CN116700168A - 生产线的虚实同步方法及系统 - Google Patents
生产线的虚实同步方法及系统 Download PDFInfo
- Publication number
- CN116700168A CN116700168A CN202310652922.XA CN202310652922A CN116700168A CN 116700168 A CN116700168 A CN 116700168A CN 202310652922 A CN202310652922 A CN 202310652922A CN 116700168 A CN116700168 A CN 116700168A
- Authority
- CN
- China
- Prior art keywords
- working condition
- condition data
- training
- production line
- lstm 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 181
- 238000012937 correction Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Abstract
本申请实施例公开了一种生产线的虚实同步方法及系统，其中，方法包括：将获取到实际生产线处于第一时长内的第一工况数据输入至训练完成的LSTM模型，输出预测时刻的第二工况数据；获取虚拟生产线处于所述预测时刻的第三工况数据，并判断所述第二工况数据和所述第三工况数据是否一致，所述虚拟生产线为所述实际生产线的虚拟模型；若所述第二工况数据与所述第三工况数据不一致，则根据所述第二工况数据和所述第三工况数据，校正所述虚拟生产线。通过采用本申请实施例，可以实现实际生产线与虚拟生产线的同步。
Description
技术领域
本申请涉及离散制造的技术领域，具体涉及一种生产线的虚实同步方法及系统。
背景技术
离散制造生产线是指生产过程中产品是通过分离的单个工序逐步完成的制造方式。在离散制造生产线中，产品在每个工序之间需要进行加工、装配、检测等操作，直到最终成品制造完成。通过对生产过程排产，可以合理安排工序执行的先后顺序，为各工序任务在最恰当的时间配合数量合适的资源以保障生产过程顺利执行。
目前，现有技术通过构建实际生产线的虚拟模型，建立虚拟生产线数字孪生系统，并将实际生产线中的工况数据输入至虚拟生产线中，以建立虚拟生产线与实际生产线的联系，从而通过虚拟生产线对实际生产线进行预测，得到预测生产节拍，进而根据预测生产节拍进行实际生产线的排产。
但是，由于实际生产线工艺复杂、流程繁多，在将工况数据输入至虚拟生产线的过程中，容易出现例如传感器故障导致的输入的工况数据出现偏差，进而导致虚拟生产线与实际生产线出现不同步的问题。
发明内容
本申请提供了一种生产线的虚实同步方法及系统，可以校正虚拟生产线，从而使得虚拟生产线与实际生产线保持同步的效果。
第一方面，本申请提供了一种生产线的虚实同步方法，包括：
将获取到实际生产线处于第一时长内的第一工况数据输入至训练完成的LSTM模型，输出预测时刻的第二工况数据；
获取虚拟生产线处于所述预测时刻的第三工况数据，并判断所述第二工况数据和所述第三工况数据是否一致，所述虚拟生产线为所述实际生产线的虚拟模型；
若所述第二工况数据与所述第三工况数据不一致，则根据所述第二工况数据和所述第三工况数据，校正所述虚拟生产线。
通过采用上述技术方案，采用LSTM模型对第一工况数据进行预测，得到第二工况数据，从而通过第二工况数据以及第三工况数据校正虚拟生产线，进而使得虚拟生产线与实际生产线保持虚实同步。
可选的，所述方法还包括：
若所述第二工况数据与所述第三工况数据一致，则基于所述第二工况数据对所述实际生产线进行排产。
通过采用上述技术方案，在对实际生产线进行排产的过程中，可能会出现排产计划制定的不合理，以及实际生产线与排产计划存在兼容性较差的情况出现，此时可能会导致实际生产线排产计划的执行与虚拟生产线模拟的结果不一致，从而导致虚拟生产线和实际生产线之间的不同步。采用本申请技术方案可以对虚拟生产线进行校正，从而提高排产的准确性，进而持续、稳定地提高实际生产线的生产效率和产品质量。
可选的，所述第二工况数据包括第二工况速度和第二工况运行时间，所述第三工况数据包括第三工况速度和第三工况运行时间，根据所述第二工况数据和所述第三工况数据，校正所述虚拟生产线，包括：
将所述第二工况速度、所述第二工况运行时间以及所述第三工况速度代入校正公式，得到校正速度；
根据所述校正速度对所述第三工况速度进行插值处理；
所述校正公式为：
式中，Si ′为校正速度；Si为第二工况速度；Yi为第二工况运行时间；Yi ′为第三工况运行时间。
通过采用上述技术方案，可根据该校正速度对第三工况速度通过插值平滑处理的方式进行调整，从而使得第三工况速度与校正速度达到一致，进而实现实际生产线与虚拟生产线达到同步。
可选的，所述第一工况数据包括第一时长内至少两个时刻的至少两个工况数据，所述通过预测模型对获取得到的实际生产线处于第一时长内的第一工况数据进行预测，得到预测时刻的第二工况数据，包括：
通过所述LSTM模型对各所述工况数据进行预测，得到预测时刻的第二工况数据。
通过采用上述技术方案，采用LSTM模型对各所述工况数据进行预测，可以及时发现问题并采取相应措施，提高生产效率和质量。
可选的，所述将获取到实际生产线处于第一时长内的第一工况数据输入至训练完成的LSTM模型，输出预测时刻的第二工况数据之前，还包括：
构建所述实际生产线的初始LSTM模型；
获取所述实际生产线处于第二时长内的多个时刻的多个第一训练工况数据，并将多个所述第一训练工况数据进行预处理以及归一化处理，得到多个第二训练工况数据；
按照预设比例，将多个所述第二训练工况数据划分为训练集、验证集以及测试集；
将所述训练集输入所述初始LSTM模型中，对所述初始LSTM模型进行预测训练，得到训练后的初始LSTM模型；
将所述验证集输入所述训练后的初始LSTM模型，得到训练结果；
根据所述训练结果，对所述训练后的初始LSTM模型进行预测训练，得到所述训练完成的LSTM模型。
通过采用上述技术方案，构建实际生产线的初始LSTM模型，并对初始LSTM模型进行反复训练以及验证，进而可以得到准确度较高的LSTM模型。
可选的，所述根据所述训练结果，对所述训练后的初始LSTM模型进行预测训练，得到所述训练完成的LSTM模型，包括：
判断所述训练结果是否达标；
若所述训练结果达标，则将所述训练后的初始LSTM模型作为训练完成的LSTM模型；
若所述训练结果不达标，则重新执行所述将所述训练集中的第二训练工况数据输入所述初始LSTM模型中，对所述初始LSTM模型进行预测训练，得到训练后的初始LSTM模型的步骤，直至所述训练结果达标。
通过采用上述技术方案，采用训练结果对训练后的初始LSTM模型进行验证，若训练结果不达标，则反复训练初始LSTM模型，直至其训练结果达标，可以进一步提高LSTM模型预测的准确性。
可选的，所述根据所述训练结果，对所述训练后的初始LSTM模型进行预测训练，得到所述训练完成的LSTM模型之后，还包括：
将所述测试集输入至所述训练完成的LSTM模型中，得到工况预测结果；
通过评估公式对所述工况预测结果进行评估，得到所述训练完成的LSTM模型的评估结果；所述评估公式包括：
式中，MES为所述评估结果；m为所述测试集中第二训练工况数据的个数；Yi为第二训练工况数据中第i个训练工况数据的实际工况结果；yi为第二训练工况数据中第i个训练工况数据的预测工况结果；
Yi＝Wyht×by；
t为第二时长内第i个时刻；Wy为初始LSTM模型中t时刻的第二训练工况数据的遗忘门权重系数矩阵；ht表示t时刻工况预测数据；by为初始LSTM模型中遗忘门的偏置矩阵。
通过采用上述技术方案，采用评估公式对训练完成的LSTM模型进行评估，通过评估结果反映训练完成的LSTM模型的实际应用效果。
在本申请的第二方面提供了一种生产线的虚实同步系统，其特征在于，所述系统包括：
工况数据预测模块，用于将获取到实际生产线处于第一时长内的第一工况数据输入至训练完成的LSTM模型，输出预测时刻的第二工况数据；
工况数据判断模块，用于获取虚拟生产线处于所述预测时刻的第三工况数据，并判断所述第二工况数据和所述第三工况数据是否一致，所述虚拟生产线为所述实际生产线的虚拟模型；虚拟生产线校正模块，用于若所述第二工况数据与所述第三工况数据不一致，则根据所述第二工况数据和所述第三工况数据，校正所述虚拟生产线。
在本申请的第三方面提供了一种电子设备，包括：处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行上述的方法步骤。
在本申请的第四方面提供了一种计算机可读存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
通过本申请技术方案，采用LSTM模型对第一工况数据进行预测，得到第二工况数据，从而通过第二工况数据以及第三工况数据校正虚拟生产线，进而使得虚拟生产线与实际生产线保持虚实同步。
附图说明
图1是本申请实施例提供的一种系统架构示意图；
图2是本申请实施例提供的另一种生产线的虚实同步方法的流程示意图；
图3是本申请实施例提供的一种系统架构示意图；
图4是本申请实施例提供的一种生产线的虚实同步系统的结构示意图；
图5是本申请实施例提供的一种电子设备的结构示意图。
附图标记说明：500、电子设备；501、处理器；502、存储器；503、用户接口；504、网络接口；505、通信总线。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
在本申请实施例的描述中，“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
为了使本领域技术人员更好地理解本申请实施例提供的生产线的虚实同步方法及系统，下面将对生产线的虚实同步系统中的信息传递过程进行说明，请参考图1，其示出了本申请实施例提供的一种系统架构示意图。
如图1所示，虚拟生产线中可包括虚实同步模块、LSTM模型、数据解析模块、数字孪生模块、第一通信模块以及可视化模块。实际生产线中可以包括第二通信模块、排产模块、数据采集模块以及设备生产线模块。
其中，虚拟生产线与实际生产线可通过第一通信模块和第二通信模块实现有线或无线通信，实际生产线中的数据采集模块可获取设备生产线中的工况数据，并将工况数据输入至第二通信模块，从而第二通信模块可将工况数据输出至虚拟生产线中的第一通信模块中。
进一步地，虚拟生产线中的第一通信模块可将工况数据输入至数据处理模块中进行数据处理，数据处理模块将处理后的工况数据分别输出至数字孪生模块、LSTM模型以及虚实同步模块。数字孪生模块可以理解为是基于数字孪生技术根据设备生产线建立的虚拟仿真模型，数字孪生模块接收到工况数据后便可建立与设备生产线之间的联系，从而实现设备生产线与数字孪生模块的同步运行。此外，数字孪生模块还可以将仿真结果输入至可视化模块中，以使可视化模块进行数字孪生虚拟生产线的展示。
进一步地，LSTM模型在接收到数据处理模块输入的工况数据后，可对工况数据进行时间维度上的预测，得到预测时刻的预测工况数据。同时，数字孪生模块可对工况数据进行加速仿真，得到对应预测时刻的仿真工况数据，并将仿真工况数据发送至虚实同步模块。
虚实同步模块可比对预测时刻的预测工况数据和仿真工况数据是否一致，从而判断数字孪生模块与实际生产线的生产节拍是否同步。若预测工况数据和仿真工况数据不一致，虚实同步模块可调节数字孪生模块的运行参数，使得虚拟生产线和实际生产线的实现虚实同步。
进一步地，在虚拟生产线和实际生产线达到虚实同步后，数字孪生模块可生成排产数据，并第一通信模块发送至实际生产线中的第二通信模块，从而第二通信模块可将排产数据发送至排产模块，从而排产模块可根据排产数据对设备生产线进行排产，进而提高设备生产线的运行效率。
在上述对本申请实施例提供的系统架构下的运行原理进行了说明，在上述实施例的基础上，进一步地，请参照图2，特提出了一种生产线的虚实同步方法，该方法可依赖于计算机实现，可依赖于服务器实现，也可运行与生产线的虚实同步系统上，也可作为独立的工具类应用运行，具体的，该方法包括步骤201至步骤203，上述步骤如下：
步骤201：将获取到实际生产线处于第一时长内的第一工况数据输入至训练完成的LSTM模型，输出预测时刻的第二工况数据。
其中，实际生产线在本申请实施例中可以理解为离散制造生产线，通常指的是生产离散产品的生产线，离散制造生产线与连续制造生产线相比，具有生产批量小、品种多、变化快等特点。为了提高生产效率和质量，离散制造生产线通常采用自动化控制和信息化管理技术。其中，LSTM模型可以用于预测生产线上的产品质量、故障率、生产效率等指标，以便及时发现问题并采取相应措施，提高生产效率和质量。
长短期记忆(Long Short-Term Memory，LSTM)模型是一种基于长短期记忆网络(LSTM)的神经网络模型，用于处理序列数据。LSTM模型通过引入门控机制和细胞状态，来解决传统循环神经网络在处理长序列数据时的梯度消失和梯度爆炸问题。在本申请实施例中的LSTM模型是根据实际生产线所建立的预测模型。
示例性地，第一工况数据指的是实际生产线中设备实时运行数据，可以包括设备的故障状态、设备开关量信号数据(包括：设备工位的启始加工时间、设备工位的加工完成时间)，设备的扭矩、转速、核心部件的温度等实时感知监测数据。如图2所示，服务器可通过数据采集模块获取设备生产线在第一时长内多个时刻的第一工况数据，并通过第二通信模块发送至虚拟生产线中的第一通信模块，第一通信模块将第一工况数据传输至数据处理模块，数据处理模块将每一个时刻对应的第一工况数据中的状态数据中，筛选出开关量信号数据，传输至LSTM模型中进行预测，得到预测时刻的第二工况数据。
需要说明的是，第一时长内的第一工况数据可以理解为是在当前时刻，或当前时刻之前获取的某段时间内的工况数据，预测时刻指的是在当前时刻之后的某一时刻，在本申请实施例中不做限定。
步骤202：获取虚拟生产线处于预测时刻的第三工况数据，并判断第二工况数据和第三工况数据是否一致。
其中，虚拟生产线指的是数字孪生生产线，可以理解为是一种基于数字孪生技术的智能制造解决方案，它能够将实际生产线的各种数据、过程和状态，通过传感器、物联网等技术，实时采集、传输、处理并反馈到数字孪生系统中，形成一个与实际生产线完全相同的虚拟生产线。此外，数字孪生生产线可对历史数据进行分析和建模，预测生产线的未来状态和趋势，从而提前发现问题并做出调整。在本申请实施例中，虚拟生产线由实际生产线通过数字孪生技术构建而成。
示例性地，服务器可控制虚拟生产线自动运行至预测时刻，并获取此时虚拟生产线处于预测时刻的第三工况数据，并通过虚实同步模块判断第二工况数据和第三工况数据的时间节拍是否保持同步。
需要说明的是，第二工况数据和第三工况数据为同类型数据，即获取数据的设备相同，第二工况数据为实际设备生产线中的设备运行数据，第三工况数据为对应于实际设备生产线的虚拟设备的运行数据。
步骤203：若第二工况数据与第三工况数据不一致，则根据第二工况数据和第三工况数据，校正虚拟生产线。
示例性地，若虚拟生产线中的虚实同步模块判断第二工况数据与第三工况数据的时间节拍不一致，则表示是数据采集模块在采集设备生产线的工况数据的过程中，由于传感器故障导致的输入的工况数据出现偏差，最终存在偏差的工况数据传入至数字孪生模块中运行，最终导致虚拟生产线与实际生产线出现不同步。此时，可通过虚拟同步模块对虚拟生产线中的设备当前时刻的工况数据进行校正，从而使得虚拟生产线在预测时刻的第三工况数据与第二工况数据保持一致，进而实现虚拟生产线与实际生产线实现虚实同步。
在上述实施例的基础上，作为一种可行的实施方式，工况数据可以包括工况速度和工况时间，从而通过工况速度和工况时间，可以反应虚拟生产线和实际生产线中虚拟设备和实际设备的运行状态。对应的，第二工况数据可以包括第二工况速度和第二工况时间，第三工况数据可以包括第三工况时间和第三工况速度。
进一步地，可以从时间维度上，判断第二工况数据和第三工况数据是否一致，即判断第二工况时间和第三工况时间是否一致，若确定第二工况时间和第三工况时间不一致，则可通过工况时间校正工况速度，从而使得两者的工况时间保持一致。
具体的，可将第二工况速度、第二工况时间以及第三工况速度带入校正公式中，得到校正速度。
校正公式如下：式中，Si ′为校正速度；Si为第二工况速度；Yi为第二工况运行时间；Yi ′为第三工况运行时间。
进一步地，可根据该校正速度对第三工况速度通过插值平滑处理的方式进行调整，从而使得第三工况速度与校正速度达到一致，进而实现实际生产线与虚拟生产线达到同步。
在上述实施例的基础上，当确定第二工况数据与第三工况数据一致的情况下，即确定实际生产线与虚拟生产线保持一致，此时数字孪生模块可基于第二工况数据对实际生产线进行排产。
具体的，排产过程可以包括根据当前的第二工况数据制定生产计划、确定生产资源、分析生产能力、调整生产计划、监控生产进度以及反馈和改进生产计划等操作，在此不做过多赘述。
需要说明的是，在对实际生产线进行排产的过程中，可能会出现排产计划制定的不合理，以及实际生产线与排产计划存在兼容性较差的情况出现，此时可能会导致实际生产线排产计划的执行与虚拟生产线模拟的结果不一致，从而导致虚拟生产线和实际生产线之间的不同步。采用本申请技术方案可以反复根据实际生产线的预测工况数据，对虚拟生产线的生产节拍进行实时校正，从而提高排产的准确性，进而持续、稳定地提高实际生产线的生产效率和产品质量。提升数字孪生虚拟生产线与实际生产线生产节拍的同步性。
上述对虚拟生产线进行校正，从而实现虚拟生产线与实际生产线同步的过程进行了说明，在上述实施例的基础上，下面将对LSTM模型的训练过程进行说明。请参照图3，图3示出了本申请实施例提供的一种生产线的虚实同步方法的另一流程示意图，具体的该方法步骤可以包括步骤步骤301至步骤306，如下：
步骤301：构建实际生产线的初始LSTM模型。
步骤302：获取实际生产线处于第二时长内的多个时刻的多个第一训练工况数据，并将多个第一训练工况数据进行预处理以及归一化处理，得到多个第二训练工况数据。
具体的，通过数据采集模块获取设备生产线中各设备在第二时长内的多个时刻的多个第一训练工况数据。第二通信模块基于Socket通信，将多个第一训练工况数据传输至虚拟生产线中的第一通信模块，第一通信模块将多个第一训练工况数据传输至数据处理模块。从而数据处理模块可将多个第一训练工况数据中筛选出开关量信号数据，以及组合多个时刻内所有设备的动态信号指令，以完成预处理过程，将预处理后的第以训练工况数据传输至初始LSTM模型。
进一步地，在初始LSTM模型中构建工况数据集xn，将多个时刻的第以训练工况数据存储在缓存中，将第一时刻采集到的工序和时间戳存储在偏移地址从0到m-1的缓存空间中，第一条数据的时间戳存储在偏移地址为m的缓存空间中；将第二时刻的工序和时间戳存储在偏移地址从m+1开始到2m字节长度的空间中，依此类推。第j条传输的生产线实时数据存储位置是(j-1)*m，第j条传输的数据的时间戳存储在(j-1)*m+1的存储位置，一共需要(m+1)*n大小的存储空间，其中j＝1，2，3，…,n，n为第二时长内采集训练工况数据的次数。
根据归一化公式：xt＝(xt-xmin)/(xmax-xmin)，对预处理后的多个训练工况数据进行归一化处理，其中，k为第二时长内采集训练工况数据的次数，t＝1，2，3，…,n。得到多个第二训练工况数据。
步骤303：按照预设比例，将多个第二训练工况数据划分为训练集、验证集以及测试集。
具体的，将多个第二训练工况数据集按照6：3：1的比例分为训练集、验证集和测试集三部分，其中训练集负责对初始LSTM模型的训练，验证集负责训练过程中评估初始LSTM模型的训练精度，测试集负责对训练完成的LSTM模型性能进行测试。
步骤304：将训练集输入初始LSTM模型中，对初始LSTM模型进行预测训练，得到训练后的初始LSTM模型。
具体的，可将训练集中的第二训练工况数据输入至初始LSTM模型中的输入门it，输入门it从输入xt中过滤并提取信息，并创建用于更新状态的候选值Ct，输出门ot对更新状态Ct进行过滤，根据更新状态和输出门状态计算最终输出运行指令数据ht。该过程具体可通过如下公式表述：
ft＝σ(Wf[ht-1,xt]+bf)；
式中，ft为LSTM模型遗忘门的输出值；xt表示t时刻第二训练工况数据；ht-1表示t-1时刻第二训练工预测数据；bf为遗忘门的偏置矩阵；
it＝σ(Wi[ht-1,xt]+bi)；
式中，it为LSTM模型输入门的输出值；σ为表示sigmoid激活函数；Wi为遗忘门权重系数矩阵；bi为LSTM模型输入门的偏置矩阵；
式中，ot为LSTM模型输出门的输出值；LSTM模型输出门的偏置矩阵；
Ct＝Ct-1*ft+it*tanh(Wc[ht-1,xt]+bt)；
式中，Ct表示t时刻第二训练工况预测数据；Ct-1表示t-1时刻第二训练工况预测数据；
ht＝ot*tanh(Ct)；
式中，ht-1表示t-1时刻第二训练工预测数据。
步骤305：将验证集输入训练后的初始LSTM模型，得到训练结果。
具体的，该过程具体可参照步骤304，再此不做过多赘述，最终将验证集输入训练后的初始LSTM模型进行预测得到的结果定义为训练结果。
步骤306：根据训练结果，对训练后的初始LSTM模型进行预测训练，得到训练完成的LSTM模型。
示例性地，可根据训练结果来判断初始LSTM模型的性能是否达到目标效果，若确定初始LSTM模型达到目标效果，则确定初始LSTM模型为训练完成的LSTM模型，若确定训练后的初始LSTM模型未达到目标效果，则将初始LSTM模型进行重复训练，直到训练结果达到目标效果为止。
在一种可行的实施方式中，上述根据所述训练结果，对训练后的初始LSTM模型进行预测训练，得到训练完成的LSTM模型的步骤，具体还可以包括以下步骤：
步骤401:判断训练结果是否达标；
步骤402:若训练结果达标，则将训练后的初始LSTM模型作为训练完成的LSTM模型；
步骤403:若训练结果不达标，则重新执行将训练集中的第二训练工况数据输入初始LSTM模型中，对初始LSTM模型进行预测训练，得到训练后的初始LSTM模型的步骤，直至训练结果达标。
示例性地，判断训练结果是否达标，可以通过将验证集代入训练后的初始LSTM模型后，得到的训练结果与目标训练结果的误差大小来评判，对于误差的判断可以由两步构成，首先判断测量结果是否出现大幅度变动，同时系统对比分割结果与目标分割结果相比是否满足设定要求，即两个结果之间的误差是否大于一定阈值k，在工程实践中，当阈值k小于等于5％则可视为满足工程要求，当误差满足工程要求时，视为训练结果达标。
在另一种可选的实施例中，若初始LSTM模型的训练次数达到最大训练次数，则终止执行训练步骤，并将最大训练次数对应的初始LSTM模型作为目标自动分割模型。
示例性地，由于初始LSTM模型的收敛性难以预测，甚至有可能出现选择的基础模型并不能很好的实现预测效果，即使参数十分准确，也存在较大的误差，此时需要设定多样化的迭代终止方式，以避免陷入无限循环的计算，因此，在本申请实施例中，当训练次数达到最大训练次数时，将最大训练次数对应的初始LSTM模型作为训练完成的LSTM模型。
在上述实施例的基础上，在根据所述训练结果，对所述训练后的初始LSTM模型进行预测训练，得到训练完成的LSTM模型之后，还可以执行以下步骤：
步骤501:将所述测试集输入至训练完成的LSTM模型中，得到工况LSTM模型；
步骤502:通过评估公式对所述工况预测结果进行评估，得到所述训练完成的LSTM模型的评估结果；
评估公式包括：
式中，MES为所述评估结果；m为所述测试集中第二训练工况数据的个数；Yi为第二训练工况数据中第i个训练工况数据的实际工况结果；yi为第二训练工况数据中第i个训练工况数据的预测工况结果；
Yi＝Wyht×by；
t为第二时长内第i个时刻；Wy为初始LSTM模型中t时刻的第二训练工况数据的遗忘门权重系数矩阵；ht表示t时刻工况预测数据；by为初始LSTM模型中遗忘门的偏置矩阵。
在另一种可行的实施方式中，评估公式可以包括：
式中，Lt为t时刻工况预测数据的评估结果；Ymn为第二训练工况数据中t时刻训练工况数据的m行n列矩阵中的实际矩阵元素；ymn为第二训练工况数据中t时刻训练工况数据的m行n列矩阵中的预测矩阵元素；
L为第二时间内各时刻评估结果之和。
请参照图4，本申请还提供了一种生产线的虚实同步系统，包括：工况数据预测模块、工况数据判断模块以及虚拟生产线校正模块，其中：
工况数据预测模块，用于将获取到实际生产线处于第一时长内的第一工况数据输入至训练完成的LSTM模型，输出预测时刻的第二工况数据；
工况数据判断模块，用于获取虚拟生产线处于所述预测时刻的第三工况数据，并判断所述第二工况数据和所述第三工况数据是否一致，所述虚拟生产线为所述实际生产线的虚拟模型；虚拟生产线校正模块，用于若所述第二工况数据与所述第三工况数据不一致，则根据所述第二工况数据和所述第三工况数据，校正所述虚拟生产线。
在上述实施例的基础上，作为一种可选的实施例，生产线的虚实同步系统还可以包括：
实际生产线排产模块，用于若所述第二工况数据与所述第三工况数据一致，则基于所述第二工况数据对所述实际生产线进行排产。
在上述实施例的基础上，作为一种可选的实施例，虚拟生产线校正模块还可以包括：校正速度计算单元，用于将所述第二工况速度、所述第二工况运行时间以及所述第三工况速度代入校正公式，得到校正速度；
工况速度校正单元，用于根据所述校正速度对所述第三工况速度进行插值处理；
其中，校正公式为：
式中，Si ′为校正速度；Si为第二工况速度；Yi为第二工况运行时间；Yi ′为第三工况运行时间。
在上述实施例的基础上，作为一种可选的实施例，工况数据预测模块还可以包括：工况数据预测单元，用于通过所述LSTM模型对各所述工况数据进行预测，得到预测时刻的第二工况数据，其中，所述第一工况数据包括第一时长内至少两个时刻的至少两个工况数据。
在上述实施例的基础上，作为一种可选的实施例，生产线的虚实同步系统还可以包括：
初始LSTM模型构建模块，用于构建所述实际生产线的初始LSTM模型；
第二训练工况数据确定模块，用于获取所述实际生产线处于第二时长内的多个时刻的多个第一训练工况数据，并将多个所述第一训练工况数据进行预处理以及归一化处理，得到多个第二训练工况数据；
第二训练工况数据划分模块，用于按照预设比例，将多个所述第二训练工况数据划分为训练集、验证集以及测试集；
初始LSTM模型训练模块，用于将所述训练集输入所述初始LSTM模型中，对所述初始LSTM模型进行预测训练，得到训练后的初始LSTM模型；
初始LSTM模型验证模块，用于将所述验证集输入所述训练后的初始LSTM模型，得到训练结果；
LSTM模型确定模块，用于根据所述训练结果，对所述训练后的初始LSTM模型进行预测训练，得到所述训练完成的LSTM模型。
LSTM模型评价模块，用于将所述测试集输入至所述训练完成的LSTM模型中，得到工况预测结果，通过评估公式对所述工况预测结果进行评估，得到所述训练完成的LSTM模型的评估结果；
在上述实施例的基础上，作为一种可选的实施例，初始LSTM模型训练模块，还可以包括：训练结果判断单元，用于判断所述训练结果是否达标；
LSTM模型确定单元，用于若所述训练结果达标，则将所述训练后的初始LSTM模型作为训练完成的LSTM模型；
LSTM模型训练单元，用于若所述训练结果不达标，则重新执行所述将所述训练集中的第二训练工况数据输入所述初始LSTM模型中，对所述初始LSTM模型进行预测训练，得到训练后的初始LSTM模型的步骤，直至所述训练结果达标。
需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请还公开一种电子设备。参照图5，图5是本申请实施例的公开的一种电子设备的结构示意图。该电子设备500可以包括：至少一个处理器501，至少一个网络接口504，用户接口503，存储器502，至少一个通信总线505。
其中，通信总线505用于实现这些组件之间的连接通信。
其中，用户接口503可以包括显示屏(Display)、摄像头(Camera)，可选用户接口503还可以包括标准的有线接口、无线接口。
其中，网络接口504可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器501可以包括一个或者多个处理核心。处理器501利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器502内的指令、程序、代码集或指令集，以及调用存储在存储器502内的数据，执行服务器的各种功能和处理数据。可选的，处理器501可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器501可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面图和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器501中，单独通过一块芯片进行实现。
其中，存储器502可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器502包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器502可用于存储指令、程序、代码、代码集或指令集。存储器502可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器502可选的还可以是至少一个位于远离前述处理器501的存储装置。参照图5，作为一种计算机存储介质的存储器502中可以包括操作系统、网络通信模块、用户接口模块以及一种生产线的虚实同步方法的应用程序。
在图5所示的电子设备500中，用户接口503主要用于为用户提供输入的接口，获取用户输入的数据；而处理器501可以用于调用存储器502中存储一种生产线的虚实同步方法的应用程序，当由一个或多个处理器501执行时，使得电子设备500执行如上述实施例中一个或多个所述的方法。需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几种实施方式中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。
集成的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取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。
Claims (10)
1.一种生产线的虚实同步方法，其特征在于，包括：
将获取到实际生产线处于第一时长内的第一工况数据输入至训练完成的LSTM模型，输出预测时刻的第二工况数据；
获取虚拟生产线处于所述预测时刻的第三工况数据，并判断所述第二工况数据和所述第三工况数据是否一致，所述虚拟生产线为所述实际生产线的虚拟模型；
若所述第二工况数据与所述第三工况数据不一致，则根据所述第二工况数据和所述第三工况数据，校正所述虚拟生产线。
2.根据权利要求1所述的生产线的虚实同步方法，其特征在于，所述方法还包括：
若所述第二工况数据与所述第三工况数据一致，则基于所述第二工况数据对所述实际生产线进行排产。
3.根据权利要求1所述的生产线的虚实同步方法，其特征在于，所述第二工况数据包括第二工况速度和第二工况运行时间，所述第三工况数据包括第三工况速度和第三工况运行时间，根据所述第二工况数据和所述第三工况数据，校正所述虚拟生产线，包括：
将所述第二工况速度、所述第二工况运行时间以及所述第三工况速度代入校正公式，得到校正速度；
根据所述校正速度对所述第三工况速度进行插值处理；
所述校正公式为：
式中，Si ′为校正速度；Si为第二工况速度；Yi为第二工况运行时间；Yi ′为第三工况运行时间。
4.根据权利要求1所述的生产线的虚实同步方法，其特征在于，所述第一工况数据包括第一时长内至少两个时刻的至少两个工况数据，所述通过预测模型对获取得到的实际生产线处于第一时长内的第一工况数据进行预测，得到预测时刻的第二工况数据，包括：
通过所述LSTM模型对各所述工况数据进行预测，得到预测时刻的第二工况数据。
5.根据权利要求1所述的生产线的虚实同步方法，其特征在于，所述将获取到实际生产线处于第一时长内的第一工况数据输入至训练完成的LSTM模型，输出预测时刻的第二工况数据之前，还包括：
构建所述实际生产线的初始LSTM模型；
获取所述实际生产线处于第二时长内的多个时刻的多个第一训练工况数据，并将多个所述第一训练工况数据进行预处理以及归一化处理，得到多个第二训练工况数据；
按照预设比例，将多个所述第二训练工况数据划分为训练集、验证集以及测试集；将所述训练集输入所述初始LSTM模型中，对所述初始LSTM模型进行预测训练，得到训练后的初始LSTM模型；
将所述验证集输入所述训练后的初始LSTM模型，得到训练结果；
根据所述训练结果，对所述训练后的初始LSTM模型进行预测训练，得到所述训练完成的LSTM模型。
6.根据权利要求5所述的生产线的虚实同步方法，其特征在于，所述根据所述训练结果，对所述训练后的初始LSTM模型进行预测训练，得到所述训练完成的LSTM模型，包括：
判断所述训练结果是否达标；
若所述训练结果达标，则将所述训练后的初始LSTM模型作为训练完成的LSTM模型；
若所述训练结果不达标，则重新执行所述将所述训练集中的第二训练工况数据输入所述初始LSTM模型中，对所述初始LSTM模型进行预测训练，得到训练后的初始LSTM模型的步骤，直至所述训练结果达标。
7.根据权利要求5所述的生产线的虚实同步方法，其特征在于，所述根据所述训练结果，对所述训练后的初始LSTM模型进行预测训练，得到所述训练完成的LSTM模型之后，还包括：
将所述测试集输入至所述训练完成的LSTM模型中，得到工况预测结果；
通过评估公式对所述工况预测结果进行评估，得到所述训练完成的LSTM模型的评估结果；所述评估公式包括：
式中，MES为所述评估结果；m为所述测试集中第二训练工况数据的个数；Yi为第二训练工况数据中第i个训练工况数据的实际工况结果；yi为第二训练工况数据中第i个训练工况数据的预测工况结果；
Yi＝Wyht×by；
t为第二时长内第i个时刻；Wy为初始LSTM模型中t时刻的第二训练工况数据的遗忘门权重系数矩阵；ht表示t时刻工况预测数据；by为初始LSTM模型中遗忘门的偏置矩阵。
8.一种生产线的虚实同步系统，其特征在于，所述系统包括：
工况数据预测模块，用于将获取到实际生产线处于第一时长内的第一工况数据输入至训练完成的LSTM模型，输出预测时刻的第二工况数据；
工况数据判断模块，用于获取虚拟生产线处于所述预测时刻的第三工况数据，并判断所述第二工况数据和所述第三工况数据是否一致，所述虚拟生产线为所述实际生产线的虚拟模型；
虚拟生产线校正模块，用于若所述第二工况数据与所述第三工况数据不一致，则根据所述第二工况数据和所述第三工况数据，校正所述虚拟生产线。
9.一种电子设备，其特征在于，包括处理器(501)、存储器(502)、用户接口(503)及网络接口(504)，所述存储器(502)用于存储指令，所述用户接口(503)和网络接口(504)用于给其他设备通信，所述处理器(501)用于执行所述存储器(502)中存储的指令，以使所述电子设备(500)执行如权利要求1-7任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如权利要求1-7任意一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310652922.XA CN116700168A (zh) | 2023-06-02 | 2023-06-02 | 生产线的虚实同步方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310652922.XA CN116700168A (zh) | 2023-06-02 | 2023-06-02 | 生产线的虚实同步方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116700168A true CN116700168A (zh) | 2023-09-05 |
Family
ID=87827045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310652922.XA Pending CN116700168A (zh) | 2023-06-02 | 2023-06-02 | 生产线的虚实同步方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116700168A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112560337A (zh) * | 2020-12-10 | 2021-03-26 | 东北大学 | 复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质 |
| US20210110262A1 (en) * | 2019-10-14 | 2021-04-15 | Honda Research Institute Europe Gmbh | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data |
| CN114382662A (zh) * | 2022-01-21 | 2022-04-22 | 华电安诺(北京)信息科技有限公司 | 一种基于数字孪生的风机状态预警方法 |
| CN114398049A (zh) * | 2021-11-29 | 2022-04-26 | 南京航空航天大学 | 一种离散制造车间数字孪生模型自适应动态更新方法 |
| CN114789454A (zh) * | 2022-06-24 | 2022-07-26 | 浙江大学 | 基于lstm和逆运动学的机器人数字孪生轨迹补全方法 |
| CN115062528A (zh) * | 2022-03-23 | 2022-09-16 | 哈尔滨工程大学 | 一种针对工业过程时序数据的预测方法 |
| CN115204491A (zh) * | 2022-07-13 | 2022-10-18 | 温州大学 | 基于数字孪生与lstm的生产线工况预测方法及系统 |
-
2023
- 2023-06-02 CN CN202310652922.XA patent/CN116700168A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210110262A1 (en) * | 2019-10-14 | 2021-04-15 | Honda Research Institute Europe Gmbh | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data |
| CN112560337A (zh) * | 2020-12-10 | 2021-03-26 | 东北大学 | 复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质 |
| CN114398049A (zh) * | 2021-11-29 | 2022-04-26 | 南京航空航天大学 | 一种离散制造车间数字孪生模型自适应动态更新方法 |
| CN114382662A (zh) * | 2022-01-21 | 2022-04-22 | 华电安诺(北京)信息科技有限公司 | 一种基于数字孪生的风机状态预警方法 |
| CN115062528A (zh) * | 2022-03-23 | 2022-09-16 | 哈尔滨工程大学 | 一种针对工业过程时序数据的预测方法 |
| CN114789454A (zh) * | 2022-06-24 | 2022-07-26 | 浙江大学 | 基于lstm和逆运动学的机器人数字孪生轨迹补全方法 |
| CN115204491A (zh) * | 2022-07-13 | 2022-10-18 | 温州大学 | 基于数字孪生与lstm的生产线工况预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
| EP3955204A1 (en) | Data processing method and apparatus, electronic device and storage medium | |
| US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
| CN112884092B (zh) | Ai模型生成方法、电子设备及存储介质 | |
| CN113190886A (zh) | 一种基于快速仿真数字孪生技术的设备健康监测方法 | |
| Yan et al. | HANSEL: Adaptive horizontal scaling of microservices using Bi-LSTM | |
| CN112819169B (zh) | 量子控制脉冲生成方法、装置、设备及存储介质 | |
| CN106227660B (zh) | 一种用于模拟真实物理环境的仿真数据生成方法 | |
| Chirodea et al. | Comparison of tensorflow and pytorch in convolutional neural network-based applications | |
| CN107360026B (zh) | 分布式消息中间件性能预测与建模方法 | |
| CN110046706A (zh) | 模型生成方法、装置及服务器 | |
| CN109165153A (zh) | 一种高仿真证券业交易类系统的性能测试方法 | |
| Tuli et al. | GOSH: Task scheduling using deep surrogate models in fog computing environments | |
| US20230066703A1 (en) | Method for estimating structural vibration in real time | |
| CN112632179A (zh) | 模型构建方法、装置、存储介质及设备 | |
| CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
| CN115310343A (zh) | 样本数据库系统、训练及检验打印参数的方法、计算机 | |
| JP2019082874A (ja) | 設計支援装置及び設計支援システム | |
| CN112947080B (zh) | 一种基于场景参数变换的智能决策模型性能评估系统 | |
| CN109117352B (zh) | 服务器性能预测方法和装置 | |
| CN116700168A (zh) | 生产线的虚实同步方法及系统 | |
| CN113825165A (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
| JP2020129301A (ja) | シミュレーション装置、シミュレーション方法およびシミュレーションプログラム | |
| JP7084520B2 (ja) | シミュレーション装置、シミュレーション方法およびシミュレーションプログラム | |
| CN113393023B (zh) | 模具质量评估方法、装置、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 |