CN116644508A - 发动机数字孪生建模方法、系统、电子设备及存储介质 - Google Patents
发动机数字孪生建模方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116644508A CN116644508A CN202310395392.5A CN202310395392A CN116644508A CN 116644508 A CN116644508 A CN 116644508A CN 202310395392 A CN202310395392 A CN 202310395392A CN 116644508 A CN116644508 A CN 116644508A
- Authority
- CN
- China
- Prior art keywords
- engine
- model
- data
- simulation
- modeling
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000004088 simulation Methods 0.000 claims abstract description 72
- 230000007246 mechanism Effects 0.000 claims abstract description 65
- 230000004927 fusion Effects 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 31
- 230000015654 memory Effects 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 3
- 235000000332 black box Nutrition 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 21
- 238000004590 computer program Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 13
- 230000008901 benefit Effects 0.000 description 11
- 230000003993 interaction Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本公开提供了一种发动机数字孪生建模方法、系统、电子设备及存储介质，包括：对发动机分别进行白箱建模和黑箱建模，获得发动机机理模型和发动机驱动模型；对发动机机理模型和发动机驱动模型进行融合，获得融合模型；基于发动机运行过程中的观测数据对融合模型输出的仿真数据进行数据同化，获得发动机数字孪生模型。本公开示例性实施例的方法不仅可以解决物理建模方式造成大量的台架实验浪费，还可以提高发动机模型的信息化和数字化水平，为发动机远程监测和运营维护提供技术支持。
Description
技术领域
本发明涉及发动机领域，尤其涉及一种发动机数字孪生建模方法、系统、电子设备及存储介质。
背景技术
船舶柴油机是船舶最重要的动力装置之一，但由于海上工作环境恶劣，长期全工况高效运行，排放标准提高等原因，船舶柴油机的安全性受到多种因素的影响，面临着性能、安全、环保的诸多考验。
现有的船舶柴油机建模方式仍以物理建模为主，在实验室搭建1:1的船舶柴油机模型，然后模拟柴油机工作环境，进而监测采油机的性能水平。物理建模方式一方面会造成大量的台架实验浪费，导致投资高、效益低，另一方面，在实验室对船舶柴油机模型进行工作场景模拟时涉及点火、柴油燃烧等环节，存在一定的实验风险。
发明内容
根据本公开的一方面，提供了一种发动机数字孪生建模方法，包括：
对发动机分别进行白箱建模和黑箱建模，获得发动机机理模型和发动机驱动模型；
对所述发动机机理模型和所述发动机驱动模型进行融合，获得融合模型；
基于所述发动机运行过程中的观测数据对所述融合模型输出的仿真数据进行数据同化，获得发动机数字孪生模型。
根据本公开的另一方面，提供了一种发动机数字孪生建模装置，包括：
建模模块，用于对发动机分别进行白箱建模和黑箱建模，获得发动机机理模型和发动机驱动模型；
融合模块，用于对所述发动机机理模型和所述发动机驱动模型进行融合，获得融合模型；
同化模块，用于基于所述发动机运行过程中的观测数据对所述融合模型输出的仿真数据进行数据同化，获得发动机数字孪生模型。
根据本公开的另一方面，提供了一种发动机数字孪生建模系统，包括本公开示例性实施例的发动机数字孪生建模装置，还包括：观测组件以及显示模组，所述观测组件和所述显示模组均与所述发动机数字孪生建模装置通信连接。
根据本公开的另一方面，提供了一种电子设备，包括：
处理器；以及，
存储程序的存储器；
其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据本公开示例性实施例所述的方法。
根据本公开的另一方面，提供了一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行根据本公开示例性实施例所述的方法。
本公开实施例中提供的一个或多个技术方案，对发动机分别进行白箱建模和黑箱建模，获得发动机机理模型和发动机驱动模型。发动机机理模型的优势在于模型中的参数具有物理意义，易于调整且具有很强的适应性。发动机驱动模型的优势在于利用海量数据与算法进行关联建模，可以得到快速响应的数据模型。对发动机机理模型和发动机驱动模型进行融合，获得融合模型。上述发动机机理模型输出的高精度数据虽然能真实反馈复杂装备的真实特征，但耗时的仿真分析令科研人员望而却步，发动机驱动模型输出的低精度数据虽然数据量大且易于获得，但数据精确度低，难以反映复杂装备的真实特征。本公开对发动机机理模型和发动机驱动模型进行融合，利用两个模型的各自优势，使得融合模型既具备计算复杂性低的优势，还保证了融合模型的预测性能，有效平衡融合模型预测性能与建模成本之间的矛盾关系。基于发动机运行过程中的观测数据对融合模型输出的仿真数据进行数据同化，获得发动机数字孪生模型。为了实现以虚拟模型代替物理实体，需要对虚拟模型得到的仿真数据进行数据同化，利用现实世界的真实数据调整虚拟模型的状态或数据，防止数字孪生模型的失真，促进数字孪生模型与真实模型之间的虚实映射。因此，本公开示例性实施例的方法不仅可以解决物理建模方式造成大量的台架实验浪费，还可以提高发动机模型的信息化和数字化水平，为发动机远程监测和运营维护提供技术支持。
附图说明
在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：
图1示出了本公开示例性实施例的发动机数字孪生建模方法的流程示意图；
图2示出了本公开示例性实施例的发动机机理模型建模方法的流程示意图；
图3示出了本公开示例性实施例的发动机驱动模型建模方法的流程示意图；
图4示出了本公开示例性实施例的变可信度近似模型融合方法的流程示意图；
图5示出了本公开示例性实施例的数据同化方法的流程示意图；
图6示出了根据本公开示例性实施例的发动机数字孪生建模装置的功能模块示意性框图；
图7示出了本公开示例性实施例的发动机数字孪生建模系统的功能模块示意性框图；
图8示出了根据本公开示例性实施例的芯片的示意性框图；
图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
现有的发动机建模方式仍以物理建模为主，在实验室搭建1:1的发动机模型，然后模拟发动机工作环境，进而监测发动机的性能水平。物理建模方式一方面会造成大量的台架实验浪费，导致投资高、效益低，在实验室对发动机模型进行工作场景模拟时涉及点火、柴油燃烧等环节，存在一定的实验风险，另一方面，物理模型的数字化、信息化水平不高，无法通过实验数据实时调整物理模型的结构参数和性能参数，导致物理模型的重复利用率不高。
针对上述问题，本公开示例性实施例提供一种发动机数字孪生建模方法，该建模方法不仅能解决传统物理建模方式的弊端，在保证预测数据准确性的同时还能降低模型计算的复杂度。
图1示出了本公开示例性实施例的发动机数字孪生建模方法的流程示意图。如图1所示，本公开示例性实施例的发动机数字孪生建模方法100，包括：
步骤101：对发动机分别进行白箱建模和黑箱建模，获得发动机机理模型和发动机驱动模型。此处白箱建模是以热力学和结构学为基础，将内部生产机制完全模拟的精确建模过程，对发动机进行白箱建模后，获得发动机机理模型。此处的黑箱建模利用海量数据与算法进行关联建模，构建快速响应的数据模型，对发动机进行黑箱建模后，获得发动机驱动模型。
步骤102：对发动机机理模型和发动机驱动模型进行融合，获得融合模型。此处的融合模型可以为变可信度近似模型，或根据实验需要选择其他融合模型。在融合模型中，发动机机理模型和发动机驱动模型互为支撑，彼此加持，使得融合模型同时具备两者各自的优势。
步骤103：基于发动机运行过程中的观测数据对融合模型输出的仿真数据进行数据同化，获得发动机数字孪生模型。此处的发动机运行过程中的观测数据由传感器在发动机正常工作状态下采集获得，发动机运行过程中的观测数据包括但不限于：发动机状态参数、发动机结构参数、发动机配置参数和边界条件。此处的融合模型可以为变可信度近似模型。为了实现以虚拟模型代替物理实体，对虚拟模型得到的仿真数据进行数据同化，利用现实世界的真实数据调整虚拟模型的状态或数据，防止数字孪生模型的失真，促进数字孪生模型与真实模型之间的虚实映射。
在一种可选方式中，在获取上述发动机机理模型时，可以在边界条件的约束下，基于发动机的状态参数对白箱模型进行训练，获得发动机机理模型。图2示出了本公开示例性实施例的发动机机理模型建模方法的流程示意图。如图2所示，本公开示例性实施例的发动机机理模型建模方法200，包括：
步骤201：确定建模对象，并分析建模对象特征参数。此处的建模对象可以为发动机，发动机的类型可以根据实际需要设定，例如汽车发动机、船舶柴油机等。
上述特征参数可以包括但不限于：结构特征参数、工作特征参数以及性能特征参数，例如：缸数、压缩比、气缸排列、发火顺序等。
步骤202：确定边界条件与发动机的状态参数。此处的边界条件可以包括但不限于：大气温度和传热系数等，此处的发动机状态参数包括但不限于：发动机的转速、平均指示压力(IndicatedMeanEffectivePressure，IMEP)、平均有效压力(Brakemeaneffectivepressure，BMEP)和容积率等。
步骤203：向初始机理模型输入边界条件与发动机的状态参数，进行仿真运算，获得机理模型仿真数据。
步骤204：判断机理模型仿真数据与真实的发动机的状态参数是否匹配，如果不匹配说明机理模型仿真数据的精确性未达到预期目标，执行步骤205，否则，说明机理模型仿真数据的精确性达到预期目标，执行步骤206。
步骤205：更新初始机理模型。
步骤206：输出发动机机理模型。
示例性的，在获取发动机驱动模型时，基于发动机的运行数据样本和机理模型仿真数据对黑箱模型进行训练，确定发动机驱动模型。图3示出了本公开示例性实施例的发动机驱动模型建模方法的流程示意图。如图3所示，本公开示例性实施例的发动机驱动模型建模方法300，包括：
步骤301：确定训练数据。此处的训练数据可以为发动机在运行状态下的观测数据样本，还可以为发动机机理模型输出的机理模型仿真数据。
在实际应用中，可以单独使用发动机的运行数据样本或发动机机理模型仿真数据作为训练数据，也可以同时将发动机的运行数据样本和发动机机理模型仿真数据作为训练数据，或根据实验场景设置训练数据，但不仅限于此。
步骤302：向多种神经网络算法输入训练数据，获得相应的预测结果。此处的神经网络算法可以包括但不限于：BP神经网络(Back Propagation，BP)模型，人工神经网络(Artificial Neural Networks，ANN)模型，递归神经网络(Recurrent Neural Networks，RNN)模型，极限学习机(Extreme Learning Machine，ELM)，支持向量机(Support vectorregression，SVR)模型，径向基函数(Radical basis function，RBF)模型，长短记忆(LongShort-Term Memory，LSTM)模型，或根据实验场景选择其他神经网络算法。
步骤303：比对各个算法的预测结果，选出最优算法模型。比对方法可以包括余弦相似度(Cosine Similarity，CS)和平均相对误差(Mean Relative Error，MRE)，或根据实验场景设置其他比对方法，但不仅限于此。
通过上述比对方法中的任何一种计算各个算法的预测结果与发动机的运行数据样本的误差值，误差值越小，则该算法与发动机的运行数据样本拟合度越高，因此，可以基于误差值，选出最优算法模型。
步骤304：基于训练数据训练最优算法模型，获得相应的预测结果。
步骤305：比对预测结果与发动机的运行数据样本的误差值。此处的误差值可以通过上述比对方法中的任何一种比对得出。
步骤306：判断误差值是否大于预设值，若大于，说明预测结果的精确性未达到预期目标，执行步骤307，否则，说明预测结果的精确性达到预期目标，执行步骤308。
步骤307：更新最优算法模型。
步骤308：输出发动机驱动模型。
示例性的，上述白箱建模还包括由发动机的结构数据确定的三维可视化模型。本公开示例性实施例的三维可视化模型建模方法包括：对建模对象进行实体采集，基于采集到的发动机的结构数据构建三维可视化模型。
在实际应用中，可以采用摄像机等设备对发动机进行拍摄采集，获取发动机的结构数据，发动机结构数据包括但不限于：发动机的几何形态、尺寸数据、发动机内部各子系统的组成结构及其内部结构关联关系。基于发动机的结构数据，利用三维建模软件构建三维可视化模型。三维可视化模型不仅可以实现发动机几何模型的动态演示，还可以支持发动机传感数据、性能参数等数据的动态显示。
图4示出了本公开示例性实施例的变可信度近似模型融合方法的流程示意图。如图4所示，本公开示例性实施例的变可信度近似模型融合方法，包括：
向发动机机理模型输入发动机的历史运行数据，获得第一仿真结果，向发动机驱动模型输入发动机的历史运行数据，获得第二仿真结果。
在实际应用中，可以通过多个传感器获取发动机工作状态下的历史运行数据。其中，发动机机理模型的优势在于模型中的参数具有物理意义，易于调整，且具有很强的适应性，因此发动机机理模型输出的第一仿真结果能高精度反映发动机的真实特征。但发动机机理模型也存在计算复杂度高、存储量和建模计算成本大且建模假设容易存在系统误差等缺点，例如：发动机机理模型在计算时会出现简化不重要环节、经验公式和参数导致的误差、耦合误差和累积误差等问题，导致发动机机理模型无法满足高效快速的计算要求。
而发动机驱动模型的优势在于利用海量数据与算法进行关联建模，得到快速响应的数据模型，因此发动机驱动模型输出的第二仿真结果具有易于获得、计算成本低等优点。但发动机驱动模型输出的第二仿真结果也存在异常数据比例大、预测性能低等缺点，无法精准反映发动机的真实特征，属于低精度数据。
基于此，为了构成快速反应的变可信度近似模型，如图4所示，基于第一仿真结果和第二仿真结果确定仿真样本集。在实际应用中，仿真样本集可以由少量的第一仿真结果和大量的第二仿真结果组成。使用少量的高精度的第一仿真结果样本点能保证变可信度近似模型的预测性能，同时，用较多的低精度的第二仿真结果样本点可以降低计算复杂性，有效平衡变可信度近似模型预测性能与建模成本之间的矛盾关系。
示例性的，如图4所示，先从仿真样本集获取多个仿真样本，此处的多个仿真样本由仿真样本集中的数据随机构成。向初始变可信度近似模型输入一个或多个仿真样本，获得初始变可信度近似模型的响应值，基于设定的收敛准则判断初始变可信度近似模型是否收敛，若模型收敛，则确定该初始变可信度近似模型为变可信度近似模型。若模型不收敛，则更新仿真样本集中的多个仿真样本，并基于响应值更新初始变可信度近似模型，直至初始变可信度近似模型满足收敛准则。
图5示出了本公开示例性实施例的数据同化方法的流程示意图。如图5所示，向变可信度近似模型输入发动机运行过程中的观测数据，获得发动机状态参数预测结果。若发动机状态参数预测结果与发动机运行过程中的状态参数观测数据匹配，则确定该变可信度近似模型为发动机数字孪生模型。若发动机状态参数预测结果与发动机运行过程中的状态参数观测数据不匹配，则更新变可信度近似模型，直至满足匹配条件。
上述发动机数字孪生模型是按照动力学、机械结构、数字驱动等理论，融合发动机机理模型和发动机驱动模型，针对数字孪生对象建立的理想模型。由于包含简化成分，因此发动机数字孪生模型不可避免会有系统误差，譬如在进出管道中假设空间位置不影响进出口压力，是将管道视作一个开口定容容积等。由于真实世界的客观对象是不断动态变化且具有不确定性，为了适应真实的发动机工作场景，数字孪生模型不仅要基于理想数据进行数据同化，还需要通过存在偏差的数据去进行数据同化，从而优化自身。
示例性的，如图5所示，向发动机数字孪生模型输入发动机运行过程中的异常观测数据和发动机运行过程中的观测数据，获得发动机更新状态参数预测结果。此处的发动机运行过程中的观测数据由传感器在发动机正常工作状态下采集获得，发动机运行过程中的异常观测数据由传感器在发动机异常工作状态下采集获得，发动机运行过程中的异常观测数据包括但不限于：发动机异常状态参数、发动机错误结构参数、发动机错误配置参数和异常边界条件。由此可见，将理想数据和存在偏差的数据作为训练数据，通过数据同化功能，更新发动机数字孪生模型，此时的发动机数字孪生模型不仅能适应真实的发动机工作场景，还能建立虚实数据同化，利用实体信息对虚拟建模对象实现控制。
示例性的，如图5所示，向发动机机理模型输入发动机运行过程中的异常观测数据和发动机运行过程中的观测数据，获得发动机仿真状态参数预测结果。此处将理想数据和存在偏差的数据作为输入数据，输入发动机机理模型，获得的发动机仿真状态参数预测结果不仅能兼容发动机正常工作状态的工作情况，还能兼容发动机异常工作状态的工作情况，方便后续与发动机数字孪生模型的输出结果进行匹配。
为了验证数据同化方法，发动机更新状态参数预测结果分别与发动机状态参数预测结果和发动机仿真状态参数预测结果进行匹配，获得匹配结果。最后，基于匹配结果验证发动机数字孪生模型的数据同化方法。值得注意的是，三者输出结果进行匹配是为了验证数字孪生模型的时效性和准确性，而是否根据匹配结果更新发动机数字孪生模型，并不是判断是否数据同化的必要条件，因为不进行同化的两个系统必将相差甚远，而本图中的匹配步骤单纯是从实验设计角度去验证和优化数据同化方法本身。
本公开实施例中提供的一个或多个技术方案，通过分析发动机的工作特性和工作环境，提出发动机数字孪生框架，建立多粒度发动机数字孪生模型。基于虚实映射的数字孪生实际需要，融合发动机机理模型与发动机驱动模型，建立快速响应的数字孪生虚拟模型。针对“以虚代实”的数字孪生需求，设计适用于发动机的虚实同化方法。开发发动机数字孪生监测平台，为船舶柴油机运营维护提供基础支持。因此，本公开示例性实施例的发动机数字孪生建模方法不仅可以解决物理建模方式造成大量的台架实验浪费，还可以提高发动机模型的信息化和数字化水平，为发动机远程监测和运营维护提供技术支持。
上述主要从方法的角度对本公开实施例提供的方案进行了介绍。可以理解的是，为了实现上述功能，本公开示例性实施例的方法对应的装置包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
本公开实施例可以根据上述方法示例对服务器进行功能单元的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本公开实施例中对模块的划分是示意性的，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。
在采用对应各个功能划分各个功能模块的情况下，本公开示例性实施例提供一种发动机数字孪生建模装置，该发动机数字孪生建模装置可以为服务器或应用于服务器的芯片。图6示出了根据本公开示例性实施例的发动机数字孪生建模装置的功能模块示意性框图。
如图6所示，该发动机数字孪生建模装置600包括：
建模模块601，用于对发动机分别进行白箱建模和黑箱建模，获得发动机机理模型和发动机驱动模型；
融合模块602，用于对发动机机理模型和发动机驱动模型进行融合，获得融合模型；
同化模块603，用于基于发动机运行过程中的观测数据对融合模型输出的仿真数据进行数据同化，获得发动机数字孪生模型。
在一种可能的实现方式中，建模模块601用于在边界条件的约束下，基于发动机的状态参数对白箱模型进行训练，获得发动机机理模型；向发动机机理模型输入发动机的状态参数，获得机理模型仿真数据；基于发动机的运行数据样本和机理模型仿真数据对黑箱模型进行训练，确定发动机驱动模型。
在一种可能的实现方式中，建模模块601用于对发动机进行白箱建模，通过发动机的结构数据确定的三维可视化模型。
在一种可能的实现方式中，融合模块602用于向发动机机理模型输入发动机的历史运行数据，获得第一仿真结果；向发动机驱动模型输入发动机的历史运行数据，获得第二仿真结果；基于第一仿真结果和第二仿真结果确定融合模型。
在一种可能的实现方式中，同化模块603用于向融合模型输入发动机运行过程中的观测数据，获得发动机状态参数预测结果；在发动机状态参数预测结果与发动机运行过程中的状态参数观测数据不匹配时，更新融合模型，在发动机状态参数预测结果与发动机运行过程中的参考观测数据匹配时，确定融合模型为发动机数字孪生模型。
本公开示例性实施例还提供一种发动机数字孪生建模系统，图7示出了本公开示例性实施例的发动机数字孪生建模系统的功能模块示意性框图。如图7所示，发动机数字孪生建模系统700不仅包括上述发动机数字孪生建模装置730，还包括观测组件710以及显示模组740，观测组件710和显示模组740均与发动机数字孪生建模装置730通信连接。此处的观测组件710可以包括但不限于多种传感器，传感器用于采集发动机的的各种实时传感数据、基本技术参数与性能参数，此处的显示模组740包括人机交互界面。
观测组件710采集到的各种数据可以通过数据通信接口720，进行整合设置或直接载入对应的发动机数字孪生建模装置730。
在实际应用中，用户通过人机交互界面进行虚拟模型调整和交互，包括仿真实验的开始、暂停、继续以及结束。人机交互界面还可以显示实时的发动机机理模型、发动机驱动模型、融合模型、三维可视化模型以及发动机数字孪生模型，方便用户比对真实对象与虚拟模型的区别。人机交互界面还具有仿真结果实时显示功能，能够显示通过数据同化功能绘制的发动机状态参数与性能曲线。
在一种可能是实现方法中，发动机数字孪生建模系统中的人机交互界面可以采用SmartChart平台，SmartChart平台可以提供完整的前后端数据可视化，通过Vue数据可视化组件库，提供SVG边框及装饰、图表、飞线图等组件，友好的交互界面符合数字孪生对于交互的需求。
在一种可能是实现方法中，发动机数字孪生建模系统宜采用浏览器/服务器(Browser/Server，B/S)架构，该架构无需安装客户端，有Web浏览器即可，提供友好的用户交互环境。B/S架构可以直接放在广域网上，通过一定的权限控制实现多客户访问的目的，交互性较强并且无需升级多个客户端，升级服务器即可，可以随时更新版本，符合发动机数字孪生建模系统需要实时更新的要求。
图8示出了根据本公开示例性实施例的芯片的示意性框图。如图8所示，该芯片800包括一个或两个以上(包括两个)处理器801和通信接口802。通信接口802可以支持服务器执行上述发动机数字孪生建模方法中的数据收发步骤，处理器801可以支持服务器执行上述发动机数字孪生建模方法中的数据处理步骤。
可选的，如图8所示，该芯片800还包括存储器803，存储器803可以包括只读存储器和随机存取存储器，并向处理器提供操作指令和数据。存储器的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory，NVRAM)。
在一些实施方式中，如图8所示，处理器801通过调用存储器存储的操作指令(该操作指令可存储在操作系统中)，执行相应的操作。处理器801控制终端设备中任一个的处理操作，处理器还可以称为中央处理单元(central processing unit，CPU)。存储器803可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器803的一部分还可以包括NVRAM。例如应用中存储器、通信接口以及存储器通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图8中将各种总线都标为总线系统804。
上述本公开实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digital signal processing，DSP)、ASIC、现成可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
本公开示例性实施例还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序，所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的方法。
本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
本公开示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
参考图9，现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备，输入单元906可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元907可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理。上文所描述的各个方法均可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本公开使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘(digital video disc，DVD)；还可以是半导体介质，例如，固态硬盘(solid state drive，SSD)。
尽管结合具体特征及其实施例对本公开进行了描述，显而易见的，在不脱离本公开的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本公开的示例性说明，且视为已覆盖本公开范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包括这些改动和变型在内。
Claims (11)
1.一种发动机数字孪生建模方法，其特征在于，包括：
对发动机分别进行白箱建模和黑箱建模，获得发动机机理模型和发动机驱动模型；
对所述发动机机理模型和所述发动机驱动模型进行融合，获得融合模型；
基于所述发动机运行过程中的观测数据对所述融合模型输出的仿真数据进行数据同化，获得发动机数字孪生模型。
2.根据权利要求1所述的方法，其特征在于，所述对发动机分别进行白箱建模和黑箱建模，获得发动机机理模型和发动机驱动模型，包括：
在边界条件的约束下，基于所述发动机的状态参数对白箱模型进行训练，获得所述发动机机理模型；
向发动机机理模型输入所述发动机的状态参数，获得机理模型仿真数据；
基于所述发动机的运行数据样本和所述机理模型仿真数据对黑箱模型进行训练，确定所述发动机驱动模型。
3.根据权利要求1所述的方法,其特征在于，所述白箱建模还包括由发动机的结构数据确定的三维可视化模型。
4.根据权利要求1所述的方法，其特征在于，所述对所述发动机机理模型和所述发动机驱动模型进行融合，获得融合模型，包括：
向所述发动机机理模型输入发动机的历史运行数据，获得第一仿真结果；
向所述发动机驱动模型输入发动机的历史运行数据，获得第二仿真结果；
基于所述第一仿真结果和所述第二仿真结果确定融合模型。
5.根据权利要求4所述的方法，其特征在于，所述基于所述第一仿真结果和所述第二仿真结果确定融合模型，包括：
基于所述第一仿真结果和所述第二仿真结果确定仿真样本集；
从所述仿真样本集获取多个仿真样本；
向初始融合模型输入多个所述仿真样本，获得初始融合模型的响应值；
若所述初始融合模型未收敛，基于所述仿真样本集更新多个仿真样本，基于所述响应值更新所述初始融合模型；否则，将所述初始融合模型确定为融合模型。
6.根据权利要求1～5任一项所述的方法，其特征在于，所述基于所述发动机运行过程中的观测数据对所述融合模型输出的仿真数据进行数据同化，获得发动机数字孪生模型，包括：
在发动机正常工作状态下获得发动机运行过程中的观测数据；
向融合模型输入所述发动机运行过程中的观测数据，获得发动机状态参数预测结果；
在所述发动机状态参数预测结果与发动机运行过程中的状态参数观测数据不匹配时，更新所述融合模型，在所述发动机状态参数预测结果与所述发动机运行过程中的参考观测数据匹配时，确定所述融合模型为发动机数字孪生模型。
7.根据权利要求6所述的方法，其特征在于，还包括：
在发动机异常工作状态下获得发动机运行过程中的异常观测数据；
向所述发动机数字孪生模型输入所述发动机运行过程中的异常观测数据和所述发动机运行过程中的观测数据，获得发动机更新状态参数预测结果；
向发动机机理模型输入所述发动机运行过程中的异常观测数据和所述发动机运行过程中的观测数据，获得发动机仿真状态参数预测结果；
所述发动机更新状态参数预测结果分别与所述发动机状态参数预测结果和所述发动机仿真状态参数预测结果进行匹配，获得匹配结果；
基于匹配结果验证所述发动机数字孪生模型的数据同化方法。
8.一种发动机数字孪生建模装置，其特征在于，包括：
建模模块，用于对发动机分别进行白箱建模和黑箱建模，获得发动机机理模型和发动机驱动模型；
融合模块，用于对所述发动机机理模型和所述发动机驱动模型进行融合，获得融合模型；
同化模块，用于基于所述发动机运行过程中的观测数据对所述融合模型输出的仿真数据进行数据同化，获得发动机数字孪生模型。
9.一种发动机数字孪生建模系统，其特征在于，包括权利要求8所述发动机数字孪生建模装置，所述发动机数字孪生建模系统还包括：观测组件以及显示模组，所述观测组件和所述显示模组均与所述发动机数字孪生建模装置通信连接。
10.一种电子设备，其特征在于，包括：
处理器；以及，
存储程序的存储器；
其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
11.一种非瞬时计算机可读存储介质，其特征在于，所述非瞬时计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310395392.5A CN116644508A (zh) | 2023-04-13 | 2023-04-13 | 发动机数字孪生建模方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310395392.5A CN116644508A (zh) | 2023-04-13 | 2023-04-13 | 发动机数字孪生建模方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116644508A true CN116644508A (zh) | 2023-08-25 |
Family
ID=87623617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310395392.5A Pending CN116644508A (zh) | 2023-04-13 | 2023-04-13 | 发动机数字孪生建模方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116644508A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116975577A (zh) * | 2023-09-25 | 2023-10-31 | 东方空间技术(山东)有限公司 | 一种火箭半实物仿真数据的处理方法、系统及设备 |
-
2023
- 2023-04-13 CN CN202310395392.5A patent/CN116644508A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116975577A (zh) * | 2023-09-25 | 2023-10-31 | 东方空间技术(山东)有限公司 | 一种火箭半实物仿真数据的处理方法、系统及设备 |
| CN116975577B (zh) * | 2023-09-25 | 2023-12-22 | 东方空间技术(山东)有限公司 | 一种火箭半实物仿真数据的处理方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116644508A (zh) | 发动机数字孪生建模方法、系统、电子设备及存储介质 | |
| CN114282752A (zh) | 流程任务的生成方法、装置、电子设备及存储介质 | |
| CN111309734A (zh) | 自动生成表数据的方法及系统 | |
| CN115329326A (zh) | 一种人工智能安全评测方法及系统 | |
| CN113408070B (zh) | 发动机参数的确定方法、装置、设备及存储介质 | |
| CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
| CN112595537B (zh) | 基于信号分析的设备健康状态监控方法、系统及存储介质 | |
| WO2023033801A1 (en) | System and method for design exploration using dynamic environment and physics simulations | |
| CN117151329A (zh) | 一种考虑碳排放强度预测方法、装置、设备及存储介质 | |
| CN116450184A (zh) | 一种系统升级方法、装置、电子设备及存储介质 | |
| CN116701143A (zh) | 性能分析方法、装置、系统、计算设备及存储介质 | |
| US20220155759A1 (en) | Interface apparatus, interface method, and recording medium having recorded thereon interface program | |
| US20230139396A1 (en) | Using learned physical knowledge to guide feature engineering | |
| CN113272813B (zh) | 定制数据流硬件模拟仿真方法、装置、设备及存储介质 | |
| CN112785000A (zh) | 面向大规模机器学习系统的机器学习模型训练方法及系统 | |
| WO2021173121A1 (en) | System and method for fatigue response prediction | |
| CN110765680A (zh) | 工程结构智能损伤识别方法、装置及电子设备 | |
| CN115292146B (zh) | 一种系统容量预估方法、系统、设备及存储介质 | |
| CN117971399B (zh) | 容器数量调节方法、智能计算云操作系统以及计算平台 | |
| CN116383372B (zh) | 基于人工智能的数据分析方法及系统 | |
| US20230133652A1 (en) | Systems and methods for uncertainty prediction using machine learning | |
| CN112800591B (zh) | 一种预测发动机性能参数修改量的方法及相关装置 | |
| KR102302745B1 (ko) | 영상 데이터 획득 방법, 영상 데이터 획득 장치 및 상기 방법을 실행시키기 위하여 기록매체에 저장된 컴퓨터 프로그램 | |
| CN114492049A (zh) | 液压系统的设计方法、装置、电子设备、存储介质 | |
| CN117476128A (zh) | 气体泄漏预测方法、装置、终端设备及存储介质 |
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 |