CN113792423A - 一种tpm设备管理的数字孪生行为约束方法及系统 - Google Patents
一种tpm设备管理的数字孪生行为约束方法及系统 Download PDFInfo
- Publication number
- CN113792423A CN113792423A CN202111034953.6A CN202111034953A CN113792423A CN 113792423 A CN113792423 A CN 113792423A CN 202111034953 A CN202111034953 A CN 202111034953A CN 113792423 A CN113792423 A CN 113792423A
- Authority
- CN
- China
- Prior art keywords
- digital twin
- model
- tpm
- parameters
- management
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 66
- 230000003068 static effect Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000005094 computer simulation Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 50
- 230000009471 action Effects 0.000 claims description 43
- 238000004088 simulation Methods 0.000 claims description 43
- 238000013507 mapping Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 230000000977 initiatory effect Effects 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 239000000047 product Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种TPM设备管理的数字孪生行为约束方法及系统,涉及计算机技术领域。该方法包括:利用3D建模软件对目标设备进行建模,以得到目标设备的三维结构。根据三维结构构建目标设备的静态模型,通过仿真建模将动力学属性加入静态模型中,以构建目标设备的动态模型。提取目标设备管理中各阶段的历史数据,以得到基础数据信息。获取训练数据,利用训练数据对数字孪生初始模型进行训练,以得到训练好的数字孪生模型。获取TPM设备管理中各阶段的参数,并将参数输入至数字孪生模型中,以得到TPM设备管理的趋势预测结果。从而对TPM设备管理进行趋势预测和分析,实现了对TPM设备运行状态趋势预测的目的。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种TPM设备管理的数字孪生行为约束方法及系统。
背景技术
数字孪生(Digital Twin)技术目前是国内外研究的热点,其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,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。
而产品生命周期管理(Product lifecycle management,PLM)作为一种高效的商业产品管理方式,从产品设计理念产生到其报废淘汰,贯穿其整个生命周期。尽管PLM可以获得包括设计、制造和服务在内的各阶段生命周期相关大数据,但其中仍存在诸如各阶段数据通常呈现孤立、分散、停滞特征、用户在产品使用过程中制造商难以对产品保持实时控制与响应等缺陷。而这些缺陷将导致产品的设计、制造和服务阶段的效率不高,智能化和可持续性水平较低。现有技术无法对产品生命周期管理中各阶段的行为进行合理定义,也就无法对TPM设备管理的生命周期管理进行行为约束,则无法实现对设备全生命周期从发现问题、分析问题到解决问题的闭环管理。
发明内容
本发明的目的在于提供一种TPM设备管理的数字孪生行为约束方法及系统,其能够对产品生命周期管理中各阶段的行为进行合理定义,进而达到对TPM设备管理的生命周期管理进行行为约束的效果,继而模拟TPM设备管理,实现对设备全生命周期从发现问题、分析问题到解决问题的闭环管理的目的。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种TPM设备管理的数字孪生行为约束方法,其包括如下步骤:利用3D建模软件对目标设备进行建模,以得到目标设备的三维结构。根据三维结构构建目标设备的静态模型,通过仿真建模将动力学属性加入静态模型中,以构建目标设备的动态模型。提取目标设备管理中各阶段的历史数据,以得到基础数据信息。根据基础数据信息确定推演算法和模型参数,并根据基础数据信息、推演算法和模型参数设置动态模型的参数,以建立数字孪生初始模型。获取训练数据,利用训练数据对数字孪生初始模型进行训练,以得到训练好的数字孪生模型。获取TPM设备管理中各阶段的参数,并将参数输入至数字孪生模型中,以得到TPM设备管理的趋势预测结果。
在本发明的一些实施例中,上述获取TPM设备管理中各阶段的参数的步骤包括以下步骤:获取TPM设备管理的生命周期,并根据生命周期获取TPM设备管理中各阶段的参数。
在本发明的一些实施例中,上述获取TPM设备管理中各阶段的参数,并将参数输入至数字孪生模型中,以得到TPM设备管理的趋势预测结果的步骤包括以下步骤:将数字孪生模型中的原始状态映射为TPM设备管理中对应阶段的参数。将数字孪生模型中的仿真动作映射为TPM设备管理中对应阶段的行为。将数字孪生模型中的仿真动作结果映射为TPM设备管理中对应阶段的行为结果。
在本发明的一些实施例中,上述获取TPM设备管理中各阶段的参数,并将参数输入至数字孪生模型中,以得到TPM设备管理的趋势预测结果的步骤包括:获取数字孪生模型中原始状态、仿真动作和仿真动作结果的技术参数,并对技术参数进行分类整理,生成TPM设备管理各阶段对应的单元数据、特性数据、载荷数据、分析数据和结果数据,以得到TPM设备管理的趋势预测结果。
在本发明的一些实施例中,上述获取训练数据,利用训练数据对数字孪生初始模型进行训练,以得到训练好的数字孪生模型的步骤包括以下步骤:将训练数据输入数字孪生初始模型中,得到数字孪生结果。对比数字孪生结果与历史数据中实际数据,以得到数字孪生结果与实际数据的相似度,并比较相似度与预设阈值。若相似度小于预设阈值,则调整数字孪生初始模型的参数,并将训练数据再次输入数字孪生初始模型中进行训练,直至数字孪生结果与实际数据的相似度大于或等于预设阈值,以得到训练好的数字孪生模型。
第二方面,本申请实施例提供一种TPM设备管理的数字孪生行为约束系统,其包括:目标设备建模模块,用于利用3D建模软件对目标设备进行建模,以得到目标设备的三维结构。动态模型构建模块,用于根据三维结构构建目标设备的静态模型,通过仿真建模将动力学属性加入静态模型中,以构建目标设备的动态模型。历史数据提取模块,用于提取目标设备管理中各阶段的历史数据,以得到基础数据信息。数字孪生初始模型建立模块,用于根据基础数据信息确定推演算法和模型参数,并根据基础数据信息、推演算法和模型参数设置动态模型的参数,以建立数字孪生初始模型。数字孪生模型训练模块,用于获取训练数据,利用训练数据对数字孪生初始模型进行训练,以得到训练好的数字孪生模型。趋势预测模块,用于获取TPM设备管理中各阶段的参数,并将参数输入至数字孪生模型中,以得到TPM设备管理的趋势预测结果。
在本发明的一些实施例中,上述趋势预测模块包括:阶段参数获取单元,用于获取TPM设备管理的生命周期,并根据生命周期获取TPM设备管理中各阶段的参数。
在本发明的一些实施例中,上述趋势预测模块包括:原始状态映射单元,用于将数字孪生模型中的原始状态映射为TPM设备管理中对应阶段的参数。仿真动作映射单元,用于将数字孪生模型中的仿真动作映射为TPM设备管理中对应阶段的行为。仿真动作结果映射单元,用于将数字孪生模型中的仿真动作结果映射为TPM设备管理中对应阶段的行为结果。
在本发明的一些实施例中,上述趋势预测模块包括:分类整理单元,用于获取数字孪生模型中原始状态、仿真动作和仿真动作结果的技术参数,并对技术参数进行分类整理,生成TPM设备管理各阶段对应的单元数据、特性数据、载荷数据、分析数据和结果数据,以得到TPM设备管理的趋势预测结果。
在本发明的一些实施例中,上述数字孪生模型训练模块包括:数字孪生结果得到单元,用于将训练数据输入数字孪生初始模型中,得到数字孪生结果。相似度对比单元,用于对比数字孪生结果与历史数据中实际数据,以得到数字孪生结果与实际数据的相似度,并比较相似度与预设阈值。数字孪生模型训练单元,用于若相似度小于预设阈值,则调整数字孪生初始模型的参数,并将训练数据再次输入数字孪生初始模型中进行训练,直至数字孪生结果与实际数据的相似度大于或等于预设阈值,以得到训练好的数字孪生模型。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当一个或多个程序被处理器执行时,实现如上述第一方面中任一项的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
本发明提供一种TPM设备管理的数字孪生行为约束方法及系统,其包括如下步骤:利用3D建模软件对目标设备进行建模,以得到目标设备的三维结构。根据三维结构构建目标设备的静态模型,通过仿真建模将动力学属性加入静态模型中,以构建目标设备的动态模型。提取目标设备管理中各阶段的历史数据,以得到基础数据信息。根据基础数据信息确定推演算法和模型参数,并根据基础数据信息、推演算法和模型参数设置动态模型的参数,以建立数字孪生初始模型。获取训练数据,利用训练数据对数字孪生初始模型进行训练,以得到训练好的数字孪生模型。获取TPM设备管理中各阶段的参数,并将参数输入至数字孪生模型中,以得到TPM设备管理的趋势预测结果。该方法及系统首先利用3D建模软件对目标设备的外形进行建模,得到的三维结构可以反映目标设备的外形特征。则根据三维结构可以构建目标设备的静态模型,以描述目标设备的静态特征。然后以静态特征为基础,通过仿真软件为静态模型添加运动学属性,以构建动态模型,使得构建的动态模型更加准确。动态模型可以描述目标设备的动态特征。紧接着提取目标设备管理生命周期中各阶段的历史数据,将历史数据作为基础数据信息。根据各基础数据信息之间的关系确定各基础数据信息之间的推演算法,并确定模型参数。根据各基础数据信息、推演算法和模型参数即可设置动态模型中的参数,从而建立数字孪生初始模型。而且根据目标设备的动态模型建立的数字孪生初始模型可以与设备生命周期的各阶段更为贴合。将TPM设备管理中各阶段的参数输入至训练好的数字孪生模型中,数字孪生模型将对TPM设备管理中各阶段的参数进行定义,进而对TPM设备管理的生命周期管理进行行为约束,从而数字孪生模型可以模拟TPM设备管理,以对TPM设备管理进行趋势预测和分析,实现了对TPM设备运行状态趋势预测的目的,也就实现了对TPM设备管理生命周期从发现问题、分析问题到解决问题的闭环管理的目的。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种TPM设备管理的数字孪生行为约束方法的流程图;
图2为本发明实施例提供的一种TPM设备管理的数字孪生行为约束系统的结构框图;
图3为本发明实施例提供的一种电子设备的示意性结构框图。
图标:100-TPM设备管理的数字孪生行为约束系统;110-目标设备建模模块;120-动态模型构建模块;130-历史数据提取模块;140-数字孪生初始模型建立模块;150-数字孪生模型训练模块;160-趋势预测模块;101-存储器;102-处理器;103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,若出现术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,若出现由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例
请参照图1,图1所示为本申请实施例提供的一种TPM设备管理的数字孪生行为约束方法的流程图。一种TPM设备管理的数字孪生行为约束方法,其包括如下步骤:
S110:利用3D建模软件对目标设备进行建模,以得到目标设备的三维结构;
示例性的,上述3D建模软件可以采用Sol idWorks或者AutoCAD。则可以利用SolidWorks或者AutoCAD对目标设备的外形进行建模,从而得到目标设备的三维结构。三维结构可以反映目标设备的外形特征。
S120:根据三维结构构建目标设备的静态模型,通过仿真建模将动力学属性加入静态模型中,以构建目标设备的动态模型;
具体的,根据三维结构可以构建目标设备的静态模型,静态模型可以描述目标设备的静态特征。以静态特征为基础,利用V-REP运动学仿真平台为静态模型添加运动学属性,构建动态模型,使得构建的动态模型更加准确。动态模型可以描述目标设备的动态特征。
S130:提取目标设备管理中各阶段的历史数据,以得到基础数据信息;
示例性的,目标设备管理分为设备设计阶段、采购阶段、制造阶段、监理阶段、安装阶段、运行阶段、维护阶段。上述历史数据为目标设备管理各阶段的技术参数,将该技术参数作为基础数据信息。
S140:根据基础数据信息确定推演算法和模型参数,并根据基础数据信息、推演算法和模型参数设置动态模型的参数,以建立数字孪生初始模型;
具体的,根据各基础数据信息之间的关系确定各基础数据信息之间的推演算法,并确定模型参数。根据各基础数据信息、推演算法和模型参数即可设置动态模型中的参数,从而建立数字孪生初始模型。根据目标设备的动态模型建立的数字孪生初始模型与设备生命周期的各阶段更为贴合。
S150:获取训练数据,利用训练数据对数字孪生初始模型进行训练,以得到训练好的数字孪生模型;
示例性的,上述训练数据可以是不同设备管理生命周期中各阶段的技术参数。通过不同设备管理生命周期中各阶段的技术参数可以训练数字孪生初始模型,以使训练好的数字孪生模型的模拟结果可以更加准确。
具体的,首先将获取的训练数据输入数字孪生初始模型中,数据孪生初始模型根据模型参数、推演算法等参数对训练数据进行处理,以得到数字孪生结果。将数字孪生结果与实际的技术参数进行对比,当数字孪生结果与实际的技术参数之间的相似度小于预设阈值,则调整数字孪生初始模型的参数,并将训练数据再次输入数字孪生初始模型中进行训练,直至数字孪生结果与技术参数的相似度不小于预设阈值,从而得到训练好的数字孪生模型。训练好的数字孪生模型可以模拟设备管理生命周期中的各阶段。
S160:获取TPM设备管理中各阶段的参数,并将参数输入至数字孪生模型中,以得到TPM设备管理的趋势预测结果。
具体的,将TPM设备管理中各阶段的参数输入至数字孪生模型中,数字孪生模型将对TPM设备管理中各阶段的参数进行定义,进而对TPM设备管理的生命周期管理进行行为约束,从而数字孪生模型可以模拟TPM设备管理,得到TPM设备管理的趋势预测结果,实现了对TPM设备运行状态趋势预测,也就实现了TPM设备管理生命周期从发现问题分析问题到解决问题的闭环管理。
上述实现过程中,首先利用3D建模软件对目标设备的外形进行建模,得到的三维结构可以反映目标设备的外形特征。则根据三维结构可以构建目标设备的静态模型,以描述目标设备的静态特征。然后以静态特征为基础,通过仿真软件为静态模型添加运动学属性,以构建动态模型,使得构建的动态模型更加准确。动态模型可以描述目标设备的动态特征。紧接着提取目标设备管理生命周期中各阶段的历史数据,将历史数据作为基础数据信息。根据各基础数据信息之间的关系确定各基础数据信息之间的推演算法,并确定模型参数。根据各基础数据信息、推演算法和模型参数即可设置动态模型中的参数,从而建立数字孪生初始模型。而且根据目标设备的动态模型建立的数字孪生初始模型可以与设备生命周期的各阶段更为贴合。将TPM设备管理中各阶段的参数输入至训练好的数字孪生模型中,数字孪生模型将对TPM设备管理中各阶段的参数进行定义,进而对TPM设备管理的生命周期管理进行行为约束,从而数字孪生模型可以模拟TPM设备管理,以对TPM设备管理进行趋势预测和分析,实现了对TPM设备运行状态趋势预测的目的,也就实现了对TPM设备管理生命周期从发现问题、分析问题到解决问题的闭环管理的目的。
在本实施例的一些实施方式中,上述获取TPM设备管理中各阶段的参数的步骤包括以下步骤:获取TPM设备管理的生命周期,并根据生命周期获取TPM设备管理中各阶段的参数。具体的,根据TPM设备管理的生命周期可以获取TPM设备管理中各阶段的参数,达到了得到TPM设备管理生命周期各模块参数的效果。
在本实施例的一些实施方式中,上述获取TPM设备管理中各阶段的参数,并将参数输入至数字孪生模型中,以得到TPM设备管理的趋势预测结果的步骤包括以下步骤:将数字孪生模型中的原始状态映射为TPM设备管理中对应阶段的参数。将数字孪生模型中的仿真动作映射为TPM设备管理中对应阶段的行为。将数字孪生模型中的仿真动作结果映射为TPM设备管理中对应阶段的行为结果。具体的,将TPM设备管理中各阶段的参数输入数字孪生模型中,数字孪生模型将队TPM设备管理各阶段的参数进行处理,即将TPM设备管理各阶段的参数、行为及行为结果映射到数字孪生模型中,从而从数字孪生模型中的原始状态、仿真动作、仿真动作结果即可反映被模拟的TPM设备管理,则根据仿真动作、仿真动作结果可以得到TPM设备管理的趋势预测结果。
在本实施例的一些实施方式中,上述获取TPM设备管理中各阶段的参数,并将参数输入至数字孪生模型中,以得到TPM设备管理的趋势预测结果的步骤包括:获取数字孪生模型中原始状态、仿真动作和仿真动作结果的技术参数,并对技术参数进行分类整理,生成TPM设备管理各阶段对应的单元数据、特性数据、载荷数据、分析数据和结果数据,以得到TPM设备管理的趋势预测结果。具体的,上述TPM设备管理的趋势预测结果可以包括TPM设备管理各阶段对应的单元数据、特性数据、载荷数据、分析数据和结果数据,则通过对数字孪生模型中原始状态、仿真动作和仿真动作结果的技术参数进行分类整理,实现得到TPM设备管理的趋势预测结果的目的。
在本实施例的一些实施方式中,上述获取训练数据,利用训练数据对数字孪生初始模型进行训练,以得到训练好的数字孪生模型的步骤包括以下步骤:将训练数据输入数字孪生初始模型中,得到数字孪生结果。对比数字孪生结果与历史数据中实际数据,以得到数字孪生结果与实际数据的相似度,并比较相似度与预设阈值。若相似度小于预设阈值,则调整数字孪生初始模型的参数,并将训练数据再次输入数字孪生初始模型中进行训练,直至数字孪生结果与实际数据的相似度大于或等于预设阈值,以得到训练好的数字孪生模型。具体的,通过上述方式对数字孪生初始模型进行训练,可以得到训练好的数字孪生模型。
请参照图2,图2所示为本申请实施例提供的一种TPM设备管理的数字孪生行为约束系统100的结构框图。本申请实施例提供一种TPM设备管理的数字孪生行为约束系统100,其包括:目标设备建模模块110,用于利用3D建模软件对目标设备进行建模,以得到目标设备的三维结构。动态模型构建模块120,用于根据三维结构构建目标设备的静态模型,通过仿真建模将动力学属性加入静态模型中,以构建目标设备的动态模型。历史数据提取模块130,用于提取目标设备管理中各阶段的历史数据,以得到基础数据信息。数字孪生初始模型建立模块140,用于根据基础数据信息确定推演算法和模型参数,并根据基础数据信息、推演算法和模型参数设置动态模型的参数,以建立数字孪生初始模型。数字孪生模型训练模块150,用于获取训练数据,利用训练数据对数字孪生初始模型进行训练,以得到训练好的数字孪生模型。趋势预测模块160,用于获取TPM设备管理中各阶段的参数,并将参数输入至数字孪生模型中,以得到TPM设备管理的趋势预测结果。具体的,首先利用3D建模软件对目标设备的外形进行建模,得到的三维结构可以反映目标设备的外形特征。则根据三维结构可以构建目标设备的静态模型,以描述目标设备的静态特征。然后以静态特征为基础,通过仿真软件为静态模型添加运动学属性,以构建动态模型,使得构建的动态模型更加准确。动态模型可以描述目标设备的动态特征。紧接着提取目标设备管理生命周期中各阶段的历史数据,将历史数据作为基础数据信息。根据各基础数据信息之间的关系确定各基础数据信息之间的推演算法,并确定模型参数。根据各基础数据信息、推演算法和模型参数即可设置动态模型中的参数,从而建立数字孪生初始模型。而且根据目标设备的动态模型建立的数字孪生初始模型可以与设备生命周期的各阶段更为贴合。将TPM设备管理中各阶段的参数输入至训练好的数字孪生模型中,数字孪生模型将对TPM设备管理中各阶段的参数进行定义,进而对TPM设备管理的生命周期管理进行行为约束,从而数字孪生模型可以模拟TPM设备管理,以对TPM设备管理进行趋势预测和分析,实现了对TPM设备运行状态趋势预测的目的,也就实现了对TPM设备管理生命周期从发现问题、分析问题到解决问题的闭环管理的目的。
在本实施例的一些实施方式中,上述趋势预测模块160包括:阶段参数获取单元,用于获取TPM设备管理的生命周期,并根据生命周期获取TPM设备管理中各阶段的参数。具体的,根据TPM设备管理的生命周期可以获取TPM设备管理中各阶段的参数,达到了得到TPM设备管理生命周期各模块参数的效果。
在本实施例的一些实施方式中,上述趋势预测模块160包括:原始状态映射单元,用于将数字孪生模型中的原始状态映射为TPM设备管理中对应阶段的参数。仿真动作映射单元,用于将数字孪生模型中的仿真动作映射为TPM设备管理中对应阶段的行为。仿真动作结果映射单元,用于将数字孪生模型中的仿真动作结果映射为TPM设备管理中对应阶段的行为结果。具体的,将TPM设备管理中各阶段的参数输入数字孪生模型中,数字孪生模型将队TPM设备管理各阶段的参数进行处理,即将TPM设备管理各阶段的参数、行为及行为结果映射到数字孪生模型中,从而从数字孪生模型中的原始状态、仿真动作、仿真动作结果即可反映被模拟的TPM设备管理,则根据仿真动作、仿真动作结果可以得到TPM设备管理的趋势预测结果。
在本实施例的一些实施方式中,上述趋势预测模块160包括:分类整理单元,用于获取数字孪生模型中原始状态、仿真动作和仿真动作结果的技术参数,并对技术参数进行分类整理,生成TPM设备管理各阶段对应的单元数据、特性数据、载荷数据、分析数据和结果数据,以得到TPM设备管理的趋势预测结果。具体的,上述TPM设备管理的趋势预测结果可以包括TPM设备管理各阶段对应的单元数据、特性数据、载荷数据、分析数据和结果数据,则通过对数字孪生模型中原始状态、仿真动作和仿真动作结果的技术参数进行分类整理,实现得到TPM设备管理的趋势预测结果的目的。
在本实施例的一些实施方式中,上述数字孪生模型训练模块150包括:数字孪生结果得到单元,用于将训练数据输入数字孪生初始模型中,得到数字孪生结果。相似度对比单元,用于对比数字孪生结果与历史数据中实际数据,以得到数字孪生结果与实际数据的相似度,并比较相似度与预设阈值。数字孪生模型训练单元,用于若相似度小于预设阈值,则调整数字孪生初始模型的参数,并将训练数据再次输入数字孪生初始模型中进行训练,直至数字孪生结果与实际数据的相似度大于或等于预设阈值,以得到训练好的数字孪生模型。具体的,通过上述方式对数字孪生初始模型进行训练,可以得到训练好的数字孪生模型。
请参阅图3,图3为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,如本申请实施例所提供的一种TPM设备管理的数字孪生行为约束系统100对应的程序指令/模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器101(Random Access Memory,RAM),只读存储器101(Read Only Memory,ROM),可编程只读存储器101(ProgrammableRead-Only Memory,PROM),可擦除只读存储器101(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器102,包括中央处理器102(Central Processing Unit,CPU)、网络处理器102(Network Processor,NP)等;还可以是数字信号处理器102(Digital Signal Processing,DSP)、专用集成电路(Appl ication Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
可以理解,图3所示的结构仅为示意,电子设备还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器101(ROM,Read-Only Memory)、随机存取存储器101(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种TPM设备管理的数字孪生行为约束方法及系统,其包括如下步骤:利用3D建模软件对目标设备进行建模,以得到目标设备的三维结构。根据三维结构构建目标设备的静态模型,通过仿真建模将动力学属性加入静态模型中,以构建目标设备的动态模型。提取目标设备管理中各阶段的历史数据,以得到基础数据信息。根据基础数据信息确定推演算法和模型参数,并根据基础数据信息、推演算法和模型参数设置动态模型的参数,以建立数字孪生初始模型。获取训练数据,利用训练数据对数字孪生初始模型进行训练,以得到训练好的数字孪生模型。获取TPM设备管理中各阶段的参数,并将参数输入至数字孪生模型中,以得到TPM设备管理的趋势预测结果。该方法及系统首先利用3D建模软件对目标设备的外形进行建模,得到的三维结构可以反映目标设备的外形特征。则根据三维结构可以构建目标设备的静态模型,以描述目标设备的静态特征。然后以静态特征为基础,通过仿真软件为静态模型添加运动学属性,以构建动态模型,使得构建的动态模型更加准确。动态模型可以描述目标设备的动态特征。紧接着提取目标设备管理生命周期中各阶段的历史数据,将历史数据作为基础数据信息。根据各基础数据信息之间的关系确定各基础数据信息之间的推演算法,并确定模型参数。根据各基础数据信息、推演算法和模型参数即可设置动态模型中的参数,从而建立数字孪生初始模型。而且根据目标设备的动态模型建立的数字孪生初始模型可以与设备生命周期的各阶段更为贴合。将TPM设备管理中各阶段的参数输入至训练好的数字孪生模型中,数字孪生模型将对TPM设备管理中各阶段的参数进行定义,进而对TPM设备管理的生命周期管理进行行为约束,从而数字孪生模型可以模拟TPM设备管理,以对TPM设备管理进行趋势预测和分析,实现了对TPM设备运行状态趋势预测的目的,也就实现了对TPM设备管理生命周期从发现问题、分析问题到解决问题的闭环管理的目的。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种TPM设备管理的数字孪生行为约束方法,其特征在于,包括如下步骤:
利用3D建模软件对目标设备进行建模,以得到目标设备的三维结构;
根据所述三维结构构建所述目标设备的静态模型,通过仿真建模将动力学属性加入所述静态模型中,以构建所述目标设备的动态模型;
提取目标设备管理中各阶段的历史数据,以得到基础数据信息;
根据所述基础数据信息确定推演算法和模型参数,并根据所述基础数据信息、所述推演算法和所述模型参数设置所述动态模型的参数,以建立数字孪生初始模型;
获取训练数据,利用所述训练数据对所述数字孪生初始模型进行训练,以得到训练好的数字孪生模型;
获取TPM设备管理中各阶段的参数,并将所述参数输入至所述数字孪生模型中,以得到TPM设备管理的趋势预测结果。
2.根据权利要求1所述的TPM设备管理的数字孪生行为约束方法,其特征在于,获取TPM设备管理中各阶段的参数的步骤包括以下步骤:
获取TPM设备管理的生命周期,并根据所述生命周期获取TPM设备管理中各阶段的参数。
3.根据权利要求1所述的TPM设备管理的数字孪生行为约束方法,其特征在于,获取TPM设备管理中各阶段的参数,并将所述参数输入至所述数字孪生模型中,以得到TPM设备管理的趋势预测结果的步骤包括以下步骤:
将数字孪生模型中的原始状态映射为TPM设备管理中对应阶段的参数;
将数字孪生模型中的仿真动作映射为TPM设备管理中对应阶段的行为;
将数字孪生模型中的仿真动作结果映射为TPM设备管理中对应阶段的行为结果。
4.根据权利要求3所述的TPM设备管理的数字孪生行为约束方法,其特征在于,获取TPM设备管理中各阶段的参数,并将所述参数输入至所述数字孪生模型中,以得到TPM设备管理的趋势预测结果的步骤包括:
获取数字孪生模型中原始状态、仿真动作和仿真动作结果的技术参数,并对技术参数进行分类整理,生成TPM设备管理各阶段对应的单元数据、特性数据、载荷数据、分析数据和结果数据,以得到TPM设备管理的趋势预测结果。
5.根据权利要求1所述的TPM设备管理的数字孪生行为约束方法,其特征在于,获取训练数据,利用所述训练数据对所述数字孪生初始模型进行训练,以得到训练好的数字孪生模型的步骤包括以下步骤:
将所述训练数据输入所述数字孪生初始模型中,得到数字孪生结果;
对比所述数字孪生结果与所述历史数据中实际数据,以得到所述数字孪生结果与所述实际数据的相似度,并比较所述相似度与预设阈值;
若所述相似度小于所述预设阈值,则调整所述数字孪生初始模型的参数,并将所述训练数据再次输入所述数字孪生初始模型中进行训练,直至所述数字孪生结果与所述实际数据的相似度大于或等于预设阈值,以得到训练好的数字孪生模型。
6.一种TPM设备管理的数字孪生行为约束系统,其特征在于,包括:
目标设备建模模块,用于利用3D建模软件对目标设备进行建模,以得到目标设备的三维结构;
动态模型构建模块,用于根据所述三维结构构建所述目标设备的静态模型,通过仿真建模将动力学属性加入所述静态模型中,以构建所述目标设备的动态模型;
历史数据提取模块,用于提取目标设备管理中各阶段的历史数据,以得到基础数据信息;
数字孪生初始模型建立模块,用于根据所述基础数据信息确定推演算法和模型参数,并根据所述基础数据信息、所述推演算法和所述模型参数设置所述动态模型的参数,以建立数字孪生初始模型;
数字孪生模型训练模块,用于获取训练数据,利用所述训练数据对所述数字孪生初始模型进行训练,以得到训练好的数字孪生模型;
趋势预测模块,用于获取TPM设备管理中各阶段的参数,并将所述参数输入至所述数字孪生模型中,以得到TPM设备管理的趋势预测结果。
7.根据权利要求6所述的TPM设备管理的数字孪生行为约束系统,其特征在于,所述趋势预测模块包括:
阶段参数获取单元,用于获取TPM设备管理的生命周期,并根据所述生命周期获取TPM设备管理中各阶段的参数。
8.根据权利要求6所述的TPM设备管理的数字孪生行为约束系统,其特征在于,所述趋势预测模块包括:
原始状态映射单元,用于将数字孪生模型中的原始状态映射为TPM设备管理中对应阶段的参数;
仿真动作映射单元,用于将数字孪生模型中的仿真动作映射为TPM设备管理中对应阶段的行为;
仿真动作结果映射单元,用于将数字孪生模型中的仿真动作结果映射为TPM设备管理中对应阶段的行为结果。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111034953.6A CN113792423B (zh) | 2021-09-04 | 2021-09-04 | 一种tpm设备管理的数字孪生行为约束方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111034953.6A CN113792423B (zh) | 2021-09-04 | 2021-09-04 | 一种tpm设备管理的数字孪生行为约束方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792423A true CN113792423A (zh) | 2021-12-14 |
CN113792423B CN113792423B (zh) | 2023-10-24 |
Family
ID=79182547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111034953.6A Active CN113792423B (zh) | 2021-09-04 | 2021-09-04 | 一种tpm设备管理的数字孪生行为约束方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792423B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114857067A (zh) * | 2022-05-20 | 2022-08-05 | 北京一诺先科装备技术有限公司 | 一种大型透平压缩机全生命周期监测管理方法及系统 |
CN115129909A (zh) * | 2022-06-30 | 2022-09-30 | 北京亚控科技发展有限公司 | 一种孪生、订阅实体物的历史状态的方法及装置 |
CN115361651A (zh) * | 2022-08-19 | 2022-11-18 | 中国联合网络通信集团有限公司 | 终端定位方法、装置、电子设备及存储介质 |
CN116341131A (zh) * | 2023-02-13 | 2023-06-27 | 北京信息科技大学 | 基于数字孪生的再制造设计仿真系统、方法、设备及介质 |
WO2023134184A1 (zh) * | 2022-01-13 | 2023-07-20 | 工赋(青岛)科技有限公司 | 信息处理系统、方法、装置、设备及存储介质 |
CN118132996A (zh) * | 2024-05-06 | 2024-06-04 | 南京励业智能科技有限公司 | 一种基于工业数字孪生的自适应生产调度优化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011153093A2 (en) * | 2010-06-03 | 2011-12-08 | Intel Corporation | Systems, methods, and apparatus to virtualize tpm accesses |
CN110442936A (zh) * | 2019-07-24 | 2019-11-12 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
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 |
CN111027165A (zh) * | 2019-07-19 | 2020-04-17 | 北京航空航天大学 | 一种基于数字孪生的动力电池组管理系统及方法 |
WO2020172865A1 (zh) * | 2019-02-28 | 2020-09-03 | 西门子(中国)有限公司 | 数字双胞胎建模仿真方法、装置和系统 |
US10877470B2 (en) * | 2017-01-26 | 2020-12-29 | Honeywell International Inc. | Integrated digital twin for an industrial facility |
CN112162519A (zh) * | 2020-10-21 | 2021-01-01 | 桂林电子科技大学 | 一种复合型机床数字孪生监控系统 |
CN112200493A (zh) * | 2020-11-02 | 2021-01-08 | 傲林科技有限公司 | 一种数字孪生模型构建方法及装置 |
CN113268804A (zh) * | 2021-06-17 | 2021-08-17 | 江南造船(集团)有限责任公司 | 基于数字孪生的船舶建造方法、系统、介质及终端 |
-
2021
- 2021-09-04 CN CN202111034953.6A patent/CN113792423B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011153093A2 (en) * | 2010-06-03 | 2011-12-08 | Intel Corporation | Systems, methods, and apparatus to virtualize tpm accesses |
US10877470B2 (en) * | 2017-01-26 | 2020-12-29 | Honeywell International Inc. | Integrated digital twin for an industrial facility |
WO2020172865A1 (zh) * | 2019-02-28 | 2020-09-03 | 西门子(中国)有限公司 | 数字双胞胎建模仿真方法、装置和系统 |
CN111027165A (zh) * | 2019-07-19 | 2020-04-17 | 北京航空航天大学 | 一种基于数字孪生的动力电池组管理系统及方法 |
CN110442936A (zh) * | 2019-07-24 | 2019-11-12 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
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 |
CN112162519A (zh) * | 2020-10-21 | 2021-01-01 | 桂林电子科技大学 | 一种复合型机床数字孪生监控系统 |
CN112200493A (zh) * | 2020-11-02 | 2021-01-08 | 傲林科技有限公司 | 一种数字孪生模型构建方法及装置 |
CN113268804A (zh) * | 2021-06-17 | 2021-08-17 | 江南造船(集团)有限责任公司 | 基于数字孪生的船舶建造方法、系统、介质及终端 |
Non-Patent Citations (3)
Title |
---|
PORTELA RUI M C ET AL.: "When Is an In Silico Representation a Digital Twin? A Biopharmaceutical Industry Approach to the Digital Twin Concept", 《 ADVANCES IN BIOCHEMICAL ENGINEERING/BIOTECHNOLOGY》, vol. 176, no. 2020, pages 35 - 55 * |
周川;刘颖;: "基于TPM和RCM协同关系的CMMS系统的研究与应用", 世界科技研究与发展, no. 06, pages 65 - 68 * |
蔡笑驰;姚怡芝;李鑫;: "数字孪生技术在船舶全生命周期的应用架构", 船舶设计通讯, no. 02, pages 31 - 36 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023134184A1 (zh) * | 2022-01-13 | 2023-07-20 | 工赋(青岛)科技有限公司 | 信息处理系统、方法、装置、设备及存储介质 |
CN114857067A (zh) * | 2022-05-20 | 2022-08-05 | 北京一诺先科装备技术有限公司 | 一种大型透平压缩机全生命周期监测管理方法及系统 |
CN114857067B (zh) * | 2022-05-20 | 2023-08-11 | 北京一诺先科装备技术有限公司 | 一种大型透平压缩机全生命周期监测管理方法及系统 |
CN115129909A (zh) * | 2022-06-30 | 2022-09-30 | 北京亚控科技发展有限公司 | 一种孪生、订阅实体物的历史状态的方法及装置 |
CN115129909B (zh) * | 2022-06-30 | 2024-05-07 | 北京亚控科技发展有限公司 | 一种孪生、订阅实体物的历史状态的方法及装置 |
CN115361651A (zh) * | 2022-08-19 | 2022-11-18 | 中国联合网络通信集团有限公司 | 终端定位方法、装置、电子设备及存储介质 |
CN115361651B (zh) * | 2022-08-19 | 2024-04-09 | 中国联合网络通信集团有限公司 | 终端定位方法、装置、电子设备及存储介质 |
CN116341131A (zh) * | 2023-02-13 | 2023-06-27 | 北京信息科技大学 | 基于数字孪生的再制造设计仿真系统、方法、设备及介质 |
CN116341131B (zh) * | 2023-02-13 | 2023-08-25 | 北京信息科技大学 | 基于数字孪生的再制造设计仿真系统、方法、设备及介质 |
CN118132996A (zh) * | 2024-05-06 | 2024-06-04 | 南京励业智能科技有限公司 | 一种基于工业数字孪生的自适应生产调度优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113792423B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113792423B (zh) | 一种tpm设备管理的数字孪生行为约束方法及系统 | |
US11347201B2 (en) | Methods and apparatus for machine learning predictions of manufacture processes | |
CN109714395A (zh) | 云平台资源使用预测方法及终端设备 | |
CN103714185B (zh) | 主题事件更新方法库及城市多源时空信息并行更新方法 | |
US11727420B2 (en) | Time series clustering analysis for forecasting demand | |
JP6178506B2 (ja) | 情報処理システムおよび情報処理方法 | |
JP5533894B2 (ja) | 外れ値検出装置、外れ値検出方法、プログラム及び車両故障診断システム | |
Mall et al. | Representative subsets for big data learning using k-NN graphs | |
CN112446637A (zh) | 一种建筑施工质量安全在线风险检测方法及系统 | |
CN112102011A (zh) | 基于人工智能的用户等级预测方法、装置、终端及介质 | |
Krithikaa et al. | Differential evolution with an ensemble of low-quality surrogates for expensive optimization problems | |
Danglade et al. | A priori evaluation of simulation models preparation processes using artificial intelligence techniques | |
US20220138557A1 (en) | Deep Hybrid Graph-Based Forecasting Systems | |
Mungkasi | Adaptive finite volume method for the shallow water equations on triangular grids | |
Taherizadeh et al. | Incremental learning from multi-level monitoring data and its application to component based software engineering | |
Wang et al. | An empirical classification-based framework for the safety criticality assessment of energy production systems, in presence of inconsistent data | |
CN114492251B (zh) | 超算环境的低速流场发散处理方法、装置、设备及介质 | |
CN114115150B (zh) | 基于数据的热泵系统在线建模方法及装置 | |
JP2013152654A (ja) | 識別器、識別器構築装置、プログラム | |
CN112433952B (zh) | 深度神经网络模型公平性测试方法、系统、设备及介质 | |
CN115689443A (zh) | 基于波动性聚类和区块链的供应链管理方法及系统 | |
CN112396310B (zh) | 一种基于机器学习的社会信用风险评估系统 | |
CN113191540A (zh) | 一种产业链路制造资源的构建方法及装置 | |
CN112734132A (zh) | 一种设备的推荐方法、装置、电子设备及存储介质 | |
JP6363305B2 (ja) | 情報処理システムおよび情報処理方法 |
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 |