CN113379123A - 基于数字孪生的故障预测方法、装置、服务器及存储介质 - Google Patents

基于数字孪生的故障预测方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN113379123A
CN113379123A CN202110644072.XA CN202110644072A CN113379123A CN 113379123 A CN113379123 A CN 113379123A CN 202110644072 A CN202110644072 A CN 202110644072A CN 113379123 A CN113379123 A CN 113379123A
Authority
CN
China
Prior art keywords
data
fault
fault prediction
real
digital twin
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.)
Pending
Application number
CN202110644072.XA
Other languages
English (en)
Inventor
崔岩
侯宇灿
揭英达
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.)
China Germany Zhuhai Artificial Intelligence Institute Co ltd
Wuyi University
4Dage Co Ltd
Original Assignee
China Germany Zhuhai Artificial Intelligence Institute Co ltd
Wuyi University
4Dage Co Ltd
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 China Germany Zhuhai Artificial Intelligence Institute Co ltd, Wuyi University, 4Dage Co Ltd filed Critical China Germany Zhuhai Artificial Intelligence Institute Co ltd
Priority to CN202110644072.XA priority Critical patent/CN113379123A/zh
Publication of CN113379123A publication Critical patent/CN113379123A/zh
Priority to PCT/CN2022/097396 priority patent/WO2022257925A1/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请适用于数据映射技术领域，提供了一种基于数字孪生的故障预测方法、装置、服务器及存储介质方法，包括：获取目标真实对象的实时数据；根据实时数据生成数字孪生虚拟对象；获取数字孪生虚拟模型中的仿真数据；根据仿真数据，以及预先训练的故障预测模型，得到故障预测结果。可见，本申请实施例可以通过数字孪生技术结合预先训练的故障预测模型的无监督学习特性，达到对真实对象（例如生产线或者车间等）进行准确地故障预测的效果。

Description

基于数字孪生的故障预测方法、装置、服务器及存储介质
技术领域
本申请属于数据映射技术领域，尤其涉及一种基于数字孪生的故障预测方法、装置、服务器及存储介质。
背景技术
随着“工业4.0”的概念提出，工厂对生产线智能化的需求越来越高，但是大多数生产线不够智能化。现有技术中，一般采用后置报警的方式对生产线故障进行故障提示，但是这种后置报警的故障提示只能减少生产线故障造成的影响。
发明内容
本申请实施例提供了基于数字孪生的故障预测方法、装置、服务器及存储介质，实现对生产线故障的提前预测。
第一方面，本申请实施例提供了一种基于数字孪生的故障预测方法，包括：
获取目标真实对象的实时数据；
根据所述实时数据生成数字孪生虚拟对象；
获取所述数字孪生虚拟模型中的仿真数据；
根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果。
在第一方面的一种可能的实现方式中，将所述仿真数据输入至预先训练的故障预测模型中，得到故障预测结果之前，还包括：
获取目标真实对象的实时训练数据；
提取所述实时数据样本中的故障数据；
将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型。
在第一方面的一种可能的实现方式中，提取所述实时数据中的故障数据，包括：
根据预先设定的故障数据抽取模型抽取所述实时训练数据中的故障数据。
在第一方面的一种可能的实现方式中，所述预先训练的故障预测模型包括生成网络和判别网络；
将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型，包括：
生成噪声数据；
将所述噪声数据导入至所述生成网络，得到假样本数据；
将所述故障数据作为真实数据，将所述真实数据和所述假样本数据作为输入，判别结果作为输出，并且将所述判别结果作为所述生成网络的反馈输入，根据预设的目标函数对所述判别网络和所述生成网络进行训练，得到预先训练的故障预测模型。
在第一方面的一种可能的实现方式中，所述预设的目标函数为：
Figure 454593DEST_PATH_IMAGE001
=
Figure 662721DEST_PATH_IMAGE002
，
其中，
Figure 631814DEST_PATH_IMAGE001
表示预设的目标函数，D表示生成网络，G表示对抗网络，E表示期望函数，x表示故障数据，
Figure 645906DEST_PATH_IMAGE003
表示故障数据服从
Figure 384055DEST_PATH_IMAGE004
分布，z表示噪声数据，
Figure 28663DEST_PATH_IMAGE005
表示噪声数据服从
Figure 485052DEST_PATH_IMAGE006
分布，
Figure 240519DEST_PATH_IMAGE007
表示故障数据导入生成网络后输出的数据，
Figure 302015DEST_PATH_IMAGE008
表示噪声数据导入判定网络后输出的数据。
在第一方面的一种可能的实现方式中，根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果，包括：
将所述仿真数据和生成网络根据噪声数据生成的数据导入至判别网络，输出故障预测结果。
在第一方面的一种可能的实现方式中，根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果之后，还包括：
配准所述仿真数据和所述故障预测结果；
将配准后的仿真数据和故障预测结果发送至用户终端，以指示用户终端根据配准后的仿真数据和故障预测结果生成监控画面，并显示所述监控画面至用户。
第二方面，本申请实施例提供了一种基于数字孪生的故障预测装置，包括：
第一获取模块，用于获取目标真实对象的实时数据；
生成模块，用于根据所述实时数据生成数字孪生虚拟对象；
第二获取模块，所述数字孪生虚拟模型中的仿真数据；
故障预测模块，用于根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果。
在一种可能实现的方式中，所述装置还包括：
第三获取模块，用于获取目标真实对象的实时训练数据；
提取模块，用于提取所述实时数据样本中的故障数据；
训练模块，用于将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型。
在一种可能实现的方式中，所述提取模块包括：
抽取单元，用于根据预先设定的故障数据抽取模型抽取所述实时训练数据中的故障数据。
在一种可能实现的方式中，所述预先训练的故障预测模型包括生成网络和判别网络；
所述训练模块，包括：
生成噪声数据；
将所述噪声数据导入至所述生成网络，得到假样本数据；
将所述故障数据作为真实数据，将所述真实数据和所述假样本数据作为输入，判别结果作为输出，并且将所述判别结果作为所述生成网络的反馈输入，根据预设的目标函数对所述判别网络和所述生成网络进行训练，得到预先训练的故障预测模型。
在一种可能实现的方式中，所述预设的目标函数为：
Figure 117525DEST_PATH_IMAGE001
=
Figure 61210DEST_PATH_IMAGE002
，
其中，
Figure 620367DEST_PATH_IMAGE001
表示预设的目标函数，D表示生成网络，G表示对抗网络，E表示期望函数，x表示故障数据，
Figure 333108DEST_PATH_IMAGE003
表示故障数据服从
Figure 522781DEST_PATH_IMAGE004
分布，z表示噪声数据，
Figure 953763DEST_PATH_IMAGE005
表示噪声数据服从
Figure 316611DEST_PATH_IMAGE006
分布，
Figure 883858DEST_PATH_IMAGE007
表示故障数据导入生成网络后输出的数据，
Figure 41170DEST_PATH_IMAGE008
表示噪声数据导入判定网络后输出的数据。
在一种可能实现的方式中，所述故障预测模块包括：
故障预测单元，用于将所述仿真数据和生成网络根据噪声数据生成的数据导入至判别网络，输出故障预测结果。
在一种可能实现的方式中，所述基于数字孪生的故障诊断设备，还包括：
配准模块，用于配准仿真数据和故障预测结果。
发送模块，用于将配准后的仿真数据和故障预测结果发送至用户终端，以指示用户终端显示监控画面至用户，所述监控画面包括所述目标真实对象的运行状态以及标记出的故障预测分析。
第三方面，本申请实施例提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
第四方面，本申请实施例提供了一种存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例中，通过获取目标真实对象的实时数据，根据实时数据生成数字孪生虚拟对象，获取数字孪生虚拟模型中的仿真数据，根据仿真数据，以及预先训练的故障预测模型，得到故障预测结果。可见，本申请实施例可以通过数字孪生技术结合预先训练的故障预测模型的无监督学习特性，达到对真实对象（例如生产线或者车间等）进行准确地故障预测的效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于数字孪生的故障预测方法的流程示意图；
图2是本申请实施例提供的基于数字孪生的故障预测方法的图1中步骤S108之前的流程示意图；
图3是本申请实施例提供的基于数字孪生的故障预测方法的图2中步骤S206的具体实现流程图；
图4是本申请实施例提供的基于数字孪生的故障预测方法的图2中步骤S204之后的流程示意图；
图5是本申请实施例提供的基于数字孪生的故障预测装置的结构示意图；
图6是本申请实施例提供的服务器的结构示意图；
图7是本申请实施例提供的基于数字孪生的故障预测方法的故障预测模型的训练过程。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
为了方便理解本申请实施例，下面对一些本申请实施例涉及到的名称概念进行解释：
数字孪生：数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。
下面将通过具体实施例对本申请实施例提供的技术方案进行介绍。
参见图1，为本申请实施例提供的基于数字孪生的故障预测方法的流程示意图，作为示例而非限定，该方法可以应用于服务器，该服务器与设置于目标真实对象的传感器之间连接，该服务器可以是云端服务器等计算设备，该方法可以包括以下步骤：
步骤S102、获取目标真实对象的实时数据。
其中，目标真实对象是指真实世界的生产线或车间等，实时数据包括静态数据（例如设备参数）和动态数据（例如设备运行状态）。具体应用中，通过设置在生产线或者车间中的各个设备上的传感器采集目标真实对象的实时数据。
步骤S104、根据实时数据生成数字孪生虚拟对象。
其中，数字孪生虚拟对象是指与目标真实对象对应的数字孪生体。具体应用中，采用可编辑逻辑控制器根据实时数据生成数字孪生虚拟对象。
步骤S106、获取数字孪生虚拟模型中的仿真数据。
其中，仿真数据是指数字孪生虚拟模型根据实时数据动态映射目标真实对象的运行状况生成的数据。
步骤S108、根据仿真数据，以及预先训练的故障预测模型，得到故障预测结果。
其中，预先训练的故障预测模型包括生成网络和判别网络。
具体应用中，根据仿真数据，以及预先训练的故障预测模型，得到故障预测结果，包括：将仿真数据和生成网络根据噪声数据生成的数据导入至判别网络，输出故障预测结果。
其中，故障预测结果为故障设备编号、故障类型、故障原因以及故障时间。
可以理解的是，本申请实施例，根据判别网络对仿真数据和生成网络根据噪声数据生成的数据进行真实数据还是生成的样本进行判断，从而确定出仿真数据中的故障数据作为故障预测结果。
在一种可选的实施方式中，如图2所示，为本申请实施例提供基于数字孪生的故障预测方法的图1中步骤S108之前的流程示意图，根据仿真数据，以及预先训练的故障预测模型，得到故障预测结果之前，还包括：
步骤S202、获取目标真实对象的实时训练数据。
其中，实时训练数据是从开源数据集中获取的。
步骤S204、提取实时训练数据中的故障数据。
其中，故障数据包括故障设备编号、故障类型、故障内容以及故障时间。
具体应用中，根据故障数据抽取模型直接对实时数据进行命名实体识别，提取出实体数据中故障设备编号、故障类型、故障内容以及故障时间。
其中，故障数据抽取模型可以是在Bi-LSTM+CRF神经网络的基础上训练得到的。示例性地，在Bi-LSTM+CRF神经网络上训练得到故障数据抽取模型的过程可以是：
1、对实时训练数据中每个字进行标注，得到实时训练数据中每个字的标注类型，例如，对实时训练数据的每个字进行BIO标注，得到每个字的BIO标注类型。这里需要理解的是，所谓BIO标注，就是将每个元素标注为“B-X”、“I-X”或者“O”，其中，“B-X”表示此元素所在的片段属于X类型并且此元素在此片段的开头，“I-X”表示此元素所在的片段属于X类型并且此元素在此片段的中间位置，“O”表示不属于任何类型，“X”就是关键词所属的类别，本申请实施例的类别为故障设备编号、故障类型、故障内容以及故障时间等。
2、将经过标注的实时训练数据输入Bi-LSTM神经网络模型，将实时训练数据划分为数据段，每个数据段表示为x=(x1,x2,...,xn)，其中，n表示数据段包含的字的数量，x{i}表示数据段的第i个字在字典中的id，进而可以得到每个字的one-hot向量，维数是字典大小。需说明的是，字典可以是预先下载的字符字典文件。
3、将数据段输入至CRF神经网络模型，得到每个数据段对应的故障数据。
4、根据预设的损失函数（例如绝对值损失函数）重复上述1-4的步骤，以训练Bi-LSTM神经网络模型和CRF神经网络模型，得到故障数据抽取模型。
步骤S206、将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型。
具体应用中，将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型，包括：将故障数据和生成网络根据噪声数据生成的数据导入至判别网络，输出故障预测结果。
具体地，如图3所示，为本申请实施例提供的基于数字孪生的故障预测方法的图2中步骤S206的具体实现流程图，将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型，包括：
步骤S302、生成噪声数据。
其中，噪声数据为随机生成变量，用来训练生成网络生成假样本数据。
步骤S304、将噪声数据导入至生成网络，得到假样本数据。
其中，生成网络优选为朴素贝叶斯模型。
步骤S306、将故障数据作为真实数据，将真实数据和假样本数据作为输入，判别结果作为输出，并且将判别结果作为生成网络的反馈输入，根据预设的目标函数对判别网络和生成网络进行训练，得到预先训练的故障预测模型。
其中，判别网络优选为决策树。
具体地，预设的目标函数为：
Figure 897131DEST_PATH_IMAGE001
=
Figure 798091DEST_PATH_IMAGE002
，
其中，
Figure 485424DEST_PATH_IMAGE001
表示预设的目标函数，D表示生成网络，G表示对抗网络，E表示期望函数，x表示故障数据，
Figure 813637DEST_PATH_IMAGE003
表示故障数据服从
Figure 219211DEST_PATH_IMAGE004
分布，z表示噪声数据，
Figure 658282DEST_PATH_IMAGE005
表示噪声数据服从
Figure 403384DEST_PATH_IMAGE006
分布，
Figure 168078DEST_PATH_IMAGE007
表示故障数据导入生成网络后输出的数据，
Figure 998631DEST_PATH_IMAGE008
表示噪声数据导入判定网络后输出的数据。示例性地，
Figure 506973DEST_PATH_IMAGE004
分布、
Figure 372160DEST_PATH_IMAGE006
分布分别可以是指高斯分别、均匀分布等。
示意性地，步骤S302-步骤S306的可参考如图7所示的故障预测模型的训练过程。
本申请实施例中，利用命名实体识别技术直接提取出故障数据对故障预测数据进行训练，不需要额外的人工进行数据标注，降低训练故障预测模型的训练难度。
在另一种可选的实施方式中， 如图4所示，为本申请实施例提供的基于数字孪生的故障预测方法的图2中步骤S204之后的流程示意图，根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果之后，还包括：
步骤S402、配准仿真数据和故障预测结果。
具体地，根据故障预测结果中的故障设备编号找到仿真数据对应的数字孪生虚拟模型中对应故障设备，然后给仿真数据对应的数字孪生虚拟模型中对应故障设备标记故障类型、故障原因以及故障时间。
步骤S404、将配准后的仿真数据和故障预测结果发送至用户终端，以指示用户终端根据配准后的仿真数据和故障预测结果生成监控画面，并显示监控画面至用户。
其中，监控画面包括数字孪生虚拟模型中各个设备的设备产生、设备运作状态以及故障设备的故障预测结果。
可以理解的是，本申请实施例，通过数字孪生技术结合预先训练的故障预测模型得到仿真数据和故障预测结果，并根据仿真数据和故障预测结果生成监控画面显示给客户查看，以实现用户通过监控画面实时查看目标真实对象的运行状态以及目标真实对象中故障设备的预测分析，及时对故障设备进行检测。
本申请实施例中，通过获取目标真实对象的实时数据，根据实时数据生成数字孪生虚拟对象，获取数字孪生虚拟模型中的仿真数据，根据仿真数据，以及预先训练的故障预测模型，得到故障预测结果。可见，本申请实施例可以通过数字孪生技术结合预先训练的故障预测模型的无监督学习特性，达到对真实对象（例如生产线或者车间等）进行准确地故障预测的效果。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的方法，图5示出了本申请实施例提供的基于数字孪生的故障预测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，该基于数字孪生的故障预测装置包括：
第一获取模块51，用于获取目标真实对象的实时数据；
生成模块52，用于根据所述实时数据生成数字孪生虚拟对象；
第二获取模块53，所述数字孪生虚拟模型中的仿真数据；
故障预测模块54，用于根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果。
在一种可能实现的方式中，所述装置还包括：
第三获取模块，用于获取目标真实对象的实时训练数据；
提取模块，用于提取所述实时数据样本中的故障数据；
训练模块，用于将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型。
在一种可能实现的方式中，所述提取模块包括：
抽取单元，用于根据预先设定的故障数据抽取模型抽取所述实时训练数据中的故障数据。
在一种可能实现的方式中，所述预先训练的故障预测模型包括生成网络和判别网络；
所述训练模块，包括：
生成噪声数据；
将所述噪声数据导入至所述生成网络，得到假样本数据；
将所述故障数据作为真实数据，将所述真实数据和所述假样本数据作为输入，判别结果作为输出，并且将所述判别结果作为所述生成网络的反馈输入，根据预设的目标函数对所述判别网络和所述生成网络进行训练，得到预先训练的故障预测模型。
在一种可能实现的方式中，所述预设的目标函数为：
Figure 307755DEST_PATH_IMAGE001
=
Figure 156763DEST_PATH_IMAGE002
，
其中，
Figure 406478DEST_PATH_IMAGE001
表示预设的目标函数，D表示生成网络，G表示对抗网络，E表示期望函数，x表示故障数据，
Figure 188490DEST_PATH_IMAGE003
表示故障数据服从
Figure 232669DEST_PATH_IMAGE004
分布，z表示噪声数据，
Figure 834552DEST_PATH_IMAGE005
表示噪声数据服从
Figure 622379DEST_PATH_IMAGE006
分布，
Figure 258897DEST_PATH_IMAGE007
表示故障数据导入生成网络后输出的数据，
Figure 270715DEST_PATH_IMAGE008
表示噪声数据导入判定网络后输出的数据。
在一种可能实现的方式中，所述故障预测模块包括：
故障预测单元，用于将所述仿真数据和生成网络根据噪声数据生成的数据导入至判别网络，输出故障预测结果。
在一种可能实现的方式中，所述基于数字孪生的故障诊断设备，还包括：
配准模块，用于配准仿真数据和故障预测结果。
发送模块，用于将配准后的仿真数据和故障预测结果发送至用户终端，以指示用户终端显示监控画面至用户，所述监控画面包括所述目标真实对象的运行状态以及标记出的故障预测分析。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图6为本申请实施例提供的服务器的结构示意图。如图6所示，该实施例的服务器6包括：至少一个处理器60处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个方法实施例中的步骤。
所述服务器6可以是云端服务器等计算设备。该服务器可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是服务器6的举例，并不构成对服务器6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述服务器6的内部存储单元，例如服务器6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述服务器6的外部存储设备，例如所述服务器6上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器61还可以既包括所述服务器6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种存储介质，该存储介质为计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于数字孪生的故障预测方法，其特征在于，包括：
获取目标真实对象的实时数据；
根据所述实时数据生成数字孪生虚拟对象；
获取所述数字孪生虚拟模型中的仿真数据；
根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果。
2.如权利要求1所述的基于数字孪生的故障预测方法，其特征在于，将所述仿真数据输入至预先训练的故障预测模型中，得到故障预测结果之前，还包括：
获取目标真实对象的实时训练数据；
提取所述实时数据样本中的故障数据；
将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型。
3.如权利要求2所述的基于数字孪生的故障预测方法，其特征在于，提取所述实时数据中的故障数据，包括：
根据预先设定的故障数据抽取模型抽取所述实时训练数据中的故障数据。
4.如权利要求2所述的基于数字孪生的故障预测方法，其特征在于，所述预先训练的故障预测模型包括生成网络和判别网络；
将故障数据导入至预设的故障预测模型进行训练，得到预先训练的故障预测模型，包括：
生成噪声数据；
将所述噪声数据导入至所述生成网络，得到假样本数据；
将所述故障数据作为真实数据，将所述真实数据和所述假样本数据作为输入，判别结果作为输出，并且将所述判别结果作为所述生成网络的反馈输入，根据预设的目标函数对所述判别网络和所述生成网络进行训练，得到预先训练的故障预测模型。
5.如权利要求4所述的基于数字孪生的故障预测方法，其特征在于，所述预设的目标函数为：
Figure 341843DEST_PATH_IMAGE001
=
Figure 730099DEST_PATH_IMAGE002
，
其中，
Figure 424385DEST_PATH_IMAGE001
表示预设的目标函数，D表示生成网络，G表示对抗网络，E表示期望函数，x表示故障数据，
Figure 607105DEST_PATH_IMAGE003
表示故障数据服从
Figure 918001DEST_PATH_IMAGE004
分布，z表示噪声数据，
Figure 844368DEST_PATH_IMAGE005
表示噪声数据服从
Figure 189899DEST_PATH_IMAGE006
分布，
Figure 340258DEST_PATH_IMAGE007
表示故障数据导入生成网络后输出的数据，
Figure 138449DEST_PATH_IMAGE008
表示噪声数据导入判定网络后输出的数据。
6.如权利要求1至5任一项所述的基于数字孪生的故障预测方法，其特征在于，根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果，包括：
将所述仿真数据和生成网络根据噪声数据生成的数据导入至判别网络，输出故障预测结果。
7.如权利要求1至5任一项所述的基于数字孪生的故障预测方法，其特征在于，根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果之后，还包括：
配准所述仿真数据和所述故障预测结果；
将配准后的仿真数据和故障预测结果发送至用户终端，以指示用户终端根据配准后的仿真数据和故障预测结果生成监控画面，并显示所述监控画面至用户。
8.一种基于数字孪生的故障预测装置，其特征在于，包括：
第一获取模块，用于获取目标真实对象的实时数据；
生成模块，用于根据所述实时数据生成数字孪生虚拟对象；
第二获取模块，用于获取所述数字孪生虚拟模型中的仿真数据；
预测模块，用于根据所述仿真数据，以及预先训练的故障预测模型，得到故障预测结果。
9.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202110644072.XA 2021-06-09 2021-06-09 基于数字孪生的故障预测方法、装置、服务器及存储介质 Pending CN113379123A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110644072.XA CN113379123A (zh) 2021-06-09 2021-06-09 基于数字孪生的故障预测方法、装置、服务器及存储介质
PCT/CN2022/097396 WO2022257925A1 (zh) 2021-06-09 2022-06-07 基于数字孪生的故障预测方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110644072.XA CN113379123A (zh) 2021-06-09 2021-06-09 基于数字孪生的故障预测方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN113379123A true CN113379123A (zh) 2021-09-10

Family

ID=77573235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110644072.XA Pending CN113379123A (zh) 2021-06-09 2021-06-09 基于数字孪生的故障预测方法、装置、服务器及存储介质

Country Status (2)

Country Link
CN (1) CN113379123A (zh)
WO (1) WO2022257925A1 (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113844507A (zh) * 2021-10-22 2021-12-28 暨南大学 一种基于数字孪生的列车模拟运行系统构建方法
CN113886973A (zh) * 2021-10-25 2022-01-04 江苏远望仪器集团有限公司 基于虚实映射的船舶航速处理方法、装置及处理设备
CN113923000A (zh) * 2021-09-29 2022-01-11 海尔数字科技(青岛)有限公司 一种安全处理方法、装置、电子设备、及存储介质
CN114184883A (zh) * 2021-11-22 2022-03-15 国网河南省电力公司漯河供电公司 一种基于配电网故障仿真的配网故障检测精度计算方法
CN114218754A (zh) * 2021-11-23 2022-03-22 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 无人机数字孪生方法、系统、计算机设备和存储介质
CN114373047A (zh) * 2021-12-29 2022-04-19 达闼机器人有限公司 一种基于数字孪生监控物理世界的方法、装置及存储介质
CN114707428A (zh) * 2022-06-01 2022-07-05 中科航迈数控软件(深圳)有限公司 数控机床不可观环节仿真方法、装置、终端及存储介质
CN114826440A (zh) * 2022-03-31 2022-07-29 文山电视调频骨干转播台 基于数字孪生的发射机监测故障定位方法
CN114897196A (zh) * 2022-05-11 2022-08-12 山东大卫国际建筑设计有限公司 一种办公建筑供水网络的运行管理方法、设备及介质
CN115356639A (zh) * 2022-09-29 2022-11-18 深圳先进技术研究院 一种双向锂离子电池智能健康监控方法及系统
WO2022257925A1 (zh) * 2021-06-09 2022-12-15 五邑大学 基于数字孪生的故障预测方法、装置、服务器及存储介质
CN116011991A (zh) * 2022-12-30 2023-04-25 中国电子科技集团公司第三十八研究所 基于代理和备份技术的多人协同任务保障方法
CN116071039A (zh) * 2022-12-21 2023-05-05 广州辰创科技发展有限公司 一种基于故障树的故障诊断方法
CN116108717A (zh) * 2023-01-17 2023-05-12 中山大学 一种基于数字孪生的交通运输设备运行预测方法及装置
CN116184293A (zh) * 2023-03-01 2023-05-30 深圳市中科恒辉科技有限公司 一种基于数字孪生锂电池系统的故障诊断方法及报警系统
CN116451878A (zh) * 2023-06-16 2023-07-18 山东捷瑞数字科技股份有限公司 基于数字孪生技术的故障预测方法、装置、设备及介质
CN117148048A (zh) * 2023-10-30 2023-12-01 国网江苏省电力有限公司南通供电分公司 基于数字孪生技术的配电网故障预测方法及系统
CN117289685A (zh) * 2023-11-27 2023-12-26 青岛创新奇智科技集团股份有限公司 一种基于人工智能的生产线故障预测与自愈方法及系统

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116026367B (zh) * 2023-03-29 2023-07-04 中国人民解放军火箭军工程大学 基于数字孪生技术的激光惯组故障诊断方法、系统及设备
CN116319260B (zh) * 2023-05-09 2023-08-18 新华三技术有限公司 一种网络故障诊断方法、装置、设备及存储介质
CN116977122B (zh) * 2023-07-06 2024-04-19 双龙软创(深圳)科技有限公司 基于数字孪生技术的远程自动化监测危房的方法
CN116956720B (zh) * 2023-07-19 2024-01-30 安徽斯维尔信息科技有限公司 一种工业数字孪生的仿真运维系统
CN116776744B (zh) * 2023-08-15 2023-10-31 工业云制造(四川)创新中心有限公司 一种基于增强现实的装备制造控制方法及电子设备
CN116861204B (zh) * 2023-09-05 2023-12-08 山东山森数控技术有限公司 基于数字孪生的智能制造设备数据管理系统
CN116881672B (zh) * 2023-09-05 2023-11-21 江西南昌济生制药有限责任公司 一种故障检测模型训练方法、装置、电子设备及存储介质
CN116885858B (zh) * 2023-09-08 2023-12-08 中国标准化研究院 一种基于数字孪生技术的配电网故障处理方法及系统
CN117130351B (zh) * 2023-09-18 2024-03-19 上海勘测设计研究院有限公司 基于数字孪生技术的新能源场站区域联合控制保护系统
CN117318033B (zh) * 2023-09-27 2024-05-24 国网江苏省电力有限公司南通供电分公司 一种结合数据孪生的电网数据管理方法及系统
CN117349102B (zh) * 2023-12-05 2024-03-15 网思科技股份有限公司 数字孪生运维数据质量检验方法、系统和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008502A (zh) * 2019-11-25 2020-04-14 北京航空航天大学 一种数字孪生驱动的复杂装备故障预测方法
CN111400930A (zh) * 2020-04-09 2020-07-10 武汉大学 基于虚实孪生空间的电力设备小样本故障诊断方法及系统
CN111461338A (zh) * 2020-03-06 2020-07-28 北京仿真中心 基于数字孪生的智能系统更新方法、装置
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
CN112382064A (zh) * 2020-11-12 2021-02-19 广东电网有限责任公司 一种基于数字孪生技术的电力物联网故障预警方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10636142B2 (en) * 2018-04-20 2020-04-28 Siemens Healthcare Gmbh Real-time and accurate soft tissue deformation prediction
CN111458142B (zh) * 2020-04-02 2022-08-23 苏州新传品智能科技有限公司 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法
CN112418455B (zh) * 2020-11-28 2021-07-20 北京三维天地科技股份有限公司 一种设备故障预测与健康管理系统
CN113379123A (zh) * 2021-06-09 2021-09-10 中德（珠海）人工智能研究院有限公司 基于数字孪生的故障预测方法、装置、服务器及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008502A (zh) * 2019-11-25 2020-04-14 北京航空航天大学 一种数字孪生驱动的复杂装备故障预测方法
CN111461338A (zh) * 2020-03-06 2020-07-28 北京仿真中心 基于数字孪生的智能系统更新方法、装置
CN111400930A (zh) * 2020-04-09 2020-07-10 武汉大学 基于虚实孪生空间的电力设备小样本故障诊断方法及系统
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
CN112382064A (zh) * 2020-11-12 2021-02-19 广东电网有限责任公司 一种基于数字孪生技术的电力物联网故障预警方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨博雄: "《深度学习理论与实践》", 30 September 2020 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022257925A1 (zh) * 2021-06-09 2022-12-15 五邑大学 基于数字孪生的故障预测方法、装置、服务器及存储介质
CN113923000A (zh) * 2021-09-29 2022-01-11 海尔数字科技(青岛)有限公司 一种安全处理方法、装置、电子设备、及存储介质
CN113923000B (zh) * 2021-09-29 2023-11-03 卡奥斯数字科技(青岛)有限公司 一种安全处理方法、装置、电子设备、及存储介质
CN113844507B (zh) * 2021-10-22 2023-10-10 暨南大学 一种基于数字孪生的列车模拟运行系统构建方法
CN113844507A (zh) * 2021-10-22 2021-12-28 暨南大学 一种基于数字孪生的列车模拟运行系统构建方法
CN113886973A (zh) * 2021-10-25 2022-01-04 江苏远望仪器集团有限公司 基于虚实映射的船舶航速处理方法、装置及处理设备
CN113886973B (zh) * 2021-10-25 2023-04-18 江苏远望仪器集团有限公司 基于虚实映射的船舶航速处理方法、装置及处理设备
CN114184883A (zh) * 2021-11-22 2022-03-15 国网河南省电力公司漯河供电公司 一种基于配电网故障仿真的配网故障检测精度计算方法
CN114218754A (zh) * 2021-11-23 2022-03-22 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 无人机数字孪生方法、系统、计算机设备和存储介质
CN114373047A (zh) * 2021-12-29 2022-04-19 达闼机器人有限公司 一种基于数字孪生监控物理世界的方法、装置及存储介质
CN114826440A (zh) * 2022-03-31 2022-07-29 文山电视调频骨干转播台 基于数字孪生的发射机监测故障定位方法
CN114826440B (zh) * 2022-03-31 2023-11-24 文山电视调频骨干转播台 基于数字孪生的发射机监测故障定位方法
CN114897196A (zh) * 2022-05-11 2022-08-12 山东大卫国际建筑设计有限公司 一种办公建筑供水网络的运行管理方法、设备及介质
CN114707428A (zh) * 2022-06-01 2022-07-05 中科航迈数控软件(深圳)有限公司 数控机床不可观环节仿真方法、装置、终端及存储介质
CN115356639A (zh) * 2022-09-29 2022-11-18 深圳先进技术研究院 一种双向锂离子电池智能健康监控方法及系统
WO2024066052A1 (zh) * 2022-09-29 2024-04-04 深圳先进技术研究院 一种双向锂离子电池智能健康监控方法及系统
CN116071039A (zh) * 2022-12-21 2023-05-05 广州辰创科技发展有限公司 一种基于故障树的故障诊断方法
CN116071039B (zh) * 2022-12-21 2024-01-19 广州辰创科技发展有限公司 一种基于故障树的故障诊断方法
CN116011991A (zh) * 2022-12-30 2023-04-25 中国电子科技集团公司第三十八研究所 基于代理和备份技术的多人协同任务保障方法
CN116011991B (zh) * 2022-12-30 2023-12-19 中国电子科技集团公司第三十八研究所 基于代理和备份技术的多人协同任务保障方法
CN116108717A (zh) * 2023-01-17 2023-05-12 中山大学 一种基于数字孪生的交通运输设备运行预测方法及装置
CN116108717B (zh) * 2023-01-17 2023-09-26 中山大学 一种基于数字孪生的交通运输设备运行预测方法及装置
CN116184293B (zh) * 2023-03-01 2024-02-13 深圳市中科恒辉科技有限公司 一种基于数字孪生锂电池系统的故障诊断方法及报警系统
CN116184293A (zh) * 2023-03-01 2023-05-30 深圳市中科恒辉科技有限公司 一种基于数字孪生锂电池系统的故障诊断方法及报警系统
CN116451878A (zh) * 2023-06-16 2023-07-18 山东捷瑞数字科技股份有限公司 基于数字孪生技术的故障预测方法、装置、设备及介质
CN117148048A (zh) * 2023-10-30 2023-12-01 国网江苏省电力有限公司南通供电分公司 基于数字孪生技术的配电网故障预测方法及系统
CN117148048B (zh) * 2023-10-30 2024-01-12 国网江苏省电力有限公司南通供电分公司 基于数字孪生技术的配电网故障预测方法及系统
CN117289685A (zh) * 2023-11-27 2023-12-26 青岛创新奇智科技集团股份有限公司 一种基于人工智能的生产线故障预测与自愈方法及系统
CN117289685B (zh) * 2023-11-27 2024-02-02 青岛创新奇智科技集团股份有限公司 一种基于人工智能的生产线故障预测与自愈方法及系统

Also Published As

Publication number Publication date
WO2022257925A1 (zh) 2022-12-15

Similar Documents

Publication Publication Date Title
CN113379123A (zh) 基于数字孪生的故障预测方法、装置、服务器及存储介质
CN112434721B (zh) 一种基于小样本学习的图像分类方法、系统、存储介质及终端
CN112164391A (zh) 语句处理方法、装置、电子设备及存储介质
CN112447189A (zh) 语音事件检测方法、装置、电子设备及计算机存储介质
CN113159147A (zh) 基于神经网络的图像识别方法、装置、电子设备
CN113469088A (zh) 一种无源干扰场景下的sar图像舰船目标检测方法及系统
US20200065664A1 (en) System and method of measuring the robustness of a deep neural network
CN112669215A (zh) 一种训练文本图像生成模型、文本图像生成的方法和装置
CN115758282A (zh) 一种跨模态敏感信息识别方法、系统和终端
CN116861258B (zh) 模型处理方法、装置、设备及存储介质
CN116740520A (zh) 一种异常行为检测及特征融合模型训练方法
CN116662186A (zh) 基于逻辑回归的日志回放断言方法及其装置、电子设备
CN111753729A (zh) 一种假脸检测方法、装置、电子设备及存储介质
CN116680385A (zh) 基于人工智能的对话问答方法、装置、计算机设备及介质
CN115049852B (zh) 一种轴承故障诊断方法、装置、存储介质及电子设备
CN115618151A (zh) 一种基于机器学习的web前端监控方法、系统、装置及介质
CN116977249A (zh) 缺陷检测的方法、模型训练的方法和装置
CN115359484A (zh) 图像处理方法、装置、设备及存储介质
CN112433952B (zh) 深度神经网络模型公平性测试方法、系统、设备及介质
CN115278757A (zh) 一种检测异常数据的方法、装置及电子设备
CN114757201A (zh) 收货地址的识别方法、存储介质和处理器
CN116911883B (zh) 基于ai鉴真技术和溯源量化的农产防伪溯源方法及云平台
CN117591813B (zh) 基于多维特征的复杂装备故障诊断方法及系统
CN117078412A (zh) 异常资金交易的识别方法、装置、存储介质及电子设备
CN116524229A (zh) 图像识别方法、图像识别装置、电子设备、存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 2-101-1 / 2-201 / 2-501, building 2, science and Technology Innovation Park, No.1 harbor, No.1 Jintang Road, high tech Zone, Zhuhai City, Guangdong Province

Applicant after: CHINA-GERMANY (ZHUHAI) ARTIFICIAL INTELLIGENCE INSTITUTE Co.,Ltd.

Applicant after: WUYI University

Applicant after: ZHUHAI 4DAGE NETWORK TECHNOLOGY Co.,Ltd.

Address before: 519080 2-101-1 / 2-201 / 2-501, building 2, science and Innovation Park, No. 1, Gangwan, Tangjiawan Town, high tech Zone, Zhuhai, Guangdong

Applicant before: CHINA-GERMANY (ZHUHAI) ARTIFICIAL INTELLIGENCE INSTITUTE Co.,Ltd.

Applicant before: WUYI University

Applicant before: ZHUHAI 4DAGE NETWORK TECHNOLOGY Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210910