CN112668223B - 基于数字孪生轻量化模型的机电装备仿真方法及*** - Google Patents
基于数字孪生轻量化模型的机电装备仿真方法及*** Download PDFInfo
- Publication number
- CN112668223B CN112668223B CN202011562370.6A CN202011562370A CN112668223B CN 112668223 B CN112668223 B CN 112668223B CN 202011562370 A CN202011562370 A CN 202011562370A CN 112668223 B CN112668223 B CN 112668223B
- Authority
- CN
- China
- Prior art keywords
- model
- electromechanical equipment
- self
- digital twin
- decomposition
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种基于数字孪生轻量化模型的机电装备仿真方法及***,获取机电装备的零部件性能状态数据;当零部件的性能状态发生变化时,利用感知数据识别性能衰减位置和衰减量,通过有限元分析进行机电装备零部件模型性能衰减更新;将更新的零部件模型替换原有模型,完成机电设备数字孪生模型的初步更新,得到一致性机电装备数字孪生模型;针对机电装备的不同应用服务,通过应用服务需求分析,得到以此应用服务为导向的需求,根据需求指导机电装备数字孪生模型的自配置和自优化,得到以此应用服务为导向的轻量化模型;本公开得到了机电设备的以应用为导向的轻量化模型,在保证精度的基础上提高了求解效率。
Description
技术领域
本公开涉及机电装备智能化与数字化技术领域,特别涉及一种基于数字孪生轻量化模型的机电装备仿真方法及***,具体的是一种基于自配置和自优化技术对机电装备数字孪生模型进行重配置和降阶的模型优化方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
随着CPS(Cyber-Physical Systems)技术的发展,数字孪生(Digital Twin)技术逐渐成为学术界研究的热点。数字孪生技术是充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而真实反映相应的实体设备。也就是说,数字孪生是各种物理资产、流程、人员、地点、***和设备的数字副本。这从根本上确保了数字孪生模型的准确性。
随着技术不断发展,机电装备的设计变得越来越复杂,数字化程度越来越高,对升级换代周期的要求也越来越短。
然而,发明人发现,要对完整的工程***进行准确建模,通常需要非常庞大的计算模型,而这需要大量的计算资源进行评估,在许多机电装备应用服务中,要求数字孪生提供近乎实时的洞察力,以便将它们有效地用于运行决策,这就要求能够根据机电装备不同应用场景快速获取以此应用服务为导向的轻量化模型,快速进行模型仿真分析以提供分析和预测服务,而现有的机电设备的轻量化模型获取方法大多求解时间较长、实时性不足,阻碍了数字孪生发展。
发明内容
为了解决现有技术的不足,本公开提供了一种基于数字孪生轻量化模型的机电装备仿真方法及***,得到了机电设备的以应用为导向的轻量化模型,在保证精度的基础上提高了求解效率。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种基于数字孪生轻量化模型的机电装备仿真方法。
一种基于数字孪生轻量化模型的机电装备仿真方法,包括以下步骤:
获取机电装备的零部件性能状态数据;
当零部件的性能状态发生变化时,利用感知数据识别性能衰减位置和衰减量,通过有限元分析进行机电装备零部件模型性能衰减更新;
将更新的零部件模型替换原有模型,完成机电设备数字孪生模型的初步更新,得到一致性机电装备数字孪生模型;
针对机电装备的不同应用服务,通过应用服务需求分析,得到以此应用服务为导向的需求,根据需求指导机电装备数字孪生模型的自配置和自优化,得到以此应用服务为导向的轻量化模型,根据得到的轻量化模型进行机电装备的工作过程仿真。
本公开第二方面提供了一种基于数字孪生的机电装备轻量化模型获取***。
一种基于数字孪生的机电装备轻量化模型获取***,包括:
数据获取模块,被配置为:获取机电装备的零部件性能状态数据;
零部件模型更新模块,被配置为:当零部件的性能状态发生变化时,利用感知数据识别性能衰减位置和衰减量,通过有限元分析进行机电装备零部件模型性能衰减更新;
数字孪生模块获取模块,被配置为:将更新的零部件模型替换原有模型,完成机电设备数字孪生模型的初步更新,得到一致性机电装备数字孪生模型;
轻量化模型仿真模块,被配置为:针对机电装备的不同应用服务,通过应用服务需求分析,得到以此应用服务为导向的需求,根据需求指导机电装备数字孪生模型的自配置和自优化,得到以此应用服务为导向的轻量化模型,根据得到的轻量化模型进行机电装备的工作过程仿真。
本公开第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的基于数字孪生轻量化模型的机电装备仿真方法中的步骤。
本公开第四方面提供了一种电子设备,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程序,所述处理器执行所述程序时实现如本公开第一方面所述的基于数字孪生轻量化模型的机电装备仿真方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开提供的方法、***、介质或电子设备,获取了机电设备的以应用为导向的轻量化模型,在保证精度的基础上提高了求解效率,可以大幅度节省计算资源(计算机、服务器等),可以促进基于数字孪生模型的应用的效率的提升。
2、本公开提供的方法、***、介质或电子设备,获取了以应用为导向的轻量化模型,可以进一步削弱由于求解时间长,导致实时性不足,阻碍数字孪生发展的障碍。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的基于数字孪生的基于数字孪生轻量化模型的机电装备仿真方法框图。
图2为本公开实施例1提供的以应用为导向的机电装备模型自配置策略示意图。
图3为本公开实施例1提供的以机电装备寿命预测应用服务为导向的模型自配置示意图。
图4为本公开实施例1提供的以应用为导向的机电装备模型自优化框图。
图5为本公开实施例1提供的以应用为导向的机电装备模型自优化策略的自适应误差限获取方法示意图。
图6为本公开实施例1提供的以应用为导向的机电装备模型自优化实施流程。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本公开实施例1提供了一种基于数字孪生的基于数字孪生轻量化模型的机电装备仿真方法,由不同应用场景分析、一致性机电装备数字孪生模型及以应用为导向的模型自优化和自配置等几部分组成;
其中,不同应用场景分析为模型的自优化与自配置提供应用服务指导;一致性机电装备数字孪生模型为轻量化模型的获取提供高保真模型基础。
如图1所示,获取轻量化模型有三种方式:
(1)通过模型自优化方案,获取以应用为导向的降阶模型,即阶次降低的轻量化模型;
(2)通过模型自配置策略,获取以应用为导向的配置模型,即模型规模缩减的轻量化模型;
(3)通过模型自配置策略和模型自优化方案,获取以应用为导向的模型规模缩减、阶次降低的轻量化模型。
具体的,一致性机电装备数字孪生模型的获取方法如下:
首先通过对状态数据的分析,对数控机床零部件性能状态变化进行感知监测,若监测到状态变化,利用感知数据识别性能衰减位置、衰减量等,通过有限元分析实现数控机床零部件的模型性能衰减更新;
然后将更新的零部件模型替换原有模型,完成数控机床数字孪生模型的初步更新,之后对模型进行一致性验证,必要时进行模型一致性校正,以提高数控机床数字孪生模型的虚实一致性。
应用场景分析,即针对机电装备不同的应用服务,通过应用服务需求分析,梳理出以此应用服务为导向的需求,用以指导模型自配置和自优化,进而获取以此应用服务为导向的轻量化模型,根据得到的轻量化模型进行生产服务指导。
如图2所示,以应用为导向的模型自配置,主要包含三部分:模型分解策略、模型自配置策略和元模型接口设计。
模型分解策略主要包含以应用为导向的模型分解准则、模型分解方法和模型分解评估等几部分组成。
(1)模型分解准则以应用服务为导向的需求分析指导获取,用于指导模型分解;
(2)在以上分解准则的指导下,利用模糊聚类等方法对机电装备进行模型分解,获取以应用服务需求为导向的机电装备分解方案;
(3)若存在多种分解方案,则通过TOPSIS算法对各方案进行评估量化,选取最优分解方案,以指导元模型接口设计以及模型自配置方案制定。
模型自配置策略主要是以应用需求分析为导向,利用层次分析法(AHP)选取对应用服务影响较大机电装备***零部件,并结合子***之间的耦合以及零部件之间的接触配合关系,自配置形成针对应用需求分析的机电装备***模型。
以数控机床寿命预测应用服务为例,其技术路线图如图3所示:
选取最容易出现损伤的数控机床关键零部件进行寿命预测,其影响因素(即准则层)有次磨损程度、裂纹扩展和疲劳损伤等,通过准则层因素对方案层关键零部件进行量化,通过层次分析法选取最易出现损伤的零部件,然后结合选取零部件的耦合特征和装配关系,构建以数控机床寿命预测应用服务为导向的自配置模型(即针对数控机床寿命预测的轻量化配置模型)。
如图4所示,以应用为导向的模型自优化,主要包含模型耦合分析和自适应模型降阶两部分。
自适应模型降阶主要是利用基于时域最大误差限的影响评价法和Krylov子空间投影法研究机电装备数字孪生模型自适应降阶方法,并将其封装得到动态链接库对机电装备数字孪生模型进行自主优化降阶处理,生成阶次降低的高保真降阶模型,保留了***必要的行为特性以及主导效应。
自适应误差限主要是以应用服务为导向的需求分析指导并结合层次分析法决定,层次分析法结构图如图5所示,其计算方式如式(1)至(7)所示,F向量各元素即为以应用服务为导向的机电装备数字孪生模型自优化自适应误差限。
利用三角模糊数并基于构建的以应用为导向的最优评估指标结构模型,通过专家评断获取如表1所示的三角模糊判断矩阵,其中C=(cij)n×n=(lij mij uij)n×n。
表1:三角模糊判断矩阵
(1)计算m层第i个指标元素的综合模糊值,如式(1)所示:
(2)计算评价标准的归一化权重值
两个三角模糊数M1≥M2的可能性如式(2)所示:
各准则层模糊权重向量可由式(3)得出:
将式(3)权重向量标准化,可以得到某准则层各个元素的权重值,用向量表示如式(5)所示:
F=(Ws-c)T*TW (7)
如图所示,为模型自优化的具体实施流程:首选通过有限元分析获取模型特性信息文件*.full和*.emat,文件包含模型质量矩阵、刚度矩阵等信息;通过Socket通讯将模型特性信息导入到应用服务分析环境(如TwinBuilder等),通过基于Krylov子空间法(基于C语言编写,封装成应用环境识别的降阶组件)进行模型降阶。
实施例2:
本公开实施例2提供了一种基于数字孪生的机电装备轻量化模型获取***,包括:
数据获取模块,被配置为:获取机电装备的零部件性能状态数据;
零部件模型更新模块,被配置为:当零部件的性能状态发生变化时,利用感知数据识别性能衰减位置和衰减量,通过有限元分析进行机电装备零部件模型性能衰减更新;
数字孪生模块获取模块,被配置为:将更新的零部件模型替换原有模型,完成机电设备数字孪生模型的初步更新,得到一致性机电装备数字孪生模型;
轻量化模型获取模块,被配置为:针对机电装备的不同应用服务,通过应用服务需求分析,得到以此应用服务为导向的需求,根据需求指导机电装备数字孪生模型的自配置和自优化,得到以此应用服务为导向的轻量化模型。
所述***的工作方法与实施例1提供的基于数字孪生轻量化模型的机电装备仿真方法相同,这里不再赘述。
实施例3:
本公开第实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例1所述的基于数字孪生轻量化模型的机电装备仿真方法中的步骤,所述步骤为:
获取机电装备的零部件性能状态数据;
当零部件的性能状态发生变化时,利用感知数据识别性能衰减位置和衰减量,通过有限元分析进行机电装备零部件模型性能衰减更新;
将更新的零部件模型替换原有模型,完成机电设备数字孪生模型的初步更新,得到一致性机电装备数字孪生模型;
针对机电装备的不同应用服务,通过应用服务需求分析,得到以此应用服务为导向的需求,根据需求指导机电装备数字孪生模型的自配置和自优化,得到以此应用服务为导向的轻量化模型。
详细步骤与实施例1提供的基于数字孪生轻量化模型的机电装备仿真方法相同,这里不再赘述。
实施例4:
本公开实施例4提供了一种电子设备,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程序,所述处理器执行所述程序时实现如本公开实施例1所述的基于数字孪生轻量化模型的机电装备仿真方法中的步骤,所述步骤为:
获取机电装备的零部件性能状态数据;
当零部件的性能状态发生变化时,利用感知数据识别性能衰减位置和衰减量,通过有限元分析进行机电装备零部件模型性能衰减更新;
将更新的零部件模型替换原有模型,完成机电设备数字孪生模型的初步更新,得到一致性机电装备数字孪生模型;
针对机电装备的不同应用服务,通过应用服务需求分析,得到以此应用服务为导向的需求,根据需求指导机电装备数字孪生模型的自配置和自优化,得到以此应用服务为导向的轻量化模型。
详细步骤与实施例1提供的基于数字孪生轻量化模型的机电装备仿真方法相同,这里不再赘述。
本领域内的技术人员应明白,本公开的实施例可提供为方法、***、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (7)
1.一种基于数字孪生轻量化模型的机电装备仿真方法,其特征在于,包括以下步骤:
获取机电装备的零部件性能状态数据;
当零部件的性能状态发生变化时,利用感知数据识别性能衰减位置和衰减量,通过有限元分析进行机电装备零部件模型性能衰减更新;
将更新的零部件模型替换原有模型,完成机电设备数字孪生模型的初步更新,得到一致性机电装备数字孪生模型;
针对机电装备的不同应用服务,通过应用服务需求分析,得到以此应用服务为导向的需求,根据需求指导机电装备数字孪生模型的自配置和自优化,得到以此应用服务为导向的轻量化模型,根据得到的轻量化模型进行机电装备的工作过程仿真;
机电装备数字孪生模型的自优化,包括:模型耦合分析和自适应模型降阶;
自适应模型降阶利用基于时域最大误差限的影响评价法和Krylov子空间投影法,得到动态链接库,对机电装备数字孪生模型进行自主优化降阶处理;
自适应误差限以应用服务为导向的需求分析指导并结合层次分析法获得;
机电装备数字孪生模型的自配置,包括:模型分解策略、模型自配置策略和元模型接口设计,模型分解策略包括以应用为导向的模型分解准则、模型分解方法和模型分解评估;
利用模糊聚类方法对机电装备进行模型分解,获取以应用服务需求为导向的机电装备分解方案;
当存在多种分解方案时,通过TOPSIS算法对各方案进行评估量化,选取最优分解方案,指导元模型接口设计以及模型自配置方案的制定。
2.如权利要求1所述的基于数字孪生轻量化模型的机电装备仿真方法,其特征在于,
模型自配置策略以应用需求分析为导向,利用层次分析法选取对应用服务影响较大的机电装备***零部件,并结合子***之间的耦合以及零部件之间的接触配合关系,自配置形成针对应用需求分析的机电装备***模型。
3.如权利要求1所述的基于数字孪生轻量化模型的机电装备仿真方法,其特征在于,
当应用服务为寿命预测时,选取最容易出现损伤的机电设备关键零部件进行寿命预测;
通过准则层因素对方案层关键零部件进行量化,通过层次分析法选取最易出现损伤的零部件;
结合选取零部件的耦合特征和装配关系,构建以数控机床寿命预测应用服务为导向的自配置模型。
4.如权利要求1所述的基于数字孪生轻量化模型的机电装备仿真方法,其特征在于,机电装备数字孪生模型的自优化,包括:
利用有限元分析获取模型特性信息文件;
利用Socket通讯将模型特性信息导入到应用服务分析环境;
利用Krylov子空间法进行模型降阶。
5.一种基于数字孪生轻量化模型的机电装备仿真***,其特征在于,包括:
数据获取模块,被配置为:获取机电装备的零部件性能状态数据;
零部件模型更新模块,被配置为:当零部件的性能状态发生变化时,利用感知数据识别性能衰减位置和衰减量,通过有限元分析进行机电装备零部件模型性能衰减更新;
数字孪生模块获取模块,被配置为:将更新的零部件模型替换原有模型,完成机电设备数字孪生模型的初步更新,得到一致性机电装备数字孪生模型;
轻量化模型仿真模块,被配置为:针对机电装备的不同应用服务,通过应用服务需求分析,得到以此应用服务为导向的需求,根据需求指导机电装备数字孪生模型的自配置和自优化,得到以此应用服务为导向的轻量化模型,根据得到的轻量化模型进行机电装备的工作过程仿真;
机电装备数字孪生模型的自优化,包括:模型耦合分析和自适应模型降阶;
自适应模型降阶利用基于时域最大误差限的影响评价法和Krylov子空间投影法,得到动态链接库,对机电装备数字孪生模型进行自主优化降阶处理;
自适应误差限以应用服务为导向的需求分析指导并结合层次分析法获得;
机电装备数字孪生模型的自配置,包括:模型分解策略、模型自配置策略和元模型接口设计,模型分解策略包括以应用为导向的模型分解准则、模型分解方法和模型分解评估;
利用模糊聚类方法对机电装备进行模型分解,获取以应用服务需求为导向的机电装备分解方案;
当存在多种分解方案时,通过TOPSIS算法对各方案进行评估量化,选取最优分解方案,指导元模型接口设计以及模型自配置方案的制定。
6.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-4任一项所述的基于数字孪生轻量化模型的机电装备仿真方法中的步骤。
7.一种电子设备,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程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4任一项所述的基于数字孪生轻量化模型的机电装备仿真方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562370.6A CN112668223B (zh) | 2020-12-25 | 2020-12-25 | 基于数字孪生轻量化模型的机电装备仿真方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562370.6A CN112668223B (zh) | 2020-12-25 | 2020-12-25 | 基于数字孪生轻量化模型的机电装备仿真方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668223A CN112668223A (zh) | 2021-04-16 |
CN112668223B true CN112668223B (zh) | 2022-09-27 |
Family
ID=75409043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011562370.6A Active CN112668223B (zh) | 2020-12-25 | 2020-12-25 | 基于数字孪生轻量化模型的机电装备仿真方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668223B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888716B (zh) * | 2021-10-08 | 2022-04-01 | 广东工业大学 | 一种面向数字孪生的场景轻量化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800531A (zh) * | 2019-01-31 | 2019-05-24 | 山东大学 | 一种机电装备数字孪生模型一致性保持方法 |
CN110351257A (zh) * | 2019-06-27 | 2019-10-18 | 绿漫科技有限公司 | 一种分布式物联网安全接入*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933923B (zh) * | 2019-03-19 | 2022-12-02 | 山东大学 | 一种基于数字孪生的机电装备精益设计方法 |
-
2020
- 2020-12-25 CN CN202011562370.6A patent/CN112668223B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800531A (zh) * | 2019-01-31 | 2019-05-24 | 山东大学 | 一种机电装备数字孪生模型一致性保持方法 |
CN110351257A (zh) * | 2019-06-27 | 2019-10-18 | 绿漫科技有限公司 | 一种分布式物联网安全接入*** |
Also Published As
Publication number | Publication date |
---|---|
CN112668223A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7169369B2 (ja) | 機械学習アルゴリズムのためのデータを生成する方法、システム | |
Wang et al. | Performance prediction for apache spark platform | |
CN109800531B (zh) | 一种机电装备数字孪生模型一致性保持方法 | |
US9015083B1 (en) | Distribution of parameter calculation for iterative optimization methods | |
US9235813B1 (en) | General framework for cross-validation of machine learning algorithms using SQL on distributed systems | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN105550393A (zh) | 一种支持方案快速生成的枪械变型设计方法 | |
KR102229859B1 (ko) | 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템 | |
CA3090095A1 (en) | Methods and systems to determine and optimize reservoir simulator performance in a cloud computing environment | |
WO2014199920A1 (ja) | 予測関数作成装置、予測関数作成方法、及びコンピュータ読み取り可能な記録媒体 | |
Hur et al. | A study on the man-hour prediction system for shipbuilding | |
CN115168027A (zh) | 一种基于深度强化学习的算力资源度量方法 | |
CN112668223B (zh) | 基于数字孪生轻量化模型的机电装备仿真方法及*** | |
Lal et al. | Behavioral study of piston manufacturing plant through stochastic models | |
Wilson et al. | Exploring the effects of partnership and inventory for supply chain resilience using an ecological network analysis | |
Lozano et al. | Developing flexible management strategies in infrastructure: The sequential expansion problem for infrastructure analysis (SEPIA) | |
JP2014021847A (ja) | リソース管理装置及びリソース管理方法及びプログラム | |
CN112363465A (zh) | 一种专家规则集训练方法、训练器和工业设备预警*** | |
CN105005210B (zh) | 机电一体化仿真***及使用其的方法 | |
CN114492251B (zh) | 超算环境的低速流场发散处理方法、装置、设备及介质 | |
CN114581220B (zh) | 数据处理方法、设备及分布式计算*** | |
CN116414662A (zh) | 一种存储空间扩容提示方法、装置、电子设备及存储介质 | |
KR102375880B1 (ko) | 인공지능 모델 기반의 제조 공정에서의 견적 및 설계도 산출 시스템 | |
CN113610575B (zh) | 一种产品销量的预测方法及预测*** | |
CN113298120B (zh) | 基于融合模型的用户风险预测方法、***和计算机设备 |
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 |