CN112384924B - 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 - Google Patents

产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 Download PDF

Info

Publication number
CN112384924B
CN112384924B CN201880095487.2A CN201880095487A CN112384924B CN 112384924 B CN112384924 B CN 112384924B CN 201880095487 A CN201880095487 A CN 201880095487A CN 112384924 B CN112384924 B CN 112384924B
Authority
CN
China
Prior art keywords
product performance
data
product
performance prediction
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
Application number
CN201880095487.2A
Other languages
English (en)
Other versions
CN112384924A (zh
Inventor
王菁
陈虎
彭志勇
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN112384924A publication Critical patent/CN112384924A/zh
Application granted granted Critical
Publication of CN112384924B publication Critical patent/CN112384924B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31264—Control, autonomous self learn knowledge, rearrange task, reallocate resources
    • 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
    • G05B2219/32194—Quality prediction
    • 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]
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供一种产品性能预测模型的建立方法和装置、产品性能预测方法、产品性能预测系统、计算机设备及存储介质，其中该方法包括：获取第一样本数据，该第一样本数据包括设备生产产品过程中产生的设备异常数据；获取该设备所在的生产线配置仿真参数，以及生产线所生产的产品的产品信息；选择仿真模型对该产品的性能进行仿真测试，得到产品性能仿真数据；将设备异常数据、生产线配置仿真参数、产品信息以及产品性能仿真数据输入机器学习模型进行机器学习训练，得到产品性能预测模型。上述产品性能预测模型的建立方法和装置、产品性能预测方法、产品性能预测系统、计算机设备及存储介质，可以在设备出现异常时能够对产品性能进行准确的预测。

Description

产品性能预测模型的建立方法和装置、计算机设备、计算机可 读存储介质、产品性能预测方法及预测系统
技术领域
本发明涉及人工智能领域，尤其涉及一种产品性能预测模型的建立方法、产品性能预测模型的建立装置、计算机设备、计算机可读存储介质，产品性能预测方法以及产品性能预测系统。
背景技术
在工业生产过程中，产品性能是一个非常重要的因素。随着科技的发展，各种设备被应用在许多工业生产的生产线当中，但是由于生产线集成度越来越高，且设备的运行环境复杂，使设备故障的发生成为了必然性与偶然性，导致异常情况的产生。这种异常情况，必然会对生产线所生产产品的性能造成影响，并且会影响到最终的产品质量。
传统技术中，为了在最终的产品定型之前，预测产品的性能，一般通过仿真软件进行简单的性能验证。但是，由于在真实产品生产环境和模拟数据之间总有一些未知的差异，例如，在生产过程中机器会出现突发情况，随着越来越多的意外发生，将会导致性能预测结果与实际性能之间的差异越来越大，难以满足实际需要。
发明内容
基于上述技术问题，本发明提供了产品性能预测模型的建立方法、产品性能预测模型的建立装置、计算机设备、计算机可读存储介质，产品性能预测方法以及产品性能预测系统，提高产品性能预测的准确率。
本发明的一个实施例提供了产品性能预测模型的建立方法，其中，该方法包括：
获取一第一样本数据，该第一样本数据包括一设备生产产品过程中产生的设备异常数据；
获取该设备所在生产线的生产线配置仿真参数，以及该生产线所生产的产品的产品信息；
根据该设备异常数据、该生产线配置仿真参数以及该产品信息，选择一产品性能仿真模型对该产品的性能进行仿真测试，得到一产品性能仿真数据；
将该设备异常数据、该生产线配置仿真参数、该产品信息以及该产品性能仿真数据输入至一机器学习模型进行机器学习训练，得到产品性能预测模型。
本发明的另一个实施例提供了产品性能预测方法，其中，该方法包括：
获取一设备异常数据；
获取产生该设备异常数据所在的一生产线对应的一生产线配置参数及一产品信息；
将该设备异常数据、生产线配置参数生产线配置仿真参数以及产品信息输入通过上述产品性能预测模型建立方法建立的产品性能预测模型，得到与该设备异常数据对应的产品性能预测结果。
本发明的另一个实施例提供一种产品性能预测模型的建立装置，其中，该装置包括：
样本获取模块，用于获取一第一样本数据，该第一样本数据包括一设备生产产品过程中产生的设备异常数据；
参数获取模块，用于获取该设备所在生产线的生产线配置仿真参数，以及该生产线所生产的产品的产品信息；
性能仿真模块，用于根据该设备异常数据、该生产线配置仿真参数以及该产品信息，选择一产品性能仿真模型对该产品的性能进行仿真测试，得到一产品性能仿真数据；
模型建立模块，用于将该设备异常数据、该生产线配置仿真参数、该产品信息以及该产品性能仿真数据输入至一机器学习模型进行机器学习训练，得到产品性能预测模型。
本发明的另一个实施例还提供一种计算机设备，其中，计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一项方法的步骤。
本发明的另一个实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中计算机程序被一处理器执行时实现上述任一项的方法的步骤。
本发明的另一个实施例还提供一种产品性能预测系统，其中，系统包括：
传感器，传感器用于对生产线进行监控；
网关，网关与传感器通信连接；
云平台，云平台与物联网网关通信连接；
计算机设备，服务器与云平台通信连接，计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一项方法的步骤。
产品性能预测系统，其中，该系统包括：
传感器，该传感器用于对生产线进行监控；
网关，该网关与该传感器通信连接；
云平台，该云平台与该网关通信连接，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现上述任一项方法的步骤。
上述产品性能预测模型的建立方法、产品性能预测方法、产品性能预测模型的建立装置、产品性能预测系统、计算机设备以及存储介质，根据设备异常数据对产品的性能进行仿真及机器学习模型进行机器学习，从而能够得到设备异常数据与产品性能之间的映射关系，建立产品性能预测模型，使得该产品性能预测模型在设备异常时，能够及时、准确的对最终的产品性能进行预测，提高了产品性能预测的准确率。
附图说明
图1为一个实施例中产品性能预测模型建立系统的框架示意图；
图2为一个实施例中产品性能预测模型建立的方法的流程示意图；
图3为一个实施例中获取生产线配置仿真参数以及产品信息的流程示意图；
图4为一个实施例中通过机器学习训练建立产品性能预测模型的流程示意图；
图5为一个实施例中采用测试集数据对产品性能预测模型进行测试的流程示意图；
图6为一个实施例中对产品性能预测模型进行更新的流程示意图；
图7为一个实施例中对产品性能预测模型进一步更新的流程示意图；
图8为一个实施例中对产品性能预测模型进行进一步验证的流程示意图；
图9为一个实施例中对产品性能预测模型进行更新的流程示意图；
图10为一个实施例中确定异常数据的方法的流程示意图；
图11为一个实施例中提供的产品性能预测方法的流程示意图；
图12为一个实施例中产品性能预测方法的流程示意图；
图13为一个实施例中产品性能预测模型建立装置的框架示意图；
图14为一个实施例中参数获取模块的框架示意图；
图15为一个实施例中模型建立模块的框架示意图；
图16为一个实施例中预测模型更新模块的框架示意图；
图17为一个实施例中产品性能预测模型的建立装置的框架示意图；
图18为一个实施例中异常数据确定模块的框架示意图；
图19为一个实施例中计算机设备的结构示意图。
主要符号说明
传感器 101、102、103
网关 104
云平台 105
计算机设备 106
处理器 1061
存储器 1062
网络接口 1063
产品性能预测模型建立装置 100
样本获取模块 1000
参数获取模块 2000
类别分析单元 2001
仿真参数配置单元 2001
性能仿真模块 3000
模型建立模块 4000
数据分类单元 4001
模型训练单元 4002
模型验证单元 4003
准确率计算子单元 4003a
准确率比对子单元 4003b
预测模型更新模块 5000
产品性能预测单元 5001
预测结果比对单元 5002
仿真模型更新模块 6000
性能相关参数获取模块 1000’
异常数据确定模块 2000’
数据范围获取单元 2001’
数据范围比对单元 2002’
异常数据确定单元 2003’
性能相关参数确定模块 3000’
预测结果获取模块 4000’
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例，应用于如图1所示的产品性能预测模型建立方法所应用的预测系统框架图。该系统框架图包括：传感器101、传感器102、传感器103、网关104、云平台105以及计算机设备106。传感器101、传感器102及传感器103用于对生产线(图中未画出)进行监控，得到样本数据。样本数据例如是工业设备的运行参数、设备生产环境参数以及设备的使用时长中的一种或几种。其中，传感器101、传感器102以及传感器103为各种物联网传感器，如音频传感器、图像传感器、视频传感器、动作传感器等等中的任意一种，根据需要进行选择。传感器101、传感器102以及传感器103可设置于生产线的不同位置，或者集成于生产设备(图中未画出)中，以对生产线以及生产线中的生产设备进行检测，获得生产线及生产设备的参数。需要说明的是，本发明实施例中的样本数据包含设备的参数，此处只列举了如图1所示传感器101、传感器102以及传感器103，还可以是更多，传感器的数量不以此为限。另外，本发明实施例中图1中的样本数据是由同一个网关104接收。在另一实施例中每个传感器对应一个物联网网关接收其样本数据。同时，云平台105与多个网关104通信连接。每一个网关104可设置于同一厂区的不同生产线，也可设置于同一地区不同位置的厂区中，还可设置于不同地区的厂区中，以将传感器获取的样本数据进行梳理、分类后，上传至云平台105中。计算机设备106运行机器学习模型，用于对云平台105收集的样本数据进行学习，并对生产线上生产的产品的性能进行预测。机器学习模型存储于计算机设备106中。在一个实施例中，机器学习模型存储于云平台105中。
具体地，本发明的一个实施例中的网关104，为针对于工业物联网的智能物联网网关，包括数据采集模块、通讯模块、定位模块、数据处理芯片模块(图未示)等，同时对接多个工业设备或传感器，支持以太网口(Ethernet)、RS485串口、RS232串口、无线传输等上行方式，或者GPRS，433MHZ，2.4GHZ，WI-FI等无线传输方式。支持不同的通信协议和多台服务器交换数据。集数据采集、数据分类、数据传输、通讯管理、数据接收、协议转换、数据处理转发等功能。
可以理解的是，本实施例中仅以上述内容说明了获取生产线中对应的工业设备的设备数据的具体方式，在实际应用中，还可以采用其它方式，只要能够获取对应的工业设备的设备数即可，此处不做具体限定。
云平台105的一个实施例为物联网云平台，用于对物联网网关上传的设备数据进行处理，包括：接收、存储、管理、组织、关联、对比以及触发。具体地，本发明实施例中的云平台105，是由多个服务器群组成的数据处理中枢，每个集群都由多台物理服务器构成，它的总体能力是所有单台物理服务器上能承载并发处理能力的总和，它确保在多个地方能建立冗灾备份中心，数据服务不中断。
云平台105的具体作用还体现在接收网关104发送的相应数据，并保存这些数据；维护一系列的逻辑规则，比如：关联关系、预警模型、阈值控制、边界条件设置等等；把数据进行整理、组织、关联、分析；根据逻辑规则，形成一系列的触发机制；给网关104下发信息(数据)；把从网关104接收的相应数据，提供给其他的平台等。
计算机设备106为服务器或计算机，包括存储器及处理器，存储器存储有机器学习系统、物联网网关发送的数据以及云平台105处理后的数据等。处理器用于运行机器学习系统，用于获取环境提供的信息，利用这些信息修改知识库，以增进处理器完成任务的效能，执行部分根据知识库完成任务，同时利用获得的信息进行深度学习，并使用这些信息不断的重复训练。在一个实施例中，该计算机设备106为云平台105的一部分。即计算机设备106集成于云平台105中，云平台105包括上述存储器及处理器，存储器中存储有机器学习模型。
基于上述图1的系统框架图，请参考图2，本发明其中一个实施例中产品性能预测模型的建立方法包括：
S10，获取一第一样本数据，该第一样本数据包括一设备生产产品过程中产生的设备异常数据。
当网关104将通过传感器101、传感器102、传感器103获取的原始数据上传至云平台105之后，云平台105可对原始数据进行初步筛选，得到第一样本数据。同时，计算机设备106可以对第一样本数据进行分析，识别出在产品生产的过程中，设备发生异常时产生的设备异常数据。第一样本数据可存储于云平台105上，以便于计算机设备106从云平台105直接调用上述数据。异常设备数据可以包括设备运行故障参数、设备生产环境故障参数以及设备超期参数等。可以理解，在另一实施方式中，第一样本数据以及相关数据存储在其他与云平台105关联的存储器中，且云平台对原始数据进行标准化清理，以清除原始数据中的明显错误数据等等，以得到标准化的第一样本数据。
S20，获取设备所在生产线的生产线配置仿真参数，以及该生产线所生产的产品的产品信息。
不同的行业、不同的生产线的配置可能完全不同，并且生产线中的设备也不相同，既便是相同的生产线，配置的运行参数也可能不同。因此，为了对生产线进行精确的模拟，需要获取与样本数据匹配的生产线配置仿真参数，以便于后续选择相应的仿真模型对设备所在的生产线进行仿真模拟。生产线配置仿真参数为根据生产线中各个设备的配置参数、运行参数、生产环境参数等生成的仿真参数。上述的设备的配置参数可以是设备本身所具有的配置参数，不同的设备配置参数不同，例如包括输入功率、输出功率、额定电流、机械性能参数等等；运行参数可以是电流、电压；设备的生产环境参数可以是温度、气压空气湿度等，具体由具体设备的实际参数决定。产品信息为与该产品属性相关的信息，可包括产品所属区域、产品所属工厂、产品所对应的生产设备、以及制备该产品的生产线中各个传感器标示等。
在一个实施例中，对设备、生产线配置参数、所生产的产品的产品信息建立数据库，将上述数据以数据库的形式进行存储。
S30，根据该设备异常数据、该生产线配置仿真参数以及该产品信息，选择一产品性能仿真模型对该产品的性能进行仿真测试，得到一产品性能仿真数据。
在确定生产线配置仿真参数、产品信息以及异常数据之后，可以选择与该生产线匹配的产品性能仿真模型，对产品的性能，例如疲劳寿命(fatigue life)、累积损伤增长(progressive damage growth)以及三维(3D)模拟仿真度(例如3D CAD/CAE)等等进行仿真测试，以得到最终的产品性能的仿真结果。可以理解，对于不同的工业领域及生产线，可以选择该工业领域内常用的产品性能仿真模型，例如Simcenter等。同时，在测试过程中，可以对测试设备以及测试环境进行仿真，也就是说，将测试设备的仿真数据及测试环境的仿真数据作为输入数据输入至产品性能仿真模型进行仿真。测试设备的仿真数据可以根据所采用的测试设备进行选择，测试环境仿真数据包括流体参数、结构参数、电学参数等等，可以根据产品性能测试所在的环境和条件进行选择。产品性能仿真数据包括通过仿真模型得到的产品的性能，例如疲劳寿命等。在一个具体的实施例中，产品性能仿真数据还包括选择的仿真模型的类型。不同的生产线具有不同的仿真模型，包括与不同生产线匹配的常规仿真模型，仿真模型可以存储在云平台105中，也可以存储在计算机设备106中。
S40，将该设备异常数据、该生产线配置仿真参数、该产品信息以及该产品性能仿真数据输入至一机器学习模型进行机器学习训练，得到产品性能预测模型。
云平台105在接收到设备异常数据、生产线配置仿真参数、产品信息以及产品性能仿真数据之后，可以输出至计算机设备106中的机器学习模型进行机器学习训练，从而能够得到不同的设备异常数据与产品性能仿真数据之间的映射关系，得到产品性能预测模型。
上述实施例提供的产品性能预测模型的建立方法，根据设备异常数据对产品的性能进行仿真，能够得到产品性能仿真数据；然后再基于设备异常数据及产品性能仿真数据利用机器学习模型进行机器学习，从而能够得到设备异常数据与产品性能之间的映射关系，建立产品性能预测模型，使得该产品性能预测模型在设备异常时，能够及时、准确的对最终的产品性能进行预测，提高了产品性能预测的准确率，从而能够使得生产者提前介入调整，降低生产成本。同时，上述方法也减少了后续产品性能预测时计算机设备106运算所需要处理的数据量，提高了计算机的效率，也提高了计算机设备106计算的运行速率。
请一并参阅图3，在一个实施例中，为了更准确的确定设备配置仿真参数，获取设备所在的生产线配置仿真参数以及该生产线所生产的产品的产品信息的步骤可包括：
S21，获取设备的应用类型及设备生产的产品类别，其中，设备的应用类型包括设备应用的领域以及设备应用的生产线；
S22，获取与该设备生产的产品类别、该设备应用的领域以及该设备应用的生产线匹配的生产线配置仿真参数。
设备应用到不同的工业领域时，对于产品性能的模拟结果的影响是不同的；设备所应用在不同的生产线，对于产品的性能模拟影响也不相同。同时，当设备生产的产品属于的产品类别时，在后续的仿真过程中，也会对仿真结果产生影响。因此，为了更准确的对生产过程进行仿真，在确定生产线配置仿真参数之前，需要将这些因素作为参考。通过将设备应用的领域、所应用的生产线以及所生产的产品类别作为生产线配置仿真参数的参考基础，能够更加真实的反应生产线的实际情况，进一步提高后续产品性能仿真的准确性。另外，在同一个工业领域中，可以根据应用类别和产品类别，选择多个仿真模拟软件进行仿真，从而能够得到多个产品性能仿真结果，作为后续机器学习训练的样本，请参阅表一。
表一
在其中一个实施例中，在确定设备异常数据、生产线配置仿真参数以及产品信息之后，可以选择对应的仿真模型对产品的性能进行仿真测试，得到产品性能仿真数据。产品性能仿真数据可包括：产品疲劳寿命、累积损伤增长以及3D模拟仿真度(例如3D CAD/CAE)，其中，3D模拟仿真度是指仿真的结果与实际情况之间的差异度，差异度越小，说明仿真模拟的结果与实际结果越接近。例如通过仿真模型模拟整套真实产品线上的生产加工情况，如果产品性能仿真结果与真实结果基本可以做到一致性，则表明仿真模型与生产线基本吻合，就可以做到无需搭建真实的生产线，就能够了解到生产情况以便提前改进，大大节省生产成本，提高效率。
在一个实施例中，请一并参阅图4，为了对产品性能预测模型进行优化，在步骤S40中还包括：
S41，对设备异常数据进行划分，得到一训练集数据以及一测试集数据。
当云平台105得到第一样本数据中的设备异常数据之后，可以将设备异常数据划分为训练集数据以及测试集数据。具体地，本实施例中，可以按照一定的比例将设备异常数据进行划分。例如，可以设备异常数据按照训练集数据占70％、测试集数据占30％的比例进行划分，还可以按照训练集数据占80％、测试集数据占20％的比例进行划分，此处不做限定。
S42，将训练集数据、生产线配置仿真参数、产品信息以及产品性能仿真数据输入至机器学习模型进行训练，得到一初始产品性能预测模型。
当将处理后的异常设备数据划分为训练集数据和测试集数据之后，使用训练集数据训练产品性能预测模型模型，得到初始产品性能预测模型，具体地，可基于监督机器学习方法建立预测模型，可以利用反向传播算法对该产品性能预测模型进行训练，可通过不断使用梯度下降来求得该产品性能预测模型的人工神经网络误差最小的参数值，从而得到包含一个局部最优的人工神经网络的产品性能预测模型。需要说明的是，本实施例中，使用训练集数据训练的产品性能预测模型可以是预先利用随机森林算法(Random forestalgorithm)等算法建立的产品性能预测模型。
S43，将该测试集数据、该生产线配置仿真参数、该产品信息以及该产品性能仿真数据输入至所述初始产品性能预测模型，对该初始产品性能预测模型进行验证，得到该产品性能预测模型。
可以理解，当得到初始产品性能预测模型之后，可以进一步使用测试集数据、生产线配置仿真参数、产品信息以及产品性能仿真数据对该产品性能预测进行验证测试。经过测试集数据进行测试验证后，如果符合预设条件，则得到最终的产品性能预测模型；即验证后结果符合预设条件的初始产品性能预测模型被确定为最终的产品性能预测模型。上述方法，能够根据不同的应用场景对产品性能预测模型进行优化，使得后续的产品性能预测结果，更加的符合实际的产品性能。
在一个实施例中，请一并参阅图5，为了提高初始产品性能预测模型的预测准确率，可以采用测试集数据通过以下方式得到最终的产品性能预测模型，包括：
S431，将测试集数据、生产线配置仿真参数、产品信息以及所述产品性能仿真数据输入至初始产品性能预测模型以测试初始产品性能预测模型，得到所述初始产品性能预测模型的产品性能预测准确率；
S432，将该产品性能预测准确率与一预设阈值比较，当该产品性能预测准确率高于该预设阈值时，确定该设备异常数据与产品性能预测结果之间的映射关系，得到该产品性能预测模型。
在步骤S431中，将测试集数据输入至初始产品性能预测模型，以得到该初始产品性能预测模型的产品性能预测准确率。具体地，将测试集数据输入至该初始产品性能预测模型，比较该初始产品性能预测模型输出结果和实际产品性能的误差，并计算预测结果和实际产品性能方差，得到该初始产品性能预测模型的产品性能预测准确率。
在步骤S432中，当得到该初始产品性能预测模型的准确率之后，利用该准确率对初始产品性能预测模型进行验证，通过判断该准确率是否高于预设阈值，可以检测出该初始产品性能预测模型是否能准确预测产品性能。如果该初始产品性能预测模型的准确率高于预设阈值，则说明该初始产品性能预测模型可以准确预测产品的性能，可以确定初始产品性能预测模型的准确率达标，即可将该初始产品性能预测模型作为最终的产品性能预测模型进行预测。
在其中一个实施例中，由于生产线、生产设备、生产环境、生产工艺以及使用环境的变化，需要对产品性能预测模型进行更新，以提高产品性能预测的准确性，请一并参阅图6，该方法还包括：
S10，获取一第一样本数据，该第一样本数据包括一设备生产产品过程中产生的设备异常数据；
S20，获取该设备所在生产线的生产线配置仿真参数，以及该生产线所生产的产品的产品信息；
S30，根据设备异常数据、生产线配置仿真参数以及产品信息，选择产品性能仿真模型对产品的性能进行仿真测试，得到产品性能仿真数据；
S40，将设备异常数据、生产线配置仿真参数、产品信息以及产品性能仿真数据输入至机器学习模型进行机器学习训练，得到产品性能预测模型；
S50，获取一第二样本数据，该第二样本数据包括前述设备生产产品过程中产生的设备异常数据，且第二样本数据与第一样本数据不重叠；以及
S60，根据第二样本数据对产品性能预测模型进行更新。
步骤S10-S40与上文对应部分一致，在此不再赘述。
如果产品性能预测准确率低于预设阈值，或者为了使准确率已达标的产品性能预测模型能够更加准确预测产品的性能，计算机设备106可以不断的从云平台105获取第二样本数据，使用第二样本数据对模型进行异常设备数据与产品性能的匹配，更新产品性能预测模型，确保该产品性能预测模型可以根据设备数据的变化及时更新，当设备出现任何异常的时候，能够准确预测最终产品的性能。其中，第二样本数据与第一样本数据不重叠是指第二样本数据与第一样本数据不同，即第二样本数据中包含的样本数据与第一样本数据中的样本数据不相同。
请一并参阅图7，为了对产品性能模型进行更新，提高产品性能预测模型的预测准确度，可以通过以下方式对产品性能预测模型进行更新：
S61，将第二样本数据、生产线配置仿真参数、产品信息以及产品性能仿真数据输入至产品性能预测模型进行预测，得到产品性能预测结果。
S62，判断产品性能预测结果与实际值的偏差是否大于预设预测标准。
通过产品性能预测模型得到预测结果之后，可以将预测结果和实际产品性能进行比较，判断预测结果和实际值的偏差是否大于预设的预测标准。
S63，若偏差大于预设预测标准，则对产品性能预测模型进行更新。
如果产品性能预测模型判断预测结果和实际值的偏差大于预设的预测标准，说明该产品性能预测模型预测准确率还不够高，设备在生产中可能存在的风险，生产的产品性能可能存在缺陷，因此，计算机设备106可以不断地获取第二样本数据，对产品性能预测模型进行训练、更新，直到该产品性能预测模型的准确率达到预设阈值。
本实施例中，对于准确率高于预设阈值的产品性能预测模型，可以不断获取第二样本数据继续更新，继续优化该产品性能预测模型的准确率，提高了产品性能预测模型模型在设备出现异常时产品性能预测的准确率。同时，对于准确率低于预设阈值的产品性能预测模型，可以不断获取第二样本数据重新训练产品性能预测模型，直到产品性能预测模型的准确率达到预设阈值，能够准确的对产品的性能进行预测。
由于产品在实际的生产过程中，生产线配置或这生产环境等等会发生变化，因此仿真模型的仿真参数，例如设备仿真参数和性能测试的仿真参数等可能与实际有所差异，因此，为进一步提高仿真阶段的产品性能仿真的准确率，可以根据产品性能预测结果与预设预测标准的差异，对仿真参数进行调整，具体可包括：
若偏差大于预设预测标准，则对生产线配置仿真参数进行调整，直至产品性能预测结果与实际值的偏差小于预设预测标准。
当产品性能预测结果与实际值的偏差大于预设标准时，可对仿真模型的仿真参数进行调整，使得最终的预测结果与实际值的偏差小于预设标准，满足性能预测的要求，从而也能够后续产品性能仿真的准确率，也进一步提高了后续产品性能预测的准确率。本实施例中，通过上述反馈机制，能够进一步提高仿真软件的仿真度。
另外，由于仿真模型得到的产品性能仿真数据可能存在偏差，使得产品性能预测模型的输出结果也会与实际的产品性能测试结果存在偏差。因此，可利用真实的产品性能测试结果，对产品性能预测模型进行验证，以判断是否需要对产品性能预测模型进行更新。在一个实施例中，请一并参阅图8，该方法可包括：
S70，获取一第三样本数据，该第三样本数据包括前述设备生产产品过程中产生的设备异常数据；
S80，获取与第三样本数据对应的一产品性能测试数据；以及
S90，将第三样本数据、生产线配置仿真参数、产品信息以及产品性能测试数据输入至产品性能预测模型进行验证，确定第三样本数据中的异常设备数据与产品性能测试数据之间的映射关系，并对产品性能预测模型进行更新。
其中，产品性能测试数据为当产线中的设备发生异常时，在得到第三样本数据同时，通过真实的产品性能测试平台对获得的产品进行测试获得的真实产品性能测试数据。也就是说，步骤S80中的产品性能测试数据是实际对产品性能进行测试后得到的产品性能测试数据，也就是真实数据。在一个具体的实施例中，第三样本数据中的异常设备数据包括第一样本数据中的异常设备数据以及第二样本数据中的异常设备数据。可以理解，在产线发生异常后，一种方式为记录下当前异常数据，等完成整个产线生产后，把产品取下来专门做性能检测，比如：需要专门的性能测试工作台来测试性能；另一种方式可以是直接此时把发生异常的产品取下来，直接做性能检测，例如通过专门的工作台来测试性能，具体方案可以根据实际情况或需要进行选择。
通过将设备异常数据以及产品性能测试数据作为验证样本输入至产品性能预测模型，可以对产品性能预测模型进行进一步的验证，以确定异常设备数据与真实的产品性能测试数据之间的映射关系，对产品性能预测模型进行进一步的更新。由于采用了真实的产品性能测试数据，使得得到的产品性能预测模型具有更高的预测准确率。
在一个实施例中，请一并参阅图9，为了进一步提高产品性能预测的准确度，可对既不是异常设备数据，但又会影响后期产品性能的数据进行机器学习训练，并根据训练结果对预测模型进行更新，该方法包括：
S10’,获取一原始数据；
S20’,判断原始数据是否属于异常数据；
S30’,若原始数据不属于异常数据，则进一步判断原始数据是否与产品性能相关；
S40’,若原始数据与产品性能相关，则将该原始数据输入至产品性能预测模型进行预测，得到产品性能预测结果；
S50’,根据产品性能预测结果与产品性能实际值的比较结果，对产品性能预测模型进行更新。
在该实施例中，云平台105可以持续获取原始数据，并识别出原始数据是否是属于异常设备数据。如果原始数据不属于异常数据，则可根据预先定义的数据范围，进一步判断原始数据是否与产品性能相关。如果原始数据与产品性能相关，则将原始数据输入至产品性能预测模型进行预测，得到融合与产品性能相关的参数的产品性能预测结果。另外，通过将预测结果和实际值比较，如果偏差超过预设阈值，则可得出原始数据会影响产品性能的预测，因此需要对产品性能预测模型进行更新。通过上述更新，使得产品性能预测模型能够更加全面的考量各个因素的影响，能够准确的预测出异常设备数据与产品性能之间的对应关系，从而使得后期能够更加准确的对产品性能进行预测。
可以理解，异常数据的判断，可以通过专家或技术人员进行判断，也可以通过机器学习的方式进行判断，在此不做限定。
在其中一个实施例中，可选的，可通过将原始数据与预设的正常数据范围比较，判断是否属于异常数据。请一并参阅图10，该方法可包括：
S11’,获取预先设置的正常数据范围；
S12’,将获取的原始数据与正常数据范围进行比较；
S13’,若原始数据超出正常数据范围，则判断原始数据属于设备异常数据。
本实施例中，正常数据范围可根据经验进行设定，也可通过专业技术人员提前设定。同时，通过将原始数据与正常数据范围进行比较，可以判断出原始数据是否属于设备异常数据。通过该方法，可以快速准确的对原始数据进行识别。
请一并参阅图11，基于以上产品性能预测模型，为了预测产品性能，本发明一个实施例还提供一种产品性能预测方法，包括：
S100，获取设备异常数据；
S200，获取产生设备异常数据的设备所在生产线的生产线配置仿真参数，以及该生产线所生产的产品的一产品信息；
S300，将设备异常数据、生产线配置仿真参数以及产品信息输入至上述任意实施例的产品性能预测模型建立方法建立的产品性能预测模型，得到与设备异常数据对应的产品性能预测结果。
本实施例中，在获取到设备异常数据之后，通过将设备异常数据以及相关参数输入至产品性能预测模型，能够基于提前建立好的映射关系，对产品的性能进行预测，得到产品性能的预测结果。
上述实施例提供的产品性能的预测方法，通过将设备异常数据输入至产品性能预测模型进行性能预测，能够根据提前建立的设备异常数据与产品性能之间的映射关系，能够及时、准确的对最终的产品性能进行预测，提高了产品性能预测的准确率，从而能够使得生产者提前介入调整，降低生产成本。同时，上述方法也减少了后续产品性能预测时计算机设备106运算所需要处理的数据量，提高了计算机的效率，也提高了计算机设备106计算的运行速率。
作为其中一个实施例，为了更准确的对产品的性能进行预测，获取产生设备异常数据所在的生产线对应的生产线配置仿真参数及产品信息的步骤包括：
S210，获取发生设备异常数据的设备的应用类型及设备生产的产品类别；其中，设备的应用类型包括设备应用的领域以及设备应用的生产线；
S220，获取与设备生产的产品类别、设备应用的领域以及设备应用的生产线匹配的生产线配置仿真参数。
上述步骤与之前S21-S22对应，在此不再赘述。
作为其中一个实施例，由于在各个产业或工业领域，都有不同的仿真模型，可以对整个生产线及加工过程进行仿真。为了提高产品性能仿真模型的仿真度，方法还包括：
S400，根据设备异常数据、生产线配置仿真参数、产品信息获取初始产品性能仿真模型；
S500，根据产品性能预测结果，对初始产品性能仿真模型的模型参数进行校正，使初始产品性能仿真模型的产品性能仿真数据与产品性能预测结果的偏差满足预设标准，得到产品性能仿真模型。
在一个实施例中，步骤S400中的初始产品性能仿真模型是行业内预先定义的，每条产品线及生产的产品都有预先设定的初始产品性能仿真模型，例如Simcenter等。
上述实施例中，通过将产品性能预测模型的输出结果反馈到产品性能仿真模型，能够进一步提高产品性能仿真模型的仿真度，使得在后续生产设备产生异常时，通过产品性能仿真模型也能够对产品性能进行仿真，从而实现了整个测试流程的数字化，有利于后续系统的集成。当产品性能仿真模型的仿真结果还不够精确的时候，对初始的产品性能仿真模型进行更新升级。使用该更新升级的产品性能仿真模型对产品性能进行仿真，得到新的产品性能仿真数据，用于后续再对产品性能预测模型进行更新，依次更替，使得产品性能仿真模型和产品性能预测模型都越来越准确。
请一并参阅图12，作为一个具体的实施例，本发明还提供一种产品性能预测模型的建立方法，包括：
S101，从云平台105获取原始数据；
S102，判断原始数据是否属于设备异常数据，若原始数据为设备异常数据，则执行S103；否则，执行S106；
S103，判断设备异常数据是否为已知设备异常数据，若设备异常数据为未知设备异常数据，则执行S104；若设备异常数据为已知设备异常参数，则执行S104’；
S104，保存未知设备异常数据，并根据未知设备异常数据通过仿真模型得到产品性能仿真数据，执行S105；
S105，将未知设备异常数据以及产品性能仿真数据输入产品性能预测模型得到产品性能预测结果，执行S108；
S108，根据产品性能预测结果更新产品性能预测模型；
S104’，将原始数据输入至产品性能预测模型，得到产品性能预测结果；
S106，判断原始数据是否与产品性能相关，若原始数据与产品性能相关，执行S107；
S107，将原始数据输入产品性能预测模型，得到产品性能预测结果，执行S108。
上述实施例中，上述实施例提供的产品性能的预测方法，通过将设备异常数据输入至产品性能预测模型进行性能预测，能够及时、准确的对最终的产品性能进行预测，提高了产品性能预测的准确率，从而能够使得生产者提前介入调整，降低生产成本。另外，通过判断数据是否与产品性能相关，并在相关时及时得到产品性能预测结果，并对产品性能预测模型进行更新，能够进一步提高产品性能预测模型的准确度。同时，上述方法也减少了后续产品性能预测时计算机设备106运算所需要处理的数据量，提高了计算机的效率，也提高了计算机设备106计算的运行速率。
请一并参阅图13，对应于上述产品性能预测模型的建立方法，本发明一个实施例还提供一种产品性能预测模型的建立装置100，包括：
样本获取模块1000，用于获取一第一样本数据，该第一样本数据包括一设备生产产品过程中产生的设备异常数据；
参数获取模块2000，用于获取该设备所在生产线的生产线配置仿真参数，以及该生产线所生产的产品的产品信息；
性能仿真模块3000，用于根据设备异常数据、生产线配置仿真参数以及产品信息，选择一产品性能仿真模型对产品的性能进行仿真测试，得到一产品性能仿真数据；
模型建立模块4000，用于将设备异常数据、生产线配置仿真参数、产品信息以及产品性能仿真数据输入至一机器学习模型进行机器学习训练，得到产品性能预测模型。
上述实施例提供的产品性能预测模型的建立装置与产品性能预测模型的建立方法相对应，根据设备异常数据对产品的性能进行仿真，能够得到产品性能仿真数据；然后在将设备异常数据及产品性能仿真数据利用机器学习模型进行机器学习，从而能够得到设备异常数据与产品性能之间的映射关系，建立产品性能预测模型，使得该产品性能预测模型在设备异常时，能够及时、准确的对最终的产品性能进行预测，提高了产品性能预测的准确率，从而能够使得生产者提前介入调整，降低生产成本。同时，上述装置也减少了后续产品性能预测运算所需要处理的数据量，提高了预测效率。
在其中一个实施例中，请一并参阅图14，参数获取模块2000可包括：
类别分析单元2001，用于获取设备的应用类型及设备生产的产品类别，其中，设备的应用类型包括设备应用的领域以及设备应用的生产线；
仿真参数配置单元2002，用于获取与设备生产的产品类别、设备应用的领域以及设备应用的生产线匹配的生产线配置仿真参数。其中，产品性能仿真数据包括：产品疲劳寿命、累积损伤增长以及3D模拟仿真度。
通过将设备应用的领域、所应用的生产线以及所生产的产品类别作为生产线配置仿真参数的参考基础，能够更加真实的反应生产线的实际情况，进一步提高后续产品性能仿真的准确性。另外，在同一个工业领域中，可以根据应用类别和产品类别，选择多个仿真模拟软件进行仿真，从而能够得到多个产品性能仿真结果，作为后续机器学习训练的样本。
在一个实施例中，为了得到更准确的预测模型，请一并参阅图14，该模型建立模块4000可包括：
数据分类单元4001，用于对设备异常数据进行划分，得到一训练集数据以及一测试集数据；
模型训练单元4002，用于将训练集数据、生产线配置仿真参数、产品信息以及产品性能仿真数据输入至机器学习模型进行训练，得到初始产品性能预测模型；
模型验证单元4003，用于将测试集数据、生产线配置仿真参数、产品信息以及产品性能仿真数据输入至所述初始产品性能预测模型，对初始产品性能预测模型进行验证，得到产品性能预测模型。
上述模型建立模块，能够根据不同的应用场景对产品性能预测模型进行优化，使得后续的产品性能预测结果，更加的符合实际的产品性能。
在一个实施例中，该模型验证单元4003可包括：
准确率计算子单元4003a，用于将测试集数据、生产线配置仿真参数、产品信息以及产品性能仿真数据输入至初始产品性能预测模型以测试初始产品性能预测模型，得到初始产品性能预测模型的产品性能预测准确率；
准确率比对子单元4003b，用于将产品性能预测准确率与预设阈值比较，当产品性能预测准确率高于预设阈值时，确定所述设备异常数据与产品性能预测结果之间的映射关系，得到产品性能预测模型。
在一个实施例中，样本获取模块1000还用于获取第二样本数据，第二样本数据包括设备生产产品过程中产生的设备异常数据，且第二样本数据与第一样本数据不重叠，即第二样本数据中的数据与第一样本数据中的数据不相同。
另外，请一并参阅图16，产品性能预测模型的建立装置100还可包括预测模型更新模块5000，用于根据第二样本数据对产品性能预测模型进行更新。该实施例中，可是根据第二样本数据对产品性能预测模型进行及时更新。
在一个实施例中，为了提高预测模型更新及时的同时，避免过度频繁的更新，预测模型更新模块5000还包括：
产品性能预测单元5001，用于将第二样本数据、生产线配置仿真参数、产品信息以及产品性能仿真数据输入至产品性能预测模型进行预测，得到产品性能预测结果；
预测结果比对单元5002，用于判断产品性能预测结果与实际值的偏差是否大于预设预测标准；
若偏差大于预设预测标准，预测模型更新模块5000则对产品性能预测模型进行更新。
在一个实施例中，为了后续能够更准确的得到产品性能预测结果，还需要在必要时对仿真模型进行更新，该产品性能预测模型的建立装置100还包括：
仿真模型更新模块6000，用于若偏差大于预设预测标准，则对生产线配置仿真参数进行调整，直至产品性能预测结果与实际值的偏差小于预设预测标准。
在一个实施例中，除了设备异常数据之外，还有其他参数也可能影响后续的产品性能预测，因此，请一并参阅图17，产品性能预测模型的建立装置中，还可包括：
性能相关参数获取模块1000’，用于获取原始数据；
异常数据确定模块2000’,用于判断原始数据是否属于异常数据；
性能相关参数确定模块3000’,用于若原始数据不属于异常数据，则进一步判断原始数据是否与产品性能相关；
预测结果获取模块4000’，用于若原始数据与产品性能相关，则输入至产品性能预测模型进行预测，得到产品性能预测结果；
预测模型更新模块5000还用于根据产品性能预测结果与产品性能实际值的比较结果，对产品性能预测模型进行更新。
在一个实施例中，请一并参阅图18，该异常数据确定模块2000’还包括：
数据范围获取单元2001’,用于获取预先设置的正常数据范围；
数据范围比对单元2002’,用于将获取的原始数据与正常数据范围进行比较；
异常数据确定单元2003’，用于当原始数据超出正常数据范围时，判断原始数据属于异常数据。
关于产品性能预测模型的建立装置的具体限定可以参见上文中对于产品性能预测模型的建立方法的限定，在此不再赘述。上述产品性能预测模型的建立装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备106中的处理器中，也可以以软件形式存储于计算机设备106中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备106，该计算机设备106可以是服务器，其内部结构图可以如图19所示。该计算机设备106包括通过系统总线连接的处理器1061、存储器1062、网络接口1063和数据库1064。其中，该计算机设备106的处理器1061用于提供计算和控制能力。该计算机设备106的存储器1062包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备106的数据库用于存储原始数据、样本数据、各种仿真参数以及产品性能仿真数据等等。该计算机设备106的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品性能预测模型的建立方法。可以理解，上述存储器仅仅是一种具体实施例，该存储器也可为云端存储器，例如云平台105等，计算机处理器通过网络接口与云平台105连接，获取各种所需数据。
本领域技术人员可以理解，图19中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备106的限定，具体的计算机设备106可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备106，包括存储器1062和处理器1061，存储器1062中存储有计算机程序，该处理器1061执行计算机程序时实现以下步骤：
获取一第一样本数据，该第一样本数据包括一设备生产产品过程中产生的设备异常数据；
获取该设备所在生产线的生产线配置仿真参数，以及该生产线所生产的产品的产品信息；
根据该设备异常数据、该生产线配置仿真参数以及该产品信息，选择一产品性能仿真模型对该产品的性能进行仿真测试，得到一产品性能仿真数据；
将该设备异常数据、该生产线配置仿真参数、该产品信息以及该产品性能仿真数据输入至一机器学习模型进行机器学习训练，得到产品性能预测模型。
另外，该处理器执行计算机程序时可实现上述与产品性能预测模型的建立方法相对应的步骤。
在一个实施例中，提供了一种计算机设备106，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取一设备异常数据；
获取产生该设备异常数据的设备所在生产线的生产线配置仿真参数及该生产线所生产的产品的一产品信息；
将该设备异常数据、生产线配置仿真参数以及产品信息输入上述任意一个实施例提供的产品性能预测模型建立方法建立的产品性能预测模型，得到与该设备异常数据对应的产品性能预测结果。
另外，该处理器执行计算机程序时可实现上述与产品性能预测方法相对应的步骤。
另外，在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取一第一样本数据，该第一样本数据包括一设备生产产品过程中产生的设备异常数据；
获取该设备所在生产线的生产线配置仿真参数，以及该生产线所生产的产品的产品信息；
根据该设备异常数据、该生产线配置仿真参数以及该产品信息，选择一产品性能仿真模型对该产品的性能进行仿真测试，得到一产品性能仿真数据；
将该设备异常数据、该生产线配置仿真参数、该产品信息以及该产品性能仿真数据输入至一机器学习模型进行机器学习训练，得到产品性能预测模型。
另外，存储介质中存储的计算机程序被处理器执行时可实现上述与产品性能预测模型的建立方法相对应的步骤。
另外，在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取一设备异常数据；
获取产生该设备异常数据的设备所在生产线的生产线配置仿真参数及生产线所生产的产品的一产品信息；
将该设备异常数据、生产线配置仿真参数以及产品信息输入上述任意一个实施例提供的产品性能预测模型建立方法建立的产品性能预测模型，得到与该设备异常数据对应的产品性能预测结果。
另外，存储介质中存储的计算机程序被处理器执行时可实现上述与产品性能预测方法相对应的步骤。
在一个实施例中，可再请参照图1所示，还提供一种产品性能预测系统，系统包括：
至少一传感器101、102、103，该至少一传感器101、102、103用于对生产线进行监控；
网关104，网关104与传感器101、102、103通信连接；
云平台105，云平台105与网关104通信连接；
计算机设备106，服务器与物联网云平台105通信连接，计算机设备106包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一实施例的产品性能预测模型的建立方法或产品性能预测方法的步骤。
在另外一个实施例中，还提供一种产品性能预测系统，该系统包括：
至少一传感器101、102、103，该至少一传感器101、102、103用于对生产线进行监控；
网关104，网关104与传感器101、102、103通信连接
云平台105，云平台105与网关104通信连接，包括存储器1062和处理器1061，该存储器1062存储有计算机程序，该处理器(1061)执行该计算机程序时实现上述任一实施例的产品性能预测模型的建立方法或产品性能预测方法的步骤。
本实施例中，云平台集成有存储器以及处理器，存储器中存储有计算机程序。云平台通过处理器运行计算机程序，对传感器获取的数据以及用户输入的数据进行处理。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
上述产品性能预测模型的建立方法、装置、系统、计算机设备以及存储介质，根据设备异常数据对产品的性能进行仿真，能够得到产品性能仿真数据；然后在将设备异常数据及产品性能仿真数据利用机器学习模型进行机器学习，从而能够得到设备异常数据与产品性能之间的映射关系，建立产品性能预测模型，使得该产品性能预测模型在设备异常时，能够及时、准确的对最终的产品性能进行预测，提高了产品性能预测的准确率，从而能够使得生产者提前介入调整，降低生产成本。同时，上述方法也减少了后续产品性能预测时计算机设备运算所需要处理的数据量，提高了计算机的效率，也提高了计算机设备计算的运行速率。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (16)

1.产品性能预测模型的建立方法，其特征在于，所述方法包括：
获取一第一样本数据，所述第一样本数据包括一设备生产产品过程中产生的设备异常数据；
获取所述设备所在生产线的生产线配置仿真参数，以及所述生产线所生产的产品的产品信息；
根据所述设备异常数据、所述生产线配置仿真参数以及所述产品信息，选择一产品性能仿真模型对所述产品的性能进行仿真测试，得到一产品性能仿真数据；
将所述设备异常数据、所述生产线配置仿真参数、所述产品信息以及所述产品性能仿真数据输入至一机器学习模型进行机器学习训练，得到产品性能预测模型。
2.根据权利要求1所述的方法，其特征在于，所述获取所述设备所在生产线的生产线配置仿真参数，以及所述生产线所生产的产品的产品信息的步骤包括：
获取所述设备的应用类型及所述设备生产的产品类别，其中，所述设备的应用类型包括所述设备应用的领域以及所述设备应用的生产线；
获取与所述设备生产的产品类别、所述设备应用的领域以及所述设备应用的生产线匹配的生产线配置仿真参数。
3.根据权利要求1所述的方法，其特征在于，所述将所述设备异常数据、所述生产线配置仿真参数、所述产品信息以及所述产品性能仿真数据输入至一机器学习模型进行机器学习训练，得到产品性能预测模型的步骤包括：
对所述设备异常数据进行划分，得到一训练集数据以及一测试集数据；
将所述训练集数据、所述生产线配置仿真参数、所述产品信息以及所述产品性能仿真数据输入至所述机器学习模型进行训练，得到一初始产品性能预测模型；
将所述测试集数据、所述生产线配置仿真参数、所述产品信息以及所述产品性能仿真数据输入至所述初始产品性能预测模型，对所述初始产品性能预测模型进行验证，得到所述产品性能预测模型。
4.根据权利要求3所述的方法，其特征在于，所述将所述测试集数据、所述生产线配置仿真参数、所述产品信息以及所述产品性能仿真数据输入至所述初始产品性能预测模型对所述初始产品性能预测模型进行验证，得到所述产品性能预测模型的步骤包括：
将所述测试集数据、所述生产线配置仿真参数、所述产品信息以及所述产品性能仿真数据输入至所述初始产品性能预测模型以测试所述初始产品性能预测模型，得到所述初始产品性能预测模型的产品性能预测准确率；
将所述产品性能预测准确率与一预设阈值比较，当所述产品性能预测准确率高于所述预设阈值时，确定所述设备异常数据与产品性能预测结果之间的映射关系，得到所述产品性能预测模型。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述方法还包括：
获取一第二样本数据，所述第二样本数据包括所述设备生产产品过程中产生的设备异常数据，且第二样本数据与所述第一样本数据不重叠；
根据所述第二样本数据对所述产品性能预测模型进行更新。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第二样本数据对所述产品性能预测模型进行更新的步骤包括：
将所述第二样本数据、所述生产线配置仿真参数、所述产品信息以及所述产品性能仿真数据输入至所述产品性能预测模型进行预测，得到一产品性能预测结果；
判断所述产品性能预测结果与一实际值的偏差是否大于预设预测标准；
若所述偏差大于所述预设预测标准，则对所述产品性能预测模型进行更新。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
若所述偏差大于所述预设预测标准，则对所述生产线配置仿真参数进行调整，直至所述产品性能预测结果与实际值的偏差小于所述预设预测标准。
8.根据权利要求1-4中任意一项所述的方法，其特征在于，所述方法还包括：
获取一第三样本数据，所述第三样本数据包括所述设备生产产品过程中产生的设备异常数据；
获取与所述第三样本数据对应的一产品性能测试数据；
将所述第三样本数据、所述生产线配置仿真参数、所述产品信息以及所述产品性能测试数据输入所述产品性能预测模型进行验证，确定所述第三样本数据中的所述设备异常数据与所述产品性能测试数据之间的映射关系，并对所述产品性能预测模型进行更新。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取一原始数据，所述原始数据经由传感器获得；
判断所述原始数据是否属于所述异常数据；
若所述原始数据不属于所述异常数据，则进一步判断所述原始数据是否与产品性能相关；
若所述原始数据与所述产品性能相关，则将所述原始数据输入产品性能预测模型进行预测，得到产品性能预测结果；
根据所述产品性能预测结果与产品性能实际值的比较结果，对所述产品性能预测模型进行更新。
10.产品性能预测方法，其特征在于，所述方法包括：
获取一设备异常数据；
获取产生所述设备异常数据的设备所在生产线的生产线配置仿真参数，以及所述生产线所生产的产品的一产品信息；
将所述设备异常数据、所述生产线配置仿真参数以及所述产品信息输入通过权利要求1-9中任意一项所述的产品性能预测模型的建立方法建立的产品性能预测模型，得到与所述设备异常数据对应的产品性能预测结果。
11.根据权利要求10所述的方法，其特征在于，所述方法还包括：
根据所述设备异常数据、所述生产线配置仿真参数、所述产品信息获取一初始产品性能仿真模型；
根据所述产品性能预测结果，对所述初始产品性能仿真模型的模型参数进行校正，使所述初始产品性能仿真模型的产品性能仿真数据与所述产品性能预测结果的偏差满足预设标准，得到产品性能仿真模型。
12.产品性能预测模型的建立装置，其特征在于，所述装置包括：
样本获取模块（1000），用于获取一第一样本数据，所述第一样本数据包括一设备生产产品过程中产生的设备异常数据；
参数获取模块（2000），用于获取所述设备所在生产线的生产线配置仿真参数，以及所述生产线所生产的产品的产品信息；
性能仿真模块（3000），用于根据所述设备异常数据、所述生产线配置仿真参数以及所述产品信息，选择一产品性能仿真模型对所述产品的性能进行仿真测试，得到一产品性能仿真数据；
模型建立模块（4000），用于将所述设备异常数据、所述生产线配置仿真参数、所述产品信息以及所述产品性能仿真数据输入至一机器学习模型进行机器学习训练，得到产品性能预测模型。
13.计算机设备，其特征在于，所述计算机设备包括一存储器（1062）和一处理器（1061），所述存储器（1062）存储有计算机程序，其特征在于，所述处理器（1061）执行所述计算机程序时实现权利要求1至11中任一项所述方法的步骤。
14.计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被一处理器（1061）执行时实现权利要求1至11中任一项所述的方法的步骤。
15.产品性能预测系统，其特征在于，所述系统包括：
至少一传感器（101），所述至少一传感器（101）用于对一生产线进行监控；
一网关（104），所述网关（104）与所述传感器（101）通信连接；
一云平台（105），所述云平台（105）与所述网关（104）通信连接；
一计算机设备（106），所述计算机设备（106）与所述云平台（105）通信连接，所述计算机设备（106）包括一存储器（1062）和一处理器（1061），所述存储器（1062）存储有计算机程序，所述处理器（1061）执行所述计算机程序时实现权利要求1至11中任一项所述方法的步骤。
16.产品性能预测系统，其特征在于，所述系统包括：
至少一传感器（101），所述至少一传感器（101）用于对一生产线进行监控；
一网关（104），所述网关（104）与所述传感器（101）通信连接；
一云平台（105），所述云平台（105）与所述网关（104）通信连接，包括存储器（1062）和处理器（1061），所述存储器（1062）存储有计算机程序，所述处理器（1061）执行所述计算机程序时实现权利要求1至11中任一项所述方法的步骤。
CN201880095487.2A 2018-07-26 2018-07-26 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 Active CN112384924B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/097256 WO2020019256A1 (en) 2018-07-26 2018-07-26 Product performance prediction modeling method and apparatus, computer device, computer-readable storage medium, and product performance prediction method and prediction system

Publications (2)

Publication Number Publication Date
CN112384924A CN112384924A (zh) 2021-02-19
CN112384924B true CN112384924B (zh) 2024-07-05

Family

ID=69181276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880095487.2A Active CN112384924B (zh) 2018-07-26 2018-07-26 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统

Country Status (4)

Country Link
US (1) US11940782B2 (zh)
EP (1) EP3811241B1 (zh)
CN (1) CN112384924B (zh)
WO (1) WO2020019256A1 (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112384924B (zh) 2018-07-26 2024-07-05 西门子股份公司 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统
WO2020041237A1 (en) * 2018-08-20 2020-02-27 Newton Howard Brain operating system
CN111357014B (zh) * 2018-09-19 2023-07-11 华为技术有限公司 一种ai模型的开发方法及装置
US20220221841A1 (en) * 2019-05-13 2022-07-14 Bergogni Food Machinery S.R.L.S. Method implemented by software instructions for manufacturing a belt conveyor and/or a series of belts conveyor and related system
CN112463467B (zh) * 2019-09-09 2022-03-22 英业达科技有限公司 自动化的整合测试系统及其方法
EP3928267A4 (en) * 2020-03-31 2022-11-16 ATS Automation Tooling Systems Inc. SYSTEMS AND METHODS FOR MODELING A MANUFACTURING ASSEMBLY LINE
US11372556B2 (en) * 2020-09-03 2022-06-28 Dell Products, L.P. Snapshot access using nocopy undefined thin devices
DE102020130231A1 (de) * 2020-11-16 2022-05-19 Workaround Gmbh Verfahren zur Steuerung eines tragbaren Benutzergerätes, tragbares Benutzergerät sowie Steuerungssystem
CN114655958B (zh) * 2020-12-22 2024-04-26 新疆新特晶体硅高科技有限公司 一种多晶硅生产的控制方法、系统
CN115049176A (zh) * 2021-03-09 2022-09-13 广州汽车集团股份有限公司 材料性能评估方法、装置及计算机设备
CN113221504B (zh) * 2021-04-19 2023-05-23 山东英信计算机技术有限公司 一种高效率的Via仿真数据获取方法、系统及介质
CN113110251A (zh) * 2021-05-19 2021-07-13 重庆忽米网络科技有限公司 一种用于物联网设备数据采集的数据配置方法
CN114819449A (zh) * 2021-06-01 2022-07-29 长城汽车股份有限公司 预测车辆除霜性能的方法、装置、设备及存储介质
CN113408221B (zh) * 2021-07-06 2022-04-15 太仓比泰科自动化设备有限公司 一种探针寿命预测方法、系统、装置和存储介质
CN113536628B (zh) * 2021-07-09 2024-07-30 深圳佰维存储科技股份有限公司 焊点回损预测方法、装置、可读存储介质及电子设备
CN113627087B (zh) * 2021-08-23 2023-11-03 中机中联工程有限公司 基于物流仿真与机器学习的生产系统参数自适应优化方法
CN114462260B (zh) * 2022-04-14 2022-07-08 国家超级计算天津中心 基于超级计算机的磁约束聚变融合数值处理系统
CN114881301A (zh) * 2022-04-20 2022-08-09 深圳市渠印包装技术有限公司 生产线的仿真排产方法、系统、终端设备及存储介质
CN114818502B (zh) * 2022-05-09 2023-04-07 珠海精实测控技术股份有限公司 一种性能测试数据的分析方法及系统
CN115102992B (zh) * 2022-07-15 2022-12-02 南京数睿数据科技有限公司 数据发布方法、装置、电子设备和计算机可读介质
CN115062550B (zh) * 2022-07-28 2022-11-22 湖南高至科技有限公司 一种基于端口反向生成的组合建模方法
CN115167323B (zh) * 2022-08-16 2023-06-16 江苏中科云控智能工业装备有限公司 基于数字化工厂的工控设备反馈信息指令传输系统
CN115795983A (zh) * 2023-01-29 2023-03-14 江苏沙钢集团有限公司 线材质量控制方法、装置、设备及存储介质
CN116186947B (zh) * 2023-05-05 2023-08-04 陕西空天信息技术有限公司 一种叶轮仿真设计方法、装置、设备、介质及产品
CN118246366A (zh) * 2024-04-19 2024-06-25 西安交通大学 一种扑翼流场重构与性能预测方法、装置、设备及介质
CN118068796B (zh) * 2024-04-22 2024-09-03 杭州电缆股份有限公司 一种电缆生产设备的生产参数监测控制方法及系统
CN118428409B (zh) * 2024-07-05 2024-09-13 北京科技大学 一种基于深度学习的掘进机性能预测方法及装置
CN118520841B (zh) * 2024-07-23 2024-10-15 上海超捷芯软科技有限公司 集成电路性能预测模型及建模方法、装置、设备、介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102319883A (zh) * 2011-10-09 2012-01-18 北京首钢自动化信息技术有限公司 一种连铸坯质量在线预报的控制方法
CN107862468A (zh) * 2017-11-23 2018-03-30 深圳市智物联网络有限公司 设备风险识别模型建立的方法及装置

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6301515B1 (en) * 1998-04-07 2001-10-09 Tmmm, Ltd. System for establishing optimal critical characteristics of manufactured products
TWI267012B (en) 2004-06-03 2006-11-21 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes
JP2006275926A (ja) 2005-03-30 2006-10-12 Mizuno Corp 製品の性能を予測可能なシミュレーション方法
US7672811B2 (en) * 2005-06-17 2010-03-02 Gm Global Technology Operations, Inc. System and method for production system performance prediction
CN101320031B (zh) 2008-05-27 2012-09-26 上海实达精密不锈钢有限公司 一种奥氏体不锈钢精密钢带的终轧变形量预测方法
US8571696B2 (en) * 2009-06-10 2013-10-29 Fisher-Rosemount Systems, Inc. Methods and apparatus to predict process quality in a process control system
US9323234B2 (en) * 2009-06-10 2016-04-26 Fisher-Rosemount Systems, Inc. Predicted fault analysis
TWI407325B (zh) 2010-05-17 2013-09-01 Nat Univ Tsing Hua 製程品質預測系統及其方法
CN103809582B (zh) 2012-11-14 2016-08-31 北京北方微电子基地设备工艺研究中心有限责任公司 半导体制造工艺中控制系统仿真测试方法和系统及装置
CN103217960B (zh) 2013-04-08 2015-04-29 同济大学 一种半导体生产线动态调度策略自动选择方法
CN103745273B (zh) * 2014-01-06 2017-01-18 北京化工大学 一种半导体制造过程的多性能预测方法
US20160330225A1 (en) 2014-01-13 2016-11-10 Brightsource Industries (Israel) Ltd. Systems, Methods, and Devices for Detecting Anomalies in an Industrial Control System
CN104375478B (zh) * 2014-09-04 2018-09-14 太极计算机股份有限公司 一种轧钢生产过程产品质量在线预测与优化的方法及装置
CN104407589B (zh) * 2014-11-26 2017-01-25 西北工业大学 面向车间制造过程的实时生产性能主动感知与异常分析方法
CN105045243B (zh) 2015-08-05 2017-08-25 同济大学 一种半导体生产线动态调度装置
EP3165973B1 (en) 2015-11-03 2018-01-03 Siemens Aktiengesellschaft A method for computer-aided control of an automation system
EP3187948B1 (en) 2016-01-04 2019-03-06 Sidel Participations, S.A.S. System and method for managing product quality in container processing plants
CN108152612A (zh) 2017-11-23 2018-06-12 全球能源互联网研究院有限公司 一种变压器故障预测方法、装置、终端及可读存储介质
CN112384924B (zh) 2018-07-26 2024-07-05 西门子股份公司 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102319883A (zh) * 2011-10-09 2012-01-18 北京首钢自动化信息技术有限公司 一种连铸坯质量在线预报的控制方法
CN107862468A (zh) * 2017-11-23 2018-03-30 深圳市智物联网络有限公司 设备风险识别模型建立的方法及装置

Also Published As

Publication number Publication date
EP3811241A1 (en) 2021-04-28
US20210263508A1 (en) 2021-08-26
EP3811241B1 (en) 2023-08-30
CN112384924A (zh) 2021-02-19
US11940782B2 (en) 2024-03-26
WO2020019256A1 (en) 2020-01-30
EP3811241A4 (en) 2022-01-26

Similar Documents

Publication Publication Date Title
CN112384924B (zh) 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统
JP2006148070A (ja) センサデータの補正方法及びインターロックシステムのインターロック評価方法
CN105793789A (zh) 用于过程单元中的全部过程区段的自动的监视和状态确定的计算机实现的方法和系统
CN110673515A (zh) 对工业设施的监控
CN115422635A (zh) 基于bim的钢结构工程监测方法、系统、设备及存储介质
CN115373370A (zh) 一种可编程控制器运行状态监测方法及系统
CN117929904B (zh) 一种逆变器老化测试方法、装置及存储介质
CN117216481A (zh) 一种用于电器的远程监控方法及系统
CN113642209B (zh) 基于数字孪生的结构植入故障响应数据获取及评判方法
CN110290203A (zh) 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通
CN114091347A (zh) 一种电子元器件寿命预测方法
CN112381242A (zh) 核电站设备维修项目数据处理方法及系统
CN104394039A (zh) 一种基于Sigmoid指数模型网络性能成熟度评价系统及其评价方法
Friederich et al. A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems
EP4042172B1 (en) Methods and systems for assessing printed circuit boards
KR20200002433A (ko) 빅데이터 분석을 이용한 통계적 품질 관리 시스템
US11468353B2 (en) System for detecting data drift in machine-learning process monitoring
CN114219035A (zh) 一种多传感器的数据融合方法及装置
CN110865939A (zh) 应用程序质量监测方法、装置、计算机设备和存储介质
CN118132996B (zh) 一种基于工业数字孪生的自适应生产调度优化方法
CN117554218B (zh) 直馏沥青浇筑式钢桥面复合梁试件疲劳试验装置及方法
CN118409776B (zh) Plc的固件升级方法、装置、计算机设备和存储介质
CN117952323B (zh) 一种基于数字孪生的产品创建系统、方法、设备及介质
CN112149969B (zh) 特高压直流控制保护合并单元运行状态评价方法及系统
RU2757532C1 (ru) Способ оценки технического состояния жаровых труб газотурбинного двигателя

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