CN116168164A - 基于机器人产业链的数字孪生可视化方法 - Google Patents
基于机器人产业链的数字孪生可视化方法 Download PDFInfo
- Publication number
- CN116168164A CN116168164A CN202310449245.1A CN202310449245A CN116168164A CN 116168164 A CN116168164 A CN 116168164A CN 202310449245 A CN202310449245 A CN 202310449245A CN 116168164 A CN116168164 A CN 116168164A
- Authority
- CN
- China
- Prior art keywords
- data
- robot
- port
- interaction
- industrial chain
- 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
- 238000007794 visualization technique Methods 0.000 title claims abstract description 24
- 230000003993 interaction Effects 0.000 claims abstract description 216
- 238000004088 simulation Methods 0.000 claims abstract description 151
- 238000004519 manufacturing process Methods 0.000 claims abstract description 97
- 230000000007 visual effect Effects 0.000 claims abstract description 93
- 230000009471 action Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004140 cleaning Methods 0.000 claims description 60
- 230000005540 biological transmission Effects 0.000 claims description 45
- 238000004891 communication Methods 0.000 claims description 42
- 230000002452 interceptive effect Effects 0.000 claims description 36
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000007726 management method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000003032 molecular docking Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000011112 process operation Methods 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000009877 rendering Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000005538 encapsulation Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 55
- 230000000694 effects Effects 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 9
- 230000001276 controlling effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
- Numerical Control (AREA)
Abstract
本发明提供了基于机器人产业链的数字孪生可视化方法，包括：获取机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，并基于项目属性数据以及模型参数构建机器人产业链的全域可视化模拟场景；实时获取机器人在机器人产业链中的流程操作数据，并将流程操作数据在可视化模拟场景中进行实时交互；基于交互结果在全域可视化模拟场景中对机器人的实时动作进行可视化模拟动态展示，并基于展示结果以及实时动作对应的动作数据评估机器人的运行状态。实现通过全域可视化模拟场景对机器人在机器人产业链上的运行状态进行准确有效的了解，便于管理终端对机器人进行相应的管控操作，保障产业链的有序运行。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种基于机器人产业链的数字孪生可视化方法。
背景技术
目前，随着人工智能的发展，越来越多的生产制造行业采用机器人代替人人工进行各项操作，通过对机器人进行有效管理，能够达到解放生产力提升生产效率的效果，其中，通过数字孪生技术进行管理就是其中之一；
但是，随着对机器人的广泛应用，越来越多的问题也逐渐出现，例如机器人在新能源、3C、精密加工、半导体等智能产线物流环节存在信息网络共享程度低，物料入库、清点、检验、出库、配送和交接未实现信息化管理等诸多问题，而且由于机器人需要在现场进行施工操作，需要分派相应的管理人员去实地核查机器人当前的运行状态是否良好，从而导致对机器人的监管效果较差，不能及时了解机器人当前的运行状态以及生产状态，故对机器人在生产链上的实时运行状态进行管理成为急需解决的问题；
因此，本发明提供了基于机器人产业链的数字孪生可视化方法。
发明内容
本发明提供一种，用以通过数字孪生技术构建机器人及机器人产业链的全域可视化模拟场景，并将机器人在机器人产业链中的流程操作数据在全域可视化模拟场景中进行实时交互，实现通过全域可视化模拟场景对机器人在机器人产业链上的运行状态进行准确有效的了解，便于管理终端对机器人进行相应的管控操作，保障产业链的有序运行。
本发明提供了一种基于机器人产业链的数字孪生可视化方法，包括：
步骤1：获取机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，并基于项目属性数据以及模型参数构建机器人产业链的全域可视化模拟场景；
步骤2：实时获取机器人在机器人产业链中的流程操作数据，并将流程操作数据在可视化模拟场景中进行实时交互；
步骤3：基于交互结果在全域可视化模拟场景中对机器人的实时动作进行可视化模拟动态展示，并基于展示结果以及实时动作对应的动作数据评估机器人的运行状态。
优选的，一种基于机器人产业链的数字孪生可视化方法，步骤1中，获取机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，包括：
获取机器人产业链中包含的项目种类以及项目个数，并基于项目种类以及项目个数确定各生产项目对应的项目运行要求；
基于项目运行要求确定各生产项目之间的关联关系，并基于关联关系将各生产项目进行排序，且基于排序结果确定各生产项目对应的生产环节特征；
基于生产环节特征确定各生产项目与机器人的作用关系，并基于作用关系得到不同生产项目的项目属性数据。
优选的，一种基于机器人产业链的数字孪生可视化方法，步骤1中，获取机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，包括：
获取预设三维扫描装置的配置信息，并基于配置信息确定预设三维扫描装置的扫描策略；
基于扫描策略确定对机器人的扫描方向，并基于扫描方向对机器人进行三维扫描，得到机器人模拟模型；
对机器人模拟模型进行解析，确定机器人中包含的结构组件，并提取各组件的形态特征；
基于形态特征确定各结构组件的形状参数及尺寸参数，并基于预设三维扫描装置的配置信息确定机器人模拟模型相对实际机器人的成像比例，且基于成像比例对各结构组件的形状参数及尺寸参数进行比例换算，得到机器人的模型参数。
优选的，一种基于机器人产业链的数字孪生可视化方法，步骤1中，获取机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，包括：
获取得到的机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，并基于预设数据标签对得到的项目属性数据喝模型参数进行聚类处理，得到子项目属性数据集和子模型参数集；
提取子项目属性数据集对应的第一数据特征和子模型参数集对应的第二数据特征，并基于第一数据特征和第二数据特征从预设数据清洗规则库中匹配第一数据清洗规则和第二数据清洗规则；
分别从子项目属性数据集和子模型参数集中选取第一预处理数据片段和第二预处理数据片段，并基于第一数据清洗规则对第一预处理数据片段进行预清洗和基于第二数据清洗规则对第二预处理数据片段进行预清洗，且基于预清洗结果确定对第一预处理数据片段和第二预处理数据片段的清洗效率；
当清洗效率大于预设清洗效率阈值时，基于第一数据清洗规则对子项目属性数据集整体进行第一清洗，同时，基于第二数据清洗规则对子模型参数集整体进行第二清洗，得到最终的项目属性数据以及模型参数。
优选的，一种基于机器人产业链的数字孪生可视化方法，步骤1中，基于项目属性数据以及模型参数构建机器人产业链的全域可视化模拟场景，包括：
获取机器人产业链对应的实景深度图像信息，并将实景深度图像信息转换为点云数据，同时，基于项目属性数据将点云数据进行分组，得到各生产项目对应的子点云数据，并将子点云数据分别依次输入预设三维建模模型进行第一几何建模，得到各子点云数据对应的项目对象；
基于项目属性数据确定各项目对象对应的目标位置，并基于目标位置将项目对象进行关联，得到模拟场景，同时，将模型参数输入预设三维建模模型进行第二几何建模，得到机器人模拟模型，并确定机器人模拟模型在模拟场景中的初始位置；
基于初始位置将机器人模拟模型在模拟场景中进行添加，并基于添加结果对模拟场景以及机器人模拟模型进行渲染，且基于渲染结果得到最终的机器人产业链的全域可视化模拟场景。
优选的，一种基于机器人产业链的数字孪生可视化方法，步骤2中，实时获取机器人在机器人产业链中的流程操作数据，并将流程操作数据在可视化模拟场景中进行实时交互，包括：
获取机器人产业链与全域可视化模拟场景的交互流程，并基于交互流程确定对机器人在机器人产业链中的流程操作数据的交互模式，且基于交互模式确定目标交互设备；
提取目标交互设备的设备配置参数，同时，对全域可视化模拟场景添加第一交互端口和第二交互端口，并基于设备配置参数以及交互类型对第一交互端口和第二交互端口分配协议内部端口号，且基于分配结果对第一交互端口和第二交互端口进行配置；
将配置好的第一交互端口与全域可视化模拟场景中的模拟机器人进行对接，将配置好的第一交互端口与全域可视化模拟场景中的模拟生产项目进行对接，并基于对接结果实时监测实景场景中机器人在机器人产业链中的流程操作数据；
基于目标交互设备对得到的流程操作数据进行分析，得到流程操作数据的数据源信息，并基于数据源信息生成数据源标识列表；
基于数据源标识列表将流程操作数据划分为第一端口数据集和第二端口数据集，并对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值进行锁定；
基于锁定结果确定第一交互端口和第二交互端口的接口配置信息，并基于第一交互端口和第二交互端口的接口配置信息分别确定对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值的数据承载格式；
基于数据承载格式对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值进行格式转换并封装，并基于目标交互设备将封装后的第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值下发至对应的第一交互端口和第二交互端口，完成将流程操作数据在可视化模拟场景中进行实时交互。
优选的，一种基于机器人产业链的数字孪生可视化方法，基于目标交互设备将封装后的第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值下发至对应的第一交互端口和第二交互端口，包括：
基于预设传感器实时监测第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值下发至对应的第一交互端口和第二交互端口的下发进程，并基于监测结果确定对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值的传输参数；
基于传输参数确定对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值的下发效率，并当下发效率低于预设效率阈值时，确定目标交互设备中发射天线的闲置频段，且基于第一交互端口和第二交互端口的端口地址对闲置频段进行适配；
基于适配结果对第一交互端口和第二交互端口进行扩容，并基于扩容结果基于闲置频段协同下发第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值。
优选的，一种基于机器人产业链的数字孪生可视化方法，基于分配结果对第一交互端口和第二交互端口进行配置，包括：
获取配置后的第一交互端口和第二交互端口，同时，获取预设交互校验数据，并基于第一交互端口和第二交互端口将预设交互校验数据与全域可视化模拟场景进行预交互；
提取预设交互校验数据的业务特征，并基于业务特征确定预设交互校验数据对应的标准执行操作，同时，实时监测全域可视化模拟场景在接收到预设交互校验数据后的目标响应状态，并当目标响应状态与标准执行操作一致时，判定第一交互端口和第二交互端口配置合格，否则，判定对第一交互端口和第二交互端口配置不合格，且重新进行配置。
优选的，一种基于机器人产业链的数字孪生可视化方法，基于目标交互设备将封装后的第一端口数据集中的数据项以及各数据项的目标取值下发至对应的第一交互端口，包括：
获取目标交互设备到第一交互端口的通信链路，并确定通信链路的通信信道，同时，将第一端口数据集划分为多个数据包，并将多个数据包在通信信道中基于通信节点依次进行传输；
分别计算多个数据包在通信信道中基于通信节点进行传输时的有效探测占比以及基于通信信道对多个数据包的传输效率；
基于有效探测占比以及传输效率确定对第一端口数据集进行传输的目标传输质量；
获取传输质量阈值，并将目标传输质量与传输质量阈值进行比较，判断基于目标交互设备将第一端口数据集传输至第一交互端口是否合格；
当目标传输质量等于或大于传输质量阈值时，则判定目标交互设备将第一端口数据集传输至第一交互端口合格；
否则，则判定目标交互设备将第一端口数据集传输至第一交互端口不合格，并进行报警操作。
优选的，一种基于机器人产业链的数字孪生可视化方法，步骤3中，基于交互结果在全域可视化模拟场景中对机器人的实时动作进行可视化模拟动态展示，并基于展示结果以及实时动作对应的动作数据评估机器人的运行状态，包括：
获取对全域可视化模拟场景的交互结果，并基于交互结果确定机器人在机器人产业链中的目标动作数据集合，且将目标动作数据集合拆分为M个动作序列；
基于预设动作执行逻辑确定各动作序列之间的逻辑关系，并基于逻辑关系控制全域可视化模拟场景的模拟机器人执行对应模拟动作，且将模拟动作基于全域可视化模拟场景进行实时动态展示；
获取机器人在机器人产业链中执行生产项目时的标准状态特征以及各生产项目要求的标准生产工艺，并基于预设生产要求确定标准状态特征与标准生产工艺的关联关系，同时，获取对机器人在机器人产业链中执行生产项目时评价指标，并基于关联关系以及评价指标对预设神经网络模型进行训练，构建状态评价模型；
基于实时动态展示结果获取机器人在执行生产项目时的运行数据，并将运行数据输入状态评价模型进行分析，得到机器人对生产项目的加工标准；
当加工标准满足预设标准时，则判定机器人的运行状态合格，否则，判定机器人的运行状态存在异常，并向管理终端发送预警提醒。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于机器人产业链的数字孪生可视化方法的流程图；
图2为本发明实施例中一种基于机器人产业链的数字孪生可视化方法中步骤1中获取机器人产业链中不同生产项目的项目属性数据的流程图；
图3为本发明实施例中一种基于机器人产业链的数字孪生可视化方法中步骤1中获取机器人的获取机器人流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本实施例提供了一种基于机器人产业链的数字孪生可视化方法，如图1所示，包括：
步骤1：获取机器人产业链中不同生产项目的项目属性数据以及机器人获取机器人，并基于项目属性数据以及模型参数构建机器人产业链的全域可视化模拟场景；
步骤2：实时获取机器人在机器人产业链中的流程操作数据，并将流程操作数据在可视化模拟场景中进行实时交互；
步骤3：基于交互结果在全域可视化模拟场景中对机器人的实时动作进行可视化模拟动态展示，并基于展示结果以及实时动作对应的动作数据评估机器人的运行状态。
该实施例中，机器人产业链指的是需要通过机器人执行操作或者进行业务工作的生产链。
该实施例中，生产项目是机器人产业链中包含的不同的业务项目，具体可以是物体的搬运以及物体的组装等项目。
该实施例中，项目属性数据指的是不同生产项目对应的项目类型、项目的运行要求以及项目中各组件的结构以及分布位置等信息。
该实施例中，模型参数指的是机器人的构造以及机器人中各组件的尺寸以及各组件之间的连接关系等。
该实施例中，全域可视化模拟场景指的是根据不同生产项目的项目属性数据以及机器人的模型参数构建的虚拟空间，该空间中包含机器人产业链中所有的项目以及机器人，用于与实际的机器人产业链进行同步操作，从而便于对机器人产业链进行数字孪生可视化操作。
该实施例中，流程操作数据指的是机器人在执行相应生产项目时进行的具体步骤以及各步骤对应的具体操作参数等。
该实施例中，将流程操作数据在可视化模拟场景中进行实时交互指的是将实际工作环境中机器人的操作数据在构建的全域可视化模拟场景中进行同步更新显示，从而达到数字孪生可视化的效果（即交互）。
该实施例中，实时动作指的是机器人当下在执行操作任务时对应的具体操作步骤。
该实施例中，可视化模拟动态展示指的是将机器人进行的操作在构架的全域可视化模拟场景中进行同步显示，即全域可视化模拟场景与实际场景中进行的动作和动作类型保持一致。
该实施例中，动作数据是用于表征机器人在进行相应操作时，每一操作中机械臂或者机器人移动的方向或是旋转的角度等参数。
该实施例中，基于展示结果以及实时动作对应的动作数据评估机器人的运行状态可以是将机器人当下的实时动作与标准动作进行比较，从而便于确定机器人当前的动作是否合格。
上述技术方案的有益效果是：通过数字孪生技术构建机器人及机器人产业链的全域可视化模拟场景，并将机器人在机器人产业链中的流程操作数据在全域可视化模拟场景中进行实时交互，实现通过全域可视化模拟场景对机器人在机器人产业链上的运行状态进行准确有效的了解，便于管理终端对机器人进行相应的管控操作，保障产业链的有序运行。
实施例2：
在实施例1的基础上，本实施例提供了一种基于机器人产业链的数字孪生可视化方法，如图2所示，步骤1中，获取机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，包括：
步骤101：获取机器人产业链中包含的项目种类以及项目个数，并基于项目种类以及项目个数确定各生产项目对应的项目运行要求；
步骤102：基于项目运行要求确定各生产项目之间的关联关系，并基于关联关系将各生产项目进行排序，且基于排序结果确定各生产项目对应的生产环节特征；
步骤103：基于生产环节特征确定各生产项目与机器人的作用关系，并基于作用关系得到不同生产项目的项目属性数据。
该实施例中，项目种类指的是机器人产业链中包含的项目类型，例如可以是拼接以及搬运等。
该实施例中，项目运行要求是用于表征每一项目最终需要达到的要求或者标准。
该实施例中，关联关系是用于表征各生产项目之间的操作逻辑顺序，例如可以是先拼接再搬运等。
该实施例中，生产环节特征是用于表征不同生产项目中包含的不同操作环节的操作特点，从而便于对生产项目的项目属性数据进行确定。
该实施例中，作用关系是用于表征机器人在生产项目中需要对生产项目执行的动作类型以及具体的动作内容。
上述技术方案的有益效果是：通过对机器人产业链中包含的项目种类以及项目个数进行分析，实现对机器人产业链中包含的生产项目的项目属性数据进行准确可靠的分析，为准确构建全域可视化模拟场景提供了便利与保障，便于提高对机器人的管理效果。
实施例3：
在实施例1的基础上，本实施例提供了一种基于机器人产业链的数字孪生可视化方法，如图3所示，步骤1中，获取机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，包括：
步骤1011：获取预设三维扫描装置的配置信息，并基于配置信息确定预设三维扫描装置的扫描策略；
步骤1012：基于扫描策略确定对机器人的扫描方向，并基于扫描方向对机器人进行三维扫描，得到机器人模拟模型；
步骤1013：对机器人模拟模型进行解析，确定机器人中包含的结构组件，并提取各组件的形态特征；
步骤1014：基于形态特征确定各结构组件的形状参数及尺寸参数，并基于预设三维扫描装置的配置信息确定机器人模拟模型相对实际机器人的成像比例，且基于成像比例对各结构组件的形状参数及尺寸参数进行比例换算，得到机器人的模型参数。
该实施例中，预设三维扫描装置是提前设定好的，用于对机器人进行三维扫描，从而便于获取机器人的模型参数。
该实施例中，配置信息是用于表征预设三维扫描装置的扫描要求等参数信息。
该实施例中，扫描策略是用于表征如何对机器人进行扫描，即扫描的方式方法等。
该实施例中，扫描方向具体指的是从上往下、从下网上、从左至右或从右至左中的任意一种。
该实施例中，机器人模拟模型指的是对机器人进行三维扫描后得到的模拟模型。
该实施例中，结构组件指的是机器人中包含的器件，具体可以是机械臂，移动组件以及抓取组件等。
该实施例中，形态特征指的是各结构组件的形状以及尺寸等特征。
该实施例中，成像比例是用于表征通过预设三维扫描装置对机器人扫描后得到的机器人模拟模型的尺寸与实际机器人组件组件的比例关系。
上述技术方案的有益效果是：通过预设三维扫描装置对机器人进行扫描，并对扫描后得到的机器人的结构组件类型以及形状参数和尺寸参数进行分析，最终实现对机器人的模型参数进行准确可靠的获取，为实现构建全域可视化模拟场景提供了便利与保障。
实施例4：
在实施例1的基础上，本实施例提供了一种基于机器人产业链的数字孪生可视化方法，步骤1中，获取机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，包括：
获取得到的机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，并基于预设数据标签对得到的项目属性数据喝模型参数进行聚类处理，得到子项目属性数据集和子模型参数集；
提取子项目属性数据集对应的第一数据特征和子模型参数集对应的第二数据特征，并基于第一数据特征和第二数据特征从预设数据清洗规则库中匹配第一数据清洗规则和第二数据清洗规则；
分别从子项目属性数据集和子模型参数集中选取第一预处理数据片段和第二预处理数据片段，并基于第一数据清洗规则对第一预处理数据片段进行预清洗和基于第二数据清洗规则对第二预处理数据片段进行预清洗，且基于预清洗结果确定对第一预处理数据片段和第二预处理数据片段的清洗效率；
当清洗效率大于预设清洗效率阈值时，基于第一数据清洗规则对子项目属性数据集整体进行第一清洗，同时，基于第二数据清洗规则对子模型参数集整体进行第二清洗，得到最终的项目属性数据以及模型参数。
该实施例中，预设数据标签是提前设定好的，用于表征需要对项目属性数据和模型参数的分类要求。
该实施例中，子项目属性数据集指的是根据预设数据标签对项目数据数据进行分类后得到的数据集合。
该实施例中，子模型参数集指的是根据预设数据标签对机器人的模型参数进行分类后得到的数据集合。
该实施例中，第一数据特征指的是子项目属性数据集中的数据特征，具体可以表征子项目属性数据的类型以及取值范围等。
该实施例中，第二数据特征指的是子模型参数集中的数据特征，具体可以表征子模型参数的类型以及取值范围等。
该实施例中，预设数据清洗规则库是提前设定好的，用于存储不同的数据清洗规则。
该实施例中，第一数据清洗规则指的是适用于对子项目属性数据集进行清洗的规则。
该实施例中，第二数据清洗规则指的是适用于对子模型参数集进行清洗的规则。
该实施例中，第一预处理数据片段和第二预处理数据片段分别是子项目属性数据集和子模型参数集中的数据片段，用于验证第一数据清洗规则和第二数据清洗规则分别对子项目属性数据集和子模型参数集的清洗效果。
该实施例中，预清洗可以是通过第一数据清洗规则和第二数据清洗规则分别对第一预处理数据片段和第二预处理数据片段进行清洗。
该实施例中，预设清洗效率阈值是提前设定好的，用于衡量第一数据清洗规则和第二数据清洗规则的清洗效果是否满足最低要求。
该实施例中，第一清洗指的是当清洗效果满足要求时，通过第一数据清洗规则对子项目属性数据集整体进行清洗。
该实施例中，第二清洗指的是当清洗效果满足要求时，通过第二数据清洗规则对子模型参数集整体进行清洗。
上述技术方案的有益效果是：通过对得到的项目属性数据以及机器人的模型参数进行清洗，确保了最终得到的项目属性数据以及机器人的模型参数准确可靠性，为准确构建相应的全域可视化模拟场景提供了保障，也确保对机器人运行状态了解和把握的准确度。
实施例5：
在实施例1的基础上，本实施例提供了一种基于机器人产业链的数字孪生可视化方法，步骤1中，基于项目属性数据以及模型参数构建机器人产业链的全域可视化模拟场景，包括：
获取机器人产业链对应的实景深度图像信息，并将实景深度图像信息转换为点云数据，同时，基于项目属性数据将点云数据进行分组，得到各生产项目对应的子点云数据，并将子点云数据分别依次输入预设三维建模模型进行第一几何建模，得到各子点云数据对应的项目对象；
基于项目属性数据确定各项目对象对应的目标位置，并基于目标位置将项目对象进行关联，得到模拟场景，同时，将模型参数输入预设三维建模模型进行第二几何建模，得到机器人模拟模型，并确定机器人模拟模型在模拟场景中的初始位置；
基于初始位置将机器人模拟模型在模拟场景中进行添加，并基于添加结果对模拟场景以及机器人模拟模型进行渲染，且基于渲染结果得到最终的机器人产业链的全域可视化模拟场景。
该实施例中，实景深度图像信息指的是对机器人产业链进行图像采集后，且对采集到的图像进行分析得到的各物体与镜头的距离以及相对位置信息。
该实施例中，点云数据可以是将实景深度图像信息转换为离散的立体点数据。
该实施例中，子点云数据可以是对得到的点云数据分组后得到的每一组点云数据。
该实施例中，预设三维建模模型是提前设定好的，用于根据子点云数据进行相应的几何建模。
该实施例中，第一几何建模指的是通过预设三维建模模型构建场景的模拟对象。
该实施例中，项目对象指的是需要在全域可视化模拟场景中展示的物体。
该实施例中，目标位置是用于表征不行项目对象在构建的虚拟场景中所处的具体位置信息。
该实施例中，第二几何建模指的是通过预设三维建模模对机器人进行建模。
该实施例中，初始位置是用于表征机器人模拟模型在构建的模拟场景中所处的位置情况。
该实施例中，基于添加结果对模拟场景以及机器人模拟模型进行渲染指的是对构建的模拟场景以及机器人模拟模型进行修饰以及上色，从而确保真实性。
上述技术方案的有益效果是：通过对项目属性数据以及模型参数进行分析，实现对全域可视化模拟场景进行准确有效的构建，从而便于通过全域可视化模拟场景对实景场景中机器人的运行状态进行准确有效的了解和把握，从而实现对机器人进行准确可靠的管控。
实施例6：
在实施例1的基础上，本实施例提供了一种基于机器人产业链的数字孪生可视化方法，步骤2中，实时获取机器人在机器人产业链中的流程操作数据，并将流程操作数据在可视化模拟场景中进行实时交互，包括：
获取机器人产业链与全域可视化模拟场景的交互流程，并基于交互流程确定对机器人在机器人产业链中的流程操作数据的交互模式，且基于交互模式确定目标交互设备；
提取目标交互设备的设备配置参数，同时，对全域可视化模拟场景添加第一交互端口和第二交互端口，并基于设备配置参数以及交互类型对第一交互端口和第二交互端口分配协议内部端口号，且基于分配结果对第一交互端口和第二交互端口进行配置；
将配置好的第一交互端口与全域可视化模拟场景中的模拟机器人进行对接，将配置好的第一交互端口与全域可视化模拟场景中的模拟生产项目进行对接，并基于对接结果实时监测实景场景中机器人在机器人产业链中的流程操作数据；
基于目标交互设备对得到的流程操作数据进行分析，得到流程操作数据的数据源信息，并基于数据源信息生成数据源标识列表；
基于数据源标识列表将流程操作数据划分为第一端口数据集和第二端口数据集，并对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值进行锁定；
基于锁定结果确定第一交互端口和第二交互端口的接口配置信息，并基于第一交互端口和第二交互端口的接口配置信息分别确定对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值的数据承载格式；
基于数据承载格式对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值进行格式转换并封装，并基于目标交互设备将封装后的第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值下发至对应的第一交互端口和第二交互端口，完成将流程操作数据在可视化模拟场景中进行实时交互。
该实施例中，交互流程是用于表征机器人产业链与全域可视化模拟场景在交互时依据的标准，具体可以是如何进行交互以及交互的具体步骤等。
该实施例中，交互模式是用于表征对机器人在机器人产业链中的流程操作数据的交互方法，例如可以是是直接发送数据或通过中转设备发送数据。
该实施例中，目标交互设备是用于对实景现场中产生的流程操作数据进行转发，从而达到交互的效果。
该实施例中，设备配置参数是用于表征目标交互设备的交互条件以及对数据发送的功率和接口对接的要求等。
该实施例中，第二交互端口是用于接收模拟场景的交互数据。
该实施例中，第一交互端口是用于接收机器人执行动作的交互数据。
该实施例中，协议内部端口号是用于区分第一交互端口和第二交互端口，从而便于确保全域可视化模拟场景的有效运行。
该实施例中，基于分配结果对第一交互端口和第二交互端口进行配置指的是将分配好协议内部端口号的第一交互端口和第二交互端口进行容量适配以及传输速度适配等。
该实施例中，数据源信息是用于表征流程操作数据的具体来源，从而便于对应下发至全域可视化模拟场景中的相应对象。
该实施例中，数源标识列表是用于记录不同流程操作数据的数据源信息，从而便于对流程操作数据进行下发。
该实施例中，第一端口数据集和第二端口数据集指的是根据数据源标识列表将流程操作数据划分为模拟机器人对应的交互数据（第一端口数据集）和模拟生产项目对应的交互数据（第二端口数据集）。
该实施例中，数据项指的是第一端口数据集和第二端口数据集包含的具体数据类型，例如可以是控制移动的数据或是控制机器臂伸展的数据等。
该实施例中，各数据项的目标取值指的是各数据项对应的具体执行力度，例如可以是移动的距离或者移动的速度等。
该实施例中，接口配置信息是用于表征第一交互端口和第二交互端口对数据接收的条件，例如可以是格式要求或是接收速率要求等。
该实施例中，数据承载格式是用于表征第一交互端口和第二交互端口对数据的格式要求。
上述技术方案的有益效果是：通过确定实景场景和全域可视化模拟场景的交互流程，实现根据交互流程将实景场景中机器人产业链的流程操作数据准确下发至全域可视化模拟场景中，从而实现全域可视化模拟场景与实景的有效交互，便于通过全域可视化模拟场景对实景场景中机器人的实时运行情况进行有效监控，从而提高了对机器人的监管效果。
实施例7：
在实施例6的基础上，本实施例提供了一种基于机器人产业链的数字孪生可视化方法，其特征在于，基于目标交互设备将封装后的第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值下发至对应的第一交互端口和第二交互端口，包括：
基于预设传感器实时监测第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值下发至对应的第一交互端口和第二交互端口的下发进程，并基于监测结果确定对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值的传输参数；
基于传输参数确定对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值的下发效率，并当下发效率低于预设效率阈值时，确定目标交互设备中发射天线的闲置频段，且基于第一交互端口和第二交互端口的端口地址对闲置频段进行适配；
基于适配结果对第一交互端口和第二交互端口进行扩容，并基于扩容结果基于闲置频段协同下发第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值。
该实施例中，预设传感器是提前设定好的，用于监测对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值下发的情况（即数据传输的情况）。
该实施例中，传输参数具体指的是传输的速率以及传输带宽等参数。
该实施例中，预设效率阈值是提前设定好的，用于衡量当前对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值的下发效率是否满足最低要求，是可以进行调整的。
该实施例中，闲置频段指的是目标交互设备中发射天线当前未利用的频段，可对数据进行发射。
该实施例中，基于第一交互端口和第二交互端口的端口地址对闲置频段进行适配指的是为闲置频段添加信息接收终端地址，从而确保能够将数据发送至对应的端口。
该实施例中，基于适配结果对第一交互端口和第二交互端口进行扩容的目的是确保第一交互端口和第二交互端口能在同一时间对数据进行有效接收，确保接收效果。
上述技术方案的有益效果是：通过对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值下发过程进行实时监测，从而便于在下发效率不满足要求时，及时利用闲置频段，从而保障了对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值的下发效果，提高了交互的效率，保障了交互的效果。
实施例8：
在实施例6的基础上，本实施例提供了一种基于机器人产业链的数字孪生可视化方法，基于分配结果对第一交互端口和第二交互端口进行配置，包括：
获取配置后的第一交互端口和第二交互端口，同时，获取预设交互校验数据，并基于第一交互端口和第二交互端口将预设交互校验数据与全域可视化模拟场景进行预交互；
提取预设交互校验数据的业务特征，并基于业务特征确定预设交互校验数据对应的标准执行操作，同时，实时监测全域可视化模拟场景在接收到预设交互校验数据后的目标响应状态，并当目标响应状态与标准执行操作一致时，判定第一交互端口和第二交互端口配置合格，否则，判定对第一交互端口和第二交互端口配置不合格，且重新进行配置。
该实施例中，预设交互校验数据是提前设定好的，用于监测配置好的第一交互端口和第二交互端口的通信能力。
该实施例中，预交互指的是将预设交互校验数据通过第一交互端口和第二交互端口发送至全域可视化模拟场景。
该实施例中，业务特征是用于表征预设交互校验数据对应的交互类型以及需要达到的交互目的。
该实施例中，标准执行操作是用于表征全域可视化模拟场景在接收到预设交互校验数据后做出的标准响应。
该实施例中，目标响应状态指的是全域可视化模拟场景在接收到预设交互校验数据后做出的实际响应。
上述技术方案的有益效果是：通过采用预设交互校验数据对配置好的第一交互端口和第二交互端口的通信能力进行校验，从而便于确保端口的可靠性，保障了全域可视化模拟场景与实际场景的有效交互，也便于提高对实际场景中机器人运行状态监控的准确率。
实施例9：
在实施例6的基础上，本实施例提供了一种基于机器人产业链的数字孪生可视化方法，基于目标交互设备将封装后的第一端口数据集中的数据项以及各数据项的目标取值下发至对应的第一交互端口，包括：
获取目标交互设备到第一交互端口的通信链路，并确定通信链路的通信信道，同时，将第一端口数据集划分为多个数据包，并将多个数据包在通信信道中基于通信节点依次进行传输；
根据如下公式计算多个数据包在通信信道中基于通信节点进行传输时的有效探测占比；
其中，
表示多个数据包在通信信道中进行传输时第/>
个通信节点/>
转发第n个通信节点/>
的数据包的有效探测占比；/>
表示第/>
个通信节点/>
成功发送数据包的个数；/>
表示第n个通信节点/>
传输数据包失败的个数；/>
表示第/>
个通信节点
转发第i个数据包前进行探测信道的次数；
根据如下公式计算基于通信信道对多个数据包的传输效率；
其中，
表示基于通信信道对多个数据包的传输效率；/>
表示通信信道成功发送第/>
个数据包的时间/>
表示基于通信信道中通信节点进行无效探测的总时间；
基于有效探测占比以及传输效率确定对第一端口数据集进行传输的目标传输质量；
其中，
表示目标传输质量；/>
表示有效探测占比的第一权重系数/>
表示传输效率的第二权重系数，且/>
；
获取传输质量阈值，并将目标传输质量与传输质量阈值进行比较，判断基于目标交互设备将第一端口数据集传输至第一交互端口是否合格；
当目标传输质量等于或大于传输质量阈值时，则判定目标交互设备将第一端口数据集传输至第一交互端口合格；
否则，则判定目标交互设备将第一端口数据集传输至第一交互端口不合格，并进行报警操作。
该实施例中，通信节点在开始数据传输时，首先会对通信信道进行探测，若信道处于忙碌状态，则延迟对该数据包的转发，若通信信道空闲，则可以直接转发数据包。
该实施例中，传输质量阈值是提前设定好的，用来作为衡量目标交互设备将第一端口数据集传输至第一交互端口是否合格的标准。
该实施例中，报警操作指的是灯光、声音以及振动中的一种或多种。
上述技术方案的有益效果是：通过准确计算多个数据包在通信信道中基于通信节点进行传输时的有效探测占比以及基于通信信道对多个数据包的传输效率，从而有效确定第一端口数据集进行传输的目标传输质量，从而有效衡量基于目标交互设备将第一端口数据集传输至第一交互端口是否合格，提高了基于目标交互设备将封装后的第一端口数据集下发至第一交互端口的监控力度，有效保障传输质量的合格，从而提高数据交互的效率。
实施例10：
在实施例1的基础上，本实施例提供了一种基于机器人产业链的数字孪生可视化方法，步骤3中，基于交互结果在全域可视化模拟场景中对机器人的实时动作进行可视化模拟动态展示，并基于展示结果以及实时动作对应的动作数据评估机器人的运行状态，包括：
获取对全域可视化模拟场景的交互结果，并基于交互结果确定机器人在机器人产业链中的目标动作数据集合，且将目标动作数据集合拆分为M个动作序列；
基于预设动作执行逻辑确定各动作序列之间的逻辑关系，并基于逻辑关系控制全域可视化模拟场景的模拟机器人执行对应模拟动作，且将模拟动作基于全域可视化模拟场景进行实时动态展示；
获取机器人在机器人产业链中执行生产项目时的标准状态特征以及各生产项目要求的标准生产工艺，并基于预设生产要求确定标准状态特征与标准生产工艺的关联关系，同时，获取对机器人在机器人产业链中执行生产项目时评价指标，并基于关联关系以及评价指标对预设神经网络模型进行训练，构建状态评价模型；
基于实时动态展示结果获取机器人在执行生产项目时的运行数据，并将运行数据输入状态评价模型进行分析，得到机器人对生产项目的加工标准；
当加工标准满足预设标准时，则判定机器人的运行状态合格，否则，判定机器人的运行状态存在异常，并向管理终端发送预警提醒。
该实施例中，目标动作数据集合指的是机器人在机器人产业链中执行的左右动作对应的数据。
该实施例中，动作序列指的是将目标动作数据集合拆分为各个独立动作对应的数据，从而便于对机器人的实时动作进行可视化模拟动态展示。
该实施例中，预设动作执行逻辑是提前设定好的，用于分析各动作序列之间的逻辑关系，其中，逻辑关系可以是表征机器人在执行相应动作时，各组件之间的配合逻辑，即组件伸缩情况。
该实施例中，标准状态特征是用于表征机器人在机器人产业链中执行生产项目时的标准动作。
该实施例中，标准生产工艺指的是机器人在机器人产业链中执行生产项目时，生产项目需要达到的一个标准展示结果
该实施例中，预设生产要求是提前设定好的，用于表征生产过程中需要达到的便准或者要求。
该实施例中，评价指标是用于评价机器人执行生产项目的过程是否达到预期要求的参考依据。
该实施例中，预设神经网络模型是提前设定好的，是模型框架，通过关联关系以及评价指标进行训练，即可得到状态评价模型。
该实施例中，加工标准是用于表征机器人对生产项目的施工标准程度。
该实施例中，预设标准是需要达到的施工标准，是提前已知的。
上述技术方案的有益效果是：通过全域可视化模拟场景中对机器人的实时动作进行可视化模拟动态展示，便于管理人员及时有效的了解机器人当前的运行状态，节省了大量的人力物力监测，其次，通过展示结果及时对机器人的运行状态进行评估，从而便于及时了解各机器人的运行状态，保障了通过机器人对产业链进行可靠有效的生产操作。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于机器人产业链的数字孪生可视化方法，其特征在于，包括：
步骤1：获取机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，并基于项目属性数据以及模型参数构建机器人产业链的全域可视化模拟场景；
步骤2：实时获取机器人在机器人产业链中的流程操作数据，并将流程操作数据在可视化模拟场景中进行实时交互；
步骤3：基于交互结果在全域可视化模拟场景中对机器人的实时动作进行可视化模拟动态展示，并基于展示结果以及实时动作对应的动作数据评估机器人的运行状态。
2.根据权利要求1所述的一种基于机器人产业链的数字孪生可视化方法，其特征在于，步骤1中，获取机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，包括：
获取机器人产业链中包含的项目种类以及项目个数，并基于项目种类以及项目个数确定各生产项目对应的项目运行要求；
基于项目运行要求确定各生产项目之间的关联关系，并基于关联关系将各生产项目进行排序，且基于排序结果确定各生产项目对应的生产环节特征；
基于生产环节特征确定各生产项目与机器人的作用关系，并基于作用关系得到不同生产项目的项目属性数据。
3.根据权利要求1所述的一种基于机器人产业链的数字孪生可视化方法，其特征在于，步骤1中，获取机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，包括：
获取预设三维扫描装置的配置信息，并基于配置信息确定预设三维扫描装置的扫描策略；
基于扫描策略确定对机器人的扫描方向，并基于扫描方向对机器人进行三维扫描，得到机器人模拟模型；
对机器人模拟模型进行解析，确定机器人中包含的结构组件，并提取各组件的形态特征；
基于形态特征确定各结构组件的形状参数及尺寸参数，并基于预设三维扫描装置的配置信息确定机器人模拟模型相对实际机器人的成像比例，且基于成像比例对各结构组件的形状参数及尺寸参数进行比例换算，得到机器人的模型参数。
4.根据权利要求1所述的一种基于机器人产业链的数字孪生可视化方法，其特征在于，步骤1中，获取机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，包括：
获取得到的机器人产业链中不同生产项目的项目属性数据以及机器人的模型参数，并基于预设数据标签对得到的项目属性数据喝模型参数进行聚类处理，得到子项目属性数据集和子模型参数集；
提取子项目属性数据集对应的第一数据特征和子模型参数集对应的第二数据特征，并基于第一数据特征和第二数据特征从预设数据清洗规则库中匹配第一数据清洗规则和第二数据清洗规则；
分别从子项目属性数据集和子模型参数集中选取第一预处理数据片段和第二预处理数据片段，并基于第一数据清洗规则对第一预处理数据片段进行预清洗和基于第二数据清洗规则对第二预处理数据片段进行预清洗，且基于预清洗结果确定对第一预处理数据片段和第二预处理数据片段的清洗效率；
当清洗效率大于预设清洗效率阈值时，基于第一数据清洗规则对子项目属性数据集整体进行第一清洗，同时，基于第二数据清洗规则对子模型参数集整体进行第二清洗，得到最终的项目属性数据以及模型参数。
5.根据权利要求1所述的一种基于机器人产业链的数字孪生可视化方法，其特征在于，步骤1中，基于项目属性数据以及模型参数构建机器人产业链的全域可视化模拟场景，包括：
获取机器人产业链对应的实景深度图像信息，并将实景深度图像信息转换为点云数据，同时，基于项目属性数据将点云数据进行分组，得到各生产项目对应的子点云数据，并将子点云数据分别依次输入预设三维建模模型进行第一几何建模，得到各子点云数据对应的项目对象；
基于项目属性数据确定各项目对象对应的目标位置，并基于目标位置将项目对象进行关联，得到模拟场景，同时，将模型参数输入预设三维建模模型进行第二几何建模，得到机器人模拟模型，并确定机器人模拟模型在模拟场景中的初始位置；
基于初始位置将机器人模拟模型在模拟场景中进行添加，并基于添加结果对模拟场景以及机器人模拟模型进行渲染，且基于渲染结果得到最终的机器人产业链的全域可视化模拟场景。
6.根据权利要求1所述的一种基于机器人产业链的数字孪生可视化方法，其特征在于，步骤2中，实时获取机器人在机器人产业链中的流程操作数据，并将流程操作数据在可视化模拟场景中进行实时交互，包括：
获取机器人产业链与全域可视化模拟场景的交互流程，并基于交互流程确定对机器人在机器人产业链中的流程操作数据的交互模式，且基于交互模式确定目标交互设备；
提取目标交互设备的设备配置参数，同时，对全域可视化模拟场景添加第一交互端口和第二交互端口，并基于设备配置参数以及交互类型对第一交互端口和第二交互端口分配协议内部端口号，且基于分配结果对第一交互端口和第二交互端口进行配置；
将配置好的第一交互端口与全域可视化模拟场景中的模拟机器人进行对接，将配置好的第二交互端口与全域可视化模拟场景中的模拟生产项目进行对接，并基于对接结果实时监测实景场景中机器人在机器人产业链中的流程操作数据；
基于目标交互设备对得到的流程操作数据进行分析，得到流程操作数据的数据源信息，并基于数据源信息生成数据源标识列表；
基于数据源标识列表将流程操作数据划分为第一端口数据集和第二端口数据集，并对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值进行锁定；
基于锁定结果确定第一交互端口和第二交互端口的接口配置信息，并基于第一交互端口和第二交互端口的接口配置信息分别确定对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值的数据承载格式；
基于数据承载格式对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值进行格式转换并封装，并基于目标交互设备将封装后的第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值下发至对应的第一交互端口和第二交互端口，完成将流程操作数据在可视化模拟场景中进行实时交互。
7.根据权利要求6所述的一种基于机器人产业链的数字孪生可视化方法，其特征在于，基于目标交互设备将封装后的第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值下发至对应的第一交互端口和第二交互端口，包括：
基于预设传感器实时监测第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值下发至对应的第一交互端口和第二交互端口的下发进程，并基于监测结果确定对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值的传输参数；
基于传输参数确定对第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值的下发效率，并当下发效率低于预设效率阈值时，确定目标交互设备中发射天线的闲置频段，且基于第一交互端口和第二交互端口的端口地址对闲置频段进行适配；
基于适配结果对第一交互端口和第二交互端口进行扩容，并基于扩容结果基于闲置频段协同下发第一端口数据集和第二端口数据集中的数据项以及各数据项的目标取值。
8.根据权利要求6所述的一种基于机器人产业链的数字孪生可视化方法，其特征在于，基于分配结果对第一交互端口和第二交互端口进行配置，包括：
获取配置后的第一交互端口和第二交互端口，同时，获取预设交互校验数据，并基于第一交互端口和第二交互端口将预设交互校验数据与全域可视化模拟场景进行预交互；
提取预设交互校验数据的业务特征，并基于业务特征确定预设交互校验数据对应的标准执行操作，同时，实时监测全域可视化模拟场景在接收到预设交互校验数据后的目标响应状态，并当目标响应状态与标准执行操作一致时，判定第一交互端口和第二交互端口配置合格，否则，判定对第一交互端口和第二交互端口配置不合格，且重新进行配置。
9.根据权利要求6所述的一种基于机器人产业链的数字孪生可视化方法，其特征在于，基于目标交互设备将封装后的第一端口数据集中的数据项以及各数据项的目标取值下发至对应的第一交互端口，包括：
获取目标交互设备到第一交互端口的通信链路，并确定通信链路的通信信道，同时，将第一端口数据集划分为多个数据包，并将多个数据包在通信信道中基于通信节点依次进行传输；
分别计算多个数据包在通信信道中基于通信节点进行传输时的有效探测占比以及基于通信信道对多个数据包的传输效率；
基于有效探测占比以及传输效率确定对第一端口数据集进行传输的目标传输质量；
获取传输质量阈值，并将目标传输质量与传输质量阈值进行比较，判断基于目标交互设备将第一端口数据集传输至第一交互端口是否合格；
当目标传输质量等于或大于传输质量阈值时，则判定目标交互设备将第一端口数据集传输至第一交互端口合格；
否则，则判定目标交互设备将第一端口数据集传输至第一交互端口不合格，并进行报警操作。
10.根据权利要求1所述的一种基于机器人产业链的数字孪生可视化方法，其特征在于，步骤3中，基于交互结果在全域可视化模拟场景中对机器人的实时动作进行可视化模拟动态展示，并基于展示结果以及实时动作对应的动作数据评估机器人的运行状态，包括：
获取对全域可视化模拟场景的交互结果，并基于交互结果确定机器人在机器人产业链中的目标动作数据集合，且将目标动作数据集合拆分为M个动作序列；
基于预设动作执行逻辑确定各动作序列之间的逻辑关系，并基于逻辑关系控制全域可视化模拟场景的模拟机器人执行对应模拟动作，且将模拟动作基于全域可视化模拟场景进行实时动态展示；
获取机器人在机器人产业链中执行生产项目时的标准状态特征以及各生产项目要求的标准生产工艺，并基于预设生产要求确定标准状态特征与标准生产工艺的关联关系，同时，获取对机器人在机器人产业链中执行生产项目时评价指标，并基于关联关系以及评价指标对预设神经网络模型进行训练，构建状态评价模型；
基于实时动态展示结果获取机器人在执行生产项目时的运行数据，并将运行数据输入状态评价模型进行分析，得到机器人对生产项目的加工标准；
当加工标准满足预设标准时，则判定机器人的运行状态合格，否则，判定机器人的运行状态存在异常，并向管理终端发送预警提醒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310449245.1A CN116168164B (zh) | 2023-04-25 | 2023-04-25 | 基于机器人产业链的数字孪生可视化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310449245.1A CN116168164B (zh) | 2023-04-25 | 2023-04-25 | 基于机器人产业链的数字孪生可视化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116168164A true CN116168164A (zh) | 2023-05-26 |
| CN116168164B CN116168164B (zh) | 2023-07-04 |
Family
ID=86420339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310449245.1A Active CN116168164B (zh) | 2023-04-25 | 2023-04-25 | 基于机器人产业链的数字孪生可视化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116168164B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116384715A (zh) * | 2023-06-06 | 2023-07-04 | 深圳墨影科技有限公司 | 一种数字化机器人产业链的机器人运维管理方法 |
| CN116909768A (zh) * | 2023-07-12 | 2023-10-20 | 深圳市魔数智擎人工智能有限公司 | 一种基于工作流的应用程序中对用户输入和交互建模 |
| CN117475431A (zh) * | 2023-12-27 | 2024-01-30 | 君华高科集团有限公司 | 一种基于数字孪生技术的食品安全监管方法及系统 |
| CN118195425A (zh) * | 2024-05-14 | 2024-06-14 | 成都工业职业技术学院 | 基于三维建模的教学任务评分方法及系统 |
| CN118365316A (zh) * | 2024-06-20 | 2024-07-19 | 深圳墨影科技有限公司 | 一种机器人的预测性维护系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738739A (zh) * | 2019-10-22 | 2020-01-31 | 同济大学 | 一种面向机器人装配的数字孪生系统的构建系统 |
| CN111230887A (zh) * | 2020-03-10 | 2020-06-05 | 合肥学院 | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 |
| CN111611702A (zh) * | 2020-05-15 | 2020-09-01 | 深圳星地孪生科技有限公司 | 数字孪生场景创建方法、装置、设备和存储介质 |
| EP3798747A1 (en) * | 2019-09-26 | 2021-03-31 | Siemens Aktiengesellschaft | Controlling a machine based on an online digital twin |
| CN113515098A (zh) * | 2021-07-30 | 2021-10-19 | 青岛海尔工业智能研究院有限公司 | 物流机器人数字孪生系统 |
| CN113722979A (zh) * | 2021-07-30 | 2021-11-30 | 太原理工大学 | 一种基于数字孪生的采煤机虚实交互系统及其构建方法 |
| CN113887016A (zh) * | 2021-09-07 | 2022-01-04 | 中船智能科技(上海)有限公司 | 一种基于数字孪生的船舶数字化车间仿真方法与系统 |
| CN114357732A (zh) * | 2021-12-17 | 2022-04-15 | 中国电子科技集团公司第三十八研究所 | 电子装备数字孪生模型及其构建方法和应用 |
| CN115422415A (zh) * | 2022-07-06 | 2022-12-02 | 中国农业大学 | 一种用于葡萄酒生产的数字孪生体构造系统 |
| WO2023272836A1 (zh) * | 2021-06-28 | 2023-01-05 | 成都飞机工业（集团）有限责任公司 | 一种基于加工知识的数控工艺设计及优化方法 |
-
2023
- 2023-04-25 CN CN202310449245.1A patent/CN116168164B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3798747A1 (en) * | 2019-09-26 | 2021-03-31 | Siemens Aktiengesellschaft | Controlling a machine based on an online digital twin |
| CN110738739A (zh) * | 2019-10-22 | 2020-01-31 | 同济大学 | 一种面向机器人装配的数字孪生系统的构建系统 |
| CN111230887A (zh) * | 2020-03-10 | 2020-06-05 | 合肥学院 | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 |
| CN111611702A (zh) * | 2020-05-15 | 2020-09-01 | 深圳星地孪生科技有限公司 | 数字孪生场景创建方法、装置、设备和存储介质 |
| WO2023272836A1 (zh) * | 2021-06-28 | 2023-01-05 | 成都飞机工业（集团）有限责任公司 | 一种基于加工知识的数控工艺设计及优化方法 |
| CN113515098A (zh) * | 2021-07-30 | 2021-10-19 | 青岛海尔工业智能研究院有限公司 | 物流机器人数字孪生系统 |
| CN113722979A (zh) * | 2021-07-30 | 2021-11-30 | 太原理工大学 | 一种基于数字孪生的采煤机虚实交互系统及其构建方法 |
| CN113887016A (zh) * | 2021-09-07 | 2022-01-04 | 中船智能科技(上海)有限公司 | 一种基于数字孪生的船舶数字化车间仿真方法与系统 |
| CN114357732A (zh) * | 2021-12-17 | 2022-04-15 | 中国电子科技集团公司第三十八研究所 | 电子装备数字孪生模型及其构建方法和应用 |
| CN115422415A (zh) * | 2022-07-06 | 2022-12-02 | 中国农业大学 | 一种用于葡萄酒生产的数字孪生体构造系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116384715A (zh) * | 2023-06-06 | 2023-07-04 | 深圳墨影科技有限公司 | 一种数字化机器人产业链的机器人运维管理方法 |
| CN116384715B (zh) * | 2023-06-06 | 2023-08-11 | 深圳墨影科技有限公司 | 一种数字化机器人产业链的机器人运维管理方法 |
| CN116909768A (zh) * | 2023-07-12 | 2023-10-20 | 深圳市魔数智擎人工智能有限公司 | 一种基于工作流的应用程序中对用户输入和交互建模 |
| CN117475431A (zh) * | 2023-12-27 | 2024-01-30 | 君华高科集团有限公司 | 一种基于数字孪生技术的食品安全监管方法及系统 |
| CN117475431B (zh) * | 2023-12-27 | 2024-03-15 | 君华高科集团有限公司 | 一种基于数字孪生技术的食品安全监管方法及系统 |
| CN118195425A (zh) * | 2024-05-14 | 2024-06-14 | 成都工业职业技术学院 | 基于三维建模的教学任务评分方法及系统 |
| CN118365316A (zh) * | 2024-06-20 | 2024-07-19 | 深圳墨影科技有限公司 | 一种机器人的预测性维护系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116168164B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116168164B (zh) | 基于机器人产业链的数字孪生可视化方法 | |
| CN102946616B (zh) | 一种物联网中间件性能测试系统和测试方法 | |
| CN113887016A (zh) | 一种基于数字孪生的船舶数字化车间仿真方法与系统 | |
| CN109902640A (zh) | 基于边缘计算和机器学习的视频质量异常检测系统及其检测方法 | |
| CN108389007A (zh) | 安全风险管控系统和方法 | |
| CN105334224B (zh) | 自动化质量检测云平台 | |
| CN107037782B (zh) | 监控机床的方法和装置 | |
| CN113505993A (zh) | 分拨中心管理方法、装置、设备及存储介质 | |
| CN111651530A (zh) | 一种智能化港口监测系统 | |
| CN108225439A (zh) | 一种电子通信环境监控系统 | |
| CN116703303A (zh) | 基于多层感知机与rbf的仓储可视化监管系统及方法 | |
| CN117611055A (zh) | 一种基于数字孪生的仓库管理方法及系统 | |
| CN117499439A (zh) | 一种基于工业物联网的巡检数据处理系统及其处理方法 | |
| CN114384881A (zh) | 基于数字孪生的车间物流监测与仿真系统及方法 | |
| CN113319462A (zh) | 一种基于边云协同的焊接机器人管控方法和装置 | |
| CN116436791A (zh) | 工业互联网场景构建方法、系统、设备及存储介质 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| Ariansyah et al. | Digital twin development: a step by step guideline | |
| CN116737483B (zh) | 一种装配测试交互方法、装置、设备及存储介质 | |
| CN109250233A (zh) | 待包装对象的包装方法及装置 | |
| CN112967334A (zh) | 用于对物料进行盘点的方法、系统、电子设备和存储介质 | |
| CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
| CN115562191B (zh) | 基于工业数字孪生的生产力中台智能推测分析方法 | |
| CN107703917A (zh) | 控制器性能检测方法及系统 | |
| CN110162015B (zh) | 一种基于公共饮水装置的故障诊断方法 |
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 |