CN114757111B - 一种基于数字孪生技术的智能装备健康管理方法 - Google Patents

一种基于数字孪生技术的智能装备健康管理方法 Download PDF

Info

Publication number
CN114757111B
CN114757111B CN202210677745.6A CN202210677745A CN114757111B CN 114757111 B CN114757111 B CN 114757111B CN 202210677745 A CN202210677745 A CN 202210677745A CN 114757111 B CN114757111 B CN 114757111B
Authority
CN
China
Prior art keywords
intelligent equipment
digital twin
health management
neural network
representing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210677745.6A
Other languages
English (en)
Other versions
CN114757111A (zh
Inventor
魏强
漆光聪
刘广志
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.)
Sichuan Guanxiang Science And Technology Co ltd
Original Assignee
Sichuan Guanxiang Science And Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Guanxiang Science And Technology Co ltd filed Critical Sichuan Guanxiang Science And Technology Co ltd
Priority to CN202210677745.6A priority Critical patent/CN114757111B/zh
Publication of CN114757111A publication Critical patent/CN114757111A/zh
Application granted granted Critical
Publication of CN114757111B publication Critical patent/CN114757111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of 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
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于数字孪生技术的智能装备健康管理方法，通过在数字空间创建与智能装备实体等价的数字孪生体，对智能装备实体进行仿真分析，并以仿真分析结果为依据对智能装备实体进行反馈健康管理，能够为智能装备实体后续运行和健康维护提供更加精确的决策。本发明根据实时采集的智能装备运行数据，通过深度学习技术挖掘得到智能装备对应数字孪生体的运行参数，实现了实体空间到数据空间的准确数据映射，使得数字孪生体的运行结果能够准确反映智能装备实体的健康发展趋势，进而生成准确的健康管理方案。

Description

一种基于数字孪生技术的智能装备健康管理方法
技术领域
本发明属于设备健康监测与管理技术领域，具体涉及一种基于数字孪生技术的智能装备健康管理方法的设计。
背景技术
智能装备是具有感知、分析、推理、决策和控制功能的制造装备，它是先进制造技术、信息技术和智能技术的集成和深度融合。目前国家在重点推进智能装备的发展，以实现生产过程自动化、智能化、精密化和绿色化，带动工业整体技术水平的提升。
为保障智能装备的自动化、智能化和精密化运行，对智能装备进行健康监测及管理非常必要。由于智能装备具有功能结构复杂、运行工况多变等特点，采用现有的人工健康监测与管理的方法存在监测滞后和管理低效的缺点，对智能装备的健康管理效果并不理想。
发明内容
本发明的目的是为了解决现有的人工对智能装备健康进行监测和管理的方法存在监测滞后和管理低效的问题，提出了一种基于数字孪生技术的智能装备健康管理方法。
本发明的技术方案为：一种基于数字孪生技术的智能装备健康管理方法，包括以下步骤：
S1、获取智能装备的运行数据。
S2、根据智能装备的运行数据，通过深度神经网络得到智能装备的数字孪生体运行参数。
S3、根据智能装备的数字孪生体运行参数，对智能装备的数字孪生体进行仿真运行，得到仿真运行结果。
S4、根据仿真运行结果生成智能装备的健康管理模型。
S5、通过智能装备的健康管理模型对智能装备进行健康管理。
进一步地，步骤S1中智能装备的运行数据包括智能装备的运行时长、温度、振幅和产能。
进一步地，振幅的获取方法为：
A1、获取智能装备运行时的振动信号。
A2、对振动信号进行频域转换，得到频域振动信号。
A3、对频域振动信号进行傅里叶反变换，得到时域信号。
A4、将时域信号对应的振动幅值作为智能装备的振幅。
进一步地，步骤S2包括以下分步骤：
S21、将智能装备的运行数据进行concat特征融合，得到融合特征X。
S22、将融合特征X作为训练样本输入深度神经网络，对深度神经网络进行迭代权重更新，直至深度神经网络收敛，得到训练好的深度神经网络。
S23、将融合特征X输入训练好的深度神经网络，输出得到智能装备的数字孪生体运行参数。
进一步地，步骤S22中对深度神经网络进行迭代权重更新的公式为：
Figure 587506DEST_PATH_IMAGE001
其中W i l 表示深度神经网络第l层第i次迭代更新时的权重，
Figure 725226DEST_PATH_IMAGE002
表示学习率，Loss表示深度神经网络的损失函数，其计算公式为：
Figure 46486DEST_PATH_IMAGE003
其中x j 表示融合特征X中的第j个数据，
Figure 394291DEST_PATH_IMAGE004
表示融合特征X中数据均值，n表示融合特征X中的数据量。
进一步地，步骤S23中输出得到智能装备的数字孪生体运行参数的公式为：
Figure 396882DEST_PATH_IMAGE005
其中Y表示智能装备的数字孪生体运行参数，W l 表示深度神经网络第l层的权重，N表示深度神经网络的网络层数，P(·)表示激活函数，其计算公式为：
Figure 513742DEST_PATH_IMAGE006
其中x表示激活函数的自变量，a表示控制参数。
进一步地，步骤S3中的仿真运行结果具体为：
假设事件A：智能装备的数字孪生体运行时长大于预设时长阈值；事件B：智能装备的数字孪生体温度大于预设温度阈值；事件C：智能装备的数字孪生体振幅大于预设振幅阈值；事件D：智能装备的数字孪生体产能小于预设产能阈值。
若事件A、B、C、D均未发生，则智能装备的数字孪生体处于健康状态；若事件A、B、C、D部分发生，则智能装备的数字孪生体处于亚健康状态；若事件A、B、C、D均发生，则智能装备的数字孪生体处于不健康状态。
进一步地，步骤S4中智能装备的健康管理模型具体为：
Figure 474745DEST_PATH_IMAGE007
其中HM表示智能装备的健康管理模型，PC a 表示第a个感知控制模块，A表示感知控制模块总数，DP b 表示第b个数据处理模块，B表示数据处理模块总数，MC k 表示第k个模型构建模块，K表示模型构建模块总数，EM h 表示第h个装备维修模块，H表示装备维修模块总数。
本发明的有益效果是：
（1）本发明基于数字孪生技术对智能装备的健康进行管理，通过在数字空间创建与智能装备实体等价的数字孪生体，对智能装备实体进行仿真分析，并以仿真分析结果为依据对智能装备实体进行反馈健康管理，能够为智能装备实体后续运行和健康维护提供更加精确的决策。
（2）本发明根据实时采集的智能装备运行数据，通过深度学习技术挖掘得到智能装备对应数字孪生体的运行参数，实现了实体空间到数据空间的准确数据映射，使得数字孪生体的运行结果能够准确反映智能装备实体的健康发展趋势，进而生成准确的健康管理方案。
（3）本发明通过对采集到的智能装备运行时的振动信号依次进行频域和时域变换分析，得到能够准确反映智能装备振动情况的振幅值。
（4）本发明最终生成的智能装备健康管理模型包含了感知控制、数据处理、模型构建和装备维修等多种功能模块，能够对各种类别的智能装备进行全面的健康管理。
附图说明
图1所示为本发明实施例提供的一种基于数字孪生技术的智能装备健康管理方法流程图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
本发明实施例提供了一种基于数字孪生技术的智能装备健康管理方法，如图1所示，包括以下步骤S1~S5：
S1、获取智能装备的运行数据。
本发明实施例中，智能装备的运行数据包括智能装备的运行时长、温度、振幅和产能。
其中，运行时长可以直接统计得到，温度可以通过温度传感器采集，产能也可以通过统计计算得到。而振幅数据相对难以直接获取，因此本发明实施例中采用如下方法获取智能装备运行时的振幅：
A1、获取智能装备运行时的振动信号。
A2、对振动信号进行频域转换，得到频域振动信号。
A3、对频域振动信号进行傅里叶反变换，得到时域信号。
A4、将时域信号对应的振动幅值作为智能装备的振幅。
S2、根据智能装备的运行数据，通过深度神经网络得到智能装备的数字孪生体运行参数。
步骤S2包括以下分步骤S21~S23：
S21、将智能装备的运行数据进行concat特征融合，得到融合特征X。
S22、将融合特征X作为训练样本输入深度神经网络，对深度神经网络进行迭代权重更新，直至深度神经网络收敛，得到训练好的深度神经网络。
本发明实施例中，对深度神经网络进行迭代权重更新的公式为：
Figure 309846DEST_PATH_IMAGE001
其中W i l 表示深度神经网络第l层第i次迭代更新时的权重，
Figure 116128DEST_PATH_IMAGE002
表示学习率，Loss表示深度神经网络的损失函数，其计算公式为：
Figure 884233DEST_PATH_IMAGE003
其中x j 表示融合特征X中的第j个数据，
Figure 344033DEST_PATH_IMAGE004
表示融合特征X中数据均值，n表示融合特征X中的数据量。
S23、将融合特征X输入训练好的深度神经网络，输出得到智能装备的数字孪生体运行参数。
本发明实施例中，输出得到智能装备的数字孪生体运行参数的公式为：
Figure 197588DEST_PATH_IMAGE005
其中Y表示智能装备的数字孪生体运行参数，W l 表示深度神经网络第l层的权重，N表示深度神经网络的网络层数，P(·)表示激活函数，其计算公式为：
Figure 384725DEST_PATH_IMAGE006
其中x表示激活函数的自变量，a表示控制参数，用于控制自变量为负值时激活函数的饱和度，本发明实施例中，a取值为0.25.
S3、根据智能装备的数字孪生体运行参数，对智能装备的数字孪生体进行仿真运行，得到仿真运行结果。
本发明实施例中，仿真运行结果具体为：
假设事件A：智能装备的数字孪生体运行时长大于预设时长阈值；
事件B：智能装备的数字孪生体温度大于预设温度阈值；
事件C：智能装备的数字孪生体振幅大于预设振幅阈值；
事件D：智能装备的数字孪生体产能小于预设产能阈值。
则若事件A、B、C、D均未发生，则智能装备的数字孪生体处于健康状态；
若事件A、B、C、D部分发生，则智能装备的数字孪生体处于亚健康状态；
若事件A、B、C、D均发生，则智能装备的数字孪生体处于不健康状态。
S4、根据仿真运行结果生成智能装备的健康管理模型。
本发明实施例中，智能装备的健康管理模型具体为：
Figure 351544DEST_PATH_IMAGE007
其中HM表示智能装备的健康管理模型，PC a 表示第a个感知控制模块，A表示感知控制模块总数，DP b 表示第b个数据处理模块，B表示数据处理模块总数，MC k 表示第k个模型构建模块，K表示模型构建模块总数，EM h 表示第h个装备维修模块，H表示装备维修模块总数。
本发明实施例中，感知控制模块包括传感器、物联网络、数据线程协议解析等子单元，数据处理模块包括数据管理、数据集成、数据分析、数据应用、数据抽取、数据挖掘等子模块，模型构建模块包括在线学习、有限元模型、多尺度建模、模型融合修正等子单元，装备维修模块包括降温、减振、反馈控制等子模块。
S5、通过智能装备的健康管理模型对智能装备进行健康管理。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.一种基于数字孪生技术的智能装备健康管理方法，其特征在于，包括以下步骤：
S1、获取智能装备的运行数据；
S2、根据智能装备的运行数据，通过深度神经网络得到智能装备的数字孪生体运行参数；
S3、根据智能装备的数字孪生体运行参数，对智能装备的数字孪生体进行仿真运行，得到仿真运行结果；
S4、根据仿真运行结果生成智能装备的健康管理模型；
S5、通过智能装备的健康管理模型对智能装备进行健康管理；
所述S2包括以下分步骤：
S21、将智能装备的运行数据进行concat特征融合，得到融合特征X；
S22、将融合特征X作为训练样本输入深度神经网络，对深度神经网络进行迭代权重更新，直至深度神经网络收敛，得到训练好的深度神经网络；
S23、将融合特征X输入训练好的深度神经网络，输出得到智能装备的数字孪生体运行参数。
2.根据权利要求1所述的智能装备健康管理方法，其特征在于，所述S1中智能装备的运行数据包括智能装备的运行时长、温度、振幅和产能。
3.根据权利要求2所述的智能装备健康管理方法，其特征在于，所述振幅的获取方法为：
A1、获取智能装备运行时的振动信号；
A2、对振动信号进行频域转换，得到频域振动信号；
A3、对频域振动信号进行傅里叶反变换，得到时域信号；
A4、将时域信号对应的振动幅值作为智能装备的振幅。
4.根据权利要求1所述的智能装备健康管理方法，其特征在于，所述S22中对深度神经网络进行迭代权重更新的公式为：
Figure 333554DEST_PATH_IMAGE001
其中W i l 表示深度神经网络第l层第i次迭代更新时的权重，
Figure 85609DEST_PATH_IMAGE002
表示学习率，Loss表示深度神经网络的损失函数，其计算公式为：
Figure 845755DEST_PATH_IMAGE003
其中x j 表示融合特征X中的第j个数据，
Figure 549006DEST_PATH_IMAGE004
表示融合特征X中数据均值，n表示融合特征X中的数据量。
5.根据权利要求1所述的智能装备健康管理方法，其特征在于，所述S23中输出得到智能装备的数字孪生体运行参数的公式为：
Figure 951169DEST_PATH_IMAGE005
其中Y表示智能装备的数字孪生体运行参数，W l 表示深度神经网络第l层的权重，N表示深度神经网络的网络层数，P(·)表示激活函数，其计算公式为：
Figure 557730DEST_PATH_IMAGE006
其中x表示激活函数的自变量，a表示控制参数。
6.根据权利要求1所述的智能装备健康管理方法，其特征在于，所述S3中的仿真运行结果具体为：
假设事件A：智能装备的数字孪生体运行时长大于预设时长阈值；事件B：智能装备的数字孪生体温度大于预设温度阈值；事件C：智能装备的数字孪生体振幅大于预设振幅阈值；事件D：智能装备的数字孪生体产能小于预设产能阈值；
若事件A、B、C、D均未发生，则智能装备的数字孪生体处于健康状态；若事件A、B、C、D部分发生，则智能装备的数字孪生体处于亚健康状态；若事件A、B、C、D均发生，则智能装备的数字孪生体处于不健康状态。
7.根据权利要求1所述的智能装备健康管理方法，其特征在于，所述S4中智能装备的健康管理模型具体为：
Figure 488777DEST_PATH_IMAGE007
其中HM表示智能装备的健康管理模型，PC a 表示第a个感知控制模块，A表示感知控制模块总数，DP b 表示第b个数据处理模块，B表示数据处理模块总数，MC k 表示第k个模型构建模块，K表示模型构建模块总数，EM h 表示第h个装备维修模块，H表示装备维修模块总数。
CN202210677745.6A 2022-06-16 2022-06-16 一种基于数字孪生技术的智能装备健康管理方法 Active CN114757111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210677745.6A CN114757111B (zh) 2022-06-16 2022-06-16 一种基于数字孪生技术的智能装备健康管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210677745.6A CN114757111B (zh) 2022-06-16 2022-06-16 一种基于数字孪生技术的智能装备健康管理方法

Publications (2)

Publication Number Publication Date
CN114757111A CN114757111A (zh) 2022-07-15
CN114757111B true CN114757111B (zh) 2022-08-23

Family

ID=82337070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210677745.6A Active CN114757111B (zh) 2022-06-16 2022-06-16 一种基于数字孪生技术的智能装备健康管理方法

Country Status (1)

Country Link
CN (1) CN114757111B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680268B (zh) * 2023-06-09 2024-02-27 四川观想科技股份有限公司 一种智能装备全生命周期综合保障数据管理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532626A (zh) * 2019-07-31 2019-12-03 西安交通大学 基于数字孪生的航空发动机主轴承剩余寿命预测方法
CN112818490A (zh) * 2021-03-18 2021-05-18 中国人民解放军陆军工程大学 一种云边架构的装备数字孪生平行仿真系统及方法
WO2021108680A1 (en) * 2019-11-25 2021-06-03 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
CN113011085A (zh) * 2021-02-26 2021-06-22 青岛弯弓信息技术有限公司 一种设备数字孪生建模方法及系统
CN113656904A (zh) * 2021-07-26 2021-11-16 重庆斯欧智能科技研究院有限公司 一种面向制造设备的数字孪生模型构建方法
CN113743876A (zh) * 2021-09-16 2021-12-03 重庆大学 一种用于核电装备的数字孪生无人仓库管理系统
CN114297927A (zh) * 2021-12-28 2022-04-08 中国科学院自动化研究所 基于数据驱动的工业装备数字孪生构建维护方法及系统
CN114417669A (zh) * 2022-01-20 2022-04-29 北京西清能源科技有限公司 一种基于数字孪生的变电设备故障监测预警方法与装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221352A (zh) * 2021-05-11 2021-08-06 中国科学院自动化研究所 基于数字孪生的复杂装备健康管理方法及系统
CN114329849B (zh) * 2022-03-03 2022-06-21 河北工业大学 基于数字孪生的充液成形设备健康管控系统和方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532626A (zh) * 2019-07-31 2019-12-03 西安交通大学 基于数字孪生的航空发动机主轴承剩余寿命预测方法
WO2021108680A1 (en) * 2019-11-25 2021-06-03 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
CN113011085A (zh) * 2021-02-26 2021-06-22 青岛弯弓信息技术有限公司 一种设备数字孪生建模方法及系统
CN112818490A (zh) * 2021-03-18 2021-05-18 中国人民解放军陆军工程大学 一种云边架构的装备数字孪生平行仿真系统及方法
CN113656904A (zh) * 2021-07-26 2021-11-16 重庆斯欧智能科技研究院有限公司 一种面向制造设备的数字孪生模型构建方法
CN113743876A (zh) * 2021-09-16 2021-12-03 重庆大学 一种用于核电装备的数字孪生无人仓库管理系统
CN114297927A (zh) * 2021-12-28 2022-04-08 中国科学院自动化研究所 基于数据驱动的工业装备数字孪生构建维护方法及系统
CN114417669A (zh) * 2022-01-20 2022-04-29 北京西清能源科技有限公司 一种基于数字孪生的变电设备故障监测预警方法与装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Prediction of Highway Tunnel Pavement Performance Based on Digital Twin and Multiple Time Series Stacking;Gang Yu 等;《Advances in Civil Engineering 》;20201204;1-21 *
基于数字孪生的变电站潜在故障定位预警研究;李志强 等;《电工技术》;20220525(第10期);35-38 *
数字孪生框架下A企业智能设备故障预测与维护策略研究;陈辉;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20220515(第5期);C029-323 *

Also Published As

Publication number Publication date
CN114757111A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
WO2020077672A1 (zh) 一种服务质量评估模型的训练方法及装置
CN113325721B (zh) 一种工业系统无模型自适应控制方法及系统
CN114757111B (zh) 一种基于数字孪生技术的智能装备健康管理方法
CN114282443B (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
CN117273402B (zh) 基于物联网技术的玻璃深加工生产线节能管理系统及方法
CN111159063A (zh) 一种面向多层Sketch网络测量的缓存分配方法
CN115809596A (zh) 一种数字孪生故障诊断方法和装置
CN113705897B (zh) 一种面向工业铜箔生产的产品质量预测方法及系统
CN115640933A (zh) 生产线缺陷自动管理方法、装置、设备及存储介质
CN117245872A (zh) 一种批次注塑过程的状态补偿模型控制方法及系统
CN117376381A (zh) 一种基于行为预测的电力设备通信方法及系统
CN117001965A (zh) 一种批次注塑过程的约束跟踪控制方法及系统
CN116541717A (zh) 一种基于云计算和深度学习的大数据分析方法
CN116720854A (zh) 基于智慧巡检的设备协调控制方法及系统
CN116204849A (zh) 一种面向数字孪生应用的数据与模型融合方法
CN113554010B (zh) 一种电网线路故障识别模型训练方法
CN115203895A (zh) 一种刀具制造过程数字孪生系统
CN111625525B (zh) 一种环境数据修复/填充方法及系统
CN117171551B (zh) 大规模工业设备数据分析与智能管理方法
CN117076260B (zh) 一种参数及设备异常检测方法及装置
Yan A Temperature and Humidity Control System based on Digital Twin
CN116722548B (zh) 一种基于时间序列模型的光伏发电预测方法及相关设备
WO2023098460A1 (zh) 一种模型更新方法、装置及相关设备
CN118395871A (zh) 基于数字孪生的加工质量预测方法
Wang Intelligent Malfunction Identification Method in Mechanical Manufacturing Process Based on Multisensor Data

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