KR102311784B1 - Ai 기반 소성 가공 공정 정보 구축 방법 - Google Patents
Ai 기반 소성 가공 공정 정보 구축 방법 Download PDFInfo
- Publication number
- KR102311784B1 KR102311784B1 KR1020200006401A KR20200006401A KR102311784B1 KR 102311784 B1 KR102311784 B1 KR 102311784B1 KR 1020200006401 A KR1020200006401 A KR 1020200006401A KR 20200006401 A KR20200006401 A KR 20200006401A KR 102311784 B1 KR102311784 B1 KR 102311784B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- process design
- design
- stored
- plastic machining
- Prior art date
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 AI 기반 소성 가공 공정 정보 구축 방법에 관한 것이다.
본 발명은 소성 가공 시뮬레이터의 해석 결과를 선택적으로 프로세스 디자인 DB에 저장하는 단계; AI 기반 최적 공정 디자인 시스템이 시뮬레이션 소프트웨어와 연결되어 공정에 관한 상세 해석 결과를 얻는 단계; 상기 AI 기반 최적 공정 디자인 시스템에 의하여 생성되는 후보 공정 설계가 상기 프로세스 디자인 DB에 자동적으로 저장되는 단계; 스마트 매뉴팩쳐링 시스템이 공정 설계의 운영 정보를 획득, 가공하여 공정 개선 정보로 활용하는 단계를 포함하고,
상기 프로세스 디자인 DB에 저장되는 공정 설계 정보들은 축약된 형태로 저장이 되고, 하나의 파일에 복수의 공정에 관한 해석 및 생산 정보가 저장되는 AI 기반 소성 가공 공정 정보 구축 방법이 제공될 수 있다.
본 발명은 소성 가공 시뮬레이터의 해석 결과를 선택적으로 프로세스 디자인 DB에 저장하는 단계; AI 기반 최적 공정 디자인 시스템이 시뮬레이션 소프트웨어와 연결되어 공정에 관한 상세 해석 결과를 얻는 단계; 상기 AI 기반 최적 공정 디자인 시스템에 의하여 생성되는 후보 공정 설계가 상기 프로세스 디자인 DB에 자동적으로 저장되는 단계; 스마트 매뉴팩쳐링 시스템이 공정 설계의 운영 정보를 획득, 가공하여 공정 개선 정보로 활용하는 단계를 포함하고,
상기 프로세스 디자인 DB에 저장되는 공정 설계 정보들은 축약된 형태로 저장이 되고, 하나의 파일에 복수의 공정에 관한 해석 및 생산 정보가 저장되는 AI 기반 소성 가공 공정 정보 구축 방법이 제공될 수 있다.
Description
본 발명은 AI 기반 소성 가공 공정 정보 구축 방법에 관한 것이다.
금속재의 소성 가공, 특히 단조 공정 설계는 단조 시뮬레이션에 의존하고 있다. 그러나, 시뮬레이션 결과에 의해 생성된 파일은 여러 개로 구성될 수 있고, 그 용량이 매우 크기 때문에 보관 상에 문제가 따르고, 파일의 갯수가 많아져서 사실상 관리가 불가능하다.
특히, 기간이 지난 해석 결과는 신 버전으로 관리하는 데에도 문제가 따른다. 업무의 담당자가 바뀌거나 사용하는 소프트웨어가 바뀔 때, 사실상 과거의 실적 관리가 불가능할 수 있다.
본 발명은 소성 가공 공정 정보를 효율적으로 보관하는 지식 기반을 구축하고, 경험 및 지식 정보 DB를 체계적으로 구축하여 AI 기반 설계 시스템의 지식 기반으로 활용할 수 있는 AI 기반 소성 가공 공정 정보 구축 방법을 제공하는 것이다.
본 발명의 해결 수단은, 소성 가공 시뮬레이터의 해석 결과를 선택적으로 프로세스 디자인 DB에 저장하는 단계;
AI 기반 최적 공정 디자인 시스템이 시뮬레이션 소프트웨어와 연결되어 공정에 관한 상세 해석 결과를 얻는 단계;
상기 AI 기반 최적 공정 디자인 시스템에 의하여 생성되는 후보 공정 설계가 상기 프로세스 디자인 DB에 자동적으로 저장되는 단계;
스마트 매뉴팩쳐링 시스템이 공정 설계의 운영 정보를 획득, 가공하여 공정 개선 정보로 활용하는 단계;
를 포함하고,
상기 프로세스 디자인 DB에 저장되는 공정 설계 정보들은 축약된 형태로 저장이 되고,
하나의 파일에 복수의 공정에 관한 해석 및 생산 정보가 저장되는 AI 기반 소성 가공 공정 정보 구축 방법이 제공될 수 있다.
이와 같이, 본 발명은 소성 가공 공정 정보를 효율적으로 저장할 수 있기 때문에 지식 기반을 구축할 수 있고, 경험 및 지식 정보 DB를 체계적으로 구축함으로써, AI 기반 설계 시스템의 지식 기반으로 활용할 수 있다.
도 1은 본 발명의 구축 방법을 구현하는 모습을 나타낸 설명도이다.
금속재의 소성 가공 시뮬레이션 기술을 구심점으로 하는 공정 설계에 관한 표준화된 데이터베이스의 구축이 절실하다.
소성 가공 공정은 창의적 특성으로 인하여 표준화가 불가능하고 일정한 규칙을 적용할 수가 없다.
그리고, 경험 기술을 정량화하는 것이 불가능할 수 있다. 설사 경험적 요소가 확보되었다고 하더라도 시뮬레이션 기술을 이용한 상세 정보보다 부정확한 경우가 대부분이다.
따라서, 실 공정에서 확보된 정보를 포함하는 종합적인 설계 정보의 수집 및 평가 시스템이 필요하며, 이것은 AI(Artificial Intelligence) 기반 공정 설계 시스템의 지식 기반으로 활용될 수 있다.
AI 기반 공정 설계 및 스마트 제조 공정의 실현을 위하여, 소성 가공 공정의 설계 변수의 변화에 따른 공정의 자동 시뮬레이션 및 결과의 선별적 저장 시스템이 필요하다.
[구축 방법]
하나의 소성 가공 공정 설계 정보를, 해석 결과 파일에 저장된 하나의 해석 스텝을 저장하는 것과 동일한 방식으로 저장할 수 있다.
따라서, 동질의 서로 다른 공정 또는 해석 조건에 따른 해석 결과가 하나의 파일에 저장될 수 있다.
본 발명은 소성 가공(특히, 단조)시뮬레이터의 프리 및 포스트 프로세서(pre 및 post processor)와 연계하여 활용될 수 있다.
소성 가공 시뮬레이터의 프리 프로세서에서 프로세스 디자인 DB(Database)에 직접 접속하여 실행이 가능하며, 소성 가공 시뮬레이터의 결과를 선택적으로 프로세스 디자인 DB에 자동 저장할 수 있다.
저장된 해석 결과는, 공정 및 형상 정보, 해석 정보, 단류선, 성형 하중, 변형률 등의 해석 결과를 포함할 수 있다.
공정에 관한 정보, 금형의 실제 수명, 강도 등의 공정 적용 결과를 저장할 수 있다.
본 발명의 구체적인 구축 방법은 공정 최적 시스템의 지식 기반으로 사용될 수 있다.
본 발명의 구체적인 구축 방법은 도 1을 참조하여 설명하면 다음과 같다.
A. 금속재의 소성 가공 공정 해석 결과를 포스트 프로세서에 탑재하고, 결과를 저장하고자 할 경우, 프로세스 디자인 DB(Process Design DB)를 선택하고, 관련 파일을 선택하여 프로세스 디자인 DB의 폴더(Folder)에 저장할 수 있다.
각 시뮬레이션의 해석 결과와 공정 정보를 선택적으로 프로세스 디자인 DB 폴더에 저장시, 선택 조건은 설계의 구속 조건을 만족하는 설계들 중에서 사용자가 별도로 정의한 조건(저장 조건, 이 저장 조건은 설계 구속 조건과 다를 수 있음)일 수 있다.
선택 조건은, 예를 들어 설계 구속 조건 또는 저장 조건(하중, 손상도, 변형률, 치수, 소성 가공선도(단류선)의 품질, 강도 등의 함수)을 만족하는 것이다.
이때, 포스트 프로세서에 로딩된 공정 관련 내용들은 선택된 파일에 추가적으로 저장될 수 있다.
필수적으로, 공정 및 해석 조건, 단류선과 성형 하중이 자동적으로 저장되며, 선택적으로 일부의 해석 결과들이 저장될 수 있다.
그리고, 공정의 적용 과정(생산에 투입됨)에서 축적될 정보를 위한 일정 공간을 확보해 둘 수 있다.
B. 포스트 프로세서에는 프로세스 디자인 DB에 의하여 저장된 파일을 직접 엑세스해서 디스플레이시킬 수 있는 기능이 탑재될 수 있다.
프로세스 디자인 DB 뷰어는 프로세스 디자인 DB에 저장된 시뮬레이션 결과(공정 해석 정보 포함)를 종류에 상관없이 살펴볼 수 있다.
이때, 시뮬레이션 툴(tool)은 예를 들어, 소성 가공 성형 해석 소프트웨어인 AFDEX로 고려할 수 있다.
AFDEX의 해석 결과에는 공정 정보들이 포함될 수 있다. 따라서, 설계 관점에서 상호 비교하기 위하여 저장된 각 설계의 공정 설계 정보를 상세하게 조사해야 하는데, 프로세스 디자인 DB 뷰어는 이러한 작업과 함께 가능한 설계(저장된 설계)의 효율적 관리를 지원할 수 있다.
C. 프로세tm 디자인 DB는 포스트 프로세서 프로그램뿐만 아니라, 공정 최적 설계 프로그램과 연결될 수 있고, 해석 결과 중에서 실현 가능 공정 설계(성형 하중 및 단류선 품질을 만족하는 공정 설계)들이 자동적으로 저장될 수 있다.
이때, 관점에 따른 평가 지수가 다양한 이론에 근거하여 계산 및 저장될 수 있다.
프로세스 디자인 DB에 구축된 공정 해석 정보를 이용해서 AI 기반 최적 공정 디자인 시스템에서 후보 공정 설계를 생성할 수 있다.
공정 최적 설계 문제는 목적 함수와 등식 및 부등식 구속 조건으로 수식화될 수 있다.
먼저 설계 변수가 정의되고, 구속 조건식을 이용하여 설계 변수의 범위 또는 후보들이 설정되어야 한다.
이때, AI 또는 각종 경험 법칙에 근거한 전략(가령, 코스트를 올리지 않고 균일한 품질의 최적 조건을 찾는 실험법인 다구찌 법)을 이용하여 설계 변수의 후보들을 순차적 또는 동시적으로 자동적인 방법으로 생성하고, 해석 프로그램에 명령하여 해석을 수행하고 그 결과를 분석할 수 있다.
이러한 과정을 통하여 최적 설계를 서치하는 방법이 하나의 선택 사항이 될 수 있다.
경우에 따라서는 설계 민감도를 계산하여 설계 개선 방향을 정하고, 그 방향으로 서치하는 방법도 있을 수 있다.
D. 프로세스 디자인 DB는 스마트 팩토리 시스템(Smart Factory System)과 연계되어 공정 실행 정보, 즉 금형 수명, 성형 하중, 품질 등의 실험 정보들이 저장될 수 있다.
AI 기반 최적 공정 디자인 시스템과 시뮬레이션 소프트웨어가 연결되어 공정에 관한 상세 해석 결과를 얻을 수 있다.
서치하는 방법을 사용하든 구배를 이용하는 방법이든, 설계 가능 후보들에 관한 정보를 얻어야 한다.
AI를 이용한 후보 설계의 결정 이후에, 그 설계 후보에 관한 공정 해석을 자동적으로 수행하고, 그 결과를 바탕으로 개선 설계를 찾을 수 있다.
이러한 과정이 반복적으로 이루어져 사용자의 개입없이 최적의 설계를 얻게 될 수 있다.
본 발명은 후보 설계와 그 분석 결과에 관한 정보를 매우 컴팩트하게 저장하여 AI 등에서 필요로 하는 DB로 사용한다는 아이디어 즉, 구체적으로 단조 시뮬레이터의 활용 범위 확대와 그 방법이 중요하다고 볼 수 있다.
AI 기반 최적 공정 디자인 시스템은 공정 설계의 개선 방향을 제시할 수 있다.
공정 최적 설계 방법은 기존의 상용 소프트웨어를 사용할 수도 있고, 자체적으로 제작할 수도 있다.
단조 시뮬레이터와 연계하여 가능 공정 설계(Feasible process design)의 축적, 축적된 DB를 활용한 공정 최적 설계의 응용, AI 기반 최적 공정 디자인 시스템 에서 상기 축적된 DB에 저장된 공정을 활용할 수 있다.
현재로서는 기존의 경험을 정보화할 수 있는 방법이 없다. 해석 파일은 500M-20G바이트 정도로 크기 때문에 효율적 저장과 활용이 불가능하다. 본 발명의 실시 예에서는 이 정도 크기의 파일에 500여 공정에 관한 주요 정보를 저장하려는 것이다.
스마트 매뉴팩쳐링 시스템(Smart Manufacturing System)이 성형 하중, 금형 마모, 경도, 치수, 금형의 수명 등을 제공하는 센서들과 연결되어 공정 설계의 운영 정보를 획득하고 가공하여 공정 개선 정보로 활용할 수 있다.
하나의 프로세스 디자인 DB에는 수 많은 동종의 공정 정보가 저장될 수 있다.
프로세스 디자인 DB에서 하나의 공정을 위한 데이터에는 기하학적 데이터, 해석 결과 요약, 실험 결과 요약, 실 공정 적용 결과 요약을 위한 공간이 마련될 수 있다.
프로세스 디자인 DB는 스마트 매뉴팩쳐링 시스템과 연결되어 모든 공정 정보들을 상시적으로 수집하고 가공할 수 있다.
이와 같이 본 발명의 AI 기반 소성 가공 공정 정보 구축 방법은 다음과 같이 정리할 수 있다.
1. 프리/포스트 프로세서 기반의 소성 가공 시뮬레이터를 프로세스 디자인 DB 뷰어를 통해 기능과 연결하여 설계 기능을 강화할 수 있다.
2. 주요 해석 결과와 공정 정보를 선택적으로 프로세스 디자인 DB 폴더에 저장할 수 있다.
프로세스 디자인 DB에 구축된 해석 결과는 종류에 관계없이 프로세스 디자인 DB 뷰어로 확인해 볼 수 있다.
상기 공정 해석 정보는 스마트 팩토리 플랫폼(Smart Factory Platform)에 탑재된 AI 기반 최적 공정 디자인 시스템 및 스마트 매뉴팩쳐링 시스템과 연결되어 공정의 개선 및 실 공정 정보의 지속적 축적을 위하여 활용될 수 있다.
물론, AI 기반 최적 공정 디자인 시스템에 의하여 생성된 후보 공정 설계는 자동적으로 프로세스 디자인 DB 폴더에 저장하여 축적될 수 있다.
3. 프로세스 디자인 DB 폴더에 축적된 가상의 공정 및 실 공정 정보들은 소성 가공에서 스마트 팩토리의 실현에 필요한 지식 기반으로 마련될 수 있다.
4. 시뮬레이션 소프트웨어는 멀티 피직스(Multi-physics)에 기반을 둔 스마트 팩토리의 두뇌 역할을 수행하는 것으로, AI 기반 최적 공정 디자인 시스템을 통제하여 각 요소들과 연결될 수 있다.
5. 프로세스 디자인 DB 폴더에 저장되는 공정 설계 정보들은 축약된 형태로 저장이 되며, 하나의 파일에 복수의 공정에 관한 해석 및 생산 정보가 저장될 수 있다.
필요에 따라 상세 정보가 필요한 경우, 시뮬레이션 소프트웨어에 연결될 수 있다.
6. AI 기반 최적 공정 디자인 시스템은 시뮬레이션 소프트웨어와 연결되어 공정에 관한 상세 해석 결과를 얻을 수 있다.
7. AI 기반 최적 공정 디자인 시스템은 최적화 및 인공 지능 기능을 갖추고 있어, 지속적으로 해석 및 실 공정 정보를 이용하여 공정 설계의 개선 방향을 제시해 줄 수 있다.
8. 스마트 매뉴팩쳐링 시스템은 성형 하중, 금형 마모, 경도, 치수, 금형의 수명 등을 제공하는 센서들과 연결되어 공정 설계의 운영 정보를 획득함으로써, 가공하여 공정 개선 정보로 활용할 수 있다.
Claims (5)
- 소성 가공 시뮬레이터의 해석 결과를 선택적으로 프로세스 디자인 DB에 저장하는 단계;
AI 기반 최적 공정 디자인 시스템이 시뮬레이션 소프트웨어와 연결되어 공정에 관한 상세 해석 결과를 얻는 단계;
상기 AI 기반 최적 공정 디자인 시스템에 의하여 생성되는 후보 공정 설계가 상기 프로세스 디자인 DB에 자동적으로 저장되는 단계;
스마트 매뉴팩쳐링 시스템이 공정 설계의 운영 정보를 획득, 가공하여 공정 개선 정보로 활용하는 단계;
를 포함하고,
상기 프로세스 디자인 DB에 저장되는 공정 설계 정보들은 축약된 형태로 저장이 되고,
하나의 파일에 복수의 공정에 관한 해석 및 생산 정보가 저장되는 AI 기반 소성 가공 공정 정보 구축 방법.
- 제1 항에 있어서,
상기 프로세스 디자인 DB에 저장되는 시뮬레이션 해석 결과는,
종류에 관계없이 프로세스 디자인 DB 뷰어로 확인해 볼 수 있는 AI 기반 소성 가공 공정 정보 구축 방법.
- 제1 항에 있어서,
상기 시뮬레이터에 의한 상기 해석 결과는,
스마트 팩토리 플랫폼에 탑재되는 상기 AI 기반 최적 공정 디자인 시스템 및 상기 스마트 매뉴팩쳐링 시스템과 연결되어 공정의 개선 및 실 공정 정보의 지속적 축적을 위하여 활용되는 AI 기반 소성 가공 공정 정보 구축 방법.
- 제1 항에 있어서,
상기 프로세스 디자인 DB에 축적된 가상의 공정 및 실 공정 정보들은,
소성 가공에서 스마트 팩토리의 실현에 필요한 지식 기반으로 활용되는 AI 기반 소성 가공 공정 정보 구축 방법.
- 제1 항에 있어서,
상기 스마트 매뉴팩쳐링 시스템이 획득하는 상기 공정 설계의 운영 정보는, 성형 하중, 금형 마모, 경도, 치수, 금형의 수명중 적어도 하나 이상이고,
상기 공정 설계의 운영 정보는 센서에 의해 획득되는 AI 기반 소성 가공 공정 정보 구축 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200006401A KR102311784B1 (ko) | 2020-01-17 | 2020-01-17 | Ai 기반 소성 가공 공정 정보 구축 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200006401A KR102311784B1 (ko) | 2020-01-17 | 2020-01-17 | Ai 기반 소성 가공 공정 정보 구축 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210092917A KR20210092917A (ko) | 2021-07-27 |
KR102311784B1 true KR102311784B1 (ko) | 2021-10-12 |
Family
ID=77125411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200006401A KR102311784B1 (ko) | 2020-01-17 | 2020-01-17 | Ai 기반 소성 가공 공정 정보 구축 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102311784B1 (ko) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005266894A (ja) | 2004-03-16 | 2005-09-29 | Suzuki Motor Corp | 金型設計支援システム及び方法並びに金型設計支援用プログラム |
JP2005326997A (ja) | 2004-05-13 | 2005-11-24 | Fujitsu Ltd | デザイン支援プログラム |
KR101846793B1 (ko) | 2017-10-17 | 2018-04-06 | 부경대학교 산학협력단 | 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4221061B2 (ja) * | 1994-11-09 | 2009-02-12 | 株式会社アマダ | 板金曲げ計画の作成・実行用知能システム |
KR20010078989A (ko) * | 2001-05-30 | 2001-08-22 | 노승훈 | 기계구조물 안정화 설계를 위한 시뮬레이션 모델의 이용 |
KR102210972B1 (ko) * | 2018-02-08 | 2021-02-02 | 주식회사 포스코아이씨티 | 고속 빅데이터 분석을 수행하는 스마트팩토리 시스템 |
-
2020
- 2020-01-17 KR KR1020200006401A patent/KR102311784B1/ko active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005266894A (ja) | 2004-03-16 | 2005-09-29 | Suzuki Motor Corp | 金型設計支援システム及び方法並びに金型設計支援用プログラム |
JP2005326997A (ja) | 2004-05-13 | 2005-11-24 | Fujitsu Ltd | デザイン支援プログラム |
KR101846793B1 (ko) | 2017-10-17 | 2018-04-06 | 부경대학교 산학협력단 | 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템 |
Also Published As
Publication number | Publication date |
---|---|
KR20210092917A (ko) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10528563B2 (en) | Predictive table pre-joins in large scale data management system using graph community detection | |
CN110334274A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN103824119B (zh) | 利用性能指标和预测分析设置制造设备参数的***及方法 | |
KR102229859B1 (ko) | 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템 | |
Xu et al. | Framework of a product lifecycle costing system | |
KR101616544B1 (ko) | Lda를 이용한 특허 문헌 분석 방법 | |
US20140350993A1 (en) | Information management device and method | |
CN105550393A (zh) | 一种支持方案快速生成的枪械变型设计方法 | |
US20070233532A1 (en) | Business process analysis apparatus | |
CN111090686A (zh) | 数据处理方法、装置、服务器和存储介质 | |
CN112598443A (zh) | 一种基于深度学习的线上渠道业务数据处理方法及*** | |
CN112052027A (zh) | 一种处理ai任务的方法及装置 | |
CN116827950A (zh) | 云资源的处理方法、装置、设备及存储介质 | |
KR102311784B1 (ko) | Ai 기반 소성 가공 공정 정보 구축 방법 | |
CN117807377A (zh) | 多维度物流数据挖掘与预测方法及*** | |
Sadeghi et al. | Technology selection in the presence of fuzzy data and dual-role factors | |
CN113672506A (zh) | 基于机器学习的动态比例测试用例排序选择方法及*** | |
CN113554483A (zh) | 一种订单全生命周期管理方法及*** | |
CN107844496B (zh) | 统计信息输出方法及装置 | |
CN105023100A (zh) | 针对平台软件的数据库与中间件非指标量化管理平台 | |
CN116974470A (zh) | 数据迁移方法、装置、设备及存储介质 | |
JPH10228463A (ja) | 需要予測モデル評価方法 | |
KR20210042709A (ko) | 기업 관계 데이터를 이용한 주가 예측 방법 및 서버 | |
CN112668223B (zh) | 基于数字孪生轻量化模型的机电装备仿真方法及*** | |
CN116384851A (zh) | 能源供应链实时调度智能决策业务仿真***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |