CN116149192A - 基于数字孪生技术的传输机润滑策略控制方法及装置 - Google Patents
基于数字孪生技术的传输机润滑策略控制方法及装置 Download PDFInfo
- Publication number
- CN116149192A CN116149192A CN202310396782.4A CN202310396782A CN116149192A CN 116149192 A CN116149192 A CN 116149192A CN 202310396782 A CN202310396782 A CN 202310396782A CN 116149192 A CN116149192 A CN 116149192A
- Authority
- CN
- China
- Prior art keywords
- conveyor
- model
- lubrication strategy
- parameters
- strategy
- 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
- 238000005461 lubrication Methods 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000005516 engineering process Methods 0.000 title claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 26
- 238000013461 design Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 15
- 239000003245 coal Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000012530 fluid Substances 0.000 description 5
- 239000003921 oil Substances 0.000 description 5
- 230000002035 prolonged effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 239000010687 lubricating oil Substances 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 150000001336 alkenes Chemical class 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G45/00—Lubricating, cleaning, or clearing devices
- B65G45/02—Lubricating devices
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Conveyors (AREA)
Abstract
本发明提供了一种基于数字孪生技术的传输机润滑策略控制方法及装置,属于传输机技术领域。该方法包括:获取传输机参数、当前润滑策略;根据传输机参数和当前润滑策略,通过状态预测模型和数字孪生模型,预测当前润滑策略下的传输机运行状态参数,数字孪生模型是基于传输机的物理模型和机理模型构建的,机理模型用于模拟传输机传送轴承运行中的热交换过程;将传输机运行状态参数输入预构建的故障预测模型,得到传输机故障状态预测结果;当预测结果为存在故障时,将传输机参数、传输机运行状态参数输入润滑策略模型,对当前润滑策略进行优化,得到优化润滑策略;根据优化润滑策略,控制传输机。通过本发明,监控传输机润滑状态,确定润滑策略。
Description
技术领域
本发明涉及传输机技术领域,尤其涉及一种基于数字孪生技术的传输机润滑策略控制方法及装置。
背景技术
煤矿带式传输机是煤矿生产常见设备类型,与其他机车类运输设备相比,运量大,能够连续输送,而且安全可靠,非常适合高产煤矿。
煤矿传输机滚筒的传动轴承是煤矿传输机的核心部件。现有的煤矿传输机滚筒的传动轴承通常是采用人工使用油枪定期润滑方式进行润滑,一般是一个月执行润滑一次,在润滑过程中由工人根据经验控制润滑油的使用量。然而,根据经验控制润滑油的使用量润滑效果不稳定,给油过多会导致环境污染油脂浪费,给油过少会导致传输机轴承的磨损,降低传输机的使用寿命。
发明内容
为确定润滑策略,监控传输机润滑状态,本发明提出了一种基于数字孪生技术的传输机润滑策略控制方法及装置。
第一方面,本发明提供了一种基于数字孪生技术的传输机润滑策略控制方法,该方法包括:
获取传输机参数、当前润滑策略;
根据传输机参数和当前润滑策略,通过预构建的状态预测模型和预构建的数字孪生模型,预测当前润滑策略下的传输机运行状态参数,数字孪生模型是基于传输机的物理模型和机理模型构建的,机理模型用于模拟传输机传送轴承运行中的热交换过程;
将传输机运行状态参数输入预构建的故障预测模型,得到传输机的故障状态的预测结果;
当预测结果为存在故障时,将传输机参数、传输机运行状态参数输入预构建的润滑策略模型,对当前润滑策略进行优化,得到优化润滑策略;
根据优化润滑策略,控制传输机。
考虑到传输机传送轴承运行过程中,会出现由摩擦带来的热量扩散现象进而导致传输机传送轴承温度升高,而传输机传送轴承温度过高时会导致故障情况发生,因此,本发明提出的基于数字孪生技术的传输机润滑策略控制方法中,通过数字孪生模型模拟传输机传送轴承运行中的热交换过程,结合数字孪生模型和状态预测模型共同对传输机运行状态参数进行预测,进一步的,利用故障预测模型对传输机运行状态参数进行监控,预测传输机的故障情况,当预测到传输机存在故障时,利用润滑策略模型对当前润滑策略进行优化,得到优化润滑策略,避免人工经验控制润滑策略的效果不稳定,延长传输机的使用寿命。
可选地,传输机运行状态参数包括传输机温度,根据传输机参数和当前润滑策略,通过预构建的状态预测模型和预构建的数字孪生模型,预测当前润滑策略下的传输机运行状态参数,包括:
根据传输机参数和当前润滑策略,通过状态预测模型,预测当前润滑策略下的第一传输机温度;
根据传输机参数和当前润滑策略,通过机理模型,预测当前润滑策略下的第二传输机温度;
将第一传输机温度和第二传输机温度加权求和,得到当前润滑策略下的传输机温度,第一传输机温度的权重与第二传输机温度的权重根据状态预测模型的使用时间确定。
可选地,机理模型包括轴承机械空隙模型和热交换模型,根据传输机参数和当前润滑策略,通过机理模型,预测当前润滑策略下的第二传输机温度,包括:
根据传输机参数、当前润滑策略和轴承机械空隙模型,确定传输机的机械空隙;
根据机械空隙和热交换模型,确定当前润滑策略下的第二传输机温度。
可选地,物理模型构建方式如下:
对传输机进行三维扫描建模,生成传输机的模型结构;
对传输机的模型结构进行材质设计和帧动画效果设计,得到物理模型。
可选地,润滑策略模型构建方式如下:
获取训练集,训练集中包括多组数据,每组数据中包括历史传输机参数、历史传输机运行状态参数和对应的历史故障状态;
将历史传输机参数、历史传输机运行状态参数和对应的历史故障状态输入至润滑策略模型,得到润滑策略;
将历史传输机参数、润滑策略和历史传输机运行状态参数输入至故障预测模型,得到润滑策略对应的故障状态的预测结果;
根据润滑策略对应的故障状态的预测结果,确定润滑策略对应的奖励值;
根据润滑策略对应的奖励值,训练润滑策略模型,返回将历史传输机参数、历史传输机运行状态参数和对应的历史故障状态输入至润滑策略模型,得到润滑策略的步骤,直到满足预设条件,得到训练后的润滑策略模型,训练后的润滑策略模型用于对当前润滑策略进行优化。
可选地,获取训练集,包括:
获取初始数据集,初始数据集中包括多组数据,每组数据中包括历史传输机参数、历史传输机运行状态参数和对应的历史故障状态;
对初始数据集中的历史传输机运行状态参数进行聚类,得到至少一个聚类簇,聚类簇中包括多种类型的传输机运行状态参数;
若历史传输机运行状态参数中存在缺失数据,
确定缺失数据所属的聚类簇;
根据缺失数据所属聚类簇中,与缺失数据属于同一组数据的其余历史传输机运行参数,计算缺失数据的值;
根据初始数据集和缺失数据的值,形成训练集。
可选地,获取训练集,包括:
获取初始数据集,初始数据集中包括多组数据,每组数据中包括历史传输机参数、历史传输机运行状态参数和对应的历史故障状态;
根据各组数据中的历史传输机运行状态参数和对应的历史故障状态,计算各组数据之间的相关度,在相关度大于预设值的各组数据中,只保留其中一组数据,得到去除冗余后的初始数据集;
根据去除冗余后的初始数据集,形成训练集。
第二方面,本发明还提供了一种基于数字孪生技术的传输机润滑策略控制装置,该装置包括:
获取模块,用于获取传输机参数、当前润滑策略;
第一预测模块,用于根据传输机参数和当前润滑策略,通过预构建的状态预测模型和预构建的数字孪生模型,预测当前润滑策略下的传输机运行状态参数,数字孪生模型是基于传输机的物理模型和机理模型构建的,机理模型用于模拟传输机传送轴承运行中的热交换过程;
第二预测模块,用于将传输机运行状态参数输入预构建的故障预测模型,得到传输机的故障状态的预测结果;
优化模块,用于当预测结果为存在故障时,将传输机参数、传输机运行状态参数输入预构建的润滑策略模型,对当前润滑策略进行优化,得到优化润滑策略;
控制模块,用于根据优化润滑策略,控制传输机。
考虑到传输机传送轴承运行过程中,会出现由摩擦带来的热量扩散现象进而导致传输机传送轴承温度升高,而传输机传送轴承温度过高时会导致故障情况发生,因此,本发明提出的基于数字孪生技术的传输机润滑策略控制装置中,通过数字孪生模型模拟传输机传送轴承运行中的热交换过程,结合数字孪生模型和状态预测模型共同对传输机运行状态参数进行预测,进一步的,利用故障预测模型对传输机运行状态参数进行监控,预测传输机的故障情况,当预测到传输机存在故障时,利用润滑策略模型对当前润滑策略进行优化,得到优化润滑策略,避免人工经验控制润滑策略的效果不稳定,延长传输机的使用寿命。
第三方面,本发明还提供了一种计算机设备,包括存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行第一方面的基于数字孪生技术的传输机润滑策略控制方法的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现第一方面的基于数字孪生技术的传输机润滑策略控制方法的步骤。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是根据一示例性实施例提出的一种基于数字孪生技术的传输机润滑策略控制方法的流程图;
图2是在一示例中,训练润滑策略模型的原理图;
图3是根据一示例性实施例提出的一种基于数字孪生技术的传输机润滑策略控制装置的结构示意图;
图4是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
图1是根据一示例性实施例提出的一种基于数字孪生技术的传输机润滑策略控制方法的流程图。如图1所示,该方法包括如下步骤S101至S105。
在步骤S101中,获取传输机参数、当前润滑策略。
在一可选实施例中,传输机参数包括但不限于传输带宽度、传输带材质(橡胶带、PVC带、帆布带等)、传输带厚度、传动辊直径、传输角度、传输长度,系统使用交流电源额定电压、系统使用交流电源额定频率、系统额定功率、润滑泵电机功率、润滑泵最大压力等。
在一可选实施例中,当前润滑策略包括但不限于单次注油量、注油频次等。
在步骤S102中,根据传输机参数和当前润滑策略,通过预构建的状态预测模型和预构建的数字孪生模型,预测当前润滑策略下的传输机运行状态参数,数字孪生模型是基于传输机的物理模型和机理模型构建的,机理模型用于模拟传输机传送轴承运行中的热交换过程。
在一可选实施例中,状态预测模型可以为由多层感知器模型或循环神经网络等构成的序列预测模型,在此不做具体限制。
在一可选实施例中,数字孪生模型指的是利用虚拟建模技术构建一个与传输机相对应的虚拟对象,并将实时采集的传输机运行状态参数与该虚拟对象进行交互,使得物理对象的状态可以实时映射至虚拟对象并将传输机运行状态参数发送至平台管控中心。
在一可选实施例中,物理模型包括但不限于传输机的模型结构和模型动画效果。
在一可选实施例中,传输机运行状态参数包括但不限于累计工作时长、运送量、电机实际工作电压/电流/功率、各润滑点的润滑状态、给油器的反馈信息、传输机温度(即传送轴承的温度)。
在步骤S103中,将传输机运行状态参数输入预构建的故障预测模型,得到传输机的故障状态的预测结果。
在一可选实施例中,故障预测模型可以为由多层神经网络或循环神经网络构成的序列预测模型,在此不做具体限制。
在一可选实施例中,预测结果包括正常、存在故障。
在一可选实施例中,故障预测模型还可以对预测结果进行统计,得到累计故障次数。
在一可选实施例中,当传输机预测结果为存在故障时,存在的故障类型包括但不限于未接收到传输机的反馈信息(油阀的开启闭合状态信息、润滑脂的流量信息、润滑油在管道内的位移信息等)、未接受到传输机的复位信息等,在此不做具体限制。
在步骤S104中,当预测结果为存在故障时,将传输机参数、传输机运行状态参数输入预构建的润滑策略模型,对当前润滑策略进行优化,得到优化润滑策略。
在一可选实施例中,润滑策略模型可以通过强化学习得到,也可以通过神经网络模型得到,在此不做具体限制。
在一可选实施例中,当预测结果为存在故障时,可以向平台管控中心发出预警信号,此时还可以对预警次数进行统计。平台管控中心在接收到预警信号后,可以及时对传输机进行维护。
在步骤S105中,根据优化润滑策略,控制传输机。
考虑到传输机传送轴承运行过程中,会出现由摩擦带来的热量扩散现象进而导致传输机传送轴承温度升高,而传输机传送轴承温度过高时会导致故障情况发生,因此,本发明实施例提出的基于数字孪生技术的传输机润滑策略控制方法中,通过数字孪生模型模拟传输机传送轴承运行中的热交换过程,结合数字孪生模型和状态预测模型共同对传输机运行状态参数进行预测,进一步的,利用故障预测模型对传输机运行状态参数进行监控,预测传输机的故障情况,当预测到传输机存在故障时,利用润滑策略模型对当前润滑策略进行优化,得到优化润滑策略,避免人工经验控制润滑策略的效果不稳定,延长传输机的使用寿命。
在一示例中,传输机运行状态参数包括传输机温度,上述步骤S102通过如下步骤预测传输机温度:
首先,根据传输机参数和当前润滑策略,通过状态预测模型,预测当前润滑策略下的第一传输机温度。
然后,根据传输机参数和当前润滑策略,通过机理模型,预测当前润滑策略下的第二传输机温度。
最后,将第一传输机温度和第二传输机温度加权求和,得到当前润滑策略下的传输机温度,第一传输机温度的权重与第二传输机温度的权重根据状态预测模型的使用时间确定。
在一可选实施例中,第一传输机温度的权重和第二传输机温度的权重可以根据实际情况确定。示例性地,在状态预测模型的运用过程中,会根据状态预测模型得到的传输机温度和传输机实际温度对状态预测模型进行不断的训练优化,随着训练次数的不断增加,状态预测模型的准确率会逐渐提高,因此,第一传输机温度的权重和第二传输机温度的权重随着时间逐渐变化,第一传输机温度的权重会随着状态预测模型使用时间的不断增长而减小,直到达到权重下限值,第二传输机温度的权重会随着状态预测模型使用时间的不断增长而增长,直到达到权重上限值。在第一预设时间区间内(预测早期),第二传输机温度的权重大于第一传输机温度的权重,即机理模型的预测结果占比较大,状态预测模型的预测结果占比较小;在第二预设时间区间内,第二传输机温度的权重小于第一传输机温度的权重,即随着时间的增加,状态预测模型预测精度逐渐提升,可以逐渐增加状态预测模型预测结果在整体预测结果中的占比。
在本发明实施例中,当机理模型中只包括轴承机械空隙模型和热交换模型时,通过机理模型只能预测传输机温度,其他传输机运行状态参数需要采用状态预测模型进行预测。在实际应用中,若机理模型中还包含了其他模型,则机理模型还可以预测该模型对应的其他传输机运行状态参数。
在一可选实施例中,传输机传送带在运行时,传送轴承之间会因为摩擦产生热量,造成磨损,带来设备形变,进而导致传输机故障,因此在对传输机运行状态参数进行预测时,运用弹性理论建立轴承机械空隙模型,结合摩擦学、传热学原理建立热交换模型,机理模型包括轴承机械空隙模型和热交换模型,通过机理模型预测当前润滑策略下的第二传输机温度的具体步骤包括:
首先,根据传输机参数、当前润滑策略和轴承机械空隙模型,确定传输机的机械空隙。
然后,根据机械空隙和热交换模型,确定当前润滑策略下的第二传输机温度。计算公式如下所示:
其中,,/>,/>为单元体的侧壁面积,/>为通道宽度,/>为壁面处对流换热系数,/>为单元体热流体入口温度,/>为流体与壁面间的温差,即第二传输机温度,为热流体质量流量,/>为热流体密度,/>为通道内热流体平均流速,/>为热流体比定压热容,/>为x方向上取一微小长度构成单元体体积,/>为单元体出口处温度的变化。
在一示例中,上述步骤S102中的物理模型构建方式如下:
首先,对传输机进行三维扫描建模,生成传输机的模型结构。示例性地,采用三维扫描建模形式对传输机进行扫描,生成设备点云,对点云数据进行点位抽烯和减面等轻量化操作,控制模型面数在3万以内,得到传输机的模型结构。
然后,对传输机的模型结构进行材质设计和帧动画效果设计,得到物理模型。
在一可选实施例中,在对模型结构进行材质设计时,首先需要确定模型结构的分组和上下级拓扑结构;然后,基于不同的分组和上下级拓扑结构,定制生成超清PBR材质,如凹凸贴图、材质贴图和光照贴图等。
在一可选实施例中,帧动画效果设计包括但不限于传送带滑动、轴承转动和润滑油流动等的帧动画效果设计。
图2为训练润滑策略模型的原理图。智能体为润滑策略模型,环境为故障预测模型预测得到的故障状态的预测结果,状态为历史传输机运行状态参数和对应的历史故障状态,动作/>为通过润滑策略模型得到的润滑策略,/>为奖励值。润滑策略模型构建方式为:
首先,获取训练集,训练集中包括多组数据,每组数据中包括历史传输机参数、历史传输机运行状态参数和对应的历史故障状态。
其次,将历史传输机参数、历史传输机运行状态参数和对应的历史故障状态输入至润滑策略模型,得到润滑策略。
再次,将历史传输机参数、润滑策略和历史传输机运行状态参数输入至故障预测模型,得到润滑策略对应的故障状态的预测结果。
然后,根据润滑策略对应的故障状态的预测结果,确定润滑策略对应的奖励值。
在一可选实施例中,当预测结果为正常,则润滑策略对应的奖励值设定为+1;若预测结果为存在故障,则润滑策略对应的奖励值设定为-1。
最后,根据润滑策略对应的奖励值,训练润滑策略模型,返回将历史传输机参数、历史传输机运行状态参数和对应的历史故障状态输入至润滑策略模型,得到润滑策略的步骤,直到满足预设条件,得到训练后的润滑策略模型,训练后的润滑策略模型用于对当前润滑策略进行优化。示例性地,预设条件可以为润滑策略模型的训练次数等于最大训练次数,也可以为多次训练过程中产生的奖励值的累计值达到预设分数,在此不做具体限制。
在一可选实施例中,训练润滑策略模型时的训练集通过如下方式获得:
首先,获取初始数据集,初始数据集中包括多组数据,每组数据中包括历史传输机参数、历史传输机运行状态参数和对应的历史故障状态。
然后,对初始数据集中的历史传输机运行状态参数进行聚类,得到至少一个聚类簇,聚类簇中包括多种类型的传输机运行状态参数。
最后,若历史传输机运行状态参数中存在缺失数据,确定缺失数据所属的聚类簇;根据缺失数据所属聚类簇中,与缺失数据属于同一组数据的其余历史传输机运行参数,计算缺失数据的值,示例性地,可以通过多项式拟合插值的方式计算缺失数据的值;根据初始数据集和缺失数据的值,形成训练集。
在一可选实施例中,在对历史传输机运行状态参数进行聚类得到聚类簇后,对各聚类簇中不同类型的传输机运行状态参数进行多项式拟合,得到各类传输机状态参数之间的拟合函数,在对训练集中的缺失数据进行补齐时,所属聚类簇所对应的拟合函数确定该缺失数据的值。
示例性地,对初始数据集中a、b、c、d、e五种类型的历史传输机运行状态参数进行聚类,得到(a,b,c)和(d,e)两个聚类簇。 当训练集的一组数据中,历史传输机运行状态参数c缺失时,通过该组数据中的参数a和参数b进行多项式拟合插值得到参数c。
在一可选实施例中,在训练润滑策略模型时,获取初始训练集后,先根据各组数据中的历史传输机运行状态参数和对应的历史故障状态,计算各组数据之间的相关度,在相关度大于预设值的各组数据中,只保留其中一组数据,得到去除冗余后的初始数据集;根据去除冗余后的初始数据集,形成训练集。
在一可选实施例中,在得到初始数据集后,可以参照上述实施例中提供的方法对删除后的初始数据集中的缺失数据进行补齐,从而形成训练集。
在一可选实施例中,初始数据集中,各组数据中包括历史传输机参数、历史传输机运行状态参数和对应的历史故障状态,历史传输机参数为传输机的设备参数,在不同的数据组中,历史传输机参数的值基本相同,若结合历史传输机参数计算各组数据的相关度,得到的相关度较大,容易造成数据误删的问题,因此,本发明实施例中只采用历史传输机运行状态参数和对应的历史故障状态计算各组数据之间的相关度,在相关度大于预设值的各组数据中,只保留其中一组数据,得到去除冗余后的初始数据集,根据去除冗余后的初始数据集形成训练集,由于历史传输机运行状态参数和对应的历史故障状态是不断发生变化的,因此通过本发明实施例计算得到的各组数据之间的相关度更能真实反映各组数据之间的重复程度,从而精准去除冗余数据,通过去除冗余后的初始数据所形成的训练集对润滑策略模型进行训练时,提高了训练效率。
在一可选实施例中,当初始数据集中的传输机运行状态参数中存在异常数据(超出预设范围)时,对初始数据集的异常数据进行异常数据处理。其中,预设范围可以根据历史传输机运行状态参数的均值和标准差确定,不同的历史传输机运行状态参数,对应的均值和标准差不同,因此,不同的历史传输级运行状态参数的预设范围不同。示例性地,预设范围为[均值-1.5*标准差,均值+1.5*标准差]。异常数据处理可以为数据清洗人员根据均值和标准差、预设范围、当前记录值、建议修订值(与异常值最接近的预设范围边界值)等综合考虑修订。
基于相同发明构思,本发明实施例还提供一种基于数字孪生技术的传输机润滑策略控制装置,如图3所示,该装置包括:
获取模块301,用于获取传输机参数、当前润滑策略;详细内容参见上述实施例中步骤S101的描述,在此不再赘述。
第一预测模块302,用于根据传输机参数和当前润滑策略,通过预构建的状态预测模型和预构建的数字孪生模型,预测当前润滑策略下的传输机运行状态参数,数字孪生模型是基于传输机的物理模型和机理模型构建的,机理模型用于模拟传输机传送轴承运行中的热交换过程;详细内容参见上述实施例中步骤S102的描述,在此不再赘述。
第二预测模块303,用于将传输机运行状态参数输入预构建的故障预测模型,得到传输机的故障状态的预测结果;详细内容参见上述实施例中步骤S103的描述,在此不再赘述。
优化模块304,用于当预测结果为存在故障时,将传输机参数、传输机运行状态参数输入预构建的润滑策略模型,对当前润滑策略进行优化,得到优化润滑策略;详细内容参见上述实施例中步骤S104的描述,在此不再赘述。
控制模块305,用于根据优化润滑策略,控制传输机。详细内容参见上述实施例中步骤S105的描述,在此不再赘述。
考虑到传输机传送轴承运行过程中,会出现由摩擦带来的热量扩散现象进而导致传输机传送轴承温度升高,而传输机传送轴承温度过高时会导致故障情况发生,因此,本发明实施例提出的基于数字孪生技术的传输机润滑策略控制装置中,通过数字孪生模型模拟传输机传送轴承运行中的热交换过程,结合数字孪生模型和状态预测模型共同对传输机运行状态参数进行预测,进一步的,利用故障预测模型对传输机运行状态参数进行监控,预测传输机的故障情况,当预测到传输机存在故障时,利用润滑策略模型对当前润滑策略进行优化,得到优化润滑策略,避免人工经验控制润滑策略的效果不稳定,延长传输机的使用寿命。
在一示例中,传输机运行状态参数包括传输机温度,第一预测模块302包括:
第一预测子模块,用于根据传输机参数和当前润滑策略,通过状态预测模型,预测当前润滑策略下的第一传输机温度;详细内容参见上述实施例中的描述,在此不再赘述。
第二预测子模块,用于根据传输机参数和当前润滑策略,通过机理模型,预测当前润滑策略下的第二传输机温度;详细内容参见上述实施例中的描述,在此不再赘述。
求和子模块,用于将第一传输机温度和第二传输机温度加权求和,得到当前润滑策略下的传输机温度,第一传输机温度的权重与第二传输机温度的权重根据状态预测模型的使用时间确定。详细内容参见上述实施例中的描述,在此不再赘述。
在一可选实施例中,第二预测子模块中的机理模型包括轴承机械空隙模型和热交换模型,第二预测子模块包括:
第一确定单元,用于根据传输机参数、当前润滑策略和轴承机械空隙模型,确定传输机的机械空隙;详细内容参见上述实施例中的描述,在此不再赘述。
第二确定单元,用于根据机械空隙和热交换模型,确定当前润滑策略下的第二传输机温度。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,在第一预测模块302中通过如下子模块实现物理模型构建:
生成子模块,用于对传输机进行三维扫描建模,生成传输机的模型结构;详细内容参见上述实施例中的描述,在此不再赘述。
设计子模块,用于对传输机的模型结构进行材质设计和帧动画效果设计,得到物理模型。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,在优化模块304中通过如下子模块实现润滑策略模型构建:
第一获取子模块,用于获取训练集,训练集中包括多组数据,每组数据中包括历史传输机参数、历史传输机运行状态参数和对应的历史故障状态;详细内容参见上述实施例中的描述,在此不再赘述。
第一确定子模块,用于将历史传输机参数、历史传输机运行状态参数和对应的历史故障状态输入至润滑策略模型,得到润滑策略;详细内容参见上述实施例中的描述,在此不再赘述。
第二确定子模块,用于将历史传输机参数、润滑策略和历史传输机运行状态参数输入至故障预测模型,得到润滑策略对应的故障状态的预测结果;详细内容参见上述实施例中的描述,在此不再赘述。
第三确定子模块,用于根据润滑策略对应的故障状态的预测结果,确定润滑策略对应的奖励值;详细内容参见上述实施例中的描述,在此不再赘述。
训练子模块,用于根据润滑策略对应的奖励值,训练润滑策略模型,返回将历史传输机参数、历史传输机运行状态参数和对应的历史故障状态输入至润滑策略模型,得到润滑策略的步骤,直到满足预设条件,得到训练后的润滑策略模型,训练后的润滑策略模型用于对当前润滑策略进行优化。详细内容参见上述实施例中的描述,在此不再赘述。
在一可选实施例中,第一获取子模块包括:
第一获取单元,用于获取初始数据集,初始数据集中包括多组数据,每组数据中包括历史传输机参数、历史传输机运行状态参数和对应的历史故障状态;详细内容参见上述实施例中的描述,在此不再赘述。
聚类单元,用于对初始数据集中的历史传输机运行状态参数进行聚类,得到至少一个聚类簇,聚类簇中包括多种类型的传输机运行状态参数;详细内容参见上述实施例中的描述,在此不再赘述。
第一形成单元,用于若历史传输机运行状态参数中存在缺失数据,确定缺失数据所属的聚类簇;根据缺失数据所属聚类簇中,与缺失数据属于同一组数据的其余历史传输机运行参数,计算缺失数据的值;根据初始数据集和缺失数据的值,形成训练集。详细内容参见上述实施例中的描述,在此不再赘述。
在一可选实施例中,第一获取子模块包括:
第二获取单元,用于获取初始数据集,初始数据集中包括多组数据,每组数据中包括历史传输机参数、历史传输机运行状态参数和对应的历史故障状态;详细内容参见上述实施例中的描述,在此不再赘述。
第二形成单元,用于根据各组数据中的历史传输机运行状态参数和对应的历史故障状态,计算各组数据之间的相关度,在相关度大于预设值的各组数据中,只保留其中一组数据,得到去除冗余后的初始数据集。详细内容参见上述实施例中的描述,在此不再赘述。
第三形成单元,用于根据去除冗余后的初始数据集,形成训练集。详细内容参见上述实施例中的描述,在此不再赘述。
上述装置的具体限定以及有益效果可以参见上文中对于基于数字孪生技术的传输机润滑策略控制方法的限定,在此不再赘述。上述各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图4是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。如图4所示,该设备包括一个或多个处理器410以及存储器420,存储器420包括持久内存、易失内存和硬盘,图4中以一个处理器410为例。该设备还可以包括:输入装置430和输出装置440。
处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接,图4中以通过总线连接为例。
处理器410可以为中央处理器(Central Processing Unit,CPU)。处理器410还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器420作为一种非暂态计算机可读存储介质,包括持久内存、易失内存和硬盘,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中基于数字孪生技术的传输机润滑策略控制方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的非暂态软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述任意一种基于数字孪生技术的传输机润滑策略控制方法。
存储器420可以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、至少一个功能所需要的应用程序;存储数据区可存储根据、需要使用的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器420可选包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的信号输入。输出装置440可包括显示屏等显示设备。
一个或者多个模块存储在存储器420中,当被一个或者多个处理器410执行时,执行如图1所示的方法。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,具体可参见如图1所示的实施例中的相关描述。
本发明实施例还提供了一种非暂态计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的控制方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccess Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于数字孪生技术的传输机润滑策略控制方法,其特征在于,所述方法包括:
获取传输机参数、当前润滑策略;
根据所述传输机参数和所述当前润滑策略,通过预构建的状态预测模型和预构建的数字孪生模型,预测当前润滑策略下的传输机运行状态参数,所述数字孪生模型是基于传输机的物理模型和机理模型构建的,所述机理模型用于模拟传输机传送轴承运行中的热交换过程;
将所述传输机运行状态参数输入预构建的故障预测模型,得到传输机的故障状态的预测结果;
当所述预测结果为存在故障时,将所述传输机参数、所述传输机运行状态参数输入预构建的润滑策略模型,对当前润滑策略进行优化,得到优化润滑策略;
根据所述优化润滑策略,控制所述传输机。
2.根据权利要求1所述的方法,其特征在于,所述传输机运行状态参数包括传输机温度,根据所述传输机参数和所述当前润滑策略,通过预构建的状态预测模型和预构建的数字孪生模型,预测当前润滑策略下的传输机运行状态参数,包括:
根据所述传输机参数和所述当前润滑策略,通过所述状态预测模型,预测当前润滑策略下的第一传输机温度;
根据所述传输机参数和所述当前润滑策略,通过所述机理模型,预测当前润滑策略下的第二传输机温度;
将所述第一传输机温度和所述第二传输机温度加权求和,得到当前润滑策略下的传输机温度,所述第一传输机温度的权重与所述第二传输机温度的权重根据所述状态预测模型的使用时间确定。
3.根据权利要求2所述的方法,其特征在于,所述机理模型包括轴承机械空隙模型和热交换模型,根据所述传输机参数和所述当前润滑策略,通过所述机理模型,预测当前润滑策略下的第二传输机温度,包括:
根据所述传输机参数、所述当前润滑策略和所述轴承机械空隙模型,确定传输机的机械空隙;
根据所述机械空隙和所述热交换模型,确定当前润滑策略下的第二传输机温度。
4.根据权利要求1所述的方法,其特征在于,所述物理模型构建方式如下:
对所述传输机进行三维扫描建模,生成所述传输机的模型结构;
对所述传输机的模型结构进行材质设计和帧动画效果设计,得到所述物理模型。
5.根据权利要求1所述的方法,其特征在于,所述润滑策略模型构建方式如下:
获取训练集,所述训练集中包括多组数据,每组数据中包括历史传输机参数、历史传输机运行状态参数和对应的历史故障状态;
将所述历史传输机参数、所述历史传输机运行状态参数和对应的历史故障状态输入至所述润滑策略模型,得到润滑策略;
将所述历史传输机参数、所述润滑策略和所述历史传输机运行状态参数输入至所述故障预测模型,得到所述润滑策略对应的故障状态的预测结果;
根据所述润滑策略对应的故障状态的预测结果,确定所述润滑策略对应的奖励值;
根据所述润滑策略对应的奖励值,训练所述润滑策略模型,返回将所述历史传输机参数、所述历史传输机运行状态参数和对应的历史故障状态输入至所述润滑策略模型,得到润滑策略的步骤,直到满足预设条件,得到训练后的润滑策略模型,所述训练后的润滑策略模型用于对当前润滑策略进行优化。
6.根据权利要求5所述的方法,其特征在于,获取训练集,包括:
获取初始数据集,所述初始数据集中包括多组数据,每组数据中包括历史传输机参数、历史传输机运行状态参数和对应的历史故障状态;
对所述初始数据集中的历史传输机运行状态参数进行聚类,得到至少一个聚类簇,所述聚类簇中包括多种类型的传输机运行状态参数;
若历史传输机运行状态参数中存在缺失数据,
确定所述缺失数据所属的聚类簇;
根据所述缺失数据所属聚类簇中,与所述缺失数据属于同一组数据的其余历史传输机运行参数,计算所述缺失数据的值;
根据所述初始数据集和所述缺失数据的值,形成所述训练集。
7.根据权利要求5所述的方法,其特征在于,获取训练集,包括:
获取初始数据集,所述初始数据集中包括多组数据,每组数据中包括历史传输机参数、历史传输机运行状态参数和对应的历史故障状态;
根据各组数据中的历史传输机运行状态参数和对应的历史故障状态,计算各组数据之间的相关度,在相关度大于预设值的各组数据中,只保留其中一组数据,得到去除冗余后的初始数据集;
根据去除冗余后的初始数据集,形成所述训练集。
8.一种基于数字孪生技术的传输机润滑策略控制装置,其特征在于,所述装置包括:
获取模块,用于获取传输机参数、当前润滑策略;
第一预测模块,用于根据所述传输机参数和所述当前润滑策略,通过预构建的状态预测模型和预构建的数字孪生模型,预测当前润滑策略下的传输机运行状态参数,所述数字孪生模型是基于传输机的物理模型和机理模型构建的,所述机理模型用于模拟传输机传送轴承运行中的热交换过程;
第二预测模块,用于将所述传输机运行状态参数输入预构建的故障预测模型,得到传输机的故障状态的预测结果;
优化模块,用于当所述预测结果为存在故障时,将所述传输机参数、所述传输机运行状态参数输入预构建的润滑策略模型,对当前润滑策略进行优化,得到优化润滑策略;
控制模块,用于根据所述优化润滑策略,控制所述传输机。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7中任一项所述的基于数字孪生技术的传输机润滑策略控制方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序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技术的传输机润滑策略控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310396782.4A CN116149192B (zh) | 2023-04-14 | 2023-04-14 | 基于数字孪生技术的传输机润滑策略控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310396782.4A CN116149192B (zh) | 2023-04-14 | 2023-04-14 | 基于数字孪生技术的传输机润滑策略控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116149192A true CN116149192A (zh) | 2023-05-23 |
CN116149192B CN116149192B (zh) | 2023-06-30 |
Family
ID=86341074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310396782.4A Active CN116149192B (zh) | 2023-04-14 | 2023-04-14 | 基于数字孪生技术的传输机润滑策略控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116149192B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704974A (zh) * | 2019-09-30 | 2020-01-17 | 江苏科技大学 | 基于数字孪生驱动的工艺模型的建模与使用方法 |
CN111401583A (zh) * | 2020-03-18 | 2020-07-10 | 北京天泽智云科技有限公司 | 基于预测性维护的自动扶梯全生命周期健康管理系统 |
CN112162519A (zh) * | 2020-10-21 | 2021-01-01 | 桂林电子科技大学 | 一种复合型机床数字孪生监控系统 |
CN113221280A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生的滚动轴承建模与模型更新方法及系统 |
US20210334428A1 (en) * | 2020-04-24 | 2021-10-28 | Technology Institute of Wenzhou University, Yueqing | Method for prediction of dynamic rescheduling with digital twin workshop for circuit breaker and system using the same |
US20220129606A1 (en) * | 2020-10-28 | 2022-04-28 | International Business Machines Corporation | Digital twin lubrication simulation |
WO2022133330A1 (en) * | 2020-12-18 | 2022-06-23 | Strong Force Vcn Portfolio 2019, Llc | Robot fleet management and additive manufacturing for value chain networks |
CN115617628A (zh) * | 2022-09-20 | 2023-01-17 | 上海科梁信息科技股份有限公司 | 一种数字孪生系统、研发方法、设备和存储介质 |
US20230058169A1 (en) * | 2020-04-28 | 2023-02-23 | Strong Force Tp Portfolio 2022, Llc | System for representing attributes in a transportation system digital twin |
-
2023
- 2023-04-14 CN CN202310396782.4A patent/CN116149192B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704974A (zh) * | 2019-09-30 | 2020-01-17 | 江苏科技大学 | 基于数字孪生驱动的工艺模型的建模与使用方法 |
CN111401583A (zh) * | 2020-03-18 | 2020-07-10 | 北京天泽智云科技有限公司 | 基于预测性维护的自动扶梯全生命周期健康管理系统 |
US20210334428A1 (en) * | 2020-04-24 | 2021-10-28 | Technology Institute of Wenzhou University, Yueqing | Method for prediction of dynamic rescheduling with digital twin workshop for circuit breaker and system using the same |
US20230058169A1 (en) * | 2020-04-28 | 2023-02-23 | Strong Force Tp Portfolio 2022, Llc | System for representing attributes in a transportation system digital twin |
CN112162519A (zh) * | 2020-10-21 | 2021-01-01 | 桂林电子科技大学 | 一种复合型机床数字孪生监控系统 |
US20220129606A1 (en) * | 2020-10-28 | 2022-04-28 | International Business Machines Corporation | Digital twin lubrication simulation |
WO2022133330A1 (en) * | 2020-12-18 | 2022-06-23 | Strong Force Vcn Portfolio 2019, Llc | Robot fleet management and additive manufacturing for value chain networks |
CN113221280A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生的滚动轴承建模与模型更新方法及系统 |
CN115617628A (zh) * | 2022-09-20 | 2023-01-17 | 上海科梁信息科技股份有限公司 | 一种数字孪生系统、研发方法、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
柳宇翀: "基于数字孪生技术的液压系统故障诊断与预测方法", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 02, pages 028 - 730 * |
王亚强: "基于数字孪生的压力机润滑系统故障预测方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技I辑)》, no. 12, pages 022 - 108 * |
Also Published As
Publication number | Publication date |
---|---|
CN116149192B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178378B (zh) | 一种设备的故障预测方法、装置、电子设备及存储介质 | |
Garg et al. | An approach for analyzing the reliability of industrial systems using soft-computing based technique | |
WO2018004464A1 (en) | Large scale machine learning-based chiller plants modeling, optimization and diagnosis | |
CN103490956A (zh) | 基于业务量预测的自适应节能控制方法及设备、系统 | |
US8903750B1 (en) | Adaptive learning network for fusion of remaining useful life with machinery condition | |
Chakraborty et al. | Unit commitment strategy of thermal generators by using advanced fuzzy controlled binary particle swarm optimization algorithm | |
CN112862012A (zh) | 一种基于lstm模型的运维系统异常预警方法、装置及设备 | |
Kang | Real-time optimal control of water distribution systems | |
CN109711453A (zh) | 一种基于多变量的设备动态健康状态评估方法 | |
CN112785081A (zh) | 油温预测方法、装置、电子设备和存储介质 | |
CN108093085A (zh) | 一种大数据系统实时服务参数自适应调整方法 | |
CN116149192B (zh) | 基于数字孪生技术的传输机润滑策略控制方法及装置 | |
CN114169087A (zh) | 数字孪生模型参数优化方法、装置、设备及存储介质 | |
CN115470682A (zh) | 基于数字孪生的泵站机组水力部件磨损及寿命预测方法 | |
Dhada et al. | Federated learning for collaborative prognosis | |
CN113330469B (zh) | 用于过程技术设备的技术功能单元的模块化系统的优化方法 | |
Vamvakeridou-Lyroudia et al. | Tank simulation for the optimization of water distribution networks | |
Dhada et al. | Comparison of agent deployment strategies for collaborative prognosis | |
CN107315572B (zh) | 建筑机电系统的控制方法、存储介质和终端设备 | |
CN112160750B (zh) | 采煤机状态控制、预测的系统及方法 | |
EP3367231A1 (de) | Verfahren und speichersystem zum speichern von einer vielzahl von dateneinheiten | |
CN105721199B (zh) | 一种基于核密度估计与模糊推理系统的实时云服务瓶颈检测方法 | |
Arabi et al. | Availability optimization of a series system with multiple repairable load sharing subsystems considering redundancy and repair facility allocation | |
CN113987770A (zh) | 设计域盾构螺旋输送机数字孪生结构模型构建方法 | |
Liu et al. | The Study of Fault Diagnosis Based on Particle Swarm Optimization Algorithm. |
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 |