CN118132996A - 一种基于工业数字孪生的自适应生产调度优化方法 - Google Patents
一种基于工业数字孪生的自适应生产调度优化方法 Download PDFInfo
- Publication number
- CN118132996A CN118132996A CN202410548201.9A CN202410548201A CN118132996A CN 118132996 A CN118132996 A CN 118132996A CN 202410548201 A CN202410548201 A CN 202410548201A CN 118132996 A CN118132996 A CN 118132996A
- Authority
- CN
- China
- Prior art keywords
- parameters
- parameter
- abnormal
- risk
- calibrating
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 230000003044 adaptive effect Effects 0.000 title claims description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 168
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 103
- 230000006870 function Effects 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 abstract description 25
- 238000012423 maintenance Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 42
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明属于生产调度优化技术领域，具体涉及一种基于工业数字孪生的自适应生产调度优化方法。该发明通过对已运行参数中的异常参数进行分析，能够确定与之相关联的关联参数，再对关联参数和异常参数进行结合性的分析，分别确定异常参数和关联参数的趋势波动起点，并进行相应的比对，以此来定位引起设备异常的原因，从而帮助维护人员确定排查方向，使得设备异常现象能够得以快速的恢复，同时还能够基于异常原因对应的前置风险参数，为后续设备的监控提供相应的参考依据，再次发生同类型异常时，能够及时调整生产计划，使得设备在不停机的情况下进行维护作业，降低其对设备产能的影响。
Description
技术领域
本发明属于生产调度优化技术领域，具体涉及一种基于工业数字孪生的自适应生产调度优化方法。
背景技术
随着现代工业技术和大数据分析手段的快速发展，传统的生产调度方法往往依赖于经验法则或简单的启发式算法，难以应对现代制造业日益复杂的生产环境和多变的市场需求，随着信息技术的发展，尤其是工业数字孪生技术的兴起，为生产调度提供了新的解决方案，其已经广泛的应用于工业生产中，它集成了物联网、大数据分析、机器学习等多种先进技术，能够实现对生产过程的实时监控、分析和优化，以此实现生产过程的智能化和高效化。
当下基于工业数字孪生技术的生产调度多是依据生产设备的历史运行数据对设备进行模拟运行，以此来预测设备的运行状态是否异常，这种方式虽然能够对设备的运行状态进行监控和预测，但是其并不能辅助维护人员寻找到引起设备异常的异常原因，仍然需要维护人员进行逐一的排查，这显然不能够帮助生产设备更快的恢复正常的产能，基于此，本方案提供了一种基于工业数字孪生的自适应生产调度优化方法，以解决上述问题。
发明内容
本发明的目的是提供一种基于工业数字孪生的自适应生产调度优化方法，能够定位引起设备异常的原因，帮助维护人员确定排查方向，使得设备异常现象能够得以快速的恢复。
本发明采取的技术方案具体如下：
一种基于工业数字孪生的自适应生产调度优化方法，包括：
获取生产现场的实时数据，并依据其构建数字孪生模型，其中，所述实时数据包括设备信息以及环境信息；
获取设备的运行指标，以及各个运行指标下的已运行参数，并标定为第一特征参数，其中，所述第一特征参数包括正常参数和异常参数；
采集所述异常参数的发生节点，并标定为异常节点，再依据所述异常节点构建评估时段，且将所述评估时段内的正常参数标定为第二特征参数；
对所述第二特征参数和异常参数进行关联性分析，将所述第二特征参数分类为关联参数和非关联参数；
对所述异常参数和关联参数进行趋势溯源，分别输出异常参数和关联参数的趋势波动起点，并将其分别标定为第一风险节点和第二风险节点，且依据所述第一风险节点和第二风险节点输出异常参数的前置风险参数；
汇总同类型下的所有前置风险参数，并进行汇总分析，得到基准风险参数，再实时采集生产现场内设备的实时运行参数，并在所述实时运行参数等于基准风险参数后，降低生产投入，直至设备的实时运行参数降低至安全值，再按原生产计划继续投入生产。
在一种优选方案中，所述获取设备的运行指标，以及各个运行指标下的已运行参数，并标定为第一特征参数的步骤，包括：
构建历史监控时段，并采集所述历史监控时段内，各个运行指标下的设备历史运行参数；
获取各个所述历史运行参数对应的设备状态，其中，所述设备状态正常时，其对应的历史运行参数记录为正常参数，所述设备状态异常时，其对应的历史运行参数记录为异常参数；
获取相邻所述正常参数之间的波动量，并标定为第一评估参数；
获取容许波动阈值，并将所述容许波动阈值与第一评估参数进行比较；
若所述第一评估参数大于容许波动阈值，则将其对应的正常参数标定为瞬时参数，且将其从第一特征参数中筛除；
若所述第一评估参数小于或等于容许波动阈值，则将其对应的正常参数保留为第一特征参数。
在一种优选方案中，所述依据所述异常节点构建评估时段，且将所述评估时段内的正常参数标定为第二特征参数的步骤，包括：
以所述异常节点为结束节点，反向采集与异常参数同类型的已运行参数，并将其标定为基准参数；
获取相邻所述基准参数之间的波动量，并标定为第二评估参数；
获取评估阈值，并将所述评估阈值与所述第二评估参数进行比较，且在所述第二评估参数首次小于或等于评估阈值时，将其对应的发生节点标定为起始节点；
将所述起始节点和结束节点之间的时段标定为评估时段，并采集所述评估时段内与异常参数不同类型的已运行参数，且将其标定为第二特征参数。
在一种优选方案中，所述对所述第二特征参数和异常参数进行关联性分析，将所述第二特征参数分类为关联参数和非关联参数的步骤，包括：
获取所述第二特征参数，并将其按照发生时序进行排列；
对所述评估时段的起始节点进行反向偏移，得到前置参考时段，并将所述前置参考时段内，与所述第二特征参数同类型的设备已运行参数标定为前置样本参数；
获取第一测算函数，并将所述第二特征参数与前置样本参数一同输入至第一测算函数中，且将其输出结果标定为样本偏离参数；
获取评价阈值，并将所述评价阈值与样本偏离参数进行比较；
若所述样本偏离参数大于评价阈值，则表明与其对应的第二特征参数与异常参数相关联，并将该第二特征参数标定为关联参数；
若所述样本偏离参数小于或等于评价阈值，则表明与其对应的第二特征参数与异常参数无关联，并将该第二特征参数标定为非关联参数。
在一种优选方案中，所述关联参数和非关联参数输出后，将所述关联参数、非关联参数和异常参数汇总为关联映射表；
其中，所述异常参数再次发生时，对所述关联参数进行关联性分析，在所述关联参数对应的样本偏离参数小于或等于评价阈值时，再对所述非关联参数进行关联性分析。
在一种优选方案中，所述对所述异常参数和关联参数进行趋势溯源，分别输出异常参数和关联参数的趋势波动起点的步骤，包括：
获取所述异常参数和关联参数，以及其对应的标准波动阈值；
获取趋势评估函数，并将所述异常参数和关联参数分别输入至趋势评估函数中，且将其输出结果分别标定为第一波动趋势值和第二波动趋势值；
获取溯源函数，并依据所述第一波动趋势值和第二波动趋势值，以及异常参数和关联参数对应的标准波动阈值，测算所述异常参数和关联参数的风险时段；
依据所述异常参数和关联参数的风险时段，对所述异常参数的发生节点进行偏移，并将偏移结果分别标定为第一风险节点和第二风险节点。
在一种优选方案中，所述依据所述第一风险节点和第二风险节点输出异常参数的前置风险参数的步骤，包括：
获取所述第一风险节点和第二风险节点的发生节点，并同步进行比较；
若所述第一风险节点早于或等于第二风险节点，则将所述第一风险节点下，与所述异常参数对应的设备参数标定为前置风险参数；
若所述第一风险节点晚于第二风险节点，则将所述第二风险节点下，与所述关联参数对应的设备参数标定为前置风险参数；
其中，同类型下的前置风险参数汇总为同一风险子集。
在一种优选方案中，所述汇总同类型下的所有前置风险参数，并进行汇总分析，得到基准风险参数的步骤，包括：
获取同类型下的所有前置风险参数，并按照发生时序进行排列；
获取第二测算函数，并将同类型下的所述前置风险参数输入至第二测算函数中，且将其输出结果标定为基准偏移量；
依据所述基准偏移量，对排列位次最后的前置风险参数进行偏移处理，并将该偏移结果标定为基准风险参数。
本发明还提供了，一种基于工业数字孪生的自适应生产调度优化系统，应用于上述的基于工业数字孪生的自适应生产调度优化方法，包括：
数据采集模块，所述数据采集模块用于获取生产现场的实时数据，并依据其构建数字孪生模型，其中，所述实时数据包括设备信息以及环境信息；
第一提取模块，所述第一提取模块用于获取设备的运行指标，以及各个运行指标下的已运行参数，并标定为第一特征参数，其中，所述第一特征参数包括正常参数和异常参数；
第二提取模块，所述第二提取模块用于采集所述异常参数的发生节点，并标定为异常节点，再依据所述异常节点构建评估时段，且将所述评估时段内的正常参数标定为第二特征参数；
参数分类模块，所述参数分类模块用于对所述第二特征参数和异常参数进行关联性分析，将所述第二特征参数分类为关联参数和非关联参数；
溯源模块，所述溯源模块用于对所述异常参数和关联参数进行趋势溯源，分别输出异常参数和关联参数的趋势波动起点，并将其分别标定为第一风险节点和第二风险节点，且依据所述第一风险节点和第二风险节点输出异常参数的前置风险参数；
优化模块，所述优化模块用于汇总同类型下的所有前置风险参数，并进行汇总分析，得到基准风险参数，再实时采集生产现场内设备的实时运行参数，并在所述实时运行参数等于基准风险参数后，降低生产投入，直至设备的实时运行参数降低至安全值，再按原生产计划继续投入生产。
以及，一种电子设备，所述电子设备包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于工业数字孪生的自适应生产调度优化方法。
本发明取得的技术效果为：
本发明通过对已运行参数中的异常参数进行分析，能够确定与之相关联的关联参数，再对关联参数和异常参数进行结合性的分析，分别确定异常参数和关联参数的趋势波动起点，并进行相应的比对，以此来定位引起设备异常的原因，从而帮助维护人员确定排查方向，使得设备异常现象能够得以快速的恢复，同时还能够基于异常原因对应的前置风险参数，为后续设备的监控提供相应的参考依据，再次发生同类型异常时，能够及时调整生产计划，使得设备在不停机的情况下进行维护作业，降低其对设备产能的影响。
附图说明
图1是本发明的方法流程图；
图2是本发明的系统模块图；
图3是本发明的电子设备结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个较佳的实施方式中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
请参阅图1所示，本发明提供了一种基于工业数字孪生的自适应生产调度优化方法，包括：
S1、获取生产现场的实时数据，并依据其构建数字孪生模型，其中，实时数据包括设备信息以及环境信息；
S2、获取设备的运行指标，以及各个运行指标下的已运行参数，并标定为第一特征参数，其中，第一特征参数包括正常参数和异常参数；
S3、采集异常参数的发生节点，并标定为异常节点，再依据异常节点构建评估时段，且将评估时段内的正常参数标定为第二特征参数；
S4、对第二特征参数和异常参数进行关联性分析，将第二特征参数分类为关联参数和非关联参数；
S5、对异常参数和关联参数进行趋势溯源，分别输出异常参数和关联参数的趋势波动起点，并将其分别标定为第一风险节点和第二风险节点，且依据第一风险节点和第二风险节点输出异常参数的前置风险参数；
S6、汇总同类型下的所有前置风险参数，并进行汇总分析，得到基准风险参数，再实时采集生产现场内设备的实时运行参数，并在实时运行参数等于基准风险参数后，降低生产投入，直至设备的实时运行参数降低至安全值，再按原生产计划继续投入生产。
如上述步骤S1-S6所述，随着现代工业技术和大数据分析手段的快速发展，其已经广泛的应用于工业生产和实验中，以此实现生产过程的智能化和高效化，本实施例中，首先通过物联网技术实时获取生产现场的设备信息和环境信息，这些信息是构建数字孪生模型的基础，能够为后续的生产调度优化提供详实的数据支持，使现实世界的生产场景与虚拟世界相结合，实现生产过程的实时监控和仿真，在获取设备运行指标的基础上，进一步收集各个运行指标下的已运行参数，这些已运行参数被标定为第一特征参数，包括正常参数和异常参数，正常参数代表了设备正常运行时的状态，而异常参数则反映了设备运行过程中的异常情况，并且异常参数的发生节点，被标定为异常节点，之后根据异常节点构建评估时段，在评估时段内，将正常参数标定为第二特征参数，以进一步分析设备异常的具体原因，对第二特征参数和异常参数进行关联性分析，将第二特征参数分类为关联参数和非关联参数，关联参数表示与异常参数有关的生产指标，而非关联参数则与之无关，然后，对异常参数和关联参数进行趋势溯源，分别找出异常参数和关联参数的趋势波动起点，将其标定为第一风险节点和第二风险节点，根据这两个风险节点，可以输出异常参数的前置风险参数，确定设备的异常原因，最后汇总同类型设备下的所有前置风险参数，并进行汇总分析，能够输出基准风险参数，为后续生产过程中的投产量提供前置条件，在生产过程中，实时采集设备的实时运行参数，当实时运行参数等于基准风险参数时，及时降低生产投入，避免设备出现异常，以此保证生产的不间断性，此期间，维护人员可以对设备进行维护处理，以便于恢复设备的正常产能，最后，直至设备的实时运行参数降低至安全值，再按照原生产计划继续投入生产，从而实现生产调度优化，使得设备在提高生产效率的同时，还能够降低相应的生产风险。
在一个较佳的实施方式中，获取设备的运行指标，以及各个运行指标下的已运行参数，并标定为第一特征参数的步骤，包括：
S201、构建历史监控时段，并采集历史监控时段内，各个运行指标下的设备历史运行参数；
S202、获取各个历史运行参数对应的设备状态，其中，设备状态正常时，其对应的历史运行参数记录为正常参数，设备状态异常时，其对应的历史运行参数记录为异常参数；
S203、获取相邻正常参数之间的波动量，并标定为第一评估参数；
S204、获取容许波动阈值，并将容许波动阈值与第一评估参数进行比较；
若第一评估参数大于容许波动阈值，则将其对应的正常参数标定为瞬时参数，且将其从第一特征参数中筛除；
若第一评估参数小于或等于容许波动阈值，则将其对应的正常参数保留为第一特征参数。
如上述步骤S201-S204所述，在设备运行过程中，首先需要获取其运行指标以及各个运行指标下的已运行参数，首先构建设备的历史监控时段，并在此期间内收集各个运行指标下的设备历史运行参数，这些参数将作为评估设备运行状况的基础数据，同时还会采集各个历史运行参数对应的设备状态，当设备状态正常时，相应的历史运行参数被视为正常参数，而当设备状态出现异常时，对应的历史运行参数则被视为异常参数，在收集了设备的历史运行参数和状态后，需要获取相邻正常参数之间的波动量，并将它标定为第一评估参数，然后，确定一个容许波动阈值，避免瞬时波动下设备参数对后续分析造成影响，之后将容许波动阈值与第一评估参数进行比较，如果第一评估参数大于容许波动阈值，说明设备在此期间的运行稳定性较差，此时将对应的正常参数标定为瞬时参数，并将其从第一特征参数中筛除，这样可以确保筛选出的第一特征参数具有较高的稳定性，反之，如果第一评估参数小于或等于容许波动阈值，说明设备在此期间的运行稳定性较好，可以将对应的正常参数保留作为第一特征参数，这样最终得到的第一特征参数将具有较高的稳定性和可靠性。
在一个较佳的实施方式中，依据异常节点构建评估时段，且将评估时段内的正常参数标定为第二特征参数的步骤，包括：
S301、以异常节点为结束节点，反向采集与异常参数同类型的已运行参数，并将其标定为基准参数；
S302、获取相邻基准参数之间的波动量，并标定为第二评估参数；
S303、获取评估阈值，并将评估阈值与第二评估参数进行比较，且在第二评估参数首次小于或等于评估阈值时，将其对应的发生节点标定为起始节点；
S304、将起始节点和结束节点之间的时段标定为评估时段，并采集评估时段内与异常参数不同类型的已运行参数，且将其标定为第二特征参数。
如上述步骤S301-S304所述，在异常节点确定之后，以异常节点为结束节点，反向采集与异常参数同类型的已运行参数，这些已运行参数则被标定为基准参数，然后便可以计算相邻基准参数之间的波动量，本实施方式这个波动量被标定为第二评估参数，然后确定评估阈值，评估阈值的设定要根据设备运行的实际情况和需求来确定，如设备运行中，一些微小的参数波动对设备的运行并无影响，其可以忽略不计，通过将评估阈值与第二评估参数进行比较，可以在第一时间发现设备运行异常的起点，本实施方式中，在第二评估参数首次小于或等于评估阈值时，将其对应的发生节点标定为起始节点，相应的，便可以确定一个起始节点和结束节点之间的时段作为评估时段，该评估时段可以有效地捕捉到设备异常行为之前的风险时段，最后采集评估时段内与异常参数不同类型的已运行参数，并将它们标定为第二特征参数即可。
在一个较佳的实施方式中，对第二特征参数和异常参数进行关联性分析，将第二特征参数分类为关联参数和非关联参数的步骤，包括：
S401、获取第二特征参数，并将其按照发生时序进行排列；
S402、对评估时段的起始节点进行反向偏移，得到前置参考时段，并将前置参考时段内，与第二特征参数同类型的设备已运行参数标定为前置样本参数；
S403、获取第一测算函数，并将第二特征参数与前置样本参数一同输入至第一测算函数中，且将其输出结果标定为样本偏离参数；
S404、获取评价阈值，并将评价阈值与样本偏离参数进行比较；
若样本偏离参数大于评价阈值，则表明与其对应的第二特征参数与异常参数相关联，并将该第二特征参数标定为关联参数；
若样本偏离参数小于或等于评价阈值，则表明与其对应的第二特征参数与异常参数无关联，并将该第二特征参数标定为非关联参数。
如上述步骤S401-S404所述，在对第二特征参数和异常参数进行关联性分析的过程中，首先需要获取第二特征参数，并将其按照发生的时间顺序进行排列，然后对评估时段的起始节点进行反向偏移，得到前置参考时段，并将与第二特征参数同类型的设备已运行参数被标定为前置样本参数，为与异常参数进行关联性分析时提供相应的参考依据，然后获取第一测算函数，将第二特征参数与前置样本参数一同输入至第一测算函数中，并将输出结果标定为样本偏离参数，其中，第一测算函数的表达式为：，式中，/>表示样本偏离参数，/>表示前置样本参数的数量，/>和/>表示相邻的前置样本参数，/>表示第二特征参数的数量，/>与/>表示相邻的第二特征参数，进而便可以输出第二特征参数与前置样本参数之间的差异，之后获取评价阈值，并将评价阈值与样本偏离参数进行比较，以判断异常参数的风险时段内，前置样本参数是否相应的发生大幅波动，如果样本偏离参数大于评价阈值，则说明第二特征参数与异常参数同时发生了异常波动，此时就表示与其对应的第二特征参数与异常参数具有较高的关联性，该第二特征参数将被记录为关联参数，反之，如果样本偏离参数小于或等于评价阈值，则表明第二特征参数与异常参数未同时发生异常波动，表示第二特征参数与异常参数关联程度较低，此时将该第二特征参数标定为非关联参数即可。
在一个较佳的实施方式中，关联参数和非关联参数输出后，将关联参数、非关联参数和异常参数汇总为关联映射表；
其中，异常参数再次发生时，对关联参数进行关联性分析，在关联参数对应的样本偏离参数小于或等于评价阈值时，再对非关联参数进行关联性分析。
在该实施方式中，在关联参数和非关联参数输出之后，通过构建关联映射表来表示异常参数、关联参数和非关联参数之间的关系，后续再发生同类型的异常时，优先对已经确定的关联参数进行分析，反之，在已经确定的关联参数与再次发生的异常无关时，才会对非关联参数进行相应的关联性分析，通过此种方式，能够更快的对常规异常进行排查，提高设备异常的排查效率。
在一个较佳的实施方式中，对异常参数和关联参数进行趋势溯源，分别输出异常参数和关联参数的趋势波动起点的步骤，包括：
S501、获取异常参数和关联参数，以及其对应的标准波动阈值；
S502、获取趋势评估函数，并将异常参数和关联参数分别输入至趋势评估函数中，且将其输出结果分别标定为第一波动趋势值和第二波动趋势值；
S503、获取溯源函数，并依据第一波动趋势值和第二波动趋势值，以及异常参数和关联参数对应的标准波动阈值，测算异常参数和关联参数的风险时段；
S504、依据异常参数和关联参数的风险时段，对异常参数的发生节点进行偏移，并将偏移结果分别标定为第一风险节点和第二风险节点。
如上述步骤S501-S504所述，为了准确的定位设备异常原因，需要对异常参数和关联参数进行趋势溯源，以找出它们在数据波动中的起节点，首先获取异常参数和关联参数，之后确定它们对应的标准波动阈值，标准波动阈值是衡量数据波动程度的指标，具体根据需要根据实际的生产需求进行设定，文中对此就不加以明确的赘述，然后获取趋势评估函数，再将异常参数和关联参数分别输入到趋势评估函数中，可以得到两个输出结果：第一波动趋势值和第二波动趋势值，其中，趋势评估函数的表达式为：，式中，/>=1，2，/>表示第一波动趋势值，/>表示第二趋势波动值，/>表示评估时段的时间长度，/>和表示相邻的异常参数或相邻的关联参数，在获得趋势评估函数的结果后，调用溯源函数，以计算趋势波动的起点，根据第一波动趋势值和第二波动趋势值，以及异常参数和关联参数对应的标准波动阈值，通过溯源函数能够计算出异常参数和关联参数的风险时段，其中，溯源函数的表达式为：/>，式中，/>，/>=1，2，/>表示异常参数的风险时段，表示，关联参数的风险时段，/>表示异常参数，/>表示异常节点下的关联参数，/>表示异常参数的标准波动阈值，/>表示关联参数的标准波动阈值，最后依据异常参数和关联参数的风险时段对异常参数的发生节点进行偏移，并将偏移结果分别标定为第一风险节点和第二风险节点，从而实现确定异常参数和关联参数的趋势波动起点的目的。
在一个较佳的实施方式中，依据第一风险节点和第二风险节点输出异常参数的前置风险参数的步骤，包括：
获取第一风险节点和第二风险节点的发生节点，并同步进行比较；
若第一风险节点早于或等于第二风险节点，则将第一风险节点下，与异常参数对应的设备参数标定为前置风险参数；
若第一风险节点晚于第二风险节点，则将第二风险节点下，与关联参数对应的设备参数标定为前置风险参数；
其中，同类型下的前置风险参数汇总为同一风险子集。
该实施方式中，在第一风险节点和第二风险节点输出之后，通过对比这两个节点的先后顺序，帮助维护人员确定异常参数的发生原因，通过判断第一风险节点是否早于或等于第二风险节点实现，如果是，那么就会将第一风险节点下与异常参数对应的设备参数记录为前置风险参数，反之，如果第一风险节点晚于第二风险节点，那么就会将第二风险节点下与关联参数对应的设备参数记录为前置风险参数，前置风险参数确定之后，能够为设备维护人员提供异常排查的方向，使得设备能够更快的投入生产，并且同类型下的前置风险参数应该被汇总为同一风险子集，为后续基准风险参数的确定提供参考依据。
在一个较佳的实施方式中，汇总同类型下的所有前置风险参数，并进行汇总分析，得到基准风险参数的步骤，包括：
S601、获取同类型下的所有前置风险参数，并按照发生时序进行排列；
S602、获取第二测算函数，并将同类型下的前置风险参数输入至第二测算函数中，且将其输出结果标定为基准偏移量；
S603、依据基准偏移量，对排列位次最后的前置风险参数进行偏移处理，并将该偏移结果标定为基准风险参数。
如上述步骤S601-S603所述，随着设备的老化以及运行损耗的产生，前置风险参数也会相应的发生变化，本实施方式中，在异常参数的前置风险参数确定之后，收集同类型下的所有前置风险参数，同时还会将这些前置风险参数按照发生的时间顺序进行排列，之后调用第二测算函数，且将同类型下的前置风险参数输入到第二测算函数中，并将输出结果记录为基准偏移量，其中，第二测算函数的表达式为：，式中，/>表示基准偏移量，/>表示前置风险参数的数量，/>和/>表示相邻节点下的前置风险参数，最后根据基准偏移量对排列位次最后的前置风险参数进行偏移处理即可输出为基准风险参数，后续在设备的运行达到基准风险参数时，为避免设备发生异常，此时就需要降低生产投入，减少设备的运行负载，保证设备能够不停机运行，并且维护人员需要介入维护，使得设备的实时运行参数能够快速的降低至安全值，并在其降低至安全值之后，按照原生产计划继续执行生产作业。
请参阅图2，一种基于工业数字孪生的自适应生产调度优化系统，应用于上述的基于工业数字孪生的自适应生产调度优化方法，包括：
数据采集模块，数据采集模块用于获取生产现场的实时数据，并依据其构建数字孪生模型，其中，实时数据包括设备信息以及环境信息；
第一提取模块，第一提取模块用于获取设备的运行指标，以及各个运行指标下的已运行参数，并标定为第一特征参数，其中，第一特征参数包括正常参数和异常参数；
第二提取模块，第二提取模块用于采集异常参数的发生节点，并标定为异常节点，再依据异常节点构建评估时段，且将评估时段内的正常参数标定为第二特征参数；
参数分类模块，参数分类模块用于对第二特征参数和异常参数进行关联性分析，将第二特征参数分类为关联参数和非关联参数；
溯源模块，溯源模块用于对异常参数和关联参数进行趋势溯源，分别输出异常参数和关联参数的趋势波动起点，并将其分别标定为第一风险节点和第二风险节点，且依据第一风险节点和第二风险节点输出异常参数的前置风险参数；
优化模块，优化模块用于汇总同类型下的所有前置风险参数，并进行汇总分析，得到基准风险参数，再实时采集生产现场内设备的实时运行参数，并在实时运行参数等于基准风险参数后，降低生产投入，直至设备的实时运行参数降低至安全值，再按原生产计划继续投入生产。
上述中，该系统在执行时，数据采集模块负责收集生产现场的实时数据，包括设备信息与环境信息，这些数据将用于构建数字孪生模型，实现对生产过程的模拟，使得企业可以实时掌握生产状况，为后续的调度优化提供基础数据支持，通过第一提取模块能够获取设备的运行指标及各个运行指标下的已运行参数，这些参数将作为第一特征参数，包括正常参数和异常参数，第二提取模块负责采集异常参数的发生节点，并将其标定为异常节点，根据异常节点，系统可以构建评估时段，并将评估时段内的正常参数作为第二特征参数，参数分类模块负责对第二特征参数和异常参数进行关联性分析，企业可以将第二特征参数分类为关联参数和非关联参数，进一步挖掘各参数之间的内在联系，帮助维护人员定位异常原因，溯源模块主要用于对异常参数和关联参数进行趋势溯源，它能够输出异常参数和关联参数的趋势波动起点，分别标定为第一风险节点和第二风险节点，根据这两个风险节点，系统可以输出异常参数的前置风险参数，为企业制定预防措施提供参考，优化模块负责汇总同类型下的所有前置风险参数，并进行汇总分析，得到基准风险参数，实时采集生产现场内设备的实时运行参数，当实时运行参数等于基准风险参数时，系统将降低生产投入，直至设备的实时运行参数降低至安全值，再按原生产计划继续投入生产，实现了对生产投入的动态调整，保证设备不停机的情况下，快速的恢复正常的生产。
请参阅图3，一种电子设备，电子设备包括：
至少一个处理器；
以及与至少一个处理器通信连接的存储器；
其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行上述的基于工业数字孪生的自适应生产调度优化方法。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本发明中未具体描述和解释说明的结构、装置以及操作方法，如无特别说明和限定，均按照本领域的常规手段进行实施。
Claims (10)
1.一种基于工业数字孪生的自适应生产调度优化方法，其特征在于：包括：
获取生产现场的实时数据，并依据其构建数字孪生模型，其中，所述实时数据包括设备信息以及环境信息；
获取设备的运行指标，以及各个运行指标下的已运行参数，并标定为第一特征参数，其中，所述第一特征参数包括正常参数和异常参数；
采集所述异常参数的发生节点，并标定为异常节点，再依据所述异常节点构建评估时段，且将所述评估时段内的正常参数标定为第二特征参数；
对所述第二特征参数和异常参数进行关联性分析，将所述第二特征参数分类为关联参数和非关联参数；
对所述异常参数和关联参数进行趋势溯源，分别输出异常参数和关联参数的趋势波动起点，并将其分别标定为第一风险节点和第二风险节点，且依据所述第一风险节点和第二风险节点输出异常参数的前置风险参数；
汇总同类型下的所有前置风险参数，并进行汇总分析，得到基准风险参数，再实时采集生产现场内设备的实时运行参数，并在所述实时运行参数等于基准风险参数后，降低生产投入，直至设备的实时运行参数降低至安全值，再按原生产计划继续投入生产。
2.根据权利要求1所述的一种基于工业数字孪生的自适应生产调度优化方法，其特征在于：所述获取设备的运行指标，以及各个运行指标下的已运行参数，并标定为第一特征参数的步骤，包括：
构建历史监控时段，并采集所述历史监控时段内，各个运行指标下的设备历史运行参数；
获取各个所述历史运行参数对应的设备状态，其中，所述设备状态正常时，其对应的历史运行参数记录为正常参数，所述设备状态异常时，其对应的历史运行参数记录为异常参数；
获取相邻所述正常参数之间的波动量，并标定为第一评估参数；
获取容许波动阈值，并将所述容许波动阈值与第一评估参数进行比较；
若所述第一评估参数大于容许波动阈值，则将其对应的正常参数标定为瞬时参数，且将其从第一特征参数中筛除；
若所述第一评估参数小于或等于容许波动阈值，则将其对应的正常参数保留为第一特征参数。
3.根据权利要求1所述的一种基于工业数字孪生的自适应生产调度优化方法，其特征在于：所述依据所述异常节点构建评估时段，且将所述评估时段内的正常参数标定为第二特征参数的步骤，包括：
以所述异常节点为结束节点，反向采集与异常参数同类型的已运行参数，并将其标定为基准参数；
获取相邻所述基准参数之间的波动量，并标定为第二评估参数；
获取评估阈值，并将所述评估阈值与所述第二评估参数进行比较，且在所述第二评估参数首次小于或等于评估阈值时，将其对应的发生节点标定为起始节点；
将所述起始节点和结束节点之间的时段标定为评估时段，并采集所述评估时段内与异常参数不同类型的已运行参数，且将其标定为第二特征参数。
4.根据权利要求1所述的一种基于工业数字孪生的自适应生产调度优化方法，其特征在于：所述对所述第二特征参数和异常参数进行关联性分析，将所述第二特征参数分类为关联参数和非关联参数的步骤，包括：
获取所述第二特征参数，并将其按照发生时序进行排列；
对所述评估时段的起始节点进行反向偏移，得到前置参考时段，并将所述前置参考时段内，与所述第二特征参数同类型的设备已运行参数标定为前置样本参数；
获取第一测算函数，并将所述第二特征参数与前置样本参数一同输入至第一测算函数中，且将其输出结果标定为样本偏离参数；
获取评价阈值，并将所述评价阈值与样本偏离参数进行比较；
若所述样本偏离参数大于评价阈值，则表明与其对应的第二特征参数与异常参数相关联，并将该第二特征参数标定为关联参数；
若所述样本偏离参数小于或等于评价阈值，则表明与其对应的第二特征参数与异常参数无关联，并将该第二特征参数标定为非关联参数。
5.根据权利要求4所述的一种基于工业数字孪生的自适应生产调度优化方法，其特征在于：所述关联参数和非关联参数输出后，将所述关联参数、非关联参数和异常参数汇总为关联映射表；
其中，所述异常参数再次发生时，对所述关联参数进行关联性分析，在所述关联参数对应的样本偏离参数小于或等于评价阈值时，再对所述非关联参数进行关联性分析。
6.根据权利要求1所述的一种基于工业数字孪生的自适应生产调度优化方法，其特征在于：所述对所述异常参数和关联参数进行趋势溯源，分别输出异常参数和关联参数的趋势波动起点的步骤，包括：
获取所述异常参数和关联参数，以及其对应的标准波动阈值；
获取趋势评估函数，并将所述异常参数和关联参数分别输入至趋势评估函数中，且将其输出结果分别标定为第一波动趋势值和第二波动趋势值；
获取溯源函数，并依据所述第一波动趋势值和第二波动趋势值，以及异常参数和关联参数对应的标准波动阈值，测算所述异常参数和关联参数的风险时段；
依据所述异常参数和关联参数的风险时段，对所述异常参数的发生节点进行偏移，并将偏移结果分别标定为第一风险节点和第二风险节点。
7.根据权利要求1所述的一种基于工业数字孪生的自适应生产调度优化方法，其特征在于：所述依据所述第一风险节点和第二风险节点输出异常参数的前置风险参数的步骤，包括：
获取所述第一风险节点和第二风险节点的发生节点，并同步进行比较；
若所述第一风险节点早于或等于第二风险节点，则将所述第一风险节点下，与所述异常参数对应的设备参数标定为前置风险参数；
若所述第一风险节点晚于第二风险节点，则将所述第二风险节点下，与所述关联参数对应的设备参数标定为前置风险参数；
其中，同类型下的前置风险参数汇总为同一风险子集。
8.根据权利要求1所述的一种基于工业数字孪生的自适应生产调度优化方法，其特征在于：所述汇总同类型下的所有前置风险参数，并进行汇总分析，得到基准风险参数的步骤，包括：
获取同类型下的所有前置风险参数，并按照发生时序进行排列；
获取第二测算函数，并将同类型下的所述前置风险参数输入至第二测算函数中，且将其输出结果标定为基准偏移量；
依据所述基准偏移量，对排列位次最后的前置风险参数进行偏移处理，并将该偏移结果标定为基准风险参数。
9.一种基于工业数字孪生的自适应生产调度优化系统，应用于权利要求1至8中任意一项所述的基于工业数字孪生的自适应生产调度优化方法，其特征在于：包括：
数据采集模块，所述数据采集模块用于获取生产现场的实时数据，并依据其构建数字孪生模型，其中，所述实时数据包括设备信息以及环境信息；
第一提取模块，所述第一提取模块用于获取设备的运行指标，以及各个运行指标下的已运行参数，并标定为第一特征参数，其中，所述第一特征参数包括正常参数和异常参数；
第二提取模块，所述第二提取模块用于采集所述异常参数的发生节点，并标定为异常节点，再依据所述异常节点构建评估时段，且将所述评估时段内的正常参数标定为第二特征参数；
参数分类模块，所述参数分类模块用于对所述第二特征参数和异常参数进行关联性分析，将所述第二特征参数分类为关联参数和非关联参数；
溯源模块，所述溯源模块用于对所述异常参数和关联参数进行趋势溯源，分别输出异常参数和关联参数的趋势波动起点，并将其分别标定为第一风险节点和第二风险节点，且依据所述第一风险节点和第二风险节点输出异常参数的前置风险参数；
优化模块，所述优化模块用于汇总同类型下的所有前置风险参数，并进行汇总分析，得到基准风险参数，再实时采集生产现场内设备的实时运行参数，并在所述实时运行参数等于基准风险参数后，降低生产投入，直至设备的实时运行参数降低至安全值，再按原生产计划继续投入生产。
10.一种电子设备，其特征在于：所述电子设备包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的基于工业数字孪生的自适应生产调度优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410548201.9A CN118132996B (zh) | 2024-05-06 | 2024-05-06 | 一种基于工业数字孪生的自适应生产调度优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410548201.9A CN118132996B (zh) | 2024-05-06 | 2024-05-06 | 一种基于工业数字孪生的自适应生产调度优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118132996A true CN118132996A (zh) | 2024-06-04 |
| CN118132996B CN118132996B (zh) | 2024-07-02 |
Family
ID=91232723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410548201.9A Active CN118132996B (zh) | 2024-05-06 | 2024-05-06 | 一种基于工业数字孪生的自适应生产调度优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118132996B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107174224A (zh) * | 2017-06-08 | 2017-09-19 | 翼猫科技发展（上海）有限公司 | 一种血压测量床垫以及血压检测方法和装置 |
| CN112613789A (zh) * | 2020-12-29 | 2021-04-06 | 太平金融科技服务（上海）有限公司 | 风险管控数据处理方法、风险预警规则前置数据监控方法 |
| CN113792423A (zh) * | 2021-09-04 | 2021-12-14 | 苏州特比姆智能科技有限公司 | 一种tpm设备管理的数字孪生行为约束方法及系统 |
| CN114399227A (zh) * | 2022-02-08 | 2022-04-26 | 无锡雪浪数制科技有限公司 | 一种基于数字孪生的生产调度方法、装置及计算机设备 |
| CN116025529A (zh) * | 2023-03-23 | 2023-04-28 | 中车山东风电有限公司 | 一种风电机组自主健康评估方法及自愈调控方法及系统 |
| CN117204943A (zh) * | 2023-11-07 | 2023-12-12 | 南京康友医疗科技有限公司 | 一种射频消融导管的功率控制方法和系统 |
| CN117342689A (zh) * | 2023-12-06 | 2024-01-05 | 安徽新宇环保科技股份有限公司 | 一种污水厂智能脱氮方法及系统 |
| CN117639228A (zh) * | 2023-10-31 | 2024-03-01 | 国网信息通信产业集团有限公司北京分公司 | 基于数字孪生的配电网运行状态预测方法及系统 |
| CN117891644A (zh) * | 2024-03-11 | 2024-04-16 | 南京市计量监督检测院 | 一种基于数字孪生技术的数据采集系统及其采集方法 |
-
2024
- 2024-05-06 CN CN202410548201.9A patent/CN118132996B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107174224A (zh) * | 2017-06-08 | 2017-09-19 | 翼猫科技发展（上海）有限公司 | 一种血压测量床垫以及血压检测方法和装置 |
| CN112613789A (zh) * | 2020-12-29 | 2021-04-06 | 太平金融科技服务（上海）有限公司 | 风险管控数据处理方法、风险预警规则前置数据监控方法 |
| CN113792423A (zh) * | 2021-09-04 | 2021-12-14 | 苏州特比姆智能科技有限公司 | 一种tpm设备管理的数字孪生行为约束方法及系统 |
| CN114399227A (zh) * | 2022-02-08 | 2022-04-26 | 无锡雪浪数制科技有限公司 | 一种基于数字孪生的生产调度方法、装置及计算机设备 |
| CN116025529A (zh) * | 2023-03-23 | 2023-04-28 | 中车山东风电有限公司 | 一种风电机组自主健康评估方法及自愈调控方法及系统 |
| CN117639228A (zh) * | 2023-10-31 | 2024-03-01 | 国网信息通信产业集团有限公司北京分公司 | 基于数字孪生的配电网运行状态预测方法及系统 |
| CN117204943A (zh) * | 2023-11-07 | 2023-12-12 | 南京康友医疗科技有限公司 | 一种射频消融导管的功率控制方法和系统 |
| CN117342689A (zh) * | 2023-12-06 | 2024-01-05 | 安徽新宇环保科技股份有限公司 | 一种污水厂智能脱氮方法及系统 |
| CN117891644A (zh) * | 2024-03-11 | 2024-04-16 | 南京市计量监督检测院 | 一种基于数字孪生技术的数据采集系统及其采集方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118132996B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112384924B (zh) | 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 | |
| EP1982301B1 (en) | Method of condition monitoring | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| DE102012103652A1 (de) | Verfahren, Computerprogramm und System zur Durchführung der Interpolation bei Sensordaten zur Erzielung einer hohen Systemverfügbarkeit | |
| CN103488135A (zh) | 一种用于半导体生产加工过程监控的统计过程控制方法 | |
| CN113219910A (zh) | 一种全流程的生产自诊断及优化系统 | |
| CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
| CN115422635A (zh) | 基于bim的钢结构工程监测方法、系统、设备及存储介质 | |
| CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
| CN116028887A (zh) | 一种连续性工业生产数据的分析方法 | |
| CN117891644B (zh) | 一种基于数字孪生技术的数据采集系统及其采集方法 | |
| CN114924990A (zh) | 一种异常场景测试方法及电子设备 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
| CN113204919B (zh) | 基于数字孪生的主变油枕状态预测方法、装置及电子设备 | |
| CN111614520B (zh) | 一种基于机器学习算法的idc流量数据预测方法及装置 | |
| CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
| CN116954624B (zh) | 基于软件开发包的编译方法、软件开发系统及服务器 | |
| CN114338348A (zh) | 一种智能告警方法、装置、设备及可读存储介质 | |
| CN118132996B (zh) | 一种基于工业数字孪生的自适应生产调度优化方法 | |
| CN117591949A (zh) | 一种设备异常识别方法、设备及介质 | |
| CN117977536A (zh) | 一种智能电网负荷辨识方法 | |
| CN113050606A (zh) | 一种复杂非平稳过程的质量相关故障检测方法 | |
| CN112445632A (zh) | 基于故障数据建模的hpc可靠性评估方法 | |
| CN117353462B (zh) | 一种基于人工智能的电网运营监控分析方法及平台 | |
| CN118229091B (zh) | 基于数据分析的抗震成品支架安全测试管理系统 |
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 |