CN115618735A - 基于数字孪生的设施结构健康监测方法及相关装置 - Google Patents
基于数字孪生的设施结构健康监测方法及相关装置 Download PDFInfo
- Publication number
- CN115618735A CN115618735A CN202211321586.2A CN202211321586A CN115618735A CN 115618735 A CN115618735 A CN 115618735A CN 202211321586 A CN202211321586 A CN 202211321586A CN 115618735 A CN115618735 A CN 115618735A
- Authority
- CN
- China
- Prior art keywords
- facility
- target
- model
- data
- health monitoring
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Abstract
本发明涉及人工智能领域,公开了一种基于数字孪生的设施结构健康监测方法及相关装置,用于提高设施结构健康监测的效率。所述方法包括:获取设施全方位数据并生成第一特征向量,并查询设施结构数据,以及根据设施结构数据构建目标结构模型;根据数字孪生模型对目标设施进行设施仿真运算,得到设施仿真数据并生成第二特征向量;根据第二特征向量和第一特征向量计算目标位移损失值,并根据目标位移损失值生成判断结果;根据判断结果生成目标特征向量,并根据目标特征向量对训练模型进行模型训练,得到设施结构健康监测模型;获取待处理数据并将待处理数据输入设施结构健康监测模型进行状态监测和安全风险诊断,得到设施结构健康监测结果。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于数字孪生的设施结构健康监测方法及相关装置。
背景技术
随着设施管理技术的发展,人们对大型设施的设施结构健康的要求越来越高,包括但不限于测量精度、测量成本以及对恶劣环境下大型设施的设施结构健康的需求。
现有方案首先需要在设施制造时提高大型设施的设施结构的设计标准,以使设施结构能够提高监测准确率以及适应多种测试环境;其次在对大型设施的设施结构进行健康监测时,需要设置多个监测位置能够全面覆盖待监测点位,不仅大大提高了使用投入,后期维护和更换也更加繁琐,而且还会导致现有方案的检测效率低。
发明内容
本发明提供了一种基于数字孪生的设施结构健康监测方法及相关装置,用于提高设施结构健康监测的效率。
本发明第一方面提供了一种基于数字孪生的设施结构健康监测方法,所述基于数字孪生的设施结构健康监测方法包括:从预设的云数据库中获取待监测的目标设施对应的设施全方位数据并根据所述设施全方位数据生成第一特征向量,并查询所述目标设施的设施结构数据,以及根据所述设施结构数据构建所述目标设施的结构模型,得到目标结构模型;提取所述目标设施的历史参数数据,并根据所述历史参数数据和所述目标结构模型构建所述目标设施对应的数字孪生模型,其中,所述历史参数数据包括:历史运行数据、历史测试数据和历史维修数据;根据所述数字孪生模型对所述目标设施进行设施仿真运算,得到所述目标设施对应的设施仿真数据,并根据所述设施仿真数据生成所述目标设施对应的第二特征向量;根据所述第二特征向量和所述第一特征向量计算所述目标设施对应的目标位移损失值,并判断所述目标位移损失值是否超过预设目标值,得到判断结果;根据所述判断结果生成目标特征向量,并根据所述目标特征向量对预置的训练模型进行模型训练,得到设施结构健康监测模型;获取所述目标设施的待处理数据,并将所述待处理数据输入所述设施结构健康监测模型进行状态监测和安全风险诊断,得到设施结构健康监测结果。
可选的,在本发明第一方面的第一种实现方式中,所述基于数字孪生的设施结构健康监测方法还包括:对所述目标结构模型进行质量评估,得到质量评估结果;根据所述质量评估结果判断所述目标结构模型是否符合预设质量需求;若不符合,则根据所述质量评估结果生成更新指令,并构建三维纹理特征和光线特征;根据所述更新指令、所述三维纹理特征和所述光线特征对所述目标结构模型进行渲染更新。
可选的,在本发明第一方面的第二种实现方式中,所述提取所述目标设施的历史参数数据,并根据所述历史参数数据和所述目标结构模型构建所述目标设施对应的数字孪生模型,其中,所述历史参数数据包括:历史运行数据、历史测试数据和历史维修数据,包括:获取所述目标设施的数据缓存路径,并根据所述数据缓存路径从所述云数据库中查找所述目标设施对应的历史参数数据,其中,所述历史参数数据包括:历史运行数据、历史测试数据和历史维修数据;根据所述历史参数数据构建所述目标设施的运行模型、测试模型和维修模型,并建立所述目标结构模型、所述运行模型、所述测试模型和所述维修模型之间的连接关系;根据所述连接关系对所述目标结构模型、所述运行模型、所述测试模型和所述维修模型进行数字化构建,生成数字孪生模型。
可选的,在本发明第一方面的第三种实现方式中,所述根据所述数字孪生模型对所述目标设施进行设施仿真运算,得到所述目标设施对应的设施仿真数据,并根据所述设施仿真数据生成所述目标设施对应的第二特征向量,包括:根据所述数字孪生模型对所述目标设施进行设施仿真运算,生成所述目标设施对应的数据变化曲线;对所述数据变化曲线进行数据解析,得到所述目标设施对应的设施仿真数据;对所述设施仿真数据进行向量转换,生成所述目标设施对应的第二特征向量。
可选的,在本发明第一方面的第四种实现方式中,所述根据所述第二特征向量和所述第一特征向量计算所述目标设施对应的目标位移损失值,并判断所述目标位移损失值是否超过预设目标值,得到判断结果,包括:提取所述第一特征向量中的第一向量元素,并提取所述第二特征向量中的第二向量元素;计算所述第一向量元素和所述第二向量元素之间的相对误差,并将所述相对误差作为所述目标设施对应的目标位移损失值;判断所述目标位移损失值是否超过预设目标值,得到判断结果,其中,所述判断结果用于指示所述目标位移损失值和所述预设目标值之间的大小关系。
可选的,在本发明第一方面的第五种实现方式中,所述根据所述判断结果生成目标特征向量,并根据所述目标特征向量对预置的训练模型进行模型训练,得到设施结构健康监测模型,包括:若所述目标位移损失值不超过预设目标值,则将所述第二特征向量作为目标特征向量;若所述目标位移损失值超过预设目标值,则根据所述数字孪生模型对所述目标设施进行二次设施仿真运算,直至所述目标位移损失值不超过预设目标值,输出第二特征向量;将所述目标特征向量输入预置的训练模型,其中,所述训练模型包括;输入层、隐藏层和输出层;对所述训练模型进行模型训练,得到训练完成的训练模型,并将所述训练完成的训练模型输出为设施结构健康监测模型。
可选的,在本发明第一方面的第六种实现方式中,所述获取所述目标设施的待处理数据,并将所述待处理数据输入所述设施结构健康监测模型进行状态监测和安全风险诊断,得到设施结构健康监测结果,包括:获取所述目标设施的待处理数据,并将所述待处理数据输入所述设施结构健康监测模型;分别通过所述设施结构健康监测模型中的所述输入层、所述隐藏层和所述输出层对所述待处理数据进行状态监测和安全风险诊断,得到设施结构健康监测结果,其中,所述设施结构健康监测结果包括:故障原因和故障等级。
本发明第二方面提供了一种基于数字孪生的设施结构健康监测装置,所述基于数字孪生的设施结构健康监测装置包括:获取模块,用于从预设的云数据库中获取待监测的目标设施对应的设施全方位数据并根据所述设施全方位数据生成第一特征向量,并查询所述目标设施的设施结构数据,以及根据所述设施结构数据构建所述目标设施的结构模型,得到目标结构模型;构建模块,用于提取所述目标设施的历史参数数据,并根据所述历史参数数据和所述目标结构模型构建所述目标设施对应的数字孪生模型,其中,所述历史参数数据包括:历史运行数据、历史测试数据和历史维修数据;运算模块,用于根据所述数字孪生模型对所述目标设施进行设施仿真运算,得到所述目标设施对应的设施仿真数据,并根据所述设施仿真数据生成所述目标设施对应的第二特征向量;判断模块,用于根据所述第二特征向量和所述第一特征向量计算所述目标设施对应的目标位移损失值,并判断所述目标位移损失值是否超过预设目标值,得到判断结果;训练模块,用于根据所述判断结果生成目标特征向量,并根据所述目标特征向量对预置的训练模型进行模型训练,得到设施结构健康监测模型;监测模块,用于获取所述目标设施的待处理数据,并将所述待处理数据输入所述设施结构健康监测模型进行状态监测和安全风险诊断,得到设施结构健康监测结果。
可选的,在本发明第二方面的第一种实现方式中,所述基于数字孪生的设施结构健康监测装置还包括:更新模块,用于对所述目标结构模型进行质量评估,得到质量评估结果;根据所述质量评估结果判断所述目标结构模型是否符合预设质量需求;若不符合,则根据所述质量评估结果生成更新指令,并构建三维纹理特征和光线特征;根据所述更新指令、所述三维纹理特征和所述光线特征对所述目标结构模型进行渲染更新。
可选的,在本发明第二方面的第二种实现方式中,所述构建模块具体用于:获取所述目标设施的数据缓存路径,并根据所述数据缓存路径从所述云数据库中查找所述目标设施对应的历史参数数据,其中,所述历史参数数据包括:历史运行数据、历史测试数据和历史维修数据;根据所述历史参数数据构建所述目标设施的运行模型、测试模型和维修模型,并建立所述目标结构模型、所述运行模型、所述测试模型和所述维修模型之间的连接关系;根据所述连接关系对所述目标结构模型、所述运行模型、所述测试模型和所述维修模型进行数字化构建,生成数字孪生模型。
可选的,在本发明第二方面的第三种实现方式中,所述运算模块具体用于:根据所述数字孪生模型对所述目标设施进行设施仿真运算,生成所述目标设施对应的数据变化曲线;对所述数据变化曲线进行数据解析,得到所述目标设施对应的设施仿真数据;对所述设施仿真数据进行向量转换,生成所述目标设施对应的第二特征向量。
可选的,在本发明第二方面的第四种实现方式中,所述判断模块具体用于:提取所述第一特征向量中的第一向量元素,并提取所述第二特征向量中的第二向量元素;计算所述第一向量元素和所述第二向量元素之间的相对误差,并将所述相对误差作为所述目标设施对应的目标位移损失值;判断所述目标位移损失值是否超过预设目标值,得到判断结果,其中,所述判断结果用于指示所述目标位移损失值和所述预设目标值之间的大小关系。
可选的,在本发明第二方面的第五种实现方式中,所述训练模块具体用于:若所述目标位移损失值不超过预设目标值,则将所述第二特征向量作为目标特征向量;若所述目标位移损失值超过预设目标值,则根据所述数字孪生模型对所述目标设施进行二次设施仿真运算,直至所述目标位移损失值不超过预设目标值,输出第二特征向量;将所述目标特征向量输入预置的训练模型,其中,所述训练模型包括;输入层、隐藏层和输出层;对所述训练模型进行模型训练,得到训练完成的训练模型,并将所述训练完成的训练模型输出为设施结构健康监测模型。
可选的,在本发明第二方面的第六种实现方式中,所述监测模块具体用于:获取所述目标设施的待处理数据,并将所述待处理数据输入所述设施结构健康监测模型;分别通过所述设施结构健康监测模型中的所述输入层、所述隐藏层和所述输出层对所述待处理数据进行状态监测和安全风险诊断,得到设施结构健康监测结果,其中,所述设施结构健康监测结果包括:故障原因和故障等级。
本发明第三方面提供了一种基于数字孪生的设施结构健康监测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于数字孪生的设施结构健康监测设备执行上述的基于数字孪生的设施结构健康监测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于数字孪生的设施结构健康监测方法。
本发明提供的技术方案中,通过构建目标设施的目标结构模型,能够在三维空间中实时反映目标设施的细节信息,减少了目标设施结构的安全风险,提高了目标设施的安全性;同时,通过数字孪生实现设施数据的虚实同步,利用数字孪生设施在虚拟空间中完成映射,用以反映相对应的现场流体设施的全生命周期过程,数字孪生具有动态、实时、高保真、双向传输、闭环的特征,能够依据特定目的对物理实体的相应活动进行监控、模拟、预测、验证和优化,此外,本发明还采用深度神经网络模型对设施结构监控进行监测,通过深度神经网络模型能够得到准确信息,解决目标设施在不同环境下的健康监测难题,进而提高了设施结构健康监测的效率。
附图说明
图1为本发明实施例中基于数字孪生的设施结构健康监测方法的一个实施例示意图;
图2为本发明实施例中基于数字孪生的设施结构健康监测方法的另一个实施例示意图;
图3为本发明实施例中基于数字孪生的设施结构健康监测装置的一个实施例示意图;
图4为本发明实施例中基于数字孪生的设施结构健康监测装置的另一个实施例示意图;
图5为本发明实施例中基于数字孪生的设施结构健康监测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于数字孪生的设施结构健康监测方法及相关装置,用于提高设施结构健康监测的效率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设施不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设施固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于数字孪生的设施结构健康监测方法的一个实施例包括:
101、从预设的云数据库中获取待监测的目标设施对应的设施全方位数据并根据设施全方位数据生成第一特征向量,并查询目标设施的设施结构数据,以及根据设施结构数据构建目标设施的结构模型,得到目标结构模型;
可以理解的是,本发明的执行主体可以为基于数字孪生的设施结构健康监测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
需要说明的是,通过预置的网络爬虫从预设的云数据库中获取待监测的目标设施对应的设施全方位数据,其中,设施全方位数据是对目标设施中所有要素进行采集获得的信息,该设施全方位数据为目标设施的物理实体对应的各个组成部件信息、目标设施所处空间环境要素等数据,从而根据设施全方位数据进行数字化的仿真,通过对设施全方位数据进行采集进而为之后进行数字孪生建模提供比对基础,提高建模准确性。此外,本实施例中的目标设施可以为起重机设施、发电机设施、管道设施等。
102、提取目标设施的历史参数数据,并根据历史参数数据和目标结构模型构建目标设施对应的数字孪生模型,其中,历史参数数据包括:历史运行数据、历史测试数据和历史维修数据;
具体的,提取目标设施的历史参数数据,并根据历史参数数据和目标结构模型构建目标设施对应的数字孪生模型,其中,该数字孪生模型包括:运行模型、测试模型和维修模型,且各个模型之间存在连接关系,其中,三维模型通过对目标设施的物理参数进行数字化构建,进而将构建的数字化结构输送至目标结构模型中进行结构构建,且目标结构模型在进行数字化建立时,需要通过数据模型对进行数字训练以输入至目标结构模型中,从而通过模型之间的连接关系,建立起数字孪生模型。
103、根据数字孪生模型对目标设施进行设施仿真运算,得到目标设施对应的设施仿真数据,并根据设施仿真数据生成目标设施对应的第二特征向量;
需要说明的是,数字孪生模型可以布置在本地,通过本地网络连接,构成本地系统;也可以布置在远端或者云端,处于远程系统中,与目标设施通过广域网络连接;也可以是部分处于本地,部分布置在远端或云端。数字孪生模型遵守数字孪生框架,其物理及数学模型遵循目标设施,是目标设施的部分或全部映射。此外,本实施例还将设施仿真数据进行数据清洗和整理,组成第二特征向量。
104、根据第二特征向量和第一特征向量计算目标设施对应的目标位移损失值,并判断目标位移损失值是否超过预设目标值,得到判断结果;
具体的,根据第二特征向量和第一特征向量计算目标设施对应的目标位移损失值,将第二特征向量和第一特征向量作差并取相对误差。若相对误差小于等于0.1,则判定目标处于正常运行状态;若相对误差大于0.1,则从第二特征向量中提取实时特征向量,将实时特征向量输入神经网络,神经网络的输出的标签对应设施结构健康监测结构。具体的,当目标位移损失值大于预设目标值时,根据第二特征向量中的温度从曲线上查询并重新进行仿真计算,直至相对误差小于等于设定的阈值时,输出第二特征向量;
105、根据判断结果生成目标特征向量,并根据目标特征向量对预置的训练模型进行模型训练,得到设施结构健康监测模型;
具体的,将第一特征向量、第二特征向量和目标特征向量共同合并为数据集并制作标签。对数据集和标签随机打乱顺序,划分出80%的向量作为训练集、20%的向量作为测试集。预先构建的训练模型包括三层神经网络,逐层分别为输入层、隐藏层和输出层。神经网络输入层节点数等于目标特征向量的全部元素数,根据目标特征向量对预置的训练模型进行模型训练,得到设施结构健康监测模型。将目标特征向量输入训练模型,使用反向传播算法对训练模型进行训练,得到满足准确率要求的训练模型。
106、获取目标设施的待处理数据,并将待处理数据输入设施结构健康监测模型进行状态监测和安全风险诊断,得到设施结构健康监测结果。
具体的,获取目标设施的待处理数据,并将待处理数据输入设施结构健康监测模型进行状态监测和安全风险诊断,使用设施结构健康监测模型进行故障诊断:将待处理数据输入设施结构健康监测模型,通过设施结构健康监测模型诊断得到概率最大的故障类型,对目标设施进行状态监测和安全风险诊断。
本发明实施例中,通过构建目标设施的目标结构模型,能够在三维空间中实时反映目标设施的细节信息,减少了目标设施结构的安全风险,提高了目标设施的安全性;同时,通过数字孪生实现设施数据的虚实同步,利用数字孪生设施在虚拟空间中完成映射,用以反映相对应的现场流体设施的全生命周期过程,数字孪生具有动态、实时、高保真、双向传输、闭环的特征,能够依据特定目的对物理实体的相应活动进行监控、模拟、预测、验证和优化,此外,本发明还采用深度神经网络模型对设施结构监控进行监测,通过深度神经网络模型能够得到准确信息,解决目标设施在不同环境下的健康监测难题,进而提高了设施结构健康监测的效率。
请参阅图2,本发明实施例中基于数字孪生的设施结构健康监测方法的另一个实施例包括:
201、从预设的云数据库中获取待监测的目标设施对应的设施全方位数据并根据设施全方位数据生成第一特征向量,并查询目标设施的设施结构数据,以及根据设施结构数据构建目标设施的结构模型,得到目标结构模型;
可选的,对目标结构模型进行质量评估,得到质量评估结果;根据质量评估结果判断目标结构模型是否符合预设质量需求;若不符合,则根据质量评估结果生成更新指令,并构建三维纹理特征和光线特征;根据更新指令、三维纹理特征和光线特征对目标结构模型进行渲染更新。其中,目标结构模型可以通过三维几何建模软件建立,支持各部件的造型、装配体效果、运检作业指导的流程、以及交互界面的设计,支持模型库导入导出、支持光照与透明等渲染效果,还支持支持设施三维模型与动态的生产数据的融合展示。
202、提取目标设施的历史参数数据,并根据历史参数数据和目标结构模型构建目标设施对应的数字孪生模型,其中,历史参数数据包括:历史运行数据、历史测试数据和历史维修数据;
具体的,获取目标设施的数据缓存路径,并根据数据缓存路径从云数据库中查找目标设施对应的历史参数数据,其中,历史参数数据包括:历史运行数据、历史测试数据和历史维修数据;根据历史参数数据构建目标设施的运行模型、测试模型和维修模型,并建立目标结构模型、运行模型、测试模型和维修模型之间的连接关系,其中,运行模型、测试模型和维修模型分别表示目标设施的历史运行数据对应的数据结构模型,测试模型表示历史测试数据对应的数据性能模型,维修模型表示维修次数的故障相关性模型;根据连接关系对目标结构模型、运行模型、测试模型和维修模型进行数字化构建,生成数字孪生模型。进一步地,提取目标设施的历史参数数据,并根据历史参数数据和目标结构模型构建目标设施对应的数字孪生模型,其中,该数字孪生模型包括:运行模型、测试模型和维修模型,且各个模型之间存在连接关系,其中,三维模型通过对目标设施的物理参数进行数字化构建,进而将构建的数字化结构输送至目标结构模型中进行结构构建,且目标结构模型在进行数字化建立时,需要通过数据模型对进行数字训练以输入至目标结构模型中,从而通过模型之间的连接关系,建立起数字孪生模型。
203、根据数字孪生模型对目标设施进行设施仿真运算,得到目标设施对应的设施仿真数据,并根据设施仿真数据生成目标设施对应的第二特征向量;
具体的,根据数字孪生模型对目标设施进行设施仿真运算,生成目标设施对应的数据变化曲线;对数据变化曲线进行数据解析,得到目标设施对应的设施仿真数据;将设施仿真数据进行数据清洗和整理,组成第二特征向量,对设施仿真数据进行向量转换,生成目标设施对应的第二特征向量。数字孪生模型可以布置在本地,通过本地网络连接,构成本地系统;也可以布置在远端或者云端,处于远程系统中,与目标设施通过广域网络连接;也可以是部分处于本地,部分布置在远端或云端。数字孪生模型遵守数字孪生框架,其物理及数学模型遵循目标设施,是目标设施的部分或全部映射。
204、提取第一特征向量中的第一向量元素,并提取第二特征向量中的第二向量元素;
其中,每一个第一特征向量和第二特征向量中都包含多个向量元素,分别提取第一特征向量中的第一向量元素,并提取第二特征向量中的第二向量元素。
205、计算第一向量元素和第二向量元素之间的相对误差,并将相对误差作为目标设施对应的目标位移损失值;
206、判断目标位移损失值是否超过预设目标值,得到判断结果,其中,判断结果用于指示目标位移损失值和预设目标值之间的大小关系;
具体的,根据第二特征向量和第一特征向量计算目标设施对应的目标位移损失值,将第二特征向量和第一特征向量作差并取相对误差。若相对误差小于等于0.1,则判定目标处于正常运行状态;若相对误差大于0.1,则从第二特征向量中提取实时特征向量,将实时特征向量输入神经网络,神经网络的输出的标签对应设施结构健康监测结构。
207、根据判断结果生成目标特征向量,并根据目标特征向量对预置的训练模型进行模型训练,得到设施结构健康监测模型;
具体的,若目标位移损失值不超过预设目标值,则将第二特征向量作为目标特征向量;若目标位移损失值超过预设目标值,则根据数字孪生模型对目标设施进行二次设施仿真运算,直至目标位移损失值不超过预设目标值,输出第二特征向量;将目标特征向量输入预置的训练模型,其中,训练模型包括;输入层、隐藏层和输出层;对训练模型进行模型训练,得到训练完成的训练模型,并将训练完成的训练模型输出为设施结构健康监测模型。训练集和测试集输入神经网络进行反复迭代,对神经网络的参数进行反复修正和校准,直至训练得到满足误差要求的神经网络。
208、获取目标设施的待处理数据,并将待处理数据输入设施结构健康监测模型进行状态监测和安全风险诊断,得到设施结构健康监测结果。
具体的,获取目标设施的待处理数据,并将待处理数据输入设施结构健康监测模型;分别通过设施结构健康监测模型中的输入层、隐藏层和输出层对待处理数据进行状态监测和安全风险诊断,得到设施结构健康监测结果,其中,设施结构健康监测结果包括:故障原因和故障等级。详细来说,通过监测模型进行数据的监测并将检测数据传输至连接的所述分析模型进行数据的功能化或风险分析,进一步的将分析的数据输入所述报警模型中进行报警风险识别,实现模型连接的多应用功能,包括基础管理、试验支持和运行支持等功能,全面实现目标设施的仿真、试验、监视、告警、分析、预测、预警、优化等应用,进而通过多应用功能实现综合监测。
本发明实施例中,通过构建目标设施的目标结构模型,能够在三维空间中实时反映目标设施的细节信息,减少了目标设施结构的安全风险,提高了目标设施的安全性;同时,通过数字孪生实现设施数据的虚实同步,利用数字孪生设施在虚拟空间中完成映射,用以反映相对应的现场流体设施的全生命周期过程,数字孪生具有动态、实时、高保真、双向传输、闭环的特征,能够依据特定目的对物理实体的相应活动进行监控、模拟、预测、验证和优化,此外,本发明还采用深度神经网络模型对设施结构监控进行监测,通过深度神经网络模型能够得到准确信息,解决目标设施在不同环境下的健康监测难题,进而提高了设施结构健康监测的效率。
上面对本发明实施例中基于数字孪生的设施结构健康监测方法进行了描述,下面对本发明实施例中基于数字孪生的设施结构健康监测装置进行描述,请参阅图3,本发明实施例中基于数字孪生的设施结构健康监测装置一个实施例包括:
获取模块301,用于从预设的云数据库中获取待监测的目标设施对应的设施全方位数据并根据所述设施全方位数据生成第一特征向量,并查询所述目标设施的设施结构数据,以及根据所述设施结构数据构建所述目标设施的结构模型,得到目标结构模型;
构建模块302,用于提取所述目标设施的历史参数数据,并根据所述历史参数数据和所述目标结构模型构建所述目标设施对应的数字孪生模型,其中,所述历史参数数据包括:历史运行数据、历史测试数据和历史维修数据;
运算模块303,用于根据所述数字孪生模型对所述目标设施进行设施仿真运算,得到所述目标设施对应的设施仿真数据,并根据所述设施仿真数据生成所述目标设施对应的第二特征向量;
判断模块304,用于根据所述第二特征向量和所述第一特征向量计算所述目标设施对应的目标位移损失值,并判断所述目标位移损失值是否超过预设目标值,得到判断结果;
训练模块305,用于根据所述判断结果生成目标特征向量,并根据所述目标特征向量对预置的训练模型进行模型训练,得到设施结构健康监测模型;
监测模块306,用于获取所述目标设施的待处理数据,并将所述待处理数据输入所述设施结构健康监测模型进行状态监测和安全风险诊断,得到设施结构健康监测结果。
本发明实施例中,通过构建目标设施的目标结构模型,能够在三维空间中实时反映目标设施的细节信息,减少了目标设施结构的安全风险,提高了目标设施的安全性;同时,通过数字孪生实现设施数据的虚实同步,利用数字孪生设施在虚拟空间中完成映射,用以反映相对应的现场流体设施的全生命周期过程,数字孪生具有动态、实时、高保真、双向传输、闭环的特征,能够依据特定目的对物理实体的相应活动进行监控、模拟、预测、验证和优化,此外,本发明还采用深度神经网络模型对设施结构监控进行监测,通过深度神经网络模型能够得到准确信息,解决目标设施在不同环境下的健康监测难题,进而提高了设施结构健康监测的效率。
请参阅图4,本发明实施例中基于数字孪生的设施结构健康监测装置另一个实施例包括:
获取模块301,用于从预设的云数据库中获取待监测的目标设施对应的设施全方位数据并根据所述设施全方位数据生成第一特征向量,并查询所述目标设施的设施结构数据,以及根据所述设施结构数据构建所述目标设施的结构模型,得到目标结构模型;
构建模块302,用于提取所述目标设施的历史参数数据,并根据所述历史参数数据和所述目标结构模型构建所述目标设施对应的数字孪生模型,其中,所述历史参数数据包括:历史运行数据、历史测试数据和历史维修数据;
运算模块303,用于根据所述数字孪生模型对所述目标设施进行设施仿真运算,得到所述目标设施对应的设施仿真数据,并根据所述设施仿真数据生成所述目标设施对应的第二特征向量;
判断模块304,用于根据所述第二特征向量和所述第一特征向量计算所述目标设施对应的目标位移损失值,并判断所述目标位移损失值是否超过预设目标值,得到判断结果;
训练模块305,用于根据所述判断结果生成目标特征向量,并根据所述目标特征向量对预置的训练模型进行模型训练,得到设施结构健康监测模型;
监测模块306,用于获取所述目标设施的待处理数据,并将所述待处理数据输入所述设施结构健康监测模型进行状态监测和安全风险诊断,得到设施结构健康监测结果。
可选的,所述基于数字孪生的设施结构健康监测装置还包括:
更新模块307,用于对所述目标结构模型进行质量评估,得到质量评估结果;根据所述质量评估结果判断所述目标结构模型是否符合预设质量需求;若不符合,则根据所述质量评估结果生成更新指令,并构建三维纹理特征和光线特征;根据所述更新指令、所述三维纹理特征和所述光线特征对所述目标结构模型进行渲染更新。
可选的,所述构建模块302具体用于:获取所述目标设施的数据缓存路径,并根据所述数据缓存路径从所述云数据库中查找所述目标设施对应的历史参数数据,其中,所述历史参数数据包括:历史运行数据、历史测试数据和历史维修数据;根据所述历史参数数据构建所述目标设施的运行模型、测试模型和维修模型,并建立所述目标结构模型、所述运行模型、所述测试模型和所述维修模型之间的连接关系;根据所述连接关系对所述目标结构模型、所述运行模型、所述测试模型和所述维修模型进行数字化构建,生成数字孪生模型。
可选的,所述运算模块303具体用于:根据所述数字孪生模型对所述目标设施进行设施仿真运算,生成所述目标设施对应的数据变化曲线;对所述数据变化曲线进行数据解析,得到所述目标设施对应的设施仿真数据;对所述设施仿真数据进行向量转换,生成所述目标设施对应的第二特征向量。
可选的,所述判断模块304具体用于:提取所述第一特征向量中的第一向量元素,并提取所述第二特征向量中的第二向量元素;计算所述第一向量元素和所述第二向量元素之间的相对误差,并将所述相对误差作为所述目标设施对应的目标位移损失值;判断所述目标位移损失值是否超过预设目标值,得到判断结果,其中,所述判断结果用于指示所述目标位移损失值和所述预设目标值之间的大小关系。
可选的,所述训练模块305具体用于:若所述目标位移损失值不超过预设目标值,则将所述第二特征向量作为目标特征向量;若所述目标位移损失值超过预设目标值,则根据所述数字孪生模型对所述目标设施进行二次设施仿真运算,直至所述目标位移损失值不超过预设目标值,输出第二特征向量;将所述目标特征向量输入预置的训练模型,其中,所述训练模型包括;输入层、隐藏层和输出层;对所述训练模型进行模型训练,得到训练完成的训练模型,并将所述训练完成的训练模型输出为设施结构健康监测模型。
可选的,所述监测模块306具体用于:获取所述目标设施的待处理数据,并将所述待处理数据输入所述设施结构健康监测模型;分别通过所述设施结构健康监测模型中的所述输入层、所述隐藏层和所述输出层对所述待处理数据进行状态监测和安全风险诊断,得到设施结构健康监测结果,其中,所述设施结构健康监测结果包括:故障原因和故障等级。
本发明实施例中,通过构建目标设施的目标结构模型,能够在三维空间中实时反映目标设施的细节信息,减少了目标设施结构的安全风险,提高了目标设施的安全性;同时,通过数字孪生实现设施数据的虚实同步,利用数字孪生设施在虚拟空间中完成映射,用以反映相对应的现场流体设施的全生命周期过程,数字孪生具有动态、实时、高保真、双向传输、闭环的特征,能够依据特定目的对物理实体的相应活动进行监控、模拟、预测、验证和优化,此外,本发明还采用深度神经网络模型对设施结构监控进行监测,通过深度神经网络模型能够得到准确信息,解决目标设施在不同环境下的健康监测难题,进而提高了设施结构健康监测的效率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于数字孪生的设施结构健康监测装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于数字孪生的设施结构健康监测设备进行详细描述。
图5是本发明实施例提供的一种基于数字孪生的设施结构健康监测设备的结构示意图,该基于数字孪生的设施结构健康监测设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设施)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于数字孪生的设施结构健康监测设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在基于数字孪生的设施结构健康监测设备500上执行存储介质530中的一系列指令操作。
基于数字孪生的设施结构健康监测设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的基于数字孪生的设施结构健康监测设备结构并不构成对基于数字孪生的设施结构健康监测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于数字孪生的设施结构健康监测设备,所述基于数字孪生的设施结构健康监测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于数字孪生的设施结构健康监测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于数字孪生的设施结构健康监测方法的步骤。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设施(可以是个人计算机,服务器,或者网络设施等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于数字孪生的设施结构健康监测方法,其特征在于,所述基于数字孪生的设施结构健康监测方法包括:
从预设的云数据库中获取待监测的目标设施对应的设施全方位数据并根据所述设施全方位数据生成第一特征向量,并查询所述目标设施的设施结构数据,以及根据所述设施结构数据构建所述目标设施的结构模型,得到目标结构模型;
提取所述目标设施的历史参数数据,并根据所述历史参数数据和所述目标结构模型构建所述目标设施对应的数字孪生模型,其中,所述历史参数数据包括:历史运行数据、历史测试数据和历史维修数据;
根据所述数字孪生模型对所述目标设施进行设施仿真运算,得到所述目标设施对应的设施仿真数据,并根据所述设施仿真数据生成所述目标设施对应的第二特征向量;
根据所述第二特征向量和所述第一特征向量计算所述目标设施对应的目标位移损失值,并判断所述目标位移损失值是否超过预设目标值,得到判断结果;
根据所述判断结果生成目标特征向量,并根据所述目标特征向量对预置的训练模型进行模型训练,得到设施结构健康监测模型;
获取所述目标设施的待处理数据,并将所述待处理数据输入所述设施结构健康监测模型进行状态监测和安全风险诊断,得到设施结构健康监测结果。
2.根据权利要求1所述的基于数字孪生的设施结构健康监测方法,其特征在于,所述基于数字孪生的设施结构健康监测方法还包括:
对所述目标结构模型进行质量评估,得到质量评估结果;
根据所述质量评估结果判断所述目标结构模型是否符合预设质量需求;
若不符合,则根据所述质量评估结果生成更新指令,并构建三维纹理特征和光线特征;
根据所述更新指令、所述三维纹理特征和所述光线特征对所述目标结构模型进行渲染更新。
3.根据权利要求1所述的基于数字孪生的设施结构健康监测方法,其特征在于,所述提取所述目标设施的历史参数数据,并根据所述历史参数数据和所述目标结构模型构建所述目标设施对应的数字孪生模型,其中,所述历史参数数据包括:历史运行数据、历史测试数据和历史维修数据,包括:
获取所述目标设施的数据缓存路径,并根据所述数据缓存路径从所述云数据库中查找所述目标设施对应的历史参数数据,其中,所述历史参数数据包括:历史运行数据、历史测试数据和历史维修数据;
根据所述历史参数数据构建所述目标设施的运行模型、测试模型和维修模型,并建立所述目标结构模型、所述运行模型、所述测试模型和所述维修模型之间的连接关系;
根据所述连接关系对所述目标结构模型、所述运行模型、所述测试模型和所述维修模型进行数字化构建,生成数字孪生模型。
4.根据权利要求1所述的基于数字孪生的设施结构健康监测方法,其特征在于,所述根据所述数字孪生模型对所述目标设施进行设施仿真运算,得到所述目标设施对应的设施仿真数据,并根据所述设施仿真数据生成所述目标设施对应的第二特征向量,包括:
根据所述数字孪生模型对所述目标设施进行设施仿真运算,生成所述目标设施对应的数据变化曲线;
对所述数据变化曲线进行数据解析,得到所述目标设施对应的设施仿真数据;
对所述设施仿真数据进行向量转换,生成所述目标设施对应的第二特征向量。
5.根据权利要求1所述的基于数字孪生的设施结构健康监测方法,其特征在于,所述根据所述第二特征向量和所述第一特征向量计算所述目标设施对应的目标位移损失值,并判断所述目标位移损失值是否超过预设目标值,得到判断结果,包括:
提取所述第一特征向量中的第一向量元素,并提取所述第二特征向量中的第二向量元素;
计算所述第一向量元素和所述第二向量元素之间的相对误差,并将所述相对误差作为所述目标设施对应的目标位移损失值;
判断所述目标位移损失值是否超过预设目标值,得到判断结果,其中,所述判断结果用于指示所述目标位移损失值和所述预设目标值之间的大小关系。
6.根据权利要求1-5中任一项所述的基于数字孪生的设施结构健康监测方法,其特征在于,所述根据所述判断结果生成目标特征向量,并根据所述目标特征向量对预置的训练模型进行模型训练,得到设施结构健康监测模型,包括:
若所述目标位移损失值不超过预设目标值,则将所述第二特征向量作为目标特征向量;
若所述目标位移损失值超过预设目标值,则根据所述数字孪生模型对所述目标设施进行二次设施仿真运算,直至所述目标位移损失值不超过预设目标值,输出第二特征向量;
将所述目标特征向量输入预置的训练模型,其中,所述训练模型包括;输入层、隐藏层和输出层;
对所述训练模型进行模型训练,得到训练完成的训练模型,并将所述训练完成的训练模型输出为设施结构健康监测模型。
7.根据权利要求6所述的基于数字孪生的设施结构健康监测方法,其特征在于,所述获取所述目标设施的待处理数据,并将所述待处理数据输入所述设施结构健康监测模型进行状态监测和安全风险诊断,得到设施结构健康监测结果,包括:
获取所述目标设施的待处理数据,并将所述待处理数据输入所述设施结构健康监测模型;
分别通过所述设施结构健康监测模型中的所述输入层、所述隐藏层和所述输出层对所述待处理数据进行状态监测和安全风险诊断,得到设施结构健康监测结果,其中,所述设施结构健康监测结果包括:故障原因和故障等级。
8.一种基于数字孪生的设施结构健康监测装置,其特征在于,所述基于数字孪生的设施结构健康监测装置包括:
获取模块,用于从预设的云数据库中获取待监测的目标设施对应的设施全方位数据并根据所述设施全方位数据生成第一特征向量,并查询所述目标设施的设施结构数据,以及根据所述设施结构数据构建所述目标设施的结构模型,得到目标结构模型;
构建模块,用于提取所述目标设施的历史参数数据,并根据所述历史参数数据和所述目标结构模型构建所述目标设施对应的数字孪生模型,其中,所述历史参数数据包括:历史运行数据、历史测试数据和历史维修数据;
运算模块,用于根据所述数字孪生模型对所述目标设施进行设施仿真运算,得到所述目标设施对应的设施仿真数据,并根据所述设施仿真数据生成所述目标设施对应的第二特征向量;
判断模块,用于根据所述第二特征向量和所述第一特征向量计算所述目标设施对应的目标位移损失值,并判断所述目标位移损失值是否超过预设目标值,得到判断结果;
训练模块,用于根据所述判断结果生成目标特征向量,并根据所述目标特征向量对预置的训练模型进行模型训练,得到设施结构健康监测模型;
监测模块,用于获取所述目标设施的待处理数据,并将所述待处理数据输入所述设施结构健康监测模型进行状态监测和安全风险诊断,得到设施结构健康监测结果。
9.一种基于数字孪生的设施结构健康监测设备,其特征在于,所述基于数字孪生的设施结构健康监测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于数字孪生的设施结构健康监测设备执行如权利要求1-7中任一项所述的基于数字孪生的设施结构健康监测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于数字孪生的设施结构健康监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211321586.2A CN115618735A (zh) | 2022-10-27 | 2022-10-27 | 基于数字孪生的设施结构健康监测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211321586.2A CN115618735A (zh) | 2022-10-27 | 2022-10-27 | 基于数字孪生的设施结构健康监测方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115618735A true CN115618735A (zh) | 2023-01-17 |
Family
ID=84865243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211321586.2A Pending CN115618735A (zh) | 2022-10-27 | 2022-10-27 | 基于数字孪生的设施结构健康监测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618735A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859162A (zh) * | 2023-02-21 | 2023-03-28 | 深圳市超业电力科技有限公司 | 基于物联网的配电系统健康诊断方法及相关装置 |
-
2022
- 2022-10-27 CN CN202211321586.2A patent/CN115618735A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859162A (zh) * | 2023-02-21 | 2023-03-28 | 深圳市超业电力科技有限公司 | 基于物联网的配电系统健康诊断方法及相关装置 |
CN115859162B (zh) * | 2023-02-21 | 2023-05-05 | 深圳市超业电力科技有限公司 | 基于物联网的配电系统健康诊断方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
CN112684379A (zh) | 一种基于数字孪生的变压器故障诊断系统及其方法 | |
CN109255440B (zh) | 基于递归神经网络(rnn)的对电力生产设备进行预测性维护的方法 | |
He et al. | Using genetic algorithms and finite element methods to detect shaft crack for rotor-bearing system | |
CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
CN116129366A (zh) | 基于数字孪生的园区监测方法及相关装置 | |
CN112906282B (zh) | Sanger神经网络并行主元抽取的工作模态参数识别方法和系统 | |
Niaki et al. | A particle swarm optimization approach on economic and economic-statistical designs of MEWMA control charts | |
CN108960423A (zh) | 基于机器学习的电机监测系统 | |
Hamzaoui et al. | Optimization of operating conditions for steam turbine using an artificial neural network inverse | |
CN112257745B (zh) | 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN117111544B (zh) | 一种自动适配的楼宇物联网监控方法及系统 | |
CN113570138A (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
Lockhart et al. | Scission: Performance-driven and context-aware cloud-edge distribution of deep neural networks | |
CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
CN112307677A (zh) | 基于深度学习的电网振荡模态评估与安全主动预警方法 | |
Li et al. | Framework and case study of cognitive maintenance in Industry 4.0 | |
CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN116861694A (zh) | 一种基于人工智能的电缆温度预测方法 | |
Liu et al. | Machine learning-based stochastic subspace identification method for structural modal parameters | |
CN116756909A (zh) | 一种基于数据模型及机理模型的火电厂预警诊断系统 | |
CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 |
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 |