CN109933923A - 一种基于数字孪生的机电装备精益设计方法 - Google Patents
一种基于数字孪生的机电装备精益设计方法 Download PDFInfo
- Publication number
- CN109933923A CN109933923A CN201910207135.8A CN201910207135A CN109933923A CN 109933923 A CN109933923 A CN 109933923A CN 201910207135 A CN201910207135 A CN 201910207135A CN 109933923 A CN109933923 A CN 109933923A
- Authority
- CN
- China
- Prior art keywords
- design
- data
- lean
- operating condition
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于数字孪生的机电装备精益设计方法,包括物理空间和数字空间,二者通过数字孪生映射模块将感知装置采集的数据映射到数字空间。数字空间包括工况模型设计模块、工况数据生成模块以及精益设计优化与评估模块,工况模型设计模块包括工况数据分析与工况模型设计方法;工况数据生成模块包括工况数据需求分析、感知数据预处理与工况模型实例化方法;精益设计优化与评估模块包括精益设计方法选取与优化评估方法。通过数字孪生驱动的机电装备精益设计可避免传统的优化设计中由于人工分析引入的主观性数据与模型不准确问题,并缩短设计中设计缺陷的反馈时间,可得到更加客观、准确的优化仿真结果。
Description
技术领域
本发明涉及一种基于数字孪生的机电装备精益设计方法,具体的说是一种基于机电装备数字孪生模型以及加载真实工况数据进行机电装备精益设计的方法,属于机电装备智能化与数字化技术领域。
背景技术
最近几年,随着CPS(Cyber-Physical Systems)技术的发展,数字孪生(DigitalTwin)技术逐渐成为学术界研究的热点。数字孪生技术是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而真实反映相应的实体设备。也就是说,数字孪生是各种物理资产、流程、人员、地点、系统和设备的数字副本。这从根本上确保了数字孪生模型的准确性。
随着技术不断发展,机电装备也开始向数字化、自动化、智能化和柔性化发展,其发展是衡量一个国家科技水平综合国力的重要标志。机电装备良好性能不仅可以提高制造效率,而且还可以提高产品质量。尽管良好的性能取决于设计、调试、运行监控和维护等多个阶段,但设计是最基本的阶段,它在早期阶段决定了机电装备的性能。因此,如何通过相对较小的成本来提高机电装备在设计阶段的性能,成为当今设备制造商面临的挑战。
但是目前关于机电装备的精益设计,还存在诸多不足。在设计优化模型方面,采用的模型一般是描述机电装备设计者对设备的理想定义。而真实原型机在制造中由于加工、装配误差和使用等因素,并不能与优化设计模型保持完全一致。从而设计优化模型并不能反映真实原型机系统的准确情况,基于这些数字化模型上的优化仿真分析,其有效性受到了明显的限制。在仿真载荷的设计方面,传统的方法一般根据设计要求计算得出载荷,或使用经验数据进行分析设计,设计参数往往不能真实反映用户需求。尤其是在设备的改进设计中,由于设备使用和维护信息反馈不及时、不完整,往往不能真实的反映改进需求。
因此,在机电装备的精益设计中,亟待解决设计工况模型的客观性、真实性和准确性以及模型不准性问题。
发明内容
针对现有精益设计中设计工况模型的客观性、真实性和准确性以及模型不准性问题,本发明提供一种基于数字孪生的机电装备精益设计方法。
术语解释
数字孪生(Digital Twin,DT)技术是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而真实反映相应的实体设备,
本发明的技术方案如下:
一种基于数字孪生的机电装备精益设计方法,包括物理空间和数字空间,物理空间通过数字孪生映射模块将基础数据映射到数字空间;
物理空间包括机电装备、数据感知装置;
数字空间包括精益设计需求模块、以应用为导向的工况数据生成模块、精益设计仿真模块、精益设计评估模块;精益设计需求模块用于根据不同设备需求者提出的性能指标进行分析得到设计需求,为后续精益设计仿真分析提供需求指导;数据感知装置采集机电装备的基础数据并将基础数据通过数字孪生映射模块映射到工况数据生成模块,工况数据生成模块用于对映射过来的基础数据进行处理分析并通过模型实例化得到工况数据并加载至精益设计仿真模块;精益设计仿真模块根据设计需求进行精益设计仿真分析并将得到的设计参数输出至精益设计评估模块;精益设计评估模块对仿真分析得到的设计参数进行评估,满足评估条件则生成优化设计方案。
优选的,工况数据生成模块包括仿真分析需求、数据维护模块、工况模型;所述仿真需求是根据精益设计仿真模块得到相应需要的边界条件与约束条件类型;所述数据维护模块包括数据预处理、数据分析、数据存储,数据维护模块根据仿真分析需求将映射过来的基础数据分析处理得到完整的基础数据并将完整的基础数据保存至数据库中;完整的基础数据填充至工况模型中实例化得到完整的工况数据。
在预处理之后,需要根据不同的数据进行进一步分析处理,因为由数据感知装置采集到的数据毕竟是有限的,设计者需要根据不同的数据去寻找已有的相应规则使得可以通过对这些有限的基础数据的计算与分析得出整个工况的完整数据。
进一步优选的,所述数据预处理包括数据清洗、数据集成、数据变换、数据归约。均为现有常规对数据的预处理操作。
进一步优选的,所述数据存储是指将分析数据存储到分布式存储系统HBase中。
进一步优选的,所述工况模型包括统计学工况、以模型仿真为导向的结构力学工况、以模型仿真为导向的热力学工况、以模型仿真为导向的流体力学工况以及以模型仿真为导向的电磁学工况。工况模型是以研究对象相应的领域知识进行填充构建的完整的层次化分明的用来描述工况的模型。在这里以实现同一个功能的子系统为落脚点对工况进行分析。对于子系统的工况总是可以从统计学工况和以模型仿真为导向的热力学工况,流体力学工况,电磁学工况以及结构力学工况等方面去着手构建。
进一步优选的,统计学工况包括通过对获得数据的整理、分析得出的一系列显性的工况;
结构力学工况包括静力学工况、动力学工况,其中静力学工况包括正压力、摩擦力、截切力等;动力学工况包括振动、冲击载荷等;
热力学工况包括温度、压力、热流率等;
流体力学工况包括流体静力学工况和流体动力学工况,其中流体静力学工况包括压力、密度以及温度分布等;动力学包括压力、温度、流体速度等;
电磁学工况包括电流、电压、磁感应强度等。
优选的,所述精益设计仿真模块包括精益设计算法库、机电装备DT模型,由工况数据生成模块得到的实例化后的工况数据加载至机电装备DT模型,精益设计仿真模块根据不同的设计需求在精益设计算法库中选择对应合适的算法,然后对加载的机电装备DT模型进行精益设计仿真分析。
进一步优选的,精益设计算法通过DT算法接口嵌入机电装备DT模型中。
进一步优选的,所述精益设计算法库包括蚁群算法、遗传算法、模拟退火算法、粒子群算法等。
优选的,所述精益设计评估模块包括评估算法库,评估算法库包括人工神经网络算法、粒子群算法等。
进一步优选的,精益设计评估模块将优化的设计参数加载至机电装备DT模型中进行评估。精益设计评估模块根据不同的需求在评估算法库中选择合适的算法,然后对加载机电装备DT模型进行精益设计评估分析。
本发明的有益效果在于:
1.本发明基于数字孪生的机电装备精益设计方法借用数字孪生概念,它是将产品基于物理场的准确虚拟副本,可从根本上保证精益设计模型的准确性;
2.本发明基于数字孪生的机电装备精益设计方法通过开源机器学习库Scikit-learn进行映射数据预处理,可保证数据的适用性;
3.本发明基于数字孪生的机电装备精益设计方法的精益设计仿真边界条件与约束条件等数据来源于真实工况数据,保证精益设计过程中的数据准确性;
4、本发明基于数字孪生的机电装备精益设计方法建立机电装备工况模型能够全面完整系统的描述所有会影响设备运行工作的工况因素,保证精益设计过程中工况数据的完整性。数据维护中数据经过预处理后不是简单的存储应用,而是通过对于基础数据的分析计算从而得到可以反映整个工况的完整的工况数据。工况模型的构建是通过对于相关领域知识的研究构建出可以覆盖整个工况的完整的层次化的指导性模型,其可以指导工况数据的采集、存储以及后续的工况模型实例化。利用实例化的工况模型就可以自动的添加仿真边界条件,有效地避免了人为添加存在的误差,保证了整个模型的准确性,减少了人为因素造成的误差。
5、本发明基于数字孪生的机电装备精益设计方法建立机电装备的工况模型可以重用,从而避免重复的领域知识分析。设计者通过构建一个统一框架或者一个规范模型来减少概念和术语上的差异,保证精益设计过程中数据的交互的统一性与快捷性。
附图说明
图1为本发明数字孪生驱动的机电装备精益设计方法的整体框架;
图2为本发明机电装备工况模型的整体设计;
图3为本发明机床高速切削工件的工况分析;
图4为本发明机床高速切削工件的工况模型;
图5为本发明机电装备工况数据生成方法;
图6为本发明数字孪生驱动的机电设备优化评估研究框架;
图7为本发明精益设计仿真模块和精益设计评估模块的工作流程。
具体实施方式
下面通过实施例并结合附图对本发明做进一步说明,但不限于此。
如图1-7所示。
实施例1:
一种基于数字孪生的机电装备精益设计方法,包括物理空间和数字空间,物理空间通过数字孪生映射模块将基础数据映射到数字空间。如图1所示。
物理空间包括机电装备、数据感知装置。
数字空间包括精益设计需求模块、以应用为导向的工况数据生成模块、精益设计仿真模块、精益设计评估模块;精益设计需求模块用于根据不同设备需求者提出的性能指标进行分析得到设计需求,为后续精益设计仿真分析提供需求指导;数据感知装置采集机电装备的基础数据并将基础数据通过数字孪生映射模块映射到工况数据生成模块,工况数据生成模块用于对映射过来的基础数据进行处理分析并通过模型实例化得到工况数据并加载至精益设计仿真模块;精益设计仿真模块根据设计需求进行精益设计仿真分析并将得到的设计参数输出至精益设计评估模块;精益设计评估模块对仿真分析得到的设计参数进行评估,满足评估条件则生成优化设计方案。
工况数据生成模块包括仿真分析需求、数据维护模块、工况模型;所述仿真需求是根据精益设计仿真模块得到相应需要的边界条件与约束条件类型;所述数据维护模块包括数据预处理、数据分析、数据存储,数据维护模块根据仿真分析需求将映射过来的基础数据分析处理得到完整的基础数据并将完整的基础数据保存至数据库中;完整的基础数据填充至工况模型中实例化得到完整的工况数据。
在预处理之后,需要根据不同的数据进行进一步分析处理,因为由数据感知装置采集到的数据毕竟是有限的,设计者需要根据不同的数据去寻找已有的相应规则使得可以通过对这些有限的基础数据的计算与分析得出整个工况的完整数据。
如图5所示,根据机电装备性能指标得出精益设计需求,然后根据精益设计需求来得到仿真分析所需要的数据类型与信息。将这样的仿真分析需求下发到感知数据库,在数据库中提取相应的信息对工况模型进行实例化得到工况数据。
实施例2:
一种基于数字孪生的机电装备精益设计方法,其方法如实施例1所述,所不同的是,数据预处理包括数据清洗、数据集成、数据变换、数据归约,均为现有常规对数据的预处理操作,这样就得到了预处理后的干净整齐的基础数据。数据存储是指将分析数据存储到分布式存储系统HBase中。
实施例3:
一种基于数字孪生的机电装备精益设计方法,其方法如实施例1所述,所不同的是,所述工况模型包括统计学工况、以模型仿真为导向的结构力学工况、以模型仿真为导向的热力学工况、以模型仿真为导向的流体力学工况以及以模型仿真为导向的电磁学工况。工况模型是以研究对象相应的领域知识进行填充构建的完整的层次化分明的用来描述工况的模型。工况模型的构建和应用思路如图2所示,首先可以将工况模型划分为设备、工件、环境等几个要素。然后在设备工况模型下依据设备的构成或功能划分为不同的子系统,在这里以实现同一个功能的子系统为落脚点对工况进行分析。在子系统工况模型下再根据具体情况构建统计学工况和以模型仿真为导向的四类工况,然后在相关领域知识的帮助下继续向下延展,这样就可以构建出层次化分明的完备的工况模型。
每个子系统都会有自己相应的基础数据的感知设备,通过感知设备可以将所有需要采集的基础数据由实际工况中采集上来。设计者需要根据不同的数据去寻找已有的相应规则使得可以通过对这些有限的基础数据的计算与分析得出整个工况的完整数据。
统计学工况包括通过对获得数据的整理、分析得出的一系列显性的工况;
结构力学工况包括静力学工况、动力学工况,其中静力学工况包括正压力、摩擦力、截切力等;动力学工况包括振动、冲击载荷等。
热力学工况包括温度、压力、热流率等。
流体力学工况包括流体静力学工况和流体动力学工况,其中流体静力学工况包括压力、密度以及温度分布等;动力学包括压力、温度、流体速度等。
电磁学工况包括电流、电压、磁感应强度等。
利用本实施例和图2提供的工况模型设计方法,以数控机床高速切削工件的工况为例来生成一个工况模型,首先要做的就是全面完整的分析相应的工况要素。
如图3所示,首先可以先划分为机床、工件、车间环境几个要素,其中机床根据以实现功能的不同又可以划分为如图所示的子系统:主轴系统、刀具系统、伺服进给系统等,这些子系统的工况综合反映了车间中数控机床高速车削加工零件的复杂工况。这些子系统由各自不同的结构部件组成,如主轴系统包括主轴电机、主轴等,刀具系统包括车刀等,伺服进给系统包括伺服电机、进给轴等,每个结构部件都通过数据感知装置收集到相应的基础数据。
在对工况数据进行存储和分析的时候需要对收集到的数据进行统计学的分析,需要引入一个描述工况数据的属性,即瞬时工况和长时工况,在存储的时候要对数据进行标记该属性。长时工况的定义就是对于这个工况参数来说该数据的某段数据在整个加工过程中其存在的时间和概率均处在较高的水平(视具体情况而定),这时就定义处在这个数据段内的数据均为长时工况。对于每一个工况数据都拥有这个bool型属性,属于长时工况时标记为1;反之就是瞬时工况,标记为0。
图4为以车间中数控机床高速车削加工工件的工况为例建立工况模型,根据上述工况分类的原则指导对机床工况进行分类,图4中只是举例将一些小项展开说明。诸如此,将每一个分类条框进行详细的延展与填充,就可以形成一个完整系统的工况模型。
本方法中的模型可由现有模型框架构建软件构建,如可以使用python构建出这样的模型,并且可以在其中完成模型实例化后生成XML语言的文本加载到DT模型。
实施例4:
一种基于数字孪生的机电装备精益设计方法,其方法如实施例1所述,所不同的是,所述精益设计仿真模块包括精益设计算法库、机电装备DT模型,由工况数据生成模块得到的实例化后的工况数据加载至机电装备DT模型,精益设计仿真模块根据不同的设计需求在精益设计算法库中选择对应合适的算法,然后对加载的机电装备DT模型进行精益设计仿真分析。精益设计算法库包括蚁群算法、遗传算法、模拟退火算法、粒子群算法。
实施例5:
一种基于数字孪生的机电装备精益设计方法,其方法如实施例4所述,所不同的是,精益设计算法通过DT算法接口嵌入机电装备DT模型中。
如图6所示,精益设计需求模块根据不同设备需求者提出的性能指标进行分析得到精益设计需求。然后将之前实例化得到的工况数据加载到机电装备DT模型中并形成仿真分析中相应的边界条件,进行相应的仿真分析。
实施例6:
一种基于数字孪生的机电装备精益设计方法,其方法如实施例4所述,所不同的是,所述精益设计评估模块包括评估算法库,评估算法库包括人工神经网络算法、粒子群算法等。
精益设计评估模块将优化后的设计参数加载至机电装备DT模型中进行评估。
如图7所示,图7为整个精益设计仿真模块和精益设计评估模块对于机电装备进行精益优化设计的流程,最终输出用来指导下一代机电装备设计的优化设计方案。
Claims (10)
1.一种基于数字孪生的机电装备精益设计方法,其特征在于,包括物理空间和数字空间,物理空间通过数字孪生映射模块将基础数据映射到数字空间;
物理空间包括机电装备、数据感知装置;
数字空间包括精益设计需求模块、工况数据生成模块、精益设计仿真模块、精益设计评估模块;精益设计需求模块用于根据不同设备需求者提出的性能指标进行分析得到设计需求;数据感知装置采集机电装备的基础数据并将基础数据通过数字孪生映射模块映射到工况数据生成模块,工况数据生成模块用于对映射过来的基础数据进行处理分析并通过模型实例化得到工况数据并加载至精益设计仿真模块;精益设计仿真模块根据设计需求进行精益设计仿真分析并将得到的设计参数输出至精益设计评估模块;精益设计评估模块对仿真分析得到的设计参数进行评估,满足评估条件则生成优化设计方案。
2.根据权利要求1所述的基于数字孪生的机电装备精益设计方法,其特征在于,工况数据生成模块包括仿真分析需求、数据维护模块、工况模型;所述仿真需求是根据精益设计仿真模块得到相应需要的边界条件与约束条件类型;所述数据维护模块包括数据预处理、数据分析、数据存储,数据维护模块根据仿真分析需求将映射过来的基础数据分析处理得到完整的基础数据并将完整的基础数据保存至数据库中;完整的基础数据填充至工况模型中实例化得到完整的工况数据。
3.根据权利要求2所述的基于数字孪生的机电装备精益设计方法,其特征在于,所述数据预处理包括数据清洗、数据集成、数据变换、数据归约。
4.根据权利要求2所述的基于数字孪生的机电装备精益设计方法,其特征在于,所述数据存储是指将分析数据存储到分布式存储系统HBase中。
5.根据权利要求2所述的基于数字孪生的机电装备精益设计方法,其特征在于,所述工况模型包括统计学工况、结构力学工况、热力学工况、流体力学工况以及电磁学工况。
6.根据权利要求5所述的基于数字孪生的机电装备精益设计方法,其特征在于,统计学工况包括通过对获得数据的整理、分析得出的一系列显性的工况;
结构力学工况包括静力学工况、动力学工况,其中静力学工况包括正压力、摩擦力、截切力;动力学工况包括振动、冲击载荷;
热力学工况包括温度、压力、热流率;
流体力学工况包括流体静力学工况和流体动力学工况,其中流体静力学工况包括压力、密度以及温度分布;动力学包括压力、温度、流体速度;
电磁学工况包括电流、电压、磁感应强度。
7.根据权利要求1所述的基于数字孪生的机电装备精益设计方法,其特征在于,所述精益设计仿真模块包括精益设计算法库、机电装备DT模型,由工况数据生成模块得到的实例化后的工况数据加载至机电装备DT模型,精益设计仿真模块根据不同的设计需求在精益设计算法库中选择对应的算法,然后对加载的机电装备DT模型进行精益设计仿真分析。
8.根据权利要求7所述的基于数字孪生的机电装备精益设计方法,其特征在于,精益设计算法通过DT算法接口嵌入机电装备DT模型中。
9.根据权利要求7所述的基于数字孪生的机电装备精益设计方法,其特征在于,所述精益设计算法库包括蚁群算法、遗传算法、模拟退火算法、粒子群算法。
10.根据权利要求1所述的基于数字孪生的机电装备精益设计方法,其特征在于,所述精益设计评估模块包括评估算法库,评估算法库包括人工神经网络算法以及粒子群算法;
优选的,精益设计评估模块将优化的设计参数加载至机电装备DT模型中进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910207135.8A CN109933923B (zh) | 2019-03-19 | 2019-03-19 | 一种基于数字孪生的机电装备精益设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910207135.8A CN109933923B (zh) | 2019-03-19 | 2019-03-19 | 一种基于数字孪生的机电装备精益设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109933923A true CN109933923A (zh) | 2019-06-25 |
CN109933923B CN109933923B (zh) | 2022-12-02 |
Family
ID=66987630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910207135.8A Active CN109933923B (zh) | 2019-03-19 | 2019-03-19 | 一种基于数字孪生的机电装备精益设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109933923B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456635A (zh) * | 2019-07-02 | 2019-11-15 | 北京航空航天大学 | 基于数字孪生技术的电动汽车动力系统的控制方法 |
CN110532625A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 航空发动机涡轮盘-转子-支承系统数字孪生建模方法 |
CN110569617A (zh) * | 2019-09-12 | 2019-12-13 | 广东鑫光智能系统有限公司 | 设备组件化模型框架 |
CN112446104A (zh) * | 2019-08-28 | 2021-03-05 | 西门子股份公司 | 真实设备与其数字孪生之间的偏差的识别 |
CN112668223A (zh) * | 2020-12-25 | 2021-04-16 | 山东大学 | 基于数字孪生轻量化模型的机电装备仿真方法及系统 |
CN113158360A (zh) * | 2021-03-09 | 2021-07-23 | 五邑大学 | 数字孪生模型的评价方法、夹持机械臂、存储介质 |
CN113344244A (zh) * | 2021-04-29 | 2021-09-03 | 武汉科技大学 | 一种数字孪生驱动的工件加工能耗预测装置 |
CN113625666A (zh) * | 2020-05-08 | 2021-11-09 | 通用电气公司 | 具有耦合子系统模型和数字孪生的操作优化分配控制系统 |
CN111666712B (zh) * | 2020-05-14 | 2023-08-08 | 大连理工大学 | 一种大型复杂机电装备的“测-算-控”智能化数字孪生方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530111A (zh) * | 2016-12-01 | 2017-03-22 | 东华大学 | 一种面向智能棉纺生产的cps架构 |
CN107832497A (zh) * | 2017-10-17 | 2018-03-23 | 广东工业大学 | 一种智能车间快速定制设计方法及系统 |
CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
CN108388146A (zh) * | 2018-02-01 | 2018-08-10 | 东南大学 | 一种基于信息物理融合的三维装配工艺设计系统及运行方法 |
CN109116751A (zh) * | 2018-07-24 | 2019-01-01 | 西安西电电气研究院有限责任公司 | 基于数字孪生技术的数字化系统及其构建方法 |
CN109343496A (zh) * | 2018-11-14 | 2019-02-15 | 中国电子工程设计院有限公司 | 应用于工业生产的数字孪生系统及其形成方法 |
CN109356789A (zh) * | 2018-11-07 | 2019-02-19 | 中国矿业大学 | 一种基于数字孪生的风机直驱变桨距系统及优化设计方法 |
CN109445305A (zh) * | 2018-10-26 | 2019-03-08 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的装配精度仿真分析方法与系统 |
-
2019
- 2019-03-19 CN CN201910207135.8A patent/CN109933923B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530111A (zh) * | 2016-12-01 | 2017-03-22 | 东华大学 | 一种面向智能棉纺生产的cps架构 |
CN107832497A (zh) * | 2017-10-17 | 2018-03-23 | 广东工业大学 | 一种智能车间快速定制设计方法及系统 |
CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
CN108388146A (zh) * | 2018-02-01 | 2018-08-10 | 东南大学 | 一种基于信息物理融合的三维装配工艺设计系统及运行方法 |
CN109116751A (zh) * | 2018-07-24 | 2019-01-01 | 西安西电电气研究院有限责任公司 | 基于数字孪生技术的数字化系统及其构建方法 |
CN109445305A (zh) * | 2018-10-26 | 2019-03-08 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的装配精度仿真分析方法与系统 |
CN109356789A (zh) * | 2018-11-07 | 2019-02-19 | 中国矿业大学 | 一种基于数字孪生的风机直驱变桨距系统及优化设计方法 |
CN109343496A (zh) * | 2018-11-14 | 2019-02-15 | 中国电子工程设计院有限公司 | 应用于工业生产的数字孪生系统及其形成方法 |
Non-Patent Citations (5)
Title |
---|
WEICHAO LUO: "Digital twin for CNC machine tool: modeling and using strategy", 《SPRINGERLINK》 * |
WEICHAO LUO: "Digital Twin modeling method for CNC machine tool", 《IEEE》 * |
王春晓: "基于Modelica的数控机床多领域建模与虚拟调试", 《组合机床与自动化加工技术》 * |
陶飞: "数字孪生五维模型及十大领域应用", 《计算机集成制造系统》 * |
陶飞: "数字孪生及其应用探索", 《计算机集成制造系统》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456635A (zh) * | 2019-07-02 | 2019-11-15 | 北京航空航天大学 | 基于数字孪生技术的电动汽车动力系统的控制方法 |
CN110532625A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 航空发动机涡轮盘-转子-支承系统数字孪生建模方法 |
CN110532625B (zh) * | 2019-07-31 | 2021-02-02 | 西安交通大学 | 航空发动机涡轮盘-转子-支承系统数字孪生建模方法 |
CN112446104A (zh) * | 2019-08-28 | 2021-03-05 | 西门子股份公司 | 真实设备与其数字孪生之间的偏差的识别 |
CN110569617A (zh) * | 2019-09-12 | 2019-12-13 | 广东鑫光智能系统有限公司 | 设备组件化模型框架 |
CN113625666A (zh) * | 2020-05-08 | 2021-11-09 | 通用电气公司 | 具有耦合子系统模型和数字孪生的操作优化分配控制系统 |
CN111666712B (zh) * | 2020-05-14 | 2023-08-08 | 大连理工大学 | 一种大型复杂机电装备的“测-算-控”智能化数字孪生方法 |
CN112668223A (zh) * | 2020-12-25 | 2021-04-16 | 山东大学 | 基于数字孪生轻量化模型的机电装备仿真方法及系统 |
CN113158360A (zh) * | 2021-03-09 | 2021-07-23 | 五邑大学 | 数字孪生模型的评价方法、夹持机械臂、存储介质 |
CN113158360B (zh) * | 2021-03-09 | 2022-06-24 | 五邑大学 | 数字孪生模型的评价方法、夹持机械臂、存储介质 |
CN113344244A (zh) * | 2021-04-29 | 2021-09-03 | 武汉科技大学 | 一种数字孪生驱动的工件加工能耗预测装置 |
CN113344244B (zh) * | 2021-04-29 | 2023-04-07 | 武汉科技大学 | 一种数字孪生驱动的工件加工能耗预测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109933923B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109933923A (zh) | 一种基于数字孪生的机电装备精益设计方法 | |
Kumar | State of the art-intense review on artificial intelligence systems application in process planning and manufacturing | |
Liu et al. | Probing an intelligent predictive maintenance approach with deep learning and augmented reality for machine tools in IoT-enabled manufacturing | |
Xu et al. | Computer-aided process planning–A critical review of recent developments and future trends | |
CN109615113A (zh) | 一种基于数字孪生的船用柴油机关重件加工质量预测方法 | |
US20220121183A1 (en) | Method and Apparatus for Simulating the Machining on a Machine Tool Using a Self-learning System | |
Cheng et al. | A digital twin-driven approach for on-line controlling quality of marine diesel engine critical parts | |
KR101846793B1 (ko) | 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템 | |
KR101825881B1 (ko) | 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 | |
Vimal et al. | Application of artificial neural network for fuzzy logic based leanness assessment | |
CN109581867A (zh) | 用于监视、诊断优化和控制的分类建模 | |
CN102063550A (zh) | 机器智能参与设计决策的冷挤压件智能设计系统 | |
CN105807628B (zh) | 用于复杂cps的机器人柔性控制器及其实现方法 | |
CN112418455B (zh) | 一种设备故障预测与健康管理系统 | |
CN115422814B (zh) | 一种数字孪生驱动的复杂机电产品闭环优化设计方法 | |
Saric et al. | Estimation of machining time for CNC manufacturing using neural computing | |
Deng et al. | A data-drivenparameter planning method for structural Parts NC machining | |
Sheptunov et al. | Simulating reliability of the robotic system software on the basis of artificial intelligence | |
Jain et al. | Towards smart manufacturing with virtual factory and data analytics | |
CN113627032A (zh) | 一种基于数字孪生的设备设计/维修方案智能决策方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN115688563A (zh) | 一种基于多智能体进化强化学习的加工参数优化方法 | |
CN115135463A (zh) | 工业系统的预测模型学习方法、装置和系统 | |
Bejjani et al. | Flow chart based information modeling for factory planning | |
Vishnu et al. | A data-driven digital twin framework for key performance indicators in CNC machining processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |