CN110414033A - 结合边缘计算和数字孪生的机械设备预测性维护方法 - Google Patents
结合边缘计算和数字孪生的机械设备预测性维护方法 Download PDFInfo
- Publication number
- CN110414033A CN110414033A CN201910466181.XA CN201910466181A CN110414033A CN 110414033 A CN110414033 A CN 110414033A CN 201910466181 A CN201910466181 A CN 201910466181A CN 110414033 A CN110414033 A CN 110414033A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- mechanical equipment
- monitoring data
- training
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种结合边缘计算和数字孪生的机械设备预测性维护方法,通过边缘计算侧提供智能服务,对数据直接进行分析,提高了分析效率,减少设备终端与云中心数据传输的流量,缓解监测数据分析的压力,增强服务的响应能力;同时数据的分布式处理和本地存储提高了数据的安全性,将边缘计算得到的数据进行本地存储;传统的基于云存储的数字孪生体构建具有延时性,特别是超写实仿真,无法完成实时在线调整,而引进边缘计算减少延时,将边缘数据输到终端设备,进行数字孪生体的构建和高逼真度行为仿真,实现机械设备实时状态的可视化,结合构建的神经网络预测结果和虚拟空间高逼真度行为仿真结果,进行定量和定性分析,综合指导机械设备预测性维护。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种结合边缘计算和数字孪生的机械设备预测性维护方法。
背景技术
随着机械设备结构的复杂化和监测手段的多样化,导致监测的运转数据出现爆炸式增长,这对云端的数据传输和处理提出了更高的要求。由于设备端和云端的距离导致数据传输产生高时延,传输过程中的低带宽,云端存储低可靠性等缺陷,对基于云存储的实时数据分析提出更多挑战。而且,实际监测数据中包含众多冗余信息,将其存储于云端会占用很多存储空间。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种结合边缘计算和数字孪生的机械设备预测性维护方法。
本发明的目的可以通过采用如下的技术措施来实现,设计一种结合边缘计算和数字孪生的机械设备预测性维护方法,包括:
在监测的机械设备的关键零部件布置传感器,获取监测数据,将监测数据通过无线网络传输到计算设备上进行数据处理分析,将监测数据中的线下数据进行存储,同时将监测数据中的线上数据传输到云中心进行存储和处理;其中,线上数据包括监测数据中时延不敏感数据和需要集中处理的数据;
依据监测数据中的线下数据在虚拟空间构建机械设备的高保真模型,利用UG软件,建立包含物理模型、几何模型、材料模型的多尺度、多层次集成模型;
依据监测数据中的线上数据在Unity3D软件中构建超写实仿真环境,将UG中构建好的高保真模型导入Unity3D软件中,通过线上数据驱动虚拟空间的高保真模型在超写实仿真环境中进行高逼真度行为仿真,完成高保真模型和超写实仿真环境的融合;
依据机械设备关键零部件的历史监测数据训练双向GRU剩余寿命预测模型,建立机械设备关键零部件的历史监测数据与剩余寿命之间的关系;同时将高保真模型在超写实仿真环境中运行,得到机械设备的物理空间状态;
结合机械设备关键零部件的历史监测数据与剩余寿命关系及相应物理空间状态,对机械设备进行预测性维护。
其中,监测数据中的线下数据至少包括机械设备的几何参数、材料参数及空间相对位置信息;监测数据中的线上数据至少包括环境数据和机械设备工作时产生的数据。
其中,在训练双向GRU剩余寿命预测模型的步骤中,将机械设备历史运行数据作为训练集,进行双向GRU模型的训练,使模型学习到不同阶段的特征,进行参数优化,调整模型的层数、模型的具体结构及神经元的数量,直至训练集中的预测值和实际值的均方误差达到最小,训练预测结果达到最优。确定训练次数、模型层数、模型具体结构以及每一层神经元的数目,保存模型。
其中,均方误差表达式
其中,N表示参加训练的数据量,ypi表示对第i个输入的预测值,yti表示第i个输入对应的实际值。
其中,对模型预测结果进行评判,采用三个指标进行评判,分别为均方根误差、拟合优度检验、平均绝对百分误差和Score_function,其表达式分别如下:
预测分析中RMSE越接近0,代表预测结果越精确;
平均绝对百分误差不仅仅考虑预测值与真实值之间的误差,还考虑该误差占真实值的比例,其表达式如下:
其中,yi表示实际值,表示预测值;
表示预测的均值;
R2值越接近1,代表预测结果越好,
表示第i组的输入的预测结果,yi表示第i组的寿命对应参数。Score 值越接近0,代表预测结果越精确。
区别于现有技术,本发明的结合边缘计算和数字孪生的机械设备预测性维护方法,通过边缘计算,在数据的源头或者网络边缘侧提供智能服务,对数据直接进行分析,提高了分析效率,减少设备终端与云中心数据传输的流量,缓解监测数据分析的压力,增强服务的响应能力;同时数据的分布式处理和本地存储提高了数据的安全性,将边缘计算得到的数据进行本地存储;传统的基于云存储的数字孪生体构建会产生一定的延时性,特别是在进行超写实仿真时,无法完成实时在线调整,而引进边缘计算减少延时,将边缘数据输到终端设备,进行数字孪生体的构建和高逼真度行为仿真,实现机械设备实时状态的可视化,同时,边缘数据驱动神经网络进行剩余寿命在线预测,结合构建的神经网络预测结果和虚拟空间高逼真度行为仿真结果,进行定量和定性分析,综合指导机械设备预测性维护。
附图说明
图1为本发明提供的一种结合边缘计算和数字孪生的机械设备预测性维护方法的流程示意图。
图2为本发明提供的一种结合边缘计算和数字孪生的机械设备预测性维护方法GRU网络模型训练的流程示意图。
图3为本发明提供的一种结合边缘计算和数字孪生的机械设备预测性维护方法GRU网络模型的结构示意图。
图4为本发明提供的一种结合边缘计算和数字孪生的机械设备预测性维护方法的GRU网络模型的展开结构示意图。
图5为本发明提供的一种结合边缘计算和数字孪生的机械设备预测性维护方法的数据分析流程示意图。
图6为本发明提供的一种结合边缘计算和数字孪生的机械设备预测性维护方法的机械设备预测性维护流程示意图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
参阅图1,图1是本发明提供的一种结合边缘计算和数字孪生的机械设备预测性维护方法的流程示意图。该方法的步骤包括:
S110:在监测的机械设备的关键零部件布置传感器,获取监测数据,将监测数据通过无线网络传输到计算设备上进行数据处理分析,将监测数据中的线下数据进行存储,同时将监测数据中的线上数据传输到云中心进行存储和处理;其中,线上数据包括监测数据中时延不敏感数据和需要集中处理的数据。
对监测的机械设备安装对应的传感器,将机械设备的运转信息和实时状态信息作为监测数据,通过无线网络(4G/5G/WiFi等)传输到靠近数据源最近的计算设备上进行数据处理分析,实现边缘计算。最后将边缘计算的结果分类存储,对于监测数据中的线下数据,如几何参数、材料参数、位置信息,可以选择存储在本地,以避免数据的泄露,提高安全性;对于时延不敏感或者需要进行集中处理的数据,将其传输到云中心进行存储和处理。
S120:依据监测数据中的线下数据在虚拟空间构建机械设备的高保真模型,利用UG软件,建立包含物理模型、几何模型、材料模型的多尺度、多层次集成模型。
S130:依据监测数据中的线上数据在Unity3D软件中构建超写实仿真环境,将UG中构建好的高保真模型导入Unity3D软件中,通过线上数据驱动虚拟空间的高保真模型在超写实仿真环境中进行高逼真度行为仿真,完成高保真模型和超写实仿真环境的融合。
将在线监测的边缘设备运行数据导入Unity3D软件中,驱动虚拟空间的高保真模型在超写实仿真环境中进行高逼真度行为仿真,将机械设备物理空间的位姿状态实时动态地反映到虚拟空间,实现机械设备物理空间实时状态可视化。
S140:依据机械设备关键零部件的历史监测数据训练双向GRU剩余寿命预测模型,建立机械设备关键零部件的历史监测数据与剩余寿命之间的关系;同时将高保真模型在超写实仿真环境中运行,得到机械设备的物理空间状态。
在训练双向GRU剩余寿命预测模型的步骤中,将机械设备历史运行数据作为训练集,进行双向GRU模型的训练,使模型学习到不同阶段的特征,进行参数优化,调整模型的层数、模型的具体结构及神经元的数量,直至训练集中的预测值和实际值的均方误差达到最小,训练预测结果达到最优。确定训练次数、模型层数、模型具体结构以及每一层神经元的数目,保存模型。模型训练流程如图2所示。
S150:结合机械设备关键零部件的历史监测数据与剩余寿命关系及相应物理空间状态,对机械设备进行预测性维护。
GRU的结构如图4所示。GRU由重置门和更新门组成,rt表示重置门,zt代表更新门。重置门控制前一时刻信息有多少被写入到当前状态重置门的值越小,表示被写入的信息越少。更新门控制前一状态信息被考虑到当前状态的程度,更新门的值越大表示考虑前一状态信息越多。
对于重置门,输入由上一时刻输出ht-1和当前时刻输入xt组成,经过激活函数sigmoid运算得到重置门的输出,表达式如下
rt=σ(Wr·[ht-1,xt]+br) (1)
σ表示激活函数sigmoid,Wr表示重置门的运算系数,W∈Rd×(d+k), k表示超参数,b∈Rd;
更新门的运算表达如式(2)
zt=σ(Wz·[ht-1,xt]+bz) (2)
Wz表示更新门的运算系数;
当前状态的运算表达式如下
当rt越小,rt*ht-1的值越小,即ht-1在的占比越小,则前一时刻被写入的信息越少。
当前时刻网络的输出ht表示如式(4)
当zt越小,ht-1的系数越大,的系数越小,即ht-1在ht中的占比较大,则前一时刻被写入的信息越多。
双向GRU结构介绍:
在GRU网络隐藏层中添加一类后向层,使信息由后向前流动,通过前向层和后向层达到信息双向流动,实现网络对未来信息的访问。双向 GRU的前向层、后向层训练过程与GRU模型前向层训练一样,其展开结构如图5所示。每一项训练序列分别参加前向层和后向层的训练,每一层输出对应的预测结果,输出层将同一时刻对应的前向层和后向层的预测结果进行综合分析,输出最后的预测结果。在此过程中,前向层负责顺序训练,学习历史数据中的特征。后向层进行倒序训练,学习未来数据中的特征。
前向层神经网络神经元运算如式(6)所示
后向层神经网络神经元运算如式(7)所示
最后,前向层的输出和后向层的输出通过GRU的回归层连接运算,得到输出yt,如式(8)所示。
利用python语言实现双向GRU预测模型,用训练集进行双向GRU模型的训练,使模型学习到不同阶段的特征,进行参数优化,调整模型的层数、模型的具体结构及神经元的数量,直至训练集中的预测值和实际值的均方误差达到最小,训练预测结果达到最优。确定训练次数、模型层数、模型具体结构以及每一层神经元的数目,保存模型。
均方误差表达式
N表示参加训练的数据量,ypi表示对第i个输入的预测值,yti表示第i个输入对应的实际值
(2)基于训练好的模型,利用测试集测试模型预测性能,将模型的预测值和实际值做对比,得到模型预测的准确性。最后,对模型预测结果进行评判,这里采用四个指标进行评判。分别为均方根误差(RMSE)、拟合优度检验(R2)、平均绝对百分误差(MAPE)和Score_function.其表达式分别如下
预测分析中RMSE越接近0,代表预测结果越精确;
表示预测的均值。R2值越接近1,代表预测结果越好。
平均绝对百分误差(MAPE)不仅仅考虑预测值与真实值之间的误差,还考虑该误差占真实值的比例,其表达式如下
yi表示实际值,表示预测值
表示第i组的输入的预测结果,yi表示第i组的寿命对应参数。 Score值越接近0,代表预测结果越精确。
将当前监测到的数据(振动信号、速度、加速度、温度等)作为剩余寿命预测模型双向GRU的输入,模型输出当前数据下预测的机械设备的剩余运行时间,即为得到的剩余寿命。
在剩余寿命预测模型训练时,其中机械设备的运行时间作为训练模型的输出标签,输入数据为监测到的数据。
通过在线监测数据驱动高保真模型在超写实仿真环境中进行高逼真度行为仿真,将机械设备物理空间状态实时反映到虚拟空间进行可视化。通过可视化结果判断机械设备的状态,即依据可视化机械的运转状态判断其位姿、位置等是否在该机械设备规定的范围内,若不在或者即将超出该范围,则对设备采取停机维护措施。反之,则判定机械设备正常运转。如采煤机:采煤机正常位置变化不超过开采面的200m,采煤机机身的俯仰角变化范围不超过±10度,摇臂的摆动角度为30-40度。若采煤机的某一监测值接近其边缘值或者超出其正常的范围,则认为采煤机异常,对其采取停机维护措施。
由定量分析得到机械设备的剩余寿命。由机械设备虚拟空间状态判断得到机械设备的定性分析结果,结合定性分析和定量分析综合指导物理空间进行预测性维护。若定量分析得到机械设备的剩余寿命未达到失效值,而定性分析结果得到机械设备在正常范围内运转(即机械设备正常),则综合判定该机械设备可以正常工作。若定性分析和定量分析中只要有一个结果显示该设备处于异常状态,则对机械设备采取停机维护措施。
基于云存储的机械设备预测性维护主要是将设备端的数据传输到云端进行处理。由于数据量的影响以及数据传输能力的限制,导致数据在传输过程中出现延时现象,这对于实时数据分析产生一定的影响,同时冗余数据占用更多的云存储空间,导致资源浪费,且数据的安全性得不到保障。其分析流程如图6所示。
结合边缘计算和数字孪生的机械设备预测性维护是利用边缘设备在数据源进行处理,不需要将数据传输到云端,因此减少了数据的传输时间,提高了分析响应效率。同时对分析完的数据进行本地存储,提高了数据的安全性。云端设备可以访问本地存储,提高了云存储空间的利用率,通过双向GRU预测结果和虚拟空间超写实行为仿真结果,进行定量分析和定性分析,综合指导物理空间机械设备预测行维护。
区别于现有技术,本发明的结合边缘计算和数字孪生的机械设备预测性维护方法,通过边缘计算,在数据的源头或者网络边缘侧提供智能服务,对数据直接进行分析,提高了分析效率,减少设备终端与云中心数据传输的流量,缓解监测数据分析的压力,增强服务的响应能力;同时数据的分布式处理和本地存储提高了数据的安全性,将边缘计算得到的数据进行本地存储;传统的基于云存储的数字孪生体构建会产生一定的延时性,特别是在进行超写实仿真时,无法完成实时在线调整,而引进边缘计算减少延时,将边缘数据输到终端设备,进行数字孪生体的构建和高逼真度行为仿真,实现机械设备实时状态的可视化,同时边缘数据驱动神经网络预测模型进行剩余寿命预测,结合构建的神经网络预测结果和虚拟空间高逼真度行为仿真结果,进行定量和定性分析,综合指导机械设备预测性维护。
以上仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种结合边缘计算和数字孪生的机械设备预测性维护方法,其特征在于,包括:
在监测的机械设备的关键零部件布置传感器,获取监测数据,将监测数据通过无线网络传输到计算设备上进行数据处理分析,将监测数据中的线下数据进行存储,同时将监测数据中的线上数据传输到云中心进行存储和处理;其中,线上数据包括监测数据中时延不敏感数据和需要集中处理的数据;
依据监测数据中的线下数据在虚拟空间构建机械设备的高保真模型,利用UG软件,建立包含物理模型、几何模型、材料模型的多尺度、多层次集成模型;
依据监测数据中的线上数据在Unity3D软件中构建超写实仿真环境,将UG中构建好的高保真模型导入Unity3D软件中,通过线上数据驱动虚拟空间的高保真模型在超写实仿真环境中进行高逼真度行为仿真,完成高保真模型和超写实仿真环境的融合;
依据机械设备关键零部件的历史监测数据训练双向GRU剩余寿命预测模型,建立机械设备关键零部件的历史监测数据与剩余寿命之间的关系;同时将高保真模型在超写实仿真环境中运行,得到机械设备的物理空间状态;
结合机械设备关键零部件的历史监测数据与剩余寿命关系及相应物理空间状态,对机械设备进行预测性维护。
2.根据权利要求1所述的结合边缘计算和数字孪生的机械设备预测性维护方法,其特征在于,监测数据中的线下数据至少包括机械设备的几何参数、材料参数及空间相对位置信息;监测数据中的线上数据至少包括环境数据和机械设备工作时产生的数据。
3.根据权利要求1所述的结合边缘计算和数字孪生的机械设备预测性维护方法,其特征在于,在训练双向GRU剩余寿命预测模型的步骤中,将机械设备历史运行数据作为训练集,进行双向GRU模型的训练,使模型学习到不同阶段的特征,进行参数优化,调整模型的层数、模型的具体结构及神经元的数量,直至训练集中的预测值和实际值的均方误差达到最小,训练预测结果达到最优。确定训练次数、模型层数、模型具体结构以及每一层神经元的数目,保存模型。
4.根据权利要求3所述的结合边缘计算和数字孪生的机械设备预测性维护方法,其特征在于,均方误差表达式
其中,N表示参加训练的数据量,ypi表示对第i个输入的预测值,yti表示第i个输入对应的实际值。
5.根据权利要求1所述的结合边缘计算和数字孪生的机械设备预测性维护方法,其特征在于,对模型预测结果进行评判,采用四个指标进行评判,分别为均方根误差、拟合优度检验、平均绝对百分误差和Score_function,其表达式分别如下:
预测分析中RMSE越接近0,代表预测结果越精确;
R2值越接近1,代表预测结果越好,
平均绝对百分误差不仅仅考虑预测值与真实值之间的误差,还考虑该误差占真实值的比例,其表达式如下:
其中,yi表示实际值,表示预测值;
表示预测的均值;
表示第i组的输入的预测结果,yi表示第i组的寿命对应参数。Score值越接近0,代表预测结果越精确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910466181.XA CN110414033B (zh) | 2019-05-31 | 2019-05-31 | 结合边缘计算和数字孪生的机械设备预测性维护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910466181.XA CN110414033B (zh) | 2019-05-31 | 2019-05-31 | 结合边缘计算和数字孪生的机械设备预测性维护方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414033A true CN110414033A (zh) | 2019-11-05 |
CN110414033B CN110414033B (zh) | 2023-04-18 |
Family
ID=68358270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910466181.XA Active CN110414033B (zh) | 2019-05-31 | 2019-05-31 | 结合边缘计算和数字孪生的机械设备预测性维护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414033B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652406A (zh) * | 2020-04-10 | 2020-09-11 | 安徽继远软件有限公司 | 云-边协同下电网设备运行状态预测方法及系统 |
CN111723448A (zh) * | 2020-06-29 | 2020-09-29 | 中国矿业大学(北京) | 数字孪生智能综采工作面液压支架直线度监测方法 |
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
CN111992869A (zh) * | 2020-08-11 | 2020-11-27 | 上海新力动力设备研究所 | 一种基于边缘计算的电子束焊接设备预测性维护方法 |
CN112329183A (zh) * | 2020-11-06 | 2021-02-05 | 北京三一智造科技有限公司 | 设备状态数据获取方法、装置、电子设备及存储介质 |
CN112347586A (zh) * | 2020-11-12 | 2021-02-09 | 上海电气液压气动有限公司 | 对液压系统进行数字孪生的系统 |
CN112818490A (zh) * | 2021-03-18 | 2021-05-18 | 中国人民解放军陆军工程大学 | 一种云边架构的装备数字孪生平行仿真系统及方法 |
CN113609608A (zh) * | 2021-07-22 | 2021-11-05 | 上海工程技术大学 | 基于数字孪生的列车牵引电机轴承全生命周期管理方法 |
CN114189520A (zh) * | 2021-10-15 | 2022-03-15 | 中标慧安信息技术股份有限公司 | 基于边缘计算的终端设备寿命预测方法和系统 |
CN115097788A (zh) * | 2022-06-15 | 2022-09-23 | 昆明理工大学 | 一种基于数字孪生工厂的智能管控平台 |
WO2023207540A1 (zh) * | 2022-04-24 | 2023-11-02 | 重庆邮电大学工业互联网研究院 | 一种基于数字孪生的应急警力调度方法及系统 |
CN118051854A (zh) * | 2024-01-22 | 2024-05-17 | 京源中科科技股份有限公司 | 基于数字孪生的水务数据处理方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899646A (zh) * | 2015-05-14 | 2015-09-09 | 电子科技大学 | 一种多设备混联系统的预测性维护方法 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
US20170286572A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | Digital twin of twinned physical system |
CN108449399A (zh) * | 2018-03-09 | 2018-08-24 | 武汉邮电科学研究院有限公司 | 适合于智能化生产的边缘计算节点 |
CN108621159A (zh) * | 2018-04-28 | 2018-10-09 | 首都师范大学 | 一种基于深度学习的机器人动力学建模方法 |
US20190025810A1 (en) * | 2017-07-20 | 2019-01-24 | General Electric Company | Cumulative cost model for predicting asset maintenance cost from distress models |
CN109388117A (zh) * | 2018-12-10 | 2019-02-26 | 重庆斯欧信息技术股份有限公司 | 一种工业互联网边缘计算装置及其实现方法 |
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 |
CN109472110A (zh) * | 2018-11-29 | 2019-03-15 | 南京航空航天大学 | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 |
US20190102494A1 (en) * | 2017-10-03 | 2019-04-04 | Endurica, LLC | System for tracking incremental damage accumulation |
CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
CN109773588A (zh) * | 2019-03-01 | 2019-05-21 | 山东大学 | 一种机床数字孪生模型性能测试方法及装置 |
CN109819233A (zh) * | 2019-01-21 | 2019-05-28 | 哈工大机器人(合肥)国际创新研究院 | 一种基于虚拟成像技术的数字孪生系统 |
-
2019
- 2019-05-31 CN CN201910466181.XA patent/CN110414033B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN104899646A (zh) * | 2015-05-14 | 2015-09-09 | 电子科技大学 | 一种多设备混联系统的预测性维护方法 |
US20170286572A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | Digital twin of twinned physical system |
CN109284854A (zh) * | 2017-07-20 | 2019-01-29 | 通用电气公司 | 用于根据遇险模型预测资产维护成本的累积成本模型 |
US20190025810A1 (en) * | 2017-07-20 | 2019-01-24 | General Electric Company | Cumulative cost model for predicting asset maintenance cost from distress models |
US20190102494A1 (en) * | 2017-10-03 | 2019-04-04 | Endurica, LLC | System for tracking incremental damage accumulation |
CN108449399A (zh) * | 2018-03-09 | 2018-08-24 | 武汉邮电科学研究院有限公司 | 适合于智能化生产的边缘计算节点 |
CN108621159A (zh) * | 2018-04-28 | 2018-10-09 | 首都师范大学 | 一种基于深度学习的机器人动力学建模方法 |
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 |
CN109472110A (zh) * | 2018-11-29 | 2019-03-15 | 南京航空航天大学 | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 |
CN109388117A (zh) * | 2018-12-10 | 2019-02-26 | 重庆斯欧信息技术股份有限公司 | 一种工业互联网边缘计算装置及其实现方法 |
CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
CN109819233A (zh) * | 2019-01-21 | 2019-05-28 | 哈工大机器人(合肥)国际创新研究院 | 一种基于虚拟成像技术的数字孪生系统 |
CN109773588A (zh) * | 2019-03-01 | 2019-05-21 | 山东大学 | 一种机床数字孪生模型性能测试方法及装置 |
Non-Patent Citations (3)
Title |
---|
RUI ZHAO ET AL.: "Machine Health Monitoring Using Local Feature-based Gated Recurrent Unit Networks", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
施巍松 等: "边缘计算:万物互联时代新型计算模型", 《计算机研究与发展》 * |
陶飞 等: "数字孪生及其应用探索", 《计算机集成制造系统》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652406A (zh) * | 2020-04-10 | 2020-09-11 | 安徽继远软件有限公司 | 云-边协同下电网设备运行状态预测方法及系统 |
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
CN111857065B (zh) * | 2020-06-08 | 2023-06-20 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
CN111723448A (zh) * | 2020-06-29 | 2020-09-29 | 中国矿业大学(北京) | 数字孪生智能综采工作面液压支架直线度监测方法 |
CN111723448B (zh) * | 2020-06-29 | 2023-04-18 | 中国矿业大学(北京) | 数字孪生智能综采工作面液压支架直线度监测方法 |
CN111992869B (zh) * | 2020-08-11 | 2022-04-26 | 上海新力动力设备研究所 | 一种基于边缘计算的电子束焊接设备预测性维护方法 |
CN111992869A (zh) * | 2020-08-11 | 2020-11-27 | 上海新力动力设备研究所 | 一种基于边缘计算的电子束焊接设备预测性维护方法 |
CN112329183A (zh) * | 2020-11-06 | 2021-02-05 | 北京三一智造科技有限公司 | 设备状态数据获取方法、装置、电子设备及存储介质 |
CN112347586A (zh) * | 2020-11-12 | 2021-02-09 | 上海电气液压气动有限公司 | 对液压系统进行数字孪生的系统 |
CN112818490A (zh) * | 2021-03-18 | 2021-05-18 | 中国人民解放军陆军工程大学 | 一种云边架构的装备数字孪生平行仿真系统及方法 |
CN113609608A (zh) * | 2021-07-22 | 2021-11-05 | 上海工程技术大学 | 基于数字孪生的列车牵引电机轴承全生命周期管理方法 |
CN114189520A (zh) * | 2021-10-15 | 2022-03-15 | 中标慧安信息技术股份有限公司 | 基于边缘计算的终端设备寿命预测方法和系统 |
CN114189520B (zh) * | 2021-10-15 | 2022-08-19 | 中标慧安信息技术股份有限公司 | 基于边缘计算的终端设备寿命预测方法和系统 |
WO2023207540A1 (zh) * | 2022-04-24 | 2023-11-02 | 重庆邮电大学工业互联网研究院 | 一种基于数字孪生的应急警力调度方法及系统 |
CN115097788A (zh) * | 2022-06-15 | 2022-09-23 | 昆明理工大学 | 一种基于数字孪生工厂的智能管控平台 |
CN118051854A (zh) * | 2024-01-22 | 2024-05-17 | 京源中科科技股份有限公司 | 基于数字孪生的水务数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110414033B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414033A (zh) | 结合边缘计算和数字孪生的机械设备预测性维护方法 | |
CN111376954B (zh) | 一种列车自主调度方法和系统 | |
Pacelli et al. | An artificial neural network approach for credit risk management | |
CN108418841A (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
CA2979202A1 (en) | Cascaded identification in building automation | |
CN109118020A (zh) | 一种地铁车站能耗短期预测方法及其预测系统 | |
CN113643528A (zh) | 信号灯控制方法、模型训练方法、系统、装置及存储介质 | |
US20240311846A1 (en) | Method for gas pipeline network supervision based on smart gas and internet of things system thereof | |
CN105676670A (zh) | 用于处理能源数据的方法和系统 | |
CN113741464B (zh) | 一种基于时空数据强化学习的自动驾驶速度控制框架 | |
CN108053052A (zh) | 一种油罐车油气泄漏速度智能监测系统 | |
Amiri et al. | An ensemble-based machine learning model for forecasting network traffic in VANET | |
CN118297775A (zh) | 基于数字孪生技术的城市规划管控系统 | |
Niittymäki | Using fuzzy logic to control traffic signals at multi-phase intersections | |
Shabab et al. | Deep reinforcement learning-based short-term traffic signal optimizing using disaggregated vehicle data | |
Peng et al. | Meteorological satellite operation prediction using a BiLSTM deep learning model | |
Li et al. | Monitoring and visualization application of smart city energy economic management based on IoT sensors | |
WO2023198282A1 (en) | Generative emulator for controllable physical systems | |
CN111103799B (zh) | 基于师生网络在线探索学习的能效优化建模方法 | |
Chauhan et al. | D2PG: Deep Deterministic Policy Gradient-Based Vehicular Edge Caching Scheme for Digital Twin-Based Vehicular Networks | |
CN107526316A (zh) | 一种基于互联网通信引擎的引导显示设备监控系统 | |
CN116594367B (zh) | 一种地瓜汁螺旋预煮机煮熟度控制系统 | |
Jin et al. | A multi-criteria intelligent control for traffic lights using reinforcement learning | |
Zuo | Deep Reinforcement Learning and Auto‐Differential Evolution Co‐Guided Coal Washing | |
Jin et al. | 95598 Network Traffic Prediction Based on CNN-BiLSTM-Attention Optimization Algorithm |
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 |