基于數(shù)字孿生的多源異構(gòu)信息智能融合方法研究

摘 要：由于同一概念在不同數(shù)據(jù)源中具有不同的表示方式，導(dǎo)致在多源異構(gòu)信息智能融合場(chǎng)景中，不僅信息融合時(shí)效性差，而且信息融合誤差也較大，因此本文提出基于數(shù)字孿生的多源異構(gòu)信息智能融合方法。對(duì)多源異構(gòu)信息進(jìn)行消冗處理，簡(jiǎn)化原始信息；利用數(shù)字孿生技術(shù)構(gòu)建多源異構(gòu)信息元數(shù)據(jù)模型，實(shí)現(xiàn)信息源物理模型與虛擬模型數(shù)據(jù)交互；采用模糊信息融合技術(shù)對(duì)信息進(jìn)行融合，實(shí)現(xiàn)多源異構(gòu)信息智能融合。試驗(yàn)證明，在本文設(shè)計(jì)方法下，信息融合時(shí)延＜15ms，信息融合誤差＜0.1，具有良好的時(shí)效性與準(zhǔn)確性，在多源異構(gòu)信息智能融合方面具有良好的應(yīng)用前景。

關(guān)鍵詞：數(shù)字孿生；多源異構(gòu)信息；消冗處理；元數(shù)據(jù)；模糊信息融合技術(shù)

中圖分類號(hào)：TP 391" " 文獻(xiàn)標(biāo)志碼：A

多源異構(gòu)信息融合技術(shù)能夠集成不同來(lái)源、不同類型的信息，對(duì)復(fù)雜系統(tǒng)進(jìn)行全面感知和準(zhǔn)確判斷。該技術(shù)在多個(gè)領(lǐng)域具有廣泛的應(yīng)用前景，例如軍事指揮、智能交通、公共安全和智能制造等。特別是在大數(shù)據(jù)、人工智能和機(jī)器學(xué)習(xí)等技術(shù)的推動(dòng)下，多源異構(gòu)信息融合技術(shù)取得了顯著進(jìn)展，成為解決復(fù)雜系統(tǒng)問(wèn)題的重要手段。

文獻(xiàn)[1]提出了基于大數(shù)據(jù)挖掘的融合方法，采用大數(shù)據(jù)挖掘技術(shù)，將不同源頭的數(shù)據(jù)進(jìn)行關(guān)聯(lián)、分析和融合。文獻(xiàn)[2]提出了基于MES的融合方法，采用數(shù)據(jù)采集、處理、分析和集成等步驟，將來(lái)自不同設(shè)備、系統(tǒng)和平臺(tái)的多源異構(gòu)信息融合到MES系統(tǒng)，利用MES系統(tǒng)對(duì)多源異構(gòu)數(shù)據(jù)進(jìn)行集成融合。

目前，盡管多源異構(gòu)信息融合技術(shù)在取得了顯著進(jìn)展，但是仍然存在一些不足之處，在實(shí)際應(yīng)用中時(shí)效性和融合精度較差，無(wú)法取得預(yù)期的信息智能融合效果，因此本文提出基于數(shù)字孿生的多源異構(gòu)信息智能融合方法。

1 多源異構(gòu)信息冗余處理

多源異構(gòu)信息主要來(lái)源于多個(gè)無(wú)線傳感器。實(shí)時(shí)數(shù)據(jù)采集與傳輸是一個(gè)復(fù)雜的過(guò)程，首先，數(shù)據(jù)源具有多樣性的特點(diǎn)，包括不同類型的傳感器，例如溫度傳感器、壓力傳感器和振動(dòng)傳感器等，它們各自采集的數(shù)據(jù)在格式、精度和測(cè)量范圍等方面存在差異。其次，數(shù)據(jù)源還具有高頻采集特性，即傳感器會(huì)在短時(shí)間內(nèi)多次采集數(shù)據(jù)。這2個(gè)因素共同作用，不可避免地會(huì)產(chǎn)生龐大的信息冗余現(xiàn)象。

信息冗余現(xiàn)象會(huì)產(chǎn)生較多問(wèn)題。一方面，該現(xiàn)象顯著增加了數(shù)據(jù)處理的負(fù)擔(dān)。在處理數(shù)據(jù)過(guò)程中需要消耗更多的計(jì)算資源（例如內(nèi)存、CPU時(shí)間等）來(lái)存儲(chǔ)和處理這些冗余數(shù)據(jù)。例如，在一個(gè)數(shù)據(jù)中心，如果存在大量冗余數(shù)據(jù)，那么服務(wù)器需要花費(fèi)更多的時(shí)間來(lái)對(duì)這些數(shù)據(jù)進(jìn)行讀寫操作，從而降低了整體數(shù)據(jù)處理速度。另一方面，該現(xiàn)象還可能影響后續(xù)數(shù)據(jù)分析的準(zhǔn)確性和效率。冗余數(shù)據(jù)可能會(huì)掩蓋真實(shí)的數(shù)據(jù)特征，使數(shù)據(jù)分析模型無(wú)法準(zhǔn)確識(shí)別數(shù)據(jù)中的有用信息，從而影響分析結(jié)果的準(zhǔn)確性。同時(shí)，處理冗余數(shù)據(jù)也會(huì)消耗額外的時(shí)間，降低數(shù)據(jù)分析的效率。

因此，在對(duì)多源數(shù)據(jù)進(jìn)行融合前，必須對(duì)數(shù)據(jù)冗余進(jìn)行處理，以提高數(shù)據(jù)質(zhì)量，減輕數(shù)據(jù)處理負(fù)擔(dān)，提升后續(xù)數(shù)據(jù)分析的準(zhǔn)確性和效率。多源異構(gòu)數(shù)據(jù)以數(shù)據(jù)流形式存在，如公式（1）所示。

式中：X為多源異構(gòu)數(shù)據(jù)流；TID為數(shù)據(jù)流的唯一編碼；SID為傳感器編號(hào)；EID為數(shù)據(jù)集合；JNG為數(shù)據(jù)讀取時(shí)間[3]。

為了統(tǒng)一處理多源異構(gòu)信息，本文引入泛化的數(shù)據(jù)模型，將狀態(tài)信息統(tǒng)一標(biāo)識(shí)為“state”，將時(shí)間信息統(tǒng)一標(biāo)識(shí)為“time”，每一臺(tái)傳感器的輸出用三元組表示，如公式（2）所示。

利用以上公式簡(jiǎn)化原始數(shù)據(jù)，如果無(wú)線傳感器在特定時(shí)間段（t～t+1）內(nèi)產(chǎn)生的連續(xù)數(shù)據(jù)的狀態(tài)沒(méi)有發(fā)生變化，那么除了起始時(shí)刻和結(jié)束時(shí)刻的數(shù)據(jù)外，其余數(shù)據(jù)均被視為冗余數(shù)據(jù)[4]。利用數(shù)據(jù)檢索功能定位到當(dāng)前的狀態(tài)信息“state”，將該狀態(tài)與前一狀態(tài)進(jìn)行比較，并結(jié)合時(shí)間戳的差異進(jìn)行判斷。如果2個(gè)狀態(tài)相同或時(shí)間差小于預(yù)設(shè)的最小時(shí)間采集粒度，那么認(rèn)定該數(shù)據(jù)為冗余數(shù)據(jù)并刪除；否則，更新數(shù)據(jù)記錄，保留新的狀態(tài)信息，以此消除多源異構(gòu)數(shù)據(jù)中的冗余數(shù)據(jù)。

2 基于數(shù)字孿生的元數(shù)據(jù)模型構(gòu)建

在多源異構(gòu)信息智能融合問(wèn)題中，基于數(shù)字孿生構(gòu)建元數(shù)據(jù)模型具有多方面的重要意義。首先，數(shù)字孿生提供了一個(gè)高度仿真的虛擬模型。多源異構(gòu)信息來(lái)源廣泛，格式、語(yǔ)義等各不相同。利用數(shù)字孿生構(gòu)建元數(shù)據(jù)模型，能夠?qū)ξ锢韺?shí)體或系統(tǒng)進(jìn)行精確映射。例如在工業(yè)場(chǎng)景中，不同設(shè)備的運(yùn)行數(shù)據(jù)、傳感器采集的數(shù)據(jù)等多源信息復(fù)雜多樣，數(shù)字孿生的虛擬模型能夠以統(tǒng)一的方式呈現(xiàn)這些設(shè)備及其運(yùn)行狀態(tài)，為元數(shù)據(jù)模型提供準(zhǔn)確的參照框架，從而更好地整合多源異構(gòu)信息。其次，數(shù)字孿生有助于統(tǒng)一數(shù)據(jù)標(biāo)準(zhǔn)。多源異構(gòu)數(shù)據(jù)在數(shù)據(jù)結(jié)構(gòu)、編碼方式等方面存在差異，給融合帶來(lái)巨大挑戰(zhàn)?；跀?shù)字孿生構(gòu)建的元數(shù)據(jù)模型可以定義統(tǒng)一的元數(shù)據(jù)標(biāo)準(zhǔn)，對(duì)不同來(lái)源的數(shù)據(jù)進(jìn)行規(guī)范化描述。例如在智慧城市建設(shè)中，可以利用數(shù)字孿生的元數(shù)據(jù)模型，將來(lái)自交通、環(huán)境和能源等不同領(lǐng)域的數(shù)據(jù)按照統(tǒng)一標(biāo)準(zhǔn)進(jìn)行描述，使數(shù)據(jù)融合更順暢。

本節(jié)研究也能夠提高數(shù)據(jù)的可理解性和互操作性?；跀?shù)字孿生構(gòu)建的元數(shù)據(jù)模型能清晰展示數(shù)據(jù)間的關(guān)系和數(shù)據(jù)背后的物理意義。例如在智能醫(yī)療領(lǐng)域，基于數(shù)字孿生構(gòu)建的元數(shù)據(jù)模型可以讓醫(yī)療人員和數(shù)據(jù)處理人員更好地理解不同醫(yī)療設(shè)備產(chǎn)生的數(shù)據(jù)和患者的病歷信息等多源異構(gòu)信息，實(shí)現(xiàn)數(shù)據(jù)的互操作性，從而推動(dòng)醫(yī)療決策的智能化發(fā)展。隨著物理實(shí)體或系統(tǒng)變化，多源異構(gòu)信息也在不斷更新?；跀?shù)字孿生的元數(shù)據(jù)模型可以實(shí)時(shí)反映這些變化，及時(shí)更新元數(shù)據(jù)，保證數(shù)據(jù)融合的有效性和準(zhǔn)確性。

利用冗余處理后的多源異構(gòu)數(shù)據(jù)構(gòu)建元數(shù)據(jù)數(shù)字模型，該數(shù)字模型為虛擬化的多傳感器設(shè)備集成模型，能夠與多傳感器物理模型相對(duì)應(yīng)，具備傳感器功能。利用數(shù)字孿生技術(shù)提取多源異構(gòu)信息特征分量x，如公式（3）所示。

式中：η為多源異構(gòu)信息標(biāo)準(zhǔn)差；μ（X）為多源異構(gòu)信息增益；maxμ（X）、minμ（X）分別為多源異構(gòu)信息增益最大值、最小值[5]。

提取多源異構(gòu)信息的特征分量能夠有效映射出這些信息中的內(nèi)在特性與差異。多源異構(gòu)信息來(lái)源廣泛，其內(nèi)在特性復(fù)雜多樣，例如它可能來(lái)自不同類型的傳感器（包括溫度傳感器、壓力傳感器和振動(dòng)傳感器等）或者不同的信息系統(tǒng)（包括企業(yè)的生產(chǎn)管理系統(tǒng)、質(zhì)量管理系統(tǒng)和物流管理系統(tǒng)等）。這些不同來(lái)源的信息在數(shù)據(jù)格式、語(yǔ)義表達(dá)、數(shù)據(jù)量以及數(shù)據(jù)產(chǎn)生的頻率等方面存在顯著差異。特征分量提取能夠?qū)⑦@些復(fù)雜的多源異構(gòu)信息進(jìn)行剖析，挖掘出隱藏在其中的本質(zhì)特性，并清晰地展現(xiàn)出它們之間的差異。

為了能夠準(zhǔn)確衡量多源異構(gòu)信息的整合度，需要結(jié)合多源異構(gòu)信息特征分量引入多源異構(gòu)信息分布結(jié)構(gòu)。多源異構(gòu)信息分布結(jié)構(gòu)可以從多個(gè)維度來(lái)描述這些信息的分布情況，包括信息在不同數(shù)據(jù)源間的分布、在不同數(shù)據(jù)類型間的分布以及在不同時(shí)間和空間尺度上的分布等。將多源異構(gòu)信息特征分量與這種分布結(jié)構(gòu)相結(jié)合，能夠更全面、深入地了解多源異構(gòu)信息在整合過(guò)程中的各種狀態(tài)。例如，分析信息分布結(jié)構(gòu)中的數(shù)據(jù)密度、數(shù)據(jù)關(guān)聯(lián)性等要素，并結(jié)合已經(jīng)提取出的特征分量，可以判斷不同來(lái)源的信息在整合過(guò)程中是否能夠很好地融合在一起，是否存在信息孤島或者信息沖突等問(wèn)題，從而為提高多源異構(gòu)信息的整合度提供有力依據(jù)。變量CV（多源異構(gòu)信息分布結(jié)構(gòu)）如公式（4）所示。

式中：x0為多源異構(gòu)信息特征分量初始值；x*為多源異構(gòu)信息特征分量理想值。

在此基礎(chǔ)上，利用標(biāo)準(zhǔn)差分析，得到多源異構(gòu)信息的相似變異度，揭示信息分布的相似性與差異性，利用變量CV，計(jì)算多源異構(gòu)信息相似度概率密度S，如公式（5）所示。

式中：δ為多源異構(gòu)信息的相似變異度[6]。

根據(jù)多源異構(gòu)信息相似度概率密度，將原始數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化的時(shí)序數(shù)據(jù)，根據(jù)多源異構(gòu)信息相似度概率密度S得到多源異構(gòu)信息的孿生分量λ，如公式（6）所示。

式中：Ki為第i條信息傳感器物理模型；?為元數(shù)據(jù)[7]。

根據(jù)信息孿生分量λ，構(gòu)建多源異構(gòu)信息元數(shù)據(jù)模型H（X），如公式（7）所示。

式中：k為關(guān)系；a為約束。

3 多源異構(gòu)信息融合

利用構(gòu)建好的信息元數(shù)據(jù)模型進(jìn)行多源異構(gòu)數(shù)據(jù)融合，該信息融合過(guò)程實(shí)際上是對(duì)多源異構(gòu)信息進(jìn)行深度挖掘的過(guò)程，并最終得到概率決策。該決策在實(shí)際應(yīng)用場(chǎng)景中具有重要的指導(dǎo)意義。首先，需要利用關(guān)聯(lián)分布系數(shù)來(lái)獲取多源異構(gòu)信息的關(guān)聯(lián)分布特征。關(guān)聯(lián)分布特征是多源異構(gòu)信息中各個(gè)元素間關(guān)系的一種量化體現(xiàn)。在多源異構(gòu)數(shù)據(jù)中，不同來(lái)源的數(shù)據(jù)可能具有不同的結(jié)構(gòu)、格式和語(yǔ)義，但是它們之間通暢具有潛在的關(guān)聯(lián)。關(guān)聯(lián)分布系數(shù)能夠幫助揭示這些隱藏在數(shù)據(jù)背后的關(guān)聯(lián)關(guān)系，從而準(zhǔn)確地獲取關(guān)聯(lián)分布特征。其次，必須充分考慮模型中各要素間的內(nèi)在聯(lián)系與相互影響。在信息元數(shù)據(jù)模型中，各個(gè)要素并非孤立存在，它們之間相互交織、相互作用。例如，一個(gè)要素的變化可能會(huì)引起其他相關(guān)要素的連鎖反應(yīng)。這種內(nèi)在聯(lián)系和相互影響是信息融合過(guò)程中不可忽視的重要因素，可以為信息融合提供堅(jiān)實(shí)的理論基礎(chǔ)。只有深入理解這些要素間的關(guān)系，才能更好地進(jìn)行多源異構(gòu)信息融合，從而提高概率決策的準(zhǔn)確性和可靠性。多源異構(gòu)信息關(guān)聯(lián)分布特征f如公式（8）所示。

式中：lambda為關(guān)聯(lián)分布系數(shù)；z為變量[8]。

結(jié)合多源異構(gòu)信息關(guān)聯(lián)分布特征f，提取信息包絡(luò)特征量，計(jì)算多源異構(gòu)信息可靠性分量g，如公式（9）所示。

式中：ξ為解析因子。

利用提取的所有信息的可靠性分量，構(gòu)建可靠性特征子集，并進(jìn)行特征篩選，得到滿足特定需求的值函數(shù)。該函數(shù)反映了數(shù)據(jù)的內(nèi)在屬性，揭示了數(shù)據(jù)間的潛在關(guān)系。利用模糊信息融合技術(shù)，將上述所有信息進(jìn)行有機(jī)整合，得到最終的多源異構(gòu)數(shù)據(jù)融合結(jié)果V，如公式（10）所示。

式中：Z為值函數(shù)；ρ為模糊規(guī)則。

至此完成基于數(shù)字孿生的多源異構(gòu)信息智能融合。

4 試驗(yàn)論證

4.1 試驗(yàn)數(shù)據(jù)集和環(huán)境

為了驗(yàn)證基于數(shù)字孿生的多源異構(gòu)信息智能融合方法的有效性與可行性，本文將KHFAKJHFA、IHFAIHGFA這2個(gè)數(shù)據(jù)集作為測(cè)試數(shù)據(jù)，2個(gè)數(shù)據(jù)包的參數(shù)見表1。

利用本文設(shè)計(jì)方法對(duì)2個(gè)多源異構(gòu)數(shù)據(jù)集中的信息進(jìn)行智能融合，試驗(yàn)環(huán)境為Windows XP 1.63操作系統(tǒng)，Inter Core i8處理器，16GB硬盤和8G內(nèi)存，采用0.62版本Python編輯。利用公式（1）～公式（9）處理、分析和融合數(shù)據(jù)集中的信息。為了使本文研究具有一定的參考性與學(xué)術(shù)性價(jià)值，將本文方法與文獻(xiàn)[1]提出的基于大數(shù)據(jù)挖掘的融合方法和文獻(xiàn)[2]提出的基于MES的融合方法進(jìn)行比較，比較指標(biāo)選擇融合時(shí)延和誤差（時(shí)延=輸入信息時(shí)間-融合輸出時(shí)間，誤差=融合值-理想值/理想值），時(shí)延越短，表示多源異構(gòu)信息融合時(shí)效性越好；誤差越小，說(shuō)明多源異構(gòu)信息融合精度越高。

4.2 試驗(yàn)結(jié)果與討論

試驗(yàn)利用KHFAKJHFA數(shù)據(jù)集對(duì)3種方法進(jìn)行融合時(shí)延檢驗(yàn)，將數(shù)據(jù)集中多源異構(gòu)信息等分為8份，記錄每份多源異構(gòu)信息融合時(shí)延，見表2。利用IHFAIHGFA數(shù)據(jù)集對(duì)3種方法進(jìn)行融合誤差檢驗(yàn)，在每次信息融合中依次增加信息量0.2GB，記錄不同信息量下的多源異構(gòu)信息融合誤差，見表3。

從表2可以看出，在多源異構(gòu)信息智能融合場(chǎng)景中，文獻(xiàn)[2]方法信息融合時(shí)延最長(zhǎng)，＞100ms，本文方法信息融合時(shí)延最短，＜15ms，證明本文方法在時(shí)效性方面表現(xiàn)最佳。從表3可以看出，本文設(shè)計(jì)方法信息融合誤差最小，＜0.1，文獻(xiàn)[1]方法的信息融合誤差最大，＞0.3，證明本文方法在準(zhǔn)確性方面也表現(xiàn)最佳。

綜上所述，本文設(shè)計(jì)方法時(shí)效性與準(zhǔn)確性良好，可以對(duì)多源異構(gòu)信息進(jìn)行精準(zhǔn)、實(shí)時(shí)融合。本文提出的多源異構(gòu)信息智能融合方法之所以能夠?qū)崿F(xiàn)更短的時(shí)延和更小的信息融合誤差，是因?yàn)樗捎昧藬?shù)字孿生技術(shù)來(lái)構(gòu)建多源異構(gòu)信息的元數(shù)據(jù)模型。該模型不僅能夠模擬信息源的物理特性，而且能在虛擬環(huán)境中實(shí)現(xiàn)數(shù)據(jù)的高效交互。對(duì)多源異構(gòu)信息進(jìn)行消冗處理，可以簡(jiǎn)化原始信息，減少冗余數(shù)據(jù)對(duì)融合過(guò)程的干擾，從而提高融合效率。同時(shí)，利用模糊信息融合技術(shù)，能夠更好地處理不同數(shù)據(jù)源中概念表示的差異性，使融合結(jié)果更準(zhǔn)確、一致。這些措施共同作用，能夠使信息融合過(guò)程更高效，減少時(shí)延，并降低由數(shù)據(jù)差異導(dǎo)致的融合誤差。

5 結(jié)語(yǔ)

本文深入探討了基于數(shù)字孿生的多源異構(gòu)信息智能融合方法。引入先進(jìn)的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)，成功實(shí)現(xiàn)了多源異構(gòu)信息的有效整合和智能分析，為數(shù)字孿生體提供了強(qiáng)大的數(shù)據(jù)支撐和決策支持。然而，基于數(shù)字孿生的多源異構(gòu)信息智能融合方法的研究仍面臨很多挑戰(zhàn)。例如，由于數(shù)據(jù)源具有多樣性和復(fù)雜性，因此數(shù)據(jù)預(yù)處理和特征提取過(guò)程比較困難；融合算法的選擇和優(yōu)化需要充分考慮不同應(yīng)用場(chǎng)景的特定需求；結(jié)果評(píng)估的準(zhǔn)確性和可解釋性也需要進(jìn)一步提升。

參考文獻(xiàn)

[1]劉雪飛，林子釗，田啟東，等.基于大數(shù)據(jù)挖掘的電力多源異構(gòu)信息融合技術(shù)研究[J].制造業(yè)自動(dòng)化，2023，45（9）：75-78.

[2]楊俊，肖楠，劉典勇.基于MES的多源異構(gòu)信息集成與共享系統(tǒng)[J].電子設(shè)計(jì)工程，2022，30（18）：77-81.

[3]翟羽佳，許佳，李曉.面向突發(fā)重大公共衛(wèi)生事件的多源異構(gòu)應(yīng)急信息融合模型研究[J].圖書與情報(bào)，2021（5）：9-20.

[4]于卓，孫軼杰，呂榮水，等.面向大型制造企業(yè)的MES多源異構(gòu)信息集成架構(gòu)[J].長(zhǎng)江信息通信，2023，36（10）：76-78.

[5]彭樂(lè)樂(lè)，張亞飛，張瑋東，等.多源異構(gòu)信息融合光伏組件輸出特性動(dòng)態(tài)建模[J].太陽(yáng)能學(xué)報(bào)，2023，44（3）：425-434.

[6]姚祖威，劉宇，郭俊啟，等.基于因子圖的自主導(dǎo)航多源異構(gòu)信息融合算法[J].電子測(cè)量技術(shù)，2021，44（1）：130-134.

[7]孫楊，李懷東.基于數(shù)字孿生技術(shù)的變電全要素信息融合方法[J].信息技術(shù)，2023，47（3）：144-149.

[8]閆雪鋒，趙楠.復(fù)雜產(chǎn)品數(shù)字孿生的多維信息統(tǒng)一融合設(shè)計(jì)研究[J].機(jī)械設(shè)計(jì)與制造工程，2020，49（3）：92-97.