CN114663074A - 一种基于数字孪生的产品数据分析方法及系统 - Google Patents
一种基于数字孪生的产品数据分析方法及系统 Download PDFInfo
- Publication number
- CN114663074A CN114663074A CN202210533321.2A CN202210533321A CN114663074A CN 114663074 A CN114663074 A CN 114663074A CN 202210533321 A CN202210533321 A CN 202210533321A CN 114663074 A CN114663074 A CN 114663074A
- Authority
- CN
- China
- Prior art keywords
- product
- real
- processing
- obtaining
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数字孪生的产品数据分析方法及系统,涉及数据分析领域,其中,所述方法包括:获得第一产品;获得第一产品信息数据库;对所述第一产品进行处理,获得第一产品的数字孪生体;获得第一产品实时信息集合;对所述第一产品的数字孪生体进行处理,获得第一产品的多个拟处理方案;分别使用所述第一产品的多个拟处理方案在所述仿真云平台上进行验证,获得第一产品的处理方案;获得第一产品的实时评估结果;将所述第一产品的处理方案、所述第一产品的实时评估结果按照链式进行标识存储。解决了现有技术中的针对产品数据分析的精确度不高,进而造成产品数据分析效果不佳,无法提供较良的产品优化方案的技术问题。
Description
技术领域
本发明涉及数据分析领域,具体地,涉及一种基于数字孪生的产品数据分析方法及系统。
背景技术
随着科学技术的发展,各种类型的产品层出不穷。对产品进行数据分析时,常出现数据分散、重复、孤立、有效数据信息闲置等缺点,进而导致产品无法满足客户需求、产品竞争优势不足等问题。而数字孪生具有对数据进行深度分析、优化控制等优势。将数字孪生与产品数据分析结合,研究设计一种优化产品数据分析的方法,具有重要的现实意义。
现有技术中,存在针对产品数据分析的精确度不高,进而造成产品数据分析效果不佳,无法提供较良的产品优化方案的技术问题。
发明内容
本申请提供了一种基于数字孪生的产品数据分析方法及系统,解决了现有技术中的针对产品数据分析的精确度不高,进而造成产品数据分析效果不佳,无法提供较良的产品优化方案的技术问题。
鉴于上述问题,本申请提供了一种基于数字孪生的产品数据分析方法及系统。
一方面,本申请提供了一种基于数字孪生的产品数据分析方法,其中,所述方法应用于一种基于数字孪生的产品数据分析系统,所述系统包括一仿真云平台,所述方法包括:获得第一产品;根据所述第一产品,获得第一产品信息数据库;根据所述第一产品信息数据库,结合数字孪生技术对所述第一产品进行处理,获得第一产品的数字孪生体;根据所述第一产品,获得第一产品实时信息集合;基于所述第一产品实时信息集合,采用仿真分析法对所述第一产品的数字孪生体进行处理,获得第一产品的多个拟处理方案;对所述第一产品的数字孪生体,分别使用所述第一产品的多个拟处理方案在所述仿真云平台上进行验证,获得第一产品的处理方案;根据所述第一产品实时信息集合和产品实时评估模型对所述第一产品进行实时评估,获得第一产品的实时评估结果;将所述第一产品的处理方案、所述第一产品的实时评估结果按照链式进行标识存储。
另一方面,本申请还提供了一种基于数字孪生的产品数据分析系统,其中,所述系统包括一仿真云平台,所述系统还包括:第一获得单元,所述第一获得单元用于获得第一产品;第二获得单元,所述第二获得单元用于根据所述第一产品,获得第一产品信息数据库;第三获得单元,所述第三获得单元用于根据所述第一产品信息数据库,结合数字孪生技术对所述第一产品进行处理,获得第一产品的数字孪生体;第四获得单元,所述第四获得单元用于根据所述第一产品,获得第一产品实时信息集合;第五获得单元,所述第五获得单元用于基于所述第一产品实时信息集合,采用仿真分析法对所述第一产品的数字孪生体进行处理,获得第一产品的多个拟处理方案;第六获得单元,所述第六获得单元用于对所述第一产品的数字孪生体,分别使用所述第一产品的多个拟处理方案在所述仿真云平台上进行验证,获得第一产品的处理方案;第七获得单元,所述第七获得单元用于根据所述第一产品实时信息集合和产品实时评估模型对所述第一产品进行实时评估,获得第一产品的实时评估结果;第一执行单元,所述第一执行单元用于将所述第一产品的处理方案、所述第一产品的实时评估结果按照链式进行标识存储。
第三方面,本申请提供了一种基于数字孪生的产品数据分析系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其中,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
根据第一产品,获得第一产品信息数据库;结合数字孪生技术对所述第一产品进行处理,获得第一产品的数字孪生体;根据第一产品实时信息集合,采用仿真分析法对所述第一产品的数字孪生体进行处理,获得第一产品的多个拟处理方案;在仿真云平台上对其进行验证,获得第一产品的处理方案;利用产品实时评估模型对所述第一产品进行实时评估,获得第一产品的实时评估结果;将所述第一产品的处理方案、所述第一产品的实时评估结果按照链式进行标识存储。达到了利用产品实时评估模型对产品进行实时状态的评估,提高产品数据分析的精确度及分析效果;利用数字孪生技术对产品进行未来状态的预测,并提供多个产品优化方案,结合仿真云平台对其进行验证后,选择较佳的产品优化方案;同时,提高产品数据分析的质量和效率,为产品数据分析技术的进一步发展奠定基础的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请一种基于数字孪生的产品数据分析方法的流程示意图;
图2为本申请一种基于数字孪生的产品数据分析方法中获得第一产品的多个拟处理方案的流程示意图;
图3为本申请一种基于数字孪生的产品数据分析系统的结构示意图;
图4为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,第七执行单元17,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供一种基于数字孪生的产品数据分析方法及系统,解决了现有技术中的针对产品数据分析的精确度不高,进而造成产品数据分析效果不佳,无法提供较良的产品优化方案的技术问题。达到了利用产品实时评估模型对产品进行实时状态的评估,提高产品数据分析的精确度及分析效果;利用数字孪生技术对产品进行未来状态的预测,并提供多个产品优化方案,结合仿真云平台对其进行验证后,选择较佳的产品优化方案;同时,提高产品数据分析的质量和效率,为产品数据分析技术的进一步发展奠定基础的技术效果。
下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
随着科学技术的发展,各种类型的产品层出不穷。对产品进行数据分析时,常出现数据分散、重复、孤立、有效数据信息闲置等缺点,进而导致产品无法满足客户需求、产品竞争优势不足等问题。而数字孪生具有对数据进行深度分析、优化控制等优势。将数字孪生与产品数据分析结合,研究设计一种优化产品数据分析的方法,具有重要的现实意义。现有技术中,存在针对产品数据分析的精确度不高,进而造成产品数据分析效果不佳,无法提供较良的产品优化方案的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供一种基于数字孪生的产品数据分析方法,其中,所述方法应用于一种基于数字孪生的产品数据分析系统,所述系统包括一仿真云平台,所述方法包括:根据第一产品,获得第一产品信息数据库;结合数字孪生技术对所述第一产品进行处理,获得第一产品的数字孪生体;根据第一产品实时信息集合,采用仿真分析法对所述第一产品的数字孪生体进行处理,获得第一产品的多个拟处理方案;在仿真云平台上对其进行验证,获得第一产品的处理方案;利用产品实时评估模型对所述第一产品进行实时评估,获得第一产品的实时评估结果;将所述第一产品的处理方案、所述第一产品的实时评估结果按照链式进行标识存储。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
请参阅附图1,本申请提供一种基于数字孪生的产品数据分析方法,其中,所述方法应用于一种基于数字孪生的产品数据分析系统,所述系统包括一仿真云平台,所述方法具体包括如下步骤:
步骤S100:获得第一产品;
步骤S200:根据所述第一产品,获得第一产品信息数据库;
具体而言,所述一种基于数字孪生的产品数据分析方法应用于所述一种基于数字孪生的产品数据分析系统。所述第一产品是指使用所述一种基于数字孪生的产品数据分析系统进行智能化产品数据分析的任一产品。例如,所述第一产品可以飞机、汽车、航空航天飞行器、洗衣机等多种类型的产品。进一步,所述一种基于数字孪生的产品数据分析系统通过云计算、大数据、人工智能等方式对所述第一产品进行全方位的信息采集,获得第一产品信息数据库。所述第一产品信息数据库包括第一产品的产品名称、产品构造参数、产品工作性能、产品寿命、生产厂家等多种类型产品参数信息。达到了明确第一产品,并获得第一产品信息数据库,为后续对第一产品进行数据分析奠定基础的技术效果。
步骤S300:根据所述第一产品信息数据库,结合数字孪生技术对所述第一产品进行处理,获得第一产品的数字孪生体;
进一步的,本申请步骤S300还包括:
步骤S310:获得多级特征维度,其中,所述多级特征维度包括第一特征维度、第二特征维度,其中,所述第一特征维度为产品特征,所述第二特征维度为产品工作环境特征;
步骤S320:根据所述多级特征维度对所述第一产品信息数据库进行特征提取,获得第一产品特征;
步骤S330:根据所述第一产品特征,结合数字孪生技术对所述第一产品进行处理,获得所述第一产品的数字孪生体。
具体而言,在获得所述第一产品及所述第一产品信息数据库的基础上,所述一种基于数字孪生的产品数据分析系统可对所述第一产品
进行智能化分析,并自动获取由第一特征维度、第二特征维度构成的
所述第一产品的多级特征维度。其中,所述第一特征维度、所述第二特征维度可以根据所述第一产品进行最优选择。优选的,本申请采用的所述第一特征维度为产品特征,所述第二特征维度为产品工作环境特征。
进一步,所述第一产品信息数据库中数据特征维度较高,增加了对其进行计算分析、获得第一产品特征的困难度。但盲目减少数据的特征会损失数据包含的关键信息,容易导致获得的第一产品特征的精确度下降。优选的,本申请采用特征提取,并结合所述多级特征维度对所述第一产品信息数据库进行处理,继而明确第一产品特征。既减少了需要分析的指标,又尽可能多的保持原来数据的信息。同时,提高获得第一产品特征的效率,节约时间。其中,所述第一产品特征包括第一产品的形状尺寸、装配关系等几何参数信息,第一产品的强度、刚度、硬度等材料特性参数信息,第一产品的额定工作电压、额定工作电流、额定工作温度等额定工作参数信息。
进而,利用数字孪生技术,结合所述第一产品特征,构建所述第一产品的数字孪生体。其中,所述数字孪生技术是指充分利用获得的所述第一产品特征的数据信息,集成多学科、多物理量、多尺度、多概率的仿真过程,对所述第一产品进行镜像映射,反映所述第一产品的实体行为、状态或活动的全生命周期的技术。所述第一产品的数字孪生体是指所述第一产品的仿真模型,该仿真模型与所述第一产品完全一致。所述第一产品的数字孪生体的最终表现形式是对第一产品完整、精确的数字化描述,可用于对所述第一产品进行模拟、监控、诊断、预测。示例性地,所述第一产品为空间飞行器,用于执行飞行任务。所述第一产品的数字孪生体为空间飞行器的仿真模型,在飞行任务准备期间,所述第一产品的数字孪生体用于训练;在飞行任务执行期间,所述第一产品的数字孪生体用于进行仿真试验,进而辅助太空轨道上的航天员在紧急情况下做出正确决策。达到了利用数字孪生技术获得第一产品的数字孪生体,为后续明确第一产品的多个拟处理方案提供数据支持的技术效果。
步骤S400:根据所述第一产品,获得第一产品实时信息集合;
具体而言,利用所述一种基于数字孪生的产品数据分析系统,对所述第一产品进行实时信息采集,获得第一产品实时信息集合。其中,所述第一产品实时信息集合包括第一产品的实时工作电流、实时工作电压、实时工作温度、实时工作湿度等实时工作数据信息。达到了获得准确度较高的第一产品实时信息集合,为后续的数据分析过程提供数据支持的技术效果。
步骤S500:基于所述第一产品实时信息集合,采用仿真分析法对所述第一产品的数字孪生体进行处理,获得第一产品的多个拟处理方案;
进一步的,如附图2所示,本申请步骤S500还包括:
步骤S510:基于所述第一产品实时信息集合,采用仿真分析法对所述第一产品的数字孪生体进行处理,获得第一产品的状态预测分数;
步骤S520:获得预设状态预测分数阈值;
步骤S530:判断所述第一产品的状态预测分数是否满足所述预设状态预测分数阈值;
步骤S540:若所述第一产品的状态预测分数不满足所述预设状态预测分数阈值,获得第一产品的多个拟优化处理方案;
步骤S550:若所述第一产品的状态预测分数满足所述预设状态预测分数阈值,获得第一产品的多个拟整改处理方案。
具体而言,所述仿真分析法是指将所述第一产品实时信息集合的数据信息传递到所述第一产品的数字孪生体,使所述第一产品的数字孪生体在所述第一产品实时信息集合的数据信息下进行仿真运行的方法。所述一种基于数字孪生的产品数据分析系统对所述第一产品的数字孪生体的仿真运行效果进行全方位科学分析,进而获得第一产品的状态预测分数。其中,所述第一产品的状态预测分数是基于所述第一产品的数字孪生体的仿真运行效果,对第一产品的健康状态、安全性、故障征兆等进行未来状态的预测后,并对预测结果进行数值化处理获得的数据信息。
进一步,利用所述预设状态预测分数阈值,获得第一产品的多个拟处理方案。当所述第一产品的状态预测分数不满足所述预设状态预测分数阈值时,表明所述第一产品的状态预测分数较高,所述第一产品未来处于较佳工作状态的可能性较高,由所述一种基于数字孪生的产品数据分析系统自动获取第一产品的多个拟优化处理方案,增强所述第一产品未来处于较佳工作状态的可能性。当所述第一产品的状态预测分数满足所述预设状态预测分数阈值时,表明所述第一产品的状态预测分数较低,所述第一产品未来处于较差工作状态的可能性较高,由所述一种基于数字孪生的产品数据分析系统自动获取第一产品的多个拟整改处理方案,降低所述第一产品未来处于较差工作状态的可能性,增强所述第一产品未来处于较佳工作状态的可能性。其中,所述预设状态预测分数阈值由所述一种基于数字孪生的产品数据分析系统综合处理产品数据分析过程的难点、重点等后,事先设置确定。达到了提供精确度较高的第一产品的多个拟处理方案,为后续获得适配度较强的第一产品的处理方案奠定基础的技术效果。
步骤S600:对所述第一产品的数字孪生体,分别使用所述第一产品的多个拟处理方案在所述仿真云平台上进行验证,获得第一产品的处理方案;
进一步的,本申请步骤S600还包括:
步骤S610:对所述第一产品的数字孪生体,分别使用所述第一产品的多个拟处理方案在所述仿真云平台上进行验证,获得所述第一产品的多个拟处理效果;
步骤S620:基于神经网络构建拟处理效果评估分数模型;
步骤S630:将所述第一产品的多个拟处理效果分别输入所述拟处理效果评估分数模型;
步骤S640:获得所述拟处理效果评估分数模型的多个输出信息,其中,所述多个输出信息包括第一产品的多个拟处理效果评估分数,所述多个拟处理效果评估分数与所述第一产品的多个拟处理方案一一对应;
步骤S650:根据所述第一产品的多个拟处理效果评估分数,获得所述第一产品的第一拟处理方案;
具体而言,对于已获得的所述第一产品的多个拟处理方案无法准确判断其优劣、合理性、适配度等参数。优选地,本申请采用仿真云平台对所述第一产品的多个拟处理方案进行验证。将所述第一产品的数字孪生体置于所述仿真云平台上,并将所述第一产品的多个拟处理方案传输到所述仿真云平台,使所述第一产品的数字孪生体分别在所述第一产品的多个拟处理方案下试运行,获得所述第一产品的多个拟处理效果。其中,所述仿真云平台包括于所述一种基于数字孪生的产品数据分析系统,用于对已获得的所述第一产品的多个拟处理方案进行试运行,验证所述第一产品的多个拟处理方案的优劣、合理性、适配度等参数。所述第一产品的多个拟处理效果与所述第一产品的多个拟处理方案一一对应。
进一步,通过将所述第一产品的多个拟处理效果分别输入所述拟处理效果评估分数模型,基于神经网络模型建立的所述拟处理效果评估分数模型能够输出准确的第一产品的多个拟处理效果评估分数。达到了获得准确而高效的第一产品的多个拟处理效果评估分数的技术效果。其中,所述拟处理效果评估分数模型为神经网络模型,具有神经网络模型的特性。所述神经网络模型即机器学习中的神经网络模型,它反映了人脑功能的许多基本特征,是一种具有局部连接、权值共享等特点的深层前馈神经网络,是一个高度复杂的非线性动力学习系统。所述多个拟处理效果评估分数与所述第一产品的多个拟处理方案一一对应。进而,将所述第一产品的多个拟处理效果评估分数中最高的评估分数对应的所述拟处理方案,确定为所述第一产品的第一拟处理方案。达到了利用仿真云平台和拟处理效果评估分数模型,获得准确度和合理性较高的所述第一产品的第一拟处理方案的技术效果。
步骤S660:对所述第一产品的第一拟处理方案进行主成分分析,获得所述第一产品的处理方案。
进一步的,本申请步骤S660还包括:
步骤S661:根据所述第一产品的第一拟处理方案,获得第一特征拟处理方案数据集;
步骤S662:对所述第一特征拟处理方案数据集进行去中心化处理,获得第二特征拟处理方案数据集;
步骤S663:根据所述第二特征拟处理方案数据集,获得第一产品处理方案的协方差矩阵;
步骤S664:根据所述第一产品处理方案的协方差矩阵,获得第一特征值和第一特征向量;
步骤S665:根据所述第一特征值和所述第一特征向量,获得所述第一产品的处理方案。
具体而言,所述主成分分析是一种最常用的线性降维方法,它的目标是通过某种线性投影,将高维的数据映射到低维的空间中,并期望在所投影的维度上数据的信息量最大(方差最大),以此使用较少的数据维度,同时保留较多的原数据点的特性。所述主成分分析具有用方差衡量信息的无监督学习,不受样本限制;消除原始数据成分间的相互影响;用少数指标代替多数指标,减少工作量;计算方法简单,易于实现等优点。
在获得所述第一产品的第一拟处理方案的基础上,对其进行数值化处理,并构建特征拟处理方案数据集,获得第一特征拟处理方案数据集。继而,对所述第一特征拟处理方案数据集中的各特征数据进行去中心化处理。即,首先求解所述第一特征拟处理方案数据集中各特征数据的平均值,然后对于所有的样本,每一个特征数据都减去自身的均值,继而获得新的特征值,由新的特征数据集构成第二特征拟处理方案数据集,所述第二特征拟处理方案数据集为一数据矩阵。进而,通过协方差公式对所述第二特征拟处理方案数据集进行运算,获得第一产品处理方案的协方差矩阵。进一步,通过矩阵运算,求出所述第一产品处理方案的协方差矩阵的特征值及特征向量,且每一特征值对应一个特征向量,获得第一特征值和第一特征向量。所述第一特征值是由所述第一产品处理方案的协方差矩阵进行矩阵运算后,获得的任一特征值。所述第一特征向量是与所述第一特征值对应的特征向量。进一步,在求出的所述第一特征值和所述第一特征向量中,选取最大的前K个特征值及其对应的特征向量,并将所述第一特征拟处理方案数据集中的原始数据投影到所选取的特征向量之上,获得所述第一产品的处理方案。达到了利用主成分分析法对所述第一产品的第一拟处理方案进行降维处理,在保证信息量的前提下,剔除冗余数据;且降维后,获得的所述第一产品的处理方案的信息量损失最小的技术效果。
步骤S700:根据所述第一产品实时信息集合和产品实时评估模型对所述第一产品进行实时评估,获得第一产品的实时评估结果;
进一步的,本申请步骤S700还包括:
步骤S710:基于神经网络构建所述产品实时评估模型;
步骤S720:将所述第一产品实时信息集合中数据信息的输入所述产品实时评估模型;
步骤S730:获得所述产品实时评估模型的输出信息,所述输出信息包括所述第一产品的实时评估结果。
具体而言,卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。所述产品实时评估模型为神经网络模型,具有神经网络模型的特性。将所述第一产品实时信息集合中数据信息作为输入信息,输入所述产品实时评估模型;基于神经网络模型建立的所述产品实时评估模型能够输出准确的所述产品实时评估模型的输出信息,所述输出信息包括所述第一产品的实时评估结果。所述第一产品的实时评估结果可表征第一产品的实时安全性、健康状态等数据信息。达到了利用产品实时评估模型获得准确而可信的第一产品的实时评估结果,进而提高产品数据分析的精确度和质量的技术效果。
步骤S800:将所述第一产品的处理方案、所述第一产品的实时评估结果按照链式进行标识存储。
进一步的,本申请步骤S800还包括:
步骤S810:分别对所述第一产品的处理方案、所述第一产品的实时评估结果进行标识,获得第一标识信息、第二标识信息;
步骤S820:基于链式储存,构建第一头结点,所述第一头结点内包括第一头指针;
步骤S830:根据所述第一头指针,依次构建其他结点,所述其他结点内均包括结点数据空间和结点指针;
步骤S840:采用所述结点数据空间对所述一标识信息、第二标识信息进行保存。
具体而言,对所述第一产品的处理方案进行标识,获得第一标识信息。对所述第一产品的实时评估结果进行标识,获得第二标识信息。进一步,利用链式储存,构建第一头结点,所述第一头结点内包括第一头指针;依据所述第一头指针,依次构建其他结点,所述其他结点内均包括结点数据空间和结点指针;进而利用所述结点数据空间对所述一标识信息、第二标识信息进行保存。其中,所述链式储存是指利用指示数据元素存储地址的指针表示数据元素之间的逻辑关系,在计算机中用一组任意的存储单元保存数据元素的方法。利用链式储存,可以构建多个结点,这多个结点链接成一个链表,所述第一头结点是链表中的第一个有效结点。所述第一头指针是指链表中指向第一头结点的指针,具有标识作用。所述结点数据空间用于保存数据信息。所述结点指针用于存放所述结点数据空间中数据信息对应的地址。利用所述结点指针可以快速查找所述结点数据空间中的数据信息。链式储存具有方法简单、可行性较高、存储空间利用率高、灵活等优点。达到了利用链式储存对所述第一产品的处理方案、所述第一产品的实时评估结果进行保存,便于对其进行深度数据分析,提高数据分析的效率的技术效果。
综上所述,本申请所提供的一种基于数字孪生的产品数据分析方法具有如下技术效果:
1.根据第一产品,获得第一产品信息数据库;结合数字孪生技术对所述第一产品进行处理,获得第一产品的数字孪生体;根据第一产品实时信息集合,采用仿真分析法对所述第一产品的数字孪生体进行处理,获得第一产品的多个拟处理方案;在仿真云平台上对其进行验证,获得第一产品的处理方案;利用产品实时评估模型对所述第一产品进行实时评估,获得第一产品的实时评估结果;将所述第一产品的处理方案、所述第一产品的实时评估结果按照链式进行标识存储。达到了利用产品实时评估模型对产品进行实时状态的评估,提高产品数据分析的精确度及分析效果;利用数字孪生技术对产品进行未来状态的预测,并提供多个产品优化方案,结合仿真云平台对其进行验证后,选择较佳的产品优化方案;同时,提高产品数据分析的质量和效率,为产品数据分析技术的进一步发展奠定基础的技术效果。
2.第一产品信息数据库中数据特征维度较高,增加了对其进行计算分析、获得第一产品特征的困难度。但盲目减少数据的特征会损失数据包含的关键信息,容易导致获得的第一产品特征的精确度下降。优选的,本申请采用特征提取,并结合所述多级特征维度对所述第一产品信息数据库进行处理,继而明确第一产品特征。既减少了需要分析的指标,又尽可能多的保持原来数据的信息。同时,提高获得第一产品特征的效率,节约时间。进而,利用数字孪生技术,结合所述第一产品特征,构建所述第一产品的数字孪生体。所述数字孪生技术是指充分利用获得的所述第一产品特征的数据信息,集成多学科、多物理量、多尺度、多概率的仿真过程,对所述第一产品进行镜像映射,反映所述第一产品的实体行为、状态或活动的全生命周期的技术。
3.利用主成分分析法对所述第一产品的第一拟处理方案进行降维处理,在保证信息量的前提下,剔除冗余数据;且降维后,获得的所述第一产品的处理方案的信息量损失最小。所述主成分分析是一种最常用的线性降维方法,它的目标是通过某种线性投影,将高维的数据映射到低维的空间中,并期望在所投影的维度上数据的信息量最大(方差最大),以此使用较少的数据维度,同时保留较多的原数据点的特性。所述主成分分析具有用方差衡量信息的无监督学习,不受样本限制;消除原始数据成分间的相互影响;用少数指标代替多数指标,减少工作量;计算方法简单,易于实现等优点。
4.链式储存是指利用指示数据元素存储地址的指针表示数据元素之间的逻辑关系,在计算机中用一组任意的存储单元保存数据元素的方法。利用链式储存,可以构建多个结点,这多个结点链接成一个链表,所述第一头结点是链表中的第一个有效结点。所述第一头指针是指链表中指向第一头结点的指针,具有标识作用。所述结点数据空间用于保存数据信息。所述结点指针用于存放所述结点数据空间中数据信息对应的地址。利用所述结点指针可以快速查找所述结点数据空间中的数据信息。链式储存具有方法简单、可行性较高、存储空间利用率高、灵活等优点。
实施例二
基于与前述实施例中一种基于数字孪生的产品数据分析方法,同样发明构思,本发明还提供了一种基于数字孪生的产品数据分析系统,请参阅附图3,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一产品;
第二获得单元12,所述第二获得单元12用于根据所述第一产品,获得第一产品信息数据库;
第三获得单元13,所述第三获得单元13用于根据所述第一产品信息数据库,结合数字孪生技术对所述第一产品进行处理,获得第一产品的数字孪生体;
第四获得单元14,所述第四获得单元14用于根据所述第一产品,获得第一产品实时信息集合;
第五获得单元15,所述第五获得单元15用于基于所述第一产品实时信息集合,采用仿真分析法对所述第一产品的数字孪生体进行处理,获得第一产品的多个拟处理方案;
第六获得单元16,所述第六获得单元16用于对所述第一产品的数字孪生体,分别使用所述第一产品的多个拟处理方案在所述仿真云平台上进行验证,获得第一产品的处理方案;
第七获得单元17,所述第七获得单元17用于根据所述第一产品实时信息集合和产品实时评估模型对所述第一产品进行实时评估,获得第一产品的实时评估结果;
第一执行单元18,所述第一执行单元18用于将所述第一产品的处理方案、所述第一产品的实时评估结果按照链式进行标识存储。
进一步的,所述系统还包括:
第八获得单元,所述第八获得单元用于获得多级特征维度,其中,所述多级特征维度包括第一特征维度、第二特征维度,其中,所述第一特征维度为产品特征,所述第二特征维度为产品工作环境特征;
第九获得单元,所述第九获得单元用于根据所述多级特征维度对所述第一产品信息数据库进行特征提取,获得第一产品特征;
第十获得单元,所述第十获得单元用于根据所述第一产品特征,结合数字孪生技术对所述第一产品进行处理,获得所述第一产品的数字孪生体。
进一步的,所述系统还包括:
第十一获得单元,所述第十一获得单元用于基于所述第一产品实时信息集合,采用仿真分析法对所述第一产品的数字孪生体进行处理,获得第一产品的状态预测分数;
第十二获得单元,所述第十二获得单元用于获得预设状态预测分数阈值;
第二执行单元,所述第二执行单元用于判断所述第一产品的状态预测分数是否满足所述预设状态预测分数阈值;
第十三获得单元,所述第十三获得单元用于若所述第一产品的状态预测分数不满足所述预设状态预测分数阈值,获得第一产品的多个拟优化处理方案;
第十四获得单元,所述第十四获得单元用于若所述第一产品的状态预测分数满足所述预设状态预测分数阈值,获得第一产品的多个拟整改处理方案。
进一步的,所述系统还包括:
第十五获得单元,所述第十五获得单元用于对所述第一产品的数字孪生体,分别使用所述第一产品的多个拟处理方案在所述仿真云平台上进行验证,获得所述第一产品的多个拟处理效果;
第三执行单元,所述第三执行单元用于基于神经网络构建拟处理效果评估分数模型;
第四执行单元,所述第四执行单元用于将所述第一产品的多个拟处理效果分别输入所述拟处理效果评估分数模型;
第十六获得单元,所述第十六获得单元用于获得所述拟处理效果评估分数模型的多个输出信息,其中,所述多个输出信息包括第一产品的多个拟处理效果评估分数,所述多个拟处理效果评估分数与所述第一产品的多个拟处理方案一一对应;
第十七获得单元,所述第十七获得单元用于根据所述第一产品的多个拟处理效果评估分数,获得所述第一产品的第一拟处理方案;
第十八获得单元,所述第十八获得单元用于对所述第一产品的第一拟处理方案进行主成分分析,获得所述第一产品的处理方案。
进一步的,所述系统还包括:
第十九获得单元,所述第十九获得单元用于根据所述第一产品的第一拟处理方案,获得第一特征拟处理方案数据集;
第二十获得单元,所述第二十获得单元用于对所述第一特征拟处理方案数据集进行去中心化处理,获得第二特征拟处理方案数据集;
第二十一获得单元,所述第二十一获得单元用于根据所述第二特征拟处理方案数据集,获得第一产品处理方案的协方差矩阵;
第二十二获得单元,所述第二十二获得单元用于根据所述第一产品处理方案的协方差矩阵,获得第一特征值和第一特征向量;
第二十三获得单元,所述第二十三获得单元用于根据所述第一特征值和所述第一特征向量,获得所述第一产品的处理方案。
进一步的,所述系统还包括:
第五执行单元,所述第五执行单元用于基于神经网络构建所述产品实时评估模型;
第六执行单元,所述第六执行单元用于将所述第一产品实时信息集合中数据信息的输入所述产品实时评估模型;
第二十四获得单元,所述第二十四获得单元用于获得所述产品实时评估模型的输出信息,所述输出信息包括所述第一产品的实时评估结果。
进一步的,所述系统还包括:
第二十五获得单元,所述第二十五获得单元用于分别对所述第一产品的处理方案、所述第一产品的实时评估结果进行标识,获得第一标识信息、第二标识信息;
第七执行单元,所述第七执行单元用于基于链式储存,构建第一头结点,所述第一头结点内包括第一头指针;
第八执行单元,所述第八执行单元用于根据所述第一头指针,依次构建其他结点,所述其他结点内均包括结点数据空间和结点指针;
第九执行单元,所述第九执行单元用于采用所述结点数据空间对所述一标识信息、第二标识信息进行保存。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种基于数字孪生的产品数据分析方法和具体实例同样适用于本实施例的一种基于数字孪生的产品数据分析系统,通过前述对一种基于数字孪生的产品数据分析方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于数字孪生的产品数据分析系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
示例性电子设备
下面参考图4来描述本申请的电子设备。
基于与前述实施例中一种基于数字孪生的产品数据分析方法相同的发明构思,本申请还提供了一种基于数字孪生的产品数据分析系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标总线或扩展工业标准结构总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网,无线局域网,有线接入网等。存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器、只读光盘或其他光盘存储、光碟存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请提供的一种基于数字孪生的产品数据分析方法。
可选的,本申请中的计算机执行指令也可以称之为应用程序代码,本申请对此不作具体限定。
本申请解决了现有技术中的针对产品数据分析的精确度不高,进而造成产品数据分析效果不佳,无法提供较良的产品优化方案的技术问题。达到了利用产品实时评估模型对产品进行实时状态的评估,提高产品数据分析的精确度及分析效果;利用数字孪生技术对产品进行未来状态的预测,并提供多个产品优化方案,结合仿真云平台对其进行验证后,选择较佳的产品优化方案;同时,提高产品数据分析的质量和效率,为产品数据分析技术的进一步发展奠定基础的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a ,b,或c中的至少一项(个、种),可以表示:a ,b,c,a -b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质、光介质、或者半导体介质等。
本申请中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。
相应地,本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种基于数字孪生的产品数据分析方法,其特征在于,所述方法应用于一种基于数字孪生的产品数据分析系统,所述系统包括一仿真云平台,所述方法包括:
获得第一产品;
根据所述第一产品,获得第一产品信息数据库;
根据所述第一产品信息数据库,结合数字孪生技术对所述第一产品进行处理,获得第一产品的数字孪生体;
根据所述第一产品,获得第一产品实时信息集合;
基于所述第一产品实时信息集合,采用仿真分析法对所述第一产品的数字孪生体进行处理,获得第一产品的多个拟处理方案;
对所述第一产品的数字孪生体,分别使用所述第一产品的多个拟处理方案在所述仿真云平台上进行验证,获得第一产品的处理方案;
根据所述第一产品实时信息集合和产品实时评估模型对所述第一产品进行实时评估,获得第一产品的实时评估结果;
将所述第一产品的处理方案、所述第一产品的实时评估结果按照链式进行标识存储。
2.如权利要求1所述的方法,其特征在于,所述根据所述第一产品信息数据库,结合数字孪生技术对所述第一产品进行处理,获得第一产品的数字孪生体,所述方法还包括:
获得多级特征维度,其中,所述多级特征维度包括第一特征维度、第二特征维度,其中,所述第一特征维度为产品特征,所述第二特征维度为产品工作环境特征;
根据所述多级特征维度对所述第一产品信息数据库进行特征提取,获得第一产品特征;
根据所述第一产品特征,结合数字孪生技术对所述第一产品进行处理,获得所述第一产品的数字孪生体。
3.如权利要求1所述的方法,其特征在于,所述基于所述第一产品实时信息集合,采用仿真分析法对所述第一产品的数字孪生体进行处理,获得第一产品的多个拟处理方案,所述方法还包括:
基于所述第一产品实时信息集合,采用仿真分析法对所述第一产品的数字孪生体进行处理,获得第一产品的状态预测分数;
获得预设状态预测分数阈值;
判断所述第一产品的状态预测分数是否满足所述预设状态预测分数阈值;
若所述第一产品的状态预测分数不满足所述预设状态预测分数阈值,获得第一产品的多个拟优化处理方案;
若所述第一产品的状态预测分数满足所述预设状态预测分数阈值,获得第一产品的多个拟整改处理方案。
4.如权利要求1所述的方法,其特征在于,所述对所述第一产品的数字孪生体,分别使用所述第一产品的多个拟处理方案在所述仿真云平台上进行验证,获得第一产品的处理方案,所述方法还包括:
对所述第一产品的数字孪生体,分别使用所述第一产品的多个拟处理方案在所述仿真云平台上进行验证,获得所述第一产品的多个拟处理效果;
基于神经网络构建拟处理效果评估分数模型;
将所述第一产品的多个拟处理效果分别输入所述拟处理效果评估分数模型;
获得所述拟处理效果评估分数模型的多个输出信息,其中,所述多个输出信息包括第一产品的多个拟处理效果评估分数,所述多个拟处理效果评估分数与所述第一产品的多个拟处理方案一一对应;
根据所述第一产品的多个拟处理效果评估分数,获得所述第一产品的第一拟处理方案;
对所述第一产品的第一拟处理方案进行主成分分析,获得所述第一产品的处理方案。
5.如权利要求4所述的方法,其特征在于,所述对所述第一产品的第一拟处理方案进行主成分分析,获得所述第一产品的处理方案,所述方法还包括:
根据所述第一产品的第一拟处理方案,获得第一特征拟处理方案数据集;
对所述第一特征拟处理方案数据集进行去中心化处理,获得第二特征拟处理方案数据集;
根据所述第二特征拟处理方案数据集,获得第一产品处理方案的协方差矩阵;
根据所述第一产品处理方案的协方差矩阵,获得第一特征值和第一特征向量;
根据所述第一特征值和所述第一特征向量,获得所述第一产品的处理方案。
6.如权利要求1所述的方法,其特征在于,所述根据所述第一产品实时信息集合和产品实时评估模型对所述第一产品进行实时评估,获得第一产品的实时评估结果,所述方法还包括:
基于神经网络构建所述产品实时评估模型;
将所述第一产品实时信息集合中数据信息的输入所述产品实时评估模型;
获得所述产品实时评估模型的输出信息,所述输出信息包括所述第一产品的实时评估结果。
7.如权利要求1所述的方法,其特征在于,所述将所述第一产品的处理方案、所述第一产品的实时评估结果按照链式进行标识存储,所述方法还包括:
分别对所述第一产品的处理方案、所述第一产品的实时评估结果进行标识,获得第一标识信息、第二标识信息;
基于链式储存,构建第一头结点,所述第一头结点内包括第一头指针;
根据所述第一头指针,依次构建其他结点,所述其他结点内均包括结点数据空间和结点指针;
采用所述结点数据空间对所述一标识信息、第二标识信息进行保存。
8.一种基于数字孪生的产品数据分析系统,其特征在于,所述系统包括一仿真云平台,所述系统还包括:
第一获得单元,所述第一获得单元用于获得第一产品;
第二获得单元,所述第二获得单元用于根据所述第一产品,获得第一产品信息数据库;
第三获得单元,所述第三获得单元用于根据所述第一产品信息数据库,结合数字孪生技术对所述第一产品进行处理,获得第一产品的数字孪生体;
第四获得单元,所述第四获得单元用于根据所述第一产品,获得第一产品实时信息集合;
第五获得单元,所述第五获得单元用于基于所述第一产品实时信息集合,采用仿真分析法对所述第一产品的数字孪生体进行处理,获得第一产品的多个拟处理方案;
第六获得单元,所述第六获得单元用于对所述第一产品的数字孪生体,分别使用所述第一产品的多个拟处理方案在所述仿真云平台上进行验证,获得第一产品的处理方案;
第七获得单元,所述第七获得单元用于根据所述第一产品实时信息集合和产品实时评估模型对所述第一产品进行实时评估,获得第一产品的实时评估结果;
第一执行单元,所述第一执行单元用于将所述第一产品的处理方案、所述第一产品的实时评估结果按照链式进行标识存储。
9.一种基于数字孪生的产品数据分析系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533321.2A CN114663074B (zh) | 2022-05-17 | 2022-05-17 | 一种基于数字孪生的产品数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533321.2A CN114663074B (zh) | 2022-05-17 | 2022-05-17 | 一种基于数字孪生的产品数据分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114663074A true CN114663074A (zh) | 2022-06-24 |
CN114663074B CN114663074B (zh) | 2022-08-26 |
Family
ID=82036469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210533321.2A Active CN114663074B (zh) | 2022-05-17 | 2022-05-17 | 一种基于数字孪生的产品数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663074B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024099582A1 (en) * | 2022-11-09 | 2024-05-16 | E.G.O. Elektro-Gerätebau GmbH | A water bearing appliance, control methods, and system |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010150284A2 (en) * | 2009-06-23 | 2010-12-29 | Tata Consultancy Services Ltd. | Warranty management system |
CN108388146A (zh) * | 2018-02-01 | 2018-08-10 | 东南大学 | 一种基于信息物理融合的三维装配工艺设计系统及运行方法 |
CN111509862A (zh) * | 2020-05-22 | 2020-08-07 | 中国海洋石油集团有限公司 | 基于数字孪生云的海上平台电力系统结构优化方法及系统 |
CN111898205A (zh) * | 2020-07-29 | 2020-11-06 | 吉林大学 | 基于rbf神经网络人机性能感知评价预测方法及系统 |
CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
CN112925309A (zh) * | 2021-01-22 | 2021-06-08 | 中国汽车技术研究中心有限公司 | 智能网联汽车数据交互方法及交互系统 |
CN113190886A (zh) * | 2021-04-28 | 2021-07-30 | 青岛赛普克有限元科技发展有限公司 | 一种基于快速仿真数字孪生技术的设备健康监测方法 |
CN113221338A (zh) * | 2021-04-25 | 2021-08-06 | 南京邮电大学 | 一种基于数字孪生的复杂装备系统模型验证方法及系统 |
CN113325816A (zh) * | 2021-08-03 | 2021-08-31 | 山东捷瑞数字科技股份有限公司 | 面向工业互联网的数字孪生体数据管理方法 |
-
2022
- 2022-05-17 CN CN202210533321.2A patent/CN114663074B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010150284A2 (en) * | 2009-06-23 | 2010-12-29 | Tata Consultancy Services Ltd. | Warranty management system |
CN108388146A (zh) * | 2018-02-01 | 2018-08-10 | 东南大学 | 一种基于信息物理融合的三维装配工艺设计系统及运行方法 |
CN111509862A (zh) * | 2020-05-22 | 2020-08-07 | 中国海洋石油集团有限公司 | 基于数字孪生云的海上平台电力系统结构优化方法及系统 |
CN111898205A (zh) * | 2020-07-29 | 2020-11-06 | 吉林大学 | 基于rbf神经网络人机性能感知评价预测方法及系统 |
CN112417619A (zh) * | 2020-11-23 | 2021-02-26 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
CN112925309A (zh) * | 2021-01-22 | 2021-06-08 | 中国汽车技术研究中心有限公司 | 智能网联汽车数据交互方法及交互系统 |
CN113221338A (zh) * | 2021-04-25 | 2021-08-06 | 南京邮电大学 | 一种基于数字孪生的复杂装备系统模型验证方法及系统 |
CN113190886A (zh) * | 2021-04-28 | 2021-07-30 | 青岛赛普克有限元科技发展有限公司 | 一种基于快速仿真数字孪生技术的设备健康监测方法 |
CN113325816A (zh) * | 2021-08-03 | 2021-08-31 | 山东捷瑞数字科技股份有限公司 | 面向工业互联网的数字孪生体数据管理方法 |
Non-Patent Citations (3)
Title |
---|
ZEKAI CHENG: "Team Analysis Based on Digital Twin Within RoboCup 2D Simulation", 《2021 2ND INTERNATIONAL CONFERENCE ON BIG DATA & ARTIFICIAL INTELLIGENCE & SOFTWARE ENGINEERING (ICBASE)》 * |
刘彬等: "基于数字孪生模型的工业互联网应用", 《电信科学》 * |
袁胜华等: "数字孪生技术在航天制造领域中的应用", 《强度与环境》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024099582A1 (en) * | 2022-11-09 | 2024-05-16 | E.G.O. Elektro-Gerätebau GmbH | A water bearing appliance, control methods, and system |
Also Published As
Publication number | Publication date |
---|---|
CN114663074B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131673B (zh) | 基于融合神经网络模型的发动机喘振故障预测系统及方法 | |
CN112216085B (zh) | 一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测系统 | |
CN111126822B (zh) | 一种工业机器人健康评估方法、装置及存储介质 | |
CN109190672A (zh) | 电力系统运行工况无监督聚类方法及装置 | |
CN111537884B (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN114815605A (zh) | 自动驾驶测试用例生成方法、装置、电子设备及存储介质 | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
Cui et al. | Cross-platform machine learning characterization for task allocation in IoT ecosystems | |
CN115440292B (zh) | 存储芯片的测试方法、装置、设备及存储介质 | |
CN111796233B (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
CN114663074B (zh) | 一种基于数字孪生的产品数据分析方法及系统 | |
CN113722985A (zh) | 航空发动机健康状态评估和剩余寿命预测方法及系统 | |
CN114840375B (zh) | 一种半导体存储产品的老化性能测试方法及系统 | |
CN113505534A (zh) | 一种考虑需求响应的负荷预测方法 | |
CN113569457A (zh) | 一种基于数字孪生的需求功能模型构建方法及系统 | |
CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
CN114594378A (zh) | 一种锂电池soh模型训练方法、预测方法、装置及设备 | |
CN108829987B (zh) | 一种数据驱动型概率评估方法 | |
CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
CN113158435B (zh) | 基于集成学习的复杂系统仿真运行时间预测方法与设备 | |
CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
CN116700955A (zh) | 作业处理方法、装置、计算机设备及可读存储介质 | |
CN115344386A (zh) | 基于排序学习的云仿真计算资源预测方法、装置和设备 | |
CN116049733A (zh) | 基于神经网络的效能评估方法、系统、设备与存储介质 | |
CN109270900A (zh) | 一种基于层次分析法的设备状态评价方法及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |