CN116700162A - 一种基于数字孪生的工业生产*** - Google Patents
一种基于数字孪生的工业生产*** Download PDFInfo
- Publication number
- CN116700162A CN116700162A CN202310585419.7A CN202310585419A CN116700162A CN 116700162 A CN116700162 A CN 116700162A CN 202310585419 A CN202310585419 A CN 202310585419A CN 116700162 A CN116700162 A CN 116700162A
- Authority
- CN
- China
- Prior art keywords
- data
- industrial production
- digital
- production system
- 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.)
- Withdrawn
Links
- 238000009776 industrial production Methods 0.000 title claims abstract description 150
- 238000004519 manufacturing process Methods 0.000 claims abstract description 85
- 238000005457 optimization Methods 0.000 claims abstract description 51
- 238000004088 simulation Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 239000002994 raw material Substances 0.000 claims abstract description 8
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 56
- 238000005516 engineering process Methods 0.000 claims description 34
- 230000000007 visual effect Effects 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 23
- 230000003993 interaction Effects 0.000 claims description 22
- 238000007726 management method Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 11
- 230000008846 dynamic interplay Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000012502 risk assessment Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 238000005094 computer simulation Methods 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000000149 penetrating effect Effects 0.000 claims 1
- 238000011425 standardization method Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012800 visualization 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及工业生产数字控制技术领域，具体公开了一种基于数字孪生的工业生产***，包括工业生产数据监控采集模块，是在工业生产车间，利用计算机服务器、生产设备机器人、传感器、扫描摄像头及质量检测器的硬件设施，对原料采购、质量检验数据；本发明通过采用摄像点云扫描器结合智能传感器传输采集工业生产数据，提高了建立数字孪生模型的精确性，通过虚实信息融合分析模块增加多种数据融合算法，并人工智能模拟运算，验证了数字孪生模型与工业生产实物的信息匹配性，提高工业生产的采集数据信息准确性，以及采用智慧云评估优化模块，进一步的对数字孪生模型预测结果进行分析、优化。
Description
技术领域
本发明涉及工业生产数字控制技术领域，具体涉及一种基于数字孪生的工业生产***。
背景技术
工业生产***是一个复杂的、涵盖了若干个生产环节的***，生产环节包括原料采购、生产制造、质量控制、装配生产、设备维护的各个方面，且在每个生产环节的阶段都需要专业的人员来监管和管理，目前，工厂生产***是结合机器学习和自动化技术，在机械设备硬件上***软件，建立数字孪生模型进行管理、调控及风险预测，以此提高生产效率并减少错误的发生。
但是，现有的数字孪生技术涉及5G物联网技术、大量数据加载技术、云计算协作技术、模拟技术和信息安全技术的成熟度低，具有协调复杂、建模困难、延时性高的缺陷，尤其是运用在工业生产中，是通过数字模拟技术与传感器数据融合算法，从而实现工业化生产物体的数字仿真和操作，例如，申请号为CN202211146017.9公开了一种基于工业数字孪生的生产管理***中，包括服务器、生产管理分析单元、供应链分析单元、数据关联性分析单元、孪生建模分析单元、稳态生产效率分析单元以及动态生产影响分析单元组成，通过稳态状态和动态状态下的生产进行比对，能够将风险分析系数阈值进行准确获取，用于提高孪生建模的准确性，但是存在数据分析过程没有核实验证，导致生产管理差异化、针对性强但不全面，生产数据模糊偏差大的问题。
因此，本申请提出了一种基于数字孪生的工业生产***，在数据采集、预处理、模型建立、验证及应用方面进行提升，提高数据采集的精确性，数据处理的全面完整化，以及建立模型算法的优化和验证的准确度，以此提高生产的效率，保证产品的质量，预测生产风险，降低生产成本。
发明内容
解决的技术问题
针对现有技术的不足，本发明提供了一种基于数字孪生的工业生产***，通过虚实信息融合分析模块增加数据融合的多样性算法处理融合采集数据，提高工业生产的采集数据信息准确性，采用智慧云评估优化模块，是利用云计算结合数字孪生模型的双重优化、评估和检验模型的精确性，增加了工业生产风险预测，提高生产效率，以及采用了摄像点云扫描器结合智能传感器，增加了建立数字孪生模型的精确性，解决了背景技术中提出的数据分析过程没有核实验证，导致生产管理差异化、针对性强但不全面，生产数据模糊偏差大的问题。
技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于数字孪生的工业生产***，包括工业生产数据监控采集模块，是在工业生产车间，利用计算机服务器、生产设备机器人、传感器、扫描摄像头及质量检测器的硬件设施，对原料采购、质量检验数据，监控生产制造过程及生产设备维护数据进行实时采集，用于实时监控并采集工业生产***中的相关数据，并把采集的数据和对应的时间段动态变化信息分别传输到数字孪生可视化数据交互处理模块和虚实信息融合分析模块进行处理、计算、模拟和映射；
数字孪生可视化数据交互处理模块，是通过开放式API协议接口接收工业生产数据监控采集模块中采集的数据进行标准格式处理，并建立数字孪生模型，完成信息可视化虚实映射，用于将实体工业生产信息进行数据处理，形成虚拟可视化数字孪生动态3D智能工厂管理***，并将虚实交互处理信息传输至智慧云评估优化模块进行数字孪生模型优化和工业生产预测；
虚实信息融合分析模块，是通过开放式API协议接口接收工业生产数据监控采集模块中采集的数据进行数据融合、分析处理，并采用人工智能进行数据模拟，用于确保提取采集数据的准确性，分析数据的全面性，并通过模拟进行工业生产的预测和优化，结合数字孪生可视化数据交互处理模块的信息共享，提高建模的精确度，精确把控工业生产效率和生产设备运行状态，并将其计算信息传输到智慧云评估优化模块进行评估和优化；
智慧云评估优化模块，是接收数字孪生可视化数据交互处理模块和虚实信息融合分析模块的数据信息，利用智慧云进行云处理、存储、计算及验证数据，用于对工业生产***中的数据进行管理优化和评估风险，减少工业生产***的损失和风险、提高生产效率和质量，将优化评估后的数据传输至工业生产仿真运行远程控制模块中进行信息仿真运行并可视化反馈，使得工业管理人员能够进行远程控制；
工业生产仿真运行远程控制模块，是采用5G物联网技术，将智慧云评估优化模块中处理的数据进行仿真运行，用于实时显示生产环境和动态生产过程，并实时反映工业生产***中的生产流程和运行状态，便于人机交互、精确操控，利用调控数字孪生模型中的可视化、数字化和智能化信息对工业生产***中的实体进行远程控制。
进一步地，所述工业生产数据监控采集模块包括智能传感器、摄像点云扫描器、DT数据总线和API协议通讯接口，所述智能传感器是对工业生产设备进行检测相关的物理量、产品参数并储存，按照指令自补偿、计算处理数据并传输，将采集的模拟信号、电信号经过模数转换成数字信号，再利用微处理器将数字信号进行数字规一化传输，用于采集、处理、监控、交换信息；所述摄像点云扫描器是通过摄像头来获取信息，利用动态扫描器获取被扫描工业生产场景从而获取与之对应的立体模型信息，其中，点云是表示三维形状和对象的空间中点的数据集，点云中每个点的位置都由一组笛卡尔坐标(X,Y,Z)描述，有的含有色彩信息(R,G,B)或物体反射面强度信息，强度信息的获取是激光扫描仪接受生产设备采集到的回波强度，此强度信息与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关；所述摄像点云扫描器可选择Capture、激光雷达、Record3D、3DScanner中的任意一种或几种组合使用。
进一步地，所述DT数据总线是将数字孪生和数字总线进行集成贯穿，用于通过总线将实体信息数据建立虚拟数字孪生模型进行精确描述、表达和控制，具体是在工业生产***中，数字总线布局着产品的生产周期和生产设备流程规划，数字孪生则通过数字总线映射、相连和反馈实体，建立数字模型，对工业生产进行性能评估、发现缺陷、预测故障、优化生产及提高质量；API协议通讯接口是应用于计算机操控工业生产***，采用开放式应用程序接口去定义、通讯、共享和连接的数据通信，用于提供工业生产***的应用程序与工业生产***管理人员以访问一组例程的能力，而又无需访问的源码，具有提高***各模块的内聚性，降低***各模块的耦合程度，从而提高工业生产***的维护性和扩展性。
进一步地，所述数字孪生可视化数据交互处理模块包括数据标准格式处理单元、构建DT模型和虚实双向映射单元，所述数据标准格式处理单元是DPU通过数学变换算法对接收的工业生产原始变量转化为无量纲、无数量级差异的标准化数值，以此消除不同变量之间性质、量纲、数量级等特征属性的差异，其中，所述数学变换算法是采用极差标准化法，用于消除变量量纲和变异范围影响、Z-score标准化，用于对超出取值范围的离群数值进行数据标准化处理和反正切函数标准化，用于对原始数据为正、负实数进行处理中的任意一种或多种组合。
进一步地，所述构建DT模型是利用计算机将业生产***中采集、监控的实物物理结构、性能指标、运行状态及产品数据，经过数字标准化处理后，利用机器学习和人工智能技术，建立数字孪生模型，该模型包括生产设计、原料订购、参数设置、质量控制和管理验证的过程，用于通过DT模型对工业生产***进行仿真预测，优化运营，提高生产效率；所述虚实双向映射单元是工业生产***通过对物理实体构建数字孪生模型，对生产实体对象进行全面、准确、动态仿真，用于通过对数字孪生模型的分析与优化，来改善其对应的工业生产物理实体的性能和运行绩效，以及描述物理实体的内在机制、分析规律、洞察趋势，形成基于分析和模拟的优化指令或策略，实现物理实体决策优化功能的运作及管理闭环。
进一步地，所述虚实信息融合分析模块包括元学***均，减少数据的延迟和缺失，以获得更为准确的预测结果，其计算步骤如下：
A1、对于每一个基学习器hj，将工业生产***中采集的数据信息进行训练、融合并测试模型，同时记下测试集上的误差errj；
A2、按照误差errj的大小对所有基学习器hj进行排序，将误差小的基学习器hj赋予高的权值W，依次赋予权重系数后；
A3、对于每一个待计算、融合、预测的样本x，需利用基学***均，得到元学习器的预测结果P。
进一步地，所述KalmanFilter递推预测算法是一种线性、离散、无限维状态空间模型的估计、预测算法，通过对测量数据、时序信号进行滤波和预测，实现若干个传感器数据的融合权重计算，减少噪声干扰，用于提高数据的精度、减少数据传输误差及提高工业生产***的响应速度和准确性，其计算步骤如下：
B1、初始化：获取工业生产***状态的初始状态量，在时刻0的初始估计值x{0}，以及工业生产***状态的协方差矩阵，即方差的估计值P{0}；
B2、预测计算：//x{k|k-1}＝Fk*x{k-1|k-1}+Bk*uk//
//P{k|k-1}＝Fk*P{k-1|k-1}*Fk+Qk//
式中，x{k|k-1}为时刻k的估计状态值，F为状态转移矩阵，B为外部输入的过程噪声矩阵，u为外部输入向量，P{k|k-1}为估计状态值误差协方差矩阵，Q表示过程噪声的协方差矩阵；
B3、融合更新：//hat{y}{k}＝H_kx{k|k-1}//
(即实测值转换为状态空间值)
//K_k＝P_{k|k-1}H^T_k(H_kP_{k|k-1}H^T_k+R_k)^{-1}//
(即卡尔曼增益)
//x_{k|k}＝x_{k|k-1}+K_k(y_k-|hat{y_k})//
//P_{k|k}＝(I-K_kH_k)P_{k|k-1}//
式中，K_k为卡尔曼增益，表示预测值与测量值之间的取舍；所述AI模拟单元是利用机器学习算法通过计算机程序来实现对工业生产***中实物生产过程进行动态模拟，具有优化工艺流程、预测产量和质量、优化设备维护、预测能耗和环境影响，以及支持决策制定的方面，降低生产成本、提高生产效率和环境保护的特点。
进一步地，所述智慧云评估优化模块包括DT精度云优化单元和DT风险云评估单元，所述DT精度云优化单元是对实际工业生产***的运行数据进行采集、分析，建立数字孪生模型，进行模拟和预测，其包括数据采集、数字孪生模型、优化算法和精度云服务组成，所述数据采集是通过智能传感器、摄像点云扫描器设备采集工程生产运行数据，并将其存储和管理；所述数字孪生模型是对采集的数据进行分析和处理，建立数字孪生模型，对工业生产***进行模拟和预测；所述优化算法是采用机器学习算法、数学算法，对数字孪生模型中的数据进行分析、聚类和优化，用于实现生产目标优化和性能提升；所述精度云服务是为DT精度云优化单元提供云服务支持。
进一步地，所述DT风险云评估单元结合数字孪生和云计算技术进行风险评估，通过数字孪生技术实现对实际***的模拟和预测，并通过云计算技术将各种业务数据进行整合和分析，用于评估风险管理措施的有效性和应对措施的可行性，其包括数字孪生模型、云计算平台、风险评估算法和可视化接口组成，所述数字孪生模型是以数字孪生技术为基础，建立真实世界工业生产***的虚拟模型，用来模拟该***中的设备运行、产品结构、生产过程和行为；所述云计算平台是提供计算资源和存储服务，用来存储和分析风险相关的数据；所述风险评估算法是采用大数据分析和机器学习技术，在数字孪生模型上模拟风险事件的概率和影响，提供精准的风险评估结果；所述可视化接口是提供直观的可视化界面，帮助用户理解和处理评估结果，以制定更有效的风险管理和应对策略。
进一步地，所述工业生产仿真运行远程控制模块包括实时仿真动态交互单元和5G物联网远程控制单元，所述实时仿真动态交互单元是通过数字模型模拟实际***的运行过程，实现实时计算、动态交互的技术单元，用于提供实时的体征监测和数据分析，其是由数值模拟器、动态交互界面、数据可视化和实时计算组成；所述5G物联网远程控制单元是采用5G和物联网技术，通过无线网络对工业生产***进行实时监控和远程控制，其是由物联网设备、5G网络、远程控制中心和安全保护机制组成，具有实时性、稳定性、安全性和隐私性。
本发明提供了一种基于数字孪生的工业生产***，具备以下有益效果：
本发明通过采用摄像点云扫描器结合智能传感器传输采集工业生产数据，提高了建立数字孪生模型的精确性，通过虚实信息融合分析模块增加多种数据融合算法，并人工智能模拟运算，验证了数字孪生模型与工业生产实物的信息匹配性，提高工业生产的采集数据信息准确性，以及采用智慧云评估优化模块，进一步的对数字孪生模型预测结果进行分析、优化，提高生产的效率，保证产品的质量，预测生产风险，降低生产成本。
附图说明
图1为本发明的基于数字孪生的工业生产***框图。
图2为本发明的工业生产数据监控采集模块示意图。
图3为本发明的数字孪生可视化数据交互处理模块流程图。
图4为本发明的虚实信息融合分析模块流程图。
图5为本发明的智慧云评估优化模块示意图
图6为本发明的工业生产仿真运行远程控制模块示意图
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。
实施例1
请参阅图1，本发明提供一种基于数字孪生的工业生产***，包括工业生产数据监控采集模块，是在工业生产车间，利用计算机服务器、生产设备机器人、传感器、扫描摄像头及质量检测器的硬件设施，对原料采购、质量检验数据，监控生产制造过程及生产设备维护数据进行实时采集，用于实时监控并采集工业生产***中的相关数据，并把采集的数据和对应的时间段动态变化信息分别传输到数字孪生可视化数据交互处理模块和虚实信息融合分析模块进行处理、计算、模拟和映射；
数字孪生可视化数据交互处理模块，是通过开放式API协议接口接收工业生产数据监控采集模块中采集的数据进行标准格式处理，并建立数字孪生模型，完成信息可视化虚实映射，用于将实体工业生产信息进行数据处理，形成虚拟可视化数字孪生动态3D智能工厂管理***，并将虚实交互处理信息传输至智慧云评估优化模块进行数字孪生模型优化和工业生产预测；
虚实信息融合分析模块，是通过开放式API协议接口接收工业生产数据监控采集模块中采集的数据进行数据融合、分析处理，并采用人工智能进行数据模拟，用于确保提取采集数据的准确性，分析数据的全面性，并通过模拟进行工业生产的预测和优化，结合数字孪生可视化数据交互处理模块的信息共享，提高建模的精确度，精确把控工业生产效率和生产设备运行状态，并将其计算信息传输到智慧云评估优化模块进行评估和优化；
智慧云评估优化模块，是接收数字孪生可视化数据交互处理模块和虚实信息融合分析模块的数据信息，利用智慧云进行云处理、存储、计算及验证数据，用于对工业生产***中的数据进行管理优化和评估风险，减少工业生产***的损失和风险、提高生产效率和质量，将优化评估后的数据传输至工业生产仿真运行远程控制模块中进行信息仿真运行并可视化反馈，使得工业管理人员能够进行远程控制；
工业生产仿真运行远程控制模块，是采用5G物联网技术，将智慧云评估优化模块中处理的数据进行仿真运行，用于实时显示生产环境和动态生产过程，并实时反映工业生产***中的生产流程和运行状态，便于人机交互、精确操控，利用调控数字孪生模型中的可视化、数字化和智能化信息对工业生产***中的实体进行远程控制。
实施例2
请参阅图2-6，本发明提供一种基于数字孪生的工业生产***，本实施例是对实施例1中进一步的公开，所述工业生产数据监控采集模块包括智能传感器、摄像点云扫描器、DT数据总线和API协议通讯接口，所述智能传感器是对工业生产设备进行检测相关的物理量、产品参数并储存，按照指令自补偿、计算处理数据并传输，将采集的模拟信号、电信号经过模数转换成数字信号，再利用微处理器将数字信号进行数字规一化传输，用于采集、处理、监控、交换信息；所述摄像点云扫描器是通过摄像头来获取信息，利用动态扫描器获取被扫描工业生产场景从而获取与之对应的立体模型信息，其中，点云是表示三维形状和对象的空间中点的数据集，点云中每个点的位置都由一组笛卡尔坐标(X,Y,Z)描述，有的含有色彩信息(R,G,B)或物体反射面强度信息，强度信息的获取是激光扫描仪接受生产设备采集到的回波强度，此强度信息与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关；所述摄像点云扫描器可选择Capture、激光雷达、Record3D、3DScanner中的任意一种或几种组合使用，所述Capture通过前置摄像头对准被扫描物体进行全方向的平缓移动来获取模型信息，并将获取的模型信息储存在模型库，或保存在云端；所述激光雷达是通过发射激光信号扫描工业生产***中产品、设备，收集反射回来的激光信号，通过光速、激光从发射到返回的时间信息来测得目标物的距离信息，利用算法计算目标物的三维坐标信息和距离信息；所述Record3D是通过前、后置摄像头，对工业生产设备的机械动作与外界生产环境声音进行拍摄记录，并将其动态点云效果导入到模型中与场景进行合并渲染，建立模仿虚拟和现实共存的场景，实现模拟虚实状态；所述3DScanner是将摄影扫描到的工业生产物体，利用obj格式的贴图导入到电脑中编辑，通过多面建模的形式进行裁剪、渲染、投射和编辑，形成三维模型。
在一个优选的实施例中，所述DT数据总线是将数字孪生和数字总线进行集成贯穿，用于通过总线将实体信息数据建立虚拟数字孪生模型进行精确描述、表达和控制，具体是在工业生产***中，数字总线布局着产品的生产周期和生产设备流程规划，数字孪生则通过数字总线映射、相连和反馈实体，建立数字模型，对工业生产进行性能评估、发现缺陷、预测故障、优化生产及提高质量；API协议通讯接口是应用于计算机操控工业生产***，采用开放式应用程序接口去定义、通讯、共享和连接的数据通信，用于提供工业生产***的应用程序与工业生产***管理人员以访问一组例程的能力，而又无需访问的源码，具有提高***各模块的内聚性，降低***各模块的耦合程度，从而提高工业生产***的维护性和扩展性。
在一个优选的实施例中，所述数字孪生可视化数据交互处理模块包括数据标准格式处理单元、构建DT模型和虚实双向映射单元，所述数据标准格式处理单元是DPU通过数学变换算法对接收的工业生产原始变量转化为无量纲、无数量级差异的标准化数值，以此消除不同变量之间性质、量纲、数量级等特征属性的差异，其中，所述数学变换算法是采用极差标准化法，用于消除变量量纲和变异范围影响、Z-score标准化，用于对超出取值范围的离群数值进行数据标准化处理和反正切函数标准化，用于对原始数据为正、负实数进行处理中的任意一种或多种组合，极差标准化法是对工业生产中的每个生产环节采集的数据信息均对其指标进行计算，计算公式为式中，/>为正向指标，X为工业生产各环节变量的每一个观察值，Xmin是生产指标数据的最小值，Xmax是生产指标数据的最大值；Z-score标准化是对生产环节数据指标的最大值和最小值未知时，利用数据指标的平均值计算出标准差，并带入公式/>式中，X为工业生产各环节变量的每一个观察值，X为生产指标数据的平均值，X1、X2…Xn是生产指标的n个数据；反正切函数标准化是针对工业生产中设备运行的参数、频率存在负实数情况的转换成正实数处理，带入计算公式为/>式中，X为工业生产各环节变量的每一个观察值。
在一个优选的实施例中，所述构建DT模型是利用计算机将业生产***中采集、监控的实物物理结构、性能指标、运行状态及产品数据，经过数字标准化处理后，利用机器学习和人工智能技术，建立数字孪生模型，该模型包括生产设计、原料订购、参数设置、质量控制和管理验证的过程，用于通过DT模型对工业生产***进行仿真预测，优化运营，提高生产效率；所述虚实双向映射单元是工业生产***通过对物理实体构建数字孪生模型，对生产实体对象进行全面、准确、动态仿真，用于通过对数字孪生模型的分析与优化，来改善其对应的工业生产物理实体的性能和运行绩效，以及描述物理实体的内在机制、分析规律、洞察趋势，形成基于分析和模拟的优化指令或策略，实现物理实体决策优化功能的运作及管理闭环，其中，虚实双向映射是采用计算机JAVA编程语言进行编辑和验证，如下所示：
Map<String,Object>
virtualToPhysical＝newHashMap<>()；
//虚拟到物理的映射
Map<Object,String>
physicalToVirtual＝newHashMap<>()；
//物理到虚拟的映射
//实体或过程的数字化表示映射到其虚拟化对应物上
StringvirtualEntity＝"VirtualEntity"；
ObjectphysicalEntity＝newObject()；
//添加映射关系
virtualToPhysical.
put(virtualEntity,physicalEntity)；
physicalToVirtual.
put(physicalEntity,virtualEntity)；
//通过虚拟实体查询物理实体
ObjectqueriedPhysicalEntity＝virtualToPhysical.
get(virtualEntity)；
//通过物理实体查询虚拟实体
StringqueriedVirtualEntity＝physicalToVirtual.
get(physicalEntity)。
在一个优选的实施例中，所述虚实信息融合分析模块包括元学***均，减少数据的延迟和缺失，以获得更为准确的预测结果，其计算步骤如下：
A1、对于每一个基学习器hj，将工业生产***中采集的数据信息进行训练、融合并测试模型，同时记下测试集上的误差errj；
A2、按照误差errj的大小对所有基学习器hj进行排序，将误差小的基学习器hj赋予高的权值W，依次赋予权重系数后；
A3、对于每一个待计算、融合、预测的样本x，需利用基学***均，得到元学习器的预测结果P。
在一个优选的实施例中，所述KalmanFilter递推预测算法是一种线性、离散、无限维状态空间模型的估计、预测算法，通过对测量数据、时序信号进行滤波和预测，实现若干个传感器数据的融合权重计算，减少噪声干扰，用于提高数据的精度、减少数据传输误差及提高工业生产***的响应速度和准确性，其计算步骤如下：
B1、初始化：获取工业生产***状态的初始状态量，在时刻0的初始估计值x{0}，以及工业生产***状态的协方差矩阵，即方差的估计值P{0}；
B2、预测计算：//x{k|k-1}＝Fk*x{k-1|k-1}+Bk*uk//
//P{k|k-1}＝Fk*P{k-1|k-1}*Fk+Qk//
式中，x{k|k-1}为时刻k的估计状态值，F为状态转移矩阵，B为外部输入的过程噪声矩阵，u为外部输入向量，P{k|k-1}为估计状态值误差协方差矩阵，Q表示过程噪声的协方差矩阵；
B3、融合更新：//hat{y}{k}＝H_kx{k|k-1}//
(即实测值转换为状态空间值)
//K_k＝P_{k|k-1}H^T_k(H_kP_{k|k-1}H^T_k+R_k)^{-1}//
(即卡尔曼增益)
//x_{k|k}＝x_{k|k-1}+K_k(y_k-|hat{y_k})//
//P_{k|k}＝(I-K_kH_k)P_{k|k-1}//
式中，K_k为卡尔曼增益，表示预测值与测量值之间的取舍；所述AI模拟单元是利用机器学习算法通过计算机程序来实现对工业生产***中实物生产过程进行动态模拟，具有优化工艺流程、预测产量和质量、优化设备维护、预测能耗和环境影响，以及支持决策制定的方面，降低生产成本、提高生产效率和环境保护的特点。
在一个优选的实施例中，所述智慧云评估优化模块包括DT精度云优化单元和DT风险云评估单元，所述DT精度云优化单元是对实际工业生产***的运行数据进行采集、分析，建立数字孪生模型，进行模拟和预测，其包括数据采集、数字孪生模型、优化算法和精度云服务组成，所述数据采集是通过智能传感器、摄像点云扫描器设备采集工程生产运行数据，并将其存储和管理；所述数字孪生模型是对采集的数据进行分析和处理，建立数字孪生模型，对工业生产***进行模拟和预测；所述优化算法是采用机器学习算法、数学算法，对数字孪生模型中的数据进行分析、聚类和优化，用于实现生产目标优化和性能提升；所述精度云服务是为DT精度云优化单元提供云服务支持。
在一个优选的实施例中，所述DT风险云评估单元结合数字孪生和云计算技术进行风险评估，通过数字孪生技术实现对实际***的模拟和预测，并通过云计算技术将各种业务数据进行整合和分析，用于评估风险管理措施的有效性和应对措施的可行性，其包括数字孪生模型、云计算平台、风险评估算法和可视化接口组成，所述数字孪生模型是以数字孪生技术为基础，建立真实世界工业生产***的虚拟模型，用来模拟该***中的设备运行、产品结构、生产过程和行为；所述云计算平台是提供计算资源和存储服务，用来存储和分析风险相关的数据；所述风险评估算法是采用大数据分析和机器学习技术，在数字孪生模型上模拟风险事件的概率和影响，提供精准的风险评估结果；所述可视化接口是提供直观的可视化界面，帮助用户理解和处理评估结果，以制定更有效的风险管理和应对策略。
在一个优选的实施例中，所述工业生产仿真运行远程控制模块包括实时仿真动态交互单元和5G物联网远程控制单元，所述实时仿真动态交互单元是通过数字模型模拟实际***的运行过程，实现实时计算、动态交互的技术单元，用于提供实时的体征监测和数据分析，其是由数值模拟器、动态交互界面、数据可视化和实时计算组成；所述5G物联网远程控制单元是采用5G和物联网技术，通过无线网络对工业生产***进行实时监控和远程控制，其是由物联网设备、5G网络、远程控制中心和安全保护机制组成，具有实时性、稳定性、安全性和隐私性。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本申请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，或者网络设备等)执行本申请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(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后：以上所述仅为本发明的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、或者计算机软件和电子硬件的结合来实现而已，并不用于限制本发明，凡在本发明的精神和原则之内，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，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)
1.一种基于数字孪生的工业生产***，其特征在于：包括工业生产数据监控采集模块，是对原料采购、质量检验数据，监控生产制造过程及生产设备维护数据进行实时采集，并把采集的数据和对应的时间段动态变化信息分别传输到数字孪生可视化数据交互处理模块和虚实信息融合分析模块进行处理、计算、模拟和映射；
数字孪生可视化数据交互处理模块，是接收工业生产数据监控采集模块中采集的数据进行标准格式处理，并建立数字孪生模型，完成信息可视化虚实映射，并将虚实交互处理信息传输至智慧云评估优化模块进行数字孪生模型优化和工业生产预测；
虚实信息融合分析模块，是接收工业生产数据监控采集模块中采集的数据进行数据融合、分析处理，并采用人工智能进行数据模拟，结合数字孪生可视化数据交互处理模块的信息共享，并将其计算信息传输到智慧云评估优化模块进行评估和优化；
智慧云评估优化模块，是接收数字孪生可视化数据交互处理模块和虚实信息融合分析模块的数据信息，利用智慧云进行云处理、存储、计算及验证数据，将优化评估后的数据传输至工业生产仿真运行远程控制模块中进行信息仿真运行并可视化反馈，使得工业管理人员能够进行远程控制；
工业生产仿真运行远程控制模块，是采用5G物联网技术，将智慧云评估优化模块中处理的数据进行仿真运行，利用调控数字孪生模型中的可视化、数字化和智能化信息对工业生产***中的实体进行远程控制。
2.根据权利要求1所述的基于数字孪生的工业生产***，其特征在于：所述工业生产数据监控采集模块包括智能传感器、摄像点云扫描器、DT数据总线和API协议通讯接口，所述智能传感器是对工业生产设备进行检测相关的物理量、产品参数并储存，按照指令自补偿、计算处理数据并传输，用于采集、处理、监控、交换信息；所述摄像点云扫描器是通过摄像头来获取信息，利用动态扫描器获取被扫描工业生产场景从而获取与之对应的立体模型信息；所述摄像点云扫描器可选择Capture、激光雷达、Record3D、3DScanner中的任意一种或几种组合使用。
3.根据权利要求2所述的基于数字孪生的工业生产***，其特征在于：所述DT数据总线是将数字孪生和数字总线进行集成贯穿，用于通过总线将实体信息数据建立虚拟数字孪生模型进行精确描述、表达和控制；API协议通讯接口是应用于计算机操控工业生产***，采用开放式应用程序接口去定义、通讯、共享和连接的数据通信，用于提供工业生产***的应用程序与工业生产***管理人员以访问一组例程的能力，而又无需访问的源码。
4.根据权利要求1所述的基于数字孪生的工业生产***，其特征在于：所述数字孪生可视化数据交互处理模块包括数据标准格式处理单元、构建DT模型和虚实双向映射单元，所述数据标准格式处理单元是DPU通过数学变换算法对接收的工业生产原始变量转化为无量纲、无数量级差异的标准化数值，以此消除不同变量之间性质、量纲、数量级等特征属性的差异，其中，所述数学变换算法是采用极差标准化法、Z-score标准化和反正切函数标准化中的任意一种或多种组合。
5.根据权利要求4所述的基于数字孪生的工业生产***，其特征在于：所述构建DT模型是利用计算机将业生产***中采集、监控的实物物理结构、性能指标、运行状态及产品数据，经过数字标准化处理后，利用机器学习和人工智能技术，建立数字孪生模型，该模型包括生产设计、原料订购、参数设置、质量控制和管理验证的过程；所述虚实双向映射单元是工业生产***通过对物理实体构建数字孪生模型，对生产实体对象进行全面、准确、动态仿真，虚实双向映射是采用计算机JAVA编程语言进行编辑和验证，如下所示：
Map<String,Object>
virtualToPhysical＝newHashMap<>()；
//虚拟到物理的映射
Map<Object,String>
physicalToVirtual＝newHashMap<>()；
//物理到虚拟的映射
//实体或过程的数字化表示映射到其虚拟化对应物上
StringvirtualEntity＝"VirtualEntity"；
ObjectphysicalEntity＝newObject()；
//添加映射关系
virtualToPhysical.
put(virtualEntity,physicalEntity)；
physicalToVirtual.
put(physicalEntity,virtualEntity)；
//通过虚拟实体查询物理实体
ObjectqueriedPhysicalEntity＝virtualToPhysical.
get(virtualEntity)；
//通过物理实体查询虚拟实体
StringqueriedVirtualEntity＝physicalToVirtual.
get(physicalEntity)。
6.根据权利要求5所述的基于数字孪生的工业生产***，其特征在于：所述虚实信息融合分析模块包括元学习的数据融合算法、KalmanFilter递推预测算法和AI模拟单元，所述元学习的数据融合算法是利用机器学习技术计算处理多源数据，将数据从不同源整合到一个单一的数据集中，其计算步骤如下：
A1、对于每一个基学习器hj，将工业生产***中采集的数据信息进行训练、融合并测试模型，同时记下测试集上的误差errj；
A2、按照误差errj的大小对所有基学习器hj进行排序，将误差小的基学习器hj赋予高的权值W，依次赋予权重系数后；
A3、对于每一个待计算、融合、预测的样本x，需利用基学***均，得到元学习器的预测结果P。
7.根据权利要求6所述的基于数字孪生的工业生产***，其特征在于：所述KalmanFilter递推预测算法是一种线性、离散、无限维状态空间模型的估计、预测算法，通过对测量数据、时序信号进行滤波和预测，实现若干个传感器数据的融合权重计算，减少噪声干扰，其计算步骤如下：
B1、初始化：获取工业生产***状态的初始状态量，在时刻0的初始估计值x{0}，以及工业生产***状态的协方差矩阵，即方差的估计值P{0}；
B2、预测计算：//x{k|k-1}＝Fk*x{k-1|k-1}+Bk*uk//
//P{k|k-1}＝Fk*P{k-1|k-1}*Fk+Qk//
式中，x{k|k-1}为时刻k的估计状态值，F为状态转移矩阵，B为外部输入的过程噪声矩阵，u为外部输入向量，P{k|k-1}为估计状态值误差协方差矩阵，Q表示过程噪声的协方差矩阵；
B3、融合更新：//hat{y}{k}＝H_kx{k|k-1}//
(即实测值转换为状态空间值)
//K_k＝P_{k|k-1}H^T_k(H_kP_{k|k-1}H^T_k+R_k)^{-1}//
(即卡尔曼增益)
//x_{k|k}＝x_{k|k-1}+K_k(y_k-|hat{y_k})//
//P_{k|k}＝(I-K_kH_k)P_{k|k-1}//
式中，K_k为卡尔曼增益，表示预测值与测量值之间的取舍；所述AI模拟单元是利用机器学习算法通过计算机程序来实现对工业生产***中实物生产过程进行动态模拟。
8.根据权利要求1所述的基于数字孪生的工业生产***，其特征在于：所述智慧云评估优化模块包括DT精度云优化单元和DT风险云评估单元，所述DT精度云优化单元是对实际工业生产***的运行数据进行采集、分析，建立数字孪生模型，进行模拟和预测，其包括数据采集、数字孪生模型、优化算法和精度云服务组成。
9.根据权利要求8所述的基于数字孪生的工业生产***，其特征在于：所述DT风险云评估单元结合数字孪生和云计算技术进行风险评估，通过数字孪生技术实现对实际***的模拟和预测，并通过云计算技术将各种业务数据进行整合和分析，用于评估风险管理措施的有效性和应对措施的可行性，其包括数字孪生模型、云计算平台、风险评估算法和可视化接口组成。
10.根据权利要求1所述的基于数字孪生的工业生产***，其特征在于：所述工业生产仿真运行远程控制模块包括实时仿真动态交互单元和5G物联网远程控制单元，所述实时仿真动态交互单元是通过数字模型模拟实际***的运行过程，实现实时计算、动态交互的技术单元；所述5G物联网远程控制单元是采用5G和物联网技术，通过无线网络对工业生产***进行实时监控和远程控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310585419.7A CN116700162A (zh) | 2023-05-23 | 2023-05-23 | 一种基于数字孪生的工业生产*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310585419.7A CN116700162A (zh) | 2023-05-23 | 2023-05-23 | 一种基于数字孪生的工业生产*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116700162A true CN116700162A (zh) | 2023-09-05 |
Family
ID=87823047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310585419.7A Withdrawn CN116700162A (zh) | 2023-05-23 | 2023-05-23 | 一种基于数字孪生的工业生产*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116700162A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117411895A (zh) * | 2023-12-15 | 2024-01-16 | 武汉海微科技有限公司 | 工业生产检测数据处理方法、装置、设备及存储介质 |
| 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*** |
| CN117671447A (zh) * | 2023-12-18 | 2024-03-08 | 河北建工集团有限责任公司 | 一种面向复杂场景的数字孪生与智能传感器的融合*** |
-
2023
- 2023-05-23 CN CN202310585419.7A patent/CN116700162A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117411895A (zh) * | 2023-12-15 | 2024-01-16 | 武汉海微科技有限公司 | 工业生产检测数据处理方法、装置、设备及存储介质 |
| CN117411895B (zh) * | 2023-12-15 | 2024-03-29 | 武汉海微科技股份有限公司 | 工业生产检测数据处理方法、装置、设备及存储介质 |
| CN117671447A (zh) * | 2023-12-18 | 2024-03-08 | 河北建工集团有限责任公司 | 一种面向复杂场景的数字孪生与智能传感器的融合*** |
| CN117671447B (zh) * | 2023-12-18 | 2024-05-07 | 河北建工集团有限责任公司 | 一种面向复杂场景的数字孪生与智能传感器的融合*** |
| 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 |
|---|---|---|
| CN116700162A (zh) | 一种基于数字孪生的工业生产*** | |
| CN116129366A (zh) | 基于数字孪生的园区监测方法及相关装置 | |
| CN110009614A (zh) | 用于输出信息的方法和装置 | |
| CN115865992B (zh) | 一种智慧水利在线监测*** | |
| CN115169855A (zh) | 一种基于数字孪生车间混合数据集的不安全状态检测方法 | |
| CN116557787B (zh) | 管网状态智能评估***及其方法 | |
| CN116665001A (zh) | 一种智慧园区多源数据动态监控和实时分析***及方法 | |
| CN113146632A (zh) | 一种基于数字孪生技术的家用机器人控制方法及*** | |
| CN117452891A (zh) | 基于数字孪生的绿茶杀青过程的虚拟仿真监控方法 | |
| CN115184563B (zh) | 一种基于数字孪生的化工车间现场数据采集方法 | |
| CN116931448A (zh) | 一种基于数字孪生的智能船状态监测和控制*** | |
| CN115987692A (zh) | 一种基于流量回溯分析的安全防护***及方法 | |
| CN115544624A (zh) | 一种基于bim技术进行装配式变电站数据交互的方法 | |
| CN113656918A (zh) | 一种应用于成品高架库场景的四旋翼仿真测试方法 | |
| CN117739925B (zh) | 一种无人机的影像智能分析方法 | |
| Stipancic et al. | Self-adaptive vision system | |
| KR102660626B1 (ko) | 현장 검증이 가능한 ai 기반 비전 검사 시스템 및 방법 | |
| CN118228934B (zh) | 一种用于变电站的碳排放监测管理方法及*** | |
| CN118171179B (zh) | 基于多模态融合的地铁站火灾应急响应救援决策***及方法 | |
| CN115022348B (zh) | 一种高端电池智能工厂云级架构数据存储方法 | |
| Cera et al. | Monitoring Systems Design with Real Time Interactive 3D and Artificial Intelligence | |
| Dai et al. | The simulation and application of large depth of field 3D points reconstruction based on PSF and MOGA improved network | |
| CN116484477A (zh) | 一种基于数字孪生的智能建造方法 | |
| CN117688313A (zh) | 一种网络协同处理测绘数据的方法 | |
| CN114707257A (zh) | 一种基于全状态注意力和BiLSTM的机械剩余使用寿命预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230905 |