CN117215215A - 一种基于数字孪生的船舶数字化车间仿真方法及系统 - Google Patents
一种基于数字孪生的船舶数字化车间仿真方法及系统 Download PDFInfo
- Publication number
- CN117215215A CN117215215A CN202311467997.7A CN202311467997A CN117215215A CN 117215215 A CN117215215 A CN 117215215A CN 202311467997 A CN202311467997 A CN 202311467997A CN 117215215 A CN117215215 A CN 117215215A
- Authority
- CN
- China
- Prior art keywords
- workshop
- digital
- data
- simulation
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000011157 data evaluation Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000546 chi-square test Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 7
- 239000006185 dispersion Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000009419 refurbishment Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于数字孪生的船舶数字化车间仿真方法及系统,所述船舶数字化车间仿真方法具体包括:创建数字孪生模型,获取车间数字化信息并输入数字孪生模型内,表达数字化车间的集成信息,构建车间场景仿真模型,将所述集成信息汇总并导入车间场景仿真模型,生成数据评价模型对集成信息准确度评价,实时收集完成评价的集成信息,生成集成信息的准确报表,对车间仿真场景模拟构建,本发明中,通过数字孪生模型对多种类的车间数字化信息集成和共享,方便信息管理和表达,降低船舶数字化车间的仿真难度,通过车间场景仿真模型进行车间仿真场景模拟构建,使船舶数字化车间具有更为直观的表现形式。
Description
技术领域
本发明涉及工业数字化技术领域,具体为一种基于数字孪生的船舶数字化车间仿真方法及系统。
背景技术
数字孪生技术的核心在于通过数学建模对船舶制造车间进行的高精度虚拟化,数字孪生仿真通过网络直接高速地采集船舶制造车间的现场运行数据,并将数据发送给应用软件,实现软件系统对船舶制造车间的实时数据监控,但对于船舶车间内通过传感器采集的海量数据,对于这些海量数据无法直接进行仿真应用,通过对数据的分析判断船舶制造车间的状态会导致实时性存在一定程度的误差,这些数据抗干扰程度无法保证,数据准确性直接影响船舶数字化车间的仿真上限,影响实时数据监控的表达,且仅通过数据监控,需要使用者对数据存在一定的基础认知,提高了使用者门槛,因此,针对上述问题提出一种基于数字孪生的船舶数字化车间仿真方法及系统。
发明内容
本发明的目的在于提供一种基于数字孪生的船舶数字化车间仿真方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于数字孪生的船舶数字化车间仿真方法,所述船舶数字化车间仿真方法具体包括:
a.创建数字孪生模型,所述数字孪生模型包括数据获取模块,所述数据获取模块于船舶数字化车间内设置传感器,获取车间数字化信息并输入数字孪生模型内;
b.通过数字孪生模型表达数字化车间的集成信息,构建车间场景仿真模型,将所述集成信息汇总并导入车间场景仿真模型;
c.车间场景仿真模型读取汇总的集成信息,自动生成数据评价模型对集成信息准确度评价;
d.实时收集完成评价的集成信息,生成集成信息的准确报表,并对不准确的集成信息提取并警示;
e.再次向车间场景仿真模型导入准确报表内的集成信息,对车间仿真场景模拟构建。
进一步的,所述集成信息是由车间状态、船舶表面质量、船舶表面性能构成的集成化信息,程序化表达的具体表示为:
式中:是表达数据获取模块获取的车间空间几何状态的车间状态模型,/>是包含误差的船舶表面质量精确信息的表面质量模型,/>是包含对性能造成影响最大的特征信息的船舶表面性能模型。
进一步的,所述车间状态模型的表达形式如下:
式中:表示由对应的离散点云模型通过操作算子/>决定的三角网格模型,表示表示操作算子/>决定的离散点云模型;/>表示车间几何状态信息集合,/>、/>、分别表示点、线、面的几何状态信息集合。
进一步的,所述船舶表面质量模型可以表示为:
式中:表示形位质量特征信息;/>表示表面纹理质量特征;/>表示外观质量特征。
进一步的,所述船舶表面性能模型可以表示为:
式中:表示表面物理力学性能;/>表示其他工程技术特性信息。
进一步的,所述集成信息准确度评价的标准建立步骤为:
S1,根据抽样推断的概念及具体步骤,判断总体数据是否能被获取;
S2,在评价之前,从不同车间抽取等量的样本数据,进行一次样本量大于30份的预调查,提供数据支撑;
S3,对预调查的数据抽样平均误差以及极限误差计算;
S4,判断极限误差是否可接受,并拟定所需极限误差;
S5,计算需要抽取的可靠性数据份数。
进一步的,所述数据抽样平均误差以及极限误差计算的计算表达式为:
式中:表示第h车间的样本量;/>为相应车间的层样本方差;/>为抽样平均误差;/>为极限误差。
进一步的,所述计算抽取可靠性数据份数的运输公式如下:
式中:为第/>车间的样本数据层权;/>为相应车间的层样本方差。
进一步的,所述车间仿真场景模拟构建的具体步骤为:
S1,对场景应用特征进行筛选;
S2,利用聚类分析法决定分类数以及每个分类具有的样本信息;
S3,计算聚类分析中的样本距离与类间距离,分析得到聚类结果;
S4,对聚类结果进行卡方检验,提取典型数据特征;
S5,对未区分出来的典型数据特征进一步提取典型数据特征;
S6,经过提取的典型数据特征分析,得到典型场景。
进一步的,所述聚类分析中的样本距离的计算表达式为:
式中:为样本中含有的变量个数;/>为第/>个样本中第/>个变量的度量值。
进一步的,所述聚类分析中的类间距离的计算采用离差平方和法,主要步骤为:让n个样本各自成一类,然后每次缩小一类,每缩小一类,离差平方和增大,选择使其增加最小的两类合并,直到所有的样本归为一类。
进一步的,所述卡方检验的公式表达为:
式中:表示实际频数;/>代表期望频数;/>为卡方检验的自由度。
进一步的,所述船舶数字化车间仿真系统基于数字孪生模型构建的车间场景仿真模型,所述车间场景仿真模型包括:
数据获取模块,用于接收传感器的信号,获取传感器实时表达的车间数字化信息,实现实时交互;
数据应用模块,用于通过数字孪生模型的构建与管理,实现船舶车间内多种车间数字化信息的集成的应用与表达;
数据评价模块,用于读取数字孪生模型表达的数据,并进行统计学抽样推断,对集成信息的准确性评价,自动形成准确报表;
警示检测模块,用于对不准确的集成信息提取并警示;
数据模拟模块,用于提取数据评价模块的准确数据报表中相对应的集成信息,对车间仿真场景模拟构建。
与现有技术相比,本发明具有以下有益效果:通过数字孪生模型对多种类的车间数字化信息集成和共享,方便信息管理和表达,降低船舶数字化车间的仿真难度,通过对数字孪生模型表达的数据进行读取并采用可靠的数据质量评价,保证数据的准确性,提升船舶数字化车间的仿真上限,最后通过车间场景仿真模型进行车间仿真场景模拟构建,使船舶数字化车间具有更为直观的表现形式。
附图说明
为了更清楚地说明本发明的技术方案,下面将对本发明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发明的一些实施例,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为本发明的整体结构示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明,基于本发明中的具体实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他具体实施方式,都属于本发明保护的范围。
请参阅图1,本发明提供了一种基于数字孪生的船舶数字化车间仿真方法,所述船舶数字化车间仿真方法具体包括:
a.创建数字孪生模型,所述数字孪生模型包括数据获取模块,所述数据获取模块于船舶数字化车间内设置传感器,对车间内进行全要素、全生命周期的数据自适应感知,获取车间数字化信息并输入数字孪生模型内;
b.通过数字孪生模型综合全要素、多尺度、多层次的信息数据,针对不同种类的信息均表达相适应的数字化车间的集成信息,构建车间场景仿真模型,将所述集成信息汇总并导入车间场景仿真模型;
c.车间场景仿真模型读取汇总的集成信息,从数据的及时性、准确性和完整性三个维度自动生成数据评价模型,对集成信息准确度评价;
d.实时收集完成评价的集成信息,生成集成信息的准确报表,并对不准确的集成信息提取并警示;
e.再次向车间场景仿真模型导入准确报表内的集成信息,对车间仿真场景模拟构建。
具体的,所述集成信息是由车间状态、船舶表面质量、船舶表面性能构成的集成化信息,程序化表达的具体表示为:
式中:是表达数据获取模块获取的车间空间几何状态的车间状态模型,/>是包含误差的船舶表面质量精确信息的表面质量模型,/>是包含对性能造成影响最大的特征信息的船舶表面性能模型。
进一步的,所述车间状态模型的表达形式如下:
式中:表示由对应的离散点云模型通过操作算子/>决定的三角网格模型,表示表示操作算子/>决定的离散点云模型;/>表示车间几何状态信息集合,/>、/>、分别表示点、线、面的几何状态信息集合。
进一步的,所述船舶表面质量模型可以表示为:
式中:表示形位质量特征信息;/>表示表面纹理质量特征;/>表示外观质量特征。
进一步的,所述船舶表面性能模型可以表示为:
式中:表示表面物理力学性能;/>表示其他工程技术特性信息。
具体的,所述集成信息准确度评价的标准建立步骤为:首先根据抽样推断的概念及具体步骤,判断总体数据是否能被获取,对于能被直接获取的数据,则直接进行抽样,对于实际水平无法获取样本数据,依次进行后续步骤,在进行评价之前,从不同车间抽取等量的样本数据,如在四个车间内均单独抽取10份样本数据,进行一次样本量为40份的样本数据预调查,为后续评价提供数据支撑,并在预调查过程中,依次对抽取的样本数据进行数据考核,并制作数据考核分数列表,方便计算,而后在置信度为95%的前提下,通过计算公式对预调查的数据抽样进行平均误差以及极限误差计算,判断极限误差是否可接受,若极限误差可以接受,则以预调查中抽取的样本数据作为评价基准,若经评估任务极限误差过大,拟定所需极限误差,最后通过计算公式计算在置信度为95%、极限误差为新拟定标准下,需要抽取的可靠性数据样本份数,重新进行样本抽取后,以此次样本数据作为评价标准。
进一步的,所述数据抽样平均误差以及极限误差计算的计算表达式为:
式中:表示第h车间的样本量;/>为相应车间的层样本方差;/>为抽样平均误差;/>为极限误差。
进一步的,所述计算抽取可靠性数据份数的运输公式如下:
式中:为第/>车间的样本数据层权;/>为相应车间的层样本方差。
具体的,所述车间仿真场景模拟构建的具体步骤为:首先对场景应用特征进行筛选,剔除数据缺失或情况不明的车间信息,剔除常见的整修、维护、停机状态下的车间数据,剔除因人员违规作业而产生车间数据,以上述三种条件确保车间场景的模拟是正常的,随后利用聚类分析法是将个体或对象分类,使得同一类的对象之间的相似性比与其他类对象的相似性更强的核心思想,将样本分为n类(一类包含一个样本),然后将性质最接近的两类合并成一个新类,得到n-1类样本,再从中找出最接近的两类加以合并,变成n-2类,如此持续下去,最后所有的样本均在一类,将上述并类过程制成聚类图),决定分类数以及每个分类具有的样本信息,计算聚类分析中的样本距离与类间距离,分析得到聚类结果,对聚类结果进行卡方检验,提取典型数据特征,取置信度为90%,将计算的卡方值与卡方对照表对应的临界值进行比较,若卡方值大于临界值,则说明该参数具有典型参数特征,将依据各参数特征在每一类中所占比例和各参数特征在总体中所占比例,得到每一类的典型参数特征,反之,则说明该参数的各个特征在该类中分布差异性不明显,该参数没有典型参数特征,最后对未区分出来的典型数据特征进一步提取典型数据特征,使每一个参数只有唯一的典型参数特征,经过提取的典型数据特征分析,得到典型场景。
具体的,所述聚类分析中的样本距离的计算表达式为:
式中:为样本中含有的变量个数;/>为第/>个样本中第/>个变量的度量值。
具体的,所述聚类分析中的类间距离的计算采用离差平方和法,主要步骤为:让n个样本各自成一类,然后每次缩小一类,每缩小一类,离差平方和增大,选择使其增加最小的两类合并,直到所有的样本归为一类。
具体的,所述卡方检验的公式表达为:
式中:表示实际频数;/>代表期望频数;/>为卡方检验的自由度。
具体的,所述船舶数字化车间仿真系统基于数字孪生模型构建的车间场景仿真模型,所述车间场景仿真模型包括:
数据获取模块,用于接收传感器的信号,获取传感器实时表达的车间数字化信息,实现实时交互;
数据应用模块,用于通过数字孪生模型的构建与管理,实现船舶车间内多种车间数字化信息的集成的应用与表达;
数据评价模块,用于读取数字孪生模型表达的数据,并进行统计学抽样推断,对集成信息的准确性评价,自动形成准确报表;
警示检测模块,用于对不准确的集成信息提取并警示;
数据模拟模块,用于提取数据评价模块的准确数据报表中相对应的集成信息,对车间仿真场景模拟构建。
通过采用上述技术方案:本发明中,通过数字孪生模型对多种类的车间数字化信息集成和共享,方便信息管理和表达,降低船舶数字化车间的仿真难度,通过对数字孪生模型表达的数据进行读取并采用可靠的数据质量评价,保证数据的准确性,提升船舶数字化车间的仿真上限,最后通过车间场景仿真模型进行车间仿真场景模拟构建,使船舶数字化车间具有更为直观的表现形式。
以上所述仅的仅为本发明优选的具体实施方式,但本发明的保护范围并不局限于此,对于本技术领域的普通技术人员来说,在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,均应视为本发明的保护范围。
Claims (5)
1.一种基于数字孪生的船舶数字化车间仿真方法,其特征在于:所述船舶数字化车间仿真方法具体包括:
a.创建数字孪生模型,所述数字孪生模型包括数据获取模块,所述数据获取模块于船舶数字化车间内设置传感器,获取车间数字化信息并输入数字孪生模型内;
b.通过数字孪生模型表达数字化车间的集成信息,构建车间场景仿真模型,将所述集成信息汇总并导入车间场景仿真模型;
c.车间场景仿真模型读取汇总的集成信息,自动生成数据评价模型对集成信息准确度评价;
d.实时收集完成评价的集成信息,生成集成信息的准确报表,并对不准确的集成信息提取并警示;
e.再次向车间场景仿真模型导入准确报表内的集成信息,对车间仿真场景模拟构建。
2.根据权利要求1所述的一种基于数字孪生的船舶数字化车间仿真方法,其特征在于:所述集成信息是由车间状态、船舶表面质量、船舶表面性能构成的集成化信息,程序化表达的具体表示为:
式中:是表达数据获取模块获取的车间空间几何状态的车间状态模型,/>是包含误差的船舶表面质量精确信息的表面质量模型,/>是包含对性能造成影响最大的特征信息的船舶表面性能模型。
3.根据权利要求1所述的一种基于数字孪生的船舶数字化车间仿真方法,其特征在于:所述集成信息准确度评价的标准建立步骤为:
S1,根据抽样推断的概念及具体步骤,判断总体数据是否能被获取;
S2,在评价之前,从不同车间抽取等量的样本数据,进行一次样本量大于30份的预调查,提供数据支撑;
S3,对预调查的数据抽样平均误差以及极限误差计算;
S4,判断极限误差是否可接受,并拟定所需极限误差;
S5,计算需要抽取的可靠性数据份数。
4.根据权利要求1所述的一种基于数字孪生的船舶数字化车间仿真方法,其特征在于:所述车间仿真场景模拟构建的具体步骤为:
S1,对场景应用特征进行筛选;
S2,利用聚类分析法决定分类数以及每个分类具有的样本信息;
S3,计算聚类分析中的样本距离与类间距离,分析得到聚类结果;
S4,对聚类结果进行卡方检验,提取典型数据特征;
S5,对未区分出来的典型数据特征进一步提取典型数据特征;
S6,经过提取的典型数据特征分析,得到典型场景。
5.一种基于数字孪生的船舶数字化车间仿真系统,其特征在于:所述船舶数字化车间仿真系统基于数字孪生模型构建的车间场景仿真模型,所述车间场景仿真模型包括:
数据获取模块,用于接收传感器的信号,获取传感器实时表达的车间数字化信息,实现实时交互;
数据应用模块,用于通过数字孪生模型的构建与管理,实现船舶车间内多种车间数字化信息的集成的应用与表达;
数据评价模块,用于读取数字孪生模型表达的数据,并进行统计学抽样推断,对集成信息的准确性评价,自动形成准确报表;
警示检测模块,用于对不准确的集成信息提取并警示;
数据模拟模块,用于提取数据评价模块的准确数据报表中相对应的集成信息,对车间仿真场景模拟构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467997.7A CN117215215A (zh) | 2023-11-07 | 2023-11-07 | 一种基于数字孪生的船舶数字化车间仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311467997.7A CN117215215A (zh) | 2023-11-07 | 2023-11-07 | 一种基于数字孪生的船舶数字化车间仿真方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117215215A true CN117215215A (zh) | 2023-12-12 |
Family
ID=89041112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311467997.7A Pending CN117215215A (zh) | 2023-11-07 | 2023-11-07 | 一种基于数字孪生的船舶数字化车间仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117215215A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506878A (zh) * | 2020-04-08 | 2020-08-07 | 国网湖北省电力有限公司电力科学研究院 | 基于暂降系统指标随机样本估计的节点数量选择装置及方法 |
CN115099075A (zh) * | 2022-03-30 | 2022-09-23 | 中冶华天工程技术有限公司 | 一种基于智能化棒、线、型车间数字孪生方法 |
CN115229117A (zh) * | 2022-07-29 | 2022-10-25 | 东北大学 | 一种基于数字孪生的壁板铆接变形控制方法 |
CN116466665A (zh) * | 2023-04-18 | 2023-07-21 | 江苏杰瑞科技集团有限责任公司 | 面向船舶生产车间的数字孪生多协议智能调度采集系统及方法 |
CN116599857A (zh) * | 2023-07-13 | 2023-08-15 | 北京发祥地科技发展有限责任公司 | 一种适用于物联网多场景的数字孪生应用系统 |
-
2023
- 2023-11-07 CN CN202311467997.7A patent/CN117215215A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506878A (zh) * | 2020-04-08 | 2020-08-07 | 国网湖北省电力有限公司电力科学研究院 | 基于暂降系统指标随机样本估计的节点数量选择装置及方法 |
CN115099075A (zh) * | 2022-03-30 | 2022-09-23 | 中冶华天工程技术有限公司 | 一种基于智能化棒、线、型车间数字孪生方法 |
CN115229117A (zh) * | 2022-07-29 | 2022-10-25 | 东北大学 | 一种基于数字孪生的壁板铆接变形控制方法 |
CN116466665A (zh) * | 2023-04-18 | 2023-07-21 | 江苏杰瑞科技集团有限责任公司 | 面向船舶生产车间的数字孪生多协议智能调度采集系统及方法 |
CN116599857A (zh) * | 2023-07-13 | 2023-08-15 | 北京发祥地科技发展有限责任公司 | 一种适用于物联网多场景的数字孪生应用系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796284B (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
CN112819207B (zh) | 基于相似性度量的地质灾害空间预测方法、系统及存储介质 | |
CN110619691B (zh) | 一种板坯表面裂纹的预测方法及装置 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN115100819B (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
CN114387332B (zh) | 一种管道测厚方法及装置 | |
CN116415931A (zh) | 一种基于大数据的电力设备运行状态监控方法和系统 | |
CN112766301A (zh) | 一种采油机示功图相似性判断方法 | |
CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
CN109033205B (zh) | 基于数据输入行为分析的航天测试数据校核装置 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN113128047A (zh) | 一种航空发动机推力计算方法、存储介质及计算设备 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
CN117215215A (zh) | 一种基于数字孪生的船舶数字化车间仿真方法及系统 | |
CN111141472A (zh) | 一种抗震支吊架检测方法及系统 | |
CN113807587B (zh) | 一种基于多梯核深度神经网络模型积分预警方法以及系统 | |
CN116412759A (zh) | 一种利用三维激光扫描仪进行林业调查的方法 | |
CN112651338B (zh) | 一种输电线路违章施工隐患的判别方法及装置 | |
CN112069621A (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN117687290B (zh) | 一种基于多源数据的秒表检测与评估方法及系统 | |
CN117095216B (zh) | 基于对抗生成网络的模型训练方法、系统、设备及介质 | |
CN116448062B (zh) | 一种桥梁沉降变形检测方法、装置、计算机及存储介质 | |
CN111108455A (zh) | 数据分类装置 |
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 |