CN115562191A - 基于工业数字孪生的生产力中台智能推测分析方法 - Google Patents
基于工业数字孪生的生产力中台智能推测分析方法 Download PDFInfo
- Publication number
- CN115562191A CN115562191A CN202211175987.1A CN202211175987A CN115562191A CN 115562191 A CN115562191 A CN 115562191A CN 202211175987 A CN202211175987 A CN 202211175987A CN 115562191 A CN115562191 A CN 115562191A
- Authority
- CN
- China
- Prior art keywords
- data
- scene
- productivity
- industrial
- digital 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000009776 industrial production Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims 1
- 230000007935 neutral effect Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32404—Scada supervisory control and data acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于工业数字孪生的生产力中台智能推测分析方法,涉及工业智能制造技术领域,解决了生产力中台与工业数字孪生平台的关联问题,以及增加了生产力中台的智能化功能,同时解决多品牌工业孪生平台接口不通用、无法获得工业数字孪生平台元数据以及单独依赖工业数据孪生数据、其它工业生产数据判断生产设备故障或生产状态不够精确的问题;本发明将工业数字孪生平台数据(界面数据或接口元数据)接入生产力中台,预先基于工程应用及机器学习训练经验数据作为经验知识数据;从而获得参考数据并存入知识经验库,最终基于工业数字孪生平台数据与机器学习技术预判制造加工设备的最佳调优设置以及生产状态,有效提高生产效率。
Description
技术领域
本发明涉及工业智能制造技术领域,具体是基于工业数字孪生的生产力中台智能推测分析方法。
背景技术
“工业智能制造生产力中台”(简称“生产力中台”)是指将工业制造相关软件进行整合的系统平台,其集工业智能制造流程设计、综合管理功能于一体,软件运行在云端,用户通过互联网浏览应用。工业数字孪生是指以数字化的表达方式描述物理世界中物体模型的技术,实现工业制造领域物理信息与虚拟信息的智慧融合,工业制造设备的物理实体与仿真虚拟体同步运行,通过查看仿真虚拟体可以实时掌握物理实体的运行状态。
现有的生产力中台与工业数字孪生平台相互独立,或不同供应商的生产力中台与工业数字孪生平台相互独立、互不兼容,而相对独立的工业数字孪生平台的仿真数据还不能被生产力中台智能分析,生产力中台不能基于获取到的数字孪生界面图像数据做出应急响应提示。与此同时,一些独立运行的工业MES系统、SCADA系统也与生产力中台互不兼容;基于以上问题,本发明提出基于工业数字孪生的生产力中台智能推测分析方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出基于工业数字孪生的生产力中台智能推测分析方法,解决了生产力中台与工业数字孪生平台的关联问题,以及增加了生产力中台的智能化功能,同时解决多品牌工业孪生平台接口不通用、无法获得工业数字孪生平台元数据以及单独依赖工业数据孪生数据、其它工业生产数据判断生产设备故障或生产状态不够精确的问题。
为实现上述目的,根据本发明的第一方面的实施例提出基于工业数字孪生的生产力中台智能推测分析方法,包括如下步骤:
步骤一:获取数字孪生平台的图像以及MES、SCADA系统界面数据并传输给生产力中台;
步骤二:生产力中台基于图像数据进行智能分析,具体为:
生产力中台对数字孪生平台、MES/SCADA系统的图像数据进行压缩处理,获得处理后的轻量化图像数据;
将轻量化的图像数据进行分类,按照业务特征分类,设计一级指标(P1),即将压缩后的物理实体数字孪生、MES/SCADA系统图像数据分为零部件加工类(Pa)、辅助工艺类(Pt)、组装产线类(PL)、测试质检类(PT);进一步基于每一个一级指标的具体设备及业务情况设计二级指标(P2);
对分类后的图像数据进行算法处理、几何处理;基于常规算法进行动作识别、场景识别;基于事先定义或训练的规则对图像裁剪、分割;
应用卷积神经网络算法(CNN)进行图像识别,基于预先对正常状态与非正常状态(以及细分故障类型)的训练,识别物理实体的运行状态;
步骤三:生产力中台根据物理实体的运行状态对可能出现的物理实体故障以及软性的生产管理效率进行智能预判。
进一步地,生产力中台对图像数据进行处理,还包括:
第一步,截图及分类:将获取的数字孪生图像的多个场景界面分别为场景一、场景二、场景三、…、场景N,基于坐标确定每个场景在屏幕中的位置边界;每隔设定时间t系统自动截屏一次;然后按照每个场景的坐标边界将整幅截屏的图片裁剪为多个场景图片,分别为场景图片一、场景图片二、场景图片三、…、场景图片N;
第二步,图像识别:首先确定异常标志特征,并按场景图片一、场景图片二、场景图片三、…、场景图片N分类处理;其中相同场景在不同时间的图片作为一类;
第三步,基于图像识别及知识经验预警提示:首先设计知识经验库,然后进行预警提示并将提示分类;每种异常对应一种提示类型。
进一步地,所述异常标志特征基于事先的定义或深度学习算法的训练提取,分别基于场景一、场景二、场景三、…、场景N的特征设置对应的异常标志特征。
进一步地,所述知识经验库包含场景图片内容的特征与运行状态、故障类型,以及与本场景图片内容存在联系的其它非本场景图片内容或流程的状态。
进一步地,其中,生产力中台进行智能预判的具体步骤为:
将图像处理后的结果数据与其它渠道获取的工业生产大数据即制造加工设备状态数据、生产管理数据进行融合;
进一步应用深度学习技术训练人工神经网络,对物理实体中的生产设备状态、生产环节状态、生产整体运行状态进行诊断,预判可能出现的物理实体故障以及软性的生产管理效率;
根据预判结果通过信号符号或文字方式在生产力中台界面提示标识或通过生产力中台所涉及的附属物理设备以声、光、电方式予以提示。
进一步地,其中,对物理实体中的生产设备状态、生产环节状态、生产整体运行状态进行诊断,具体包括:
首先利用工业制造过程中产生的历史经验数据训练设备状态分类特征,训练基于神经网络算法;
然后训练制造过程中采集到的参考数据,提取特征信息;
然后设计综合预判模型:将工业数字孪生数据、参考数据作为综合指标数据,以综合数据训练提取与工业制造相关的特征数据;
最后设计算法模型智能预判:以当前工业数据孪生图像数据、实时采集到的参考数据,预判设备状态、生产环节状态、生产整体运行状态。
进一步地,其中,获取图像数据采用两种方式:第一种方式是读取数字孪生平台界面,获取界面显示的图像数据;第二种方式是通过数字孪生平台、MES/SCADA系统提供的数据接口获取原始图像数据,所述原始图像数据包含物理实体的三维数字模型以及加工过程中的参数数据。
与现有技术相比,本发明的有益效果是:
本发明中生产力中台对图像数据进行智能分析,基于事先定义或训练的规则对图像裁剪、分割;然后应用卷积神经网络算法(CNN)进行图像识别;基于预先对正常状态与非正常状态(以及细分故障类型)的训练,识别物理实体的运行状态;然后利用工业制造过程中产生的历史经验数据训练设备状态分类特征,训练制造过程中采集到的参考数据,提取特征信息,以当前工业数据孪生图像数据、实时采集到的参考数据,预判设备状态、生产环节状态、生产整体运行状态;本发明将工业数字孪生平台数据(界面数据或接口元数据)接入生产力中台,预先基于工程应用及机器学习训练经验数据作为经验知识数据;从而获得参考数据并存入知识经验库,最终基于工业数字孪生平台数据与机器学习技术预判制造加工设备的最佳调优设置以及生产状态,有效提高生产效率。
附图说明
为了更清楚地说明本发明实施例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本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明基于工业数字孪生的生产力中台智能推测分析方法的原理框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,基于工业数字孪生的生产力中台智能推测分析方法,包括如下步骤:
步骤一:获取数字孪生平台的图像以及MES、SCADA系统界面数据并传输给生产力中台;
其中,获取图像数据采用两种方式:第一种方式是读取数字孪生平台界面,获取界面显示的图像数据;第二种方式是通过数字孪生平台、MES/SCADA系统提供的数据接口获取原始图像数据,原始图像数据主要包含物理实体的三维数字模型以及加工过程中的参数数据;
步骤二:生产力中台基于图像数据进行智能分析,具体为:
生产力中台对数字孪生平台、MES/SCADA系统的图像数据进行压缩处理,获得处理后的轻量化图像数据;
其次,将轻量化的图像数据进行分类,按照业务特征分类,设计一级指标(P1),即将压缩后的物理实体数字孪生、MES/SCADA系统图像数据分为零部件加工类(Pa)、辅助工艺类(Pt)、组装产线类(PL)、测试质检类(PT),进一步基于每一个一级指标的具体设备及业务情况设计二级指标(P2);
再次,对分类后的图像数据进行算法处理、几何处理。基于常规算法进行动作识别、场景识别,基于事先定义或训练的规则对图像裁剪、分割;
最后,应用卷积神经网络算法(CNN)进行图像识别;基于预先对正常状态与非正常状态(以及细分故障类型)的训练,识别物理实体的运行状态;
步骤三:生产力中台对可能出现的物理实体故障以及软性的生产管理效率进行智能预判,具体为:
将图像处理后的结果数据与其它渠道获取的工业生产大数据即制造加工设备状态数据、生产管理数据(生产相关的整体运行以及各个环节运行状态数据)融合;
进一步应用深度学习技术训练人工神经网络,对物理实体中的生产设备状态(正常或故障情况、运行状况)、生产环节状态、生产整体运行状态进行诊断,预判可能出现的物理实体故障以及软性的生产管理效率;
根据预判结果通过信号符号或文字方式在生产力中台界面提示标识或通过生产力中台所涉及的附属物理设备以声、光、电方式予以提示;
在本实施例中,其中,对物理实体中的生产设备状态(正常或故障情况、运行状况)、生产环节状态、生产整体运行状态进行诊断,具体包括:
首先,利用工业制造过程中产生的历史经验数据(物理实体在工业数字孪生中的仿真虚拟体图像数据)训练设备状态分类特征,例如神经网络算法训练生产设备正常运行时的状态以及故障分类特征;
其次,训练制造过程中采集到的参考数据,提取特征信息;
再次,设计综合预判模型:将工业数字孪生数据、参考数据作为综合指标数据,以综合数据训练提取与工业制造相关的特征数据;
最后,设计算法模型智能预判:以当前工业数据孪生图像数据、实时采集到的参考数据,预判设备状态、生产环节状态、生产整体运行状态;
在本实施例中,生产力中台对图像数据进行处理,还包括:
第一步,截图及分类:将获取的数字孪生图像的多个场景界面分别为场景一、场景二、场景三、…、场景N,基于坐标确定每个场景在屏幕中的位置边界;每隔设定时间t系统自动截屏一次;然后按照每个场景的坐标边界将整幅截屏的图片裁剪为多个场景图片,分别为场景图片一、场景图片二、场景图片三、…、场景图片N;
第二步,图像识别:首先确定异常标志特征,异常标志特征基于事先的定义或深度学习算法的训练提取,并按场景图片一、场景图片二、场景图片三、…、场景图片N分类处理;其中相同场景在不同时间的图片作为一类;
其中,在本实施例中,分别基于场景一、场景二、场景三、…、场景N的特征设置对应的异常标志特征;例如:场景一为生产线组装机器的画面,异常标志设计为机器的停止工作状态,通过对比组装机器正常工作时与非工作时的场景图片判断其变化;场景二为物料供应场景,异常标志为物料断供的图像特征,通过对比不同时间的场景图片判断物料供应变化,或基于场景图像的物资类别、物资名称、数量的文字及数字描述;场景三为工厂人力物力部署图像,异常标志为区域位置的人员类别及数量、物资类别及数量特征;
第三步,基于图像识别及知识经验预警提示;具体步骤为:
首先设计知识经验库;知识经验库包含场景图片内容(例如机器设备)的特征与运行状态、故障类型,以及与本场景图片内容存在联系的其它非本场景图片内容或流程的状态;
然后进行预警提示并将提示分类;每种异常对应一种提示类型;
本发明可同时获取多个不同厂商不同接口标准且不开放数据接口的工业数字孪生平台数据,若一个集团公司有若干工厂,且采用不同厂商的工业数据孪生平台,则可以采用本发明中的方法同时监测分析下属若干工厂的运行情况,并提供智能决策方案,为企业管理层提供参考。
本发明的工作原理:
基于工业数字孪生的生产力中台智能推测分析方法,在工作时,首先获取数字孪生平台的图像以及MES、SCADA系统界面数据并传输给生产力中台;然后生产力中台对图像数据进行智能分析,基于事先定义或训练的规则对图像裁剪、分割;然后应用卷积神经网络算法(CNN)进行图像识别;基于预先对正常状态与非正常状态(以及细分故障类型)的训练,识别物理实体的运行状态;然后利用工业制造过程中产生的历史经验数据训练设备状态分类特征,训练制造过程中采集到的参考数据,提取特征信息,以当前工业数据孪生图像数据、实时采集到的参考数据,预判设备状态、生产环节状态、生产整体运行状态;本发明将工业数字孪生平台数据(界面数据或接口元数据)接入生产力中台,预先基于工程应用及机器学习训练经验数据作为经验知识数据;从而获得参考数据并存入知识经验库,最终基于工业数字孪生平台数据与机器学习技术预判制造加工设备的最佳调优设置以及生产状态,有效提高生产效率。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.基于工业数字孪生的生产力中台智能推测分析方法,其特征在于,包括如下步骤:
步骤一:获取数字孪生平台的图像以及MES、SCADA系统界面数据并传输给生产力中台;
步骤二:生产力中台基于图像数据进行智能分析,具体为:
生产力中台对数字孪生平台、MES/SCADA系统的图像数据进行压缩处理,获得处理后的轻量化图像数据;
将轻量化的图像数据进行分类,按照业务特征分类,设计一级指标(P1),即将压缩后的物理实体数字孪生、MES/SCADA系统图像数据分为零部件加工类(Pa)、辅助工艺类(Pt)、组装产线类(PL)、测试质检类(PT);进一步基于每一个一级指标的具体设备及业务情况设计二级指标(P2);
对分类后的图像数据进行算法处理、几何处理;基于常规算法进行动作识别、场景识别;基于事先定义或训练的规则对图像裁剪、分割;
应用卷积神经网络算法进行图像识别,基于预先对正常状态与非正常状态的训练,识别物理实体的运行状态;
步骤三:生产力中台根据物理实体的运行状态对可能出现的物理实体故障以及软性的生产管理效率进行智能预判。
2.根据权利要求1所述的基于工业数字孪生的生产力中台智能推测分析方法,其特征在于,生产力中台对图像数据进行处理,还包括:
第一步,截图及分类:将获取的数字孪生图像的多个场景界面分别为场景一、场景二、场景三、…、场景N,基于坐标确定每个场景在屏幕中的位置边界;每隔设定时间t系统自动截屏一次;然后按照每个场景的坐标边界将整幅截屏的图片裁剪为多个场景图片,分别为场景图片一、场景图片二、场景图片三、…、场景图片N;
第二步,图像识别:首先确定异常标志特征,并按场景图片一、场景图片二、场景图片三、…、场景图片N分类处理;其中相同场景在不同时间的图片作为一类;
第三步,基于图像识别及知识经验预警提示:首先设计知识经验库,然后进行预警提示并将提示分类;每种异常对应一种提示类型。
3.根据权利要求2所述的基于工业数字孪生的生产力中台智能推测分析方法,其特征在于,所述异常标志特征基于事先的定义或深度学习算法的训练提取,分别基于场景一、场景二、场景三、…、场景N的特征设置对应的异常标志特征。
4.根据权利要求2所述的基于工业数字孪生的生产力中台智能推测分析方法,其特征在于,所述知识经验库包含场景图片内容的特征与运行状态、故障类型,以及与本场景图片内容存在联系的其它非本场景图片内容或流程的状态。
5.根据权利要求2所述的基于工业数字孪生的生产力中台智能推测分析方法,其特征在于,其中,生产力中台进行智能预判的具体步骤为:
将图像处理后的结果数据与其它渠道获取的工业生产大数据即制造加工设备状态数据、生产管理数据进行融合;
进一步应用深度学习技术训练人工神经网络,对物理实体中的生产设备状态、生产环节状态、生产整体运行状态进行诊断,预判可能出现的物理实体故障以及软性的生产管理效率;
根据预判结果通过信号符号或文字方式在生产力中台界面提示标识或通过生产力中台所涉及的附属物理设备以声、光、电方式予以提示。
6.根据权利要求5所述的基于工业数字孪生的生产力中台智能推测分析方法,其特征在于,其中,对物理实体中的生产设备状态、生产环节状态、生产整体运行状态进行诊断,具体包括:
首先利用工业制造过程中产生的历史经验数据训练设备状态分类特征,训练基于神经网络算法;
然后训练制造过程中采集到的参考数据,提取特征信息;
然后设计综合预判模型:将工业数字孪生数据、参考数据作为综合指标数据,以综合数据训练提取与工业制造相关的特征数据;
最后设计算法模型智能预判:以当前工业数据孪生图像数据、实时采集到的参考数据,预判设备状态、生产环节状态、生产整体运行状态。
7.根据权利要求1所述的基于工业数字孪生的生产力中台智能推测分析方法,其特征在于,其中,获取图像数据采用两种方式:第一种方式是读取数字孪生平台界面,获取界面显示的图像数据;第二种方式是通过数字孪生平台、MES/SCADA系统提供的数据接口获取原始图像数据,所述原始图像数据包含物理实体的三维数字模型以及加工过程中的参数数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211175987.1A CN115562191B (zh) | 2022-09-26 | 2022-09-26 | 基于工业数字孪生的生产力中台智能推测分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211175987.1A CN115562191B (zh) | 2022-09-26 | 2022-09-26 | 基于工业数字孪生的生产力中台智能推测分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115562191A true CN115562191A (zh) | 2023-01-03 |
CN115562191B CN115562191B (zh) | 2024-02-27 |
Family
ID=84743676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211175987.1A Active CN115562191B (zh) | 2022-09-26 | 2022-09-26 | 基于工业数字孪生的生产力中台智能推测分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115562191B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372630A (zh) * | 2023-12-07 | 2024-01-09 | 陕西星辰时代科技发展有限公司 | 基于数字孪生技术的数据可视化系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048600A (zh) * | 2021-11-09 | 2022-02-15 | 苏州纽克斯电源技术股份有限公司 | 一种数字孪生驱动的多模型融合工业系统异常检测方法 |
CN114077235A (zh) * | 2021-11-18 | 2022-02-22 | 四川启睿克科技有限公司 | 一种基于数字孪生技术的设备预测性维护系统及方法 |
CN114153482A (zh) * | 2022-02-09 | 2022-03-08 | 深圳市爱云信息科技有限公司 | 基于数字孪生DaaS平台的深度学习编程方法及系统 |
US20220128899A1 (en) * | 2020-10-22 | 2022-04-28 | D2S, Inc. | Methods and systems to determine shapes for semiconductor or flat panel display fabrication |
CN114758422A (zh) * | 2022-06-15 | 2022-07-15 | 清华大学 | 施工机械设备动作实时智能识别方法及装置 |
CN114842363A (zh) * | 2022-07-04 | 2022-08-02 | 南方电网科学研究院有限责任公司 | 一种数字孪生台区关键电力设备的识别方法及系统 |
CN114860833A (zh) * | 2022-05-30 | 2022-08-05 | 江苏顺骁工程科技有限公司 | 应用于数字孪生水利工程的数据中台和数据处理方法 |
WO2022166070A1 (zh) * | 2021-02-05 | 2022-08-11 | 深圳市爱云信息科技有限公司 | AIOT DaaS数字孪生云平台 |
-
2022
- 2022-09-26 CN CN202211175987.1A patent/CN115562191B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220128899A1 (en) * | 2020-10-22 | 2022-04-28 | D2S, Inc. | Methods and systems to determine shapes for semiconductor or flat panel display fabrication |
WO2022166070A1 (zh) * | 2021-02-05 | 2022-08-11 | 深圳市爱云信息科技有限公司 | AIOT DaaS数字孪生云平台 |
CN114048600A (zh) * | 2021-11-09 | 2022-02-15 | 苏州纽克斯电源技术股份有限公司 | 一种数字孪生驱动的多模型融合工业系统异常检测方法 |
CN114077235A (zh) * | 2021-11-18 | 2022-02-22 | 四川启睿克科技有限公司 | 一种基于数字孪生技术的设备预测性维护系统及方法 |
CN114153482A (zh) * | 2022-02-09 | 2022-03-08 | 深圳市爱云信息科技有限公司 | 基于数字孪生DaaS平台的深度学习编程方法及系统 |
CN114860833A (zh) * | 2022-05-30 | 2022-08-05 | 江苏顺骁工程科技有限公司 | 应用于数字孪生水利工程的数据中台和数据处理方法 |
CN114758422A (zh) * | 2022-06-15 | 2022-07-15 | 清华大学 | 施工机械设备动作实时智能识别方法及装置 |
CN114842363A (zh) * | 2022-07-04 | 2022-08-02 | 南方电网科学研究院有限责任公司 | 一种数字孪生台区关键电力设备的识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
廖晓红;: "数字孪生及其应用跟踪", 广东通信技术, no. 07, pages 16 - 19 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372630A (zh) * | 2023-12-07 | 2024-01-09 | 陕西星辰时代科技发展有限公司 | 基于数字孪生技术的数据可视化系统及方法 |
CN117372630B (zh) * | 2023-12-07 | 2024-03-01 | 陕西星辰时代科技发展有限公司 | 基于数字孪生技术的数据可视化系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115562191B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102321765B1 (ko) | 디스플레이 장치 품질 검사 방법, 장치, 전자 장치 및 저장 매체 | |
KR102229594B1 (ko) | 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체 | |
CN112966772A (zh) | 一种多人在线的图像半自动标注方法及系统 | |
CN112926257A (zh) | 往复式天然气压缩机故障诊断系统以及诊断方法 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN115562191A (zh) | 基于工业数字孪生的生产力中台智能推测分析方法 | |
CN114998234A (zh) | 一种基于数据增强策略的自监督弹簧缺陷检测方法 | |
CN116309303B (zh) | 基于红外图像的电气设备缺陷检测方法、装置及相关设备 | |
CN114707401A (zh) | 信号系统设备的故障预警方法及装置 | |
CN115184361A (zh) | 基于机器视觉的实时工件表面缺陷检测评价系统及方法 | |
CN117411192A (zh) | 一种不间断电源并机系统的监控方法及系统 | |
CN116486240A (zh) | 图像识别算法在输电线路无人机智能巡检方法上的应用 | |
CN115660288A (zh) | 一种基于互联网大数据的分析管理系统 | |
CN117331802A (zh) | 一种基于工业互联网的中台数据监测分析系统 | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
KR102411291B1 (ko) | 스마트공장 데이터 품질평가 방법 | |
JPH0832281A (ja) | 品質分析方法 | |
CN111861021A (zh) | 业务风险预测方法、装置、设备及计算机可读存储介质 | |
CN115731073A (zh) | 基于业务场景分析的调度操作异常监控方法 | |
CN112668912B (zh) | 人工神经网络的训练方法、动态计算切分调度方法、存储介质及系统 | |
CN114445694A (zh) | 巡检报告生成方法、装置、电子设备及存储介质 | |
CN114400769A (zh) | 智能换电站的3d可视化监控方法与装置 | |
CN112116108A (zh) | 用于电力设备失效分析的专家系统及方法 | |
CN112968941B (zh) | 一种基于边缘计算的数据采集和人机协同标注方法 | |
CN112132819A (zh) | 一种基于人工智能的通信网管监控方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |