CN114311609A - 一种基于数字孪生的挤塑机故障诊断系统 - Google Patents
一种基于数字孪生的挤塑机故障诊断系统 Download PDFInfo
- Publication number
- CN114311609A CN114311609A CN202210049056.0A CN202210049056A CN114311609A CN 114311609 A CN114311609 A CN 114311609A CN 202210049056 A CN202210049056 A CN 202210049056A CN 114311609 A CN114311609 A CN 114311609A
- Authority
- CN
- China
- Prior art keywords
- data
- extruder
- extruding machine
- twin
- model
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000003066 decision tree Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 13
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 230000003287 optical effect Effects 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000007380 fibre production Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Extrusion Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开一个基于数字孪生的挤塑机故障诊断系统，通过构建虚拟挤塑机数字孪生模型，获取物理世界光缆制造设备挤塑机的使用环境数据、历史运行数据和实时数据等传输至数字孪生模型，并且通过挤塑机历史数据进行决策树模型训练，通过训练好的模型对实时数据进行诊断，根据挤塑机孪生体模型和历史数据实现基于数字孪生的挤塑机故障诊断。挤塑机孪生体会对发生的故障进行警告提示并进行反馈处理，实现挤塑机的3D可视化监控和故障诊断。本系统能够让挤塑机发生故障时可以快速找到故障位置和故障类型，并可以进行3D可视化监控，有利于对挤塑机更好的进行维护且增加挤塑机设备的安全性，提高生产效率。
Description
技术领域
本发明涉及故障诊断领域，尤其是在新技术数字孪生领域来实现挤塑机的故障诊断方法。
背景技术
需要推进工业制造车间向数字化和智能化转型，在这个转变过程中数字孪生起着至关重要的作用，尤其是数字孪生在车间设备故障诊断和可视化方面。目前，我国对光缆的需求日益增加，然而光缆制造车间在设备故障诊断和可视化技术有待提升。挤塑机是紧套光纤生产线中重要的设备，针对光缆车间设备在生产作业时发生故障，不易立刻找到具体的故障点，以及缺少具体的3D可视化监视。本发明给出一种基于数字孪生的挤塑机故障诊断系统，为了可以得到准确的故障点和可视化监控，构建3D模型(物理模型、几何模型、规则模型、行为模型)来实现挤塑机的故障诊断和3D可视化监控。
发明内容
本发明的目的在于使用数字孪生技术来实现挤塑机的故障诊断，从而日常挤塑机发生故障时，减少找到故障精准定位的时间，可以快速维修恢复生产。
为了完成上述功能，本发明的解决方案是：
使用数字孪生技术来实现挤塑机的故障诊断方法，包括以下步骤(1)～ (7)：
(1)根据物理世界挤塑机外观以及内部构造，使用3Dmax软件对挤塑机进行建模，并进行轻量化处理。
(2)将步骤1的模型以.fbx的格式导入Unity3D中，对模型的零部件使用MATLAB和ANSYS进行仿真分析，并将仿真模型和数学模型导入至Unity3D 中，建立虚拟挤塑机孪生体。
(3)在Unity3D中使用C#对挤塑机某些零部件模型编写动画效果和窗口弹出效果，并在Unity3D中编写一定的场景，进行场景切换,编写UI实现系统功能。
(4)将从物理世界挤塑机获取的数据(各个位置温度、电机电流、油泵电压等)传输至Unity3D中，需要使用Unity3D的插件Prespective、OPC UA 通讯协议、MySQL数据库来实现。
(5)步骤4获取到的历史数据存储到MySQL数据库中，对获取到的数据进行预处理，并按照8:2区分训练集和测试集，随机森林中每棵决策树模型的构建需遵循双随机原则(数据采样的随机、特征的随机)，运用随机森林算法对数据进行处理，得出训练好的模型。
(6)将我们实时采集的数据传输至故障诊断系统(挤塑机孪生体模型+ 挤塑机历史数据)中，将诊断的结果在Unity3D中弹出警示，并将故障诊断结果对应模型的相应位置进行弹出，弹出的画面以及模型对应的故障位置由编写的 C#脚本控制。
(7)确认的故障位置和故障类型正确一致后，将数据存入历史数据库中。
本发明通过构建虚拟挤塑机数字孪生模型，获取物理世界光缆制造设备挤塑机的使用环境数据、历史运行数据和实时数据等传输至数字孪生模型，并且通过挤塑机历史数据对决策树模型进行训练，通过训练好的模型对实时数据进行故障诊断，根据挤塑机数字孪生体模型和历史数据实现基于数字孪生的挤塑机故障诊断。
本发明基于数字孪生的挤塑机故障诊断系统，所述步骤(2)中将3Dmax 导入Unity3D中时需要设置单位大小，由于两款软件模型单位不一致需要设置，并且需要贴图一并导入。
本发明基于数字孪生的挤塑机故障诊断系统，所述步骤(4)中Unity3D 与MySQL数据库相互交互使用Bolt可视化编程插件和C#脚本，实现“读”、“删”、“查”、“改”、“更”和“存”的功能。OPC UA通讯协议通过C# 语言实现Server和Client模式，使用Prespective插件与工业通讯接口连接，将温度传感器、压力传感器、加速度传感器和采集到的电流电压数据传输至 Unity3D中，将数据在Xcharts表格上进行展示，从而在故障诊断系统中进行数据可视化操作，并将数据存储至MySQL数据库中。
本发明基于数字孪生的挤塑机故障诊断系统，所述步骤(5)中需要使用历史数据来训练随机森林模型(CART分类回归树)，首先对挤塑机数据进行预处理，对得到的数据进行分解，得到挤塑机的故障特征数据和故障标签。将预处理过的数据集分成训练集Xtrain和Xtest，对随机森林的基分类器进行训练。
其中Gini表达式为：
数据采样选用Bootstraping有放回采样，为了决策树之间的差异性需要数据采样随机、故障特征随机，其中特征为(C1、C2、C3、...、CM)。
从Xtrain训练集有放回的随机抽取N个训练样本，随机抽取m个特征 m≤M(其中M是所有特征的个数)，构建N个决策树(T1、T2、T3、...、TN)，每个决策树会从m个特征中决策出一个最优的特征结果。最后进行投票，选取投票最多的特征作为最终结果。
本发明与现有技术相比，本发明的有益效果是：
1.本发明通过给挤塑机增添多种传感器(温度传感器、压力传感器、转速传感器、加速度传感器等)，获取设备的各种数据信息以及车间周围环境数据，有利于更好的对设备运行状态进行3D可视化监控。
2.本发明利用数字孪生技术对挤塑机进行故障诊断，可以实现故障位置可视化和故障数据可视化，可以让操作人员更加直观精准的发现故障类型和位置，节约检测时间。
3.本发明通过对挤塑机中电机内温和外温的监测，在数字孪生系统中设有预警功能，由于电机长时间工作会导致过热发生故障，本发明可以防止电机过热而损坏，有利于更好的对电机进行保护，提高挤塑机设备的安全性。
4.本发明可以对挤塑机运行历史中的某一状态在系统中进行3D重现，因为我们对历史运行数据和控制数据进行了存储，可以使数据驱动我们的孪生体模型进行3D重现，有利于挤塑机发生故障时追根溯源，也可以通过本系统对操作人员进行培训和指导。
下面通过实施例，对本发明的技术方案做进一步的详细描述。
具体实施方式
下面将结合本发明实施例，对本发明实施例的技术方案进一步完整的描述，显而易见，下面所描述的实施例是本发明的一部分实施例，而不是全部实施例，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明公开的范围完整的传达给本领域的技术人员。
本发明实施例基于数字孪生的挤塑机故障诊断系统是通过数字孪生技术来实现挤塑机的故障诊断。
本发明例故障诊断系统包括5层，分别是物理层、感知层、数据传输层、数据处理层和仿真分析层。
其中物理层包括的是挤塑机及其各种零部件、以及生产车间环境。
感知层包含的是各种传感器和数据采集装置，其中有温度传感器、压力传感器、加速度传感器、转速传感器和电压电流采集装置等。
数据传输层是将采集到的各种信息传输到我们的Unity3D故障诊断系统中，可以采用OPC UA通讯协议。
数据处理层是我们实现故障诊断的关键，可以为仿真分析层的决策提供诊断依据和结果，这里主要采用随机森林算法。
仿真分析层是一个可视化的窗口，包括故障可视化和数据可视化，并且可以下达相关指令反馈给我们的物理实体，与物理实体是一个相互映射的过程。
本发明实施例首先需要对物理世界挤塑机的外观和内部构造十分清楚，以及每个零部件的位置和功能，根据物理实体构造挤塑机的孪生体。
进一步的，使用CAD、3Dmax等软件对挤塑机进行建模，需要将建好的模型以.fbx的格式导入至Unity3D中。
需要注意的是，模型在导入Unity3D中之前需要进行轻量化处理，由于不同软件之间模型单位大小不统一，需要先调整模型大小单位后再进行导入，并且需要将模型的贴图一并导入至Unity3D中。
进一步的，使用MATLAB和ANSYS对挤塑机的零部件进行仿真建模。
将仿真软件建好的仿真通过Unity3D的插件Prespective传输至挤塑机孪生体中，并将仿真模型和数学模型导入至Unity3D中，建立虚拟挤塑机孪生体。
物理世界挤塑机的数据通过各种传感器和数据采集装置来采集数据，并进行数据的传输和保存。
上文所述的传感器包括5个不同位置的温度传感器、压力传感器、位移传感器、加速传感器(水平和竖直)和转速传感器，并采集电机不同位置电流电压的具体数值。
数据传输采用OPC UA协议，使用C#语言实现OPC UA的Server和 Client模式，借助Unity3D的插件Prespective、OPC UA通讯协议、MySQL数据库来完成数据的传输和保存。
上文所述的数据存储需要使用Bolt可视化编程插件和C#编写脚本使 Unity3D与MySQL数据库来通信，实现数据“读”、“删”、“查”、“改”、“更”和“存”的功能。
进一步的，使用挤塑机的历史数据来训练决策树模型(CART分类回归树)。
首先对挤塑机历史数据进行预处理，检查数据的可靠性和数据是否缺失。
对得到的数据进行分解，得到挤塑机的故障特征数据和故障标签。将预处理过的数据集分成训练集Xtrain和Xtest，对随机森林的基分类器进行训练。
其中Gini表达式为：
进一步的，对决策树决策模型进行训练。
数据采样选用Bootstraping有放回采样，为了决策树之间的差异性，需要遵循数据采样随机、故障特征随机原则，其中特征为(C1、C2、C3、...、CM)。
进一步的，从Xtrain训练集有放回的随机抽取N个训练样本，随机抽取 m个特征m≤M(其中M是所有特征的个数)，构建N个决策树(T1、T2、T3、...、 TN)。
每个决策树会从m个特征中决策出一个最优的特征结果。
最后进行投票，选取投票最多的特征作为最终结果。
进一步的，将我们前面采集的实时数据传输至故障诊断系统中，其中故障诊断系统包含上述的挤塑机孪生体模型和挤塑机历史数据共同对挤塑机进行诊断，并将诊断结果在孪生体挤塑机上进行可视化展示，并对故障位置和故障数据进行相应动作和弹出故障警告。
进一步的，弹出的画面以及孪生体相应的动作由编写的C#脚本控制。
进一步的，故障诊断系统有数据采集模块、数据传输模块、数据处理和保存模块、挤塑机孪生体、故障诊断模块和三维可视化模块。
三维可视化模块除了可以展示前面所述的孪生体与挤塑机实体相互映射的画面，还可以将实时数据、历史数据以各种统计图的形式进行可视化展示，给操作者比较直观的显示。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，可以对本发明的技术方案进行修改，但是其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.基于数字孪生的挤塑机故障诊断系统，其特征在于，使用数字孪生技术来实现挤塑机的故障诊断方法，包括以下步骤(1)～(7)：
(1)根据物理世界挤塑机外观以及内部构造，使用3Dmax软件对挤塑机进行建模，并进行轻量化处理。
(2)将步骤1的模型以.fbx的格式导入Unity3D中，对模型的零部件使用MATLAB和ANSYS进行仿真分析，并将仿真模型和数学模型导入至Unity3D中，建立虚拟挤塑机孪生体。
(3)在Unity3D中使用C#对挤塑机某些零部件模型编写动画效果和窗口弹出效果，并在Unity3D中编写一定的场景，进行场景切换,编写UI实现系统功能。
(4)将从物理世界挤塑机获取的数据(各个位置温度、电机电流、油泵电压等)传输至Unity3D中，需要使用Unity3D的插件Prespective、OPC UA通讯协议、MySQL数据库来实现。
(5)步骤4获取到的历史数据存储到MySQL数据库中，对获取到的数据进行预处理，并按照8:2区分训练集和测试集，随机森林中每棵决策树模型的构建需遵循双随机原则(数据采样的随机、特征的随机)，运用随机森林算法对数据进行处理，得出训练好的模型。
(6)将我们实时采集的数据传输至故障诊断系统(挤塑机孪生体模型+挤塑机历史数据)中，将诊断的结果在Unity3D中弹出警示，并将故障诊断结果对应模型的相应位置进行弹出，弹出的画面以及模型对应的故障位置由编写的C#脚本控制。
(7)确认的故障位置和故障类型正确一致后，将数据存入历史数据库中。
2.如权利要求1所述基于数字孪生的挤塑机故障诊断的方法，其特征在于，所述步骤(1)(2)中挤塑机的孪生体需要和物理世界挤塑机1:1还原，并对孪生体赋予一定的数学模型和规则模型。
3.如权利要求1所述基于数字孪生的挤塑机故障诊断的方法，其特征在于，所述步骤(4)中孪生体从物理世界获取实时数据信息即数据感知层，数据感知层包括安装在挤塑机不同位置的传感器，安装在机筒5个不同位置的温度传感器用来监控挤塑机机筒加热线圈周围和挤塑机机头的温度，用压力传感器监测机头压力，用加速度传感器(水平和竖直)来监测挤塑机中轴承的振动，并采集电机不同位置电流电压的具体数值。将获取的数据连接至信号管理系统中。
4.如权利要求1所述基于数字孪生的挤塑机故障诊断的方法，其特征在于，所述步骤(4)(5)(7)与Unity3D通信即数据的传输和保存，包括使用C#语言实现OPC UA的Server和Client模式，借助Unity3D的插件Prespective、OPC UA通讯协议、MySQL数据库来完成数据的传输和保存。
5.如权利要求1所述基于数字孪生的挤塑机故障诊断的方法，其特征在于，所述步骤(5)(6)中挤塑机故障的诊断采用挤塑机孪生体模型加挤塑机历史数据共同诊断的方法，包括基于挤塑机历史数据决策树模型的构建，以及随机森林对实时数据的诊断结果与挤塑机孪生体的结合。
6.如权利要求1所述基于数字孪生的挤塑机故障诊断的方法，其特征在于，所述步骤(3)(6)中数字孪生的挤塑机故障诊断系统的构建，本系统包括数据采集模块、数据传输模块、数据处理和保存模块、挤塑机孪生体、故障诊断模块和三维可视化模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210049056.0A CN114311609A (zh) | 2022-01-17 | 2022-01-17 | 一种基于数字孪生的挤塑机故障诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210049056.0A CN114311609A (zh) | 2022-01-17 | 2022-01-17 | 一种基于数字孪生的挤塑机故障诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114311609A true CN114311609A (zh) | 2022-04-12 |
Family
ID=81029068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210049056.0A Pending CN114311609A (zh) | 2022-01-17 | 2022-01-17 | 一种基于数字孪生的挤塑机故障诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114311609A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115145229A (zh) * | 2022-06-29 | 2022-10-04 | 新疆大学 | 石油抽油机数字孪生系统构建方法 |
| CN115718466A (zh) * | 2022-11-21 | 2023-02-28 | 广东工业大学 | 基于随机森林和层次分析法的数字孪生车间故障预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019055576A1 (en) * | 2017-09-12 | 2019-03-21 | Arconic Inc. | SYSTEMS AND METHODS FOR PERFORMING CALIBRATION IN ADDITIVE MANUFACTURE |
| CN111061232A (zh) * | 2019-12-09 | 2020-04-24 | 中国科学院沈阳自动化研究所 | 基于数字孪生的生产线设计与优化方法 |
| CN111159893A (zh) * | 2019-12-30 | 2020-05-15 | 北京理工大学 | 一种基于数字孪生的故障复现及预测系统 |
| CN111159793A (zh) * | 2020-01-20 | 2020-05-15 | 兰州理工大学 | 基于数字孪生五维模型3d打印机建模方法及模型系统 |
| CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 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工程装备故障智能诊断与自愈控制系统及方法 |
| KR20210061669A (ko) * | 2019-11-20 | 2021-05-28 | 한국수력원자력 주식회사 | 펌프 베어링 시스템의 디지털 트윈 기반 예측진단 장치 |
| US20210319156A1 (en) * | 2020-04-09 | 2021-10-14 | Wuhan University | Method and system for fault diagnosis with small samples of power equipment based on virtual and real twin spaces |
-
2022
- 2022-01-17 CN CN202210049056.0A patent/CN114311609A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019055576A1 (en) * | 2017-09-12 | 2019-03-21 | Arconic Inc. | SYSTEMS AND METHODS FOR PERFORMING CALIBRATION IN ADDITIVE MANUFACTURE |
| KR20210061669A (ko) * | 2019-11-20 | 2021-05-28 | 한국수력원자력 주식회사 | 펌프 베어링 시스템의 디지털 트윈 기반 예측진단 장치 |
| CN111061232A (zh) * | 2019-12-09 | 2020-04-24 | 中国科学院沈阳自动化研究所 | 基于数字孪生的生产线设计与优化方法 |
| CN111159893A (zh) * | 2019-12-30 | 2020-05-15 | 北京理工大学 | 一种基于数字孪生的故障复现及预测系统 |
| CN111159793A (zh) * | 2020-01-20 | 2020-05-15 | 兰州理工大学 | 基于数字孪生五维模型3d打印机建模方法及模型系统 |
| US20210319156A1 (en) * | 2020-04-09 | 2021-10-14 | Wuhan University | Method and system for fault diagnosis with small samples of power equipment based on virtual and real twin spaces |
| CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 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工程装备故障智能诊断与自愈控制系统及方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115145229A (zh) * | 2022-06-29 | 2022-10-04 | 新疆大学 | 石油抽油机数字孪生系统构建方法 |
| CN115718466A (zh) * | 2022-11-21 | 2023-02-28 | 广东工业大学 | 基于随机森林和层次分析法的数字孪生车间故障预测方法 |
| CN115718466B (zh) * | 2022-11-21 | 2024-05-14 | 广东工业大学 | 基于随机森林和层次分析法的数字孪生车间故障预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114311609A (zh) | 一种基于数字孪生的挤塑机故障诊断系统 | |
| CN109638959B (zh) | 基于ar和深度学习的电力设备遥信功能调试方法及系统 | |
| 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 | |
| CN116578040B (zh) | 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 | |
| CN116541570A (zh) | 一种基于数字孪生的设备预测性维护系统 | |
| CN117852849B (zh) | 基于数字孪生技术的大型农光互补光伏园区安全管理系统 | |
| CN115131498A (zh) | 一种水库智慧水利数字孪生模型快速构建方法 | |
| CN113752264A (zh) | 基于数字孪生的机械臂智能装备控制方法及系统 | |
| CN113516903A (zh) | 面向智能矿山场景的数字孪生演化机理及方法 | |
| CN116224931A (zh) | 一种基于实时数据驱动的卷烟工厂数字孪生仿真运行方法 | |
| CN114254414A (zh) | 面向数字孪生的旋转机组虚拟现实方法、装置、电子设备 | |
| CN117407814A (zh) | 一种基于数字孪生的机床设备故障预警方法及系统 | |
| CN113221461B (zh) | 一种基于数字孪生技术的掘锚一体机监控系统 | |
| CN114781924A (zh) | 一种危险化学品仓储作业安全技能vr培训系统 | |
| CN113378887B (zh) | 一种乳化液泵故障分级诊断方法 | |
| CN112732541B (zh) | 一种用于复杂装备故障诊断的智能判据挖掘系统 | |
| CN113593605A (zh) | 一种基于深度神经网络的工业音频故障监测系统和方法 | |
| CN117590819A (zh) | 基于数字孪生的药粉压制生产全流程管理监控方法 | |
| CN113496548A (zh) | 一种面向透明工厂的生产现场数据映射方法 | |
| Liu et al. | Research on real-time monitoring technology of equipment based on augmented reality | |
| CN115994323A (zh) | 设备故障诊断模型建立方法以及设备故障诊断方法 | |
| CN115829049A (zh) | 一种电子电器台架实验数据分析平台及数据分析方法 | |
| CN114415575A (zh) | 实时数据驱动的焊接车间三维虚拟监控与智能预警系统 | |
| CN111723492B (zh) | 一种基于仿真验证的生产过程参数确定方法 | |
| CN118605453A (zh) | 基于数字孪生的整车试验方法、系统、存储介质和设备 |
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 |