據的關鍵指標值，其中所述關鍵指標包括時間序列參數的波動范圍、統(tǒng)計量特征和頻率特征；

58、提取仿真結果數據的關鍵指標值，所述關鍵指標與目標設備運行數據中的關鍵指標一一對應；

59、比較仿真結果數據與目標設備運行數據中每一關鍵指標的差異，包括計算對應指標的均值偏差、極值偏差以及變化趨勢的偏離程度；

60、基于關鍵指標的差異，按照預設的權重規(guī)則生成差異因子集合，所述預設的權重規(guī)則根據關鍵指標對仿真結果的影響程度設定，其中關鍵指標的影響程度通過其在模擬仿真軟件模型中的敏感性分析確定。

61、優(yōu)選地，所述反饋調整權重的計算公式為：

62、，其中，為調整后的反饋權重，表示為第個仿真結果數據中第個參數值，為調整前的反饋權重，表示為第個仿真結果數據中第個參數值，繼承自上一輪的適配映射參數集合，為調節(jié)系數，為第個仿真結果數據與第個實際運行數據在第個參數值的關鍵指標差異，，為第個仿真結果數據中第個參數值，第個實際運行數據中第個參數值，為第個差異因子中第個參數值的權重系數，為參與調整計算的差異因子數量，為第個仿真結果數據與第個實際運行數據在第個參數值的關鍵指標差異，為差異因子的總數量。

63、本發(fā)明的上述方案至少包括以下有益效果：

64、本發(fā)明通過從目標設備中采集原始數據集，能夠實時獲取設備運行過程中的多維度數據。這些數據涵蓋設備運行狀態(tài)、環(huán)境參數和外部干擾等信息，為后續(xù)的仿真提供全面的基礎數據支持。相比傳統(tǒng)依賴人工采集和整理的方式，本方法通過傳感器自動化采集數據并進行實時傳輸，不僅顯著提升了數據獲取效率，還能覆蓋更多維度的關鍵參數，例如風力發(fā)電中的風速、葉片角度和發(fā)電功率。針對原始數據中的噪聲和異常值，本方法通過噪聲過濾和異常值檢測技術，能夠對無效數據進行有效識別和剔除，從而保證了數據輸入的高質量和可靠性。

65、進一步地，本方法通過從預處理數據集中提取與模擬仿真軟件模型相關的多個特征數據，生成綜合特征數據集，徹底解決了現有技術中對復雜多維數據無法有效處理的問題。例如，在風力發(fā)電仿真場景中，能夠通過分組提取風速的趨勢特征、葉片角度的動態(tài)變化特征以及發(fā)電功率的周期特性，形成綜合特征數據集。這種特征提取與整合方式確保了模擬仿真軟件模型輸入的全面性和精準性，避免了因輸入數據維度單一而導致的仿真準確性不足的問題。

66、本方法的核心創(chuàng)新在于動態(tài)調整與反饋機制的引入。通過根據目標設備的實時運行狀態(tài)動態(tài)調整初始映射參數集合，本方法能夠快速響應設備狀態(tài)的變化，解決了現有技術中靜態(tài)映射關系難以適應復雜場景的問題。例如，在風電場中，當風速突然變化或葉片角度發(fā)生調整時，能夠實時檢測運行狀態(tài)的變化量，并通過預設的調整策略重新計算映射參數集合，使得輸入參數能夠實時適配模擬仿真軟件模型的需求。這種動態(tài)調整能力極大地提高了仿真的靈活性與適應性，避免了關鍵參數遺漏或錯誤映射的問題。

67、此外，通過一致性驗證與反饋調整機制，本方法建立了從仿真結果到輸入參數的閉環(huán)優(yōu)化流程。在仿真結果數據校驗步驟中，能夠對仿真結果數據與目標設備實際運行數據進行對比分析，基于差異因子集合生成反饋調整權重，并更新適配映射參數集合。這一閉環(huán)反饋機制能夠不斷優(yōu)化仿真輸入參數，使仿真結果逐步逼近設備的真實運行狀態(tài)。例如，在風力發(fā)電系統(tǒng)性能評估中，通過對比仿真輸出的發(fā)電功率與實際發(fā)電數據，生成偏差修正因子用于調整映射參數，從而提高下一輪仿真的精確性和可信度。

68、相比于現有技術，本發(fā)明的映射管理方法在多個方面具有顯著優(yōu)勢。首先，本方法通過自動化采集和動態(tài)調整消除了傳統(tǒng)方法中依賴人工配置的誤差源，提升了數據映射的準確性與效率。其次，本方法通過特征提取、動態(tài)調整和反饋優(yōu)化構建了數據輸入與模擬仿真軟件模型之間的全流程動態(tài)管理體系，能夠自適應不同設備運行狀態(tài)的變化，顯著提高了模擬仿真軟件模型的靈活性和穩(wěn)定性。最后，本方法的閉環(huán)優(yōu)化流程使得仿真結果的準確性隨著運行周期逐步提升，特別適用于設備性能評估和故障預測等高精度場景。

69、總體而言，本發(fā)明通過數據采集、動態(tài)調整和反饋優(yōu)化技術的集成，解決了現有技術中因靜態(tài)配置和人工干預導致的數據映射不準確、適配性不足的問題，為復雜系統(tǒng)的模擬仿真提供了更智能、更高效、更可靠的技術支持。