CN112184007B - 一种基于数字孪生的车间设备远程诊断方法 - Google Patents
一种基于数字孪生的车间设备远程诊断方法 Download PDFInfo
- Publication number
- CN112184007B CN112184007B CN202011030051.0A CN202011030051A CN112184007B CN 112184007 B CN112184007 B CN 112184007B CN 202011030051 A CN202011030051 A CN 202011030051A CN 112184007 B CN112184007 B CN 112184007B
- Authority
- CN
- China
- Prior art keywords
- data
- workshop
- firefly
- scheduling
- equipment
- 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 27
- 238000004171 remote diagnosis Methods 0.000 title claims abstract description 18
- 241000254158 Lampyridae Species 0.000 claims abstract description 69
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012800 visualization Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- IGXWBGJHJZYPQS-SSDOTTSWSA-N D-Luciferin Chemical compound OC(=O)[C@H]1CSC(C=2SC3=CC=C(O)C=C3N=2)=N1 IGXWBGJHJZYPQS-SSDOTTSWSA-N 0.000 claims 1
- CYCGRDQQIOGCKX-UHFFFAOYSA-N Dehydro-luciferin Natural products OC(=O)C1=CSC(C=2SC3=CC(O)=CC=C3N=2)=N1 CYCGRDQQIOGCKX-UHFFFAOYSA-N 0.000 claims 1
- BJGNCJDXODQBOB-UHFFFAOYSA-N Fivefly Luciferin Natural products OC(=O)C1CSC(C=2SC3=CC(O)=CC=C3N=2)=N1 BJGNCJDXODQBOB-UHFFFAOYSA-N 0.000 claims 1
- DDWFXDSYGUXRAY-UHFFFAOYSA-N Luciferin Natural products CCc1c(C)c(CC2NC(=O)C(=C2C=C)C)[nH]c1Cc3[nH]c4C(=C5/NC(CC(=O)O)C(C)C5CC(=O)O)CC(=O)c4c3C DDWFXDSYGUXRAY-UHFFFAOYSA-N 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- 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
- 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
- G06Q10/067—Enterprise or organisation modelling
Abstract
基于数字孪生的车间设备远程诊断方法,包括:1、结合物理车间要素构建虚拟车间模型;2、对物理车间与虚拟车间数据进行采集与智能化处理;3、进行数据的采集、分类与标准化处理,解决数据类型冲突问题,并采用优先权队列算法完成重复数据的清洗,实现多源异构数据的融合;4、以调度方案为单元,利用数据仓库工具以及SQL语句对调度数据集进行划分,并通过转化为调度规则的表达形式,存入到Hadoop分布式文件系统中;5、利用人工萤火虫群优化算及极限学习机建立车间动态调度决策模型;6、根据采集与融合处理后的调度样本数据运行车间动态调度决策模型,得到调度决策结果;7、搭建远程设备诊断可视化平台。
Description
技术领域
本发明涉及生产设备诊断技术领域,特别涉及一种远程设备诊断方法。
背景技术
在工业4.0时代,企业对生产车间设备数据的分析监测与管理提出了新要求,实现车间的数字化和智能化是实现智能制造的迫切需要。车间是制造业的基础单元,实现对车间设备、工艺参数、产品质量的远程监控与诊断,是实现车间智能化生产与管控的必经之路。但是传统的小作坊模式在车间物理空间和数据信息空间之间缺乏互动性和互操作性,无法实现信息空间与物理空间的交互与融合,导致车间信息孤岛现象依然存在。
数字孪生集成了多学科和多物理量,通过数字空间映射展示产品与工艺的全生命周期过程,能够实现连续过程的控制与优化,在通信网络、车辆调度、制造车间、立体仓库、智慧城市等领域有着广泛的应用。车间是制造的执行基础层,数字孪生技术为车间生产过程的高效运行提供了一种技术手段。现阶段数字孪生技术所取得的成果主要是在理论基础与技术支撑方面,但是对于数字孪生系统从孪生模型构建、物理系统孪生数据的采集以及车间生产过程的实时映射等缺少整体的解决方案。
为此,对基于数字孪生的车间设备远程诊断系统进行研究,总结出基于数字孪生的车间设备远程诊断方法成为亟需解决的问题,旨在实现数据的互联互通,消除信息孤岛并提供一种基于数字孪生的设备诊断方法,为数字孪生车间的开发与应用提供理论依据与实践指导。
发明内容
本发明要解决现有技术的信息空间与物理空间缺乏交互与融合,导致车间存在信息孤岛、无法实现设备生产状态的实时监控、车间的生产调度不能够根据车间设备的状态进行实时调整的缺点,提供一种基于数字孪生的车间设备远程诊断方法。
为了解决上述技术问题,本发明的基于数字孪生的车间设备远程诊断方法包括以下内容:
1、结合物理车间要素构建虚拟车间模型;
2、通过传感器、FRID等传感设备对物理车间与虚拟车间数据进行采集与智能化处理;
3、运用XML信息模板进行设备(d1)、产品(d2)、人员(d3)等不同数据的采集、分类与标准化处理,解决数据类型冲突问题,并采用优先权队列算法完成重复数据的清洗,实现多源异构数据的融合。
4、以调度方案为单元,利用数据仓库工具以及SQL语句对调度数据集进行划分,并通过转化为调度规则的表达形式,存入到Hadoop分布式文件系统中;
5、利用人工萤火虫群优化算及极限学习机建立车间动态调度决策模型;
6、根据采集与融合处理后的调度样本数据运行车间动态调度决策模型,得到调度决策结果;
7、搭建远程设备诊断可视化平台,一方面实现对关键设备的监控及统计数据进行可视化展示;另一方面对发现故障的设备进行及时预警。
本申请的一种基于数字孪生的车间设备远程诊断方法具有如下有益效果:
1、本发明方法通过数字孪生技术,构建了车间生产过程数字化建模,真实的刻画和模拟物理车间中的人员、设备和产品信息,实现对物理车间的高度还原。
2、本发明方法通过XML信息模板与优先权队列算法实现了车间多源异构数据的相互融合,并通过融合后的数据实现对车间设备加工状况的识别与预警,可在设备发生突发状况时实现动态响应,对设备进行及时修理、调整。
3、本发明方法将人工萤火虫群优化算法与极限学习机结合起来,形成了车间动态调度决策模型,从而实现数据驱动下的车间生产场景同步运行与控制,在设备出现故障时能够及时对生产调度进行调整,从而大大降低生产过程的损失,提高生产效率。
4、通过Web GL工具、SSH开发框架、java语言以及Oracle数据库技术,搭建车间设备远程诊断系统运行环境,初步实现了基于数字孪生的车间设备远程诊断系统基本功能,为车间设备远程诊断中践行数字孪生技术提供现实依据与指导。
附图说明
图1是实施本发明的数字孪生车间设备远程诊断方法的系统运行机制图。
图2是实施本发明的车间设备远程诊断方法的系统构架图。
图3是本发明的基于极限学习机的调度规则决策模型图。
图4是本发明的车间动态调度决策流程图。
图5是本发明的远程设备诊断平台图。
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。
如图1所示,在基于数字孪生的车间设备远程诊断方法运行机制中,数字孪生模型主要是实现物理车间与虚拟车间之间的数据融合,通过传感器采取信息,以虚拟标签标识车间的产品、设备、人员、环境等信息,以量化的形式显示仿真信息;并借助大数据、人工智能算法等进行数据挖掘,形成车间调度策略,从而不断提高决策的合理性。结合基于数字孪生的车间设备远程诊断方法运行机制,得到基于数字孪生的车间设备远程诊断方法的构架如图2所示,分为物理实体层、虚拟模型层、数据驱动层和系统应用层。
本发明的一种基于数字孪生的车间设备远程诊断方法,包括如下步骤:
1、结合物理车间要素构建虚拟车间模型。物理车间是现实车间中所有物理实体的集合,虚拟车间是物理车间在虚拟空间中的数字化描述,结合物理车间要素,构建车间生产过程数字孪生模型如下:
Dws=Deq+Dpro+Dper (1)
式中:Dws为车间生产过程数字孪生模型,Deq为设备数字孪生模型,Dpro为产品数字孪生模型,Dper为人员数字孪生模型。产品、设备和人员的数字孪生模型具体定义如表1所示:
表1 数字孪生模型定义
2、通过传感器、FRID等传感设备对物理车间与虚拟车间数据进行采集与智能化处理。其中,设备加工相关数据主要由PLC、单片机、设备传感器进行采集;产品相关数据主要由PLC、工艺加工等系统进行数据采集;人员相关数据由RFID、图像识别结束等进行采集。
3、运用XML信息模板进行设备(d1)、产品(d2)、人员(d3)等不同数据的采集、分类与标准化处理,解决数据类型冲突问题,并采用优先权队列算法完成重复数据的清洗,实现多源异构数据的融合,并对异常数据做出识别及预警。优先权队列算法对数据进行清洗的步骤如下:
a.假设当前的记录为Ri,已经在优先权队列的某个聚类中,那么该聚类的优先权设置为最高;
b.对下一条记录进行分析,将Ri逐一与其他记录进行比较;
c.如两者重复,则合并所在的记录;
d.如果两者没有重复,则将Ri放入到优先权队列;
e.重复b、c、d检测后面的潜在重复记录,直到结束。最终清除重复数据后的数据集为Dh。
4、以调度方案为单元,对数据集Dh中的数据进行划分,并通过转化为调度规则的表达形式,存入到Hadoop分布式文件系统中。利用数据仓库工具以及SQL语句对调度数据集进行划分,并以调度方案为单元的形式存储到NoSql数据库Hbase中,具体表达形式见表2所示。其中,0为无故障,1为有故障,通过统计每个实例序号后面的0得到最适合设备数量。
表2 车间设备信息的数据表达形式
实例序号 | 设备编号 | 设备编号 | 故障1 | 故障2 | …… | 合适的设备 |
1 | M1 | M2 | 1 | 0 | …… | 1 |
2 | M3 | M1 | 0 | 0 | …… | 2 |
…… | …… | …… | …… | …… | …… | …… |
5、利用人工萤火虫群优化算及极限学习机建立车间动态调度决策模型,其中:
a.基于人工萤火虫群优化算法的调度特征选择模型建立包括以下步骤:
(1)确定萤火虫当前位置。以采集与融合处理后的数据作为调度样本,在目标函数定义域内,通过随机函数初始化,确定每只萤火虫i的当前位置xi(t):
xi(t)=xmin+rand×(xmax-xmin) (2)
式中:xmin、xmax分别表示萤火虫在定义域内的最小位置和最大位置;rand为随机数函数;
(2)确定萤火虫亮度。萤火虫位置向量的目标函数值就是萤火虫的亮度,萤火虫的亮度越强,目标函数值越优。具体将以荧光素的大小来决定萤火虫的亮度li(t),公式为:
li(t)=(1-ρ)li(t-1)+γJ(xi(t)) (3)
式中:ρ∈(0,1)控制相邻萤火虫变化范围的常数,γ为参数,J(xi(t))为萤火虫适应度函数值;
(3)确定决策范围内的萤火虫个数。当萤火虫i向亮度更强更有吸引力的萤火虫j移动时,每只萤火虫都在自身区域半径内,定义为邻居。以此,确定决策范围内萤火虫的个数Ni(t):
式中:为第i个萤火虫的决策半径;xj(t)为第t代第j个萤火虫的位置;
(4)位置更新。在向更亮的萤火虫靠近期间,萤火虫之间的距离会发生变化,如果距离差在感知范围内,则萤火虫i向j移动,以此更新位置:
式中:s为萤火虫移动的步长参数;
(5)自适应调整。随着邻居数量的变化,区域决策范围也发生了变化。为此根据邻居数量进行不断迭代,决策范围更新公式如下:
其中,为第t代第i个萤火虫第t+1代的决策半径,rs为感知范围,nt为控制相邻萤火虫数目的邻域阈值。
b.构建基于极限学习机的调度规则决策模型,如图3所示。
(1)根据人工萤火虫群优化算法获得特征数据集,设置为网络模型神经元数量;
(2)以Sigmoid函数作为神经元的激活函数,输出层神经元来输出各候选调度规则在当前生产状态下能被使用的概率;
(3)依据最大概率值所对应的调度规则类别进而可为当前生产工况决策出最优调度规则。
6、根据采集与融合处理后的调度样本数据运行车间动态调度决策模型,如图4所示,流程如下:
a.对采集与融合处理后的调度样本数据进行随机编码定义;
b.萤火虫个体位置确定。将编码作为调度特征选择模块中每只萤火虫的初始位置,所有萤火虫的位置向量构成了初始调度特征集,个体向量编码为1或者是0,0表示落选,1表示入选;
c.根据萤火虫亮度进行移动;
d.通过移动过程中区域决策半径随特征集萤火虫位置与个数的变化而不断调整,计算相应萤火虫个体的适应度函数值;
e.判断调度特征选择算法是否满足终止条件;
f.如果不满足终止条件,变步长策略使萤火虫个体进行位置移动,进而更新调度特征集,展开新一轮的迭代;
g.如果满足终止条件,停止迭代优化,输出特征集中最优个体,确定最优调度样本特征集;
h.将优调度样本特征集输入调度决策模型进行训练;
i.调度决策结果显示与反馈。
7、如图5所示,通过Web GL工具、SSH开发框架、java语言以及Oracle数据库技术,搭建车间设备远程诊断系统运行环境,实现远程设备诊断可视化平台。通过实时数据驱动可视化模型实现车间设备拟真化运行,实现设备作业状态、运行工况与实际生产的一致,进而对关键设备监控预警与统计数据进行可视化展示。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种基于数字孪生的车间设备远程诊断方法,包括如下步骤:
步骤1、结合物理车间要素构建虚拟车间模型;物理车间是现实车间中所有物理实体的集合,虚拟车间是物理车间在虚拟空间中的数字化描述,结合物理车间要素,构建车间生产过程数字孪生模型如下:
Dws=Deq+Dpro+Dper (1)
式中:Dws为车间生产过程数字孪生模型,Deq为设备数字孪生模型,Dpro为产品数字孪生模型,Dper为人员数字孪生模型;产品、设备和人员的数字孪生模型具体定义如表1所示:
表1数字孪生模型定义
步骤2、通过传感器、RFID传感设备对物理车间与虚拟车间数据进行采集与智能化处理;其中,设备加工相关数据主要由PLC、单片机、设备传感器进行采集;产品相关数据主要由PLC、工艺加工系统进行数据采集;人员相关数据由RFID、图像识别技术进行采集;
步骤3、运用XML信息模板进行设备d1、产品d2、人员d3不同数据的采集、分类与标准化处理,解决数据类型冲突问题,并采用优先权队列算法完成重复数据的清洗,实现多源异构数据的融合,并对异常数据做出识别及预警;优先权队列算法对数据进行清洗的步骤如下:
3a.假设当前的记录为Ri,已经在优先权队列的某个聚类中,那么该聚类的优先权设置为最高;
3b.对下一条记录进行分析,将Ri逐一与其他记录进行比较;
3c.如两者重复,则合并所在的记录;
3d.如果两者没有重复,则将Ri放入到优先权队列;
3e.重复3b、3c、3d检测后面的潜在重复记录,直到结束;最终清除重复数据后的数据集为Dh;
步骤4、以调度方案为单元,对数据集Dh中的数据进行划分,并通过转化为调度规则的表达形式,存入到Hadoop分布式文件系统中;利用数据仓库工具以及SQL语句对调度数据集进行划分,并以调度方案为单元的形式存储到NoSql数据库Hbase中,具体表达形式见表2所示;其中,0为无故障,1为有故障,通过统计每个实例序号后面的0得到最适合设备数量;
表2车间设备信息的数据表达形式
步骤5、利用人工萤火虫群优化算法及极限学习机建立车间动态调度决策模型,其中:
5a.基于人工萤火虫群优化算法的调度特征选择模型建立包括以下步骤:
(S1)确定萤火虫当前位置;以采集与融合处理后的数据作为调度样本,在目标函数定义域内,通过随机函数初始化,确定每只萤火虫i的当前位置xi(t):
xi(t)=xmin+rand×(xmax-xmin) (2)
式中:xmin、xmax分别表示萤火虫在定义域内的最小位置和最大位置;rand为随机数函数;
(S2)确定萤火虫亮度;萤火虫位置向量的目标函数值就是萤火虫的亮度,萤火虫的亮度越强,目标函数值越优;具体将以荧光素的大小来决定萤火虫的亮度li(t),公式为:
li(t)=(1-ρ)li(t-1)+γJ(xi(t)) (3)
式中:ρ∈(0,1)控制相邻萤火虫变化范围的常数,γ为参数,J(xi(t))为萤火虫适应度函数值;
(S3)确定决策范围内的萤火虫个数;当萤火虫i向亮度更强更有吸引力的萤火虫j移动时,每只萤火虫都在自身区域半径内,定义为邻居;以此,确定决策范围内萤火虫的个数Ni(t):
式中:为第i个萤火虫的决策半径;xj(t)为第t代第j个萤火虫的位置;
(S4)位置更新;在向更亮的萤火虫靠近期间,萤火虫之间的距离会发生变化,如果距离差在感知范围内,则萤火虫i向j移动,以此更新位置:
式中:s为萤火虫移动的步长参数;
(S5)自适应调整;随着邻居数量的变化,区域决策范围也发生了变化;为此根据邻居数量进行不断迭代,决策范围更新公式如下:
其中,为第t代第i个萤火虫第t+1代的决策半径,rs为感知范围,nt为控制相邻萤火虫数目的邻域阈值;
5b.构建基于极限学习机的调度规则决策模型;
(T1)根据人工萤火虫群优化算法获得特征数据集,设置为网络模型神经元数量;
(T2)以Sigmoid函数作为神经元的激活函数,输出层神经元来输出各候选调度规则在当前生产状态下能被使用的概率;
(T3)依据最大概率值所对应的调度规则类别进而可为当前生产工况决策出最优调度规则;
步骤6、根据采集与融合处理后的调度样本数据运行车间动态调度决策模型,流程如下:
6a.对采集与融合处理后的调度样本数据进行随机编码定义;
6b.萤火虫个体位置确定;将编码作为调度特征选择模块中每只萤火虫的初始位置,所有萤火虫的位置向量构成了初始调度特征集,个体向量编码为1或者是0,0表示落选,1表示入选;
6c.根据萤火虫亮度进行移动;
6d.通过移动过程中区域决策半径随特征集萤火虫位置与个数的变化而不断调整,计算相应萤火虫个体的适应度函数值;
6e.判断调度特征选择算法是否满足终止条件;
6f.如果不满足终止条件,变步长策略使萤火虫个体进行位置移动,进而更新调度特征集,展开新一轮的迭代;
6g.如果满足终止条件,停止迭代优化,输出特征集中最优个体,确定最优调度样本特征集;
6h.将优调度样本特征集输入调度决策模型进行训练;
6i.调度决策结果显示与反馈;
步骤7、通过Web GL工具、SSH开发框架、java语言以及Oracle数据库技术,搭建车间设备远程诊断系统运行环境,实现远程设备诊断可视化平台;通过实时数据驱动可视化模型实现车间设备拟真化运行,实现设备作业状态、运行工况与实际生产的一致,进而对关键设备监控预警与统计数据进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011030051.0A CN112184007B (zh) | 2020-09-27 | 2020-09-27 | 一种基于数字孪生的车间设备远程诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011030051.0A CN112184007B (zh) | 2020-09-27 | 2020-09-27 | 一种基于数字孪生的车间设备远程诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184007A CN112184007A (zh) | 2021-01-05 |
CN112184007B true CN112184007B (zh) | 2024-01-19 |
Family
ID=73945036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011030051.0A Active CN112184007B (zh) | 2020-09-27 | 2020-09-27 | 一种基于数字孪生的车间设备远程诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184007B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241720A (zh) * | 2021-12-24 | 2022-03-25 | 北京市市政工程研究院 | 一种基于数字孪生的隧道施工智能化预报预警系统与方法 |
CN115775085B (zh) * | 2023-02-13 | 2023-04-25 | 成都中轨轨道设备有限公司 | 一种基于数字孪生的智慧城市管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215044A1 (zh) * | 2016-06-14 | 2017-12-21 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
CN111208759A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 矿井无人化综采工作面数字孪生智能监控系统 |
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
-
2020
- 2020-09-27 CN CN202011030051.0A patent/CN112184007B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215044A1 (zh) * | 2016-06-14 | 2017-12-21 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
CN111208759A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 矿井无人化综采工作面数字孪生智能监控系统 |
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112184007A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021227325A1 (zh) | 一种基于数字孪生的生产过程仿真优化方法 | |
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 | |
WO2022037068A1 (zh) | 一种机床轴承故障诊断方法 | |
CN102496028B (zh) | 一种复杂装备的事后维修故障分析方法 | |
CN112800668A (zh) | 基于数字孪生的复杂产品运维与制造集成总体模型 | |
US20220358749A1 (en) | Inference apparatus, inference method, and computer-readable storage medium storing an inference program | |
Huang et al. | A proactive task dispatching method based on future bottleneck prediction for the smart factory | |
CN112184007B (zh) | 一种基于数字孪生的车间设备远程诊断方法 | |
CN109214948A (zh) | 一种电力系统热负荷预测的方法和装置 | |
CN102402716B (zh) | 智能生产决策支持系统 | |
CN113093680A (zh) | 一种基于数字孪生技术的fims系统架构设计方法 | |
CN116129366A (zh) | 基于数字孪生的园区监测方法及相关装置 | |
CN109612513A (zh) | 一种面向大规模高维传感器数据的在线式异常检测方法 | |
CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
CN111582395B (zh) | 一种基于卷积神经网络的产品质量分类系统 | |
CN112232591A (zh) | 基于气象因素的覆冰厚度智能预警方法 | |
CN115544775A (zh) | 一种数字孪生车间多维多层级模型构建与动态配置方法 | |
Yu-ming et al. | Research on intelligent manufacturing flexible production line system based on digital twin | |
CN112990584B (zh) | 一种基于深度强化学习的自动生产决策系统及方法 | |
CN117270482A (zh) | 基于数字孪生的汽车工厂控制系统 | |
CN116415386A (zh) | 一种基于实时数据驱动的数字孪生产线可视化系统 | |
Chien et al. | Production-level artificial intelligence applications in semiconductor supply chains | |
CN114037341A (zh) | 一种基于ddqn的智能车间动态自适应调度方法及系统 | |
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 |
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 |