CN112070279B - 一种基于数字孪生技术的产品加工控制方法 - Google Patents
一种基于数字孪生技术的产品加工控制方法 Download PDFInfo
- Publication number
- CN112070279B CN112070279B CN202010835138.9A CN202010835138A CN112070279B CN 112070279 B CN112070279 B CN 112070279B CN 202010835138 A CN202010835138 A CN 202010835138A CN 112070279 B CN112070279 B CN 112070279B
- Authority
- CN
- China
- Prior art keywords
- quality
- workshop
- production
- data
- case
- 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 65
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 59
- 238000007726 management method Methods 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000003745 diagnosis Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000003326 Quality management system Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000002087 whitening effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 2
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000003908 quality control method Methods 0.000 abstract description 8
- 230000008713 feedback mechanism Effects 0.000 abstract description 4
- 238000009412 basement excavation Methods 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 27
- 238000010586 diagram Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于数字孪生技术的产品加工控制方法,包括如下步骤:步骤1、搭建产品生产质量管理的数字孪生模型;步骤2、运行数字孪生产品加工控制方法模型,控制产品加工质量。本发明通过数字孪生技术,通过对加工过程的多源异构数据采集及融合,形成完整的质量管理数据。并对其充分利用,并结合CBR技术建立了产品质量案例库,为质量知识的挖掘定了良好基础;在质量管理过程中增加了反馈机制;解决了传统的质量管理模式存在质量管理过程缺少预测能力、质量管理过程存在严重滞后性的问题,使得质量问题在发生前就加以控制,大大加强了质量控制的主动性。
Description
技术领域
本发明涉及产品生产质量控制技术领域,特别涉及一种产品加工控制方法。
背景技术
以制造业为主的实体经济,决定了国家的经济实力和经济健康水平。国家的产品生产质量尤为重要。智能化质量管理在当今现代化的机械制造中已经变得尤为重要,如何在质量管理中融入新技术,从而为产品质量提供有力保障成为新阶段的瓶颈之一。现阶段的质量控制从被动向主动发展,但生产过程的质量控制仍主要以生产人员为主体。在生产过程中对于质量的控制相对滞后,缺少实时性以及自适应性。随着我国的制造业工业生产模式逐渐向复杂、集成、复合式方向发展,产品的质量特性参数剧增。与此同时,数字化的生产和控设备也被引入生产制造现场,产生的大量反映生产过程状态的数据,然而这些数据并没有的到很好的利用,质量管理并没有达到信息化管理。
数字孪生技术是一个集成了多物理量、多尺度、多概率的仿真过程,可以利用历史数据以及传感器实时更新的数据,刻画和反映物理对象的全生命周期过程。通过建立物理层、虚拟层、数据层、服务层以及信息传输的五维模型,使物理层与虚拟层相互真实映射与实时交互,从而实现物理生产车间、虚拟生产车间、车间生产管理系统三者之间要素、流程、数据的集成和融合的新型车间管理方法。
目前数字孪生技术仍处于初步研究阶段,大部分研究集中在理论框架、数字孪生模型建立等领域,对于实际应用、与相关产业相结合的方式方法上相对较少。在产品质量控制方面,也存在缺少预测能力、质量管理过程存在严重滞后性、质量管理过程中反馈机制相对较少、质量管理数据没有形成闭环、质量管理数据不完整,应用不充分等问题。因此,如何将数字孪生技术应用于质量控制管理方有效提高产品质量,是质量管理信息化、可视化程度更高成为亟需解决的问题。
发明内容
本发明要解决现有技术在产品生产加工过程中对于质量控制缺少预测能力及反馈机制,质量管理过程存在严重的滞后性,质量管理数据不完整、利用补充分等问题,提供一种基于数字孪生技术的产品加工控制方法。
为了解决上述技术问题,包括以下内容:
1.需根据数字孪生技术搭建产品生产质量管理数字孪生模型:
a.建立具有实时数据采集功能的物理生产车间。
b.结合灰色理论与BP神经网络建立虚拟生产车间的生产质量预测模型。
c.基于CBR技术建立虚拟车间的生产过程质量诊断模型。
d.借助仿真建模软件参照物理生产车间的现实情况建立的具有实时仿真的虚拟生产车间。
e.建立由ERP、CAPP、MES、PDM组成的车间管理系统。
f.建立将物理车间、虚拟车间、车间管理系统数据相融合的数据层。
2.运行数字孪生产品加工控制方法模型,控制产品加工质量具体流程如下:
a.车间管理系统根据数据层中工艺资源状态、工艺路线、质量知识库等进行以质量为优化目标的排产;
b.将计划下发虚拟车间,与数据层中历史加工数据相结合进行加工质量预测分析,如发现质量数据异常,则通过诊断模型进行分析,并反馈到车间管理系统针对问题对排产计划进行调整。如无问题则反馈到车间生产管理服务系统;
c.车间管理系统将生产计划下发到物理车间,物理车间进行加工并实时获取质量数据。通过数据层形成的孪生数据传递到车间质量管理系统及虚拟生产车间;
e.虚拟车间通过现有加工质量数据对未来时刻质量特性值进行分析预测;
f.预测结果无质量问题时,则重复步骤e;
g.预测结果出现质量问题时,结合质量诊断模型给出诊断向量,提出改进方法,反馈到车间质量管理系统;
h.车间质量管理系统接收到虚拟车间的数据后,对加工状态做出相应调整,并重新下达物理生产车间;
i.产品加工完毕后,对产品进行质量检验,检验的实测值与加工前预测值相比较,如出现较大偏差则对预测模型进行调整,对出现的不合格产品追溯加工过程进行质量诊断找出原因,分析优化方案,反馈到数据层加强知识库,提高质量分析能力。
本申请的一种基于数字孪生技术的质量管理方法具有如下有益效果:
1、本发明方法通过数字孪生技术,通过对加工过程的多源异构数据采集及融合,形成完整的质量管理数据。并对其充分利用,并结合CBR技术建立了产品质量案例库,为质量知识的挖掘定了良好基础。
2、本发明方法在传统的质量管理过程中增加了反馈机制,使得数据形成闭环。
3、本发明方法利用灰色理论解决了传统的质量管理模式存在质量管理过程缺少预测能力、质量管理过程存在严重滞后性的问题。使得质量问题在发生前就加以控制,大大加强了质量控制的主动性。
4、本方法将灰色预测模型与BP神经网络算法相结合,降低了预测过程形成的残差值,大大的提高了预测精度。
附图说明
图1是本发明的产品生产质量管理数字孪生模型图。
图2是本发明的BP神经网络结构图。
图3是本发明的产品质量诊断模型流程图。
图4是本发明的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明的一种基于数字孪生技术的产品加工控制方法,包括:
1、如图1所示,搭建产品生产质量管理的数字孪生模型,包括以下步骤:
a.建立具有实时数据采集功能的物理生产车间。物理生产车间包括厂房、机器设备、人员、物料等以及多源异构数据感知融合设备。通过RFID、PLC、传感器等对产品加工过程中的设备、工件、环境等要素进行实时的数据采集。
b.结合灰色理论与BP神经网络建立虚拟生产车间的生产质量预测模型。包括以下步骤:
1)获取原始质量数据生成原始序列:
x(0)={x0(1),x0(2),x0(3),…,x0(n)} (1)
2)通过一阶累加生成序列:
x(1)={x1(1),x1(2),x1(3),…,x1(n)} (2)
其中:
3)令z(1)为数列x(1)的紧邻均值生成数列,即:
z(1)=(z(1)(2),z(1)(3),…,z(1)(n)) (4)
其中,z(1)(m)=δx(1)(m)+(1-δ)x(1)(m-1),m=2,3,…,n(5)且δ=0.5;
4)定义灰微分方程:x(0)(k)+αz(1)(k)=ε (6)
其中x(0)(k)为灰导数,α为发展灰数,x(1)(k)为白化背景值,ε为灰作用量;
5)由灰微分方程可得白微分方程:
6)求解微分方程:
7)利用最小二乘法确定ε、α:
其中,矩阵B为x(1)(t)取累加平均值所得,矩阵YN为x(0)转置矩阵;
8)得到预测模型为:
9)将所带数据累减还原得到初步预测结果
10)建立基于原始数据和预测序列差值的BP神经网络模型,如图2所示:xi=(x1,x2,x3,…xn)(11)为输入向量,期望值为输出y,隐藏层节点数为m,wij(i=1,2,…n;j=1,2,…m)为输入层与输出层之间的权值,wj(j=1,2,…m)为隐藏层与输出层之间的权值,θi(i=1,2,…m)、γ分别为隐藏层输出节点的阙值;
11)并对模型进行训练修正各层权值减小误差;
12)建立前n时刻的残差序列,作为BP神经网络的输入样本,即:
13)通过BP神经网络模型获得t+1时刻的残差值
14)与灰色模型的预测值相加,获得最终t+1时刻的预测值/>即:
c.基于CBR技术建立虚拟车间的生产过程质量诊断模型,如图3所示,包括以下步骤:
1)建立目标案例。将一个质量异常案例表示为目标向量:
CASE=<D,F,S,E> (14)
从质量特性误差率、质量异常模式、5M1E方面建立质量特征信息F,并定义F=U,C,H,M,P,Q,E (15)
其中个字母表示如表1所示:
表1基于特征的质量案例表示结构
2)将目标案例特征向量视为高维度空间中的点,在空间中寻找与目标案例相匹配的点,假设任意一目标案例Ci表示为:
Ci=x1(ci),x2(ci),x3(ci)…,xn(ci) (16)
其中,xn(ci)表示案例Ci中的第k个特征属性值;
3)利用相似度计算距离测度法中的K最邻法进行相似案例检索计算Ci和任意Cj之间的距离为:
4)求解目标案例与案例库案例的相似度
其中,n为属性个数;ωk为在案例中第k个属性的权值;mij为两个案例第k个属性的相似度;
5)对检索的案例进行分析,是否符合要求;
6)案例不符合要求,对案例进行修正,重复步骤3);
7)案例符合要求,启用案例,提供解决方案;
8)对案例进行评估、储存,丰富案例库。
d.借助仿真建模软件参照物理生产车间的现实情况建立的具有实时仿真的虚拟生产车间。结合b、c步骤进行生产质量预测、生产质量诊断功能。
e.建立由ERP、CAPP、MES、PDM组成的车间管理系统。实现对生产要素、生产计划、生产过程等的实时管理、控制与优化。
f.建立将物理车间、虚拟车间、车间管理系统数据相融合的数据层。由物理生产车间产生的实际加工数据、虚拟生产车间产生的仿真预测数据、车间生产管理系统产生的车间管理数据以及三者相互融合的数据组成的车间质量孪生数据。将物理生产车间、虚拟生产车间、车间生产管理系统紧密联系到一起,消除信息孤岛。
2、如图4所示,运行数字孪生产品加工控制方法模型,控制产品加工质量。运行过程包括以下步骤:
a.车间管理系统根据数据层中工艺资源状态、工艺路线、质量知识库等进行以质量为优化目标的排产;
b.将计划下发虚拟车间,与数据层中历史加工数据相结合进行加工质量预测分析,如发现质量数据异常,则通过诊断模型进行分析,并反馈到车间管理系统针对问题对排产计划进行调整。如无问题则反馈到车间生产管理服务系统;
c.车间管理系统将生产计划下发到物理车间,物理车间进行加工并实时获取质量数据。通过数据层形成的孪生数据传递到车间质量管理系统及虚拟生产车间;
d.虚拟车间通过现有加工质量数据对未来时刻质量特性值进行分析预测;
e.预测结果无质量问题时,则重复步骤e;
f.预测结果出现质量问题时,结合质量诊断模型给出诊断向量,提出改进方法,反馈到车间质量管理系统;
g.车间质量管理系统接收到虚拟车间的数据后,对加工状态做出相应调整,并重新下达物理生产车间;
h.产品加工完毕后,对产品进行质量检验,检验的实测值与加工前预测值相比较,如出现较大偏差则对预测模型进行调整,对出现的不合格产品追溯加工过程进行质量诊断找出原因,分析优化方案,反馈到数据层加强知识库,提高质量分析能力。
Claims (1)
1.一种基于数字孪生技术的产品加工控制方法,包括如下步骤:
步骤1、搭建产品生产质量管理的数字孪生模型,具体包括:
1a.建立具有实时数据采集功能的物理生产车间;物理生产车间包括厂房、机器设备、人员、物料以及多源异构数据感知融合设备;通过RFID、PLC、传感器对产品加工过程中的设备、工件、环境要素进行实时的数据采集;
1b.结合灰色理论与BP神经网络建立虚拟生产车间的生产质量预测模型;包括以下步骤:
S1)获取原始质量数据生成原始序列:
x(0)={x0(1),x0(2),x0(3),…,x0(n)} (1)
S2)通过一阶累加生成序列:
x(1)={x1(1),x1(2),x1(3),…,x1(n)} (2)
其中:
S3)令z(1)为数列x(1)的紧邻均值生成数列,即:
z(1)=(z(1)(2),z(1)(3),…,z(1)(n)) (4)
其中,z(1)(m)=δx(1)(m)+(1-δ)x(1)(m-1),m=2,3,…,n(5)且δ=0.5;
S4)定义灰微分方程:x(0)(k)+αz(1)(k)=ε (6)
其中x(0)(k)为灰导数,α为发展灰数,z(1)(k)为白化背景值,ε为灰作用量;
S5)由灰微分方程可得白微分方程:
S6)求解微分方程:
S7)利用最小二乘法确定ε、α:
其中,矩阵B为x(1)(t)取累加平均值所得,矩阵YN为x(0)转置矩阵;
S8)得到预测模型为:
S9)将所带数据累减还原得到初步预测结果
S10)建立基于原始数据和预测序列差值的BP神经网络模型:xi=(x1,x2,x3,…xn)(11)为输入向量,期望值为输出y,隐藏层节点数为m,wij(i=1,2,…n;j=1,2,…m)为输入层与输出层之间的权值,wj(j=1,2,…m)为隐藏层与输出层之间的权值,θi(i=1,2,…m)、γ分别为隐藏层输出节点的阙值;
S11)并对模型进行训练修正各层权值减小误差;
S12)建立前n时刻的残差序列,作为BP神经网络的输入样本,即:
S13)通过BP神经网络模型获得t+1时刻的残差值
S14)与灰色模型的预测值相加,获得最终t+1时刻的预测值/>即:
1c.基于CBR技术建立虚拟车间的生产过程质量诊断模型,包括以下步骤:
T1)建立目标案例;将一个质量异常案例表示为目标向量:
CASE=<D,F,S,E> (14)
从质量特性误差率、质量异常模式、5M1E方面建立质量特征信息F,并定义F=U,C,H,M,P,Q,E (15)
其中,案例标识信息D包括案例类别编号、案例集编号、案例标号、异常预测警报时间、所属工票编号、工件编号;案例特征信息F包括质量特性误差率U、质量异常模式C、人员相关信息H、设备信息M、工艺方法P、材料信息Q、环境信息E;案例方案信息S包括诊断结果、解决方案;案例辅助信息E包括参考信息、匹配使用次数;
T2)将目标案例特征向量视为高维度空间中的点,在空间中寻找与目标案例相匹配的点,假设任意一目标案例Ci表示为:
Ci=x1(ci),x2(ci),x3(ci)…,xn(ci) (16)
其中,xn(ci)表示案例Ci中的第k个特征属性值;
T3)利用相似度计算距离测度法中的K最邻法进行相似案例检索;
计算Ci和任意Cj之间的距离为:
T4)求解目标案例与案例库案例的相似度;
其中,n为属性个数;ωk为在案例中第k个属性的权值;mij为两个案例第k个属性的相似度;
T5)对检索的案例进行分析,是否符合要求;
T6)案例不符合要求,对案例进行修正,重复步骤T3);
T7)案例符合要求,启用案例,提供解决方案;
T8)对案例进行评估、储存,丰富案例库;
1d.借助仿真建模软件参照物理生产车间的现实情况建立的具有实时仿真的虚拟生产车间;结合b、c步骤进行生产质量预测、生产质量诊断功能;
1e.建立由ERP、CAPP、MES、PDM组成的车间管理系统;实现对生产要素、生产计划、生产过程的实时管理、控制与优化;
1f.建立将物理车间、虚拟车间、车间管理系统数据相融合的数据层;由物理生产车间产生的实际加工数据、虚拟生产车间产生的仿真预测数据、车间生产管理系统产生的车间管理数据以及三者相互融合的数据组成的车间质量孪生数据;将物理生产车间、虚拟生产车间、车间生产管理系统紧密联系到一起,消除信息孤岛;
步骤2、运行数字孪生产品加工控制方法模型,控制产品加工质量;具体包括:
2a.车间管理系统根据数据层中工艺资源状态、工艺路线、质量知识库进行以质量为优化目标的排产;
2b.将计划下发虚拟车间,与数据层中历史加工数据相结合进行加工质量预测分析,如发现质量数据异常,则通过诊断模型进行分析,并反馈到车间管理系统针对问题对排产计划进行调整;如无问题则反馈到车间生产管理服务系统;
2c.车间管理系统将生产计划下发到物理车间,物理车间进行加工并实时获取质量数据;通过数据层形成的孪生数据传递到车间质量管理系统及虚拟生产车间;
2e.虚拟车间通过现有加工质量数据对未来时刻质量特性值进行分析预测;
2f.预测结果无质量问题时,则重复步骤e;
2g.预测结果出现质量问题时,结合质量诊断模型给出诊断向量,提出改进方法,反馈到车间质量管理系统;
2h.车间质量管理系统接收到虚拟车间的数据后,对加工状态做出相应调整,并重新下达物理生产车间;
2i.产品加工完毕后,对产品进行质量检验,检验的实测值与加工前预测值相比较,如出现大偏差则对预测模型进行调整,对出现的不合格产品追溯加工过程进行质量诊断找出原因,分析优化方案,反馈到数据层加强知识库,提高质量分析能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010835138.9A CN112070279B (zh) | 2020-08-19 | 2020-08-19 | 一种基于数字孪生技术的产品加工控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010835138.9A CN112070279B (zh) | 2020-08-19 | 2020-08-19 | 一种基于数字孪生技术的产品加工控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070279A CN112070279A (zh) | 2020-12-11 |
CN112070279B true CN112070279B (zh) | 2024-06-11 |
Family
ID=73662162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010835138.9A Active CN112070279B (zh) | 2020-08-19 | 2020-08-19 | 一种基于数字孪生技术的产品加工控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070279B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765768B (zh) * | 2020-12-22 | 2022-04-01 | 天津博诺智创机器人技术有限公司 | 基于物联网的离散型车间数字溯源方法 |
CN112799369A (zh) * | 2021-01-15 | 2021-05-14 | 北京理工大学 | 一种产品装配过程管控方法和装置 |
CN112926764B (zh) * | 2021-01-21 | 2023-05-30 | 北京理工大学 | 一种产品质量性能预测方法和装置 |
CN113534760A (zh) * | 2021-08-02 | 2021-10-22 | 上海奇梦网络科技有限公司 | 一种基于数字孪生平台的制造业工厂管理系统 |
CN114169108B (zh) * | 2021-12-29 | 2022-07-08 | 广东工业大学 | 一种基于数字孪生的减材加工实时仿真方法 |
CN114596919B (zh) * | 2022-05-10 | 2022-09-02 | 安徽瑞邦数科科技服务有限公司 | 指标预测方法、系统以及其在磷酸生产中的应用 |
CN114815759B (zh) * | 2022-06-27 | 2022-09-20 | 广州力控元海信息科技有限公司 | 一种虚实融合的柔性产线可变控制方法及系统 |
CN115019907B (zh) * | 2022-06-28 | 2024-03-01 | 重庆大学 | 天然气三甘醇脱水装置数字孪生系统 |
CN114841021B (zh) * | 2022-07-04 | 2022-10-11 | 北京航空航天大学杭州创新研究院 | 数字孪生模型的修正方法、装置、电子设备和存储介质 |
CN115184563B (zh) * | 2022-09-08 | 2022-12-02 | 北京中环高科环境治理有限公司 | 一种基于数字孪生的化工车间现场数据采集方法 |
CN115562199A (zh) * | 2022-09-29 | 2023-01-03 | 卡奥斯工业智能研究院(青岛)有限公司 | 工业互联网操作系统和产品的处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109270899A (zh) * | 2018-09-03 | 2019-01-25 | 江苏科技大学 | 一种基于数字孪生的船用柴油机关重件制造过程管控方法 |
CN109615113A (zh) * | 2018-11-19 | 2019-04-12 | 江苏科技大学 | 一种基于数字孪生的船用柴油机关重件加工质量预测方法 |
CN109978403A (zh) * | 2019-04-04 | 2019-07-05 | 北京理工大学 | 一种产品装配过程的质量管控方法、装置及设备 |
CN110704974A (zh) * | 2019-09-30 | 2020-01-17 | 江苏科技大学 | 基于数字孪生驱动的工艺模型的建模与使用方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107861478B (zh) * | 2017-10-17 | 2018-08-14 | 广东工业大学 | 一种智能车间平行控制方法及系统 |
CN107832497B (zh) * | 2017-10-17 | 2018-08-28 | 广东工业大学 | 一种智能车间快速定制设计方法及系统 |
-
2020
- 2020-08-19 CN CN202010835138.9A patent/CN112070279B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109270899A (zh) * | 2018-09-03 | 2019-01-25 | 江苏科技大学 | 一种基于数字孪生的船用柴油机关重件制造过程管控方法 |
CN109615113A (zh) * | 2018-11-19 | 2019-04-12 | 江苏科技大学 | 一种基于数字孪生的船用柴油机关重件加工质量预测方法 |
CN109978403A (zh) * | 2019-04-04 | 2019-07-05 | 北京理工大学 | 一种产品装配过程的质量管控方法、装置及设备 |
CN110704974A (zh) * | 2019-09-30 | 2020-01-17 | 江苏科技大学 | 基于数字孪生驱动的工艺模型的建模与使用方法 |
Non-Patent Citations (2)
Title |
---|
基于数字孪生的航天结构件制造车间建模研究;郭东升;鲍劲松;史恭威;张启万;孙习武;翁海红;;东华大学学报(自然科学版);20180825(第04期);全文 * |
基于数字孪生的飞机装配车间生产管控模式探索;陈振;丁晓;唐健钧;刘玉松;;航空制造技术;20180615(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112070279A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070279B (zh) | 一种基于数字孪生技术的产品加工控制方法 | |
Qiao et al. | Digital twin for machining tool condition prediction | |
CN110704974A (zh) | 基于数字孪生驱动的工艺模型的建模与使用方法 | |
Cheng et al. | A digital twin-driven approach for on-line controlling quality of marine diesel engine critical parts | |
CN112765768B (zh) | 基于物联网的离散型车间数字溯源方法 | |
CN112084385B (zh) | 一种基于数字孪生的零件-工艺-设备关联关系拓扑视图生成方法 | |
CN115097788A (zh) | 一种基于数字孪生工厂的智能管控平台 | |
CN109472057A (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN116859843B (zh) | 一种基于工业大数据的生产设备故障监测方法及系统 | |
CN110096503A (zh) | 一种白车身三坐标测点数据的分析方法及系统 | |
CN112053019B (zh) | 一种实现光纤预制棒沉积工序智能化的方法 | |
Liu et al. | An adaptive evolutionary framework for the decision-making models of digital twin machining system | |
Duan et al. | A real-time quality control system based on manufacturing process data | |
CN115640980A (zh) | 基于目标控制的电网工程造价动态管理系统 | |
CN111722599B (zh) | 基于面向对象广义随机Petri网的CPS建模与分析方法 | |
Aksyonov et al. | Application of the process parameter analysis tree for technological process analysis | |
Miao et al. | Intelligent workshop digital twin virtual reality fusion and application | |
Yan et al. | Autonomous coordinated control strategy for complex process of traffic information physical fusion system based on big data | |
Stojadinović et al. | An approach of development smart manufacturing metrology model as support industry 4.0 | |
Chatterjee | Process Automation to Autonomous Process in Cement Manufacturing: Basics of Transformational Approach | |
CN113537621B (zh) | 一种大数据驱动的船舶薄板焊接质量预测方法 | |
Zhu et al. | An MBD-driven order remaining completion time prediction method based on SSA-BiLSTM in the IoT-enabled manufacturing workshop | |
Yi et al. | Quality-oriented shop floor control system for large-scale manufacturing processes: Functional framework and experimental results | |
Mastandrea et al. | IOT data-driven experimental process optimisation for kevlar fiberglass components for aeronautic |
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 |