CN110490438A - 一种工业流水线车间数字孪生能力的简化策略推荐方法 - Google Patents
一种工业流水线车间数字孪生能力的简化策略推荐方法 Download PDFInfo
- Publication number
- CN110490438A CN110490438A CN201910710266.8A CN201910710266A CN110490438A CN 110490438 A CN110490438 A CN 110490438A CN 201910710266 A CN201910710266 A CN 201910710266A CN 110490438 A CN110490438 A CN 110490438A
- Authority
- CN
- China
- Prior art keywords
- twin
- factor
- ability
- evaluation
- workshop
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000013459 approach Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 67
- 239000011159 matrix material Substances 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 33
- 238000004519 manufacturing process Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 22
- 230000007423 decrease Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 108010014173 Factor X Proteins 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims 1
- 238000013210 evaluation model Methods 0.000 claims 1
- 238000009415 formwork Methods 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 abstract description 5
- 230000010354 integration Effects 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种工业流水线车间数字孪生能力的简化策略推荐方法,基于工业流水线车间的要素、数据和行为三个层次信息确定影响数字化的因素,整合因素建立数字孪生能力评价体系,以此反映实体物理世界映射到虚拟世界的一致性水平,再采用结合层次分析法和多目标模糊决策分析方法计算各个体系层次的权重和最终数字孪生能力,并根据依次减少实体车间数字化程度后下降的能力水平百分比,给出简化策略推荐方法。通过本发明的推荐策略简化方法不仅能定量定性结合地判断车间的数字孪生能力水平,明确需要提升的数字化因素,还能为车间由于计算量或存储量限制无法全部数字孪生时提供简化的参考建议。
Description
技术领域
本发明涉及数字孪生能力评估领域,特别是涉及工业流水线车间数字孪生能力体系指标建立和简化策略推荐方法。
背景技术
随着物联网和信息物理融合技术为代表推动着新一轮的工业革命,在大数据处理、云计算和相关仿真软件成熟驱动下,作为将真实世界与虚拟世界相连的前沿技术数字孪生引起工业界与学术界的广泛关注。数字孪生指充分利用物理模型、传感器更新和历史数据,将实体空间的对象映射到虚拟空间中,从而反映对应实体的全生命周期过程。而数字孪生能力刻画了虚拟空间对象和实体空间物理对象的相似程度,描叙了实体空间以属性、行为和数据数字化呈现在虚拟空间的程度。推进数字孪生,能够以数字化的方式建立物理实体在虚拟模型中的属性、行为及数据,推动智能制造、智慧城市及智慧交通等的领域发展。
公开号为CN109492881A的中国专利公开了一种基于数字孪生的机加工艺动态评价方法,该专利将机加工过程的感知数据与工艺评价数据映射融合成孪生数据,建立机加工艺动态评价方法,输出评价结果后进行动态调整。该专利没有涉及当数据存储容量过大或数据延迟较大时,选择哪个策略进行简化模型;
数字孪生能力涉及的系统分析范围广,常常是一个相互关联、相互制约的众多因素构成的复杂而缺少定量数据的系统,而层次分析法能为该系统模型提供一种实用的建模方法,能定量定性地得到指标的权重值。多目标模糊决策分析能在模糊环境下或模糊系统中进行决策,从多个对象中选择出一个最优的方法。将两个方法进行结合能融合两者的优势,解决数字孪生能力评价的难题。
企业在建设工业流水线车间数字孪生系统时,无法定量获取车间数字孪生能力水平,也不了解在实现数字化困难时应该如何在保持精度需求下简化孪生模型。经查阅,由于评价数字孪生能力的指标难以全面覆盖或指标的定量计算较困难,目前对数字孪生能力的评估发明较少,也没有提供简化策略推荐。因此,对工业流水线车间的数字孪生能力建立体系指标并在数字化实现困难下如何选取简化策略,则成为提高企业数字化生产及效率的重要方法。
发明内容
本发明提供一种工业流水线车间数字孪生能力的简化策略推荐方法,从孪生要素、孪生数据、孪生行为三个层次构建数字孪生能力评价体系,并通过结合层次分析法和模糊综合评价方法计算车间数字孪生能力水平,可对数字孪生能力进行定量评估。
一种工业流水线车间数字孪生能力的简化策略推荐方法,包括如下步骤:
(1)根据指定工业流水线车间的运行状况确定影响其数字化的因素,建立数字孪生能力评价体系,包括目标层、准则层和方案层,其中目标层是评估车间的数字孪生能力,其中准则层分为孪生要素、孪生数据、孪生行为三个层次准则,其中方案层的各个具体方案指标归入对应准则层中;
(2)针对评价体系的各个上下层结构模型,采用层次分析法获取各个层次的权重,并确定方案层各个因素对目标层的总权重;
(3)采用多目标模糊决策分析方法对各方案指标进行评价,结合由层次分析法确定的评判因素权向量A和由评委会评分法确定的模糊关系矩阵R,计算得到数字孪生能力值;
(4)依次下调单因素模糊评价向量的等级以简化数字孪生难度,重新计算能力值后与未简化前作对比,计算出能力下降百分比,将结果保存到数字孪生简化数据库中,选取能力下降百分比较小的方案因素作为车间数字化的简化策略。
本发明基于工业流水线车间的要素、数据和行为三个层次信息确定影响数字化的因素,整合因素建立数字孪生能力评价体系,以此反映实体物理世界映射到虚拟世界的一致性水平,再采用结合层次分析法和多目标模糊决策分析方法计算各个体系层次的权重和最终数字孪生能力,并根据依次减少实体车间数字化程度后下降的能力水平百分比,给出简化策略推荐方法。
所述的数字孪生能力评价体系,共划分为一个目标层、两个准则层、一个方案层。分析问题预定目标的目标层是数字孪生能力值,能反映现实世界中的物理实体对应到虚拟模型的一致性程度;涉及中间环节的准则层有若干个层次组成,能全面分析目标层的影响环节;方案层在准则层下一层,能为实现目标提供可选择的措施或方案。层次之间根据属性和关系划分,上一层次的元素作为准则对下一层次有关元素起支配作用。
所述的工业流水线车间的运行状况,根据数字化真实完全镜像要求划分为孪生要素B1、孪生数据B2、孪生行为B3三个层次准则,涵盖工业流水线车间生产加工的全要素、全流程仿真状态。
所述的孪生要素B1表示与流水线车间生产活动相关的客观实体相对的虚拟实体,根据多粒度视角划分为车间级C1、流水线级C2、设备级C3三个子准则层。
车间级C1下属方案包含车间布局一致性D1(设备的空间位置和实体的对应性)、工艺流程一致性D2(原材料加工顺序相同程度)、车间物流一致性D3(车间物流路径相似程度),流水线级C2下属方案包含静态设备完整性D4(生产线上车座物料台、车身滑轨台等静态设备仿真完整性)、动态设备完整性D5(生产线上机械臂、传送带等生产设备的仿真完整性)、采集设备完整性D6(CCD相机、RFID等采集设备的仿真完整性)、安全设备完整性D7(安全罩、防护架等设备的仿真完整性),设备级C3下属方案包含几何结构一致性D8(实体和虚拟的同一部件的几何结构完整性)、颜色信息一致性D9(实体和虚拟的同一部件的颜色相同性)。
所述的孪生数据B2表示孪生流水线车间生产活动相关的数据一致性,根据数据分析与处理划分为数据采集C4、数据传输C5、数据处理C6三个子准则层。
数据采集C4下属方案包含采集实时性D10(数据采集的时间粒度)、范围全面性D11(采集设备上的数据反映运行状况程度)、采集正确率D12(采集数据不出错的能力),数据传输C5下属方案包含通信方式D13(生产设备之间开展信息通信方式的合理性)、范围全面性D14(进行通信的设备数量和质量)、存储空间容量D15(存储数据的容量上限程度)、传输速度D16(数据传输的速度快慢)、传输延迟D17(数据从网络一端传送到另一端所需时间),数据处理C6下属方案包含处理实时性D18(数据进行分析处理的速度)、数据融合性D19(多源数据进行综合互补后提高数据利用率程度)、数据反馈控制D20(虚拟物体驱动控制实体的能力)。
所述的孪生行为B3表示数据驱动下车间生产活动的行为动作,根据设备生产流程可划分为设备控制C7、设备制造C8、设备协调C9三个子准则层。
设备控制C7下属方案包含电机驱动一致性D21(机械臂和传送带的电机参数一致程度)、机械臂运动一致性D22(机械臂运动及抓取一致程度)、传送带运动一致性D23(传送带运输速度及位置一致性)、随机因素一致性D24(机器故障发生的一致性),设备制造C8下属方案包含制造流程一致性D25(产品制造如雕刻的动作一致性)、组装耦合一致性D26(产品组装过程的一致性)、柔性生产程度D27(数字空间调度的灵活配置程度),设备协调C9下属方案包含人机交互能力D28(虚拟空间中设备感知生产人员的指令程度)、制造协同范围D29(生产设备共同生产的全面性范围)、制造协同方式D30(生产设备共同生产的质量程度)。
所述的层次分析法能对复杂、模糊的问题做出合理决策,适用难以定量分析的问题。首先构造成对比较矩阵计算各层之间的权向量,再自上而下计算方案层因素的总权重,定量化评估各个因素对实体车间映射到孪生空间的影响程度。
构造成对比较矩阵。设影响某层次指标Z有d个影响因子X={x1,x2,...,xd},采取专家打分方式对因子xi和xj进行两两比较相对重要程度后得到相对重要系数aij,能表示因子对Z的影响大小,成对比较矩阵A所下所示:
其中aij满足(1)aij>0(2)当i=j时aij=1,并引用数字1~9及倒数作为标度。
计算权向量并做一致性检验。成对比较矩阵A的最大特征值λmax的特征向量w,经归一化后为同层次因素相对上一层次的重要性权重。计算满足公式(2)的最大特征值λmax和归一化后的特征向量w:
Aw=λmaxw (1)
计算一致性指标CI:
相应阶次的平均随机一致性指标记为RI,计算一致性比例CR:
当CR<0.1时,成对比较矩阵一致性可接受,否则应对其适当修正。
层次总排序及一致性检验。从最高层到最底层依次将单准则下的权重进行合成,得到方案层对于目标层的总排序权重W。
设准则层N由N1,...,NM共m个因素组成,层次总排序的权重分别是n1,...,nm,又设下一层次E由E1,...,Ek共k个因素组成,它们关于Nj的层次单排序的权重是w1j,...,wkj,则E层关于目标层的总层次排序记为w'1,...,w'k,计算公式如下所示:
所述的多目标模糊决策法根据模糊关系合成原理,从多个因素对被评价事物隶属等级状况进行综合性评判的一种方法,先把层次分析法的方案层因素作为评价因素集,确定评价集后建立模糊关系矩阵,再把方案层中总排序权重W作为评判因素权向量,选择合成算子建立模糊综合评判数学模型后计算数字孪生能力值。
评价因素集U={u1,u2,...,un}是影响数字孪生能力的各种因素为元素的集合,由层次分析法的方案层因素构成。
评语集V={v1,v2,...,vh}是对每个因素评价结果的集合,设定评语有V={完整,良好,中等,一般,较差}。
模糊综合评价矩阵R的可表示如下:
rij表示因素集U第i个元素对评价集V中第j个元素的隶属度。采用评委会评分法确定模糊综合评价矩阵数值,若选取专家数量为P,kij表示对因素i的评价为j的人数,则对因素集中隶属于评语集的隶属度表示如下:
评判因素权重向量A={a1,a2,...,an}能反映各个因素的重要程度,和层次分析法的总排序权重的数值相同,可用其结果填充评判因素权重向量A。
模糊评价数学模型为根据权重向量A和评价矩阵R,选择合适的合成算子进行综合评判,评价结果B={b1,b2,...,bh}计算如下:
B=A×R (6)
确定数字孪生能力。模糊评价数学模型建立后,将B归一化得B',评价能力值F如下公式计算:
F=B'×VT (7)
所述的数字孪生简化方案,由于计算量、存储空间或通信等原因限制时无法完全镜像,需要减少数字孪生因素但同时使得评估能力值在可接受范围内,则接受简化方案。
依次将单因素模糊评价向量的专家得分下调一个等级,即把单因素评价矩阵的每个等级下降一个等级,最差等级保持不变,根据能力下降百分比是否在可接受范围内决定是否接受简化方案。保存所有简化因素的数字能力下降百分比M,建立数字孪生简化数据库。
如几何信息一致性的单因素模糊评价向量为r8j=(0.35,0.39,0.12,0.04,0.1),数字孪生能力S1,下调一个等级后单因素模糊评价矩阵为r'8j=(0,0.35,0.39,0.12,0.14),数字孪生能力S2,则数字孪生下降百分比M如下所示:
再把n个数字孪生下降百分比M保存到数据库中,建立数字孪生简化数据库,为车间管理者如何简化数字化程度提供策略推荐。
与现有技术相比,本发明的有益效果为:
首次从孪生要素、孪生数据、孪生行为三个层次建立工业流水线车间的数字孪生能力评价指标体系,各个因素能全面系统地评价客观实体到虚拟空间的映射能力水平。采用结合层次分析法和多目标模糊评价法对指标体系进行定量化评估,解决数字孪生能力无法客观、具体表达难题。数字孪生简化方案对简化要素后的车间孪生能力进行分析并给出定量化下降百分比结果,为构建数字孪生车间减少计算、空间复杂度提供简化策略建议。
附图说明
图1为工业流水线车间数字孪生能力简化策略推荐方法的结构示意图;
图2为实施例数字孪生能力评价指标体系的层次结构图;
图3为实施例结合层次分析法与多目标模糊决策进行评估的流程图;
图4为实施例数字孪生能力简化能力值的结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述,需要指出的是,以下所示实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,一种工业流水线车间数字孪生能力的简化策略推荐方法包含以下几个步骤:
(1)根据指定工业流水线车间的运行状况确定影响其数字化的因素,并划分为要素、孪生数据、孪生行为三个层次准则,将各个具体方案指标归入准则层中,建立数字孪生能力评价体系,其包括目标层、两个准则层和一个方案层;
如图2所示,以工业流水线车间为评价对象,构建由四级评价指标构成的工业流水线车间数字孪生能力指标体系,由一个目标层、两个准则层和一个方案层组成。在本发明中,一级评价指标有1个,二级评价指标有3个,三级评价指标有9个,四级评价指标有30个。
(2)针对评价体系的各个上下层结构模型,采用层次分析法获取各个层次的权重,并确定方案层各个因素对目标层的总权重;
如图3所示,为基于构建的指标体系计算车间数字孪生能力,分别对上述二级指标、三级指标、四级指标的所有评价指标用专家打分法进行两两对比,得到该层评价指标因素相对上一层的重要性程度。其中层次分析法的九级标度如表1所示。
表1
构造成对比较矩阵,根据专家打分和九级标度建立成对比较矩阵,求解得最大特征值λmax及其特征向量w,经归一化后可得同层次因素相对上一层次的重要权重。计算一致性指标CI如公式(2)所示,平均随机一致性指标RI的值如表2所示。
表2
根据公式3计算一致性比例CR,当CR<0.1时,成对比较矩阵一致性可接受,否则对其做适当修正。根据项目调研及专家统计打分,得到各个层次准则层的成对比较矩阵。再根据公式1-公式3,计算权向量后并做一致性检验。若满足一致性检验,则得到单层次权重排序,反之则重新进行专家统计打分。结果如下表3-表15所示。
表3
C1 | D1 | D2 | D3 | w | |
D1 | 1 | 1/3 | 1/2 | 0.1634 | CI=0.004601 |
D2 | 3 | 1 | 2 | 0.5396 | CR=0.007933<0.1 |
D3 | 2 | 1/2 | 1 | 0.2970 | 通过一致性检验 |
表4
C2 | D4 | D5 | D6 | D7 | w | |
D4 | 1 | 1/3 | 1/5 | 3 | 0.1347 | CI=0.08296 |
D5 | 3 | 1 | 1/3 | 2 | 0.2321 | CR=0.09218<0.1 |
D6 | 5 | 3 | 1 | 5 | 0.5499 | 通过一致性检验 |
D7 | 1/3 | 1/2 | 1/5 | 1 | 0.0833 |
表5
C3 | D8 | D9 | w | |
D8 | 1 | 5 | 5/6 | 二阶矩阵,无须检验 |
D9 | 1/5 | 1 | 1/6 |
表6
C4 | D10 | D11 | D12 | w | |
D10 | 1 | 3 | 1/3 | 0.2583 | CI=0.01926 |
D11 | 1/3 | 1 | 1/5 | 0.1047 | CR=0.03320<0.1 |
D12 | 3 | 5 | 1 | 0.6370 | 通过一致性检验 |
表7
C5 | D13 | D14 | D15 | D16 | D17 | w | |
D13 | 1 | 1/2 | 1 | 1/3 | 1 | 0.1106 | CI=0.07361 |
D14 | 2 | 1 | 2 | 1/2 | 3 | 0.2190 | CR=0.06573<0.1 |
D15 | 1 | 1/2 | 1 | 1/5 | 5 | 0.1481 | 通过一致性检验 |
D16 | 3 | 2 | 5 | 1 | 7 | 0.4574 | |
D17 | 1 | 1/3 | 1/5 | 1/7 | 1 | 0.0649 |
表8
C6 | D18 | D19 | D20 | w | |
D18 | 1 | 1/3 | 2 | 0.2297 | CI=0.00185 |
D19 | 3 | 1 | 5 | 0.6483 | CR=0.00318<0.1 |
D20 | 1/2 | 1/5 | 1 | 0.1220 | 通过一致性检验 |
表9
C7 | D22 | D23 | D24 | D25 | w | |
D22 | 1 | 1/3 | 1 | 1/3 | 0.1133 | CI=0.04225 |
D23 | 3 | 1 | 3 | 1/3 | 0.2515 | CR=0.04695<0.1 |
D24 | 1 | 1/3 | 1 | 1/7 | 0.0880 | 通过一致性检验 |
D25 | 3 | 3 | 7 | 1 | 0.5472 |
表10
C8 | D26 | D27 | D28 | w | |
D26 | 1 | 3 | 1/2 | 0.3090 | CI=0.00185 |
D27 | 1/3 | 1 | 1/5 | 0.1095 | CR=0.00318<0.1 |
D28 | 2 | 5 | 1 | 0.5815 | 通过一致性检验 |
表11
C9 | D29 | D30 | D31 | w | |
D29 | 1 | 1/3 | 2 | 0.2297 | CI=0.00185 |
D30 | 3 | 1 | 5 | 0.6483 | CR=0.00318<0.1 |
D31 | 1/2 | 1/5 | 1 | 0.1220 | 通过一致性检验 |
表12
B1 | C1 | C2 | C3 | w | |
C1 | 1 | 1/2 | 2 | 0.3108 | CI=0.0268 |
C2 | 2 | 1 | 2 | 0.4934 | CR=0.0462<0.1 |
C3 | 1/2 | 1/2 | 1 | 0.1958 | 通过一致性检验 |
表13
B2 | C4 | C5 | C6 | w | |
C4 | 1 | 3 | 1/2 | 0.3325 | CI=0.0268 |
C5 | 1/3 | 1 | 1/3 | 0.1396 | CR=0.0462<0.1 |
C6 | 2 | 3 | 1 | 0.5279 | 通过一致性检验 |
表14
B3 | C7 | C8 | C9 | w | |
C7 | 1 | 1/3 | 3 | 0.2583 | CI=0.0193 |
C8 | 3 | 1 | 5 | 0.6370 | CR=0.0332<0.1 |
C9 | 1/3 | 1/5 | 1 | 0.1047 | 通过一致性检验 |
表15
A | B1 | B2 | B3 | w | |
B1 | 1 | 1 | 1/2 | 0.2402 | CI=0.00915 |
B2 | 1 | 1 | 1/3 | 0.2098 | CR=0.0158<0.1 |
B3 | 2 | 3 | 1 | 0.5500 | 通过一致性检验 |
综上层次单排序的权重,总结如下:
C1=0.1634D1+0.5396D2+0.2970D3
C2=0.1347D4+0.2321D5+0.5499D6+0.0833D7
C3=5/6D8+1/6D9
C4=0.2583D10+0.1047D11+0.6370D12
C5=0.1106D13+0.2190D14+0.1481D15+0.4574D16+0.0649D17
C6=0.2297D18+0.6483D19+0.1220D20
C7=0.1133D21+0.2515D22+0.0880D23+0.5472D24
C8=0.3090D25+0.1095D26+0.5815D27
C9=0.2297D28+0.6483D29+0.1220D30
B1=0.3108C1+0.4934C2+0.1958C3
B2=0.3325C4+0.1396C5+0.5279C6
B3=0.2583C7+0.6370C8+0.1047C9
A=0.2402B1+0.2098B2+0.5500B3
层次总排序是计算评价体系方案层的各个因素相对于目标的权重值,即计算因素D相对于目标A的权重值。以D1计算为例,根据计算公式(4),需要依次相乘C1层下D1的权重、B1层下C1的权重,A层下B1的权重,得到总层次排序权重值w1=0.1634*0.3108*0.2402=0.0122。对每一个因素进行计算,结果如下表16所示:
表16
(3)采用多目标模糊决策分析方法对各方案指标进行评价,结合由总权重确定的评判因素权向量A和由专家打分的模糊关系矩阵R,得到数字孪生能力。
评价因素集U={u1,u2,...,un}是影响数字孪生能力的各种因素集合,其中工业流水线车间数字化影响因素包括车间布局合理性、工艺流程可靠性等30个指标,此处n=30。评语集是对每个因素进行模糊评价的结果,设置评语集及其对应分值V={完整,良好,中等,一般,较差}={100,80,60,40,20}。根据评语集及其量化分值,可定量表示模糊化因素水平,能对工业流水线数字孪生能力进行定性与定量的分析。
采用评委会评分法确定模糊综合评价矩阵数值。选取50位专家,根据指定工业流水线车间的数字孪生情况,选取评价因素集的第i个因素,根据专家判断从评语集中选择指标对单个因素数字孪生能力打分。统计所有专家的单因素评分结果并进行归一化处理,形成单因素模糊评价向量ri=(ri1,ri2,ri3,ri4,ri5),见计算公式(5)。重复上述流程,对评价因素集的每个因素分别评价得到30个单因素模糊评价向量后组合形成模糊综合评价矩阵R30×5,其中每个元素表示第i个因素集对第j个评价集的隶属度,结果表示如下:
R30×6=[0.46,0.24,0.14,0.10,0.06;0.23,0.45,0.21,0.11,0;0.13,0.2,0.55,0.03,0;0.18,0.09,0.52,0.21,0;0.39,0.33,0.18,0.1,0;0.21,0.44,0.12,0.17,0.06;0.45,0.21,0.20,0.14,0;0.32,0.50,0.10,0,0.08;0.43,0.13,0.26,0.12,0.06;0.41,0.31,0.12,0.08,0.09;0.49,0.30,0.14,0.08,0;0.48,0.24,0.18,0.10,0;0.43,0.09,0.30,0.18,0;0.24,0.24,0.30,0.15,0.08;0.1,0.43,0.19,0.09;0.33,0.18,0.30,0.20,0;0.49,0.15,0.14,0.17,0.05;0.08,0.42,0.25,0.20,0.05;0.27,0.39,0.30,0.04,0;0.12,0.48,0.21,0.19,0;0.09,0.49,0.24,0.11,0.07;0.14,0.47,0.23,0.16,0;0.25,0.27,0.27,0.21,0;0.23,0.46,0.15,0.12,0.04;0.35,0.21,0.20,0.10,0;0.38,0.17,0.24,0.11,0.10;0.08,0.49,0.27,0.16,0;0.34,0.41,0.03,0.22,0;0.29,0.32,0.15,0.15,0.09;0.39,0.32,0.06,0.16,0.07]
选择对各因素按权数大小累加的模糊算子,对评判因素权重向量A和模糊综合评价矩阵R进行模糊运算,由公式(6)得到评价结果B如下所示:
B={B1,B2,B3,B4,B5}=A×R=[0.2451 0.3679 0.2213 0.1235 0.0246]
对B进行归一化处理得B'=[0.2495 0.3745 0.2253 0.1257 0.0250]。
采用加权平均的方式确定数字孪生总得分F,根据公式(7)结果如下所示:
F=B'×VT=73.956
该分值介于评语集的中等和良好之间,属于良性范围,说明该工业流水线车间的数字孪生能力较好。同时从模糊评价矩阵中可得出数字孪生能力不足的因素,后续可指导车间管理人员有针对性地加强仿真能力。
(4)依次下调单因素模糊评价向量的等级以简化数字孪生难度,重新计算能力值后与未简化前作对比,计算出能力下降百分比,将结果保存到数字孪生简化数据库中,得到数字孪生能力简化效果后提供简化策略推荐方法。
如图4所示,根据数字孪生简化要求以达到减少仿真计算量及存储量目的,先将第i个因素的模糊评价向量评分值下降一个等级,最低的等级保持不变,由能力下降百分比确定是否接受该简化方案。再分别对其它因素重复以上流程,得到n个能力下降百分比(该n代表评价体系中方案层有30个因素,能力下降百分比对应各个因素,因此数量相同),建立数字孪生简化数据库,为车间管理人员提供实现数字孪生简化提供策略方案。
以第一个因素车间布局合理性为例,单因素模糊评价向量为r1=[0.46,0.24,0.14,0.10,0.06],数字孪生能力S1=73.526,将评分值下降一个等级后,单因素模糊评价向量r1'=[0,0.46,0.24,0.14,0.16],其它因素向量保持不变,由步骤(3)计算得数字孪生能力S2=73.72。
根据公式(8),计算得数字孪生下降百分比M=0.3191%。重复上述步骤,对30个因素分别简化得到数字孪生下降百分比向量M30,从而建立数字孪生简化数据库,结果如表17所示。
表17
选取简化数字孪生能力后下降百分比最小的前五个方案,分别是传输延迟D17、通信方式D13、存储空间容量D15、范围全面性D14、制造协同方式D30,数值分别是0.07%、0.09%、0.10%、0.18%、0.19%。这说明当计算复杂度或仿真条件限制需要简化数字化能力时,该工业流水线车间可以优先考虑简化上述五个因素的仿真,从而达到在实现数字孪生功能要求下减少仿真实现的难度,为构建数字化车间提供策略指导。
综上,经过本方法评估结果,该工业流水线车间的数字孪生能力分值较好,能较好地模拟真实车间的运行状况。在车间仿真考虑简化时,提供的策略如下:首先建议简化实体空间到虚拟空间数据传输的延迟要求,其次是通信方式简化和存储空间容量无须过大,最后考虑继续简化数据传输的全面性要求。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种工业流水线车间数字孪生能力的简化策略推荐方法,其特征在于,包括以下步骤:
(1)根据指定工业流水线车间的运行状况确定影响其数字化的因素,建立数字孪生能力评价体系,包括目标层、准则层和方案层,其中目标层是评估车间的数字孪生能力,其中准则层分为孪生要素、孪生数据、孪生行为三个层次准则,其中方案层的各个具体方案指标归入对应准则层中;
(2)针对评价体系的各个上下层结构模型,采用层次分析法获取各个层次对上一层次的权重,并确定方案层各个因素对目标层的总权重;
(3)采用多目标模糊决策分析方法对各方案指标进行评价,结合由层次分析法确定的评判因素权向量A和由评委会评分法确定的模糊关系矩阵R,计算得到数字孪生能力值;
(4)依次下调单因素模糊评价向量的等级以简化数字孪生难度,重新计算能力值后与未简化前作对比,计算出能力下降百分比,将结果保存到数字孪生简化数据库中,选取能力下降百分比较小的方案因素作为车间的简化策略。
2.根据权利要求1所述的工业流水线车间数字孪生能力的简化策略推荐方法,其特征在于,所述的步骤(1)中的数字孪生能力评价体系,根据数字化真实完全镜像要求划分为孪生要素B1、孪生数据B2、孪生行为B3三个方面,层次结构为一个目标层、两个准则层、一个方案层;所述孪生要素B1根据多粒度视角划分为车间级C1、流水线级C2、设备级C3三个子准则层,每个子准则层包含若干个方案层因素;所述孪生数据B2根据数据分析与处理划分为数据采集C4、数据传输C5、数据处理C6三个子准则层,每个子准则层包含若干个方案层因素;所述孪生行为B3根据设备生产流程可划分为设备控制C7、设备制造C8、设备协调C9三个子准则层,每个子准则层包含若干个方案层因素。
3.根据权利要求1所述的工业流水线车间数字孪生能力的简化策略推荐方法,其特征在于,所述的步骤(2)中的层次分析法,首先构造成对比较矩阵计算各层之间的权向量,再自上而下计算方案层因素的总权重,定量化评估各个因素对实体车间映射到孪生空间的影响程度。
4.根据权利要求3所述的工业流水线车间数字孪生能力的简化策略推荐方法,其特征在于,所述的步骤(2)中的层次分析法,具体步骤如下:
2-1)由四级层次指标建立工业流水线车间的数字孪生能力评价指标体系;
2-2)构造成对比较矩阵;设影响某层次指标Z有d个影响因子X={x1,x2,...,xd},采取专家打分方式对因子xi和xj进行两两比较相对重要程度后得到相对重要系数aij,表示因子对Z的影响大小,成对比较矩阵A如下所示:
2-3)计算权向量并做一致性检验;成对比较矩阵A的最大特征值λmax的特征向量w,经归一化后为同层次因素相对上一层次的重要性权重;最大特征值λmax计算公式如下:
Aw=λmaxw (1)
计算一致性指标CI:
相应阶次的平均随机一致性指标记为RI,计算一致性比例CR:
当CR<0.1时,成对比较矩阵一致性可接受,否则应返回步骤2-2)对其适当修正;
2-4)层次总排序及一致性检验;从最高层到最底层依次将单准则下的权重进行合成,得到方案层对于目标层的总排序权重W;
设准则层N由N1,...,NM共m个因素组成,层次总排序的权重分别是n1,...,nm,又设下一层次E由E1,...,Ek共k个因素组成,它们关于Nj的层次单排序的权重是w1j,...,wkj,则E层关于目标层的总层次排序记为w′1,...,w′k,计算公式如下所示:
5.根据权利要求1所述的工业流水线车间数字孪生能力的简化策略推荐方法,其特征在于,所述的步骤(3)中的多目标模糊决策法,结合层次分析法的因素总权重排序,对被评价事物隶属度进行综合性评价;先把层次分析法的方案层因素作为评价因素集,确定评价集后建立模糊关系矩阵,再把方案层中总排序权重W作为评判因素权向量,选择合成算子建立模糊综合评判数学模型后计算数字孪生能力值。
6.根据权利要求5所述的工业流水线车间数字孪生能力的简化策略推荐方法,其特征在于,所述的步骤(3)中的多目标模糊决策法,具体步骤如下:
3-1)评价因素集U={u1,u2,...,un}是影响数字孪生能力的各种因素为元素的集合,由层次分析法的方案层因素构成;
3-2)评语集V={v1,v2,...,vh}是对每个因素评价结果的集合,设定评语有V={完整,良好,中等,一般,较差};
3-3)模糊综合评价矩阵R的可表示如下:
rij表示因素集U第i个元素对评价集V中第j个元素的隶属度,采用评委会评分法确定模糊综合评价矩阵数值,若选取专家数量为P,kij表示对因素i的评价为j的人数,则对因素集中隶属于评语集的隶属度表示如下:
3-4)评判因素权重向量A={a1,a2,...,an}能反映各个因素的重要程度,和层次分析法的总排序权重的数值相同,可用其结果填充评判因素权重向量A;
模糊评价数学模型为根据权重向量A和评价矩阵R,选择合适的合成算子进行综合评判,评价结果B={b1,b2,...,bh}计算如下:
B=A×R; (6)
3-5)确定数字孪生能力;模糊评价数学模型建立后,将B归一化得B′,评价能力值F如下公式计算:
F=B′×VT (7)。
7.根据权利要求1所述的工业流水线车间数字孪生能力的简化策略推荐方法,其特征在于,所述的步骤(4)的简化策略,是减少数字孪生因素能力后若评估能力值在可接受范围内,则接受简化方案。
8.根据权利要求7所述的工业流水线车间数字孪生能力的简化策略推荐方法,其特征在于,所述的步骤(4)的简化策略,依次将各个数字孪生评价因素集的单因素模糊评价矩阵专家得分下调一个等级,即把单因素评价矩阵的每个等级下降一个等级,最差等级保持不变,选取能力下降百分比较小的方案因素作为车间的简化策略;
数字孪生下降百分比M如下所示:
保存所有简化因素的数字能力下降百分比,建立数字孪生简化数据库,为车间管理员对工业流水线车间数字化提供简化策略指导。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910710266.8A CN110490438B (zh) | 2019-08-01 | 2019-08-01 | 一种工业流水线车间数字孪生能力的简化策略推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910710266.8A CN110490438B (zh) | 2019-08-01 | 2019-08-01 | 一种工业流水线车间数字孪生能力的简化策略推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490438A true CN110490438A (zh) | 2019-11-22 |
CN110490438B CN110490438B (zh) | 2022-05-31 |
Family
ID=68549301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910710266.8A Active CN110490438B (zh) | 2019-08-01 | 2019-08-01 | 一种工业流水线车间数字孪生能力的简化策略推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490438B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368417A (zh) * | 2020-03-02 | 2020-07-03 | 大连理工大学 | 面向重大装备或关键部件的“形-性”一体化数字孪生方法 |
CN111476466A (zh) * | 2020-03-25 | 2020-07-31 | 重庆邮电大学 | 基于情景感知的数字化车间电能管理研究方法 |
CN112880491A (zh) * | 2021-01-27 | 2021-06-01 | 北京理工大学 | 烟雾环境下脉冲激光引信后向散射特性评估方法 |
CN112925281A (zh) * | 2021-02-02 | 2021-06-08 | 山东大学 | 基于数字孪生的实体制造系统部署方案的生成方法及系统 |
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 |
CN113570266A (zh) * | 2021-08-02 | 2021-10-29 | 中国政法大学 | 一种基于数字孪生技术的外部损失成本控制方法 |
CN117148806A (zh) * | 2023-10-30 | 2023-12-01 | 湘江实验室 | 基于数字孪生的自动装配混流生产线布局优化方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20180357343A1 (en) * | 2017-06-12 | 2018-12-13 | General Electric Company | Optimization methods for physical models |
CN109377024A (zh) * | 2018-09-30 | 2019-02-22 | 北京航空航天大学 | 一种基于层次分析和灰色模糊综合的恢复能力评估方法 |
CN109492881A (zh) * | 2018-10-19 | 2019-03-19 | 江苏科技大学 | 基于数字孪生的机加工艺动态评价方法 |
CN110009250A (zh) * | 2019-04-13 | 2019-07-12 | 郑州航空工业管理学院 | 一种基于犹豫模糊语言的数字孪生车间质量评价方法 |
EP3514741A1 (en) * | 2018-01-19 | 2019-07-24 | Siemens Aktiengesellschaft | A method and apparatus for dynamically optimizing industrial production processes |
-
2019
- 2019-08-01 CN CN201910710266.8A patent/CN110490438B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180357343A1 (en) * | 2017-06-12 | 2018-12-13 | General Electric Company | Optimization methods for physical models |
EP3514741A1 (en) * | 2018-01-19 | 2019-07-24 | Siemens Aktiengesellschaft | A method and apparatus for dynamically optimizing industrial production processes |
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 |
CN109377024A (zh) * | 2018-09-30 | 2019-02-22 | 北京航空航天大学 | 一种基于层次分析和灰色模糊综合的恢复能力评估方法 |
CN109492881A (zh) * | 2018-10-19 | 2019-03-19 | 江苏科技大学 | 基于数字孪生的机加工艺动态评价方法 |
CN110009250A (zh) * | 2019-04-13 | 2019-07-12 | 郑州航空工业管理学院 | 一种基于犹豫模糊语言的数字孪生车间质量评价方法 |
Non-Patent Citations (2)
Title |
---|
刘金锋: ""数字孪生驱动的机械加工工艺评价方法"", 《计算机集成制造系统》 * |
陶飞: ""数字孪生车间——一种未来车间运行新模式"", 《计算机集成制造系统》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368417A (zh) * | 2020-03-02 | 2020-07-03 | 大连理工大学 | 面向重大装备或关键部件的“形-性”一体化数字孪生方法 |
CN111368417B (zh) * | 2020-03-02 | 2023-08-04 | 大连理工大学 | 面向重大装备或关键部件的“形-性”一体化数字孪生方法 |
CN111476466A (zh) * | 2020-03-25 | 2020-07-31 | 重庆邮电大学 | 基于情景感知的数字化车间电能管理研究方法 |
CN111476466B (zh) * | 2020-03-25 | 2022-06-03 | 重庆邮电大学 | 基于情景感知的数字化车间电能管理研究方法 |
CN112880491A (zh) * | 2021-01-27 | 2021-06-01 | 北京理工大学 | 烟雾环境下脉冲激光引信后向散射特性评估方法 |
CN112925281A (zh) * | 2021-02-02 | 2021-06-08 | 山东大学 | 基于数字孪生的实体制造系统部署方案的生成方法及系统 |
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 |
CN113570266A (zh) * | 2021-08-02 | 2021-10-29 | 中国政法大学 | 一种基于数字孪生技术的外部损失成本控制方法 |
CN113570266B (zh) * | 2021-08-02 | 2024-05-17 | 中国政法大学 | 一种基于数字孪生技术的外部损失成本控制方法 |
CN117148806A (zh) * | 2023-10-30 | 2023-12-01 | 湘江实验室 | 基于数字孪生的自动装配混流生产线布局优化方法及装置 |
CN117148806B (zh) * | 2023-10-30 | 2024-01-30 | 湘江实验室 | 基于数字孪生的自动装配混流生产线布局优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110490438B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490438A (zh) | 一种工业流水线车间数字孪生能力的简化策略推荐方法 | |
Gündoğdu et al. | A novel spherical fuzzy QFD method and its application to the linear delta robot technology development | |
Riaz et al. | Pythagorean m-polar fuzzy soft sets with TOPSIS method for MCGDM | |
CN109063976A (zh) | 基于模糊层次分析法的智能制造能力成熟度评价方法 | |
Xu | An interactive procedure for linguistic multiple attribute decision making with incomplete weight information | |
CN109636150A (zh) | 一种智慧城市“多规合一”评价体系的建立方法及其系统 | |
CN108363690A (zh) | 基于神经网络的对话语义意图预测方法及学习训练方法 | |
Cheng et al. | A digital twin-driven approach for on-line controlling quality of marine diesel engine critical parts | |
CN104881609A (zh) | 一种复杂软件系统软件单元可信性评估方法 | |
CN107515898A (zh) | 基于数据多样性和任务多样性的轮胎企业销售预测方法 | |
Beirão et al. | City Information Modelling: parametric urban models including design support data | |
Zhang et al. | Real-time machine learning prediction of an agent-based model for urban decision-making | |
CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
CN108460191A (zh) | 基于质量功能展开的机床横梁设计方案的优选方法 | |
Feng | The influence mechanism of BIM on green building engineering project management under the background of big data | |
CN114331041A (zh) | 一种基于信息物理系统架构的智慧电厂成熟度评估方法及系统 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
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 | |
CN115660293B (zh) | 基于数字孪生的复杂机电产品全生命周期综合评价方法 | |
Li et al. | [Retracted] Research on Tourism Resource Evaluation Based on Artificial Intelligence Neural Network Model | |
Si et al. | Self-Organizing Optimization of Construction Project Management Based on Building Information Modeling and Digital Technology | |
Wu et al. | Research on Cost Forecasting Based on the BIM and Neural Network | |
CN117391310B (zh) | 基于数字孪生技术的电网设备运行状态预测及优化方法 | |
Kopp et al. | Enterprise Architecture Tools Assessment for Smart Cities Governance using Fuzzy Logic Techniques | |
CN108446784A (zh) | 一种高速公路与城市化发展协调水平预测方法 |
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 |