CN115630483A - 一种基于分数阶模型的数字孪生模型建立方法及系统 - Google Patents
一种基于分数阶模型的数字孪生模型建立方法及系统 Download PDFInfo
- Publication number
- CN115630483A CN115630483A CN202211201721.XA CN202211201721A CN115630483A CN 115630483 A CN115630483 A CN 115630483A CN 202211201721 A CN202211201721 A CN 202211201721A CN 115630483 A CN115630483 A CN 115630483A
- Authority
- CN
- China
- Prior art keywords
- digital twin
- boost circuit
- model
- capacitor voltage
- platform
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Dc-Dc Converters (AREA)
Abstract
本发明公开了一种基于分数阶模型的数字孪生模型建立方法及系统,实时采集物理实验平台在导通时的电感电流iL1.r、在关断时的电感电流iL2.r、在导通时的电容电压vC1.r和在关断时的电容电压vC2.r;采集数字孪生平台在导通时的电感电流iL1.d、在关断时的电感电流iL2.d、在导通时的电容电压vC1.d和在关断时的电容电压vC2.d;采用智能优化算法计算设立的适应度函数;当迭代的次数达到设立的次数时,输出此时的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β;通过这些值得到最终的数字孪生模型。本发明可以有效的提升模型的精度。
Description
技术领域
本发明涉及数字孪生技术领域,具体涉及一种基于分数阶模型的数字孪生模型建立方法及系统。
背景技术
数字孪生是一个物理系统的虚拟表示,它与物理对等体具有相同的特性。它使客户能够更好地理解、优化、预测和监控其安装的系统的性能。数字孪生体的概念最近被应用于电力变换器的故障诊断,它是通过实时比较数字孪生体和物理孪生体的输出信号来实现的。数字孪生技术包括两个部分:物理系统的数字表示和数据分析的高级算法。
分数阶微积分长期以来一直是一种纯粹的数学工具,直到它被成功地用于解释物理现象。分数阶转换将传统的微积分演算从整数阶扩展到非整数阶,极大的增加了系统的自由度,并且可以通过分数阶微积分来实现更准确的数学模型。在最实际的应用中,大多数机械和电气系统的动力学本质上都具有非整数积分和微分阶数的特性。使用分数阶微积分进行系统建模可以实现开发更准确的动态系统模型,以提升系统的性能。
发明内容
基于此,本发明提出一种基于分数阶模型的数字孪生模型建立方法及系统,利用数字孪生概念对变换器关键部件的健康指标进行估计,从而对变换器的退化过程进行监测。
本发明通过以下技术手段解决上述问题:
第一方面,本发明提供一种基于分数阶模型的数字孪生模型建立方法,包括如下步骤:
首先保持物理实验平台的稳定运行,并实时采集物理实验平台boost电路在导通时的电感电流iL1.r、在关断时的电感电流iL2.r、在导通时的电容电压vC1.r以及在关断时的电容电压vC2.r;
同时采集数字孪生平台boost电路在导通时的电感电流iL1.d、在关断时的电感电流iL2.d、在导通时的电容电压vC1.d以及在关断时的电容电压vC2.d;
通过iL1.r、iL2.r、vC1.r、vC2.r、iL1.d、iL2.d、vC1.d以及vC2.d采用智能优化算法计算设立的适应度函数;
当迭代的次数达到设立的次数时,输出此时的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β;
并通过输出的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β得到最终的数字孪生模型。
作为优选地,当开关管导通时,变换器的分数阶模型为:
当开关管关断时,变换器的分数阶模型为:
其中,Vin为输入电压,vC为电容电压,Vo为输出电压,iL为电感电流,Rdson、RL和RC分别为开关管、电感以及电容的寄生电阻,R为输出负载,t为时间,α和β为分数阶阶次。
作为优选地,由(1)和(2)可得,当开关管导通时的电感电流iL1(n+1)和电容电压vC1(n+1)的分数阶模型表达式为:
式中,p1-α是经过离散化处理后的d1-α/dt1-α分数阶微分函数,TS为开关周期,iL(n)和vC(n)分别为第n个周期起始时的电感电流和电容电压;
由(3)和(4)可得,当开关管关断时的电感电流iL2(n+1)和电容电压vC2(n+1)的分数阶模型表达式为:
作为优选地,采用的分数阶转换滤波器为IIR型滤波器,其表达式为:
作为优选地,所述智能优化算法为差分进化算法。
作为优选地,所述适应度函数F被设立为:
式中,iL1.r、iL2.r分别为物理实验平台BOOST电路在导通和关断时的电感电流;iL1.d、iL2.d分别为数字孪生平台BOOST电路在导通和关断时的电感电流;vC1.r、vC2.r分别为物理实验平台BOOST电路在导通和关断时的电容电压;vC1.d、vC2.d分别为数字孪生平台BOOST电路在导通和关断时的电容电压;N为采样得到的样本数目,j为采样的周期数。
第二方面,本发明提供一种基于分数阶模型的数字孪生模型建立系统,包括:
物理实验平台采样模块,用于首先保持物理实验平台的稳定运行,并实时采集物理实验平台boost电路在导通时的电感电流iL1.r、在关断时的电感电流iL2.r、在导通时的电容电压vC1.r以及在关断时的电容电压vC2.r;
数字孪生平台采样模块,用于同时采集数字孪生平台boost电路在导通时的电感电流iL1.d、在关断时的电感电流iL2.d、在导通时的电容电压vC1.d以及在关断时的电容电压vC2.d;
适应度函数计算模块,用于通过iL1.r、iL2.r、vC1.r、vC2.r、iL1.d、iL2.d、vC1.d以及vC2.d采用智能优化算法计算设立的适应度函数;
阀值参数输出模块,用于当迭代的次数达到设立的次数时,输出此时的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β;
数字孪生模型建立模块,用于并通过输出的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β得到最终的数字孪生模型。
作为优选地,所述适应度函数F被设立为:
式中,iL1.r、iL2.r分别为物理实验平台BOOST电路在导通和关断时的电感电流;iL1.d、iL2.d分别为数字孪生平台BOOST电路在导通和关断时的电感电流;vC1.r、vC2.r分别为物理实验平台BOOST电路在导通和关断时的电容电压;vC1.d、vC2.d分别为数字孪生平台BOOST电路在导通和关断时的电容电压;N为采样得到的样本数目,j为采样的周期数。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明第一方面所述基于分数阶模型的数字孪生模型建立方法的步骤。
第四方面,本发明提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如本发明第一方面所述基于分数阶模型的数字孪生模型建立方法的步骤。
与现有技术相比,本发明的有益效果至少包括:
本发明所提的建模方法相较于传统的建模方法,通过将分数阶微积分的原理应用于数字孪生模型的建立中,可以有效的提升模型的精度;通过更精确的反映物理实验平台的状态,以构建更准确的数字孪生模型。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明基于分数阶模型的数字孪生模型建立方法的流程图;
图2是本发明BOOST电路的等效电路图在SiC MOSFET导通时对应的电路开关状态;
图3是本发明BOOST电路的等效电路图在SiC MOSFET关断时对应的电路开关状态;
图4是本发明智能优化算法的适应度函数变换曲线图;
图5是本发明基于分数阶模型的数字孪生模型建立系统的结构图;
图6是本发明电子设备结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是,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他实施例,都属于本发明保护的范围。
实施例1
如图1所示,本发明主要分为物理实验平台、数字孪生平台以及智能优化算法,本发明提供一种基于分数阶模型的数字孪生模型建立方法,包括如下步骤:
S1、首先保持物理实验平台的稳定运行,并实时采集物理实验平台boost电路在导通时的电感电流iL1.r、在关断时的电感电流iL2.r、在导通时的电容电压vC1.r以及在关断时的电容电压vC2.r;
S2、同时采集数字孪生平台boost电路在导通时的电感电流iL1.d、在关断时的电感电流iL2.d、在导通时的电容电压vC1.d以及在关断时的电容电压vC2.d;
S3、通过iL1.r、iL2.r、vC1.r、vC2.r、iL1.d、iL2.d、vC1.d以及vC2.d采用智能优化算法计算设立的适应度函数;
S4、当迭代的次数达到设立的次数时,输出此时的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β;
S5、并通过输出的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β得到最终的数字孪生模型。
图2-3为本发明实施应用于BOOST电路的等效电路图。图2和3分别描述了在SiCMOSFET导通和关断时,对应的电路开关状态。
当开关管导通时,变换器的分数阶模型为:
当开关管关断时,变换器的分数阶模型为:
其中,Vin为输入电压,vC为电容电压,Vo为输出电压,iL为电感电流,Rdson、RL和RC分别为开关管、电感以及电容的寄生电阻,R为输出负载,t为时间,α和β为分数阶阶次。
由(1)和(2)可得,当开关管导通时的电感电流iL1(n+1)和电容电压vC1(n+1)的分数阶模型表达式为:
式中,p1-α是经过离散化处理后的d1-α/dt1-α分数阶微分函数,TS为开关周期,iL(n)和vC(n)分别为第n个周期起始时的电感电流和电容电压;
由(3)和(4)可得,当开关管关断时的电感电流iL2(n+1)和电容电压vC2(n+1)的分数阶模型表达式为:
由于变换器为离散系统,因此采用的分数阶转换滤波器为IIR型滤波器,其表达式为:
本发明采用的智能优化算法为差分进化算法。差分进化算法通过模拟自然界生物的进化流程而得到的一种算法,具有遗传进化的特性。为了使孪生系统可以很好的反应物理系统,需要构建适应度函数。在本发明中,所述适应度函数F被设立为:
式中,iL1.r、iL2.r分别为物理实验平台BOOST电路在导通和关断时的电感电流;iL1.d、iL2.d分别为数字孪生平台BOOST电路在导通和关断时的电感电流;vC1.r、vC2.r分别为物理实验平台BOOST电路在导通和关断时的电容电压;vC1.d、vC2.d分别为数字孪生平台BOOST电路在导通和关断时的电容电压;N为采样得到的样本数目,j为采样的周期数。
图4为智能优化算法的适应度函数变换曲线。随着迭代次数的增加,系统设立的适应度函数减少。这时,数字孪生模型可以更好的反映实物系统。
本发明所提的建模方法相较于传统的建模方法,通过将分数阶微积分的原理应用于数字孪生模型的建立中,可以有效的提升模型的精度;通过更精确的反映物理实验平台的状态,以构建更准确的数字孪生模型。
实施例2
如图5所示,本发明提供一种基于分数阶模型的数字孪生模型建立系统,包括物理实验平台采样模块、数字孪生平台采样模块、适应度函数计算模块、阀值参数输出模块和数字孪生模型建立模块;
所述物理实验平台采样模块用于首先保持物理实验平台的稳定运行,并实时采集物理实验平台boost电路在导通时的电感电流iL1.r、在关断时的电感电流iL2.r、在导通时的电容电压vC1.r以及在关断时的电容电压vC2.r;
所述数字孪生平台采样模块用于同时采集数字孪生平台boost电路在导通时的电感电流iL1.d、在关断时的电感电流iL2.d、在导通时的电容电压vC1.d以及在关断时的电容电压vC2.d;
所述适应度函数计算模块用于通过iL1.r、iL2.r、vC1.r、vC2.r、iL1.d、iL2.d、vC1.d以及vC2.d采用智能优化算法计算设立的适应度函数;
所述阀值参数输出模块用于当迭代的次数达到设立的次数时,输出此时的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β;
所述数字孪生模型建立模块用于并通过输出的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β得到最终的数字孪生模型。
本实施例中的其他特征与实施例1相同,故在此不再赘述。
实施例3
基于相同的构思,本发明还提供了一种实体结构示意图,如图6所示,该服务器可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行所述基于分数阶模型的数字孪生模型建立方法的步骤。例如包括:
S1、首先保持物理实验平台的稳定运行,并实时采集物理实验平台boost电路在导通时的电感电流iL1.r、在关断时的电感电流iL2.r、在导通时的电容电压vC1.r以及在关断时的电容电压vC2.r;
S2、同时采集数字孪生平台boost电路在导通时的电感电流iL1.d、在关断时的电感电流iL2.d、在导通时的电容电压vC1.d以及在关断时的电容电压vC2.d;
S3、通过iL1.r、iL2.r、vC1.r、vC2.r、iL1.d、iL2.d、vC1.d以及vC2.d采用智能优化算法计算设立的适应度函数;
S4、当迭代的次数达到设立的次数时,输出此时的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β;
S5、并通过输出的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β得到最终的数字孪生模型。
此外,上述的存储器830中的逻辑指令可以通过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备(可以是个人计算机,服务器,或者网络设备等)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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例4
基于相同的构思,本发明还提供一种非暂态计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包含至少一段代码,该至少一段代码可由主控设备执行,以控制主控设备用以实现所述基于分数阶模型的数字孪生模型建立方法的步骤。例如包括:
S1、首先保持物理实验平台的稳定运行,并实时采集物理实验平台boost电路在导通时的电感电流iL1.r、在关断时的电感电流iL2.r、在导通时的电容电压vC1.r以及在关断时的电容电压vC2.r;
S2、同时采集数字孪生平台boost电路在导通时的电感电流iL1.d、在关断时的电感电流iL2.d、在导通时的电容电压vC1.d以及在关断时的电容电压vC2.d;
S3、通过iL1.r、iL2.r、vC1.r、vC2.r、iL1.d、iL2.d、vC1.d以及vC2.d采用智能优化算法计算设立的适应度函数;
S4、当迭代的次数达到设立的次数时,输出此时的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β;
S5、并通过输出的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β得到最终的数字孪生模型。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于分数阶模型的数字孪生模型建立方法,其特征在于,包括如下步骤:
首先保持物理实验平台的稳定运行,并实时采集物理实验平台boost电路在导通时的电感电流iL1.r、在关断时的电感电流iL2.r、在导通时的电容电压vC1.r以及在关断时的电容电压vC2.r;
同时采集数字孪生平台boost电路在导通时的电感电流iL1.d、在关断时的电感电流iL2.d、在导通时的电容电压vC1.d以及在关断时的电容电压vC2.d;
通过iL1.r、iL2.r、vC1.r、vC2.r、iL1.d、iL2.d、vC1.d以及vC2.d采用智能优化算法计算设立的适应度函数;
当迭代的次数达到设立的次数时,输出此时的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β;
并通过输出的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β得到最终的数字孪生模型。
5.根据权利要求1所述的基于分数阶模型的数字孪生模型建立方法,其特征在于,所述智能优化算法为差分进化算法。
7.一种基于分数阶模型的数字孪生模型建立系统,其特征在于,包括:
物理实验平台采样模块,用于首先保持物理实验平台的稳定运行,并实时采集物理实验平台boost电路在导通时的电感电流iL1.r、在关断时的电感电流iL2.r、在导通时的电容电压vC1.r以及在关断时的电容电压vC2.r;
数字孪生平台采样模块,用于同时采集数字孪生平台boost电路在导通时的电感电流iL1.d、在关断时的电感电流iL2.d、在导通时的电容电压vC1.d以及在关断时的电容电压vC2.d;
适应度函数计算模块,用于通过iL1.r、iL2.r、vC1.r、vC2.r、iL1.d、iL2.d、vC1.d以及vC2.d采用智能优化算法计算设立的适应度函数;
阀值参数输出模块,用于当迭代的次数达到设立的次数时,输出此时的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β;
数字孪生模型建立模块,用于并通过输出的电感L、电容C、电容的寄生电阻Rc、电感的寄生电阻RL、开关管的寄生电阻Rdson、电感电流的阶次α和电容电压的阶次β得到最终的数字孪生模型。
9.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-6任一所述的基于分数阶模型的数字孪生模型建立方法的步骤。
10.一种非暂态计算机可读存储介质,其特征在于,其上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-6任一所述的基于分数阶模型的数字孪生模型建立方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211201721.XA CN115630483A (zh) | 2022-09-29 | 2022-09-29 | 一种基于分数阶模型的数字孪生模型建立方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211201721.XA CN115630483A (zh) | 2022-09-29 | 2022-09-29 | 一种基于分数阶模型的数字孪生模型建立方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115630483A true CN115630483A (zh) | 2023-01-20 |
Family
ID=84905562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211201721.XA Pending CN115630483A (zh) | 2022-09-29 | 2022-09-29 | 一种基于分数阶模型的数字孪生模型建立方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630483A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118181303A (zh) * | 2024-05-14 | 2024-06-14 | 湖南大学 | 一种基于opc_ua的数字孪生系统 |
-
2022
- 2022-09-29 CN CN202211201721.XA patent/CN115630483A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118181303A (zh) * | 2024-05-14 | 2024-06-14 | 湖南大学 | 一种基于opc_ua的数字孪生系统 |
CN118181303B (zh) * | 2024-05-14 | 2024-07-12 | 湖南大学 | 一种基于opc_ua的数字孪生系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baumann et al. | Numerical solution of level dependent quasi-birth-and-death processes | |
Ortigueira | An introduction to the fractional continuous-time linear systems: the 21st century systems | |
JP7461344B2 (ja) | 畳み込みニューラルネットワークの畳み込み処理方法、装置及び記憶媒体 | |
CN115630483A (zh) | 一种基于分数阶模型的数字孪生模型建立方法及系统 | |
CN107562978B (zh) | 热阻抗拓扑结构以及热功率滤波器 | |
Deng et al. | Stability analysis of latency insertion method (LIM) | |
Grassman | The factorization of queueing equations and their interpretation | |
CN110738016A (zh) | 一种电力电子电路暂态仿真插值计算方法 | |
Maraoui et al. | System approximations based on Meixner‐like models | |
CN111930602A (zh) | 性能指标预测方法及装置 | |
CN115101211A (zh) | 传染病人数预测方法、装置、电子设备及介质 | |
US9805151B1 (en) | Method and apparatus for Laplace transform system simulation | |
Roy et al. | A deep learning approach for the design of narrow transition-band FIR filter | |
CN113765361A (zh) | 直流升压功率因数校正电路的仿真方法、仿真电路、处理器及存储介质 | |
CN112748296A (zh) | 用于直流电的电参数监测方法、装置及直流家电 | |
Krajewski et al. | A new method for the integer order approximation of fractional order models | |
RU2446461C2 (ru) | Цифровое прогнозирующее устройство | |
CN117807803A (zh) | 一种电磁暂态离散化建模方法、装置及相关设备 | |
Kothari | Application of Fractional Calculus for Parameter Estimation of Nonlinear Wiener Systems With Time Delay | |
CN110263968A (zh) | 一种新的时间序列的预测方法 | |
Allafi et al. | Design of delayed fractional state variable filter for parameter estimation of fractional nonlinear models | |
CN109067369A (zh) | 预失真优化方法、装置和系统 | |
Kim et al. | Parallel-structure fuzzy system for time series prediction | |
Kim et al. | Filter-Wise Quantization of Deep Neural Networks for IoT Devices | |
CN113821922B (zh) | 一种用于电力系统的小扰动稳定性分析方法及系统 |
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 |