CN111666712B - 一种大型复杂机电装备的“测-算-控”智能化数字孪生方法 - Google Patents

一种大型复杂机电装备的“测-算-控”智能化数字孪生方法 Download PDF

Info

Publication number
CN111666712B
CN111666712B CN202010407005.1A CN202010407005A CN111666712B CN 111666712 B CN111666712 B CN 111666712B CN 202010407005 A CN202010407005 A CN 202010407005A CN 111666712 B CN111666712 B CN 111666712B
Authority
CN
China
Prior art keywords
data
reclaimer
stacker
optimization
control
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
CN202010407005.1A
Other languages
English (en)
Other versions
CN111666712A (zh
Inventor
宋学官
原永亮
来孝楠
王硕
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202010407005.1A priority Critical patent/CN111666712B/zh
Publication of CN111666712A publication Critical patent/CN111666712A/zh
Application granted granted Critical
Publication of CN111666712B publication Critical patent/CN111666712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种大型复杂机电装备的“测‑算‑控”智能化数字孪生方法，包括物理样机系统、数据通讯系统、数据解码系统、优化计算系统、数据融合系统、孪生仿真系统和存储系统，可以实现大型复杂机电装备从产品研发、制造到后期运维的全生命周期管理，对大型复杂机电装备的性能预估、故障诊断和性能优化具有重要意义。

Description

一种大型复杂机电装备的“测-算-控”智能化数字孪生方法
技术领域
本发明属于智能化数字孪生领域，涉及到一种基于混合有限元法、先进群智能优化算法以及结构-控制协同优化控制技术，面向大型斗轮堆取料机复杂机电装备的“测-算-控”智能化数字孪生技术。
背景技术
随着从实体到虚拟映射技术的发展，用数字化的方式展现物理世界状态的数字孪生技术应运而生。目前在物流、船舶、航空航天、汽车等领域获得了高速发展，帮助诸多企业完成从产品研发、制造到后期运维的全生命周期管理。斗轮堆取料机是散料料场最大的专用成套设备，它被广泛应用于矿山和港口等场合对散料进行连续转运和装卸作业，具有操作简单、运行速度稳定以及生产效率高等优点。复杂多变的料场环境和斗轮取料机庞大的自身结构使最小能耗下取料机的运行参数设计和性能评估成为棘手问题。结合我国大型斗轮堆取料机的技术现状，目前对各生产要素的模拟、监测、分析等技术不是很完善，尤其是影响堆取料机的学科和参数众多，传统的分析和优化方法已无法高效准确的获得其性能。运用提出的“测-算-控”智能化数字孪生技术可以提前预警堆取料机的产品性能，降低其系统工作能耗，同时对堆取料机的性能优化和故障检测具有重要意义。
发明内容
本发明的目的是提供一种“测-算-控”智能化数字孪生技术，实现对大型复杂机电装备的实时性能优化和故障检测。
本发明的目的可以通过以下技术方案实现：
一种大型复杂机电装备的“测-算-控”智能化数字孪生方法，包括物理样机系统、数据通讯系统、数据解码系统、优化计算系统、数据融合系统、孪生仿真系统和存储系统其中物理样机系统是利用不同类型传感器来进行多源数据的采集并作为物理样机的关键信息输入量，然后利用所述的数据通讯系统将采集的数据传递给数据解码系统，数据解码系统进行数据的解码、清洗和简化处理，获得物理样机的关键信息并导入所述的优化计算系统中进行机、电、液、控等多学科优化求解，数据融合系统基于优化求解后的结果和系统中历史数据进行数据融合，完成数据的多源、高维、高保真的融合，获得可利用的渲染数据和物理样机的高精度控制方式；在所述的孪生仿真系统中借助图形渲染技术映射为物理样机高精度的孪生体，基于获得的高精度控制方式绘制高保真、直观可信的物理样机内部结构关系变化图，可作为重要的历史数据对后期的孪生体模型进行修正和优化；所述的存储系统是将优化计算的结果和孪生体渲染的结果进行存储。
进一步的，所述的物理样机系统包括堆取料机的行走装置、回转装置、俯仰装置、斗轮装置和配重等。所述的行走装置是堆取料机的基础单元，为监测堆取料机不同位置不同工况的行为提供行走动力；所述的回转装置包括多种不同类型的工业传感器，主要用来对堆取料机进行监测采集不同工况的实时数据；所述的俯仰装置主要用来调节堆取料机的作业高度，用于监测不同取料姿态下的性能；所述的斗轮装置是堆取料机对散料的挖掘取料单元，主要用来收集不同料堆取料时的挖掘阻力；所述的配重主要用来平衡堆取料机在堆取料过程中的受力，通过施加配重可获得优化后的堆取料机在不同工况下的应力、变形等，为孪生体模型的修改和优化提供数据。
所述的数据通讯系统是对采集到的不同类型的数据进行接收和发送。针对不同类型传感器采集到的采集信号，采用CAN总线、WIFI或蓝牙等技术，完成有线和无线的传输。为保证在对数据在传输过程中的关键数据不丢失，在通讯协议遴选时应保证数据传递速率不低于10Gbit/s，最大程度上高效、准确、实时的对数据进行传递。
所述的数据解码系统能够实现对采集到的数据进行解码、数据清洗等功能。对于不同类型的传感器的信息数据进行简单分类，利用先进的AI算法对不同工况采集的数据进行降噪等处理，最大程度上减小累计误差并保证数据的准确性。
所述的优化计算系统包括先进的群智能优化算法、多学科协同优化策略、有限元静力学/动力学分析以及可靠性计算。针对斗轮取料机高维非线性的特点，优选一种先进的蜻蜓优化算法进行计算；结合堆取料机高能耗的特点，采用多学科协同优化策略充分考虑结构与控制参数的最佳匹配关系，同时考虑系统的振动频率和可靠性的影响；通过构建数字模型对其进行优化，获得堆取料机的结构与控制的最佳配置关系。
所述的数据融合系统包含数据扩容模块和数据转化模块。所述的数据扩容模块以优化后获得的最优速度曲线为基础，充分考虑堆取料机和料堆参数之间的关系，进而解得最小能耗下堆取料机的布局方案和电机运行方式；所述的数据转化模块将多类型传感器测得的数据与优化计算的结果进行融合，为所述的孪生仿真系统提供实时数据。
所述的孪生仿真系统基于所述的优化计算系统和数据融合系统结果，将堆取料机在工作过程中的实时应力、变形、振动及系统能耗进行忠实的映射，进而实现对堆料机的实时监测和性能评估，降低安全隐患和事故的发生。通过调整设计参数和约束条件，实现对堆取料机从产品研发、制造到后期运维的全生命周期管理。
所述的存储系统是将优化计算系统的结果和孪生仿真系统的结果对其进行保存，不仅可以实时查阅相关数据，还能够为后期的数字模型修正和优化提供依据。
本发明的有益效果：是面向大型复杂的机电装备提供一种“测-算-控”智能化数字孪生技术，不仅可以实现对复杂机电装备的“测-算-控”的实时控制、性能预测与评估，还充分考虑到复杂装备的多学科耦合作用的影响。针对大型复杂的机电装备的多工况的特点，可通过调整数字模型的设计参数和约束条件对其进行产品设计、制造和后期运维的全生命周期管理。
附图说明
图1是本发明涉及的大型复杂机电装备示意图。
图2是本发明的技术流程图。
图3是本发明的多学科协同优化示意图。
图4是本发明的“测-算-控”闭环实时控制示意图。
图5是本发明的孪生仿真示意图。
具体实施方式
以下通过具体应用实施对本发明的大型复杂机电装备的“测-算-控”智能化数字孪生技术进行详细的说明。1、大型复杂机电装备的“测-算-控”智能化数字孪生技术的功能
一种新型的“测-算-控”智能化数字孪生技术包括对大型复杂机电装备的数据信息采集、数据传递与解码、多学科协同优化计算、数据融合及孪生仿真计算。其中，多学科协同优化计算包括静力学/动力学性能预估、结构与控制多学科系统解耦方法；孪生仿真计算主要利用数字模型将堆取料机(如图1所示)在工作过程中的实时应力、变形、振动及系统能耗进行忠实的映射，通过反馈控制参数调节电机转速，实现堆取料机的闭环实时控制。
如图2所示，首先针对影响堆取料机性能的结构参数进行关键数据信息采集，并将获得的关键信息数据进行传递和解码；其次，基于空间杆系理论和有限元基础构建堆取料机的空间杆系结构数字模型，以堆取料机系统最小能耗为优化目标，影响堆取料机性能的关键结构参数和回转装置的控制参数作为设计变量，建立考虑堆取料机的振动、可靠性等因素约束条件优化模型；然后，利用一体化并行优化策略和先进的蜻蜓优化算法对其进行多学科协同优化计算，充分考虑了结构参数和运行参数之间的相互影响关系，进而得到堆取料机的结构与控制最佳匹配关系；最后，将所得的控制参数反馈至堆取料机的控制系统中，利用堆取料机的孪生体将堆取料机在工作过程中的实时应力、变形、振动及系统能耗进行忠实的映射，实现对复杂机电装备的“测-算-控”的故障诊断、性能预测、实时控制。
2、大型复杂机电装备的多学科协同优化过程说明
在进行多学科协同优化设计过程中，可以分为两个阶段：耦合建模和优化求解。
1)耦合建模阶段
大型复杂机电装备通常是由机械、电气、液压、控制等多个学科组成，传统上一般采用先结构后控制等学科的顺序，往往是在结构“最优”结构的基础上完成其余学科的最优，忽略了各子学科之间的相互影响关系。本发明所述的优化计算系统采用多学科协同优化策略，考虑了堆取料机结构与控制之间的相互作用关系(如图3所示)，采用学科和系统层次分解的方法，将堆取料机进行分解，主要包括状态空间建模方法和微分方程建模方法，建立主要构件和子系统模型；在堆取料机中优化模型的约束条件中，充分考虑大型复杂机电装备的振动、可靠性等因素的影响。
2)优化求解阶段
本发明中所述的先进优化算法采用澳大利亚格里菲斯大学的Mirjalili学者提出的蜻蜓优化算法，该算法可以快速高精度求解高维非线性约束问题且已在机械、能源等领域得到了应用。针对大型复杂机电装备载荷、设计参数的多源不确定性，基于凸集模型构造载荷与设计参数包络成的半定规划列式。将凸模型应用于不确定性多学科优化中，利用内层数学规划问题的最优解必要条件，改进和完善不确定性优化原始双层嵌套优化问题的单层求解方法。通过对堆取料机优化想解耦，获得系统最小能耗下的结构参数和电机运行参数的最佳匹配关系。
3、“测-算-控”闭环实时控制与孪生仿真过程说明
根据不同类型传感器采集到的关键数据和空间杆系数字模型，充分考虑堆取料机的结构参数与控制参数的相互作用关系，计算堆取料机的静力学/动力学特性曲线；基于多学科协同优化策略并采用蜻蜓优化算法对其进行协同优化设计，得到影响堆取料机系统能耗的结构参数和控制参数的规律，并将所得到的数据进行融合和渲染；将所得的控制参数反馈至堆取料机的控制系统中，运用堆取料机模型的孪生体，在孪生仿真系统对计算所得的数据进行实时应力、变形、振动及系统能耗的绘制，实现与物理装备实体模型一致的内在结构性能孪生映射；实现对堆取料机的“测-算-控”的实时性能预测，同时将所得的数据进行分类存档，对以后的孪生体的预测模型进行修正和优化提供依据。

Claims (8)

1.一种大型复杂机电装备的“测-算-控”智能化数字孪生方法，其特征在于，包括物理样机系统、数据通讯系统、数据解码系统、优化计算系统、数据融合系统、孪生仿真系统和存储系统，其中物理样机系统是利用不同类型传感器来进行多源数据的采集并作为物理样机的关键信息输入量，然后利用所述的数据通讯系统将采集的数据传递给数据解码系统，数据解码系统进行数据的解码、清洗和简化处理，获得物理样机的关键信息并导入所述的优化计算系统中进行机、电、液、控多学科优化求解，数据融合系统基于优化求解后的结果和系统中历史数据进行数据融合，完成数据的多源、高维、高保真的融合，获得可利用的渲染数据和物理样机的高精度控制方式；在所述的孪生仿真系统中借助图形渲染技术映射为物理样机高精度的孪生体，基于获得的高精度控制方式绘制高保真、直观可信的物理样机内部结构关系变化图，可作为重要的历史数据对后期的孪生体模型进行修正和优化；所述的存储系统是将优化计算的结果和孪生体渲染的结果进行存储。
2.如权利要求1所述的一种大型复杂机电装备的“测-算-控”智能化数字孪生方法，其特征在于，所述的物理样机系统包括堆取料机的行走装置、回转装置、俯仰装置、斗轮装置和配重；所述的行走装置是堆取料机的基础单元，为监测堆取料机不同位置不同工况的行为提供行走动力；所述的回转装置包括多种不同类型的工业传感器，用来对堆取料机进行监测采集不同工况的实时数据；所述的俯仰装置用来调节堆取料机的作业高度，用于监测不同取料姿态下的性能；所述的斗轮装置是堆取料机对散料的挖掘取料单元，用来收集不同料堆取料时的挖掘阻力；所述的配重用来平衡堆取料机在堆取料过程中的受力，通过施加配重可获得优化后的堆取料机在不同工况下的应力、变形，为孪生体模型的修改和优化提供数据。
3.如权利要求1所述的一种大型复杂机电装备的“测-算-控”智能化数字孪生方法，其特征在于，所述的数据通讯系统是对采集到的不同类型的数据进行接收和发送；针对不同类型传感器采集到的采集信号，采用CAN总线、WIFI或蓝牙技术，完成有线和无线的传输，在通讯协议遴选时应保证数据传递速率不低于10Gbit/s。
4.如权利要求1所述的一种大型复杂机电装备的“测-算-控”智能化数字孪生方法，其特征在于，所述的数据解码系统能够实现对采集到的数据进行解码、数据清洗；对于不同类型的传感器的信息数据进行简单分类，利用AI算法对不同工况采集的数据进行降噪处理。
5.如权利要求1所述的一种大型复杂机电装备的“测-算-控”智能化数字孪生方法，其特征在于，所述的优化计算系统包括群智能优化算法、多学科协同优化策略、有限元静力学/动力学分析以及可靠性计算；结合堆取料机高能耗的特点，采用多学科多目标协同优化策略充分考虑结构与控制参数的最佳匹配关系，同时考虑系统的振动频率和可靠性的影响；通过构建数字模型对其进行优化，获得堆取料机的结构与控制的最佳配置关系。
6.如权利要求1所述的一种大型复杂机电装备的“测-算-控”智能化数字孪生方法，其特征在于，所述的数据融合系统包含数据扩容模块和数据转化模块；所述的数据扩容模块以优化后获得的最优速度曲线为基础，充分考虑堆取料机和料堆参数之间的关系，进而解得最小能耗下堆取料机的布局方案和电机运行方式；所述的数据转化模块将多类型传感器测得的数据与优化计算的结果进行融合，为所述的孪生仿真系统提供实时数据。
7.如权利要求1所述的一种大型复杂机电装备的“测-算-控”智能化数字孪生方法，其特征在于，所述的孪生仿真系统基于所述的优化计算系统和数据融合系统结果，将堆取料机在工作过程中的实时应力、变形、振动及系统能耗进行忠实的映射，进而实现对堆料机的实时监测和性能评估，降低安全隐患和事故的发生；通过调整设计参数和约束条件，实现对堆取料机从产品研发、制造到后期运维的全生命周期管理。
8.如权利要求1所述的一种大型复杂机电装备的“测-算-控”智能化数字孪生方法，其特征在于，所述的存储系统是将优化计算系统的结果和孪生仿真系统的结果对其进行保存。
CN202010407005.1A 2020-05-14 2020-05-14 一种大型复杂机电装备的“测-算-控”智能化数字孪生方法 Active CN111666712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010407005.1A CN111666712B (zh) 2020-05-14 2020-05-14 一种大型复杂机电装备的“测-算-控”智能化数字孪生方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010407005.1A CN111666712B (zh) 2020-05-14 2020-05-14 一种大型复杂机电装备的“测-算-控”智能化数字孪生方法

Publications (2)

Publication Number Publication Date
CN111666712A CN111666712A (zh) 2020-09-15
CN111666712B true CN111666712B (zh) 2023-08-08

Family

ID=72383798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010407005.1A Active CN111666712B (zh) 2020-05-14 2020-05-14 一种大型复杂机电装备的“测-算-控”智能化数字孪生方法

Country Status (1)

Country Link
CN (1) CN111666712B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113247041B (zh) * 2021-05-12 2022-10-14 上海工程技术大学 一种基于数字孪生模型的轮对轴箱装置状态监测方法
CN114706327A (zh) * 2022-02-08 2022-07-05 河南理工大学 一种新型均匀取料的智能控制方法
CN118052114B (zh) * 2024-04-16 2024-06-28 大连理工大学 基于“算测融合”的导弹数字孪生建模方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
WO2019070644A2 (en) * 2017-10-02 2019-04-11 Arconic Inc. SYSTEMS AND METHODS FOR UTILIZING MULTICRITERIAL OPTIMIZATION IN ADDITIVE MANUFACTURING
CN109800531A (zh) * 2019-01-31 2019-05-24 山东大学 一种机电装备数字孪生模型一致性保持方法
CN109933923A (zh) * 2019-03-19 2019-06-25 山东大学 一种基于数字孪生的机电装备精益设计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019070644A2 (en) * 2017-10-02 2019-04-11 Arconic Inc. SYSTEMS AND METHODS FOR UTILIZING MULTICRITERIAL OPTIMIZATION IN ADDITIVE MANUFACTURING
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
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
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
CN109800531A (zh) * 2019-01-31 2019-05-24 山东大学 一种机电装备数字孪生模型一致性保持方法
CN109933923A (zh) * 2019-03-19 2019-06-25 山东大学 一种基于数字孪生的机电装备精益设计方法

Also Published As

Publication number Publication date
CN111666712A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN111666712B (zh) 一种大型复杂机电装备的“测-算-控”智能化数字孪生方法
CN112331941B (zh) 云端辅助电池管理系统及方法
Liu et al. Optimal earth pressure balance control for shield tunneling based on LS-SVM and PSO
CN113065276A (zh) 一种基于数字孪生的智能建造方法
CN102486833B (zh) 装置的效能预测及故障检测的方法
CN102902859B (zh) 基于相变模型的动静压滑动轴承流固耦合设计方法
CN112085261A (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
CN103279639A (zh) 基于响应的受端电网电压稳定全过程态势评估及防控方法
CN114742294A (zh) 一种碳排放预测的神经网络算法
CN103941081B (zh) 一种机床多能量源的可配置能耗在线监测方法及系统
CN111598376A (zh) 一种基于信息驱动的对电网大数据进行辅助决策的方法及系统
CN114415607A (zh) 基于数据驱动的设计工艺制造一体化数字孪生系统
CN115455754A (zh) 一种基于数字孪生的矿山液压支架设计方法
CN115238959A (zh) 一种面向用户侧能源综合利用的数字孪生系统和方法
CN115859700A (zh) 一种基于数字孪生技术的电网建模方法
CN115423132A (zh) 一种基于数字孪生的工程机械预测性维护方法
CN110765677B (zh) 一种高精度、快速三维地质模型有限元模型的建模方法
CN114648161A (zh) 一种大吨位装载机自适应智能装载系统
CN103207570B (zh) 应用于装卸料机模拟机的旋转变压器信号仿真系统和方法
CN113673952A (zh) 一种基于工业互联网平台的云服务系统
CN202721499U (zh) 一种基于无线网络的风电场远程监控系统
CN115099522B (zh) 基于bp神经网络的专变用户有功无功碳排放预测方法
CN113569358B (zh) 一种面向产品质量反馈的数字孪生系统模型构建方法
CN202177926U (zh) 一种水资源综合调度管理系统
CN102136017A (zh) 一种适用于动态系统模型的随机因素注入方法

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