CN116032971B - 一种面向数字孪生机加车间的全要素智能感知实现方法 - Google Patents
一种面向数字孪生机加车间的全要素智能感知实现方法 Download PDFInfo
- Publication number
- CN116032971B CN116032971B CN202310033162.4A CN202310033162A CN116032971B CN 116032971 B CN116032971 B CN 116032971B CN 202310033162 A CN202310033162 A CN 202310033162A CN 116032971 B CN116032971 B CN 116032971B
- Authority
- CN
- China
- Prior art keywords
- data
- workshop
- digital twin
- elements
- communication
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000008447 perception Effects 0.000 claims abstract description 25
- 230000003993 interaction Effects 0.000 claims abstract description 22
- 238000003754 machining Methods 0.000 claims abstract description 10
- 238000013499 data model Methods 0.000 claims abstract description 7
- 238000004806 packaging method and process Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 16
- 239000000463 material Substances 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005538 encapsulation Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000010276 construction Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- -1 blanks Substances 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向数字孪生机加车间的全要素智能感知实现方法，涉及工程计算机技术领域，该方法包括以下步骤：进行面向数字孪生机加车间的需求分析与总结，建立全要素的车间数据模型；针对车间中不同元素内嵌的异构通信协议，制定协议自适应识别与匹配机制；通过轻量级大数据处理算法对多源异构数据进行初处理，得到低冗余和高价值度的数据，一份数据存储至数据库，另一份数据传输至下一计算单元；将相关方法和算法封装至工控硬件中，形成智能感知系统。本发明能够解决因信息交互低效、通信协议复杂多样、数据感知质量低等因素造成的机加车间数字化感知能力薄弱问题，为数字孪生机加车间建设过程中的智能感知阶段提供有效且可靠的方法。
Description
技术领域
本发明涉及工程计算机技术领域，具体是一种面向数字孪生机加车间的全要素智能感知实现方法。
背景技术
数字孪生技术在机械工程领域中的广泛应用，为机加行业的数字化、绿色化、智能化转型提供了新视角，其中虚拟世界能够智能感知物理世界的动态信息成为数字孪生机加车间建设的首要攻关技术，具体包括全要素信息建模、异构协议自适应识别、边缘侧数据处理以及系统集成。
对于全要素信息建模，车间各元素的信息交互方式不统一、系统间的信息传递不畅等原因，导致信息孤岛现象，因此，完善的信息建模是实现感知物理世界的基石；对于异构协议自适应识别，企业往往在满足自身生产需求的前提下采购来源于不同制造商的产品，致使各类机加设备对外开放的通信协议大相径庭，并且部分数据源需加装各类传感器获取，那么虚拟空间如何智能地接入各类通信协议，实现异构协议的自适应识别与匹配是智能感知的先决条件；对于边缘侧数据处理，传统方法中将海量、高维、低价值密度的数据直接传入数字孪生系统进行计算，从而因高带宽的数据传输、高内存的数据计算等因素导致感知时延大幅增加，因此研究数据边缘处理的方法是智能感知的时效保障；对于系统集成，将发明的技术方法进行有效封装，并部署至适配的硬件环境中，形成一套为数字孪生技术服务的成套系统，是数字孪生技术在工程应用层面的期盼。
发明内容
本发明的目的在于提供一种面向数字孪生机加车间的全要素智能感知实现方法，以解决因信息交互低效、通信协议复杂多样、数据感知质量低等因素造成的机加车间数字化感知能力薄弱问题。
为实现上述目的，本发明提供如下技术方案：
一种面向数字孪生机加车间的全要素智能感知实现方法，包括以下步骤：
步骤S1：进行面向数字孪生机加车间的需求分析与总结归纳，建立全要素的车间数据模型，并定义模型对外交互接口；
步骤S2：针对车间中不同元素内嵌的异构通信协议，制定协议自适应识别与匹配机制，建立起元素与上位机之间点对点的通信链路；
步骤S3：通过轻量级大数据处理算法对采集到的多源异构数据进行初步处理，得到低冗余和高价值度的数据，处理后的数据打包成两份，一份存储至数据库，另一份传输至下一计算单元；
步骤S4：进行软件和硬件一体化封装。
在上述技术方案的基础上，本发明还提供以下可选技术方案：
在一种可选方案中：所述步骤S1的具体步骤如下：
步骤S1-1：以数字孪生机加车间的用户需求为导向，总结归纳需要感知的数据源，按照“主对象-子对象-数据点位-数据类型”的归纳格式生成数据需求列表；
步骤S1-2：车间内各类元素通过统一标准化的框架构建对应的信息模型；
步骤S1-3：考虑数字化车间内已存在的多元数字化系统，为上述构建好的信息模型定义多形式的数据交互接口，实现信息模型的通用性、可协作性，避免产生信息孤岛。
在一种可选方案中：在所述步骤S1-2中，信息模型包括设备资源、环境资源、物料资源、业务资源、人力资源五大块的信息模型，并且构建子元素与子元素之间、子元素与主元素、主元素与主元素之间的逻辑关系模型，实现不同资源模块之间的关联关系表述。
在一种可选方案中：所述步骤S2的具体实现如下：
步骤S2-1：机加车间内的通信模式分为工业以太网、工业串行以及无线三种模式，通过解析感知对象的类别、厂家和型号，并进行初步识别，将其支持的通信协议锁定至三种模式中的其中一种或者多种，若未识别成功，则告知用户此对象未开通通信接口；
步骤S2-2：通过网络探索器以识别到的通信模式进行通信协议的测试，解析感知对象反馈的报文，根据报文头的特征匹配通信协议，若匹配失败，则重新导入该物理对象的通信动态链接库，若匹配成功，加载通信参数，建立起数字孪生系统与物理对象的通信链路。
在一种可选方案中：在所述步骤S2-2中，通信参数包括通信地址、端口号和串口信息。
在一种可选方案中：所述步骤S3的具体实现如下：
步骤S3-1：根据不同物理对象的数据特征构建多类别、多维度的数据处理模型；
步骤S3-2：将通用型、简易型算法添加至大数据处理算法库中，并以“标识-类-属性-算法包”的形式进行存储；
步骤S3-3：将基于步骤S2采集到的数据源作为数据处理模型的输入，同时在算法库中匹配对应的大数据算法，完成对海量、高维、低价值密度数据的多维度处理，并将处理完成的数据以时序形式打包两份；
步骤S3-4：一份数据包按照逻辑关系存储至关系型数据库，另一份数据包通过发布/订阅式传输至下一计算单元。
在一种可选方案中：在所述步骤S3-1中，多类别表现为结构化数据处理、非结构化处理、流数据处理和间歇记录数据处理类型；多维度处理表现为数据的去噪声、补缺失和平滑处理。
在一种可选方案中：在所述步骤S4中，软件部分包括信息模型存储单元、工业协议识别与匹配单元、边缘计算单元以及支撑上述单元运行的操作系统；硬件部分包括系统主板的选型和传输媒介的选型。
相较于现有技术，本发明的有益效果如下：
1、本发明有效提高了车间各要素信息的交互效率。大部分制造企业内的软件系统来自于不同的软件开发商，各系统之间独立开发、互不干涉，导致系统与车间内各要素的感知信息频繁交互，且交互内容重复性强，传统的感知系统将数据采集上来存储至数据库中，各大车间系统在数据库中各取所需，这虽然减少了系统与设备之间的交互频率，但是增加了系统与数据库之间的交互，并且由于缺少具备关联关系的数据模型，无法有效缓解信息交互内容的重复性问题；本发明通过构建全要素、强逻辑关联的数据模型，且开发适配车间各级系统的数据交互接口，解决了信息交互方式不统一、系统间的信息传递不畅等现象。
2、本发明在一定程度上提升了智能连接能力。大部分机加车间内涉及的机加设备、传感设备、物流设备、仓储设备、物料检测设备等品型多样，存在数十种甚至几十种的通信协议，传统感知系统通过研发者事先现场采样，记录各设备的通信协议，再将其导入系统中，不具备通用性和智能性；本发明通过工业协议自适应识别机制自动判别待联网的设备协议，并自主加载通过协议库中匹配正确的协议包，实现联网设备的智能连接与载入。
3、本发明减少数据传输带宽，提升数据质量。一般情况下，架构师习惯将数字孪生计算单元放至云服务器中，通过工业无线感知底层数据源，这将导致海量、高维、低价值密度的数据在同一帧中涌入传输信道，造成信道堵塞与传输延迟，传统方法通过拓宽网络传输信道或者在工业现场部署私有云的方式试图解决传输时延问题，但当车间资源达到TB级别时，通过提升通信能力进而提升传输时延需要付出高成本的代价；本发明通过构建基于边缘计算的数据初处理方法实现数据源先优化再输出，一方面通过数据清洗、过滤可以有效降低数据容量，另一方面通过数据补缺失、平滑处理可以提升数据可利用率，进而大大提升了数据传输效率和后续计算单元的计算效率。
附图说明
图1为本发明的一种面向数字孪生机加车间的全要素智能感知系统的结构框图。
图2为本发明的一种车间全要素的信息逻辑关系示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。本发明所列举的各实施例仅用以说明本发明，并非用以限制本发明的范围。对本发明所作的任何显而易知的修饰或变更都不脱离本发明的精神与范围。
在本发明的一种实施例中，如图1所示，提供一种面向数字孪生机加车间的全要素智能感知实现方法，该方法包括以下步骤：
步骤1车间全要素的信息建模；进行面向数字孪生机加车间的需求分析与总结归纳，建立全要素的车间数据模型，并定义模型对外交互接口。
其中，车间全要素的信息建模的具体实现方式如下：
1-1对于车间需求分析：以数字孪生机加车间的用户需求为导向，总结归纳需要感知的数据源，按照“主对象-子对象-数据点位-数据类型”的归纳格式生成数据需求列表，该步骤能够实现感知需求的精准对接，剔除非必要、冗余数据的感知。
用户需求包括但不局限于生产任务排产调度、机加设备运维诊断、车间运行监控等，涉及的车间资源包括设备资源、物料资源、环境资源、业务资源、人力资源五大模块，其中设备资源具体表现为机加设备、物流设备、辅助设备以及传感设备，物料资源包括原材料、毛坯件、半成品件、成品件以及废品件，环境资源包括车间湿度、温度、环境噪声以及地基振动频率等，业务资源包括计划执行信息、制造工艺信息以及产品质量信息等，人力资源包括人员基本信息。
1-2对于各要素逻辑关系建立：车间内各类元素通过统一标准化的框架构建对应的信息模型；
如图2所示，以设备资源、物料资源、环境资源、业务资源、人力资源五大元素为主元素表，车间感知为主需求表，主元素表向外拓展形成一对多的各级子关系列表，并且构建子元素与子元素之间、子元素与主元素、主元素与主元素之间的逻辑关系模型，实现不同资源模块之间的关联关系表述；例如业务数据模型与计划执行信息、工艺信息、质量信息形成一对多的关系，主需求表向外拓展形成一对一的详细需求列表，例如制造单元三维感知模型与制造单元状态监测模型形成一对一的关系，同时，元素表和需求表之间也构建起关联关系，例如制造单元状态监测与设备状态信息、计划执行信息、质量信息、人员信息、环境信息等模型建立起一对多的关系。
1-3对于模型信息交互接口定义：考虑到数字化车间内已存在的多元数字化系统，为上述构建好的组合模型定义多形式的数据交互接口，实现信息模型的通用性、可协作性，避免产生信息孤岛；
交互接口包括但不局限于HTTP、MQTT、AMQP协议等，其中HTTP协议用于与部署在云服务器中各类软件系统的数据交互，MQTT协议用于轻量级、带宽受限情况下的数据交互，例如与车间内分布式的边缘计算/雾计算网关之间的数据交互，AMQP协议用于高安全性需求场景下的数据交互，例如特种设备的数据对外传输。
步骤2工业协议自适应识别与匹配：针对车间中不同元素内嵌的异构通信协议，制定协议自适应识别与匹配机制，建立起元素与上位机之间点对点的通信链路。
该步骤2的具体实现方式如下：
2-1感知对象通信模式识别：机加车间内的通信模式分为工业以太网、工业串行以及无线三种模式，通过解析感知对象的类别、厂家、型号进行初步识别，将其支持的通信协议锁定至三种模式中的其中一种或者多种，若未识别成功，则告知用户此对象未开通通信接口；
首先调取步骤（1）中细粒度的感知对象静态数据，包括感知对象的类型、厂家、型号，以数控机床为例，锁定该数控机床属于五轴重切机床，且其配备的数控系统属于日本发那科公司，且型号为Fanuc Series 0i-MD，将上述信息封装为搜索条件，通过在前期建立的通信模式数据库中进行搜索，识别出该感知对象适配的通信模式；
2-2感知对象通信协议匹配：通过网络探索器以识别到的通信模式进行通信协议的测试，解析感知对象反馈的报文，根据报文头的特征匹配通信协议，若匹配失败，则重新导入该物理对象的通信动态链接库，若匹配成功，加载通信参数（通信地址、端口号或串口信息等），建立起数字孪生系统与物理对象的通信链路；
感知对象一旦通过物理形式（以太网布线、串口布线等）接入至车间网络时，本发明涉及的智能感知系统会采用网络探索器与感知对象进行握手测试，通过解析握手时感知对象反馈的报文头，根据其特征匹配具体的通信协议，若匹配失败，则重新导入该物理对象的通信动态链接库，若匹配成功，加载通信参数，建立起数字孪生系统与物理对象的通信链路。
步骤3基于边缘计算的数据初处理；通过轻量级大数据处理算法对采集到的多源异构数据进行初步处理，得到低冗余、高价值度的数据，处理后的数据打包成两份，一份存储至数据库，另一份传输至下一计算单元；
该步骤3的具体实现方式如下：
3-1构建多类别、多维度的数据处理模型库：根据不同物理对象的数据特征构建多类别、多维度的数据处理模型；
其中，多类别表现为结构化数据处理、非结构化处理、流数据处理、间歇记录数据处理等类型，多维度处理表现为数据的去噪声、补缺失、平滑等方面，数据处理模型库中的模型需根据具体用户需求进行构建，例如一些需求注重于机床的振动特性，那就需要振动数据处理模型在去噪声维度上增加权重值，本发明提出的数据处理模型方法只从大数据的普遍性特征角度为模型构建提供开发视角；
3-2构建通用型、轻量级大数据处理算法库：将通用型、简易型算法添加至大数据处理算法库中，并以“标识-类-属性-算法包”的形式进行存储，便于后续算法快速匹配；
库中包括基于径向基神经网络的数据去噪声算法、基于生成对抗网络的补缺失算法、基于稀疏自编码器的数据平滑算法等，并添加算法职能属性、算法特征描述、算法迭代次数、算法平均运行时间等标识，便于后续调用时能够精准锁定算法；
3-3数据初处理：
将基于步骤（2）采集到的数据源作为数据处理模型的输入，同时在算法库中匹配对应的大数据算法，完成对海量、高维、低价值密度数据的去噪、补缺、平滑等处理，并将处理完成的数据以时序形式打包两份，一份数据包按照逻辑关系存储至关系型数据库，另一份数据包通过发布/订阅式传输至下一计算单元。
步骤4：软硬件一体化封装，其实现方式如下：
4-1软件部署：系统集成的软件部署部分包括信息模型存储单元部署、工业协议识别与匹配单元部署、边缘计算单元部署以及支撑上述单元运行的操作系统部署，其中信息模型存储单元通过关系型数据库进行部署，工业协议识别与匹配单元通过、边缘计算单元通过java语言进行编译。
4-2硬件封装：系统集成的硬件封装部分包括系统主板的选型和传输媒介的选型，其中系统主板选择CPU i7、运行内存16G以上的性能参数，传输媒介选择支持以太网、5G、WIFI等网络传输方式的接口。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种面向数字孪生机加车间的全要素智能感知实现方法，其特征在于，包括以下步骤：
步骤S1：进行面向数字孪生机加车间的需求分析与总结归纳，建立全要素的车间数据模型，并定义模型对外交互接口；
步骤S2：针对车间中不同元素内嵌的异构通信协议，制定协议自适应识别与匹配机制，建立起元素与上位机之间点对点的通信链路；
步骤S3：通过轻量级大数据处理算法对采集到的多源异构数据进行初步处理，得到低冗余和高价值度的数据，处理后的数据打包成两份，一份存储至数据库，另一份传输至下一计算单元；
步骤S4：进行软件和硬件一体化封装；
其中，所述步骤S3的具体实现如下：
步骤S3-1：根据不同物理对象的数据特征构建多类别和多维度的数据处理模型；
步骤S3-2：将通用型和简易型算法添加至大数据处理算法库中，并以“标识-类-属性-算法包”的形式进行存储；
步骤S3-3：将基于步骤S2采集到的数据源作为数据处理模型的输入，同时在算法库中匹配对应的大数据算法，完成对海量、高维和低价值密度数据的多维度处理，并将处理完成的数据以时序形式打包两份；
步骤S3-4：一份数据包按照逻辑关系存储至关系型数据库，另一份数据包通过发布/订阅式传输至下一计算单元。
2.根据权利要求1所述的面向数字孪生机加车间的全要素智能感知实现方法，其特征在于，所述步骤S1的具体步骤如下：
步骤S1-1：以数字孪生机加车间的用户需求为导向，总结归纳需要感知的数据源，按照“主对象-子对象-数据点位-数据类型”的归纳格式生成数据需求列表；
步骤S1-2：车间内各类元素通过统一标准化的框架构建对应的信息模型；
步骤S1-3：考虑数字化车间内已存在的多元数字化系统，为上述构建好的信息模型定义多形式的数据交互接口，实现信息模型的通用性和可协作性。
3.根据权利要求2所述的面向数字孪生机加车间的全要素智能感知实现方法，其特征在于，在所述步骤S1-2中，信息模型包括设备资源、环境资源、物料资源、业务资源和人力资源，并且构建子元素与子元素之间、子元素与主元素、主元素与主元素之间的逻辑关系模型，实现不同资源模块之间的关联关系表述。
4.根据权利要求1所述的面向数字孪生机加车间的全要素智能感知实现方法，其特征在于，所述步骤S2的具体实现如下：
步骤S2-1：机加车间内的通信模式分为工业以太网、工业串行以及无线三种模式，通过解析感知对象的类别、厂家和型号，并进行初步识别，将其支持的通信协议锁定至三种模式中的其中一种或者多种，若未识别成功，则告知用户此对象未开通通信接口；
步骤S2-2：通过网络探索器以识别到的通信模式进行通信协议的测试，解析感知对象反馈的报文，根据报文头的特征匹配通信协议，若匹配失败，则重新导入物理对象的通信动态链接库，若匹配成功，加载通信参数，建立起数字孪生系统与物理对象的通信链路。
5.根据权利要求4所述的面向数字孪生机加车间的全要素智能感知实现方法，其特征在于，在所述步骤S2-2中，通信参数包括通信地址、端口号和串口信息。
6.根据权利要求1所述的面向数字孪生机加车间的全要素智能感知实现方法，其特征在于，在所述步骤S3-1中，多类别表现为结构化数据处理、非结构化处理、流数据处理和间歇记录数据处理类型；多维度处理表现为数据的去噪声、补缺失和平滑处理。
7.根据权利要求1所述的面向数字孪生机加车间的全要素智能感知实现方法，其特征在于，在所述步骤S4中，软件部分包括信息模型存储单元、工业协议识别与匹配单元、边缘计算单元以及支撑上述单元运行的操作系统；
硬件部分包括系统主板的选型和传输媒介的选型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310033162.4A CN116032971B (zh) | 2023-01-10 | 2023-01-10 | 一种面向数字孪生机加车间的全要素智能感知实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310033162.4A CN116032971B (zh) | 2023-01-10 | 2023-01-10 | 一种面向数字孪生机加车间的全要素智能感知实现方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116032971A CN116032971A (zh) | 2023-04-28 |
| CN116032971B true CN116032971B (zh) | 2024-03-22 |
Family
ID=86079116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310033162.4A Active CN116032971B (zh) | 2023-01-10 | 2023-01-10 | 一种面向数字孪生机加车间的全要素智能感知实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116032971B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118192421A (zh) * | 2024-04-19 | 2024-06-14 | 盐城皓月信息科技有限公司 | 一种基于大数据的cnc机床数据采集与管理系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010146174A2 (fr) * | 2009-06-18 | 2010-12-23 | Archimede Solutions Sarl | Systeme d'acces, de controle et de gestion d'objets communicants heterogenes |
| CN111210359A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
| WO2020108303A1 (zh) * | 2018-11-30 | 2020-06-04 | 中兴通讯股份有限公司 | 一种基于异构计算的任务处理方法及软硬件框架系统 |
| CN112818446A (zh) * | 2021-01-26 | 2021-05-18 | 西安交通大学 | 一种智能车间数字孪生系统的构建方法 |
| GB202105097D0 (en) * | 2021-04-09 | 2021-05-26 | Vodafone Group Services Ltd | Secure sensor data distribution |
| CN113609614A (zh) * | 2021-08-02 | 2021-11-05 | 西安交通大学 | 一种蒸汽发生器数字孪生与数据驱动一体化系统搭建方法 |
| CN113656904A (zh) * | 2021-07-26 | 2021-11-16 | 重庆斯欧智能科技研究院有限公司 | 一种面向制造设备的数字孪生模型构建方法 |
| CN113673948A (zh) * | 2021-08-02 | 2021-11-19 | 江苏杰瑞信息科技有限公司 | 一种基于工业互联网的数字孪生基础开发平台 |
| WO2022148077A1 (zh) * | 2021-01-07 | 2022-07-14 | 大连理工大学 | 智能挖掘机的结构性能数字孪生体构建方法 |
| CN115047833A (zh) * | 2022-06-08 | 2022-09-13 | 昆明理工大学 | 一种矿山数字孪生工厂及其构建方法 |
| KR20220131573A (ko) * | 2021-03-22 | 2022-09-29 | 김송강 | 스마트팜 디지털 트윈 빅데이터 구축시스템 |
| CN115544775A (zh) * | 2022-10-14 | 2022-12-30 | 西南交通大学 | 一种数字孪生车间多维多层级模型构建与动态配置方法 |
-
2023
- 2023-01-10 CN CN202310033162.4A patent/CN116032971B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010146174A2 (fr) * | 2009-06-18 | 2010-12-23 | Archimede Solutions Sarl | Systeme d'acces, de controle et de gestion d'objets communicants heterogenes |
| WO2020108303A1 (zh) * | 2018-11-30 | 2020-06-04 | 中兴通讯股份有限公司 | 一种基于异构计算的任务处理方法及软硬件框架系统 |
| CN111210359A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
| WO2022148077A1 (zh) * | 2021-01-07 | 2022-07-14 | 大连理工大学 | 智能挖掘机的结构性能数字孪生体构建方法 |
| CN112818446A (zh) * | 2021-01-26 | 2021-05-18 | 西安交通大学 | 一种智能车间数字孪生系统的构建方法 |
| KR20220131573A (ko) * | 2021-03-22 | 2022-09-29 | 김송강 | 스마트팜 디지털 트윈 빅데이터 구축시스템 |
| GB202105097D0 (en) * | 2021-04-09 | 2021-05-26 | Vodafone Group Services Ltd | Secure sensor data distribution |
| CN113656904A (zh) * | 2021-07-26 | 2021-11-16 | 重庆斯欧智能科技研究院有限公司 | 一种面向制造设备的数字孪生模型构建方法 |
| CN113609614A (zh) * | 2021-08-02 | 2021-11-05 | 西安交通大学 | 一种蒸汽发生器数字孪生与数据驱动一体化系统搭建方法 |
| CN113673948A (zh) * | 2021-08-02 | 2021-11-19 | 江苏杰瑞信息科技有限公司 | 一种基于工业互联网的数字孪生基础开发平台 |
| CN115047833A (zh) * | 2022-06-08 | 2022-09-13 | 昆明理工大学 | 一种矿山数字孪生工厂及其构建方法 |
| CN115544775A (zh) * | 2022-10-14 | 2022-12-30 | 西南交通大学 | 一种数字孪生车间多维多层级模型构建与动态配置方法 |
Non-Patent Citations (2)
| Title |
|---|
| A digital twin-driven approach towards traceability and dynamic control for processing quality;Liu Jinfeng;《Advanced Engineering Informatics》;20210911;全文 * |
| 面向数字孪生的工业互联网平台构建技术研究;张伦彦;《智能制造》;20221217;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116032971A (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tao et al. | Data-driven smart manufacturing | |
| Ladj et al. | A knowledge-based Digital Shadow for machining industry in a Digital Twin perspective | |
| Wang et al. | Digital twin design for real-time monitoring–a case study of die cutting machine | |
| Lee et al. | Cyber physical systems for predictive production systems | |
| US11841699B2 (en) | Artificial intelligence channel for industrial automation | |
| CN112579653B (zh) | 工业数据的逐步情境化和分析 | |
| Sang et al. | Predictive maintenance in industry 4.0 | |
| US11709481B2 (en) | Contextualization of industrial data at the device level | |
| CN106094777A (zh) | 一种工业互联网Hub装置 | |
| Coelho et al. | Predictive maintenance on sensorized stamping presses by time series segmentation, anomaly detection, and classification algorithms | |
| CN116032971B (zh) | 一种面向数字孪生机加车间的全要素智能感知实现方法 | |
| Corallo et al. | Model-based Big Data Analytics-as-a-Service framework in smart manufacturing: A case study | |
| Wang et al. | A new data processing architecture for multi-scenario applications in aviation manufacturing | |
| Zhang et al. | Configuration design of the add-on cyber-physical system with CNC machine tools and its application perspectives | |
| Kim et al. | Server-Edge dualized closed-loop data analytics system for cyber-physical system application | |
| WO2024066683A1 (zh) | 工业互联网操作系统和产品的处理方法 | |
| Wang et al. | Task offloading in cloud-edge collaboration-based cyber physical machine tool | |
| US7974937B2 (en) | Adaptive embedded historians with aggregator component | |
| CN115098278B (zh) | 一种基于微服务的数字孪生车间多场景交互方法 | |
| CN115982996A (zh) | 复杂装备制造过程数字孪生建模与仿真方法与系统 | |
| Zhang et al. | The rapid construction method of the digital twin polymorphic model for discrete manufacturing workshop | |
| Kaczmarczyk et al. | Revisiting the role of manufacturing execution systems in Industry 4.0 | |
| Zhang et al. | An Expandable and Generalized Method for Equipment Information Reflection in Digital Twin Workshop Systems | |
| CN116830053A (zh) | 用于监测连续工业过程的方法和用于执行所述方法的系统 | |
| Lai et al. | A Review: Machine Tools Digital Twin Modeling And Application |
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 |