CN114706338A - 一种基于数字孪生模型的交互控制方法及系统 - Google Patents
一种基于数字孪生模型的交互控制方法及系统 Download PDFInfo
- Publication number
- CN114706338A CN114706338A CN202210413825.0A CN202210413825A CN114706338A CN 114706338 A CN114706338 A CN 114706338A CN 202210413825 A CN202210413825 A CN 202210413825A CN 114706338 A CN114706338 A CN 114706338A
- Authority
- CN
- China
- Prior art keywords
- model
- information
- data
- workpiece
- twin
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000003993 interaction Effects 0.000 title claims description 10
- 238000012545 processing Methods 0.000 claims abstract description 58
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000003754 machining Methods 0.000 claims abstract description 30
- 230000002452 interceptive effect Effects 0.000 claims abstract description 20
- 230000009471 action Effects 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000003466 welding Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000008447 perception Effects 0.000 abstract description 5
- 230000003190 augmentative effect Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于数字孪生模型的交互控制方法及系统，该方法建立基于加工工件的数字孪生模型，通过比较三种状态，生成辅助操作孪生信息，将所述辅助操作孪生信息注册并显示在待加工工件上，根据辅助操作孪生信息以及识别手势输入序列后得到的第一动作对所述待加工工件进行所述第一工序下的加工操作。通过借助数字孪生对加工过程信息进行集成，通过实时获取当前加工系统状态，结合增强现实技术，将加工过程信息融合到真实世界中，提高加工人员对于加工过程的感知粒度，加强其对于加工过程的控制能力，进而提高产品的良品率和安全性。
Description
技术领域
本发明属于交互控制领域，尤其涉及一种基于数字孪生模型的交互控制方法及系统。
背景技术
如今，随着科学技术的不断发展，加工制造模式也发生了巨大的改变。传统的加工过程信息传递模式中，工人在加工进行时通过实时采集的现场数据和观察工件的变化状态来监控加工过程。结构件加工过程中，工人需要通过目测观察加工情况。加工完成后，测量工件并和纸质工艺文档集进行对比，判断工件是否合格，能否调整。由于，机床加工技术仍然处于计算机集成制造到智能制造的过渡阶段。加工过程质量信息传递存在滞后，工人无法精准掌控加工过程中的产品质量变化，导致其无法及时对加工过程中可能存在的质量问题进行及时及早的解决与补救，造成加工结束后无法挽回的结果。
目前，数字孪生技术已应用于工业加工中，通过采集加工过程中的产品数据信息，构建物理对象的虚拟孪生体，对产品在制造过程中的实时仿真、优化分析、自主决策，以实现产品从感知、融合、决策和控制的闭环系统，对产品的过程进行实时管控。如何在增强结构件加工过程中，利用数字孪生技术对加工过程信息的实时监控，提高结构件生产效率成为了亟待解决的技术问题。
发明内容
针对目前现有的加工过程质量信息传递存在滞后，工人无法精准掌控加工过程中的产品质量变化导致其无法及时对加工过程中可能存在的质量问题进行及时及早的解决与补救等问题，本发明通过在执行第一工序时，从物理世界中获取加工对象第一状态数据，在虚拟世界数字孪生模型中，获取孪生对象的第二状态数据，计算预测当前孪生对象的第三状态状态，比较三种状态，生成辅助操作孪生信息，将所述辅助操作孪生信息注册并显示在待加工工件上，获取用户的手势输入序列以及用户凝视点信息，根据所述凝视点信息选择所述待加工工件，同时在界面上显示所述待加工工件的属性信息；根据辅助操作孪生信息以及识别手势输入序列后得到的第一动作对所述待加工工件进行所述第一工序下的加工操作。通过借助数字孪生对加工过程信息进行集成，通过实时获取当前加工系统状态，结合增强现实技术，将加工过程信息融合到真实世界中，提高加工人员对于加工过程的感知粒度，加强其对于加工过程的控制能力，进而提高产品的良品率和安全性。
本发明为解决以上技术问题所采取的技术方案是：
基于数字孪生模型的交互控制方法，包括以下步骤：
S1、收集所需静态数据，动态数据，推理数据，建立多工序工件加工过程数字孪生模型，
S2、在执行第一工序时，从物理世界中获取加工对象第一状态数据，在虚拟世界数字孪生模型中，获取孪生对象的第二状态数据，计算预测当前孪生对象的第三状态状态，
S3、比较所述第一状态数据、所述第二状态数据，所述第三状态状态，生成辅助操作孪生信息，将所述辅助操作孪生信息注册并显示在待加工工件上；
S4、获取用户的手势输入序列以及用户凝视点信息，根据所述凝视点信息选择所述待加工工件，同时在界面上显示所述待加工工件的属性信息；
S5、根据所述辅助操作孪生信息以及识别手势输入序列后得到的第一动作对所述待加工工件进行所述第一工序下的加工操作；
S6、对加工操作后的工件进行检测，根据所述检测结果优化所述辅助操作孪生信息。
进一步地，所述静态数据包括几何模型数据，工艺设计数据，刀具属数据，机床属性数据，所述动态数据包括产品质量数据，刀具实时状态数据，焊头信息；所述预测数据包括产品质量预测值，机床状态预测值，刀具寿命预测值，当前加工建议信息。
进一步地，所述第一动作包括对待加工工件调整缩放、位置、角度。
进一步地，所述收集所需静态数据，动态数据，推理数据，建立多工序工件加工过程数字孪生模型，还包括：根据SolidWorks三维建模软件建立相关设备的几何模型，导入Demo3D平台，设置模型相应的物理属性，搭建专用组件库，通过Jscript脚本封装模型的运动逻辑，多工序工件加工过程数字孪生模型的物理空间与虚拟空间的信息交互通过孪生数据建立关联。
进一步地，所述用户的基本信息包括编号、姓名、所属部门、年龄、工时、出勤状态以及对应操作工位，将用户所述基本信息与操作信息关联保存在后台数据库中。
进一步地，所述获取用户的手势输入序列包括：采用Kinect设备采集用户手势图像序列输入到深度卷积编解码神经网络模型中进行分类识别，其中深度卷积编解码神经网落模型包括编码器网络和解码器网络模型，所述编码器网络包括卷积层，批量归一化层，激活函数层，最大池化层；解码器网络包括与编码器网络数量相同的卷积层，批量归一化层，以及SoftMax函数层。
进一步地，在采集到的图像中提取手部图像前，设置图像中深度阈值，所述阈值计算公式为：
其中，
表示深度图像背景，
表示最大固定距离，
表示最小识别距离，根
据所述深度阈值进行背景过滤；然后采用滤波模型对所述手部图像进行降噪处理，所述滤
波模型为：
其中，
为深度摄像头采集到的第n帧时，由系统建立起的手部模型；N为采集到
第n帧时，平均帧数N到帧数n的连续图像数。
一种基于数字孪生模型的交互控制系统，数字孪生模型建立模块，用于收集所需静态数据，动态数据，推理数据，建立多工序工件加工过程数字孪生模型，
模型分析模块，用于在执行第一工序时，从物理世界中获取加工对象第一状态数据，在虚拟世界数字孪生模型中，获取孪生对象的第二状态数据，计算预测当前孪生对象的第三状态状态，比较所述第一状态数据、所述第二状态数据，所述第三状态状态，生成辅助操作孪生信息，将所述辅助操作孪生信息注册并显示在待加工工件上；
加工交互模块，用于获取用户的手势输入序列以及用户凝视点信息，根据所述凝视点信息选择所述待加工工件，同时在界面上显示所述待加工工件的属性信息；根据所述辅助操作孪生信息以及识别手势输入序列后得到的第一动作对所述待加工工件进行所述第一工序下的加工操作；
检验优化模块，用于对加工操作后的工件进行检测，根据所述检测结果优化所述辅助操作孪生信息。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述处理器执行所述计算机程序实施基于数字孪生模型的交互控制方法。
一种终端设备，包括存储器、处理器以及存储在所述所述存储器中并可在所述处理上运行的计算机程序，所述处理器执行所述计算机程序实施基于数字孪生模型的交互控制方法。
本发明的有益效果如下：本发明借助数字孪生对加工过程信息进行集成，通过实时获取当前加工系统状态，结合增强现实技术，将加工过程信息融合到真实世界中，提高加工人员对于加工过程的感知粒度，加强其对于加工过程的控制能力，进而提高产品的良品率和安全性。
上述说明，仅是本发明技术方案的概述，为了能够更清楚了解本发明技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述说明和其它目的、特征及优点能够更明显易懂，特举较佳实施例，详细说明如下。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
在附图中：
图1为基于数字孪生模型的交互控制方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例1
一种基于数字孪生模型的交互控制方法，包括以下步骤：
S1、收集所需静态数据，动态数据，推理数据，建立多工序工件加工过程数字孪生模型，
S2、在执行第一工序时，从物理世界中获取加工对象第一状态数据，在虚拟世界数字孪生模型中，获取孪生对象的第二状态数据，计算预测当前孪生对象的第三状态状态，
S3、比较所述第一状态数据、所述第二状态数据，所述第三状态状态，生成辅助操作孪生信息，将所述辅助操作孪生信息注册并显示在待加工工件上；
S4、获取用户的手势输入序列以及用户凝视点信息，根据所述凝视点信息选择所述待加工工件，同时在界面上显示所述待加工工件的属性信息；
S5、根据所述辅助操作孪生信息以及识别手势输入序列后得到的第一动作对所述待加工工件进行所述第一工序下的加工操作；
S6、对加工操作后的工件进行检测，根据所述检测结果优化所述辅助操作孪生信息。
其中，所述静态数据包括几何模型数据，工艺设计数据，刀具属数据，机床属性数据，所述动态数据包括产品质量数据，刀具实时状态数据，焊头信息；所述预测数据包括产品质量预测值，机床状态预测值，刀具寿命预测值，当前加工建议信息。
其中，所述第一动作包括对待加工工件调整缩放、位置、角度。
其中，所述收集所需静态数据，动态数据，推理数据，建立多工序工件加工过程数字孪生模型，还包括：根据SolidWorks三维建模软件建立相关设备的几何模型，导入Demo3D平台，设置模型相应的物理属性，搭建专用组件库，通过Jscript脚本封装模型的运动逻辑，多工序工件加工过程数字孪生模型的物理空间与虚拟空间的信息交互通过孪生数据建立关联。
其中，所述用户的基本信息包括编号、姓名、所属部门、年龄、工时、出勤状态以及对应操作工位，将用户所述基本信息与操作信息关联保存在后台数据库中。
其中，所述获取用户的手势输入序列包括：采用Kinect设备采集用户手势图像序列输入到深度卷积编解码神经网络模型中进行分类识别，其中深度卷积编解码神经网落模型包括编码器网络和解码器网络模型，所述编码器网络包括卷积层，批量归一化层，激活函数层，最大池化层；解码器网络包括与编码器网络数量相同的卷积层，批量归一化层，以及SoftMax函数层。
其中，在采集到的图像中提取手部图像前，设置图像中深度阈值，所述阈值计算公式为：
其中，
表示深度图像背景，
表示最大固定距离，
表示最小识别距离，根
据所述深度阈值进行背景过滤；然后采用滤波模型对所述手部图像进行降噪处理，所述滤
波模型为：
其中，
为深度摄像头采集到的第n帧时，由系统建立起的手部模型；N为采集到
第n帧时，平均帧数N到帧数n的连续图像数。
实施例2
一种基于数字孪生模型的交互控制系统，数字孪生模型建立模块，用于收集所需静态数据，动态数据，推理数据，建立多工序工件加工过程数字孪生模型，
模型分析模块，用于在执行第一工序时，从物理世界中获取加工对象第一状态数据，在虚拟世界数字孪生模型中，获取孪生对象的第二状态数据，计算预测当前孪生对象的第三状态状态，比较所述第一状态数据、所述第二状态数据，所述第三状态状态，生成辅助操作孪生信息，将所述辅助操作孪生信息注册并显示在待加工工件上；
加工交互模块，用于获取用户的手势输入序列以及用户凝视点信息，根据所述凝视点信息选择所述待加工工件，同时在界面上显示所述待加工工件的属性信息；根据所述辅助操作孪生信息以及识别手势输入序列后得到的第一动作对所述待加工工件进行所述第一工序下的加工操作；
检验优化模块，用于对加工操作后的工件进行检测，根据所述检测结果优化所述辅助操作孪生信息。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述处理器执行所述计算机程序实施基于数字孪生模型的交互控制方法。
一种终端设备，包括存储器、处理器以及存储在所述所述存储器中并可在所述处理上运行的计算机程序，所述处理器执行所述计算机程序实施基于数字孪生模型的交互控制方法。
本发明的优点在于：
本发明借助数字孪生对加工过程信息进行集成，通过实时获取当前加工系统状态，结合增强现实技术，通过图像手势高精度提取，提高了手势分析的精确性，同时，加工过程信息融合到真实世界中，提高加工人员对于加工过程的感知粒度，加强其对于加工过程的控制能力，进而提高产品的良品率和安全性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于数字孪生模型的交互控制方法，其特征在于，包括以下步骤：
S1、收集所需静态数据，动态数据，推理数据，建立多工序工件加工过程数字孪生模型，
S2、在执行第一工序时，从物理世界中获取加工对象第一状态数据，在虚拟世界数字孪生模型中，获取孪生对象的第二状态数据，计算预测当前孪生对象的第三状态状态，
S3、比较所述第一状态数据、所述第二状态数据，所述第三状态状态，生成辅助操作孪生信息，将所述辅助操作孪生信息注册并显示在待加工工件上；
S4、获取用户的手势输入序列以及用户凝视点信息，根据所述凝视点信息选择所述待加工工件，同时在界面上显示所述待加工工件的属性信息；
S5、根据所述辅助操作孪生信息以及识别手势输入序列后得到的第一动作对所述待加工工件进行所述第一工序下的加工操作；
S6、对加工操作后的工件进行检测，根据所述检测结果优化所述辅助操作孪生信息。
2.根据权利要求1所述基于数字孪生模型的交互控制方法，其特征在于：所述静态数据包括几何模型数据，工艺设计数据，刀具属数据，机床属性数据，所述动态数据包括产品质量数据，刀具实时状态数据，焊头信息；所述预测数据包括产品质量预测值，机床状态预测值，刀具寿命预测值，当前加工建议信息。
3.根据权利要求1所述基于数字孪生模型的交互控制方法，其特征在于：所述第一动作包括对待加工工件调整缩放、位置、角度。
4.根据权利要求1所述基于数字孪生模型的交互控制方法，其特征在于：所述收集所需静态数据，动态数据，推理数据，建立多工序工件加工过程数字孪生模型，还包括：根据SolidWorks三维建模软件建立相关设备的几何模型，导入Demo3D平台，设置模型相应的物理属性，搭建专用组件库，通过Jscript脚本封装模型的运动逻辑，多工序工件加工过程数字孪生模型的物理空间与虚拟空间的信息交互通过孪生数据建立关联。
5.根据权利要求1所述基于数字孪生模型的交互控制方法，其特征在于：所述用户的基本信息包括编号、姓名、所属部门、年龄、工时、出勤状态以及对应操作工位，将用户所述基本信息与操作信息关联保存在后台数据库中。
6.根据权利要求1所述基于数字孪生模型的交互控制方法，其特征在于：所述获取用户的手势输入序列包括：采用Kinect设备采集用户手势图像序列输入到深度卷积编解码神经网络模型中进行分类识别，其中深度卷积编解码神经网落模型包括编码器网络和解码器网络模型，所述编码器网络包括卷积层，批量归一化层，激活函数层，最大池化层；解码器网络包括与编码器网络数量相同的卷积层，批量归一化层，以及SoftMax函数层。
7.根据权利要求6所述基于数字孪生模型的交互控制方法，其特征在于：在采集到的图像中提取手部图像前，设置图像中深度阈值，所述阈值计算公式为：
其中，
表示深度图像背景，
表示最大固定距离，
表示最小识别距离，根据所
述深度阈值进行背景过滤；然后采用滤波模型对所述手部图像进行降噪处理，所述滤波模
型为：
其中，
为深度摄像头采集到的第n帧时，由系统建立起的手部模型；N为采集到第n帧
时，平均帧数N到帧数n的连续图像数。
8.一种基于数字孪生模型的交互控制系统，其特征在于：数字孪生模型建立模块，用于收集所需静态数据，动态数据，推理数据，建立多工序工件加工过程数字孪生模型，
模型分析模块，用于在执行第一工序时，从物理世界中获取加工对象第一状态数据，在虚拟世界数字孪生模型中，获取孪生对象的第二状态数据，计算预测当前孪生对象的第三状态状态，比较所述第一状态数据、所述第二状态数据，所述第三状态状态，生成辅助操作孪生信息，将所述辅助操作孪生信息注册并显示在待加工工件上；
加工交互模块，用于获取用户的手势输入序列以及用户凝视点信息，根据所述凝视点信息选择所述待加工工件，同时在界面上显示所述待加工工件的属性信息；根据所述辅助操作孪生信息以及识别手势输入序列后得到的第一动作对所述待加工工件进行所述第一工序下的加工操作；
检验优化模块，用于对加工操作后的工件进行检测，根据所述检测结果优化所述辅助操作孪生信息。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述处理器执行所述计算机程序实施如权利要求1至7任一项所述基于数字孪生模型的交互控制方法。
10.一种终端设备，包括存储器、处理器以及存储在所述所述存储器中并可在所述处理上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实施如权利要求1至7任一项所述基于数字孪生模型的交互控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210413825.0A CN114706338B (zh) | 2022-04-20 | 2022-04-20 | 一种基于数字孪生模型的交互控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210413825.0A CN114706338B (zh) | 2022-04-20 | 2022-04-20 | 一种基于数字孪生模型的交互控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114706338A true CN114706338A (zh) | 2022-07-05 |
| CN114706338B CN114706338B (zh) | 2023-01-31 |
Family
ID=82174685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210413825.0A Active CN114706338B (zh) | 2022-04-20 | 2022-04-20 | 一种基于数字孪生模型的交互控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114706338B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115110510A (zh) * | 2022-08-05 | 2022-09-27 | 盖楠 | 基于数字孪生的水利工程建造地基检测装置及其方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180267496A1 (en) * | 2017-03-16 | 2018-09-20 | Siemens Aktiengesellschaft | Development Of Control Applications In Augmented Reality Environment |
| WO2020007016A1 (zh) * | 2018-07-05 | 2020-01-09 | 长安大学 | 一种基于数字孪生的智能车间自治生产过程动态联动控制方法 |
| CN111104768A (zh) * | 2019-12-23 | 2020-05-05 | 中国人民解放军火箭军工程大学 | 一种基于数字孪生模型的时序类潜在问题识别方法及系统 |
| CN111338300A (zh) * | 2020-02-27 | 2020-06-26 | 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 |
| CN111708332A (zh) * | 2020-05-28 | 2020-09-25 | 上海航天精密机械研究所 | 一种生产线数字孪生系统 |
| US20200326692A1 (en) * | 2019-04-10 | 2020-10-15 | Guangdong University Of Technology | Parallel control method based on multi-period differential sampling and digital twinning technologies |
| CN112506476A (zh) * | 2020-11-06 | 2021-03-16 | 温州大学 | 一种数字孪生车间系统快速架构方法及装置 |
| CN112861272A (zh) * | 2019-11-28 | 2021-05-28 | 沪东重机有限公司 | 基于数字孪生的船用柴油机复杂零部件工艺可行性分析方法 |
| CN113554230A (zh) * | 2021-07-26 | 2021-10-26 | 东华大学 | 一种面向制造全生命周期的数字孪生可表示性建模系统 |
| CN113609672A (zh) * | 2021-08-03 | 2021-11-05 | 东华大学 | 一种基于增量模型的数字孪生系统协同进化方法 |
-
2022
- 2022-04-20 CN CN202210413825.0A patent/CN114706338B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180267496A1 (en) * | 2017-03-16 | 2018-09-20 | Siemens Aktiengesellschaft | Development Of Control Applications In Augmented Reality Environment |
| CN108628595A (zh) * | 2017-03-16 | 2018-10-09 | 西门子股份公司 | 增强现实环境下的控制应用程序的开发 |
| WO2020007016A1 (zh) * | 2018-07-05 | 2020-01-09 | 长安大学 | 一种基于数字孪生的智能车间自治生产过程动态联动控制方法 |
| US20200326692A1 (en) * | 2019-04-10 | 2020-10-15 | Guangdong University Of Technology | Parallel control method based on multi-period differential sampling and digital twinning technologies |
| CN112861272A (zh) * | 2019-11-28 | 2021-05-28 | 沪东重机有限公司 | 基于数字孪生的船用柴油机复杂零部件工艺可行性分析方法 |
| CN111104768A (zh) * | 2019-12-23 | 2020-05-05 | 中国人民解放军火箭军工程大学 | 一种基于数字孪生模型的时序类潜在问题识别方法及系统 |
| CN111338300A (zh) * | 2020-02-27 | 2020-06-26 | 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 |
| CN111708332A (zh) * | 2020-05-28 | 2020-09-25 | 上海航天精密机械研究所 | 一种生产线数字孪生系统 |
| CN112506476A (zh) * | 2020-11-06 | 2021-03-16 | 温州大学 | 一种数字孪生车间系统快速架构方法及装置 |
| CN113554230A (zh) * | 2021-07-26 | 2021-10-26 | 东华大学 | 一种面向制造全生命周期的数字孪生可表示性建模系统 |
| CN113609672A (zh) * | 2021-08-03 | 2021-11-05 | 东华大学 | 一种基于增量模型的数字孪生系统协同进化方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115110510A (zh) * | 2022-08-05 | 2022-09-27 | 盖楠 | 基于数字孪生的水利工程建造地基检测装置及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114706338B (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103257615B (zh) | 一种加工过程形态质量动态识别与修正控制方法 | |
| CN113110355B (zh) | 一种数字孪生驱动的工件加工能耗预测及优化方法 | |
| CN115988866B (zh) | 一种基于机器视觉的nfc lami加工控制方法及系统 | |
| CN114706338B (zh) | 一种基于数字孪生模型的交互控制方法及系统 | |
| Ma et al. | Artificial intelligence enhanced interaction in digital twin shop-floor | |
| CN115647819A (zh) | 车磨一体复合机及其控制方法 | |
| CN114871486A (zh) | 龙门刨床及其加工控制方法 | |
| CN116563293B (zh) | 一种基于机器视觉的光伏载具生产质量检测方法及系统 | |
| CN112884717A (zh) | 实时工件表面检测与刀具寿命预测的系统及方法 | |
| CN116050678A (zh) | 一种基于云计算的压铸产品加工测试系统及方法 | |
| CN115331205A (zh) | 一种云边协同的驾驶员疲劳检测系统 | |
| Dong et al. | Online detection of turning tool wear based on machine vision | |
| CN113012228B (zh) | 一种工件定位系统及基于深度学习的工件定位方法 | |
| CN111695582A (zh) | 一种颤振纹理的检测方法及其装置 | |
| CN113344244A (zh) | 一种数字孪生驱动的工件加工能耗预测装置 | |
| CN116821745A (zh) | 智能线切割慢走丝设备的控制方法及其系统 | |
| US11195056B2 (en) | System improvement for deep neural networks | |
| CN118072111B (zh) | 一种基于人工智能的智能车架去毛刺系统及方法 | |
| JP7336398B2 (ja) | 工作機械システム、管理方法及び管理プログラム | |
| CN117697464B (zh) | 一种高精度数控机床的控制方法及系统 | |
| CN108596210A (zh) | 一种机械部件对接状态的智能识别系统及方法 | |
| CN117908495B (zh) | 基于多传感器的柔性高精度加工系统及加工方法 | |
| CN117420809B (zh) | 基于人工智能的曲轴加工优化决策方法及系统 | |
| CN107085410A (zh) | 数值控制装置 | |
| KR20240102526A (ko) | 인공지능을 활용한 공구상태 진단 방법 및 시스템 |
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 |