CN116125958A - 一种基于数字孪生的智能化工厂故障诊断与决策*** - Google Patents
一种基于数字孪生的智能化工厂故障诊断与决策*** Download PDFInfo
- Publication number
- CN116125958A CN116125958A CN202310216070.XA CN202310216070A CN116125958A CN 116125958 A CN116125958 A CN 116125958A CN 202310216070 A CN202310216070 A CN 202310216070A CN 116125958 A CN116125958 A CN 116125958A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- factory
- fault
- digital twin
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000004519 manufacturing process Methods 0.000 claims abstract description 27
- 238000007405 data analysis Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 4
- 238000009776 industrial production Methods 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- 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
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于数字孪生的智能化工厂故障诊断与决策***,包括:模型构建模块:用于基于工厂历史运行数据进行数字孪生模型的构建;数据采集模块:用于采集工厂生产期间的实时工作数据,输入数字孪生模型中;数据分析模块:用于基于数字孪生模型分析实时工作数据,得到工厂的异常状态;故障诊断模块:用于将异常状态与历史运行数据中的故障特征相匹配,生成故障分析报告并发出警报。本发明能够实时反映工厂的运行状况,及时发现故障并做出决策,减少安全事故的发生,提高工业生产效率。
Description
技术领域
本发明涉及故障诊断技术领域,特别是涉及一种基于数字孪生的智能化工厂故障诊断与决策***。
背景技术
作为工业生产的基本单位,工厂的数字化与智能化水平对工业生产的质量、安全及效率有着重要的影响。同时高速运转的大型工业设备,流动的人员,复杂的作业环境也使得工厂成为企业安全事故的高发地。现有工厂安全管理方法大多依靠固定的标准规范及技术人员的经验知识,缺少能够进行数据融合分析并准确预警安全事故的智能化模型;缺少设备的故障知识库和推理模型来预警故障、诊断故障、决策维修。难以通过收集到的大量设备、人员、环境等数据动态地分析工厂安全状况;工厂生产***是一个由诸多要素构成的复杂***,其中多种风险因子交互耦合相互影响。而目前还没有基于实时数据,能够综合考虑设备、人员、环境等多种风险因素的耦合作用的模型。
数字孪生技术的快速发展为解决上述问题提供了新的思路。数字孪生通过数字化的手段来构建一个数字世界中一模一样的实体,以模拟其在现实环境中的行为,并对过去和现在的行为或流程进行动态呈现,有效反映***运行情况,从而对不可预测的情况进行更加真实和全面的检测。通过虚实交互反馈、数据融合分析、决策迭代优化等手段,为物理实体提供更加实时、高效、智能的运行或操作服务。因此如何将数字孪生技术应用于工厂的故障诊断,在数字空间内映射工厂在实体空间的状况,进行虚拟模型与物理实体的交互反馈,并根据实时状态参数分析故障原因成为急需解决的技术问题。
发明内容
本发明的目的是针对上述技术问题,提出一种基于数字孪生的智能化工厂故障诊断与决策***,能够实时反映工厂的运行状况,及时发现故障并做出决策,减少安全事故的发生,提高工业生产效率。
为实现上述目的,本发明提供了如下方案:
一种基于数字孪生的智能化工厂故障诊断与决策***,包括:模型构建模块、数据采集模块、数据分析模块和故障诊断模块;
所述模型构建模块:用于基于工厂历史运行数据进行数字孪生模型的构建;
所述数据采集模块:用于采集工厂生产期间的实时工作数据,输入所述数字孪生模型中;
所述数据分析模块:用于基于所述数字孪生模型分析所述实时工作数据,得到工厂的异常状态;
所述故障诊断模块:用于将所述异常状态与所述历史运行数据中的故障特征数据相匹配,生成故障分析报告并发出警报。
进一步地,所述模型构建模块包括:
构建单元:用于根据工厂设备、人员、环境数据中与工厂安全状况相关的特征构建所述数字孪生模型;
训练单元:用于将所述工厂历史运行数据中的故障特征数据作为训练数据,对所述数字孪生模型进行训练。
进一步地,所述故障特征数据包括:工厂历史运行中安全事故发生的异常数据、人工生成的异常数据以及设备故障数据。
进一步地,所述数据采集模块包括:
设备数据采集单元:用于采集工厂生产设备运行过程中产生的数据,传至所述数据分析模块;
工人数据采集单元:用于采集工人位置及姿态信息数据,传至所述数据分析模块;
环境数据采集单元:用于采集工厂的环境信息,传至所述数据分析模块。
进一步地,所述数据分析模块包括:
设备运行分析单元:用于基于所述数字孪生模型分析生产设备的实时运行状态是否存在异常;
工人操作分析单元:用于基于所述数字孪生模型分析生产过程中工人的操作行为是否存在异常;
工厂环境分析单元:用于基于所述数字孪生模型分析生产过程中工厂内的环境状态是否出现异常;
若所述设备运行分析单元、所述工人操作分析单元和所述工厂环境分析单元中存在异常,生成异常状态传至所述故障诊断模块。
进一步地,所述故障诊断模块包括:
诊断单元:用于根据所述异常状态与所述历史运行数据中的故障特征数据相匹配,生成故障分析报告;
警报单元:用于根据所述故障分析报告进行故障警报。
进一步地,还包括决策管控模块,用于根据所述故障分析报告提供相应的解决方案。
进一步地,还包括显示模块,用于显示所述工厂生产期间的实时工作数据、所述故障分析报告以及相应的解决方案。
本发明的有益效果为:
本发明通过数字孪生模型对工厂中的人员、设备、环境进行实时监测,能够为生产过程中的人员管控、设备监控、与人机交互提供助力,从而减少安全事故的发生,提高工业生产效率;在数字孪生技术的驱动下,在信息层建立能反映工厂真实状态的数字孪生体,通过虚实映射分析各个车间风险因素的状态,运用深度卷积神经网络模型实现感知、分析、诊断等过程,对工厂安全状况及设备健康状况进行分析与评估,能够根据实时数据动态地进行安全监测,排查各类安全隐患。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明实施例的一种基于数字孪生的智能化工厂故障诊断与决策***框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例提供了一种基于数字孪生的智能化工厂故障诊断与决策***,如图1所示,包括:模型构建模块、信息采集模块、信息分析模块和故障诊断模块;
模型构建模块:用于基于工厂历史运行数据进行数字孪生模型的构建;
数据采集模块:用于采集工厂生产期间的实时工作数据,输入数字孪生模型中;
数据分析模块:用于基于数字孪生模型分析实时工作数据,得到工厂的异常状态;
故障诊断模块:用于将异常状态与历史运行数据中的故障特征相匹配,生成故障分析报告并发出警报。
进一步地,模型构建模块包括:
构建单元:用于根据工厂设备、人员、环境数据中与工厂安全状况相关的特征构建深度卷积神经网络模型;
训练单元:用于将工厂历史运行数据中的故障特征数据作为训练数据,对深度卷积神经网络模型进行训练,其中,故障特征数据包括工厂历史运行中安全事故发生的异常数据、人工生成的异常数据、以及设备故障数据。
首先根据工厂设备、人员、环境数据中与工厂安全状况相关的特征构建深度卷积神经网络模型;将故障特征数据作为模型的训练数据,对训练数据进行数据清洗及预处理,采用处理后的训练数据对深度卷积神经网络模型进行训练,并在模型中调用Tensorflow框架中的gym库构建策略网络实现强化学习,得到训练好的深度卷积神经网络模型。
其中,对训练数据进行数据清洗包括平滑、弥补以及剔除处理。
本实施例构建的深度卷积神经网络模型包括:特征提取部分、故障分类部分、梯度反转部分和领域分类部分,特征提取部分采用ResNet网络中的残差块结构,共采用4个残差单元,由17个卷积层构成,17个卷积层的卷积核大小均为3x3;梯度反转部分使得在反向传播过程中梯度方向自动取反,在前向传播过程中实现恒等变换;故障分类部分由一个全连接层和一个输出层构成;领域分类部分由三个带Dropout的全连接层构成。
进一步地,数据采集模块包括:
设备数据采集单元:用于采集工厂各种生产设备运行过程中产生的数据,包括:设备参数数据、设备位置数据、设备运行状况数据以及产品实时物流数据,其中,设备参数数据根据设备规格获取,设备位置数据根据射频识别技术获取,设备运行状况数据根据加速度传感器和压力传感器等进行采集,产品实时物流数据根据机床通信模块采集。
工人数据采集单元:用于采集工人位置及姿态信息数据,其中,采用视觉传感器采集工人位置及姿态信息,构建多注意力图卷积网络模型,使用嵌入注意力机制的GCN模块学习各节点之间的关联信息,多注意力图卷积网络模型由四个基本单元和两个全连接层组成,每个基本单元均由一个空间图卷积模块和一个时间图卷积模块构成,每个时间图卷积模块均包括三个用来提取特征的卷积层和一个激活函数层;空间图卷积模块中包括两个图注意力模块,用于计算图注意力矩阵并更新参数,从而提取到工人的空间特征。
环境数据采集单元:用于采集工厂的环境信息,通过温度传感器、湿度传感器等来实现。
进一步地,数据分析模块包括:
设备运行分析单元:用于基于数字孪生模型分析生产设备的实时运行状态是否存在异常;
工人操作分析单元:用于基于数字孪生模型分析生产过程中工人的操作行为是否存在异常;
工厂环境分析单元:用于基于数字孪生模型分析生产过程中工厂内的环境状态是否出现异常。
数据采集模块采集设备实时运行数据、工人位置及姿态信息数据、工厂环境数据后输入训练好的深度卷积神经网络模型中进行数据分析,同时分析生产设备的实时运行状态、工人操作行为、工厂环境状态是否存在异常,若存在异常,则生成异常状态发送至故障诊断模块。
进一步地,故障诊断模块包括:
诊断单元:用于根据异常状态与历史运行数据中的故障特征数据相匹配,生成故障分析报告,其中,故障分析报告包括故障设备的位置信息、设备的故障类型、处理故障所需的维修器件信息、工人操作失误行为信息以及故障是否会对工人造成伤害等。
警报单元:用于根据故障分析报告进行故障警报,在设备和工厂内安装警报器,与警报单元连接,进行生产过程中的及时警报提醒。
为进一步优化技术方案,本实施例提供的一种基于数字孪生的智能化工厂故障诊断与决策***还包括:决策管控模块:用于根据故障分析报告提供相应的解决方案,若生产过程中设备自身发生故障,则在发生故障的设备上产生警报,及时提醒工人关闭设备,维修人员进行维修;若生产过程中工人操作失误,则对工人进行警告,提醒工人此操作不符合标准;若因工人操作失误产生设备故障,则在故障设备上产生警报,并将工人此行为进行记录;若环境有异常情况,如温度过高,则进行生产过程中的设备检查,查看是否是因设备过热产生温度异常,并进行降温措施。
故障发生时还要注意工人所在位置,若故障可能对周围人员造成伤害,及时提醒工人撤离,保证工人安全。
为进一步优化技术方案,本实施例提供的一种基于数字孪生的智能化工厂故障诊断与决策***还包括:显示模块,用于显示工厂生产期间的实时工作数据、故障分析报告以及相应的解决方案。还可连接远程终端,便于管理者进行信息查看和决策进行。
本发明通过数字孪生模型对工厂中的人员、设备、环境进行实时监测,能够为生产过程中的人员管控、设备监控、与人机交互提供助力,从而减少安全事故的发生,提高工业生产效率;在数字孪生技术的驱动下,在信息层建立能反映工厂真实状态的数字孪生体,通过虚实映射分析各个车间风险因素的状态,运用深度卷积神经网络模型实现感知、分析、诊断等过程,对工厂安全状况及设备健康状况进行分析与评估,能够根据实时数据动态地进行安全监测,排查各类安全隐患。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种基于数字孪生的智能化工厂故障诊断与决策***,其特征在于,包括:模型构建模块、数据采集模块、数据分析模块和故障诊断模块;
所述模型构建模块:用于基于工厂历史运行数据进行数字孪生模型的构建;
所述数据采集模块:用于采集工厂生产期间的实时工作数据,输入所述数字孪生模型中;
所述数据分析模块:用于基于所述数字孪生模型分析所述实时工作数据,得到工厂的异常状态;
所述故障诊断模块:用于将所述异常状态与所述历史运行数据中的故障特征数据相匹配,生成故障分析报告并发出警报。
2.根据权利要求1所述的基于数字孪生的智能化工厂故障诊断与决策***,其特征在于,所述模型构建模块包括:
构建单元:用于根据工厂设备、人员、环境数据中与工厂安全状况相关的特征构建所述数字孪生模型;
训练单元:用于将所述工厂历史运行数据中的故障特征数据作为训练数据,对所述数字孪生模型进行训练。
3.根据权利要求2所述的基于数字孪生的智能化工厂故障诊断与决策***,其特征在于,所述故障特征数据包括:工厂历史运行中安全事故发生的异常数据、人工生成的异常数据以及设备故障数据。
4.根据权利要求1所述的基于数字孪生的智能化工厂故障诊断与决策***,其特征在于,所述数据采集模块包括:
设备数据采集单元:用于采集工厂生产设备运行过程中产生的数据,传至所述数据分析模块;
工人数据采集单元:用于采集工人位置及姿态信息数据,传至所述数据分析模块;
环境数据采集单元:用于采集工厂的环境信息,传至所述数据分析模块。
5.根据权利要求1所述的基于数字孪生的智能化工厂故障诊断与决策***,其特征在于,所述数据分析模块包括:
设备运行分析单元:用于基于所述数字孪生模型分析生产设备的实时运行状态是否存在异常;
工人操作分析单元:用于基于所述数字孪生模型分析生产过程中工人的操作行为是否存在异常;
工厂环境分析单元:用于基于所述数字孪生模型分析生产过程中工厂内的环境状态是否出现异常;
若所述设备运行分析单元、所述工人操作分析单元和所述工厂环境分析单元中存在异常,生成异常状态传至所述故障诊断模块。
6.根据权利要求1所述的基于数字孪生的智能化工厂故障诊断与决策***,其特征在于,所述故障诊断模块包括:
诊断单元:用于根据所述异常状态与所述历史运行数据中的故障特征数据相匹配,生成故障分析报告;
警报单元:用于根据所述故障分析报告进行故障警报。
7.根据权利要求1所述的基于数字孪生的智能化工厂故障诊断与决策***,其特征在于,还包括决策管控模块,用于根据所述故障分析报告提供相应的解决方案。
8.根据权利要求1所述的基于数字孪生的智能化工厂故障诊断与决策***,其特征在于,还包括显示模块,用于显示所述工厂生产期间的实时工作数据、所述故障分析报告以及相应的解决方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310216070.XA CN116125958A (zh) | 2023-03-08 | 2023-03-08 | 一种基于数字孪生的智能化工厂故障诊断与决策*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310216070.XA CN116125958A (zh) | 2023-03-08 | 2023-03-08 | 一种基于数字孪生的智能化工厂故障诊断与决策*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116125958A true CN116125958A (zh) | 2023-05-16 |
Family
ID=86302914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310216070.XA Pending CN116125958A (zh) | 2023-03-08 | 2023-03-08 | 一种基于数字孪生的智能化工厂故障诊断与决策*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116125958A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116560326A (zh) * | 2023-07-07 | 2023-08-08 | 中通服建设有限公司 | 一种智慧工厂管理平台 |
CN117152355A (zh) * | 2023-08-25 | 2023-12-01 | 广东汇通信息科技股份有限公司 | 一种基于工厂数据的可视化监管*** |
CN117475431A (zh) * | 2023-12-27 | 2024-01-30 | 君华高科集团有限公司 | 一种基于数字孪生技术的食品***方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118673A (zh) * | 2021-09-30 | 2022-03-01 | 苏州大学 | 一种基于数字孪生技术的车间智能化故障诊断预警方法 |
CN114575925A (zh) * | 2022-03-14 | 2022-06-03 | 中科海慧(北京)科技有限公司 | 一种基于时空大数据的矿井安全监测和预警的方法 |
CN115562158A (zh) * | 2022-11-10 | 2023-01-03 | 北京机床研究所有限公司 | 一种数字孪生驱动的数控机床智能诊断方法、***及终端机 |
-
2023
- 2023-03-08 CN CN202310216070.XA patent/CN116125958A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118673A (zh) * | 2021-09-30 | 2022-03-01 | 苏州大学 | 一种基于数字孪生技术的车间智能化故障诊断预警方法 |
CN114575925A (zh) * | 2022-03-14 | 2022-06-03 | 中科海慧(北京)科技有限公司 | 一种基于时空大数据的矿井安全监测和预警的方法 |
CN115562158A (zh) * | 2022-11-10 | 2023-01-03 | 北京机床研究所有限公司 | 一种数字孪生驱动的数控机床智能诊断方法、***及终端机 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116560326A (zh) * | 2023-07-07 | 2023-08-08 | 中通服建设有限公司 | 一种智慧工厂管理平台 |
CN116560326B (zh) * | 2023-07-07 | 2023-09-22 | 中通服建设有限公司 | 一种智慧工厂管理平台 |
CN117152355A (zh) * | 2023-08-25 | 2023-12-01 | 广东汇通信息科技股份有限公司 | 一种基于工厂数据的可视化监管*** |
CN117152355B (zh) * | 2023-08-25 | 2024-03-29 | 广东汇通信息科技股份有限公司 | 一种基于工厂数据的可视化监管*** |
CN117475431A (zh) * | 2023-12-27 | 2024-01-30 | 君华高科集团有限公司 | 一种基于数字孪生技术的食品***方法及*** |
CN117475431B (zh) * | 2023-12-27 | 2024-03-15 | 君华高科集团有限公司 | 一种基于数字孪生技术的食品***方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116125958A (zh) | 一种基于数字孪生的智能化工厂故障诊断与决策*** | |
Lee et al. | Prognostics and health management design for rotary machinery systems—Reviews, methodology and applications | |
CN108873830A (zh) | 一种生产现场数据在线采集分析及故障预测*** | |
CN106407589B (zh) | 一种风机状态评估与预测方法及*** | |
CN110806743A (zh) | 基于人工智能的设备故障检测与预警***及方法 | |
CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
CN105809255A (zh) | 一种基于物联网的火电厂旋转机械健康管理方法及*** | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
CN111651530B (zh) | 一种智能化港口监测*** | |
CN112527613A (zh) | 基于云边协同的设备故障维护方法及装置 | |
CN111817880A (zh) | 一种油气田生产设备健康管理***以及实现方法 | |
CN112232569A (zh) | 一种机械设备故障预警方法、***及可读存储介质 | |
CN114911206A (zh) | 一种基于物联网的选煤厂智能化预测维护*** | |
CN116107282B (zh) | 一种基于企业应用集成的工业机器人预测性维护*** | |
CN117235443A (zh) | 一种基于边缘ai的电力作业安全监测方法及*** | |
CN117078163A (zh) | 基于数字孪生的物流仓储管控***及方法 | |
Assad et al. | Maintenance and digital health control in smart manufacturing based on condition monitoring | |
CN112650195A (zh) | 基于云边协同的设备故障维护方法及装置 | |
CN115114856A (zh) | 一种基于数字孪生的智能制造产线运行*** | |
CN117311316A (zh) | 一种面向工业互联网的机器故障诊断方法及*** | |
KR20190081691A (ko) | 머신러닝 알고리즘을 이용한 공정 이상 감지 시스템 및 그 방법 | |
CN115222069A (zh) | 一种设备预诊维护算法及集成该算法的智能工厂管控架构 | |
CN116824734A (zh) | 一种基于数字孪生的设备远程故障诊断方法、***和装置 | |
Elbazi et al. | Digital twin-enabled monitoring of mining haul trucks with expert system integration: A case study in an experimental open-pit mine | |
CN112364088A (zh) | 基于工厂数字化制造资源的可视化配置*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230516 |
|
RJ01 | Rejection of invention patent application after publication |