CN117217020A - 一种基于数字孪生的工业模型构建方法及*** - Google Patents
一种基于数字孪生的工业模型构建方法及*** Download PDFInfo
- Publication number
- CN117217020A CN117217020A CN202311273679.7A CN202311273679A CN117217020A CN 117217020 A CN117217020 A CN 117217020A CN 202311273679 A CN202311273679 A CN 202311273679A CN 117217020 A CN117217020 A CN 117217020A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- digital twin
- industrial
- digital
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 230000001788 irregular Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 230000037147 athletic performance Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 6
- 238000013499 data model Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009439 industrial construction Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数字孪生及工业互联网技术领域,公开一种基于数字孪生的工业模型构建方法及***,方法包括:获取工业***中规则的实体数据、应用场景环境数据和条件匹配数据,对采集的数据进行预处理,并将其存储在数据库中;将数据库中的实体数据进行转化处理,形成数字化模型,将数字化模型统一成数字孪生模型;对数字孪生模型进行设计优化,进行管理测试,对数字孪生模型进行仿真测试,获得测试结果,判断故障并进行虚拟维护;通过检测数字孪生模型的性能和数据指标,从监测***上获取工业***中不规则变化数据,对数据库进行更新和维护,对数据模型进行改进;将所述应用场景环境数据输入数字孪生模型中并运行,检测故障和漏洞,进行修复完善。
Description
技术领域
本发明涉及数字孪生及工业互联网技术领域,尤其涉及一种基于数字孪生的工业模型构建方法及***。
背景技术
数字孪生是通过数字化技术将现实世界的实体设备、产品、工厂等实体建模,并将模型与感知和控制***集成在一起,用于仿真和优化生产和制造过程、产品设计以及管理。从物理实体模型中提取数据形成虚拟模型,基于虚拟模型进行仿真和分析的科技工具。通过数字孪生科技,我们可以更加精准的描绘物体行为特征,更好的实现装备可持续性、创造出更多想象力和工作效率。工业模型构建是通过各种手段对现实世界中的物体进行建模和展示的技术,其应用范围很广,可以用于模拟和预测工业产品的设计、生产、运营和维护等过程,也可以帮助人们更好的理解和展示物体的外观、结构、内部构成和性能特点等信息,从而帮助人们进行设计、研发和分析等工作。
在现有的传统工业模型构建方法和***中,需要重复检查和修改设计,生产效率低下,并可能导致制造小批量模型时无法达到规模经济实惠性。为解决上述问题,加快构建基于数字孪生的工业模型是必然趋势,实现高效率制造生产,保障可靠性和安全性。
发明内容
为解决现有技术中存在的构建工业模型效果不佳,导致生产效率低下的问题,本发明提供了一种基于数字孪生的工业模型构建方法及***。
本发明的目的可以通过以下技术方案实现:
一种基于数字孪生的工业模型构建方法,包括以下步骤:
获取工业***中规则的实体数据、应用场景环境数据和条件匹配数据,对采集的数据进行预处理,并将其存储在数据库中;
将数据库中的实体数据进行转化处理,形成数字化模型,通过数字孪生平台将数字化模型统一成数字孪生模型;
对数字孪生模型进行设计优化,根据条件匹配数据进行管理测试,对数字孪生模型进行仿真测试,获得测试结果,从而判断测试结果中存在的故障并进行虚拟维护;
通过检测数字孪生模型的性能和数据指标,从监测***上获取工业***中不规则变化数据,对数据库进行更新和维护,同时利用更新的数据对数字孪生模型进行改进和调整;
将所述应用场景环境数据输入数字孪生模型中并运行,检测故障和漏洞,进行修复完善,达到稳定运行状态,进一步对稳定运行的数字孪生模型做模拟预测。
优选的,所述预处理包括对获取的各类数据进行筛选,剔除不完整的数据,并进行重新采集;对数据进行过滤,补偿优化,以确保数据的可用性和精度。
优选的,所述将数据库中的实体数据进行转化处理,形成数字化模型的过程还包括适度简化,简化的具体步骤包括:
将所述实体数据进行稀疏化处理,进行知识机理协同建模,常见有压缩感知;
按一定规则分类存储数据,将数据与化学方程式数据按目录形式存取;
删除大数据与知识机理重复数据。
优选的,所述基于数字孪生的工业模型构建方法还包括:
根据实时采集、筛选和匹配工业环境下的数据,对数据库中现有实体数据进行更新;
实时计算模型数据以完善工业***的数字孪生模型;
调动数字孪生平台中的数据进行智能优化,对现有数字孪生模型进行补正。
优选的,所述获取工业***的实体数据包括传感器数据、3D扫描数据和图像数据;所述应用场景环境数据包括温度、湿度、气压这一类外界环境数据;所述条件匹配数据包括运动行为和载荷数据。
优选的,所述对数字孪生模型进行设计优化,这一步骤还包括将数字孪生模型与实际工业***实体进行比较验证。
优选的,所述模拟预测是指分析出实体工业***将会出现的影响因素,带入数字孪生模型进行风险预测,以及对工业***进行结构上的改进从而获得的结果预测。
一种基于数字孪生的工业模型构建***,执行前述一种基于数字孪生的工业模型构建方法,包括数据采集端,模型构建模块,仿真优化模块和功能实现模块;
所述数据采集端为传感器网络和3D扫描***,所述数据采集端用于进行扫描获取数据,通过传感器获取实时环境数据,对数据进行预处理;
所述模型构建模块为数据孪生平台,用于对数据优化处理,适度简化孪生***数据,构建数字孪生模型;
所述仿真优化模块用于将所构建的数字孪生模型与工业***实体进行对照补充,进行仿真测试;
所述功能实现模块用于对更新优化后的数字孪生模型进行风险预测和结构调整预测。
优选的,所述传感器网络包括传感器终端和若干个传感器节点。
本发明的有益效果为:通过本方案对构建工业模型方法和工业模型构建***的优化,在构建工业模型时,结合数字孪生技术,建立数字孪生模型,从物理实体中获取数据形成工业模型,在构建过程中,对数据做预处理,将所述实体数据以及场景应用的数据进行进一步处理,简化,删除重复没有参考意义的历史数据,对数据进行达到对数字孪生模型的完善和优化。通过数字孪生,可以在创建和组装物理模型之前,先在数字环境中完整地模拟这个模型,并进行***测试、验证和优化。提高了模型构建的效率,使得生产速度得到提升,同时,通过数据孪生对构建的工业模型进行仿真,使得工业模型能够更加与实体工业***相似,使用数字孪生模型可对影响工业***的因素进行测试,同时能对改变***结构出现的结果进行模拟预测,评估,使得改进实体工业***更加高效,准确性高。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明在一实施例中提供的一种基于数字孪生的工业模型构建方法的具体步骤;
图2为本发明在一实施例中提供的基于数字孪生的工业模型构建方法中简化形成数字化模型的具体步骤;
图3为本发明在一实施例中提供的基于数字孪生的工业模型构建***各模块图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如下。
数字孪生是一种将真实世界物理***与其数字化仿真模型相结合的技术。数字孪生也可以动态跟踪和监测物理模型的运行状态,并提供预测、预警和优化等服务。使用数字孪生技术的好处是能够大大提高制造和生产领域的效率、可靠性和安全性。为了更好地应用数字孪生技术以创建优秀的工业模型,需要建立基于数字孪生的工业模型构建方法及***来帮助模拟和协调工作流程、管理数据、设计、构建、测试和优化,有利于规划大规模工业化建设,高效优化设计,有利于提高工业建设效率。
一种基于数字孪生的工业模型构建方法,如图1所示,包括以下步骤:
步骤S1中,获取工业***中规则的实体数据、应用场景环境数据和条件匹配数据,对采集的数据进行预处理,并将其存储在数据库中。所述实体数据采集利用3D扫描技术对工业***中的设备等实体进行数据采集,图像获取,所述图像获取的结果包括物体空间外形和结构以及色彩数据,是建立模型的技术。同时,通过传感器对环境以及工业***运行的条件进行数据采集,存储到数据采集端,进行后续处理。从工业***中获得历史的数据参数,预处理过程通过历史数据参数,对采集的实体数据以及环境和行为条件数据进行筛选,剔除其中存在的数据有误的部分,对于信息不完整的数据进行剔除,并向传感器网络发送重新收集所缺失的数据,对所剔除的数据进行补充。
步骤S2中,将数据库中的实体数据进行转化处理,形成数字化模型,通过数字孪生平台将数字化模型统一成数字孪生模型;步骤S3中,对数字孪生模型进行设计优化,根据条件匹配数据进行管理测试,对数字孪生模型进行仿真测试,获得测试结果,从而判断测试结果中存在的故障并进行虚拟维护。
步骤S4中,通过检测数字孪生模型的性能和数据指标,从监测***上获取工业***中不规则变化数据,对数据库进行更新和维护,同时利用更新的数据对数字孪生模型进行改进和调整;步骤S5中,将所述应用场景环境数据输入数字孪生模型中并运行,检测故障和漏洞,进行修复完善,达到稳定运行状态,进一步对稳定运行的数字孪生模型做模拟预测。
进一步的,在本申请的一种优选实施例中,所述预处理包括对获取的各类数据进行筛选,剔除不完整的数据,并进行重新采集;对数据进行过滤,补偿优化,以确保数据的可用性和精度。数据采集过程中的数据是存在杂波或者是数据信息不完整的情况,这种有缺陷的数据,对后续根据数据进行模型的搭建是不利的,会使得建立的模型出现各方面的细节问题,需要不断进行调整修改,耗费成本。于是需要对采集来的数据首先进行预处理。根据对扫描到的图像进行完整性检测,若图像出现不全,模糊或者是受到污染遮挡而不能显示清楚的图像信息时,需要对图像进行更正补充或是剔除,重新进行采集,直到图像能清楚反映信息。
进一步的,在本申请的一种优选实施例中,所述将数据库中的实体数据进行转化处理,形成数字化模型的过程还包括适度简化,通常模型的构建是需要大量的数据进行搭建模型的,那么,大量的数据其中包括实体数据,外界环境影响因素和有条件的数据以及历史数据,从大量数据中需要建立起有秩序的数据存储形式,有利于提高模型构建的效率。如图2所示,简化的具体步骤包括:
步骤S11中,将所述实体数据进行稀疏化处理,进行知识机理协同建模,常见有压缩感知;步骤S12中,按一定规则分类存储数据,将数据与化学方程式数据按目录形式存取;步骤S13中,删除大数据与知识机理重复数据。对信号进行数学表示,通常使用向量或矩阵形式。在此过中,需要对数据进行降维处理,以满足矩阵压缩的要求。将矩阵中的数值进行编码和量化,并将其转换为二进制格式,以便在传输过程中进行有效的压缩。使用稀疏表示方法对矩阵进行压缩,将矩阵中的大部分数值设为零,只保留少量非零数值,这样可以大大减少数据量。
需要对数据进行处理时,将压缩的数据进行解码和反量化,使其恢复为原始的矩阵形式。所述进行知识机理协同建模是将经过稀疏化处理和解码恢复的数据输入到知识机理模型中,进行协同建模。通过简化的数据处理,进行建模,不仅减少数据量,能够提高数据处理的效率,并给能够与知识机理协同建模,可以更准确地对模型进行预测可能会产生的影响以及结果。
进一步的,在本申请的一种优选实施例中,建立工业制造流程中的数字孪生模型可以加强对制造过程的管理。所述基于数字孪生的工业模型构建,其中工业***中的各个模块在产生变化的同时,需要将各种影响因素控制在制造的模型之中,模型在模拟工业生产***的过程中,需要对实时变化的环境做出调整,使得建立的模型,不仅能够在外形上相似于实体设备或者***,同时也能够在功能上贴合实体的设备。在设备为主的工业***中,各个设备之间的配合是非常重要的,从中采集到的信息也需要包含对设备间合作运转的信息。
通过构建传感器网络,对实体的工业***进行数据收集。根据实时采集、筛选和匹配工业环境下的数据,对数据库中现有实体数据进行更新;
数字孪生可以对工业***进行实时的数据采集和监控,实时计算模型数据以完善工业***的数字孪生模型;
调动数字孪生平台中的数据进行智能优化,对现有数字孪生模型进行补正。数字孪生可以对工业***进行实时的数据采集和监控
进一步的,在本申请的一种优选实施例中,所述获取工业***的实体数据包括传感器数据、3D扫描数据和图像数据;所述应用场景环境数据包括温度、湿度、气压这一类外界环境数据;所述条件匹配数据包括运动行为和载荷数据。工业模型在构建时要针对现有的实体工业***中所会面临的问题和影响因素进行汇集,通过带入各种影响的数据,能够使得所述数字孪生模型具有与实体工业***一样的应对外来因素影响的抗风险能力和***的调节能力。
进一步的,在本申请的一种优选实施例中,所述对数字孪生模型进行设计优化,这一步骤还包括将数字孪生模型与实际工业***实体进行比较验证。数字孪生可以对工业***进行综合分析和优化,通过对采集到的数据进行大数据分析和人工智能处理,可以获取工业***中各个设备的运行状态和问题,基于这些分析结果,根据不同的需求,管理者或者经营者可以制定出响应的优化方案。将优化方案在模型上演练测试,后续通过测试调整方案,最后对实体的设备进行改进或者调整,以达到所需要的生产效果。这样,经营者可以在制定发展计划和生产规模前就能够预先了解其可能出现的问题或者降低生产效率的部分,从而降低生产成本和浪费,提高经济效益。
进一步的,在本申请的一种优选实施例中,针对现有工业***实体模型的应用场景有限,扩展困难,数字孪生技术不仅可以高效建立起智能模型,同时借助数字孪生平台能够进行对模型的结构改变产生的结果进行预测。所述模拟预测是指分析出实体工业***将会出现的影响因素,带入数字孪生模型进行风险预测,以及对工业***进行结构上的改进从而获得的结果预测。
一种基于数字孪生的工业模型构建***,执行前述的一种基于数字孪生的工业模型构建方法,如图3所示,包括数据采集端,模型构建模块,仿真优化模块和功能实现模块。模型构建***,通过各个模块与终端的配合,尽可能高效的实现由实体到模型的构建,其中还有多次的数据筛选过程,将搭建模型中常会出现的各种问题进行预先剔除或者补充完善,提高***的模型构建效率,构建出高质量的模型供工业生产进行模拟调整,更好发展工业***。
所述数据采集端为传感器网络和3D扫描***,所述传感器网络中有多个传感器组成,由不同的节点对不同部位或者不同的角度进行数据采集;所述3D扫描***不仅能识别工业***中设备的形状结构等空间信息,同时对颜色信息和反射率值都能做到精准采集。通过二者的相互作用,能又快又好地收集起工业***的数据信息用以构建模型***。所述数据采集端用于进行扫描获取数据,通过传感器获取实时环境数据,对数据进行预处理。
传感器节点的分布以网状结构或放射状结构同传感器终端构成传感器网络;所述网状结构中,传感器节点可以与其他相邻的节点直接通信,形成一个相互连接的网络;所述放射状结构中,传感器终端位于中心,直接连接各个传感器节点,传感器终端将接收发散分布的所有传感器节点收集的数据信息。
所述模型构建模块为数据孪生平台,用于对数据优化处理,适度简化孪生***数据,构建数字孪生模型。所述模型构建模块中含有简化***,所述简化***对模型建立起到重要的筛选工作,简化***对数据进行去噪,归一化、标准化处理。数据映射到指定范围内进行处理,使得该过程能便捷快速;数据标准化的方式有多种,直线型方法,折线型方法和曲线型方法,通过标准化数据处理,使得模型构建出来更加科学,符合一些具有规定生产标准的工业***的需求,标准化处理后,能够提升模型的收敛速度,提升模型的精度,同时简化计算,对处理设备的要求灵活,适用性强。
所述仿真优化模块用于将所构建的数字孪生模型与工业***实体进行对照补充,进行仿真测试。该仿真测试中编写的模型程序中数据根据更新的数据补充完善,于是形成的模型是与工业实体非常相近的。同时,编写模型程序时,根据需要改进的方面编写对应的数据,于是能在模型运行是看到经过改进的设备或者***的明显优势和不足之处,通过测试进行调整,修复其中编写的程序的漏洞。
所述功能实现模块用于对更新优化后的数字孪生模型进行风险预测和结构调整预测。模型构建***中功能实现模块通过最终测试,确定模型在功能上的一些需求和后续的改善提供给实体工业***的新功能。运行该模型测试功能是否能高效实现,从而完成对现实中实体工业***存在的问题进行改进,以及现有的模型构建中存在的功能测试不完备的问题,提高模型构建的质量和效率。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种基于数字孪生的工业模型构建方法,其特征在于,包括以下步骤:
获取工业***中规则的实体数据、应用场景环境数据和条件匹配数据,对采集的数据进行预处理,并将其存储在数据库中;
将数据库中的实体数据进行转化处理,形成数字化模型,通过数字孪生平台将数字化模型统一成数字孪生模型;
对数字孪生模型进行设计优化,根据条件匹配数据进行管理测试,对数字孪生模型进行仿真测试,获得测试结果,从而判断测试结果中存在的故障并进行虚拟维护;
通过检测数字孪生模型的性能和数据指标,从监测***上获取工业***中不规则变化数据,对数据库进行更新和维护,同时利用更新的数据对数字孪生模型进行改进和调整;
将所述应用场景环境数据输入数字孪生模型中并运行,检测故障和漏洞,进行修复完善,达到稳定运行状态,进一步对稳定运行的数字孪生模型做模拟预测。
2.根据权利要求1所述的一种基于数字孪生的工业模型构建方法,其特征在于,所述预处理包括对获取的各类数据进行筛选,剔除不完整的数据,并进行重新采集;对数据进行过滤,补偿优化,以确保数据的可用性和精度。
3.根据权利要求1所述的一种基于数字孪生的工业模型构建方法,其特征在于,所述将数据库中的实体数据进行转化处理,形成数字化模型的过程还包括适度简化,简化的具体步骤包括:
将所述实体数据进行稀疏化处理,进行知识机理协同建模,常见有压缩感知;
按一定规则分类存储数据,将数据与化学方程式数据按目录形式存取;
删除大数据与知识机理重复数据。
4.根据权利要求1所述的一种基于数字孪生的工业模型构建方法,其特征在于,所述基于数字孪生的工业模型构建方法还包括:
根据实时采集、筛选和匹配工业环境下的数据,对数据库中现有实体数据进行更新;
实时计算模型数据以完善工业***的数字孪生模型;
调动数字孪生平台中的数据进行智能优化,对现有数字孪生模型进行补正。
5.根据权利要求1所述的一种基于数字孪生的工业模型构建方法,其特征在于,所述获取工业***的实体数据包括传感器数据、3D扫描数据和图像数据;所述应用场景环境数据包括温度、湿度、气压这一类外界环境数据;所述条件匹配数据包括运动行为和载荷数据。
6.根据权利要求1所述的一种基于数字孪生的工业模型构建方法,其特征在于,所述对数字孪生模型进行设计优化,这一步骤还包括将数字孪生模型与实际工业***实体进行比较验证。
7.根据权利要求1所述的一种基于数字孪生的工业模型构建方法,其特征在于,所述模拟预测包括:
分析实体工业***将会出现的影响因素;
带入数字孪生模型进行风险预测;
以及对工业***进行结构上改进,获得结果预测。
8.一种基于数字孪生的工业模型构建***,其特征在于,执行权利要求1至7任一项所述的一种基于数字孪生的工业模型构建方法,包括数据采集端,模型构建模块,仿真优化模块和功能实现模块;
所述数据采集端为传感器网络和3D扫描***,所述数据采集端用于进行扫描获取数据,通过传感器网络获取实时环境数据,对数据进行预处理;
所述模型构建模块为数据孪生平台,用于对数据优化处理,适度简化孪生***数据,构建数字孪生模型;
所述仿真优化模块用于将所构建的数字孪生模型与工业***实体进行对照补充,进行仿真测试;
所述功能实现模块用于对更新优化后的数字孪生模型进行风险预测和结构调整预测。
9.根据权利要求8所述的一种基于数字孪生的工业模型***,其特征在于,所述传感器网络包括传感器终端和若干个传感器节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311273679.7A CN117217020A (zh) | 2023-09-28 | 2023-09-28 | 一种基于数字孪生的工业模型构建方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311273679.7A CN117217020A (zh) | 2023-09-28 | 2023-09-28 | 一种基于数字孪生的工业模型构建方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117217020A true CN117217020A (zh) | 2023-12-12 |
Family
ID=89044275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311273679.7A Pending CN117217020A (zh) | 2023-09-28 | 2023-09-28 | 一种基于数字孪生的工业模型构建方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217020A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117978667A (zh) * | 2024-03-28 | 2024-05-03 | 北京邮电大学 | 一种数字孪生网络构建方法、装置、***及虚拟节点 |
-
2023
- 2023-09-28 CN CN202311273679.7A patent/CN117217020A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117978667A (zh) * | 2024-03-28 | 2024-05-03 | 北京邮电大学 | 一种数字孪生网络构建方法、装置、***及虚拟节点 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011085B (zh) | 一种设备数字孪生建模方法及*** | |
CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及*** | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用*** | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及*** | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及*** | |
CN109815855B (zh) | 一种基于机器学习的电子设备自动测试方法及*** | |
CN110379036A (zh) | 变电站智能巡检识别方法、***、装置及存储介质 | |
CN116451514A (zh) | 桥梁结构状态评估方法、装置以及电子设备 | |
CN115858940A (zh) | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 | |
CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
CN110716520B (zh) | 基于多源信息融合的飞控伺服作动器可靠性评估建模方法 | |
CN116416884A (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN110320802B (zh) | 基于数据可视化的复杂***信号时序识别方法 | |
CN117495422A (zh) | 基于电力通信网建设的造价管理***及其方法 | |
CN116933626A (zh) | 一种基于数字孪生的数据监测方法及装置 | |
CN117270482A (zh) | 基于数字孪生的汽车工厂控制*** | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
CN115987692A (zh) | 一种基于流量回溯分析的安全防护***及方法 | |
Chernyshev et al. | Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site | |
CN115631192A (zh) | 一种阀门试压机的控制方法、装置、设备及介质 | |
CN113778042A (zh) | 基于信息化建模的工控设备指令模拟运行通信*** | |
CN114676586A (zh) | 一种基于多维、多时空的数字模拟与仿真的建构方法 | |
CN117076454B (zh) | 一种工程质量验收表单数据结构化存储方法及*** | |
CN117094206B (zh) | 一种仿真数据生成***和生成方法 |
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 |