CN117391625B - 一种基于数字孪生的智能制造管理***及方法 - Google Patents
一种基于数字孪生的智能制造管理***及方法 Download PDFInfo
- Publication number
- CN117391625B CN117391625B CN202311350046.1A CN202311350046A CN117391625B CN 117391625 B CN117391625 B CN 117391625B CN 202311350046 A CN202311350046 A CN 202311350046A CN 117391625 B CN117391625 B CN 117391625B
- Authority
- CN
- China
- Prior art keywords
- production line
- equipment
- physical
- virtual
- matrix
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 210
- 238000000034 method Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 128
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Economics (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Geometry (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种基于数字孪生的智能制造管理***及方法,属于数字孪生技术领域。本发明包括数据采集模块、数据处理模块、模型构建模块、故障预警模块,通过聚类处理物理产线信息得到物理产线数据集,根据物理产线数据集通过特征提取得到物理产线特征矩阵,调用历史设备运行数据,根据设备参数信息和历史设备运行数据通过训练得到数字孪生模型,通过数字孪生模型和三维工具根据设备数字孪生体得到虚拟产线,获取标准产线特征矩阵,根据物理产线特征矩阵同步至所述虚拟产线进行模拟运行得到虚拟产线特征矩阵,根据标准产线特征矩阵和虚拟产线特征矩阵得到设备故障信息,实现了物理产线和虚拟产线的交互,设备故障预测,提高了智能制造产线监管效率。
Description
技术领域
本发明属于数字孪生技术领域,具体涉及一种基于数字孪生的智能制造管理***及方法。
背景技术
目前,很多中小型工厂中,对于设备生产数据的采集,几乎完全依靠人工完成,流动的人员、散落的数据,导致数据的保存成了个巨大的问题,同时人工统计的效率也非常的低,往往都是每天下班或者每周进行一次统计,完全不能进行实时生产数据更新此外,数据对于设备而言有着时效性和历史数据参考性的关键作用,从底层操作工的数据记录、数据分析、数据反馈、管理者的决策,中间的环节让数据的时效性大大降低,人工的记录统计也会造成数据不准确等问题,而且庞大的数据计算分析,对于人力是一个非常大的耗损。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种基于数字孪生的智能制造管理***及方法,通过聚类处理物理产线信息得到物理产线数据集,根据物理产线数据集通过特征提取得到物理产线特征矩阵,调用历史设备运行数据,根据设备参数信息和历史设备运行数据通过训练得到数字孪生模型,通过数字孪生模型和三维工具,由设备数字孪生体得到虚拟产线,获取标准产线特征矩阵,根据物理产线特征矩阵同步至所述虚拟产线进行模拟运行得到虚拟产线特征矩阵,根据标准产线特征矩阵和虚拟产线特征矩阵得到设备故障信息,实现了物理产线和虚拟产线的交互,设备故障预测,提高了智能制造产线监管效率。
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智能制造管理方法,包括如下步骤:
S1:获取物理产线信息,所述物理产线信息包括设备运行数据、生产作业数据、设备参数信息;
S2:通过聚类处理所述物理产线信息得到物理产线数据集,根据所述物理产线数据集通过特征提取得到物理产线特征矩阵,所述物理产线数据集包括设备运行数据集、生产作业数据集,所述物理产线特征矩阵包括设备运行特征矩阵、生产作业特征矩阵;
S3:调用历史设备运行数据,根据所述历史设备运行数据作为训练集通过训练得到数字孪生模型,根据所述设备参数信息和所述历史设备运行数据通过所述数字孪生模型得到设备数字孪生体,根据所述设备数字孪生体通过三维工具构建虚拟产线;
S4:获取标准产线特征矩阵,根据所述物理产线特征矩阵同步至所述虚拟产线进行模拟运行得到虚拟产线特征矩阵,根据所述标准产线特征矩阵和所述虚拟产线特征矩阵得到设备故障信息,所述标准产线特征包括标准设备运行特征、标准生产作业特征矩阵,所述虚拟产线特征矩阵包括虚拟设备运行特征矩阵、虚拟作业特征矩阵;
优选地,所述步骤S2具体包括以下步骤:
S201:根据所述物理产线数据通过格拉布斯准则计算得到异常统计系数值,根据所述异常统计系数值得到正常产线数据,根据所述正常产线数据通过归一化处理得到所述物理产线数据集;
S202:根据所述物理产线数据集通过特征提取得到物理产线特征,根据所述物理产线特征得到所述物理产线特征矩阵,所述物理产线特征矩阵表示为:其中,G为所述物理产线特征矩阵,g11到gjn为第1时刻到第j时刻的任一所述物理产线特征,所述物理产线特征包括设备运行特征、生产作业特征;
优选地,所述步骤S201具体包括以下步骤:
根据所述格拉布斯准则计算所述异常统计系数值,计算公式为:其中,α和β为权重系数,Yi为第i个所述物理产线数据,Hi为所述异常统计系数值;
预设统计临界系数值为0.05,当Hi≥0.05时,所述异常统计系数值对应的物理产线数据为异常产线数据,当Hi<0.05时,所述异常统计系数值对应的物理产线数据为正常产线数据。
优选地,重复所述步骤S201-S202,通过调整参数Yi为所述设备运行数据得到所述设备运行数据集,根据所述设备运行数据集通过特征提取得到设备运行特征,通过调整g11到gjn为第1时刻到第j时刻的任一所述设备运行特征得到所述设备运行特征矩阵。
优选地,重复所述步骤S201-S202,通过调整参数Yi为所述设备运行数据得到所述生产作业数据集,根据所述生产作业数据集通过特征提取得到生产作业特征,通过调整g11到gjn为第1时刻到第j时刻的任一所述生产作业特征得到所述生产作业特征矩阵。
优选地,所述步骤S4具体包括以下步骤:
S401:根据所述标准设备运行特征矩阵和所述虚拟设备运行特征矩阵通过计算欧氏距离得到设备运行特征距离,计算公式为:其中D为所述设备运行特征距离,α为权重系数,/>为所述标准设备运行特征矩阵,/>为所述虚拟设备运行特征矩阵;
S402:根据所述设备运行特征距离和所述虚拟生产作业特征矩阵通过计算得到置信度分数,计算公式为:其中/>为嵌入特征矩阵,/>为所述标准产线特征矩阵,/>为所述虚拟生产线特征矩阵,/>为单位矩阵,D为所述设备运行特征距离,S为所述置信度分数,β和b为权重系数;
S403:当所述置信度分数小于预设值时,生成所述设备故障信息并进行预警展示,当所述置信度分数大于等于预设值时,生成设备无异常信息。
一种基于数字孪生的智能制造管理***,包括:
数据采集模块,获取物理产线的运行信息,所述运行信息包括设备运行数据、生产作业数据;
数据处理模块,通过聚类处理所述物理产线信息得到物理产线数据集,根据所述物理产线数据集通过特征提取得到物理产线特征矩阵,所述物理产线数据集包括设备运行数据集、生产作业数据集,所述物理产线特征矩阵包括设备运行特征矩阵、生产作业特征矩阵;
模型构建模块,调用历史设备运行数据,根据所述历史设备运行数据作为训练集通过训练得到数字孪生模型,根据所述设备参数信息和所述历史设备运行数据通过所述数字孪生模型得到设备数字孪生体,根据所述设备数字孪生体通过三维工具构建虚拟产线;
异常预警模块,获取标准产线特征矩阵,根据所述物理产线特征矩阵同步至所述虚拟产线进行模拟运行得到虚拟产线特征矩阵,根据所述标准产线特征矩阵和所述虚拟产线特征矩阵得到设备故障信息,所述标准产线特征包括标准设备运行特征、标准生产作业特征矩阵,所述虚拟产线特征矩阵包括虚拟设备运行特征矩阵、虚拟作业特征矩阵。
本发明的有益效果为:
1.通过调用历史设备运行数据,根据所述历史设备运行数据作为训练集通过训练得到数字孪生模型,根据所述设备参数信息和所述历史设备运行数据通过所述数字孪生模型得到设备数字孪生体,根据所述设备数字孪生体通过三维工具构建虚拟产线,实现了物理产线和虚拟产线的交互,提高了智能制造产线监管效率,进一步提高了产品开发速度和企业竞争优势;
2.通过获取标准产线特征矩阵,根据所述物理产线特征矩阵同步至所述虚拟产线进行模拟运行得到虚拟产线特征矩阵,根据所述标准产线特征矩阵和所述虚拟产线特征矩阵得到设备故障信息,实现了风险预测,避免了生产过程中因设备异常造成的损失和维修成本。
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为本发明的基于数字孪生的智能制造管理方法的流程示意图。
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。
请参阅图1,一种基于数字孪生的智能制造管理方法,包括如下步骤:
S1:获取物理产线信息,所述物理产线信息包括设备运行数据、生产作业数据、设备参数信息;
S2:通过聚类处理所述物理产线信息得到物理产线数据集,根据所述物理产线数据集通过特征提取得到物理产线特征矩阵,所述物理产线数据集包括设备运行数据集、生产作业数据集,所述物理产线特征矩阵包括设备运行特征矩阵、生产作业特征矩阵;
S3:调用历史设备运行数据,根据所述历史设备运行数据作为训练集通过训练得到数字孪生模型,根据所述设备参数信息和所述历史设备运行数据通过所述数字孪生模型得到设备数字孪生体,根据所述设备数字孪生体通过三维工具构建虚拟产线;
S4:获取标准产线特征矩阵,根据所述物理产线特征矩阵同步至所述虚拟产线进行模拟运行得到虚拟产线特征矩阵,根据所述标准产线特征矩阵和所述虚拟产线特征矩阵得到设备故障信息,所述标准产线特征包括标准设备运行特征、标准生产作业特征矩阵,所述虚拟产线特征矩阵包括虚拟设备运行特征矩阵、虚拟作业特征矩阵;
步骤S1涉及信息采集模块,通过信息采集模块获取物理产线信息,所述物理产线信息包括设备运行数据、生产作业数据、设备参数信息;
通过预设采集节点,采集产线中的设备运行数据、设备参数信息,生产作业数据包括生产效率、生产质量等,这种数据收集为数据分析提供数据基础,保证数据源的准确性,提高数据分析决策精度
步骤S2涉及数据处理模块,根据所述物理产线数据通过格拉布斯准则计算得到异常统计系数值,计算公式为:预设统计临界系数值为0.05,当Hi≥0.05时,将所述异常统计系数值对应的物理产线数据标记为异常产线数据并删除,当Hi<0.05时,将所述异常统计系数值对应的物理产线数据标记为正常产线数据。
根据所述异常统计系数值得到正常产线数据,根据所述正常产线数据通过归一化处理得到所述物理产线数据集,根据所述物理产线数据集通过特征提取得到物理产线特征,根据所述物理产线特征得到所述物理产线特征矩阵,所述物理产线特征矩阵表示为:其中,G为所述物理产线特征矩阵,g11到gjn为第1时刻到第j时刻的任一所述物理产线特征,所述物理产线特征包括设备运行特征、生产作业特征;
数据处理模块通过格拉布斯准则筛选出产线运行信息中由于电压和传感器不稳定导致的异常数据,这样有利于之后数据分析的准确性,避免因为这些数据导致决策失误。
步骤S3涉及模型构建模块,通过调用历史设备运行数据,根据所述历史设备运行数据作为训练集通过训练得到数字孪生模型,根据所述设备参数信息和所述历史设备运行数据通过所述数字孪生模型得到设备数字孪生体,根据所述设备数字孪生体通过三维工具构建虚拟产线;
通过模型构建模块得到数字孪生模型和虚拟产线,实现了物理产线和虚拟产线的交互,提高了智能制造产线监管效率。
步骤S4涉及异常预警模块,根据所述标准设备运行特征矩阵和所述虚拟设备运行特征矩阵通过计算欧氏距离得到设备运行特征距离,计算公式为:,其中D为所述设备运行特征距离,α为权重系数,/>为所述标准设备运行特征矩阵,/>为所述虚拟设备运行特征矩阵;
根据所述设备运行特征距离和所述虚拟生产作业特征矩阵通过计算得到置信度分数,计算公式为:其中/>为嵌入特征矩阵,/>为所述标准产线特征矩阵,/>为所述虚拟生产线特征矩阵,/>为单位矩阵,D为所述设备运行特征距离,S为所述置信度分数,β和b为权重系数;
当所述置信度分数小于预设值时,生成所述设备异常信息并进行预警展示,当所述置信度分数大于等于预设值时,生成设备无异常信息。
一种基于数字孪生的智能制造管理***,包括:
数据采集模块,获取物理产线信息,所述物理产线信息包括设备运行数据、生产作业数据、设备参数信息;
数据处理模块,通过聚类处理所述物理产线信息得到物理产线数据集,根据所述物理产线数据集通过特征提取得到物理产线特征矩阵,所述物理产线数据集包括设备运行数据集、生产作业数据集,所述物理产线特征矩阵包括设备运行特征矩阵、生产作业特征矩阵;
模型构建模块,调用历史设备运行数据,根据所述历史设备运行数据作为训练集通过训练得到数字孪生模型,根据所述设备参数信息和所述历史设备运行数据通过所述数字孪生模型得到设备数字孪生体,根据所述设备数字孪生体通过三维工具构建虚拟产线;
异常预警模块,获取标准产线特征矩阵,根据所述物理产线特征矩阵同步至所述虚拟产线进行模拟运行得到虚拟产线特征矩阵,根据所述标准产线特征矩阵和所述虚拟产线特征矩阵得到设备故障信息,所述标准产线特征包括标准设备运行特征、标准生产作业特征矩阵,所述虚拟产线特征矩阵包括虚拟设备运行特征矩阵、虚拟作业特征矩阵。
本发明的工作原理及使用流程:
通过数据采集模块采集物理产线信息,通过聚类处理物理产线信息得到物理产线数据集,根据物理产线数据集通过特征提取得到物理产线特征矩阵,调用历史设备运行数据,根据设备参数信息和历史设备运行数据通过训练得到数字孪生模型,通过数字孪生模型和三维工具,由设备数字孪生体得到虚拟产线,获取标准产线特征矩阵,根据物理产线特征矩阵同步至所述虚拟产线进行模拟运行得到虚拟产线特征矩阵,根据标准产线特征矩阵和虚拟产线特征矩阵得到设备故障信息。
本发明实施例中的方法中上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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。
Claims (5)
1.一种基于数字孪生的智能制造管理方法,其特征在于,包括如下步骤:
S1:获取物理产线信息,所述物理产线信息包括设备运行数据、生产作业数据、设备参数信息;
S2:通过聚类处理所述物理产线信息得到物理产线数据集,根据所述物理产线数据集通过特征提取得到物理产线特征矩阵,所述物理产线数据集包括设备运行数据集、生产作业数据集,所述物理产线特征矩阵包括设备运行特征矩阵、生产作业特征矩阵;
S3:调用历史设备运行数据,根据所述历史设备运行数据作为训练集通过训练得到数字孪生模型,根据所述设备参数信息和所述历史设备运行数据通过所述数字孪生模型得到设备数字孪生体,根据所述设备数字孪生体通过三维工具构建虚拟产线;
S4:获取标准产线特征矩阵,根据所述物理产线特征矩阵同步至所述虚拟产线进行模拟运行得到虚拟产线特征矩阵,根据所述标准产线特征矩阵和所述虚拟产线特征矩阵得到设备故障信息,所述标准产线特征包括标准设备运行特征、标准生产作业特征矩阵,所述虚拟产线特征矩阵包括虚拟设备运行特征矩阵、虚拟作业特征矩阵;
所述步骤S2具体包括以下步骤:
S201:根据所述物理产线数据通过格拉布斯准则计算得到异常统计系数值,根据所述异常统计系数值得到正常产线数据,根据所述正常产线数据通过归一化处理得到所述物理产线数据集;
S202:根据所述物理产线数据集通过特征提取得到物理产线特征,根据所述物理产线特征得到所述物理产线特征矩阵,所述物理产线特征矩阵表示为:其中,G为所述物理产线特征矩阵,g11到gjn为第1时刻到第j时刻的任一所述物理产线特征,所述物理产线特征包括设备运行特征、生产作业特征;
所述步骤S4具体包括以下步骤:
S401:根据所述标准设备运行特征矩阵和所述虚拟设备运行特征矩阵通过计算欧氏距离得到设备运行特征距离,计算公式为:其中D为所述设备运行特征距离,α为权重系数,/>为所述标准设备运行特征矩阵,/>为所述虚拟设备运行特征矩阵;
S402:根据所述设备运行特征距离和虚拟生产作业特征矩阵通过计算得到置信度分数,计算公式为:其中/>为嵌入特征矩阵,/>为所述标准产线特征矩阵,/>为所述虚拟生产线特征矩阵,/>为单位矩阵,D为所述设备运行特征距离,S为所述置信度分数,β和b为权重系数;
S403:当所述置信度分数小于预设值时,生成所述设备故障信息并进行预警展示,当所述置信度分数大于等于预设值时,生成设备无异常信息。
2.根据权利要求1所述的基于数字孪生的智能制造管理方法,其特征在于,所述步骤S201具体包括以下步骤:
根据所述格拉布斯准则计算所述异常统计系数值,计算公式为:其中,α和β为权重系数,Yi为第i个所述物理产线数据,Hi为所述异常统计系数值;
预设统计临界系数值为0.05,当Hi≥0.05时,所述异常统计系数值对应的物理产线数据为异常产线数据,当Hi<0.05时,所述异常统计系数值对应的物理产线数据为正常产线数据。
3.根据权利要求2所述的基于数字孪生的智能制造管理方法,其特征在于,重复所述步骤S201-S202,通过调整参数Yi为所述设备运行数据得到所述设备运行数据集,根据所述设备运行数据集通过特征提取得到设备运行特征,通过调整g11到gjn为第1时刻到第j时刻的任一所述设备运行特征得到所述设备运行特征矩阵。
4.根据权利要求2所述的基于数字孪生的智能制造管理方法,其特征在于,重复所述步骤S201-S202,通过调整参数Yi为所述设备运行数据得到所述生产作业数据集,根据所述生产作业数据集通过特征提取得到生产作业特征,通过调整g11到gjn为第1时刻到第j时刻的任一所述生产作业特征得到所述生产作业特征矩阵。
5.一种基于数字孪生的智能制造管理***,该基于数字孪生的智能制造管理***采用如权利要求1所述的基于数字孪生的智能制造管理方法,其特征在于,包括:
数据采集模块,获取物理产线的运行信息,所述运行信息包括设备运行数据、生产作业数据;
数据处理模块,通过聚类处理所述物理产线信息得到物理产线数据集,根据所述物理产线数据集通过特征提取得到物理产线特征矩阵,所述物理产线数据集包括设备运行数据集、生产作业数据集,所述物理产线特征矩阵包括设备运行特征矩阵、生产作业特征矩阵;
模型构建模块,调用历史设备运行数据,根据所述历史设备运行数据作为训练集通过训练得到数字孪生模型,根据所述设备参数信息和所述历史设备运行数据通过所述数字孪生模型得到设备数字孪生体,根据所述设备数字孪生体通过三维工具构建虚拟产线;
异常预警模块,获取标准产线特征矩阵,根据所述物理产线特征矩阵同步至所述虚拟产线进行模拟运行得到虚拟产线特征矩阵,根据所述标准产线特征矩阵和所述虚拟产线特征矩阵得到设备故障信息,所述标准产线特征包括标准设备运行特征、标准生产作业特征矩阵,所述虚拟产线特征矩阵包括虚拟设备运行特征矩阵、虚拟作业特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311350046.1A CN117391625B (zh) | 2023-10-18 | 2023-10-18 | 一种基于数字孪生的智能制造管理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311350046.1A CN117391625B (zh) | 2023-10-18 | 2023-10-18 | 一种基于数字孪生的智能制造管理***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117391625A CN117391625A (zh) | 2024-01-12 |
CN117391625B true CN117391625B (zh) | 2024-04-02 |
Family
ID=89435461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311350046.1A Active CN117391625B (zh) | 2023-10-18 | 2023-10-18 | 一种基于数字孪生的智能制造管理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391625B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743659B (zh) * | 2024-02-21 | 2024-05-03 | 上海幕库科技发展有限公司 | 一种集成动力、环境和安防监控的机房监控方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359640A (zh) * | 2021-06-25 | 2021-09-07 | 上海大学 | 一种基于数字孪生和增强现实的产线预测性维护***及方法 |
CN114218763A (zh) * | 2021-11-26 | 2022-03-22 | 长春理工大学 | 一种基于数字孪生的产线动态虚拟重组方法 |
CN114296408A (zh) * | 2021-12-06 | 2022-04-08 | 上海大学 | 一种数字孪生环境中的生产制造车间人工智能优化算法模型***及其算法 |
CN114415607A (zh) * | 2021-12-20 | 2022-04-29 | 武汉华工赛百数据***有限公司 | 基于数据驱动的设计工艺制造一体化数字孪生*** |
CN114488978A (zh) * | 2022-01-18 | 2022-05-13 | 重庆川仪自动化股份有限公司 | 一种基于数字孪生的智能产线监控方法和*** |
CN116243671A (zh) * | 2023-03-07 | 2023-06-09 | 深圳职业技术学院 | 一种生产线数字孪生*** |
-
2023
- 2023-10-18 CN CN202311350046.1A patent/CN117391625B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359640A (zh) * | 2021-06-25 | 2021-09-07 | 上海大学 | 一种基于数字孪生和增强现实的产线预测性维护***及方法 |
CN114218763A (zh) * | 2021-11-26 | 2022-03-22 | 长春理工大学 | 一种基于数字孪生的产线动态虚拟重组方法 |
CN114296408A (zh) * | 2021-12-06 | 2022-04-08 | 上海大学 | 一种数字孪生环境中的生产制造车间人工智能优化算法模型***及其算法 |
CN114415607A (zh) * | 2021-12-20 | 2022-04-29 | 武汉华工赛百数据***有限公司 | 基于数据驱动的设计工艺制造一体化数字孪生*** |
CN114488978A (zh) * | 2022-01-18 | 2022-05-13 | 重庆川仪自动化股份有限公司 | 一种基于数字孪生的智能产线监控方法和*** |
CN116243671A (zh) * | 2023-03-07 | 2023-06-09 | 深圳职业技术学院 | 一种生产线数字孪生*** |
Also Published As
Publication number | Publication date |
---|---|
CN117391625A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117391625B (zh) | 一种基于数字孪生的智能制造管理***及方法 | |
CN111636891B (zh) | 盾构姿态实时预测***和预测模型的构建方法 | |
WO2023071761A1 (zh) | 一种异常定位方法及装置 | |
CN113849483A (zh) | 一种用于智能工厂的实时数据库***架构 | |
CN107609085A (zh) | 一种基于大数据技术的智能电网量测数据处理方法及*** | |
CN108595627A (zh) | 一种自助式数据分析建模平台 | |
CN111241129A (zh) | 一种工业生产企业指标数据采集与计算的*** | |
CN115936546A (zh) | 基于数字孪生的装配式建筑绿色施工管理方法及装置 | |
CN116389223A (zh) | 一种基于大数据的人工智能可视化预警***及方法 | |
CN115687038A (zh) | 一种基于大数据的硬盘故障预测***及方法 | |
CN111159152A (zh) | 基于大数据处理技术的二次运维数据融合方法 | |
CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及*** | |
CN117198446A (zh) | 一种基于医护对讲设备的查房报告自动生成方法 | |
JP2004199377A (ja) | 遠隔監視診断システム | |
CN115098487A (zh) | 一种多维的传染病数据分析治理*** | |
CN114676586A (zh) | 一种基于多维、多时空的数字模拟与仿真的建构方法 | |
CN117876596B (zh) | 一种沙盘式工厂生产仿真预测方法及*** | |
CN113177040A (zh) | 铝/铜板带材生产全流程大数据清洗与分析方法 | |
CN111724028A (zh) | 一种基于大数据技术的机器设备运行分析与挖掘*** | |
CN117876596A (zh) | 一种沙盘式工厂生产仿真预测方法及*** | |
CN117272170B (zh) | 一种基于知识图谱的it运维故障根因分析方法 | |
CN1696945A (zh) | 生产信息管控***及方法 | |
CN116543881A (zh) | 基于超数字人的医疗设备状态预测方法、装置及存储介质 | |
CN116521940A (zh) | 一种工业视频云存储实时监管方法及*** | |
CN118100434A (zh) | 基于gis、bim的新能源场站数据治理监测*** |
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 |