数字孪生车间数据实时采集与智能检测技术研究

针对数字孪生车间的实体数据采集效率低下和异常数据检测不准确问题,首先提出了基于Netty框架结合Protobuf数据序列化技术与自定义传输协议的解决方案进行了物理信息数据的采集接收,从而解决数字孪生车间中数据量大、并发强度高造成的传输延迟及数据丢失问题;其次提出基于深度学习框架与LSTM进行传感器异常数据的检测的方法,其相较于传统的回归模型具有更好的泛化性能和预测精度;最后采用分布式远程调用的Dubbo+Zookeeper环境,配置包含工艺卡及指导书等异构性数据存储服务的Mongodb数据库,将车间现场所采集到的数据高效及时传输到数字孪生系统场景中并完成异常检测功能。