CN116341131A - 基于数字孪生的再制造设计仿真系统、方法、设备及介质 - Google Patents
基于数字孪生的再制造设计仿真系统、方法、设备及介质 Download PDFInfo
- Publication number
- CN116341131A CN116341131A CN202310150881.4A CN202310150881A CN116341131A CN 116341131 A CN116341131 A CN 116341131A CN 202310150881 A CN202310150881 A CN 202310150881A CN 116341131 A CN116341131 A CN 116341131A
- Authority
- CN
- China
- Prior art keywords
- digital twin
- data
- digital
- module
- model
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 78
- 238000013461 design Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000012512 characterization method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 107
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 2
- 239000002131 composite material Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000004927 fusion Effects 0.000 abstract description 6
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 21
- 239000000306 component Substances 0.000 description 14
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011981 development test Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Abstract
本发明涉及再制造及数字孪生相关技术，揭露了基于数字孪生的再制造设计仿真系统、方法、设备及介质，所述系统包括：应用层获取信息数据并传输至数据获取模块；数据获取模块接收信息数据并选取关键参量；数字孪生建模模块获取物理实体，根据物理实体构建数字孪生模型并进行融合及重构，得到重构数字孪生模型；数字孪生模型自适应设计模块对重构数字孪生模型进行优化训练，得到目标数字孪生模型，并建立数据接口；数字孪生故障预测模块根据数据接口获取数字化表征方法，并对电机进行动态推演及故障预测，得到结果；应用层利用数据接口接收结果，并利用电机执行结果。本发明可以通过再制造工艺为失效情况各异的废旧零部件使用。
Description
技术领域
本发明涉及再制造及数字孪生相关技术领域，尤其涉及一种基于数字孪生的再制造设计仿真系统、方法、设备及介质。
背景技术
数字孪生用于实现物理空间与虚拟空间之间的互联互通，为提高仿真的逼近性提供了新思路。数字孪生模型是数字孪生技术的核心，是对生产线现场的实体映射。数字孪生技术近年来在制造业中开始得到应用，数字孪生体的关键突破点在于：所构建的数学模型不仅仅是物理镜像，还要接受物理世界的信息，进而反方向驱动物理世界，甚至成为物理世界的先知，这个演化过程可以称作成熟度进化。数字孪生在智能制造中的应用潜力得到越来越多的关注。
对电机进行的再制造指的是对低效电机进行重新设计，通过适当的拆解，尽可能地利用原有部件，并对绝缘、轴承与绕组等在内的部件进行更新，利用先进技术与性能较高的材料，根据相关质量标准，采用严格的检测与分析方法，通过再制造形成新的高效电机。当前我国再制造产业正处于初级发展阶段，许多再制造企业由于缺乏再制造工艺信息的积累，难以为失效情况各异的废旧零部件设计出较好的再制造工艺方案。综上所述，现有技术中存在没有较好的再制造工艺为失效情况各异的废旧零部件使用的问题。
发明内容
针对上述问题，本发明的实施例提供了一种基于数字孪生的再制造设计仿真系统、方法、设备及介质。
第一方面，本发明实施例提供了一种基于数字孪生的再制造设计仿真系统，包括虚拟处理层及应用层，其中，所述虚拟处理层包括数据获取模块、数字孪生建模模块、数字孪生模型自适应设计模块、数字孪生故障预测模块：
数据传输模块，用于所述应用层获取电机的信息数据，并将所述信息数据传输至所述虚拟处理层中的数据获取模块；
信息数据选取模块，用于所述数据获取模块接收所述应用层的信息数据，并从所述信息数据中选取关键参量；
数字孪生模型构建模块，用于所述数字孪生建模模块获取所述关键参量对应的物理实体，根据所述物理实体构建数字孪生模型，对所述数字孪生模型进行融合及重构，得到重构数字孪生模型；
数据接口生成模块，用于所述数字孪生模型自适应设计模块对所述重构数字孪生模型进行优化训练，得到目标数字孪生模型，并建立所述虚拟处理层与所述应用层的数据接口；
电机动态推演及故障预测模块，用于所述数字孪生故障预测模块根据所述数据接口获取所述应用层的电机的数字化表征方法，根据所述数字化表征方法及所述目标数字孪生模型对所述电机进行动态推演及故障预测，得到推演及预测的结果；
电机执行模块，用于所述应用层利用所述数据接口接收所述数字孪生故障预测模块的推演及预测的结果，并利用所述电机执行所述推演及预测的结果。
根据本发明的实施例，所述应用层在执行所述将所述信息数据传输至所述虚拟处理层中的数据获取模块的功能时，具体用于：
对所述信息数据进行排序，得到数据序号；
获取传输控制协议，利用所述传输控制协议将所述应用层与所述虚拟处理层中的数据获取模块建立连接，并根据所述数据序号向所述数据获取模块传输所述信息数据。
根据本发明的实施例，所述数字孪生建模模型在执行所述根据所述物理实体构建数字孪生模型的功能时，具体用于：
获取所述物理实体的内部物理耦合关系，对所述内部物理耦合关系进行分析，得到关键要素，并根据所述关键要素生成电机三维模型；
获取所述物理实体的历史测试数据，将所述历史测试数据传输至所述电机三维模型中，得到初始数字孪生模型；
对所述初始数字孪生模型进行渲染，得到数字孪生模型。
根据本发明的实施例，所述数字孪生模型自适应设计模块在执行所述对所述重构数字孪生模型进行优化训练，得到目标数字孪生模型的功能时，具体用于：
对所述重构数字孪生模型进行仿真实验，得到仿真数据；
利用预设的生成对抗网络对所述仿真数据进行合成，得到合成数据；
根据所述生成对抗网络对所述仿真数据及所述合成数据进行函数构建，得到目标函数；
根据所述目标函数对所述重构数字孪生模型进行优化处理，得到目标数字孪生模型。
根据本发明的实施例，所述数字孪生模型自适应设计模块在执行所述根据所述生成对抗网络对所述仿真数据及所述合成数据进行函数构建，得到目标函数的功能时，具体用于：
获取所述仿真数据及所述合成数据对应的真实样本及合成样本，根据所述真实样本及所述合成样本计算所述生成对抗网络中判别器、生成器及分类器所对应的损失函数，得到第一损失函数、第二损失函数及第三损失函数；
根据预设的权重系数、所述第一损失函数、所述第二损失函数以及所述第三损失函数进行权重计算，得到目标函数。
根据本发明的实施例，所述数字孪生模型自适应设计模块在执行所述建立所述虚拟处理层与所述应用层的数据接口的功能时，具体用于：
获取多个数据处理函数，将所述多个数据处理函数线性组合为构造函数；
利用所述构造函数构造所述虚拟处理层与所述应用层之间的数据接口。
根据本发明的实施例，所述数字孪生故障预测模块在执行所述根据所述数字化表征方法及所述目标数字孪生模型对所述电机进行动态推演及故障预测，得到推演及预测的结果的功能时，具体用于：
当所述电机接收到所述目标数字孪生模型发送的仿真推演请求时，获取所述电机的历史数据及实时数据，根据所述历史数据搭建数据环境；
利用所述数字化表征方法对所述实时数据进行筛选，得到目标数据，根据所述目标数据及所述数据环境构建仿真推演模型；
利用所述仿真推演模型对所述电机的全生命周期进行检测，根据检测的结果判断所述电机是否存在冲击；
当所述电机存在冲击时，对所述目标数字孪生模型进行演化及修正处理，得到修正数字孪生模型。
第二方面，本发明实施例提供了一种基于数字孪生的再制造设计仿真方法，所述方法包括：
应用层获取电机的信息数据，并将所述信息数据传输至预设的虚拟处理层中的数据获取模块；
数据获取模块接收所述应用层的信息数据，并从所述信息数据中选取关键参量；
数字孪生建模模块获取所述关键参量对应的物理实体，根据所述物理实体构建数字孪生模型；
所述数字孪生建模模块对所述数字孪生模型进行融合及重构，得到重构数字孪生模型；
数字孪生模型自适应设计模块对所述重构数字孪生模型进行优化训练，得到目标数字孪生模型；
所述数字孪生模型自适应设计模块建立所述虚拟处理层与所述应用层的数据接口；
数字孪生故障预测模块根据所述数据接口获取所述应用层的电机的数字化表征方法，根据所述数字化表征方法及所述目标数字孪生模型对所述电机进行动态推演及故障预测，得到推演及预测的结果；
应用层利用所述数据接口接收所述数字孪生故障预测模块的推演及预测的结果，并利用所述电机执行所述推演及预测的结果。
第三方面，本发明实施例提供了一种电子设备，其包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如前第一方面所述的一种基于数字孪生的再制造设计仿真系统的功能。。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如前第一方面所述的一种基于数字孪生的再制造设计仿真系统的功能。
与现有技术相比，本发明的上述技术方案具有如下有益效果：
本发明的实施例通过应用层获取电机的信息数据，并将信息数据传输至虚拟处理层中的数据获取模块，能够使得获取的信息数据及时传输至数据获取模块，从而加快计算机处理效率；通过数据获取模块接收应用层的信息数据，并从信息数据中选取关键参量，能够缩短计算时间，从而加快计算效率；通过数字孪生建模模块获取关键参量对应的物理实体，利用物理实体构建数字孪生模型，使得数字孪生模型更加精确；通过对数字孪生模型进行融合及重构，能够使得重构数字孪生模型更加具有灵活性；通过数字孪生模型自适应设计模块对重构数字孪生模型进行优化训练，使得到的目标数字孪生模型更加准确；通过建立虚拟处理层与应用层的数据接口，能够使得数据传输效率更高；通过数字孪生故障预测模块根据数据接口获取应用层的电机的数字化表征方法，根据数字化表征方法及目标数字孪生模型对电机进行动态推演及故障预测，能够使得电机的故障减少，从而提高了电机运行的效率；通过应用层利用数据接口接收数字孪生故障预测模块的推演及预测的结果，并利用电机执行推演及预测的结果，能够降本节能、保证零部件高质量循环利用及再制造设计、制造环节的碳减排。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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显示了本发明实施例一的基于数字孪生的再制造设计仿真系统的功能模块图；
图2显示了本发明实施例二的数字孪生建模模块在执行对数字孪生模型进行融合及重构，得到重构数字孪生模型的功能时的工作流程图；
图3显示了本发明实施例三的基于数字孪生的再制造设计仿真方法的工作流程图；
图4显示了本发明实施例四的实现所述基于数字孪生的再制造设计仿真方法的电子设备的组成结构示意图。
具体实施方式
下面结合附图所示的实施例对本公开作进一步说明。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明提出了一种基于数字孪生的再制造设计仿真系统，所述再制造设计仿真系统分为虚拟处理层和应用层，其中，所述虚拟处理层包括数据获取模块、数字孪生建模模块、数字孪生模型自适应设计模块、数字孪生故障预测模块；所述应用层通过数字孪生再制造设计仿真系统与物理实体之间的双向真实映射与实时交互，使仿真系统能够同时支持实时、在线、离线模型的计算。本发明是面向产品全生命周期的数字孪生的再制造设计仿真系统，基于电机内部物理耦合关系和丰富的历史及实时数据构建数字孪生模型，采用机器学习等方法对数字孪生模型进行求解，提升数字孪生系统协同与参数自适应能力；并提出基于迁移学习的系统典型故障数学物理特征模型，探寻工业电机典型故障的高保真度数字化表征，实现对工业电机全生命周期的动态推演，从而能够实现缩短再制造开发试验周期、降低再制造成本、大幅减少碳排放的目标。
实施例一
如图1所示，本实施例提供一种基于数字孪生的再制造设计仿真系统的功能模块图。
本实施例所述的基于数字孪生的再制造设计仿真系统100可以安装于电子设备中。根据实现的功能，所述基于数字孪生的再制造设计仿真系统100可以包括数据传输模块101、信息数据选取模块102、数字孪生模型构建模块103、数据接口生成模块104、电机动态推演及故障预测模块105以及电机执行模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据传输模块101，用于所述应用层获取电机的信息数据，并将所述信息数据传输至所述虚拟处理层中的数据获取模块；
所述信息数据选取模块102，用于所述数据获取模块接收所述应用层的信息数据，并从所述信息数据中选取关键参量；
所述数字孪生模型构建模块103，用于所述数字孪生建模模块获取所述关键参量对应的物理实体，根据所述物理实体构建数字孪生模型，对所述数字孪生模型进行融合及重构，得到重构数字孪生模型；
所述数据接口生成模块104，用于所述数字孪生模型自适应设计模块对所述重构数字孪生模型进行优化训练，得到目标数字孪生模型，并建立所述虚拟处理层与所述应用层的数据接口；
所述电机动态推演及故障预测模块105，用于所述数字孪生故障预测模块根据所述数据接口获取所述应用层的电机的数字化表征方法，根据所述数字化表征方法及所述目标数字孪生模型对所述电机进行动态推演及故障预测，得到推演及预测的结果；
所述电机执行模块106，用于所述应用层利用所述数据接口接收所述数字孪生故障预测模块的推演及预测的结果，并利用所述电机执行所述推演及预测的结果。
下面结合具体实施例，分别针对基于数字孪生的再制造设计仿真系统的各个组成部分以及具体工作流程进行说明：
所述数据传输模块101，用于所述应用层获取电机的信息数据，并将所述信息数据传输至所述虚拟处理层中的数据获取模块。
本发明实施例中，所述应用层指的是通过数字孪生的再制造设计仿真系统与物理实体之间的双向真实映射与实时交互，使所述再制造设计仿真系统能够同时支持实时、在线、离线模型的计算；所述电机指的是依据电磁感应定律实现电能转换或传递的一种电磁装置；所述信息数据包括几何数据、物理数据及过程数据。
本发明实施例中，所述应用层在执行所述将所述信息数据传输至所述虚拟处理层中的数据获取模块的功能时，具体用于：
对所述信息数据进行排序，得到数据序号；
获取传输控制协议，利用所述传输控制协议将所述应用层与所述虚拟处理层中的数据获取模块建立连接，并根据所述数据序号向所述数据获取模块传输所述信息数据。
本发明实施例中，根据所述信息数据传输的时间进行排序，得到数据序号，能够防止数据丢失；所述传输控制协议可以但不仅限于TCP(三次握手)协议，使用三次握手协议建立所述应用层与所述虚拟处理层中的数据获取模块的连接；根据所述数据序号向所述数据获取模块传输所述信息数据，能够避免数据在传输过程中数据拥塞。
所述信息数据选取模块102，用于所述数据获取模块接收所述应用层的信息数据，并从所述信息数据中选取关键参量。
本发明实施例中，所述数据获取模块包括数据采集单元和关键参量处理单元，所述数据采集单元用于接收所述应用层的信息数据，其中，所述信息数据包括所述电机内部物理耦合关系、所述电机的历史数据及实时数据；所述关键参量处理单元用于从所述信息数据中选取关键参量，其中，所述关键参量包括所述电机的温度、电流、振动等。
本发明实施例中，当所述数据获取模块中的数据采集单元接收到所述信息数据时，返回所述应用层相应的确认标识，例如，“ACK”确认字符标识，返回确认标识后再进行下一次传输数据。
所述数字孪生模型构建模块103，用于所述数字孪生建模模块获取所述关键参量对应的物理实体，根据所述物理实体构建数字孪生模型，对所述数字孪生模型进行融合及重构，得到重构数字孪生模型。
本发明实施例中，所述数字孪生建模模块包括数字孪生模型建立单元和数字孪生模型求解单元，所述数字孪生模型建立单元用于通过数据获取模块得到关键参量获取所述关键参量对应的物理实体，并根据所述物理实体构建数字孪生模型，其中，所述物理实体可以但不仅限于工业电机；所述数字孪生模型求解单元用于通过机器学习算法更高效、高精度地对所述数字孪生模型进行融合及重构，从而对所述数字孪生模型进行求解。
本发明实施例中，所述数字孪生建模模型在执行所述根据所述物理实体构建数字孪生模型的功能时，具体用于：
获取所述物理实体的内部物理耦合关系，对所述内部物理耦合关系进行分析，得到关键要素，并根据所述关键要素生成电机三维模型；
获取所述物理实体的历史测试数据，将所述历史测试数据传输至所述电机三维模型中，得到初始数字孪生模型；
对所述初始数字孪生模型进行渲染，得到数字孪生模型。
本发明实施例中，所述物理实体的内部物理耦合关系指的是电机中包含的两个事物之间如果存在一种相互作用、相互影响的关系，电路里的耦合通常是通过“场”来实现，电场、磁场是耦合的介质，例如：2个电感线圈在一起，除了有自身的自感，还有互感；所述关键要素包括但不仅限于转子、定子及导线。
本发明实施例中，所述电机三维模型包括但不仅限于CAD模型；可以将所述初始数字孪生模型通过Unity3D导入三维引擎中，并根据Unity Sharer构建着色器，基于所述三维引擎利用所述着色器随所述初始数字孪生模型进行渲染，得到数字孪生模型。
本发明实施例中，采用有限元仿真和3D仿真的技术手段构建所述数字孪生模型，能够使得所述数字孪生模型更加精确。
本发明实施例中，面对复杂设备时物理模型难以构建，因此需要对大量样本进行学习，可以通过预设的机器学习算法对所述数字孪生模型进行融合和重构，从而优化所述数字孪生模型，得到重构数字孪生模型；所述机器学习算法包括神经网络、深度学习、半监督算法、模型决策算法、回归算法及集成算法，其中，所述回归算法包括决策树回归、随机森林回归、支持向量机回归等；所述集成算法包括神经网络、AdaBoost、XGBoost等。
本发明实施例中，对所述数字孪生模型的融合是指将工业电机的不同零部件数字孪生模型基于关联关系整合为一个统一的整体，从而在所述数字孪生模型运行过程中产生多种融合数据，有利于下一步的故障预测和动态推演。
本发明实施例中，对所述数字孪生模型的重构是指针对不同的使用场景和可能发生的不确定情况，所述数字孪生模型可以应用求解所述数字孪生模型的方法灵活改变自身结构、参数配置及与其他模型的关系管理，提高所述数字孪生模型的灵活性。
所述数据接口生成模块104，用于所述数字孪生模型自适应设计模块对所述重构数字孪生模型进行优化训练，得到目标数字孪生模型，并建立所述虚拟处理层与所述应用层的数据接口。
本发明实施例中，所述数字孪生模型自适应设计模块在执行所述对所述重构数字孪生模型进行优化训练，得到目标数字孪生模型的功能时，具体用于：
对所述重构数字孪生模型进行仿真实验，得到仿真数据；
利用预设的生成对抗网络对所述仿真数据进行合成，得到合成数据；
根据所述生成对抗网络对所述仿真数据及所述合成数据进行函数构建，得到目标函数；
根据所述目标函数对所述重构数字孪生模型进行优化处理，得到目标数字孪生模型。
本发明实施例中，所述生成对抗网络包含生成器、判别器及分类器，其中，所述生成器由五个卷积层组成，每层网络的输入与输出尺寸相同；所述判别器及所述分类器共由五个卷积层组成，所述判别器的最后一层为输出为1的全连接层，激活函数为Tanh；所述分类器的最后一层为输出为3的全连接层，激活函数为Softmax。
本发明实施例中，所述数字孪生模型自适应设计模块在执行所述根据所述生成对抗网络对所述仿真数据及所述合成数据进行函数构建，得到目标函数的功能时，具体用于：
获取所述仿真数据对应的真实样本及所述合成数据对应的合成样本，根据所述真实样本及所述合成样本计算所述生成对抗网络中判别器、生成器及分类器所对应的损失函数，得到第一损失函数、第二损失函数及第三损失函数；
根据预设的权重系数、所述第一损失函数、所述第二损失函数以及所述第三损失函数进行权重计算，得到目标函数。
本发明实施例中，所述数字孪生模型自适应设计模块在执行所述根据所述真实样本及所述合成样本计算所述生成对抗网络中判别器、生成器及分类器所对应的损失函数，得到第一损失函数、第二损失函数及第三损失函数的功能时，具体用于：
所述第一损失函数表示为：
其中，
表示所述第一损失函数，Dxi表示所述真实样本及所述合成样本中第i个样本为合成样本的概率，Dyj表示第j个样本为真实样本的概率；
所述第二损失函数表示为：
其中，
表示所述第二损失函数，xi表示所述真实样本及所述合成样本中第i个样本为合成样本，R表示所述生成器，D表示所述真实样本及所述合成样本中第i个样本为合成样本的概率，θ表示预设的计算参数；
所述第三损失函数表示为：
其中，
表示所述第三损失函数，xi表示所述真实样本及所述合成样本中第i个样本为合成样本，yj表示所述真实样本及所述合成样本中第j个样本为真实样本，E(xi)表示所述真实样本及所述合成样本中第i个样本为合成样本的正态分布概率，/>
表示所述真实样本及所述合成样本中第i个样本为合成样本与第j个样本为真实样本的正态分布概率，C表示所述分类器，k表示预设的计算参数。
本发明实施例中，所述数字孪生模型自适应设计模块在执行所述根据预设的权重系数、所述第一损失函数、所述第二损失函数以及所述第三损失函数进行权重计算，得到目标函数的功能时，具体用于：
所述目标函数表示为：
其中，
表示所述目标函数，/>
表示所述第一损失函数，λ1表示所述权重系数中的第一系数，/>
表示所述第二损失函数，λ2表示所述权重系数中的第二系数，/>
表示所述第三损失函数。
本发明实施例中，所述数字孪生模型自适应设计模块在执行所述建立所述虚拟处理层与所述应用层的数据接口的功能时，具体用于：
获取多个数据处理函数，将所述多个数据处理函数线性组合为构造函数；
利用所述构造函数构造所述虚拟处理层与所述应用层之间的数据接口。
本发明实施例中，所述数据处理函数包括但不仅限于mid函数、right函数、countif函数；所述线性组合包括但不限于相加、相减；利用预设的Externalible方法实现对所述构造函数的聚合，从而得到所述虚拟处理层与所述应用层之间的数据接口。
本发明实施例中，通过所述数据接口使得不同的构造函数可以同时组合使用，可以实现一个接口同时使用多个函数，从而提高数据处理的效率；通过所述虚拟处理层与所述应用层之间的数据接口，能够保证采集到的所述信息数据经数据处理后可自动传输至所述应用层，同时将所述虚拟处理层的模拟结果自动传输至所述应用层。
本发明实施例中，所述数字孪生模型自适应设计模块通过在应用层与模型层之间集成设计接口，高效同步响应接口数据，并且通过迁移学习实现重构数字孪生模型的增量学习，从而提高目标数字孪生模型的参数自适应能力。
所述电机动态推演及故障预测模块105，用于所述数字孪生故障预测模块根据所述数据接口获取所述应用层的电机的数字化表征方法，根据所述数字化表征方法及所述目标数字孪生模型对所述电机进行动态推演及故障预测，得到推演及预测的结果。
本发明实施例中，所述数字孪生故障预测模块包括动态推演单元及交互单元，所述动态推演单元用于所述数据接口与各参量间的所述目标数字孪生模型采用预设的仿真算法探寻工业电机典型故障的高保真度的数字化表征方法，实现电机进行全生命周期故障数字推演；所述交互单元用于所述目标数字孪生模型及所述电机的物理实体中的要素实体可以交互，实现虚实互控和同步映射，在此基础上，各个所述目标数字孪生模型之间的互相交互，完成整个仿真系统的连通，从而实现再制造产品全生命周期的动态推演与故障预测的结合。
本发明实施例中，所述数字孪生故障预测模块在执行所述根据所述数字化表征方法及所述目标数字孪生模型对所述电机进行动态推演及故障预测，得到推演及预测的结果的功能时，具体用于：
当所述电机接收到所述目标数字孪生模型发送的仿真推演请求时，获取所述电机的历史数据及实时数据，根据所述历史数据搭建数据环境；
利用所述数字化表征方法对所述实时数据进行筛选，得到目标数据，根据所述目标数据及所述数据环境构建仿真推演模型；
利用所述仿真推演模型对所述电机的全生命周期进行检测，根据检测的结果判断所述电机是否存在冲击；
当所述电机存在冲击时，对所述目标数字孪生模型进行演化及修正处理，得到修正数字孪生模型。
本发明实施例中，当所述电机存在冲击时，进行所述目标数字孪生模型的参数与所述目标数字孪生模型协同演化，结合电机零部件核心组件的关键参量，实时修正所述目标数字孪生模型，使所述目标数字孪生模型持续进行优化和迭代更新。
本发明实施例中，首先根据电机运行的不同生命周期阶段，每个阶段形成节点，不同节点通过权重连接；其次根据所述目标数字孪生模型及数据环境确定各个节点的传输权重；最后遍历所有节点构建仿真推演模型。
本发明实施例中，通过所述目标数字孪生模型探寻工业电机的常见故障，构建涵盖故障推演与故障监测等功能的一体化仿真平台，实现对工业电机全生命周期的监测，从而达到最优化再制造过程的目的。
所述电机执行模块106，用于所述应用层利用所述数据接口接收所述数字孪生故障预测模块的推演及预测的结果，并利用所述电机执行所述推演及预测的结果。
本发明实施例中，应用层利用所述数据接口接收所述数字孪生故障预测模块的推演及预测的结果，从而使现场监控针对所述电机运行过程中的问题提出不同的指令，使得所述电机执行所述推演及预测的结果，实现对物理实体的正确推理和精准操作。
本发明实施例中，根据所述电机的物理实体提供的数据实现实时的现场监控，将现场监控得到的数据再传到所述目标数字孪生系统的数据库中，对所述目标数字孪生系统的数据库实现进一步的扩充；数字孪生系统的数据库具有丰富的历史数据和现场传输的实时数据，模型库具有先进的算法模型，两者对所述目标数字孪生系统的远程监控、模拟测验和建模调模功能提供支撑，并能够对所述电机的高度数字化表征、模拟验证和预测；在线的远程监控通过云计算对大量数据实现快速求解和运算，同时可以给实时的现场监控发送指令，以实现现场监控的动态寻优。
本发明实施例中，基于数字孪生技术对再制造产品物理实体构建相应的三维模型，为数字孪生系统奠定虚拟映射现实的基础，并根据模拟工业电机真实工作的状态，可以真实映射可能发生的故障，完成对工业电机全生命周期的监测，从而实现再制造产品设计、试验流程过程中的降本节能以及零部件高质量循环利用及再制造设计和制造环节的碳减排。
实施例二
为了更加清楚地了解本发明，下面通过一个第二实施例进一步解释本发明实施例在所述数字孪生建模模块对所述数字孪生模型进行融合及重构，得到重构数字孪生模型的情况。
如图2所示，本发明实施例中，所述数字孪生建模模块在执行所述对所述数字孪生模型进行融合及重构，得到重构数字孪生模型的功能时，具体用于：
S21、从所述数字孪生模型中选取不同零部件的数字孪生模型作为部分数字孪生模型，获取所述部分数字孪生模型的关联关系；
S22、基于所述关联关系对所述部分数字孪生模型进行整合，得到整合数字孪生模型；
S23、利用预设的机器学习算法对所述整合数字孪生模型进行优化，得到重构数字孪生模型。
本发明实施例中，所述机器学习算法包括神经网络、深度学习、半监督算法、模型决策算法、回归算法及集成算法，其中，所述回归算法包括决策树回归、随机森林回归、支持向量机回归等；所述集成算法包括神经网络、AdaBoost、XGBoost等。
本发明实施例中，对所述数字孪生模型的融合是指将工业电机的不同零部件数字孪生模型基于关联关系整合为一个统一的整体，从而在所述数字孪生模型运行过程中产生多种融合数据，有利于下一步的故障预测和动态推演；对所述数字孪生模型的重构是指针对不同的使用场景和可能发生的不确定情况，所述数字孪生模型可以应用求解所述数字孪生模型的方法灵活改变自身结构、参数配置及与其他模型的关系管理，提高所述数字孪生模型的灵活性。
本发明实施例中，面对复杂设备时物理模型难以构建，因此需要对大量样本进行学习，可以通过预设的机器学习算法对所述数字孪生模型进行融合和重构，从而优化所述数字孪生模型，得到重构数字孪生模型。
实施例三
如图3所示，本发明提出了一种基于数字孪生的再制造设计仿真方法，包括以下步骤：
S31、应用层获取电机的信息数据，并将所述信息数据传输至预设的虚拟处理层中的数据获取模块；
S32、数据获取模块接收所述应用层的信息数据，并从所述信息数据中选取关键参量；
S33、数字孪生建模模块获取所述关键参量对应的物理实体，根据所述物理实体构建数字孪生模型；
S34、所述数字孪生建模模块对所述数字孪生模型进行融合及重构，得到重构数字孪生模型；
S35、数字孪生模型自适应设计模块对所述重构数字孪生模型进行优化训练，得到目标数字孪生模型；
S36、所述数字孪生模型自适应设计模块建立所述虚拟处理层与所述应用层的数据接口；
S37、数字孪生故障预测模块根据所述数据接口获取所述应用层的电机的数字化表征方法，根据所述数字化表征方法及所述目标数字孪生模型对所述电机进行动态推演及故障预测，得到推演及预测的结果；
S38、应用层利用所述数据接口接收所述数字孪生故障预测模块的推演及预测的结果，并利用所述电机执行所述推演及预测的结果。
本发明实施例中所述基于数字孪生的再制造设计仿真方法中所述的各步骤在使用时采用如实施例一所述的基于数字孪生的再制造设计仿真系统的功能一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例四
如图4所示，本实施例还提供一种电子设备400，所述电子设备可以包括处理器401、存储器402、通信总线403以及通信接口404，还可以包括存储在所述存储器402中并可在所述处理器401上运行的计算机程序，如基于数字孪生的再制造设计仿真系统的执行程序。
其中，所述处理器401在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器401是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器402内的程序或者模块(例如执行基于数字孪生的再制造设计仿真系统的执行程序等)，以及调用存储在所述存储器402内的数据，以执行电子设备的各种功能和处理数据。
所述存储器402至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器402在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器402在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器402不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于数字孪生的再制造设计仿真系统的执行程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线403可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器402以及至少一个处理器401等之间的连接通信。
所述通信接口404用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备400，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理系统与所述至少一个处理器401逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
实施例五
本实施例提供了一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现如上文所述的基于数字孪生的再制造设计仿真方法的步骤。
这些程序代码也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。存储介质的例子可以包括但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
应该理解这样使用的术语在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够除了在这里图示或描述的那些以外的顺序实施。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于数字孪生的再制造设计仿真系统，包括虚拟处理层及应用层，其中，所述虚拟处理层包括数据获取模块、数字孪生建模模块、数字孪生模型自适应设计模块、数字孪生故障预测模块：
数据传输模块，用于所述应用层获取电机的信息数据，并将所述信息数据传输至所述虚拟处理层中的数据获取模块；
信息数据选取模块，用于所述数据获取模块接收所述应用层的信息数据，并从所述信息数据中选取关键参量；
数字孪生模型构建模块，用于所述数字孪生建模模块获取所述关键参量对应的物理实体，根据所述物理实体构建数字孪生模型，对所述数字孪生模型进行融合及重构，得到重构数字孪生模型；
数据接口生成模块，用于所述数字孪生模型自适应设计模块对所述重构数字孪生模型进行优化训练，得到目标数字孪生模型，并建立所述虚拟处理层与所述应用层的数据接口；
电机动态推演及故障预测模块，用于所述数字孪生故障预测模块根据所述数据接口获取所述应用层的电机的数字化表征方法，根据所述数字化表征方法及所述目标数字孪生模型对所述电机进行动态推演及故障预测，得到推演及预测的结果；
电机执行模块，用于所述应用层利用所述数据接口接收所述数字孪生故障预测模块的推演及预测的结果，并利用所述电机执行所述推演及预测的结果。
2.如权利要求1所述的基于数字孪生的再制造设计仿真系统，其特征在于，所述应用层在执行所述将所述信息数据传输至所述虚拟处理层中的数据获取模块的功能时，具体用于：
对所述信息数据进行排序，得到数据序号；
获取传输控制协议，利用所述传输控制协议将所述应用层与所述虚拟处理层中的数据获取模块建立连接，并根据所述数据序号向所述数据获取模块传输所述信息数据。
3.如权利要求1所述的基于数字孪生的再制造设计仿真系统，其特征在于，所述数字孪生建模模型在执行所述根据所述物理实体构建数字孪生模型的功能时，具体用于：
获取所述物理实体的内部物理耦合关系，对所述内部物理耦合关系进行分析，得到关键要素，并根据所述关键要素生成电机三维模型；
获取所述物理实体的历史测试数据，将所述历史测试数据传输至所述电机三维模型中，得到初始数字孪生模型；
对所述初始数字孪生模型进行渲染，得到数字孪生模型。
4.如权利要求1所述的基于数字孪生的再制造设计仿真系统，其特征在于，所述数字孪生模型自适应设计模块在执行所述对所述重构数字孪生模型进行优化训练，得到目标数字孪生模型的功能时，具体用于：
对所述重构数字孪生模型进行仿真实验，得到仿真数据；
利用预设的生成对抗网络对所述仿真数据进行合成，得到合成数据；
根据所述生成对抗网络对所述仿真数据及所述合成数据进行函数构建，得到目标函数；
根据所述目标函数对所述重构数字孪生模型进行优化处理，得到目标数字孪生模型。
5.如权利要求4所述的基于数字孪生的再制造设计仿真系统，其特征在于，所述数字孪生模型自适应设计模块在执行所述根据所述生成对抗网络对所述仿真数据及所述合成数据进行函数构建，得到目标函数的功能时，具体用于：
获取所述仿真数据及所述合成数据对应的真实样本及合成样本，根据所述真实样本及所述合成样本计算所述生成对抗网络中判别器、生成器及分类器所对应的损失函数，得到第一损失函数、第二损失函数及第三损失函数；
根据预设的权重系数、所述第一损失函数、所述第二损失函数以及所述第三损失函数进行权重计算，得到目标函数。
6.如权利要求1所述的基于数字孪生的再制造设计仿真系统，其特征在于，所述数字孪生模型自适应设计模块在执行所述建立所述虚拟处理层与所述应用层的数据接口的功能时，具体用于：
获取多个数据处理函数，将所述多个数据处理函数线性组合为构造函数；
利用所述构造函数构造所述虚拟处理层与所述应用层之间的数据接口。
7.如权利要求1所述的基于数字孪生的再制造设计仿真系统，其特征在于，所述数字孪生故障预测模块在执行所述根据所述数字化表征方法及所述目标数字孪生模型对所述电机进行动态推演及故障预测，得到推演及预测的结果的功能时，具体用于：
当所述电机接收到所述目标数字孪生模型发送的仿真推演请求时，获取所述电机的历史数据及实时数据，根据所述历史数据搭建数据环境；
利用所述数字化表征方法对所述实时数据进行筛选，得到目标数据，根据所述目标数据及所述数据环境构建仿真推演模型；
利用所述仿真推演模型对所述电机的全生命周期进行检测，根据检测的结果判断所述电机是否存在冲击；
当所述电机存在冲击时，对所述目标数字孪生模型进行演化及修正处理，得到修正数字孪生模型。
8.一种基于数字孪生的再制造设计仿真方法，所述方法包括：
应用层获取电机的信息数据，并将所述信息数据传输至预设的虚拟处理层中的数据获取模块；
数据获取模块接收所述应用层的信息数据，并从所述信息数据中选取关键参量；
数字孪生建模模块获取所述关键参量对应的物理实体，根据所述物理实体构建数字孪生模型；
所述数字孪生建模模块对所述数字孪生模型进行融合及重构，得到重构数字孪生模型；
数字孪生模型自适应设计模块对所述重构数字孪生模型进行优化训练，得到目标数字孪生模型；
所述数字孪生模型自适应设计模块建立所述虚拟处理层与所述应用层的数据接口；
数字孪生故障预测模块根据所述数据接口获取所述应用层的电机的数字化表征方法，根据所述数字化表征方法及所述目标数字孪生模型对所述电机进行动态推演及故障预测，得到推演及预测的结果；
应用层利用所述数据接口接收所述数字孪生故障预测模块的推演及预测的结果，并利用所述电机执行所述推演及预测的结果。
9.一种电子设备，其包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至7中任一项所述的基于数字孪生的再制造设计仿真系统的功能。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时，实现如权利要求1至7中任一项所述的基于数字孪生的再制造设计仿真系统的功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310150881.4A CN116341131B (zh) | 2023-02-13 | 2023-02-13 | 基于数字孪生的再制造设计仿真系统、方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310150881.4A CN116341131B (zh) | 2023-02-13 | 2023-02-13 | 基于数字孪生的再制造设计仿真系统、方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116341131A true CN116341131A (zh) | 2023-06-27 |
| CN116341131B CN116341131B (zh) | 2023-08-25 |
Family
ID=86884904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310150881.4A Active CN116341131B (zh) | 2023-02-13 | 2023-02-13 | 基于数字孪生的再制造设计仿真系统、方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116341131B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116705211A (zh) * | 2023-08-04 | 2023-09-05 | 昆明理工大学 | 基于数字孪生的富氧铜熔池铜损失率在线预测方法及系统 |
| CN117852116A (zh) * | 2024-03-07 | 2024-04-09 | 青岛欧亚丰科技发展有限公司 | 一种数字孪生模型的构建方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113792423A (zh) * | 2021-09-04 | 2021-12-14 | 苏州特比姆智能科技有限公司 | 一种tpm设备管理的数字孪生行为约束方法及系统 |
| CN115062677A (zh) * | 2022-08-19 | 2022-09-16 | 沃德传动（天津）股份有限公司 | 一种基于设备行为的智能故障诊断方法 |
| CN115292834A (zh) * | 2022-07-20 | 2022-11-04 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生装备故障诊断方法、装置及系统 |
| CN115422814A (zh) * | 2022-11-04 | 2022-12-02 | 中国海洋大学 | 一种数字孪生驱动的复杂机电产品闭环优化设计方法 |
| CN115685828A (zh) * | 2022-10-28 | 2023-02-03 | 国网山西省电力公司阳泉供电公司 | 变电站环境智能感知方法及系统 |
-
2023
- 2023-02-13 CN CN202310150881.4A patent/CN116341131B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113792423A (zh) * | 2021-09-04 | 2021-12-14 | 苏州特比姆智能科技有限公司 | 一种tpm设备管理的数字孪生行为约束方法及系统 |
| CN115292834A (zh) * | 2022-07-20 | 2022-11-04 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生装备故障诊断方法、装置及系统 |
| CN115062677A (zh) * | 2022-08-19 | 2022-09-16 | 沃德传动（天津）股份有限公司 | 一种基于设备行为的智能故障诊断方法 |
| CN115685828A (zh) * | 2022-10-28 | 2023-02-03 | 国网山西省电力公司阳泉供电公司 | 变电站环境智能感知方法及系统 |
| CN115422814A (zh) * | 2022-11-04 | 2022-12-02 | 中国海洋大学 | 一种数字孪生驱动的复杂机电产品闭环优化设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘宏伟 等: "可移动激光再制造恢复平台设计与试验", 《精密成形工程》, vol. 15, no. 1, pages 208 - 218 * |
| 杜彦斌 等: "数字孪生驱动的机床预测性再制造新模式研究", 《计算机集成制造系统》, vol. 28, no. 12, pages 3758 - 3767 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116705211A (zh) * | 2023-08-04 | 2023-09-05 | 昆明理工大学 | 基于数字孪生的富氧铜熔池铜损失率在线预测方法及系统 |
| CN116705211B (zh) * | 2023-08-04 | 2023-10-10 | 昆明理工大学 | 基于数字孪生的富氧铜熔池铜损失率在线预测方法及系统 |
| CN117852116A (zh) * | 2024-03-07 | 2024-04-09 | 青岛欧亚丰科技发展有限公司 | 一种数字孪生模型的构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116341131B (zh) | 2023-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116341131B (zh) | 基于数字孪生的再制造设计仿真系统、方法、设备及介质 | |
| Zhang et al. | Building a right digital twin with model engineering | |
| US11226126B2 (en) | Building automation system with an algorithmic interface application designer | |
| Andryushkevich et al. | Composition and application of power system digital twins based on ontological modeling | |
| Hossain et al. | A belief rule based expert system for datacenter PUE prediction under uncertainty | |
| Hoogsteen et al. | Demkit: a decentralized energy management simulation and demonstration toolkit | |
| GhaffarianHoseini et al. | ND BIM-integrated knowledge-based building management: Inspecting post-construction energy efficiency | |
| Kahrobaee et al. | A hybrid analytical-simulation approach for maintenance optimization of deteriorating equipment: Case study of wind turbines | |
| CN113627032B (zh) | 一种基于数字孪生的设备设计/维修方案智能决策方法 | |
| CN116345578B (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
| Mishra et al. | Smart contract formation enabling energy‐as‐a‐service in a virtual power plant | |
| CN115954933A (zh) | 电网数字孪生系统构建方法、装置、电子设备和存储介质 | |
| Huang et al. | Smart energy management system based on reconfigurable AI chip and electrical vehicles | |
| CN116450486A (zh) | 多元异构计算系统内节点的建模方法、装置、设备及介质 | |
| CN112801374B (zh) | 模型训练方法、用电负荷预测方法、装置及设备 | |
| Anghel et al. | Geyser: Enabling green data centres in smart cities | |
| Dharaniya et al. | Ai agents at different data centers to minimize the energy spending | |
| Shen et al. | Machine learning and artificial intelligence for digital twin to accelerate sustainability in positive energy districts | |
| CN116436791A (zh) | 工业互联网场景构建方法、系统、设备及存储介质 | |
| Yang et al. | Microgrid energy management strategy base on UCB-A3C learning | |
| Uchil et al. | Supporting manufacturing system design: a case study on application of InDeaTe design tool for a smart manufacturing system design | |
| CN110377769A (zh) | 基于图数据结构的建模平台系统、方法、服务器及介质 | |
| CN117522087B (zh) | 虚拟电厂资源配置方法、装置、设备及介质 | |
| Jia et al. | A microgrid power trading framework based on blockchain and deep reinforcement learning | |
| Jørgensen et al. | Digital Twins: Benefits, Applications and Development Process |
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 |