CN117471979B - 一种基于数字孪生平台的数据采集处理方法及系统 - Google Patents
一种基于数字孪生平台的数据采集处理方法及系统 Download PDFInfo
- Publication number
- CN117471979B CN117471979B CN202311815026.7A CN202311815026A CN117471979B CN 117471979 B CN117471979 B CN 117471979B CN 202311815026 A CN202311815026 A CN 202311815026A CN 117471979 B CN117471979 B CN 117471979B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- equipment
- digital twin
- upstream
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000011144 upstream manufacturing Methods 0.000 claims description 109
- 238000012545 processing Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24215—Scada supervisory control and data acquisition
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了本申请实施例提供了一种基于数字孪生平台的数据采集处理方法及系统,应用于工业物联网技术,方法包括:构建对应目标产线的第一数字孪生平台;当目标产线中出现故障设备时,记录关联数据和故障数据;构建第二数字孪生平台;训练对应故障设备的虚拟模型,并将第二数字孪生平台中的虚拟的故障设备替换为虚拟模型;修正虚拟模型形成虚拟故障模型;通过第二数字孪生平台对故障设备的后续故障进行预判。本发明一种基于数字孪生平台的数据采集处理方法及系统,通过上述技术方案,实现了对产线上不同设备发生硬件故障的预测,有利于对故障设备进行提前维修和维护,减少了因设备硬件故障带来的产线损失。
Description
技术领域
本发明涉及工业物联网技术,具体涉及一种基于数字孪生平台的数据采集处理方法及系统。
背景技术
数字孪生平台是一种基于物联网和大数据技术的平台,它通过建立精确定位和动态轨迹数据库,创建现实世界的事物、地点、业务流程和人员的数字表示,提供洞察力,帮助用户开发更好的产品、优化运营和成本,并创造突破性的客户体验。
现有技术中,已经开始使用数字孪生平台对生产线上的设备进行监视和管理,并提供故障诊断等方案,如申请号为202010536835 .4的中国专利公开了一种基于数字孪生的工程装备故障智能诊断与自愈控制系统,属于工程装备自动控制技术领域。该系统包括物理实体模块、数据采集模块、信息处理模块、故障诊断模块、自愈控制模块以及数字孪生模块;数据采集模块实时采集物理实体模块中工程装备运行的信息数据,并将数据传送到数字孪生模块中进行工程装备的数字孪生模拟仿真;同时,数据经过信息处理模块处理后在故障诊断模块中进行智能诊断分析,自愈控制模块对产生的故障进行自愈控制处理;数字孪生模块与其他各模块进行数据交互反馈,实现信息交换和闭环优化。
虽然通过现有技术中的故障诊断和自愈功能可以对一些故障进行排除,但是在产线当中,硬件损伤是不可避免并且不可逆的,所以对这些硬件损伤是无法通过自愈方案进行修复,所以需要有可以较为精准对设备硬件损伤进行预测的方案,以减少设备突然失效带来的产线损失。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种基于数字孪生平台的数据采集处理方法及系统。
第一方面,本申请实施例提供了一种基于数字孪生平台的数据采集处理方法,包括:
获取目标产线的产线数据,并根据所述目标产线的产线数据构建对应所述目标产线的第一数字孪生平台;
当所述目标产线中出现故障设备时,记录故障时所述故障设备上游的生产设备的数据作为关联数据,并记录故障时所述故障设备的数据作为故障数据;
根据所述第一数字孪生平台构建第二数字孪生平台;所述第二数字孪生平台包括虚拟的所述故障设备和虚拟的所述故障设备上游的生产设备;
以所述第一数字孪生平台的历史数据对所述第二数字孪生平台进行运行,训练对应所述故障设备的虚拟模型,并将所述第二数字孪生平台中的虚拟的所述故障设备替换为所述虚拟模型;所述历史数据为所述故障设备发生故障前所述第一数字孪生平台的数据;
根据所述关联数据、所述故障数据和所述历史数据修正所述虚拟模型形成虚拟故障模型;
通过具有所述虚拟故障模型的所述第二数字孪生平台对所述故障设备的后续故障进行预判。
本申请实施例实施时,需要先为目标产线构建与之匹配的第一数字孪生平台,应当理解的是,构建产线对应的数字孪生平台属于现有技术,其应当是根据产线结构、传感设备等构建的一整套可以镜像出产线的数字孪生平台,以实现对产线的实时监测,本申请实施例对此不多做限定。基于第一数字孪生平台,可以在目标产线中出现故障设备时,记录关联数据和故障数据。由于在故障设备发生故障时,故障设备的下游设备可能出现数据缺失,所以需要以上游设备的相关数据作为关联数据。
在本申请实施例中,为了避免对该故障设备的关注影响第一数字孪生平台的正常运行,需要构建第二数字孪生平台,第二数字孪生平台只需要包含故障设备和故障设备上游的生产设备即可。同时第二数字孪生平台和第一数字孪生平台应当采用不同的云端平台,以获取更高的算力以支撑后续运算。
在本申请实施例中,基于历史数据可以训练虚拟模型,并替换到第二数字孪生平台中,该虚拟模型可以对故障设备的运行进行数字化模拟;同时应当理解的是,为了提高训练的准确性,历史数据可以选择从故障设备开始运行至故障前的一整段时间的数据。由于在故障发生时,故障数据可能会发生突变,所以为了虚拟模型可以较为快速的获得收敛,并提高模型精度,本申请实施例在不增加故障直接相关数据的情况下先训练虚拟模型。而后在基于关联数据、故障数据和历史数据对虚拟模型修正形成虚拟故障模型,其修正目的主要是为更重要的数据在虚拟模型中提供更高的权重值。本申请实施例中,基于虚拟故障模型即可进行故障设备修复或更换后的后续故障的预判。通过本申请实施例在目标产线运行的过程中持续生成相应的第二数字孪生平台,可以为每个会发生硬件故障的设备都建立独立的第二数字孪生平台,通过不同的第二数字孪生平台即可实现对目标产线不同设备的故障预测。本申请实施例通过上述技术方案,实现了对产线上不同设备发生硬件故障的预测,有利于对故障设备进行提前维修和维护,减少了因设备硬件故障带来的产线损失。
在一种可能的实现方式中,根据所述第一数字孪生平台构建第二数字孪生平台包括:
从所述第一数字孪生平台中提取对应所述故障设备的镜像设备作为第一镜像设备和对应所述故障设备的上游设备的镜像设备作为第二镜像设备;
建立所述第一镜像设备和所述第二镜像设备之间的数据连接,并以所述第一镜像设备和所述第二镜像设备对应的传感设备作为数据接口形成所述第二数字孪生平台。
在一种可能的实现方式中,以所述第一数字孪生平台的历史数据对所述第二数字孪生平台进行运行,训练对应所述故障设备的虚拟模型包括:
从所述历史数据中获取所述故障设备关联的上游设备产生的数据作为上游数据,并为所述上游数据加入第一时间戳形成沿时间轴分布的上游时序数据;所述第一时间戳为所述上游数据距离所述上游数据起点的时长;
从所述历史数据中获取所述故障设备产生的数据作为下游数据,并将所述下游数据沿时序对齐所述上游时序数据;
以所述上游数据和以对齐时序的所述下游数据作为数据输入,以所述上游数据对应的第一时间戳作为数据输出训练神经网络模型形成所述虚拟模型。
在一种可能的实现方式中,根据所述关联数据、所述故障数据和所述历史数据修正所述虚拟模型形成虚拟故障模型包括:
根据所述关联数据遍历所述上游时序数据找出与所述关联数据相似度高于预设值的上游数据作为第一配对数据,将所述上游数据对应时序的所述下游数据作为第二配对数据,并将所述第一配对数据对应的第一时间戳作为第三配对数据;
将所述关联数据加入所述第一配对数据的尾端形成新的第一配对数据,将所述故障数据加入所述第二配对数据的尾端形成新的第二配对数据,并将所述关联数据对应的第一时间戳加入所述第三配对数据的尾端形成新的第三配对数据;
以新的第一配对数据和新的第二配对数据作为输入数据,以新的第三配对数据作为输出对所述虚拟模型进行再训练形成所述虚拟故障模型。
在一种可能的实现方式中,通过具有所述虚拟故障模型的所述第二数字孪生平台对所述故障设备的后续故障进行预判包括:
从所述第一数字孪生平台中提取所述故障设备重新在线后产生的数据作为第二输入数据,并提取所述故障设备重新在线后所述故障设备的上游设备的数据作为第一输入数据;
将所述第一输入数据和所述第二输入数据通过所述第二数字孪生平台输入所述虚拟故障模型,并接收所述虚拟故障模型输出的第二时间戳;
将所述第二时间戳在故障时长中进行插值,获取所述故障设备的损伤数据,并以所述损伤数据对故障设备的后续故障进行预判;所述故障时长为所述关联数据对应的所述第一时间戳对应的时间长度。
第二方面,本申请实施例还提供了一种基于数字孪生平台的数据采集处理系统,包括:
第一构建单元,被配置为获取目标产线的产线数据,并根据所述目标产线的产线数据构建对应所述目标产线的第一数字孪生平台;
记录单元,被配置为当所述目标产线中出现故障设备时,记录故障时所述故障设备上游的生产设备的数据作为关联数据,并记录故障时所述故障设备的数据作为故障数据;
第二构建单元,被配置为根据所述第一数字孪生平台构建第二数字孪生平台;所述第二数字孪生平台包括虚拟的所述故障设备和虚拟的所述故障设备上游的生产设备;
训练单元,被配置为以所述第一数字孪生平台的历史数据对所述第二数字孪生平台进行运行,训练对应所述故障设备的虚拟模型,并将所述第二数字孪生平台中的虚拟的所述故障设备替换为所述虚拟模型;所述历史数据为所述故障设备发生故障前所述第一数字孪生平台的数据;
所述训练单元还被配置为,根据所述关联数据、所述故障数据和所述历史数据修正所述虚拟模型形成虚拟故障模型;
预判单元,被配置为通过具有所述虚拟故障模型的所述第二数字孪生平台对所述故障设备的后续故障进行预判。
在一种可能的实现方式中,所述第二构建单元还被配置为:
从所述第一数字孪生平台中提取对应所述故障设备的镜像设备作为第一镜像设备和对应所述故障设备的上游设备的镜像设备作为第二镜像设备;
建立所述第一镜像设备和所述第二镜像设备之间的数据连接,并以所述第一镜像设备和所述第二镜像设备对应的传感设备作为数据接口形成所述第二数字孪生平台。
在一种可能的实现方式中,所述训练单元还被配置为:
从所述历史数据中获取所述故障设备关联的上游设备产生的数据作为上游数据,并为所述上游数据加入第一时间戳形成沿时间轴分布的上游时序数据;所述第一时间戳为所述上游数据距离所述上游数据起点的时长;
从所述历史数据中获取所述故障设备产生的数据作为下游数据,并将所述下游数据沿时序对齐所述上游时序数据;
以所述上游数据和以对齐时序的所述下游数据作为数据输入,以所述上游数据对应的第一时间戳作为数据输出训练神经网络模型形成所述虚拟模型。
在一种可能的实现方式中,所述训练单元还被配置为:
根据所述关联数据遍历所述上游时序数据找出与所述关联数据相似度高于预设值的上游数据作为第一配对数据,将所述上游数据对应时序的所述下游数据作为第二配对数据,并将所述第一配对数据对应的第一时间戳作为第三配对数据;
将所述关联数据加入所述第一配对数据的尾端形成新的第一配对数据,将所述故障数据加入所述第二配对数据的尾端形成新的第二配对数据,并将所述关联数据对应的第一时间戳加入所述第三配对数据的尾端形成新的第三配对数据;
以新的第一配对数据和新的第二配对数据作为输入数据,以新的第三配对数据作为输出对所述虚拟模型进行再训练形成所述虚拟故障模型。
在一种可能的实现方式中,所述预判单元还被配置为:
从所述第一数字孪生平台中提取所述故障设备重新在线后产生的数据作为第二输入数据,并提取所述故障设备重新在线后所述故障设备的上游设备的数据作为第一输入数据;
将所述第一输入数据和所述第二输入数据通过所述第二数字孪生平台输入所述虚拟故障模型,并接收所述虚拟故障模型输出的第二时间戳;
将所述第二时间戳在故障时长中进行插值,获取所述故障设备的损伤数据,并以所述损伤数据对故障设备的后续故障进行预判;所述故障时长为所述关联数据对应的所述第一时间戳对应的时间长度。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明一种基于数字孪生平台的数据采集处理方法及系统,通过上述技术方案,实现了对产线上不同设备发生硬件故障的预测,有利于对故障设备进行提前维修和维护,减少了因设备硬件故障带来的产线损失。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本申请实施例方法步骤示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其它操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本申请保护的范围。
请结合参阅图1,为本发明实施例所提供的一种基于数字孪生平台的数据采集处理方法的流程示意图,进一步地,所述一种基于数字孪生平台的数据采集处理方法具体可以包括以下步骤S1-步骤S6所描述的内容。
S1:获取目标产线的产线数据,并根据所述目标产线的产线数据构建对应所述目标产线的第一数字孪生平台;
S2:当所述目标产线中出现故障设备时,记录故障时所述故障设备上游的生产设备的数据作为关联数据,并记录故障时所述故障设备的数据作为故障数据;
S3:根据所述第一数字孪生平台构建第二数字孪生平台;所述第二数字孪生平台包括虚拟的所述故障设备和虚拟的所述故障设备上游的生产设备;
S4:以所述第一数字孪生平台的历史数据对所述第二数字孪生平台进行运行,训练对应所述故障设备的虚拟模型,并将所述第二数字孪生平台中的虚拟的所述故障设备替换为所述虚拟模型;所述历史数据为所述故障设备发生故障前所述第一数字孪生平台的数据;
S5:根据所述关联数据、所述故障数据和所述历史数据修正所述虚拟模型形成虚拟故障模型;
S6:通过具有所述虚拟故障模型的所述第二数字孪生平台对所述故障设备的后续故障进行预判。
本申请实施例实施时,需要先为目标产线构建与之匹配的第一数字孪生平台,应当理解的是,构建产线对应的数字孪生平台属于现有技术,其应当是根据产线结构、传感设备等构建的一整套可以镜像出产线的数字孪生平台,以实现对产线的实时监测,本申请实施例对此不多做限定。基于第一数字孪生平台,可以在目标产线中出现故障设备时,记录关联数据和故障数据。由于在故障设备发生故障时,故障设备的下游设备可能出现数据缺失,所以需要以上游设备的相关数据作为关联数据。
在本申请实施例中,为了避免对该故障设备的关注影响第一数字孪生平台的正常运行,需要构建第二数字孪生平台,第二数字孪生平台只需要包含故障设备和故障设备上游的生产设备即可。同时第二数字孪生平台和第一数字孪生平台应当采用不同的云端平台,以获取更高的算力以支撑后续运算。
在本申请实施例中,基于历史数据可以训练虚拟模型,并替换到第二数字孪生平台中,该虚拟模型可以对故障设备的运行进行数字化模拟;同时应当理解的是,为了提高训练的准确性,历史数据可以选择从故障设备开始运行至故障前的一整段时间的数据。由于在故障发生时,故障数据可能会发生突变,所以为了虚拟模型可以较为快速的获得收敛,并提高模型精度,本申请实施例在不增加故障直接相关数据的情况下先训练虚拟模型。而后在基于关联数据、故障数据和历史数据对虚拟模型修正形成虚拟故障模型,其修正目的主要是为更重要的数据在虚拟模型中提供更高的权重值。本申请实施例中,基于虚拟故障模型即可进行故障设备修复或更换后的后续故障的预判。通过本申请实施例在目标产线运行的过程中持续生成相应的第二数字孪生平台,可以为每个会发生硬件故障的设备都建立独立的第二数字孪生平台,通过不同的第二数字孪生平台即可实现对目标产线不同设备的故障预测。本申请实施例通过上述技术方案,实现了对产线上不同设备发生硬件故障的预测,有利于对故障设备进行提前维修和维护,减少了因设备硬件故障带来的产线损失。
在一种可能的实现方式中,根据所述第一数字孪生平台构建第二数字孪生平台包括:
从所述第一数字孪生平台中提取对应所述故障设备的镜像设备作为第一镜像设备和对应所述故障设备的上游设备的镜像设备作为第二镜像设备;
建立所述第一镜像设备和所述第二镜像设备之间的数据连接,并以所述第一镜像设备和所述第二镜像设备对应的传感设备作为数据接口形成所述第二数字孪生平台。
在一种可能的实现方式中,以所述第一数字孪生平台的历史数据对所述第二数字孪生平台进行运行,训练对应所述故障设备的虚拟模型包括:
从所述历史数据中获取所述故障设备关联的上游设备产生的数据作为上游数据,并为所述上游数据加入第一时间戳形成沿时间轴分布的上游时序数据;所述第一时间戳为所述上游数据距离所述上游数据起点的时长;
从所述历史数据中获取所述故障设备产生的数据作为下游数据,并将所述下游数据沿时序对齐所述上游时序数据;
以所述上游数据和以对齐时序的所述下游数据作为数据输入,以所述上游数据对应的第一时间戳作为数据输出训练神经网络模型形成所述虚拟模型。
本申请实施例实施时,对于虚拟模型进行训练的基本原则采用硬件设备常用的损伤理论进行,即认为硬件设备会沿着时间产生损伤,损伤累加到一定程度时发生故障,该损伤往往沿着线性发展。所以需要以第一时间戳作为数据的输出进行模型训练,其中第一时间戳所指的上游数据起点是指故障设备开始运行的起点,也就是上游数据起点;上游设备即故障设备上游的生产设备。通过上游数据和下游数据作为输入,可以训练神经网络模型形成虚拟模型,其样本量也会满足神经网络模型的相关要求。
在一种可能的实现方式中,根据所述关联数据、所述故障数据和所述历史数据修正所述虚拟模型形成虚拟故障模型包括:
根据所述关联数据遍历所述上游时序数据找出与所述关联数据相似度高于预设值的上游数据作为第一配对数据,将所述上游数据对应时序的所述下游数据作为第二配对数据,并将所述第一配对数据对应的第一时间戳作为第三配对数据;
将所述关联数据加入所述第一配对数据的尾端形成新的第一配对数据,将所述故障数据加入所述第二配对数据的尾端形成新的第二配对数据,并将所述关联数据对应的第一时间戳加入所述第三配对数据的尾端形成新的第三配对数据;
以新的第一配对数据和新的第二配对数据作为输入数据,以新的第三配对数据作为输出对所述虚拟模型进行再训练形成所述虚拟故障模型。
本申请实施例实施时,在虚拟模型已经成型后,关联数据表征的是故障设备发生故障时上游设备的数据,其代表了在关联数据对应的情况下,故障设备一般会发生损伤,所以以关联数据遍历上游时序数据,可以找出故障设备发生损伤的具体节点。本申请实施例中所指的相似度高于预设值是指同类数据在频域或时域波形相似,且幅值差距小于一定值,以减少上游设备数据波动和损伤带来的误差。此时的第一配对数据和第二配对数据表征了损伤发生时上游设备和故障设备的情况,而第三配对数据则在表征了损伤对应的时长。
在本申请实施例中,需要以关联数据和故障数据更新第一配对数据和第二配对数据,以提高样本的丰富程度。在通过更新后的第一配对数据、第二配对数据和第三配对数据对虚拟模型进行在训练,可以提高在损伤发生时相关数据在虚拟模型中所占权重,以提高模型精度,并且由于新增数据量不会很大,模型收敛不会受到重大影响。
在一种可能的实现方式中,通过具有所述虚拟故障模型的所述第二数字孪生平台对所述故障设备的后续故障进行预判包括:
从所述第一数字孪生平台中提取所述故障设备重新在线后产生的数据作为第二输入数据,并提取所述故障设备重新在线后所述故障设备的上游设备的数据作为第一输入数据;
将所述第一输入数据和所述第二输入数据通过所述第二数字孪生平台输入所述虚拟故障模型,并接收所述虚拟故障模型输出的第二时间戳;
将所述第二时间戳在故障时长中进行插值,获取所述故障设备的损伤数据,并以所述损伤数据对故障设备的后续故障进行预判;所述故障时长为所述关联数据对应的所述第一时间戳对应的时间长度。
本申请实施例实施时,基于第一输入数据和第二输入数据可以通过虚拟故障模型输出第二时间戳,通过该时间戳在上次故障发生对应的第一时间戳的相对位置,可以表征出该故障设备在本次运行中的损失情况。此时可以通过插值的方式获取故障设备的损伤数据,如54%的损伤程度,进而进行后续故障的预判。
基于同样的发明构思,还提供了一种基于数字孪生平台的数据采集处理系统,所述系统包括:
第一构建单元,被配置为获取目标产线的产线数据,并根据所述目标产线的产线数据构建对应所述目标产线的第一数字孪生平台;
记录单元,被配置为当所述目标产线中出现故障设备时,记录故障时所述故障设备上游的生产设备的数据作为关联数据,并记录故障时所述故障设备的数据作为故障数据;
第二构建单元,被配置为根据所述第一数字孪生平台构建第二数字孪生平台;所述第二数字孪生平台包括虚拟的所述故障设备和虚拟的所述故障设备上游的生产设备;
训练单元,被配置为以所述第一数字孪生平台的历史数据对所述第二数字孪生平台进行运行,训练对应所述故障设备的虚拟模型,并将所述第二数字孪生平台中的虚拟的所述故障设备替换为所述虚拟模型;所述历史数据为所述故障设备发生故障前所述第一数字孪生平台的数据;
所述训练单元还被配置为,根据所述关联数据、所述故障数据和所述历史数据修正所述虚拟模型形成虚拟故障模型;
预判单元,被配置为通过具有所述虚拟故障模型的所述第二数字孪生平台对所述故障设备的后续故障进行预判。
在一种可能的实现方式中,所述第二构建单元还被配置为:
从所述第一数字孪生平台中提取对应所述故障设备的镜像设备作为第一镜像设备和对应所述故障设备的上游设备的镜像设备作为第二镜像设备;
建立所述第一镜像设备和所述第二镜像设备之间的数据连接,并以所述第一镜像设备和所述第二镜像设备对应的传感设备作为数据接口形成所述第二数字孪生平台。
在一种可能的实现方式中,所述训练单元还被配置为:
从所述历史数据中获取所述故障设备关联的上游设备产生的数据作为上游数据,并为所述上游数据加入第一时间戳形成沿时间轴分布的上游时序数据;所述第一时间戳为所述上游数据距离所述上游数据起点的时长;
从所述历史数据中获取所述故障设备产生的数据作为下游数据,并将所述下游数据沿时序对齐所述上游时序数据;
以所述上游数据和以对齐时序的所述下游数据作为数据输入,以所述上游数据对应的第一时间戳作为数据输出训练神经网络模型形成所述虚拟模型。
在一种可能的实现方式中,所述训练单元还被配置为:
根据所述关联数据遍历所述上游时序数据找出与所述关联数据相似度高于预设值的上游数据作为第一配对数据,将所述上游数据对应时序的所述下游数据作为第二配对数据,并将所述第一配对数据对应的第一时间戳作为第三配对数据;
将所述关联数据加入所述第一配对数据的尾端形成新的第一配对数据,将所述故障数据加入所述第二配对数据的尾端形成新的第二配对数据,并将所述关联数据对应的第一时间戳加入所述第三配对数据的尾端形成新的第三配对数据;
以新的第一配对数据和新的第二配对数据作为输入数据,以新的第三配对数据作为输出对所述虚拟模型进行再训练形成所述虚拟故障模型。
在一种可能的实现方式中,所述预判单元还被配置为:
从所述第一数字孪生平台中提取所述故障设备重新在线后产生的数据作为第二输入数据,并提取所述故障设备重新在线后所述故障设备的上游设备的数据作为第一输入数据;
将所述第一输入数据和所述第二输入数据通过所述第二数字孪生平台输入所述虚拟故障模型,并接收所述虚拟故障模型输出的第二时间戳;
将所述第二时间戳在故障时长中进行插值,获取所述故障设备的损伤数据,并以所述损伤数据对故障设备的后续故障进行预判;所述故障时长为所述关联数据对应的所述第一时间戳对应的时间长度。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显然本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
另外,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单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网格设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不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,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于数字孪生平台的数据采集处理方法,其特征在于,包括:
获取目标产线的产线数据,并根据所述目标产线的产线数据构建对应所述目标产线的第一数字孪生平台;
当所述目标产线中出现故障设备时,记录故障时所述故障设备上游的生产设备的数据作为关联数据,并记录故障时所述故障设备的数据作为故障数据;
根据所述第一数字孪生平台构建第二数字孪生平台;所述第二数字孪生平台包括虚拟的所述故障设备和虚拟的所述故障设备上游的生产设备;
以所述第一数字孪生平台的历史数据对所述第二数字孪生平台进行运行,训练对应所述故障设备的虚拟模型,并将所述第二数字孪生平台中的虚拟的所述故障设备替换为所述虚拟模型;所述历史数据为所述故障设备发生故障前所述第一数字孪生平台的数据;
根据所述关联数据、所述故障数据和所述历史数据修正所述虚拟模型形成虚拟故障模型;
通过具有所述虚拟故障模型的所述第二数字孪生平台对所述故障设备的后续故障进行预判;
以所述第一数字孪生平台的历史数据对所述第二数字孪生平台进行运行,训练对应所述故障设备的虚拟模型包括:
从所述历史数据中获取所述故障设备关联的上游设备产生的数据作为上游数据,并为所述上游数据加入第一时间戳形成沿时间轴分布的上游时序数据;所述第一时间戳为所述上游数据距离所述上游数据起点的时长;
从所述历史数据中获取所述故障设备产生的数据作为下游数据,并将所述下游数据沿时序对齐所述上游时序数据;
以所述上游数据和以对齐时序的所述下游数据作为数据输入,以所述上游数据对应的第一时间戳作为数据输出训练神经网络模型形成所述虚拟模型。
2.根据权利要求1所述的一种基于数字孪生平台的数据采集处理方法,其特征在于,根据所述第一数字孪生平台构建第二数字孪生平台包括:
从所述第一数字孪生平台中提取对应所述故障设备的镜像设备作为第一镜像设备和对应所述故障设备的上游设备的镜像设备作为第二镜像设备;
建立所述第一镜像设备和所述第二镜像设备之间的数据连接,并以所述第一镜像设备和所述第二镜像设备对应的传感设备作为数据接口形成所述第二数字孪生平台。
3.根据权利要求1所述的一种基于数字孪生平台的数据采集处理方法,其特征在于,根据所述关联数据、所述故障数据和所述历史数据修正所述虚拟模型形成虚拟故障模型包括:
根据所述关联数据遍历所述上游时序数据找出与所述关联数据相似度高于预设值的上游数据作为第一配对数据,将所述上游数据对应时序的所述下游数据作为第二配对数据,并将所述第一配对数据对应的第一时间戳作为第三配对数据;
将所述关联数据加入所述第一配对数据的尾端形成新的第一配对数据,将所述故障数据加入所述第二配对数据的尾端形成新的第二配对数据,并将所述关联数据对应的第一时间戳加入所述第三配对数据的尾端形成新的第三配对数据;
以新的第一配对数据和新的第二配对数据作为输入数据,以新的第三配对数据作为输出对所述虚拟模型进行再训练形成所述虚拟故障模型。
4.根据权利要求3所述的一种基于数字孪生平台的数据采集处理方法,其特征在于,通过具有所述虚拟故障模型的所述第二数字孪生平台对所述故障设备的后续故障进行预判包括:
从所述第一数字孪生平台中提取所述故障设备重新在线后产生的数据作为第二输入数据,并提取所述故障设备重新在线后所述故障设备的上游设备的数据作为第一输入数据;
将所述第一输入数据和所述第二输入数据通过所述第二数字孪生平台输入所述虚拟故障模型,并接收所述虚拟故障模型输出的第二时间戳;
将所述第二时间戳在故障时长中进行插值,获取所述故障设备的损伤数据,并以所述损伤数据对故障设备的后续故障进行预判;所述故障时长为所述关联数据对应的所述第一时间戳对应的时间长度。
5.一种基于数字孪生平台的数据采集处理系统,其特征在于,包括:
第一构建单元,被配置为获取目标产线的产线数据,并根据所述目标产线的产线数据构建对应所述目标产线的第一数字孪生平台;
记录单元,被配置为当所述目标产线中出现故障设备时,记录故障时所述故障设备上游的生产设备的数据作为关联数据,并记录故障时所述故障设备的数据作为故障数据;
第二构建单元,被配置为根据所述第一数字孪生平台构建第二数字孪生平台;所述第二数字孪生平台包括虚拟的所述故障设备和虚拟的所述故障设备上游的生产设备;
训练单元,被配置为以所述第一数字孪生平台的历史数据对所述第二数字孪生平台进行运行,训练对应所述故障设备的虚拟模型,并将所述第二数字孪生平台中的虚拟的所述故障设备替换为所述虚拟模型;所述历史数据为所述故障设备发生故障前所述第一数字孪生平台的数据;
所述训练单元还被配置为,根据所述关联数据、所述故障数据和所述历史数据修正所述虚拟模型形成虚拟故障模型;
预判单元,被配置为通过具有所述虚拟故障模型的所述第二数字孪生平台对所述故障设备的后续故障进行预判;
所述训练单元还被配置为:
从所述历史数据中获取所述故障设备关联的上游设备产生的数据作为上游数据,并为所述上游数据加入第一时间戳形成沿时间轴分布的上游时序数据;所述第一时间戳为所述上游数据距离所述上游数据起点的时长;
从所述历史数据中获取所述故障设备产生的数据作为下游数据,并将所述下游数据沿时序对齐所述上游时序数据;
以所述上游数据和以对齐时序的所述下游数据作为数据输入,以所述上游数据对应的第一时间戳作为数据输出训练神经网络模型形成所述虚拟模型。
6.根据权利要求5所述的一种基于数字孪生平台的数据采集处理系统,其特征在于,所述第二构建单元还被配置为:
从所述第一数字孪生平台中提取对应所述故障设备的镜像设备作为第一镜像设备和对应所述故障设备的上游设备的镜像设备作为第二镜像设备;
建立所述第一镜像设备和所述第二镜像设备之间的数据连接,并以所述第一镜像设备和所述第二镜像设备对应的传感设备作为数据接口形成所述第二数字孪生平台。
7.根据权利要求5所述的一种基于数字孪生平台的数据采集处理系统,其特征在于,所述训练单元还被配置为:
根据所述关联数据遍历所述上游时序数据找出与所述关联数据相似度高于预设值的上游数据作为第一配对数据,将所述上游数据对应时序的所述下游数据作为第二配对数据,并将所述第一配对数据对应的第一时间戳作为第三配对数据;
将所述关联数据加入所述第一配对数据的尾端形成新的第一配对数据,将所述故障数据加入所述第二配对数据的尾端形成新的第二配对数据,并将所述关联数据对应的第一时间戳加入所述第三配对数据的尾端形成新的第三配对数据;
以新的第一配对数据和新的第二配对数据作为输入数据,以新的第三配对数据作为输出对所述虚拟模型进行再训练形成所述虚拟故障模型。
8.根据权利要求7所述的一种基于数字孪生平台的数据采集处理系统,其特征在于,所述预判单元还被配置为:
从所述第一数字孪生平台中提取所述故障设备重新在线后产生的数据作为第二输入数据,并提取所述故障设备重新在线后所述故障设备的上游设备的数据作为第一输入数据;
将所述第一输入数据和所述第二输入数据通过所述第二数字孪生平台输入所述虚拟故障模型,并接收所述虚拟故障模型输出的第二时间戳;
将所述第二时间戳在故障时长中进行插值,获取所述故障设备的损伤数据,并以所述损伤数据对故障设备的后续故障进行预判;所述故障时长为所述关联数据对应的所述第一时间戳对应的时间长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311815026.7A CN117471979B (zh) | 2023-12-27 | 2023-12-27 | 一种基于数字孪生平台的数据采集处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311815026.7A CN117471979B (zh) | 2023-12-27 | 2023-12-27 | 一种基于数字孪生平台的数据采集处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117471979A CN117471979A (zh) | 2024-01-30 |
CN117471979B true CN117471979B (zh) | 2024-03-08 |
Family
ID=89624121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311815026.7A Active CN117471979B (zh) | 2023-12-27 | 2023-12-27 | 一种基于数字孪生平台的数据采集处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117471979B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200045924A (ko) * | 2018-10-23 | 2020-05-06 | 디포커스 (주) | 디지털 트윈 기반의 건설기계 안전관리를 위한 고장 원인분석 및 예측 모델 시스템 |
WO2021108680A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN113469231A (zh) * | 2021-06-21 | 2021-10-01 | 中国原子能科学研究院 | 故障诊断方法、故障诊断系统、计算机设备及存储介质 |
WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
CN115470079A (zh) * | 2022-09-20 | 2022-12-13 | 数字浙江技术运营有限公司 | 一种系统故障预警方法、装置及服务器 |
KR20230060755A (ko) * | 2021-10-28 | 2023-05-08 | 주식회사 성화에프티 | 디지털트윈 기술을 적용한 가스 감지기 통합 모니터링 시스템 및 그 제어방법 |
CN116390138A (zh) * | 2023-04-25 | 2023-07-04 | 中南大学 | 一种基于数字孪生网络的故障诊断方法及相关设备 |
WO2023134184A1 (zh) * | 2022-01-13 | 2023-07-20 | 工赋(青岛)科技有限公司 | 信息处理系统、方法、装置、设备及存储介质 |
CN116561681A (zh) * | 2023-05-16 | 2023-08-08 | 西安电子科技大学 | 一种基于数字孪生的融合型故障诊断方法 |
CN116581874A (zh) * | 2023-04-17 | 2023-08-11 | 广西电网有限责任公司 | 一种基于知识图谱的故障处置方案快速生成方法及系统 |
KR20230158787A (ko) * | 2022-05-12 | 2023-11-21 | 주식회사 한국디지털트윈연구소 | 디지털트윈 기반 고장진단 및 건전성 관리 장치 |
CN117150884A (zh) * | 2023-07-27 | 2023-12-01 | 华能伊敏煤电有限责任公司 | 一种基于数字孪生的发动机故障排查方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11348018B2 (en) * | 2017-12-19 | 2022-05-31 | Aspen Technology, Inc. | Computer system and method for building and deploying models predicting plant asset failure |
US11755689B2 (en) * | 2019-06-24 | 2023-09-12 | Intel Corporation | Methods, systems, articles of manufacture and apparatus to manage process excursions |
CN111400930B (zh) * | 2020-04-09 | 2022-04-15 | 武汉大学 | 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 |
US20230153661A1 (en) * | 2021-11-12 | 2023-05-18 | Banpu Innovation & Ventures LLC | Method and system for evaluation of system faults and failures of a green energy well system using physics and machine learning models |
US20230152757A1 (en) * | 2021-11-17 | 2023-05-18 | Johnson Controls Tyco IP Holdings LLP | Building data platform with digital twin based fault detection and diagnostics |
-
2023
- 2023-12-27 CN CN202311815026.7A patent/CN117471979B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200045924A (ko) * | 2018-10-23 | 2020-05-06 | 디포커스 (주) | 디지털 트윈 기반의 건설기계 안전관리를 위한 고장 원인분석 및 예측 모델 시스템 |
WO2021108680A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
WO2022037068A1 (zh) * | 2021-03-22 | 2022-02-24 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
CN113469231A (zh) * | 2021-06-21 | 2021-10-01 | 中国原子能科学研究院 | 故障诊断方法、故障诊断系统、计算机设备及存储介质 |
KR20230060755A (ko) * | 2021-10-28 | 2023-05-08 | 주식회사 성화에프티 | 디지털트윈 기술을 적용한 가스 감지기 통합 모니터링 시스템 및 그 제어방법 |
WO2023134184A1 (zh) * | 2022-01-13 | 2023-07-20 | 工赋(青岛)科技有限公司 | 信息处理系统、方法、装置、设备及存储介质 |
KR20230158787A (ko) * | 2022-05-12 | 2023-11-21 | 주식회사 한국디지털트윈연구소 | 디지털트윈 기반 고장진단 및 건전성 관리 장치 |
CN115470079A (zh) * | 2022-09-20 | 2022-12-13 | 数字浙江技术运营有限公司 | 一种系统故障预警方法、装置及服务器 |
CN116581874A (zh) * | 2023-04-17 | 2023-08-11 | 广西电网有限责任公司 | 一种基于知识图谱的故障处置方案快速生成方法及系统 |
CN116390138A (zh) * | 2023-04-25 | 2023-07-04 | 中南大学 | 一种基于数字孪生网络的故障诊断方法及相关设备 |
CN116561681A (zh) * | 2023-05-16 | 2023-08-08 | 西安电子科技大学 | 一种基于数字孪生的融合型故障诊断方法 |
CN117150884A (zh) * | 2023-07-27 | 2023-12-01 | 华能伊敏煤电有限责任公司 | 一种基于数字孪生的发动机故障排查方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于数字孪生的配电自动化终端设备状态评价与故障预判;刘皓璐 等;电网技术;20220405;第46卷(第04期);1605-1613 * |
Also Published As
Publication number | Publication date |
---|---|
CN117471979A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1196984C (zh) | 异常检测系统及其教导方法 | |
CN112685949A (zh) | 一种基于数字孪生的变压器健康预测方法 | |
CN109189352A (zh) | 打印机故障监测方法、装置、系统及可读存储介质 | |
EP3683640B1 (en) | Fault diagnosis method and apparatus for numerical control machine tool | |
CN101536002A (zh) | 用于工艺监控的系统和方法 | |
CN111597247A (zh) | 一种数据异常分析方法、装置及存储介质 | |
CN111711608B (zh) | 一种电力数据网流量异常检测方法、系统及电子设备 | |
CN110968061B (zh) | 设备故障的预警方法、装置、存储介质和计算机设备 | |
CN111061581B (zh) | 一种故障检测方法、装置及设备 | |
CN110309967A (zh) | 客服会话评分等级的预测方法、系统、设备和存储介质 | |
CN112130892A (zh) | 产品灰度发布方法、装置、设备及存储介质 | |
CN111767193A (zh) | 一种服务器数据异常检测方法、装置、存储介质及设备 | |
CN110196792A (zh) | 故障预测方法、装置、计算设备及存储介质 | |
CN115577851A (zh) | 能源消耗预测方法、装置、设备及存储介质 | |
CN117471979B (zh) | 一种基于数字孪生平台的数据采集处理方法及系统 | |
CN111340287A (zh) | 配电柜运行状态预测方法及装置 | |
CN114357858A (zh) | 一种基于多任务学习模型的设备劣化分析方法及系统 | |
CN116997867A (zh) | 用于预测技术设施的运行的方法和系统 | |
CN113904915A (zh) | 一种基于物联网的电力通信智能故障分析方法及系统 | |
CN112436956A (zh) | 一种网络设备故障预测的方法、装置、设备及可读介质 | |
US20190340540A1 (en) | Adaptive continuous log model learning | |
CN116595353A (zh) | 一种调相机远程故障诊断及智能决策系统 | |
CN113379279B (zh) | 基于不完整数据的深度强化学习短期电压稳定性评估方法 | |
CN116028078B (zh) | 一种基于vpn技术的软件远程升级方法 | |
CN118034990B (zh) | 一种基于机器学习的集中器校验方法及系统 |
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 |