CN114153482A - 基于数字孪生DaaS平台的深度学习编程方法及系统 - Google Patents
基于数字孪生DaaS平台的深度学习编程方法及系统 Download PDFInfo
- Publication number
- CN114153482A CN114153482A CN202210120010.3A CN202210120010A CN114153482A CN 114153482 A CN114153482 A CN 114153482A CN 202210120010 A CN202210120010 A CN 202210120010A CN 114153482 A CN114153482 A CN 114153482A
- Authority
- CN
- China
- Prior art keywords
- sub
- deep learning
- equipment
- digital twin
- operation data
- 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 119
- 238000013135 deep learning Methods 0.000 title claims abstract description 108
- 230000008569 process Effects 0.000 claims abstract description 62
- 238000010835 comparative analysis Methods 0.000 claims abstract description 11
- 238000013473 artificial intelligence Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 101100494773 Caenorhabditis elegans ctl-2 gene Proteins 0.000 claims description 3
- 102100021392 Cationic amino acid transporter 4 Human genes 0.000 claims description 3
- 101710195194 Cationic amino acid transporter 4 Proteins 0.000 claims description 3
- 101100112369 Fasciola hepatica Cat-1 gene Proteins 0.000 claims description 3
- 101100005271 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) cat-1 gene Proteins 0.000 claims description 3
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 7
- 230000006855 networking Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Stored Programmes (AREA)
Abstract
本申请公开基于数字孪生DaaS平台的深度学习编程方法及系统,包括:获取不同终端设备的业务流程中各子作业流程的设备运行数据,其中,所述设备运行数据包括各子作业流程的工序编号,对所述不同终端设备中各子作业流程的设备运行数据进行数据建模后对比分析,并基于分析结果判断终端设备是否需要升级优化,则基于已训练好的时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建。本申请解决业务流程和设备优化升级效率较低和人力成本较高的问题。
Description
技术领域
本申请涉及人工智能物联网领域,尤其涉及一种基于数字孪生DaaS平台的深度学习编程方法及系统。
背景技术
在终端设备运行过程中,往往需要检测终端设备是否需要升级优化,目前,终端设备优化升级的方法通常是基于终端设备的运行数据,通过技术人员手动进行代码的升级,而手动进行优化终端设备的代码,需要花费较高的人工成本,导致终端设备的优化升级的效率较低,影响终端设备的运行效果。
发明内容
本申请的主要目的在于提供一种基于数字孪生DaaS平台的深度学习编程方法,旨在解决现有技术中的业务流程和设备优化升级效率较低以及人力成本较高的技术问题。
为实现上述目的,本申请提供了一种基于数字孪生DaaS平台的深度学习编程方法,所述基于数字孪生DaaS平台的深度学习编程方法包括:
获取不同终端设备的业务流程中各子作业流程的设备运行数据,其中,所述设备运行数据包括各所述子作业流程的工序编号;
对所述不同终端设备中各子作业流程的设备运行数据进行数据建模后对比分析,并基于分析结果判断对应的终端设备是否需要升级优化;
若是,则基于已训练好的时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建。
可选地,所述获取不同终端设备的业务流程中各子作业流程的设备运行数据的步骤包括:
基于预设通信协议,分别获取通过所述不同终端设备上报的各所述子作业流程的设备运行数据。
可选地,所述对各所述子作业流程的设备运行数据进行数据建模后对比分析的步骤:
基于各所述子作业流程的设备运行数据,结合3D数字孪生仿真技术进行融合分析,获得分析结果。
可选地,所述将所述目标运行代码分布式升级至对应的终端设备的步骤包括:
通过预先设置的人工智能算法中台将所述不同终端设备的业务流程的子作业流程对应的算法引擎进行归类;
基于引擎归类结果,通过预先设置的设备升级方法将所述目标运行代码分布式升级至对应的终端设备的子作业流程中。
可选地,在所述若是,则基于时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建的步骤之前,所述基于数字孪生DaaS平台的深度学习编程方法还包括:
获取不同终端设备的业务流程,并采集不同业务流程中各子作业流程的训练设备运行数据;
基于各所述子作业流程的训练设备运行数据,对待训练初始模型进行训练,获得所述时序编程模型。
可选地,在所述基于时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备的步骤之后,还包括:
标记所述目标运行代码对应的版本号,并将所述目标运行代码和对应的版本号进行存储;
获取通过终端设备基于所述目标运行代码进行调试和优化的运行结果;
若所述运行结果为异常结果,则控制所述算法引擎进行回滚处理,以回滚至上一版本号对应的运行代码,并通过开发人员对所述异常结果对应的异常运行代码进行升级,以将所述升级后的运行代码升级至所述终端设备。
可选地,所述预设通信协议包括2G、3G、4G、5G、CAT1网络传输、CAT4网络传输、NB-IOT窄带物联网、 LORA低功耗远程无线通信、MQTT消息队列遥测传输、HTTP、TCP、UDP传输层协议中的一种或多种。
本申请还提供一种基于数字孪生DaaS平台的深度学习编程系统,所述基于数字孪生DaaS平台的深度学习编程系统为虚拟系统,所述基于数字孪生DaaS平台的深度学习编程系统应用于人工智能物联网平台,所述人工智能物联网平台连接至少一个终端设备,所述基于数字孪生DaaS平台的深度学习编程系统包括:
获取模块,用于获取不同终端设备的业务流程中各子作业流程的设备运行数据,其中,所述设备运行数据包括各所述子作业流程的工序编号;
分析模块,用于对所述不同终端设备的设备运行数据进行数据建模后对比分析,并基于分析结果判断对应的终端设备是否需要升级优化;
深度学习编程模块,用于若是,则基于已训练好的时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建。
本申请还提供一种基于数字孪生DaaS平台的深度学习编程设备,所述基于数字孪生DaaS平台的深度学习编程设备为实体设备,所述基于数字孪生DaaS平台的深度学习编程设备包括:存储器、处理器以及存储在所述存储器上的基于数字孪生DaaS平台的深度学习编程程序,所述基于数字孪生DaaS平台的深度学习编程程序被所述处理器执行实现如上述的基于数字孪生DaaS平台的深度学习编程方法的步骤。
本申请还提供一种存储介质,所述存储介质为计算机可读存储介质,所述计算机可读存储介质上存储基于数字孪生DaaS平台的深度学习编程程序,所述基于数字孪生DaaS平台的深度学习编程程序被处理器执行实现如上述的基于数字孪生DaaS平台的深度学习编程方法的步骤。
本申请提供了一种基于数字孪生DaaS平台的深度学习编程方法及系统,相比于现有技术采用的通过开发人员人工进行设备升级优化的技术手段,本申请首先获取不同终端设备的业务流程中各子作业流程的设备运行数据,其中,所述设备运行数据包括各所述子作业流程的工序编号,实现了通过人工智能物联网平台收集业务流程的设备运行数据,且采集的数据为对应终端设备的具体子作业流程,从而使得在后续深度学习自动编程后,可基于工序编号确定自动编程的运行代码所述的终端设备的子作业流程,进一步地,对所述不同终端设备的设备运行数据进行数据建模后对比分析,并基于分析结果判断对应的终端设备是否需要升级优化,进而若是,则基于已训练好的时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建,实现了通过将业务流程拆分为过个子作业流程,从而通过模型学习不同业务流程中的具体作业子流程的运行数据,提高时序编程模型的精准度,进而通过时序编程模型对业务流程对应的各子作业流程的设备运行数据进行深度学习自动编程,无需人工手动编程,大大降低了人力成本以及提高设备优化升级的效率,进一步地,将自动生成的运行代码分布式升级至对应的终端设备中,代码移植性较高,从而提高对终端设备管理的智能性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,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,对于本领域默认技术人员而言,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为本申请基于数字孪生DaaS平台的深度学习编程方法第一实施例的流程示意图;
图2为本申请基于数字孪生DaaS平台的深度学习编程方法第二实施例的流程示意图;
图3为本申请实施例方案涉及的硬件运行环境的基于数字孪生DaaS平台的深度学习编程设备结构示意图;
图4为本申请深度学习编程装置的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本申请实施例提供一种基于数字孪生DaaS(数据即服务)平台的深度学习编程方法,在本申请基于数字孪生DaaS平台的深度学习编程方法的第一实施例中,参照图1,所述基于数字孪生DaaS平台的深度学习编程方法包括:
步骤S10,获取不同终端设备的业务流程中各子作业流程的设备运行数据,其中,所述设备运行数据包括各所述子作业流程的工序编号;
在实施例中,需要说明的是,所述深度学习编程应用于人工智能物联网(AIOT)平台,人工智能物联网平台可应用于智慧交通,智慧安防,智慧医疗,工业物联网等领域,所述人工智能物联网平台包括设备层,所述人工智能物联网平台通过设备层连接至少一个终端设备,所述终端设备包括智能运输设备、工业智能机器人、网络终端设备、人体智能穿戴设备、工程智能机械设备、农业智能机械设备、数控机床、智能传感器、智能采集器、智能摄像头、智能变送器和嵌入式智能系统等。
进一步需要说明的是,不同终端设备的工作流程不同,每个终端设备配置有对应的设备标识,所述业务流程包括多个子作业流程,各所述子作业流程配置各自对应的工序编号,在整一个业务流程中包括多个工序或多个作业环节,从而可通过设备标识以及工序编号,确定对应的终端设备的子作业流程,例如,在工业互联网领域中,终端设备的业务流程可以为开机、预热、加载原材料、抛光和老化等多个子作业流程,在智慧医疗领域中,在用户进行身体检查时,身体多个部位的检查结果可作为所述子作业流程。
获取不同终端设备的业务流程中各子作业流程的设备运行数据,具体地,在终端设备接入所述人工智能物联网平台后,通过所述人工智能物联网平台获取不同终端设备对应的业务流程,当终端设备执行对应的业务流程时,收集业务流程中各个子作业流程的设备运行数据,进一步地,通过终端设备和人工智能物联网平台之间的数据通信协议,将所述各个子作业流程的设备运行数据上报至人工智能物联网平台。
其中,所述获取不同终端设备的业务流程中各子作业流程的设备运行数据的步骤包括:
步骤S11,基于预设通信协议,分别获取通过所述不同终端设备上报的各所述子作业流程的设备运行数据。
在本实施例中,需要说明的是,所述预设通信协议至少包括2G、3G、4G、5G、CAT1、CAT4、NB-IOT、 LORA、MQTT、HTTP、TCP、UDP和CoAP协议的一种或多种。
具体地,在通过所述不同终端设备执行各自对应的业务流程中各子作业流程过程中,实时获取通过所述不同终端设备上报的各所述子作业流程的设备运行数据。
步骤S20,对所述不同终端设备的设备运行数据进行数据建模后对比分析,并基于分析结果判断对应的终端设备是否需要升级优化;
在本实施例中,对所述不同终端设备的设备运行数据进行数据建模后对比分析,并基于分析结果判断对应的终端设备是否需要升级优化,具体地,将采集到的设备运行数据进行清洗、过滤等预处理,并将预处理得到的设备运行数据,结合3D数字孪生仿真技术进行融合分析,获得分析结果,进一步地,基于所述分析结果,判断对应的终端设备是否需要升级优化,例如,在工业互联网中,将终端设备接入所述人工智能物联网平台,当接收到终端设备接入到人工智能物联网平台对应的接入指令后,收集不同终端设备对应业务流程中各个子作业流程的设备运行数据,假设终端设备对应的业务流程包括50道工序,收集该业务流程中50道工序分别对应的设备运行数据,结合3D数字孪生仿真模型进行建模分析,从而通过不同工序的设备运行数据,确定终端设备业务流程中不同工序的设备运行状态,另外地,在智慧医疗中的AI看片中,通过将医疗设备接入至人工智能物联网平台,从而可通过收集用户对应的片子以及检测报告数据库中存储的片子报告,从而当用户进行看片时根据检测报告数据库中不同部位的检测报告结合数据3D数字孪生仿真技术进行建模分析,从而基于多部位的综合分析精准确定用户的检测结果,进一步,将AI摄像头接入人工智能物联网平台,当接收到AI摄像头接入到人工智能物联网平台对应的接入指令后,可收集不同AI摄像头所拍摄到的图像数据,进而在智慧交通的AI摄像头监控中,可将同一区域不同摄像头对应的拍摄图像结合数据3D数字孪生仿真技术进行数据建模后分析,从而精准对车辆进行监控。
其中,所述对各所述子作业流程的设备运行数据进行数据建模后对比分析的步骤:
步骤S21,基于各所述子作业流程的设备运行数据,结合3D数字孪生仿真技术进行融合分析,获得分析结果。
在本实施例中,基于各所述子作业流程的设备运行数据,结合3D数字孪生仿真技术进行融合分析,获得分析结果,具体地,基于各所述子作业流程的设备运行数据,通过所述3D数字孪生仿真技术进行数字化建模分析,获得所述分析结果。
步骤S30,若是,则基于已训练好的时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建。
在本实施例中,若是,则基于已训练好的时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建,具体地,若是,则证明该终端设备需要进行升级优化,进而基于所述时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,从而自动生成各所述子作业流程对应的目标运行代码,并将所述目标运行代码通过分布式的形式智能化升级至对应的终端设备,从而使得终端设备可基于所述目标运行代码进行运行调式,提高终端设备的运行效果,例如,沿用上述步骤S20的例子,终端设备对应的业务流程包括50道工序(开机、预热、加载原材料、抛光和老化等),其中,假设传统工业互联网中开机时间8秒、预热时间1分钟、加载原材料时间5分钟,基于业务流程中各子作业流程的设备运行数据,在本申请中,通过时序编程模型进行深度学习编程,从而自动优化终端设备,可以使得终端设备假设开机时间1秒、预热时间0秒、加载原材料时间1分钟,从而大大提高设备的运行效率,进一步地,在传统的终端设备控制中,需要专业的技术人员进行控制以及进行升级优化终端设备,而通过本申请中,直接根据终端设备中业务流程的各个工序对应的设备运行数据进行建模分析后,通过时序编程模型生成升级包,从而使得普通人员也可以进行操作优化终端设备,大大降低企业的人工成本,另外地,在智慧医疗中的AI看片中,往往仅基于用户单个部位的检测报告进行检测,具有局限性,而在本申请中,通过时序编程模型,根据检测报告数据库自动优化终端设备的参数,从而基于多部位的综合分析精准确定用户的检测结果,提高AI看片的准确性,此外,根据检测报告数据库以及时序编程模型自动编程,从而使得医疗片子报告时无需一定要医疗专家进行分析,而普通医生也可直接根据时序编程模型自动深度学习编程优化后的医疗终端设备进行查看片子报告,极大地降低人力成本资源,进一步,在智慧交通的AI摄像头监控中,需要获取智能摄像头的拍摄图像数据进行分析,在本申请中,通过将不同的AI摄像头接入至人工智能物联网平台,从而收集得到不同AI摄像头对应的拍摄图像数据,可以理解地,当车辆在行驶至该区域时,收集该区域不同的摄像头对车牌拍摄的图像数据,即可获取360°全方位的图像数据,进一步地,在通过时序编程模型进行深度学习编程后,对终端设备进行智能化优化升级,从而快速获取不同智能摄像头的拍摄图像数据并进行建模分析,实现快速精准对车辆进行监控,此外,通过人工智能互联网平台全方位收集摄像头的图像数据,并结合结合数据3D数字孪生仿真技术进行建模分析后,进而通过时序编程模型进行自动编程优化,无需专业技术人员对摄像头的图像数据进行监控分析,从而大大降低人力成本,因此,在本申请中,通过预先将终端设备接入至人工智能互联网平台中,从而基于预设通信协议来传输终端设备的设备运行数据,并且基于时序编程模型来自动优化终端设备的参数,不仅提高了终端设备的运行效率,还能极大第降低人力资源的成本。
其中,所述将所述目标运行代码分布式升级至对应的终端设备的步骤包括:
步骤S31,通过预先设置的人工智能算法中台将所述不同终端设备的业务流程的子作业流程对应的算法引擎进行归类;
步骤S32,基于引擎归类结果,通过预先设置的设备升级方法将所述目标运行代码分布式升级至对应的终端设备的子作业流程中。
在本实施例中,需要说明的是,所述预先设置的设备升级方法包括OTA升级方法,其中,OTA(Over-the-AirTechnology)升级是指终端设备通过无线网络下载远程服务器上的升级包,对系统或应用进行升级的技术。
进一步地,不同的终端设备在所述人工智能物联网平台中的人工智能算法中台配置有对应的算法引擎,而一个终端设备的业务流程包括多个子作业流程,因此,需要将不同字作业流程对应的算法引擎进行归类,从而使得基于算法引擎,通过OTA升级方法将深度学习编程的运行代码升级至对应的终端设备的子作业流程中。
其中,在所述基于时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备的步骤之后,还包括:
步骤A10,标记所述目标运行代码对应的版本号,并将所述目标运行代码和对应的版本号进行存储;
在本实施例中,需要说明的是,对于每一次深度学习自动编程自动生成的运行代码,均需要将编程得到的运行代码进行存储,并对应该运行代码进行标记版本号,另外地,在存储过程,并不会将上一次深度学习编程的运行代码进行覆盖,而是共同进行储存至人工智能物联网平台,在一种可实施方案中,为了缓解平台空间,可存储预设次数进行深度学习编程的运行代码,例如,存储距离当前深度学习编程前3次的运行代码。
步骤A20,获取通过终端设备基于所述目标运行代码进行调试和优化的运行结果;
在本实施例中,获取通过终端设备基于所述目标运行代码进行调试和优化的运行结果,具体地,终端设备在获取到目标运行代码之后,终端设备基于所述目标运行代码进行预运行,得到所述运行结果,以判断终端设备是否优化升级成功。
步骤A30,若所述运行结果为异常结果,则控制所述算法引擎进行回滚处理,以回滚至上一版本号对应的运行代码,并通过开发人员对所述异常结果对应的异常运行代码进行升级,以将所述升级后的运行代码升级至所述终端设备。
在本实施例中,具体地,若所述运行结果为异常结果,则证明深度学习编程得到的目标运行代码存在异常,进而控制存在异常对应的算法引擎进行回滚处理,从而回滚至上一版本号对应的运行代码,从而使得终端设备按照上一版本号对应的运行代码进行运行,避免终端设备运行中断的缺陷,进而通知开发人员对所述异常结果对应的异常运行代码进行手工升级,并将所述升级后的运行代码升级至所述终端设备,从而完成对终端设备的升级优化操作。
本申请实施例提供了基于数字孪生DaaS平台的深度学习编程方法,相比于现有技术采用的通过开发人员人工进行设备升级优化的技术手段,本申请实施例首先获取不同终端设备的业务流程中各子作业流程的设备运行数据,其中,所述设备运行数据包括各所述子作业流程的工序编号,实现了通过人工智能物联网平台收集业务流程的设备运行数据,且采集的数据详细到对应终端设备的具体子作业流程,从而使得在后续深度学习自动编程后,可基于工序编号确定自动编程的运行代码所述的终端设备的子作业流程,进一步地,对所述不同终端设备的设备运行数据进行数据建模后对比分析,并基于分析结果判断对应的终端设备是否需要升级优化,进而若是,则基于已训练好的时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建,实现了通过将业务流程拆分为过个子作业流程,从而通过模型学习不同业务流程中的具体作业子流程的运行数据,提高时序编程模型的精准度,进而通过时序编程模型对业务流程对应的各子作业流程的设备运行数据进行深度学习自动编程,无需人工手动编程,大大降低了人力成本以及提高设备优化升级的效率,进一步地,将自动生成的运行代码分布式升级至对应的终端设备中,代码移植性较高,从而提高对终端设备管理的智能性。
进一步地,参照图2,基于本申请中第一实施例,在本申请的另一实施例中,在所述若是,则基于时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建的步骤之前,所述基于数字孪生DaaS平台的深度学习编程方法还包括:
步骤B10,获取不同终端设备的业务流程,并采集不同业务流程中各子作业流程的训练设备运行数据;
步骤B20,基于各所述子作业流程的训练设备运行数据,对待训练初始模型进行训练,获得所述时序编程模型。
在本实施例中,需要说明的是,训练时序编程模型的学习目标是让基于数字孪生DaaS平台的深度学习编程方法模仿这种针对输入数据的行为过程,最终能够形成正确地输出数据。当训练完毕后,这些转换规则就被编码到神经网络的网络参数中,当模型实际应用时,神经网络对输入数据进行特征提取与表示,以基于特征提取结果进行学习预测,从而输出最终代码结果。
具体地,首先获取采集同终端设备各自业务流程中的各子作业流程的训练设备运行数据,进而提取所述训练设备运行数据的特征信息,以基于所述特征信息迭代优化所述待训练初始模型的网络参数,进而判断优化后的待训练初始模型是否满足训练结束条件,其中,所述训练结束条件包括损失函数达到收敛或迭代次数达到预设迭代次数等条件,若满足,则获得所述时序编程模型,若不满足,则返回执行步骤:获取不同终端设备的业务流程,并采集不同业务流程中各子作业流程的训练设备运行数据。
本申请实施例提供了一种基于数字孪生DaaS平台的深度学习编程方法,也即,获取不同终端设备的业务流程,并采集不同业务流程中各子作业流程的训练设备运行数据,进而基于各所述子作业流程的训练设备运行数据,对待训练初始模型进行训练,获得所述时序编程模型,实现了根据不同业务流程中的各子作业流程的设备运行数据进行模型训练,从而使得模型能够学习具体作业子流程的运行数据,从而提高时序编程模型的精准度,进而即可基于所述时序编程模型对不同终端设备的设备运行数据进行深度学习自动编程,提高终端设备升级优化的效率。
参照图3,图3是本申请实施例方案涉及的硬件运行环境的基于数字孪生DaaS平台的深度学习编程设备结构示意图。
如图3所示,该基于数字孪生DaaS平台的深度学习编程设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该基于数字孪生DaaS平台的深度学习编程设备还可以包括矩形用户接口、网络接口、相机、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可包括标准的有线接口、无线接口(如WIFI接口)。
本领域技术人员可以理解,图3中示出的基于数字孪生DaaS平台的深度学习编程设备结构并不构成对基于数字孪生DaaS平台的深度学习编程设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及基于数字孪生DaaS平台的深度学习编程程序。操作系统是管理和控制基于数字孪生DaaS平台的深度学习编程设备硬件和软件资源的程序,支持基于数字孪生DaaS平台的深度学习编程程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与基于数字孪生DaaS平台的深度学习编程方法中其它硬件和软件之间通信。
在图3所示的基于数字孪生DaaS平台的深度学习编程设备中,处理器1001用于执行存储器1005中存储的基于数字孪生DaaS平台的深度学习编程程序,实现上述任一项所述的一种基于数字孪生DaaS平台的深度学习编程方法的步骤。
本申请基于数字孪生DaaS平台的深度学习编程设备具体实施方式与上述基于数字孪生DaaS平台的深度学习编程方法各实施例基本相同,在此不再赘述。
此外,请参照图4,图4是本申请深度学习编程装置的功能模块示意图,本申请还提供一种基于数字孪生DaaS平台的深度学习编程系统,所述基于数字孪生DaaS平台的深度学习编程系统包括:
获取模块,用于获取不同终端设备的业务流程中各子作业流程的设备运行数据,其中,所述设备运行数据包括各所述子作业流程的工序编号;
分析模块,用于对所述不同终端设备的设备运行数据进行数据建模后对比分析,并基于分析结果判断对应的终端设备是否需要升级优化;
深度学习编程模块,用于若是,则基于已训练好的时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建。
可选地,所述获取模块还用于:
基于预设通信协议,分别获取通过所述不同终端设备上报的各所述子作业流程的设备运行数据。
可选地,所述分析模块还用于:
基于各所述子作业流程的设备运行数据,结合3D数字孪生仿真技术进行融合分析,获得分析结果。
可选地,所述深度学习编程模块还用于:
通过预先设置的人工智能算法中台将所述不同终端设备的业务流程的子作业流程对应的算法引擎进行归类;
基于引擎归类结果,通过预先设置的设备升级方法将所述目标运行代码分布式升级至对应的终端设备的子作业流程中。
可选地,所述基于数字孪生DaaS平台的深度学习编程系统还用于:
获取不同终端设备的业务流程,并采集不同业务流程中各子作业流程的训练设备运行数据;
基于各所述子作业流程的训练设备运行数据,对待训练初始模型进行训练,获得所述时序编程模型。
可选地,所述基于数字孪生DaaS平台的深度学习编程系统还用于:
标记所述目标运行代码对应的版本号,并将所述目标运行代码和对应的版本号进行存储;
获取通过终端设备基于所述目标运行代码进行调试和优化的运行结果;
若所述运行结果为异常结果,则控制所述算法引擎进行回滚处理,以回滚至上一版本号对应的运行代码,并通过开发人员对所述异常结果对应的异常运行代码进行升级,以将所述升级后的运行代码升级至所述终端设备。
本申请基于数字孪生DaaS平台的深度学习编程系统的具体实施方式与上述基于数字孪生DaaS平台的深度学习编程系统各实施例基本相同,在此不再赘述。
本申请实施例提供了一种存储介质,所述存储介质为计算机可读存储介质,且所述计算机可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的基于数字孪生DaaS平台的深度学习编程方法的步骤。
本申请计算机可读存储介质具体实施方式与上述基于数字孪生DaaS平台的深度学习编程方法各实施例基本相同,在此不再赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种基于数字孪生DaaS平台的深度学习编程方法,其特征在于,所述一种基于数字孪生DaaS平台的深度学习编程方法应用于人工智能物联网平台,所述人工智能物联网平台连接至少一个终端设备,所述一种基于数字孪生DaaS平台的深度学习编程方法包括:
获取不同终端设备的业务流程中各子作业流程的设备运行数据,其中,所述设备运行数据包括各所述子作业流程的工序编号;
对所述不同终端设备中各子作业流程的设备运行数据进行数据建模后对比分析,并基于分析结果判断对应的终端设备是否需要升级优化;
若是,则基于已训练好的时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建。
2.如权利要求1所述的基于数字孪生DaaS平台的深度学习编程方法,其特征在于,所述获取不同终端设备的业务流程中各子作业流程的设备运行数据的步骤包括:
基于预设通信协议,分别获取通过所述不同终端设备上报的各所述子作业流程的设备运行数据。
3.如权利要求1所述的基于数字孪生DaaS平台的深度学习编程方法,其特征在于,所述对各所述子作业流程的设备运行数据进行数据建模后对比分析的步骤:
基于各所述子作业流程的设备运行数据,结合3D数字孪生仿真技术进行融合分析,获得分析结果。
4.如权利要求1所述的基于数字孪生DaaS平台的深度学习编程方法,其特征在于,所述将所述目标运行代码分布式升级至对应的终端设备的步骤包括:
通过预先设置的人工智能算法中台将所述不同终端设备的业务流程的子作业流程对应的算法引擎进行归类;
基于引擎归类结果,通过预先设置的设备升级方法将所述目标运行代码分布式升级至对应的终端设备的子作业流程中。
5.如权利要求1所述的基于数字孪生DaaS平台的深度学习编程方法,其特征在于,在所述若是,则基于时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建的步骤之前,所述基于数字孪生DaaS平台的深度学习编程方法还包括:
获取不同终端设备的业务流程,并采集不同业务流程中各子作业流程的训练设备运行数据;
基于各所述子作业流程的训练设备运行数据,对待训练初始模型进行训练,获得所述时序编程模型。
6.如权利要求1至5任一所述的基于数字孪生DaaS平台的深度学习编程方法,其特征在于,在所述若是,则基于已训练好的时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建的步骤之后,还包括:
标记所述目标运行代码对应的版本号,并将所述目标运行代码和对应的版本号进行标记和存储;
获取通过终端设备基于所述目标运行代码进行调试和优化的运行结果;
若所述运行结果为异常结果,则控制所述算法引擎进行回滚处理,以回滚至上一版本号对应的运行代码,并通过开发人员对所述异常结果对应的异常运行代码进行升级,将所述升级后的运行代码升级至所述终端设备。
7.如权利要求2所述的基于数字孪生DaaS平台的深度学习编程方法,其特征在于,所述预设通信协议包括3G、4G、5G、CAT1、CAT4网络传输、NB-IOT窄带物联网、 LORA低功耗远程无线通信、MQTT消息队列遥测传输、HTTP、TCP传输层协议、UDP传输层协议中的一种或多种。
8.一种基于数字孪生DaaS平台的深度学习编程系统,其特征在于,所述基于数字孪生DaaS平台的深度学习编程方法应用于人工智能物联网平台,所述人工智能物联网平台连接至少一个终端设备,所述基于数字孪生DaaS平台的深度学习编程系统包括:
获取模块,用于获取不同终端设备的业务流程中各子作业流程的设备运行数据,其中,所述设备运行数据包括各所述子作业流程的工序编号;
分析模块,用于对所述不同终端设备的设备运行数据进行数据建模后对比分析,并基于分析结果判断对应的终端设备是否需要升级优化;
深度学习编程模块,用于若是,则基于已训练好的时序编程模型,对各所述子作业流程的设备运行数据进行深度学习编程,自动生成目标运行代码,并将所述目标运行代码分布式升级至对应的终端设备,其中,所述时序编程模型为基于预先采集的不同终端设备中业务流程对应的各子作业流程的设备运行数据进行构建。
9.一种基于数字孪生DaaS平台的深度学习编程设备,其特征在于,所述基于数字孪生DaaS平台的深度学习编程设备包括:存储器、处理器以及存储在存储器上的基于数字孪生DaaS平台的深度学习编程程序,
所述基于数字孪生DaaS平台的深度学习编程程序被所述处理器执行实现如权利要求1至7中任一项所述基于数字孪生DaaS平台的深度学习编程方法的步骤。
10.一种存储介质,所述存储介质为计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于数字孪生DaaS平台的深度学习编程程序,所述基于数字孪生DaaS平台的深度学习编程程序被处理器执行实现如权利要求1至7中任一项所述基于数字孪生DaaS平台的深度学习编程方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210120010.3A CN114153482B (zh) | 2022-02-09 | 2022-02-09 | 基于数字孪生DaaS平台的深度学习编程方法及系统 |
PCT/CN2023/074477 WO2023151523A1 (zh) | 2022-02-09 | 2023-02-03 | 基于数字孪生DaaS平台的深度学习编程方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210120010.3A CN114153482B (zh) | 2022-02-09 | 2022-02-09 | 基于数字孪生DaaS平台的深度学习编程方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114153482A true CN114153482A (zh) | 2022-03-08 |
CN114153482B CN114153482B (zh) | 2022-05-17 |
Family
ID=80450027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210120010.3A Active CN114153482B (zh) | 2022-02-09 | 2022-02-09 | 基于数字孪生DaaS平台的深度学习编程方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114153482B (zh) |
WO (1) | WO2023151523A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693220A (zh) * | 2022-05-30 | 2022-07-01 | 深圳市爱云信息科技有限公司 | 基于数字孪生DaaS平台的算法仓库管理方法及系统 |
CN115562191A (zh) * | 2022-09-26 | 2023-01-03 | 北京能科瑞元数字技术有限公司 | 基于工业数字孪生的生产力中台智能推测分析方法 |
CN115878131A (zh) * | 2023-02-09 | 2023-03-31 | 天津汉云工业互联网有限公司 | 数字孪生应用的代码生成方法、装置和电子设备 |
CN116521150A (zh) * | 2023-07-04 | 2023-08-01 | 北京凯思昊鹏软件工程技术有限公司 | 一种支持异构融合的分布式系统及通信方法 |
WO2023151523A1 (zh) * | 2022-02-09 | 2023-08-17 | 深圳市爱云信息科技有限公司 | 基于数字孪生DaaS平台的深度学习编程方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117161892B (zh) * | 2023-10-25 | 2024-01-26 | 苏州博宏源机械制造有限公司 | 一种基于抛光材料属性检测的抛光组件智能控制系统 |
CN117255087B (zh) * | 2023-11-20 | 2024-02-23 | 中国科学技术大学 | 一种支持海量异构设备接入的网络孪生实现方法与系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109445305A (zh) * | 2018-10-26 | 2019-03-08 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的装配精度仿真分析方法与系统 |
CN109934412A (zh) * | 2019-03-18 | 2019-06-25 | 无锡雪浪数制科技有限公司 | 基于时序预测模型的实时设备异常检测装置及方法 |
CN109933035A (zh) * | 2019-04-24 | 2019-06-25 | 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生产线控制系统、方法及生产系统 |
CN111027209A (zh) * | 2019-12-10 | 2020-04-17 | 北京航空航天大学 | 一种数字孪生行为模型快速构建方法 |
CN111539583A (zh) * | 2020-05-13 | 2020-08-14 | 中国电子科技集团公司第十四研究所 | 一种基于数字孪生的生产过程仿真优化方法 |
CN112069247A (zh) * | 2020-09-09 | 2020-12-11 | 广东电网有限责任公司中山供电局 | 基于数字孪生技术的电力系统运行数据可视化系统及方法 |
CN112767058A (zh) * | 2021-02-05 | 2021-05-07 | 深圳市爱云信息科技有限公司 | AIOT DaaS数字孪生云平台 |
CN113110313A (zh) * | 2021-03-26 | 2021-07-13 | 广东建设职业技术学院 | 一种基于数字孪生的施工过程管控方法 |
CN113157421A (zh) * | 2021-04-29 | 2021-07-23 | 浙江工业大学 | 一种基于用户作业流程的分布式集群资源调度方法 |
CN113421005A (zh) * | 2021-07-01 | 2021-09-21 | 润联软件系统(深圳)有限公司 | 工序数据和管理协同方法、装置、计算机设备及存储介质 |
CN113515848A (zh) * | 2021-05-13 | 2021-10-19 | 三一重型装备有限公司 | 矿山设备的结构设计优化方法、系统和可读存储介质 |
CN113836755A (zh) * | 2021-11-29 | 2021-12-24 | 联想新视界(北京)科技有限公司 | 基于数字孪生模型的控制方法及装置 |
CN113887016A (zh) * | 2021-09-07 | 2022-01-04 | 中船智能科技(上海)有限公司 | 一种基于数字孪生的船舶数字化车间仿真方法与系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235556B (zh) * | 2013-03-27 | 2015-08-19 | 南京航空航天大学 | 基于特征的复杂零件数控加工制造方法 |
US20190236489A1 (en) * | 2018-01-30 | 2019-08-01 | General Electric Company | Method and system for industrial parts search, harmonization, and rationalization through digital twin technology |
CN109799787B (zh) * | 2019-01-10 | 2021-08-17 | 湖南科技大学 | 基于数控系统的凸轮轴智能磨削工艺软件数据库系统 |
CN114153482B (zh) * | 2022-02-09 | 2022-05-17 | 深圳市爱云信息科技有限公司 | 基于数字孪生DaaS平台的深度学习编程方法及系统 |
-
2022
- 2022-02-09 CN CN202210120010.3A patent/CN114153482B/zh active Active
-
2023
- 2023-02-03 WO PCT/CN2023/074477 patent/WO2023151523A1/zh unknown
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109445305A (zh) * | 2018-10-26 | 2019-03-08 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的装配精度仿真分析方法与系统 |
CN109934412A (zh) * | 2019-03-18 | 2019-06-25 | 无锡雪浪数制科技有限公司 | 基于时序预测模型的实时设备异常检测装置及方法 |
CN109933035A (zh) * | 2019-04-24 | 2019-06-25 | 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生产线控制系统、方法及生产系统 |
CN111027209A (zh) * | 2019-12-10 | 2020-04-17 | 北京航空航天大学 | 一种数字孪生行为模型快速构建方法 |
WO2021227325A1 (zh) * | 2020-05-13 | 2021-11-18 | 中国电子科技集团公司第十四研究所 | 一种基于数字孪生的生产过程仿真优化方法 |
CN111539583A (zh) * | 2020-05-13 | 2020-08-14 | 中国电子科技集团公司第十四研究所 | 一种基于数字孪生的生产过程仿真优化方法 |
CN112069247A (zh) * | 2020-09-09 | 2020-12-11 | 广东电网有限责任公司中山供电局 | 基于数字孪生技术的电力系统运行数据可视化系统及方法 |
CN112767058A (zh) * | 2021-02-05 | 2021-05-07 | 深圳市爱云信息科技有限公司 | AIOT DaaS数字孪生云平台 |
CN113110313A (zh) * | 2021-03-26 | 2021-07-13 | 广东建设职业技术学院 | 一种基于数字孪生的施工过程管控方法 |
CN113157421A (zh) * | 2021-04-29 | 2021-07-23 | 浙江工业大学 | 一种基于用户作业流程的分布式集群资源调度方法 |
CN113515848A (zh) * | 2021-05-13 | 2021-10-19 | 三一重型装备有限公司 | 矿山设备的结构设计优化方法、系统和可读存储介质 |
CN113421005A (zh) * | 2021-07-01 | 2021-09-21 | 润联软件系统(深圳)有限公司 | 工序数据和管理协同方法、装置、计算机设备及存储介质 |
CN113887016A (zh) * | 2021-09-07 | 2022-01-04 | 中船智能科技(上海)有限公司 | 一种基于数字孪生的船舶数字化车间仿真方法与系统 |
CN113836755A (zh) * | 2021-11-29 | 2021-12-24 | 联想新视界(北京)科技有限公司 | 基于数字孪生模型的控制方法及装置 |
Non-Patent Citations (1)
Title |
---|
王安邦等: "基于数字孪生与深度学习技术的制造加工设备智能化方法研究", 《工程设计学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023151523A1 (zh) * | 2022-02-09 | 2023-08-17 | 深圳市爱云信息科技有限公司 | 基于数字孪生DaaS平台的深度学习编程方法及系统 |
CN114693220A (zh) * | 2022-05-30 | 2022-07-01 | 深圳市爱云信息科技有限公司 | 基于数字孪生DaaS平台的算法仓库管理方法及系统 |
WO2023231526A1 (zh) * | 2022-05-30 | 2023-12-07 | 深圳市爱云信息科技有限公司 | 基于数字孪生DaaS平台的算法仓库管理方法及系统 |
CN115562191A (zh) * | 2022-09-26 | 2023-01-03 | 北京能科瑞元数字技术有限公司 | 基于工业数字孪生的生产力中台智能推测分析方法 |
CN115562191B (zh) * | 2022-09-26 | 2024-02-27 | 北京能科瑞元数字技术有限公司 | 基于工业数字孪生的生产力中台智能推测分析方法 |
CN115878131A (zh) * | 2023-02-09 | 2023-03-31 | 天津汉云工业互联网有限公司 | 数字孪生应用的代码生成方法、装置和电子设备 |
CN115878131B (zh) * | 2023-02-09 | 2023-05-09 | 天津汉云工业互联网有限公司 | 数字孪生应用的代码生成方法、装置和电子设备 |
CN116521150A (zh) * | 2023-07-04 | 2023-08-01 | 北京凯思昊鹏软件工程技术有限公司 | 一种支持异构融合的分布式系统及通信方法 |
CN116521150B (zh) * | 2023-07-04 | 2023-10-13 | 北京凯思昊鹏软件工程技术有限公司 | 一种支持异构融合的分布式系统及通信方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023151523A1 (zh) | 2023-08-17 |
CN114153482B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114153482B (zh) | 基于数字孪生DaaS平台的深度学习编程方法及系统 | |
CN107766580A (zh) | 消息的推送方法及装置 | |
CN113867913B (zh) | 面向微服务的业务请求处理方法、装置、设备及存储介质 | |
US20230156026A1 (en) | System and method of automatizing a threat analysis based on artificial intelligence | |
CN110780965B (zh) | 基于视觉的流程自动化方法、设备及可读存储介质 | |
CN111737073B (zh) | 自动化测试方法、装置、设备及介质 | |
CN112380255A (zh) | 一种业务处理方法、装置、设备和存储介质 | |
CN113240255A (zh) | 一种智能建筑全生命周期管理方法及系统 | |
US20220269595A1 (en) | Testing iot-applications based on a fleet of iot-devices | |
CN112527676A (zh) | 模型自动化测试方法、装置及存储介质 | |
CN113535831A (zh) | 一种基于大数据的报表分析方法、装置、设备和介质 | |
CN117613908B (zh) | 基于配电网络的智能运维方法及系统 | |
CN114676053A (zh) | 一种硬件设备的自动化分析方法及装置 | |
AU2018201304A1 (en) | A model management system | |
CN110716778A (zh) | 应用兼容性测试方法、装置及系统 | |
CN107919998B (zh) | 基于JMeter的传感器服务端功能测试方法与系统 | |
CN115604747A (zh) | 一种基于5gc的指标异常闭环管理方法及装置 | |
CN116167935A (zh) | 二维码的修复方法、装置、设备及介质 | |
CN115587028A (zh) | 接口自动化测试方法、系统、介质及终端 | |
CN111859370A (zh) | 识别服务的方法、装置、电子设备和计算机可读存储介质 | |
CN112560146A (zh) | 基于bim的电网数据运维方法、装置、设备及存储介质 | |
CN111124782A (zh) | 一种智能配置计算机集群的方法及装置 | |
CN118820107A (zh) | 服务器自动测试方法、装置、电子设备及非易失性存储介质 | |
CN118644034A (zh) | 一种基于数字孪生的分摊计算方法、装置及设备 | |
CN118036248A (zh) | 基于数字孪生模型的供应链生产线仿真方法、装置及设备 |
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 |