CN109933907A - 一种装备管理业务模型的建立方法及装置 - Google Patents
一种装备管理业务模型的建立方法及装置 Download PDFInfo
- Publication number
- CN109933907A CN109933907A CN201910193249.1A CN201910193249A CN109933907A CN 109933907 A CN109933907 A CN 109933907A CN 201910193249 A CN201910193249 A CN 201910193249A CN 109933907 A CN109933907 A CN 109933907A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- business model
- equipment management
- military equipment
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种装备管理业务模型的建立方法及装置,属于一种装备管理业务模型的建立方法,本发明提供的一种装备管理业务模型的建立方法,包括:建立规则组;设置规则组的处理关系;建立算法库,所述算法库包括基本算法、数据结构算法、动态规划算法;建立配置参数,所述配置参数由装备分析师定义显形和隐形参数的优先级、权重及阈值;建立外部数据输入模块,通过创建业务模型有效运用信息化和自动化技术与方法提高工作效率,将装备管理业务体系化构建,形成了标准化流程,将知识积累进行产品化封装,业务模型将装备管理业务模型进行规范的规则组和参数配置,从而用统一的业务模型调度与执行,使装备管理业务模型规范化和标准化。
Description
技术领域
本发明涉及一种装备管理业务模型的建立方法,具体涉及一种装备管理业务模型的建立方法及装置。
背景技术
装备管理是复杂的***工程,建立精确求解的装备管理业务模型是重点和难点内容。
目前,装备管理业务开展需要众多专业领域人员结合少量经验模型进行大量人工处理与分析工作。无法有效运用信息化和自动化技术与方法开展装备管理业务工作,造成工作效率无法大幅提高。同时装备管理业务模型缺乏有效的一体化设计方法,造成装备管理业务模型体系化、标准化和产品化工作无法有效开展。
发明内容
本发明提供一种装备管理业务模型的建立方法及装置,目的在于解决上述问题,解决装备管理业务法有效运用信息化和自动化技术与方法开展装备管理业务工作,造成工作效率无法大幅提高,同时装备管理业务模型缺乏有效的一体化设计方法,造成装备管理业务模型体系化、标准化和产品化工作无法有效开展的问题。
为实现上述目的,本发明采用的技术方案如下:
一种装备管理业务模型的建立方法,包括:
建立规则组;
设置规则组的处理关系;
建立算法库,所述算法库包括基本算法、数据结构算法、动态规划算法;
建立配置参数,所述配置参数由装备分析师定义显形和隐形参数的优先级、权重及阈值;
建立外部数据输入端口,所述外部数据输入端口来自于配置的数据源,所述配置的数据源包含数据库、数据文件;
业务模型为规则组、配置参数和外部数据输入端口经过算法库得到输出。
所述规则组的处理关系具体包括:
获取装备的历史数据,对所述历史数据进行数据挖掘获得规则库,所述历史数据为装备的生命周期内所关联数据,所述规则库集合有不同类别数据的算法规则。
所述设置规则组的处理关系,还包括:
截取所述历史数据中若干时间节点,并以所述时间节点所在时刻的装备数据作为当前装备数据,以所述时间节点所在时刻之前的数据作为历史装备数据,以所述时间节点所在时刻之后的数据作为装备预测数据;
以所述历史数据的所述若干时间节点中,当前装备数据、历史装备数据及装备预测数据进行深度学习训练对业务模型进行迭代优化。
所述当前装备数据、历史装备数据及装备预测数据进行深度学习训练的过程中,以所述历史装备数据分析规律,并将所述规律迭代优化并存储于用于调配的规则库中,所述规则库为装备管理业务模型中用于装备资源的配置规则。
所述当前装备数据、历史装备数据及装备预测数据进行深度学习训练的过程中,获取所述当前装备的状态,所述当前装备的状态以管理约束、能力约束和资源约束信息进行约束,获得装备实况数据,所述装备实况数据蕴含装备能力的潜力信息。
所述装备管理业务模型的建立方法,还包括:
创建装备管理业务主体,所述装备管理业务主体用于对装备进行仓储、使用、送修仿真匹配;
所述装备管理业务主体对装备的强度与计划任务进行模拟仿真,并对装备的梯次使用计划进行规划,若装备的强度不足以执行任务则给用户报警。
所述装备管理业务模型的建立方法,还包括:
创建装备未来预测业务主体,所述装备未来预测业务主体用于依据当前装备的状态通过业务模型获取资源数据及装备计划数据对装备未来状态进行预测。
所述装备未来预测业务主体根据所述关联信息进行资源配置,所述资源配置包括航材消耗、使用维护、资源筹供和采购调配。
所述外部数据输入主体还包括获取飞参记录数据,所述飞参记录数据带入仿真数字孪生模型中进行模拟及飞参分析并输出实验数据。
一种装备管理业务模型的建立装置,包括:
规则组建立模块,用于建立规则组;
规则组关系建立模块,用于设置规则组的处理关系;
算法库建立模块,用于建立算法库,所述算法库包括基本算法、数据结构算法、动态规划算法;
配置参数建立模块,用于建立配置参数,所述配置参数由装备分析师定义显形和隐形参数的优先级、权重及阈值;
外部数据建立模块,用于建立外部数据输入端口,所述外部数据输入端口来自于配置的数据源,所述配置的数据源包含数据库、数据文件;
处理模块,用于业务模型将规则组、配置参数和外部数据输入端口经过算法库得到输出。
本发明的有益效果是,通过创建业务模型有效运用信息化和自动化技术与方法提高工作效率,将装备管理业务体系化构建,形成了标准化流程,将知识积累进行产品化封装,业务模型将装备管理业务模型进行规范的规则组和参数配置,从而用统一的业务模型调度与执行,使装备管理业务模型规范化和标准化。
附图说明
图1为本发明一实施例中一种装备管理业务模型的建立方法的建立流程图。
图2为本发明一实施例中一种装备管理业务模型的建立装置的建立流程方框图。
图3为本发明一实施例中一种装备管理业务模型的建立方法的运行流程图。
图4为图3运行流程图的结构划分简图。
图5为本发明一实施例中一种装备管理业务模型的建立方法的对装备状态进行预测及使用的流程图。
具体实施方式
本申请可用于众多通用或专用的计算机装置环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
首先需要说明的是,在本发明各个实施例中,所涉及的术语为:
业务模型,具体就是装备管理业务模型,用于获取、处理分析及输出结果,用于处理装备的关联数据,并将该关联数据整合,用于智能处理现有装备数据和预测未来数据,对装备整体的信息做整合。
规则库,对一类数据的规律进行整合总结后的各种规则集合为的一个数据库。
下面,将通过几个具体的实施例对本发明实施例提供的装备管理业务模型的建立方案进行详细介绍说明。
请参考图1,其示出了本发明一实施例提供的一种装备管理业务模型的建立方法的方法流程图,该装备管理业务模型的建立方法,包括:
101,建立规则组;
102,设置规则组的处理关系;
103,建立算法库,所述算法库包括基本算法、数据结构算法、动态规划算法;
104,建立配置参数,所述配置参数由装备分析师定义显形和隐形参数的优先级、权重及阈值;
105,建立外部数据输入端口,所述外部数据输入端口来自于配置的数据源,所述配置的数据源包含数据库、数据文件;
106,业务模型将规则组、配置参数和外部数据输入端口经过算法库得到输出。
综上所述,为建立精确求解的装备管理业务模型,在建立装备管理业务模型中,规则组的处理关系具体为,将装备的生命周期内所关联数据提取出其规律,设置一个包含装备的生命周期内所关联数据的规则库,使业务模型拥有最基本的处理逻辑,并且再次创建装备中各子部件的仿真数字孪生模型,在庞大数据的支撑下,对装备各子部件进行装备的数字化孪生同步仿真,使得业务模型通过模拟可以同步更新装备的现有状态及预测未来状态,再加上用户在外部数据输入端口不断输入现有数据,对业务模型中装备状态信息进行校正,使得业务模型不断更新,获得准确的现有装备状态数据及预测状态数据;
在业务模型外部,建立有规则组、配置参数和外部数据输入端口,分别对装备数据进行输入及输出,使得现有装备状态数据可以通过用户输入业务模型中,并将业务模型处理得出的数据展示给用户,使得用户对现有装备状态及未来装备状态有效了解,对于创建业务模型有效运用信息化和自动化技术与方法提高工作效率,将装备管理业务体系化构建。形成了标准化流程,将知识积累进行产品化封装,业务模型将装备管理业务模型进行规范的规则组和参数配置,从而用统一的业务模型调度与执行,使装备管理业务模型规范化和标准化。
进一步的,所述规则组的处理关系具体包括:
获取装备的历史数据,对所述历史数据进行数据挖掘获得规则库,所述历史数据为装备的生命周期内所关联数据,所述规则库集合有不同类别数据的算法规则。
上述实施例中,在历史数据中,对具有生命周期的历史数据的挖掘可以获得不同类别数据的规则并从中提取出规则函数,将规则函数集合起来形成规则库,在业务模型获得外部数据需要处理时,在规则库提取核心参数进行处理。
进一步的,所述设置规则组的处理关系,还包括:
截取所述历史数据中若干时间节点,并以所述时间节点所在时刻的装备数据作为当前装备数据,以所述时间节点所在时刻之前的数据作为历史装备数据,以所述时间节点所在时刻之后的数据作为装备预测数据;
以所述历史数据的所述若干时间节点中,当前装备数据、历史装备数据及装备预测数据进行深度学习训练对业务模型进行迭代优化。
上述实施例中,为进一步使得业务模型更加准确及创建,业务模型可以进行自我深度学习训练,截取历史数据中的多个时间节点,每个时间节点所在时刻的装备数据作为当前装备数据,以所述时间节点所在时刻之前的数据作为历史装备数据,以所述时间节点所在时刻之后的数据作为装备预测数据;三组数据中,当前装备数据及资源结合历史装备数据对未来数据进行预测,并获得各种规律规则,对业务模型的处理准确度进行深度优化。
进一步的,所述当前装备数据、历史装备数据及装备预测数据进行深度学习训练的过程中,以所述历史装备数据分析规律,并将所述规律迭代优化并存储于用于调配的规则库中,所述规则库为装备管理业务模型中用于装备资源的配置规则。
上述实施例中,对获得预测的预测结果比对该时间节点之后的装备预测数据,若预测结果在准确范围之内,则将自我深度学习的该次规律规则加入到规则库中,并替代一位于规则库中的弱于该规律规则的规则,使得业务模型中的规则库在自我深度学习中不断迭代优化,使得业务模型在获取当前装备状态及预测未来装备状态的结果更为准确。
进一步的,所述当前装备数据、历史装备数据及装备预测数据进行深度学习训练的过程中,获取所述当前装备的状态,所述当前装备的状态以管理约束、能力约束和资源约束信息进行约束,获得装备实况数据,所述装备实况数据蕴含装备能力的潜力信息。
上述实施例中,在业务模型对装备当前状态进行处理分析时,用户输入各种管理约束、能力约束和资源约束信息,上述三者信息为实际中无法克服的约束信息,在此信息上,业务模型对当前装备状态的真实情况及潜力信息进行准确预测,并挖掘在克服管理约束、能力约束和资源约束信息的基础上,对装备的最大战力信息及节省资源的使用进行最佳优化,挖掘。
在业务模型在自我深度学习的过程中,同样对历史的管理约束、能力约束和资源约束信息结合当前装备的状态进行优化挖掘,学习历史的匹配效率,处理获得更优的对业务模型进行迭代优化。
进一步的,请参考图3或图4,其示出了本发明一个实施例提供的一种装备管理业务模型的建立方法的运行流程图,所述业务模型还包括:
创建装备管理业务主体,所述装备管理业务主体用于对装备进行仓储、使用、送修仿真匹配;
上述实施例中,在业务模型对当前装备进行关系时,可以通过挖掘历史数据中对装备进行仓储、使用、送修,并使用历史对装备进行仓储、使用、送修的规律,对当前装备状态进行管理,模拟出装备进行仓储、使用、送修仿真匹配,更方便的管理当前装备。
进一步的,请参考图5,其示出了本发明一个实施例提供的一种装备管理业务模型的建立方法的对装备状态进行预测及使用的流程图,所述装备管理业务主体对装备的强度与计划任务进行模拟仿真,并对装备的梯次使用计划进行规划,若装备的强度不足以执行任务则给用户报警。
上述实施例中,在装备执行任务之前,对各装备中各子部件进行模拟仿真,以确保各子部件在执行任务时其强度能完成该任务的完成,采用孪生模拟仿真技术下,结合业务模型内各子装备的数据,在孪生仿真的数据下,预测子装备的强度,并在装备强度不足以执行该任务时及时给用户提示,确保任务及人员的圆满。
进一步的,还包括:创建装备未来预测业务主体,所述装备未来预测业务主体用于依据当前装备的状态通过模型引擎获取资源数据及装备计划数据对装备未来状态进行预测。
本实施例中,业务模型在完整自我学习建立完整的规则组和规则组的处理关系后,可以使用业务模型在获取当前预设数据后对装备未来状态进行预测,方便用户对装备进行建设管理。
进一步的,请参考图3或图4,其示出了本发明一个实施例提供的一种装备管理业务模型的建立方法的运行流程图,所述装备未来预测业务主体根据所述关联信息进行资源配置,所述资源配置包括航材消耗、使用维护、资源筹供和采购调配。
上述实施例中,在业务模型的庞大数据支撑下,在输出装备的生命周期的预测信息时,同时数据装备的生命周期预测段内所能预测的所有信息,在预测到备的生命周期预测段内所能预测的所有信息后可以用于对策措施和提升能力对策措施进行优化,使得装备的资源约束内的资源最可能大的加以利用。
进一步的,请参考图3或图4,其示出了本发明一个实施例提供的一种装备管理业务模型的建立方法的运行流程图,所述装备未来预测业务主体根据所述关联信息进行资源配置,所述资源配置包括航材消耗、使用维护、资源筹供和采购调配。
上述实施例中,在业务模型的大量数据支撑下,在用户键入各种管理约束、能力约束和资源约束信息下,将资源最大整合并将资源约束内的资源最可能大的加以利用的资源进行详细配置,详细配置包括航材消耗、使用维护、资源筹供和采购调配等。
进一步的,请参考图3或图4,其示出了本发明一个实施例提供的一种装备管理业务模型的建立方法的运行流程图,所述外部数据输入端口还包括获取飞参记录数据,所述飞参记录数据带入仿真数字孪生模型中进行模拟及飞参分析并输出实验数据。
上述实施例中,业务模型获取的大量数据中,还包括飞参记录数据,业务模型在获取飞参记录数据后将,飞参记录数据带入仿真数字孪生模型中进行模拟及飞参分析并获得实验数据,使得数字孪生模型更为准确,业务模型更为准确的模拟出现实中装备的参数数据。
请参考图2,其示出了本发明一实施例提供的一种装备管理业务模型的建立装置的建立流程方框图,该装备管理业务模型的建立装置,包括:
规则组建立模块201,用于建立规则组;
规则组关系建立模块202,用于设置规则组的处理关系;
算法库建立模块203,用于建立算法库,所述算法库包括基本算法、数据结构算法、动态规划算法;
配置参数建立模块204,用于建立配置参数,所述配置参数由装备分析师定义显形和隐形参数的优先级、权重及阈值;
外部数据建立模块205,用于建立外部数据输入端口,所述外部数据输入端口来自于配置的数据源,所述配置的数据源包含数据库、数据文件;
处理模块206,用于业务模型将规则组、配置参数和外部数据输入端口经过算法库得到输出。
上述实施例中,为建立精确求解的装备管理业务模型,在建立装备管理业务模型中,规则组的处理关系具体为,将装备的生命周期内所关联数据提取出其规律,设置一个包含装备的生命周期内所关联数据的规则库,使业务模型拥有最基本的处理逻辑,并且再次创建装备中各子部件的仿真数字孪生模型,在庞大数据的支撑下,对装备各子部件进行装备的数字化孪生同步仿真,使得业务模型通过模拟可以同步更新装备的现有状态及预测未来状态,再加上用户在外部数据输入端口不断输入现有数据,对业务模型中装备状态信息进行校正,使得业务模型不断更新,获得准确的现有装备状态数据及预测状态数据;
在业务模型外部,建立有规则组、配置参数和外部数据输入端口,分别对装备数据进行输入及输出,使得现有装备状态数据可以通过用户输入业务模型中,并将业务模型处理得出的数据展示给用户,使得用户对现有装备状态及未来装备状态有效了解,对于创建业务模型有效运用信息化和自动化技术与方法提高工作效率,将装备管理业务体系化构建。形成了标准化流程,将知识积累进行产品化封装,业务模型将装备管理业务模型进行规范的规则组和参数配置,从而用统一的业务模型调度与执行,使装备管理业务模型规范化和标准化。
上述具体构思及优选实施方式可作为方便本领域技术人员理解以及实施。
需要说明的是:上述实施例提供的装备管理业务模型的建立装置在建立装备管理业务模型时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装备管理业务模型的建立装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装备管理业务模型的建立装置与装备管理业务模型的建立的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。以上所述仅为本发明的较佳实施例,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种装备管理业务模型的建立方法,包括:
建立规则组;
设置规则组的处理关系;
建立算法库,所述算法库包括基本算法、数据结构算法、动态规划算法;
建立配置参数,所述配置参数由装备分析师定义显形和隐形参数的优先级、权重及阈值;
建立外部数据输入端口,所述外部数据输入端口来自于配置的数据源,所述配置的数据源包含数据库、数据文件;
业务模型为规则组、配置参数和外部数据输入端口经过算法库得到输出。
2.如权利要求1所述一种装备管理业务模型的建立方法,其特征在于,所述规则组的处理关系具体包括:
获取装备的历史数据,对所述历史数据进行数据挖掘获得规则库,所述历史数据为装备的生命周期内所关联数据,所述规则库集合有不同类别数据的算法规则。
3.如权利要求2所述一种装备管理业务模型的建立方法,其特征在于,所述设置规则组的处理关系,还包括:
截取所述历史数据中若干时间节点,并以所述时间节点所在时刻的装备数据作为当前装备数据,以所述时间节点所在时刻之前的数据作为历史装备数据,以所述时间节点所在时刻之后的数据作为装备预测数据;
以所述历史数据的所述若干时间节点中,当前装备数据、历史装备数据及装备预测数据进行深度学习训练对业务模型进行迭代优化。
4.如权利要求3所述一种装备管理业务模型的建立方法,其特征在于,所述当前装备数据、历史装备数据及装备预测数据进行深度学习训练的过程中,以所述历史装备数据分析规律,并将所述规律迭代优化并存储于用于调配的规则库中,所述规则库为装备管理业务模型中用于装备资源的配置规则。
5.如权利要求4所述一种装备管理业务模型的建立方法,其特征在于,所述当前装备数据、历史装备数据及装备预测数据进行深度学习训练的过程中,获取所述当前装备的状态,所述当前装备的状态以管理约束、能力约束和资源约束信息进行约束,获得装备实况数据,所述装备实况数据蕴含装备能力的潜力信息。
6.如权利要求1所述一种装备管理业务模型的建立方法,其特征在于,所述装备管理业务模型的建立方法,还包括:
创建装备管理业务主体,所述装备管理业务主体用于对装备进行仓储、使用、送修仿真匹配;
所述装备管理业务主体对装备的强度与计划任务进行模拟仿真,并对装备的梯次使用计划进行规划,若装备的强度不足以执行任务则给用户报警。
7.如权利要求1所述一种装备管理业务模型的建立方法,其特征在于,所述装备管理业务模型的建立方法,还包括:
创建装备未来预测业务主体,所述装备未来预测业务主体用于依据当前装备的状态通过业务模型获取资源数据及装备计划数据对装备未来状态进行预测。
8.如权利要求7所述一种装备管理业务模型的建立方法,其特征在于,所述装备未来预测业务主体根据所述关联信息进行资源配置,所述资源配置包括航材消耗、使用维护、资源筹供和采购调配。
9.如权利要求7所述一种装备管理业务模型的建立方法,其特征在于,所述外部数据输入主体还包括获取飞参记录数据,所述飞参记录数据带入仿真数字孪生模型中进行模拟及飞参分析并输出实验数据。
10.一种装备管理业务模型的建立装置,其特征在于,包括:
规则组建立模块,用于建立规则组;
规则组关系建立模块,用于设置规则组的处理关系;
算法库建立模块,用于建立算法库,所述算法库包括基本算法、数据结构算法、动态规划算法;
配置参数建立模块,用于建立配置参数,所述配置参数由装备分析师定义显形和隐形参数的优先级、权重及阈值;
外部数据建立模块,用于建立外部数据输入端口,所述外部数据输入端口来自于配置的数据源,所述配置的数据源包含数据库、数据文件;
处理模块,用于业务模型将规则组、配置参数和外部数据输入端口经过算法库得到输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910193249.1A CN109933907B (zh) | 2019-03-14 | 2019-03-14 | 一种装备管理业务模型的建立方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910193249.1A CN109933907B (zh) | 2019-03-14 | 2019-03-14 | 一种装备管理业务模型的建立方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109933907A true CN109933907A (zh) | 2019-06-25 |
CN109933907B CN109933907B (zh) | 2023-10-20 |
Family
ID=66987207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910193249.1A Active CN109933907B (zh) | 2019-03-14 | 2019-03-14 | 一种装备管理业务模型的建立方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109933907B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648080A (zh) * | 2019-09-30 | 2020-01-03 | 石化盈科信息技术有限责任公司 | 基于智能点的信息物理***及其构建方法 |
CN110750345A (zh) * | 2019-10-16 | 2020-02-04 | 北京航空航天大学 | 一种数字孪生***复杂任务高效调度*** |
CN112200492A (zh) * | 2020-11-02 | 2021-01-08 | 傲林科技有限公司 | 一种数字孪生模型构建、业务活动预测分析方法及装置 |
CN115080544A (zh) * | 2022-06-30 | 2022-09-20 | 北京亚控科技发展有限公司 | 一种孪生、订阅组织的历史状态的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101616097A (zh) * | 2009-07-31 | 2009-12-30 | 中兴通讯股份有限公司 | 一种网络处理器输出端口队列的管理方法及*** |
CN102571403A (zh) * | 2010-12-31 | 2012-07-11 | 北京亿阳信通软件研究院有限公司 | 通用数据质量管控适配器的实现方法和装置 |
CN105138621A (zh) * | 2015-08-14 | 2015-12-09 | 浪潮电子信息产业股份有限公司 | 一种Sybase ASE数据库配置优化***及方法 |
CN108769121A (zh) * | 2018-04-24 | 2018-11-06 | 浙江正泰电器股份有限公司 | 智能工业装备物联网数据采集***及采集数据的上传方法 |
-
2019
- 2019-03-14 CN CN201910193249.1A patent/CN109933907B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101616097A (zh) * | 2009-07-31 | 2009-12-30 | 中兴通讯股份有限公司 | 一种网络处理器输出端口队列的管理方法及*** |
WO2011012023A1 (zh) * | 2009-07-31 | 2011-02-03 | 中兴通讯股份有限公司 | 一种网络处理器输出端口队列的管理方法及*** |
CN102571403A (zh) * | 2010-12-31 | 2012-07-11 | 北京亿阳信通软件研究院有限公司 | 通用数据质量管控适配器的实现方法和装置 |
CN105138621A (zh) * | 2015-08-14 | 2015-12-09 | 浪潮电子信息产业股份有限公司 | 一种Sybase ASE数据库配置优化***及方法 |
CN108769121A (zh) * | 2018-04-24 | 2018-11-06 | 浙江正泰电器股份有限公司 | 智能工业装备物联网数据采集***及采集数据的上传方法 |
Non-Patent Citations (1)
Title |
---|
陶剑;戴永长;魏冉;: "基于数字线索和数字孪生的生产生命周期研究", 航空制造技术, no. 21 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648080A (zh) * | 2019-09-30 | 2020-01-03 | 石化盈科信息技术有限责任公司 | 基于智能点的信息物理***及其构建方法 |
CN110750345A (zh) * | 2019-10-16 | 2020-02-04 | 北京航空航天大学 | 一种数字孪生***复杂任务高效调度*** |
CN110750345B (zh) * | 2019-10-16 | 2020-12-15 | 北京航空航天大学 | 一种数字孪生***复杂任务高效调度*** |
CN112200492A (zh) * | 2020-11-02 | 2021-01-08 | 傲林科技有限公司 | 一种数字孪生模型构建、业务活动预测分析方法及装置 |
CN112200492B (zh) * | 2020-11-02 | 2024-02-06 | 傲林科技有限公司 | 一种数字孪生模型构建、业务活动预测分析方法及装置 |
CN115080544A (zh) * | 2022-06-30 | 2022-09-20 | 北京亚控科技发展有限公司 | 一种孪生、订阅组织的历史状态的方法及装置 |
CN115080544B (zh) * | 2022-06-30 | 2024-05-03 | 北京亚控科技发展有限公司 | 一种孪生、订阅组织的历史状态的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109933907B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109933907A (zh) | 一种装备管理业务模型的建立方法及装置 | |
CN106651188A (zh) | 一种输变电设备多源状态评估数据处理方法及其应用 | |
Kalayci et al. | River formation dynamics approach for sequence-dependent disassembly line balancing problem | |
CN105740968A (zh) | 一种土地利用空间自动配置*** | |
Yasar | Optimization of reservoir operation using cuckoo search algorithm: example of Adiguzel Dam, Denizli, Turkey | |
CN108121530A (zh) | 一种多学科复杂产品的概念设计分析方法 | |
Hu et al. | Edge intelligence for real-time data analytics in an IoT-based smart metering system | |
CN105512046B (zh) | 基于粒子群优化算法的Android自动化测试方法 | |
CN113852204A (zh) | 一种于数字孪生的变电站三维全景监视***及方法 | |
CN116308128A (zh) | 装配式建筑绿色施工管理方法、设备及介质 | |
CN114358382B (zh) | 电力***等效惯量概率预测方法、装置、产品及存储介质 | |
CN108596781A (zh) | 一种电力***数据挖掘与预测整合方法 | |
CN106934729A (zh) | 建筑检测鉴定方法及装置 | |
Song et al. | Community detection using parallel genetic algorithms | |
Erharter et al. | Potential applications of machine learning for BIM in tunnelling | |
Mullis et al. | Design and implementation of Kepler workflows for BioEarth | |
Kumar et al. | A Regression-based Hybrid Machine Learning Technique to Enhance the Database Migration in Cloud Environment | |
Zhuang et al. | Performance prediction model based on multi-task learning and co-evolutionary strategy for ground source heat pump system | |
CN112199287A (zh) | 基于强化混合专家模型的跨项目软件缺陷预测方法 | |
Ye | Optimization of resource scheduling based on genetic algorithm in cloud computing environment | |
US20230237225A1 (en) | Machine learning based reservoir modeling | |
Krause et al. | Adaptive modelling and simulation of product development processes | |
CN114329928B (zh) | 一种装备模型的模块化组装与总体参数快速生成方法 | |
Gavrilov | Development of a wireless sensor network simulator using energy-efficient traffic routing methods | |
Liu | Research on software test data generation based on particle swarm optimization algorithm |
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 |