CN116933445A - 面向模锻设备的数字孪生模型构建方法及系统 - Google Patents
面向模锻设备的数字孪生模型构建方法及系统 Download PDFInfo
- Publication number
- CN116933445A CN116933445A CN202311189691.XA CN202311189691A CN116933445A CN 116933445 A CN116933445 A CN 116933445A CN 202311189691 A CN202311189691 A CN 202311189691A CN 116933445 A CN116933445 A CN 116933445A
- Authority
- CN
- China
- Prior art keywords
- component
- point cloud
- die forging
- digital twin
- correction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005242 forging Methods 0.000 title claims abstract description 190
- 238000010276 construction Methods 0.000 title claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 176
- 230000004927 fusion Effects 0.000 claims abstract description 103
- 238000005192 partition Methods 0.000 claims abstract description 48
- 238000012795 verification Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 230000000712 assembly Effects 0.000 claims description 8
- 238000000429 assembly Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 239000003607 modifier Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008520 organization Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 102000005717 Myeloma Proteins Human genes 0.000 description 1
- 108010045503 Myeloma Proteins Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010080 roll forging Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000009987 spinning 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
- G06F30/17—Mechanical parametric or variational 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
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Forging (AREA)
Abstract
本发明提供了面向模锻设备的数字孪生模型构建方法及系统,涉及数据处理技术领域,方法包括:获得第一模锻设备的设备组件集配置M个组件点云扫描算力,遍历M个模锻组件进行点云数据采集,获得M个组件点云数据集进行数据清洗,获得M个组件点云数据分区进行建模,获得M个组件数字孪生模型进行点云特征修正,基于组件融合标识对M个修正组件数字孪生模型进行融合,获得第一模锻设备数字孪生体,当组件融合度验证结果为通过时,生成第一模锻设备数字孪生模型,解决了现有技术中模锻设备的数字孪生模型构建精准度低的技术问题,达到了提高模锻设备的数字孪生模型构建精准度,提升模锻设备的数字孪生模型构建质量的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及面向模锻设备的数字孪生模型构建方法及系统。
背景技术
随着模锻设备领域的发展,目前,我国模锻设备品种较多,模锻成形设备主要包括以螺旋副传力机构为特征的(摩擦式、离合器式和电动式)螺旋压力机、以曲柄连杆传力机构为特征的(温)热模锻压力机、以锤头传力机构为特征的模锻锤、以油缸传力机构为特征的液压机和以旋压成形为特征的辊锻机、辗环机等。
如今在现有技术中则存在模锻设备的数字孪生模型构建精准度低的技术问题。
发明内容
本申请提供了面向模锻设备的数字孪生模型构建方法及系统,用于针对解决了现有技术中模锻设备的数字孪生模型构建精准度低的技术问题。
鉴于上述问题,本申请提供了面向模锻设备的数字孪生模型构建方法及系统。
第一方面,本申请提供了面向模锻设备的数字孪生模型构建方法,所述方法包括:获得第一模锻设备的设备组件集,其中,所述设备组件集包括M个模锻组件,且,M个模锻组件具有组件融合标识,M为大于1的正整数;基于所述M个模锻组件配置M个组件点云扫描算力,并基于所述M个组件点云扫描算力,根据所述激光扫描装置,遍历所述M个模锻组件进行点云数据采集,获得M个组件点云数据集;遍历所述M个组件点云数据集进行数据清洗,获得M个组件点云数据分区;基于所述数字孪生平台对所述M个组件点云数据分区进行建模,获得M个组件数字孪生模型,并对所述M个组件数字孪生模型进行点云特征修正,获得M个修正组件数字孪生模型;基于所述组件融合标识,对所述M个修正组件数字孪生模型进行融合,获得第一模锻设备数字孪生体;对所述第一模锻设备数字孪生体进行组件融合度验证,获得组件融合度验证结果,当所述组件融合度验证结果为通过时,生成第一模锻设备数字孪生模型。
第二方面,本申请提供了面向模锻设备的数字孪生模型构建系统,所述系统包括:组件集模块,所述组件集模块用于获得第一模锻设备的设备组件集,其中,所述设备组件集包括M个模锻组件,且,M个模锻组件具有组件融合标识,M为大于1的正整数;第一遍历模块,所述第一遍历模块用于基于所述M个模锻组件配置M个组件点云扫描算力,并基于所述M个组件点云扫描算力,根据所述激光扫描装置,遍历所述M个模锻组件进行点云数据采集,获得M个组件点云数据集;第二遍历模块,所述第二遍历模块用于遍历所述M个组件点云数据集进行数据清洗,获得M个组件点云数据分区;点云特征修正模块,所述点云特征修正模块用于基于所述数字孪生平台对所述M个组件点云数据分区进行建模,获得M个组件数字孪生模型,并对所述M个组件数字孪生模型进行点云特征修正,获得M个修正组件数字孪生模型;融合模块,所述融合模块用于基于所述组件融合标识,对所述M个修正组件数字孪生模型进行融合,获得第一模锻设备数字孪生体;组件融合度验证模块,所述组件融合度验证模块用于对所述第一模锻设备数字孪生体进行组件融合度验证,获得组件融合度验证结果,当所述组件融合度验证结果为通过时,生成第一模锻设备数字孪生模型。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的面向模锻设备的数字孪生模型构建方法及系统,涉及数据处理技术领域,解决了现有技术中模锻设备的数字孪生模型构建精准度低的技术问题,达到了提高模锻设备的数字孪生模型构建精准度,提升模锻设备的数字孪生模型构建质量的技术效果。
附图说明
图1为本申请提供了面向模锻设备的数字孪生模型构建方法流程示意图;
图2为本申请提供了面向模锻设备的数字孪生模型构建方法中生成M个组件点云扫描算力流程示意图;
图3为本申请提供了面向模锻设备的数字孪生模型构建方法中M个修正组件数字孪生模型流程示意图;
图4为本申请提供了面向模锻设备的数字孪生模型构建方法中获取第一模锻设备数字孪生模型流程示意图;
图5为本申请提供了面向模锻设备的数字孪生模型构建系统结构示意图。
附图标记说明:组件集模块1,第一遍历模块2,第二遍历模块3,点云特征修正模块4,融合模块5,组件融合度验证模块6。
具体实施方式
本申请通过提供面向模锻设备的数字孪生模型构建方法及系统,用于解决了现有技术中模锻设备的数字孪生模型构建精准度低的技术问题。
实施例一:
如图1所示,本申请实施例提供了面向模锻设备的数字孪生模型构建方法,该方法应用于面向模锻设备的数字孪生模型构建系统,面向模锻设备的数字孪生模型构建系统与数字孪生平台、激光扫描装置通信连接,该方法包括:
步骤S100:获得第一模锻设备的设备组件集,其中,所述设备组件集包括M个模锻组件,且,M个模锻组件具有组件融合标识,M为大于1的正整数;
具体而言,本申请实施例提供的面向模锻设备的数字孪生模型构建方法应用于面向模锻设备的数字孪生模型构建系统,该面向模锻设备的数字孪生模型构建系统与数字孪生平台、激光扫描装置通信连接,该数字孪生平台、激光扫描装置用于进行数字孪生模型构建参数的采集。
为保证后期对面向模锻设备进行数字孪生模型构建的准确性,因此首先随机选择一个模锻设备作为第一模锻设备,进一步的,对第一模锻设备中的设备组件信息通过设备零件信息的调用,获取与第一模锻设备所对应的设备组件信息,第一模锻设备的设备组件信息可以包含模锻锤、压力机、架体等M个模锻组件,且在M个模锻组件中的每个模锻组件均具有组件融合标识,组件融合标识是用于模锻组件在模锻设备中进行组合的标识,其中,M为大于1的正整数,为后期实现对面向模锻设备进行数字孪生模型的构建作为重要参考依据。
步骤S200:基于所述M个模锻组件配置M个组件点云扫描算力,并基于所述M个组件点云扫描算力,根据所述激光扫描装置,遍历所述M个模锻组件进行点云数据采集,获得M个组件点云数据集;
进一步而言,如图2所示,本申请步骤S200还包括:
步骤S210:遍历所述M个模锻组件进行组件复杂度识别,获得M个组件复杂度,并基于所述M个组件复杂度进行占比计算,获得M个组件复杂度占比系数;
步骤S220:遍历所述M个模锻组件进行组件价值度识别,获得M个组件价值度,并对所述M个组件价值度进行占比计算,获得M个组件价值度占比系数;
步骤S230:基于预设占比系数权重约束,分别对所述M个组件复杂度占比系数和所述M个组件价值度占比系数进行权重分配,生成所述M个组件点云扫描算力。
具体而言,以上述第一末端设备的设备组件集所包含的M个模锻组件作为基础数据,对其进行M个组件点云扫描算力的配置,点云扫描算力是指通过对M个模锻组件进行处理,实现目M个组件输出的计算能力,首先通过依次对M个模锻组件中的每一个模锻组件进行组件复杂度的遍历识别,组件复杂度是指模锻设备中组件自身的状态或属性,即衡量组件自身需要维护多少个不依赖于外部输入的状态或属性,从而获取M个末端组建的M个组件复杂度,并基于M个组件复杂度进行占比计算,是指通过将具有组件复杂度的组件个数除以M的系数作为M个组件复杂度占比系数。
进一步的,依次对M个模锻组件中的每一个模锻组件进行组件价值度遍历识别,组件价值度是根据在模锻设备中组件的重要程度进行判定的,即组件的存在对模锻设备运行的影响程度越大则该组件的价值度也就越大,同时对M个组件价值度进行占比计算,是将每一个组件的价值度除以模锻设备的总价值度所获得的系数作为M个组件价值度占比系数,最终对占比系数权重约束根据相关技术人员由M个组件复杂度占比系数、M个组件价值度占比系数进行预设,基于预设占比系数权重约束,分别对M个组件复杂度占比系数和M个组件价值度占比系数进行权重分配,示例性的,M个组件复杂度占比系数和M个组件价值度可以为第一影响系数:第二影响系数为4:6,则权重分配后的计算影响参数分别为第一影响参数*0.4,第二影响参数*0.6,根据该权重分配结果生成M个组件点云扫描算力。
进一步的,通过计算所获的M个组件点云扫描算力对所布设的激光扫描装置,对模锻设备中的M个模锻组件进行点云数据的采集,其所布设的激光扫描装置是基于扫描技术来测量M个模锻组件的尺寸及形状等工作的仪器,M个模锻组件的点云数据是指在三维坐标系统中的一组向量集合,可主要用来代表M个模锻组件的外表形状、RGB颜色、灰度值、深度、分割结果等,将M个模锻组件的点云数据进行整合后记作M个组件点云数据集,进而为实现对面向模锻设备进行数字孪生模型的构建做保障。
步骤S300:遍历所述M个组件点云数据集进行数据清洗,获得M个组件点云数据分区;
具体而言,为避免删除重复信息,纠正存在的错误,以保证M个组件点云数据集的数据一致性,因此需要对上述所获的M个组件点云数据集进行数据清洗,是指对数据进行重新审查和校验,从数据库或数据表中更正和删除M个组件点云数据集中不准确数据记录,包括去除重复数据、填补缺失值、处理异常值和转换数据格式等操作,以提高数据的准确性和可靠性,使M个组件点云数据集适合进行分析和建模,同时将对M个组件点云数据集完整数据信息后对M个组件点云数据分区进行获取,为后续实现对面向模锻设备进行数字孪生模型的构建夯实基础。
步骤S400:基于所述数字孪生平台对所述M个组件点云数据分区进行建模,获得M个组件数字孪生模型,并对所述M个组件数字孪生模型进行点云特征修正,获得M个修正组件数字孪生模型;
进一步而言,如图3所示,本申请步骤S400还包括:
步骤S410:遍历所述M个组件数字孪生模型,获得第一组件数字孪生模型;
步骤S420:基于所述第一组件数字孪生模型对所述M个组件点云数据分区进行提取,获得第一组件点云数据分区;
步骤S430:对所述第一组件数字孪生模型进行栅格划分,获得Q个模型子区域,且,Q为大于1的正整数;
步骤S440:基于所述Q个模型子区域对所述第一组件点云数据分区进行识别,获得Q个区域点云数据;
步骤S450:基于所述Q个区域点云数据,分别对所述Q个模型子区域进行点云特征修正,获得Q个修正子模型;
步骤S460:基于所述Q个修正子模型,生成第一修正组件数字孪生模型,并将所述第一修正组件数字孪生模型添加至所述M个修正组件数字孪生模型。
具体而言,在数字孪生平台的基础上对上述所获的M个组件点云数据分区进行建模,数字孪生平台是指以云为基础的核心架构,联结无处不在的智能终端,以 AI 为驱动,融合大数据、物联网、视频、地理信息等多种 ICT 技术,以孪生数据服务、孪生应用服务和孪生集成服务为模锻设备运行监测和模锻设备仿 真预测预警应用提供相应服务,从而将根据M个组件点云数据分区建模所获的M个组件数字孪生模型进行点云特征修正,其修正过程可以是:对M个组件数字孪生模型进行依次遍历后,分别将每个组件数字孪生模型设置为第一组件数字孪生模型进行依次操作,进一步的,基于第一组件数字孪生模型对M个组件点云数据分区进行提取,是指将第一组件数字孪生模型中符合M个组件点云数据分区数据的进行聚类划分,从而获取与第一组件数字孪生模型所对应的第一组件点云数据分区,进一步的,对第一组件数字孪生模型进行栅格划分,栅格划分是指划分为大小均匀紧密相邻的网格阵列,每个网格作为一个像元或像素由行、列定义,并包含一个代码表示该像素的属性类型或量值,或仅仅包括指向其属性记录的指针。因此,栅格结构是以规则的阵列来表示第一组件数字孪生模型中组件的数据组织,组织中的每个数据表示第一组件数字孪生模型中每个组件的非几何属性特征,将所获多个特征记作Q个模型子区域,且,Q为大于1的正整数,同时,以Q个模型子区域作为识别基础数据对第一组件点云数据分区进行识别,将处于Q个模型子区域且同时存在于第一组件点云数据分区中的数据进行识别提取,并将所提取的数据记作Q个区域点云数据,基于Q个区域点云数据,分别对Q个模型子区域进行点云特征修正,是指对Q个模型子区域通过区域几何特征信息、区域粒度特征信息和区域纹理特征信息进行点云对照修正,对Q个模型子区域进行修正,并以修正后的数据作为构建修正数据,构建获得Q个修正子模型,最终以Q个修正子模型作为修正判定数据对第一组件数字孪生模型进行修正判定,从而生成第一修正组件数字孪生模型,并将第一修正组件数字孪生模型添加至M个修正组件数字孪生模型进行完善,实现对面向模锻设备进行数字孪生模型的构建有着推进的作用。
进一步而言,本申请步骤S450包括:
步骤S451:遍历所述Q个模型子区域,获得第一模型子区域,并对所述第一模型子区域进行特征识别,获得第一区域特征信息,其中,所述第一区域特征信息包括区域几何特征信息、区域粒度特征信息和区域纹理特征信息;
步骤S452:基于所述第一模型子区域对所述Q个区域点云数据进行特征提取,获得第一区域点云特征信息,其中,所述第一区域点云特征信息包括区域几何点云特征、区域粒度点云特征和区域纹理点云特征;
步骤S453:基于所述第一区域点云特征信息和所述第一区域特征信息进行区域特征一致性比对,获得区域特征一致性比对结果,其中,所述区域特征一致性比对结果包括区域几何一致性指数、区域粒度一致性指数和区域纹理一致性指数;
步骤S454:判断所述区域特征一致性比对结果是否满足预设一致性比对结果;
步骤S455:当所述区域特征一致性比对结果不满足所述预设一致性比对结果时,生成区域点云特征修正指令,并基于所述区域点云特征修正指令对所述第一模型子区域进行修正,获得第一修正子模型,并将所述第一修正子模型添加至所述Q个修正子模型。
进一步而言,本申请步骤S455包括:
步骤S4551:所述区域点云特征修正指令包括区域修正因子,基于所述区域点云特征修正指令激活分区校正通道;
步骤S4552:将所述区域修正因子输入所述分区校正通道,获得区域补偿参数;
步骤S4553:基于所述数字孪生平台,根据所述区域补偿参数对所述第一模型子区域进行修正,获得所述第一修正子模型。
进一步而言,本申请步骤S4552包括:
步骤S45521:基于大数据,采集模锻设备模型分区校正记录库,其中,所述模锻设备模型分区校正记录库包括模锻设备模型几何校正记录库、模锻设备模型粒度校正记录库和模锻设备模型纹理校正记录库;
步骤S45522:基于卷积神经网络,获得所述分区校正通道的基础通道架构;
步骤S45523:分别对所述模锻设备模型几何校正记录库、所述模锻设备模型粒度校正记录库和所述模锻设备模型纹理校正记录库进行集成学习,获得几何校正分支、粒度校正分支和纹理校正分支;
步骤S45524:以所述几何校正分支、所述粒度校正分支和所述纹理校正分支作为三级并行校正分支;
步骤S45525:将所述三级并行校正分支嵌入至所述基础通道架构的隐含层,生成所述分区校正通道。
具体而言,为保证对Q个模型子区域进行修正的精准度,因此在对Q个模型子区域进行点云特征修正时,首先依次对Q个模型子区域进行遍历访问,并分别将每个模型子区域设置为第一模型子区域进行逐个操作,并对第一模型子区域进行特征识别,其特征识别包含对第一模型子区域中的区域几何特征信息、区域粒度特征信息和区域纹理特征信息进行识别,区域几何特征信息是指在第一模型子区域中所包含的模锻组件的相似性、对称性、封闭性等集合特征、区域粒度特征信息是指在第一模型子区域中所包含的模锻组件的空间或时间的幅度大小的特征、区域纹理特征是指用于体现组件表面的具有缓慢变化或者周期性变化的表面结构组织排列属性的特征,在区域几何特征信息、区域粒度特征信息和区域纹理特征信息的基础上对第一区域特征信息进行获取,
基于第一模型子区域对Q个区域点云数据进行特征提取,是指对区域几何点云特征、区域粒度点云特征和区域纹理点云特征进行识别,区域几何点云特征信息是指在第一模型子区域中所包含的模锻组件的相似性、对称性、封闭性等集合在三维坐标系统中的向量特征、区域粒度点云特征信息是指在第一模型子区域中所包含的模锻组件的空间或时间的幅度大小在三维坐标系统中的向量的特征、区域纹理点云特征是指用于体现组件表面的具有缓慢变化或者周期性变化的表面结构组织排列属性在三维坐标系统中的向量的特征。
进一步的,基于第一区域点云特征信息和第一区域特征信息进行区域特征一致性比对,是指将第一区域点云特征信息中的三维向量特征和第一区域特征信息中的组件特征进行依次比对,比对数据可以包含区域几何一致性、区域粒度一致性和区域纹理一致性,由此获得区域几何一致性指数、区域粒度一致性指数和区域纹理一致性指数,其中区域几何一致性指数、区域粒度一致性指数和区域纹理一致性指数与区域几何一致性、区域粒度一致性和区域纹理一致性成正比关系,区域几何一致性指数、区域粒度一致性指数和区域纹理一致性指数越高则区域几何一致性、区域粒度一致性和区域纹理一致性越高,从而根据区域几何一致性、区域粒度一致性和区域纹理一致性获得区域特征一致性比对结果。
对区域一致性比对结果与预设一致性比对结果进行比较,预设一致性比对结果是根据相关技术人员由区域一致性进行阈值预设,判断区域特征一致性比对结果是否满足预设一致性比对结果,当区域特征一致性比对结果不满足预设一致性比对结果时,生成区域点云特征修正指令,区域点云特征修正指令是通过对第一模型子区域内的区域几何点云特征、区域粒度点云特征和区域纹理点云特征进行偏离修正,从而完成对第一模型子区域的修正,当区域特征一致性比对结果满足预设一致性比对结果时,则不需要对第一模型子区域进行修正,直接将第一模型子区域输出为第一修正子模型。
区域点云特征修正指令包括区域修正因子,区域修正因子是指不满足的区域几何一致性指数、区域粒度一致性指数和区域纹理一致性指数所对应的区域特征信息,以及其所对应的区域几何点云数据、区域粒度点云数据和区域纹理点云数据,进一步的,基于区域点云特征修正指令激活分区校正通道,分区校正通道是用于对区域几何特征信息、区域粒度特征信息和区域纹理特征信息进行特征校正,同时将区域修正因子输入至分区校正通道中,在分区校正通道通过区域修正因子对区域特征进行校正,从而获取区域补偿参数,进一步的,基于区域几何特征信息以及区域集合点云数据构建模锻设备模型几何校正记录库、基于区域粒度特征信息以及区域粒度点云数据构建模锻设备模型粒度校正记录库、基于区域纹理特征信息以及区域纹理点云数据构建模锻设备模型纹理校正记录库,由模锻设备模型几何校正记录库、模锻设备模型粒度校正记录库和模锻设备模型纹理校正记录库在大数据中进行数据匹配提取后,将所提取的数据进行汇总后构建模锻设备模型分区校正记录库,进一步的,基于卷积神经网络,获得分区校正通道的基础通道架构,在基础通道架构中包含输入层、隐含层、输出层,其输入层中的每一个神经元对应着区域几何特征信息、区域粒度特征信息和区域纹理特征信息中的一个特征。输入层的神经元数量取决于输入数据的特征数量,隐含层是用于将输入数据转换为更高层次的特征表示,输出层的输出是神经网络对于输入数据的预测或分类结果,分别对模锻设备模型几何校正记录库、模锻设备模型粒度校正记录库和模锻设备模型纹理校正记录库进行集成学习,是指通过构建并结合多个学习器来完成分支学习,从而对几何校正分支、粒度校正分支和纹理校正分支进行构建,进一步的,以几何校正分支、粒度校正分支和纹理校正分支作为校正基础数据,将几何校正分支、粒度校正分支和纹理校正分支进行分支合并后作为三级并行校正分支,三级并行校正分支可以用于将区域中组件的几何特征信息、粒度特征信息、纹理特征信息进行并行校正,并同时将三级并行校正分支嵌入至基础通道架构的隐含层中,完成对分区校正通道的构建。
最终将区域修正因子输入所述分区校正通道,输出区域补偿参数对第一模型子区域进行修正,获得第一修正子模型,并将第一修正子模型依次添加至Q个修正子模型中进行完善,以便为后期对面向模锻设备进行数字孪生模型的构建时作为参照数据。
步骤S500:基于所述组件融合标识,对所述M个修正组件数字孪生模型进行融合,获得第一模锻设备数字孪生体;
具体而言,以第一模锻设备的设备组件集中包含的M个模锻组件所具有的组件融合标识作为融合标准数据,对上述通过点云特征修正后获得的M个修正组件数字孪生模型进行融合,通过贝叶斯估计法将M个修正组件数字孪生模型根据融合标识的融合度加以智能化合成,产生比单一信息源更精确、更完全、更可靠的估计和判断,从而将融合度最高的融合体记作第一模锻设备数字孪生体进行输出,提高后期实现对面向模锻设备进行数字孪生模型的构建的准确率。
步骤S600:对所述第一模锻设备数字孪生体进行组件融合度验证,获得组件融合度验证结果,当所述组件融合度验证结果为通过时,生成第一模锻设备数字孪生模型。
进一步而言,如图4所示,本申请步骤S600还包括:
步骤S610:获得所述第一模锻设备数字孪生体的多维图像;
步骤S620:基于所述多维图像进行组件融合度识别,获得多维组件融合度;
步骤S630:获得组件融合度约束,并判断所述多维组件融合度是否满足所述组件融合度约束,生成所述组件融合度验证结果;
步骤S640:当所述多维组件融合度不满足所述组件融合度约束,获得的组件融合度验证结果为不通过,生成模型优化融合指令;
步骤S650:根据所述模型优化融合指令对所述第一模锻设备数字孪生体进行优化,获取所述第一模锻设备数字孪生模型。
具体而言,为保证面向模锻设备数字孪生模型的构建的准确性,首先需要对上述通过融合M个修正组件数字孪生模型的第一模锻设备数字孪生体进行模锻组件融合度的验证,是指对第一模锻设备数字孪生体的多个方位多个角度依次进行图像采集后,获得第一模锻设备数字孪生体的多维图像,进一步的,对第一模锻设备数字孪生体的多维图像进行组件融合度识别,是指将第一模锻设备数字孪生体中每一个维度图像中所包含的组件之间的融合度进行判定,从而将每个维度中组件之间的融合度进行整合后记作多维组件融合度,根据模锻设备的稳定性对组件融合度进行约束控制,并同时对多维组件融合度是否满足组件融合度约束进行判断,根据判断结果对组件融合度验证结果进行生成,当多维组件融合度满足组件融合度约束时,则组件融合度验证结果为通过状态,当多维组件融合度不满足组件融合度约束,则组件融合度验证结果为不通过状态,并根据此时的组件融合度验证结果对模型优化融合指令进行生成,模型优化融合指令是用于对第一模锻设备数字孪生体中的模锻组件之间的融合性进行优化的指令,当组件融合度验证结果为通过时,则将第一模锻设备数字孪生体作为面向模锻设备的第一模锻设备数字孪生模型进行输出,以此保证后期更好的对面向模锻设备进行数字孪生模型的构建。
综上所述,本申请实施例提供的面向模锻设备的数字孪生模型构建方法,至少包括如下技术效果,实现了对面向模锻设备构建数字孪生模型,提高模锻设备的运行效率。
实施例二:
基于与前述实施例中面向模锻设备的数字孪生模型构建方法相同的发明构思,如图5所示,本申请提供了面向模锻设备的数字孪生模型构建系统,系统包括:
组件集模块1,所述组件集模块1用于获得第一模锻设备的设备组件集,其中,所述设备组件集包括M个模锻组件,且,M个模锻组件具有组件融合标识,M为大于1的正整数;
第一遍历模块2,所述第一遍历模块2用于基于所述M个模锻组件配置M个组件点云扫描算力,并基于所述M个组件点云扫描算力,根据所述激光扫描装置,遍历所述M个模锻组件进行点云数据采集,获得M个组件点云数据集;
第二遍历模块3,所述第二遍历模块3用于遍历所述M个组件点云数据集进行数据清洗,获得M个组件点云数据分区;
点云特征修正模块4,所述点云特征修正模块4用于基于所述数字孪生平台对所述M个组件点云数据分区进行建模,获得M个组件数字孪生模型,并对所述M个组件数字孪生模型进行点云特征修正,获得M个修正组件数字孪生模型;
融合模块5,所述融合模块5用于基于所述组件融合标识,对所述M个修正组件数字孪生模型进行融合,获得第一模锻设备数字孪生体;
组件融合度验证模块6,所述组件融合度验证模块6用于对所述第一模锻设备数字孪生体进行组件融合度验证,获得组件融合度验证结果,当所述组件融合度验证结果为通过时,生成第一模锻设备数字孪生模型。
进一步而言,系统还包括:
第一占比计算模块,所述第一占比计算模块用于遍历所述M个模锻组件进行组件复杂度识别,获得M个组件复杂度,并基于所述M个组件复杂度进行占比计算,获得M个组件复杂度占比系数;
第二占比计算模块,所述第二占比计算模块用于遍历所述M个模锻组件进行组件价值度识别,获得M个组件价值度,并对所述M个组件价值度进行占比计算,获得M个组件价值度占比系数;
权重分配模块,所述权重分配模块用于基于预设占比系数权重约束,分别对所述M个组件复杂度占比系数和所述M个组件价值度占比系数进行权重分配,生成所述M个组件点云扫描算力。
进一步而言,系统还包括:
第三遍历模块,所述第三遍历模块用于遍历所述M个组件数字孪生模型,获得第一组件数字孪生模型;
提取模块,所述提取模块用于基于所述第一组件数字孪生模型对所述M个组件点云数据分区进行提取,获得第一组件点云数据分区;
栅格划分模块,所述栅格划分模块用于对所述第一组件数字孪生模型进行栅格划分,获得Q个模型子区域,且,Q为大于1的正整数;
第一识别模块,所述第一识别模块用于基于所述Q个模型子区域对所述第一组件点云数据分区进行识别,获得Q个区域点云数据;
第一修正模块,所述第一修正模块用于基于所述Q个区域点云数据,分别对所述Q个模型子区域进行点云特征修正,获得Q个修正子模型;
添加模块,所述添加模块用于基于所述Q个修正子模型,生成第一修正组件数字孪生模型,并将所述第一修正组件数字孪生模型添加至所述M个修正组件数字孪生模型。
进一步而言,系统还包括:
第四遍历模块,所述第四遍历模块用于遍历所述Q个模型子区域,获得第一模型子区域,并对所述第一模型子区域进行特征识别,获得第一区域特征信息,其中,所述第一区域特征信息包括区域几何特征信息、区域粒度特征信息和区域纹理特征信息;
特征提取模块,所述特征提取模块用于基于所述第一模型子区域对所述Q个区域点云数据进行特征提取,获得第一区域点云特征信息,其中,所述第一区域点云特征信息包括区域几何点云特征、区域粒度点云特征和区域纹理点云特征;
一致性比对模块,所述一致性比对模块用于基于所述第一区域点云特征信息和所述第一区域特征信息进行区域特征一致性比对,获得区域特征一致性比对结果,其中,所述区域特征一致性比对结果包括区域几何一致性指数、区域粒度一致性指数和区域纹理一致性指数;
第一判断模块,所述第一判断模块用于判断所述区域特征一致性比对结果是否满足预设一致性比对结果;
第二判断块,所述第二判断模块用于当所述区域特征一致性比对结果不满足所述预设一致性比对结果时,生成区域点云特征修正指令,并基于所述区域点云特征修正指令对所述第一模型子区域进行修正,获得第一修正子模型,并将所述第一修正子模型添加至所述Q个修正子模型。
进一步而言,系统还包括:
激活模块,所述激活模块用于所述区域点云特征修正指令包括区域修正因子,基于所述区域点云特征修正指令激活分区校正通道;
输入模块,所述输入模块用于将所述区域修正因子输入所述分区校正通道,获得区域补偿参数;
第二修正模块,所述第二修正模块用于基于所述数字孪生平台,根据所述区域补偿参数对所述第一模型子区域进行修正,获得所述第一修正子模型。
进一步而言,系统还包括:
记录采集模块,所述记录采集模块用于基于大数据,采集模锻设备模型分区校正记录库,其中,所述模锻设备模型分区校正记录库包括模锻设备模型几何校正记录库、模锻设备模型粒度校正记录库和模锻设备模型纹理校正记录库;
架构模块,所述架构模块用于基于卷积神经网络,获得所述分区校正通道的基础通道架构;
集成学习模块,所述集成学习模块用于分别对所述模锻设备模型几何校正记录库、所述模锻设备模型粒度校正记录库和所述模锻设备模型纹理校正记录库进行集成学习,获得几何校正分支、粒度校正分支和纹理校正分支;
分支模块,所述分支模块用于以所述几何校正分支、所述粒度校正分支和所述纹理校正分支作为三级并行校正分支;
嵌入模块,所述嵌入模块用于将所述三级并行校正分支嵌入至所述基础通道架构的隐含层,生成所述分区校正通道。
进一步而言,系统还包括:
多维图像模块,所述多维图像模块用于获得所述第一模锻设备数字孪生体的多维图像;
融合度识别模块,所述融合度识别模块用于基于所述多维图像进行组件融合度识别,获得多维组件融合度;
第三判断模块,所述第三判断模块用于获得组件融合度约束,并判断所述多维组件融合度是否满足所述组件融合度约束,生成所述组件融合度验证结果;
第四判断模块,所述第四判断模块用于当所述多维组件融合度不满足所述组件融合度约束,获得的组件融合度验证结果为不通过,生成模型优化融合指令;
优化模块,所述优化模块用于根据所述模型优化融合指令对所述第一模锻设备数字孪生体进行优化,获取所述第一模锻设备数字孪生模型。
本说明书通过前述对面向模锻设备的数字孪生模型构建方法的详细描述,本领域技术人员可以清楚的知道本实施例中面向模锻设备的数字孪生模型构建系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.面向模锻设备的数字孪生模型构建方法,其特征在于,所述方法应用于面向模锻设备的数字孪生模型构建系统,所述系统与数字孪生平台、激光扫描装置通信连接,所述方法包括:
获得第一模锻设备的设备组件集,其中,所述设备组件集包括M个模锻组件,且,M个模锻组件具有组件融合标识,M为大于1的正整数;
基于所述M个模锻组件配置M个组件点云扫描算力,并基于所述M个组件点云扫描算力,根据所述激光扫描装置,遍历所述M个模锻组件进行点云数据采集,获得M个组件点云数据集;
遍历所述M个组件点云数据集进行数据清洗,获得M个组件点云数据分区;
基于所述数字孪生平台对所述M个组件点云数据分区进行建模,获得M个组件数字孪生模型,并对所述M个组件数字孪生模型进行点云特征修正,获得M个修正组件数字孪生模型;
基于所述组件融合标识,对所述M个修正组件数字孪生模型进行融合,获得第一模锻设备数字孪生体;
对所述第一模锻设备数字孪生体进行组件融合度验证,获得组件融合度验证结果,当所述组件融合度验证结果为通过时,生成第一模锻设备数字孪生模型。
2.如权利要求1所述的方法,其特征在于,基于所述M个模锻组件配置M个组件点云扫描算力,包括:
遍历所述M个模锻组件进行组件复杂度识别,获得M个组件复杂度,并基于所述M个组件复杂度进行占比计算,获得M个组件复杂度占比系数;
遍历所述M个模锻组件进行组件价值度识别,获得M个组件价值度,并对所述M个组件价值度进行占比计算,获得M个组件价值度占比系数;
基于预设占比系数权重约束,分别对所述M个组件复杂度占比系数和所述M个组件价值度占比系数进行权重分配,生成所述M个组件点云扫描算力。
3.如权利要求1所述的方法,其特征在于,对所述M个组件数字孪生模型进行点云特征修正,获得M个修正组件数字孪生模型,包括:
遍历所述M个组件数字孪生模型,获得第一组件数字孪生模型;
基于所述第一组件数字孪生模型对所述M个组件点云数据分区进行提取,获得第一组件点云数据分区;
对所述第一组件数字孪生模型进行栅格划分,获得Q个模型子区域,且,Q为大于1的正整数;
基于所述Q个模型子区域对所述第一组件点云数据分区进行识别,获得Q个区域点云数据;
基于所述Q个区域点云数据,分别对所述Q个模型子区域进行点云特征修正,获得Q个修正子模型;
基于所述Q个修正子模型,生成第一修正组件数字孪生模型,并将所述第一修正组件数字孪生模型添加至所述M个修正组件数字孪生模型。
4.如权利要求3所述的方法,其特征在于,基于所述Q个区域点云数据,分别对所述Q个模型子区域进行点云特征修正,获得Q个修正子模型,包括:
遍历所述Q个模型子区域,获得第一模型子区域,并对所述第一模型子区域进行特征识别,获得第一区域特征信息,其中,所述第一区域特征信息包括区域几何特征信息、区域粒度特征信息和区域纹理特征信息;
基于所述第一模型子区域对所述Q个区域点云数据进行特征提取,获得第一区域点云特征信息,其中,所述第一区域点云特征信息包括区域几何点云特征、区域粒度点云特征和区域纹理点云特征;
基于所述第一区域点云特征信息和所述第一区域特征信息进行区域特征一致性比对,获得区域特征一致性比对结果,其中,所述区域特征一致性比对结果包括区域几何一致性指数、区域粒度一致性指数和区域纹理一致性指数;
判断所述区域特征一致性比对结果是否满足预设一致性比对结果;
当所述区域特征一致性比对结果不满足所述预设一致性比对结果时,生成区域点云特征修正指令,并基于所述区域点云特征修正指令对所述第一模型子区域进行修正,获得第一修正子模型,并将所述第一修正子模型添加至所述Q个修正子模型。
5.如权利要求4所述的方法,其特征在于,获得第一修正子模型,包括:
所述区域点云特征修正指令包括区域修正因子,基于所述区域点云特征修正指令激活分区校正通道;
将所述区域修正因子输入所述分区校正通道,获得区域补偿参数;
基于所述数字孪生平台,根据所述区域补偿参数对所述第一模型子区域进行修正,获得所述第一修正子模型。
6.如权利要求5所述的方法,其特征在于,所述方法包括:
基于大数据,采集模锻设备模型分区校正记录库,其中,所述模锻设备模型分区校正记录库包括模锻设备模型几何校正记录库、模锻设备模型粒度校正记录库和模锻设备模型纹理校正记录库;
基于卷积神经网络,获得所述分区校正通道的基础通道架构;
分别对所述模锻设备模型几何校正记录库、所述模锻设备模型粒度校正记录库和所述模锻设备模型纹理校正记录库进行集成学习,获得几何校正分支、粒度校正分支和纹理校正分支;
以所述几何校正分支、所述粒度校正分支和所述纹理校正分支作为三级并行校正分支;
将所述三级并行校正分支嵌入至所述基础通道架构的隐含层,生成所述分区校正通道。
7.如权利要求1所述的方法,其特征在于,所述方法包括:
获得所述第一模锻设备数字孪生体的多维图像;
基于所述多维图像进行组件融合度识别,获得多维组件融合度;
获得组件融合度约束,并判断所述多维组件融合度是否满足所述组件融合度约束,生成所述组件融合度验证结果;
当所述多维组件融合度不满足所述组件融合度约束,获得的组件融合度验证结果为不通过,生成模型优化融合指令;
根据所述模型优化融合指令对所述第一模锻设备数字孪生体进行优化,获取所述第一模锻设备数字孪生模型。
8.面向模锻设备的数字孪生模型构建系统,其特征在于,所述系统与数字孪生平台、激光扫描装置通信连接,所述系统包括:
组件集模块,所述组件集模块用于获得第一模锻设备的设备组件集,其中,所述设备组件集包括M个模锻组件,且,M个模锻组件具有组件融合标识,M为大于1的正整数;
第一遍历模块,所述第一遍历模块用于基于所述M个模锻组件配置M个组件点云扫描算力,并基于所述M个组件点云扫描算力,根据所述激光扫描装置,遍历所述M个模锻组件进行点云数据采集,获得M个组件点云数据集;
第二遍历模块,所述第二遍历模块用于遍历所述M个组件点云数据集进行数据清洗,获得M个组件点云数据分区;
点云特征修正模块,所述点云特征修正模块用于基于所述数字孪生平台对所述M个组件点云数据分区进行建模,获得M个组件数字孪生模型,并对所述M个组件数字孪生模型进行点云特征修正,获得M个修正组件数字孪生模型;
融合模块,所述融合模块用于基于所述组件融合标识,对所述M个修正组件数字孪生模型进行融合,获得第一模锻设备数字孪生体;
组件融合度验证模块,所述组件融合度验证模块用于对所述第一模锻设备数字孪生体进行组件融合度验证,获得组件融合度验证结果,当所述组件融合度验证结果为通过时,生成第一模锻设备数字孪生模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311189691.XA CN116933445B (zh) | 2023-09-15 | 2023-09-15 | 面向模锻设备的数字孪生模型构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311189691.XA CN116933445B (zh) | 2023-09-15 | 2023-09-15 | 面向模锻设备的数字孪生模型构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116933445A true CN116933445A (zh) | 2023-10-24 |
CN116933445B CN116933445B (zh) | 2023-12-12 |
Family
ID=88388162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311189691.XA Active CN116933445B (zh) | 2023-09-15 | 2023-09-15 | 面向模锻设备的数字孪生模型构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933445B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279987A (zh) * | 2013-06-18 | 2013-09-04 | 厦门理工学院 | 基于Kinect的物体快速三维建模方法 |
CN112613118A (zh) * | 2020-12-16 | 2021-04-06 | 中国科学院沈阳自动化研究所 | 火箭发动机内部不可测装配质量数字孪生建模与追溯方法 |
CN114936450A (zh) * | 2022-05-06 | 2022-08-23 | 国网辽宁省电力有限公司电力科学研究院 | 面向风电送出线路动态增容的数字孪生评估方法和系统 |
CN115695763A (zh) * | 2022-12-30 | 2023-02-03 | 思看科技(杭州)股份有限公司 | 一种三维扫描系统 |
CN116068959A (zh) * | 2023-01-14 | 2023-05-05 | 苏州千机智能技术有限公司 | 基于刀路补偿的加工方法、电子设备及存储介质 |
CN116229019A (zh) * | 2023-02-28 | 2023-06-06 | 山东浪潮科学研究院有限公司 | 面向数字孪生的大场景融合三维重建方法及系统 |
-
2023
- 2023-09-15 CN CN202311189691.XA patent/CN116933445B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279987A (zh) * | 2013-06-18 | 2013-09-04 | 厦门理工学院 | 基于Kinect的物体快速三维建模方法 |
CN112613118A (zh) * | 2020-12-16 | 2021-04-06 | 中国科学院沈阳自动化研究所 | 火箭发动机内部不可测装配质量数字孪生建模与追溯方法 |
CN114936450A (zh) * | 2022-05-06 | 2022-08-23 | 国网辽宁省电力有限公司电力科学研究院 | 面向风电送出线路动态增容的数字孪生评估方法和系统 |
CN115695763A (zh) * | 2022-12-30 | 2023-02-03 | 思看科技(杭州)股份有限公司 | 一种三维扫描系统 |
CN116068959A (zh) * | 2023-01-14 | 2023-05-05 | 苏州千机智能技术有限公司 | 基于刀路补偿的加工方法、电子设备及存储介质 |
CN116229019A (zh) * | 2023-02-28 | 2023-06-06 | 山东浪潮科学研究院有限公司 | 面向数字孪生的大场景融合三维重建方法及系统 |
Non-Patent Citations (1)
Title |
---|
于延军;: "三维激光扫描技术在锻模检测中的应用", 现代制造技术与装备, no. 02, pages 36 - 38 * |
Also Published As
Publication number | Publication date |
---|---|
CN116933445B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304864B (zh) | 深度对抗度量学习方法及装置 | |
CN111079532A (zh) | 一种基于文本自编码器的视频内容描述方法 | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
CN117274259B (zh) | 一种基于物联网的键盘生产设备管理方法及系统 | |
CN116229019A (zh) | 面向数字孪生的大场景融合三维重建方法及系统 | |
CN116414990B (zh) | 一种车辆故障诊断与预防方法 | |
CN110751191A (zh) | 一种图像的分类方法及系统 | |
CN116012930A (zh) | 一种基于深度学习卷积神经网络的维度表情识别方法 | |
CN115809596A (zh) | 一种数字孪生故障诊断方法和装置 | |
CN116933445B (zh) | 面向模锻设备的数字孪生模型构建方法及系统 | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
CN117056863A (zh) | 一种基于多模态数据融合的大数据处理方法 | |
CN117495422A (zh) | 基于电力通信网建设的造价管理系统及其方法 | |
CN117235606A (zh) | 特种不锈钢的生产质量管理方法及系统 | |
CN116740547A (zh) | 基于数字孪生的变电站目标检测方法、系统、设备及介质 | |
CN116976034A (zh) | 一种基于cad软件的零件库系统 | |
CN117171713A (zh) | 一种基于轴承寿命的交叉自适应深度迁移学习方法及系统 | |
CN117194742A (zh) | 一种工业软件组件推荐方法及系统 | |
CN116975581A (zh) | 一种基于step格式的钣金件快速识别方法 | |
CN116386042A (zh) | 一种基于三维池化空间注意力机制的点云语义分割模型 | |
CN112990336B (zh) | 基于竞争注意力融合的深度三维点云分类网络构建方法 | |
CN115982621A (zh) | 一种基于时间卷积网络的旋转机械剩余使用寿命预测方法 | |
CN113554010A (zh) | 一种电网线路故障识别模型训练方法 | |
CN111127587B (zh) | 一种基于对抗生成网络的无参考图像质量地图生成方法 | |
CN117274122A (zh) | 基于深度图像融合的车辆模型搭建方法及系统 |
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 |