CN114429249B - 钢管束生产设备的寿命预测方法、系统、设备及存储介质 - Google Patents

钢管束生产设备的寿命预测方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN114429249B
CN114429249B CN202210352823.5A CN202210352823A CN114429249B CN 114429249 B CN114429249 B CN 114429249B CN 202210352823 A CN202210352823 A CN 202210352823A CN 114429249 B CN114429249 B CN 114429249B
Authority
CN
China
Prior art keywords
steel pipe
data
life
pipe bundle
hidden variables
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.)
Active
Application number
CN202210352823.5A
Other languages
English (en)
Other versions
CN114429249A (zh
Inventor
许琮维
王振众
郭砚青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced Institute of Information Technology AIIT of Peking University
Hangzhou Weiming Information Technology Co Ltd
Hangxiao Steel Structure Co Ltd
Original Assignee
Advanced Institute of Information Technology AIIT of Peking University
Hangzhou Weiming Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Advanced Institute of Information Technology AIIT of Peking University, Hangzhou Weiming Information Technology Co Ltd filed Critical Advanced Institute of Information Technology AIIT of Peking University
Priority to CN202210352823.5A priority Critical patent/CN114429249B/zh
Publication of CN114429249A publication Critical patent/CN114429249A/zh
Application granted granted Critical
Publication of CN114429249B publication Critical patent/CN114429249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04Ageing analysis or optimisation against ageing
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请公开了一种钢管束生产设备的寿命预测方法、系统、设备及存储介质,所述方法包括:获取钢管束生产过程中的设备运行数据以及环境数据;将所述设备运行数据以及环境数据输入寿命预测模型,得到预测的剩余寿命以及寿命影响因素;根据所述预测的剩余寿命以及寿命影响因素进行故障预警。根据本申请实施例提供的钢管束生产设备的寿命预测方法,基于设备运行数据、环境监测数据等多影响因素对钢管束生产设备进行实时快速的疲劳周期分析与预测,并对故障触发关键原因进行诊断与预警,提高了数据管理规范度、计算实时性与设备管理效率,为钢管束设备的正常生产运营提供了保障。

Description

钢管束生产设备的寿命预测方法、系统、设备及存储介质
技术领域
本发明涉及工业生产技术领域,特别涉及一种钢管束生产设备的寿命预测方法、系统、设备及存储介质。
背景技术
钢管束生产线由U型钢成型机、组立机、焊接机、割孔机等多种设备组成。钢管束的生产依赖于各设备的正常运转,若有设备因疲劳导致加工能力下降甚至停机,必然对整条生产线带来极大的影响。
钢管束生产设备当前的维护与检修主要依赖人工周期性查看,然而,周期性巡检费时费力,设备疲劳问题发现时间滞后,响应速度慢,无法提前对设备问题进行预警,在高负荷生产时难以抵抗风险。另外,生产环境复杂,设备受影响因素众多,环境变化与生产强度不同也会导致疲劳周期的变化,且难以对设备疲劳原因进行诊断,多监测参数也会导致计算复杂度高、模型更新实时性低等问题。
发明内容
本申请实施例提供了一种钢管束生产设备的寿命预测方法、系统、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种钢管束生产设备的寿命预测方法,包括:
获取钢管束生产过程中的设备运行数据以及环境数据;
将设备运行数据以及环境数据组成的多维数据流输入寿命预测模型,寿命预测模型计算多维数据流对应的权重向量以及隐藏变量的个数,根据权重向量以及隐藏变量的个数计算多维数据流对应的隐藏变量;根据隐藏变量计算钢管束生产设备的剩余寿命,得到预测的剩余寿命以及寿命影响因素;
其中,寿命预测模型计算多维数据流对应的权重向量以及隐藏变量的个数,包括:初始化多维数据流对应的权重向量和隐藏变量的个数,根据初始化后的权重向量计算隐藏变量,根据计算出来的隐藏变量计算能量值以及误差值,根据能量值、误差值以及隐藏变量更新初始化后的权重向量,得到计算出来的多维数据流对应的权重向量;根据计算出来的隐藏变量计算还原的输入值和还原度,当还原度大于第一阈值时,隐藏变量的个数减1,当还原度低于第二阈值时,隐藏变量的个数加1;
根据预测的剩余寿命以及寿命影响因素进行故障预警。
在一个可选地实施例中,根据权重向量以及隐藏变量的个数计算多维数据流对应的隐藏变量,包括:根据如下公式计算多维数据流对应的隐藏变量:
Figure DEST_PATH_IMAGE001
其中,
Figure DEST_PATH_IMAGE002
表示t时刻的隐藏变量,
Figure DEST_PATH_IMAGE003
表示权重向量,
Figure DEST_PATH_IMAGE004
表示t时刻的n维数据流,
Figure DEST_PATH_IMAGE005
, k表示隐藏变量的个数。
在一个可选地实施例中,根据隐藏变量计算钢管束生产设备的剩余寿命,包括:根据如下公式计算钢管束生产设备的剩余寿命:
Figure DEST_PATH_IMAGE006
其中,
Figure DEST_PATH_IMAGE007
表示t时刻钢管束生产设备的剩余寿命,
Figure DEST_PATH_IMAGE008
表示t时刻的隐藏变量,
Figure DEST_PATH_IMAGE009
是满足正态分布的变量,表征寿命随时间退化的斜率,
Figure DEST_PATH_IMAGE010
为常数,a为权重参数,可根据最小二乘法确定。
在一个可选地实施例中,将设备运行数据以及环境数据输入寿命预测模型,得到预测的寿命影响因素,包括:
寿命预测模型根据每个维度的数据流对应的权重向量与权重参数的乘积,得到每个维度的数据对寿命的影响程度;
按照每个维度的数据对寿命的影响程度从大到小排序,将排在前面的预设数量个维度数据对应的因素作为预测的寿命影响因素。
在一个可选地实施例中,根据预测的剩余寿命以及寿命影响因素进行故障预警,包括:
根据预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息;
将预警信息以及维修指示信息发送到客户端。
第二方面,本申请实施例提供了一种钢管束生产设备的寿命预测系统,包括:
数据采集模块、通信模块、服务器以及客户端;
其中,数据采集模块用于采集钢管束生产过程中的设备运行数据以及环境数据;
通信模块用于将数据采集模块采集的设备运行数据以及环境数据发送到服务器;
服务器用于获取钢管束生产过程中的设备运行数据以及环境数据,将设备运行数据以及环境数据组成的多维数据流输入寿命预测模型,寿命预测模型计算多维数据流对应的权重向量以及隐藏变量的个数,根据权重向量以及隐藏变量的个数计算多维数据流对应的隐藏变量;根据隐藏变量计算钢管束生产设备的剩余寿命,得到预测的剩余寿命以及寿命影响因素;
其中,寿命预测模型计算多维数据流对应的权重向量以及隐藏变量的个数,包括:初始化多维数据流对应的权重向量和隐藏变量的个数,根据初始化后的权重向量计算隐藏变量,根据计算出来的隐藏变量计算能量值以及误差值,根据能量值、误差值以及隐藏变量更新初始化后的权重向量,得到计算出来的多维数据流对应的权重向量;根据计算出来的隐藏变量计算还原的输入值和还原度,当还原度大于第一阈值时,隐藏变量的个数减1,当还原度低于第二阈值时,隐藏变量的个数加1;根据预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息,将预警信息以及维修指示信息发送到客户端;
客户端用于接收预警信息以及维修指示信息。
第三方面,本申请实施例提供了一种钢管束生产设备的寿命预测设备,包括处理器和存储有程序指令的存储器,处理器被配置为在执行程序指令时,执行上述实施例提供的钢管束生产设备的寿命预测方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机可读指令,计算机可读指令被处理器执行以实现上述实施例提供的一种钢管束生产设备的寿命预测方法。
本申请实施例提供的技术方案可以包括以下有益效果:
根据本申请实施例提供的生产设备寿命预测方法,可以对传感器采集的数据进行统一解析,基于设备运行数据、环境监测数据等多影响因素对钢管束生产设备进行实时快速的疲劳周期分析与预测,并对故障触发关键原因进行诊断与预警,降低了设备接入难度,提高了数据管理规范度、计算实时性与设备管理效率,为钢管束设备的正常生产运营提供了保障。且本申请中的寿命预测模型,对于新增输入,无需重新对整个模型进行训练,而是利用新增数据增量式更新参数,降低了算法的计算复杂度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
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,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种钢管束生产设备的寿命预测方法的流程示意图;
图2是根据一示例性实施例示出的一种钢管束生产设备的寿命预测方法的流程示意图;
图3是根据一示例性实施例示出的一种数据采集与解析方法的示意图;
图4是根据一示例性实施例示出的一种寿命预测模型的计算方法示意图;
图5是根据一示例性实施例示出的一种诊断预警方法的示意图;
图6是根据一示例性实施例示出的一种钢管束生产设备的寿命预测系统的结构示意图;
图7是根据一示例性实施例示出的一种钢管束生产设备的寿命预测设备的结构示意图;
图8是根据一示例性实施例示出的一种计算机存储介质的示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
目前,钢管束生产设备的维护与检修主要依赖人工周期性查看,然而,周期性巡检费时费力,设备疲劳问题发现时间滞后,响应速度慢,无法提前对设备问题进行预警,在高负荷生产时难以抵抗风险。另外,生产环境复杂,设备受影响因素众多,环境变化与生产强度不同也会导致疲劳周期的变化,且难以对设备疲劳原因进行诊断,多监测参数也会导致计算复杂度高、模型更新实时性低等问题。
基于此,本申请实施例提供了一种增量式多参数融合的钢管束生产设备的寿命预测方法,基于设备运行数据、环境监测数据等多影响因素对钢管束生产设备进行实时快速的疲劳周期分析与预测,并对故障触发关键原因进行诊断与预警,成为了钢管束设备自动化监测、维护与保障正常生产的关键。
下面将结合附图对本申请实施例提供的钢管束生产设备的寿命预测方法进行详细介绍。参见图1,该方法具体包括以下步骤。
S101获取钢管束生产过程中的设备运行数据以及环境数据。
在一种可能的实现方式中,利用设备所搭载的控制器或传感器采集设备生产节拍、加工次数、开机时间、生产型材类型、过热状态、故障时间等运行指标数据,得到钢管束生产过程中的设备运行数据。同时利用温度、湿度、粉尘、压力等传感器感知生产环境指标数据,得到环境数据。采集的设备运行数据以及环境数据均为流数据。
进一步地,通过提供统一的面向数据的抽象编程,对传感器数据接口差异进行屏蔽,对各传感器采集的流数据进行规范化接入,所述流数据包括指标名称、指标单位、时间、数值、设备标识码等。
进一步地,对接入的多源异构数据进行规范化的解析和结构化处理,包括对异常数据进行删除、填充、修正等预处理,对预处理后的数据进行格式转换,得到结构化的数据等。在一个实施例中,对于时间t,所采集的多维数据流为
Figure DEST_PATH_IMAGE011
图3是根据一示例性实施例示出的一种数据采集与解析方法的示意图,如图3所示,首先可以通过传感器采集设备的运行数据以及环境数据,然后通过提供统一的面向数据的抽象编程,对传感器数据接口差异进行屏蔽,对各传感器采集的流数据进行规范化接入,并对接入的数据进行解析与结构化。根据该步骤,可以对多种类型的传感器数据进行统一解析,降低了设备接入难度,提高了数据管理规范度。
S102将设备运行数据以及环境数据输入寿命预测模型,得到预测的剩余寿命以及寿命影响因素。
在一个可选地实施例中,首先,将设备运行数据以及环境数据组成的多维数据流
Figure DEST_PATH_IMAGE012
输入寿命预测模型。
进一步地,寿命预测模型计算多维数据流对应的权重向量。
具体地,初始化多维数据流对应的权重向量和隐藏变量的个数,根据初始化后的权重向量计算隐藏变量,根据计算出来的隐藏变量计算能量值以及误差值,根据能量值、误差值以及隐藏变量更新初始化后的权重向量,得到计算出来的多维数据流对应的权重向量。
进一步地,根据计算出来的隐藏变量计算还原的输入值和还原度,当还原度大于第一阈值时,隐藏变量的个数减1,当还原度低于第二阈值时,隐藏变量的个数加1。
在一种可能的实现方式中,初始化
Figure DEST_PATH_IMAGE013
,隐藏变量个数
Figure DEST_PATH_IMAGE014
Figure DEST_PATH_IMAGE015
维权重向量
Figure DEST_PATH_IMAGE016
初始化为单位向量,其中,
Figure DEST_PATH_IMAGE017
Figure DEST_PATH_IMAGE018
,…,
Figure DEST_PATH_IMAGE019
,初始化能量值
Figure DEST_PATH_IMAGE020
进一步地,获取当前时刻
Figure DEST_PATH_IMAGE021
的n维输入流数据
Figure DEST_PATH_IMAGE022
,根据初始化后的权重向量对n维输入流数据进行降维,计算可以描述原输入的隐藏变量
Figure DEST_PATH_IMAGE023
,降低计算复杂度。
然后根据计算出来的隐藏变量更新能量值,能量值
Figure DEST_PATH_IMAGE024
,并计算误差值
Figure DEST_PATH_IMAGE025
,根据计算出来的能量值、误差值以及隐藏变量更新权重向量,
Figure DEST_PATH_IMAGE026
进一步地,计算由隐藏变量还原的输入值
Figure DEST_PATH_IMAGE027
,并计算还原度
Figure DEST_PATH_IMAGE028
;根据计算的还原度判断是否调整隐藏变量的个数取值k,当还原度大于第一阈值时,隐藏变量的个数减1,当还原度小于第二阈值时,隐藏变量的个数加1。例如,当
Figure DEST_PATH_IMAGE029
时,
Figure DEST_PATH_IMAGE030
,当
Figure DEST_PATH_IMAGE031
时,
Figure DEST_PATH_IMAGE032
进一步地,对当前时刻输入的n维数据流进行降维,计算多维数据流对应的隐藏变量。在一个可选地实施例中,根据权重向量计算多维数据流对应的隐藏变量,包括:根据如下公式计算多维数据流对应的隐藏变量:
Figure DEST_PATH_IMAGE033
其中,
Figure DEST_PATH_IMAGE034
表示t时刻的隐藏变量,
Figure DEST_PATH_IMAGE035
表示权重向量,
Figure DEST_PATH_IMAGE036
表示t时刻的n维数据流,
Figure DEST_PATH_IMAGE037
, k表示隐藏变量的个数。
最后,根据隐藏变量计算钢管束生产设备的剩余寿命。
在一个可选地实施例中,根据隐藏变量计算钢管束生产设备的剩余寿命,包括:根据如下公式计算钢管束生产设备的剩余寿命:
Figure DEST_PATH_IMAGE038
其中,
Figure DEST_PATH_IMAGE039
表示t时刻钢管束生产设备的剩余寿命,
Figure 419857DEST_PATH_IMAGE008
表示t时刻的隐藏变量,
Figure 930473DEST_PATH_IMAGE009
是满足正态分布的变量,表征寿命随时间退化的斜率,
Figure 913472DEST_PATH_IMAGE010
为常数,a为权重参数,可根据最小二乘法确定。
在一个可选地实施方式中,可根据下述公式计算预测寿命:
Figure DEST_PATH_IMAGE040
其中,
Figure 918469DEST_PATH_IMAGE039
表示t时刻钢管束生产设备的剩余寿命,
Figure DEST_PATH_IMAGE041
表示t时刻的n维数据流,
Figure 529579DEST_PATH_IMAGE009
是满足正态分布的变量,表征寿命随时间退化的斜率,
Figure 617620DEST_PATH_IMAGE010
为常数,a为权重参数,可根据最小二乘法确定,
Figure DEST_PATH_IMAGE042
为a与w的乘积。
在一个实施例中,针对t+1时刻新输入数据
Figure DEST_PATH_IMAGE043
进行对隐藏变量
Figure DEST_PATH_IMAGE044
的增量式计算,模型参数自动更新,获得新的剩余寿命
Figure DEST_PATH_IMAGE045
图4是根据一示例性实施例示出的一种寿命预测模型的计算方法示意图,如图4所示,模型的计算方法包括如下步骤。
(a):进行初始化,初始化
Figure 494441DEST_PATH_IMAGE013
,隐藏变量数量
Figure 958920DEST_PATH_IMAGE014
Figure 96640DEST_PATH_IMAGE015
维权重向量
Figure DEST_PATH_IMAGE046
初始化为单位向量,其中,
Figure DEST_PATH_IMAGE047
Figure DEST_PATH_IMAGE048
,…,
Figure DEST_PATH_IMAGE049
,初始化能量值
Figure 699791DEST_PATH_IMAGE020
(b):获取当前时刻
Figure 719700DEST_PATH_IMAGE021
的n维输入流数据
Figure 535340DEST_PATH_IMAGE022
,根据初始化后的权重向量对n维输入流数据进行降维,计算可以描述原输入的隐藏变量
Figure 527567DEST_PATH_IMAGE023
,降低计算复杂度。
(c):根据计算出来的隐藏变量更新能量值,能量值
Figure 222990DEST_PATH_IMAGE024
,并计算误差值
Figure 792512DEST_PATH_IMAGE025
,根据计算出来的能量值、误差值以及隐藏变量更新权重向量,
Figure 536477DEST_PATH_IMAGE026
(d):判断
Figure DEST_PATH_IMAGE050
是否成立,若成立,则
Figure DEST_PATH_IMAGE051
,并跳转至步骤b,否则跳转至步骤e;
(e):计算由隐藏变量还原的输入值
Figure DEST_PATH_IMAGE052
,并计算还原度
Figure 258577DEST_PATH_IMAGE028
(f):根据计算的还原度判断是否调整隐藏变量的个数取值k,若
Figure DEST_PATH_IMAGE053
,则
Figure DEST_PATH_IMAGE054
,若
Figure DEST_PATH_IMAGE055
,则
Figure 734688DEST_PATH_IMAGE032
(g):构建考虑设备运行数据与生产环境数据的设备寿命预测模型,预测剩余寿命
Figure DEST_PATH_IMAGE056
Figure DEST_PATH_IMAGE057
其中,
Figure 791506DEST_PATH_IMAGE039
表示t时刻钢管束生产设备的剩余寿命,
Figure 73583DEST_PATH_IMAGE008
表示t时刻的隐藏变量,
Figure 837140DEST_PATH_IMAGE009
是满足正态分布的变量,表征寿命随时间退化的斜率,
Figure 952994DEST_PATH_IMAGE010
为常数,a为权重参数,可根据最小二乘法确定。
(h):判断是否继续获取数据,若是则
Figure DEST_PATH_IMAGE058
,并跳转至步骤b,否则结束。
可见,本申请中的寿命预测模型,对于新增输入,无需像传统的降维方法利用新增数据和历史数据作为输入向量并进行协方差矩阵分解,而是基于流数据的新增值进行增量式模型参数更新,能够对实时数据有更及时的响应,且降低了算法的计算复杂度。
在一个可选地实施例中,还可以根据每个维度的数据流对应的权重向量与权重参数的乘积,得到每个维度的数据对寿命的影响程度。例如,
Figure 372474DEST_PATH_IMAGE040
其中,
Figure DEST_PATH_IMAGE059
为权重参数a与权重向量w的乘积,表示每个维度的数据对寿命的影响程度。数值越大代表对寿命影响程度越高,当权重为正时,采集指标与寿命为正相关,当权重为负时,采集指标与寿命为负相关。
在一种可能的实现方式中,按照每个维度的数据对寿命的影响程度从大到小排序,将排在前面的预设数量个维度数据对应的因素作为预测的寿命影响因素。例如,可以将影响程度较大的前三个因素作为寿命影响因素,也可以将影响程度最大的第一个因素作为寿命影响因素。
根据该步骤,利用降维算法对采集数据进行降维,并基于知识库对设备寿命进行预测与分析,为钢管束设备的正常生产运营提供了保障。
S103根据预测的剩余寿命以及寿命影响因素进行故障预警。
在一种可能的实现方式中,根据寿命预测结果,结合内部预设的专家知识库,进行数据分析,专家知识库可以根据预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息,对设备使用、检修及更换情况进行建议和预警,并将预警信息以及维修指示信息发送到客户端。
图5是根据一示例性实施例示出的一种诊断预警方法的示意图,如图5所示,首先,获取钢结构生产过程中的设备运行数据以及环境数据,将所述设备运行数据以及环境数据输入构建的寿命预测模型,得到预测的剩余寿命,并诊断出寿命影响因素。专家知识库可以根据预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息,对设备使用、检修及更换情况进行建议和预警。
为了便于理解本申请实施例提供的钢管束生产设备的寿命预测方法,下面结合附图2进行说明。如图2所示,该方法包括如下步骤。
首先,通过钢结构生产设备上的控制器和传感器采集设备运行数据以及环境数据,然后通过提供统一的面向数据的抽象编程,对传感器数据接口差异进行屏蔽,对各传感器采集的流数据进行规范化接入,并对接入的数据进行解析与结构化。
进一步地,将数据传输到服务器进行分析预测。将设备运行数据以及环境数据输入寿命预测模型,得到预测的剩余寿命以及寿命影响因素。专家知识库可以根据预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息,对设备使用、检修及更换情况进行建议和预警。
根据本申请实施例提供的生产设备寿命预测方法,可以对传感器采集的数据进行统一解析,基于设备运行数据、环境监测数据等多影响因素对钢管束生产设备进行实时快速的疲劳周期分析与预测,并对故障触发关键原因进行诊断与预警,为钢管束设备的正常生产运营提供了保障。
本申请实施例还提供一种钢管束生产设备的寿命预测系统,图6是根据一示例性实施例示出的一种钢管束生产设备的寿命预测系统的结构示意图。
如图6所示,钢管束生产设备的寿命预测系统,包括:数据采集模块、通信模块、服务器以及客户端。
其中,数据采集模块包括设备控制器以及传感器,用于采集钢管束生产过程中的设备运行数据以及环境数据,并将采集到的设备运行数据和环境数据发送到通信模块。
通信模块用于将数据采集模块采集的设备运行数据以及环境数据发送到服务器,在一种可能的实现方式中,服务器包括计算服务器和存储服务器,先将采集的数据发送到计算服务器。
计算服务器用于获取钢管束生产过程中的设备运行数据以及环境数据,将设备运行数据以及环境数据组成的多维数据流输入寿命预测模型,寿命预测模型计算多维数据流对应的权重向量以及隐藏变量的个数,根据权重向量以及隐藏变量的个数计算多维数据流对应的隐藏变量;根据隐藏变量计算钢管束生产设备的剩余寿命,得到预测的剩余寿命以及寿命影响因素;
其中,寿命预测模型计算多维数据流对应的权重向量以及隐藏变量的个数,包括:初始化多维数据流对应的权重向量和隐藏变量的个数,根据初始化后的权重向量计算隐藏变量,根据计算出来的隐藏变量计算能量值以及误差值,根据能量值、误差值以及隐藏变量更新初始化后的权重向量,得到计算出来的多维数据流对应的权重向量;根据计算出来的隐藏变量计算还原的输入值和还原度,当还原度大于第一阈值时,隐藏变量的个数减1,当还原度低于第二阈值时,隐藏变量的个数加1。根据预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息。可以将预警信息以及维修指示信息存入存储服务器,也可以将预警信息以及维修指示信息发送到客户端。
客户端用于接收预警信息以及维修指示信息,也可以向存储服务器发送数据访问请求,获取预测结果与预警信息。
根据本申请实施例提供的生产设备寿命预测系统,可以对传感器采集的数据进行统一解析,基于设备运行数据、环境监测数据等多影响因素对钢管束生产设备进行实时快速的疲劳周期分析与预测,并对故障触发关键原因进行诊断与预警,为钢管束设备的正常生产运营提供了保障。
需要说明的是,上述实施例提供的钢管束生产设备的寿命预测系统在执行钢管束生产设备的寿命预测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的钢管束生产设备的寿命预测系统与钢管束生产设备的寿命预测方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供一种与前述实施例所提供的钢管束生产设备的寿命预测方法对应的电子设备,以执行上述钢管束生产设备的寿命预测方法。
请参考图7,其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图7所示,电子设备包括:处理器700,存储器701,总线702和通信接口703,处理器700、通信接口703和存储器701通过总线702连接;存储器701中存储有可在处理器700上运行的计算机程序,处理器700运行计算机程序时执行本申请前述任一实施例所提供的钢管束生产设备的寿命预测方法。
其中,存储器701可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口703(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线702可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中,存储器701用于存储程序,处理器700在接收到执行指令后,执行程序,前述本申请实施例任一实施方式揭示的钢管束生产设备的寿命预测方法可以应用于处理器700中,或者由处理器700实现。
处理器700可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器700中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器700可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701,处理器700读取存储器701中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的钢管束生产设备的寿命预测方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施例还提供一种与前述实施例所提供的钢管束生产设备的寿命预测方法对应的计算机可读存储介质,请参考图8,其示出的计算机可读存储介质为光盘800,其上存储有计算机程序(即程序产品),计算机程序在被处理器运行时,会执行前述任意实施例所提供的钢管束生产设备的寿命预测方法。
需要说明的是,计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的钢管束生产设备的寿命预测方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种钢管束生产设备的寿命预测方法,其特征在于,所述方法包括:
获取钢管束生产过程中的设备运行数据以及环境数据;
将所述设备运行数据以及环境数据组成的多维数据流输入寿命预测模型,所述寿命预测模型计算所述多维数据流对应的权重向量以及隐藏变量的个数,根据所述权重向量以及隐藏变量的个数计算所述多维数据流对应的隐藏变量;根据所述隐藏变量计算钢管束生产设备的剩余寿命,得到预测的剩余寿命以及寿命影响因素;
其中,所述寿命预测模型计算所述多维数据流对应的权重向量以及隐藏变量的个数,包括:
初始化
Figure 300231DEST_PATH_IMAGE001
,隐藏变量个数
Figure 539582DEST_PATH_IMAGE002
Figure 306681DEST_PATH_IMAGE003
维权重向量
Figure 224958DEST_PATH_IMAGE004
初始化为单位向量,其中,
Figure 1284DEST_PATH_IMAGE005
Figure 829563DEST_PATH_IMAGE006
,…,
Figure 157776DEST_PATH_IMAGE007
,初始化能量值
Figure 376399DEST_PATH_IMAGE008
获取当前时刻
Figure 487575DEST_PATH_IMAGE009
的n维输入流数据
Figure 170360DEST_PATH_IMAGE010
,根据初始化后的权重向量计算可以描述原输入的隐藏变量
Figure 951365DEST_PATH_IMAGE011
根据计算出来的隐藏变量更新能量值,能量值
Figure 578656DEST_PATH_IMAGE012
,并计算误差值
Figure 696784DEST_PATH_IMAGE013
,根据计算出来的能量值、误差值以及隐藏变量更新权重向量,
Figure 765234DEST_PATH_IMAGE014
计算由隐藏变量还原的输入值
Figure 435250DEST_PATH_IMAGE015
,并计算还原度
Figure 425203DEST_PATH_IMAGE016
当所述还原度大于第一阈值时,所述隐藏变量的个数减1,当所述还原度低于第二阈值时,所述隐藏变量的个数加1;
根据所述权重向量以及隐藏变量的个数计算所述多维数据流对应的隐藏变量,包括:根据如下公式计算多维数据流对应的隐藏变量:
Figure 940498DEST_PATH_IMAGE017
其中,
Figure 332296DEST_PATH_IMAGE018
表示t时刻的隐藏变量,
Figure 173213DEST_PATH_IMAGE019
表示权重向量,
Figure 447200DEST_PATH_IMAGE020
表示t时刻的n维数据流,
Figure 907131DEST_PATH_IMAGE021
, k表示隐藏变量的个数;
根据所述隐藏变量计算钢管束生产设备的剩余寿命,包括:根据如下公式计算钢管束生产设备的剩余寿命:
Figure 278069DEST_PATH_IMAGE022
其中,
Figure 899675DEST_PATH_IMAGE023
表示t时刻钢管束生产设备的剩余寿命,
Figure 723274DEST_PATH_IMAGE024
表示t时刻的隐藏变量,
Figure 986897DEST_PATH_IMAGE025
是满足正态分布的变量,表征寿命随时间退化的斜率,
Figure 884445DEST_PATH_IMAGE026
为常数,a为权重参数,可根据最小二乘法确定;
根据所述预测的剩余寿命以及寿命影响因素进行故障预警。
2.根据权利要求1所述的方法,其特征在于,将所述设备运行数据以及环境数据输入寿命预测模型,得到预测的寿命影响因素,包括:
所述寿命预测模型根据每个维度的数据流对应的权重向量与权重参数的乘积,得到每个维度的数据对寿命的影响程度;
按照每个维度的数据对寿命的影响程度从大到小排序,将排在前面的预设数量个维度数据对应的因素作为预测的寿命影响因素。
3.根据权利要求1所述的方法,其特征在于,根据所述预测的剩余寿命以及寿命影响因素进行故障预警,包括:
根据所述预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息;
将所述预警信息以及维修指示信息发送到客户端。
4.一种钢管束生产设备的寿命预测系统,其特征在于,包括:
数据采集模块、通信模块、服务器以及客户端;
其中,所述数据采集模块用于采集钢管束生产过程中的设备运行数据以及环境数据;
所述通信模块用于将数据采集模块采集的设备运行数据以及环境数据发送到所述服务器;
所述服务器用于获取钢管束生产过程中的设备运行数据以及环境数据,将所述设备运行数据以及环境数据组成的多维数据流输入寿命预测模型,所述寿命预测模型计算所述多维数据流对应的权重向量以及隐藏变量的个数,根据所述权重向量以及隐藏变量的个数计算所述多维数据流对应的隐藏变量;根据所述隐藏变量计算钢管束生产设备的剩余寿命,得到预测的剩余寿命以及寿命影响因素;
其中,所述寿命预测模型计算所述多维数据流对应的权重向量以及隐藏变量的个数,包括:
初始化
Figure 801586DEST_PATH_IMAGE027
,隐藏变量个数
Figure 253427DEST_PATH_IMAGE028
Figure 851898DEST_PATH_IMAGE029
维权重向量
Figure 931850DEST_PATH_IMAGE030
初始化为单位向量,其中,
Figure 426416DEST_PATH_IMAGE031
Figure 224608DEST_PATH_IMAGE032
,…,
Figure 830033DEST_PATH_IMAGE033
,初始化能量值
Figure 498912DEST_PATH_IMAGE034
获取当前时刻
Figure 937679DEST_PATH_IMAGE035
的n维输入流数据
Figure 98533DEST_PATH_IMAGE010
,根据初始化后的权重向量计算可以描述原输入的隐藏变量
Figure 366704DEST_PATH_IMAGE011
根据计算出来的隐藏变量更新能量值,能量值
Figure 296614DEST_PATH_IMAGE012
,并计算误差值
Figure 992037DEST_PATH_IMAGE013
,根据计算出来的能量值、误差值以及隐藏变量更新权重向量,
Figure 374608DEST_PATH_IMAGE014
计算由隐藏变量还原的输入值
Figure 118573DEST_PATH_IMAGE036
,并计算还原度
Figure 27623DEST_PATH_IMAGE016
当所述还原度大于第一阈值时,所述隐藏变量的个数减1,当所述还原度低于第二阈值时,所述隐藏变量的个数加1;
根据所述权重向量以及隐藏变量的个数计算所述多维数据流对应的隐藏变量,包括:根据如下公式计算多维数据流对应的隐藏变量:
Figure 566052DEST_PATH_IMAGE037
其中,
Figure 232657DEST_PATH_IMAGE018
表示t时刻的隐藏变量,
Figure 249154DEST_PATH_IMAGE019
表示权重向量,
Figure 153656DEST_PATH_IMAGE020
表示t时刻的n维数据流,
Figure 331828DEST_PATH_IMAGE021
, k表示隐藏变量的个数;
根据所述隐藏变量计算钢管束生产设备的剩余寿命,包括:根据如下公式计算钢管束生产设备的剩余寿命:
Figure 485729DEST_PATH_IMAGE022
其中,
Figure 571496DEST_PATH_IMAGE038
表示t时刻钢管束生产设备的剩余寿命,
Figure 861664DEST_PATH_IMAGE024
表示t时刻的隐藏变量,
Figure 741895DEST_PATH_IMAGE025
是满足正态分布的变量,表征寿命随时间退化的斜率,
Figure 117513DEST_PATH_IMAGE039
为常数,a为权重参数,可根据最小二乘法确定;
根据所述预测的剩余寿命以及寿命影响因素,确定对应的预警信息以及维修指示信息,将所述预警信息以及维修指示信息发送到客户端;
所述客户端用于接收所述预警信息以及维修指示信息。
5.一种钢管束生产设备的寿命预测设备,其特征在于,包括处理器和存储有程序指令的存储器,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至3任一项所述的钢管束生产设备的寿命预测方法。
6.一种计算机可读介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令被处理器执行以实现如权利要求1至3任一项所述的一种钢管束生产设备的寿命预测方法。
CN202210352823.5A 2022-04-06 2022-04-06 钢管束生产设备的寿命预测方法、系统、设备及存储介质 Active CN114429249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210352823.5A CN114429249B (zh) 2022-04-06 2022-04-06 钢管束生产设备的寿命预测方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210352823.5A CN114429249B (zh) 2022-04-06 2022-04-06 钢管束生产设备的寿命预测方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114429249A CN114429249A (zh) 2022-05-03
CN114429249B true CN114429249B (zh) 2022-08-16

Family

ID=81314361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210352823.5A Active CN114429249B (zh) 2022-04-06 2022-04-06 钢管束生产设备的寿命预测方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114429249B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034525B (zh) * 2022-08-11 2022-11-22 宝信软件(南京)有限公司 基于数据分析的钢管订单生产工期预测监管系统及方法
CN115982942B (zh) * 2022-11-25 2023-07-14 浙江长龙航空有限公司 航空预冷器剩余寿命预测的方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019202553A1 (en) * 2018-04-19 2019-10-24 Seacoast Banking Corporation of Florida Predictive data analysis using value-based predictive inputs
CN110647133A (zh) * 2019-09-09 2020-01-03 深圳市永达电子信息股份有限公司 轨道交通设备状态检测维护方法及系统
CN111814849A (zh) * 2020-06-22 2020-10-23 浙江大学 一种基于da-rnn的风电机组关键组件故障预警方法
CN113239534A (zh) * 2021-05-08 2021-08-10 上海电气风电集团股份有限公司 风力发电机组的故障、寿命预测方法和装置
CN113344295A (zh) * 2021-06-29 2021-09-03 华南理工大学 基于工业大数据的设备剩余寿命预测方法、系统及介质
CN114154415A (zh) * 2021-12-01 2022-03-08 新智我来网络科技有限公司 设备寿命的预测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9058568B2 (en) * 2012-12-11 2015-06-16 International Business Machines Corporation System and method for maintenance planning and failure prediction for equipment subject to periodic failure risk
JP7319757B2 (ja) * 2016-12-05 2023-08-02 株式会社日立製作所 データ処理システム及びデータ処理方法
CN110197288B (zh) * 2019-05-30 2023-06-02 重庆大学 故障影响下设备的剩余使用寿命预测方法
CN110413227B (zh) * 2019-06-22 2021-06-11 华中科技大学 一种硬盘设备的剩余使用寿命在线预测方法和系统
CN112713649B (zh) * 2020-10-22 2022-08-09 国网浙江省电力有限公司嘉兴供电公司 一种基于极限学习机的电力设备剩余寿命预测方法
CN114021784A (zh) * 2021-10-22 2022-02-08 华能(浙江)能源开发有限公司清洁能源分公司 设备的剩余使用寿命的确定方法、装置和电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019202553A1 (en) * 2018-04-19 2019-10-24 Seacoast Banking Corporation of Florida Predictive data analysis using value-based predictive inputs
CN110647133A (zh) * 2019-09-09 2020-01-03 深圳市永达电子信息股份有限公司 轨道交通设备状态检测维护方法及系统
CN111814849A (zh) * 2020-06-22 2020-10-23 浙江大学 一种基于da-rnn的风电机组关键组件故障预警方法
CN113239534A (zh) * 2021-05-08 2021-08-10 上海电气风电集团股份有限公司 风力发电机组的故障、寿命预测方法和装置
CN113344295A (zh) * 2021-06-29 2021-09-03 华南理工大学 基于工业大数据的设备剩余寿命预测方法、系统及介质
CN114154415A (zh) * 2021-12-01 2022-03-08 新智我来网络科技有限公司 设备寿命的预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
考虑突变状态检测的齿轮实时剩余寿命预测;石慧等;《振动与冲击》;20171115(第21期);第186-191页 *

Also Published As

Publication number Publication date
CN114429249A (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
CN114429249B (zh) 钢管束生产设备的寿命预测方法、系统、设备及存储介质
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
KR20180108446A (ko) Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법
CN111878320B (zh) 风力发电机组的监控方法、系统及计算机可读存储介质
CN111382494A (zh) 用于检测工业机器的感知数据中的异常的系统及方法
CN114936758A (zh) 风电机组健康状态评估方法、装置及电子设备
CN113656389B (zh) 一种智能工厂异常数据处理方法、装置、系统及存储介质
CN115358155A (zh) 一种电力大数据异常预警方法、装置、设备及可读存储介质
CN113196311A (zh) 用于识别和预测机器的异常感测行为模式的系统和方法
CN116292241A (zh) 一种输油泵机组的故障诊断预警方法及系统
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
CN117556366B (zh) 基于数据筛选的数据异常检测系统及方法
CN111198979A (zh) 一种用于对输变电可靠性评估大数据进行清洗的方法及系统
CN107121616B (zh) 一种用于对智能仪表进行故障定位的方法和装置
KR20230075150A (ko) 시스템 건전성을 관리하기 위한 방법 및 장치
CN111382946B (zh) 设备健康状态的自主评估方法、系统及工业互联网设备
CN114330569A (zh) 一种检测风机组部件故障的方法、设备及存储介质
CN116047313B (zh) 一种用于锂电池储能箱的质量检测和维护方法及系统
CN113447813B (zh) 海上风力发电机组的故障诊断方法及设备
KR102667861B1 (ko) 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법
CN116166655B (zh) 大数据清洗系统
CN116070897A (zh) 基于异常检测算法的订单风控方法、装置、和存储介质
CN117869037A (zh) 船用发动机机油压力监控方法、装置与存储介质
CN117668579A (zh) 基于mest多旋翼无人机故障诊断方法、设备及存储介质
CN117828465A (zh) 异常检测方法、装置、设备及计算机可读存储介质

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
TR01 Transfer of patent right

Effective date of registration: 20230728

Address after: Room 101, building 1, block C, Qianjiang Century Park, ningwei street, Xiaoshan District, Hangzhou City, Zhejiang Province

Patentee after: Hangzhou Weiming Information Technology Co.,Ltd.

Patentee after: Institute of Information Technology, Zhejiang Peking University

Patentee after: HANGXIAO STEEL STRUCTURE Co.,Ltd.

Address before: Room 101, building 1, block C, Qianjiang Century Park, ningwei street, Xiaoshan District, Hangzhou City, Zhejiang Province

Patentee before: Hangzhou Weiming Information Technology Co.,Ltd.

Patentee before: Institute of Information Technology, Zhejiang Peking University

TR01 Transfer of patent right