CN116842811B - 基于数字孪生的车间产线能耗分析方法、装置及存储介质 - Google Patents
基于数字孪生的车间产线能耗分析方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116842811B CN116842811B CN202311116882.3A CN202311116882A CN116842811B CN 116842811 B CN116842811 B CN 116842811B CN 202311116882 A CN202311116882 A CN 202311116882A CN 116842811 B CN116842811 B CN 116842811B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- production line
- data
- equipment
- time
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 422
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 305
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 75
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 21
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 14
- 238000000540 analysis of variance Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 239000006185 dispersion Substances 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000009877 rendering Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 2
- 238000013024 troubleshooting Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06F2119/06—Power analysis or power optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于数字孪生的车间产线能耗分析方法、装置及存储介质,应用于车间能耗分析技术领域,包括:通过构建车间及产线上各个装备的数字孪生模型,通过历史运行数据对数字孪生模型进行驱动,获得产线及车间上各个装备的标准能耗曲线,在车间以及产线实际运行过程中,通过获取数字孪生系统实时获取产线装备上的数据,根据采集到的功率数据以及时间数据得到实时状态下的能耗数据,最后在绘制成实时能耗曲线,将实时能耗曲线与标准能耗曲线进行比较,了解到装备的能耗是否正常,从而进行故障的排查,本申请中,通过数字孪生系统实现了各个装备在运行过程中的实时能耗与标准能耗的即时比较,相较于现有技术,解决了时效性较差的问题。
Description
技术领域
本发明涉及车间能耗分析技术领域,具体涉及基于数字孪生的车间产线能耗分析方法、装置及存储介质。
背景技术
随着技术的发展,现有的工厂在能耗监测方面已经有了巨大的提升,已经从最开始的只关注工厂各车间的总能耗,无法对车间内各产线进行监测提升到了通过对产线上个装备进行传感器等检测设备的加装,来获取各装备的能耗数据,并对数据进行分析处理,最终得到相关能耗报告并根据报告给出对应建议。
虽然通过对设备加装传感器获取了能耗数据,但由于产线设备复杂造成数据种类及体量过大,虽然通过相应算法可实现对能耗数据的精准提取,但仍然耗时,对于一直在生产过程中的车间工厂来说,数据是一直快速更新的,分析的数据多是历史数据,造成了时效性的下降,如专利“一种基于安全生产的设备能耗智能分析方法及系统”(专利号:202211331325.9)所论述的。
发明内容
有鉴于此,本发明的目的在于提供基于数字孪生的车间产线能耗分析方法、装置及存储介质,以解决现有技术中,设备能耗分析的时效性较差的问题。
根据本发明实施例的第一方面,提供基于数字孪生的车间产线能耗分析方法,包括:
构建车间及其产线上各装备的数字孪生模型;
将产线上各装备的历史运行数据作为对应装备的数字孪生模型的输入,获取产线中不同装备在预设时间段的能耗数据,通过装备能耗数据得到产线能耗数据,根据产线能耗数据绘制产线标准能耗曲线;
将车间内各辅助装备的历史运行数据作为对应装备的数字孪生模型的输入,获取各辅助装备在预设时间段的能耗数据,根据各服务装备的能耗数据得到服务能耗数据,根据服务能耗数据绘制服务标准能耗曲线;
采集产线上各装备的实时功率数据以及时间数据,根据实时功率数据以及时间数据得到实时状态下的能耗数据,根据实时能耗数据绘制产线实时能耗曲线;
采集车间内各辅助装备的实时功率数据以及时间数据,根据各辅助装备的实时功率数据以及时间数据得到个辅助装备实时状态下的能耗数据,根据各辅助装备实时状态下的能耗数据绘制服务实时能耗曲线;
将产线标准能耗曲线与产线实时能耗曲线通过方差分析法获取检验统计量F 1,若F 1不满足预设的标准,则认为产线上各装备出现故障;
将服务标准能耗曲线与服务实时能耗曲线通过方差分析法获取检验统计量F 2,若F 2不满足预设的标准,则认为车间内各辅助装备出现故障。
优选地,
所述构建车间及其产线上各装备的数字孪生模型包括:
根据车间及其产线上各装备的布局情况构建各装备的三维模型,通过3dmax软件进行原比例构建贴图渲染还原,用于表征装备的外观形状、尺寸大小以及结构与装配关系,获取各装备的几何模型;
在几何模型的基础上,应用ANSYS软件和MATLAB软件对其物理模型进行完善,用于体现装备的受力变化、表示装备的力学耦合特性;
将所述装备的几何模型和物理模型导入Unity3D中,在Unity3D环境下对各装备的行为模型和规则模型进行设定,行为模型用于表示装备在运行过程中的运动状态及运动动作;规则模型用于表示装备的作业轨迹、约束条件、运动范围和专家知识,完成车间及其产线上各装备的数字孪生模型的构建。
优选地,
所述获取产线中不同装备在预设时间段的能耗数据包括:
分别获取产线中不同装备的启动能耗数据、待机能耗数据以及生产制造能耗数据;
将所述产线中不同装备的启动能耗数据、待机能耗数据以及生产制造能耗数据相加得到预设时间段内产线中不同装备的能耗数据。
优选地,
所述将产线标准能耗曲线与产线实时能耗曲线通过方差分析法获取检验统计量F 1包括:
将产线标准能耗曲线以及产线实时能耗曲线进行等间距分组,并计算组间离差与组内离差;
通过组间离差以及组内离差获取检验统计量F 1。
优选地,还包括:
若F 1不满足预设的标准时,获取产线上各个装备的额定功率、启动时间以及启动功率系数,将所述各个装备的额定功率乘以启动功率系数得到各个装备的启动功率,将所述各个装备的启动功率与启动时间相乘得到各个装备的标准启动能耗;
实时采集产线上各个装备启动时的最大功率,将各个装备的最大功率在时间上进行积分获取各个装备的实际启动能耗;
将产线上各个装备的标准启动能耗与实际启动能耗进行比较,若各个装备的实际启动能耗大于各自的标准启动能耗,则产线上该装备出现启动故障。
优选地,还包括:
获取产线上各个装备的实时待机功率,通过对实时待机功率在时间上进行积分得到实际待机能耗值;
将所述实际待机能耗值与预设的标准待机能耗值进行比较,若所述实际待机能耗值与预设的标准待机能耗值的误差超过预设的误差范围,则产线上该装备出现待机故障。
优选地,还包括:
实时采集产线上各个装备的实时功率以及运行时间,通过各个装备的实时功率以及运行时间计算各个装备的总生产制造能耗,基于总生产制造能耗获取预设时间段内的平均生产制造能耗;
将预设时间段内的平均生产制造能耗与该装备在额定功率下的生产制造能耗进行比较,若产线上各个装备的预设时间段内的平均生产制造能耗与该装备在额定功率下的生产制造能耗的误差超过预设的生产制造能耗误差阈值时,则产线上该装备出现运行故障。
优选地,还包括:
获取产线上各个装备的能耗时序数据,对所述能耗时序数据进行归一化处理;
将所述归一化处理后的能耗时序数据输入到预设的差分自回归移动平均模型ARIMA中或神经网络LSTM中,对差分自回归移动平均模型ARIMA中或神经网络LSTM进行训练,得到训练好的差分自回归移动平均模型ARIMA或神经网络LSTM;
将归一化处理后的能耗时序数据输入到训练好的差分自回归移动平均模型ARIMA或神经网络LSTM中,获取预测能耗输出值;
将所述预测能耗输出值和归一化处理后的能耗时序数据进行做差比较,获取残差序列;
将所述残差序列作为预设的SVR模型的输入,通过SVR模型得到残差序列的预测值;
将所述残差序列的预测值和预测能耗输出值进行相加,得到最终的预测能耗值。
根据本发明实施例的第二方面,提供基于数字孪生的车间产线能耗分析装置,所述装置包括:
孪生模型构建模块:用于构建车间及其产线上各装备的数字孪生模型;
产线标准能耗获取模块:用于将产线上各装备的历史运行数据作为对应装备的数字孪生模型的输入,获取产线中不同装备在预设时间段的能耗数据,通过装备能耗数据得到产线能耗数据,根据产线能耗数据绘制产线标准能耗曲线;
服务标准能耗获取模块:用于将车间内各辅助装备的历史运行数据作为对应装备的数字孪生模型的输入,获取各辅助装备在预设时间段的能耗数据,根据各服务装备的能耗数据得到服务能耗数据,根据服务能耗数据绘制服务标准能耗曲线;
产线实时能耗获取模块:用于采集产线上各装备的实时功率数据以及时间数据,根据实时功率数据以及时间数据得到实时状态下的能耗数据,根据实时能耗数据绘制产线实时能耗曲线;
服务实时能耗获取模块:用于采集车间内各辅助装备的实时功率数据以及时间数据,根据各辅助装备的实时功率数据以及时间数据得到个辅助装备实时状态下的能耗数据,根据各辅助装备实时状态下的能耗数据绘制服务实时能耗曲线;
产线比较模块:用于将产线标准能耗曲线与产线实时能耗曲线通过方差分析法获取检验统计量F 1,若F 1不满足预设的标准,则认为产线上各装备出现故障;
服务比较模块:用于将服务标准能耗曲线与服务实时能耗曲线通过方差分析法获取检验统计量F 2,若F 2不满足预设的标准,则认为车间内各辅助装备出现故障。
根据本发明实施例的第三方面,提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被主控器执行时,实现所述的基于数字孪生的物流装备再设计方法中的各个步骤。
本发明的实施例提供的技术方案可以包括以下有益效果:
本申请通过构建车间及产线上各个装备的数字孪生模型,通过历史运行数据对数字孪生模型进行驱动,获得产线上各个装备的标准能耗曲线以及车间内各个辅助装备的标准能耗曲线,在车间以及产线实际运行过程中,通过获取数字孪生系统实时获取产线装备上的数据,根据采集到的功率数据以及时间数据得到实时状态下的能耗数据,最后在绘制成实时能耗曲线,将实时能耗曲线与标准能耗曲线进行比较,了解到装备的能耗是否正常,从而进行故障的排查,本申请中,通过数字孪生系统实现了各个装备在运行过程中的实时能耗与标准能耗的即时比较,相较于现有技术,解决了时效性较差的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的基于数字孪生的车间产线能耗分析方法的流程示意图;
图2是根据另一示例性实施例示出的基于数字孪生的车间产线能耗预测的流程示意图;
图3是根据另一示例性实施例示出的基于数字孪生的车间产线能耗分析装置的系统示意图;
附图中:1-孪生模型构建模块,2-产线标准能耗获取模块,3-服务标准能耗获取模块,4-产线实时能耗获取模块,5-服务实时能耗获取模块,6-产线比较模块,7-服务比较模块。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
实施例一
图1是根据一示例性实施例示出的基于数字孪生的车间产线能耗分析方法的流程示意图,如图1所示,该方法包括:
S1,构建车间及其产线上各装备的数字孪生模型;
S2,将产线上各装备的历史运行数据作为对应装备的数字孪生模型的输入,获取产线中不同装备在预设时间段的能耗数据,通过装备能耗数据得到产线能耗数据,根据产线能耗数据绘制产线标准能耗曲线;
S3,将车间内各辅助装备的历史运行数据作为对应装备的数字孪生模型的输入,获取各辅助装备在预设时间段的能耗数据,根据各服务装备的能耗数据得到服务能耗数据,根据服务能耗数据绘制服务标准能耗曲线;
S4,采集产线上各装备的实时功率数据以及时间数据,根据实时功率数据以及时间数据得到实时状态下的能耗数据,根据实时能耗数据绘制产线实时能耗曲线;
S5,采集车间内各辅助装备的实时功率数据以及时间数据,根据各辅助装备的实时功率数据以及时间数据得到个辅助装备实时状态下的能耗数据,根据各辅助装备实时状态下的能耗数据绘制服务实时能耗曲线;
S6,将产线标准能耗曲线与产线实时能耗曲线通过方差分析法获取检验统计量F 1,若F 1不满足预设的标准,则认为产线上各装备出现故障;
S7,将服务标准能耗曲线与服务实时能耗曲线通过方差分析法获取检验统计量F 2,若F 2不满足预设的标准,则认为车间内各辅助装备出现故障;
可以理解的是,车间能耗数据可分为车间生产制造能耗和车间服务能耗两部分,其中车间生产制造能耗是由耗能设备和车间任务来组成,车间服务能耗则是辅助设备产生的,如照明设备、空压机和水,两部分的总和构成了车间产线的能耗;数字孪生可以实现高保真建模与仿真、物理空间与信息空间的虚实映射,具有全生命周期数据管理、实时状态监测等典型特征;通过数字孪生系统以及历史运行数据,可以仿真得到产线中不同设备的能耗,由设备能耗组成产线能耗,最终形成产线能耗曲线,此能耗曲线即为该产线的标准能耗曲线,后续的产线设备能耗分析均以标准能耗曲线为基准进行判断;通过数字孪生系统可以实时获取产线设备上的数据,根据采集到的功率数据以及时间数据得到实时状态下的能耗数据,最后在绘制成产线实时能耗曲线,服务能耗同理;由于数据量较大,在绘制能耗曲线时采用数据密度图进行绘制,即有其中/>代表数据样本大小,即所选数据的容量,/>是核函数,这里选用高斯核函数即/>,/>表示数据的具体值,通过接入车间产线的实时数据,可实现孪生模型与车间产线的实时交互,完成车间产线的数字孪生模型,在车间产线的数字孪生模型的帮助下不仅实现了对现实车间能量消耗的可视化显示,并且可实时计算分析和预测车间产线的能耗值;因为车间总数据量量过大,用户可以选取一定时间间隔进行分析,分析时系统会生成实时能耗曲线,并与标准能耗曲线进行对比,系统在进行对比时,是通过方差分析计算的;本申请通过构建车间及产线上各个装备的数字孪生模型,通过历史运行数据对数字孪生模型进行驱动,获得产线上各个装备的标准能耗曲线以及车间内各个辅助装备的标准能耗曲线,在车间以及产线实际运行过程中,通过获取数字孪生系统实时获取产线装备上的数据,根据采集到的功率数据以及时间数据得到实时状态下的能耗数据,最后在绘制成实时能耗曲线,将实时能耗曲线与标准能耗曲线进行比较,了解到装备的能耗是否正常,从而进行故障的排查,本申请中,通过数字孪生系统实现了各个装备在运行过程中的实时能耗与标准能耗的即时比较,相较于现有技术,解决了时效性较差的问题。
优选地,
所述构建车间及其产线上各装备的数字孪生模型包括:
根据车间及其产线上各装备的布局情况构建各装备的三维模型,通过3dmax软件进行原比例构建贴图渲染还原,用于表征装备的外观形状、尺寸大小以及结构与装配关系,获取各装备的几何模型;
在几何模型的基础上,应用ANSYS软件和MATLAB软件对其物理模型进行完善,用于体现装备的受力变化、表示装备的力学耦合特性;
将所述装备的几何模型和物理模型导入Unity3D中,在Unity3D环境下对各装备的行为模型和规则模型进行设定,行为模型用于表示装备在运行过程中的运动状态及运动动作;规则模型用于表示装备的作业轨迹、约束条件、运动范围和专家知识,完成车间及其产线上各装备的数字孪生模型的构建;
可以理解的是,根据车间及其产线各装备的布局情况构建各装备的三维模型,即产线中各装备的几何模型,应用3dmax软件进行原比例构建贴图渲染还原,用于表征装备的外观形状、尺寸大小以及结构与装配关系。在几何模型的基础上,应用ANSYS软件和MATLAB软件对其物理模型进行完善,用于体现装备的受力变化、表示装备的力学耦合特性。将几何模型和物理模型导入Unity3D中,在Unity3D环境下对各装备的行为模型和规则模型进行设定,行为模型用于表示装备在运行过程中的运动状态及运动动作;规则模型用于表示装备的作业轨迹、约束条件和运动范围和专家知识;根据上述方法完成车间、生产装备以及产线各辅助装备的孪生模型建立。
在Unity3D环境下基于孪生模型通过导入车间产线装备历史运行数据来驱动孪生模型运行,根据历史运行数据可得仿真状态下的车间产线及装备的仿真能耗数据,通过仿真能耗数据与真实采集到的历史能耗数据相对比,来完善孪生模型,使仿真输出的能耗数据与历史能耗数据一致,得到完善后的孪生模型,后续的仿真模拟与数字孪生都是基于完善后的孪生模型进行的。
优选地,
所述获取产线中不同装备在预设时间段的能耗数据包括:
分别获取产线中不同装备的启动能耗数据、待机能耗数据以及生产制造能耗数据;
将所述产线中不同装备的启动能耗数据、待机能耗数据以及生产制造能耗数据相加得到预设时间段内产线中不同装备的能耗数据;
可以理解的是,车间的生产制造是由多条生产线所组成的,这些生产线可能相同也可能不太能,但其本质上均是由各个设备所组成的,因此在分析产线能耗的过程中,仅需要对各个设备的能耗进行分析即可,同时对各个设备的能耗分析也能有效的分析出装备的运行状态(正常或可能出现故障)。虽然各个设备由于耗能组件不同,其能耗规律难以统一定制,但各个设备均有以下四个阶段启动阶段、待机阶段、生产制造阶段(或运载转移阶段,指产线生产过程中涉及到的运输设备)和停机阶段,其每个设备的不同阶段对应着不同的能耗。对每台设备都加装功率传感器,通过对单位时间内的装备功率的积分可以得到装备的能耗,即有,式中/>代表设备总能耗,/>代表设备启动能耗,/>代表设备待机能耗,/>代表生产制造能耗。
车间服务能耗分析:这里的能耗主要是指照明能耗、空调能耗、水能耗等,这些能耗是不会随着车间生产加工流程或者计划调度的改变而改变的,只需要统计辅助设备服务总能耗就行,其总能耗是与辅助设备的工作时长成正比的,计算公式为:,式中,代表消耗的能耗,/>为第/>设备的运行时间,/>为第/>设备的功率,其中辅助设备运行时长和功率均可通过数字孪生系统实时获取。
优选地,
所述将产线标准能耗曲线与产线实时能耗曲线通过方差分析法获取检验统计量F 1包括:
将产线标准能耗曲线以及产线实时能耗曲线进行等间距分组,并计算组间离差与组内离差;
通过组间离差以及组内离差获取检验统计量F 1;
可以理解的是,因为车间总数据量量过大,用户也可以选取一定时间间隔进行分析,分析时系统会生成实时能耗曲线,并与标准能耗曲线进行对比,系统在进行对比时,是通过方差分析计算的,首先两组曲线进行等间距分组,并计算组间离差与组内离差/>,即/>,/>式中/>表示有几组曲线/数据进行对比(一般情况下/>=2),/>表示每组的样本大小,/>表示每组的平均值,/>表示所有数据的平均值,/>表示第/>组第/>个数据;然后计算检验统计量/>,即/>,当该时间段数据正常时,则有组间方差与组内方差相似,/>值接近1;反之则该时间段内数据不正常,导致/>值过大或者过小;
优选地,还包括:
若F 1不满足预设的标准时,获取产线上各个装备的额定功率、启动时间以及启动功率系数,将所述各个装备的额定功率乘以启动功率系数得到各个装备的启动功率,将所述各个装备的启动功率与启动时间相乘得到各个装备的标准启动能耗;
实时采集产线上各个装备启动时的最大功率,将各个装备的最大功率在时间上进行积分获取各个装备的实际启动能耗;
将产线上各个装备的标准启动能耗与实际启动能耗进行比较,若各个装备的实际启动能耗大于各自的标准启动能耗,则产线上该装备出现启动故障;
可以理解的是,当值过大或者过小时,数字孪生系统首先判断是否是由车间服务能耗的增加或者减少而造成的影响,因为车间服务能耗是和使用时间成正比的,并且当车间服务能耗中的照明灯或者空调等因发生故障而停机后,是会造成能耗的减少,从而使值减少,当排除/>值的改变是由车间服务能耗的变化而产生时,需重点对车间生产制造能耗进行分析,既对产线上每台设备能耗进行分析和对比,首先对比设备的总能耗,对于总能耗有异常的设备再进行分阶段分析,根据上述车间生产制造能耗中将设备能耗分为启动能耗、待机能耗和生产制造能耗,由于设备在启动时可能需要较大的电流来克服起动阻力,因此启动时的功率通常会比额定功率高,启动功率系数是额定功率与启动功率之间的比值,通常介于1.2到2之间,将设备的额定功率乘以启动功率系数即可得到设备的启动功率,将得到设备的启动功率与启动时间相乘得到设备启动能耗(这是理论状态下得到的设备启动能耗),在实际监测过程中通过传感器实时采集到的数值可以知道设备启动时的最大功率,将最大功率在时间上进行积分可得设备实际启动能耗,当设备实际启动能耗大于理论能耗的最大值时,表明设备出现启动故障,需要对设备进行停机检测(基于启动时间和、启动时的电流、电压进行分析)。
优选地,还包括:
获取产线上各个装备的实时待机功率,通过对实时待机功率在时间上进行积分得到实际待机能耗值;
将所述实际待机能耗值与预设的标准待机能耗值进行比较,若所述实际待机能耗值与预设的标准待机能耗值的误差超过预设的误差范围,则产线上该装备出现待机故障;
可以理解的是,通过传感器实时感知设备待机功率,设备正常时待机功率维持定值,通过对待机功率在时间上积分得到待机能耗值,常规上待机能耗值为定值,当待机能耗值出现波动后证明设备出现故障,需对设备进行故障检查和维修。
优选地,还包括:
实时采集产线上各个装备的实时功率以及运行时间,通过各个装备的实时功率以及运行时间计算各个装备的总生产制造能耗,基于总生产制造能耗获取预设时间段内的平均生产制造能耗;
将预设时间段内的平均生产制造能耗与该装备在额定功率下的生产制造能耗进行比较,若产线上各个装备的预设时间段内的平均生产制造能耗与该装备在额定功率下的生产制造能耗的误差超过预设的生产制造能耗误差阈值时,则产线上该装备出现运行故障;
可以理解的是,当设备处于生产制造过程中时,通过传感器实时感知设备的功率情况,基于实时功率值计算实时设备能耗,然后计算在一段时间内的平均实时能耗(该一段时间为1/2小时,时间过长或者过短都会对平均值造成稀释),然后将该值和额定功率下的能耗值进行比对,当平均实时能耗长期低于额定平均能耗30%时,说明设备长期处于低负载运行状态,生产效率低下,设备过度磨损,需要进行更换,反之当平均实时能耗长期高于额定平均能耗30%时,说明设备长期处于超负载状态下运行,过度耗能致使性能下降故障增加。
优选地,还包括:
S101,获取产线上各个装备的能耗时序数据,对所述能耗时序数据进行归一化处理;
S201,将所述归一化处理后的能耗时序数据输入到预设的差分自回归移动平均模型ARIMA中或神经网络LSTM中,对差分自回归移动平均模型ARIMA中或神经网络LSTM进行训练,得到训练好的差分自回归移动平均模型ARIMA或神经网络LSTM;
S301,将归一化处理后的能耗时序数据输入到训练好的差分自回归移动平均模型ARIMA或神经网络LSTM中,获取预测能耗输出值;
S401,将所述预测能耗输出值和归一化处理后的能耗时序数据进行做差比较,获取残差序列;
S501,将所述残差序列作为预设的SVR模型的输入,通过SVR模型得到残差序列的预测值;
S601,将所述残差序列的预测值和预测能耗输出值进行相加,得到最终的预测能耗值;
可以理解的是,如附图2所示,预测:在进行车间能耗预测时,通过将能耗时序数据输入到预测模型中来输出能耗预测值,其方法流程为:
(1)、加载能耗时序数据,并对该数据进行预处理,对数据进行归一化;
(2)、对预测模型进行训练(因为输入的是能耗时序数据,数据中包含时间属性,故训练模型可选择为对时间属性敏感的差分自回归移动平均模型ARIMA或者是长短期记忆神经网络LSTM),将训练好的模型进行保存,后续可直接进行调用,然后再将能耗时序数据进行输入,通过预测模型得到预测能耗输出值;
(3)、将模型输出的预测能耗值在和能耗时序数据进行做差比较,得到残差序列;
(4)、将残差序列作为SVR模型的输入,通过选择合适的核函数,利用SVR模型得到残差序列的预测值;
(5)、将残差序列的预测值和预测能耗输出值进行相加,即可得最终的预测值。(ARIMA和LSTM模型可很好的处理能耗数据中的线性成分,而SVR可处理数据的非线性成分,两者之和可得最终结果。)
实施例二
本实施例还公开了基于数字孪生的车间产线能耗分析装置的系统示意图,如附图3所示,包括:
孪生模型构建模块1:用于构建车间及其产线上各装备的数字孪生模型;
产线标准能耗获取模块2:用于将产线上各装备的历史运行数据作为对应装备的数字孪生模型的输入,获取产线中不同装备在预设时间段的能耗数据,通过装备能耗数据得到产线能耗数据,根据产线能耗数据绘制产线标准能耗曲线;
服务标准能耗获取模块3:用于将车间内各辅助装备的历史运行数据作为对应装备的数字孪生模型的输入,获取各辅助装备在预设时间段的能耗数据,根据各服务装备的能耗数据得到服务能耗数据,根据服务能耗数据绘制服务标准能耗曲线;
产线实时能耗获取模块4:用于采集产线上各装备的实时功率数据以及时间数据,根据实时功率数据以及时间数据得到实时状态下的能耗数据,根据实时能耗数据绘制产线实时能耗曲线;
服务实时能耗获取模块5:用于采集车间内各辅助装备的实时功率数据以及时间数据,根据各辅助装备的实时功率数据以及时间数据得到个辅助装备实时状态下的能耗数据,根据各辅助装备实时状态下的能耗数据绘制服务实时能耗曲线;
产线比较模块6:用于将产线标准能耗曲线与产线实时能耗曲线通过方差分析法获取检验统计量F 1,若F 1不满足预设的标准,则认为产线上各装备出现故障;
服务比较模块7:用于将服务标准能耗曲线与服务实时能耗曲线通过方差分析法获取检验统计量F 2,若F 2不满足预设的标准,则认为车间内各辅助装备出现故障;
可以理解的是,通过孪生模型构建模块1用于构建车间及其产线上各装备的数字孪生模型;产线标准能耗获取模块2用于将产线上各装备的历史运行数据作为对应装备的数字孪生模型的输入,获取产线中不同装备在预设时间段的能耗数据,通过装备能耗数据得到产线能耗数据,根据产线能耗数据绘制产线标准能耗曲线;服务标准能耗获取模块3用于将车间内各辅助装备的历史运行数据作为对应装备的数字孪生模型的输入,获取各辅助装备在预设时间段的能耗数据,根据各服务装备的能耗数据得到服务能耗数据,根据服务能耗数据绘制服务标准能耗曲线;产线实时能耗获取模块4用于采集产线上各装备的实时功率数据以及时间数据,根据实时功率数据以及时间数据得到实时状态下的能耗数据,根据实时能耗数据绘制产线实时能耗曲线;服务实时能耗获取模块5用于采集车间内各辅助装备的实时功率数据以及时间数据,根据各辅助装备的实时功率数据以及时间数据得到个辅助装备实时状态下的能耗数据,根据各辅助装备实时状态下的能耗数据绘制服务实时能耗曲线;产线比较模块6用于将产线标准能耗曲线与产线实时能耗曲线通过方差分析法获取检验统计量F 1,若F 1不满足预设的标准,则认为产线上各装备出现故障;服务比较模块7用于将服务标准能耗曲线与服务实时能耗曲线通过方差分析法获取检验统计量F 2,若F 2不满足预设的标准,则认为车间内各辅助装备出现故障;本申请通过构建车间及产线上各个装备的数字孪生模型,通过历史运行数据对数字孪生模型进行驱动,获得产线上各个装备的标准能耗曲线以及车间内各个辅助装备的标准能耗曲线,在车间以及产线实际运行过程中,通过获取数字孪生系统实时获取产线装备上的数据,根据采集到的功率数据以及时间数据得到实时状态下的能耗数据,最后在绘制成实时能耗曲线,将实时能耗曲线与标准能耗曲线进行比较,了解到装备的能耗是否正常,从而进行故障的排查,本申请中,通过数字孪生系统实现了各个装备在运行过程中的实时能耗与标准能耗的即时比较,相较于现有技术,解决了时效性较差的问题。
实施例三:
本实施例提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被主控器执行时,实现上述方法中的各个步骤;
可以理解的是,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,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。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.基于数字孪生的车间产线能耗分析方法,其特征在于,包括:
构建车间及其产线上各装备的数字孪生模型;
将产线上各装备的历史运行数据作为对应装备的数字孪生模型的输入,获取产线中不同装备在预设时间段的能耗数据,通过装备能耗数据得到产线能耗数据,根据产线能耗数据绘制产线标准能耗曲线;
所述获取产线中不同装备在预设时间段的能耗数据包括:
分别获取产线中不同装备的启动能耗数据、待机能耗数据以及生产制造能耗数据;
将所述产线中不同装备的启动能耗数据、待机能耗数据以及生产制造能耗数据相加得到预设时间段内产线中不同装备的能耗数据;
将车间内各辅助装备的历史运行数据作为对应装备的数字孪生模型的输入,获取各辅助装备在预设时间段的能耗数据,根据各服务装备的能耗数据得到服务能耗数据,根据服务能耗数据绘制服务标准能耗曲线;
所述根据产线能耗数据绘制产线标准能耗曲线包括:
所述产线标准能耗曲线采用数据密度图进行绘制,其表达式如下所示:
式中,代表数据样本大小,即所选数据的容量,/>是核函数,这里选用高斯核函数即,/>表示获取的各项能耗数据的具体值;
采集产线上各装备的实时功率数据以及时间数据,根据实时功率数据以及时间数据得到实时状态下的能耗数据,根据实时能耗数据绘制产线实时能耗曲线;
采集车间内各辅助装备的实时功率数据以及时间数据,根据各辅助装备的实时功率数据以及时间数据得到个辅助装备实时状态下的能耗数据,根据各辅助装备实时状态下的能耗数据绘制服务实时能耗曲线;
将产线标准能耗曲线与产线实时能耗曲线通过方差分析法获取检验统计量F 1,若F 1不满足预设的标准,则认为产线上各装备出现故障;
将服务标准能耗曲线与服务实时能耗曲线通过方差分析法获取检验统计量F 2,若F 2不满足预设的标准,则认为车间内各辅助装备出现故障。
2.根据权利要求1所述的方法,其特征在于,
所述构建车间及其产线上各装备的数字孪生模型包括:
根据车间及其产线上各装备的布局情况构建各装备的三维模型,通过3dmax软件进行原比例构建贴图渲染还原,用于表征装备的外观形状、尺寸大小以及结构与装配关系,获取各装备的几何模型;
在几何模型的基础上,应用ANSYS软件和MATLAB软件对其物理模型进行完善,用于体现装备的受力变化、表示装备的力学耦合特性;
将所述装备的几何模型和物理模型导入Unity3D中,在Unity3D环境下对各装备的行为模型和规则模型进行设定,行为模型用于表示装备在运行过程中的运动状态及运动动作;规则模型用于表示装备的作业轨迹、约束条件、运动范围和专家知识,完成车间及其产线上各装备的数字孪生模型的构建。
3.根据权利要求2所述的方法,其特征在于,
所述将产线标准能耗曲线与产线实时能耗曲线通过方差分析法获取检验统计量F 1包括:
将产线标准能耗曲线以及产线实时能耗曲线进行等间距分组,并计算组间离差与组内离差;
通过组间离差以及组内离差获取检验统计量F 1。
4.根据权利要求3所述的方法,其特征在于,还包括:
若F 1不满足预设的标准时,获取产线上各个装备的额定功率、启动时间以及启动功率系数,将所述各个装备的额定功率乘以启动功率系数得到各个装备的启动功率,将所述各个装备的启动功率与启动时间相乘得到各个装备的标准启动能耗;
实时采集产线上各个装备启动时的最大功率,将各个装备的最大功率在时间上进行积分获取各个装备的实际启动能耗;
将产线上各个装备的标准启动能耗与实际启动能耗进行比较,若各个装备的实际启动能耗大于各自的标准启动能耗,则产线上该装备出现启动故障。
5.根据权利要求4所述的方法,其特征在于,还包括:
获取产线上各个装备的实时待机功率,通过对实时待机功率在时间上进行积分得到实际待机能耗值;
将所述实际待机能耗值与预设的标准待机能耗值进行比较,若所述实际待机能耗值与预设的标准待机能耗值的误差超过预设的误差范围,则产线上该装备出现待机故障。
6.根据权利要求4或5任意一项所述的方法,其特征在于,还包括:
实时采集产线上各个装备的实时功率以及运行时间,通过各个装备的实时功率以及运行时间计算各个装备的总生产制造能耗,基于总生产制造能耗获取预设时间段内的平均生产制造能耗;
将预设时间段内的平均生产制造能耗与该装备在额定功率下的生产制造能耗进行比较,若产线上各个装备的预设时间段内的平均生产制造能耗与该装备在额定功率下的生产制造能耗的误差超过预设的生产制造能耗误差阈值时,则产线上该装备出现运行故障。
7.根据权利要求1所述的方法,其特征在于,还包括:
获取产线上各个装备的能耗时序数据,对所述能耗时序数据进行归一化处理;
将所述归一化处理后的能耗时序数据输入到预设的差分自回归移动平均模型ARIMA中或神经网络LSTM中,对差分自回归移动平均模型ARIMA中或神经网络LSTM进行训练,得到训练好的差分自回归移动平均模型ARIMA或神经网络LSTM;
将归一化处理后的能耗时序数据输入到训练好的差分自回归移动平均模型ARIMA或神经网络LSTM中,获取预测能耗输出值;
将所述预测能耗输出值和归一化处理后的能耗时序数据进行做差比较,获取残差序列;
将所述残差序列作为预设的SVR模型的输入,通过SVR模型得到残差序列的预测值;
将所述残差序列的预测值和预测能耗输出值进行相加,得到最终的预测能耗值。
8.基于数字孪生的车间产线能耗分析装置,其特征在于,所述装置包括:
孪生模型构建模块:用于构建车间及其产线上各装备的数字孪生模型;
产线标准能耗获取模块:用于将产线上各装备的历史运行数据作为对应装备的数字孪生模型的输入,获取产线中不同装备在预设时间段的能耗数据,通过装备能耗数据得到产线能耗数据,根据产线能耗数据绘制产线标准能耗曲线;
所述获取产线中不同装备在预设时间段的能耗数据包括:
分别获取产线中不同装备的启动能耗数据、待机能耗数据以及生产制造能耗数据;
将所述产线中不同装备的启动能耗数据、待机能耗数据以及生产制造能耗数据相加得到预设时间段内产线中不同装备的能耗数据;
服务标准能耗获取模块:用于将车间内各辅助装备的历史运行数据作为对应装备的数字孪生模型的输入,获取各辅助装备在预设时间段的能耗数据,根据各服务装备的能耗数据得到服务能耗数据,根据服务能耗数据绘制服务标准能耗曲线;
所述根据产线能耗数据绘制产线标准能耗曲线包括:
所述产线标准能耗曲线采用数据密度图进行绘制,其表达式如下所示:
式中,代表数据样本大小,即所选数据的容量,/>是核函数,这里选用高斯核函数即,/>表示获取的各项能耗数据的具体值;
产线实时能耗获取模块:用于采集产线上各装备的实时功率数据以及时间数据,根据实时功率数据以及时间数据得到实时状态下的能耗数据,根据实时能耗数据绘制产线实时能耗曲线;
服务实时能耗获取模块:用于采集车间内各辅助装备的实时功率数据以及时间数据,根据各辅助装备的实时功率数据以及时间数据得到个辅助装备实时状态下的能耗数据,根据各辅助装备实时状态下的能耗数据绘制服务实时能耗曲线;
产线比较模块:用于将产线标准能耗曲线与产线实时能耗曲线通过方差分析法获取检验统计量F 1,若F 1不满足预设的标准,则认为产线上各装备出现故障;
服务比较模块:用于将服务标准能耗曲线与服务实时能耗曲线通过方差分析法获取检验统计量F 2,若F 2不满足预设的标准,则认为车间内各辅助装备出现故障。
9.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被主控器执行时,实现如权利要求1-7任一项所述的基于数字孪生的车间产线能耗分析方法中的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311116882.3A CN116842811B (zh) | 2023-09-01 | 2023-09-01 | 基于数字孪生的车间产线能耗分析方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311116882.3A CN116842811B (zh) | 2023-09-01 | 2023-09-01 | 基于数字孪生的车间产线能耗分析方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116842811A CN116842811A (zh) | 2023-10-03 |
CN116842811B true CN116842811B (zh) | 2023-11-14 |
Family
ID=88163877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311116882.3A Active CN116842811B (zh) | 2023-09-01 | 2023-09-01 | 基于数字孪生的车间产线能耗分析方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842811B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117369308B (zh) * | 2023-11-20 | 2024-04-23 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889238A (zh) * | 2019-12-06 | 2020-03-17 | 北京航空航天大学 | 一种数字孪生驱动的热压罐管控系统 |
CN114003982A (zh) * | 2021-11-17 | 2022-02-01 | 吉林建筑大学 | 一种建筑能耗分析插件二次开发系统及方法 |
CN115062478A (zh) * | 2022-06-23 | 2022-09-16 | 珠海市长陆工业自动控制系统股份有限公司 | 基于数字孪生的动态车间生产排程调度方法、系统及介质 |
CN115453984A (zh) * | 2022-08-09 | 2022-12-09 | 深圳市国电科技通信有限公司 | 基于数字孪生平台的smt产线监测系统及其控制方法 |
CN115562217A (zh) * | 2022-11-10 | 2023-01-03 | 厦门烟草工业有限责任公司 | 数字孪生监控系统、方法及装置 |
CN116025993A (zh) * | 2022-12-13 | 2023-04-28 | 上海建工四建集团有限公司 | 空调机组运行管理系统及管理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021160260A1 (en) * | 2020-02-12 | 2021-08-19 | Swiss Reinsurance Company Ltd. | Digital platform using cyber-physical twin structures providing an evolving digital representation of a risk-related real world asset for quantifying risk measurements, and method thereof |
US11880250B2 (en) * | 2021-07-21 | 2024-01-23 | Accenture Global Solutions Limited | Optimizing energy consumption of production lines using intelligent digital twins |
-
2023
- 2023-09-01 CN CN202311116882.3A patent/CN116842811B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889238A (zh) * | 2019-12-06 | 2020-03-17 | 北京航空航天大学 | 一种数字孪生驱动的热压罐管控系统 |
CN114003982A (zh) * | 2021-11-17 | 2022-02-01 | 吉林建筑大学 | 一种建筑能耗分析插件二次开发系统及方法 |
CN115062478A (zh) * | 2022-06-23 | 2022-09-16 | 珠海市长陆工业自动控制系统股份有限公司 | 基于数字孪生的动态车间生产排程调度方法、系统及介质 |
CN115453984A (zh) * | 2022-08-09 | 2022-12-09 | 深圳市国电科技通信有限公司 | 基于数字孪生平台的smt产线监测系统及其控制方法 |
CN115562217A (zh) * | 2022-11-10 | 2023-01-03 | 厦门烟草工业有限责任公司 | 数字孪生监控系统、方法及装置 |
CN116025993A (zh) * | 2022-12-13 | 2023-04-28 | 上海建工四建集团有限公司 | 空调机组运行管理系统及管理方法 |
Non-Patent Citations (3)
Title |
---|
一种可配置能源管理系统的研究与设计;梁永宏;张昊;陈宇;;机电工程技术(第11期);全文 * |
基于生产设备全要素能耗数据的挖掘与应用系统设计;李秀芳;;信息与电脑(理论版)(第03期);全文 * |
数字孪生技术在航天制造领域中的应用;袁胜华;张腾;钮建伟;;强度与环境(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116842811A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210110262A1 (en) | 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 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN116842811B (zh) | 基于数字孪生的车间产线能耗分析方法、装置及存储介质 | |
CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
JP4995134B2 (ja) | 風車の監視装置及び方法並びにプログラム | |
WO2022001379A1 (zh) | 数据处理方法、风力发电机组的性能评估方法及系统 | |
CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
CN102486833A (zh) | 装置的效能预测及故障检测的方法 | |
CN111340250A (zh) | 设备检修装置、方法及计算机可读存储介质 | |
KR102279351B1 (ko) | 표준 공조기와 운용 공조기의 적합화를 통한 인공지능 기반 고장 진단 방법 | |
CN111638988B (zh) | 一种基于深度学习的云主机故障智能预测方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN114418042B (zh) | 一种基于聚类分析的工业机器人运行趋势诊断方法 | |
CN116428124A (zh) | 一种基于同型号设备数量较多的故障诊断方法 | |
CN113868948A (zh) | 一种面向用户的动态阈值模型训练系统及方法 | |
CN113029619A (zh) | 基于c4.5决策树算法的地下铲运机故障诊断方法 | |
CN111472941A (zh) | 风机状态判断方法、装置及存储介质 | |
CN114837902B (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
CN111766513A (zh) | 一种基于胶囊网络的三相感应电机变工况多故障诊断方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
KR20240025792A (ko) | 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
CN117152355B (zh) | 一种基于工厂数据的可视化监管系统 | |
Boi-Ukeme et al. | A workflow for data-driven fault detection and diagnosis in buildings |
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 |