CN116956720B - 一种工业数字孪生的仿真运维系统 - Google Patents
一种工业数字孪生的仿真运维系统 Download PDFInfo
- Publication number
- CN116956720B CN116956720B CN202310887639.5A CN202310887639A CN116956720B CN 116956720 B CN116956720 B CN 116956720B CN 202310887639 A CN202310887639 A CN 202310887639A CN 116956720 B CN116956720 B CN 116956720B
- Authority
- CN
- China
- Prior art keywords
- compensation
- equipment
- abnormal
- fault
- data
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 27
- 238000004088 simulation Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 159
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 230000000295 complement effect Effects 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001105 regulatory 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
- G06F30/27—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种工业数字孪生的仿真运维系统，涉及仿真运维技术领域，包括数据获取模块、异常设备判定模块、数据分析模块、补偿数据生成模块和数据补偿模块；解决了在对各个工业设备进行故障预测时会存在一定的误差，无法准确识别故障预测发生时间点、故障预测发生类型和故障预测严重指数的技术问题：通过对各个工业设备对应的历史故障预测数据和对应的实际故障数据进行分析，对工业设备的故障预测数据进行故障预测发生时间点和故障预测严重指数取值的重新判断，生成新的预测区间，同时将其作为新的故障预测发生时间点和故障预测严重指数进行输出，避免导致对相关工业设备维护滞后的情况，进一步保证了相关工业设备的正常运行。
Description
技术领域
本发明涉及仿真运维技术领域，具体涉及一种工业数字孪生的仿真运维系统。
背景技术
数字孪生是现有或将有的物理实体对象的数字模型，通过实测、仿真和数据分析来实时感知、诊断、预测物理实体对象的状态，通过优化和指令来调控物理实体对象的行为，从而达到产品(系统)全生命周期管理；在现代工业技术理念和技术背景下，制造企业应立足工业互联网实际应用，以“智转数改”为目标，搭建更加高效的信息技术应用体系，以适应更加复杂的制造环境。随着工业智能化程度的不断提高，数字孪生被赋予了新的生命力，工业互联网延伸了数字孪生的价值链条和生命周期，打通了数字孪生应用和迭代优化的现实路径，数字孪生则成为工业互联网的重要应用场景；
专利公开号为CN114918927A的专利中公开了一种工业数字孪生的仿真运维系统及方法，包括：仿真运维控制模块、工作数据采集模块、数据管理中心、工作数据分析模块和设备调试模块，通过仿真运维控制模块对机械手抓取物料的流程进行仿真运维控制，通过工作数据采集模块采集物料抓取工作数据，通过数据管理中心存储并管理采集到的全部数据，通过工作数据分析模块预测控制机械手开始转动的时间，并控制机械手转动，通过设备调试模块在机械手故障导致物料掉落时，对与故障机械手相邻的机械手进行调试，并控制抓取掉落物料，实现了企业的智能化和数字化转型，消除了仿真与实际的差异，减少了因物料掉落导致运输中断的现象，同时提高了掉落物料的抓取效率；
然而，由于各个复杂的工业设备性质和运行环境以及不确定的因素，工业数字孪生模型在对各个工业设备进行故障预测时会存在一定的误差，无法准确识别故障预测发生时间点、故障预测发生类型和故障预测严重指数，导致对各个工业设备故障的预测结果存在误差，相关人员若根据对应的预测结果对对应的工业设备进行检修，则极易导致对相关工业设备维护滞后的情况，对相关工业设备的正常运行造成影响，基于此，提出一种工业数字孪生的仿真运维系统。
发明内容
本发明的目的在于提供一种工业数字孪生的仿真运维系统，解决了在对各个工业设备进行故障预测时会存在一定的误差，无法准确识别故障预测发生时间点、故障预测发生类型和故障预测严重指数的技术问题。
本发明的目的可以通过以下技术方案实现：
一种工业数字孪生的仿真运维系统，包括：
数据获取模块，对各个工业设备对应的历史故障预测数据和实际故障数据进行获取，并将其发送至异常设备判定模块，历史故障预测数据包括故障预测发生时间点、故障预测发生类型和故障预测严重指数；实际故障数据包括故障实际发生时间点、故障实际发生类型和故障实际严重指数；
异常设备判定模块，用于对各个工业设备对应的L次历史故障预测数据和对应的实际故障数据进行分析，并根据分析结果对工业设备进行异常设备标记，同时将异常设备与其对应的历史故障预测数据进行捆绑，并将其发送至数据分析模块，此处L≥1；
数据分析模块，用于对各个异常设备对应的历史故障预测数据和对应的实际故障数据进行分析，并根据分析结果获得各个异常设备对应的预错率，据各个异常设备对应的预错率对异常设备进行补偿设备标记，并将补偿设备与之对应的故障预测数据进行捆绑，发送至补偿数据生成模块；
补偿数据生成模块，用于对各个补偿设备的历史故障预测数据和对应的实际故障数据进行分析，并根据对应的分析结果生成各个补偿设备对应的时补值和指补值，并将各个补偿设备对应的时补值和指补值与其对应的工业设备进行捆绑生成补偿数据库，同时将补偿数据库发送给数据补偿模块；
数据补偿模块，用于对工业设备进行补偿设备匹配，判断对应的工业设备是否为补偿设备，并根据该工业设备对应的补偿数据包中的时补值和指补值，对判定为是补偿设备的工业设备的故障预测发生时间点和故障预测严重指数取值的重新判断，生成新的预测区间。
作为本发明进一步的方案：对异常设备进行标记的具体方式为：
A1：选取一个工业设备为目标设备；
A2：将L次历史故障预测数据中，预测故障已发生次数标记为n，预测故障未发生次数标记为m，此处m+n＝L；
A3：通过公式(n÷L)×θ1＝G1，计算获得目标设备的故障发生率G1，其中θ1为外部影响因素系数，θ1＝W1×β1﹢W2×β2，其中W1为环境湿度变化值，W2为环境温度变化值，β1和β2均为预设比例系数；
A4：当故障发生率G1≥Y1时，则将对应的工业设备标记为异常设备，并将其与之对应的故障预测数据进行捆绑，当故障发生，率G1＜Y1时，则不对对应的工业设备做任何处理；
A5：重复步骤A1-A4，对所有工业设备中的异常设备进行标记。
作为本发明进一步的方案：数据分析模块中包括时错率判定单元、类错率判定单元、指错率判定单元和补偿设备判定单元；
时错率判定单元，用于对各个异常设备对应的L次历史故障预测数据中的故障实际发生时间点和故障预测发生时间点进行获取并对其进行分析，根据分析结果对各个异常设备对应的时错率进行判断，并将其发送至补偿设备判定单元；
类错率判定单元，用于对各个异常设备对应的L次历史故障预测数据中故障预测发生类型和故障实际发生类型进行分析，根据分析结果对各个异常设备对应的类错率进行判断，并将其发送至补偿设备判定单元；
指错率判定单元，用于对各个异常设备对应的L次历史故障预测数据中故障预测严重指数和故障实际严重指数进行分析，根据分析结果对各个异常设备对应的指错率进行判断，并将其发送至补偿设备判定单元；
补偿设备判定单元，根据各个异常设备对应的时错率、类错率和指错率，对各个异常设备对应的预错率进行判断，并根据各个异常设备对应的预错率对补偿设备进行标定。
作为本发明进一步的方案：对各个异常设备对应的时错率进行判断的具体步骤为：
B1：选取一个异常设备为目标异常设备；
B2：将目标异常设备的L次故障预测数据对应的故障预测发生时间点，别标记为t1、t2、…、tL；
将目标异常设备的L次故障预测数据对应的故障实际发生时间点分别标记为tf1、tf2、…、tfL；
计算各个故障预测数据对应的故障实际发生时间点和故障预测发生时间点之间的时间间隔的绝对值，并将其分别标记为tg1、tg2、…、tgL；
B3：将各个故障预测数据对应的时间间隔的绝对值tg1、tg2、…、tgL中数值大于等于Y2的数量标记为k，通过公式(k÷L)X100﹪＝SC1，计算目标异常设备对应的时错率SC1；
B4：重复步骤B1-B3，获得各个异常设备对应的时错率，并将其分别标记为SC1、SC2、…、SCX，此处x指代为异常设备对应的数量，x≥1。
作为本发明进一步的方案：对各个异常设备对应的类错率进行判断的具体步骤为：
C1：将目标异常设备的L次故障预测数据对应的故障预测发生类型和故障实际发生类型进行对比，将两者类型一致的次数标记为m，通过公式(m÷L)X100﹪＝PC1，计算目标异常设备对应的类错率PC1；
C2：重复步骤C1，获得各个异常设备对应的类错率，并将其分别标记为PC1、PC2、…、PCX，此处x指代为异常设备对应的数量，x≥1。
作为本发明进一步的方案：对各个异常设备对应的指错率进行判断的具体步骤为：
D1：将目标异常设备的L次故障预测数据对应的故障预测严重指数进行量化处理后通过数值进行表示，并将其分别标记为J1、J2、…、JL；
将目标异常设备的L次故障预测数据对应的故障实际严重指数进行量化处理后通过数值进行表示，并将其分别标记为Jf1、Jf2、…、JfL；
计算各个故障预测数据对应的故障预测严重指数和故障实际严重指数之间差值绝对值，并将其分别标记为Jg1、Jg2、…、JgL；
D2：将各个故障预测数据对应的差值绝对值Jg1、Jg2、…、JgL中数值大于等于Y3的数量标记为v，通过公式(v÷L)X100﹪＝CD1，计算目标异常设备对应的指错率CD1；
D3：重复步骤D1-D2，获得各个异常设备对应的指错率，并将其分别标记为CD1、CD2、…、CDX，此处x指代为异常设备对应的数量，x≥1。
作为本发明进一步的方案：对补偿设备进行标定的具体的方式为：
E1：将目标异常设备对应的时错率SC1、类错率PC1和指错率CD1，进行去量化处理后取其数值，通过公式(SC1×β3+PC1×β4+CD1×β5)×γ1＝K1，计算获得目标异常设备对应的预错率K1；
E2：重复步骤E2，获得各个异常设备对应的预错率，并将其分别标记为K1、K2、…、Kx，此处x指代为异常设备对应的数量，x≥1；
E3：将各个异常设备对应的预错率K1、K2、…、Kx，分别与E1进行对比，当异常设备对应的预错率大于等于Y4时，则将对应异常设备标记为补偿设备，并将待补偿设备与对应的工业设备进行捆绑；当异常设备对应的预错率Ka＜Y4时，则不对对应的异常设备做任何处理，此处Y4为预设数值。
作为本发明进一步的方案：生成补偿数据库的具体步骤为：
S1：选取一个补偿设备为目标补偿设备；
S2：当目标补偿设备对应的时错率SC1＜H1时不做任何处理，当目标设备对应的时错率SC1≥H1时，则对目标补偿设备对应的故障预测严重指数和故障实际严重指数之间差值绝对值tg1、tg2、…、tgL进行获取，将tg1、tg2、…、tgL中大于等于K1的数量标记为z1，当z1≥H2时，则通过公式﹙tgjmax+tgjmin﹚÷2＝TP1，其中tgjmax和tgjmin分别为tg1、tg2、…、tgL中的最大值和最小值，其中L≥j≥1，计算获得目标补偿设备对应的时间补偿数值TP1，即为时补值TP1；当z1＜H2时，则将tg1、tg2、…、tgL进行均值处理，将tg1、tg2、…、tgL的均值作为目标补偿设备对应的时间补偿数值TP1，即为时补值TP1，此处H1和K1均为预设值；
S3：当目标补偿设备对应的指错率CD1＜H2时不做任何处理，当目标设备对应的时错率CD1≥H2时；则对目标补偿设备对应的故障预测严重指数和故障实际严重指数之间差值绝对值Jg1、Jg2、…、JgL进行获取，并将Jg1、Jg2、…、JgL中大于等于K2的数量标记为z2，当z2≥H2时，则通过公式﹙Jgjmax+Jgjmin﹚÷2＝HP1，计算获得目标补偿设备对应的时间补偿数值HP1，即为时补值HP1，其中Jgjmax和Jgjmax分别为Jg1、Jg2、…、JgL中的最大值和最小值，其中L≥j≥1；当z2＜H2时，则将Jg1、Jg2、…、JgL进行均值处理，将Jg1、Jg2、…、JgL的均值作为目标补偿设备对应的指数补偿数值HP1，即为指补值HP1，此处H2和K2均为预设值；
S3：当目标补偿设备对应的指错率CD1＜H2时不做任何处理，当目标设备对应的时错率CD1≥H2时；则对目标补偿设备对应的故障预测严重指数和故障实际严重指数之间差值绝对值Jg1、Jg2、…、JgL进行获取，并将Jg1、Jg2、…、JgL中大于等于K2的数量标记为z2，当z2≥H2时，则通过公式﹙Jgjmax+Jgjmin﹚÷2＝HP1，计算获得目标补偿设备对应的时间补偿数值HP1，即为时补值HP1，其中Jgjmax和Jgjmax分别为Jg1、Jg2、…、JgL中的最大值和最小值，其中L≥j≥1；当z2＜H2时，则将Jg1、Jg2、…、JgL进行均值处理，将Jg1、Jg2、…、JgL的均值作为目标补偿设备对应的指数补偿数值HP1，即为指补值HP1，此处H2和K2均为预设值。
作为本发明进一步的方案：生成新的预测发生时间点和故障预测严重指数对应的预测区间的具体方式为：
当数字孪生模型生成工业设备的故障预测数据时，首先将对应的工业设备输入至补偿数据库中，对工业设备进行补偿设备匹配，判断对应的工业设备是否为补偿设备，若判定为否，则不对其对应的故障预测数据进行任何处理；若判定为是，则从补偿数据库中对该工业设备对应的补偿数据包进行提取，同时对该工业设备的历史故障预测数据中的故障预测发生时间点和故障预测严重指数进行获取，并将其分别标记为Tt和Jj，然后根据该工业设备补偿数据包中的时补值TPv和指补值TPv，生成故障预测发生时间点和故障预测严重指数对应的预测区间[Tt-TPv，Tt+TPv]和[Jj-HPv，Jj+HPv]，同时将其作为新的故障预测发生时间点和故障预测严重指数进行输出。
作为本发明进一步的方案：在步骤C2完成以后，还包括以下步骤：
对各个异常设备对应类错率PC1、PC2、…、PCX进行获取，当异常设备对应的类错率大于等于H3时，则生成类别核实标识，并将补偿设备对应的工业设备与核实标识进行捆绑，当异常设备对应类错率小于H3时，则不做任何处理，此处H3为预设值，具体数值由相关工作人员根据经验进行拟定；
显示终端，对对应工业设备的核实标识进行显示。
本发明的有益效果：
本发明，通过对各个工业设备对应的历史故障预测数据和实际故障数据进行分析，对工业设备的故障预测数据进行故障预测发生时间点和故障预测严重指数取值的重新判断，生成新的预测区间，同时将其作为新的故障预测发生时间点和故障预测严重指数进行输出，使得输出的故障预测发生时间点和故障预测严重指数更加准确，便于相关人员提早在此时间区间内对对应的工业设备进行检修，避免导致对相关工业设备维护滞后的情况，进一步保证了相关工业设备的正常运行，提升对工业设备的运维服务质量；
通过对各个异常设备对应类错率进行分析，对故障预测发生类型易判断错误的工业设备进行核实标识，通过对带有核实标识的工业设备进行显示，提醒相关人员进行对对应工业设备的故障预测发生类型进行进一步的核实判断，减少后期相关人员对工业设备进行运维的错误率进一步提高了对工业设备的运维服务质量。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的系统结构示意图；
图2是本发明的方法结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1-图2所示，本发明为一种工业数字孪生的仿真运维系统，包括数据获取模块、异常设备判定模块、数据分析模块、补偿数据生成模块和数据补偿模块，数据分析模块中包括时错率判定单元、类错率判定单元、指错率判定单元和补偿设备判定单元；
数据获取模块，用于对各个工业设备对应的历史故障预测数据和实际故障数据进行获取，并将其发送至异常设备判定模块；
历史故障预测数据包括故障预测发生时间点、故障预测发生类型和故障预测严重指数；实际故障数据包括故障实际发生时间点、故障实际发生类型和故障实际严重指数；
需要说明的是，在此将故障实际发生类型和故障实际严重指数进行量化处理后通过数值进行表示，在后续的分析计算中不再赘述，指数对应数值的越高代表对应的故障程度越高；
异常设备判定模块，用于对各个工业设备对应的L次历史故障预测数据和对应的实际故障数据进行分析，并根据分析结果对异常设备进行标记，同时将异常设备与其对应的历史故障预测数据进行捆绑，并将其发送至数据分析模块，对异常设备进行标记的具体方式为：
此处L次取值为60，指代为从获取数据的当下起算往前推60次这一次数的历史故障预测数据，获取数据的当下不计入在内，L≥1；
A1：选取一个工业设备为目标设备；
A2：将L次历史故障预测数据中，预测故障已发生次数标记为n，预测故障未发生次数标记为m，此处m+n＝L；
此处，预测故障已发生指代为历史故障预测数据预测对应的目标设备的会发生故障，该目标设备确实发生可故障则标记为预测故障已发生；预测故障未发生指代为历史故障预测数据预测对应的目标设备的会发生故障，但是该目标设备没有发生故障，则标记为预测故障未发生；
A3：通过公式(n÷L)×θ1＝G1，计算获得目标设备的故障发生率G1，其中θ1为外部影响因素系数；
此处θ1＝W1×β1﹢W2×β2，其中W1为环境湿度变化值，W2为环境温度变化值，β1和β2均为预设比例系数，具体数值由相关工作人员根据经验进行拟定；
外部影响因素包括工业设备使用环境的变换值，工业设备使用环境的变换值包括在对故障预测数据进行获得的过程中工业设备所处的外部环境的环境温度变化值和环境湿度变化值，环境温度变化值指代为在对故障预测数据进行获取的过程中外部环境温度对应的最高温度和最低温度之间的差值，标记为W1，环境湿度变化值指代为在对故障预测数据进行获取的过程中外部环境湿度对应的最高湿度和最低湿度之间的差值，标记为W2；
A4：当故障发生率G1≥Y1时，则将对应的工业设备标记为异常设备，并将其与之对应的所有故障预测数据进行捆绑，当故障发生率G1＜Y1时，则不对对应的工业设备做任何处理，此处Y1为预设数值，具体数值由相关工作人员根据经验进行拟定；
A5：重复步骤A1-A4，对所有工业设备中的异常设备进行标记；
数据分析模块，用于对各个异常设备对应的历史故障预测数据和对应的实际故障数据进行分析，并根据分析结果获得各个异常设备对应的预错率，根据各个异常设备对应的预错率对补偿设备进行判定，并将补偿设备与之对应的故障预测数据进行捆绑，发送至补偿数据生成模块，对补偿设备进行判定的具体步骤为：
数据分析模块中包括时错率判定单元、类错率判定单元、指错率判定单元和补偿设备判定单元；
时错率判定单元，用于对各个异常设备对应的L次历史故障预测数据中的故障实际发生时间点和故障预测发生时间点进行获取并对其进行分析，根据分析结果对各个异常设备对应的时错率进行判断，并将其发送至补偿设备判定单元，对各个异常设备对应的时错率进行判断的具体步骤为：
B1：选取一个异常设备为目标异常设备；
B2：将目标异常设备的L次故障预测数据对应的故障预测发生时间点，别标记为t1、t2、…、tL；
将目标异常设备的L次故障预测数据对应的故障实际发生时间点分别标记为tf1、tf2、…、tfL；
计算各个故障预测数据对应的故障实际发生时间点和故障预测发生时间点之间的时间间隔的绝对值，并将其分别标记为tg1、tg2、…、tgL；
B3：将各个故障预测数据对应的时间间隔的绝对值tg1、tg2、…、tgL中数值大于等于Y2的数量标记为k，通过公式(k÷L)X100﹪＝SC1，计算目标异常设备对应的时错率SC1，此处Y2为预设数值，具体数值由相关工作人员根据经验进行拟定；
B4：重复步骤B1-B3，获得各个异常设备对应的时错率，并将其分别标记为SC1、SC2、…、SCX，此处x指代为异常设备对应的数量，x≥1；
类错率判定单元，用于对各个异常设备对应的L次历史故障预测数据中故障预测发生类型和故障实际发生类型进行分析，根据分析结果对各个异常设备对应的类错率进行判断，并将其发送至补偿设备判定单元，对各个异常设备对应的类错率进行判断的具体步骤为：
C1：将目标异常设备的L次故障预测数据对应的故障预测发生类型和故障实际发生类型进行对比，将两者类型一致的次数标记为m，通过公式(m÷L)X100﹪＝PC1，计算目标异常设备对应的类错率PC1；
C2：重复步骤C1，获得各个异常设备对应的类错率，并将其分别标记为PC1、PC2、…、PCX，此处x指代为异常设备对应的数量，x≥1；
指错率判定单元，用于对各个异常设备对应的L次历史故障预测数据中故障预测严重指数和故障实际严重指数进行分析，根据分析结果对各个异常设备对应的指错率进行判断，并将其发送至补偿设备判定单元，对各个异常设备对应的指错率进行判断的具体步骤为：
D1：将目标异常设备的L次故障预测数据对应的故障预测严重指数进行量化处理后通过数值进行表示，并将其分别标记为J1、J2、…、JL；
将目标异常设备的L次故障预测数据对应的故障实际严重指数进行量化处理后通过数值进行表示，并将其分别标记为Jf1、Jf2、…、JfL；
计算各个故障预测数据对应的故障预测严重指数和故障实际严重指数之间差值绝对值，并将其分别标记为Jg1、Jg2、…、JgL；
D2：将各个故障预测数据对应的差值绝对值Jg1、Jg2、…、JgL中数值大于等于Y3的数量标记为v，通过公式(v÷L)X100﹪＝CD1，计算目标异常设备对应的指错率CD1，此处Y3为预设数值，具体数值由相关工作人员根据经验进行拟定；
D3：重复步骤D1-D2，获得各个异常设备对应的指错率，并将其分别标记为CD1、CD2、…、CDX，此处x指代为异常设备对应的数量，x≥1；
补偿设备判定单元，根据各个异常设备对应的时错率、类错率和指错率，对各个异常设备对应的预错率进行判断，并根据各个异常设备对应的预错率对补偿设备进行标定，对补偿设备进行标定的具体的方式为：
E1：将目标异常设备对应的时错率SC1、类错率PC1和指错率CD1，进行去量化处理后取其数值，通过公式(SC1×β3+PC1×β4+CD1×β5)×γ1＝K1，计算获得目标异常设备对应的预错率K1，γ1为修正系数，具体数值由相关工作人员根据经验进行拟定；
E2：重复步骤E1，获得各个异常设备对应的预错率，并将其分别标记为K1、K2、…、Kx，此处x指代为异常设备对应的数量，x≥1；
此处，异常设备对应的预错率数值越大，则代表异常设备对应的故障预测数据的准确度越低，反之，异常设备对应的故障预测数据的准确度越高；
E3：将各个异常设备对应的预错率K1、K2、…、Kx，分别与E1进行对比，当异常设备对应的预错率大于等于Y4时，则将对应异常设备标记为补偿设备，并将待补偿设备与对应的工业设备进行捆绑；当异常设备对应的预错率Ka＜Y4时，则不对对应的异常设备做任何处理，此处Y4为预设数值，具体数值由相关工作人员根据经验进行拟定；
补偿数据生成模块，用于对各个补偿设备的历史故障预测数据和对应的实际故障数据进行分析，并根据对应的分析结果生成各个补偿设备对应的时补值和指补值，并将各个补偿设备对应的时补值和指补值与其对应的工业设备进行捆绑生成补偿数据库，同时将补偿数据库发送给数据补偿模块，生成补偿数据库的具体步骤为：
S1：选取一个补偿设备为目标补偿设备；
S2：当目标补偿设备对应的时错率SC1＜H1时不做任何处理，当目标设备对应的时错率SC1≥H1时，则对目标补偿设备对应的故障预测严重指数和故障实际严重指数之间差值绝对值tg1、tg2、…、tgL进行获取，将tg1、tg2、…、tgL中大于等于K1的数量标记为z1，当z1≥H2时，则通过公式﹙tgjmax+tgjmin﹚÷2＝TP1，其中tgjmax和tgjmin分别为tg1、tg2、…、tgL中的最大值和最小值，其中L≥j≥1，计算获得目标补偿设备对应的时间补偿数值TP1，即为时补值TP1；当z1＜H2时，则将tg1、tg2、…、tgL进行均值处理，将tg1、tg2、…、tgL的均值作为目标补偿设备对应的时间补偿数值TP1，即为时补值TP1，此处H1和K1均为预设值，具体数值由相关工作人员根据经验进行拟定；
S3：当目标补偿设备对应的指错率CD1＜H2时不做任何处理，当目标设备对应的时错率CD1≥H2时；则对目标补偿设备对应的故障预测严重指数和故障实际严重指数之间差值绝对值Jg1、Jg2、…、JgL进行获取，并将Jg1、Jg2、…、JgL中大于等于K2的数量标记为z2，当z2≥H2时，则通过公式﹙Jgjmax+Jgjmin﹚÷2＝HP1，计算获得目标补偿设备对应的时间补偿数值HP1，即为时补值HP1，其中Jgjmax和Jgjmax分别为Jg1、Jg2、…、JgL中的最大值和最小值，其中L≥j≥1；当z2＜H2时，则将Jg1、Jg2、…、JgL进行均值处理，将Jg1、Jg2、…、JgL的均值作为目标补偿设备对应的指数补偿数值HP1，即为指补值HP1，此处H2和K2均为预设值，具体数值由相关工作人员根据经验进行拟定；
S4：将目标补偿设备对应的时补值TP1和时补值HP1与其对应的工业设备捆绑生成对应的补偿数据表；
S5：重复步骤S1-S3，即可获得各个补偿设备对应的时补值和指补值，将其分别标记为TPv和HPv，其中v指代为补偿设备的数量，x≥v≥1，将各个补偿设备对应的时补值和时补值与其对应的工业设备捆绑形成多个补偿数据表，将各个补偿设备对应的补偿数据表进行捆绑生成补偿数据库；
数据补偿模块，用于对工业设备进行补偿设备匹配，判断对应的工业设备是否为补偿设备，并根据该工业设备对应的补偿数据包中的时补值和指补值，对判定为是的工业设备的故障预测数据进行故障预测发生时间点和故障预测严重指数取值的重新判断，生成新的预测区间，生成新的预测发生时间点和故障预测严重指数对应的预测区间的具体方式为：
当数字孪生模型生成工业设备的故障预测数据时，首先将对应的工业设备输入至补偿数据库中，对工业设备进行补偿设备匹配，判断对应的工业设备是否为补偿设备，若判定为否，则不对其对应的故障预测数据进行任何处理；若判定为是，则从补偿数据库中对该工业设备对应的补偿数据包进行提取，同时对该工业设备的历史故障预测数据中的故障预测发生时间点和故障预测严重指数进行获取，并将其分别标记为Tt和Jj，然后根据该工业设备补偿数据包中的时补值TPv和指补值TPv，生成故障预测发生时间点和故障预测严重指数对应的预测区间[Tt-TPv，Tt+TPv]和[Jj-HPv，Jj+HPv]，同时将其作为新的故障预测发生时间点和故障预测严重指数进行输出；
数字孪生模型是通过对工业系统中各个工业设备的外观、组件装配关系、组件工作原理、组件故障机理、关键组件疲劳机理、组件运行信息等工业设备进行获取，并将其与工业系统中的工业设备实体进行映射获取三维仿真模型，构建工业系统中工业设备实体的三维仿真模型与所述实时数据的映射关系，生成的工业系统的数字孪生模型，通过数据感知方法得到各工业设备组件的各项实时数据，将其与对应的工业系统的系统执行数据进行匹配映射；同时在各项实时数据与系统执行数据中存在大量的非结构的异构数据，此处属于现有技术因此在此不做赘述；
需要说明的是，数字孪生模型是基于深度学习构建工业设备实体的运行状态识别模型，将当前数据特征输入数字孪生模型中，对工业系统中的各个工业设备实体的运行状态进行评估，并根据工业设备实体的运行状态的对工业设备实体的故障进行预测，生成故障预测数据，数字孪生模型的建立和运行使用均属于现有技术，因此在此不做赘述；
实施例二
作为本发明的实施例二，本申请在具体实施时，相较于实施例一区别仅在于本实施例中，在步骤C2完成以后，还包括以下步骤：
对各个异常设备对应类错率PC1、PC2、…、PCX进行获取，当异常设备对应的类错率大于等于H3时，则生成类别核实标识，并将补偿设备对应的工业设备与核实标识进行捆绑，当异常设备对应类错率小于H3时，则不做任何处理，此处H3为预设值，具体数值由相关工作人员根据经验进行拟定；
显示终端，用于对带有核实标识的工业设备进行显示，便于相关人员后期对工业设备的故障发生类型进行进一步核实，减少后期相关人员对工业设备进行运维的错误率；
实施例三
作为本发明的实施例三，本申请在具体实施时，相较于实施例一和实施例二，本实施例的技术方案是在于将上述实施例一和实施例二的方案进行组合实施。
本发明的工作原理：对各个工业设备对应的历史故障预测数据和对应的实际故障数据进行分析，并根据分析结果对异常设备进行标记，对各个异常设备对应的历史故障预测数据和对应的实际故障数据进行分析，并根据分析结果获得各个异常设备对应的预错率，根据各个异常设备对应的预错率对补偿设备进行判定，对各个补偿设备的历史故障预测数据和对应的实际故障数据进行分析，并根据对应的分析结果生成各个补偿设备对应的时补值和指补值，并将各个补偿设备对应的时补值和指补值与其对应的工业设备进行捆绑生成补偿数据库，然后在数字孪生模型生成工业设备的故障预测数据时，对对应的工业设备是否是补偿设备进行判定，并根据该工业设备对应的补偿数据包中的时补值和指补值，对判定为是的工业设备的故障预测数据进行故障预测发生时间点和故障预测严重指数取值的重新判断，生成新的预测区间，同时将其作为新的故障预测发生时间点和故障预测严重指数进行输出，使得输出的故障预测发生时间点和故障预测严重指数更加准确；
通过对各个异常设备对应类错率进行分析，对故障预测发生类型易判断错误的工业设备进行核实标识，通过对带有核实标识的工业设备进行显示，提醒相关人员进行对对应工业设备的故障预测发生类型进行进一步的核实判断，减少后期相关人员对工业设备进行运维的错误率进一步提高了对工业设备的运维服务质量。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种工业数字孪生的仿真运维系统，其特征在于，包括：
数据获取模块，用于对各个工业设备对应的历史故障预测数据和实际故障数据进行获取，并将其发送至异常设备判定模块，历史故障预测数据包括故障预测发生时间点、故障预测发生类型和故障预测严重指数；实际故障数据包括故障实际发生时间点、故障实际发生类型和故障实际严重指数；
异常设备判定模块，用于对各个工业设备对应的L次历史故障预测数据和实际故障数据进行分析，并根据分析结果对工业设备进行异常设备标记，同时将异常设备与其对应的历史故障预测数据进行捆绑，并将其发送至数据分析模块，此处L≥1；
数据分析模块，用于对各个异常设备对应的历史故障预测数据和实际故障数据进行分析，并根据分析结果获得各个异常设备对应的预错率，根据各个异常设备对应的预错率对异常设备进行补偿设备标记，并将补偿设备与之对应的故障预测数据进行捆绑，发送至补偿数据生成模块；
补偿数据生成模块，用于对各个补偿设备的历史故障预测数据和实际故障数据进行分析，并根据对应的分析结果生成各个补偿设备对应的时补值和指补值，并将各个补偿设备对应的时补值和指补值与其对应的工业设备进行捆绑生成补偿数据库，同时将补偿数据库发送给数据补偿模块；
数据补偿模块，用于对工业设备进行补偿设备匹配，判断对应的工业设备是否为补偿设备，并根据该工业设备对应的补偿数据包中的时补值和指补值，对判定为是补偿设备的工业设备的故障预测发生时间点和故障预测严重指数取值的重新判断，生成新的预测区间；
数据分析模块中包括时错率判定单元、类错率判定单元、指错率判定单元和补偿设备判定单元；
时错率判定单元，用于对各个异常设备对应的L次历史故障预测数据中的故障实际发生时间点和故障预测发生时间点进行获取并对其进行分析，根据分析结果对各个异常设备对应的时错率进行判断，并将其发送至补偿设备判定单元；
类错率判定单元，用于对各个异常设备对应的L次历史故障预测数据中故障预测发生类型和故障实际发生类型进行分析，根据分析结果对各个异常设备对应的类错率进行判断，并将其发送至补偿设备判定单元；
指错率判定单元，用于对各个异常设备对应的L次历史故障预测数据中故障预测严重指数和故障实际严重指数进行分析，根据分析结果对各个异常设备对应的指错率进行判断，并将其发送至补偿设备判定单元；
补偿设备判定单元，根据各个异常设备对应的时错率、类错率和指错率，对各个异常设备对应的预错率进行判断，并根据各个异常设备对应的预错率对补偿设备进行标定。
2.根据权利要求1所述的一种工业数字孪生的仿真运维系统，其特征在于，对异常设备进行标记的具体方式为：
A1：选取一个工业设备为目标设备；
A2：将L次历史故障预测数据中，预测故障已发生次数标记为n，预测故障未发生次数标记为m，此处m+n=L；
A3：通过公式(n÷L)×θ1=G1，计算获得目标设备的故障发生率G1，其中θ1为外部影响因素系数，θ1=W1×β1﹢W2×β2，其中W1为环境湿度变化值，W2为环境温度变化值，β1和β2均为预设比例系数；
A4：当故障发生率G1≥Y1时，则将对应的工业设备标记为异常设备，并将其与之对应的所有故障预测数据进行捆绑，当故障发生率G1＜Y1时，则不对对应的工业设备做任何处理；
A5：重复步骤A1-A4，对所有工业设备中的异常设备进行标记。
3.根据权利要求2所述的一种工业数字孪生的仿真运维系统，其特征在于，对各个异常设备对应的时错率进行判断的具体步骤为：
B1：选取一个异常设备为目标异常设备；
B2：将目标异常设备的L次故障预测数据对应的故障预测发生时间点，别标记为t1、t2、…、tL；
将目标异常设备的L次故障预测数据对应的故障实际发生时间点分别标记为tf1、tf2、…、tfL；
计算各个故障预测数据对应的故障实际发生时间点和故障预测发生时间点之间的时间间隔的绝对值，并将其分别标记为tg1、tg2、…、tgL；
B3：将各个故障预测数据对应的时间间隔的绝对值tg1、tg2、…、tgL中数值大于等于Y2的数量标记为k，通过公式(k÷L)X100﹪=SC1，计算目标异常设备对应的时错率SC1；
B4：重复步骤B1-B3，获得各个异常设备对应的时错率，并将其分别标记为SC1、SC2、…、SCX，此处x指代为异常设备对应的数量，x≥1。
4.根据权利要求3所述的一种工业数字孪生的仿真运维系统，其特征在于，对各个异常设备对应的类错率进行判断的具体步骤为：
C1：将目标异常设备的L次故障预测数据对应的故障预测发生类型和故障实际发生类型进行对比，将两者类型一致的次数标记为m，通过公式(m÷L)X100﹪=PC1，计算目标异常设备对应的类错率PC1；
C2：重复步骤C1，获得各个异常设备对应的类错率，并将其分别标记为PC1、PC2、…、PCX。
5.根据权利要求4所述的一种工业数字孪生的仿真运维系统，其特征在于，对各个异常设备对应的指错率进行判断的具体步骤为：
D1：将目标异常设备的L次故障预测数据对应的故障预测严重指数进行量化处理后通过数值进行表示，并将其分别标记为J1、J2、…、JL；
将目标异常设备的L次故障预测数据对应的故障实际严重指数进行量化处理后通过数值进行表示，并将其分别标记为Jf1、Jf2、…、JfL；
计算各个故障预测数据对应的故障预测严重指数和故障实际严重指数之间差值绝对值，并将其分别标记为Jg1、Jg2、…、JgL；
D2：将各个故障预测数据对应的差值绝对值Jg1、Jg2、…、JgL中数值大于等于Y3的数量标记为v，通过公式(v÷L)X100﹪=CD1，计算目标异常设备对应的指错率CD1；
D3：重复步骤D1-D2，获得各个异常设备对应的指错率，并将其分别标记为CD1、CD2、…、CDX。
6.根据权利要求5所述的一种工业数字孪生的仿真运维系统，其特征在于，对补偿设备进行标定的具体的方式为：
E1：将目标异常设备对应的时错率SC1、类错率PC1和指错率CD1，进行去量化处理后取其数值，通过公式（SC1×β3+PC1×β4+CD1×β5）×γ1=K1，计算获得目标异常设备对应的预错率K1，此处γ1为修正系数；
E2：重复步骤E1，获得各个异常设备对应的预错率，并将其分别标记为K1、K2、…、Kx；
E3：将各个异常设备对应的预错率K1、K2、…、Kx，分别与E1进行对比，当异常设备对应的预错率大于等于Y4时，则将对应异常设备标记为补偿设备，并将待补偿设备与对应的工业设备进行捆绑；当异常设备对应的预错率Ka＜Y4时，则不对对应的异常设备做任何处理，此处Y4为预设数值。
7.根据权利要求6所述的一种工业数字孪生的仿真运维系统，其特征在于，生成补偿数据库的具体步骤为：
S1：选取一个补偿设备为目标补偿设备；
S2：当目标补偿设备对应的时错率SC1＜H1时不做任何处理，当目标设备对应的时错率SC1≥H1时，则对目标补偿设备对应的故障预测严重指数和故障实际严重指数之间差值绝对值tg1、tg2、…、tgL进行获取，将tg1、tg2、…、tgL中大于等于K1的数量标记为z1，当z1≥H2时，则通过公式﹙tgjmax+tgjmin﹚÷2=TP1，其中tgjmax和tgjmin分别为tg1、tg2、…、tgL中的最大值和最小值，其中L≥j≥1，计算获得目标补偿设备对应的时间补偿数值TP1，即为时补值TP1；当z1＜H2时，则将tg1、tg2、…、tgL进行均值处理，将tg1、tg2、…、tgL的均值作为目标补偿设备对应的时间补偿数值TP1，即为时补值TP1，此处H1和K1均为预设值；
S3：当目标补偿设备对应的指错率CD1＜H2时不做任何处理，当目标设备对应的时错率CD1≥H2时；则对目标补偿设备对应的故障预测严重指数和故障实际严重指数之间差值绝对值Jg1、Jg2、…、JgL进行获取，并将Jg1、Jg2、…、JgL中大于等于K2的数量标记为z2，当z2≥H2时，则通过公式﹙Jgjmax+Jgjmin﹚÷2=HP1，计算获得目标补偿设备对应的时间补偿数值HP1，即为时补值HP1，其中Jgjmax和Jgjmax分别为Jg1、Jg2、…、JgL中的最大值和最小值，其中L≥j≥1；当z2＜H2时，则将Jg1、Jg2、…、JgL进行均值处理，将Jg1、Jg2、…、JgL的均值作为目标补偿设备对应的指数补偿数值HP1，即为指补值HP1，此处H2和K2均为预设值；
S4：将目标补偿设备对应的时补值TP1和时补值HP1与其对应的工业设备捆绑生成对应的补偿数据表；
S5：重复步骤S1-S3，即可获得各个补偿设备对应的时补值和指补值，将其分别标记为TPv和HPv，其中v指代为补偿设备的数量，x≥v≥1，将各个补偿设备对应的时补值和时补值与其对应的工业设备捆绑形成多个补偿数据表，将各个补偿设备对应的补偿数据表进行捆绑生成补偿数据库。
8.根据权利要求7所述的一种工业数字孪生的仿真运维系统，其特征在于，生成新的预测发生时间点和故障预测严重指数对应的预测区间的具体方式为：
当数字孪生模型生成工业设备的故障预测数据时，首先将对应的工业设备输入至补偿数据库中，对工业设备进行补偿设备匹配，判断对应的工业设备是否为补偿设备，若判定为否，则不对其对应的故障预测数据进行任何处理；若判定为是，则从补偿数据库中对该工业设备对应的补偿数据包进行提取，同时对该工业设备的历史故障预测数据中的故障预测发生时间点和故障预测严重指数进行获取，并将其分别标记为Tt和Jj，然后根据该工业设备补偿数据包中的时补值TPv和指补值TPv，生成故障预测发生时间点和故障预测严重指数对应的预测区间[Tt-TPv，Tt+TPv]和[Jj-HPv，Jj+HPv]。
9.根据权利要求4所述的一种工业数字孪生的仿真运维系统，其特征在于，在步骤C2完成以后，还包括以下步骤：
对各个异常设备对应类错率PC1、PC2、…、PCX进行获取，当异常设备对应的类错率大于等于H3时，则生成类别核实标识，并将补偿设备对应的工业设备与核实标识进行捆绑，当异常设备对应类错率小于H3时，则不做任何处理，此处H3为预设值；
显示终端，对对应工业设备的核实标识进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310887639.5A CN116956720B (zh) | 2023-07-19 | 2023-07-19 | 一种工业数字孪生的仿真运维系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310887639.5A CN116956720B (zh) | 2023-07-19 | 2023-07-19 | 一种工业数字孪生的仿真运维系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116956720A CN116956720A (zh) | 2023-10-27 |
| CN116956720B true CN116956720B (zh) | 2024-01-30 |
Family
ID=88459774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310887639.5A Active CN116956720B (zh) | 2023-07-19 | 2023-07-19 | 一种工业数字孪生的仿真运维系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116956720B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110879583A (zh) * | 2019-12-26 | 2020-03-13 | 江苏古卓科技有限公司 | 基于数字孪生的智能装配车间质量预测与控制系统及方法 |
| CN113408764A (zh) * | 2021-08-17 | 2021-09-17 | 能科科技股份有限公司 | 基于数字孪生的产品在线技术状态管控系统 |
| CN114918927A (zh) * | 2022-07-22 | 2022-08-19 | 南京励业智能科技有限公司 | 一种工业数字孪生的仿真运维系统及方法 |
| CN115437344A (zh) * | 2022-07-29 | 2022-12-06 | 中国电力科学研究院有限公司 | 一种数字孪生综合能源故障诊断系统、方法、设备和介质 |
| CN115473331A (zh) * | 2022-07-22 | 2022-12-13 | 国网河南省电力公司新乡供电公司 | 一种基于动态建模的数字孪生电网用电量监管系统 |
| WO2022257925A1 (zh) * | 2021-06-09 | 2022-12-15 | 五邑大学 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
| CN115700636A (zh) * | 2022-11-17 | 2023-02-07 | 中网华信科技股份有限公司 | 基于数字孪生的设备巡检及报告生成方法、装置、设备及介质 |
| CN116029699A (zh) * | 2023-01-17 | 2023-04-28 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于数据孪生的电力信息系统及运维方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230075005A1 (en) * | 2021-09-09 | 2023-03-09 | Honeywell International Inc. | Intelligent asset anomaly prediction via feature generation |
-
2023
- 2023-07-19 CN CN202310887639.5A patent/CN116956720B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110879583A (zh) * | 2019-12-26 | 2020-03-13 | 江苏古卓科技有限公司 | 基于数字孪生的智能装配车间质量预测与控制系统及方法 |
| WO2022257925A1 (zh) * | 2021-06-09 | 2022-12-15 | 五邑大学 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
| CN113408764A (zh) * | 2021-08-17 | 2021-09-17 | 能科科技股份有限公司 | 基于数字孪生的产品在线技术状态管控系统 |
| CN114918927A (zh) * | 2022-07-22 | 2022-08-19 | 南京励业智能科技有限公司 | 一种工业数字孪生的仿真运维系统及方法 |
| CN115473331A (zh) * | 2022-07-22 | 2022-12-13 | 国网河南省电力公司新乡供电公司 | 一种基于动态建模的数字孪生电网用电量监管系统 |
| CN115437344A (zh) * | 2022-07-29 | 2022-12-06 | 中国电力科学研究院有限公司 | 一种数字孪生综合能源故障诊断系统、方法、设备和介质 |
| CN115700636A (zh) * | 2022-11-17 | 2023-02-07 | 中网华信科技股份有限公司 | 基于数字孪生的设备巡检及报告生成方法、装置、设备及介质 |
| CN116029699A (zh) * | 2023-01-17 | 2023-04-28 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于数据孪生的电力信息系统及运维方法 |
Non-Patent Citations (2)
| Title |
|---|
| Digital twin-based research on the prediction method for the complex product assembly abnormal events;Yunrui Wang;International Journal of Computer Integrated Manufacturing;第34卷(第12期);第1382-1393 * |
| 基于数字孪生的装配机器人建模及系统实现;徐健等;系统仿真学报;第35卷(第7期);第1497-1507页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116956720A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107430706B (zh) | 高级数据清理系统和方法 | |
| US20170315543A1 (en) | Evaluating petrochemical plant errors to determine equipment changes for optimized operations | |
| US20180121581A1 (en) | Cleansing system for a feed composition based on environmental factors | |
| He et al. | A fuzzy TOPSIS and rough set based approach for mechanism analysis of product infant failure | |
| US10180680B2 (en) | Tuning system and method for improving operation of a chemical plant with a furnace | |
| US20160292188A1 (en) | Data cleansing system and method for inferring a feed composition | |
| CN113361139B (zh) | 一种基于数字孪生的产线仿真滚动优化系统及方法 | |
| US20160260041A1 (en) | System and method for managing web-based refinery performance optimization using secure cloud computing | |
| CN108170566A (zh) | 产品故障信息处理方法、系统、设备和协同工作平台 | |
| CN117114449A (zh) | 一种电力大数据可视化分析系统及方法 | |
| CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
| CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及系统 | |
| CN118244709A (zh) | 关联故障设备及影响因素获取方法、装置及异常处理系统 | |
| CN118192908A (zh) | 云打印机的订单数据处理方法及装置 | |
| CN116956720B (zh) | 一种工业数字孪生的仿真运维系统 | |
| CN114529204A (zh) | 一种组件化的生产过程控制管理方法及系统 | |
| Rai | Implementation of statistical process control in an Indian tea packaging company | |
| WO2019005541A1 (en) | ERROR ASSESSMENT OF A PETROCHEMICAL PLANT TO DETERMINE EQUIPMENT CHANGES FOR OPTIMIZED OPERATIONS | |
| CN118365146B (zh) | 基于智慧服务平台的数字化供应链集成系统及方法 | |
| WO2019028020A1 (en) | IMPROVING THE PERFORMANCE OF A REFINERY PROCESS OR A PETROCHEMICAL PLANT | |
| CN118377277B (zh) | 一种应用物联网技术的工业自动化控制系统及方法 | |
| CN117471979B (zh) | 一种基于数字孪生平台的数据采集处理方法及系统 | |
| WO2019023210A1 (en) | CLEANING SYSTEM FOR CHARGE COMPOSITION BASED ON ENVIRONMENTAL FACTORS | |
| CN118411017A (zh) | 基于信息融合分析的供应链风险预测方法及系统 | |
| CN117037327A (zh) | 点巡检标准制定方法及系统 |
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 |