CN115983048A - 一种基于数字孪生的冷凝器质量检测方法及系统 - Google Patents
一种基于数字孪生的冷凝器质量检测方法及系统 Download PDFInfo
- Publication number
- CN115983048A CN115983048A CN202310265171.6A CN202310265171A CN115983048A CN 115983048 A CN115983048 A CN 115983048A CN 202310265171 A CN202310265171 A CN 202310265171A CN 115983048 A CN115983048 A CN 115983048A
- Authority
- CN
- China
- Prior art keywords
- test
- quality detection
- model
- condenser
- test item
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 151
- 238000012360 testing method Methods 0.000 claims abstract description 222
- 238000012545 processing Methods 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims description 32
- 238000013461 design Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 22
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 2
- 238000012372 quality testing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000005494 condensation Effects 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- -1 design drawings Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数字孪生的冷凝器质量检测方法及系统,涉及数据处理技术领域,该方法包括:获取目标冷凝器的产品信息;生成目标冷凝器孪生模型;利用使用数据更新模型,并将使用数据输入更新后的模型中进行运行模拟;基于模拟运行数据集,调用质量检测模块进行模拟测试;将测试结果输入测试项目判定模型中,得到测试项目集合;利用线性累积损伤模型中进行损伤分析,获得匹配测试项目集合;根据测试项目集合和匹配测试项目集合对目标冷凝器进行质量检测,获得质量检测结果。本发明解决了现有技术中冷凝器质量检测无法准确定位检测项目,导致检测周期长和检测成本高的技术问题,达到了对质量检测项目进行降维处理,提高检测效率的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于数字孪生的冷凝器质量检测方法及系统。
背景技术
冷凝器作为换热器的一种,能够将气体或者蒸汽转变为液体,并将冷凝管中的热量,快速传递到冷凝管附近的空气中进行热量交换,从而进行放热。在特种设备项目的建设中,冷凝器的使用是非常普遍的,并且冷凝器的质量对于保证项目安全至关重要。
目前,对于冷凝器的质量检测方式主要是按照规程规定的检测项目进行检测,但是由于冷凝器的运行环境不同,技术人员无法快速对每个冷凝器的检测项目进行确定。虽然,现在使用数据孪生技术对冷凝器的运行情况进行模型构建,但是,由于冷凝器在工作过程中进行故障维修时会对原有的设计部件进行更换,导致与原设计不同,此时仍使用原有模型,无法准确得到现有冷凝器的质量检测项目,从而导致检测周期过长,检测资源浪费的情况。现有技术中冷凝器质量检测无法准确定位检测项目,导致检测周期长和检测成本高的技术问题。
发明内容
本申请提供了一种基于数字孪生的冷凝器质量检测方法及系统,用于针对解决现有技术中冷凝器质量检测无法准确定位检测项目,导致检测周期长和检测成本高的技术问题。
鉴于上述问题,本申请提供了一种基于数字孪生的冷凝器质量检测方法及系统。
本申请的第一个方面,提供了一种基于数字孪生的冷凝器质量检测方法,其中,所述方法应用于数字孪生的质量检测平台,所述质量检测平台与质量检测模块通信连接,所述方法包括:
通过获取目标冷凝器的产品信息,其中,所述产品信息包括设计信息和制造信息;
将所述设计信息和制造信息输入数字孪生软件中进行冷凝器建模,获得目标冷凝器孪生模型;
基于所述产品信息提取所述目标冷凝器的使用数据,利用所述使用数据对所述目标冷凝器孪生模型进行模型更新,并将所述使用数据输入更新目标冷凝器孪生模型中进行运行模拟,获得模拟运行数据集;
基于所述模拟运行数据集,调用所述质量检测模块的多个测试功能子模块对所述更新目标冷凝器孪生模型进行测试,获得多个测试结果;
将所述多个测试结果输入测试项目判定模型,得到测试项目集合;
基于所述产品信息调取所述目标冷凝器的工作任务时长,将所述工作任务时长输入线性累积损伤模型中进行损伤分析,获得质量测试时间节点;
根据所述质量测试时间节点匹配质量检测数据库,获得匹配测试项目集合;
根据所述测试项目集合和所述匹配测试项目集合对所述目标冷凝器进行质量检测,获得质量检测结果。
本申请的第二个方面,提供了一种基于数字孪生的冷凝器质量检测系统,所述系统包括:
产品信息获得模块,所述产品信息获得模块用于通过获取目标冷凝器的产品信息,其中,所述产品信息包括设计信息和制造信息;
孪生模型获得模块,所述孪生模型获得模块用于将所述设计信息和制造信息输入数字孪生软件中进行冷凝器建模,获得目标冷凝器孪生模型;
模拟数据集获得模块,所述模拟数据集获得模块用于基于所述产品信息提取所述目标冷凝器的使用数据,利用所述使用数据对所述目标冷凝器孪生模型进行模型更新,并将所述使用数据输入更新目标冷凝器孪生模型中进行运行模拟,获得模拟运行数据集;
测试结果获得模块,所述测试结果获得模块用于基于所述模拟运行数据集,调用质量检测模块的多个测试功能子模块对所述更新目标冷凝器孪生模型进行测试,获得多个测试结果;
测试项目获得模块,所述测试项目获得模块用于将所述多个测试结果输入测试项目判定模型,得到测试项目集合;
时间节点获得模块,所述时间节点获得模块用于基于所述产品信息调取所述目标冷凝器的工作任务时长,将所述工作任务时长输入线性累积损伤模型中进行损伤分析,获得质量测试时间节点;
匹配项目获得模块,所述匹配项目获得模块用于根据所述质量测试时间节点匹配质量检测数据库,获得匹配测试项目集合;
质量检测模块,所述质量检测模块用于根据所述测试项目集合和所述匹配测试项目集合对所述目标冷凝器进行质量检测,获得质量检测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过获取目标冷凝器的产品信息,其中,产品信息包括设计信息和制造信息,然后将设计信息和制造信息输入数字孪生软件中进行冷凝器建模,获得目标冷凝器孪生模型,进而基于产品信息提取目标冷凝器的使用数据,利用使用数据对目标冷凝器孪生模型进行模型更新,并将使用数据输入更新目标冷凝器孪生模型中进行运行模拟,获得模拟运行数据集,然后基于模拟运行数据集,调用质量检测模块的多个测试功能子模块对更新目标冷凝器孪生模型进行测试,获得多个测试结果,通过将多个测试结果输入测试项目判定模型,得到测试项目集合,进而基于产品信息调取目标冷凝器的工作任务时长,将工作任务时长输入线性累积损伤模型中进行损伤分析,获得质量测试时间节点,然后根据质量测试时间节点匹配质量检测数据库,获得匹配测试项目集合,通过根据测试项目集合和匹配测试项目集合对目标冷凝器进行质量检测,获得质量检测结果。达到了提高冷凝器的质量检测准确度,通过利用数字孪生技术对检测项目进行降维筛选,从而提高检测效率,降低检测成本的技术效果。
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为本申请实施例提供的一种基于数字孪生的冷凝器质量检测方法流程示意图;
图2为本申请实施例提供的一种基于数字孪生的冷凝器质量检测方法中对目标冷凝器孪生模型进行模型更新的流程示意图;
图3为本申请实施例提供的一种基于数字孪生的冷凝器质量检测方法中将多个测试结果输入测试项目判定模型的流程示意图;
图4为本申请实施例提供的一种基于数字孪生的冷凝器质量检测系统结构示意图。
附图标记说明:产品信息获得模块11,孪生模型获得模块12,模拟数据集获得模块13,测试结果获得模块14,测试项目获得模块15,时间节点获得模块16,匹配项目获得模块17,质量检测模块18。
具体实施方式
本申请通过提供了一种基于数字孪生的冷凝器质量检测方法,用于针对解决现有技术中冷凝器质量检测无法准确定位检测项目,导致检测周期长和检测成本高的技术问题。
下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、产品或服务器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、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种基于数字孪生的冷凝器质量检测方法,其中,所述方法应用于数字孪生的质量检测平台,所述质量检测平台与质量检测模块通信连接,所述方法包括:
步骤S100:通过获取目标冷凝器的产品信息,其中,所述产品信息包括设计信息和制造信息;
步骤S200:将所述设计信息和制造信息输入数字孪生软件中进行冷凝器建模,获得目标冷凝器孪生模型;
具体而言,所述质量检测模块是对目标冷凝器的零部件,以及运行情况进行质量检测的功能模块,由多个进行不同质量检测试验的功能子模块构成。所述目标冷凝器是需要进行质量检测的任意一个冷凝器。所述产品信息是对目标冷凝器的运行情况和基本设计情况,包括生产情况进行描述的信息。所述设计信息是所述目标冷凝器根据计划要求设定的信息,包括生产负荷、零部件构成、设计图纸、零部件明细表、装配图等信息。所述制造信息是对所述目标冷凝器在制造阶段,由于所处装配位置特性,对部分零部件进行调整的信息。
具体的,通过将所述设计信息和所述制造信息输入数字孪生软件中进行数字孪生建模,建立与制造信息更改后的零部件一致的目标冷凝器模型。其中,所述目标冷凝器孪生模型是对与目标冷凝器一对一仿真建模后得到的模型。可以通过所述目标冷凝器孪生模型对目标冷凝器的运行情况进行模拟。
步骤S300:基于所述产品信息提取所述目标冷凝器的使用数据,利用所述使用数据对所述目标冷凝器孪生模型进行模型更新,并将所述使用数据输入更新目标冷凝器孪生模型中进行运行模拟,获得模拟运行数据集;
进一步的,如图2所示,所述利用所述使用数据对所述目标冷凝器孪生模型进行模型更新,本申请实施例步骤S300包括:
步骤S310:基于所述使用数据提取所述目标冷凝器的故障数据,获得故障类型信息;
步骤S320:根据所述故障类型获得多个故障处理方案,其中,所述多个故障处理方案包括故障处理时长和零部件更换信息;
步骤S330:从所述多个故障处理方案内随机选择一故障处理方案,作为第一故障处理方案;
步骤S340:根据所述第一故障处理方案的故障处理时长和零部件更换信息获取所述第一故障处理方案的第一处理适应度;
步骤S350:采用多个预设调整方式对所述第一故障处理方案进行调整,构建所述第一故障处理方案的第一邻域,所述第一邻域内包括多个处理零件信息;
步骤S360:获取多个调整故障处理方案的多个处理适应度;
步骤S370:获取所述多个处理适应度中的最大值,作为第二处理适应度,并将所述第二处理适应度对应的调整故障处理方案作为第二故障处理方案;
步骤S380:继续构建所述第二故障处理方案的第二邻域,进行迭代寻优;
步骤S390:迭代寻优达到预设次数后,停止寻优,将寻优进程中适应度最大的故障处理方案输出为最优故障处理方案,并根据所述最优故障处理方案对所述目标冷凝器孪生模型进行模型更新。
进一步的,本申请实施例步骤S390还包括:
步骤S391:获取调整获得所述第二故障处理方案的预设调整方式,作为禁忌调整方式,加入禁忌空间内,其中,所述禁忌空间包括一禁忌迭代次数;
步骤S392:在迭代寻优达到所述禁忌迭代次数后,将所述禁忌调整方式在所述禁忌空间内删除。
具体而言,所述使用数据是指所述目标冷凝器在运行过程中的具体使用信息,包括运行工况、运行参数、故障信息、维修信息等。所述利用所述使用数据对所述目标冷凝器孪生模型进行模型更新,是指根据使用信息中的目标冷凝器的故障数据获得发生的故障类型,故障类型包括泄压、漏水、换热系数过低等,根据故障类型确定对故障进行处理的方案,然后根据故障处理方案中更换的零部件情况,对目标冷凝器孪生模型中的模拟零部件按照一比一的方式进行更新,从而保证孪生模型与目标冷凝器的实时状态保持一致,使得到的分析结果可靠度高。进而,通过粒子群算法对多个故障处理方案进行筛选,选出最佳的故障处理方案,将其作为对应故障类型的最佳处理方案,缩短模型更新时间。
具体的,所述零部件更新信息是对故障进行处理时更换的零部件类型和数量。所述故障处理时长是对故障进行处理所耗费的时间长度。所述第一故障处理方案是从多个故障处理方案中随机选取的一个故障处理方案。所述第一处理适应度是从故障处理时长和零部件更换信息两个维度对方案进行评价得到的,反映了第一故障处理方案的质量。优选的,通过对故障处理时长和零部件更换信息分别进行权重赋值,得到赋值结果,结合第一故障处理方案的故障处理时长和零部件更换信息进行计算,得到所述第一处理适应度。所述第一邻域是对第一故障处理方案进行零件更换的对象进行改变后得到的多个调整故障处理方案。其中,所述多个预设调整方式是对同一个类型的故障进行处理的多个方式。
具体的,处理适应度越大,处理质量越高,对应的故障处理方案越适合目标冷凝器,从而将最大处理适应度作为第二处理适应度,并将所述第二处理适应度对应的调整故障处理方案作为第二故障处理方案。其中,所述第二故障处理方案是在多个调整故障处理方案中处理适应度最高的方案。以相同的方法,构建以第二故障处理方案的第二邻域,其中,第二邻域是在第二故障处理方案的基础上进行调整得到的故障处理方案范围。通过从第二邻域中包含的多个调整故障处理方案中选择处理适应度最高的方案,继续进行迭代寻优。当迭代寻优的迭代次数达到预设次数后,停止寻优,从而在整体寻优过程中,最大处理适应度对应的故障处理方案作为最优故障处理方案。其中,所述最优故障处理方案是所述目标冷凝器对应的最佳处理方案,按照所述最优故障处理方案进行故障处理,能够保证最好的处理质量。
具体而言,在进行迭代寻优时,为了避免在一个区域附近进行反复搜索,搜索停留过长,通过将所述第二故障处理方案的预设调整方式作为禁忌调整方式,放入所述禁忌空间内。所述禁忌调整方式是指迭代寻优过程中不允许选取的调整方式,所述禁忌空间是指进行迭代寻优操作时不允许的操作空间。所述禁忌迭代次数是指在迭代寻优过程中所述禁忌调整方式不允许选取的次数。当所述迭代寻优达到所述禁忌迭代次数后,表明此时第二故障处理方案的预设调整方式不会影响整体的寻优,不会造成过拟合现象,因此,将所述禁忌调整方式从所述禁忌空间内删除,不再对预设调整方式是否为第二故障处理方案的预设调整方式进行限定。由此,达到了提高故障处理方案的筛选效率,提高处理质量的技术效果。
步骤S400:基于所述模拟运行数据集,调用所述质量检测模块的多个测试功能子模块对所述更新目标冷凝器孪生模型进行测试,获得多个测试结果;
具体而言,所述多个测试功能子模块是对目标冷凝器进行不同类型质量检测功能子模块,包括污垢热阻测试子模块,泄露测试子模块,盐雾测试子模块,打压测试子模块,换热系数测试子模块,换热量测试子模块,动态响应测试子模块,气密性测试子模块,风阻测试子模块,耐压测试子模块,耐久性测试子模块等。所述多个测试结果是通过多个测试功能子模块对所述更新目标冷凝器孪生模型进行测试后得到的各个类别质量检测的结果。
步骤S500:将所述多个测试结果输入测试项目判定模型,得到测试项目集合;
进一步的,如图3所示,所述将所述多个测试结果输入测试项目判定模型,本申请实施例步骤S500还包括:
步骤S510:采集获取所述目标冷凝器历史时间窗口内的多个样本测试结果和样本测试项目集合;
步骤S520:对所述多个样本测试结果和样本测试项目集合进行数据标识,获得构建数据集;
步骤S530:基于BP神经网络,构建测试项目判定模型;
步骤S540:采用所述构建数据集,基于k折交叉验证法,对所述测试项目判定模型进行迭代监督训练和验证,获得准确率符合预设要求的所述测试项目判定模型。
具体而言,所述测试项目判定模型是对测试结果进行分析,判断测试结果对应的质量检测项目是否需要进行实际质量检测的功能模型。以BP神经网络模型为基础框架,以多个测试结果为输入数据,以样本测试项目集合为输出数据。所述历史时间窗口是目标冷凝器在历史时间内运行的时间段。所述构建数据集是用于对模型进行训练的数据集合。在构建数据集后,通过使用K折交叉验证法,按照数据标识信息在使用数据集对所述测试项目判定模型进行迭代训练时,使数据集中的每个数据在每次迭代过程中只被划入训练集或者验证集一次,由此,可以避免在对模型的训练中,由于数据块的重复训练而导致模型性能降低。通过将所述数据集分为训练集和验证集,对模型进行监督训练和验证,直至将验证集输入所述测试项目判定模型中得到的准确率达到预设要求。由此,达到了提高模型的准确度,提高分析测试项目是否需要进行实际测试的分析效率的技术效果。
步骤S600:基于所述产品信息调取所述目标冷凝器的工作任务时长,将所述工作任务时长输入线性累积损伤模型中进行损伤分析,获得质量测试时间节点;
进一步的,所述将所述工作任务时长输入线性累积损伤模型中进行损伤分析,本申请实施例步骤S600还包括:
设定线性累积损伤模型为:
;
其中,为剩余时间,为工作任务时长,为工作任务状态下的预计工作时长,将所述产品信息中的工作任务计划时长作为所述预计工作时长,为目标冷凝器的工作寿命。
具体而言,所述工作任务时长是对目标冷凝器实际运行的时间长度进行描述的数据。所述线性累积损伤模型是对目标冷凝器在运行过程中的受到的损伤进行累积计算,排除受到的载荷顺序对累积损伤的影响后计算损伤的模型。根据所述线性累积损伤模型获得剩余时间,根据所述剩余时间获得此时目标冷凝器处于的质量测试时间节点。也就是说,根据目标冷凝器的设计工作时长,减去所述剩余时间得到从累积损耗的角度计算的已运行工作时长,将其作为质量测试时间节点。通过从累积损耗的角度确定目标冷凝器应该进行质量检测的时间节点,确保质量检测项目的准确性。
步骤S700:根据所述质量测试时间节点匹配质量检测数据库,获得匹配测试项目集合;
步骤S800:根据所述测试项目集合和所述匹配测试项目集合对所述目标冷凝器进行质量检测,获得质量检测结果。
进一步的,本申请实施例步骤S800还包括:
步骤S810:根据所述质量检测结果确定最优调整方案,并利用所述最优调整方案对所述更新目标冷凝器孪生模型进行二次更新,对二次更新后的模型进行质量检测,获得多个验证质量检测结果;
步骤S820:将所述多个验证质量检测结果输入所述测试项目判定模型中,获得验证测试项目集合;
步骤S830:判断所述验证测试项目集合中测试项目的数量是否小于预设数量;
步骤S840:若小于,则质量检测结果通过验证。
具体而言,所述质量测试时间节点从所述质量检测数据库中匹配该时间节点需要进行的质量检测项目,从而得到所述匹配测试项目集合。其中,所述质量检测数据库是根据目标冷凝器的设计手册确定的质量检测项目相关数据的数据库。根据质量检测结果利用步骤310-390的方法,得到最优调整方案,进而,对所述更新目标冷凝器孪生模型进行二次更新。然后,利用质量检测模块对模型进行模拟质量检测,获得多个验证质量检测结果。其中,所述多个验证质量检测结果是根据解决质量问题后的模型,再次进行质量检测后得到的结果,可以反映出模型是否仍然存在质量问题。
具体的,通过将所述多个验证质量检测结果输入所述测试项目判定模型中,获得验证测试项目集合,确定模型中存在的问题是否小于预设数量,其中,所述预设数量是根据模型与实际的误差确定的故障数量,由工作人员设定,在此不做限制。若小于,则表明根据质量检测结果进行故障处理,可以使目标冷凝器质量符合要求,则质量检测结果的可靠性通过验证。
进一步的,本申请实施例步骤S800还包括:
步骤S850:通过对所述测试项目集合和所述匹配测试项目集合融合处理,获得待测试项目集合;
步骤S860:按照预设项目复杂指标集合对所述待测试项目集合进行指标特征值提取,获得多个待测试项目特征值集合,其中,所述预设项目复杂指标集合包括测试时长、测试部件数量和测试资源消耗量;
步骤S870:基于AHP层次法,对所述测试时长、所述测试部件数量和所述测试资源消耗量,进行权重赋值,获得复杂度权重赋值结果;
步骤S880:根据所述复杂度权重赋值结果遍历所述多个待测试项目特征值集合进行测试复杂度量化计算,获得多个测试复杂度;
步骤S890:根据所述多个测试复杂度获得待测试序列,根据所述待测试序列对所述目标冷凝器进行质量检测。
具体而言,所述对所述测试项目集合和所述匹配测试项目集合融合处理是指对两个测试项目集合中重合的测试项目进行融合,只保留一个,从而得到所述待测试项目集合。所述预设项目复杂指标集合是对测试项目的复杂程度进行评估的指标集合,包括测试时长、测试部件数量和测试资源消耗量。所述测试时长是进行质量测试时消耗的时间长度。所述测试部件数量是进行质量测试时涉及的零部件数量。所述测试资源消耗量是对测试过程中耗费的人力、物力成本进行计算得到的。
具体的,所述AHP层次法是将与决策总是有关的元素分解为若干层次,在此基础上进行定性和定量分析和决策的方法。AHP层次法应用前提为单一指标对最终决策目标的影响无法通过足够的数据进行量化计算,但最底层的指标可以量化,并且能通过一定方法进行测量。基于上述AHP层次法的特性,能够很好的将所述AHP层次法应用于测试复杂度的计算。基于AHP层次法,针对所述测试时长、所述测试部件数量和所述测试资源消耗量对测试复杂度的影响大小,进行权重赋值,获得复杂度权重赋值结果。权重值越大说明该因素对测试复杂度影响越大。最终根据所述复杂度权重赋值结果对多个待测试项目特征值集合逐一进行测试复杂度分析,获得所述多个测试复杂度。根据测试复杂度的大小,对待测试项目集合进行复杂度从大到小排序,得到待测试序列。由此,达到了提高质量测试的有序性的技术效果。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过对目标冷凝器的产品信息进行提取,实现了为后续分析冷凝器的质量检测项目提供基础分析数据,确定需要进行的质量检测项目以及检测设置数据的目标,通过利用产品信息进行数字孪生建模,获得目标冷凝器孪生模型,对冷凝器的运行过程进行模拟,使测试项目的分析大大缩短分析周期,然后根据模拟数据确定需要进行质量检测项目,同时根据工作任务时长确定冷凝器的损耗情况,利用线性累积损伤模型进行损伤分析,得到应该冷凝器应该进行质量检测的时间节点,通过各个时间节点确定检测的项目,从而与运行模拟得到的检测项目进行融合,获得需要进行的检测项目,从而得到质量检测结果。达到了减少非必要的质量检测项目,降低检测成本,高效确定质量检测项目,缩短冷凝器质量检测周期的技术效果。
实施例二
基于与前述实施例中一种基于数字孪生的冷凝器质量检测方法相同的发明构思,如图4所示,本申请提供了一种基于数字孪生的冷凝器质量检测系统,本申请实施例中的系统与方法实施例基于同样的发明构思。其中,所述系统包括:
产品信息获得模块11,所述产品信息获得模块11用于通过获取目标冷凝器的产品信息,其中,所述产品信息包括设计信息和制造信息;
孪生模型获得模块12,所述孪生模型获得模块12用于将所述设计信息和制造信息输入数字孪生软件中进行冷凝器建模,获得目标冷凝器孪生模型;
模拟数据集获得模块13,所述模拟数据集获得模块13用于基于所述产品信息提取所述目标冷凝器的使用数据,利用所述使用数据对所述目标冷凝器孪生模型进行模型更新,并将所述使用数据输入更新目标冷凝器孪生模型中进行运行模拟,获得模拟运行数据集;
测试结果获得模块14,所述测试结果获得模块14用于基于所述模拟运行数据集,调用质量检测模块的多个测试功能子模块对所述更新目标冷凝器孪生模型进行测试,获得多个测试结果;
测试项目获得模块15,所述测试项目获得模块15用于将所述多个测试结果输入测试项目判定模型,得到测试项目集合;
时间节点获得模块16,所述时间节点获得模块16用于基于所述产品信息调取所述目标冷凝器的工作任务时长,将所述工作任务时长输入线性累积损伤模型中进行损伤分析,获得质量测试时间节点;
匹配项目获得模块17,所述匹配项目获得模块17用于根据所述质量测试时间节点匹配质量检测数据库,获得匹配测试项目集合;
质量检测模块18,所述质量检测模块18用于根据所述测试项目集合和所述匹配测试项目集合对所述目标冷凝器进行质量检测,获得质量检测结果。
进一步的,所述系统还包括:
故障类型获得单元,所述故障类型获得单元用于基于所述使用数据提取所述目标冷凝器的故障数据,获得故障类型信息;
处理方案获得单元,所述处理方案获得单元用于根据所述故障类型获得多个故障处理方案,其中,所述多个故障处理方案包括故障处理时长和零部件更换信息;
第一处理方案设定单元,所述第一处理方案设定单元用于从所述多个故障处理方案内随机选择一故障处理方案,作为第一故障处理方案;
第一处理适应度获得单元,所述第一处理适应度获得单元用于根据所述第一故障处理方案的故障处理时长和零部件更换信息获取所述第一故障处理方案的第一处理适应度;
第一邻域构建单元,所述第一邻域构建单元用于采用多个预设调整方式对所述第一故障处理方案进行调整,构建所述第一故障处理方案的第一邻域,所述第一邻域内包括多个处理零件信息;
多个处理适应度获得单元,所述多个处理适应度获得单元用于获取多个调整故障处理方案的多个处理适应度;
第二处理适应度设定单元,所述第二处理适应度设定单元用于获取所述多个处理适应度中的最大值,作为第二处理适应度,并将所述第二处理适应度对应的调整故障处理方案作为第二故障处理方案;
第二邻域构建单元,所述第二邻域构建单元用于继续构建所述第二故障处理方案的第二邻域,进行迭代寻优;
模型更新单元,所述模型更新单元用于迭代寻优达到预设次数后,停止寻优,将寻优进程中适应度最大的故障处理方案输出为最优故障处理方案,并根据所述最优故障处理方案对所述目标冷凝器孪生模型进行模型更新。
进一步的,所述系统还包括:
禁忌空间加入单元,所述禁忌空间加入单元用于获取调整获得所述第二故障处理方案的预设调整方式,作为禁忌调整方式,加入禁忌空间内,其中,所述禁忌空间包括一禁忌迭代次数;
调整方式删除单元,所述调整方式删除单元用于在迭代寻优达到所述禁忌迭代次数后,将所述禁忌调整方式在所述禁忌空间内删除。
进一步的,所述系统还包括:
样本测试结果采集单元,所述样本测试结果采集单元用于采集获取所述目标冷凝器历史时间窗口内的多个样本测试结果和样本测试项目集合;
数据集构建单元,所述数据集构建单元用于对所述多个样本测试结果和样本测试项目集合进行数据标识,获得构建数据集;
判定模型构建单元,所述判定模型构建单元用于基于BP神经网络,构建测试项目判定模型;
监督训练单元,所述监督训练单元用于采用所述构建数据集,基于k折交叉验证法,对所述测试项目判定模型进行迭代监督训练和验证,获得准确率符合预设要求的所述测试项目判定模型。
进一步的,所述系统还包括:
模型设定单元,所述模型设定单元用于设定线性累积损伤模型为:
;
其中,为剩余时间,为工作任务时长,为工作任务状态下的预计工作时长,将所述产品信息中的工作任务计划时长作为所述预计工作时长,为目标冷凝器的工作寿命。
进一步的,所述系统还包括:
二次更新单元,所述二次更新单元用于根据所述质量检测结果确定最优调整方案,并利用所述最优调整方案对所述更新目标冷凝器孪生模型进行二次更新,对二次更新后的模型进行质量检测,获得多个验证质量检测结果;
验证测试项目获得单元,所述验证测试项目获得单元用于将所述多个验证质量检测结果输入所述测试项目判定模型中,获得验证测试项目集合;
项目数量判断单元,所述项目数量判断单元用于判断所述验证测试项目集合中测试项目的数量是否小于预设数量;
验证通过单元,所述验证通过单元用于若小于,则质量检测结果通过验证。
进一步的,所述系统还包括:
待测试项目获得单元,所述待测试项目获得单元用于通过对所述测试项目集合和所述匹配测试项目集合融合处理,获得待测试项目集合;
待测试项目特征值获得单元,所述待测试项目特征值获得单元用于按照预设项目复杂指标集合对所述待测试项目集合进行指标特征值提取,获得多个待测试项目特征值集合,其中,所述预设项目复杂指标集合包括测试时长、测试部件数量和测试资源消耗量;
权重赋值单元,所述权重赋值单元用于基于AHP层次法,对所述测试时长、所述测试部件数量和所述测试资源消耗量,进行权重赋值,获得复杂度权重赋值结果;
复杂度计算单元,所述复杂度计算单元用于根据所述复杂度权重赋值结果遍历所述多个待测试项目特征值集合进行测试复杂度量化计算,获得多个测试复杂度;
质量检测单元,所述质量检测单元用于根据所述多个测试复杂度获得待测试序列,根据所述待测试序列对所述目标冷凝器进行质量检测。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于数字孪生的冷凝器质量检测方法,其特征在于,所述方法应用于数字孪生的质量检测平台,所述质量检测平台与质量检测模块通信连接,所述方法包括:
通过获取目标冷凝器的产品信息,其中,所述产品信息包括设计信息和制造信息;
将所述设计信息和制造信息输入数字孪生软件中进行冷凝器建模,获得目标冷凝器孪生模型;
基于所述产品信息提取所述目标冷凝器的使用数据,利用所述使用数据对所述目标冷凝器孪生模型进行模型更新,并将所述使用数据输入更新目标冷凝器孪生模型中进行运行模拟,获得模拟运行数据集;
基于所述模拟运行数据集,调用所述质量检测模块的多个测试功能子模块对所述更新目标冷凝器孪生模型进行测试,获得多个测试结果;
将所述多个测试结果输入测试项目判定模型,得到测试项目集合;
基于所述产品信息调取所述目标冷凝器的工作任务时长,将所述工作任务时长输入线性累积损伤模型中进行损伤分析,获得质量测试时间节点;
根据所述质量测试时间节点匹配质量检测数据库,获得匹配测试项目集合;
根据所述测试项目集合和所述匹配测试项目集合对所述目标冷凝器进行质量检测,获得质量检测结果。
2.如权利要求1所述的方法,其特征在于,所述利用所述使用数据对所述目标冷凝器孪生模型进行模型更新,所述方法包括:
基于所述使用数据提取所述目标冷凝器的故障数据,获得故障类型信息;
根据所述故障类型获得多个故障处理方案,其中,所述多个故障处理方案包括故障处理时长和零部件更换信息;
从所述多个故障处理方案内随机选择一故障处理方案,作为第一故障处理方案;
根据所述第一故障处理方案的故障处理时长和零部件更换信息获取所述第一故障处理方案的第一处理适应度;
采用多个预设调整方式对所述第一故障处理方案进行调整,构建所述第一故障处理方案的第一邻域,所述第一邻域内包括多个处理零件信息;
获取多个调整故障处理方案的多个处理适应度;
获取所述多个处理适应度中的最大值,作为第二处理适应度,并将所述第二处理适应度对应的调整故障处理方案作为第二故障处理方案;
继续构建所述第二故障处理方案的第二邻域,进行迭代寻优;
迭代寻优达到预设次数后,停止寻优,将寻优进程中适应度最大的故障处理方案输出为最优故障处理方案,并根据所述最优故障处理方案对所述目标冷凝器孪生模型进行模型更新。
3.如权利要求2所述的方法,其特征在于,所述方法包括:
获取调整获得所述第二故障处理方案的预设调整方式,作为禁忌调整方式,加入禁忌空间内,其中,所述禁忌空间包括一禁忌迭代次数;
在迭代寻优达到所述禁忌迭代次数后,将所述禁忌调整方式在所述禁忌空间内删除。
4.如权利要求1所述的方法,其特征在于,所述将所述多个测试结果输入测试项目判定模型,所述方法包括:
采集获取所述目标冷凝器历史时间窗口内的多个样本测试结果和样本测试项目集合;
对所述多个样本测试结果和样本测试项目集合进行数据标识,获得构建数据集;
基于BP神经网络,构建测试项目判定模型;
采用所述构建数据集,基于k折交叉验证法,对所述测试项目判定模型进行迭代监督训练和验证,获得准确率符合预设要求的所述测试项目判定模型。
5.如权利要求1所述的方法,其特征在于,所述将所述工作任务时长输入线性累积损伤模型中进行损伤分析,所述方法包括:
设定线性累积损伤模型为:
;
其中,为剩余时间,为工作任务时长,为工作任务状态下的预计工作时长,将所述产品信息中的工作任务计划时长作为所述预计工作时长,为目标冷凝器的工作寿命。
6.如权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述质量检测结果确定最优调整方案,并利用所述最优调整方案对所述更新目标冷凝器孪生模型进行二次更新,对二次更新后的模型进行质量检测,获得多个验证质量检测结果;
将所述多个验证质量检测结果输入所述测试项目判定模型中,获得验证测试项目集合;
判断所述验证测试项目集合中测试项目的数量是否小于预设数量;
若小于,则质量检测结果通过验证。
7.如权利要求1所述的方法,其特征在于,所述方法包括:
通过对所述测试项目集合和所述匹配测试项目集合融合处理,获得待测试项目集合;
按照预设项目复杂指标集合对所述待测试项目集合进行指标特征值提取,获得多个待测试项目特征值集合,其中,所述预设项目复杂指标集合包括测试时长、测试部件数量和测试资源消耗量;
基于AHP层次法,对所述测试时长、所述测试部件数量和所述测试资源消耗量,进行权重赋值,获得复杂度权重赋值结果;
根据所述复杂度权重赋值结果遍历所述多个待测试项目特征值集合进行测试复杂度量化计算,获得多个测试复杂度;
根据所述多个测试复杂度获得待测试序列,根据所述待测试序列对所述目标冷凝器进行质量检测。
8.一种基于数字孪生的冷凝器质量检测系统,其特征在于,所述系统包括:
产品信息获得模块,所述产品信息获得模块用于通过获取目标冷凝器的产品信息,其中,所述产品信息包括设计信息和制造信息;
孪生模型获得模块,所述孪生模型获得模块用于将所述设计信息和制造信息输入数字孪生软件中进行冷凝器建模,获得目标冷凝器孪生模型;
模拟数据集获得模块,所述模拟数据集获得模块用于基于所述产品信息提取所述目标冷凝器的使用数据,利用所述使用数据对所述目标冷凝器孪生模型进行模型更新,并将所述使用数据输入更新目标冷凝器孪生模型中进行运行模拟,获得模拟运行数据集;
测试结果获得模块,所述测试结果获得模块用于基于所述模拟运行数据集,调用质量检测模块的多个测试功能子模块对所述更新目标冷凝器孪生模型进行测试,获得多个测试结果;
测试项目获得模块,所述测试项目获得模块用于将所述多个测试结果输入测试项目判定模型,得到测试项目集合;
时间节点获得模块,所述时间节点获得模块用于基于所述产品信息调取所述目标冷凝器的工作任务时长,将所述工作任务时长输入线性累积损伤模型中进行损伤分析,获得质量测试时间节点;
匹配项目获得模块,所述匹配项目获得模块用于根据所述质量测试时间节点匹配质量检测数据库,获得匹配测试项目集合;
质量检测模块,所述质量检测模块用于根据所述测试项目集合和所述匹配测试项目集合对所述目标冷凝器进行质量检测,获得质量检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310265171.6A CN115983048B (zh) | 2023-03-20 | 2023-03-20 | 一种基于数字孪生的冷凝器质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310265171.6A CN115983048B (zh) | 2023-03-20 | 2023-03-20 | 一种基于数字孪生的冷凝器质量检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115983048A true CN115983048A (zh) | 2023-04-18 |
CN115983048B CN115983048B (zh) | 2023-06-23 |
Family
ID=85972566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310265171.6A Active CN115983048B (zh) | 2023-03-20 | 2023-03-20 | 一种基于数字孪生的冷凝器质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983048B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117029899A (zh) * | 2023-10-08 | 2023-11-10 | 南通远征冷冻设备有限公司 | 一种冷冻设备仪表调试系统及方法 |
CN117217582A (zh) * | 2023-08-29 | 2023-12-12 | 凯盛君恒(蚌埠)有限公司 | 设备生产处理方法、装置和计算机设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109270899A (zh) * | 2018-09-03 | 2019-01-25 | 江苏科技大学 | 一种基于数字孪生的船用柴油机关重件制造过程管控方法 |
EP3627261A1 (en) * | 2018-09-18 | 2020-03-25 | Siemens Schweiz AG | Diagnosis system using parallel analysis paths |
CN113844507A (zh) * | 2021-10-22 | 2021-12-28 | 暨南大学 | 一种基于数字孪生的列车模拟运行系统构建方法 |
CN114399237A (zh) * | 2022-03-25 | 2022-04-26 | 张家港特恩驰电缆有限公司 | 一种电缆生产工艺的质量智能检测方法及系统 |
CN115270458A (zh) * | 2022-07-25 | 2022-11-01 | 长沙汽车创新研究院 | 一种基于数字孪生技术的汽车发动机管控方法 |
CN115392037A (zh) * | 2022-08-31 | 2022-11-25 | 中国工业互联网研究院 | 设备故障预测方法、装置、设备及存储介质 |
CN115576284A (zh) * | 2022-10-20 | 2023-01-06 | 浙江链捷数字科技有限公司 | 一种服装车间智能化管理方法及系统 |
CN115660509A (zh) * | 2022-12-26 | 2023-01-31 | 沈阳创新设计研究院有限公司 | 一种基于数字孪生技术的工厂建造管控方法及系统 |
-
2023
- 2023-03-20 CN CN202310265171.6A patent/CN115983048B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109270899A (zh) * | 2018-09-03 | 2019-01-25 | 江苏科技大学 | 一种基于数字孪生的船用柴油机关重件制造过程管控方法 |
EP3627261A1 (en) * | 2018-09-18 | 2020-03-25 | Siemens Schweiz AG | Diagnosis system using parallel analysis paths |
CN113844507A (zh) * | 2021-10-22 | 2021-12-28 | 暨南大学 | 一种基于数字孪生的列车模拟运行系统构建方法 |
CN114399237A (zh) * | 2022-03-25 | 2022-04-26 | 张家港特恩驰电缆有限公司 | 一种电缆生产工艺的质量智能检测方法及系统 |
CN115270458A (zh) * | 2022-07-25 | 2022-11-01 | 长沙汽车创新研究院 | 一种基于数字孪生技术的汽车发动机管控方法 |
CN115392037A (zh) * | 2022-08-31 | 2022-11-25 | 中国工业互联网研究院 | 设备故障预测方法、装置、设备及存储介质 |
CN115576284A (zh) * | 2022-10-20 | 2023-01-06 | 浙江链捷数字科技有限公司 | 一种服装车间智能化管理方法及系统 |
CN115660509A (zh) * | 2022-12-26 | 2023-01-31 | 沈阳创新设计研究院有限公司 | 一种基于数字孪生技术的工厂建造管控方法及系统 |
Non-Patent Citations (2)
Title |
---|
JINFENG LIU等: "A digital twin-driven approach towards traceability and dynamic control for processing quality", 《ADVANCED ENGINEERINGINFORMATICS》 * |
黄俊波等: "基于数字孪生技术的直升机质量管理应用方法探索", 《直升机技术》, no. 2 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217582A (zh) * | 2023-08-29 | 2023-12-12 | 凯盛君恒(蚌埠)有限公司 | 设备生产处理方法、装置和计算机设备 |
CN117029899A (zh) * | 2023-10-08 | 2023-11-10 | 南通远征冷冻设备有限公司 | 一种冷冻设备仪表调试系统及方法 |
CN117029899B (zh) * | 2023-10-08 | 2023-12-19 | 南通远征冷冻设备有限公司 | 一种冷冻设备仪表调试系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115983048B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115983048A (zh) | 一种基于数字孪生的冷凝器质量检测方法及系统 | |
CN109543737B (zh) | 一种基于fahp_fca组合赋权的信息系统健康度评估方法 | |
CN107153874B (zh) | 水质预测方法及系统 | |
CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测系统及方法 | |
CN108664700A (zh) | 基于不确定数据包络分析的加速退化信息融合建模方法 | |
CN112016248A (zh) | 一种基于Elman神经网络SCR脱硝系统不良数据辨识方法 | |
CN115063051B (zh) | 一种基于金属元素分析的钢管性能评估方法及系统 | |
CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
CN114611372A (zh) | 一种基于物联网边缘计算的工业设备健康预测方法 | |
Ekundayo | Wrapper feature selection based heterogeneous classifiers for software defect prediction | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
CN113486950B (zh) | 一种智能管网漏水检测方法及系统 | |
CN114189047A (zh) | 面向有源配电网状态估计的虚假数据检测与修正方法 | |
Jiang et al. | Partial cross mapping based on sparse variable selection for direct fault root cause diagnosis for industrial processes | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
CN116484219A (zh) | 一种基于门控图神经网络的供水管网水质异常污染源识别方法 | |
Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
CN114066163A (zh) | 一种基于三层架构模式的电力设备状态分析方法及装置 | |
Ptitsyna et al. | A neural network approach to overcoming a priori uncertainty in optimal action planning of intelligent information agents for soft architectures of service-oriented systems | |
CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
Nafisah et al. | The Design of Pressure Vessel Failure Risk Estimation Program Due to Uniform Corrosion Based on Machine Learning with Artificial Neural Networks | |
CN113283614B (zh) | 基于OcE的PM2.5浓度预测方法 | |
KR102406994B1 (ko) | 빅데이터 기반의 설비 이상 진단 및 분석 시스템 및 방법 |
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 |