CN113627032A - 一种基于数字孪生的设备设计/维修方案智能决策方法 - Google Patents
一种基于数字孪生的设备设计/维修方案智能决策方法 Download PDFInfo
- Publication number
- CN113627032A CN113627032A CN202110998591.6A CN202110998591A CN113627032A CN 113627032 A CN113627032 A CN 113627032A CN 202110998591 A CN202110998591 A CN 202110998591A CN 113627032 A CN113627032 A CN 113627032A
- Authority
- CN
- China
- Prior art keywords
- decision
- design
- scheme
- maintenance
- 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.)
- Granted
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 96
- 238000013461 design Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000010276 construction Methods 0.000 claims abstract description 15
- 238000013499 data model Methods 0.000 claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000012916 structural analysis Methods 0.000 claims abstract description 11
- 238000010230 functional analysis Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明公开了一种基于数字孪生的设备设计/维修方案智能决策方法，属于先进制造与自动化技术领域。包括：步骤一、对关键设备进行结构分析和功能分析、进行机理模型构建以及进行数据模型构建，得到关键设备的数字孪生建模模块；步骤二、根据步骤一所得关键设备的数字孪生建模模块，对设计/维修服务所需的数据和信息进行梳理，制定设计/维修优选方案的评价准则并获得决策方案备选集；步骤三、根据步骤二所得决策方案备选集，进行复杂群体的多属性多方案决策，得到设计/维修服务任务下的备选方案排序；步骤四、当备选方案的排序合理时，输出作为优选方案。本发明所述方法解决了目前行业设计、生产、管理和服务的智能化水平仍然偏低的问题。
Description
技术领域
本发明属于先进制造与自动化技术领域，涉及一种基于数字孪生的设备设计/维修方案智能决策方法。
背景技术
核电行业的关键设备，如核电机组等是典型的高端装备，具有系统组成复杂、定制化设计、设备价值高和建造流程长等特点，其全生命周期管理覆盖了研发、设计、采购、建造、安装、调试、运行、维护等各环节。通常现场调试和运维部门需将相关故障信息以TCR单或文函的方式，反馈给设计部门和设备制造商，请其协助提供解决方案，设计部门再根据现场提供的设备状况进行服务，提供可行的设计/维修方案。可见，当前解决核电设备复杂故障时使用的基于文本的信息描述形式，由于其决策主体地理位置分布广泛，时间和位置无法固定，难以快速准确向工程现场提供解决方案，同时，核电领域专家经验知识没有被充分利用，无法将已有的设计/维修方案提供给相关决策者，因而现场故障难以得到高效解决。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于数字孪生的设备设计/维修方案智能决策方法，解决了目前核电行业设计、生产、管理和服务的智能化水平仍然偏低的问题。
为了达到上述目的，本发明采用以下技术方案予以实现：
本发明公开了一种基于数字孪生的设备设计/维修方案智能决策方法，包括以下步骤：步骤一、对关键设备进行结构分析和功能分析、进行机理模型构建以及进行数据模型构建，得到关键设备的数字孪生建模模块；步骤二、根据步骤一所得关键设备的数字孪生建模模块，对设计/维修服务所需的数据和信息进行梳理，制定设计/维修优选方案的评价准则并获得决策方案备选集；步骤三、根据步骤二所得决策方案备选集，进行复杂群体的多属性多方案决策，得到设计/维修服务任务下的备选方案排序；步骤四、当备选方案的排序合理时，输出作为优选方案。
优选地，对关键设备进行结构分析，包括对关键设备各组成模型进行结构组件进行分析，确定组成关键设备的主要部件、布置形式；对关键设备进行结构分析，包括对关键设备各组件的功能、功能类型及运动、电气进行分析。
进一步优选地，进行机理模型构建的操作包括：通过获取关键设备的不同维度属性，从机械、电气、液压、热力学、控制属性等方面建立三维模型；其中，不同维度属性包括：几何结构、空间运动、动学特性、机构动力学特性。
其中，优选地，进行机理模型构建的实现方式包括：采用SolidWorks、3D MAX、ProE、AutoCAD构建几何模型；采用ABAQUS，Hypermesh、SolidWorks，Adams建立运动学与动力学模型；采用Matlab、Simulink建立控制系统模型。
进一步优选地，进行数据模型构建的操作包括：基于人工智能方法，分析己知的故障样本以及故障与征兆之间复杂对应关系，构建关键设备的故障诊断数据模型、剩余寿命预测数据模型。
优选地，步骤二的具体操作包括以下步骤：
a)基于步骤一所得关键设备的数字孪生建模模块，复杂决策群体获得多属性多方案决策过程所需的关键设备数据状态信息，决策成员群体通过可视化数字孪生系统获得所需的数字孪生仿真数据、物理空间历史数据以及实施监测数据；从而对设计/维修服务内容及解决方案进行评估；b)依据关键设备设计/维修服务内容，制定符合核电企业标准的设计/维修优选方案的评价准则，作为设计/维修多属性多方案的决策依据；c)决策群体根据专家知识经验案例，针对关键设备的故障状态和信息，从已有设计/维修服务方案中提取相似解决方案，制定设计/维修服务任务的方案备选集。
进一步优选地，关键设备数据状态信息包括：当前设备状态、故障情况、维修备件库存、维修人员数量以及专业领域。
优选地，步骤三中，通过建立决策成员关于评价准则的多属性偏好矩阵，设置不同决策群体成员及多属性权重，经复杂群体偏好集结，得到设计/维修服务任务下的备选方案排序。
进一步优选地，步骤三的具体操作包括以下步骤：
根据制定的设计/维修服务评价标准，决策成员对评价标准进行偏好表达，对决策成员评价进行数据特征抽取建立原始矩阵，对矩阵数据进行标准化；设置决策成员及属性权重；集结各决策成员对不同备选方案的决策偏好，得到备选方案的综合价值；经复杂群体偏好集结，得到决策群体在该设计/维修服务任务下的备选方案排序。
其中，优选地，针对决策成员及属性权重的设置，在决策成员和多属性权重未知的情况下，采用主观法、客观法或者二者结合的方法确定其权重。
优选地，步骤四中，当备选方案的排序不合理时，进行复杂群里设计/维修协调结果修正，修正后输出作为优选方案。
进一步优选地，进行复杂群里设计/维修协调结果修正的具体操作包括：
针对决策成员对个人偏好进行修正，并反馈调整步骤三中优选方案的部分决策参数；或者，通过对多属性多方案决策过程的参数进行修正。
与现有技术相比，本发明具有以下有益效果：
本发明公开了一种基于数字孪生的设备设计/维修方案智能决策方法，通过该方法打通“设计–调试–运维”阶段数据链条，基于协同决策技术，获得企业关键设备设计/维修的优选方案，解决了目前核电行业设计、生产、管理和服务的智能化水平仍然偏低的问题，本发明所述方法中采用先进的数字孪生技术，通过构建核电企业关键设备数字孪生模型，复杂决策群体可实时获得设计/维修服务现场关键设备的实际情况，如运行状态、维修情况等，克服了复杂决策群体跨地域协调决策难题，降低了现场回传信息误差，极大提高了决策效率和智能化水平，同时决策时间和经济成本上也得到了改善。与现有技术相比，传统核电领域对现场设计/维修服务往往根据操作规程和报警手册等文件形式的设计数据进行常规处理和故障排查，专家经验和已有设计/维修相似案例未能有效利用，本发明将多属性多方案决策方法应用于核电领域，充分利用跨领域、跨地域的专家经验知识，考虑设计/维修服务过程的各类评价准则，获得符合设计/维修服务任务的最优方案，实现核电产业链上各企业主体之间的协同优化。
附图说明
图1为本发明的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
参照图1，一种基于数字孪生的设备设计/维修方案智能决策方法，包括以下步骤：
1)图1中的①是核电企业关键设备数字孪生建模模块，该模块主要包括关键设备结构分析和功能分析、机理模型构建、数据模型构建步骤得到，具体实现如下：
1.1)结构分析和功能分析：对核电企业关键设备进行结构分析和功能分析，结构分析是对关键设备各组成模型进行结构组件分析，确定组成关键设备的主要部件、布置形式；功能分析是对关键设备各组件的功能、功能类型及运动进行分析。
1.2)机理模型建模：机理模型是物理实体虚拟化表示，其建模对象是物理实体，通过获取关键设备几何结构、空间运动、动学特性、机构动力学特性等不同维度属性从机械、电气、液压、热力学、控制属性方面建立三维模型。
机理模型可采用相关的领域软件进行建模。例如采用SolidWorks、3D MAX、ProE、AutoCAD等构建几何模型，采用ABAQUS，Hypermesh、SolidWorks，Adams建立运动学与动力学模型；采用Matlab、Simulink等软件建立控制系统模型等。
1.3)数据模型建模：根据具体应用场景还应包含支持分析、预测、优化以及决策等功能的数据模型。例如基于统计分析、机器学习、深度学习、迁移学习等人工智能方法，分析己知的故障样本以及故障与征兆之间复杂对应关系，构建核电关键设备的故障诊断、剩余寿命预测数据模型。
2)图1中的②是设计/维修服务需求分析模块：待步骤1)中获得的关键设备数字孪生模型后，通过对核电企业关键设备设计/维修服务的需求分析，对设计/维修服务所需的数据、信息进行梳理，制定设计/维修优选方案的评价准则并获得后续相似案例优选的方案备选集，具体实现如下：
2.1)关键设备数据状态信息获取：数字孪生模型具有高仿真性和实时性的特点，基于核电企业关键设备的数字孪生建模模块，复杂决策群体获得多属性多方案决策过程所需的关键设备数据状态信息。决策成员群体通过可视化数字孪生系统获得所需的数字孪生仿真数据、物理空间历史数据以及实施监测数据，如当前设备状态、故障情况、维修备件库存、维修人员数量以及专业领域，从而对本次设计/维修服务内容及解决方案进行合理评估。
2.2)制定评价准则：依据关键设备设计/维修服务内容，制定符合核电企业标准的设计/维修优选方案的评价准则，作为设计/维修多属性多方案的决策依据。这些准则包括安全性、经济性、可靠性、服务效果。
2.3)制定决策方案备选集：决策群体根据已有专家知识经验案例，针对本次关键设备的故障状态和信息，从已有设计/维修服务方案中提取相似解决方案并进行方案研讨，在相似案例基础上制定符合本次设计/维修服务任务的方案备选集。
3)图1中的③是复杂群体设计/维修多属性多方案决策模块：经步骤2)获得决策方案备选集后，进行复杂群体的多属性多方案决策。通过建立决策成员关于评价准则的多属性偏好矩阵，设置不同决策群体成员及多属性权重，经复杂群体偏好集结，得到决策群体在该设计/维修服务任务下的备选方案排序。具体实现如下：
3.1)构建决策成员偏好矩阵：根据制定的设计/维修服务评价标准，决策成员对评价标准进行偏好表达，在偏好表达形式上包括模糊偏好信息、语言偏好信息、混合偏好信息等表达形式。对决策成员评价进行数据特征抽取建立原始矩阵，如需要，对矩阵数据进行标准化。
3.2)设置决策成员及属性权重：在决策成员和多属性权重未知的情况下，采用主观法、客观法或者二者结合的方法确定其权重，包括基于距离(Jaccard距离、闵可夫斯基距离、欧氏距离等)或相似度的优化方法、熵权法等。
3.3)群体偏好信息集结并排序：集结各决策成员对不同备选方案的决策偏好，基于得分函数与精确函数、加权平均算子、前景理论等方法得到备选方案的综合价值，综合价值越大，设计/维修备选方案越优。
4)图1中的④是复杂群体协调结果修正模块：针对步骤3)中获得设计/维修服务任务下的备选方案排序，知识领域专家对备选方案可以针对实际技术需求进行研讨与协商，若不合理则决策成员对个人偏好进行修正，并进一步调整步骤3)中备选方案的部分决策参数，直到合理为止，最终输出作为本次设计/维修服务的优选方案。具体实现如下：
4.1)知识领域专家研讨与协商：知识领域专家基于得到的备选方案排序，通过召开方案研讨会评估本次决策结果的合理性和有效性，若知识领域专家认为备选方案合理，则输出本次设计/维修服务的最优方案，若不合理进入步骤4.2)。
4.2)个人决策偏好修正：经知识领域专家协商，通过修改对整体协调结果影响较大的决策成员偏好进行结果修正的，该决策成员调整对评价准则的偏好。
4.3)决策过程参数修正：若决策成员偏好不变或改变后对备选方案决策影响不大，可通过对多属性多方案决策过程的算法、模型、约束等参数进行修正从而改变决策结果。经过数次协调过程，直到知识领域专家认为经协调得到的设计/维修服务决策结果合理可行。最终，输出本次设计/维修服务的最优方案。
具体地，将本发明用于某核电厂循环水泵反转故障事故中，基于循环水泵的数字孪生模型，利用循环水泵的虚拟空间仿真数据、物理空间历史数据以及实时监测数据，获得循环水泵维修成本、维修时间等数据，决策群体对若干故障解决方案进行决策，最终获得循环水泵的优选方案。因此，通过采用本发明所述的基于数字孪生的设备设计/维修方案智能决策方法，为设计、维修人员提供辅助决策，降低了循环水泵维修风险和成本，保证了决策任务的有效性。
综上所述，本发明公开了一种基于数字孪生的核电企业关键设备设计/维修方案智能决策方法，包括：核电企业关键设备数字孪生建模，该模块实现对核电企业关键设备的结构分析和功能分析、机理模型以及数据模型构建；设计/维修服务需求分析模块，该模块基于设计/维修服务相似案例获得决策方案备选集；复杂群体设计/维修多属性多方案决策模块，该模块基于复杂决策群体偏好得到设计/维修的优选方案；复杂群体设计/维修协调结果修正模块，该模块对备选方案进行研讨与协商，输出本次设计/维修服务的优选方案。通过本发明能够解决核电领域关键设备设计/维修服务的多属性多方案决策难题，降低了群体决策时间和经济成本，极大提高了决策效率和智能化水平。本发明实现了集合物联网、人工智能和先进建模技术等新兴技术，以及数字孪生概念，提出与相关技术的发展为核电企业关键设备设计/维修方案智能决策提供了重要的技术支持。本发明所述基于数字孪生的设备方案智能决策方法，基于核电企业关键设备数字孪生模型，充分利用现场关键设备的虚拟空间仿真数据、物理空间历史数据以及实时监测数据，基于复杂群体多属性多方案决策协调机制，获得设计/维修的最优决策方案，为现场维修人员提供辅助决策，保证了核电运维任务的高效性、科学性和准确性。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种基于数字孪生的设备设计/维修方案智能决策方法，其特征在于，包括以下步骤：
步骤一、对关键设备进行结构分析和功能分析、进行机理模型构建以及进行数据模型构建，得到关键设备的数字孪生建模模块；
步骤二、根据步骤一所得关键设备的数字孪生建模模块，对设计/维修服务所需的数据和信息进行梳理，制定设计/维修优选方案的评价准则并获得决策方案备选集；
步骤三、根据步骤二所得决策方案备选集，进行复杂群体的多属性多方案决策，得到设计/维修服务任务下的备选方案排序；
步骤四、当备选方案的排序合理时，输出作为优选方案。
2.根据权利要求1所述的一种基于数字孪生的设备设计/维修方案智能决策方法，其特征在于，对关键设备进行结构分析，包括对关键设备各组成模型进行结构组件进行分析，确定组成关键设备的主要部件、布置形式；
对关键设备进行结构分析，包括对关键设备各组件的功能、功能类型及运动、电气进行分析。
3.根据权利要求2所述的一种基于数字孪生的设备设计/维修方案智能决策方法，其特征在于，进行机理模型构建的操作包括：通过获取关键设备的不同维度属性，从机械、电气、液压、热力学、控制属性等方面建立三维模型；
其中，不同维度属性包括：几何结构、空间运动、动学特性、机构动力学特性。
4.根据权利要求2所述的一种基于数字孪生的设备设计/维修方案智能决策方法，其特征在于，进行数据模型构建的操作包括：基于人工智能方法，分析己知的故障样本以及故障与征兆之间复杂对应关系，构建关键设备的故障诊断数据模型、剩余寿命预测数据模型。
5.根据权利要求1所述的一种基于数字孪生的设备设计/维修方案智能决策方法，其特征在于，步骤二的具体操作包括以下步骤：
a)基于步骤一所得关键设备的数字孪生建模模块，复杂决策群体获得多属性多方案决策过程所需的关键设备数据状态信息，决策成员群体通过可视化数字孪生系统获得所需的数字孪生仿真数据、物理空间历史数据以及实施监测数据；从而对设计/维修服务内容及解决方案进行评估；
b)依据关键设备设计/维修服务内容，制定符合核电企业标准的设计/维修优选方案的评价准则，作为设计/维修多属性多方案的决策依据；
c)决策群体根据专家知识经验案例，针对关键设备的故障状态和信息，从已有设计/维修服务方案中提取相似解决方案，制定设计/维修服务任务的方案备选集。
6.根据权利要求1所述的一种基于数字孪生的设备设计/维修方案智能决策方法，其特征在于，步骤三中，通过建立决策成员关于评价准则的多属性偏好矩阵，设置不同决策群体成员及多属性权重，经复杂群体偏好集结，得到设计/维修服务任务下的备选方案排序。
7.根据权利要求6所述的一种基于数字孪生的设备设计/维修方案智能决策方法，其特征在于，步骤三的具体操作包括以下步骤：
根据制定的设计/维修服务评价标准，决策成员对评价标准进行偏好表达，对决策成员评价进行数据特征抽取建立原始矩阵，对矩阵数据进行标准化；设置决策成员及属性权重；集结各决策成员对不同备选方案的决策偏好，得到备选方案的综合价值；经复杂群体偏好集结，得到决策群体在该设计/维修服务任务下的备选方案排序。
8.根据权利要求7所述的一种基于数字孪生的设备设计/维修方案智能决策方法，其特征在于，针对决策成员及属性权重的设置，在决策成员和多属性权重未知的情况下，采用主观法、客观法或者二者结合的方法确定其权重。
9.根据权利要求1所述的一种基于数字孪生的设备设计/维修方案智能决策方法，其特征在于，步骤四中，当备选方案的排序不合理时，进行复杂群里设计/维修协调结果修正，修正后输出作为优选方案。
10.根据权利要求9所述的一种基于数字孪生的设备设计/维修方案智能决策方法，其特征在于，进行复杂群里设计/维修协调结果修正的具体操作包括：
针对决策成员对个人偏好进行修正，并反馈调整步骤三中优选方案的部分决策参数；
或者，通过对多属性多方案决策过程的参数进行修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110998591.6A CN113627032B (zh) | 2021-08-27 | 2021-08-27 | 一种基于数字孪生的设备设计/维修方案智能决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110998591.6A CN113627032B (zh) | 2021-08-27 | 2021-08-27 | 一种基于数字孪生的设备设计/维修方案智能决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113627032A true CN113627032A (zh) | 2021-11-09 |
| CN113627032B CN113627032B (zh) | 2024-03-12 |
Family
ID=78388199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110998591.6A Active CN113627032B (zh) | 2021-08-27 | 2021-08-27 | 一种基于数字孪生的设备设计/维修方案智能决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627032B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114281047A (zh) * | 2021-12-27 | 2022-04-05 | 山东浪潮工业互联网产业股份有限公司 | 一种流程工业生产过程监控管理方法及系统 |
| 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 |
| CN116796202A (zh) * | 2023-07-17 | 2023-09-22 | 上海朗晖慧科技术有限公司 | 一种基于大数据的设备数据匹配方法及异常数据处理系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3057973A1 (en) * | 2017-03-27 | 2018-10-04 | Siemens Aktiengesellschaft | System for automated generative design synthesis using data from design tools and knowledge from a digital twin graph |
| WO2019076233A1 (zh) * | 2017-10-17 | 2019-04-25 | 广东工业大学 | 一种智能车间快速定制设计方法及系统 |
| US20200326692A1 (en) * | 2019-04-10 | 2020-10-15 | Guangdong University Of Technology | Parallel control method based on multi-period differential sampling and digital twinning technologies |
| WO2021001845A1 (en) * | 2019-06-29 | 2021-01-07 | Phadke Sameer | System and method for modelling and monitoring processes in organizations using digital twins |
| CN112800668A (zh) * | 2021-01-20 | 2021-05-14 | 西安科技大学 | 基于数字孪生的复杂产品运维与制造集成总体模型 |
-
2021
- 2021-08-27 CN CN202110998591.6A patent/CN113627032B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3057973A1 (en) * | 2017-03-27 | 2018-10-04 | Siemens Aktiengesellschaft | System for automated generative design synthesis using data from design tools and knowledge from a digital twin graph |
| WO2019076233A1 (zh) * | 2017-10-17 | 2019-04-25 | 广东工业大学 | 一种智能车间快速定制设计方法及系统 |
| US20200326692A1 (en) * | 2019-04-10 | 2020-10-15 | Guangdong University Of Technology | Parallel control method based on multi-period differential sampling and digital twinning technologies |
| WO2021001845A1 (en) * | 2019-06-29 | 2021-01-07 | Phadke Sameer | System and method for modelling and monitoring processes in organizations using digital twins |
| CN112800668A (zh) * | 2021-01-20 | 2021-05-14 | 西安科技大学 | 基于数字孪生的复杂产品运维与制造集成总体模型 |
Non-Patent Citations (4)
| Title |
|---|
| 孟松鹤;叶雨玫;杨强;黄震;解维华;: "数字孪生及其在航空航天中的应用", 航空学报, no. 09 * |
| 李浩;王昊琪;程颖;陶飞;郝兵;王新昌;纪杨建;宋文燕;杜文辽;文笑雨;巩晓?;李客;张映锋;罗国富;李奇峰;: "数据驱动的复杂产品智能服务技术与应用", 中国机械工程, no. 07 * |
| 李福兴;李璐?;彭友;: "基于数字孪生的船舶预测性维护", 船舶工程, no. 1 * |
| 隋少春;许艾明;黎小华;刘顺涛;黄伟;: "面向航空智能制造的DT与AI融合应用", 航空学报, no. 07 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114281047A (zh) * | 2021-12-27 | 2022-04-05 | 山东浪潮工业互联网产业股份有限公司 | 一种流程工业生产过程监控管理方法及系统 |
| 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 |
| CN116796202A (zh) * | 2023-07-17 | 2023-09-22 | 上海朗晖慧科技术有限公司 | 一种基于大数据的设备数据匹配方法及异常数据处理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113627032B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113627032B (zh) | 一种基于数字孪生的设备设计/维修方案智能决策方法 | |
| Saldivar et al. | Self-organizing tool for smart design with predictive customer needs and wants to realize Industry 4.0 | |
| CN111985561B (zh) | 一种智能电表的故障诊断方法、系统及电子装置 | |
| Lechevalier et al. | Towards a domain-specific framework for predictive analytics in manufacturing | |
| CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
| CN108830745A (zh) | 基于监控信息的电网连锁故障诊断、预警、评估系统 | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| Lechevalier et al. | A neural network meta-model and its application for manufacturing | |
| Mi et al. | Integrated intelligent green scheduling of predictive maintenance for complex equipment based on information services | |
| Choo et al. | Adaptive multi-scale prognostics and health management for smart manufacturing systems | |
| Yao et al. | Study and application of an elevator failure monitoring system based on the internet of things technology | |
| CN115908046A (zh) | 基于航站楼bim的可视化配电系统 | |
| CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
| Yoon et al. | Simulation-based real-time decision making for manufacturing automation systems: a review | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
| CN116611813B (zh) | 一种基于知识图谱的智能运维管理方法及系统 | |
| Bryndin | Robots for Communication in Public Life in High-Tech Industry and Space | |
| Liu | Using neural network to establish manufacture production performance forecasting in IoT environment | |
| CN116523187A (zh) | 一种基于bim的工程进度监控方法及其系统 | |
| CN114138532A (zh) | 一种基于项目方案仿真软件架构设计的远程故障诊断系统 | |
| Si et al. | Self-Organizing Optimization of Construction Project Management Based on Building Information Modeling and Digital Technology | |
| CN112364088A (zh) | 基于工厂数字化制造资源的可视化配置系统 | |
| Kurilenko et al. | Virtual Employee Implementation Using Temporal Case-based Reasoning | |
| Zhang et al. | Data-driven intelligent system for equipment management in automotive parts manufacturing | |
| Perederyi et al. | Information technology for decision making support and monitoring in man-machine systems for managing complex technical objects of critical application |
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 |