CN114118673A - 一种基于数字孪生技术的车间智能化故障诊断预警方法 - Google Patents
一种基于数字孪生技术的车间智能化故障诊断预警方法 Download PDFInfo
- Publication number
- CN114118673A CN114118673A CN202111157110.5A CN202111157110A CN114118673A CN 114118673 A CN114118673 A CN 114118673A CN 202111157110 A CN202111157110 A CN 202111157110A CN 114118673 A CN114118673 A CN 114118673A
- Authority
- CN
- China
- Prior art keywords
- workshop
- data
- early warning
- network model
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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
-
- 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—Systems or methods specially adapted for 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
Abstract
本发明公开了一种基于数字孪生技术的车间智能化故障诊断预警方法,包括步骤:一、构建深度卷积神经网络模型;二、提升深度卷积神经网络模型的泛化能力;三、基于数字孪生技术获得车间中各种生产设备运行过程中产生的数据及车间环境的实时数据,并基于图卷积网络对车间人员的位置及行为进行识别得到人员位置及行为的实时数据;四、将实时数据输入深度卷积神经网络模型中,深度卷积神经网络模型的输出为对车间安全状况及设备健康状况的分析评估;五、当模型发现异常时做出安全预警,保存相应的异常数据到工业数据库作为更新优化模型的训练集数据,并将安全预警反馈到物理空间执行相应的解决方案。本发明能够为车间生产过程人员管控、设备监控、与人机交互提供助力,从而减少安全事故的发生,提高工业生产效率。
Description
技术领域
本发明属于智能制造及电子信息技术领域,具体涉及一种基于数字孪生技术的车间智能化故障诊断预警方法。
背景技术
作为工业生产的基本单位,车间的数字化与智能化水平对工业生产的质量、安全及效率有着重要的影响。同时高速运转的大型工业设备,流动的人员,复杂的作业环境也使得车间成为企业安全事故的高发地。然而目前车间安全管理及设备健康状况管理的数字化水平仍有待进一步提升,具体来说存在以下几个方面的问题:
1.现有车间安全管理方法大多依靠固定的标准规范及技术人员的经验知识,缺少能够进行数据融合分析并准确预警安全事故的智能化模型
2.缺少设备的故障知识库和推理模型来预警故障、诊断故障、决策维修。难以通过收集到的大量设备、人员、环境等数据动态地分析车间安全状况。
3.车间生产系统是一个由诸多要素构成的复杂系统,其中多种风险因子交互耦合相互影响。而目前还没有基于实时数据,能够综合考虑设备、人员、环境等多种风险因素的耦合作用的模型。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于数字孪生技术的车间智能化故障诊断预警方法,其通过数字孪生车间对车间中的人员、设备、环境进行实时监测,能够为车间生产过程人员管控、设备监控、与人机交互提供助力,从而减少安全事故的发生,提高工业生产效率。
为解决上述技术问题,本发明采用的技术方案是:一种基于数字孪生技术的车间智能化故障诊断预警方法,该方法包括以下步骤:
步骤一、构建能够分别提取设备、人员、环境数据中与车间安全状况相关的特征并对安全状况进行分类评估的深度卷积神经网络模型;
步骤二、利用迁移学习改善不同环境及工况带来的数据集分布迁移问题,提升深度卷积神经网络模型的泛化能力;
步骤三、基于数字孪生技术获得车间中各种生产设备运行过程中产生的数据及车间环境的实时数据,并基于图卷积网络对车间人员的位置及行为进行识别得到人员位置及行为的实时数据;
步骤四、将步骤三中得到的实时数据输入经过步骤二处理后的深度卷积神经网络模型中,深度卷积神经网络模型的输出为对车间安全状况及设备健康状况的分析评估;
步骤五、当模型发现异常时做出安全预警,保存相应的异常数据到工业数据库作为更新优化模型的训练集数据,并将安全预警反馈到物理空间执行相应的解决方案。
上述的一种基于数字孪生技术的车间智能化故障诊断预警方法,步骤一中所述构建能够分别提取设备、人员、环境数据中与车间安全状况相关的特征并对安全状况进行分类评估的深度卷积神经网络模型的具体过程为:
步骤101、收集过往安全事故发生的异常数据、人工生成的异常数据、以及设备故障数据作为模型的训练数据;
步骤102、对训练数据进行清洗及预处理,并改进样本不均衡问题;
步骤103、构建深度卷积神经网络模型;
步骤104、采用步骤102处理后的训练数据对深度卷积神经网络模型进行训练,并在模型中调用Tensorflow框架中的gym库构建策略网络实现强化学习,得到训练好的能够分别提取设备、人员、环境数据中与车间安全状况相关的特征并对安全状况进行分类评估的深度卷积神经网络模型。
上述的一种基于数字孪生技术的车间智能化故障诊断预警方法,所述深度卷积神经网络模型包括特征提取部分、故障分类部分、梯度反转部分和领域分类部分,所述特征提取部分采用ResNet网络中的残差块结构,共采用4个残差单元,由17个卷积层构成;所述梯度反转部分使得在反向传播过程中梯度方向自动取反,在前向传播过程中实现恒等变换;所述故障分类部分由一个全连接层和一个输出层构成;所述领域分类部分由三个带Dropout的全连接层构成。
上述的一种基于数字孪生技术的车间智能化故障诊断预警方法,17个所述卷积层的卷积核大小均为3x3。
上述的一种基于数字孪生技术的车间智能化故障诊断预警方法,步骤二中所述改进样本不均衡问题采用SMOTE算法。
上述的一种基于数字孪生技术的车间智能化故障诊断预警方法,步骤三中所述基于数字孪生技术获得车间中各种生产设备运行过程中产生的数据及车间环境的实时数据的方法为:采用RFID进行位置信息采集、采用制造执行系统(Manufacturing ExecutionSystem,MES)采集生产及制造信息、采用加速度传感器及压力传感器采集设备运行状况信息、采用机床通信模块采集物流实时信息采用视觉传感器采集人员位置及姿态信息、采用温度及湿度传感器采集车间环境信息,基于以上数据搭建物联数据传输网络,实现底层物联数据和上层生产信息的集成。
上述的一种基于数字孪生技术的车间智能化故障诊断预警方法,步骤三中所述基于图卷积网络对车间人员的位置及行为进行识别得到人员位置及行为的实时数据的具体方法为:基于视觉传感器采集的人员位置及姿态信息构建多注意力图卷积网络模型,使用嵌入注意力机制的GCN模块学习各节点之间的关联信息,从而提取到人员数字孪生体数据深层次的特征信息。
上述的一种基于数字孪生技术的车间智能化故障诊断预警方法,所述多注意力图卷积网络模型由四个基本单元和两个全连接层组成,每个基本单元均由一个空间图卷积模块和一个时间图卷积模块构成,每个时间图卷积模块均包括三个用来提取特征的卷积层和一个激活函数层;所述空间图卷积模块中包括两个图注意力模块,用于计算图注意力矩阵并更新参数,从而提取到人员的空间特征;经过训练的多注意力图卷积网络模型用于实现对人员位置及行为的识别,并判断其安全状况,当存在风险隐患时及时预警。
本发明与现有技术相比具有以下优点:
1、本发明通过数字孪生车间对车间中的人员、设备、环境进行实时监测,能够为车间生产过程人员管控、设备监控、与人机交互提供助力,从而减少安全事故的发生,提高工业生产效率。
2、本发明针对缺少车间安全管理及设备故障知识库的问题,提出了采集工业生产中导致安全事故及设备故障的异常数据,并辅以人工生成的异常数据作为智能化安全管理模型的训练数据。从而使模型具备不依赖专家知识,智能化进行安全管理的能力。
3、本发明同时将多个风险因素的数据输入模型,通过深度学习算法挖掘各个因素间相互作用的关系及其对车间安全状况及设备健康状况的影响,从而实现综合分析多因素耦合作,这将提高模型分析的准确率。
4、本发明在数字孪生技术的驱动下,在信息层建立能反映车间真实状态的数字孪生体,通过虚实映射分析各个车间风险因素的状态。运用深度卷积神经网模型实现感知、分析、诊断等过程,对车间安全状况及设备健康状况进行分析与评估,并在出现异常情况时,具有更好的变化适应能力和异常解决能力。
5、本发明结合深度学习实现综合分析设备运行、人员流动、作业环境等多个风险因素的耦合作用,从而根据实时数据动态地进行安全监测,排查各类安全隐患。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图;
图2为本发明的方法原理图;
图3为本发明的深度卷积神经网络模型示意图。
具体实施方式
如图1和图2所示,本发明的基于数字孪生技术的车间智能化故障诊断预警方法,该方法包括以下步骤:
步骤一、构建能够分别提取设备、人员、环境数据中与车间安全状况相关的特征并对安全状况进行分类评估的深度卷积神经网络模型;
本实施例中,步骤一中所述构建能够分别提取设备、人员、环境数据中与车间安全状况相关的特征并对安全状况进行分类评估的深度卷积神经网络模型的具体过程为:
步骤101、收集过往安全事故发生的异常数据、人工生成的异常数据、以及设备故障数据作为模型的训练数据;
步骤102、对训练数据进行清洗及预处理,并改进样本不均衡问题;
步骤103、构建深度卷积神经网络模型;
步骤104、采用步骤102处理后的训练数据对深度卷积神经网络模型进行训练,并在模型中调用Tensorflow框架中的gym库构建策略网络实现强化学习,得到训练好的能够分别提取设备、人员、环境数据中与车间安全状况相关的特征并对安全状况进行分类评估的深度卷积神经网络模型。
本实施例中,如图3所示,所述深度卷积神经网络模型包括特征提取部分、故障分类部分(图3中的故障分类器)、梯度反转部分(图3中的梯度反转层)和领域分类部分(图3中的域鉴别器),所述特征提取部分采用ResNet网络中的残差块结构,共采用4个残差单元,由17个卷积层构成;所述梯度反转部分使得在反向传播过程中梯度方向自动取反,在前向传播过程中实现恒等变换;所述故障分类部分由一个全连接层和一个输出层构成;所述领域分类部分由三个带Dropout的全连接层构成。
本实施例中,17个所述卷积层的卷积核大小均为3x3。
步骤二、利用迁移学习改善不同环境及工况带来的数据集分布迁移问题,提升深度卷积神经网络模型的泛化能力;
本实施例中,步骤二中所述改进样本不均衡问题采用SMOTE算法。
步骤三、基于数字孪生技术获得车间中各种生产设备运行过程中产生的数据及车间环境的实时数据,并基于图卷积网络对车间人员的位置及行为进行识别得到人员位置及行为的实时数据;
本实施例中,步骤三中所述基于数字孪生技术获得车间中各种生产设备运行过程中产生的数据及车间环境的实时数据的方法为:采用RFID进行位置信息采集、采用制造执行系统(Manufacturing Execution System,MES)采集生产及制造信息、采用加速度传感器及压力传感器采集设备运行状况信息、采用机床通信模块采集物流实时信息、采用视觉传感器采集人员位置及姿态信息、采用温度及湿度传感器采集车间环境信息,基于以上数据搭建物联数据传输网络,实现底层物联数据和上层生产信息的集成。
本实施例中,步骤三中所述基于图卷积网络对车间人员的位置及行为进行识别得到人员位置及行为的实时数据的具体方法为:基于视觉传感器采集的人员位置及姿态信息构建多注意力图卷积网络模型,使用嵌入注意力机制的GCN模块学习各节点之间的关联信息,从而提取到人员数字孪生体数据深层次的特征信息。
本实施例中,所述多注意力图卷积网络模型由四个基本单元和两个全连接层组成,每个基本单元均由一个空间图卷积模块和一个时间图卷积模块构成,每个时间图卷积模块均包括三个用来提取特征的卷积层和一个激活函数层;所述空间图卷积模块中包括两个图注意力模块,用于计算图注意力矩阵并更新参数,从而提取到人员的空间特征;经过训练的多注意力图卷积网络模型用于实现对人员位置及行为的识别,并判断其安全状况,当存在风险隐患时及时预警。
数字孪生技术能够以数字化的表达方式在信息世界中描述物理世界中物体模型。物理信息与虚拟信息的融合是驱动现代工业社会全面数字化的关键,而数字孪生车间对推动制造业的虚实融合具有重要意义,该技术的出现实现了物理层中多领域物理信息与信息层中虚拟信息的智联互融,解决了制造加工设备在计划制造和精确生产过程中数据交融的问题,实现了更高层次的生产力;本发明通过数字孪生车间对车间中的人员、设备、环境进行实时监测,能够为车间生产过程人员管控、设备监控、与人机交互提供助力,从而减少安全事故的发生,提高工业生产效率。
步骤四、将步骤三中得到的实时数据输入经过步骤二处理后的深度卷积神经网络模型中,深度卷积神经网络模型的输出为对车间安全状况及设备健康状况的分析评估;
步骤五、当模型发现异常时做出安全预警,保存相应的异常数据到工业数据库作为更新优化模型的训练集数据,并将安全预警反馈到物理空间执行相应的解决方案。
本发明提升了车间安全管理及设备健康状况管理的数字化水平。相较于一些现有的依靠固定标准规范及技术人员的经验知识的安全管理方法,本发明专利能够根据实时数据智能化地做出安全预警。能够利用已有的事故异常数据、设备的故障知识库,通过深度学习算法来实现不依赖专家知识智能化预警故障、诊断故障并进行安全管理。
另一方面,现有技术往往分别对每个风险因素进行管控而忽略了多种风险因素的耦合作用,本发明专利结合深度学习综合分析设备运行状态、人员流动状态、作业环境状态等因素,从而全面地评估车间安全状态。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (8)
1.一种基于数字孪生技术的车间智能化故障诊断预警方法,其特征在于,该方法包括以下步骤:
步骤一、构建能够分别提取设备、人员、环境数据中与车间安全状况相关的特征并对安全状况进行分类评估的深度卷积神经网络模型;
步骤二、利用迁移学习改善不同环境及工况带来的数据集分布迁移问题,提升深度卷积神经网络模型的泛化能力;
步骤三、基于数字孪生技术获得车间中各种生产设备运行过程中产生的数据及车间环境的实时数据,并基于图卷积网络对车间人员的位置及行为进行识别得到人员位置及行为的实时数据;
步骤四、将步骤三中得到的实时数据输入经过步骤二处理后的深度卷积神经网络模型中,深度卷积神经网络模型的输出为对车间安全状况及设备健康状况的分析评估;
步骤五、当模型发现异常时做出安全预警,保存相应的异常数据到工业数据库作为更新优化模型的训练集数据,并将安全预警反馈到物理空间执行相应的解决方案。
2.按照权利要求1所述的一种基于数字孪生技术的车间智能化故障诊断预警方法,其特征在于:步骤一中所述构建能够分别提取设备、人员、环境数据中与车间安全状况相关的特征并对安全状况进行分类评估的深度卷积神经网络模型的具体过程为:
步骤101、收集过往安全事故发生的异常数据、人工生成的异常数据、以及设备故障数据作为模型的训练数据;
步骤102、对训练数据进行清洗及预处理,并改进样本不均衡问题;
步骤103、构建深度卷积神经网络模型;
步骤104、采用步骤102处理后的训练数据对深度卷积神经网络模型进行训练,并在模型中调用Tensorflow框架中的gym库构建策略网络实现强化学习,得到训练好的能够分别提取设备、人员、环境数据中与车间安全状况相关的特征并对安全状况进行分类评估的深度卷积神经网络模型。
3.按照权利要求2所述的一种基于数字孪生技术的车间智能化故障诊断预警方法,其特征在于:所述深度卷积神经网络模型包括特征提取部分、故障分类部分、梯度反转部分和领域分类部分,所述特征提取部分采用ResNet网络中的残差块结构,共采用4个残差单元,由17个卷积层构成;所述梯度反转部分使得在反向传播过程中梯度方向自动取反,在前向传播过程中实现恒等变换;所述故障分类部分由一个全连接层和一个输出层构成;所述领域分类部分由三个带Dropout的全连接层构成。
4.按照权利要求3所述的一种基于数字孪生技术的车间智能化故障诊断预警方法,其特征在于:17个所述卷积层的卷积核大小均为3x3。
5.按照权利要求1所述的一种基于数字孪生技术的车间智能化故障诊断预警方法,其特征在于:步骤二中所述改进样本不均衡问题采用SMOTE算法。
6.按照权利要求1所述的一种基于数字孪生技术的车间智能化故障诊断预警方法,其特征在于:步骤三中所述基于数字孪生技术获得车间中各种生产设备运行过程中产生的数据及车间环境的实时数据的方法为:采用RFID进行位置信息采集、采用制造执行系统采集生产及制造信息、采用加速度传感器及压力传感器采集设备运行状况信息、采用机床通信模块采集物流实时信息、采用视觉传感器采集人员位置及姿态信息、采用温度及湿度传感器采集车间环境信息,基于以上数据搭建物联数据传输网络,实现底层物联数据和上层生产信息的集成。
7.按照权利要求1所述的一种基于数字孪生技术的车间智能化故障诊断预警方法,其特征在于:步骤三中所述基于图卷积网络对车间人员的位置及行为进行识别得到人员位置及行为的实时数据的具体方法为:基于视觉传感器采集的人员位置及姿态信息构建多注意力图卷积网络模型,使用嵌入注意力机制的GCN模块学习各节点之间的关联信息,从而提取到人员数字孪生体数据深层次的特征信息。
8.按照权利要求7所述的一种基于数字孪生技术的车间智能化故障诊断预警方法,其特征在于:所述多注意力图卷积网络模型由四个基本单元和两个全连接层组成,每个基本单元均由一个空间图卷积模块和一个时间图卷积模块构成,每个时间图卷积模块均包括三个用来提取特征的卷积层和一个激活函数层;所述空间图卷积模块中包括两个图注意力模块,用于计算图注意力矩阵并更新参数,从而提取到人员的空间特征;经过训练的多注意力图卷积网络模型用于实现对人员位置及行为的识别,并判断其安全状况,当存在风险隐患时及时预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157110.5A CN114118673A (zh) | 2021-09-30 | 2021-09-30 | 一种基于数字孪生技术的车间智能化故障诊断预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157110.5A CN114118673A (zh) | 2021-09-30 | 2021-09-30 | 一种基于数字孪生技术的车间智能化故障诊断预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118673A true CN114118673A (zh) | 2022-03-01 |
Family
ID=80441523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111157110.5A Pending CN114118673A (zh) | 2021-09-30 | 2021-09-30 | 一种基于数字孪生技术的车间智能化故障诊断预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118673A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898285A (zh) * | 2022-04-11 | 2022-08-12 | 东南大学 | 一种生产行为数字孪生模型的构建方法 |
CN115546902A (zh) * | 2022-11-30 | 2022-12-30 | 江苏未来网络集团有限公司 | 基于工业互联网全连接管理的安全生产管理方法及系统 |
CN116125958A (zh) * | 2023-03-08 | 2023-05-16 | 中科海慧(北京)科技有限公司 | 一种基于数字孪生的智能化工厂故障诊断与决策系统 |
CN116578040A (zh) * | 2023-07-13 | 2023-08-11 | 北京机床研究所有限公司 | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 |
CN116930741A (zh) * | 2023-07-19 | 2023-10-24 | 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)) | 开关器件故障程度诊断方法、装置和计算机设备 |
CN117475431A (zh) * | 2023-12-27 | 2024-01-30 | 君华高科集团有限公司 | 一种基于数字孪生技术的食品安全监管方法及系统 |
-
2021
- 2021-09-30 CN CN202111157110.5A patent/CN114118673A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898285A (zh) * | 2022-04-11 | 2022-08-12 | 东南大学 | 一种生产行为数字孪生模型的构建方法 |
CN114898285B (zh) * | 2022-04-11 | 2023-10-27 | 东南大学 | 一种生产行为数字孪生模型的构建方法 |
CN115546902A (zh) * | 2022-11-30 | 2022-12-30 | 江苏未来网络集团有限公司 | 基于工业互联网全连接管理的安全生产管理方法及系统 |
CN115546902B (zh) * | 2022-11-30 | 2023-03-10 | 江苏未来网络集团有限公司 | 基于工业互联网全连接管理的安全生产管理方法及系统 |
CN116125958A (zh) * | 2023-03-08 | 2023-05-16 | 中科海慧(北京)科技有限公司 | 一种基于数字孪生的智能化工厂故障诊断与决策系统 |
CN116578040A (zh) * | 2023-07-13 | 2023-08-11 | 北京机床研究所有限公司 | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 |
CN116578040B (zh) * | 2023-07-13 | 2023-09-19 | 北京机床研究所有限公司 | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 |
CN116930741A (zh) * | 2023-07-19 | 2023-10-24 | 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)) | 开关器件故障程度诊断方法、装置和计算机设备 |
CN117475431A (zh) * | 2023-12-27 | 2024-01-30 | 君华高科集团有限公司 | 一种基于数字孪生技术的食品安全监管方法及系统 |
CN117475431B (zh) * | 2023-12-27 | 2024-03-15 | 君华高科集团有限公司 | 一种基于数字孪生技术的食品安全监管方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
WO2021227325A1 (zh) | 一种基于数字孪生的生产过程仿真优化方法 | |
CN107024917B (zh) | 发现制造机械的异常的原因的单元控制装置 | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
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 | |
CN106682781A (zh) | 一种电力设备多指标预测方法 | |
CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN111563606A (zh) | 一种设备预测性维护方法及装置 | |
CN114611235A (zh) | 一种数字孪生化纤长丝卷绕车间设备管控系统及方法 | |
CN116125958A (zh) | 一种基于数字孪生的智能化工厂故障诊断与决策系统 | |
CN114273977A (zh) | 一种基于mes的刀具磨损检测方法及其系统 | |
CN111651530A (zh) | 一种智能化港口监测系统 | |
CN117389236B (zh) | 一种环氧丙烷生产过程优化方法及系统 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
Yu-ming et al. | Research on intelligent manufacturing flexible production line system based on digital twin | |
CN117393076B (zh) | 耐热环氧树脂生产过程智能监测方法及系统 | |
CN111160393A (zh) | 一种基于数据驱动的运载火箭健康评估模型模块化建模方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN117270482A (zh) | 基于数字孪生的汽车工厂控制系统 | |
CN114117924A (zh) | 生产性粉尘多参量分布式监测与智能预测方法 | |
CN111062827B (zh) | 一种基于人工智能模式的工程监理方法 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 |
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 |