CN110716520B - 基于多源信息融合的飞控伺服作动器可靠性评估建模方法 - Google Patents
基于多源信息融合的飞控伺服作动器可靠性评估建模方法 Download PDFInfo
- Publication number
- CN110716520B CN110716520B CN201911016484.8A CN201911016484A CN110716520B CN 110716520 B CN110716520 B CN 110716520B CN 201911016484 A CN201911016484 A CN 201911016484A CN 110716520 B CN110716520 B CN 110716520B
- Authority
- CN
- China
- Prior art keywords
- data
- fusion
- evaluation
- flight control
- servo actuator
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000004927 fusion Effects 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 title claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000013461 design Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims description 2
- 238000005461 lubrication Methods 0.000 claims description 2
- 238000003754 machining Methods 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 2
- 238000007493 shaping process Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于飞机飞行控制液压伺服系统液压作动器的可靠性提升领域,具体涉及基于多源信息融合的飞控伺服作动器可靠性评估建模方法。所述方法利用建立的信息采集系统对多源数据进行采集;对多源异构数据进行预处理,然后进行数据融合;将融合后的数据作为边界约束数据建立作动器可靠性薄弱点的参数化有限元模型,得出训练样本文件;对映射关系模型进行优化处理;将优化结果反馈给设计人员进行设计优化;对设计优化结果进行工艺验证,从而完成可靠性评估。本发明充分利用研制过程中的多源有效数据对产品进行可靠性综合评价,能够有效地缩短定型阶段的可靠性验证试验的试验时间。
Description
技术领域
本发明属于飞机飞行控制液压伺服系统液压作动器的可靠性提升领域,具体涉及基于多源信息融合的飞控伺服作动器可靠性评估建模方法。
背景技术
飞控液压伺服系统是现代民机电传飞行控制系统重要的子系统,它接受飞控计算机的指令,由作动器电子控制器控制液压作动器精确输出位移和力,驱动飞行器的气动舵面,从而为稳定和控制飞行器提供需要的力和力矩,同时将舵面的偏转位置通过位置传感器将信号反馈给作动器电子控制器,形成位置闭环控制系统。飞控液压伺服作动系统是影响民机高可靠、高安全、经济性、舒适性的关键系统,其性能与可靠性水平直接决定着飞机的飞行品质和运营效益。
目前我国尚未建立起面向液压机电产品的可靠性与寿命评估技术体系,缺乏相关评估方法与试验规范,使得国产飞控液压伺服系统的可靠性难以得到准确有效的评估和验证,直接制约其可靠性和寿命的提升。
因此,国产飞控液压伺服系统要实现高可靠、长寿命使用,需在已有制造基础上,从加工、装配、试验全过程开展全面而深入的技术研究,系统梳理影响可靠性与寿命的各类因素,突破制造过程中的关键技术瓶颈,方能实现产品在可靠性与寿命方面的突破。
发明内容
本发明要解决的技术问题:本发明目的是要解决飞控液压作动系统的高可靠性无法评估或评估不准确的问题,具体解决现有可靠性数据评估依据大量内外场数据采集和积累周期长、效率低的问题。
本发明的技术方案:基于多源信息融合的飞控伺服作动器可靠性评估建模方法,包括以下步骤:
步骤一:利用建立的信息采集系统对多源数据进行采集;
步骤二:对多源异构数据进行预处理,然后进行数据融合;
步骤三:将融合后的数据作为边界约束数据建立作动器可靠性薄弱点的参数化有限元模型,得出训练样本文件;
步骤四:对映射关系模型进行优化处理;
步骤五:将优化结果反馈给设计人员进行设计优化;对设计优化结果进行工艺验证,从而完成可靠性评估。
上述方法中,所述多源信息至少包括内场制造数据、外场使用数据、检测数据、理论分析数据;其中,内场制造数据来源于MES系统;外场使用数据来自MRO系统;理论分析数据来自设计模型;检测数据由外协厂家提供。多源信息融合采用SN曲线。
所述内场制造数据包括零件加工、组件装调及系统试验等,
步骤四中,具体优化处理方法是采用GA算法,GA算法鲁棒性好。
步骤三中,训练样本文件通过人工神经网络算法获取,人工神经网络算法收敛性更好。
本发明的有益效果:本发明的技术解决方案是利用通信与控制技术将制造设备、检测设备及性能测试设备等进行联网,建立基于制造过程多源数据融合的工艺信息系统,实现数据在加工、检测、装调、评测之间无失真/错误传输。
通过开展基于多源信息融合的液压机电类产品可靠性综合评价技术的研究,进行民机飞控液压伺服系统可靠性仿真和预计,形成内场试验数据的分析处理方法,建立民机飞控液压伺服系统可靠性综合评估方法,实现液压伺服系统的在可靠性评估方面的工程应用。
本发明充分利用研制过程中的多源有效数据对产品进行可靠性综合评价,能够有效地缩短定型阶段的可靠性验证试验的试验时间。
附图说明
图1为本发明实施流程图;
图2为数据融合系统框架图。
具体实施方式
将有限元分析方法、人工神经网络算法以及遗传算法等技术有机的结合起来,实现液压产品装配过程工艺参数的优化设计,是一种切实可行的方案,其流程图1所示。基于多源信息融合的飞控伺服作动器可靠性评估建模方法,包括以下步骤:
步骤一:利用建立的信息采集系统对多源数据进行采集;
步骤二:按照如图1所示方法对多源异构数据进行预处理,然后进行数据融合;
步骤三:将融合后的数据作为边界约束数据建立作动器可靠性薄弱点的参数化有限元模型,得出训练样本文件;
步骤四:对映射关系模型进行优化处理;
步骤五:将优化结果反馈给设计人员进行设计优化;对设计优化结果进行工艺验证,从而完成可靠性评估。
本发明提出的检测方法从可靠性综合评价的角度出发,研究民机飞控液压伺服系统的具体要求,对系统和部件开展可靠性仿真预计技术研究和内场试验数据处理方法研究,结合民机液压机电类作动器、伺服电子控制器及传感器等产品的综合评价模型,建立民机液压机电类作动器、伺服电子控制器及传感器等产品的可靠性评估方法,并基于历史试验数据对可靠性评估方法的有效性进行验证。
人工神经网络(ANN)具有很强的多输入、多输出的非线性映射能力,利用ANN可实现多变量之间的各种非线性映射关系。在应用中可将n个待优化的参数作为ANN的输入向量,将m个与性能指标有关的量作为ANN的输出向量,从而建立其待优化参数X(n),与性能指标Y(m)之间的映射关系
Y(m)=fANN(X(n))
ANN的使用必须基于大量的训练样本对其进行有指导的训练,训练样本是指包含n个输入节点数据和m个输出节点数据的组合,要使ANN得到的映射关系能更强的解决实际问题,就应该有足够多的样本对其进行充分的验证。训练样本的获得主要有两种途径一是工艺试验,另一个是数值仿真。相对于工艺试验而言,数值仿真方法具有投入人力、物力、财力少,获取周期短等优势。
随着有限元理论的不断完善和计算机性能的大幅提高,有限元数值仿真软件在处理问题的复杂程度和计算精度上都已得到了工业界的认可,利用数值模拟方法很大程度上可以取代工艺试验很方便的获得ANN的训练样本。
虽然通过ANN获得了变量与性能指标间的映射关系,即目标函数,但是该目标函数难以利用传统的数学优化方法进行优化计算。遗传算法具有鲁棒性好,不易陷入局部最优解,搜索不要求目标函数连续、可导的特点,可以很快搜索到最优解附近,适合于并行大规模环境和复杂条件规划。
上述方法中,对多源异构数据进行预处理,然后在进行数据融合,在具体实施过程中,可以设计相应的数据融合系统来同时实现数据处理和融合,所示系统包括数据预处理模块和数据融合模块。
a)数据预处理模块
数据预处理模块负责对不同来源、不同格式、不同特性的异构数据资源采用数据清理和数据集成技术,特别是对时间序列数据、位移力数组数据进行噪声去除,对作动器保险丝等图像数据的冗余去除,对油源压力、调试台压力、制造现场温湿度及生产计划与执行数据进行数据冲突检测与处理,为数据融合提供“干净”的数据源。同时,数据预处理后的统一管理也为多源异构数据的存储与访问提供统一的接口。
b)数据融合模块
采用多层次评估模型,结合设计、工艺、装配现场数据和额定指标,进行隶属度确定,基于模糊评判方法求得不同数据源下的质量状态隶属度值,进而形成不同证据体,然后根据D-S证据融合得到各部件的状态评估结果,进而通过神经网络等学习方法得到各个功能部件影响整体状态程度的权重,进行加权评判,最终得出伺服作动器整体状态的区间隶属度,以获得最后伺服作动器的生产质量评判,并确定影响质量的关键生产环节。
具体实施方案包括以下两个部分:
(1)多源异构数据融合的伺服作动器制造过程数据预处理方法研究
伺服作动器设计、工艺、制造、测试、返修等全生命周期产生的数据可以分为数值类数据(如力矩扳手反馈数据)、图形类数据(如测试曲线)或逻辑类数据(如保险丝缠绕合规/不合规),数据类型、格式不统一。
对于数值类数据,如作动筒和伺服阀安装过程中的位移、力、力矩数据,作动器调试过程中的电压、电流、流量、压力数据,需对其数据精度、保留位数进行标准化处理,并去除其中的明显异常数据。对于像位移-力这样的反映装配过程的数据,还应该通过预处理,取出能表征实际装配过程的一段数据,并将无用数据摒弃。
对于测试曲线、保险丝图像等图像或图片数据,由于原始图片的存储会占据大量的空间,在读取调用时也十分耗时,所以需要使用二值化处理或傅里叶变换等图像处理算法,对图像数据进行轻量化,在去除图像杂讯的同时,保留最有效的图像信息,便于下一步对图像的应用。
除了对数据本身进行处理之外,数据预处理模块还完成对数据的统一管理。统一管理的目的在于,封装后的数据使用更加便利,由于封装调用的方式避免了对原始数据的修改,可以支持多个应用同时访问同一个数据。用时,封装后的数据使用更加安全,封装的调用方式可以保证使用者无需关心调用不同类型的数据时,可能发生的异常。
(2)面向伺服作动器生产过程及产品质量提升的多源异构数据的融合方法研究
本项目将伺服作动器质量评估分为三级评估过程进行:
第一级为质量关键部件/工序层,包括电磁阀、转换阀、作动筒、分接开关、润滑、机械固连等,通过评估各关键部件/工序质量状态,可以通过智能算法评估伺服作动器整体质量状态隶属度及质量关键点。
第二级为证据体层,即各部件进行质量状态评估时所需要的证据体参量类型,主要分为三大类,质量状态估计证据体,测试实验状态证据体,及运维状态证据体;
第三级为数据源层,即第二级中不同类型证据体系包括的具体指标参量数据,如设计、装配图纸数据,生产过程采集数据,部件、子系统、整机测试实验数据,运维数据,同类产品族历史信息等定性或定量异构数据。
基于上述多层次质量评估模型,结合设计、工艺、装配现场数据和设计期望指标,研究部件级质量状态隶属度确定方法,基于模糊评判方法求得不同数据源下的质量状态隶属度值,进而形成不同证据体,然后根据D-S证据融合得到各部件的状态评估结果,进而通过神经网络等学习方法得到各个功能部件影响整体状态程度的权重,进行加权评判,最终得出伺服作动器整体状态的区间隶属度,以获得最后伺服作动器的生产质量评判,并确定影响质量的关键环节。
Claims (7)
1.基于多源信息融合的飞控伺服作动器可靠性评估建模方法,其特征在于,所述方法包括以下步骤:步骤一:利用建立的信息采集系统对多源数据进行采集;步骤二:对多源异构数据进行预处理,然后进行数据融合;步骤三:将融合后的数据作为边界约束数据建立作动器可靠性薄弱点的参数化有限元模型,得出训练样本文件;步骤四:对映射关系模型进行优化处理;步骤五:将优化结果反馈给设计人员进行设计优化;对设计优化结果进行工艺验证,从而完成可靠性评估;
步骤二中数据处理及融合采用数据融合系统实现,所述数据融合系统至少包括数据预处理模块和数据融合模块;
所述数据融合模块采用多层次评估模型,结合设计、工艺、装配现场数据和额定指标,进行隶属度确定,基于模糊评判方法求得不同数据源下的质量状态隶属度值,进而形成不同证据体,然后根据D-S证据融合得到各部件的状态评估结果,进而通过神经网络的学习方法得到各个功能部件影响整体状态程度的权重,进行加权评判,最终得出伺服作动器整体状态的区间隶属度,以获得最后伺服作动器的生产质量评判,并确定影响质量的关键生产环节;
所述多层次评估模型是将伺服作动器质量评估分为三级评估过程进行:
第一级为质量关键部件和工序层,包括电磁阀、转换阀、作动筒、分接开关、润滑、机械固连,通过评估各关键部件和工序质量状态,通过智能算法评估伺服作动器整体质量状态隶属度及质量关键点;
第二级为证据体层,即各关键部件进行质量状态评估时所需要的证据体参量类型,分为质量状态估计证据体、测试实验状态证据体及运维状态证据体;
第三级为数据源层,即第二级中不同类型证据体包括的具体指标参量数据,至少包括设计、装配图纸数据,生产过程采集数据,部件、子系统、整机测试实验数据,运维数据,同类产品族历史信息定性或定量异构数据。
2.根据权利要求1所述的基于多源信息融合的飞控伺服作动器可靠性评估建模方法,其特征在于,所述多源信息至少包括内场制造数据、外场使用数据、检测数据、理论分析数据;其中,内场制造数据来源于MES系统;外场使用数据来自MRO系统;理论分析数据来自设计模型;检测数据由外协厂家提供。
3.根据权利要求2所述的基于多源信息融合的飞控伺服作动器可靠性评估建模方法,其特征在于,所述内场制造数据包括零件加工、组件装调及系统试验结果。
4.根据权利要求1所述的基于多源信息融合的飞控伺服作动器可靠性评估建模方法,其特征在于,步骤四中,所述优化处理采用GA算法实现。
5.根据权利要求1所述的基于多源信息融合的飞控伺服作动器可靠性评估建模方法,其特征在于,步骤三中,训练样本文件通过人工神经网络算法获取。
6.根据权利要求1所述的基于多源信息融合的飞控伺服作动器可靠性评估建模方法,其特征在于,所述数据预处理模块负责对不同来源、不同格式、不同特性的异构数据资源采用数据清理和数据集成技术,为数据融合提供干净的数据源;同时,数据预处理后的统一管理也为多源异构数据的存储与访问提供统一的接口。
7.根据权利要求6所述的基于多源信息融合的飞控伺服作动器可靠性评估建模方法,其特征在于,所述数据清理和数据集成技术是对时间序列数据、位移力数组数据进行噪声去除,对作动器保险丝图像数据的冗余去除,对油源压力、调试台压力、制造现场温湿度及生产计划与执行数据进行数据冲突检测与处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911016484.8A CN110716520B (zh) | 2019-10-29 | 2019-10-29 | 基于多源信息融合的飞控伺服作动器可靠性评估建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911016484.8A CN110716520B (zh) | 2019-10-29 | 2019-10-29 | 基于多源信息融合的飞控伺服作动器可靠性评估建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110716520A CN110716520A (zh) | 2020-01-21 |
CN110716520B true CN110716520B (zh) | 2022-11-01 |
Family
ID=69214128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911016484.8A Active CN110716520B (zh) | 2019-10-29 | 2019-10-29 | 基于多源信息融合的飞控伺服作动器可靠性评估建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110716520B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325735A (zh) * | 2020-02-25 | 2020-06-23 | 杭州测质成科技有限公司 | 基于深度学习的航空发动机保险状态检测方法 |
CN112948974B (zh) * | 2021-03-09 | 2023-09-01 | 北京机电工程研究所 | 一种基于证据理论的飞行器性能评估方法和系统 |
CN115270526B (zh) * | 2022-09-27 | 2022-12-30 | 苏州海易泰克机电设备有限公司 | 一种基于多源数据的航空建模方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650170A (zh) * | 2017-01-04 | 2017-05-10 | 北京航空航天大学 | 一种液压伺服作动器的可靠性评估方法 |
CN107808169A (zh) * | 2017-11-16 | 2018-03-16 | 中国航天标准化研究所 | 一种航天多阶段任务系统可靠性评估方法和系统 |
CN108629137A (zh) * | 2018-05-14 | 2018-10-09 | 苏州科技大学 | 一种机械结构件结构参数优化设计方法 |
CN108898314A (zh) * | 2018-06-29 | 2018-11-27 | 厦门大学 | 一种基于bim和质量多源信息融合施工风险评估方法 |
CN110134090A (zh) * | 2019-05-23 | 2019-08-16 | 电子科技大学 | 融合多源信息的工业机器人控制系统可靠性评估方法 |
-
2019
- 2019-10-29 CN CN201911016484.8A patent/CN110716520B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650170A (zh) * | 2017-01-04 | 2017-05-10 | 北京航空航天大学 | 一种液压伺服作动器的可靠性评估方法 |
CN107808169A (zh) * | 2017-11-16 | 2018-03-16 | 中国航天标准化研究所 | 一种航天多阶段任务系统可靠性评估方法和系统 |
CN108629137A (zh) * | 2018-05-14 | 2018-10-09 | 苏州科技大学 | 一种机械结构件结构参数优化设计方法 |
CN108898314A (zh) * | 2018-06-29 | 2018-11-27 | 厦门大学 | 一种基于bim和质量多源信息融合施工风险评估方法 |
CN110134090A (zh) * | 2019-05-23 | 2019-08-16 | 电子科技大学 | 融合多源信息的工业机器人控制系统可靠性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110716520A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110716520B (zh) | 基于多源信息融合的飞控伺服作动器可靠性评估建模方法 | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
Cemernek et al. | Big data as a promoter of industry 4.0: Lessons of the semiconductor industry | |
CN113656938A (zh) | 配电网变压器的监管方法、控制装置、及存储介质 | |
CN110530650B (zh) | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 | |
KR102523701B1 (ko) | 인공지능을 이용한 태양광 모듈의 품질 예측 장치 및 방법 | |
CN115617628A (zh) | 一种数字孪生系统、研发方法、设备和存储介质 | |
KR20200142993A (ko) | 엔진 상태 진단 방법 및 엔진 상태 진단 모델링 방법 | |
CN115422814A (zh) | 一种数字孪生驱动的复杂机电产品闭环优化设计方法 | |
CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN116561681A (zh) | 一种基于数字孪生的融合型故障诊断方法 | |
Cahyati et al. | A prototyping of additive manufacturing cell in cyber physical system for maintenance 4.0 preparation | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
CN112580169A (zh) | 一种基于机器学习的谐波减速器健康评估方法 | |
CN115238394B (zh) | 复合材料结构多源不确定性混合可靠性数字孪生建模方法 | |
CN115879238A (zh) | 一种发动机整机及试验孪生体系模型构建方法 | |
CN114818361A (zh) | 一种基于应用场景的数字孪生模型构建方法 | |
Wang et al. | Health state assessment of industrial equipment driven by the fusion of digital twin model and intelligent algorithm | |
CN117172138B (zh) | 一种基于深度学习的城市交通碳排放预测方法及装置 | |
CN116541714B (zh) | 电网调控模型训练方法、系统、计算机设备及存储介质 | |
Cao et al. | Quality-integrated diagnostic platform for aerospace complex product assembly processes | |
CN116187102B (zh) | 一种可靠性分析系统 | |
Mingorance et al. | Evolution of Digital Twin solutions in the manufacturing industry | |
CN111880477B (zh) | 一种融合机理模型和学习模型的加工变形预测方法 |
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 |