CN114089706A - 基于数字孪生的离心机状态监测与故障预测的系统、介质和方法 - Google Patents
基于数字孪生的离心机状态监测与故障预测的系统、介质和方法 Download PDFInfo
- Publication number
- CN114089706A CN114089706A CN202111361945.2A CN202111361945A CN114089706A CN 114089706 A CN114089706 A CN 114089706A CN 202111361945 A CN202111361945 A CN 202111361945A CN 114089706 A CN114089706 A CN 114089706A
- Authority
- CN
- China
- Prior art keywords
- centrifuge
- fault
- digital twin
- model
- monitoring
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 claims abstract description 26
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000012800 visualization Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 12
- 238000013507 mapping Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Centrifugal Separators (AREA)
Abstract
本发明公开了一种基于数字孪生的离心机状态监测与故障预测的系统,包括实体离心机、实体离心机映射的离心机数字孪生模型、用于采集并监管离心机数据信息的监测模块、用于故障判定及预测的故障诊断模块。该系统充分利用物理模型、传感器数据、运行历史等数据,集成多学科、多物理量、多尺度的仿真过程,在虚拟空间中完成对物理实体的映射,对高速运转的离心机进行实时可视化的监测以及对离心机运行过程中可能出现的故障预警输出,避免离心机工作中出现重大安全故障。本发明的系统和方法提高离心机整体运行性能的稳定性,具有切实可行的实用价值和广泛的应用前景。
Description
技术领域
本发明涉及离心机的状态监测与故障预测,尤其涉及一种基于数字孪生的离心机状态监测与故障预测的系统、介质和方法。
背景技术
离心机是一种利用离心力使得需要分离的不同物料得到加速分离的机器。离心机应用领域广泛,可应用于选矿、煤炭、水处理、化工、食品和船舶等各个部门,需求量较大,是社会生产不可或缺的必要机器。离心机作为一种复杂的旋转机械,其工作环境复杂、需要长时间的运转再叠加各种随机因素的影响,随时可能会出现故障现象,导致不同程度的经济损失或是引起灾难性的人员生命安全问题。
现有的离心机监测系统主要基于数据采集模块与PLC控制模块的结合,例如专利文献CN110045676A,公开了一种离心机的新型自动控制系统及控制方法,包括PLC控制器和运行状态监测模块,这种监测只能监测离心机运行数据的变化,在一定范围内对离心机进行监测,在故障的智能诊断方面存在局限性。在离心机的故障诊断方面目前主要通过一系列的算法对采集到的数据进行分析,例如专利文献CN110986407A公开了一种离心式冷水机组故障诊断方法,这种故障诊断在故障可视化方面不理想。
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。目前,针对数字孪生技术的可视化优势,尚未出现基于数字孪生的离心机在线状态监测与故障诊断系统的研究与应用。
发明内容
发明目的:针对现有技术的不足,提供一种基于数字孪生的离心机状态监测与故障预测的系统、介质及方法,在虚拟空间中对物理实体离心机进行映射,实现离心机的健康运行及实时状态可视化。
技术方案:一种基于数字孪生的离心机状态监测与故障预测的系统,包括实体离心机、实体离心机映射的离心机数字孪生模型、用于采集并处理离心机数据信息的监测模块、用于故障判定及预测的故障诊断模块。
进一步地,离心机数字孪生模型具体包括几何模型、故障演化模型;几何模型为三维软件构建的离心机等比例三维体,故障演化模型在状态监测的可视化界面上进行故障报警,实现离心机实体和离心机数字孪生模型的运行状态同步。
其中,几何模型的轻量化包括:运用3d MAX对各部件进行轻量化设计,删除多余的点、线、面,对轻量化后的各部件重新装配;轻量化的模型导入Unity3D,对离心机数字孪生模型进行渲染。
进一步地,监测模块采集的离心机数据信息包括轴承温度、离心机转速、功率、载荷及离心机物理空间的参数。
进一步地,离心机数据信息传输到映射的离心机数字孪生模型,实现三维可视化和监测数据的可视化。
进一步地,故障诊断模块具体为:基于深度学习对离心机的运行数据进行分析、故障判定及分类,对未知的故障自动学习,将获得的虚拟机故障数据运用深度学习进行训练,对离心机不同类型的故障进行特征提取和故障分类,同时学习离心机故障前后的数据以及各种信号间的规律,运用深度卷积神经网络对故障信息的进行深层次提取以完成故障诊断。
一种适用于上述系统的基于数字孪生的离心机状态监测与故障预测的方法,包括:
步骤1:实体离心机传感器的数据采集;
步骤2:建立数据库,用于存储离心机实时运行的数据;
步骤3:建立离心机数字孪生模型,用于可视化的展现离心机的实时状态;
步骤4:故障分析,基于采集到的信号利用深度学习进行故障诊断;
步骤5:修正离心机数字孪生模型,基于经过分析处理后新的数据修正离心机数字孪生模型,实现离心机状态与故障实时可视化。
具体实施中,一种计算机可读存储介质,包括供一个或多个处理器执行的一个或多个程序,一个或多个程序包括用于执行上述方法的指令。
有益效果:与现有技术相比,本发明具有如下显著的优点:基于数字孪生的离心机状态监测与故障诊断系统是充分利用物理模型、传感器数据、运行历史等数据,集成多学科、多物理量、多尺度的仿真过程,在虚拟空间中完成对物理实体的映射,对高速运转的离心机进行实时可视化的监测以及对离心机运行过程中可能出现的故障预警输出,避免离心机工作中出现重大安全故障,改善离心机整体运行性能。
附图说明
图1为本发明中数字孪生的离心机工作流程示意图;
图2为本发明中几何模型轻量化设计示意图;
图3为本发明的离心机物理空间与离心机虚拟空间的连接示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
离心机数字孪生映射技术所要实现的功能是,在离心机实体、孪生模型、孪生数据库、用于在线监测以及故障诊断的系统服务之间实现相互连接,从而对离心机的进行可视化的状态监测和故障诊断。
如图3所示,离心机物理空间与离心机虚拟信息空间的连接方法,主要包括离心机实体和孪生模型间、离心机实体和孪生数据库间、离心机实体和系统服务间、孪生模型和孪生数据库间、孪生模型和系统服务间、孪生数据库和系统服务间的连接。让离心机实体、孪生模型、孪生数据库、系统服务之间相互连接,避免某个部分的单向连接或未连接形成造成信息的相对独立,避免造成信息化孤岛,能够更好的利用所获取到的信息较好的保证离心机运行状态信息的实效性,有利于离心机的健康管理,实现将离心机生产过程中各种数据信息贯通,让整个离心机数字孪生状态监测和故障诊断系统形成一个闭环。
基于数字孪生离心机在线状态监测与故障诊断系统包括:离心机物理实体、基于孪生数据库的离心机数字孪生模型、含有监测模块以及故障诊断模块的离心机系统服务。
其中,离心机数字孪生模型的建模包含离心机几何模型、故障演化模型。
几何模型:利用CAD软件Solidworks构建的离心机等比例三维体。构建方法如图2所示。同时由于离心机模型较大,会严重影响系统的响应速度以及流畅度,保证系统的流畅程度实现系统实用性和用户优质体验感的前提。为了提高运行速率的问题,提出将离心机数字孪生模型进行轻量化的方法。即运用3d MAX对各部件进行轻量化设计删除多余的点、线、面,再将进行了轻量化后的各部件重新装配,从而实现离心机三维模型进行轻量化设计。在Unity3D软件中运用其人机交互的方式完成离心机数字孪生模型的渲染,实现在虚拟信息空间中离心机孪生几何模型的构建。
故障演化模型:接收故障信息,分析故障类型,判别故障位置,在可视化界面上进行故障报警,同时在接受故障信息后可及时的更新虚拟信息空间中的数据信息驱动模型更新,及时地将离心机在实际工作过程中产生的故障以故障模型的形式显示在数字孪生体上以及其可视化界面上,保证了故障信息传递的实效性。故障演化模型公式为:
M=(t、l、m)
式中:M为故障演化模型、t为故障类型、l为故障位置、m为故障模型。
模型驱动的诊断方法步骤为:接收来自于下位机的故障数据信息,分析故障类型,判别故障位置,在状态监测的可视化界面上进行故障报警,同时在基于深度学习的信息空间中完成故障分析并且根据得到的故障信息更新离心机数字孪生模型,实现离心机物理实体和离心机在信息空间中的离心机数字孪生模型的运行状态同步。
监测模块,此模块用于处理传感器采集到的离心机数据信息,将轴承温度、离心机转速、功率、载荷等重要离心机物理空间的参数传输到映射的数字孪生体上,涉及到离心机三维可视化模型的集成方法,可实现三维可视化和监测数据的可视化。
故障诊断模块,基于深度学习算法以及上文中提出的模型驱动的故障诊断方法集合形成。
当离心机在工作过程中实际的运行状态发生改变时,系统会启动离心机孪生模型的修正,由采集到的实际运行数据同步修正在虚拟空间中构建的离心机孪生体的状态,使其状态能够与离心机在工作过程中实际运行状态保持较好的一致性。在离心机工作过程中出现故障时,离心机状态监测系统和里故障诊断系统能够及时地将离心机在实际工作过程中产生的故障显示在数字孪生体上以及其可视化界面上,保证了故障信息的实效性。
如图1所示,关于基于数字孪生的离心机状态监测与故障预测系统的方法,具体包括:实体离心机传感器的数据采集;建立孪生数据库,用于存储和管理离心机的运行数据和故障数据;建立离心机数字孪生模型,用于可视化的展现离心机的实时状态;故障分析,基于采集到的信号利用深度学习进行故障诊断;修正离心机数字孪生模型,基于经过分析处理后新的数据修正离心机数字孪生模型,实现离心机状态与故障实时可视化。
本实施例中的数据库是基于Oracle对离心机的运行数据和故障数据进行相应的存储和管理。孪生数据库的来源有三个方面。其一来自与离心机直接连接的传感器,实时采集离心机工作过程中产生的各种数据,此采集的数据用于后期监测离心机的状态与故障诊断以及用于驱动数字孪生模型,同时经过分析的孪生数据在离心机状态出现问题时可反向调节离心机的转速等,在离心机出现重大生产事故前,及时停机。其二来自于离心机数字孪生模型,用于存储孪生模型运行中产生的数据,便于离心机后期维护的调用。其三来自于系统反馈,此处的系统包含在线监测模块、故障诊断模块,系统一方面接受来自于物理实体的孪生数据,另一方面将经过基于深度学习的故障诊断后的结果数据重新生成孪生数据,用于对离心机实体的控制。
本发明的具体实施方式中,未涉及到的说明属于本领域的公知技术,可参考公知技术加以实施。
Claims (8)
1.基于数字孪生的离心机状态监测与故障预测的系统,其特征在于,包括实体离心机、实体离心机映射的离心机数字孪生模型、用于采集并监管离心机数据信息的监测模块、用于故障判定及预测的故障诊断模块。
2.根据权利要求1所述的基于数字孪生的离心机状态监测与故障预测的系统,其特征在于,所述离心机数字孪生模型包括几何模型、故障演化模型;所述几何模型为三维软件构建的离心机等比例三维体,所述故障演化模型在状态监测的可视化界面上进行故障报警,实现离心机实体和离心机数字孪生模型间的运行状态同步。
3.根据权利要求2所述的基于数字孪生的离心机状态监测与故障预测的系统,其特征在于,还包括所述几何模型的轻量化:运用3d MAX对各部件进行轻量化设计,删除多余的点、线、面,对轻量化后的各部件重新装配;轻量化的模型导入Unity3D,对离心机数字孪生模型进行渲染。
4.根据权利要求1所述的基于数字孪生的离心机状态监测与故障预测的系统,其特征在于,所述监测模块采集的离心机数据信息包括轴承温度、离心机转速、功率、载荷及离心机物理空间的参数。
5.根据权利要求4所述的基于数字孪生的离心机状态监测与故障预测的系统,其特征在于,所述离心机数据信息传输到映射的离心机数字孪生模型,实现三维可视化和监测数据的可视化。
6.根据权利要求1所述的基于数字孪生的离心机状态监测与故障预测的系统,其特征在于,所述故障诊断模块具体为:基于深度学习对离心机的运行数据进行分析、故障判定及分类,对未知的故障自动学习,将获得的虚拟机故障数据运用深度学习进行训练,对离心机不同类型的故障进行特征提取和故障分类,同时学习离心机故障前后的数据以及各种信号间的规律,运用深度卷积神经网络对故障信息的进行深层次提取以完成故障诊断。
7.一种根据权利要求1所述系统的基于数字孪生的离心机状态监测与故障预测的方法,其特征在于,包括:
步骤1:实体离心机传感器的数据采集;
步骤2:建立孪生数据库,用于存储和管理离心机的运行数据和故障数据;
步骤3:建立离心机数字孪生模型,用于可视化的展现离心机的实时状态;
步骤4:故障分析,基于采集到的信号利用深度学习进行故障诊断;
步骤5:修正离心机数字孪生模型,基于经过分析处理后新的数据修正离心机数字孪生模型,实现离心机状态与故障实时可视化。
8.一种计算机可读存储介质,其特征在于,包括供一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行如权利要求6所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361945.2A CN114089706A (zh) | 2021-11-17 | 2021-11-17 | 基于数字孪生的离心机状态监测与故障预测的系统、介质和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361945.2A CN114089706A (zh) | 2021-11-17 | 2021-11-17 | 基于数字孪生的离心机状态监测与故障预测的系统、介质和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114089706A true CN114089706A (zh) | 2022-02-25 |
Family
ID=80301338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111361945.2A Pending CN114089706A (zh) | 2021-11-17 | 2021-11-17 | 基于数字孪生的离心机状态监测与故障预测的系统、介质和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114089706A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912371A (zh) * | 2022-06-13 | 2022-08-16 | 江苏大学 | 一种贯流泵运行稳定检测的数字孪生体建模系统及方法 |
CN115578015A (zh) * | 2022-12-07 | 2023-01-06 | 华南理工大学 | 基于物联网的污水处理全过程监管方法、系统及存储介质 |
CN116186946A (zh) * | 2023-05-04 | 2023-05-30 | 无锡华瀚能源装备科技有限公司 | 一种基于诊断模型的液压系统故障诊断方法及系统 |
CN117787099A (zh) * | 2023-12-28 | 2024-03-29 | 南京拓控信息科技股份有限公司 | 一种机辆出入库检测棚设备状态自诊断的数字孪生方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110530973A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法 |
CN112684379A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器故障诊断系统及其方法 |
CN113110283A (zh) * | 2021-04-29 | 2021-07-13 | 武汉纺织大学 | 一种基于数字孪生的mps系统智能控制方法及系统 |
CN113128561A (zh) * | 2021-03-22 | 2021-07-16 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
CN113280910A (zh) * | 2021-04-27 | 2021-08-20 | 圣名科技(广州)有限责任公司 | 一种长材生产线设备实时监测方法及系统 |
CN113569475A (zh) * | 2021-07-21 | 2021-10-29 | 上海工程技术大学 | 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统 |
-
2021
- 2021-11-17 CN CN202111361945.2A patent/CN114089706A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110530973A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法 |
CN112684379A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器故障诊断系统及其方法 |
CN113128561A (zh) * | 2021-03-22 | 2021-07-16 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
CN113280910A (zh) * | 2021-04-27 | 2021-08-20 | 圣名科技(广州)有限责任公司 | 一种长材生产线设备实时监测方法及系统 |
CN113110283A (zh) * | 2021-04-29 | 2021-07-13 | 武汉纺织大学 | 一种基于数字孪生的mps系统智能控制方法及系统 |
CN113569475A (zh) * | 2021-07-21 | 2021-10-29 | 上海工程技术大学 | 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统 |
Non-Patent Citations (2)
Title |
---|
张胜文等: "数字孪生驱动的离心泵机组故障诊断方法研究", 计算机集成制造系统, pages 1 - 13 * |
黄文恺,伍冯洁,吴羽: "3D建模与3D打印快速入门", 31 March 2016, 中国科学技术出版社, pages: 11 - 12 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912371A (zh) * | 2022-06-13 | 2022-08-16 | 江苏大学 | 一种贯流泵运行稳定检测的数字孪生体建模系统及方法 |
CN115578015A (zh) * | 2022-12-07 | 2023-01-06 | 华南理工大学 | 基于物联网的污水处理全过程监管方法、系统及存储介质 |
CN116186946A (zh) * | 2023-05-04 | 2023-05-30 | 无锡华瀚能源装备科技有限公司 | 一种基于诊断模型的液压系统故障诊断方法及系统 |
CN116186946B (zh) * | 2023-05-04 | 2023-08-18 | 平顶山天安煤业股份有限公司 | 一种基于诊断模型的液压系统故障诊断方法及系统 |
CN117787099A (zh) * | 2023-12-28 | 2024-03-29 | 南京拓控信息科技股份有限公司 | 一种机辆出入库检测棚设备状态自诊断的数字孪生方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114089706A (zh) | 基于数字孪生的离心机状态监测与故障预测的系统、介质和方法 | |
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 | |
CN108681747B (zh) | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 | |
CN112487584A (zh) | 一种基于动力学的滚动轴承数字孪生建模方法 | |
CN110109445B (zh) | 一种船舶机舱辅机监控系统及监控方法 | |
CN114611235B (zh) | 一种数字孪生化纤长丝卷绕车间设备管控系统及方法 | |
WO2022148077A1 (zh) | 智能挖掘机的结构性能数字孪生体构建方法 | |
CN109724785A (zh) | 一种基于多源信息融合的刀具状态监测及寿命预测系统 | |
CN113610290B (zh) | 一种基于数字孪生技术应用到煤矿采掘设备的监控系统 | |
CN115062478A (zh) | 基于数字孪生的动态车间生产排程调度方法、系统及介质 | |
CN107291830A (zh) | 一种设备知识库的创建方法 | |
CN113378329A (zh) | 基于数字孪生的轴向柱塞泵状态监测方法 | |
CN112561238A (zh) | 一种抽水蓄能电站辅机设备状态健康评价系统及方法 | |
CN114415607A (zh) | 基于数据驱动的设计工艺制造一体化数字孪生系统 | |
CN112147947A (zh) | 数字孪生选煤智能控制系统 | |
CN107025355A (zh) | 一种基于模糊贴近度的船舶故障诊断方法及系统 | |
CN113609614A (zh) | 一种蒸汽发生器数字孪生与数据驱动一体化系统搭建方法 | |
CN115828696A (zh) | 基于数字孪生技术的齿轮箱phm优化方法及系统和应用 | |
CN117252051A (zh) | 一种基于数字孪生的电缆隧道监测预警方法及系统 | |
CN115423132A (zh) | 一种基于数字孪生的工程机械预测性维护方法 | |
CN115364992A (zh) | 一种磨煤机健康监测系统及健康监测方法 | |
CN117689256B (zh) | 一种铝合金熔铸产品质量溯源方法 | |
Zhen et al. | Augmented-reality-assisted bearing fault diagnosis in intelligent manufacturing workshop using deep transfer learning | |
CN117078122A (zh) | 井筒提升机数字孪生系统架构设计、建模及数据交互方法 | |
CN110827134A (zh) | 一种电网企业财务健康诊断方法 |
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 |