CN116382197A - 一种基于数字孪生的智慧工厂管理平台及管理方法 - Google Patents
一种基于数字孪生的智慧工厂管理平台及管理方法 Download PDFInfo
- Publication number
- CN116382197A CN116382197A CN202310055732.XA CN202310055732A CN116382197A CN 116382197 A CN116382197 A CN 116382197A CN 202310055732 A CN202310055732 A CN 202310055732A CN 116382197 A CN116382197 A CN 116382197A
- Authority
- CN
- China
- Prior art keywords
- detection
- intelligent
- maintenance
- fault
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 347
- 238000012423 maintenance Methods 0.000 claims abstract description 153
- 238000004519 manufacturing process Methods 0.000 claims description 54
- 230000007613 environmental effect Effects 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 11
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000012800 visualization Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 230000003190 augmentative effect Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数字孪生的智慧工厂管理平台及管理方法，包括：数字孪生系统、智能检测系统、智能维护系统和反馈系统；基于所述数字孪生系统构建工厂运行模型；基于工厂运行模型检测或预测出故障问题，并生成故障检测标签和故障分类标签；所述数字孪生系统将将故障问题以及故障检测标签和故障分类标签通过反馈系统反馈至相应的智能检测系统，所述智能检测系统根据故障问题的故障分类标签确定检测方式，根据故障检测标签确定检测项目；所述智能检测系统向智能维护系统发送维护信号，智能维护系统基于检测方式和检测项目确定维护方案，并执行维护方案；维护后通过反馈系统传输至数字孪生系统。将虚拟与现实建立关联，提升智能管理维护效率。
Description
技术领域
本发明涉及工厂管理技术领域，具体涉及一种基于数字孪生的智慧工厂管理平台及管理方法。
背景技术
在工厂设备运行的过程中，经常会出现零部件损坏的情况出现，从而导致整个生产线停产的现象。车间维修人员对整个生产线进行检修，浪费大量的时间和精力。在进行产品更新换代的过程中，一个因素的改变可能会导致产品升级失败，使得企业亏损大量的人力资源和物力资源，为了解决这些问题，引入了数字孪生的技术。
数字孪生是指利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在模拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。利用数字孪生平台构建一个模拟工厂进行车间产线升级测试和查找故障点，可以快速的优化生产线，增加企业的实力。
然而，现有的利用数字孪生平台仅作为故障检测以及故障预测，而若预测或检测出故障后，仍需要人为进行操作，不能形成完全智慧的工厂管理系统。
发明内容
本发明提供一种基于数字孪生的智慧工厂管理平台及管理方法，以解决现有技术中存在的上述问题。
本发明提供一种基于数字孪生的智慧工厂管理平台，包括：数字孪生系统、智能检测系统、智能维护系统和反馈系统；
基于所述数字孪生系统构建工厂运行模型；基于工厂运行模型检测或预测出故障问题，并生成故障检测标签和故障分类标签；所述数字孪生系统将将故障问题以及故障检测标签和故障分类标签通过反馈系统反馈至相应的智能检测系统，所述智能检测系统根据故障问题的故障分类标签确定检测方式，根据故障检测标签确定检测项目；所述智能检测系统向智能维护系统发送维护信号，智能维护系统基于检测方式和检测项目确定维护方案，并执行维护方案；智能维护系统完成维护方案后，智能检测系统再次进行标准检测，若检测通过，通过反馈系统传输至数字孪生系统，实时更新数字孪生系统的相关数据。
优选的，所述检测方式包括自动检测和半自动检测；所述自动检测是采用智能机器人或传感器设备对物理硬件设备进行自动检测，或者通过自动检测软件对软件设备进行自动检测；
所述半自动检测包括根据故障的分类，确定人工检测部分和自动检测部分，人工检测部分通过相应的检测人员完成检测，生成检测报告反馈至维护智能维护系统；自动检测部分通过智能机器人或传感器设备对物理硬件设备进行自动检测，或者通过自动检测软件对软件设备进行自动检测；
相应的，智能维护系统包括自动维护和人工维护，自动维护是基于维护方案采用智能维护机器人进行硬件设备的自动维护，或者通过维护软件对软件设备进行自动维护。
优选的，还包括：生产设备模型、生产线运行模型、厂房状态模型；通过生产设备模型对生产设备的运行状态和故障进行预测；
若数字孪生系统预测出某一生产设备将会发生故障时，向智能检测系统发送预检测信号，并向相应的生产设备模型发送预测信号，所述生产设备模型获得该设备的历史运行数据，以及接收的数字孪生系统的孪生数据，对历史运行数据以及孪生数据通过学习模型进行预测学习，获得预测结果，若预测结果与数字孪生系统的预测结果的误差不超过设定值时，则向智能检测系统发送检测信号；所述智能检测系统接收到预检测信号以及检测信号后，核对检测方式和检测项目一致时，向智能维护系统发送维护信号。
优选的，所述数字孪生系统包括环境预测模块；
所述环境预测模块包括：
位置采集子模块，采集厂房空间内设定位置的环境数据，所述环境数据包括温度数据和湿度数据；
环境模型构建子模块，用于基于环境数据建立环境模型；
环境预测子模块，用于基于环境模型对厂房空间的环境进行预测。
优选的，所述环境模型构建子模块包括：
空间坐标设定单元，用于对厂房空间内任何位置设置空间坐标；
第一关系设定单元，用于检测位置的空间坐标建立边缘相关性；所述边缘相关性包括：室内空间位置之间的水平相关性和垂直相关性；
第二关系设定单元，用于对检测位置的空间坐标中的水平相关性和垂直相关性的位置权重系数进行设定，以预测未检测位置的状态值；
模型构建单元，基于检测位置的空间坐标建立边缘相关性以及相应的位置权重，构建空间中所有位置的状态值，以及进行状态值的预测，形成模型参数，构建环境模型。
优选的，所述环境预测子模块包括：
检测位置预测单元，用于对设定的检测位置的环境数据进行预测；
最优值计算单元，用于根据对环境状态值的预测，获得预测值，基于预测值与真实值之间的最小化误差计算确定检测位置的参数最优值；
未检测位置预测单元，用于基于最优值对未检测位置的环境数据进行预测。
优选的，所述最优值计算单元包括：
关系建立单元，用于建立检测位置与预测的环境数据之间的关系；
其中，V′m表示检测位置的预测值，Vi表示是第i个监测位置的真实值，i表示第i个检测位置，N表示空间中检测位置的数量；αi表示水平权重，βi表示垂直权重，αi和βi的计算公式如下：
其中，ρi表示第i个检测位置在水平方向上的权重系数，σi表示第i个检测位置在垂直方向上的权重系数，xk,yk,zk分别表示未检测位置的X轴Y轴和Z轴的坐标，xi,yi,zi分别表示检测位置的X轴Y轴和Z轴的坐标，Ti表示水平距离幂指数，Pi表示垂直距离幂指数。
将某个监测位置作为待推断位置，剩余的监测位置用于推断位置的状态值。
差异确定单元，用于通过均方差损失对预测值和真实值进行计算确定预测值和真实值之间的差异；
均方差误差损失的计算公式如下：
其中，Jm表示均方差误差损失，m表示检测位置的空间编号，N表示空间中检测位置的数量，V′m表示检测位置的预测值，Vm表示检测位置的真实值。
计算单元，用于采用随机梯度下降方法获得差异的最小值，基于差异的最小值确定检测位置的参数最优值。
使均方差误差损失最小，获得参数最优值，所述参数最优值的参数包括：Ti水平距离幂指数，Pi垂直距离幂指数，以及ρi第i个检测位置在水平方向上的权重系数，σi第i个检测位置在垂直方向上的权重系数；基于参数最优值，以及检测位置与预测的环境数据之间的关系，对应的可以获得未检测位置的预测数据。
未检测位置的预测数据的计算公式如下：
其中，V′j表示未检测位置的预测值，αi，βi通过参数最优值可以获得，Vi表示检测位置的真实值，因此，通过上述公式可以对未检测位置进行环境数据的预测。
优选的，所述数字孪生系统还包括可视化模块，所述可视化模型将数字孪生系统中的数字孪生模型进行可视化展示；
所述可视化模型包括：
增强现实视图生成单元，用于根据当前设备和生产线的状态生成不同的增强现实视图对象；
多视图形成单元，用于基于生产过程中上下文信息自动选取与当前生产状态最相关的视图组成增强现实多视图；
可视化交互方式设置单元，用于分析多视图交互过程中，基于生产过程上下文的多视图动态生成和基于视觉、手势和语音的多视图交互模块。
优选的，所述可视化模型还包括：
匹配模型形成单元，用于利用数字孪生技术生成生产过程中设备的多视角图像样本，并计算梯度方向描述符和相机姿态，形成匹配模板；
匹配单元，用于根据相机采集到的图像实时计算梯度方向描述符；采用模板匹配的方法进行匹配；
追踪结果单元，用于匹配成功后，将集成表示模型视图设定到相应位置；在追踪时则利用摄像头和惯性传感器数据，采用多状态卡尔曼滤波算法进行融合计算估计设备姿态，获得追踪结果。
本发明提供一种基于数字孪生的智慧工厂管理方法，包括：
S100，基于所述数字孪生系统构建工厂运行模型；
S200，基于工厂运行模型检测或预测出故障问题，并生成故障检测标签和故障分类标签；所述数字孪生系统将将故障问题以及故障检测标签和故障分类标签通过反馈系统反馈至相应的智能检测系统；
S300，所述智能检测系统根据故障问题的故障分类标签确定检测方式，根据故障检测标签确定检测项目；所述智能检测系统向智能维护系统发送维护信号；
S400，智能维护系统基于检测方式和检测项目确定维护方案，并执行维护方案；智能维护系统完成维护方案后，智能检测系统再次进行标准检测，若检测通过，通过反馈系统传输至数字孪生系统，实时更新数字孪生系统的相关数据。
优选的，所述S100中数字孪生系统的构建方法包括：构建环境预测模型，所述环境预测模型的构建方法包括：
S101，采集厂房空间内设定位置的环境数据，所述环境数据包括温度数据和湿度数据；
S102，基于环境数据建立环境模型；
S103，基于环境模型对厂房空间的环境进行预测。
优选的，所述S102包括：
S1021，对厂房空间内任何位置设置空间坐标；
S1022，检测位置的空间坐标建立边缘相关性；所述边缘相关性包括：室内空间位置之间的水平相关性和垂直相关性；
S1023，对检测位置的空间坐标中的水平相关性和垂直相关性的位置权重系数进行设定，以预测未检测位置的状态值；
S1024，基于检测位置的空间坐标建立边缘相关性以及相应的位置权重，构建空间中所有位置的状态值，以及进行状态值的预测，形成模型参数，构建环境模型。
与现有技术相比，本发明具有以下优点：
本发明提供一种基于数字孪生的智慧工厂管理平台及管理方法，其中基于数字孪生的智慧工厂管理平台包括：数字孪生系统、智能检测系统、智能维护系统和反馈系统；基于所述数字孪生系统构建工厂运行模型；基于工厂运行模型检测或预测出故障问题，并生成故障检测标签和故障分类标签；所述数字孪生系统将将故障问题以及故障检测标签和故障分类标签通过反馈系统反馈至相应的智能检测系统，所述智能检测系统根据故障问题的故障分类标签确定检测方式，根据故障检测标签确定检测项目；所述智能检测系统向智能维护系统发送维护信号，智能维护系统基于检测方式和检测项目确定维护方案，并执行维护方案；智能维护系统完成维护方案后，智能检测系统再次进行标准检测，若检测通过，通过反馈系统传输至数字孪生系统，实时更新数字孪生系统的相关数据。该方案可以使得智能管理程度更高，将虚拟数字模型与实际物理设备之间建立之间关联，进一步提升管理维护效率。
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数字孪生的智慧工厂管理平台的结构示意图；
图2为本发明实施例中环境预测模块的结构示意图；
图3为本发明实施例中一种基于数字孪生的智慧工厂管理管理方法的流程图。
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。
本发明实施例提供了一种基于数字孪生的智慧工厂管理平台，请参照图1，该基于数字孪生的智慧工厂管理平台包括：数字孪生系统、智能检测系统、智能维护系统和反馈系统；
基于所述数字孪生系统构建工厂运行模型；基于工厂运行模型检测或预测出故障问题，并生成故障检测标签和故障分类标签；所述数字孪生系统将将故障问题以及故障检测标签和故障分类标签通过反馈系统反馈至相应的智能检测系统，所述智能检测系统根据故障问题的故障分类标签确定检测方式，根据故障检测标签确定检测项目；所述智能检测系统向智能维护系统发送维护信号，智能维护系统基于检测方式和检测项目确定维护方案，并执行维护方案；智能维护系统完成维护方案后，智能检测系统再次进行标准检测，若检测通过，通过反馈系统传输至数字孪生系统，实时更新数字孪生系统的相关数据。
上述技术方案的工作原理为：本实施例采用的方案是数字孪生系统、智能检测系统、智能维护系统和反馈系统；基于所述数字孪生系统构建工厂运行模型；基于工厂运行模型检测或预测出故障问题，并生成故障检测标签和故障分类标签；所述数字孪生系统将将故障问题以及故障检测标签和故障分类标签通过反馈系统反馈至相应的智能检测系统，所述智能检测系统根据故障问题的故障分类标签确定检测方式，根据故障检测标签确定检测项目；所述智能检测系统向智能维护系统发送维护信号，智能维护系统基于检测方式和检测项目确定维护方案，并执行维护方案；智能维护系统完成维护方案后，智能检测系统再次进行标准检测，若检测通过，通过反馈系统传输至数字孪生系统，实时更新数字孪生系统的相关数据。
该实施例中，不但设置了数字孪生系统向智能检测系统的正反馈方式，还设置了完成智能维护之后，智能检测系统向数字孪生系统的负反馈，通过环形反馈方式，实现了虚拟数字模型与物理设备之间的自动信号传输以及控制，数字孪生系统不再一个单独的系统，可以与智能物理设备直接关联，形成相对成熟的智能连接控制管理系统，提升智能管控的效率和智能化。
上述技术方案的有益效果为：采用本实施例提供的方案数字孪生系统、智能检测系统、智能维护系统和反馈系统；基于所述数字孪生系统构建工厂运行模型；基于工厂运行模型检测或预测出故障问题，并生成故障检测标签和故障分类标签；所述数字孪生系统将将故障问题以及故障检测标签和故障分类标签通过反馈系统反馈至相应的智能检测系统，所述智能检测系统根据故障问题的故障分类标签确定检测方式，根据故障检测标签确定检测项目；所述智能检测系统向智能维护系统发送维护信号，智能维护系统基于检测方式和检测项目确定维护方案，并执行维护方案；智能维护系统完成维护方案后，智能检测系统再次进行标准检测，若检测通过，通过反馈系统传输至数字孪生系统，实时更新数字孪生系统的相关数据。该方案可以使得智能管理程度更高，将虚拟数字模型与实际物理设备之间建立之间关联，进一步提升管理维护效率。
在另一实施例中，所述检测方式包括自动检测和半自动检测；所述自动检测是采用智能机器人或传感器设备对物理硬件设备进行自动检测，或者通过自动检测软件对软件设备进行自动检测；
所述半自动检测包括根据故障的分类，确定人工检测部分和自动检测部分，人工检测部分通过相应的检测人员完成检测，生成检测报告反馈至维护智能维护系统；自动检测部分通过智能机器人或传感器设备对物理硬件设备进行自动检测，或者通过自动检测软件对软件设备进行自动检测；
相应的，智能维护系统包括自动维护和人工维护，自动维护是基于维护方案采用智能维护机器人进行硬件设备的自动维护，或者通过维护软件对软件设备进行自动维护。
上述技术方案的工作原理为：本实施例采用的方案是所述检测方式包括自动检测和半自动检测；所述自动检测是采用智能机器人或传感器设备对物理硬件设备进行自动检测，或者通过自动检测软件对软件设备进行自动检测；所述半自动检测包括根据故障的分类，确定人工检测部分和自动检测部分，人工检测部分通过相应的检测人员完成检测，生成检测报告反馈至维护智能维护系统；自动检测部分通过智能机器人或传感器设备对物理硬件设备进行自动检测，或者通过自动检测软件对软件设备进行自动检测；相应的，智能维护系统包括自动维护和人工维护，自动维护是基于维护方案采用智能维护机器人进行硬件设备的自动维护，或者通过维护软件对软件设备进行自动维护。
上述技术方案的有益效果为：采用本实施例提供的方案所述检测方式包括自动检测和半自动检测；所述自动检测是采用智能机器人或传感器设备对物理硬件设备进行自动检测，或者通过自动检测软件对软件设备进行自动检测；所述半自动检测包括根据故障的分类，确定人工检测部分和自动检测部分，人工检测部分通过相应的检测人员完成检测，生成检测报告反馈至维护智能维护系统；自动检测部分通过智能机器人或传感器设备对物理硬件设备进行自动检测，或者通过自动检测软件对软件设备进行自动检测；相应的，智能维护系统包括自动维护和人工维护，自动维护是基于维护方案采用智能维护机器人进行硬件设备的自动维护，或者通过维护软件对软件设备进行自动维护。通过自动化和半自动化，以及人工维护的分类，针对不同类型的故障，可以通过不同的方式进行检测和维护维修，以最大的效率，根据数字孪生系统生成的虚拟模型对物理设备的全自动监控和管理。
在另一实施例中，还包括：生产设备模型、生产线运行模型、厂房状态模型；通过生产设备模型对生产设备的运行状态和故障进行预测；
若数字孪生系统预测出某一生产设备将会发生故障时，向智能检测系统发送预检测信号，并向相应的生产设备模型发送预测信号，所述生产设备模型获得该设备的历史运行数据，以及接收的数字孪生系统的孪生数据，对历史运行数据以及孪生数据通过学习模型进行预测学习，获得预测结果，若预测结果与数字孪生系统的预测结果的误差不超过设定值时，则向智能检测系统发送检测信号；所述智能检测系统接收到预检测信号以及检测信号后，核对检测方式和检测项目一致时，向智能维护系统发送维护信号。
上述技术方案的工作原理为：本实施例采用的方案是还包括：生产设备模型、生产线运行模型、厂房状态模型；通过生产设备模型对生产设备的运行状态和故障进行预测；若数字孪生系统预测出某一生产设备将会发生故障时，向智能检测系统发送预检测信号，并向相应的生产设备模型发送预测信号，所述生产设备模型获得该设备的历史运行数据，以及接收的数字孪生系统的孪生数据，对历史运行数据以及孪生数据通过学习模型进行预测学习，获得预测结果，若预测结果与数字孪生系统的预测结果的误差不超过设定值时，则向智能检测系统发送检测信号；所述智能检测系统接收到预检测信号以及检测信号后，核对检测方式和检测项目一致时，向智能维护系统发送维护信号。
上述技术方案的有益效果为：采用本实施例提供的方案还包括：生产设备模型、生产线运行模型、厂房状态模型；通过生产设备模型对生产设备的运行状态和故障进行预测；若数字孪生系统预测出某一生产设备将会发生故障时，向智能检测系统发送预检测信号，并向相应的生产设备模型发送预测信号，所述生产设备模型获得该设备的历史运行数据，以及接收的数字孪生系统的孪生数据，对历史运行数据以及孪生数据通过学习模型进行预测学习，获得预测结果，若预测结果与数字孪生系统的预测结果的误差不超过设定值时，则向智能检测系统发送检测信号；所述智能检测系统接收到预检测信号以及检测信号后，核对检测方式和检测项目一致时，向智能维护系统发送维护信号。本实施例提供的预测方案，可以结合数字孪生系统的预测结果，同时将实际的设备模型中学习到的预测结果进行比对结合，若两者的结果相差较大，则需要进行全方位进行检测或监控，若两者的结果相差不大，则需要执行故障检测或预测结果的应对方案。避免数字孪生系统出现数据问题或数据传输延迟问题，导致预测结果不准确的问题，利用实际的设备模型进一步对预测结果进行验证，保证预测结果的准确性，在此基础上进行设备的故障检测和故障维修。
在另一实施例中，请参照图2，所述数字孪生系统包括环境预测模块；
所述环境预测模块包括：位置采集子模块，采集厂房空间内设定位置的环境数据，所述环境数据包括温度数据和湿度数据；
环境模型构建子模块，用于基于环境数据建立环境模型；
环境预测子模块，用于基于环境模型对厂房空间的环境进行预测。
上述技术方案的工作原理为：本实施例采用的方案是所述数字孪生系统包括环境预测模块；所述环境预测模块包括：位置采集子模块，采集厂房空间内设定位置的环境数据，所述环境数据包括温度数据和湿度数据；环境模型构建子模块，用于基于环境数据建立环境模型；环境预测子模块，用于基于环境模型对厂房空间的环境进行预测。
上述技术方案的有益效果为：采用本实施例提供的方案所述数字孪生系统包括环境预测模块；所述环境预测模块包括：位置采集子模块，采集厂房空间内设定位置的环境数据，所述环境数据包括温度数据和湿度数据；环境模型构建子模块，用于基于环境数据建立环境模型；环境预测子模块，用于基于环境模型对厂房空间的环境进行预测。本实施例除了通过数字孪生系统对设备、生产线等进行预测，还可以对厂房内的环境进行预测，以保证环境因素对设备或生产线造成影响的场景下，通过数字孪生系统对环境因素进行预测后，进一步保证对设备或生产线的故障预测的准确性。
在另一实施例中，所述环境模型构建子模块包括：
空间坐标设定单元，用于对厂房空间内任何位置设置空间坐标；
第一关系设定单元，用于检测位置的空间坐标建立边缘相关性；所述边缘相关性包括：室内空间位置之间的水平相关性和垂直相关性；
第二关系设定单元，用于对检测位置的空间坐标中的水平相关性和垂直相关性的位置权重系数进行设定，以预测未检测位置的状态值；
模型构建单元，基于检测位置的空间坐标建立边缘相关性以及相应的位置权重，构建空间中所有位置的状态值，以及进行状态值的预测，形成模型参数，构建环境模型。
上述技术方案的工作原理为：本实施例采用的方案是所述环境模型构建子模块包括：空间坐标设定单元，用于对厂房空间内任何位置设置空间坐标；第一关系设定单元，用于检测位置的空间坐标建立边缘相关性；所述边缘相关性包括：室内空间位置之间的水平相关性和垂直相关性；第二关系设定单元，用于对检测位置的空间坐标中的水平相关性和垂直相关性的位置权重系数进行设定，以预测未检测位置的状态值；模型构建单元，基于检测位置的空间坐标建立边缘相关性以及相应的位置权重，构建空间中所有位置的状态值，以及进行状态值的预测，形成模型参数，构建环境模型。
上述技术方案的有益效果为：采用本实施例提供的方案所述环境模型构建子模块包括：空间坐标设定单元，用于对厂房空间内任何位置设置空间坐标；第一关系设定单元，用于检测位置的空间坐标建立边缘相关性；所述边缘相关性包括：室内空间位置之间的水平相关性和垂直相关性；第二关系设定单元，用于对检测位置的空间坐标中的水平相关性和垂直相关性的位置权重系数进行设定，以预测未检测位置的状态值；模型构建单元，基于检测位置的空间坐标建立边缘相关性以及相应的位置权重，构建空间中所有位置的状态值，以及进行状态值的预测，形成模型参数，构建环境模型。对空间位置进行设定构建环境模型，通过边缘相关性的方式将空间内所有的位置建立关联，避免未设置传感器的位置不能得到预测结果。而通过位置相关性的方式，可以获得空间内所有位置的环境预测结果，不管该位置是否设置了传感器，均可以通过与其相邻的已经设置传感器的位置获得的检测数据预测该位置的环境数据。
在另一实施例中，所述环境预测子模块包括：
检测位置预测单元，用于对设定的检测位置的环境数据进行预测；
最优值计算单元，用于根据对环境状态值的预测，获得预测值，基于预测值与真实值之间的最小化误差计算确定检测位置的参数最优值；
未检测位置预测单元，用于基于最优值对未检测位置的环境数据进行预测。
上述技术方案的工作原理为：本实施例采用的方案是所述环境预测子模块包括：检测位置预测单元，用于对设定的检测位置的环境数据进行预测；最优值计算单元，用于根据对环境状态值的预测，获得预测值，基于预测值与真实值之间的最小化误差计算确定检测位置的参数最优值；未检测位置预测单元，用于基于最优值对未检测位置的环境数据进行预测。
上述技术方案的有益效果为：采用本实施例提供的方案所述环境预测子模块包括：检测位置预测单元，用于对设定的检测位置的环境数据进行预测；最优值计算单元，用于根据对环境状态值的预测，获得预测值，基于预测值与真实值之间的最小化误差计算确定检测位置的参数最优值；未检测位置预测单元，用于基于最优值对未检测位置的环境数据进行预测。本实施例提供的方案可以自适应千变万化的室内环境，该方案首先选取一个监测位置作为待推测位置，其次通过训练其余监测位置的方法计算出最优影响因子，最后结合空间图模型，从而预测出室内未监测位置的可靠状态值。
在另一实施例中，所述最优值计算单元包括：
关系建立单元，用于建立检测位置与预测的环境数据之间的关系；
差异确定单元，用于通过均方差损失对预测值和真实值进行计算确定预测值和真实值之间的差异；
计算单元，用于采用随机梯度下降方法获得差异的最小值，基于差异的最小值确定检测位置的参数最优值。
上述技术方案的工作原理为：本实施例采用的方案具体为：所述最优值计算单元包括：
关系建立单元，用于建立检测位置与预测的环境数据之间的关系；
其中，Vm ′表示检测位置的预测值，Vi表示是第i个监测位置的真实值，i表示第i个检测位置，N表示空间中检测位置的数量；αi表示水平权重，βi表示垂直权重，αi和βi的计算公式如下：
其中，ρi表示第i个检测位置在水平方向上的权重系数，σi表示第i个检测位置在垂直方向上的权重系数，xk,yk,zk分别表示未检测位置的X轴Y轴和Z轴的坐标，xi,yi,zi分别表示检测位置的X轴Y轴和Z轴的坐标，Ti表示水平距离幂指数，Pi表示垂直距离幂指数。
因此，将某个监测位置作为待推断位置，剩余的监测位置用于推断位置的状态值。
差异确定单元，用于通过均方差损失对预测值和真实值进行计算确定预测值和真实值之间的差异；
均方差误差损失的计算公式如下：
其中，Km表示均方差误差损失，m表示检测位置的空间编号，N表示空间中检测位置的数量，V′m表示检测位置的预测值，Vm表示检测位置的真实值。
计算单元，用于采用随机梯度下降方法获得差异的最小值，基于差异的最小值确定检测位置的参数最优值。
使均方差误差损失最小，获得参数最优值，所述参数最优值的参数包括：Ti水平距离幂指数，Pi垂直距离幂指数，以及ρi第i个检测位置在水平方向上的权重系数，σi第i个检测位置在垂直方向上的权重系数。因此，基于参数最优值，以及检测位置与预测的环境数据之间的关系，对应的可以获得未检测位置的预测数据。
即未检测位置的预测数据的计算公式如下：
其中，V′j表示未检测位置的预测值，αi，βi通过参数最优值可以获得，Vi表示检测位置的真实值，因此，通过上述公式可以对未检测位置进行环境数据的预测。
上述技术方案的有益效果为：采用本实施例提供的方案所述最优值计算单元包括：关系建立单元，用于建立检测位置与预测的环境数据之间的关系；差异确定单元，用于通过均方差损失对预测值和真实值进行计算确定预测值和真实值之间的差异；计算单元，用于采用随机梯度下降方法获得差异的最小值，基于差异的最小值确定检测位置的参数最优值。可以通过检测位置与未检测位置之间的关系，基于检测位置的真实值，预测未检测位置的预测值，对厂房空间中未设置传感器的位置(未检测位置)的环境数据进行精确预测。
在另一实施例中，所述数字孪生系统还包括可视化模块，所述可视化模型将数字孪生系统中的数字孪生模型进行可视化展示；
所述可视化模型包括：
增强现实视图生成单元，用于根据当前设备和生产线的状态生成不同的增强现实视图对象；
多视图形成单元，用于基于生产过程中上下文信息自动选取与当前生产状态最相关的视图组成增强现实多视图；
可视化交互方式设置单元，用于分析多视图交互过程中，基于生产过程上下文的多视图动态生成和基于视觉、手势和语音的多视图交互模块。
采用本实施例提供的方案可以实现对数字孪生模型的全方位展示和交互，更加体现智能化和科技化，同时更贴合实际工厂的管理方式。
在另一实施例中，所述可视化模型还包括：
匹配模型形成单元，用于利用数字孪生技术生成生产过程中设备的多视角图像样本，并计算梯度方向描述符和相机姿态，形成匹配模板；
匹配单元，用于根据相机采集到的图像实时计算梯度方向描述符；采用模板匹配的方法进行匹配；
追踪结果单元，用于匹配成功后，将集成表示模型视图设定到相应位置；在追踪时则利用摄像头和惯性传感器数据，采用多状态卡尔曼滤波算法进行融合计算估计设备姿态，获得追踪结果。
通过上述方案可以精确的对生产过程进行追踪，保证每一个生产过程中各个设备的状态进行精确监控，通过可视化的方式可以提升数字孪生模型的外在展示效果，结合虚拟数字与实际物理空间或设备进行有效融合。
在另一实施例中，本实施例还提供一种基于数字孪生的智慧工厂管理方法，请参照图3，该方法包括：
S100，基于所述数字孪生系统构建工厂运行模型；
S200，基于工厂运行模型检测或预测出故障问题，并生成故障检测标签和故障分类标签；所述数字孪生系统将将故障问题以及故障检测标签和故障分类标签通过反馈系统反馈至相应的智能检测系统；
S300，所述智能检测系统根据故障问题的故障分类标签确定检测方式，根据故障检测标签确定检测项目；所述智能检测系统向智能维护系统发送维护信号；
S400，智能维护系统基于检测方式和检测项目确定维护方案，并执行维护方案；智能维护系统完成维护方案后，智能检测系统再次进行标准检测，若检测通过，通过反馈系统传输至数字孪生系统，实时更新数字孪生系统的相关数据。
上述技术方案的工作原理为：本实施例采用的方案是基于所述数字孪生系统构建工厂运行模型；基于工厂运行模型检测或预测出故障问题，并生成故障检测标签和故障分类标签；所述数字孪生系统将将故障问题以及故障检测标签和故障分类标签通过反馈系统反馈至相应的智能检测系统；所述智能检测系统根据故障问题的故障分类标签确定检测方式，根据故障检测标签确定检测项目；所述智能检测系统向智能维护系统发送维护信号；智能维护系统基于检测方式和检测项目确定维护方案，并执行维护方案；智能维护系统完成维护方案后，智能检测系统再次进行标准检测，若检测通过，通过反馈系统传输至数字孪生系统，实时更新数字孪生系统的相关数据。
上述技术方案的有益效果为：采用本实施例提供的方案基于所述数字孪生系统构建工厂运行模型；基于工厂运行模型检测或预测出故障问题，并生成故障检测标签和故障分类标签；所述数字孪生系统将将故障问题以及故障检测标签和故障分类标签通过反馈系统反馈至相应的智能检测系统；所述智能检测系统根据故障问题的故障分类标签确定检测方式，根据故障检测标签确定检测项目；所述智能检测系统向智能维护系统发送维护信号；智能维护系统基于检测方式和检测项目确定维护方案，并执行维护方案；智能维护系统完成维护方案后，智能检测系统再次进行标准检测，若检测通过，通过反馈系统传输至数字孪生系统，实时更新数字孪生系统的相关数据。
在另一实施例中，所述S100中数字孪生系统的构建方法包括：构建环境预测模型，所述环境预测模型的构建方法包括：
S101，采集厂房空间内设定位置的环境数据，所述环境数据包括温度数据和湿度数据；
S102，基于环境数据建立环境模型；
S103，基于环境模型对厂房空间的环境进行预测。
上述技术方案的工作原理为：本实施例采用的方案是数字孪生系统的构建方法包括：构建环境预测模型，所述环境预测模型的构建方法包括：采集厂房空间内设定位置的环境数据，所述环境数据包括温度数据和湿度数据；基于环境数据建立环境模型；基于环境模型对厂房空间的环境进行预测。
上述技术方案的有益效果为：采用本实施例提供的方案数字孪生系统的构建方法包括：构建环境预测模型，所述环境预测模型的构建方法包括：采集厂房空间内设定位置的环境数据，所述环境数据包括温度数据和湿度数据；基于环境数据建立环境模型；基于环境模型对厂房空间的环境进行预测。
在另一实施例中，所述S102包括：
S1021，对厂房空间内任何位置设置空间坐标；
S1022，检测位置的空间坐标建立边缘相关性；所述边缘相关性包括：室内空间位置之间的水平相关性和垂直相关性；
S1023，对检测位置的空间坐标中的水平相关性和垂直相关性的位置权重系数进行设定，以预测未检测位置的状态值；
S1024，基于检测位置的空间坐标建立边缘相关性以及相应的位置权重，构建空间中所有位置的状态值，以及进行状态值的预测，形成模型参数，构建环境模型。
上述技术方案的工作原理为：本实施例采用的方案是对厂房空间内任何位置设置空间坐标；检测位置的空间坐标建立边缘相关性；所述边缘相关性包括：室内空间位置之间的水平相关性和垂直相关性；对检测位置的空间坐标中的水平相关性和垂直相关性的位置权重系数进行设定，以预测未检测位置的状态值；基于检测位置的空间坐标建立边缘相关性以及相应的位置权重，构建空间中所有位置的状态值，以及进行状态值的预测，形成模型参数，构建环境模型。
上述技术方案的有益效果为：采用本实施例提供的方案对厂房空间内任何位置设置空间坐标；检测位置的空间坐标建立边缘相关性；所述边缘相关性包括：室内空间位置之间的水平相关性和垂直相关性；对检测位置的空间坐标中的水平相关性和垂直相关性的位置权重系数进行设定，以预测未检测位置的状态值；基于检测位置的空间坐标建立边缘相关性以及相应的位置权重，构建空间中所有位置的状态值，以及进行状态值的预测，形成模型参数，构建环境模型。
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)
1.一种基于数字孪生的智慧工厂管理平台，其特征在于，包括：数字孪生系统、智能检测系统、智能维护系统和反馈系统；
基于所述数字孪生系统构建工厂运行模型；基于工厂运行模型检测或预测出故障问题，并生成故障检测标签和故障分类标签；所述数字孪生系统将将故障问题以及故障检测标签和故障分类标签通过反馈系统反馈至相应的智能检测系统，所述智能检测系统根据故障问题的故障分类标签确定检测方式，根据故障检测标签确定检测项目；所述智能检测系统向智能维护系统发送维护信号，智能维护系统基于检测方式和检测项目确定维护方案，并执行维护方案；智能维护系统完成维护方案后，智能检测系统再次进行标准检测，若检测通过，通过反馈系统传输至数字孪生系统，实时更新数字孪生系统的相关数据。
2.根据权利要求1所述的基于数字孪生的智慧工厂管理平台，其特征在于，所述检测方式包括自动检测和半自动检测；所述自动检测是采用智能机器人或传感器设备对物理硬件设备进行自动检测，或者通过自动检测软件对软件设备进行自动检测；
所述半自动检测包括根据故障的分类，确定人工检测部分和自动检测部分，人工检测部分通过相应的检测人员完成检测，生成检测报告反馈至维护智能维护系统；自动检测部分通过智能机器人或传感器设备对物理硬件设备进行自动检测，或者通过自动检测软件对软件设备进行自动检测；
相应的，智能维护系统包括自动维护和人工维护，自动维护是基于维护方案采用智能维护机器人进行硬件设备的自动维护，或者通过维护软件对软件设备进行自动维护。
3.根据权利要求1所述的基于数字孪生的智慧工厂管理平台，其特征在于，还包括：生产设备模型、生产线运行模型、厂房状态模型；通过生产设备模型对生产设备的运行状态和故障进行预测；
若数字孪生系统预测出某一生产设备将会发生故障时，向智能检测系统发送预检测信号，并向相应的生产设备模型发送预测信号，所述生产设备模型获得该设备的历史运行数据，以及接收的数字孪生系统的孪生数据，对历史运行数据以及孪生数据通过学习模型进行预测学习，获得预测结果，若预测结果与数字孪生系统的预测结果的误差不超过设定值时，则向智能检测系统发送检测信号；所述智能检测系统接收到预检测信号以及检测信号后，核对检测方式和检测项目一致时，向智能维护系统发送维护信号。
4.根据权利要求1所述的基于数字孪生的智慧工厂管理平台，其特征在于，所述数字孪生系统包括环境预测模块；
所述环境预测模块包括：
位置采集子模块，采集厂房空间内设定位置的环境数据，所述环境数据包括温度数据和湿度数据；
环境模型构建子模块，用于基于环境数据建立环境模型；
环境预测子模块，用于基于环境模型对厂房空间的环境进行预测。
5.根据权利要求4所述的基于数字孪生的智慧工厂管理平台，其特征在于，所述环境模型构建子模块包括：
空间坐标设定单元，用于对厂房空间内任何位置设置空间坐标；
第一关系设定单元，用于检测位置的空间坐标建立边缘相关性；所述边缘相关性包括：室内空间位置之间的水平相关性和垂直相关性；
第二关系设定单元，用于对检测位置的空间坐标中的水平相关性和垂直相关性的位置权重系数进行设定，以预测未检测位置的状态值；
模型构建单元，基于检测位置的空间坐标建立边缘相关性以及相应的位置权重，构建空间中所有位置的状态值，以及进行状态值的预测，形成模型参数，构建环境模型。
6.根据权利要求4所述的基于数字孪生的智慧工厂管理平台，其特征在于，所述环境预测子模块包括：
检测位置预测单元，用于对设定的检测位置的环境数据进行预测；
最优值计算单元，用于根据对环境状态值的预测，获得预测值，基于预测值与真实值之间的最小化误差计算确定检测位置的参数最优值；
未检测位置预测单元，用于基于最优值对未检测位置的环境数据进行预测。
7.根据权利要求6所述的基于数字孪生的智慧工厂管理平台，其特征在于，所述最优值计算单元包括：
关系建立单元，用于建立检测位置与预测的环境数据之间的关系；
差异确定单元，用于通过均方差损失对预测值和真实值进行计算确定预测值和真实值之间的差异；
计算单元，用于采用随机梯度下降方法获得差异的最小值，基于差异的最小值确定检测位置的参数最优值。
8.一种基于数字孪生的智慧工厂管理方法，其特征在于，包括：
S100，基于所述数字孪生系统构建工厂运行模型；
S200，基于工厂运行模型检测或预测出故障问题，并生成故障检测标签和故障分类标签；所述数字孪生系统将将故障问题以及故障检测标签和故障分类标签通过反馈系统反馈至相应的智能检测系统；
S300，所述智能检测系统根据故障问题的故障分类标签确定检测方式，根据故障检测标签确定检测项目；所述智能检测系统向智能维护系统发送维护信号；
S400，智能维护系统基于检测方式和检测项目确定维护方案，并执行维护方案；智能维护系统完成维护方案后，智能检测系统再次进行标准检测，若检测通过，通过反馈系统传输至数字孪生系统，实时更新数字孪生系统的相关数据。
9.根据权利要求8所述的基于数字孪生的智慧工厂管理方法，其特征在于，所述S100中数字孪生系统的构建方法包括：构建环境预测模型，所述环境预测模型的构建方法包括：
S101，采集厂房空间内设定位置的环境数据，所述环境数据包括温度数据和湿度数据；
S102，基于环境数据建立环境模型；
S103，基于环境模型对厂房空间的环境进行预测。
10.根据权利要求8所述的基于数字孪生的智慧工厂管理方法，其特征在于，所述S102包括：
S1021，对厂房空间内任何位置设置空间坐标；
S1022，检测位置的空间坐标建立边缘相关性；所述边缘相关性包括：室内空间位置之间的水平相关性和垂直相关性；
S1023，对检测位置的空间坐标中的水平相关性和垂直相关性的位置权重系数进行设定，以预测未检测位置的状态值；
S1024，基于检测位置的空间坐标建立边缘相关性以及相应的位置权重，构建空间中所有位置的状态值，以及进行状态值的预测，形成模型参数，构建环境模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310055732.XA CN116382197B (zh) | 2023-01-18 | 2023-01-18 | 一种基于数字孪生的智慧工厂管理平台及管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310055732.XA CN116382197B (zh) | 2023-01-18 | 2023-01-18 | 一种基于数字孪生的智慧工厂管理平台及管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116382197A true CN116382197A (zh) | 2023-07-04 |
| CN116382197B CN116382197B (zh) | 2023-09-15 |
Family
ID=86973830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310055732.XA Active CN116382197B (zh) | 2023-01-18 | 2023-01-18 | 一种基于数字孪生的智慧工厂管理平台及管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116382197B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3696622A1 (en) * | 2019-02-14 | 2020-08-19 | Rockwell Automation Technologies, Inc. | Ai extensions and intelligent model validation for an industrial digital twin |
| CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
| CN112800668A (zh) * | 2021-01-20 | 2021-05-14 | 西安科技大学 | 基于数字孪生的复杂产品运维与制造集成总体模型 |
| CN113119937A (zh) * | 2021-03-31 | 2021-07-16 | 南京航空航天大学 | 基于数字孪生的智能线控制动系统及其预测控制方法 |
| CN113392501A (zh) * | 2021-05-11 | 2021-09-14 | 中钢集团马鞍山矿山研究总院股份有限公司 | 一种矿井数字孪生模型及其构建方法 |
| KR20220006294A (ko) * | 2020-07-08 | 2022-01-17 | 텔스타홈멜 주식회사 | 디지털 트윈 기반 스마트 팩토리 운영 시스템 및 방법 |
| CN114048600A (zh) * | 2021-11-09 | 2022-02-15 | 苏州纽克斯电源技术股份有限公司 | 一种数字孪生驱动的多模型融合工业系统异常检测方法 |
| CN114077235A (zh) * | 2021-11-18 | 2022-02-22 | 四川启睿克科技有限公司 | 一种基于数字孪生技术的设备预测性维护系统及方法 |
| CN114296408A (zh) * | 2021-12-06 | 2022-04-08 | 上海大学 | 一种数字孪生环境中的生产制造车间人工智能优化算法模型系统及其算法 |
| EP4033390A1 (en) * | 2021-01-20 | 2022-07-27 | Siemens Aktiengesellschaft | System and method for fault prediction and management of an asset |
| CN114881292A (zh) * | 2022-04-14 | 2022-08-09 | 广东电网有限责任公司 | 基于数字孪生的变电站故障预警系统及方法 |
| CN115076452A (zh) * | 2022-06-08 | 2022-09-20 | 昆明理工大学 | 一种基于数字孪生的高压隔膜泵单向阀健康管理系统及方法 |
-
2023
- 2023-01-18 CN CN202310055732.XA patent/CN116382197B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3696622A1 (en) * | 2019-02-14 | 2020-08-19 | Rockwell Automation Technologies, Inc. | Ai extensions and intelligent model validation for an industrial digital twin |
| CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
| KR20220006294A (ko) * | 2020-07-08 | 2022-01-17 | 텔스타홈멜 주식회사 | 디지털 트윈 기반 스마트 팩토리 운영 시스템 및 방법 |
| CN112800668A (zh) * | 2021-01-20 | 2021-05-14 | 西安科技大学 | 基于数字孪生的复杂产品运维与制造集成总体模型 |
| EP4033390A1 (en) * | 2021-01-20 | 2022-07-27 | Siemens Aktiengesellschaft | System and method for fault prediction and management of an asset |
| CN113119937A (zh) * | 2021-03-31 | 2021-07-16 | 南京航空航天大学 | 基于数字孪生的智能线控制动系统及其预测控制方法 |
| CN113392501A (zh) * | 2021-05-11 | 2021-09-14 | 中钢集团马鞍山矿山研究总院股份有限公司 | 一种矿井数字孪生模型及其构建方法 |
| CN114048600A (zh) * | 2021-11-09 | 2022-02-15 | 苏州纽克斯电源技术股份有限公司 | 一种数字孪生驱动的多模型融合工业系统异常检测方法 |
| CN114077235A (zh) * | 2021-11-18 | 2022-02-22 | 四川启睿克科技有限公司 | 一种基于数字孪生技术的设备预测性维护系统及方法 |
| CN114296408A (zh) * | 2021-12-06 | 2022-04-08 | 上海大学 | 一种数字孪生环境中的生产制造车间人工智能优化算法模型系统及其算法 |
| CN114881292A (zh) * | 2022-04-14 | 2022-08-09 | 广东电网有限责任公司 | 基于数字孪生的变电站故障预警系统及方法 |
| CN115076452A (zh) * | 2022-06-08 | 2022-09-20 | 昆明理工大学 | 一种基于数字孪生的高压隔膜泵单向阀健康管理系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李柏松;王学力;王巨洪;: "数字孪生体及其在智慧管网应用的可行性", 油气储运, no. 10 * |
| 袁剑平;李近;孙寒冰;: "基于数字孪生的测试性验证技术", 计算机测量与控制, no. 08 * |
| 袁胜华;张腾;钮建伟;: "数字孪生技术在航天制造领域中的应用", 强度与环境, no. 03 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116382197B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6392908B2 (ja) | 視覚センサの異常原因推定システム | |
| CN104385282A (zh) | 一种视觉智能数控系统及其视觉计测方法 | |
| CN108876822A (zh) | 一种行为危险度评估方法及家庭安防看护系统 | |
| CN116168164B (zh) | 基于机器人产业链的数字孪生可视化方法 | |
| CN104842356B (zh) | 一种基于分布式计算与机器视觉的多码垛机器人示教方法 | |
| CN112203809A (zh) | 机器人控制装置、系统、信息处理方法和程序 | |
| CN115213896A (zh) | 基于机械臂的物体抓取方法、系统、设备及存储介质 | |
| KR20200118743A (ko) | 인공지능을 이용한 스마트공장 고장예지진단 장치 및 그것을 이용한 고장예지진단 방법 | |
| CN115640860B (zh) | 一种工业云服务的机电设备远程维护方法及系统 | |
| CN111770450B (zh) | 一种车间生产监控服务器、移动终端及应用 | |
| CN113319462A (zh) | 一种基于边云协同的焊接机器人管控方法和装置 | |
| CN110163084A (zh) | 操作员动作监督方法、装置及电子设备 | |
| CN106127119B (zh) | 基于彩色图像和深度图像多特征的联合数据关联方法 | |
| CN116382197B (zh) | 一种基于数字孪生的智慧工厂管理平台及管理方法 | |
| CN104050241A (zh) | 远程操作接受系统、远程操作系统及程序 | |
| JP2020052032A (ja) | 撮像装置及び撮像システム | |
| CN117606480A (zh) | 一种数据中心巡检方法、装置、设备及存储介质 | |
| CN117218171A (zh) | 深度估计模型优化与物体距离检测方法及相关设备 | |
| US20200202178A1 (en) | Automatic visual data generation for object training and evaluation | |
| CN114338295A (zh) | 用于评估无线电信道的状态的设备和方法 | |
| CN111027413A (zh) | 远距离多工位物体检测方法、系统及存储介质 | |
| Miao et al. | Potential of Vision-Based 6-DoF Pose Estimation for Cuboid-Shape Objects from Construction Jobsites | |
| CN118493403B (zh) | 基于深度视觉识别的摘钩机器人控制方法及系统 | |
| US20230289677A1 (en) | Logistics area management method, logistics area management system, and non-transitory computer-readable storage medium | |
| CN118378196B (zh) | 基于多模态数据融合的工控主机异常行为识别方法 |
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 |