基于數字孿生的多源異構信息智能融合方法研究

摘 要：由于同一概念在不同數據源中具有不同的表示方式，導致在多源異構信息智能融合場景中，不僅信息融合時效性差，而且信息融合誤差也較大，因此本文提出基于數字孿生的多源異構信息智能融合方法。對多源異構信息進行消冗處理，簡化原始信息；利用數字孿生技術構建多源異構信息元數據模型，實現信息源物理模型與虛擬模型數據交互；采用模糊信息融合技術對信息進行融合，實現多源異構信息智能融合。試驗證明，在本文設計方法下，信息融合時延＜15ms，信息融合誤差＜0.1，具有良好的時效性與準確性，在多源異構信息智能融合方面具有良好的應用前景。

關鍵詞：數字孿生；多源異構信息；消冗處理；元數據；模糊信息融合技術

中圖分類號：TP 391" " 文獻標志碼：A

多源異構信息融合技術能夠集成不同來源、不同類型的信息，對復雜系統進行全面感知和準確判斷。該技術在多個領域具有廣泛的應用前景，例如軍事指揮、智能交通、公共安全和智能制造等。特別是在大數據、人工智能和機器學習等技術的推動下，多源異構信息融合技術取得了顯著進展，成為解決復雜系統問題的重要手段。

文獻[1]提出了基于大數據挖掘的融合方法，采用大數據挖掘技術，將不同源頭的數據進行關聯、分析和融合。文獻[2]提出了基于MES的融合方法，采用數據采集、處理、分析和集成等步驟，將來自不同設備、系統和平臺的多源異構信息融合到MES系統，利用MES系統對多源異構數據進行集成融合。

目前，盡管多源異構信息融合技術在取得了顯著進展，但是仍然存在一些不足之處，在實際應用中時效性和融合精度較差，無法取得預期的信息智能融合效果，因此本文提出基于數字孿生的多源異構信息智能融合方法。

1 多源異構信息冗余處理

多源異構信息主要來源于多個無線傳感器。實時數據采集與傳輸是一個復雜的過程，首先，數據源具有多樣性的特點，包括不同類型的傳感器，例如溫度傳感器、壓力傳感器和振動傳感器等，它們各自采集的數據在格式、精度和測量范圍等方面存在差異。其次，數據源還具有高頻采集特性，即傳感器會在短時間內多次采集數據。這2個因素共同作用，不可避免地會產生龐大的信息冗余現象。

信息冗余現象會產生較多問題。一方面，該現象顯著增加了數據處理的負擔。在處理數據過程中需要消耗更多的計算資源（例如內存、CPU時間等）來存儲和處理這些冗余數據。例如，在一個數據中心，如果存在大量冗余數據，那么服務器需要花費更多的時間來對這些數據進行讀寫操作，從而降低了整體數據處理速度。另一方面，該現象還可能影響后續數據分析的準確性和效率。冗余數據可能會掩蓋真實的數據特征，使數據分析模型無法準確識別數據中的有用信息，從而影響分析結果的準確性。同時，處理冗余數據也會消耗額外的時間，降低數據分析的效率。

因此，在對多源數據進行融合前，必須對數據冗余進行處理，以提高數據質量，減輕數據處理負擔，提升后續數據分析的準確性和效率。多源異構數據以數據流形式存在，如公式（1）所示。

式中：X為多源異構數據流；TID為數據流的唯一編碼；SID為傳感器編號；EID為數據集合；JNG為數據讀取時間[3]。

為了統一處理多源異構信息，本文引入泛化的數據模型，將狀態信息統一標識為“state”，將時間信息統一標識為“time”，每一臺傳感器的輸出用三元組表示，如公式（2）所示。

利用以上公式簡化原始數據，如果無線傳感器在特定時間段（t～t+1）內產生的連續數據的狀態沒有發生變化，那么除了起始時刻和結束時刻的數據外，其余數據均被視為冗余數據[4]。利用數據檢索功能定位到當前的狀態信息“state”，將該狀態與前一狀態進行比較，并結合時間戳的差異進行判斷。如果2個狀態相同或時間差小于預設的最小時間采集粒度，那么認定該數據為冗余數據并刪除；否則，更新數據記錄，保留新的狀態信息，以此消除多源異構數據中的冗余數據。

2 基于數字孿生的元數據模型構建

在多源異構信息智能融合問題中，基于數字孿生構建元數據模型具有多方面的重要意義。首先，數字孿生提供了一個高度仿真的虛擬模型。多源異構信息來源廣泛，格式、語義等各不相同。利用數字孿生構建元數據模型，能夠對物理實體或系統進行精確映射。例如在工業場景中，不同設備的運行數據、傳感器采集的數據等多源信息復雜多樣，數字孿生的虛擬模型能夠以統一的方式呈現這些設備及其運行狀態，為元數據模型提供準確的參照框架，從而更好地整合多源異構信息。其次，數字孿生有助于統一數據標準。多源異構數據在數據結構、編碼方式等方面存在差異，給融合帶來巨大挑戰。基于數字孿生構建的元數據模型可以定義統一的元數據標準，對不同來源的數據進行規范化描述。例如在智慧城市建設中，可以利用數字孿生的元數據模型，將來自交通、環境和能源等不同領域的數據按照統一標準進行描述，使數據融合更順暢。

本節研究也能夠提高數據的可理解性和互操作性。基于數字孿生構建的元數據模型能清晰展示數據間的關系和數據背后的物理意義。例如在智能醫療領域，基于數字孿生構建的元數據模型可以讓醫療人員和數據處理人員更好地理解不同醫療設備產生的數據和患者的病歷信息等多源異構信息，實現數據的互操作性，從而推動醫療決策的智能化發展。隨著物理實體或系統變化，多源異構信息也在不斷更新。基于數字孿生的元數據模型可以實時反映這些變化，及時更新元數據，保證數據融合的有效性和準確性。

利用冗余處理后的多源異構數據構建元數據數字模型，該數字模型為虛擬化的多傳感器設備集成模型，能夠與多傳感器物理模型相對應，具備傳感器功能。利用數字孿生技術提取多源異構信息特征分量x，如公式（3）所示。

式中：η為多源異構信息標準差；μ（X）為多源異構信息增益；maxμ（X）、minμ（X）分別為多源異構信息增益最大值、最小值[5]。

提取多源異構信息的特征分量能夠有效映射出這些信息中的內在特性與差異。多源異構信息來源廣泛，其內在特性復雜多樣，例如它可能來自不同類型的傳感器（包括溫度傳感器、壓力傳感器和振動傳感器等）或者不同的信息系統（包括企業的生產管理系統、質量管理系統和物流管理系統等）。這些不同來源的信息在數據格式、語義表達、數據量以及數據產生的頻率等方面存在顯著差異。特征分量提取能夠將這些復雜的多源異構信息進行剖析，挖掘出隱藏在其中的本質特性，并清晰地展現出它們之間的差異。

為了能夠準確衡量多源異構信息的整合度，需要結合多源異構信息特征分量引入多源異構信息分布結構。多源異構信息分布結構可以從多個維度來描述這些信息的分布情況，包括信息在不同數據源間的分布、在不同數據類型間的分布以及在不同時間和空間尺度上的分布等。將多源異構信息特征分量與這種分布結構相結合，能夠更全面、深入地了解多源異構信息在整合過程中的各種狀態。例如，分析信息分布結構中的數據密度、數據關聯性等要素，并結合已經提取出的特征分量，可以判斷不同來源的信息在整合過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題，從而為提高多源異構信息的整合度提供有力依據。變量CV（多源異構信息分布結構）如公式（4）所示。

式中：x0為多源異構信息特征分量初始值；x*為多源異構信息特征分量理想值。

在此基礎上，利用標準差分析，得到多源異構信息的相似變異度，揭示信息分布的相似性與差異性，利用變量CV，計算多源異構信息相似度概率密度S，如公式（5）所示。

式中：δ為多源異構信息的相似變異度[6]。

根據多源異構信息相似度概率密度，將原始數據轉化為結構化的時序數據，根據多源異構信息相似度概率密度S得到多源異構信息的孿生分量λ，如公式（6）所示。

式中：Ki為第i條信息傳感器物理模型；?為元數據[7]。

根據信息孿生分量λ，構建多源異構信息元數據模型H（X），如公式（7）所示。

式中：k為關系；a為約束。

3 多源異構信息融合

利用構建好的信息元數據模型進行多源異構數據融合，該信息融合過程實際上是對多源異構信息進行深度挖掘的過程，并最終得到概率決策。該決策在實際應用場景中具有重要的指導意義。首先，需要利用關聯分布系數來獲取多源異構信息的關聯分布特征。關聯分布特征是多源異構信息中各個元素間關系的一種量化體現。在多源異構數據中，不同來源的數據可能具有不同的結構、格式和語義，但是它們之間通暢具有潛在的關聯。關聯分布系數能夠幫助揭示這些隱藏在數據背后的關聯關系，從而準確地獲取關聯分布特征。其次，必須充分考慮模型中各要素間的內在聯系與相互影響。在信息元數據模型中，各個要素并非孤立存在，它們之間相互交織、相互作用。例如，一個要素的變化可能會引起其他相關要素的連鎖反應。這種內在聯系和相互影響是信息融合過程中不可忽視的重要因素，可以為信息融合提供堅實的理論基礎。只有深入理解這些要素間的關系，才能更好地進行多源異構信息融合，從而提高概率決策的準確性和可靠性。多源異構信息關聯分布特征f如公式（8）所示。

式中：lambda為關聯分布系數；z為變量[8]。

結合多源異構信息關聯分布特征f，提取信息包絡特征量，計算多源異構信息可靠性分量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，構建可靠性特征子集，并進行特征篩選，得到滿足特定需求的值函數。該函數反映了數據的內在屬性，揭示了數據間的潛在關系。利用模糊信息融合技術，將上述所有信息進行有機整合，得到最終的多源異構數據融合結果V，如公式（10）所示。

式中：Z為值函數；ρ為模糊規則。

至此完成基于數字孿生的多源異構信息智能融合。

4 試驗論證

4.1 試驗數據集和環境

為了驗證基于數字孿生的多源異構信息智能融合方法的有效性與可行性，本文將KHFAKJHFA、IHFAIHGFA這2個數據集作為測試數據，2個數據包的參數見表1。

利用本文設計方法對2個多源異構數據集中的信息進行智能融合，試驗環境為Windows XP 1.63操作系統，Inter Core i8處理器，16GB硬盤和8G內存，采用0.62版本Python編輯。利用公式（1）～公式（9）處理、分析和融合數據集中的信息。為了使本文研究具有一定的參考性與學術性價值，將本文方法與文獻[1]提出的基于大數據挖掘的融合方法和文獻[2]提出的基于MES的融合方法進行比較，比較指標選擇融合時延和誤差（時延=輸入信息時間-融合輸出時間，誤差=融合值-理想值/理想值），時延越短，表示多源異構信息融合時效性越好；誤差越小，說明多源異構信息融合精度越高。

4.2 試驗結果與討論

試驗利用KHFAKJHFA數據集對3種方法進行融合時延檢驗，將數據集中多源異構信息等分為8份，記錄每份多源異構信息融合時延，見表2。利用IHFAIHGFA數據集對3種方法進行融合誤差檢驗，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信息融合誤差，見表3。

從表2可以看出，在多源異構信息智能融合場景中，文獻[2]方法信息融合時延最長，＞100ms，本文方法信息融合時延最短，＜15ms，證明本文方法在時效性方面表現最佳。從表3可以看出，本文設計方法信息融合誤差最小，＜0.1，文獻[1]方法的信息融合誤差最大，＞0.3，證明本文方法在準確性方面也表現最佳。

綜上所述，本文設計方法時效性與準確性良好，可以對多源異構信息進行精準、實時融合。本文提出的多源異構信息智能融合方法之所以能夠實現更短的時延和更小的信息融合誤差，是因為它采用了數字孿生技術來構建多源異構信息的元數據模型。該模型不僅能夠模擬信息源的物理特性，而且能在虛擬環境中實現數據的高效交互。對多源異構信息進行消冗處理，可以簡化原始信息，減少冗余數據對融合過程的干擾，從而提高融合效率。同時，利用模糊信息融合技術，能夠更好地處理不同數據源中概念表示的差異性，使融合結果更準確、一致。這些措施共同作用，能夠使信息融合過程更高效，減少時延，并降低由數據差異導致的融合誤差。

5 結語

本文深入探討了基于數字孿生的多源異構信息智能融合方法。引入先進的機器學習、深度學習等人工智能技術，成功實現了多源異構信息的有效整合和智能分析，為數字孿生體提供了強大的數據支撐和決策支持。然而，基于數字孿生的多源異構信息智能融合方法的研究仍面臨很多挑戰。例如，由于數據源具有多樣性和復雜性，因此數據預處理和特征提取過程比較困難；融合算法的選擇和優化需要充分考慮不同應用場景的特定需求；結果評估的準確性和可解釋性也需要進一步提升。

參考文獻

[1]劉雪飛，林子釗，田啟東，等.基于大數據挖掘的電力多源異構信息融合技術研究[J].制造業自動化，2023，45（9）：75-78.

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

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

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

[5]彭樂樂，張亞飛，張瑋東，等.多源異構信息融合光伏組件輸出特性動態建模[J].太陽能學報，2023，44（3）：425-434.

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

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

[8]閆雪鋒，趙楠.復雜產品數字孿生的多維信息統一融合設計研究[J].機械設計與制造工程，2020，49（3）：92-97.