CN113962062A - 一种数字孪生驱动的高压干式套管故障预测方法及系统 - Google Patents

Abstract

本发明属于电子工程和计算机科学技术领域，公开了一种数字孪生驱动的高压干式套管故障预测方法及系统，所述数字孪生驱动的高压干式套管故障预测方法包括：采集高压干式套管数据并进行预处理；利用预处理后的高压干式套管数据构建数字孪生模型；将实时套管数据映射至所述套管数据数字孪生模型，数字孪生平台对实时对象数据中出现的故障发出预警。本发明利用数字孪生技术，建立与实际变压器套管相匹配的高压干式套管孪生体，从而实现对高压干式套管各种典型故障的预测。该方法能够解决高压干式套管故障预测难，预测准确度不高的问题，能够实现套管高准确性的故障预测。采用本发明的方法对于开展关于在高压干式套管故障预测方面具有很大的帮助。

Description

一种数字孪生驱动的高压干式套管故障预测方法及系统

技术领域

本发明属于电子工程和计算机科学技术领域，尤其涉及一种数字孪生驱动的高压干式套管故障预测方法及系统。

背景技术

目前，变压器套管是电力变压器的关键组成部分，其可靠运行对变压器的安全稳定具有重要的作用。目前，110kV及以上电压等级套管主要有油浸纸套管和干式套管。高压干式套管具有无油、重量轻、耐高温、机械强度好、方便安装等优点，在国内变电站使用量较多。因此，为了有效掌握缺陷套管的缺陷特征，实现对套管缺陷的准确监测以保障套管安全稳定运行，需及时对高压干式套管的状态进行有效预测；可以尽早发现套管内部缺陷，及时消除相关隐患，在日常运维中加大对变压器套管的状态管理和准确维护，对实际工程应用具有不可或缺的作用。

数字孪生(digital twin，DT)技术是推动电力装备领域数字化、智能化发展的关键技术之一，数字孪生体可以全寿命跟踪物理实体的实时状态、模拟及预测物理实体在特定环境下的状态，进一步加强对物理实体的理解与认知。数字孪生能够在多维度、多时间尺度上对物理实体进行高保真度地描述，建立实时映射。构建出高压干式套管的数字孪生模型，实现对套管故障故障预警，操作人员在数字孪生平台即可了解套管的实时状态，当高压干式套管发生故障时，虚拟对象会及时映出故障地点与故障类别。操作人员也可以通过对虚拟对象进行仿真操作，来预测操作风险。

但是，现有的在线监测技术效率低、故障预警不够智能化，并且套管故障实验成本高。因此，亟需一种新的数字孪生驱动的高压干式套管故障预测方法及系统，以弥补现有技术的缺陷。

通过上述分析，现有技术存在的问题及缺陷为：现有的在线监测技术效率低、故障预测和预警不够智能化，并且套管故障实验时间成本高。

解决以上问题及缺陷的难度为：电力设备在线监测多在现场进行，并且仅对干式套管的单一特征量进行监测，容易受运行环境干扰，需要实现对套管各方面数据的采集以及预处理；现有的故障预警方法并不能实现对套管故障的实时预警，数据的传输速度成为难点之一。

解决以上问题及缺陷的意义为：本发明在数字孪生平台侧部署边缘服务器，通过WiFi网络传输，极大程度的降低了数据传输时延；本发明以数字孪生技术为基础，高压干式套管的物理模型可以实时映射到虚拟模型中，并呈现至数字孪生平台，可以精确预测并判别故障类型，本发明也可以通过在虚拟模型进行高压干式套管仿真试验，既可以减少高压套管损耗，同时可以避免高压试验风险。

发明内容

针对现有技术存在的问题，本发明提供了一种数字孪生驱动的高压干式套管故障预测方法及系统。

本发明是这样实现的，一种数字孪生驱动的高压干式套管故障预测方法，所述数字孪生驱动的高压干式套管故障预测方法包括以下步骤：

步骤一，采集高压干式套管数据并进行预处理；

步骤二，利用预处理后的高压干式套管数据构建数字孪生模型；

步骤三，将实时套管数据映射至所述套管数据数字孪生模型，数字孪生平台对实时对象数据中出现的故障发出预警。

积极作用：步骤一，采集高压干式套管设备多种数据，数据预处理可解决数据冗杂以及数据传输量大的问题，并可及时筛选出重要数据；步骤二，通过预处理过的套管数据可实现精细化建模，构建更真实的数字孪生模型；步骤三，数字孪生模型可对映射的实时数据分析，精准预测并判别高压干式套管故障。

进一步，步骤一中，所述高压干式套管数据，包括套管实际运行数据、套管形态数据和套管环境数据；其中，所述套管实际运行数据，包括正常运行数据和各个传感器数据；所述套管形态数据，包括高压干式套管的真实尺寸结构参数、套管损耗程度以及套管的位置坐标；所述高压干式套管环境数据，包括套管周围静态环境以及周围人员变动情况。

进一步，步骤一中，所述高压干式套管数据的预处理为：根据套管数据的类型采用不同的处理方法，包括：

对于所述高压干式套管运行数据直接通过传输网络传输，不经边缘计算处理，网络传输采用WiFi网络进行传输以提高传输效率；

对于所述高压干式套管形态数据，采用套管形态数据在数字孪生平台构建全比例数字孪生模型，搭建所述虚拟对象与所述实体对象的传输通道，数据经过预处理后再传输至数字孪生平台；

对于所述高压干式套管环境数据，对数据进行初步筛选后传输至数字孪生平台。

进一步，步骤二中，所述数字孪生模型，包括对所述预处理后的高压干式套管数据，利用虚拟建模技术构建一个与套管相对应的虚拟对象；将所述实时采集的高压干式套管数据与所述虚拟对象进行交互，使得物理对象的状态实时映射至虚拟对象并将故障类型发送至数字孪生平台。

进一步，步骤三中，所述数字孪生模型，还包括：

在所述数字孪生平台对所述数字孪生模型中的虚拟对象输入操作指令，所述虚拟对象进行仿真模拟，判断是否存在操作风险，若不存在则将所述操作指令传输至物理对象；若存在风险则提供对应的优化方案，并且若所述平台数字孪生平台输入的所述操作指令顺序错误，所述虚拟对象会根据错误提供优化，给出正确的操作顺序。

由于所述虚拟对象与所述物理对象数据为实时交互的，在虚拟对象中得到物理对象中相同的结果；同时根据虚拟对象结果来查看是否满足指标要求，满足要求则下达正确的指令。

本发明的另一目的在于提供一种应用所述的数字孪生驱动的高压干式套管故障预测方法的数字孪生驱动的高压干式套管故障预测系统，所述数字孪生驱动的高压干式套管故障预测系统包括：

数字孪生平台感知模块，用于分类采集套管数据并对所述采集到的数据进行预处理，包括数据采集单元和数据预处理单元；其中，所述数据预处理单元与所述数据采集单元相连接，对所述数据采集单元采集的数据进行预处理；

边缘智能模块，用于进行故障判别以及风险评估，包括数字孪生单元和AI处理单元；其中，所述数字孪生单元构建一套虚拟对象并与物流对象监测的数据相映射，所述AI处理单元连接于所述数字孪生单元，用于接收所述虚拟对象数据进行仿真预操作，确认操作的合理性；

功能实现模块，连接于所述数字孪生平台感知模块与边缘智能模块，用于提供不同的故障处理功能，保障系统的完整性。

进一步，所述AI处理单元，包括：

优化模型，连接于所述数字孪生单元，用于利用所述数字孪生单元得到操作的最优解；

故障模型，连接于所述数字孪生单元，用于获取所述虚拟对象得到的故障信息，判断故障类型和地点；

预测模型，连接于所述数字孪生单元，用于对所述虚拟对象进行仿真操作，并对故障信息进行风险评估。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

采集高压干式套管数据并进行预处理；利用预处理后的高压干式套管数据构建数字孪生模型；将实时对象数据映射至所述套管数据数字孪生模型，数字孪生平台对所述实时对象数据中出现的故障发出故障预警。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

采集高压干式套管数据并进行预处理；利用预处理后的高压干式套管数据构建数字孪生模型；将实时对象数据映射至所述套管数据数字孪生模型，数字孪生平台对所述实时对象数据中出现的故障发出故障预警。

本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的数字孪生驱动的高压干式套管故障预测系统。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的数字孪生驱动的高压干式套管故障预测方法，利用数字孪生技术，建立与实际变压器套管相匹配的高压干式套管孪生体，从而实现对高压干式套管各种典型故障的预测。本发明提出的技术方案包括，采集高压干式套管数据并进行预处理；利用采集到预处理后的套管数据构建数字孪生模型；将实时对象数据映射至所述数据构建数字孪生模型，并对所述实时对象数据中出现的故障发出故障预警。该方法能够解决高压干式套管故障预测难，预测准确度不高的问题，能够实现套管高准确性的故障预测。同时，采用本发明的方法对于开展关于在高压干式套管故障预测方面具有很大的帮助。

本发明与现有技术相比的优点在于：

(1)数据传输延时低，本发明在数字孪生平台侧部署边缘服务器，极大程度的降低了数据传输时延；

(2)故障智能处理，本发明以数字孪生技术为基础，物理对象在操作时可以实时映射到虚拟对象，并通过数据传输呈现至数字孪生平台，可以精确判别故障类型与地点；

(3)智能化故障试验，本发明可以通过在虚拟对象进行仿真试验，既能减少套管损耗，同时可以避免试验风险。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的数字孪生驱动的高压干式套管故障预测方法的流程图。

图2是本发明实施例提供的数字孪生驱动的高压干式套管故障预测方法的原理图。

图3是本发明实施例提供的数字孪生驱动的高压干式套管故障预测系统的结构示意图。

图4是本发明实施例提供的数字孪生驱动的高压干式套管故障预测系统的原理图。

图5是本发明实施例提供的基于数字孪生技术的高压干式套管故障预警方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种数字孪生驱动的高压干式套管故障预测方法及系统，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的数字孪生驱动的高压干式套管故障预测方法包括以下步骤：

S101，采集高压干式套管数据并进行预处理；

S102，利用预处理后的高压干式套管数据构建数字孪生模型；

S103，将实时套管数据映射至所述套管数据数字孪生模型，数字孪生平台对实时对象数据中出现的故障发出预警。

本发明实施例提供的数字孪生驱动的高压干式套管故障预测方法的原理图如图2所示。

如图3～4所示，本发明实施例提供的数字孪生驱动的高压干式套管故障预测系统包括：

数字孪生平台感知模块，用于分类采集套管数据并对所述采集到的数据进行预处理，包括数据采集单元和数据预处理单元；其中，所述数据预处理单元与所述数据采集单元相连接，对所述数据采集单元采集的数据进行预处理；

边缘智能模块，用于进行故障判别以及风险评估，包括数字孪生单元和AI处理单元；其中，所述数字孪生单元构建一套虚拟对象并与物流对象监测的数据相映射，所述AI处理单元连接于所述数字孪生单元，用于接收所述虚拟对象数据进行仿真预操作，确认操作的合理性；

功能实现模块，连接于所述数字孪生平台感知模块与边缘智能模块，用于提供不同的故障处理功能，保障系统的完整性。

本发明实施例提供的AI处理单元，包括：

优化模型，连接于所述数字孪生单元，用于利用所述数字孪生单元得到操作的最优解；

故障模型，连接于所述数字孪生单元，用于获取所述虚拟对象得到的故障信息，判断故障类型和地点；

预测模型，连接于所述数字孪生单元，用于对所述虚拟对象进行仿真操作，并对故障信息进行风险评估。

下面结合具体实施例对本发明的技术方案作进一步描述。

实施例1

本发明提出利用数字孪生技术，建立与实际变压器套管相匹配的高压干式套管孪生体，从而实现对高压干式套管各种典型故障的预测。本发明提出的技术方案包括，采集高压干式套管数据并进行预处理；利用采集到预处理后的套管数据构建数字孪生模型；将实时对象数据映射至所述数据构建数字孪生模型，并对所述实时对象数据中出现的故障发出故障预警。该方法能够解决高压干式套管故障预测难，预测准确度不高的问题，能够实现套管高准确性的故障预测。

本发明解决其技术问题是采取以下技术方案实现的：一种数字孪生驱动的高压干式套管故障预测方法，包括：

一种数字孪生驱动的高压干式套管故障预测方法，包括如下步骤：

步骤1、高压干式套管数字孪生模型数据采集步骤，所述采集高压干式套管数据包括，套管实际运行数据、套管形态数据和套管环境数据；该步骤的具体实现如下：

优选的，所述套管运行数据为主要数据包括，正常运行数据与各个传感器数据，

优选的，所述套管形态数据包括，高压干式套管的真实尺寸结构参数、套管损耗程度以及套管的位置坐标；

优选的，所述高压干式套管环境数据包括，套管周围静态环境以及周围人员变动情况。

步骤2、高压干式套管数字孪生模型数据预处理步骤，所述预处理根据套管数据的类型采用不同的处理方法，该步骤的具体实现如下：

优选的，其中对于所述高压干式套管运行数据直接通过传输网络传输，不经边缘计算处理，网络传输采用WiFi网络进行传输以提高传输效率；

优选的，对于所述高压干式套管形态数据，采用套管形态数据在数字孪生平台构建全比例数字孪生模型；

优选的，搭建所述虚拟对象与所述实体对象的传输通道，数据经过预处理后再传输至数字孪生平台；

优选的，对于所述高压干式套管环境数据，对数据进行初步筛选后传输至数字孪生平台。

步骤3、高压干式套管数字孪生模型构建步骤，该步骤的具体实现如下：

优选的，所述数字孪生模型，对所述预处理后的高压干式套管数据，利用虚拟建模技术构建一个与套管相对应的虚拟对象；

优选的，所述实时采集的高压干式套管数据与所述虚拟对象进行交互，使得物理对象的状态可以实时映射至虚拟对象并将故障类型发送至数字孪生平台；

优选的，在所述数字孪生平台对所述数字孪生模型中的虚拟对象输入操作指令，所述虚拟对象进行仿真模拟，判断是否存在操作风险，若不存在则将所述操作指令传输至物理对象，若存在风险则提供对应的优化方案，并且若所述平台数字孪生平台输入的所述操作指令顺序错误，所述虚拟对象会根据错误提供优化，给出正确的操作顺序。

步骤4、高压干式套管数字孪生模型风险评估，所述风险评估包括，该步骤的具体实现如下：

优选的，由于所述虚拟对象与所述物理对象数据为实时交互的，在虚拟对象中可以得到物理对象中相同的结果；

优选的，根据虚拟对象结果来查看是否满足指标要求，满足要求则可以下达正确的才做指令。

本发明解决的另一个技术问题是：提出一种基于数字孪生驱动的高压干式套管故障预警系统，解决现有系统的故障预警不够智能化的问题。

一种数字孪生驱动的高压干式套管故障预测方法，包括如下步骤：

步骤1，数字孪生平台感知模块用于分类采集套管数据并对所述采集到的数据进行预处理，包括数据采集单元和数据预处理单元，其中所述数据预处理单元与所述数据采集单元相连接，对所述数据采集单元采集的数据进行预处理；

步骤2，边缘智能模块用于进行故障判别以及风险评估，包括数字孪生单元和AI处理单元，其中所述数字孪生单元构建一套虚拟对象并与物流对象监测的数据相映射，所述AI处理单元连接于所述数字孪生单元，接收所述虚拟对象数据进行仿真预操作，确认操作的合理性。

优选的，功能实现模块连接于所述数字孪生平台感知模块与边缘智能模块，用于提供不同的故障处理功能，保障系统的完整性。

步骤3、所述AI处理单元包括，优化模型连接于所述数字孪生单元，利用所述数字孪生单元得到操作的最优解；故障模型连接于所述数字孪生单元，用于获取所述虚拟对象得到的故障信息，判断故障类型和地点；预测模型连接于所述数字孪生单元，对所述虚拟对象进行仿真操作，用于对故障信息进行风险评估。

本发明与现有技术相比的优点在于：

(1)数据传输延时低，本发明在数字孪生平台侧部署边缘服务器，极大程度的降低了数据传输时延；

(2)故障智能处理，本发明以数字孪生技术为基础，物理对象在操作时可以实时映射到虚拟对象，并通过数据传输呈现至数字孪生平台，可以精确判别故障类型与地点；

(3)智能化故障试验，本发明可以通过在虚拟对象进行仿真试验，既能减少套管损耗，同时可以避免试验风险。

实施例2

参照图2～图3为本发明的一个实施例，该实施例提供了一种基于数字孪生技术的高压干式套管故障预警方法，包括：

S1：采集套管数据并进行预处理。其中需要说明的是，

采集高压干式套管数据包括，套管运行数据、套管形态数据和套管环境数据，其中套管运行数据为主要数据包括真实运行数据与传感器数据，套管形态数据包括套管结构尺寸参数、套管损耗程度以及套管的位置坐标，套管环境数据包括套管周围静态环境及周围人员变动情况；数据预处理包括，预处理根据数据的类型采用不同的处理方法，其中对于套管运行数据直接通过WiFi传输网络传输，不经边缘计算处理；对于套管形态数据，利用套管形态数据在数字孪生平台构建全比例数字孪生模型，并且搭建虚拟对象与实体对象的传输通道，数据经过预处理后再传输至数字孪生平台；对于套管环境数据，对数据进行初步筛选后传输至数字孪生平台。

S2：利用预处理后的数据构建数字孪生模型。其中需要说明的是，

数字孪生模型包括，对预处理后的套管数据，利用虚拟建模技术构建一个与真实套管相对应的虚拟对象，并将实时采集的套管数据与虚拟对象进行交互，使得物理对象的状态可以实时映射至虚拟对象并将故障类型发送至数字孪生平台。

S3：将实时套管数据映射至数据构建数字孪生模型，数字孪生平台对实时对象数据中出现的故障发出预警。

数字孪生模型还包括，在数字孪生平台对数字孪生模型中的套管虚拟对象输入操作指令，虚拟对象进行仿真模拟，并判断是否存在典型故障，若不存在则将操作指令传输至物理对象，若存在风险则提供对应的优化方案，并且若平台数字孪生平台输入的操作指令顺序错误，虚拟对象会根据错误提供优化，给出正确的操作顺序；进一步的是，由于虚拟对象与物理对象数据为实时交互的，在虚拟对象中可以得到物理对象中相同的结果，根据虚拟对象结果来查看是否满足指标要求，满足要求则可以下达正确的才做指令。

实施例3

参照图4～图5为本发明的一个实施例，该实施例提供了一种基于数字孪生技术的高压干式套管故障预警方法，包括：感知模块，边缘模块和功能模块，其中需要说明的是，：

数据感知模块用于分类采集干式套管数据并对所述采集到的数据进行预处理，包括数据采集单元和数据预处理单元，其中所述数据采集单元用于采集感知节点所采集的数据，包括套管运行数据、套管形态数据、套管环境数据；所述数据预处理单元与所述数据采集单元相连接，用于对所述数据采集单元采集的数据进行预处理；边缘模块用于进行故障判别以及风险评估，包括数字孪生单元和AI处理单元，其中所述数字孪生单元构建一套虚拟对象并与物流对象监测的数据相映射，所述AI处理单元连接于所述数字孪生单元，接收所述虚拟对象数据进行仿真预操作，确认操作的合理性；功能模块连接于上述感知模块与边缘智能模块，用于提供不同的故障处理功能，保障系统的完整性。

进一步的是，所述AI处理单元包括，优化模型连接于所述高压干式套管数字孪生平台，利用所述数字孪生平台得到操作的最优解；故障模型连接于所述数字孪生平台，用于获取所述虚拟模型得到的故障信息，判断故障类型和地点；预测模型连接于所述数字孪生平台，对套管虚拟模型进行仿真操作，用于对高压干式套管故障信息进行故障评估以及故障类型判别。

为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例中选择一种基于灰色多变量理论与改进三比值法相结合的变压器套管故障预测方法进行测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果；

本发明方法是一种基于数字孪生技术的高压干式套管故障预警方法，其中基于灰色多变量理论与改进三比值法相结合的变压器套管故障预测方法，通过运用一种新的灰色关联度算法对改进的三比值法运用的气体三组比值进行关联度分析，得到彼此之间有很强的关联性，然后再用灰色多变量预测模型对这气体比值含量进行预测，最后结合改进三比值法找出对应的故障类型。而使用本发明方法，采集高压干式套管数据进行预处理并构建数字孪生模型，通过将实时数据与套管数字孪生模型之间相互映射，数字孪生平台发现套管中的故障并发出预警；在使用两种方法进行预警后，使用两种预警方法都可通过数据分析得到故障预测结果，但是在使用基于灰色多变量理论与改进三比值法相结合的变压器套管故障预测方法时，数据处理需离线进行，仅能实现短时间内的故障预测，数据得不到及时更新，使用本发明方法所需时间与传统方法相比，本发明方法采集的数据量多样化，数据传输时延低，本发明方法所需时间要明显变少，因此使用本发明方法明显缩减了套管故障预警时间。并且本发明方法构建的数字孪生模型可以对故障情况进行试验，降低了故障试验的成本。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种数字孪生驱动的高压干式套管故障预测方法，其特征在于，所述数字孪生驱动的高压干式套管故障预测方法包括以下步骤：

步骤一，采集高压干式套管数据并进行预处理；

步骤二，利用预处理后的高压干式套管数据构建数字孪生模型；

步骤三，将实时套管数据映射至所述套管数据数字孪生模型，数字孪生平台对实时对象数据中出现的故障发出预警。

2.如权利要求1所述数字孪生驱动的高压干式套管故障预测方法，其特征在于，步骤一中，所述高压干式套管数据，包括套管实际运行数据、套管形态数据和套管环境数据；其中，所述套管实际运行数据，包括正常运行数据和各个传感器数据；所述套管形态数据，包括高压干式套管的真实尺寸结构参数、套管损耗程度以及套管的位置坐标；所述高压干式套管环境数据，包括套管周围静态环境以及周围人员变动情况。

3.如权利要求1所述数字孪生驱动的高压干式套管故障预测方法，其特征在于，步骤一中，所述高压干式套管数据的预处理为：根据套管数据的类型采用不同的处理方法，包括：

对于所述高压干式套管运行数据直接通过传输网络传输，不经边缘计算处理，网络传输采用WiFi网络进行传输以提高传输效率；

对于所述高压干式套管形态数据，采用套管形态数据在数字孪生平台构建全比例数字孪生模型，搭建所述虚拟对象与所述实体对象的传输通道，数据经过预处理后再传输至数字孪生平台；

对于所述高压干式套管环境数据，对数据进行初步筛选后传输至数字孪生平台。

4.如权利要求1所述数字孪生驱动的高压干式套管故障预测方法，其特征在于，步骤二中，所述数字孪生模型，包括对所述预处理后的高压干式套管数据，利用虚拟建模技术构建一个与套管相对应的虚拟对象；将所述实时采集的高压干式套管数据与所述虚拟对象进行交互，使得物理对象的状态实时映射至虚拟对象并将故障类型发送至数字孪生平台。

5.如权利要求1所述数字孪生驱动的高压干式套管故障预测方法，其特征在于，步骤三中，所述数字孪生模型，还包括：

在所述数字孪生平台对所述数字孪生模型中的虚拟对象输入操作指令，所述虚拟对象进行仿真模拟，判断是否存在操作风险，若不存在则将所述操作指令传输至物理对象；若存在风险则提供对应的优化方案，并且若所述平台数字孪生平台输入的所述操作指令顺序错误，所述虚拟对象会根据错误提供优化，给出正确的操作顺序；

由于所述虚拟对象与所述物理对象数据为实时交互的，在虚拟对象中得到物理对象中相同的结果；同时根据虚拟对象结果来查看是否满足指标要求，满足要求则下达正确的指令。

6.一种应用如权利要求1～5任意一项所述数字孪生驱动的高压干式套管故障预测方法的数字孪生驱动的高压干式套管故障预测系统，其特征在于，所述数字孪生驱动的高压干式套管故障预测系统包括：

数字孪生平台感知模块，用于分类采集套管数据并对所述采集到的数据进行预处理，包括数据采集单元和数据预处理单元；其中，所述数据预处理单元与所述数据采集单元相连接，对所述数据采集单元采集的数据进行预处理；

边缘智能模块，用于进行故障判别以及风险评估，包括数字孪生单元和AI处理单元；其中，所述数字孪生单元构建一套虚拟对象并与物流对象监测的数据相映射，所述AI处理单元连接于所述数字孪生单元，用于接收所述虚拟对象数据进行仿真预操作，确认操作的合理性；

功能实现模块，连接于所述数字孪生平台感知模块与边缘智能模块，用于提供不同的故障处理功能，保障系统的完整性。

7.如权利要求6所述数字孪生驱动的高压干式套管故障预测系统，其特征在于，所述AI处理单元，包括：

优化模型，连接于所述数字孪生单元，用于利用所述数字孪生单元得到操作的最优解；

故障模型，连接于所述数字孪生单元，用于获取所述虚拟对象得到的故障信息，判断故障类型和地点；

预测模型，连接于所述数字孪生单元，用于对所述虚拟对象进行仿真操作，并对故障信息进行风险评估。

8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

采集高压干式套管数据并进行预处理；利用预处理后的高压干式套管数据构建数字孪生模型；将实时对象数据映射至所述套管数据数字孪生模型，数字孪生平台对所述实时对象数据中出现的故障发出故障预警。

9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

采集高压干式套管数据并进行预处理；利用预处理后的高压干式套管数据构建数字孪生模型；将实时对象数据映射至所述套管数据数字孪生模型，数字孪生平台对所述实时对象数据中出现的故障发出故障预警。

10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求6～7任意一项所述数字孪生驱动的高压干式套管故障预测系统。

Images