CN112418523A - 一种基于数字孪生的售后设备预测性维护协同系统 - Google Patents
一种基于数字孪生的售后设备预测性维护协同系统 Download PDFInfo
- Publication number
- CN112418523A CN112418523A CN202011319266.4A CN202011319266A CN112418523A CN 112418523 A CN112418523 A CN 112418523A CN 202011319266 A CN202011319266 A CN 202011319266A CN 112418523 A CN112418523 A CN 112418523A
- Authority
- CN
- China
- Prior art keywords
- equipment
- module
- maintenance
- data
- service
- 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.)
- Granted
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 251
- 238000003745 diagnosis Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000004519 manufacturing process Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 29
- 238000012544 monitoring process Methods 0.000 claims description 20
- 230000008439 repair process Effects 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 238000011897 real-time detection Methods 0.000 claims description 4
- 238000004092 self-diagnosis Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 230000007704 transition Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 235000012206 bottled water Nutrition 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000009133 cooperative interaction Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000000265 homogenisation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101100500473 Bacillus subtilis (strain 168) abn2 gene Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于数字孪生的售后设备预测性维护协同系统,包括:构建模块,用于构建基于设备制造方的数字孪生的协同维护七维模型;采集模块,用于基于数字孪生的协同维护七维模型采集与传输设备的运行状态参数;分析模块,用于基于数字孪生的协同维护七维模型对采集到的设备运行参数进行预测分析,得到设备的预测结果;判断模块,用于根据得到的设备预测结果判断当前设备的状态是否正常;处理模块,用于当判断得到当前设备为异常状态时,对当前设备的异常问题做出初步诊断,得到初步诊断结果;显示模块,用于基于数字孪生的协同维护七维模型以可视化的方式向生产操作人员、设备维护参与者实时展现设备的运行状态、预测趋势以及初步诊断结果。
Description
技术领域
本发明涉及售后设备维护技术领域,尤其涉及一种基于数字孪生的售后设备预测性维护协同系统。
背景技术
随着物联网和智能互联的出现,制造业开始依靠这一有用的工具进行服务化创新,解决生产和服务中的问题,以提高产品质量,推动服务创新。从制造设施和设备的角度来看,这意味着考虑延长设备的预期寿命,这是实现更可持续运营的关键因素,也是设备制造商的商机。对于设备制造企业来说,如果能提供更可靠的产品和售后服务,将会获得更高的声誉和收益。对于设备用户来说,如果能得到快速准确的维修服务,就可以减少因设备故障而造成的产品质量和生产能力的损失。在日趋激烈的市场竞争下,为了获得更大的市场份额,企业必须采用新的维修模型、方法和技术来改善其售后服务。
在制造企业,设备的维护方式发生了巨大的改变:从传统的故障检修模式,转变为预防性、预测性和设计性维护。传统的故障检修模式为纠正性维护,设备检修任务主要以经验法或定性法为主,缺乏对关键设备的识别和分类,无法合理配置维修资源。并且存在维修不完善、过度维修和潜在危险,设备的可靠性、可用性和安全性难以控制和保证。针对传统设备维护的低可靠性,当前对设备的预防性和预测性维护,主要集中于远程监控服务和基于智能算法的设备状态预测。现有的远程监控维护研究更多的只是实现由经验主导的设备下一时刻运行状态的推测,无法做到更好的模拟预测。基于智能算法的设备状态预测,仅能实现对设备下一状态的计算预测,无法实现设备当前状态和下一状态的可视化。
尽管一些文章描述了对设备远程监测、预测的可行性,提出了结合设备制造商、备件供应商等利益相关者的维护服务框架,但尚未涉足基于数字孪生技术的由设备制造商提供的售后设备维护服务。这是一个重要的点,因为它可以提供一种新的售后设备维护方式。为了满足制造商对设备的实时监测、故障预测和远程指导的需求,避免因地理分散而导致的协作效率低。
针对以上技术问题,故需对其进行改进。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种基于数字孪生的售后设备预测性维护协同系统。
为了实现以上目的,本发明采用以下技术方案:
一种基于数字孪生的售后设备预测性维护协同系统,包括:
构建模块,用于构建基于设备制造方的数字孪生的协同维护七维模型;
采集模块,用于基于构建的数字孪生的协同维护七维模型实时采集与传输设备的运行状态参数;
分析模块,用于基于构建的数字孪生的协同维护七维模型对采集到的设备运行参数进行预测分析,得到设备的预测结果;
判断模块,用于根据得到的设备预测结果判断当前设备的状态是否正常;
处理模块,用于当判断得到当前设备为异常状态时,对当前设备的异常问题做出初步诊断,得到初步诊断结果;
显示模块,用于基于数字孪生的协同维护七维模型以可视化的方式向生产操作人员、设备维护参与者实时展现设备的运行状态、预测趋势以及初步诊断结果。
进一步的,所述构建模块中构建的设备制造方的数字孪生的协同维护七维模型包括物理设备模块、虚拟设备模块、孪生数据模块、信息服务模块、设备制造方模块、设备用户模块;
所述物理设备模块,用于将与物理设备相关的运行状态数据分别传输至孪生数据模块和信息服务模块;
所述虚拟设备模块,用于将与虚拟设备相关的运行状态数据分别传输至孪生数据模块和信息服务模块;
所述信息服务模块,用于接收物理设备模块传输的运行状态数据以及虚拟设备模块传输的运行状态数据,对接收到的数据进行分析处理,并将分析处理的数据传输至孪生数据模块;
所述孪生数据模块,用于存储物理设备模块传输的运行状态数据、虚拟设备模块传输的运行状态数据以及信息服务模块传输的分析处理后的数据;
所述设备制造方模块,用于根据信息服务模块分析处理后的数据进行设备的在线监测、产品状态的实时检测,并对设备用户模块提供远程监控、维护指导、位置信息和精细作业调度的服务;
所述设备用户模块,用于根据设备制造方模块提供的服务做出相应决策。
进一步的,所述虚拟设备模块,表示为:
VD=(VS、VQ、VW)
其中,VD表示虚拟设备;VS表示物理设备的三维模型;VQ表示构成物理设备的元件在运行时的相关质量状态模型;VW表示对物理设备的运行状态进行预测评估模型。
进一步的,所述信息服务模块,表示为:
Ss=(FS,BS)
其中,Ss表示信息服务;FS表示功能性服务;BS表示业务性服务;
所述功能性服务FS包括向虚拟设备VD提供的模型服务、向孪生数据提供的数据储存、数据处理、数据分析服务;
所述业务性服务BS包括向设备制造方EM、设备用户DU提供监视服务、设备维修维护服务、虚拟培训指导服务以及设备实时运行状态数据。
进一步的,所述孪生数据模块,表示为:
DD=(Dp、Dv、Ds、De、Dd、Dk、Df)
其中,DD表示孪生数据;Dp表示物理设备PE的物理要素属性数据和实时运行状态数据;Dv表示虚拟设备VD的相关数据;Ds表示功能性服务FS和业务性服务BS的相关数据;De表示设备制造方EM的相关数据;Dd表示设备用户DU的相关数据;Dk表示数据库、专家知识的相关数据;Df表示Dp、Dv、Ds、De、Dd、Dk之间相互转化、关联、融合生成的衍生数据和设备历史运行状态数据。
进一步的,所述显示模块包括自行维护模块,用于判断得到当前设备为异常状态时,操作人员结合初步诊断结果与设备维护知识库进行自行诊断设备异常情况。
进一步的,所述显示模块包括双方协同模块,用于当操作人员无法自行解决设备问题时,通过信息服务模块联系设备的售后维修人员,建立起由售后维修人员主导诊断的双方协同维护模式。
进一步的,所述显示模块包括多方协同模块,用于通过信息服务模块使售后维修人员、操作人员以可视化的方式获取设备的实时运行状态、历史运行状态以及系统初步诊断报告;并结合维护知识数据库、专家的维修经验、设计人员的设计知识和备件性能信息,由维修专家对维修类型、维修方法、维修备件的选择和维修计划做出决策。
与现有技术相比,本发明提出基于数字孪生的协同维护七维模型,实现向设备用户提供设备故障预警。并提出由数字孪生驱动的设备操作人员通过设备维护知识库自行维护设备异常情况,设备操作人员与售后维修人员协同维护设备异常情况,设备操作人员与维修专家、设计人员、备件供应商等不同利益关系者协同维护设备异常的协同维护模式。使设备制造方向设备用户提供更有效、更及时的服务和支持。
附图说明
图1为实施例一提供的一种基于数字孪生的售后设备预测性维护协同系统的结构图;
图2为实施例一提供的基于数字孪生的协同维护七维模型示意图;
图3为实施例一提供的售后设备的多方协同维护流程示意图;
图4为实施例一提供的不同人员在不同项目中的角色示意图;
图5为实施例一提供的基于数字孪生的多方协同维护模式示意图;
图6为实施例一提供的售后设备维护知识共享模式示意图;
图7为实施例二提供的三态设备模型示意图;
图8为实施例二提供的设备状态转移示意图;
图9为实施例二提供的均匀化链的状态转移示意图;
图10为实施例二提供的马尔可夫链模型预测准确率曲线示意图;
图11为实施例二提供的数字孪生服务平台监/预测界面示意图;
图12为实施例二提供的数字孪生服务平台-协同维护主导者确定示意图;
图13为实施例二提供的数字孪生服务平台-维护案例管理示意图;
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供一种基于数字孪生的售后设备预测性维护协同系统,如图1所示,包括:
构建模块11,用于构建基于设备制造方的数字孪生的协同维护七维模型;
采集模块12,用于基于构建的数字孪生的协同维护七维模型实时采集与传输设备的运行状态参数;
分析模块13,用于基于构建的数字孪生的协同维护七维模型对采集到的设备运行参数进行预测分析,得到设备的预测结果;
判断模块14,用于根据得到的设备预测结果判断当前设备的状态是否正常;
处理模块15,用于当判断得到当前设备为异常状态时,对当前设备的异常问题做出初步诊断,得到初步诊断结果;
显示模块16,用于基于数字孪生的协同维护七维模型以可视化的方式向生产操作人员、设备维护参与者实时展现设备的运行状态、预测趋势以及初步诊断结果。
根据现有技术中提出的数字孪生五维模型,构建以设备制造方主导的基于数字孪生的协同维护七维模型MSDT,其中,现有技术数字孪生五维模型的文献如:“Tao Fei,LiuWeiran,Liu Jianhua,et al.Digital twin and its potential applicationexploration[J].Computer Integrated Manufacturing Systems,2018,24(01):1-18.[陶飞,刘蔚然,刘检华,等.数字孪生及其应用探索[J].计算机集成制造系统”。
如图2所示,数字孪生的协同维护七维模型MSDT包括物理设备模块、虚拟设备模块、孪生数据模块、信息服务模块、设备制造方模块、设备用户模块;MSDT表示为:
MSDT=(PE,VE,DD,Ss,EM,DU,CN)
其中,PE表示物理设备;VD表示虚拟设备;DD表示孪生数据;Ss表示服务;EM表示设备制造方;DU表示设备用户;CN表示连接。
物理设备模块,用于将与物理设备相关的运行状态数据分别传输至孪生数据模块和信息服务模块;
物理设备是七维模型的构成基础,具有一定的层次性。按照设备的功能和结构一般分为零件级、元件级和设备级三个层次。以封盖设备为例,组成各类设备元件的螺帽、柱状金属管、垫圈等可视为零件级,是构成设备的最小单元;根据封盖设备运行时的生产动作,将参与同一生产动作的零件视为元件级,如封盖头元件、导瓶星轮元件、卡刀元件、护板元件、中性轴元件、吃盖头元件等;将加工同一产品的各元件组成的生产设备可视为设备级,如瓶装水封盖设备、桶装水封盖设备、乳饮封盖设备等。通过传感器、检测工具等将物理设备运行状态数据进行实时感受收集,定期检测刚经过该设备的产品的相关质量数据,并传送至虚拟空间。
虚拟设备模块,用于将与虚拟设备相关的运行状态数据分别传输至孪生数据模块和信息服务模块;
虚拟设备VD包含物理实体的结构模型VS、质量模型VQ、预警模型VW,表示为:
VD=(VS、VQ、VW)
其中,VS表示物理设备的三维模型,包含该设备的结构形状、尺寸参数等,使虚拟设备与物理设备具有较好的保真度、一致性。通过3dMax、Unity3D等建模软件构建虚拟设备,可增强设备模型真实感与仿真的效果。
VQ表示描述构成物理设备的元件在运行时的相关质量状态模型,例如封盖设备封盖头的扭矩大小、卡刀的剩余寿命、封盖行程大小与速度等。
VW表示对物理设备的运行状态进行预测评估模型,通过与服务系统和孪生数据的互联,对物理设备的运行状态进行预测评估,将物理设备可能发生的异常生产提前反馈给操作人员。
信息服务模块,用于接收物理设备模块传输的运行状态数据以及虚拟设备模块传输的运行状态数据,对接收到的数据进行分析处理,并将分析处理的数据传输至孪生数据模块;
服务是驱动协同维护七维模型运行所需的模型、算法、仿真、数据处理等功能的集合,按照七维模型运行的功能和对应的需求可将服务分为功能性服务FS和业务性服务BS;表示为:
Ss=(FS,BS)
其中,Ss表示信息服务;FS表示功能性服务;BS表示业务性服务;
功能性服务FS包括向虚拟设备VD提供的模型服务,如物理实体的结构模型VS、质量模型VQ、预警模型VW等;向孪生数据提供的数据储存、数据处理、数据分析等服务;向各组成部分的连接CN提供接口服务、数据传输服务、接口服务等连接服务。
业务性服务BS包括向设备制造方EM、设备用户DU提供监视服务、设备维修维护服务、虚拟培训指导服务以及设备实时运行状态数据等。
孪生数据模块,用于存储物理设备模块传输的运行状态数据、虚拟设备模块传输的运行状态数据以及信息服务模块传输的分析处理后的数据
孪生数据是使协同维护七维模型运行的驱动力。孪生数据主要包括物理设备数据Dp、虚拟设备数据Dv、服务数据Ds、设备制造方数据De、设备用户数据Dd、知识数据Dk、衍生数据Df;表示为:
DD=(Dp、Dv、Ds、De、Dd、Dk、Df)
其中,Dp代表物理设备PE的尺寸、形状、功能、各元件连接情况等物理要素属性数据和设备实时运行状态数据,物理要素数据一般由设备制造方提供,实时运行状态数据可通过传感器、物联网技术等采集。
Dv代表能表示出物理设备结构模型、质量模型等的虚拟设备VE的相关数据。
Ds包括功能性服务FS(智能算法、模型、决策行为、数据处理等)相关数据和业务性服务BS(动态过程仿真数据、仿真预测数据、远程维护指导数据等)。
De主要包括设备制造方拥有的设备维护知识,远程诊断、决策数据。
Dd主要包括设备用户掌握的设备操作经验,历史保养维护情况,维护执行情况等。
Dk主要包括产品标准,设备正常运行标准,常用算法库、模型库等数据库,专家知识等。
Df主要包括Dp、Dv、Ds、De、Dd、Dk之间相互转化、关联、融合生成的衍生数据和设备历史运行状态数据。
设备制造方模块,用于根据信息服务模块分析处理后的数据进行设备的在线监测、产品状态的实时检测,并对设备用户模块提供远程监控、维护指导、位置信息和精细作业调度的服务;
设备用户模块,用于根据设备制造方模块提供的服务做出相应决策。
设备制造方和设备用户均为协同维护七维模型中对物理设备PE、虚拟设备VD的监视维。通过服务Ss提供的物理实体的结构模型VS、质量模型VQ、预警模型VW等模型,以及对设备的实时运行状态数据、历史运行状态数据做出数据分析,设备制造方可实现设备的在线监测、产品状态的的实时检测,对设备用户提供远程监控、维护指导、位置信息和精细作业调度服务。由于现代设备的结构和技术越来越复杂,单个设备制造商难以拥有所有的资源和技术,设备维修资源、信息技术的分散导致设备的维护需要其他合作伙伴的支持。如设备设计人员、维修人员,设备备件供应商,维修专家。通过数字孪生服务平台可将设备的不同利益关系者进行资源整合,实现协同维修。
设备用户是协同维护七维模型中对物理设备PE控制维护的执行维,通过服务Ss获取设备制造方EM关于设备运行状态的预警指示,并做出相应决策,以减少设备的维护时间和维护成本。通过搭建于孪生数据DD中的设备维护知识库,形成对应的维修指导解决方案,使维修人员可直观、准确、实时获取维修知识,实现非专业人员独自完成备维修操作。设备制造商能够提供更有效、更及时的服务和支持,保证设备的平稳、连续运行,并与设备用户保持良好的沟通。
各组成部分的连接CN,CN是促使协同维护七维模型各维度互联互通的重要枢纽。主要包含物理设备和虚拟设备的连接(CN_PV),物理设备和孪生数据的连接(CN_PD),物理设备和服务的连接(CN_PS),虚拟设备和孪生数据的连接(CN_VD),虚拟设备和服务的连接(CN_VS),孪生数据和服务的连接(CN_SD),服务和设备制造方的连接(CN_ES),设备制造方和设备用户的连接(CN_ED)。
CN=(CN_PV,CN_PD,CN_PS,CN_VD,CN_VS,CN_SD,CN_ES,CN_ED)
基于构建的设备制造方的数字孪生的协同维护七维模型的多方协同维护模式具体为:
由于客户对设备的故障诊断和预防性维护离不开原始设备制造商的技术支持,设备制造商需要提前检测设备故障,从而最大限度地缩短设备故障检修时间。数字孪生是多学科交叉、全生命周期协同、多应用协同等融合产生的新兴技术,利用大数据、物联网等技术可实现面向技术人员的物理设备制造状态的实时反馈,结合智能算法实现基于历史运行数据的设备运行状态预测。基于Chen等提出的基于网络的设备维护模式,提出基于数字孪生的多方协同维护模式。利用数字孪生技术实时采集与传输设备的运行状态参数,实时映射至虚拟设备中,通过智能算法对历史运行数据的分析,实现对设备未来运行状态的预测。对可能出现的异常状态做出预警,对设备的异常问题做出初步诊断。并通过数字孪生服务平台以可视化的方式向生产操作人员、设备维护参与者实时展现设备的运行状态、预测趋势以及初步诊断报告。
售后设备的多方协同维护流程:
售后设备的三阶段协同维护在设备用户、售后维修人员、维修专家、设计人员、备件供应商等协作开展,以数字孪生驱动的设备状态预测和预警为主,维护流程如图3所示。
根据维护设备难度的不同将不同主导者的维护服务团队分为:自行诊断团队、双方协同团队、多方协同团队。该团队成员只有主导者和参与者之分,没有上下级的设置,且主导者和参与者可参加其他不同的维护团队,出任不同的角色。例如操作人员可参与不同的项目1-5,在项目1中担任主导者,在项目2-5中为参与者;维修人员可参与不同的项目2-4,在项目2中担任主导者,在项目3-5中为参与者;维修专家可参与不同的项目3-5,在项目3-5中担任主导者,如图4所示。
基于数字孪生的售后设备协同维护模式是一种状态维护方式,其前提是构建数字孪生服务平台,向设备维护的各参与者提供人员交流、知识共享、设备在线监测和预测等功能,并以可视化的方式向设备维护参与者实时展现设备的运行状态、预测趋势和初步诊断报告,为维护决策提供可靠的参考。
显示模块包括自行维护模块,用于判断得到当前设备为异常状态时,操作人员结合初步诊断结果与设备维护知识库进行自行诊断设备异常情况。
当数字孪生服务平台预测出设备的异常状态时,向操作人员发出预警和初步诊断报告。操作人员可结合初步诊断报告与设备维护知识库自行诊断设备异常情况,并对维修类型、维修方法、维修备件的选择和维修计划做出决策。若操作人员可自行解决设备的异常状态,则在维护完毕后将此次维护的设备异常类型、决策过程、数字孪生系统诊断报告存储至维护知识数据库中,数据库将其与相似的案例共同存储,以便为以后的维护行为作出指导。若操作人员无法自行诊断设备异常,则需通过数字孪生服务平台联系设备的售后维修人员进行双方协同维护。
显示模块包括双方协同模块,用于当操作人员无法自行解决设备问题时,通过信息服务模块联系设备的售后维修人员,建立起由售后维修人员主导诊断的双方协同维护模式。
当操作人员无法自行解决设备问题时,通过数字孪生服务平台联系设备的售后维修人员,建立起由售后维修人员主导诊断的双方协同维护模式。通过数字孪生服务平台,维修人员能以可视化的方式获取设备的实时运行状态、历史运行状态以及系统初步诊断报告。若维修人员可主导诊断设备的异常状态,则由其做出相应的维护决策。并在维护完毕后将此次维护的设备异常类型、决策过程、数字孪生系统诊断报告存储至维护知识数据库中,与相似的案例共同存储,以便为将来的设备维护提供指导。若维修人员无法主导诊断设备异常,则需通过数字孪生服务平台进一步联系维修专家、设备的设计人员和备件供应商等继续指导维护设备,建立起以维修专家主导诊断的多方协同维护模式。
显示模块包括多方协同模块,用于通过信息服务模块使售后维修人员、操作人员以可视化的方式获取设备的实时运行状态、历史运行状态以及系统初步诊断报告;并结合维护知识数据库、专家的维修经验、设计人员的设计知识和备件性能信息,由维修专家对维修类型、维修方法、维修备件的选择和维修计划做出决策。
通过数字孪生服务平台,维修专家、设备的设计人员和备件供应商等能以可视化的方式获取设备的实时运行状态、历史运行状态以及系统初步诊断报告。结合维护知识数据库、专家的维修经验、设计人员的设计知识和备件性能信息,由维修专家对维修类型、维修方法、维修备件的选择和维修计划做出决策,直到解决问题。
协同维护模式最大的难点在于各维护参与者对设备状态的及时获取、远程复现设备运行情况、各维护参与者实时沟通交流、维护知识和维护案例的实时共享与管理。
利用数字孪生技术构建数字孪生服务平台可实现平台自动预警以提醒操作人员注意设备运行状态可能发生的变化,并向操作人员及后续维护参与者发送初步诊断报告。报告包含引起异常原因、异常部分参数详情、建议处理措施、设备状态趋势等,如图5所示。
当操作人员发起建立协同团队后,各维护参与者可通过数字孪生服务平台实时获取设备当前运行情况和系统预测情况,可通过维护知识库实时共享维护知识与维护案例,进行在线的实时沟通。
基于数字孪生的多方协同模式主要体现在以下三个方面:
(1)人:在该模式中,设备操作人员、售后维修人员、售后维修专家、设备设计人员、设备备件供应商针对不同难度的维护项目,以不同主导者为首协同完成设备维护。并通过数字孪生服务平台共享设备维护知识与维护案例,充分挖掘出不同地域分布的各类专业人员关于维护的专业知识。
(2)机:通过数字孪生技术,构建了与物理设备虚实交互的虚拟模型。过相应的传感器实时采集设备状态参数数据,实时传输至数据库,并实时反馈至虚拟设备以可视化的方式呈现,实现在线监测。并通过智能算法预测设备的未来运行趋势,实时呈现给操作人员和各维护参与者。协调了设备用户的生产计划和维护计划,设备用户与备件供应商的备件供给计划,设备用户与售后服务商的维护需求计划。
(3)数据:通过维护知识库集成管理设备维护知识和维护案例知识,随时随地为维护项目提供理论支持。数字孪生数据库有效保存了设备历史运行状态数据,为操作人员提供设备健康趋势。并基于历史运行数据实时预测设备的未来状态趋势,及时提醒操作人员将要发生的异常。
基于数字孪生技术实现了人、机、数据三者之间的协同交互,实现对设备故障的提前感知,能对故障情况采取最及时最佳的维护措施,保障生产的正常进行。
售后设备维护知识共享模式:
设备制造商和备件供应商具有的知识主要为显性知识,如设备维护记录、设备运行时间、设备状态、备件性能与结构等;设备维修人员、维修专家、设计人员具有的知识主要为隐性知识,例如设备诊断技术、设备维护方法等。隐性知识多为经验类知识,不容易向他人分享。通过维护知识库,可以将这些隐性知识转化为显性知识,实时共享给其他维护参与者,使单个参与者获得多方面的维护能力,如图6所示。只有通过共享知识,使各维护参与者获得足够的维护知识,才能最大程度地保障设备维护的顺利完成。
设备协同维护团队各成员的知识类别不同,需要新获取的知识类别也不相同。因此通过维护知识库对各成员的专业知识进行分类汇总,使各成员能随时获得所需的知识。利用维护知识库对知识管理即为对维护知识的收集、存储、共享和更新。
(1)知识收集
初始阶段,将协同维护团队各成员的维护知识与经验进行汇总,输入维护知识库中。
(2)知识存储
将输入知识库的维护知识按照设备运行状态信息、设备诊断技术、设备维护技术、设备结构信息、设备功能信息、备件功能信息、备件结构信息等进行分类处理,存储在数字孪生系统数据库中的维护知识库中。对维护参与者要求的其独有的专业知识进行加密处理,单独存储。
(3)知识共享
通过数字孪生服务平台,维护参与者可随时获取开放的知识。对于加密处理的信息,需求者可通过服务平台向知识持有者发出获取申请。若知识持有者同意申请,则需求者可获得该项信息。否则不向需求者共享该类加密信息。
(4)知识更新
每次维护完毕后,将本次维护的诊断、决策过程,设备故障原因等信息汇总至知识库中,以备以后查阅借鉴。设备软硬件配置更新换代后,及时将更新后的设备信息存储至知识库中。当维护参与者对设备的相关知识有新的增长后,将该部分新知识存储至知识库中。
与现有技术相比,本实施例提出基于数字孪生的协同维护七维模型,实现向设备用户提供设备故障预警。并提出由数字孪生驱动的设备操作人员通过设备维护知识库自行维护设备异常情况,设备操作人员与售后维修人员协同维护设备异常情况,设备操作人员与维修专家、设计人员、备件供应商等不同利益关系者协同维护设备异常的协同维护模式。使设备制造方向设备用户提供更有效、更及时的服务和支持。
实施例二
本实施例提供的一种基于数字孪生的售后设备预测性维护协同系统与实施例一的不同之处在于:
本实施例以某瓶装水生产过程为例进行说明。
马尔可夫链模型是以俄国数学家A.A.Markov命名的一种动态随机模型,它通过分析随机变量现实的运动情况来预见这些变量未来的运动情况。该过程要求具备无后效性,即下一状态的概率分布只能由当前状态决定,与之前状态无关。也就是说:过去只对现在有影响,对将来没影响,只有现在才对将来有影响。
设备的状态可以简单地建模,如图7所示:正常状态(N)、劣化状态(Abn)和故障状态(F)。故障率λ和修复率μ分别是平均故障时间F和平均修复时间R的倒数。
状态转移矩阵如下:
设备建模
对瓶装水的生产来说,由于饮料行业对生产过程卫生标准的特殊要求,每隔数小时需对封盖机作停机处理,以进行清洁维护。导致在封盖过程中虽然会产生大量的质量数据,但连续不间断生产过程的数据相对较少(即清洁维护前后的质量数据关联性不大)。在瓶装水封盖过程中,封盖质量受瓶盖质量(是否有残缺)和封盖扭矩影响较大。而瓶盖质量受其原材料和塑形过程影响,具有较强的随机性,且封盖扭矩在短时间内的变化情况具有一定随机性,因此会对封盖质量造成影响的关键危害点可以认为是随机的,质量数据的前后关联性不强。比起其他的预测模型,马尔可夫链模型只要求当前数据的状态和变化趋势,更适用于瓶装水封盖过程的设备状态预测。
该部分提出了一个基于马尔可夫链模型的封盖机模型,选取对封盖质量影响最大的瓶盖质量和封盖扭矩为质量数据采集点。该过程描述了设备的劣化以及检修过程,如图8所示。
在图8中,状态N是正常状态,表示设备运行正常。状态Abn1和Abn2是劣化状态,表明当前生产过程有不良品产生(封盖问题);Abn1表示因瓶盖有缺损导致的“高歪盖”现象;Abn2表示封盖扭矩过大或过低导致的“高歪盖”现象。状态F是故障状态,瓶盖有缺损和封盖扭矩不正常同时导致的“高歪盖”现象。检修用R表示,该行为是动作而不是设备状态。当进行检查时,设备处于正常、劣化或故障状态。如果设备处于正常状态,则无需采取任何措施。如果设备处于劣化或故障状态,则状态为“Abn”或“F”,即图8中的检修状态只能在检查时被激活。因此,检查过渡被绘制为虚线。在进行检查后,检查员可以决定设备是否需要维护。决策a11、a21、f11和f21指执行设备维护,而决策a12、a22、f12和f22指延迟设备维护。假设一旦执行维护,状态就会恢复正常。
假设设备状态以一定的概率在正常N、劣化Abn1、劣化Abn2和故障F这4个状态之间转移。其中:1代表正常N、2代表劣化Abn1、3代表劣化Abn2、4代表故障F。
根据图8可得该模型的状态转移矩阵的公式表示为:
一般来说,离散时间马尔可夫链模型更易于分析。马尔可夫链的一致化是将连续时间链转换为离散时间马尔可夫链的一种方法。通过马尔可夫链的一致化,可以将转移率转化为概率。通过选择一个均匀的转移率γ,我们可以构造一个随机等效的均匀化离散时间马尔可夫链。均匀速率表示离开某个状态的实际总概率流量。在该模型中,均匀转移率γ由公式表示为:
γ=λ1+λ2+λ3+λ4+λ5+μ1+μ2+μ3+μ4+μ5+ν1+ν2+ν3+ν4
其中,
λ1+λ2+λ5+ν1=1
λ3+μ1+ν2=1
λ4+μ2+ν3=1
μ3+μ4+μ5+ν4=1
λ1=λ4,λ2=λ3,μ1=μ5,μ2=μ4
通过将原始转换率除以γ,得到所有状态之间的转移概率。图9显示了均
匀化链的状态转移图。由此可求出当前设备状态π在成为图中四种状态的概率。
模型验证:
为了验证马尔可夫链模型的准确性,收集了100组封盖机状态数据,每组数据采集点的时间间隔为1小时,按照采集的先后顺序将其依次标记为“序号1-序号100”,如表1所示。每单位间隔时间内,未出现“高歪盖”和瓶盖扭矩力不足的情况时,设备状态标记为“N”;只出现“高歪盖”或者瓶盖扭矩力不足的情况时间,设备状态标记为“Abn1”或“Abn2”;同时出现“高歪盖”和瓶盖扭矩力不足的时,设备状态标记为“F”。
表1封盖机不同阶段运行状态
根据状态转移矩阵的公式与当前设备状态π在成为图中四种状态的概率的公式可得该模型当前的状态转移矩阵P和设备状态π,根据马尔可夫稳态概率求解法可得:
利用前42组状态数据,计算出第43组的状态分布概率π43(i),以此类推可算得第43-100组,共58组的状态分布概率πn(i)。由58组的状态分布概率可得57组(第44组-100组)的状态分布概率变化度Δπn(i)。通过比较状态分布概率变化度Δπn(1)、Δπn(2)、Δπn(3)、Δπn(4)的大小得出第n组的预测状态。
Δπn+1(i)=πn+1(i)-πn(i)(i=1、2、3、4)
58次测试的预测准确率如图10所示。由图10可看出,随着测试次数增加,预测准确率逐渐趋于平稳,准确率浮动主要介于75%-80%,最终第58次的预测准确率为77.6%。
基于马尔可夫链预测的数字孪生服务平台:
通过马尔可夫预测模型实现对封盖设备的关键质量控制点进行实时监测和预测,如图11所示。该界面实时呈现封盖设备扭矩的变化和未来运行状态的预测情况,预测出异常结果时立刻发出预警。
操作人员接收到预警时,结合平台提供的初步诊断报告当即对设备的异常情况进行判断,当无法自行解决问题时,提供数字孪生服务平台联系售后维修人员,进行视频连线,建立双方协同模式,如图12所示。
当维护完成时,设备操作人员需将此次维护的异常类别、异常原因、维护实施情况等输入案例管理中,存储至维护知识数据库,为后续维护提供指导,如图13所示。
本实施例将数字孪生技术引入由设备制造方向设备用户提供的设备维护服务中,提出了基于数字孪生的协同维护七维模型和基于数字孪生的售后设备维护服务协同模式,实现了人、机、数据三者之间的协同交互和对设备故障的预警。构建了封盖设备马尔可夫模型,利用设备历史运行状态数据对某瓶装水封盖设备的运行状态进行预测,验证协同维护七维模型对设备运行状态预测和预警的可行性。该七维模型可保障设备制造方向设备用户提供更有效、更及时的服务和支持,保证设备的平稳、连续运行,并与设备用户保持良好的沟通。在此预测基础上构建了数字孪生服务平台框架,以联系维护参与者,构建维护知识数据库。解决了设备制造方依靠传统的故障诊断服务无法满足客户对快速故障诊断和维护的要求,有利于提升企业竞争力。
基于数字孪生的售后设备预测性维护协同模式的最终目的是实现由设备操作人员自行判断维护设备异常情况,设备操作人员联合维修人员协同诊断设备异常情况,设备操作人员联合维修专家、设计人员、备件供应商等不同利益关系者协同诊断设备异常的协同维护模式。在设备维护的不同参与者的协同联系和设备维护知识库的构建方面可进一步加强。下一步的研究可结合工业互联网平台和大数据分析等技术,构建数字孪生服务平台连接各利益关系者,构建设备维护知识库,并进一步提高设备运行状态预测的准确率。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种基于数字孪生的售后设备预测性维护协同系统,其特征在于,包括:
构建模块,用于构建基于设备制造方的数字孪生的协同维护七维模型;
采集模块,用于基于构建的数字孪生的协同维护七维模型实时采集与传输设备的运行状态参数;
分析模块,用于基于构建的数字孪生的协同维护七维模型对采集到的设备运行参数进行预测分析,得到设备的预测结果;
判断模块,用于根据得到的设备预测结果判断当前设备的状态是否正常;
处理模块,用于当判断得到当前设备为异常状态时,对当前设备的异常问题做出初步诊断,得到初步诊断结果;
显示模块,用于基于数字孪生的协同维护七维模型以可视化的方式向生产操作人员、设备维护参与者实时展现设备的运行状态、预测趋势以及初步诊断结果。
2.根据权利要求1所述的一种基于数字孪生的售后设备预测性维护协同系统,其特征在于,所述构建模块中构建的设备制造方的数字孪生的协同维护七维模型包括物理设备模块、虚拟设备模块、孪生数据模块、信息服务模块、设备制造方模块、设备用户模块;
所述物理设备模块,用于将与物理设备相关的运行状态数据分别传输至孪生数据模块和信息服务模块;
所述虚拟设备模块,用于将与虚拟设备相关的运行状态数据分别传输至孪生数据模块和信息服务模块;
所述信息服务模块,用于接收物理设备模块传输的运行状态数据以及虚拟设备模块传输的运行状态数据,对接收到的数据进行分析处理,并将分析处理的数据传输至孪生数据模块;
所述孪生数据模块,用于存储物理设备模块传输的运行状态数据、虚拟设备模块传输的运行状态数据以及信息服务模块传输的分析处理后的数据;
所述设备制造方模块,用于根据信息服务模块分析处理后的数据进行设备的在线监测、产品状态的实时检测,并对设备用户模块提供远程监控、维护指导、位置信息和精细作业调度的服务;
所述设备用户模块,用于根据设备制造方模块提供的服务做出相应决策。
3.根据权利要求2所述的一种基于数字孪生的售后设备预测性维护协同系统,其特征在于,所述虚拟设备模块,表示为:
VD=(VS、VQ、VW)
其中,VD表示虚拟设备;VS表示物理设备的三维模型;VQ表示构成物理设备的元件在运行时的相关质量状态模型;VW表示对物理设备的运行状态进行预测评估模型。
4.根据权利要求3所述的一种基于数字孪生的售后设备预测性维护协同系统,其特征在于,所述信息服务模块,表示为:
Ss=(FS,BS)
其中,Ss表示信息服务;FS表示功能性服务;BS表示业务性服务;
所述功能性服务FS包括向虚拟设备VD提供的模型服务、向孪生数据提供的数据储存、数据处理、数据分析服务;
所述业务性服务BS包括向设备制造方EM、设备用户DU提供监视服务、设备维修维护服务、虚拟培训指导服务以及设备实时运行状态数据。
5.根据权利要求4所述的一种基于数字孪生的售后设备预测性维护协同系统,其特征在于,所述孪生数据模块,表示为:
DD=(Dp、Dv、Ds、De、Dd、Dk、Df)
其中,DD表示孪生数据;Dp表示物理设备PE的物理要素属性数据和实时运行状态数据;Dv表示虚拟设备VD的相关数据;Ds表示功能性服务FS和业务性服务BS的相关数据;De表示设备制造方EM的相关数据;Dd表示设备用户DU的相关数据;Dk表示数据库、专家知识的相关数据;Df表示Dp、Dv、Ds、De、Dd、Dk之间相互转化、关联、融合生成的衍生数据和设备历史运行状态数据。
6.根据权利要求5所述的一种基于数字孪生的售后设备预测性维护协同系统,其特征在于,所述显示模块包括自行维护模块,用于判断得到当前设备为异常状态时,操作人员结合初步诊断结果与设备维护知识库进行自行诊断设备异常情况。
7.根据权利要求6所述的一种基于数字孪生的售后设备预测性维护协同系统,其特征在于,所述显示模块包括双方协同模块,用于当操作人员无法自行解决设备问题时,通过信息服务模块联系设备的售后维修人员,建立起由售后维修人员主导诊断的双方协同维护模式。
8.根据权利要求7所述的一种基于数字孪生的售后设备预测性维护协同系统,其特征在于,所述显示模块包括多方协同模块,用于通过信息服务模块使售后维修人员、操作人员以可视化的方式获取设备的实时运行状态、历史运行状态以及系统初步诊断报告;并结合维护知识数据库、专家的维修经验、设计人员的设计知识和备件性能信息,由维修专家对维修类型、维修方法、维修备件的选择和维修计划做出决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011319266.4A CN112418523B (zh) | 2020-11-23 | 2020-11-23 | 一种基于数字孪生的售后设备预测性维护协同系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011319266.4A CN112418523B (zh) | 2020-11-23 | 2020-11-23 | 一种基于数字孪生的售后设备预测性维护协同系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418523A true CN112418523A (zh) | 2021-02-26 |
CN112418523B CN112418523B (zh) | 2024-03-22 |
Family
ID=74778351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011319266.4A Active CN112418523B (zh) | 2020-11-23 | 2020-11-23 | 一种基于数字孪生的售后设备预测性维护协同系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418523B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408764A (zh) * | 2021-08-17 | 2021-09-17 | 能科科技股份有限公司 | 基于数字孪生的产品在线技术状态管控系统 |
CN113538997A (zh) * | 2021-07-14 | 2021-10-22 | 重庆电子工程职业学院 | 一种设备预测性维护学习系统 |
CN113538865A (zh) * | 2021-06-18 | 2021-10-22 | 意特利(上海)科技有限公司 | 基于数字孪生的五轴联动机床在线诊断预警系统及方法 |
CN114330780A (zh) * | 2021-12-31 | 2022-04-12 | 哈尔滨宇龙自动化有限公司 | 设备售后维护系统及方法 |
CN114418462A (zh) * | 2022-03-28 | 2022-04-29 | 北京安盟信息技术股份有限公司 | 基于层次化数字孪生体的主力设备安全管理方法及系统 |
CN114579913A (zh) * | 2022-03-10 | 2022-06-03 | 灰觋有限公司 | 数字孪生文化场馆的构建方法、系统及存储介质 |
CN115129430A (zh) * | 2022-09-01 | 2022-09-30 | 山东德晟机器人股份有限公司 | 一种基于5g网络的机器人远程控制指令下发方法及系统 |
CN117977815A (zh) * | 2024-03-29 | 2024-05-03 | 杭州互为综合能源服务有限公司 | 一种带用电预测功能的电能计量采集系统 |
CN118378856A (zh) * | 2024-06-21 | 2024-07-23 | 山东港口科技集团烟台有限公司 | 一种基于港口生产作业的监控管理系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447508A (zh) * | 2018-11-12 | 2019-03-08 | 北京航天智造科技发展有限公司 | 一种企业智能化改造成熟度评价方法 |
CN110348103A (zh) * | 2019-07-04 | 2019-10-18 | 北京航空航天大学 | 一种基于数字孪生的车辆抗毁伤评估方法 |
CN111754290A (zh) * | 2020-04-30 | 2020-10-09 | 山东旭兴网络科技有限公司 | 一种数字孪生平台电商平台系统 |
-
2020
- 2020-11-23 CN CN202011319266.4A patent/CN112418523B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447508A (zh) * | 2018-11-12 | 2019-03-08 | 北京航天智造科技发展有限公司 | 一种企业智能化改造成熟度评价方法 |
CN110348103A (zh) * | 2019-07-04 | 2019-10-18 | 北京航空航天大学 | 一种基于数字孪生的车辆抗毁伤评估方法 |
CN111754290A (zh) * | 2020-04-30 | 2020-10-09 | 山东旭兴网络科技有限公司 | 一种数字孪生平台电商平台系统 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538865A (zh) * | 2021-06-18 | 2021-10-22 | 意特利(上海)科技有限公司 | 基于数字孪生的五轴联动机床在线诊断预警系统及方法 |
CN113538997A (zh) * | 2021-07-14 | 2021-10-22 | 重庆电子工程职业学院 | 一种设备预测性维护学习系统 |
CN113408764A (zh) * | 2021-08-17 | 2021-09-17 | 能科科技股份有限公司 | 基于数字孪生的产品在线技术状态管控系统 |
CN113408764B (zh) * | 2021-08-17 | 2023-01-13 | 能科科技股份有限公司 | 基于数字孪生的产品在线技术状态管控系统 |
CN114330780A (zh) * | 2021-12-31 | 2022-04-12 | 哈尔滨宇龙自动化有限公司 | 设备售后维护系统及方法 |
CN114579913A (zh) * | 2022-03-10 | 2022-06-03 | 灰觋有限公司 | 数字孪生文化场馆的构建方法、系统及存储介质 |
CN114418462A (zh) * | 2022-03-28 | 2022-04-29 | 北京安盟信息技术股份有限公司 | 基于层次化数字孪生体的主力设备安全管理方法及系统 |
CN115129430A (zh) * | 2022-09-01 | 2022-09-30 | 山东德晟机器人股份有限公司 | 一种基于5g网络的机器人远程控制指令下发方法及系统 |
CN115129430B (zh) * | 2022-09-01 | 2022-11-22 | 山东德晟机器人股份有限公司 | 一种基于5g网络的机器人远程控制指令下发方法及系统 |
CN117977815A (zh) * | 2024-03-29 | 2024-05-03 | 杭州互为综合能源服务有限公司 | 一种带用电预测功能的电能计量采集系统 |
CN118378856A (zh) * | 2024-06-21 | 2024-07-23 | 山东港口科技集团烟台有限公司 | 一种基于港口生产作业的监控管理系统及方法 |
CN118378856B (zh) * | 2024-06-21 | 2024-09-17 | 山东港口科技集团烟台有限公司 | 一种基于港口生产作业的监控管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112418523B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418523B (zh) | 一种基于数字孪生的售后设备预测性维护协同系统 | |
US10325155B2 (en) | Analyzing video streams in an industrial environment to identify potential problems and select recipients for a display of video streams related to the potential problems | |
KR101935652B1 (ko) | 빅데이터 플랫폼을 이용한 스마트 공장 운영 관리 솔루션 서비스 시스템 및 방법 | |
CN104142663B (zh) | 云平台中的工业设备和系统证明 | |
CN113361139B (zh) | 一种基于数字孪生的产线仿真滚动优化系统及方法 | |
CN104142661B (zh) | 使用基于云的数据用于工业自动化系统训练 | |
JP2020518079A (ja) | スマート工場並列制御方法及びシステム | |
CN107850889A (zh) | 管理系统及管理方法 | |
US20090037378A1 (en) | Automatic generation of forms based on activity | |
WO2021174980A1 (zh) | 一种维修任务分配方法、系统、装置及存储介质 | |
CN112666885A (zh) | 基于工业互联网环保设备监控管理平台 | |
CN117452889B (zh) | 轮胎智能装备平台系统及控制方法 | |
CN105388876A (zh) | 获得基于班组的间歇型化工生产工艺符合度的方法及装置 | |
CN116934043A (zh) | 一种动漫设计任务精细化管理系统 | |
KR102489119B1 (ko) | 스마트 고장형태 영향분석 시스템 및 이를 이용한 공정관리 시스템 및 방법 | |
CN117408561A (zh) | 一种住宅工程建设监理方法、装置及电子设备 | |
CN110471381B (zh) | 一种印染工业互联网平台、设备及系统 | |
CN117055494A (zh) | 一种基于数字孪生的智慧工厂生产在线监测分析系统 | |
CN115760065A (zh) | 一种设备维护管理系统及维护管理方法 | |
CN115933477A (zh) | 一种蓄电池生产状态集中显示系统 | |
CN115762090A (zh) | 基于卷积神经网络的金融级系统智能监控预警方法及系统 | |
CN115222181B (zh) | 机器人运营状态监控系统及方法 | |
CN114265891A (zh) | 基于多源数据融合的智慧车间系统、方法及存储介质 | |
CN114756394A (zh) | 全链路生产数据质量智能诊断系统 | |
CN113887861A (zh) | 一种输变电主设备准实时数据监测系统 |
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 |