CN110703733B - 一种基于遗传算法前馈处理的神经网络在故障预测中的应用方法和系统 - Google Patents

一种基于遗传算法前馈处理的神经网络在故障预测中的应用方法和系统 Download PDF

Info

Publication number
CN110703733B
CN110703733B CN201911003243.XA CN201911003243A CN110703733B CN 110703733 B CN110703733 B CN 110703733B CN 201911003243 A CN201911003243 A CN 201911003243A CN 110703733 B CN110703733 B CN 110703733B
Authority
CN
China
Prior art keywords
unit
virtual
simulation
control
subsystem
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.)
Active
Application number
CN201911003243.XA
Other languages
English (en)
Other versions
CN110703733A (zh
Inventor
苏国梁
李国庆
范晨亮
郭笑尘
金麟
何洋欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
STATE POWER ELECTRIC POWER INNER MONGOLIA NEW ENERGY DEVELOPMENT Co.,Ltd.
Original Assignee
State Power Electric Power Inner Mongolia New Energy Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Power Electric Power Inner Mongolia New Energy Development Co ltd filed Critical State Power Electric Power Inner Mongolia New Energy Development Co ltd
Priority to CN201911003243.XA priority Critical patent/CN110703733B/zh
Publication of CN110703733A publication Critical patent/CN110703733A/zh
Application granted granted Critical
Publication of CN110703733B publication Critical patent/CN110703733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提出基于遗传算法前馈处理的神经网络在故障预测中的应用方法和系统。本发明技术方案包括可视化单元、虚拟仿真单元、虚拟仪器检测单元、机械控制单元以及机械系统单元；所述机械系统单元包括BOM管理单元与图纸管理器，并与所述可视化单元连接；所述可视化单元将所述机械系统单元可视化的结果作为输入提供给所述虚拟仿真单元；所述虚拟仪器检测单元对所述可视化的虚拟仪器单元进行参数检测，并将检测结果通过所述控制参数实时检测单元输送给所述虚拟仿真单元，所述虚拟仿真单元基于当前控制参数进行预定时间长度的仿真模拟，并实时监测仿真模拟结果的特征参数。通过仿真界面的结果和仿真次数的判断，可提前较长时间进行故障预警。

Description

一种基于遗传算法前馈处理的神经网络在故障预测中的应用 方法和系统
技术领域
本发明属于故障预测技术领域，尤其涉及一种基于遗传算法前馈处理的神经网络在故障预测中的应用方法和系统。
背景技术
随着应用领域的扩展，遗传算法的研究出现了几个引人注目的新动向：一是基于遗传算法的机器学习，这一新的研究课题把遗传算法从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学习算法。这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。二是遗传算法正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合，这对开拓21世纪中新的智能计算技术将具有重要的意义。三是并行处理的遗传算法的研究十分活跃。这一研究不仅对遗传算法本身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的。四是遗传算法和另一个称为人工生命的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象，其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象，而遗传算法在这方面将会发挥一定的作用，五是遗传算法和进化规划(EvolutionProgramming,EP)以及进化策略(EvolutionStrategy,ES)等进化计算理论日益结合。EP和ES几乎是和遗传算法同时独立发展起来的，同遗传算法一样，它们也是模拟自然界生物进化机制的智能计算方法，即同遗传算法具有相同之处，也有各自的特点。目前，这三者之间的比较研究和彼此结合的探讨正形成热点。
以上仅为本发明人提交本发明时的概括，并不承认其为本发明的现有技术。
例如，申请号为CN201910553533.5的中国发明专利申请提出一种基于模型自弈和典型样本的磨煤机故障诊断方法。针对磨煤机运行的海量历史数据中的故障样本数据难以筛选且样本数量不足，难以支持神经网络对故障特征的学习的问题，建立磨煤机故障机理模型产生大量典型故障样本；采用神经网络对不同故障典型样本进行分类，能有效的在故障产生的初期检测出故障和故障类型，提醒操作人员采取针对性的措施解决故障，从而避免故障恶化造成损失。
申请号为CN201910512358.5的中国发明专利申请提出一种基于自适应遗传算法优化的深度前馈网络故障诊断方法，依据数据决定网络参数，最大限度减少人为因素干扰的基于自适应遗传算法优化的深度前馈网络故障诊断方法，以提高故障诊断识别精度。其关键因素在于群智能算法的寻优能力，利用本发明故障诊断方法可以提高故障识别的精度。
然而，发明人发现，现有技术中上述故障预测技术大多是针对工业现场实际数据进行初期故障预测，需要采集大量的数据并进行深度的大数据运算；同时，上述故障预测针对的都是故障已经实际发生或者在相当短的未来时间段内将要发生，因此，即使预测或者检测出来，也需要停止实际生产过程，给生产带来较大停工损失。
发明内容
本发明提出基于遗传算法前馈处理的神经网络在故障预测中的应用方法和系统。本发明技术方案包括可视化单元、虚拟仿真单元、虚拟仪器检测单元、机械控制单元以及机械系统单元；所述机械系统单元包括BOM管理单元与图纸管理器，并与所述可视化单元连接；所述可视化单元将所述机械系统单元可视化的结果作为输入提供给所述虚拟仿真单元；所述虚拟仪器检测单元对所述可视化的虚拟仪器单元进行参数检测，并将检测结果通过所述控制参数实时检测单元输送给所述虚拟仿真单元，所述虚拟仿真单元基于当前控制参数进行预定时间长度的仿真模拟，并实时监测仿真模拟结果的特征参数。通过仿真界面的结果和仿真次数的判断，提前在虚拟场景中预测未来较长时间段内的实际工业设备的运行状态，从而提前较长时间进行故障预警，给工业生产预备充分的调节时间以及提前维修。
在本发明的第一个方面，提供一种基于遗传算法前馈处理的神经网络在故障预测中的应用系统，所述应用系统包括可视化单元、虚拟仿真单元、虚拟仪器检测单元、机械控制单元以及机械系统单元；所述机械系统单元包括BOM管理单元与图纸管理器，并与所述可视化单元连接；所述可视化单元将所述机械系统单元可视化的结果作为输入提供给所述虚拟仿真单元；
作为本发明的第一个创新点，所述虚拟仿真单元还连接有模糊神经网络控制器，所述模糊神经网络控制器包含控制率管理器，通过所述控制率管理器与所述虚拟仿真单元的控制率决策单元通信；
作为本发明第二个创新点，所述虚拟仿真单元还连接所述虚拟仪器检测单元，所述虚拟仪器检测单元实时检测虚拟仿真单元中可视化的机械系统单元各个组件的位置、角速度、角加速度，并反馈给所述虚拟仿真单元的控制参数实时检测单元；
所述控制参数实时检测单元将所述反馈参数反馈给遗传算法前馈处理器，所述遗传算法前馈处理器连接通过控制率管理器调节所述模糊神经网络控制器的控制率；
作为本发明的第三个创新点，所述控制率决策单元基于所述控制率管理器输出的控制率，给所述机械控制单元发出控制指令，所述机械控制单元基于控制指令对所述机械系统单元进行控制操作；
作为本发明的第四个创新点，所述虚拟仿真单元还包括运算与分析子系统，所述运算与分析子系统基于所述虚拟仪器检测单元检测到的组件参数，进行姿态控制、参数辨识、结构参数优化、控制率参数优化，并将运算与分析结果在所述虚拟仿真单元的实时显示单元进行显示。
与上述技术手段相对应的，所述可视化单元包括用户可视化界面层、仿真引擎层以及产品数据管理层；所述用户可视化界面层为直接面向用户的可视化界面；所述仿真引擎层包括外观模拟引擎、功能仿真引擎以及行为仿真引擎；所述产品数据管理层包括产品模型库、图纸管理库、电子分系统与机械分系统。
所述虚拟仿真单元通过多个专用接口分别与虚拟转台图形单元、虚拟仿真子系统以及虚拟转台执行子系统连接；所述虚拟仿真子系统控制所述虚拟转台图形单元，并驱动所述虚拟转台执行子系统。
所述虚拟仿真单元通过专用接口与虚拟转台系统调度子系统连接；所述虚拟转台调度子系统包括系统子系统选择组件、任务调度组件以及任务分配数据库；所述任务分配数据库分别连接图形单元、仿真单元和执行单元。
所述虚拟转台系统调度子系统连接所述虚拟转台图形单元与所述虚拟转台执行子系统。
在本发明的第二个方面，提供一种基于遗传算法前馈处理的神经网络在故障预测中的应用方法，所述应用方法基于前述的应用系统实现，所述方法包括如下步骤：
S601：所述可视化单元将对所述机械系统单元的各个组件进行可视化；
S603：所述虚拟仪器检测单元对所述可视化的虚拟仪器单元进行参数检测，并将检测结果通过所述控制参数实时检测单元输送给所述虚拟仿真单元；
S605：所述虚拟仿真单元基于当前控制参数进行预定时间长度的仿真模拟，并实时监测仿真模拟结果的特征参数；
S607：如果所述特征参数满足预定条件，则返回步骤S603；
否则，进入步骤S609：
S609：将所述控制参数实时检测单元的输出结果传送给所述遗传算法前馈处理器，所述前馈处理器通过所述控制率管理器调节所述模糊神经网络控制器的控制速率；
S611：所述模数神经网络控制器控制所述虚拟仿真单元进行再次仿真，返回步骤S605。
作为体现本发明关键发明构思的关键技术手段之一，其中，步骤S611进一步包括：
如果再次仿真的次数大于预定阈值，则通过所述控制率决策单元发送控制指令给所述机械控制单元，所述机械控制单元基于控制指令对所述机械系统单元进行控制操作，返回步骤S601。
作为体现本发明关键发明构思的关键技术手段之一，其中，如果返回步骤S601的次数大于预定值，则发出故障预警提示。
此外，本发明的上述方法可以通过计算机程序实现，所述程序存储于可读媒体介质、计算机可读介质、可读光盘等，因此，还提供一种计算机可读存储介质，其上存储有计算机执行指令，通过处理器执行所述指令，用于实现前述的方法。
本发明进一步的优点将在具体实施例部分结合附图进一步体现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中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是本申请故障预测的应用系统框架图；
图2是本申请故障预测的应用系统层次图；
图3是本申请故障预测的应用系统结构图；
图4是本申请故障预测的应用方法的一个实施例的流程图；
图5-6是本申请故障预测的应用方法的优选实施例的流程图。
具体实施例
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
参见图1，是本发明一个实施例的基于遗传算法前馈处理的神经网络在故障预测中的应用系统，所述应用系统包括可视化单元、虚拟仿真单元、虚拟仪器检测单元、机械控制单元以及机械系统单元；所述机械系统单元包括BOM管理单元与图纸管理器，并与所述可视化单元连接；所述可视化单元将所述机械系统单元可视化的结果作为输入提供给所述虚拟仿真单元；
所述虚拟仿真单元还连接有模糊神经网络控制器，所述模糊神经网络控制器包含控制率管理器，通过所述控制率管理器与所述虚拟仿真单元的控制率决策单元通信；
所述虚拟仿真单元还连接所述虚拟仪器检测单元，所述虚拟仪器检测单元实时检测虚拟仿真单元中可视化的机械系统单元各个组件的位置、角速度、角加速度，并反馈给所述虚拟仿真仿真单元的控制参数实时检测单元；
所述控制参数实时检测单元将所述反馈参数反馈给遗传算法前馈处理器，所述遗传算法前馈处理器连接通过控制率管理器调节所述模糊神经网络控制器的控制率；
所述控制率决策单元基于所述控制率管理器输出的控制率，给所述机械控制单元发出控制指令，所述机械控制单元基于控制指令对所述机械系统单元进行控制操作；
进一步参见图2，在图1基础上，所述虚拟仿真单元还包括运算与分析子系统，所述运算与分析子系统基于所述虚拟仪器检测单元检测到的组件参数，进行姿态控制、参数辨识、结构参数优化、控制率参数优化，并将运算与分析结果在所述虚拟仿真单元的实时显示单元进行显示。
所述可视化单元包括用户可视化界面层、仿真引擎层以及产品数据管理层；所述用户可视化界面层为直接面向用户的可视化界面；所述仿真引擎层包括外观模拟引擎、功能仿真引擎以及行为仿真引擎；所述产品数据管理层包括产品模型库、图纸管理库、电子分系统与机械分系统。
进一步参见图3，在图1-2基础上，所述虚拟仿真单元通过多个专用接口分别与虚拟转台图形单元、虚拟仿真子系统以及虚拟转台执行子系统连接；所述虚拟仿真子系统控制所述虚拟转台图形单元，并驱动所述虚拟转台执行子系统。
所述虚拟仿真单元通过专用接口与虚拟转台系统调度子系统连接；所述虚拟转台调度子系统包括系统子系统选择组件、任务调度组件以及任务分配数据库；所述任务分配数据库分别连接图形单元、仿真单元和执行单元；所述虚拟转台系统调度子系统连接所述虚拟转台图形单元与所述虚拟转台执行子系统。
接下来，在另外一个方面的实施例中，参见图4-6。图4是本申请故障预测的应用方法的一个实施例的流程图；图5-6是本申请故障预测的应用方法的优选实施例的流程图。
在图4中，所述方法步骤具体包括：
S601：所述可视化单元将对所述机械系统单元的各个组件进行可视化；
S603：所述虚拟仪器检测单元对所述可视化的虚拟仪器单元进行参数检测，并将检测结果通过所述控制参数实时检测单元输送给所述虚拟仿真单元；
S605：所述虚拟仿真单元基于当前控制参数进行预定时间长度的仿真模拟，并实时监测仿真模拟结果的特征参数；
S607：如果所述特征参数满足预定条件，则返回步骤S603；
否则，进入步骤S609：
S609：将所述控制参数实时检测单元的输出结果传送给所述遗传算法前馈处理器，所述前馈处理器通过所述控制率管理器调节所述模糊神经网络控制器的控制速率；
S611：所述模数神经网络控制器控制所述虚拟仿真单元进行再次仿真，返回步骤S605。
图5是在图4基础上进一步优选的实施例，，步骤S611进一步包括：
如果再次仿真的次数大于预定阈值，则通过所述控制率决策单元发送控制指令给所述机械控制单元，所述机械控制单元基于控制指令对所述机械系统单元进行控制操作，返回步骤S601。
图6是图5基础上的进一步优选实施例。
如果返回步骤S601的次数大于预定值，则发出故障预警提示。
通过上面具体实施方式，所述技术领域的技术人员可容易的实现本发明。但是应当理解，本发明并不限于上述的具体实施方式。在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。

Claims (9)

1.一种基于遗传算法前馈处理的神经网络在故障预测中的应用系统，所述应用系统包括可视化单元、虚拟仿真单元、虚拟仪器检测单元、机械控制单元以及机械系统单元；所述机械系统单元包括BOM管理单元与图纸管理器，并与所述可视化单元连接；所述可视化单元将所述机械系统单元可视化的结果作为输入提供给所述虚拟仿真单元；
其特征在于：
所述虚拟仿真单元还连接有模糊神经网络控制器，所述模糊神经网络控制器包含控制率管理器，通过所述控制率管理器与所述虚拟仿真单元的控制率决策单元通信；
所述虚拟仿真单元还连接所述虚拟仪器检测单元，所述虚拟仪器检测单元实时检测虚拟仿真单元中可视化的机械系统单元各个组件的位置、角速度、角加速度，并反馈给所述虚拟仿真单元的控制参数实时检测单元；
所述控制参数实时检测单元将反馈参数反馈给遗传算法前馈处理器，所述遗传算法前馈处理器连接通过控制率管理器调节所述模糊神经网络控制器的控制率；
所述控制率决策单元基于所述控制率管理器输出的控制率，给所述机械控制单元发出控制指令，所述机械控制单元基于控制指令对所述机械系统单元进行控制操作；
所述虚拟仿真单元还包括运算与分析子系统，所述运算与分析子系统基于所述虚拟仪器检测单元检测到的组件参数，进行姿态控制、参数辨识、结构参数优化、控制率参数优化，并将运算与分析结果在所述虚拟仿真单元的实时显示单元进行显示；
所述系统具体应用于故障预测，具体包括：
所述虚拟仿真单元基于当前控制参数进行预定时间长度的仿真模拟，并实时监测仿真模拟结果的特征参数；如果所述特征参数不满足预定条件，控制所述虚拟仿真单元进行再次仿真；
如果再次仿真的次数大于预定阈值，则执行返回操作，所述返回操作为对所述机械系统单元的各个组件进行可视化；
如果执行所述返回操作的次数大于预定值，则发出故障预警提示。
2.如权利要求1所述的应用系统，所述可视化单元包括用户可视化界面层、仿真引擎层以及产品数据管理层；所述用户可视化界面层为直接面向用户的可视化界面；所述仿真引擎层包括外观模拟引擎、功能仿真引擎以及行为仿真引擎；所述产品数据管理层包括产品模型库、图纸管理库、电子分系统与机械分系统。
3.如权利要求1所述的应用系统，所述虚拟仿真单元通过多个专用接口分别与虚拟转台图形单元、虚拟仿真子系统以及虚拟转台执行子系统连接；所述虚拟仿真子系统控制所述虚拟转台图形单元，并驱动所述虚拟转台执行子系统。
4.如权利要求1或3所述的应用系统，所述虚拟仿真单元通过专用接口与虚拟转台系统调度子系统连接；所述虚拟转台调度子系统包括系统子系统选择组件、任务调度组件以及任务分配数据库；所述任务分配数据库分别连接图形单元、仿真单元和执行单元。
5.如权利要求4所述的应用系统，所述虚拟转台系统调度子系统连接所述虚拟转台图形单元与所述虚拟转台执行子系统。
6.一种基于遗传算法前馈处理的神经网络在故障预测中的应用方法，所述应用方法基于权利要求1-5任一项所述的应用系统实现，所述方法包括如下步骤：
S601：所述可视化单元将对所述机械系统单元的各个组件进行可视化；
S603：所述虚拟仪器检测单元对所述可视化的虚拟仪器单元进行参数检测，并将检测结果通过所述控制参数实时检测单元输送给所述虚拟仿真单元；
S605：所述虚拟仿真单元基于当前控制参数进行预定时间长度的仿真模拟，并实时监测仿真模拟结果的特征参数；
S607：如果所述特征参数满足预定条件，则返回步骤S603；
否则，进入步骤S609：
S609：将所述控制参数实时检测单元的输出结果传送给所述遗传算法前馈处理器，所述前馈处理器通过所述控制率管理器调节所述模糊神经网络控制器的控制速率；
S611：所述模糊神经网络控制器控制所述虚拟仿真单元进行再次仿真，返回步骤S605。
7.如权利要求6所述的应用方法，其中，步骤S611进一步包括：
如果再次仿真的次数大于预定阈值，则通过所述控制率决策单元发送控制指 令给所述机械控制单元，所述机械控制单元基于控制指令对所述机械系统单元进行控制操作，返回步骤S601。
8.如权利要求7所述的应用方法，其中，如果返回步骤S601的次数大于预定值，则发出故障预警提示。
9.一种计算机可读存储介质，其上存储有计算机执行指令，通过处理器执行所述指令，用于实现权利要求6-8任一项所述的方法。
CN201911003243.XA 2019-10-18 2019-10-18 一种基于遗传算法前馈处理的神经网络在故障预测中的应用方法和系统 Active CN110703733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911003243.XA CN110703733B (zh) 2019-10-18 2019-10-18 一种基于遗传算法前馈处理的神经网络在故障预测中的应用方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911003243.XA CN110703733B (zh) 2019-10-18 2019-10-18 一种基于遗传算法前馈处理的神经网络在故障预测中的应用方法和系统

Publications (2)

Publication Number Publication Date
CN110703733A CN110703733A (zh) 2020-01-17
CN110703733B true CN110703733B (zh) 2021-10-01

Family

ID=69200770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911003243.XA Active CN110703733B (zh) 2019-10-18 2019-10-18 一种基于遗传算法前馈处理的神经网络在故障预测中的应用方法和系统

Country Status (1)

Country Link
CN (1) CN110703733B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104460518A (zh) * 2014-11-16 2015-03-25 沈阳工业大学 基于模糊扰动补偿直接驱动xy平台轮廓控制装置及方法
CN104846306A (zh) * 2015-05-07 2015-08-19 浙江中控研究院有限公司 一种镀锌厚度控制系统及方法
CN104971433A (zh) * 2015-06-10 2015-10-14 上海交通大学 人工与自主控制融合的功能性电刺激运动康复系统及方法
CN105223932A (zh) * 2015-10-21 2016-01-06 中广核工程有限公司 核电站安全预警方法、系统以及核电站仿真技术平台
KR20180078661A (ko) * 2016-12-30 2018-07-10 대우조선해양 주식회사 통합연동시뮬레이션이 가능한 시뮬레이션 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104460518A (zh) * 2014-11-16 2015-03-25 沈阳工业大学 基于模糊扰动补偿直接驱动xy平台轮廓控制装置及方法
CN104846306A (zh) * 2015-05-07 2015-08-19 浙江中控研究院有限公司 一种镀锌厚度控制系统及方法
CN104971433A (zh) * 2015-06-10 2015-10-14 上海交通大学 人工与自主控制融合的功能性电刺激运动康复系统及方法
CN105223932A (zh) * 2015-10-21 2016-01-06 中广核工程有限公司 核电站安全预警方法、系统以及核电站仿真技术平台
KR20180078661A (ko) * 2016-12-30 2018-07-10 대우조선해양 주식회사 통합연동시뮬레이션이 가능한 시뮬레이션 시스템 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
三轴虚拟仿真转台系统设计及实现;刘正华 等;《计算机工程与应用》;20030521(第15期);第27-29页 *
三轴高精度虚拟仿真转台研究;刘正华 等;《系统仿真学报》;20031130(第11期);第1613-1617页 *

Also Published As

Publication number Publication date
CN110703733A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN111230887B (zh) 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法
US12066797B2 (en) Fault prediction method and fault prediction system for predecting a fault of a machine
JP7104121B2 (ja) 故障予知装置、故障予知システム及び故障予知方法
Kuhnle et al. Reinforcement learning for opportunistic maintenance optimization
Wang et al. Fault prognostics using dynamic wavelet neural networks
Mahadevan et al. Optimizing production manufacturing using reinforcement learning.
CN110414033B (zh) 结合边缘计算和数字孪生的机械设备预测性维护方法
US11604459B2 (en) Real-time control using directed predictive simulation within a control system of a process plant
US11119455B2 (en) Control system database systems and methods
CN108693822A (zh) 控制装置、存储介质、控制系统及控制方法
Wang et al. Innovative smart scheduling and predictive maintenance techniques
WO2019125976A1 (en) Switching from calendar-based to predictive maintenance: a leaner and faster software-based solution orchestrating data driven forecasting models
JP2022065773A (ja) 制御装置、コントローラ、制御システム、制御方法、および制御プログラム
CN117709647A (zh) 一种基于数字孪生的生态矿山动态决策方法
CN110244676B (zh) 一种基于虚拟生产的无人仓库物流优化系统及方法
CN110750455A (zh) 基于系统日志分析的智能在线自更新故障诊断方法和系统
Yoon et al. Simulation-based real-time decision making for manufacturing automation systems: a review
CN110703733B (zh) 一种基于遗传算法前馈处理的神经网络在故障预测中的应用方法和系统
Pierreval Expert system for selecting priority rules in flexible manufacturing systems
CN114609969B (zh) 一种基于云计算的数控机床轨迹误差补偿方法
Johannsen et al. Human system interface concerns in support system design
Fan et al. Framework and key technologies of human-machine hybrid-augmented intelligence system for large-scale power grid dispatching and control
CN112116487B (zh) 一种基于人工免疫的智能制造系统
CN114239938A (zh) 一种基于状态的能源数字孪生体的构建方法
Fan et al. Survey of the selection and evaluation for dispatching rules in dynamic job shop scheduling problem

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
CB03 Change of inventor or designer information

Inventor after: Su Guoliang

Inventor after: Li Guoqing

Inventor after: Fan Chenliang

Inventor after: Guo Xiaochen

Inventor after: Jin Lin

Inventor after: He Yanghuan

Inventor before: Guo Xiaochen

Inventor before: Jin Lin

Inventor before: He Yanghuan

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20210910

Address after: 010000 5th floor, block B, Huishang Plaza, 175 Zhaowuda Road, Saihan District, Hohhot, Inner Mongolia Autonomous Region

Applicant after: STATE POWER ELECTRIC POWER INNER MONGOLIA NEW ENERGY DEVELOPMENT Co.,Ltd.

Address before: 100083 No. 29, Haidian District, Beijing, Xueyuan Road

Applicant before: China University of Geosciences (Beijing)

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant