CN112488489B - 一种数字孪生驱动的加工质量追溯与动态控制方法 - Google Patents
一种数字孪生驱动的加工质量追溯与动态控制方法 Download PDFInfo
- Publication number
- CN112488489B CN112488489B CN202011345868.7A CN202011345868A CN112488489B CN 112488489 B CN112488489 B CN 112488489B CN 202011345868 A CN202011345868 A CN 202011345868A CN 112488489 B CN112488489 B CN 112488489B
- Authority
- CN
- China
- Prior art keywords
- processing quality
- information
- data
- model
- quality
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 230000010354 integration Effects 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000003466 welding Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 8
- 238000013499 data model Methods 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims description 5
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010219 correlation analysis Methods 0.000 abstract description 3
- 238000011002 quantification Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000003754 machining Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种数字孪生驱动的加工质量追溯与动态控制方法,结合主成分与灰色关联分析方法,对加工质量的影响因素进行分析与效应量化,建立了支持质量追溯的加工质量信息语义化描述模型与质量信息的关联与集成机制,并构建了面向加工质量动态控制的制造单元物联网系统与虚实信息融合的孪生数据库,在此基础上,采用基于数字孪生技术的加工质量动态控制方法,通过物理加工与虚拟仿真的实时交互,该方法可以在现场采集数据的基础上,高效精准追溯故障源,并通过动态仿真优化与质量预测,使工艺优化与加工质量的动态控制更加科学合理,有效的提高了加工质量,并降低了现场调控的安全风险与测试成本。
Description
技术领域
本发明涉及计算机集成制造技术领域,特别涉及一种数字孪生驱动的加工质量追溯与动态控制方法。
背景技术
产品质量是顾客的关注重点与企业为提升市场竞争力的核心指标,而加工质量是保证产品质量的基础,并直接影响着产品的功能特性、结构优劣与使用寿命,因此,实施高效的加工质量追溯与动态控制策略具有极其重要的现实意义与应用价值。然而,随着目前加工制造的柔性化、复杂化与对产品质量指标的严格把控,对加工质量的追溯与动态控制提出了更高的要求与挑战。同时,多源异构与冗杂的加工质量数据采用不同的储存方式与逻辑模型,采用传统的追溯方法无法对此进行有序的组织与系统性的管理,使得质量追溯的有效实施受到阻碍,此外,由于未能高效的采集质量数据与实时反馈决策方案,对加工质量的动态控制体现时效性不足,并缺乏前期对质量信息的有效利用与数据挖掘,也导致主动预测能力不足。当前,随着新一代信息技术已广泛应用于智能制造的重要趋势下,网络物理系统,云计算和数字孪生被视为实现智能制造的关键技术,其中,数字孪生是充分利用了物理实体与虚拟模型、各类数据与集成了多学科的技术,可应用于产品的全生命周期过程,实现物理与虚拟空间的同步映射,并通过虚实交互反馈、数据融合分析、决策迭代优化等手段,可提供智能、实时与高效的服务。
发明内容
发明目的:本发明的目的是提供一种数字孪生驱动的加工质量追溯与动态控制方法,一方面提高加工质量的追溯效率与准确性,解决追溯加工任务中多源影响因素的关联数据集成与如何量化影响效应等问题,另一方面实现加工质量的动态控制与工艺优化,提高对制造单元物联网系统中实时数据的感知与管理能力,促进物理与虚拟车间的深度融合,提供数据分析、质量预测、工艺优化与实时反馈等智能化服务,使工艺优化与加工质量的动态控制更加科学合理,有效的提高加工质量,并降低现场调控的安全风险与测试成本。
技术方案:本发明所述的一种数字孪生驱动的加工质量追溯与动态控制方法,包括以下步骤:
S1:采用面向加工质量约束的制造单元物联网系统进行实时数据的采集、上行传输与下行控制指令的精准执行;
S2:采用STEP标准与XML描述语言,建立加工质量信息集成模型以集成多源异构数据;
S3:开发面向加工质量的孪生数据库的概念模型;
S4:依托加工质量追溯与动态控制系统,基于孪生数据库的支持,实现加工质量追溯与动态仿真优化;
S5:采用智能算法,融合孪生数据中的实测数据与历史数据,对加工质量进行预测。
作为优选,所述S1中实时数据的采集、上行传输与下行控制指令的精准执行采用传感器组、智能检测仪、RFID以及外接协议接口、执行器实现的。
作为优选,所述S2中加工质量信息集成模型的建模规则包括有信息建模与数据模型映射标准以及描述格式与语言,所述信息建模与数据模型映射标准选择STEP标准作为产品模型数据交互规范,建立质量信息与中性文件及关系数据库的映射关系;所述描述格式与语言采用满足STEP标准的EXPRESS语言及图形化方式建立信息描述模型,并采用了可扩展标记语言XML对装焊质量信息集成模型进行了语义化描述。
作为优选,所述S2中加工质量信息集成模型的建模步骤具体包括以下步骤:
S2.1:选择STEP标准及对应服务器,作为标准化信息集成建模方法;
S2.2:设计质量数据类型的映射规则,采用满足STEP标准的EXPRESS语言及图形化方式建立信息模型;
S2.3:选择可扩展标记语言XML,作为目标信息模型的一致描述格式,实现信息在不同系统之间的传输和读写;
S2.4:开发对应的关系数据库和实现数据在特定业务中交流。
作为优选,所述S3中开发面向加工质量的孪生数据库的概念模型具体包括以下步骤:
S3.1:建立数字孪生驱动的加工质量追溯与动态控制方法体系;
S3.2:确定加工质量信息的组织与管理方法,分析加工质量的影响因素,建立信息模型以表达与集成多源异构的加工质量数据,确定信息关联机制支持的加工质量追溯方法;
S3.3:执行基于数字孪生驱动的加工质量动态控制方法。
一种数字孪生驱动的加工质量追溯与动态控制系统,包括有物理制造单元、传输层、虚拟制造单元、数据层和服务层;
所述物理制造单元是数字孪生体对应的物理实体目标对象所处的现实物理域,是数字孪生技术的实体基础与制造活动的执行主体;
所述传输层由有线网络和无线网络组成;
所述虚拟制造单元用以实现多维度、多时间尺度的超写实描述与动态仿真其物理实体及加工过程;
所述数据层包括三维工艺设计数据、现场感知数据、虚拟仿真数据、应用数据、知识数据及其虚拟交互融合的衍生数据;
所述服务层包括数据前处理模块和功能模块。
作为优选,所述物理实体目标对象包括有在制工件、加工设备、工装量具、操作人员与加工环境。
作为优选,所述数据前处理模块负责对实时采集的数据进行在线监控、分析、统计与评估,提取加工数据的特征,并针对制造阶段产生的质量缺陷,采用主成分分析与灰色关联分析方法,结合分析结果,建立支持加工质量追溯的集成信息模型。
作为优选,所述功能模块负责对加工质量信息的可视化显示、基于虚拟制造单元的加工仿真与优化、加工质量追溯与预测。
有益效果:
(1)本发明基于制造单元物联网系统对实时数据的采集与以统一表达的方式进行数据处理,很好的解决了数据具备多源异构特征的问题,具体表现为大量的业务数据采用不同的储存方式与逻辑模型,也有利于数据的管理与共享。
(2)本发明为加工质量追溯与影响因素的分析提供了更完整的信息流,提高了追溯的准确性与效率。
(3)本发明通过物理加工与虚拟仿真的实时交互,以及利用智能预测算法对数据进行处理,使工艺优化与加工质量的动态控制更加科学合理与智能化,有效的提高了加工质量,并降低了现场调控的安全风险与测试成本。
附图说明
图1是本发明的系统模型图;
图2是本发明的加工质量约束的制造单元物联网系统模型;
图3是本发明的方法流程图;
图4是本发明的基于STEP与XML描述的加工质量信息集成实例。
具体实施方式
下面结合具体实施例对本发明进行进一步的说明。
如图1所示,是本发明的系统模型图,数字孪生驱动的加工质量追溯与动态控制系统包括有5个技术层面组成:物理制造单元、传输层、虚拟制造单元、数据层和服务层。
物理制造单元是数字孪生体对应的物理实体目标对象所处的现实物理域,是数字孪生技术的实体基础与制造活动的执行主体,通过接入感知装备、数据协议与执行控制器,能够提供基础的数据源与精准执行动态调控指令,对象主要包括在制工件、加工设备、工装量具、操作人员与加工环境等生产要素,以及各类影响加工质量的静态与动态信息,即如图2中制造单元层中工艺装备与感知数据所示。
虚拟制造单元是物理层的高保真虚拟数字化映射,是进行加工质量追溯与动态控制的关键载体,主要的功能是可以多维度、多时间尺度的超写实描述与动态仿真其物理实体及加工过程。
数据层是数字孪生系统的核心,主要包括三维工艺设计数据、现场感知数据、虚拟仿真数据、应用数据、知识数据及其虚拟交互融合的衍生数据,主要负责数据的表达、分类、存储、预处理与使用、维护与测试,驱动物理与虚拟实体的融合与智能服务的实现。
传输层是由有线网络(如工业以太网、数据光缆等)与无线网络(工业WIFI、ZigBee、WIMAX等)组成的数据传输网络,即如图2数据感知层与传输层所示,目的是对各类采集数据进行联网聚合与传输,从而实现物理层、模型层、数据层与服务层两两之间的双向通信。
服务层包括数据前处理模块和功能模块,数据前处理模块是实施加工质量动态控制与生产管理的技术支持,主要负责对实时采集的数据进行在线监控、分析、统计与评估,提取加工数据的特征。此外,针对制造阶段产生的质量缺陷,采用主成分分析与灰色关联分析方法,并结合分析结果,建立支持加工质量追溯的集成信息模型,它可以实现快速的组织与有序的管理相关的质量信息,提高追溯效率;功能模块是加工质量追溯与动态控制的技术实现方式,主要负责对相关加工质量信息的可视化显示、基于虚拟制造单元的加工仿真与优化、加工质量追溯与预测,据此支持决策部门、质检部门与生产部门等实施加工工艺方案与生产任务的优化与调整。
如图3所示为本发明的方法流程图,具体包括如下步骤:
S1:采用面向加工质量约束的制造单元物联网系统进行实时数据的采集、上行传输与下行控制指令的精准执行,通过传感器组、智能检测仪、RFID以及外接协议接口、执行器来实现;
S2:采用STEP标准与XML描述语言,建立加工质量信息集成模型以集成多源异构数据,加工质量信息集成模型的建模规则包括有信息建模与数据模型映射标准以及描述格式与语言,其中信息建模与数据模型映射标准选择STEP标准作为产品模型数据交互规范,是国际标准化组织制定的与能够描述整个产品生命周期内产品信息的标准,建立了质量信息与中性文件及关系数据库的映射关系,如工件的几何信息、公差规范、拓扑、属性、关系、材料性能和质量相关数据;
描述格式与语言采用满足STEP标准的EXPRESS语言及图形化方式建立信息描述模型,并采用了可扩展标记语言XML对装焊质量信息集成模型进行了语义化描述,如图4所示为基于STEP与XML描述的加工质量信息集成实例:
首先,焊接工艺质量追溯信息是焊接工艺质量追溯信息模型的抽象实体,是该模式schema顶层设计的超类,根据影响质量的关联关系与追溯需求,其子类的三种属性主要包括了Management_info,Qualify_Inforamtion与Impact_Information,分别描述管理信息、焊接质量信息与质量影响因素信息。其次,焊接工艺质量影响因素信息是质量追溯的主要源头,根据上节对影响因素的分析,Impact_Information具有6个子类型,分别描述操作人员信息、工艺执行信息、工装夹具信息、物料信息、设备信息与环境信息,通过共有与有序的标识属性,如Its_ID,Its_Process_ID,Its_Workpiece_ID,实现基于STEP标准下异构信息的快速交互与集成。其次,焊接工艺质量信息是质量追溯的起点,其中的工序质量标准文件与质检规程记录为质量追溯的执行与比较提供了前提条件与可靠依据。Qualify_Inforamtion包括了3个子类型,各自描述质量标准信息、焊接质量特性监测数据,工序检测与评估信息。此外,工序管理信息是执行质量追溯的依据与保证,其实体的属性包含Its_Id、Its_Author与Its_time等。
加工质量信息集成模型的建模步骤具体包括以下步骤:
S2.1:选择STEP标准及对应服务器,作为标准化信息集成建模方法;
S2.2:设计质量数据类型的映射规则,采用满足STEP标准的EXPRESS语言及图形化方式建立信息模型;
S2.3:选择可扩展标记语言XML,作为目标信息模型的一致描述格式,实现信息在不同系统之间的传输和读写;
S2.4:开发对应的关系数据库和实现数据在特定业务中交流。
S3:开发面向加工质量的孪生数据库的概念模型,具体包括以下步骤:
S3.1:建立数字孪生驱动的加工质量追溯与动态控制方法体系;
S3.2:确定加工质量信息的组织与管理方法,分析加工质量的影响因素,建立信息模型以表达与集成多源异构的加工质量数据,确定信息关联机制支持的加工质量追溯方法;
S3.3:执行基于数字孪生驱动的加工质量动态控制方法。
S4:依托加工质量追溯与动态控制系统,基于孪生数据库的支持,实现加工质量追溯与动态仿真优化;
S5:采用智能算法,融合孪生数据中的实测数据与历史数据,对加工质量进行预测。
通过以上方法,一方面,可以对实时检测到的质量信息进行可视化监控与分析,一旦发现质量异常,可以通过信息集成的质量追溯机制进行质量信息的快速集成与组织,根据数据的异常情况判断并定位影响源,随后采取相应的调整措施如优化加工路线、加工参数、及时更换加工设备等;另一方面,在多维度、超写实的虚拟制造环境下,实时的加工状态信息、质量信息等可以通过虚拟仿真技术能够进行加工仿真,并通过聚类、关联分析与智能预测算法,如支持向量机(SVR)、人工神经网络(ANN)预测模型等进行加工质量信息预测,从而实现加工质量的主动性控制,并获取最优的工艺路线与加工参数组合,以实时保证加工质量处于合理与可控的范围内。
Claims (3)
1.一种数字孪生驱动的加工质量追溯与动态控制方法,其特征在于:包括以下步骤:
S1:采用面向加工质量约束的制造单元物联网系统进行实时数据的采集、上行传输与下行控制指令的精准执行;
S2:采用STEP标准与XML描述语言,建立加工质量信息集成模型以集成多源异构数据,具体包括以下步骤:
S2.1:选择STEP标准及对应服务器,作为标准化信息集成建模方法;
S2.2:设计质量数据类型的映射规则,采用满足STEP标准的EXPRESS语言及图形化方式建立信息模型;
S2.3:选择可扩展标记语言XML,作为目标信息模型的一致描述格式,实现信息在不同系统之间的传输和读写;
S2.4:开发对应的关系数据库和实现数据在特定业务中交流;
S3:开发面向加工质量的孪生数据库的概念模型,具体包括以下步骤:
S3.1:建立数字孪生驱动的加工质量追溯与动态控制方法体系;
S3.2:确定加工质量信息的组织与管理方法,分析加工质量的影响因素,建立信息模型以表达与集成多源异构的加工质量数据,确定信息关联机制支持的加工质量追溯方法;
S3.3:执行基于数字孪生驱动的加工质量动态控制方法;
S4:依托加工质量追溯与动态控制系统,基于孪生数据库的支持,实现加工质量追溯与动态仿真优化;
S5:采用智能算法,融合孪生数据中的实测数据与历史数据,对加工质量进行预测。
2.根据权利要求1所述的一种数字孪生驱动的加工质量追溯与动态控制方法,其特征在于:所述S1中实时数据的采集、上行传输与下行控制指令的精准执行采用传感器组、智能检测仪、RFID以及外接协议接口、执行器实现的。
3.根据权利要求1所述的一种数字孪生驱动的加工质量追溯与动态控制方法,其特征在于:所述S2中加工质量信息集成模型的建模规则包括有信息建模与数据模型映射标准以及描述格式与语言,所述信息建模与数据模型映射标准选择STEP标准作为产品模型数据交互规范,建立质量信息与中性文件及关系数据库的映射关系;所述描述格式与语言采用满足STEP标准的EXPRESS语言及图形化方式建立信息描述模型,并采用了可扩展标记语言XML对装焊质量信息集成模型进行了语义化描述。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011345868.7A CN112488489B (zh) | 2020-11-26 | 2020-11-26 | 一种数字孪生驱动的加工质量追溯与动态控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011345868.7A CN112488489B (zh) | 2020-11-26 | 2020-11-26 | 一种数字孪生驱动的加工质量追溯与动态控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488489A CN112488489A (zh) | 2021-03-12 |
CN112488489B true CN112488489B (zh) | 2024-02-27 |
Family
ID=74934862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011345868.7A Active CN112488489B (zh) | 2020-11-26 | 2020-11-26 | 一种数字孪生驱动的加工质量追溯与动态控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488489B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113050566B (zh) * | 2021-03-17 | 2021-09-28 | 珠海市鸿瑞信息技术股份有限公司 | 基于大数据的工业控制系统网络安全数据的高效采集方法 |
CN113311795A (zh) * | 2021-05-28 | 2021-08-27 | 长安大学 | 一种基于机器学习的智能产线产品质量管控方法及系统 |
CN113420448B (zh) * | 2021-06-25 | 2023-05-23 | 中国兵器装备集团自动化研究所有限公司 | 一种弹药熔铸装药成型过程的数字孪生系统及方法 |
CN114584571B (zh) * | 2021-12-24 | 2024-02-27 | 北京中电飞华通信有限公司 | 基于空间计算技术的电网场站数字孪生同步通信方法 |
CN115238529B (zh) * | 2022-09-23 | 2022-12-16 | 北自所(北京)科技发展股份有限公司 | 基于数字孪生的化纤长丝工艺溯源方法、装置及存储介质 |
CN116738772B (zh) * | 2023-08-16 | 2023-10-27 | 国网浙江省电力有限公司杭州供电公司 | 基于数字孪生的供电路径追溯方法、装置、设备及介质 |
CN117217582A (zh) * | 2023-08-29 | 2023-12-12 | 凯盛君恒(蚌埠)有限公司 | 设备生产处理方法、装置和计算机设备 |
CN116975129B (zh) * | 2023-09-14 | 2023-11-24 | 成都融见软件科技有限公司 | 基于源文件窗口的信号追溯方法、电子设备和介质 |
CN117193212A (zh) * | 2023-10-17 | 2023-12-08 | 上海东尚信息科技股份有限公司 | 一种自动化生产用软件控制系统 |
CN117391552B (zh) * | 2023-12-13 | 2024-05-24 | 深圳大学 | 基于数字孪生的建筑部件质量控制系统及方法 |
CN118011990B (zh) * | 2024-04-10 | 2024-06-14 | 中国标准化研究院 | 基于人工智能的工业数据品质监控与提升系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110781580A (zh) * | 2019-09-27 | 2020-02-11 | 江苏科技大学 | 一种基于数字孪生的焊接工艺辅助设计系统及其设计方法 |
CN111161410A (zh) * | 2019-12-30 | 2020-05-15 | 中国矿业大学(北京) | 一种矿井数字孪生模型及其构建方法 |
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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
- 2020-11-26 CN CN202011345868.7A patent/CN112488489B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781580A (zh) * | 2019-09-27 | 2020-02-11 | 江苏科技大学 | 一种基于数字孪生的焊接工艺辅助设计系统及其设计方法 |
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 |
CN111161410A (zh) * | 2019-12-30 | 2020-05-15 | 中国矿业大学(北京) | 一种矿井数字孪生模型及其构建方法 |
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
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 |
Non-Patent Citations (2)
Title |
---|
一种面向多源业务数据的飞机质量数据挖掘与分析方法;黄东平;吴兴杰;董磊;赵志刚;;信息与电脑(理论版)(第03期);第111-115页 * |
刘金锋 ; 赵鹏 ; 周宏根 ; 刘晓军 ; 冯丰.数字孪生驱动的机械加工工艺评价方法.2018年第二届数字孪生与智能制造服务学术会议.2018,第1600-1610页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112488489A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488489B (zh) | 一种数字孪生驱动的加工质量追溯与动态控制方法 | |
Tao et al. | Data-driven smart manufacturing | |
Liu et al. | A digital twin-driven approach towards traceability and dynamic control for processing quality | |
Chen et al. | Toward intelligent machine tool | |
CN110704974B (zh) | 基于数字孪生驱动的工艺模型的建模与使用方法 | |
CN109270899A (zh) | 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 | |
CN111695734A (zh) | 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 | |
CN116485576A (zh) | 一种航空制造业知源大脑数据智能制造管理平台 | |
Kim et al. | Server-Edge dualized closed-loop data analytics system for cyber-physical system application | |
KR20180131246A (ko) | 빅데이터 분석을 통한 공정 관리 방법 | |
Yan et al. | Digital twin-driven rapid customized design of board-type furniture production line | |
Tsuzuki | Development of automation and artificial intelligence technology for welding and inspection process in aircraft industry | |
Ma et al. | Artificial intelligence enhanced interaction in digital twin shop-floor | |
CN111650912A (zh) | 一种面向智慧工厂/车间的智能制造生产管理平台 | |
Shin et al. | Process-oriented life cycle assessment framework for environmentally conscious manufacturing | |
Chhotaray et al. | Enhancement of Manufacturing Sector Performance with the Application of Industrial Internet of Things (IIoT) | |
CN107392385B (zh) | 一种基于质量数据深度分析的生产计划编制方法 | |
Hung et al. | Analysis of key success factors for industry 4.0 development | |
KR20220165147A (ko) | 현장 작업자를 위한 ai 기반의 최적 작업 지원 시스템 | |
Ulhe et al. | Flexibility management and decision making in cyber-physical systems utilizing digital lean principles with Brain-inspired computing pattern recognition in Industry 4.0 | |
Zhao et al. | An industrial heterogeneous data based quality management KPI visualization system for product quality control | |
CN116841250A (zh) | 一种智能制造车间数字孪生模型的构建方法 | |
CN115879238A (zh) | 一种发动机整机及试验孪生体系模型构建方法 | |
Hu et al. | Digital twin–based dynamic prediction and simulation model of carbon efficiency in gear hobbing process | |
Yue et al. | Big data for furniture intelligent manufacturing: conceptual framework, technologies, applications, and challenges |
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 |