CN116614344B - 一种基于数字孪生的故障诊断方法及系统 - Google Patents
一种基于数字孪生的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116614344B CN116614344B CN202310612619.7A CN202310612619A CN116614344B CN 116614344 B CN116614344 B CN 116614344B CN 202310612619 A CN202310612619 A CN 202310612619A CN 116614344 B CN116614344 B CN 116614344B
- Authority
- CN
- China
- Prior art keywords
- network
- fault diagnosis
- parameters
- devices
- digital twin
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 6
- 102000000591 Tight Junction Proteins Human genes 0.000 claims description 2
- 108010002321 Tight Junction Proteins Proteins 0.000 claims description 2
- 210000001578 tight junction Anatomy 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000006855 networking Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000035755 proliferation Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种故障诊断方法及系统,具体是涉及一种基于数字孪生的故障诊断方法及系统。本发明通过采集设备网络中各设备的设备运行参数配置信息,并结合各设备的网络工作数据构建数字孪生网络,通过数字孪生网络实现以客户为核心的自动化故障诊断能力,提升故障诊断效率以及准确度,同时,数字孪生网络可在网络交付、管理、运维和优化等阶段提供差异化服务,能够实现低成本试错、高质量运维和智能辅助决策,进而改善用户体验;基于数字孪生网络进行相关的诊断和决策,实现对设备网络进行主动智能化分析,解决因传统依靠人工分析而导致的即时性差,故障解决效率低和工作量大问题,大幅度提升故障解决效率,提升设备网络对生产的可靠度要求。
Description
技术领域
本发明涉及一种故障诊断方法及系统,具体是涉及一种基于数字孪生的故障诊断方法及系统。
背景技术
数字孪生(digital twin)是以数字化方式创建物理实体的虚拟模型,借助数据模拟物理实体在现实环境中的行为,通过虚实交互反馈、数据融合分析、决策迭代优化等手段,为物理实体增加或扩展新的能力。作为一种充分利用模型、数据、智能并集成多学科的技术,数字孪生面向产品全生命周期过程,发挥连接物理世界和信息世界的桥梁和纽带作用,提供更加实时、高效、智能的服务。
数字孪生具有以下特点:①对物理对象的各类数据进行集成,是物理对象的忠实映射;②存在于物理对象的全生命周期,与其共同进化,并不断积累相关知识;③不仅能够对物理对象进行描述,而且能够基于模型化物理对象。
随着物联网技术的快速发展,物理实体的数字化化身概念得到了极大发展。随着工业4.0的变革,物联网在工业中的应用越来越多。数字孪生技术的应用模式能使使用者在数字化产品中看到实际物理产品可能发生的情况而备受广泛关注。
网络中相关数据的处理或者管理是指为了最大限度地利用网络资源和提高网络的运行质量及效率,通过管理方法提供的管理功能对被管理网络进行各项管理操作活动,满足各行各业对算力网络能力的要求。
面对业务运行对网络故障处理和恢复时间容忍度降低、终端联网规模激增、组网模式复杂多样的新趋势,传统以设备为中心、消防员式的网络被动运维模式不再适用于以垂直行业生产系统为服务对象的算力网络数据处理的需求。网络故障的高代价以及昂贵的试验成本,使得如何有效保障网络运维,主动发现并实时优化算力网络,助力业务创新将是网络发展亟待解决的问题。
网络中相关数据的处理或者管理是指为了最大限度地利用网络资源和提高网络的运行质量及效率,通过管理方法提供的管理功能对被管理网络进行各项管理操作活动,满足各行各业对算力网络能力的要求。
面对业务运行对网络故障处理和恢复时间容忍度降低、终端联网规模激增、组网模式复杂多样的新趋势,传统的依靠人工分析的故障镇墩方法不再适用于当前设备网络数据处理的需求。网络故障的高代价以及昂贵的试验成本,使得如何有效保障网络正常运行,主动发现并实时优化设备网络,助力业务创新将是网络发展亟待解决的问题。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明主要的目的是解决现有技术中所存在的技术问题,提供了一种基于数字孪生的故障诊断方法及系统。该方法及系统通过采集设备网络中各设备的设备运行参数配置信息,并结合各设备的网络工作数据构建数字孪生网络,通过数字孪生网络实现以客户为核心的自动化故障诊断能力,提升故障诊断效率以及准确度。
为解决上述问题,本发明的方案是:
一种基于数字孪生的故障诊断方法,包括:
步骤1,构建各设备的数字孪生网络,所述数字孪生网络基于所述各设备的配置信息和网络工作数据构建得到;
步骤2,基于各设备的设备参数、所述数字孪生网络以及智能故障诊断模型对所述各设备进行故障诊断,确定所述各设备的故障诊断结果。
优选的,上述的一种基于数字孪生的故障诊断方法,所述步骤1包括:
步骤101,获取所述各设备的配置信息;所述配置信息包括:各设备的设备运行参数配置信息;
步骤102,获取所述各设备的网络工作数据;所述网络工作数据包括:网络正常运行参数和网络历史故障参数;
步骤103,基于所述设备运行参数配置信息、网络正常运行参数和网络历史故障参数,构建共享数字孪生库;
步骤104,基于所述共享数字孪生库以及各设备之间的信息交互数据,构建各设备的数字孪生网络。
优选的,上述的一种基于数字孪生的故障诊断方法,所述步骤2包括:
步骤201,获取各设备的设备参数,例如,设备的运行数据、故障数据、故障频率、故障时间等;
步骤202,基于各设备的设备参数和所述数字孪生网络,确定各设备之间的依存关系;
步骤203,将各设备的设备参数以及各设备之间的依存关系输入至智能故障诊断系统,对所述各设备进行故障诊断,确定所述各设备的故障诊断结果。
优选的,上述的一种基于数字孪生的故障诊断方法,所述步骤203中,所述诊断系统中内置有专家模块和人工智能模块,当各设备的设备参数以及各设备之间的依存关系满足专家模块的入口条件时,由所述专家模块进行故障诊断;当各设备的设备参数以及各设备之间的依存关系满足人工智能模块的入口条件时,由所述人工智能模块进行故障诊断;其中,所述人工智能模块中存储与预先训练好的智能故障诊断模型。
优选的,上述的一种基于数字孪生的故障诊断方法,还包括:
步骤3,在得到各设备的故障诊断结果后,获取故障诊断结果相匹配的处理方案。
一种基于数字孪生的故障诊断系统,包括:
网络构建模块,构建各设备的数字孪生网络,所述数字孪生网络基于所述各设备的配置信息和网络工作数据构建得到;
故障诊断模块,基于各设备的设备参数、所述数字孪生网络以及智能故障诊断模型对所述各设备进行故障诊断,确定所述各设备的故障诊断结果。
优选的,上述的一种基于数字孪生的故障诊断系统,所述网络构建模块用于执行以下步骤:
步骤101,获取所述各设备的配置信息;所述配置信息包括:各设备的设备运行参数配置信息;
步骤102,获取所述各设备的网络工作数据;所述网络工作数据包括:网络正常运行参数和网络历史故障参数;
步骤103,基于所述设备运行参数配置信息、网络正常运行参数和网络历史故障参数,构建共享数字孪生库;
步骤104,基于所述共享数字孪生库以及各设备之间的信息交互数据,构建各设备的数字孪生网络。
优选的,上述的一种基于数字孪生的故障诊断系统,所述故障诊断模块用于执行以下步骤:
步骤201,获取各设备的设备参数,例如,设备的运行数据、故障数据、故障频率、故障时间等;
步骤202,基于各设备的设备参数和所述数字孪生网络,确定各设备之间的依存关系;
步骤203,将各设备的设备参数以及各设备之间的依存关系输入至智能故障诊断系统,对所述各设备进行故障诊断,确定所述各设备的故障诊断结果。
优选的,上述的一种基于数字孪生的故障诊断系统, 所述步骤203中,所述诊断系统中内置有专家模块和人工智能模块,当各设备的设备参数以及各设备之间的依存关系满足专家模块的入口条件时,由所述专家模块进行故障诊断;当各设备的设备参数以及各设备之间的依存关系满足人工智能模块的入口条件时,由所述人工智能模块进行故障诊断;其中,所述人工智能模块中存储与预先训练好的智能故障诊断模型。
优选的,上述的一种基于数字孪生的故障诊断系统,还包括:
故障处理模块,在得到各设备的故障诊断结果后,获取故障诊断结果相匹配的处理方案。
因此,本发明通过采集设备网络中各设备的设备运行参数配置信息,并结合各设备的网络工作数据构建数字孪生网络,通过数字孪生网络实现以客户为核心的自动化故障诊断能力,提升故障诊断效率以及准确度,同时,数字孪生网络可在网络交付、管理、运维和优化等阶段提供差异化服务,能够实现低成本试错、高质量运维和智能辅助决策,进而改善用户体验;基于数字孪生网络进行相关的诊断和决策,实现对设备网络进行主动智能化分析,解决因传统依靠人工分析而导致的即时性差,故障解决效率低和工作量大问题,大幅度提升故障解决效率,提升设备网络对生产的可靠度要求。
附图说明
并入本文并形成说明书的一部分的附图例示了本发明的实施例,并且附图与说明书一起进一步用于解释本发明的原理以及使得所属领域技术人员能够制作和使用本公开。
图1例示了本发明实施例中的流程图。
将参照附图描述本发明的实施例。
具体实施方式
实施例
本实施例,首先提供了一种基于数字孪生的故障诊断方法,包括:
步骤1:构建各设备的数字孪生网络;所述数字孪生网络基于所述各设备的配置信息和网络工作数据构建得到。
作为一种优选方式,构建各设备的数字孪生网络,包括:
步骤101,获取所述各设备的配置信息;所述配置信息包括:各设备的设备运行参数配置信息;
步骤102,获取所述各设备的网络工作数据;所述网络工作数据包括:网络正常运行参数和网络历史故障参数;
步骤103,基于所述设备运行参数配置信息、网络正常运行参数和网络历史故障参数,构建共享数字孪生库;
步骤104,基于所述共享数字孪生库以及各设备之间的信息交互数据,构建各设备的数字孪生网络;
其中,所述数字孪生网络中包括有各设备的网络信息、数据信息、环境信息、拓扑信息、业务信息和逻辑信息。
步骤2:基于各设备的设备参数、所述数字孪生网络以及智能故障诊断模型对所述各设备进行故障诊断,确定所述各设备的故障诊断结果。
其中,步骤2中,基于各设备的设备参数、所述数字孪生网络以及智能故障诊断模型对所述各设备进行故障诊断,确定所述各设备的故障诊断结果,包括:
步骤201,获取各设备的设备参数,例如,设备的运行数据、故障数据、故障频率、故障时间等;
步骤202,基于各设备的设备参数和所述数字孪生网络,确定各设备之间的依存关系;依存关系包括:互相独立、绑定结对、自由结对、交叉支持;其中,互相独立是指两设备之间不存在合作关系;绑定结对是指两设备工作时必须绑定在一起;自由结对是指两设备工作时根据需要随机结合在一起或不结合在一起;交叉支持是指两设备虽然不是绑定结对关系,但在一些特定步骤中需要另一设备提供部分支持。
其中,确定各设备之间的依存关系的步骤包括:
若各设备的设备参数与所述数字孪生网络中的参数满足第一预设关系,则确定两设备之间的依存关系为互相独立;所述第一预设关系为表征两设备不存在业务逻辑关系的条件约束;
若各设备的设备参数与所述数字孪生网络中的参数满足第二预设关系,则确定两设备之间的依存关系为绑定结对;所述第二预设关系为表征两设备存在紧密结对业务逻辑关系的条件约束;
若各设备的设备参数与所述数字孪生网络中的参数满足第三预设关系,则确定两设备之间的依存关系为自由结对;所述第三预设关系为表征两设备存在随机业务逻辑关系的条件约束;
若各设备的设备参数与所述数字孪生网络中的参数满足第四预设关系,则确定两设备之间的依存关系为交叉支持;所述第四预设关系为表征两设备存在松散结对业务逻辑关系的条件约束。
步骤203,将各设备的设备参数以及各设备之间的依存关系输入至智能故障诊断系统,对所述各设备进行故障诊断,确定所述各设备的故障诊断结果;
其中,所述诊断系统中内置有专家模块和人工智能模块,当各设备的设备参数以及各设备之间的依存关系满足专家模块的入口条件时,由所述专家模块进行故障诊断;当各设备的设备参数以及各设备之间的依存关系满足人工智能模块的入口条件时,由所述人工智能模块进行故障诊断;其中,所述人工智能模块中存储与预先训练好的智能故障诊断模型。
其中,所述智能故障诊断模型为预先采用各设备的样本设备参数、各设备之间的样本依存关系以及各设备对应的样本故障诊断结果,基于初始深度学习模型进行训练得到的;
其中,各设备的故障诊断结果可以包括对设备工作流程、操作规范、健康状况、交互情况、日志、流量、诊断、端到端的诊断结果。
步骤3:在得到各设备的故障诊断结果后,获取故障诊断结果相匹配的处理方案。
基于所述各设备的故障诊断结果,查询预设的故障处理方案库,获取与所述各故障诊断结果对应的故障处理方案,并将得到的故障处理方案上报服务器;
其中,所述故障处理方案库中存储有各故障诊断结果与故障处理方案之间的映射关系。
因此,基于以上描述可知,本实施例通过采集设备网络中各设备的设备运行参数配置信息,并结合各设备的网络工作数据构建数字孪生网络,通过数字孪生网络实现以客户为核心的自动化故障诊断能力,提升故障诊断效率以及准确度,同时,数字孪生网络可在网络交付、管理、运维和优化等阶段提供差异化服务,能够实现低成本试错、高质量运维和智能辅助决策,进而改善用户体验;基于数字孪生网络进行相关的诊断和决策,实现对设备网络进行主动智能化分析,解决因传统依靠人工分析而导致的即时性差,故障解决效率低和工作量大问题,大幅度提升故障解决效率,提升设备网络对生产的可靠度要求。
本实施例中,尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
注意到,说明书中对“一个实施例”、“实施例”、“示例实施例”、“一些实施例”等的引用指示所描述的实施例可以包括特定特征、结构或特性,但是每个实施例可以不必包括所述特定特征、结构或特性。而且,这样的短语不必指代同一实施例。此外,当结合实施例描述特定特征、结构或特性时,无论是否明确描述,结合其他实施例来实现这样的特征、结构或特性将在所属领域的技术人员的知识范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (4)
1.一种基于数字孪生的故障诊断方法,其特征在于,包括:
步骤1,构建各设备的数字孪生网络,所述数字孪生网络基于所述各设备的配置信息和网络工作数据构建得到;
步骤2,基于各设备的设备参数、所述数字孪生网络以及智能故障诊断模型对所述各设备进行故障诊断,确定所述各设备的故障诊断结果;
其中,所述步骤2包括:
步骤201,获取各设备的设备参数,所述设备的参数包括:设备的运行数据、故障数据、故障频率、故障时间等;
步骤202,基于各设备的设备参数和所述数字孪生网络,确定各设备之间的依存关系;
步骤203,将各设备的设备参数以及各设备之间的依存关系输入至智能故障诊断系统,对所述各设备进行故障诊断,确定所述各设备的故障诊断结果;
其中,确定各设备之间的依存关系的步骤包括:
若各设备的设备参数与所述数字孪生网络中的参数满足第一预设关系,则确定两设备之间的依存关系为互相独立;所述第一预设关系为表征两设备不存在业务逻辑关系的条件约束;
若各设备的设备参数与所述数字孪生网络中的参数满足第二预设关系,则确定两设备之间的依存关系为绑定结对;所述第二预设关系为表征两设备存在紧密结对业务逻辑关系的条件约束;
若各设备的设备参数与所述数字孪生网络中的参数满足第三预设关系,则确定两设备之间的依存关系为自由结对;所述第三预设关系为表征两设备存在随机业务逻辑关系的条件约束;
若各设备的设备参数与所述数字孪生网络中的参数满足第四预设关系,则确定两设备之间的依存关系为交叉支持;所述第四预设关系为表征两设备存在松散结对业务逻辑关系的条件约束。
2.根据权利要求1所述的一种基于数字孪生的故障诊断方法,其特征在于,所述步骤1包括:
步骤101,获取所述各设备的配置信息;所述配置信息包括:各设备的设备运行参数配置信息;
步骤102,获取所述各设备的网络工作数据;所述网络工作数据包括:网络正常运行参数和网络历史故障参数;
步骤103,基于所述设备运行参数配置信息、网络正常运行参数和网络历史故障参数,构建共享数字孪生库;
步骤104,基于所述共享数字孪生库以及各设备之间的信息交互数据,构建各设备的数字孪生网络。
3.根据权利要求1所述的一种基于数字孪生的故障诊断方法,其特征在于,所述步骤203中,所述诊断系统中内置有专家模块和人工智能模块,当各设备的设备参数以及各设备之间的依存关系满足专家模块的入口条件时,由所述专家模块进行故障诊断;当各设备的设备参数以及各设备之间的依存关系满足人工智能模块的入口条件时,由所述人工智能模块进行故障诊断;其中,所述人工智能模块中存储与预先训练好的智能故障诊断模型。
4.根据权利要求1所述的一种基于数字孪生的故障诊断方法,其特征在于,还包括:
步骤3,在得到各设备的故障诊断结果后,获取故障诊断结果相匹配的处理方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612619.7A CN116614344B (zh) | 2023-05-29 | 2023-05-29 | 一种基于数字孪生的故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612619.7A CN116614344B (zh) | 2023-05-29 | 2023-05-29 | 一种基于数字孪生的故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116614344A CN116614344A (zh) | 2023-08-18 |
CN116614344B true CN116614344B (zh) | 2024-03-26 |
Family
ID=87674404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310612619.7A Active CN116614344B (zh) | 2023-05-29 | 2023-05-29 | 一种基于数字孪生的故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116614344B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821403B (zh) * | 2023-08-31 | 2023-12-05 | 超网实业(成都)股份有限公司 | 一种厂区设备的智能运维方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611235A (zh) * | 2022-03-09 | 2022-06-10 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生化纤长丝卷绕车间设备管控系统及方法 |
CN114640581A (zh) * | 2022-01-24 | 2022-06-17 | 浪潮通信信息系统有限公司 | 一种基于数字孪生的算力网络处理方法及装置 |
CN115796016A (zh) * | 2022-11-19 | 2023-03-14 | 芜湖安普机器人产业技术研究院有限公司 | 一种数字孪生模型的建立方法 |
CN116016122A (zh) * | 2022-12-05 | 2023-04-25 | 中国联合网络通信集团有限公司 | 网络故障解决方案的预测方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
-
2023
- 2023-05-29 CN CN202310612619.7A patent/CN116614344B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114640581A (zh) * | 2022-01-24 | 2022-06-17 | 浪潮通信信息系统有限公司 | 一种基于数字孪生的算力网络处理方法及装置 |
CN114611235A (zh) * | 2022-03-09 | 2022-06-10 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生化纤长丝卷绕车间设备管控系统及方法 |
CN115796016A (zh) * | 2022-11-19 | 2023-03-14 | 芜湖安普机器人产业技术研究院有限公司 | 一种数字孪生模型的建立方法 |
CN116016122A (zh) * | 2022-12-05 | 2023-04-25 | 中国联合网络通信集团有限公司 | 网络故障解决方案的预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116614344A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668237B (zh) | 一种基于工业互联网云平台的数字孪生模型及其构建方法 | |
CN109118347A (zh) | 一种自动化协作方法及系统 | |
CN108737555A (zh) | 基于物联网的工业设备管理方法和系统 | |
Huang et al. | Ontology-based enterprise knowledge integration | |
CN116614344B (zh) | 一种基于数字孪生的故障诊断方法及系统 | |
CN110769032B (zh) | 一种电网设备故障快速检测与维护的系统及方法 | |
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 | |
CN114640581A (zh) | 一种基于数字孪生的算力网络处理方法及装置 | |
CN114926143B (zh) | 基于业务组件和流程引擎的配置企业工作流的方法及平台 | |
CN116661978B (zh) | 一种分布式的流程处理方法、装置及分布式业务流程引擎 | |
TWI662809B (zh) | 影像串流服務的障礙定位系統及維運方法 | |
CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
Baida et al. | An ontological approach for eliciting and understanding needs in e-services | |
CN114757448B (zh) | 一种基于数据空间模型的制造环节间最优价值链构建方法 | |
CN117009070A (zh) | 算力调度知识图谱构建方法、装置、设备及可读存储介质 | |
CN113411841B (zh) | 5g切片的割接合并方法、装置及计算设备 | |
CN115622862A (zh) | 基于数字孪生的算力网络系统及算力处理方法 | |
CN116415385A (zh) | 风机联调仿真方法、装置、服务器及计算机存储介质 | |
CN114169723A (zh) | 一种数字化车间实现方法及系统 | |
CN113191733A (zh) | 一种基于互联网的项目多方协同管理系统及方法 | |
Weiss et al. | MaSiMO-A Hybrid Experimental Platform for the Simulation and Evaluation of Data-Driven Maintenance Enterprises. | |
Rattanathavorn et al. | Analysis of customer behavior in a call center using fuzzy miner | |
Chao et al. | Research on Operation Evolution of 5G Non-Public Network | |
CN115766418A (zh) | 一种服务协同模式敏捷调整方法 | |
Ogbuachi et al. | Engineering of Digital Innovation in Edge Computing and Industry 4.0: An Experience Report. |
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 |