CN116992701B - 一种基于数字孪生的产品全生命周期监控方法及系统 - Google Patents

一种基于数字孪生的产品全生命周期监控方法及系统 Download PDF

Info

Publication number
CN116992701B
CN116992701B CN202311257136.6A CN202311257136A CN116992701B CN 116992701 B CN116992701 B CN 116992701B CN 202311257136 A CN202311257136 A CN 202311257136A CN 116992701 B CN116992701 B CN 116992701B
Authority
CN
China
Prior art keywords
information
production line
product
identification
adjustment information
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
Application number
CN202311257136.6A
Other languages
English (en)
Other versions
CN116992701A (zh
Inventor
龙小昂
张亚杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHENZHEN HUALONG XUNDA INFORMATION TECHNOLOGY CO LTD
Original Assignee
SHENZHEN HUALONG XUNDA INFORMATION TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SHENZHEN HUALONG XUNDA INFORMATION TECHNOLOGY CO LTD filed Critical SHENZHEN HUALONG XUNDA INFORMATION TECHNOLOGY CO LTD
Priority to CN202311257136.6A priority Critical patent/CN116992701B/zh
Publication of CN116992701A publication Critical patent/CN116992701A/zh
Application granted granted Critical
Publication of CN116992701B publication Critical patent/CN116992701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Geometry (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)

Abstract

本发明提供一种基于数字孪生的产品全生命周期监控方法及系统，涉及计算机技术领域，包括：接收来自n条生产线上每一条生产线生产的零部件的标识编码；根据预设编解码规则，通过标识解析组件对标识编码进行标识解析，得到零部件的三维数据和标识信息；根据标识信息和三维数据，在数字虚体空间生成每一零部件对应的孪生对象；在数字虚体空间中，将零部件对应的孪生对象进行组装，得到产品的孪生对象；对产品的孪生对象进行形态学分析，确定产品的配合精度。这样利用数字孪生技术提前获知产品的配合精度，再根据提前获取的产品精度去调整生产线上设备，从而提高下一个单个产品内的各零部件的配合精度。

Description

一种基于数字孪生的产品全生命周期监控方法及系统
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于数字孪生的产品全生命周期监控方法及系统。
背景技术
智能制造是制造业目前的主要发展方向之一，智能制造是指不仅能够在实践中不断地获取信息，而且还具有根据获取到信息进行自学习的功能，所谓自学习功能是指同时进行分析判断和规划自身行为的能力，通过计算机技术手段为制造业赋能是目前最为常见的方式。
在制造业中，制造一个产品通常是先单独制造多个不同零部件，再将多个不同零部件进行组装得到产品。产品内各部件配合精密，是产品的制造质量的重要体现。但受限于目前的生产制造水平，制造出来的每个零部件相较于其标准尺寸势必存在一定程度的误差，使得生产出来的每个零部件无法都跟标准尺寸完全一致。
因此，存在制造出来的单个产品内的各零部件配合精度较低的问题。
发明内容
本发明提供了一种基于数字孪生的产品全生命周期监控方法及系统，用于解决相关技术中存在制造出来的单个产品内的各零部件配合精度较低的问题。
第一方面，本发明提供了一种基于数字孪生的产品全生命周期监控方法，所述产品全生命周期包括：设计环节、制造环节、组装环节和使用环节；应用于所述制造环节和组装环节，所述方法包括：
接收来自n条生产线上每一条所述生产线生产的零部件的标识编码，n个所述零部件组装成一个产品，n为大于1的整数；
根据预设编解码规则，通过标识解析组件对所述标识编码进行标识解析，得到每一所述零部件的三维数据和标识信息；
根据所述标识信息和所述三维数据，在数字虚体空间生成每一所述零部件对应的孪生对象；
在所述数字虚体空间中，将每一所述零部件对应的孪生对象进行组装，得到产品的孪生对象；
对所述产品的孪生对象进行形态学分析，确定产品的配合精度；
根据所述生产线的调整信息，对所述生产线上的设备进行调整，所述调整信息为根据所述产品的配合精度确定的信息，所述调整信息包括所述生产线的设备的刀头进给量、刀头坐标和切削速度。
更进一步地，所述预设编解码规则为VAA基本编码结构、Handle规则、对象标识符、Ecode、全球统一标识和分级编码结构中的任一种。
更进一步地，所述根据所述生产线的调整信息，对所述生产线上的设备进行调整包括：
根据每一条所述生产线的历史调整信息，对模糊小波神经网络进行训练，得到模糊小波神经网络预测模型；
将所述生产线的调整信息输入至所述模糊小波神经网络预测模型，得到目标调整信息；
根据所述目标调整信息，对所述生产线上的设备进行调整。
更进一步地，所述模糊小波神经网络预测模型包括输入层、隶属度函数计算层、规则生成层、归一化层和输出层；所述输入层的节点数为n，所述将所述生产线的调整信息输入至所述模糊小波神经网络预测模型，得到目标调整信息包括：
将分别输入至所述输入层的各个输入节点的调整信息确定为第一信息；
根据所述第一信息对应的隶属度函数，对所述第一信息进行模糊化，得到第二信息；
将所述第二信息对应的规则进行规则处理，得到第三信息；
对所述第三信息进行归一化处理，得到第四信息；
对所述第四信息进行加权处理，得到所述目标调整信息。
更进一步地，所述将所述第二信息对应的规则进行规则处理，得到第三信息的计算公式如下：
；
其中，为所述第三信息，，为高斯隶属度函数， 为数学常数，代表平均值，代表函数的方差，表示第n个调整信息，m表示第m个 计算条件，j为1~m的正整数。
更进一步地，所述对所述第三信息进行归一化处理，得到第四信息的计算公式如下：
;
其中，为所述第四信息，是小波的输入值，为小波的膨胀参数，为小波的平移参数。
第二方面，本发明提供了一种基于数字孪生的产品全生命周期监控系统，所述系统包括：
接收模块，用于接收来自n条生产线上每一条所述生产线生产的零部件的标识编码，n个所述零部件组装成一个产品，n为大于1的整数；
标识解析模块，用于根据预设编解码规则，通过标识解析组件对所述标识编码进行标识解析，得到每一所述零部件的三维数据和标识信息；
生成模块，用于根据所述标识信息和所述三维数据，在数字虚体空间生成每一所述零部件对应的孪生对象；
组装模块，用于在所述数字虚体空间中，将每一所述零部件对应的孪生对象进行组装，得到产品的孪生对象；
确定模块，用于对所述产品的孪生对象进行形态学分析，确定产品的配合精度；
调整模块，用于根据所述生产线的调整信息，对所述生产线上的设备进行调整，所述调整信息为根据所述产品的配合精度确定的信息，所述调整信息包括所述生产线的设备的刀头进给量、刀头坐标和切削速度。
更进一步地，所述调整模块包括：
训练子模块，用于根据每一条所述生产线的历史调整信息，对模糊小波神经网络进行训练，得到模糊小波神经网络预测模型；
得到子模块，用于将所述生产线的调整信息输入至所述模糊小波神经网络预测模型，得到目标调整信息；
调整子模块，用于根据所述目标调整信息，对所述生产线上的设备进行调整。
第三方面，本发明实施例还提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述基于数字孪生的产品全生命周期监控方的方法中的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的基于数字孪生的产品全生命周期监控方法中的步骤。
本发明的改进点主要包括：（1）通过标识解析组件对所述标识编码进行标识解析，得到每一所述零部件的三维数据和标识信息。（2）对所述产品的孪生对象进行形态学分析，确定产品的配合精度。（3）将所述生产线的调整信息输入至所述模糊小波神经网络预测模型。
在本发明中，接收来自n条生产线上每一条生产线生产的零部件的标识编码；根据预设编解码规则，通过标识解析组件对标识编码进行标识解析，得到零部件的三维数据和标识信息；根据标识信息和三维数据，在数字虚体空间生成每一零部件对应的孪生对象；在数字虚体空间中，将零部件对应的孪生对象进行组装，得到产品的孪生对象；对产品的孪生对象进行形态学分析，确定产品的配合精度；根据生产线的调整信息，对生产线上的设备进行调整。这样利用数字孪生技术提前获知产品的配合精度，再根据提前获取的产品精度去调整生产线上设备，从而提高下一个单个产品内的各零部件的配合精度。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于数字孪生的产品全生命周期监控方法的流程示意图；
图2为本发明提供的一种基于数字孪生的产品全生命周期监控系统的结构示意图；
图3为本发明提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
如图1所示，本发明提供了一种基于数字孪生的产品全生命周期监控方法，所述产品全生命周期包括：设计环节、制造环节、组装环节和使用环节；应用于所述制造环节和组装环节，所述方法包括：
步骤101、接收来自n条生产线上每一条所述生产线生产的零部件的标识编码，n个所述零部件组装成一个产品，n为大于1的整数；
在步骤101中，可以是实时获取，也可以是周期性获取。
步骤102、根据预设编解码规则，通过标识解析组件对所述标识编码进行标识解析，得到每一所述零部件的三维数据和标识信息；
在步骤102中，可以通过激光雷达获取零部件的三维数据，也可以通过红外线相机获取零部件的三维数据，还可以通过双目视觉传感器获取零部件的三维数据，此处不作进一步限制。
步骤103、根据所述标识信息和所述三维数据，在数字虚体空间生成每一所述零部件对应的孪生对象；
应理解，根据所述标识信息和所述三维数据，在数字虚体空间映射生成每一所述零部件对应的孪生对象；孪生对象可以理解一个虚拟的数字对象。
步骤104、在所述数字虚体空间中，将每一所述零部件对应的孪生对象进行组装，得到产品的孪生对象；
应理解，数字虚体空间也就是孪生对象所在的空间，且该数字虚体空间与物理实体环境相对。
步骤105、对所述产品的孪生对象进行形态学分析，确定产品的配合精度；
在步骤105中，形态学分析可以理解形态学操作就是基于形状的一系列图像处理操作。通过将 结构元素 作用于输入图像来产生输出图像，进一步地通过分析该图像，得到配合精度。该部分为本领域技术人员的常用技术手段，此处不作赘述。
步骤106、根据所述生产线的调整信息，对所述生产线上的设备进行调整，所述调整信息为根据所述产品的配合精度确定的信息，所述调整信息包括所述生产线的设备的刀头进给量、刀头坐标和切削速度。
在步骤106中，根据调整信息，对生产线上的设备的刀头进给量、刀头坐标和切削速度进行调整，从而改变生产线上零部件的尺寸大小，从而提高单个产品的配合精度。
本发明提供一种基于数字孪生的产品全生命周期监控方法及系统，涉及计算机技术领域，包括：接收来自n条生产线上每一条生产线生产的零部件的标识编码；根据预设编解码规则，通过标识解析组件对标识编码进行标识解析，得到零部件的三维数据和标识信息；根据标识信息和三维数据，在数字虚体空间生成每一零部件对应的孪生对象；在数字虚体空间中，将零部件对应的孪生对象进行组装，得到产品的孪生对象；对产品的孪生对象进行形态学分析，确定产品的配合精度；根据生产线的调整信息，对生产线上的设备进行调整。这样利用数字孪生技术提前获知产品的配合精度，再根据提前获取的产品精度去调整生产线上设备，从而提高下一个单个产品内的各零部件的配合精度。
更进一步地，所述预设编解码规则为VAA基本编码结构、Handle规则、对象标识符、Ecode、全球统一标识和分级编码结构中的任一种。
更进一步地，所述根据所述生产线的调整信息，对所述生产线上的设备进行调整包括：
根据每一条所述生产线的历史调整信息，对模糊小波神经网络进行训练，得到模糊小波神经网络预测模型；
将所述生产线的调整信息输入至所述模糊小波神经网络预测模型，得到目标调整信息；
根据所述目标调整信息，对所述生产线上的设备进行调整。
更进一步地，所述模糊小波神经网络预测模型包括输入层、隶属度函数计算层、规则生成层、归一化层和输出层；所述输入层的节点数为n，所述将所述生产线的调整信息输入至所述模糊小波神经网络预测模型，得到目标调整信息包括：
将分别输入至所述输入层的各个输入节点的调整信息确定为第一信息；
根据所述第一信息对应的隶属度函数，对所述第一信息进行模糊化，得到第二信息；
将所述第二信息对应的规则进行规则处理，得到第三信息；
对所述第三信息进行归一化处理，得到第四信息；
对所述第四信息进行加权处理，得到所述目标调整信息。
在申请实施例中，通过模糊小波神经网络预测模型，可以提高对生产线上的设备的控制精度，从而提高产品的配合精度。
更进一步地，所述将所述第二信息对应的规则进行规则处理，得到第三信息的计算公式如下：
；
其中，为所述第三信息，，为高斯隶属度函数， 为数学常数，代表平均值，代表函数的方差，表示第n个调整信息，m表示第m个 计算条件，j为1~m的正整数。
更进一步地，所述对所述第三信息进行归一化处理，得到第四信息的计算公式如下：
;
其中，为所述第四信息，是小波的输入值，为小波的膨胀参数，为小波的平移参数。
第二方面，本发明提供了一种基于数字孪生的产品全生命周期监控系统，所述系统包括：
接收模块，用于接收来自n条生产线上每一条所述生产线生产的零部件的标识编码，n个所述零部件组装成一个产品，n为大于1的整数；
标识解析模块，用于根据预设编解码规则，通过标识解析组件对所述标识编码进行标识解析，得到每一所述零部件的三维数据和标识信息；
生成模块，用于根据所述标识信息和所述三维数据，在数字虚体空间生成每一所述零部件对应的孪生对象；
组装模块，用于在所述数字虚体空间中，将每一所述零部件对应的孪生对象进行组装，得到产品的孪生对象；
确定模块，用于对所述产品的孪生对象进行形态学分析，确定产品的配合精度；
调整模块，用于根据所述生产线的调整信息，对所述生产线上的设备进行调整，所述调整信息为根据所述产品的配合精度确定的信息，所述调整信息包括所述生产线的设备的刀头进给量、刀头坐标和切削速度。
更进一步地，所述调整模块包括：
训练子模块，用于根据每一条所述生产线的历史调整信息，对模糊小波神经网络进行训练，得到模糊小波神经网络预测模型；
得到子模块，用于将所述生产线的调整信息输入至所述模糊小波神经网络预测模型，得到目标调整信息；
调整子模块，用于根据所述目标调整信息，对所述生产线上的设备进行调整。
工业互联网标识解析体系主要包括标识编码、标识解析系统和标识数据服务。
其中：
1、标识编码：机器、物品的“身份证”。
2、标识解析系统：利用标识，对机器和物品进行唯一性的定位和信息查询，是实现全球供应链系统和企业生产系统的精准对接、产品的全生命周期管理和智能化服务的前提和基础。
3、标识数据服务：能够借助标识编码资源和标识解析系统开展工业标识数据管理和跨企业、跨行业、跨地区、跨国家的数据共享共用。
标识解析技术是指将对象标识映射至实际信息服务所需的信息的过程，如地址、物品、空间位置等。例如，通过对某物品的标识进行解析，可获得存储其关联信息的服务器地址。标识解析是在复杂网络环境中，能够准确而高效地获取对象标识对应信息的“信息转变”的技术过程。
标识解析技术通过建立统一的标识体系将工业中的设备、机器和物料等一切生产要素都可以连接起来，通过解析体系连接割裂的数据和应用，实现对数据的来源、流动过程、用途等信息的掌握。
从纵向，可以打通产品、机器、车间、工厂，实现底层标识数据采集成规模、信息系统间数据共享，以及标识数据得到分析应用。
从横向，可以横向连接自身的上下游企业，利用标识解析按需地查询数据；中小型企业可以横向连接成平台，利用标识解析按需地共享数据。
从端到端，可以打通设计、制造、物流、使用的全生命周期，实现真正的全生命周期管理。
工业互联网标识解析应用服务平台为更方便快速的接入更多的企业，编码规则相对简单、灵活。主要由标识前缀、分隔符、标识后缀组成，标识前缀由二级节点平台进行赋码，包括国家代码(固定)、行业代码(固定)、企业代码；由“/”进行分隔标识前缀和标识后缀；标识后缀完全由企业进行自定义，规则多样，编码唯一，具备一定含义，不重复即可。标识前缀由国家顶级节点代码、标识解析二级节点代码和企业代码三部分组成，中间使用字符‘.’作为分隔，并以字符“/”结尾。标识解析国家顶级节点代码为“88”，标识解析食品行业二级节点代码为“109”，本发明实施例使用企业节点代码为“80044833”。不同企业的企业节点代码不同，企业代码由企业在二级节点平台注册时分配。本发明实施例的标识后缀的规则设计为由教具编码、环节编码、具体设备(数据)编码组成，即形式为：“88 .109.80044833/教具编码 .环节编码 .具体设备(数据)编码”。
如图2所示，本发明提供了一种基于数字孪生的产品全生命周期监控系统200，所述系统包括：
接收模块201，用于接收来自n条生产线上每一条所述生产线生产的零部件的标识编码，n个所述零部件组装成一个产品，n为大于1的整数；
标识解析模块202，用于根据预设编解码规则，通过标识解析组件对所述标识编码进行标识解析，得到每一所述零部件的三维数据和标识信息；
生成模块203，用于根据所述标识信息和所述三维数据，在数字虚体空间生成每一所述零部件对应的孪生对象；
组装模块204，用于在所述数字虚体空间中，将每一所述零部件对应的孪生对象进行组装，得到产品的孪生对象；
确定模块205，用于对所述产品的孪生对象进行形态学分析，确定产品的配合精度；
调整模块206，用于根据所述生产线的调整信息，对所述生产线上的设备进行调整，所述调整信息为根据所述产品的配合精度确定的信息，所述调整信息包括所述生产线的设备的刀头进给量、刀头坐标和切削速度。
更进一步地，所述调整模块206包括：
训练子模块，用于根据每一条所述生产线的历史调整信息，对模糊小波神经网络进行训练，得到模糊小波神经网络预测模型；
得到子模块，用于将所述生产线的调整信息输入至所述模糊小波神经网络预测模型，得到目标调整信息；
调整子模块，用于根据所述目标调整信息，对所述生产线上的设备进行调整。
所述基于数字孪生的产品全生命周期监控系统200能够实现本发明中图1方法实施例的各个过程，以及达到相同的有益效果，为避免重复，这里不再赘述。
本发明还提供一种电子设备。请参见图3，电子设备可以包括处理器301、存储器302及存储在存储器302上并可在处理器301上运行的程序3021。
程序3021被处理器301执行时可实现图1对应的方法实施例中的任意步骤及达到相同的有益效果，此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成，所述的程序可以存储于一可读取介质中。
本发明还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时可实现上述图1对应的方法实施例中的任意步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (4)

1.一种基于数字孪生的产品全生命周期监控方法，其特征在于，所述产品全生命周期包括：设计环节、制造环节、组装环节和使用环节；应用于所述制造环节和组装环节，所述方法包括：
实时接收来自n条生产线上每一条生产线生产的零部件的标识编码，n个零部件组装成一个产品，n为大于1的整数；
根据预设编解码规则，通过标识解析组件对所述标识编码进行标识解析，得到每一所述零部件的三维数据和标识信息；
根据所述标识信息和所述三维数据，在数字虚体空间生成每一所述零部件对应的孪生对象；
在所述数字虚体空间中，将每一所述零部件对应的孪生对象进行组装，得到产品的孪生对象；
对所述产品的孪生对象进行形态学分析，确定产品的配合精度；
根据所述生产线的调整信息，对所述生产线上的设备进行调整，所述调整信息为根据所述产品的配合精度确定的信息，所述调整信息包括所述生产线的设备的刀头进给量、刀头坐标和切削速度;
所述根据所述生产线的调整信息，对所述生产线上的设备进行调整包括：
根据每一条所述生产线的历史调整信息，对模糊小波神经网络进行训练，得到模糊小波神经网络预测模型；
将所述生产线的调整信息输入至所述模糊小波神经网络预测模型，得到目标调整信息；
根据所述目标调整信息，对所述生产线上的设备进行调整；
所述模糊小波神经网络预测模型包括输入层、隶属度函数计算层、规则生成层、归一化层和输出层；所述输入层的节点数为n，所述将所述生产线的调整信息输入至所述模糊小波神经网络预测模型，得到目标调整信息包括：
将分别输入至所述输入层的各个输入节点的调整信息确定为第一信息；
根据所述第一信息对应的隶属度函数，对所述第一信息进行模糊化，得到第二信息；
将所述第二信息对应的规则进行规则处理，得到第三信息:
对所述第三信息进行归一化处理，得到第四信息；
对所述第四信息进行加权处理，得到所述目标调整信息；
所述将所述第二信息对应的规则进行规则处理，得到第三信息的计算公式如下：
；
其中，为所述第三信息，/>，
其中，为高斯隶属度函数，/>为数学常数，/>代表平均值，/>代表函数的方差，表示第n个调整信息，m表示第m个计算条件，j为1~m的正整数；
所述对所述第三信息进行归一化处理，得到第四信息的计算公式如下：
;
其中，为所述第四信息，/>是小波的输入值，/>为小波的膨胀参数，/>为小波的平移参数。
2.根据权利要求1所述的方法，其特征在于，所述预设编解码规则为VAA基本编码结构、Handle规则、对象标识符、Ecode、全球统一标识和分级编码结构中的任一种。
3.一种基于数字孪生的产品全生命周期监控系统，其特征在于，所述系统包括：
接收模块，用于实时接收来自n条生产线上每一条所述生产线生产的零部件的标识编码，n个所述零部件组装成一个产品，n为大于1的整数；
标识解析模块，用于根据预设编解码规则，通过标识解析组件对所述标识编码进行标识解析，得到每一所述零部件的三维数据和标识信息；
生成模块，用于根据所述标识信息和所述三维数据，在数字虚体空间生成每一所述零部件对应的孪生对象；
组装模块，用于在所述数字虚体空间中，将每一所述零部件对应的孪生对象进行组装，得到产品的孪生对象；
确定模块，用于对所述产品的孪生对象进行形态学分析，确定产品的配合精度；
调整模块，用于根据所述生产线的调整信息，对所述生产线上的设备进行调整，所述调整信息为根据所述产品的配合精度确定的信息，所述调整信息包括所述生产线的设备的刀头进给量、刀头坐标和切削速度；
所述根据所述生产线的调整信息，对所述生产线上的设备进行调整包括：
根据每一条所述生产线的历史调整信息，对模糊小波神经网络进行训练，得到模糊小波神经网络预测模型；
将所述生产线的调整信息输入至所述模糊小波神经网络预测模型，得到目标调整信息；
根据所述目标调整信息，对所述生产线上的设备进行调整；
所述模糊小波神经网络预测模型包括输入层、隶属度函数计算层、规则生成层、归一化层和输出层；所述输入层的节点数为n，所述将所述生产线的调整信息输入至所述模糊小波神经网络预测模型，得到目标调整信息包括：
将分别输入至所述输入层的各个输入节点的调整信息确定为第一信息；
根据所述第一信息对应的隶属度函数，对所述第一信息进行模糊化，得到第二信息；
将所述第二信息对应的规则进行规则处理，得到第三信息:
对所述第三信息进行归一化处理，得到第四信息；
对所述第四信息进行加权处理，得到所述目标调整信息；
所述将所述第二信息对应的规则进行规则处理，得到第三信息的计算公式如下：
；
其中，为所述第三信息，/>，
其中，为高斯隶属度函数，/>为数学常数，/>代表平均值，/>代表函数的方差，表示第n个调整信息，m表示第m个计算条件，j为1~m的正整数；
所述对所述第三信息进行归一化处理，得到第四信息的计算公式如下：
;
其中，为所述第四信息，/>是小波的输入值，/>为小波的膨胀参数，/>为小波的平移参数。
4.根据权利要求3所述的系统，其特征在于，所述调整模块包括：
训练子模块，用于根据每一条所述生产线的历史调整信息，对模糊小波神经网络进行训练，得到模糊小波神经网络预测模型；
得到子模块，用于将所述生产线的调整信息输入至所述模糊小波神经网络预测模型，得到目标调整信息；
调整子模块，用于根据所述目标调整信息，对所述生产线上的设备进行调整。
CN202311257136.6A 2023-09-27 2023-09-27 一种基于数字孪生的产品全生命周期监控方法及系统 Active CN116992701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311257136.6A CN116992701B (zh) 2023-09-27 2023-09-27 一种基于数字孪生的产品全生命周期监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311257136.6A CN116992701B (zh) 2023-09-27 2023-09-27 一种基于数字孪生的产品全生命周期监控方法及系统

Publications (2)

Publication Number Publication Date
CN116992701A CN116992701A (zh) 2023-11-03
CN116992701B true CN116992701B (zh) 2024-01-12

Family

ID=88525204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311257136.6A Active CN116992701B (zh) 2023-09-27 2023-09-27 一种基于数字孪生的产品全生命周期监控方法及系统

Country Status (1)

Country Link
CN (1) CN116992701B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388146A (zh) * 2018-02-01 2018-08-10 东南大学 一种基于信息物理融合的三维装配工艺设计系统及运行方法
CN111274671A (zh) * 2019-12-31 2020-06-12 东南大学 一种基于数字孪生的复杂产品装配过程精准修配方法及其运行系统
CN113805550A (zh) * 2021-09-30 2021-12-17 上海卫星装备研究所 基于数字孪生的航天器装配过程管控方法及系统
CN114663060A (zh) * 2022-03-25 2022-06-24 武汉易特兰瑞科技有限公司 一种基于数字孪生技术的产品制造生产线协同智能管理系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388146A (zh) * 2018-02-01 2018-08-10 东南大学 一种基于信息物理融合的三维装配工艺设计系统及运行方法
CN111274671A (zh) * 2019-12-31 2020-06-12 东南大学 一种基于数字孪生的复杂产品装配过程精准修配方法及其运行系统
CN113805550A (zh) * 2021-09-30 2021-12-17 上海卫星装备研究所 基于数字孪生的航天器装配过程管控方法及系统
CN114663060A (zh) * 2022-03-25 2022-06-24 武汉易特兰瑞科技有限公司 一种基于数字孪生技术的产品制造生产线协同智能管理系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于模糊小波神经网络的加工过程自适应控制;赖兴余 等;工具技术;第42卷(第4期);第71-74页 *
数字孪生体及其在智慧管网应用的可行性;李柏松 等;油气储运;第37卷(第10期);第1081-1087页 *
数字孪生驱动的大数据制造服务模式;李仁旺;肖人彬;;科技导报(第14期);第116-125页 *

Also Published As

Publication number Publication date
CN116992701A (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Alshibli et al. Disassembly sequencing using tabu search
CN103020161B (zh) 在线视频推荐方法和推荐系统及处理系统
CN112765768B (zh) 基于物联网的离散型车间数字溯源方法
CN103049479B (zh) 一种在线视频标签生成方法和系统
Peddireddy et al. Deep learning based approach for identifying conventional machining processes from CAD data
CN111667067A (zh) 基于图神经网络的推荐方法、装置和计算机设备
Page et al. Automated candidate detection for additive manufacturing: A framework proposal
Yang Monitoring and diagnosing of mean shifts in multivariate manufacturing processes using two-level selective ensemble of learning vector quantization neural networks
Konstantinidis et al. A technology maturity assessment framework for industry 5.0 machine vision systems based on systematic literature review in automotive manufacturing
Rocha et al. Comparing DEA and principal component analysis in the multiobjective optimization of P-GMAW process
Wang et al. A smart operator advice model by deep learning for motion recognition in human–robot coexisting assembly line
CN116992701B (zh) 一种基于数字孪生的产品全生命周期监控方法及系统
CN115905924B (zh) 基于人工智能物联网的数据处理方法、系统及云平台
Li et al. Cutter selection for 5-axis milling of sculptured surfaces based on accessibility analysis
Sharabov et al. The use of artificial intelligence in Industry 4.0
Dümmel et al. Generating synthetic training data for assembly processes
Valeev et al. Intelligent Decision Support System of Operation Sequencing of Technological Processes Planning
Stojadinović et al. An approach of development smart manufacturing metrology model as support industry 4.0
Hoang et al. Collision-free Grasp Detection From Color and Depth Images
Sedano et al. The application of a two-step AI model to an automated pneumatic drilling process
Yoon Measurement of smart technology capability for manufacturing fields in a smart technology environment
Stollfuss et al. MLP-Supported Mathematical Optimization of Simulation Models: Investigation into the Approximation of Black Box Functions of Any Simulation Model with MLPs with the Aim of Functional Analysis.
Vidal-Soroa et al. An approach to 3D object detection in real-time for cognitive robotics experiments
CN111582498B (zh) 基于机器学习的qa辅助决策方法及系统
Chen et al. Utilizing cyber physical system to achieve intelligent product design: A case study of transformer

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
CB03 Change of inventor or designer information

Inventor after: Long Xiaoang

Inventor before: Long Xiaoang

Inventor before: Zhang Yajie

CB03 Change of inventor or designer information