CN114493049A - 基于数字孪生的产线优化方法、装置、电子设备及介质 - Google Patents
基于数字孪生的产线优化方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114493049A CN114493049A CN202210358331.7A CN202210358331A CN114493049A CN 114493049 A CN114493049 A CN 114493049A CN 202210358331 A CN202210358331 A CN 202210358331A CN 114493049 A CN114493049 A CN 114493049A
- Authority
- CN
- China
- Prior art keywords
- data
- production
- factory
- benefit value
- value
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
本发明公开了基于数字孪生的产线优化方法、装置、电子设备及介质。该方法包括:获取工厂的历史生产数据,根据历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;将工厂的测试生产数据输入虚拟数据模型,得到测试生产数据对应的预测结果;确定预测结果对应的预测效益值,并确定预测效益值是否满足有效条件;当预测效益值满足有效条件,则将虚拟数据模型对应的生产参数映射到工厂的产线中,以对工厂的产线进行数据优化。即,本发明实施例,通过虚拟数据模型对工厂产线进行模拟,再通过利用预测效益值确定是否将虚拟数据模型的生产参数是否映射到工厂产线中,实现生产数据对产线优化,有效的提高物料的使用率和产品质量,并提高工厂的收益。
Description
技术领域
本发明实施例涉及计算机技术,尤其涉及基于数字孪生的产线优化方法、装置、电子设备及介质。
背景技术
随着家用电器的畅销,洗衣机在家用电器的地位与日俱增必要电器,洗衣机的制造成为实业中一大工厂产业。在洗衣机生产过程中,由于生产物料品类多、形态多、数量多,可以看出生产物料成本的控制直接决定企业的时长竞争力。现有的大数据企业对生产物料监控,仅是从用企业管理系统和工业互联网系统,利用条码和数据采集的方式对生产物料进行跟踪,这些系统多数呈现的是生产物料出入、库存、生产和方位的数据,通过数据分析来控制和优化生产物料在生产过程中全流程的消耗、库位和剩余。虽然在一定程度上能够优化生产物料的使用,降低产线的生产成本,但是缺乏对产线生产全生命周期物料使用的深度嵌入,既无法衔接和关联产线各生产工序的生产数据,同时无法动态的适应不断变化的生产环境,实时的提供决策依据优化产线生产物料的使用及生产工艺流程,而且利用数据分析无法直观的展示生产线的运行状态、物料的使用情况。
发明内容
本发明提供基于数字孪生的产线优化方法、装置、电子设备及介质,以实现利用生产数据对工厂产线的优化,可以更精准有效的提高物料的使用率和产品质量,并整体提高工厂的收益。
第一方面,本发明实施例提供了基于数字孪生的产线优化方法,该方法包括:
获取工厂的历史生产数据,根据所述历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;
将所述工厂的测试生产数据输入所述虚拟数据模型,得到所述测试生产数据对应的预测结果;
确定所述预测结果对应的预测效益值,并确定所述预测效益值是否满足有效条件;
当所述预测效益值满足有效条件,则将所述虚拟数据模型对应的生产参数映射到所述工厂的产线中,以对所述工厂的产线进行数据优化。
进一步的,根据所述历史生产数据对所述工厂动态模型进行训练,得到所述虚拟数据模型,包括:
将所述历史生产数据进行数据预处理,得到训练数据;
根据所述训练数据对所述工厂动态模型进行训练,得到所述虚拟数据模型。
进一步的,将所述历史生产数据进行数据预处理,得到训练数据,包括:
将所述历史生产数据进行数据预处理,得到清洗数据,所述数据预处理包括消冗余数据和提取数据特征;
根据所述清洗数据的数据特征从所述清洗数据中筛选出所述训练数据。
进一步的,确定所述预测效益值是否满足有效条件,包括:
确定所述预测效益值是否大于预设效益阈值;
当所述预测效益值大于所述预设效益阈值,确定所述预设效益阈值是否大于实际效益值;
当所述预设效益阈值不大于所述实际效益值时,确定所述预测效益值是否大于所述实际效益值;
当所述预测效益值大于所述实际效益值,则所述预测效益值满足有效条件。
进一步的,确定所述预测结果对应的预测效益值,包括:
确定所述预测结果中物料的输入量价值、能源消耗和所述预测结果中输出产物的输出价值;
根据所述预测结果中物料的输入量价值、能源消耗和所述预测结果中输出产物的输出价值确定所述预测结果对应的预测效益值。
进一步的,根据所述预测结果中物料的输入量价值、能源消耗和所述预测结果中输出产物的输出价值确定所述预测结果对应的预测效益值V,包括:
其中,V为预测效益值,I为物料的输入量,S为物料的单位价格,E为生产过程中能源消耗,Y为输出产物的产量,P为输出产物的市场价格,i为第i种输出产物,n为大于1正整数,为第i种输出产物的产量,为第i中输出产物的市场价格。
进一步的,获取工厂的历史生产数据之前,还包括:
获取所述工厂的设备信息、业务逻辑结构和生产工艺流程;
根据所述设备信息和所述业务逻辑结构搭架所述工厂的设备流水线;
根据所述设备流水线和所述生产工艺流程形成所述工厂的工厂动态模型。
第二方面,本发明实施例还提供了基于数字孪生的产线优化装置,该装置包括:
模型训练模块,用于获取工厂的历史生产数据,根据所述历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;
预测获取模块,用于将所述工厂的测试生产数据输入所述虚拟数据模型,得到所述测试生产数据对应的预测结果;
有效判断模块,用于确定所述预测结果对应的预测效益值,并确定所述预测效益值是否满足有效条件;
产线优化模块,用于当所述预测效益值满足有效条件,则将所述虚拟数据模型对应的生产参数映射到所述工厂的产线中,以对所述工厂的产线进行数据优化。
第三方面,本发明实施例还提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现所述的基于数字孪生的产线优化方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的基于数字孪生的产线优化方法。
本发明实施例中,通过获取工厂的历史生产数据,根据历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;将工厂的测试生产数据输入虚拟数据模型,得到测试生产数据对应的预测结果;确定预测结果对应的预测效益值,并确定预测效益值是否满足有效条件;当预测效益值满足有效条件,则将虚拟数据模型对应的生产参数映射到工厂的产线中,以对工厂的产线进行数据优化。即,本发明实施例,通过历史生产数据训练虚拟数据模型对工厂产线进行模拟,并借用模型输出的测试数据对应的预测结果计算出的效益值确定虚拟数据模型是否满足有效条件,将满足有效条件的虚拟数据模型中的生产参数映射到工厂产线中,实现利用生产数据对工厂产线的优化,可以更精准有效的提高物料的使用率和产品质量,并整体提高工厂的收益。
附图说明
图1是本发明实施例提供的基于数字孪生的产线优化方法的一个流程示意图;
图2是本发明实施例提供的基于数字孪生的产线优化方法的另一流程示意图;
图3是本发明实施例提供的基于数字孪生的产线优化装置的一个结构示意图;
图4是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的基于数字孪生的产线优化方法的一个流程示意图,该方法可以由本发明实施例提供的基于数字孪生的产线优化装置来执行,该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中,该装置可以集成在电子设备中,电子设备比如可以是服务器。以下实施例将以该装置集成在电子设备中为例进行说明,参考图1,该方法具体可以包括如下步骤:
S110、获取工厂的历史生产数据,根据历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;
示例地,工厂是进行产线生产的企业,可以对原始物料进行加工生产出商业产品的流水产线。其中,工厂的生产过程中具备工人、设备、物料、方法、环境和测试等多个生产因素。工厂的历史生产数据可以是工厂在实际生产过程中产生的数据信息,可以是工厂生产过程大数据和实际生产上设备运行的运行参数,该参数包括物料方面信息、人员方面信息、设备方面信息和环境方面信息,生产过程中大数据可以是物料方面:可以是物料配比、对应输入设备、制作时间、经历环节和输出对应设备等,也可以是人员方面:设置岗位、机器对应的人员配比和轮班次序等信息,还可以是设备方面:设备连接方式、设备运行逻辑、设备维修和设备运转规律等信息,还可以是环境方面:不同环境对应的产线的运行参数调整幅度等数据。其中,历史生产数据中的物料配比可以是产品生产过程中原料的比值,比如:制造面包是水、糖、黄油和各类面粉的重量之比;对应输入设备可以是制作物料的制作设备型号、功能等方面的信息;制作时间可以是物料在制作设备中运行的生产时间,比如:制造面包可以是30分钟;经历环节可以是制造产品物料所需要经历的环节,比如:制造面包时需要先对物料进行混合、发酵、造型、烤制和包装。设置岗位可以是根据机器的运转速度对于生产连接过程中需要人工介入的环节设置对应的岗位,比如:安全巡查岗、废料处理岗、运行监测岗和产品包装岗等信息数据;机器对应的人员配比可以是不同型号的机器根据实际环节中需求,各个岗位需要设置的人员,比如:一个生产车间的人员配比可以是8人。轮班次序可以是工厂在机器运转过程中人员的排班次序,可以是根据产品生产速度确定为2班倒和3班倒。设备的连接方式可以是根据产品的合同供给的需求确定该产线的时长,对于持续时间较长的产线选择物理连接方式,保证产线的稳定,对于持续时间较短的产线选择网络连接。设备运行逻辑可以是根据产品的物料比例和环节确定设备运行原理,比如:对于生鲜的制作需要先启动洗涤机器和在根据洗涤程度开启制作环节。设备维修和设备运转规律可以是设备维修时间、维修流程、设备运转过程中的运转基础原理。工厂动态模型可以是通过工厂实际生产线上的各个设备信息、业务逻辑结构和生产工艺流程数据等构架的基础的工厂运作模型,可以清晰的展示生成工厂对应产品的生产过程。虚拟数据模型可以是利用历史生产数据对工厂动态模型进行优化得到的模拟模型,根据实际需求和实验数据对工厂动态模型进行目标性的优化。
具体实现中,从待优化的工厂中获取工厂的历史生产数据,可以对获取到的历史生产数据进行数据处理,提高历史生产数据的数据质量,并根据实际需求筛选出历史生产数据中训练数据集,可以是根据随机森林算法对历史生产数据进行样本筛选得到训练数据集。根据训练数据集对工厂动态模型进行训练,得到虚拟数据模型,以便于从虚拟数据模型的生产参数和实际生产参数中确定出较优的生产参数对工厂产线进行优化。其中历史生产数据的获取,通过采集和监视工厂控制系统,获取生产全流程的设备工艺参数、物料种类与编码、各类PLC和传感器采集的设备与环境参数,其中,历史生产数据进行数据处理,还可以对历史生产数据进行格式化相应的格式化的统一。
本发明实施例中,可以是将历史生产数据中训练数据集作为工厂动态模型的输入对神经网络的参数进行训练,学习训练数据集中各参数之间的运行规律和内在联系,得到相应的运行原理,得到虚拟数据模型。在训练的过程中可以是根据历史生产数据中的单个因素进行训练,比如:对历史生产数据中的物料配比进行标记,将物料配比和产品质量输入工厂动态模型进行训练,工厂动态模型中的神经网络学习物料配比和产品质量之间的内在联系,得到用于输入产品物料配比的虚拟数据模型,其中,单个因素可以是历史生产数据中人任意一种类型的数据;当训练过程中使用历史生产数据中等多个因素进行训练,即根据实际需求标记需要预测因素,并将标记因素和其他数据输入工厂动态模型进行训练,工厂动态模型中的神经网络学习标记因素和其他数据之间的内在联系,得到多个因素的虚拟数据模型。其中,虚拟数据模型是根据实际需求确定预测结果中的信息类别。
本发明实施例中,根据历史生产数据对工厂动态模型进行训练,得到虚拟数据模型的训练过程中,通过强化算法在模拟的过程中找到历史生产数据中的物料配比的最优解,优化工厂的产线上的参数,提供工厂物料的使用效率和产品质量,结合生产过程中产生的废料。在优化生产参数的基础上,可以结合产线的价值流图,优化产线生产工艺流程,缩短产品开发周期,提供产线生产效率。其中,对虚拟数据模型的训练实现对工厂的产线上的几何、物理、行为、规则、状态等特征进行精确的模拟,实现实际生产线活动的数字化重建。
S120、将工厂的测试生产数据输入虚拟数据模型,得到测试生产数据对应的预测结果;
示例地,测试生产数据可以是历史生产数据中对虚拟数据模型进行测试的数据集,用于获取虚拟数据模型输出的测试数据对应的预测结果,其中,测试生产数据对应的预测结果可以是用来计算评价虚拟数据模型的生产参数的预测效益值的数据,其中,预测结果中数据类型和数据信息内容与历史生产数据中的一致,均是于实际工厂的生产线上各数据信息对应,并根据实际需求确定预测结果中数据类型和数据信息。比如:如果以物料的产出效益作为预测目标,其中,预测结果中可以包括输入物料对应的输出产品和输出产品的数量,预测结果中也可以包括输出物料对应的能源消耗量。
具体实现中,从工厂的历史生产数据中选取测试生产数据,将测试生产数据输入虚拟数据模型模拟工厂产线进行生产,当根据测试生产数据输入虚拟数据模型进行模拟工厂生产结束后,得到虚拟数据模型输出的测试数据对应的预测结果,以便于根据测试数据对应的预测结果计算预测结果对应的预测效益值,根据预测效益值判断虚拟数据模型的生产参数是否优于工厂实际生产参数,以便根据判断结果对工厂产线的生产参数进行优化。
S130、确定预测结果对应的预测效益值,并确定预测效益值是否满足有效条件;
示例地,预测结果对应的预测效益值可以是根据预测结果中的数据信息计算出的工厂对应的产品的效益值,其中,效益值的产生通过物料的输入量价值、能源消耗和预测结果中输出产物的输出价值进行确定的。其中,能量的消耗不仅是工厂产线上物料进行产线操作消耗的热能类的能量,还包括员工的劳务成本、设备的消耗等多种能源消耗。可以根据实际需求和实验数据预先设置预设效益阈值,通过预设效益值阈值确定预测效益是否满足有效条件。
具体实现中,可以将预测效益值与预设效益阈值进行比较,如果预测效益值大于预设效益阈值,则确定预测效益值对应的虚拟数据模型的生产参数符合工厂的运行标准,可以根据预测效益值与工厂的实际效益值进行比较确定预测效益值是否满足有效条件,反之,如果预测效益值小于预设效益阈值,则确定预测效益值对应的虚拟数据模型的生产参数不符合工厂的运行标准,则确定预测效益值不满足有效条件,不能将虚拟数据模型的生产参数映射到工厂的产线。
S140、当预测效益值满足有效条件,则将虚拟数据模型对应的生产参数映射到工厂的产线中,以对工厂的产线进行数据优化。
具体实现中,虚拟数据模型对应的生产参数可以是用于指导虚拟数据模型对测试数据进行模拟产线加工的参数,其中,生产参数包括产线的运行时间、物料配比、生产行为规则等参数。当预测效益值与预测效益阈值和实际效益值进行比较,确定出预测效益值满足有效条件,则说明虚拟数据模型的生产参数优于工厂实际使用的生产参数,则将虚拟数据模型的生产参数映射到工厂的产线中,映射后工厂的产线的生产参数为虚拟数据模型的生产参数,使得工厂的产线的生产参数进行更新,以对工厂的产线进行数据优化。其中,对工厂的产线进行数据优化可以是工厂的产线的物料配比方面的优化,也可以是对工厂的产线的整体优化,优化的针对性主要体现在数据预处理时,对数据样本的筛选和机器学习算法的训练。
本发明实施例中,虚拟数据模型对应的生产参数可以是基于虚拟数据模型进行训练过程中因素对应的数据,即如果对单个因素进行训练时,生产参数可以是标记的历史生产数据中的单个因素对应的数据,比如:对历史生产数据中的物料配比进行标记时,虚拟数据模型对应的生产参数即是物料配比;对多个因素进行训练时,生产参数可以是标记的历史生产数据中的数据信息。
本发明实施例中,通过获取工厂的历史生产数据,根据历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;将工厂的测试生产数据输入虚拟数据模型,得到测试生产数据对应的预测结果;确定预测结果对应的预测效益值,并确定预测效益值是否满足有效条件;当预测效益值满足有效条件,则将虚拟数据模型对应的生产参数映射到工厂的产线中,以对工厂的产线进行数据优化。即,本发明实施例,通过历史生产数据训练虚拟数据模型对工厂产线进行模拟,并借用模型输出的测试数据对应的预测结果计算出的效益值确定虚拟数据模型是否满足有效条件,将满足有效条件的虚拟数据模型中的生产参数映射到工厂产线中,实现利用生产数据对工厂产线的优化,可以更精准有效的提高物料的使用率和产品质量,并整体提高工厂的收益。
下面进一步描述本发明实施例提供的基于数字孪生的产线优化方法,如图2所示,该方法具体可以包括如下步骤:
S210、获取工厂的历史生产数据,根据历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;
进一步的,获取工厂的历史生产数据之前,还包括:
获取工厂的设备信息、业务逻辑结构和生产工艺流程;
根据设备信息和业务逻辑结构搭架工厂的设备流水线;
根据设备流水线和生产工艺流程形成工厂的工厂动态模型。
示例地,工厂的设备信息可以是工厂的产线上所有使用机电器械设备信息,可以是设备型号和设备参数的等信息,用于给工厂的产线提供硬件单元信息。业务逻辑结构可以是工厂的产线的框架设计信息和功能模块信息,用于布置工厂的设备位置和功能模块之间的关联性。生产工艺流程可以是工厂的产线的生产信息和产线生产的实施方法,可以是工厂的产线生产时的设备参数、物料种类、环境参数等信息。设备流水线可以是通过通信连接、导线连接和物理连接等方式将工厂的设备进行连接,以便于形成业务逻辑结果对应的完整的框架设计及对应的功能。
具体实现中,从工厂的产线数据库中获取工厂的设备信息、业务逻辑结构和生产工艺流程,根据工厂的设备信息和业务逻辑结构进行工厂的设备流水线的搭建。其中,工厂的设备流水线的搭建可以是根据工厂的设备信息和业务逻辑结构在应用软件上的虚拟搭建,也可以是根据工厂的设备信息和业务逻辑结构在实验室的不同比例的实物搭建,还可以是虚拟和实物结合的搭建方式。将搭建的设备流水线中输入生产工艺流程中的信息,以便于根据生产工艺流程形成工厂动态模型。
本发明实施例中,获取历史生产数据的动作可以是实时的,可以是工厂的产线进行一次输出产物的后,对历史生产数据进行一次更新,并根据历史生产数据对虚拟数据模型进行一次训练,其中,对虚拟数据模型的训练根据数据更新不断的在迭代,停止历史生产数据的更新才会停止目标方向上虚拟数据模型的训练。
进一步的,根据历史生产数据对工厂动态模型进行训练,得到虚拟数据模型,包括:
将历史生产数据进行数据预处理,得到训练数据;
根据训练数据对工厂动态模型进行训练,得到虚拟数据模型。
示例地,训练数据可以是对工厂动态模型进行针对训练的数据,通过历史生产数据进行数据预处理得到可以满足训练需求的数据,其中,对数据预处理可以是对历史生产数据进行单个因素的筛选,也可是对历史生产数据进行多个因素的筛选,以便于获得训练数据。单个因素可以是物料配比等因素,也可以是和工厂的效益值相关的多个因素。
具体实现中,从待优化的工厂中获取工厂的历史生产数据,可以对获取到的历史生产数据进行数据处理,即根据实际需求筛选出历史生产数据中训练数据集,以提高历史生产据的数据质量,可以是根据随机森林算法对历史生产数据进行样本筛选得到训练数据集。根据训练数据集对工厂动态模型进行训练,得到虚拟数据模型,以便于从虚拟数据模型的生产参数和实际生产参数中确定出较优的生产参数对工厂产线进行优化。
进一步的,将历史生产数据进行数据预处理,得到训练数据,包括:
将历史生产数据进行数据预处理,得到清洗数据,数据预处理包括消冗余数据和提取数据特征;
根据清洗数据的数据特征从清洗数据中筛选出训练数据。
示例地,消冗余数据可以是将历史生产数据中重复的数据进行消除,其中,冗余数据指历史生产数据中的重复数据,可以是同一数据存储在不同的数据文件中。提取数据特征可以是根据训练需求对历史生产数据进行任意因素对应的数据特征进行提取,可以是历史生产数据中的电机转子的数据、装配热管的数据。清洗数据可以是对历史生产数据进行消冗余数据和提取数据特征操作后,得到的生产数据。
具体实现中,从待优化的工厂中获取工厂的历史生产数据,对工厂的历史生产数据进行数据预处理,可是对工厂的历史生产数据消除冗余数据操作,删除工厂的历史生产数据中的重复数据,再对去重的历史生产数据提取数据特征,可以是获取电机转子的数据中的频率、装配热管的数据,得到历史生产数据对应的清洗数据。根据清洗数据的数据特征从清洗数据中刷选出训练数据,可以是对电机转子的数据中频率的噪音数据进行过滤掉,筛选出不含噪音的训练数据,也可以是装配热管的数据中散热和热量不正常的数据进行过滤掉,筛选出装配热管的数据中散热正常的训练数据。其中,可以根据工厂动态模型的优化目标方向对历史生产数据提取对应的数据特征,对工厂动态模型进行目标方向的优化训练,得到虚拟数据模型。
S220、将工厂的测试生产数据输入虚拟数据模型,得到测试生产数据对应的预测结果;
S230、确定预测结果中物料的输入量价值、能源消耗和预测结果中输出产物的输出价值;
具体实现中,物料的输入量价值可以是测试生产数据中物料的输入量、各种类单价和物料配比计算出输出产物对应的输入物料的价值。能源消耗可以是从物料到输出产物进行产线消耗的能量,其中,能量的消耗不仅是工厂产线上物料进行产线操作消耗的热能类的能量,还包括员工的劳务成本、设备的消耗等多种能源消耗。预测结果中的输出产物的输出价值可以是测试生产数据输入虚拟数据模型中进行产线生产模拟,并获得虚拟数据模型进行产线生产模拟过程中的数据和生产出产品的价值。将测试生产数据输入虚拟数据模型中进行产线生产模拟,并获得虚拟数据模型进行产线生产模拟过程中的数据和输出数据,得到虚拟数据模型对测试生产数据的预测结果,以便于根据预测结果中物料的输入量价值、能源消耗和预测结果中输出产物的输出价值计算预测效益值,确定虚拟数据模型的生产参数是否可以映射工厂的产线上。
S240、根据预测结果中物料的输入量价值、能源消耗和预测结果中输出产物的输出价值确定预测结果对应的预测效益值,并确定预测效益值是否满足有效条件;
具体实现中,将测试生产数据输入虚拟数据模型中进行产线生产模拟,并获得虚拟数据模型进行产线生产模拟过程中的数据和输出数据,得到虚拟数据模型对测试生产数据的预测结果。根据预测结果中物料的输入量价值、能源消耗和预测结果中输出产物的输出价值进行相应的计算,得到预测结果对应的预测效益值。可以根据预测结果输出产物的输出价值与能源消耗和物料的输入量价值之间的差值作为预测效益值,在根据预测效益值与预设效益阈值和实际效益值的大小确定是否满足有效条件。
进一步的,根据预测结果中物料的输入量价值、能源消耗和预测结果中输出产物的输出价值确定预测结果对应的预测效益值,包括:
其中,V为预测效益值,I为物料的输入量,S为物料的单位价格,E为生产过程中能源消耗,Y为输出产物的产量,P为输出产物的市场价格,i为第i种输出产物,n为大于1正整数,为第i种输出产物的产量,为第i中输出产物的市场价格。
具体实现中,将测试生产数据输入虚拟数据模型中进行产线生产模拟,并获得虚拟数据模型进行产线生产模拟过程中的数据和输出数据,得到虚拟数据模型对测试生产数据的预测结果。根据预测结果中输出产物的产量、输出产物的市场价格和输出产物种类计算出预测结果中输出产物的输出价值,并根据物料的输入量和物料的单位价格计算出物料的输入量价值。利用预测结果输出产物的输出价格依据公式(1)依次减去物料的输入价格和能源消耗,得到测试生产数据对应的预测效益值。
进一步的,确定预测效益值是否满足有效条件,包括:
确定预测效益值是否大于预设效益阈值;
当预测效益值大于预设效益阈值,确定预设效益阈值是否大于实际效益值;
当预设效益阈值不大于实际效益值时,确定预测效益值是否大于实际效益值;
当预测效益值大于实际效益值,则预测效益值满足有效条件。
示例地,可以根据实际需求和实验数据预先设置预设效益阈值,通过预设效益值阈值确定预测效益值对应的虚拟数据模型的生产参数是否满足工厂的产线运行标准。比如,可以将预测效益值与预设效益阈值进行比较,如果预测效益值大于预设效益阈值,则确定预测效益值对应的虚拟数据模型的生产参数满足工厂的产线运行标准,反之,如果测效益值小于预设效益阈值,则确定预测效益值对应的虚拟数据模型的生产参数不满足工厂的产线运行标准,如果预测效益值等于预设效益阈值,则确定预测效益值对应的虚拟数据模型的生产参数刚好满足工厂的产线运行标准,但是不满足有效条件。预设效益阈值可以是根据工厂的产线的生产参数的运行标准数据预设的,也可以根据预设时间段内工厂的产线的实际效益值的均值确定出的。实际效益值可以是测试生产数据在当前工厂的产线上获得到的实际效益的真实值,用于与预测效益值进行比较判断工厂的产线的生产参数与虚拟数据模型的生产参数的优劣性,也是判断有效条件的数据信息。
具体实现中,可以将预测效益值与预设效益阈值进行比较,如果预测效益值大于预设效益阈值,则确定预测效益值对应的虚拟数据模型的生产参数符合工厂的运行标准,在符合工厂的运行标准的条件下,再将预测效益值与实际效益值的进行比较,确定预测效益值是否满足有效条件。其中,判断预测效益值与实际效益值大小之前,可以预先确定实际效益值和预设效益阈值之间的大小,如果实际效益小于预设效益阈值,则无须比较预测效益值和实际效益值之间的大小,符合工厂的运行标准,即满足有效条件,如果实际效益值大于预设效益阈值,则需要继续判断比较预测效益值和实际效益值之间的大小,在预测效益值大于实际效益值之后,确定预测效益值满足有效条件。如果预测效益值小于预设效益阈值,则确定预测效益值对应的虚拟数据模型的生产参数不符合工厂的运行标准,则确定预测效益值不满足有效条件,不能将虚拟数据模型的生产参数映射到工厂的产线。
S250、当预测效益值满足有效条件,则将虚拟数据模型对应的生产参数映射到工厂的产线中,以对工厂的产线进行数据优化。
本发明实施例中,通过获取工厂的历史生产数据,根据历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;将工厂的测试生产数据输入虚拟数据模型,得到测试生产数据对应的预测结果;确定预测结果对应的预测效益值,并确定预测效益值是否满足有效条件;当预测效益值满足有效条件,则将虚拟数据模型对应的生产参数映射到工厂的产线中,以对工厂的产线进行数据优化。即,本发明实施例,通过历史生产数据训练虚拟数据模型对工厂产线进行模拟,并借用模型输出的测试生产数据对应的预测结果计算出的效益值计算确定虚拟数据模型满足有效条件,将满足有效条件的虚拟数据模型中的生产参数映射到工厂产线中,实现利用生产数据对工厂产线的优化,可以更精准有效的提高物料的使用率和产品质量,并整体提高工厂的收益。
图3是本发明实施例提供的基于数字孪生的产线优化装置的结构示意图,如图3所示,该基于数字孪生的产线优化装置包括:
模型训练模块310,用于获取工厂的历史生产数据,根据所述历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;
预测获取模块320,用于将所述工厂的测试生产数据输入所述虚拟数据模型,得到所述测试生产数据对应的预测结果;
有效判断模块330,用于确定所述预测结果对应的预测效益值,并确定所述预测效益值是否满足有效条件;
产线优化模块340,用于当所述预测效益值满足有效条件,则将所述虚拟数据模型对应的生产参数映射到所述工厂的产线中,以对所述工厂的产线进行数据优化。
一实施例中,所述模型训练模块310根据所述历史生产数据对所述工厂动态模型进行训练,得到所述虚拟数据模型,包括:
将所述历史生产数据进行数据预处理,得到训练数据;
根据所述训练数据对所述工厂动态模型进行训练,得到所述虚拟数据模型。
一实施例中,所述模型训练模块310将所述历史生产数据进行数据预处理,得到清洗数据,所述数据预处理包括消冗余数据和提取数据特征;
根据所述清洗数据的数据特征从所述清洗数据中筛选出所述训练数据。
一实施例中,所述有效判断模块330确定所述预测效益值是否满足有效条件,包括:
确定所述预测效益值是否大于预设效益阈值;
当所述预测效益值大于所述预设效益阈值,确定所述预设效益阈值是否大于实际效益值;
当所述预设效益阈值不大于所述实际效益值时,确定所述预测效益值是否大于所述实际效益值;
当所述预测效益值大于所述实际效益值,则所述预测效益值满足有效条件。
一实施例中,所述有效判断模块330确定所述预测结果对应的预测效益值,包括:
确定所述预测结果中物料的输入量价值、能源消耗和所述预测结果中输出产物的输出价值;
根据所述预测结果中物料的输入量价值、能源消耗和所述预测结果中输出产物的输出价值确定所述预测结果对应的预测效益值。
一实施例中,所述有效判断模块330根据所述预测结果中物料的输入量价值、能源消耗和所述预测结果中输出产物的输出价值确定所述预测结果对应的预测效益值V,包括:
其中,V为预测效益值,I为物料的输入量,S为物料的单位价格,E为生产过程中能源消耗,Y为输出产物的产量,P为输出产物的市场价格,i为第i种输出产物,n为大于1正整数,为第i种输出产物的产量为第i中输出产物的市场价格。
一实施例中,所述模型训练模块310获取工厂的历史生产数据之前,还包括:
获取所述工厂的设备信息、业务逻辑结构和生产工艺流程;
根据所述设备信息和所述业务逻辑结构搭架所述工厂的设备流水线;
根据所述设备流水线和所述生产工艺流程形成所述工厂的工厂动态模型。
本发明实施例装置,通过获取工厂的历史生产数据,根据历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;将工厂的测试生产数据输入虚拟数据模型,得到测试生产数据对应的预测结果;确定预测结果对应的预测效益值,并确定预测效益值是否满足有效条件;当预测效益值满足有效条件,则将虚拟数据模型对应的生产参数映射到工厂的产线中,以对工厂的产线进行数据优化。即,本发明实施例,通过历史生产数据训练虚拟数据模型对工厂产线进行模拟,并借用模型输出的测试数据对应的预测结果计算出的效益值确定虚拟数据模型是否满足有效条件,将满足有效条件的虚拟数据模型中的生产参数映射到工厂产线中,实现利用生产数据对工厂产线的优化,可以更精准有效的提高物料的使用率和产品质量,并整体提高工厂的收益。
图4为本发明实施例提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图4显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM, DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的基于数字孪生的产线优化方法,该方法包括:
获取工厂的历史生产数据,根据所述历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;
将所述工厂的测试生产数据输入所述虚拟数据模型,得到所述测试生产数据对应的预测结果;
确定所述预测结果对应的预测效益值,并确定所述预测效益值是否满足有效条件;
当所述预测效益值满足有效条件,则将所述虚拟数据模型对应的生产参数映射到所述工厂的产线中,以对所述工厂的产线进行数据优化。
本发明实施还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现所述的基于数字孪生的产线优化方法,该方法包括:
获取工厂的历史生产数据,根据所述历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;
将所述工厂的测试生产数据输入所述虚拟数据模型,得到所述测试生产数据对应的预测结果;
确定所述预测结果对应的预测效益值,并确定所述预测效益值是否满足有效条件;
当所述预测效益值满足有效条件,则将所述虚拟数据模型对应的生产参数映射到所述工厂的产线中,以对所述工厂的产线进行数据优化。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.基于数字孪生的产线优化方法,其特征在于,包括:
获取工厂的历史生产数据,根据所述历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;
将所述工厂的测试生产数据输入所述虚拟数据模型,得到所述测试生产数据对应的预测结果;
确定所述预测结果对应的预测效益值,并确定所述预测效益值是否满足有效条件;
当所述预测效益值满足有效条件,则将所述虚拟数据模型对应的生产参数映射到所述工厂的产线中,以对所述工厂的产线进行数据优化。
2.根据权利要求1所述的方法,其特征在于,根据所述历史生产数据对所述工厂动态模型进行训练,得到所述虚拟数据模型,包括:
将所述历史生产数据进行数据预处理,得到训练数据;
根据所述训练数据对所述工厂动态模型进行训练,得到所述虚拟数据模型。
3.根据权利要求2所述的方法,其特征在于,将所述历史生产数据进行数据预处理,得到训练数据,包括:
将所述历史生产数据进行数据预处理,得到清洗数据,所述数据预处理包括消冗余数据和提取数据特征;
根据所述清洗数据的数据特征从所述清洗数据中筛选出所述训练数据。
4.根据权利要求1所述的方法,其特征在于,确定所述预测效益值是否满足有效条件,包括:
确定所述预测效益值是否大于预设效益阈值;
当所述预测效益值大于所述预设效益阈值,确定所述预设效益阈值是否大于实际效益值;
当所述预设效益阈值不大于所述实际效益值时,确定所述预测效益值是否大于所述实际效益值;
当所述预测效益值大于所述实际效益值,则所述预测效益值满足有效条件。
5.根据权利要求1所述的方法,其特征在于,确定所述预测结果对应的预测效益值,包括:
确定所述预测结果中物料的输入量价值、能源消耗和所述预测结果中输出产物的输出价值;
根据所述预测结果中物料的输入量价值、能源消耗和所述预测结果中输出产物的输出价值确定所述预测结果对应的预测效益值。
7.根据权利要求1所述的方法,其特征在于,获取工厂的历史生产数据之前,还包括:
获取所述工厂的设备信息、业务逻辑结构和生产工艺流程;
根据所述设备信息和所述业务逻辑结构搭架所述工厂的设备流水线;
根据所述设备流水线和所述生产工艺流程形成所述工厂的工厂动态模型。
8.基于数字孪生的产线优化装置,其特征在于,包括:
模型训练模块,用于获取工厂的历史生产数据,根据所述历史生产数据对工厂动态模型进行训练,得到虚拟数据模型;
预测获取模块,用于将所述工厂的测试生产数据输入所述虚拟数据模型,得到所述测试生产数据对应的预测结果;
有效判断模块,用于确定所述预测结果对应的预测效益值,并确定所述预测效益值是否满足有效条件;
产线优化模块,用于当所述预测效益值满足有效条件,则将所述虚拟数据模型对应的生产参数映射到所述工厂的产线中,以对所述工厂的产线进行数据优化。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任一所述的基于数字孪生的产线优化方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一所述的基于数字孪生的产线优化方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210358331.7A CN114493049A (zh) | 2022-04-07 | 2022-04-07 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
PCT/CN2022/136469 WO2023193458A1 (zh) | 2022-04-07 | 2022-12-05 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210358331.7A CN114493049A (zh) | 2022-04-07 | 2022-04-07 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493049A true CN114493049A (zh) | 2022-05-13 |
Family
ID=81487754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210358331.7A Pending CN114493049A (zh) | 2022-04-07 | 2022-04-07 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114493049A (zh) |
WO (1) | WO2023193458A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998070A (zh) * | 2022-08-03 | 2022-09-02 | 广州远程教育中心有限公司 | 一种企业数字学习平台沉浸式数字化学习方法及系统 |
CN115577488A (zh) * | 2022-08-17 | 2023-01-06 | 国网山东省电力公司营销服务中心(计量中心) | 一种关口电能计量装置性能诊断系统 |
CN115857460A (zh) * | 2023-02-16 | 2023-03-28 | 南京佳盛机电器材制造有限公司 | 一种基于工业仿真软件数字化分析的精益生产方法 |
CN115936262A (zh) * | 2023-02-20 | 2023-04-07 | 深圳普菲特信息科技股份有限公司 | 基于大数据的环境干扰的产量预测方法、系统和介质 |
CN116187729A (zh) * | 2023-05-04 | 2023-05-30 | 山东捷瑞数字科技股份有限公司 | 基于数字孪生的资源调度方法、装置、设备及存储介质 |
WO2023193458A1 (zh) * | 2022-04-07 | 2023-10-12 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109625168A (zh) * | 2019-01-28 | 2019-04-16 | 北京机科国创轻量化科学研究院有限公司 | 一种船舶分段制造流水线的多工位协同方法 |
CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
US20200380434A1 (en) * | 2018-02-23 | 2020-12-03 | Tata Consultancy Services Limited | Method and system for pre-emptive deviation detection for telecom process flow using digital twin |
CN112486111A (zh) * | 2020-11-17 | 2021-03-12 | 湖南师范大学 | 一种基于数据分析的食用油碱炼工艺智能调节方法 |
CN112995326A (zh) * | 2021-03-10 | 2021-06-18 | 中国电力科学研究院有限公司 | 一种智能电能表质量数据采集和上传方法及系统 |
WO2021169598A1 (zh) * | 2020-02-27 | 2021-09-02 | 广东工业大学 | 生产线基于数字孪生的物理仿真方法及其系统 |
CN113449463A (zh) * | 2021-06-09 | 2021-09-28 | 重庆锦禹云能源科技有限公司 | 一种基于lstm-dnn的设备寿命预测方法及装置 |
CN113850629A (zh) * | 2021-09-29 | 2021-12-28 | 河北中煤旭阳能源有限公司 | 一种企业生产效益核算系统 |
CN113886973A (zh) * | 2021-10-25 | 2022-01-04 | 江苏远望仪器集团有限公司 | 基于虚实映射的船舶航速处理方法、装置及处理设备 |
CN114219360A (zh) * | 2021-12-29 | 2022-03-22 | 北京淇瑀信息科技有限公司 | 基于模型优化的监控安全预测方法及系统 |
CN114218763A (zh) * | 2021-11-26 | 2022-03-22 | 长春理工大学 | 一种基于数字孪生的产线动态虚拟重组方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112785111A (zh) * | 2019-11-11 | 2021-05-11 | 北京京邦达贸易有限公司 | 生产效率预测方法、装置、存储介质与电子设备 |
US11067970B1 (en) * | 2020-02-27 | 2021-07-20 | Guangdong University Of Technology | Method for designing production line based on digital twin |
CN111898867B (zh) * | 2020-07-05 | 2023-04-07 | 西北工业大学 | 一种基于深度神经网络的飞机总装生产线产能预测方法 |
CN114493049A (zh) * | 2022-04-07 | 2022-05-13 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
-
2022
- 2022-04-07 CN CN202210358331.7A patent/CN114493049A/zh active Pending
- 2022-12-05 WO PCT/CN2022/136469 patent/WO2023193458A1/zh unknown
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200380434A1 (en) * | 2018-02-23 | 2020-12-03 | Tata Consultancy Services Limited | Method and system for pre-emptive deviation detection for telecom process flow using digital twin |
CN109625168A (zh) * | 2019-01-28 | 2019-04-16 | 北京机科国创轻量化科学研究院有限公司 | 一种船舶分段制造流水线的多工位协同方法 |
WO2021169598A1 (zh) * | 2020-02-27 | 2021-09-02 | 广东工业大学 | 生产线基于数字孪生的物理仿真方法及其系统 |
CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
CN112486111A (zh) * | 2020-11-17 | 2021-03-12 | 湖南师范大学 | 一种基于数据分析的食用油碱炼工艺智能调节方法 |
CN112995326A (zh) * | 2021-03-10 | 2021-06-18 | 中国电力科学研究院有限公司 | 一种智能电能表质量数据采集和上传方法及系统 |
CN113449463A (zh) * | 2021-06-09 | 2021-09-28 | 重庆锦禹云能源科技有限公司 | 一种基于lstm-dnn的设备寿命预测方法及装置 |
CN113850629A (zh) * | 2021-09-29 | 2021-12-28 | 河北中煤旭阳能源有限公司 | 一种企业生产效益核算系统 |
CN113886973A (zh) * | 2021-10-25 | 2022-01-04 | 江苏远望仪器集团有限公司 | 基于虚实映射的船舶航速处理方法、装置及处理设备 |
CN114218763A (zh) * | 2021-11-26 | 2022-03-22 | 长春理工大学 | 一种基于数字孪生的产线动态虚拟重组方法 |
CN114219360A (zh) * | 2021-12-29 | 2022-03-22 | 北京淇瑀信息科技有限公司 | 基于模型优化的监控安全预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
杨一昕等: "智能透明汽车工厂的构建与实施", 《中国机械工程》 * |
罗小剑等: "基于QUEST的压路机混流装配工艺仿真优化研究", 《物流科技》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023193458A1 (zh) * | 2022-04-07 | 2023-10-12 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
CN114998070A (zh) * | 2022-08-03 | 2022-09-02 | 广州远程教育中心有限公司 | 一种企业数字学习平台沉浸式数字化学习方法及系统 |
CN115577488A (zh) * | 2022-08-17 | 2023-01-06 | 国网山东省电力公司营销服务中心(计量中心) | 一种关口电能计量装置性能诊断系统 |
CN115857460A (zh) * | 2023-02-16 | 2023-03-28 | 南京佳盛机电器材制造有限公司 | 一种基于工业仿真软件数字化分析的精益生产方法 |
CN115936262A (zh) * | 2023-02-20 | 2023-04-07 | 深圳普菲特信息科技股份有限公司 | 基于大数据的环境干扰的产量预测方法、系统和介质 |
CN116187729A (zh) * | 2023-05-04 | 2023-05-30 | 山东捷瑞数字科技股份有限公司 | 基于数字孪生的资源调度方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023193458A1 (zh) | 2023-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114493049A (zh) | 基于数字孪生的产线优化方法、装置、电子设备及介质 | |
Alanne et al. | An overview of machine learning applications for smart buildings | |
Zou et al. | Review of 10 years research on building energy performance gap: Life-cycle and stakeholder perspectives | |
US10804700B2 (en) | Method and system for optimizing and predicting demand response | |
Stanton et al. | Inside the integrated assessment models: Four issues in climate economics | |
EP3985460B1 (en) | Controller, control system and method to control a facility and to generate a control model by learning | |
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 | |
CN113627032A (zh) | 一种基于数字孪生的设备设计/维修方案智能决策方法 | |
CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
CN115222284A (zh) | 一种基于成熟度模型的数字孪生系统成熟度评价方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN111445065A (zh) | 用于数据中心制冷群控的能耗优化方法及系统 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN114239385A (zh) | 一种面向仓库资源配给的智能决策系统及方法 | |
CN113313304A (zh) | 一种基于大数据决策树的电网事故异常分析方法及系统 | |
Gu et al. | Investigation on the quality assurance procedure and evaluation methodology of machine learning building energy model systems | |
KR20220076753A (ko) | 디지털 트윈 기술을 이용한 스마트양식장 교육 시스템 및 방법 | |
CN115471215B (zh) | 一种业务流程处理方法及装置 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN114462828A (zh) | 一种工程施工用安全预警监理系统及其监理方法 | |
Lazarova-Molnar et al. | A Conceptual Framework for Occupant-Centered Building Management Decision Support System. | |
CN111611117A (zh) | 硬盘故障的预测方法、装置、设备及计算机可读存储介质 | |
Gavrilov | Development of a wireless sensor network simulator using energy-efficient traffic routing methods | |
CN117808272B (zh) | 一种基于机器学习的工业系统产能优化与调度方法和系统 | |
Sonthited et al. | Prediction of Production Performance for Tapioca Industry using LSTM neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220513 |