CN114611235A - 一种数字孪生化纤长丝卷绕车间设备管控系统及方法 - Google Patents

一种数字孪生化纤长丝卷绕车间设备管控系统及方法 Download PDF

Info

Publication number
CN114611235A
CN114611235A CN202210233171.3A CN202210233171A CN114611235A CN 114611235 A CN114611235 A CN 114611235A CN 202210233171 A CN202210233171 A CN 202210233171A CN 114611235 A CN114611235 A CN 114611235A
Authority
CN
China
Prior art keywords
fault
module
equipment
data
chemical fiber
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
Application number
CN202210233171.3A
Other languages
English (en)
Inventor
程江峰
陶飞
王勇
徐慧
邹孝付
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.)
Beizisuo Beijing Technology Development Co ltd
Beihang University
Original Assignee
Beizisuo Beijing Technology Development Co ltd
Beihang University
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 Beizisuo Beijing Technology Development Co ltd, Beihang University filed Critical Beizisuo Beijing Technology Development Co ltd
Priority to CN202210233171.3A priority Critical patent/CN114611235A/zh
Publication of CN114611235A publication Critical patent/CN114611235A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H63/00—Warning or safety devices, e.g. automatic fault detectors, stop-motions ; Quality control of the package
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Abstract

本发明涉及一种数字孪生化纤长丝卷绕车间设备管控系统及方法，包括数字孪生模型构建模块，构建化纤长丝车间内所有设备的数字孪生模型；多源数据采集与分析模块，实时获取产线内设备运行数据并对数据进行分析；数字孪生模型仿真模块，仿真与分析化纤长丝卷绕车间设备的运行过程；可视化管理模块，该模块用于数字孪生模型、实时状态信息的显示；故障诊断模块，对设备故障类型和原因进行分析；故障预测模块，通过实时分析对设备故障诊断与预测；服务模块，为用户实时监控、故障预警、预测性维护、故障维修辅助以及产品质量追溯服务。本发明能够实现对化纤长丝卷绕车间的实时监控与可视化管理，提升化纤长丝卷绕车间管控质量和效率。

Description

一种数字孪生化纤长丝卷绕车间设备管控系统及方法
技术领域
本发明属于工业数字化和计算机科学领域，具体涉及一种数字孪生化纤长丝卷绕车间设备管控系统及方法。
背景技术
当前，在化纤长丝卷绕车间管控方面，依然存在以下几个问题：(1)摄像头监控只能对车间整体或部分视角进行监测，不能对单个设备进行全方位的可视化监测。(2)采用传感器感知和专家经验结合的方式进行故障诊断，诊断结果可靠性与准确性不足，易造成“误报-延报-漏报”。(3)在实际工程中，设备故障发生频率较低，历史故障数据不足，导致基于专家经验和历史故障数据的故障预测精度低，故障预警不准确，缺乏设备关键零部件故障维修辅助和预测性维护方案。
因此，针对上述问题，本发明引入数字孪生技术对现有方法和系统进行改进和集成，在一定程度上提升化纤长丝卷绕车间设备管控系统的效率。
发明内容
本发明要解决的技术问题为：克服现有技术的不足，基于数字孪生技术，提供一种数字孪生增强的化纤长丝卷绕车间设备管控系统及方法，能够解决无法精准管控化纤长丝卷绕车间设备在执行任务过程中运行状态的问题，提高化纤长丝卷绕车间设备的管控效率。
本发明解决其技术问题是采取以下技术方案实现的：一种数字孪生化纤长丝卷绕车间设备管控系统，包括：孪生模型构建模块、多源数据采集与分析模块、数字孪生模型仿真模块、可视化管理模块、故障诊断模块、故障预测模块、服务模块、信息存储模块；
1.1所述数字孪生模型构建模块101，在虚拟空间中构建几何属性、物理属性、行为属性和规则属性耦合的化纤长丝卷绕车间设备的数字孪生模型，所述化纤长丝卷绕车间设备包括卷绕机、落丝车、暂存台、转运车、丝车、链机和回转台；化纤长丝卷绕车间设备的数字孪生模型包括卷绕机数字孪生模型、落丝车数字孪生模型、暂存台数字孪生模型、转运车数字孪生模型、丝车数字孪生模型、链机数字孪生模型和回转台数字孪生模型；所述几何属性是使用3DMax建模软件，建立设备数字孪生模型的三维几何模型，体现其外观形状、尺寸大小、内部结构、空间位姿和装配关系；所述物理属性包含化纤长丝卷绕车间设备结构力学、热力学和材料力学特性；所述行为属性包含化纤长丝卷绕车间设备加速、减速、急停和旋转的运动行为，化纤长丝卷绕车间设备关键零部件的性能退化行为，外界扰动行为；所述规则属性包含化纤长丝卷绕车间设备间的关联规则、约束规则、历史经验和专家知识；
1.2所述多源数据采集与预处理模块102，包括：
(1)多源数据采集模块，配置多源数据采集接口的通讯方式与参数，包括IP地址、端口和波特率；对化纤长丝卷绕车间设备进行实时数据采集，并将采集到的原始数据传输到信息存储模块108；
(2)数据预处理模块，具体包括：
数据筛选模块，对原始数据进行清洗和筛选，去除重复和不全的数据；
数据分类模块，基于化纤长丝卷绕车间设备种类对数据筛选结果进行分类，并建立设备数据集；
数据特征提取模块，针对化纤长丝卷绕车间设备分类数据集，提取能够表征设备运行状态的时域特征和频域特征；
1.3所述数字孪生模型仿真模块103，具体包括：
(1)虚实映射模块，建立虚拟空间中化纤长丝卷绕车间设备的数字孪生模型与物理空间中化纤长丝卷绕车间设备之间的通讯接口，映射关系；
(2)仿真与评估模块，基于虚实映射关系，根据历史数据和实时感知数据驱动数字孪生模型，对化纤长丝卷绕车间设备工作过程进行可视化模拟和评估，可视化模拟和评估包括：
数字孪生模型构建模块101中的几何属性，对设备外观形状、尺寸大小、内部结构、装配关系进行可视化；
数字孪生模型构建模块101中的物理属性，模拟设备材料退化过程和运动学原理，评估材料特性；
数字孪生模型构建模块101中的行为属性，在虚拟空间中体现化纤长丝卷绕车间设备行走行走、机体旋转行为、平台上升/下降行为、机构推出/收缩行为；
数字孪生模型构建模块101中的规则属性，在虚拟空间中对领域标准、相关准则、历史经验进行评估；
(3)虚实交互模块，基于虚实映射关系和接口，实现虚实交互；通过传感器实时感知化纤长丝卷绕车间设备状态信息，对数字孪生模型进行更新与优化，即以虚映实；基于仿真与评估结果优化化纤长丝卷绕车间设备运行决策，即以虚控实；
1.4所述可视化管理模块104，具体包括：
(1)设备可视化模块，用于显示数字孪生模型构建模块101所构建的化纤长丝卷绕车间设备的数字孪生模型；
(2)数据可视化模块，基于多源数据采集与分析模块102将数据分析结果，提供支持常用的统计图表可视化展示，包括：设备运行信息、设备状态信息、设备报警信息、历史数据和产品信息，并支持钻取、联动及链接的交互操作，通过人机界面帮助用户洞察数据背后的知识；
1.5所述故障诊断模块105，具体包括：
(1)故障分类模块，根据数字孪生模型构建模块101中的物理属性和规则属性，对卷绕车间内卷绕机、落丝车、转运车、链机、回转台设备的所有故障进行分类，分类成机械系统故障和电气系统故障两大类，得到故障分类结果；
(2)故障树模块，基于故障分类结果，分别构建各设备的故障树；
(3)故障诊断模块，当化纤长丝卷绕车间设备发生故障报警时，基于故障树梳理故障所属类别，故障发生位置和故障原因，对设备关键零部件进行故障诊断；
1.6故障预测模块106，具体包括：
(1)数字孪生模型驱动的故障预测模块，根据数字孪生模型构建模块101中的物理属性，利用包含化纤长丝卷绕车间设备材料性能退化过程的数字孪生模型对设定故障工况进行故障发生过程仿真，预测设备故障发生的时间和位置；设定故障工况具体包括：三种单故障状态和三种复合故障状态；所述三种单故障状态电机转矩增加状态、变频器输出过流状态、轴承磨损状态；所述三种复合故障状态，电机转矩增加与变频器输出过流复合状态、电机转矩增加与轴承磨损状态、变频器输出过流与轴承磨损复合状态；
(2)数据集获取模块，基于设备历史故障数据和数字孪生模型仿真模块103产生的故障模拟数据，建立故障预测模型训练数据集；
(3)数据模型驱动的故障预测模块，利用训练数据集进行神经网络模型训练，对化纤长丝卷绕车间设备预计发生的故障时间和位置进行预测；
(4)数模融合驱动的故障预测模块，结合数字孪生模型驱动的故障预测模块中仿真预测结果与数据模型驱动的故障预测模块中神经网络预测结果，采用融合算法对二者预测结果进行融合，得到更加准确的设备故障预测结果；
1.7所述服务模块107，具体包括：
(1)设备状态实时监控服务模块，提供化纤长丝卷绕车间设备所见即所得的实时运行状态全方位可视化监控服务；
(2)故障维修辅助服务模块，根据故障诊断结果，为维修人员提供相应的维修方案；
(3)故障预警服务模块，基于故障预测结果，提供故障预警服务，所述故障预警服务包括：化纤长丝卷绕车间设备关键零部件故障预计发生位置和预计发生时间；
(4)预测性维护服务模块，基于故障预测结果对设备状态进行健康评估，提供化纤长丝卷绕车间设备关键零部件预测性维护方案；
(5)产品质量追溯服务模块，基于化纤长丝卷绕过程及卷绕机加工参数，利用数字孪生模型仿真，对化纤长丝卷绕质量进行预测，并将预测结果记录到信息存储模块108，以便对产品质量进行追溯；
1.8所述信息存储模块108，用于数据存储，包括：
(1)实时数据存储，物理空间中化纤长丝卷绕车间设备实时运行数据，所述实时运行包括：状态数据、故障数据和报警数据；
(2)虚拟数据存储，虚拟空间中数字孪生模型仿真模块所产生的孪生数据，所述孪生数据包括：模拟数据和评估数据；
(3)产品数据存储，所述产品数据包括：产品批号、生产批次、重量和数量；
(4)历史数据存储，所述历史数据包括：设备历史运行数据、历史故障数据和历史维护数据。
所述故障诊断模块中的故障树模块，基于机械故障和电气故障两大故障类型，并结合数字孪生模型构建模块101中规则属性中的专家知识、历史经验，构建化纤长丝卷绕车间设备的故障树，用于表示故障发生的原因，辅助故障诊断；所述故障树基本结构为：①卷绕机故障树，根据卷绕机运行原理和电气原理，按下述步骤建立卷绕机的故障树：首先以“卷绕机不能正常工作”作为故障树顶事件，从切断器切不断丝束、丝辊转动不灵活、丝辊振动大、主电路故障、电控系统故障五个方面分别建树；②落丝车/转运车故障树，根据落丝车和转运车运行原理和电气原理，均可按下述步骤建立落丝车和转运车故障树：以“落丝车不能正常工作”作为顶事件，从水平机构不能正常运行B1、载货台不能正常升降、推板机构不能正常伸缩、旋转机构故障、电控系统故障、主电路故障六个方面分别建树；③链机故障树，以“链机不能正常工作”作为顶事件，从链轮结构故障、电机系统故障、电控系统故障、主电路故障四个方面分别建树；④回转台故障树，以“回转台不能正常工作”作为顶事件，从回转机构故障、回转停不准、电机系统故障、电控系统故障、主电路故障五个方面分别建树。
所述故障预测模块中的数字孪生模型驱动的故障预测模块，具体包括：基于物理空间中的设备运行工况条件映射，实时感知数据和结构特性，在虚拟空间中基于数字孪生模型对设备执行任务过程进行仿真与模拟，仿真计算得出化纤长丝卷绕车间设备关键零部件性能退化状态，以预测故障预计发生时间和位置；利用数字孪生模型对设定故障工况进行可视化仿真，模拟故障发生过程，以预测故障发生的位置和时间。
所述故障预测模块中的数据驱动的故障预测模块，具体包括：
融合数据集，包括历史故障数据、历史维护数据和模拟故障数据；
训练神经网络模型，利用融合的数据集构建构造输入、输出、训练样本集以及测试样本集，并进行神经网络模型训练，其中故障神经网络预测模型采用LSTM神经网络。LSTM模型由输入序列X＝(x1,x2，…，xt)，步长及对应的输入、输入门it、遗忘门ft和输出门ot等部分组成；具体实现步骤如下：①基于融合数据集，获取设备故障特征参数的时间序列x(t)，假设设备由NC个故障特征参数，且当前时刻t的状态与此时刻之前r个状态有关，即输入向量为:
Figure BDA0003539389370000051
其中各参数的下标表示特征种类，上标表示每种特征中与当前状态相关的特征；输出量
Figure BDA0003539389370000052
Figure BDA0003539389370000053
其中
Figure BDA0003539389370000054
表示t时刻第i种特征参数的值；②依据时间窗口T和预测步长q，基于融合数据集构建输入、输出、训练样本集以及测试样本集；③训练LSTM模型，LSTM输入层节点数设置Nc×T；输出层节点数设置Nc×q；根据隐藏层节点公式2m+1，其中m表示输入层节点数，将隐藏层节点数设置为2*(Nc×T)+1，用训练样本集进行LSTM预测模型的训练；④对设备故障特征参数进行预测，将测试样本导入已经训练完成的LSTM预测模型中，对未来时刻的故障特征参数进行预测。
所述故障预测模块中的数模融合驱动的故障预测模块，结合数字孪生模型驱动的故障预测模块中仿真预测结果wi，j(t)，表示为第i个设备第j个传感器在t时刻的故障预测，与数据模型驱动的故障预测模块中神经网络预测结果vi，j(t)，表示为第i个设备第j个传感器在t时刻的故障预测，采用均值法对二者预测结果进行融合，即
Figure BDA0003539389370000055
得到更加准确的设备故障预测结果
Figure BDA0003539389370000056
其中，1≤j≤N，j表示第j个传感器，N表示传感器最大数量为N；时间t≥0；1≤i≤112，i表示第i套设备。本发明中共包含112套化纤长丝卷绕车间设备，卷绕机96套、落丝车1辆、暂存台2套、转运车1辆、丝车10辆、链机1套、回转台1套。
本发明的数字孪生化纤长丝卷绕车间设备管控方法，实现步骤如下：
(1)在虚拟空间中，通过数字孪生构建模块101构建几何属性、行为属性、规则属性和多物理属性耦合的化纤长丝卷绕车间设备的数字孪生模型，以实现物理空间中卷绕机、落丝车、暂存台、转运车、丝车、链机、回转台化纤长丝卷绕车间设备的高保真映射；并基于多源数据采集与预处理模块102采集物理空间中化纤长丝卷绕车间设备的实时状态，驱动虚拟空间中的化纤长丝卷绕车间设备的数字孪生模型，实现数字孪生模型仿真模块103中的虚实映射。创新在于可以实现虚拟空间中的化纤长丝卷绕车间设备数字孪生模型与物理空间中的化纤长丝卷绕车间设备实时同步运行，并可以通过可视化管理模块104进行所见即为所得的化纤长丝卷绕车间设备三维可视化展示，即设备可视化；以及通过可视化管理模块104实时显示化纤长丝卷绕车间卷绕机、落丝车、暂存台、转运车、丝车、链机、回转台设备三维运动状态和运行数据，即数据可视化；最终实现为用户提供所见即所得的化纤长丝卷绕车间设备三维立体可视化监控；
(2)故障诊断模块105，基于物理空间中设备历史故障数据和维护数据，在虚拟空间中对化纤长丝卷绕车间卷绕机、落丝车、暂存台、转运车、丝车、链机、回转台设备常见故障进行分析与分类，并构建故障树；创新在于当物理空间中化纤长丝卷绕车间设备发生故障时，基于故障树确定故障发生原因，并在虚拟空间中利用数字孪生模型仿真模块103中的仿真与评估，对故障维修方法进行仿真，并以维修完成时间和成本为标准评估维修方法的可行性，当维修方法可行时为用户提供服务模块107中的故障维修辅助，帮助维修人员快速定位故障并给出维修建议；当维修过程不可行时，可反复更换故障维修方法继续进行仿真与评估，直到可行为止；
(3)故障预测模块106，基于物理空间中化纤长丝卷绕车间设备实时运行数据、历史数据和维护数据建立故障预测模型训练数据集，利用训练数据集进行神经网络模型训练，对化纤长丝卷绕车间卷绕机、落丝车、暂存台、转运车、丝车、链机、回转台设备预计发生的故障时间和位置进行预测；另外，利用几何属性、行为属性、规则属性和多物理属性耦合的化纤长丝卷绕车间设备的数字孪生模型，在数字孪生模型仿真模块103中的仿真与评估模块对设定故障工况进行故障发生过程仿真与评估，预测化纤长丝卷绕车间设备故障发生的时间和位置；创新在于在虚拟空间中可以结合数字孪生模型驱动的故障预测模块中仿真预测结果与数据模型驱动的故障预测模块中神经网络预测结果，并采用均值算法对二者预测结果进行融合，得到更加准确的化纤长丝卷绕车间设备故障预测结果；并基于故障预测结果为用户提供服务模块107中的故障预警服务和预测性维护方案，从而加强化纤长丝卷绕车间设备管控能力；
(4)在虚拟空间，通过信息存储模块108对产品数据进行分析与整理，对不同生产规格产品进行分类、编号与存储，为用户提供服务模块107中的产品质量追溯服务。
本发明与一般化纤长丝卷绕车间设备管控系统相比，具有以下突出优点：
(1)本发明采用数字孪生技术构建化纤长丝卷绕车间设备数字孪生模型，以多源数据驱动数字孪生模型，实现物理空间设备与虚拟空间设备的实时交互，可对设备运行状态和运行数据、产品信息、故障报警信息等进行可视化显示和管理；与现有管控系统中设备和信息二维化展示相比，可对化纤长丝卷绕车间设备和信息做到所见即为所得的三维可视化管理与监控；
(2)本发明加入故障诊断及维修辅助，基于故障树可对故障发生类型、原因、发生位置和时间快速分析和定位，并在化纤长丝卷绕车间设备数字孪生模型中对故障位置、原因和维修建议可视化，便于维修人员迅速进行维修等工作，与现有方法相比节约了试错成本和时间；
(3)本发明加入故障预测及预测性维护辅助，一方面，在虚拟空间中，可根据易发生的故障类型设定故障工况，对故障发生过程进行仿真，模拟故障发生时间和位置；另一方面，运用人工智能算法训练历史故障数据得到故障预测模型，对故障发生时间和位置进行预测；通过数字孪生模型模拟与历史数据驱动预测模型相结合给出设备维护建议；与现有设备视情维护和计划性维护的方法相比，可避免维护不及时的问题。
附图说明
图1为本发明数字孪生驱动的化纤长丝卷绕车间设备管控系统框图；
图2为本发明化纤长丝卷绕车间设备数字孪生模型示意图；
图3为本发明数模融合驱动的设备故障预测流程图。
具体实施方式
下面结合附图对本发明做进一步详细的描述。
本发明涉及一种数字孪生化纤长丝卷绕车间设备管控系统，该系统针对化纤长丝卷绕车间设备在执行任务期间无法精准掌握设备运行状态的问题，采用数字孪生技术对设备本身和车间生产过程进行实时监测、分析、模拟与预测，最终提高设备的管控效率。
如图1所示，本发明系统，具体实施方式如下：
(1)图1中的数字孪生模型构建模块101，具体实现方式如下：
在虚拟空间中构建“几何属性、物理属性、行为属性和规则属性”耦合的化纤长丝卷绕车间设备的数字孪生模型，纤长丝卷绕车间设备包括卷绕机、落丝车、暂存台、转运车、丝车、链机、回转台；得到的车间设备数字孪生模型如图2所示，包括丝车数字孪生模型1、链机数字孪生模型2、回转台数字孪生模型3、转运车数字孪生模型4、暂存台数字孪生模型5、落丝车数字孪生模型6、卷绕机数字孪生模型7；各设备作业方式与设备间作用关系为：
S1：卷绕机数字孪生模型7主要进行卷绕作业，对原浆液进行加工并卷绕成化纤长丝丝饼；
S2：落丝车数字孪生模型6主要进行落丝作业和暂存作业，落丝作业时，先运行至卷绕机数字孪生模型7的位置并把化纤长丝从卷绕机数字孪生模型7中取出；暂存作业时，落丝车数字孪生模型6载着化纤长丝丝饼运输到暂存台数字孪生模型5的位置进行化纤长丝丝饼暂存；
S3：暂存台数字孪生模型5主要对化纤长丝丝饼进行暂时存放；
S4：转运车数字孪生模型4主要进行暂存取丝作业和挂丝作业，暂存取丝作业时，转运车数字孪生模型需要运行至暂存台数字孪生模型5的位置，暂存台数字孪生模型5中的推板机构将化纤长丝丝饼推出到转运车数字孪生模型；挂丝作业时，转运车数字孪生模型载着化纤长丝丝饼运行至回转台数字孪生模型3的位置并将化纤长丝挂到丝车数字孪生模型1上；
S5：回转台数字孪生模型3主要进行回转作业，用于调整丝车A、B面；
S6：链机数字孪生模型2主要进行运输作业，用于将丝车数字孪生模型运输到回转台数字孪生模型3的位置上；
S7：丝车数字孪生模型1，主要用于挂放化纤长丝丝饼，存在A、B两面，两面均可挂放化纤长丝丝饼。
具体的，几何属性，使用3DMax建模软件，建立化纤长丝卷绕车间设备数字孪生模型的三维几何模型，体现其外观形状、尺寸大小、内部结构、空间位姿和装配关系；
具体的，物理属性，包含结构力学、热力学和材料力学特性；
具体的，行为属性，包含化纤长丝卷绕车间设备加速、减速、急停和旋转的运动行为，设备关键零部件的性能退化行为，外界扰动行为；
具体的，规则属性，包含化纤长丝卷绕车间设备间的关联规则、约束规则、历史经验和专家知识；
(2)图1中的多源数据采集与预处理模块102，具体实现方式如下：
多源数据采集模块，配置多源数据采集接口的通讯方式与参数，包括IP地址、端口、波特率；对化纤长丝卷绕车间设备进行实时数据采集，并将采集到的原始数据传输到信息存储模块108；
数据预处理模块，具体包括：数据筛选模块，对原始数据进行清洗和筛选，去除重复、不全的数据；数据分类模块，基于化纤长丝卷绕车间设备种类对数据筛选结果进行分类，并建立设备数据集；数据特征提取模块，针对化纤长丝卷绕车间设备分类数据集，提取能够表征设备运行状态的时域特征和频域特征；
(3)图1中的数字孪生模型仿真模块103，具体实现方式如下：
虚实映射模块，建立虚拟空间中化纤长丝卷绕车间设备的数字孪生模型与物理空间中化纤长丝卷绕车间设备之间的通讯接口，映射关系；
仿真与评估模块，基于虚实映射关系，根据历史数据和实时感知数据驱动数字孪生模型，对化纤长丝卷绕车间设备工作过程进行可视化模拟和评估，可视化模拟和评估包括：①数字孪生模型构建模块101中的几何属性，对设备外观形状、尺寸大小、内部结构、装配关系进行可视化；②数字孪生模型构建模块101中的物理属性，模拟设备材料退化过程和运动学原理，评估材料特性；③数字孪生模型构建模块101中的行为属性，在虚拟空间中体现化纤长丝卷绕车间设备行走行走、机体旋转行为、平台上升/下降行为、机构推出/收缩行为；④数字孪生模型构建模块101中的规则属性，在虚拟空间中对领域标准、相关准则、历史经验进行评估；
虚实交互模块，基于虚实映射关系和接口，实现虚实交互；通过传感器实时感知化纤长丝卷绕车间设备状态信息，对数字孪生模型进行更新与优化，即以虚映实；基于仿真与评估结果优化化纤长丝卷绕车间设备运行决策，即以虚控实；
(4)图1中的可视化管理模块104，具体实现方式如下：
设备可视化模块，对化纤长丝卷绕车间中的设备数字孪生模型进行可视化展示，支持设备整体及关键零部件模型的查看和管理；
数据可视化模块，采用统计图、表的方式对数据信息进行可视化展示，具体包括：设备实时运行状态数据、设备数字孪生模型仿真模拟数据、设备报警数据、历史运行数据、产品和服务数据；
(5)图1中的故障诊断模块105，具体实现方式如下：
故障分类模块，对化纤车间卷绕车间设备：卷绕机、落丝车、暂存台、转运车、丝车、链机、回转台的所有故障进行分类，主要包括机械故障、电气故障两大类；
故障树模块，基于故障分类结果，并结合数字孪生模型构建模块101中规则属性中的专家知识、历史经验，分别构建各设备的故障树，用于表示故障发生的原因，辅助故障诊断，故障树基本结构如下：①卷绕机故障树，根据卷绕机运行原理和电气原理，可按下述步骤建立卷绕机的故障树：首先以“卷绕机不能正常工作”作为故障树顶事件，从切断器切不断丝束、丝辊转动不灵活、丝辊振动大、主电路故障、电控系统故障五个方面分别建树；②落丝车/ 转运车故障树，根据落丝车和转运车运行原理和电气原理，均可按下述步骤建立落丝车和转运车故障树：以“落丝车不能正常工作”作为顶事件，从水平机构不能正常运行B1、载货台不能正常升降、推板机构不能正常伸缩、旋转机构故障、电控系统故障、主电路故障六个方面分别建树；③链机故障树，以“链机不能正常工作”作为顶事件，从链轮结构故障、电机系统故障、电控系统故障、主电路故障四个方面分别建树；④回转台故障树，以“回转台不能正常工作”作为顶事件，从回转机构故障、回转停不准、电机系统故障、电控系统故障、主电路故障五个方面分别建树；
故障诊断模块，当化纤长丝卷绕车间设备发生故障报警时，基于故障树模块梳理故障所属设备、类别、故障发生位置和故障原因，对设备关键零部件进行故障诊断；
(6)图1中的故障预测模块106，结合图3，具体实现方式如下：
S1：数字孪生模型驱动的故障预测模块，根据数字孪生模型构建模块101中的物理属性，利用包含化纤长丝卷绕车间设备材料性能退化过程的数字孪生模型对设定故障工况进行故障发生过程仿真，预测设备故障发生的时间和位置；设定故障工况具体包括：三种单故障状态和三种复合故障状态；所述三种单故障状态电机转矩增加状态、变频器输出过流状态、轴承磨损状态；所述三种复合故障状态，电机转矩增加与变频器输出过流复合状态、电机转矩增加与轴承磨损状态、变频器输出过流与轴承磨损复合状态；
具体的，所述故障预测模块中的数字孪生模型驱动的故障预测模块，主要有两种方式，具体包括：
方式1，如图3所示，基于物理空间中的设备运行工况条件映射、实时感知数据和结构特性，在虚拟空间中采用化纤长丝卷绕车间设备数字孪生模型复现物理空间设备执行任务过程，对过程进行仿真与模拟，仿真计算得出设备整体或关键零部件性能退化状态，以预测故障预计发生时间和位置；
方式2，如图3所示，在虚拟空间中，利用化纤长丝卷绕车间设备数字孪生模型对设定故障工况进行可视化仿真，模拟故障发生过程，并记录下设备关键零部件发生故障的位置和时间；
S2：数据集获取模块，基于设备历史故障数据、数字孪生模型仿真模块模拟设定故障工况产生的故障发生过程模拟数据，建立故障预测模型训练数据集；
S3：数据模型驱动的故障预测模块，利用训练数据集进行神经网络模型训练，对设备预计发生的故障时间和位置进行预测；
具体的，所述故障预测模块中的数据驱动的故障预测模块，如图3所示，具体包括：
融合数据集，包括历史故障数据、历史维护数据和模拟故障数据；
训练神经网络模型，利用融合的数据集构建构造输入、输出、训练样本集以及测试样本集，并进行神经网络模型训练，其中故障神经网络预测模型采用LSTM神经网络。LSTM模型由输入序列X＝(x1,x2，…，xt)，步长及对应的输入、输入门it、遗忘门ft和输出门ot等部分组成；具体实现步骤如下：①基于融合数据集，获取设备故障特征参数的时间序列x(t)，假设设备由NC个故障特征参数，且当前时刻t的状态与此时刻之前r个状态有关，即输入向量为:
Figure BDA0003539389370000111
其中各参数的下标表示特征种类，上标表示每种特征中与当前状态相关的特征；输出量
Figure BDA0003539389370000112
Figure BDA0003539389370000113
其中
Figure BDA0003539389370000114
表示t时刻第i种特征参数的值。②依据时间窗口T和预测步长q，基于融合数据集构建输入、输出、训练样本集以及测试样本集；③训练LSTM模型，LSTM输入层节点数设置Nc×T；输出层节点数设置Nc×q；隐层节点数设置为10，用训练样本集进行LSTM预测模型的训练；④对设备故障特征参数进行预测，将测试样本导入已经训练完成的 LSTM预测模型中，对未来时刻的故障特征参数进行预测；
S4：数模融合驱动的故障预测模块，结合数字孪生模型驱动的故障预测模块中仿真预测结果wi，j(t)，表示为第i个设备第j个传感器在t时刻的故障预测，与数据模型驱动的故障预测模块中神经网络预测结果vi，j(t)，表示为第i个设备第j个传感器在t时刻的故障预测，采用均值法对二者预测结果进行融合，即
Figure BDA0003539389370000115
得到更加准确的设备故障预测结果
Figure BDA0003539389370000116
其中，1≤j≤N，j表示第j个传感器，N表示传感器最大数量为N；时间t≥0；1≤i≤112， i表示第i套设备，本发明中共包含112套化纤长丝卷绕车间设备，卷绕机96套、落丝车1 辆、暂存台2套、转运车1辆、丝车10辆、链机1套、回转台1套；
(7)图1中的服务模块107，具体实现方式如下：
设备状态实时监控服务模块，可以实现虚拟空间中的化纤长丝卷绕车间设备数字孪生模型与物理空间中的化纤长丝卷绕车间设备实时同步运行，并可以通过可视化管理模块104进行所见即为所得的化纤长丝卷绕车间设备三维可视化展示，即设备可视化；以及通过可视化管理模块104实时显示化纤长丝卷绕车间卷绕机、落丝车、暂存台、转运车、丝车、链机、回转台设备三维运动状态和运行数据，即数据可视化；最终实现为用户提供所见即所得的化纤长丝卷绕车间设备三维立体可视化监控服务；
故障维修辅助服务模块，创新在于当物理空间中化纤长丝卷绕车间设备发生故障时，基于故障树确定故障发生原因，并在虚拟空间中利用数字孪生模型仿真模块103中的仿真与评估，对故障维修方法进行仿真，并以维修完成时间和成本为标准评估维修方法的可行性，当维修方法可行时为用户提供故障维修辅助，帮助维修人员快速定位故障并给出维修建议；当维修过程不可行时，可反复更换故障维修方法继续进行仿真与评估，直到可行为止，并在虚拟空间中记录下本次维修内容和维修方法；
故障预警服务模块，结合数字孪生模型驱动的故障预测模块中仿真预测结果与数据模型驱动的故障预测模块中神经网络预测结果，并采用均值算法对二者预测结果进行融合，得到更加准确的化纤长丝卷绕车间设备故障预测结果；基于故障预测结果，在虚拟空间中对化纤长丝卷绕车间卷绕机、落丝车、暂存台、转运车、丝车、链机、回转台设备数字孪生模型上提供故障声光预警，示警内容包括：设备关键零部件故障预计发生位置、时间以、故障可能发生原因以及故障规避建议；
预测性维护服务模块，基于故障预测结果对设备状态进行健康评估，提供设备关键零部件预测性维护方案；
产品质量追溯服务模块，基于化纤长丝卷绕过程及卷绕机加工参数，利用数字孪生模型仿真，对化纤长丝卷绕质量进行分析和预测，并将分析与预测结果记录到信息存储模块108，以便对产品质量进行追溯；
(8)图1中的信息存储模块108，具体实现方式如下：
实时数据存储，物理空间中化纤长丝卷绕车间设备实时运行数据，包括：状态数据、故障数据、报警数据；
虚拟数据存储，虚拟空间中数字孪生模型仿真模块所产生的孪生数据，包括：模拟数据、评估数据；
产品数据存储，具体包括：产品批号、生产批次、重量、数量；
历史数据存储，具体包括：设备历史运行数据、历史故障数据、历史维护数据。
综上所述，本发明公开了一种数字孪生化纤长丝卷绕车间设备管控系统，包括：化纤长丝卷绕车间设备数字孪生模型的构建；车间设备多源数据采集与分析；车间设备执行任务期间的实时可视化监测；基于故障树分析的故障诊断与维修辅助；结合设备数字孪生模型与数据驱动模型故障预测结果融合的方法对设备故障进行精准分析与预测。本发明能够解决化纤长丝生产车间设备执行任务过程中无法精准掌握设备运行状态的问题，提高化纤长丝卷绕车间设备管控质量和效率。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种数字孪生化纤长丝卷绕车间设备管控系统，其特征在于，包括：数字孪生模型构建模块、多源数据采集与分析模块、数字孪生模型仿真模块、可视化管理模块、故障诊断模块、故障预测模块、服务模块和信息存储模块；
1.1所述数字孪生模型构建模块，在虚拟空间中构建几何属性、物理属性、行为属性和规则属性耦合的化纤长丝卷绕车间设备的数字孪生模型，所述化纤长丝卷绕车间设备包括卷绕机、落丝车、暂存台、转运车、丝车、链机和回转台；化纤长丝卷绕车间设备的数字孪生模型包括卷绕机数字孪生模型、落丝车数字孪生模型、暂存台数字孪生模型、转运车数字孪生模型、丝车数字孪生模型、链机数字孪生模型和回转台数字孪生模型；所述几何属性建立设备数字孪生模型的三维几何模型，体现其外观形状、尺寸大小、内部结构、空间位姿和装配关系；所述物理属性包含化纤长丝卷绕车间设备结构力学、热力学和材料力学特性；所述行为属性包含化纤长丝卷绕车间设备加速、减速、急停和旋转的运动行为，化纤长丝卷绕车间设备关键零部件的性能退化行为，外界扰动行为；所述规则属性包含化纤长丝卷绕车间设备间的关联规则、约束规则、历史经验和专家知识；
1.2所述多源数据采集与预处理模块，包括：
(1)多源数据采集模块，配置多源数据采集接口的通讯方式与参数，包括IP地址、端口和波特率；对化纤长丝卷绕车间设备进行实时数据采集，并将采集到的原始数据传输到信息存储模块108；
(2)数据预处理模块，具体包括：
数据筛选模块，对原始数据进行清洗和筛选，去除重复和不全的数据；
数据分类模块，基于化纤长丝卷绕车间设备种类对数据筛选结果进行分类，并建立设备数据集；
数据特征提取模块，针对化纤长丝卷绕车间设备分类数据集，提取能够表征设备运行状态的时域特征和频域特征；
1.3所述数字孪生模型仿真模块，具体包括：
(1)虚实映射模块，建立虚拟空间中化纤长丝卷绕车间设备的数字孪生模型与物理空间中化纤长丝卷绕车间设备之间的通讯接口，映射关系；
(2)仿真与评估模块，基于虚实映射关系，根据历史数据和实时感知数据驱动数字孪生模型，对化纤长丝卷绕车间设备工作过程进行可视化模拟和评估，可视化模拟和评估包括：
数字孪生模型构建模中的几何属性，对设备外观形状、尺寸大小、内部结构、装配关系进行可视化；
数字孪生模型构建模块中的物理属性，模拟设备材料退化过程和运动学原理，评估材料特性；
数字孪生模型构建模块中的行为属性，在虚拟空间中体现化纤长丝卷绕车间设备行走行走、机体旋转行为、平台上升/下降行为、机构推出/收缩行为；
数字孪生模型构建模块中的规则属性，在虚拟空间中对领域标准、相关准则、历史经验进行评估；
(3)虚实交互模块，基于虚实映射关系和接口，实现虚实交互；通过传感器实时感知化纤长丝卷绕车间设备状态信息，对数字孪生模型进行更新与优化，即以虚映实；基于仿真与评估结果优化化纤长丝卷绕车间设备运行决策，即以虚控实；
1.4所述可视化管理模块，具体包括：
(1)设备可视化模块，用于显示数字孪生模型构建模块所构建的化纤长丝卷绕车间设备的数字孪生模型；
(2)数据可视化模块，基于多源数据采集与分析模块将数据分析结果，提供支持常用的统计图表可视化展示，包括：设备运行信息、设备状态信息、设备报警信息、历史数据和产品信息，并支持钻取、联动及链接的交互操作，通过人机界面帮助用户洞察数据背后的知识；
1.5所述故障诊断模块，具体包括：
(1)故障分类模块，根据数字孪生模型构建模块中的物理属性和规则属性，对卷绕车间内卷绕机、落丝车、转运车、链机、回转台设备的所有故障进行分类，分类成机械系统故障和电气系统故障两大类，得到故障分类结果；
(2)故障树模块，基于故障分类结果，分别构建各设备的故障树；
(3)故障诊断模块，当化纤长丝卷绕车间设备发生故障报警时，基于故障树梳理故障所属类别，故障发生位置和故障原因，对设备关键零部件进行故障诊断；
1.6故障预测模块，具体包括：
(1)数字孪生模型驱动的故障预测模块，根据数字孪生模型构建模块中的物理属性，利用包含化纤长丝卷绕车间设备材料性能退化过程的数字孪生模型对设定故障工况进行故障发生过程仿真，预测设备故障发生的时间和位置；设定故障工况具体包括：三种单故障状态和三种复合故障状态；所述三种单故障状态电机转矩增加状态、变频器输出过流状态、轴承磨损状态；所述三种复合故障状态，电机转矩增加与变频器输出过流复合状态、电机转矩增加与轴承磨损状态、变频器输出过流与轴承磨损复合状态；
(2)数据集获取模块，基于设备历史故障数据和数字孪生模型仿真模块产生的故障模拟数据，建立故障预测模型训练数据集；
(3)数据模型驱动的故障预测模块，利用训练数据集进行神经网络模型训练，对化纤长丝卷绕车间设备预计发生的故障时间和位置进行预测；
(4)数模融合驱动的故障预测模块，结合数字孪生模型驱动的故障预测模块中仿真预测结果与数据模型驱动的故障预测模块中神经网络预测结果，采用融合算法对二者预测结果进行融合，得到更加准确的设备故障预测结果；
1.7所述服务模块，具体包括：
(1)设备状态实时监控服务模块，提供化纤长丝卷绕车间设备所见即所得的实时运行状态全方位可视化监控服务；
(2)故障维修辅助服务模块，根据故障诊断结果，为维修人员提供相应的维修方案；
(3)故障预警服务模块，基于故障预测结果，提供故障预警服务，所述故障预警服务包括：化纤长丝卷绕车间设备关键零部件故障预计发生位置和预计发生时间；
(4)预测性维护服务模块，基于故障预测结果对设备状态进行健康评估，提供化纤长丝卷绕车间设备关键零部件预测性维护方案；
(5)产品质量追溯服务模块，基于化纤长丝卷绕过程及卷绕机加工参数，利用数字孪生模型仿真，对化纤长丝卷绕质量进行预测，并将预测结果记录到信息存储模块，以便对产品质量进行追溯；
1.8所述信息存储模块，用于数据存储，包括：
(1)实时数据存储，物理空间中化纤长丝卷绕车间设备实时运行数据，所述实时运行包括：状态数据、故障数据和报警数据；
(2)虚拟数据存储，虚拟空间中数字孪生模型仿真模块所产生的孪生数据，所述孪生数据包括：模拟数据和评估数据；
(3)产品数据存储，所述产品数据包括：产品批号、生产批次、重量和数量；
(4)历史数据存储，所述历史数据包括：设备历史运行数据、历史故障数据和历史维护数据。
2.根据权利要求1所述的数字孪生化纤长丝卷绕车间设备管控系统，其特征在于：所述故障诊断模块中的故障树模块，基于机械故障和电气故障两大故障类型，并结合数字孪生模型构建模块中规则属性中的专家知识、历史经验，构建化纤长丝卷绕车间设备的故障树，用于表示故障发生的原因，辅助故障诊断；所述故障树基本结构为：①卷绕机故障树，根据卷绕机运行原理和电气原理，按下述步骤建立卷绕机的故障树：首先以“卷绕机不能正常工作”作为故障树顶事件，从切断器切不断丝束、丝辊转动不灵活、丝辊振动大、主电路故障、电控系统故障五个方面分别建树；②落丝车/转运车故障树，根据落丝车和转运车运行原理和电气原理，均按下述步骤建立落丝车和转运车故障树：以“落丝车不能正常工作”作为顶事件，从水平机构不能正常运行B1、载货台不能正常升降、推板机构不能正常伸缩、旋转机构故障、电控系统故障、主电路故障六个方面分别建树；③链机故障树，以“链机不能正常工作”作为顶事件，从链轮结构故障、电机系统故障、电控系统故障、主电路故障四个方面分别建树；④回转台故障树，以“回转台不能正常工作”作为顶事件，从回转机构故障、回转停不准、电机系统故障、电控系统故障、主电路故障五个方面分别建树。
3.根据权利要求1所述的数字孪生化纤长丝卷绕车间设备管控系统，其特征在于：所述故障预测模块中的数字孪生模型驱动的故障预测模块，具体包括：基于物理空间中的设备运行工况条件映射，实时感知数据和结构特性，在虚拟空间中基于数字孪生模型对设备执行任务过程进行仿真与模拟，仿真计算得出化纤长丝卷绕车间设备关键零部件性能退化状态，以预测故障预计发生时间和位置；利用数字孪生模型对设定故障工况进行可视化仿真，模拟故障发生过程，以预测故障发生的位置和时间。
4.根据权利要求1所述的数字孪生化纤长丝卷绕车间设备管控系统，其特征在于：所述故障预测模块中的数据驱动的故障预测模块，具体包括：
融合数据集，包括历史故障数据、历史维护数据和模拟故障数据；
训练神经网络模型，利用融合的数据集构建构造输入、输出、训练样本集以及测试样本集，并进行神经网络模型训练，其中故障神经网络预测模型采用LSTM神经网络。LSTM模型由输入序列X＝(x1,x2，…，xt)，步长及对应的输入、输入门it、遗忘门ft和输出门ot等部分组成；具体实现步骤如下：①基于融合数据集，获取设备故障特征参数的时间序列x(t)，假设设备由NC个故障特征参数，且当前时刻t的状态与此时刻之前r个状态有关，即输入向量为:
Figure FDA0003539389360000041
其中各参数的下标表示特征种类，上标表示每种特征中与当前状态相关的特征；输出量
Figure FDA0003539389360000042
Figure FDA0003539389360000043
其中
Figure FDA0003539389360000044
表示t时刻第i种特征参数的值；②依据时间窗口T和预测步长q，基于融合数据集构建输入、输出、训练样本集以及测试样本集；③训练LSTM模型，LSTM输入层节点数设置Nc×T；输出层节点数设置Nc×q；根据隐藏层节点公式2m+1，其中m表示输入层节点数，将隐藏层节点数设置为2*(Nc×T)+1，用训练样本集进行LSTM预测模型的训练；④对设备故障特征参数进行预测，将测试样本导入已经训练完成的LSTM预测模型中，对未来时刻的故障特征参数进行预测。
5.根据权利要求1所述的数字孪生化纤长丝卷绕车间设备管控系统，其特征在于：所述故障预测模块中的数模融合驱动的故障预测模块，结合数字孪生模型驱动的故障预测模块中仿真预测结果wi，j(t)，表示为第i个设备第j个传感器在t时刻的故障预测，与数据模型驱动的故障预测模块中神经网络预测结果vi，j(t)，表示为第i个设备第j个传感器在t时刻的故障预测，采用均值法对二者预测结果进行融合，即
Figure FDA0003539389360000051
得到更加准确的设备故障预测结果
Figure FDA0003539389360000052
其中，1≤j≤N，j表示第j个传感器，N表示传感器最大数量为N；时间t≥0；1≤i≤112，i表示第i套设备。
6.一种基于权利要求1－5任意之一所述系统实现的数字孪生化纤长丝卷绕车间设备管控方法，其特征在于：
(1)在虚拟空间中，通过数字孪生构建模块构建几何属性、行为属性、规则属性和多物理属性耦合的化纤长丝卷绕车间设备的数字孪生模型，以实现物理空间中卷绕机、落丝车、暂存台、转运车、丝车、链机、回转台化纤长丝卷绕车间设备的高保真映射；并基于多源数据采集与预处理模块采集物理空间中化纤长丝卷绕车间设备的实时状态，驱动虚拟空间中的化纤长丝卷绕车间设备的数字孪生模型，实现数字孪生模型仿真模块中的虚实映射；创新在于可以实现虚拟空间中的化纤长丝卷绕车间设备数字孪生模型与物理空间中的化纤长丝卷绕车间设备实时同步运行，并可以通过可视化管理模块进行所见即为所得的化纤长丝卷绕车间设备三维可视化展示，即设备可视化；以及通过可视化管理模块实时显示化纤长丝卷绕车间卷绕机、落丝车、暂存台、转运车、丝车、链机、回转台设备三维运动状态和运行数据，即数据可视化；最终实现为用户提供所见即所得的化纤长丝卷绕车间设备三维立体可视化监控；
(2)故障诊断模块，基于物理空间中设备历史故障数据和维护数据，在虚拟空间中对化纤长丝卷绕车间卷绕机、落丝车、暂存台、转运车、丝车、链机、回转台设备常见故障进行分析与分类，并构建故障树；创新在于当物理空间中化纤长丝卷绕车间设备发生故障时，基于故障树确定故障发生原因，并在虚拟空间中利用数字孪生模型仿真模块中的仿真与评估，对故障维修方法进行仿真，并以维修完成时间和成本为标准评估维修方法的可行性，当维修方法可行时为用户提供服务模块中的故障维修辅助，帮助维修人员快速定位故障并给出维修建议；当维修过程不可行时，可反复更换故障维修方法继续进行仿真与评估，直到可行为止；
(3)故障预测模块，基于物理空间中化纤长丝卷绕车间设备实时运行数据、历史数据和维护数据建立故障预测模型训练数据集，利用训练数据集进行神经网络模型训练，对化纤长丝卷绕车间卷绕机、落丝车、暂存台、转运车、丝车、链机、回转台设备预计发生的故障时间和位置进行预测；另外，利用几何属性、行为属性、规则属性和多物理属性耦合的化纤长丝卷绕车间设备的数字孪生模型，在数字孪生模型仿真模块中的仿真与评估模块对设定故障工况进行故障发生过程仿真与评估，预测化纤长丝卷绕车间设备故障发生的时间和位置；创新在于在虚拟空间中可以结合数字孪生模型驱动的故障预测模块中仿真预测结果与数据模型驱动的故障预测模块中神经网络预测结果，并采用均值算法对二者预测结果进行融合，得到更加准确的化纤长丝卷绕车间设备故障预测结果；并基于故障预测结果为用户提供服务模块中的故障预警服务和预测性维护方案，从而加强化纤长丝卷绕车间设备管控能力；
(4)在虚拟空间，通过信息存储模块对产品数据进行分析与整理，对不同生产规格产品进行分类、编号与存储，为用户提供服务模块中的产品质量追溯服务。
CN202210233171.3A 2022-03-09 2022-03-09 一种数字孪生化纤长丝卷绕车间设备管控系统及方法 Pending CN114611235A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210233171.3A CN114611235A (zh) 2022-03-09 2022-03-09 一种数字孪生化纤长丝卷绕车间设备管控系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210233171.3A CN114611235A (zh) 2022-03-09 2022-03-09 一种数字孪生化纤长丝卷绕车间设备管控系统及方法

Publications (1)

Publication Number Publication Date
CN114611235A true CN114611235A (zh) 2022-06-10

Family

ID=81861090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210233171.3A Pending CN114611235A (zh) 2022-03-09 2022-03-09 一种数字孪生化纤长丝卷绕车间设备管控系统及方法

Country Status (1)

Country Link
CN (1) CN114611235A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862275A (zh) * 2022-06-16 2022-08-05 北自所(北京)科技发展股份有限公司 基于数字孪生模型的仓储物流系统可靠性评估方法及系统
CN114897271A (zh) * 2022-06-14 2022-08-12 郑州轻工业大学 数字孪生环境下基于故障传播的中央空调预测性维护方法
CN115238529A (zh) * 2022-09-23 2022-10-25 北自所(北京)科技发展股份有限公司 基于数字孪生的化纤长丝工艺溯源方法、装置及存储介质
CN115542856A (zh) * 2022-10-08 2022-12-30 国网山西省电力公司电力科学研究院 一种基于数字孪生建模的设备故障诊断预警系统及使用方法
CN116128320A (zh) * 2023-01-04 2023-05-16 杭州有泰信息技术有限公司 电网输变电可视化管控方法及平台
CN116614344A (zh) * 2023-05-29 2023-08-18 北京城建智控科技股份有限公司 一种基于数字孪生的故障诊断方法及系统
CN117049379A (zh) * 2023-08-16 2023-11-14 广东达丰机械工程有限公司 一种基于数字孪生的塔式起重机工作监测系统
CN117454530A (zh) * 2023-12-26 2024-01-26 天津天汽模志通车身科技有限公司 一种基于数字孪生的汽车车身部件建模、检测方法及系统
CN117829862A (zh) * 2024-03-04 2024-04-05 贵州联广科技股份有限公司 一种基于互联互通的数据源追溯方法及系统

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897271A (zh) * 2022-06-14 2022-08-12 郑州轻工业大学 数字孪生环境下基于故障传播的中央空调预测性维护方法
CN114862275A (zh) * 2022-06-16 2022-08-05 北自所(北京)科技发展股份有限公司 基于数字孪生模型的仓储物流系统可靠性评估方法及系统
CN115238529A (zh) * 2022-09-23 2022-10-25 北自所(北京)科技发展股份有限公司 基于数字孪生的化纤长丝工艺溯源方法、装置及存储介质
CN115238529B (zh) * 2022-09-23 2022-12-16 北自所(北京)科技发展股份有限公司 基于数字孪生的化纤长丝工艺溯源方法、装置及存储介质
CN115542856A (zh) * 2022-10-08 2022-12-30 国网山西省电力公司电力科学研究院 一种基于数字孪生建模的设备故障诊断预警系统及使用方法
CN116128320B (zh) * 2023-01-04 2023-08-08 杭州有泰信息技术有限公司 电网输变电可视化管控方法及平台
CN116128320A (zh) * 2023-01-04 2023-05-16 杭州有泰信息技术有限公司 电网输变电可视化管控方法及平台
CN116614344A (zh) * 2023-05-29 2023-08-18 北京城建智控科技股份有限公司 一种基于数字孪生的故障诊断方法及系统
CN116614344B (zh) * 2023-05-29 2024-03-26 北京城建智控科技股份有限公司 一种基于数字孪生的故障诊断方法及系统
CN117049379A (zh) * 2023-08-16 2023-11-14 广东达丰机械工程有限公司 一种基于数字孪生的塔式起重机工作监测系统
CN117049379B (zh) * 2023-08-16 2024-01-26 广东达丰机械工程有限公司 一种基于数字孪生的塔式起重机工作监测系统
CN117454530A (zh) * 2023-12-26 2024-01-26 天津天汽模志通车身科技有限公司 一种基于数字孪生的汽车车身部件建模、检测方法及系统
CN117454530B (zh) * 2023-12-26 2024-03-26 天津天汽模志通车身科技有限公司 一种基于数字孪生的汽车车身部件建模、检测方法及系统
CN117829862A (zh) * 2024-03-04 2024-04-05 贵州联广科技股份有限公司 一种基于互联互通的数据源追溯方法及系统

Similar Documents

Publication Publication Date Title
CN114611235A (zh) 一种数字孪生化纤长丝卷绕车间设备管控系统及方法
WO2021227325A1 (zh) 一种基于数字孪生的生产过程仿真优化方法
CN110929898B (zh) 水电站启闭设备运维及故障监测在线评估系统及方法
CN112731887A (zh) 石化无人值守装卸线数字孪生智能监控系统及方法
CN108830745B (zh) 基于监控信息的电网连锁故障诊断、预警、评估系统
CN112085261A (zh) 基于云端融合和数字孪生技术的企业生产现状诊断方法
CN107748557B (zh) 一种基于LabVIEW的船舶综合电力推进系统智能故障诊断系统
CN114118224B (zh) 一种基于神经网络的全系统遥测参数异常检测系统
CN107730017A (zh) 智能冶金设备运行诊断系统
CN109857080B (zh) 一种基于bim的智能船闸运维系统
CN106406296A (zh) 一种基于车载和云端的列车故障诊断系统及方法
CN112487058A (zh) 一种基于数据挖掘的数控机床故障监测与诊断系统
CN114118673A (zh) 一种基于数字孪生技术的车间智能化故障诊断预警方法
CN107291830A (zh) 一种设备知识库的创建方法
CN111651530A (zh) 一种智能化港口监测系统
CN114757516A (zh) 一种隧道掘进机全生命周期云平台管理系统
CN112799369A (zh) 一种产品装配过程管控方法和装置
CN108229538A (zh) 交通工具系统预测装置和方法
CN110728381A (zh) 一种基于rfid和数据处理的发电厂智能巡检方法及系统
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN115876655A (zh) 一种受限空间涉爆粉尘全过程监测系统及方法
CN115146798A (zh) 基于本体数据的装配机器人全流程监测与辅助方法及系统
CN117194919A (zh) 一种生产数据分析系统
CN114384881A (zh) 基于数字孪生的车间物流监测与仿真系统及方法
CN117314264A (zh) 结合web的功能模块化建筑结构运维监管系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination