CN115588161A - 一种基于数字孪生技术的数字化系统及其构建方法 - Google Patents

一种基于数字孪生技术的数字化系统及其构建方法 Download PDF

Info

Publication number
CN115588161A
CN115588161A CN202211257583.7A CN202211257583A CN115588161A CN 115588161 A CN115588161 A CN 115588161A CN 202211257583 A CN202211257583 A CN 202211257583A CN 115588161 A CN115588161 A CN 115588161A
Authority
CN
China
Prior art keywords
data
digital twin
model
digital
physical entity
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
CN202211257583.7A
Other languages
English (en)
Inventor
门嘉平
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.)
Ningbo Zihe Technology Co ltd
Original Assignee
Ningbo Zihe 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 Ningbo Zihe Technology Co ltd filed Critical Ningbo Zihe Technology Co ltd
Priority to CN202211257583.7A priority Critical patent/CN115588161A/zh
Publication of CN115588161A publication Critical patent/CN115588161A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (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技术的数字化系统及其构建方法，该系统包括：监控监测模块、数据处理模块、模型构建模块、模型评价模块及可视化模块；其中，监控监测模块，用于获取目标物理实体的状态参数；数据处理模块，用于对采集的状态参数进行预处理；模型构建模块，用于对数字孪生模型的构建；模型评价模块，用于对构建的数字孪生模型进行评价；可视化模块，用于将数字孪生模型进行可视化显示。本发明能够准确的表达数字化系统与目标物理实体之间的映射关系，能够给对目标物理实体进行实时监控和预测，从而能够为目标物理实体的运行进行实时管控和优化。

Description

一种基于数字孪生技术的数字化系统及其构建方法
技术领域
本发明涉及数据处理技术领域，具体来说，涉及一种基于数字孪生技术的数字化系统及其构建方法。
背景技术
数字孪生是一种集成多物理、多尺度、多学科属性，具有实时同步、忠实映射、高保真度特性，能够实现物理世界与信息世界交互与融合的技术手段。随着数字孪生车间概念的提出，数字孪生在智能制造中的应用潜力得到越来越多的关注。具体来说，数字孪生是以数字化方式创建物理实体的虚拟模型，借助数据模拟物理实体在现实环境中的行为，通过虚实交互反馈、数据融合分析、决策迭代优化等手段，为物理实体增加或扩展新的能力。
其中，授权专利号为CN109116751B的中国专利公开了一种基于数字孪生技术的数字化系统及其构建方法，数字化系统包括：相互通信的数据空间子系统和数据门户模块，构成目标物理实体对应的基于数字孪生技术的数字化系统；上述发明能够准确表达与物理实体之间映射关系，且能够明确系统各组成部分以及各部分具体内容定义。但是，数字李生模型作为数字李生体的重要组成部分，从物理实体映射产生，是数据收集处理后的整合，是实现仿真分析、质量控制预测等业务的基础。而数字孪生模型是体系构建的基础和关键，对其有效评价是实现数字孪生的必要手段，现有技术中不能够对数字孪生模型进行有效的评价，从而容易导致难以全面、客观地判断所建数字孪生模型能否满足有效性、直观性、整体性等建模需求，易产生数字孪生模型不可用或不符合建模需求的问题。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于数字孪生技术的数字化系统及其构建方法，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一方面，提供了一种基于数字孪生技术的数字化系统，该系统包括：监控监测模块、数据处理模块、模型构建模块、模型评价模块及可视化模块；
其中，所述监控监测模块，用于获取目标物理实体的状态参数；
所述数据处理模块，用于对采集的所述状态参数进行预处理；
所述模型构建模块，用于对数字孪生模型的构建；
所述模型评价模块，用于对构建的所述数字孪生模型进行评价；
所述可视化模块，用于将所述数字孪生模型进行可视化显示。
进一步的，所述用于获取目标物理实体的状态参数包括以下步骤：
通过多波段相机对所述目标物理实体进行静态数据的采集，所述静态数据包括所述目标物理实体的色彩影响数据和外形尺寸大小；
通过传感器对所述目标物理实体进行动态数据的采集，所述动态数据包括所述目标物理实体的运行参数。
进一步的，所述用于对采集的所述状态参数进行预处理包括以下步骤：
对采集的所述静态数据和所述动态数据进行异常分析并得到异常参数；
将所述异常参数进行清洗删除并得到正常静态数据和正常动态数据。
进一步的，所述用于对数字孪生模型的构建包括以下步骤：
将所述正常静态数据和所述正常动态数据作为基础数据；
根据所述基础数据确定推演算法和模型参数，并根据所述基础数据、所述推演算法及所述模型参数建立数字孪生初始模型；
获取训练数据，并利用所述训练数据对所述数字孪生初始模型进行训练，并得到训练好的数字孪生模型。
进一步的，所述获取训练数据，并利用所述训练数据对所述数字孪生初始模型进行训，并得到训练好的数字孪生模型包括以下步骤：
将所述训练数据输入至所述数字孪生初始模型中，并得到数字孪生结果；
将所述数字孪生结果与所述训练数据中实际数据进行关联指标计算；得到所述数字孪生结果与所述训练数据中实际数据的关联度；
若所述关联度小于所述预设阈值，则调整所述数字孪生初始模型的参数，并将所述训练数据再次输入至所述数字孪生初始模型中进行训练，直至所述数字孪生结果与所述实际数据的关联度大于或等于预设阈值，以得到训练好的数字孪生模型。
进一步的，所述数字孪生结果与所述训练数据中实际数据的关联度的计算公式如下：
Figure BDA0003885994760000031
其中，Cr(i,j)表示数字孪生结果与训练数据中实际数据的耦合参数；
Cr(j,i)表示数字孪生结果与训练数据中实际数据的对称耦合参数；
Si表示数字孪生结果与所述训练数据中实际数据的关联度参数；
i和j均表示为正整数；
n表示数字孪生结果与训练数据中实际数据的数量。
进一步的，所述用于对构建的所述数字孪生模型进行评价包括通过模糊综合评价法对构建的所述数字孪生模型进行评价包括以下步骤：
确定评价对象的因素集；
确定评价指标的评价值；
确定评价指标的权重向量；
进行单因素的评价，确定对应的模糊关系矩阵；
通过矩阵相乘法将所述权重向量与所述模糊关系矩阵合成为一个模糊综合评价矩阵；
计算出数字孪生模型的综合评价值。
进一步的，所述用于将所述数字孪生模型进行可视化显示包括通过手机、电脑、显示屏及PC平板进行显示。
根据本发明的另一方面，提供了一种基于数字孪生技术的数字化系统的构建方法，该方法包括以下步骤：
S1、获取目标物理实体的状态参数；
S2、对采集的所述状态参数进行预处理；
S3、对数字孪生模型的构建；
S4、对构建的所述数字孪生模型进行评价；
S5、将所述数字孪生模型进行可视化显示。
进一步的，所述用于获取目标物理实体的状态参数包括以下步骤：
S11、通过多波段相机对所述目标物理实体进行静态数据的采集，所述静态数据包括所述目标物理实体的色彩影响数据和外形尺寸大小；
S12、通过传感器对所述目标物理实体进行动态数据的采集，所述动态数据包括所述目标物理实体的运行参数。
本发明的有益效果为：
1、本发明能够准确的表达数字化系统与目标物理实体之间的映射关系，能够给对目标物理实体进行实时监控和预测，从而能够为目标物理实体的运行进行实时管控和优化。
2、本发明通过对目标物理实体的状态数据采集以及对采集的状态数据进行异常数据的清洗，从而能够为后续数字孪生模型的构建提供基础的框架，然后通过训练数据对所述数字孪生初始模型进行训练，进而能够得到最优数字孪生模型，为数字化系统的构建提供了保障。
3、本发明通过对数字孪生模型的评价分析，从而能够全面和客观的对数字孪生模型能否满足有效性，直观性及整体性进行判断，进而能够保证孪生模型的完整性和准确性，能够更准确的将目标物理实体进行准确的展示。
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是根据本发明实施例的一种基于数字孪生技术的数字化系统的原理框图；
图2是根据本发明实施例的一种基于数字孪生技术的数字化系统的构建方法的流程图。
图中：
1、监控监测模块；2、数据处理模块；3、模型构建模块；4、模型评价模块；5、可视化模块。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于数字孪生技术的数字化系统及其构建方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了一种基于数字孪生技术的数字化系统，该系统包括：监控监测模块1、数据处理模块2、模型构建模块3、模型评价模块4及可视化模块5；
其中，所述监控监测模块1，用于获取目标物理实体的状态参数；
具体的，所述用于获取目标物理实体的状态参数包括以下步骤：
通过多波段相机对所述目标物理实体进行静态数据的采集，所述静态数据包括所述目标物理实体的色彩影响数据和外形尺寸大小；
通过传感器对所述目标物理实体进行动态数据的采集，所述动态数据包括所述目标物理实体的运行参数。
所述数据处理模块2，用于对采集的所述状态参数进行预处理；
具体的，所述用于对采集的所述状态参数进行预处理包括以下步骤：
对采集的所述静态数据和所述动态数据进行异常分析并得到异常参数；
将所述异常参数进行清洗删除并得到正常静态数据和正常动态数据。
所述模型构建模块3，用于对数字孪生模型的构建；
具体的，所述用于对数字孪生模型的构建包括以下步骤：
将所述正常静态数据和所述正常动态数据作为基础数据；
根据所述基础数据确定推演算法和模型参数，并根据所述基础数据、所述推演算法及所述模型参数建立数字孪生初始模型；
获取训练数据，并利用所述训练数据对所述数字孪生初始模型进行训练，并得到训练好的数字孪生模型；
具体的，所述获取训练数据，并利用所述训练数据对所述数字孪生初始模型进行训，并得到训练好的数字孪生模型包括以下步骤：
将所述训练数据输入至所述数字孪生初始模型中，并得到数字孪生结果；
将所述数字孪生结果与所述训练数据中实际数据进行关联指标计算；得到所述数字孪生结果与所述训练数据中实际数据的关联度；
具体的，所述数字孪生结果与所述训练数据中实际数据的关联度的计算公式如下：
Figure BDA0003885994760000061
其中，Cr(i,j)表示数字孪生结果与训练数据中实际数据的耦合参数；
Cr(j,i)表示数字孪生结果与训练数据中实际数据的对称耦合参数；
Si表示数字孪生结果与所述训练数据中实际数据的关联度参数；
i和j均表示为正整数；
n表示数字孪生结果与训练数据中实际数据的数量。
若所述关联度小于所述预设阈值，则调整所述数字孪生初始模型的参数，并将所述训练数据再次输入至所述数字孪生初始模型中进行训练，直至所述数字孪生结果与所述实际数据的关联度大于或等于预设阈值，以得到训练好的数字孪生模型。
所述模型评价模块4，用于对构建的所述数字孪生模型进行评价；
具体的，所述用于对构建的所述数字孪生模型进行评价包括通过模糊综合评价法对构建的所述数字孪生模型进行评价包括以下步骤：
确定评价对象的因素集(评价指标)；
具体的，假设H＝{h1,h2,…hm}为拟解决问题需要考虑的m个评价指标构成的集合，为了方便评价指标的权重分配和评价，这m个评价指标按照其属性进行分类，得到不同类型的指标；
确定评价指标的评价值；
具体的，针对选定的评价指标，评价者会给出的不同的评价等级，例如优秀、良好、一般、差等，这些集合就构成了评价等级集，记为E＝{e1,e2,…en}，其中，ej(j＝1,2,…n)时第j个评价结构，其对应的具体值为V＝{v1,v2,…vn}，相应的向量V＝(v1,v2,…vn)，其中，n为评价等级的级别数量，一般包含5-7等级。
确定评价指标的权重向量；
通过层次分析法评价指标的权重向量W
进行单因素的评价，确定对应的模糊关系矩阵R；
具体的，单因素评价：单独从某个评价指标开始评价，确定评价对象对评价集E的隶属度，通过隶属度计算方法来确定hi(i＝1,2，…，m)隶属度评价等级ej(j＝1,2,…n)的程度rij，所有指标的隶属度构成了以下矩阵R。通过隶属度可以将复杂产品数字孪生模型价值空间评价指标得分或者专家的评价值量化到相应的评价等级；模糊关系矩阵R表示如下：
Figure BDA0003885994760000071
通过矩阵相乘法将所述权重向量与所述模糊关系矩阵合成为一个模糊综合评价矩阵；模糊综合评价矩阵表示如下：
Figure BDA0003885994760000072
其中，gj是被评价对象从整体上隶属与评价等级ej的程度，且满足：
Figure BDA0003885994760000073
一般而言，需要评价的实际问题需选取较多的评价指标体系，使得评价指标体系较为复杂，只构建一级模糊评价模型难以解决实际问题，因此，在实际评价具体的实际问题是，需要根据实际情况构建二级甚至多级模糊评价模型。
计算出数字孪生模型的综合评价值；
具体的，通过公式Z＝QV，可以计算出确定的数字孪生模型的综合评价值，其中，表示综合评价值。
所述可视化模块(5)，用于将所述数字孪生模型进行可视化显示；
具体的，所述用于将所述数字孪生模型进行可视化显示包括通过手机、电脑、显示屏及PC平板进行显示。
具体的，层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后得用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。这里所谓“优先权重”是一种相对的量度，它表明各备择方案在某一特点的评价准则或子目标，标下优越程度的相对量度，以及各子目标对上一层目标而言重要程度的相对量度。层次分析法比较适合于具有分层交错评价指标的目标系统，而且目标值又难于定量描述的决策问题。其用法是构造判断矩阵，求出其最大特征值。及其所对应的特征向量W，归一化后，即为某一层次指标对于上一层次某相关指标的相对重要性权值。
如图2所示，根据本发明的另一个实施例，提供了一种基于数字孪生技术的数字化系统的构建方法，该方法包括以下步骤：
S1、获取目标物理实体的状态参数；
具体的，所述用于获取目标物理实体的状态参数包括以下步骤：
S11、通过多波段相机对所述目标物理实体进行静态数据的采集，所述静态数据包括所述目标物理实体的色彩影响数据和外形尺寸大小；
S12、通过传感器对所述目标物理实体进行动态数据的采集，所述动态数据包括所述目标物理实体的运行参数。
S2、对采集的所述状态参数进行预处理；
S3、对数字孪生模型的构建；
S4、对构建的所述数字孪生模型进行评价；
S5、将所述数字孪生模型进行可视化显示。
综上所述，借助于本发明的上述技术方案，本发明能够准确的表达数字化系统与目标物理实体之间的映射关系，能够给对目标物理实体进行实时监控和预测，从而能够为目标物理实体的运行进行实时管控和优化；本发明通过对目标物理实体的状态数据采集以及对采集的状态数据进行异常数据的清洗，从而能够为后续数字孪生模型的构建提供基础的框架，然后通过训练数据对所述数字孪生初始模型进行训练，进而能够得到最优数字孪生模型，为数字化系统的构建提供了保障；本发明通过对数字孪生模型的评价分析，从而能够全面和客观的对数字孪生模型能否满足有效性，直观性及整体性进行判断，进而能够保证孪生模型的完整性和准确性，能够更准确的将目标物理实体进行准确的展示。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于数字孪生技术的数字化系统，其特征在于，该系统包括：监控监测模块、数据处理模块、模型构建模块、模型评价模块及可视化模块；
其中，所述监控监测模块，用于获取目标物理实体的状态参数；
所述数据处理模块，用于对采集的所述状态参数进行预处理；
所述模型构建模块，用于对数字孪生模型的构建；
所述模型评价模块，用于对构建的所述数字孪生模型进行评价；
所述可视化模块，用于将所述数字孪生模型进行可视化显示。
2.根据权利要求1所述的一种基于数字孪生技术的数字化系统，其特征在于，所述用于获取目标物理实体的状态参数包括以下步骤：
通过多波段相机对所述目标物理实体进行静态数据的采集，所述静态数据包括所述目标物理实体的色彩影响数据和外形尺寸大小；
通过传感器对所述目标物理实体进行动态数据的采集，所述动态数据包括所述目标物理实体的运行参数。
3.根据权利要求2所述的一种基于数字孪生技术的数字化系统，其特征在于，所述用于对采集的所述状态参数进行预处理包括以下步骤：
对采集的所述静态数据和所述动态数据进行异常分析并得到异常参数；
将所述异常参数进行清洗删除并得到正常静态数据和正常动态数据。
4.根据权利要求3所述的一种基于数字孪生技术的数字化系统，其特征在于，所述用于对数字孪生模型的构建包括以下步骤：
将所述正常静态数据和所述正常动态数据作为基础数据；
根据所述基础数据确定推演算法和模型参数，并根据所述基础数据、所述推演算法及所述模型参数建立数字孪生初始模型；
获取训练数据，并利用所述训练数据对所述数字孪生初始模型进行训练，并得到训练好的数字孪生模型。
5.根据权利要求4所述的一种基于数字孪生技术的数字化系统，其特征在于，所述获取训练数据，并利用所述训练数据对所述数字孪生初始模型进行训，并得到训练好的数字孪生模型包括以下步骤：
将所述训练数据输入至所述数字孪生初始模型中，并得到数字孪生结果；
将所述数字孪生结果与所述训练数据中实际数据进行关联指标计算；得到所述数字孪生结果与所述训练数据中实际数据的关联度；
若所述关联度小于所述预设阈值，则调整所述数字孪生初始模型的参数，并将所述训练数据再次输入至所述数字孪生初始模型中进行训练，直至所述数字孪生结果与所述实际数据的关联度大于或等于预设阈值，以得到训练好的数字孪生模型。
6.根据权利要求5所述的一种基于数字孪生技术的数字化系统，其特征在于，所述数字孪生结果与所述训练数据中实际数据的关联度的计算公式如下：
Figure FDA0003885994750000021
其中，Cr(i,j)表示数字孪生结果与训练数据中实际数据的耦合参数；
Cr(j,i)表示数字孪生结果与训练数据中实际数据的对称耦合参数；
Si表示数字孪生结果与所述训练数据中实际数据的关联度参数；
i和j均表示为正整数；
n表示数字孪生结果与训练数据中实际数据的数量。
7.根据权利要求1所述的一种基于数字孪生技术的数字化系统，其特征在于，所述用于对构建的所述数字孪生模型进行评价包括通过模糊综合评价法对构建的所述数字孪生模型进行评价包括以下步骤：
确定评价对象的因素集；
确定评价指标的评价值；
确定评价指标的权重向量；
进行单因素的评价，确定对应的模糊关系矩阵；
通过矩阵相乘法将所述权重向量与所述模糊关系矩阵合成为一个模糊综合评价矩阵；
计算出数字孪生模型的综合评价值。
8.根据权利要求7所述的一种基于数字孪生技术的数字化系统，其特征在于，所述用于将所述数字孪生模型进行可视化显示包括通过手机、电脑、显示屏及PC平板进行显示。
9.一种基于数字孪生技术的数字化系统的构建方法，用于实现权利要求1-8中任一项所述的基于数字孪生技术的数字化系统的构建，其特征在于，该方法包括以下步骤：
S1、获取目标物理实体的状态参数；
S2、对采集的所述状态参数进行预处理；
S3、对数字孪生模型的构建；
S4、对构建的所述数字孪生模型进行评价；
S5、将所述数字孪生模型进行可视化显示。
10.根据权利要求9所述的一种基于数字孪生技术的数字化系统的构建方法，其特征在于，所述用于获取目标物理实体的状态参数包括以下步骤：
S11、通过多波段相机对所述目标物理实体进行静态数据的采集，所述静态数据包括所述目标物理实体的色彩影响数据和外形尺寸大小；
S12、通过传感器对所述目标物理实体进行动态数据的采集，所述动态数据包括所述目标物理实体的运行参数。
CN202211257583.7A 2022-10-12 2022-10-12 一种基于数字孪生技术的数字化系统及其构建方法 Pending CN115588161A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211257583.7A CN115588161A (zh) 2022-10-12 2022-10-12 一种基于数字孪生技术的数字化系统及其构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211257583.7A CN115588161A (zh) 2022-10-12 2022-10-12 一种基于数字孪生技术的数字化系统及其构建方法

Publications (1)

Publication Number Publication Date
CN115588161A true CN115588161A (zh) 2023-01-10

Family

ID=84779112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211257583.7A Pending CN115588161A (zh) 2022-10-12 2022-10-12 一种基于数字孪生技术的数字化系统及其构建方法

Country Status (1)

Country Link
CN (1) CN115588161A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628829A (zh) * 2023-07-24 2023-08-22 山东融谷信息科技有限公司 一种基于数字孪生的智慧建筑三维可视化系统
CN116700199A (zh) * 2023-08-09 2023-09-05 聊城市飓风工业设计有限公司 一种基于数字孪生技术的工厂生产控制方法及系统
CN116822159A (zh) * 2023-06-06 2023-09-29 郑州轻工业大学 一种人机环境动静融合的数字孪生车间快速建模方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822159A (zh) * 2023-06-06 2023-09-29 郑州轻工业大学 一种人机环境动静融合的数字孪生车间快速建模方法
CN116822159B (zh) * 2023-06-06 2024-05-03 郑州轻工业大学 一种人机环境动静融合的数字孪生车间快速建模方法
CN116628829A (zh) * 2023-07-24 2023-08-22 山东融谷信息科技有限公司 一种基于数字孪生的智慧建筑三维可视化系统
CN116628829B (zh) * 2023-07-24 2023-11-07 山东融谷信息科技有限公司 一种基于数字孪生的智慧建筑三维可视化系统
CN116700199A (zh) * 2023-08-09 2023-09-05 聊城市飓风工业设计有限公司 一种基于数字孪生技术的工厂生产控制方法及系统
CN116700199B (zh) * 2023-08-09 2023-10-20 聊城市飓风工业设计有限公司 一种基于数字孪生技术的工厂生产控制方法及系统

Similar Documents

Publication Publication Date Title
CN115588161A (zh) 一种基于数字孪生技术的数字化系统及其构建方法
CN110633855A (zh) 一种桥梁健康状态检测与管养决策系统及方法
CN110417721A (zh) 安全风险评估方法、装置、设备及计算机可读存储介质
CN107633265A (zh) 用于优化信用评估模型的数据处理方法及装置
US20090043715A1 (en) Method to Continuously Diagnose and Model Changes of Real-Valued Streaming Variables
CN107609147B (zh) 一种从日志流中自动提取特征的方法和系统
CN112885462B (zh) 一种面向多源信息融合的智慧健康关联分析方法
CN110059052A (zh) 一种炼化调度案例管理方法及计算机可读存储介质
CN114048436A (zh) 一种预测企业财务数据模型构建方法及构建装置
CN113378939A (zh) 基于物理驱动神经网络的结构数字孪生建模与参数识别法
CN117194919A (zh) 一种生产数据分析系统
CN115063056B (zh) 基于图拓扑分析改进的建造行为安全风险动态分析方法
CN103186575A (zh) 一种传感数据的聚类分析方法和系统
CN113225346A (zh) 一种基于机器学习的网络运维态势评估方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN114548494A (zh) 一种可视化造价数据预测智能分析系统
CN114219096A (zh) 一种机器学习算法模型的训练方法、装置及存储介质
CN113836822A (zh) 一种基于mclstm模型的航空发动机寿命预测方法
Guo et al. Data mining and application of ship impact spectrum acceleration based on PNN neural network
CN113673811B (zh) 一种基于session的在线学习绩效评估方法及装置
Malleswari et al. Enhanced SS-FIM Algorithm For High Utility Uncertain Itemsets
CN116149895A (zh) 大数据集群性能预测方法、装置和计算机设备
CN113962444A (zh) 一种基于强化学习的学生素质素养预测系统
Syaputra The Implementation of Support Vector Machine Method with Genetic Algorithm in Predicting Energy Consumption for Reinforced Concrete Buildings
CN114726751A (zh) 资源质量监控的智能化预警方法、系统、设备和存储介质

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