CN111008502A - 一种数字孪生驱动的复杂装备故障预测方法 - Google Patents
一种数字孪生驱动的复杂装备故障预测方法 Download PDFInfo
- Publication number
- CN111008502A CN111008502A CN201911163211.6A CN201911163211A CN111008502A CN 111008502 A CN111008502 A CN 111008502A CN 201911163211 A CN201911163211 A CN 201911163211A CN 111008502 A CN111008502 A CN 111008502A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- fault
- twin
- neural network
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数字孪生驱动的复杂装备故障预测方法和装置，包括：复杂装备数字孪生体建立模块，该模块能够建立与设置几何模型、物理参数、运行行为以及限制约束；数字孪生体校准模块，该模块利用数字孪生体生成的数据和实体装备采集数据的偏差进行校准；故障数据生成模块，该模块能够根据设置的故障行为生成故障数据；故障预测模型训练及验证模块，该模块能够设置训练参数并训练神经网络。本发明公开的方法能够解决获取复杂装备故障数据主要依赖实验造成的成本高且数据不全面问题，使复杂装备的故障预测的成本降低，并且提高了故障预测的准确性。
Description
技术领域
本发明属于电子工程和计算机科学领域，具体涉及一种数字孪生驱动的复杂装备故障预 测方法。
背景技术
在制造领域中有各类复杂装备，由于复杂装备具有结构多，单装备价格高，工艺复杂等 特点，对于复杂装备的故障预测一直是各国专家研究的重点。很多故障预测技术被研究，包 括线性相关度法等，但是这些方法存在明显不足，无法预测多个故障同时发生的情况，在单 个故障发生的情况也存在预测结果区分度不足的问题，因此需要使用准确度更高的方法—— 训练神经网络预测模型。然而，训练一个神经网络需要大量的数据，在故障预测领域则需要 大量故障数据，这些故障数据的获得成为了难题：采用实验方法成本过高且得不偿失，建立 历史数据库则时间成本无法估计，部分稳定的复杂装备甚至长时间不会发生故障。
发明内容
针对使用神经网络方法造成的故障数据获取难的问题，为了解决该技术问题，本发明提 出利用数字孪生技术，建立与实际装备相匹配的复杂装备孪生体，对该装备的每一种故障以 及各故障的组合进行故障数据的模拟生成，从而完成故障数据的获取。本发明能够有效的生 成复杂装备故障数据，从而大大降低了复杂装备故障预测数据获取的成本，使用神经网络预 测的方法也能够保证该方法在故障预测方面精度较高。该方法能够解决复杂装备故障预测数 据获取难，预测准确度不高的问题，能够实现复杂装备高准确性的故障预测。
本发明解决其技术问题是采取以下技术方案实现的：一种数字孪生驱动的复杂装备故障 预测方法，包括：
一种数字孪生驱动的复杂装备故障预测方法，包括如下步骤：
步骤(1)、复杂装备数字孪生体建立步骤，该步骤的具体实现如下：
①针对一复杂装备，根据该装备的组成结构，使用MATLAB软件建立其几何模型，该模型需体现装备的结构和装配关系；
②使用MATLAB软件工具箱，对装备几何模型中各个结构增加物理属性；
③根据复杂装备特征，创建生产行为，该行为需包括装备各个组成部分面对该行为的响 应以及产生数据的特点；
④根据复杂装备具体领域，设置其生产行为约束，需要设置多个维度多个范围的具体约 束；
⑤根据该装备的结构特点以及生产过程中采集的参数，将这些参数进行整理、归类和筛 选，建立该设备的参数集，该参数集即为各种故障情况下所采集并输入到神经网络中的参数 集；
步骤(2)、数字孪生体校准步骤，该步骤的具体实现如下：
①根据已经建立的复杂装备数字孪生体和该装备实际的生产计划，模拟与装备实体相同 的生产过程；建立孪生体的目的是通过孪生体模拟实际装备的故障数据，需要将孪生体校准 到符合实际装备，因此使用的是实际的生产过程数据进行校准；
②生成该生产过程下各参数的模拟数据；
③计算实际数据与模拟数据的偏差值，根据偏差值判断孪生体模型是否匹配装备实体， 若匹配则转⑤，若不匹配则转④；
④根据偏差值计算梯度，调整孪生体模型参数并转②；
⑤完成复杂装备数字孪生体构建；
步骤(3)、故障数据生成步骤，该步骤的具体实现如下：
①设置故障行为，即孪生体模拟的实际故障情况，包括单个结构和多个结构组合的情况， 分别生成不同情况的所对应的故障数据；
②根据选择的故障行为模拟包含故障的生产行为，生成模拟数据；
③根据该装备生产行为的数据参考值/期望值计算所述设置的故障行为的偏差值；
④将偏差值转换为特征向量，形成特征向量组；
步骤(4)、故障预测模型训练及验证步骤，该步骤的具体实现如下：
①设置BP神经网络训练参数；
②训练神经网络；通过训练该设备的孪生体，并设置相应的故障行为，得到偏差值，对 偏差值进行处理，转换为特征向量组，特征向量组为训练神经网络的数据源；
③使用实际数据和模拟数据，对神经网络进行校准和验证，若不满足训练要求则修改训 练参数继续训练，直到训练出满足拟合要求的神经网络为止；
④将复杂装备实际运行过程中采集到的数据输入训练完成的神经网络中，神经网络输出 各类故障和故障组合的预测情况。
根据本发明的另一方面，提出一种数字孪生驱动的复杂装备故障预测装置，包括：
(1)复杂装备数字孪生体建立模块，该模块的具体实现如下：
①针对一复杂装备，根据该装备的组成结构，使用MATLAB软件建立其几何模型，该模型需体现装备的结构和装配关系；
②使用MATLAB软件工具箱，对装备几何模型中各个结构增加物理属性；
③根据复杂装备特征，创建生产行为，该行为需包括装备各个组成部分面对该行为的响 应以及产生数据的特点；
④根据复杂装备具体领域，设置其生产行为约束，需要设置多个维度多个范围的具体约 束；
⑤根据该装备的结构特点以及生产过程中采集的参数，将这些参数进行整理、归类和筛 选，建立该设备的参数集，该参数集即为各种故障情况下所采集并输入到神经网络中的参数 集；
(2)数字孪生体校准模块，该模块的具体实现如下：
①根据已经建立的复杂装备数字孪生体和该装备实际的生产计划，模拟与装备实体相同 的生产过程；建立孪生体的目的是通过孪生体模拟实际装备的故障数据，需要将孪生体校准 到符合实际装备，因此使用的是实际的生产过程数据进行校准；
②生成该生产过程下各参数的模拟数据；
③计算实际数据与模拟数据的偏差值，根据偏差值判断孪生体模型是否匹配装备实体， 若匹配则转⑤，若不匹配则转④；
④根据偏差值计算梯度，调整孪生体模型参数并转②；
⑤完成复杂装备数字孪生体构建；
(3)故障数据生成模块，该模块的具体实现如下：
①设置故障行为，即孪生体模拟的实际故障情况，包括单个结构和多个结构组合的情况， 分别生成不同情况的所对应的故障数据；
②根据选择的故障行为模拟包含故障的生产行为，生成模拟数据；
③根据该装备生产行为的数据参考值/期望值计算所述设置的故障行为的偏差值；
④将偏差值转换为特征向量，形成特征向量组；
(4)故障预测模型训练及验证模块，该模块的具体实现如下：
①设置BP神经网络训练参数；
②训练神经网络；通过训练该设备的孪生体，并设置相应的故障行为，得到偏差值，对 偏差值进行处理，转换为特征向量组，特征向量组为训练神经网络的数据源；
③使用实际数据和模拟数据，对神经网络进行校准和验证，若不满足训练要求则修改训 练参数继续训练，直到训练出满足拟合要求的神经网络为止；
④将复杂装备实际运行过程中采集到的数据输入训练完成的神经网络中，神经网络输出 各类故障和故障组合的预测情况。
本发明与现有技术相比的优点在于：
(1)本发明使用数字孪生技术，通过建立复杂装备数字孪生体的方式，自主生成训练神 经网络所需要的故障数据，在时间成本和经济成本两方面都大大减少，解决了获取故障数据 难的问题。
(2)本发明使用神经网络方法，比起传统的线性偏差法等具有好的预测速度以及更高 的准确度。
附图说明
图1为本发明的结构框图；
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、完整的描 述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明 中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例， 都属于本发明的保护范围。。
本发明涉及一种数字孪生驱动的复杂装备故障预测方法。该方法提出利用数字孪生技术， 建立与实际装备相匹配的复杂装备孪生体，对该装备的每一种故障以及各故障的组合进行故 障数据的模拟生成，从而完成故障数据的获取。本发明能够有效的生成复杂装备故障数据， 从而大大降低了复杂装备故障预测数据获取的成本，使用神经网络预测的方法也能够保证该 方法在故障预测方面精度较高。
本发明的一种数字孪生驱动的复杂装备故障预测装置的结构框图如图1所示，具体实施 方式如下：
(1)图1中的1是复杂装备数字孪生体建立模块，该模块的具体实现如下：
①针对某一特定复杂装备，根据该装备的组成结构，使用MATLAB软件建立其几何模 型，该模型需体现装备的结构和装配关系；
②使用MATLAB软件工具箱，对装备几何模型中各个结构增加物理属性；
③根据复杂装备特征，创建生产行为，该行为需包括装备各个组成部分面对该行为的响 应以及产生数据的特点；
④根据复杂装备具体领域，设置其生产行为约束，该约束对后续生成故障数据具有较大 影响，因此需要多维度多范围的具体约束；
⑤根据该装备的结构特点以及生产过程中采集的参数，将这些参数进行整理、归类和筛 选，建立该设备的参数集，该参数集即为各种故障情况下所采集并输入到神经网络中的参数 集；
(2)图1中的2是数字孪生体校准模块，该模块的具体实现如下：
①根据已经建立的复杂装备数字孪生体和该装备实际的生产计划，模拟与装备实体相同 的生产过程；建立孪生体的目的是通过孪生体模拟实际装备的故障数据，需要将孪生体校准 到尽量贴合实际装备，因此使用的是实际的生产过程数据进行校准。
②生成该生产过程下各参数的模拟数据；
③计算实际数据与模拟数据的偏差值，根据偏差值判断孪生体模型是否匹配装备实体， 若匹配则转⑤，若不匹配则转④；
④根据偏差值计算梯度，调整孪生体模型参数并转②；
⑤完成复杂装备数字孪生体构建；
(3)图1中的3是故障数据生成模块，该模块的具体实现如下：
①设置故障行为，即孪生体模拟的实际故障情况，包括单个结构和多个结构组合的情况， 分别生成不同情况的所对应的故障数据；
②根据选择的故障行为模拟包含故障的生产行为，生成模拟数据；
③根据该装备生产行为的数据参考值/期望值计算步骤①设置的故障行为的偏差值；模 块1建立的参数集，例如升温速率、保温温度、风机全压等，在无故障的情况下存在参考/期 望值，如保温温度在118℃～120℃之间，产品质量/工艺的符合要求的。本步骤是计算步骤① 设置的故障行为偏差。
④将偏差值转换为特征向量，形成特征向量组；
(4)图1中的4是故障预测模型训练及验证模块，该模块的具体实现如下：
①设置BP神经网络训练参数；
②训练神经网络；本发明的贡献之一为解决复杂装备故障数据来源的问题，通过训练该 设备的孪生体，并设置相应的故障行为，得到偏差值，对偏差值进行处理，转换为特征向量 组，特征向量组为训练神经网络的数据源。
③使用实际数据和模拟数据，对神经网络进行校准和验证，若不满足训练要求则修改训 练参数继续训练，直到训练出满足拟合要求的神经网络为止；
④将复杂装备实际运行过程中采集到的数据输入训练完成的神经网络中，神经网络输出 各类故障和故障组合的预测情况。
综上所述，本发明公开了一种数字孪生驱动的复杂装备故障预测方法，包括：复杂装备 数字孪生体建立模块、数字孪生体校准模块、故障数据生成模块以及故障预测神经网络训练 及验证模块。本发明公开的方法能够解决获取复杂装备故障数据主要依赖实验造成的成本高 且数据不全面问题，使复杂装备的故障预测的成本降低，并且提高了故障预测的准确性。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说， 在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发 明的保护范围。
Claims (2)
1.一种数字孪生驱动的复杂装备故障预测方法，其特征在于，包括如下步骤：
步骤(1)、复杂装备数字孪生体建立步骤，该步骤的具体实现如下：
①针对一复杂装备，根据该装备的组成结构，使用MATLAB软件建立其几何模型，该模型需体现装备的结构和装配关系；
②使用MATLAB软件工具箱，对装备几何模型中各个结构增加物理属性；
③根据复杂装备特征，创建生产行为，该行为需包括装备各个组成部分面对该行为的响应以及产生数据的特点；
④根据复杂装备具体领域，设置其生产行为约束，需要设置多个维度多个范围的具体约束；
⑤根据该装备的结构特点以及生产过程中采集的参数，将这些参数进行整理、归类和筛选，建立该设备的参数集，该参数集即为各种故障情况下所采集并输入到神经网络中的参数集；
步骤(2)、数字孪生体校准步骤，该步骤的具体实现如下：
①根据已经建立的复杂装备数字孪生体和该装备实际的生产计划，模拟与装备实体相同的生产过程；建立孪生体的目的是通过孪生体模拟实际装备的故障数据，需要将孪生体校准到符合实际装备，因此使用的是实际的生产过程数据进行校准；
②生成该生产过程下各参数的模拟数据；
③计算实际数据与模拟数据的偏差值，根据偏差值判断孪生体模型是否匹配装备实体，若匹配则转⑤，若不匹配则转④；
④根据偏差值计算梯度，调整孪生体模型参数并转②；
⑤完成复杂装备数字孪生体构建；
步骤(3)、故障数据生成步骤，该步骤的具体实现如下：
①设置故障行为，即孪生体模拟的实际故障情况，包括单个结构和多个结构组合的情况，分别生成不同情况的所对应的故障数据；
②根据选择的故障行为模拟包含故障的生产行为，生成模拟数据；
③根据该装备生产行为的数据参考值/期望值计算所述设置的故障行为的偏差值；
④将偏差值转换为特征向量，形成特征向量组；
步骤(4)、故障预测模型训练及验证步骤，该步骤的具体实现如下：
①设置BP神经网络训练参数；
②训练神经网络；通过训练该设备的孪生体，并设置相应的故障行为，得到偏差值，对偏差值进行处理，转换为特征向量组，特征向量组为训练神经网络的数据源；
③使用实际数据和模拟数据，对神经网络进行校准和验证，若不满足训练要求则修改训练参数继续训练，直到训练出满足拟合要求的神经网络为止；
④将复杂装备实际运行过程中采集到的数据输入训练完成的神经网络中，神经网络输出各类故障和故障组合的预测情况。
2.一种数字孪生驱动的复杂装备故障预测装置，其特征在于，包括：
(1)复杂装备数字孪生体建立模块，该模块的具体实现如下：
①针对一复杂装备，根据该装备的组成结构，使用MATLAB软件建立其几何模型，该模型需体现装备的结构和装配关系；
②使用MATLAB软件工具箱，对装备几何模型中各个结构增加物理属性；
③根据复杂装备特征，创建生产行为，该行为需包括装备各个组成部分面对该行为的响应以及产生数据的特点；
④根据复杂装备具体领域，设置其生产行为约束，需要设置多个维度多个范围的具体约束；
⑤根据该装备的结构特点以及生产过程中采集的参数，将这些参数进行整理、归类和筛选，建立该设备的参数集，该参数集即为各种故障情况下所采集并输入到神经网络中的参数集；
(2)数字孪生体校准模块，该模块的具体实现如下：
①根据已经建立的复杂装备数字孪生体和该装备实际的生产计划，模拟与装备实体相同的生产过程；建立孪生体的目的是通过孪生体模拟实际装备的故障数据，需要将孪生体校准到符合实际装备，因此使用的是实际的生产过程数据进行校准；
②生成该生产过程下各参数的模拟数据；
③计算实际数据与模拟数据的偏差值，根据偏差值判断孪生体模型是否匹配装备实体，若匹配则转⑤，若不匹配则转④；
④根据偏差值计算梯度，调整孪生体模型参数并转②；
⑤完成复杂装备数字孪生体构建；
(3)故障数据生成模块，该模块的具体实现如下：
①设置故障行为，即孪生体模拟的实际故障情况，包括单个结构和多个结构组合的情况，分别生成不同情况的所对应的故障数据；
②根据选择的故障行为模拟包含故障的生产行为，生成模拟数据；
③根据该装备生产行为的数据参考值/期望值计算所述设置的故障行为的偏差值；
④将偏差值转换为特征向量，形成特征向量组；
(4)故障预测模型训练及验证模块，该模块的具体实现如下：
①设置BP神经网络训练参数；
②训练神经网络；通过训练该设备的孪生体，并设置相应的故障行为，得到偏差值，对偏差值进行处理，转换为特征向量组，特征向量组为训练神经网络的数据源；
③使用实际数据和模拟数据，对神经网络进行校准和验证，若不满足训练要求则修改训练参数继续训练，直到训练出满足拟合要求的神经网络为止；
④将复杂装备实际运行过程中采集到的数据输入训练完成的神经网络中，神经网络输出各类故障和故障组合的预测情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911163211.6A CN111008502B (zh) | 2019-11-25 | 2019-11-25 | 一种数字孪生驱动的复杂装备故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911163211.6A CN111008502B (zh) | 2019-11-25 | 2019-11-25 | 一种数字孪生驱动的复杂装备故障预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111008502A true CN111008502A (zh) | 2020-04-14 |
| CN111008502B CN111008502B (zh) | 2021-07-13 |
Family
ID=70113052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911163211.6A Active CN111008502B (zh) | 2019-11-25 | 2019-11-25 | 一种数字孪生驱动的复杂装备故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111008502B (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859566A (zh) * | 2020-07-17 | 2020-10-30 | 重庆大学 | 基于数字孪生的表面粗糙度稳定方法 |
| CN112200493A (zh) * | 2020-11-02 | 2021-01-08 | 傲林科技有限公司 | 一种数字孪生模型构建方法及装置 |
| CN112199898A (zh) * | 2020-11-11 | 2021-01-08 | 北京三维天地科技股份有限公司 | 一种基于大数据的仪器设备故障预测与健康管理算法 |
| CN112329183A (zh) * | 2020-11-06 | 2021-02-05 | 北京三一智造科技有限公司 | 设备状态数据获取方法、装置、电子设备及存储介质 |
| CN112416531A (zh) * | 2020-12-07 | 2021-02-26 | 深圳华制智能制造技术有限公司 | 数字孪生系统仿真方法、系统、计算机设备及存储介质 |
| CN112859789A (zh) * | 2021-01-29 | 2021-05-28 | 重庆邮电大学 | 一种基于cfd构建数据中心数字孪生体的方法及系统 |
| CN113379123A (zh) * | 2021-06-09 | 2021-09-10 | 中德（珠海）人工智能研究院有限公司 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
| CN113378939A (zh) * | 2021-06-11 | 2021-09-10 | 福州大学 | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 |
| CN113421008A (zh) * | 2021-07-02 | 2021-09-21 | 北自所（北京）科技发展有限公司 | 一种数字孪生纺织成套装备健康管控方法和系统 |
| DE102020204714A1 (de) | 2020-04-15 | 2021-10-21 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Prüfen der Kompatibilität zwischen einer Anwendungssoftware und einer mobilen Arbeitsmaschine |
| CN113642209A (zh) * | 2021-07-16 | 2021-11-12 | 中国人民解放军总参谋部第六十研究所 | 基于数字孪生的结构植入故障响应数据获取及评判方法 |
| CN113779785A (zh) * | 2021-08-30 | 2021-12-10 | 国营芜湖机械厂 | 一种数字孪生复杂装备解构模型及其解构方法 |
| CN113792423A (zh) * | 2021-09-04 | 2021-12-14 | 苏州特比姆智能科技有限公司 | 一种tpm设备管理的数字孪生行为约束方法及系统 |
| CN114492511A (zh) * | 2021-12-31 | 2022-05-13 | 中云开源数据技术（上海）有限公司 | 一种基于数字孪生的故障诊断方法 |
| CN114638160A (zh) * | 2022-05-11 | 2022-06-17 | 西南交通大学 | 一种面向复杂装备数字孪生模型的知识服务方法 |
| CN114818388A (zh) * | 2022-06-20 | 2022-07-29 | 北京航空航天大学 | 一种复杂装备数字孪生故障注入与等效模拟方法及系统 |
| CN114943185A (zh) * | 2022-07-13 | 2022-08-26 | 北京航空航天大学 | 一种复杂装备极端工况孪生数据非破坏性获取方法 |
| CN115292834A (zh) * | 2022-07-20 | 2022-11-04 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生装备故障诊断方法、装置及系统 |
| CN116227010A (zh) * | 2023-05-10 | 2023-06-06 | 中国公路工程咨询集团有限公司 | 公路养护数字孪生应用系统构建方法及系统 |
| CN117140894A (zh) * | 2023-08-31 | 2023-12-01 | 浙江大学 | 基于数字孪生的挤注一体工艺调控及产品缺陷规避系统 |
| WO2024160149A1 (zh) * | 2023-01-31 | 2024-08-08 | 华为技术有限公司 | 网络管理方法、装置、系统及存储介质 |
| CN120654579A (zh) * | 2025-08-19 | 2025-09-16 | 杭州市北京航空航天大学国际创新研究院(北京航空航天大学国际创新学院) | 基于数字孪生的phm模型训练数据生成方法及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
| WO2019005185A1 (en) * | 2017-06-28 | 2019-01-03 | General Electric Company | METHODS AND SYSTEMS FOR IMPROVING CARE THROUGH POST-OPERATION FEEDBACK ANALYSIS |
| CN109785180A (zh) * | 2019-02-19 | 2019-05-21 | 山东大学 | 一种面向数字孪生车间的场景感知系统及方法 |
| CN110045608A (zh) * | 2019-04-02 | 2019-07-23 | 太原理工大学 | 基于数字孪生的机械设备零部件结构参数动态优化方法 |
| CN110135042A (zh) * | 2019-05-08 | 2019-08-16 | 国网江苏省电力有限公司信息通信分公司 | 一种信息机房的可视化集成管理方法 |
| CN110276147A (zh) * | 2019-06-24 | 2019-09-24 | 广东工业大学 | 一种基于数字孪生模型的制造系统故障溯源方法、系统 |
| WO2019211288A1 (en) * | 2018-05-02 | 2019-11-07 | Kongsberg Digital AS | A method and system for discovering and visualizing potential operational problems of processes running in equipment and systems in an installation |
| CN110442936A (zh) * | 2019-07-24 | 2019-11-12 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
| CN110492186A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于云端控制技术的动力电池模组的管理方法 |
-
2019
- 2019-11-25 CN CN201911163211.6A patent/CN111008502B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019005185A1 (en) * | 2017-06-28 | 2019-01-03 | General Electric Company | METHODS AND SYSTEMS FOR IMPROVING CARE THROUGH POST-OPERATION FEEDBACK ANALYSIS |
| CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
| WO2019211288A1 (en) * | 2018-05-02 | 2019-11-07 | Kongsberg Digital AS | A method and system for discovering and visualizing potential operational problems of processes running in equipment and systems in an installation |
| CN109785180A (zh) * | 2019-02-19 | 2019-05-21 | 山东大学 | 一种面向数字孪生车间的场景感知系统及方法 |
| CN110045608A (zh) * | 2019-04-02 | 2019-07-23 | 太原理工大学 | 基于数字孪生的机械设备零部件结构参数动态优化方法 |
| CN110135042A (zh) * | 2019-05-08 | 2019-08-16 | 国网江苏省电力有限公司信息通信分公司 | 一种信息机房的可视化集成管理方法 |
| CN110276147A (zh) * | 2019-06-24 | 2019-09-24 | 广东工业大学 | 一种基于数字孪生模型的制造系统故障溯源方法、系统 |
| CN110492186A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于云端控制技术的动力电池模组的管理方法 |
| CN110442936A (zh) * | 2019-07-24 | 2019-11-12 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
Non-Patent Citations (2)
| Title |
|---|
| MICHAEL GRIEVES,JOHN VICKERS: "Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in", 《TRANSDISCIPLINARY PERSPECTIVES ON COMPLEX SYSTEMS》 * |
| 陶飞等: "Digital twin driven prognostics and health management for complex", 《CIRP ANNALS - MANUFACTURING TECHNOLOGY》 * |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102020204714A1 (de) | 2020-04-15 | 2021-10-21 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Prüfen der Kompatibilität zwischen einer Anwendungssoftware und einer mobilen Arbeitsmaschine |
| CN111859566B (zh) * | 2020-07-17 | 2023-11-17 | 重庆大学 | 基于数字孪生的表面粗糙度稳定方法 |
| CN111859566A (zh) * | 2020-07-17 | 2020-10-30 | 重庆大学 | 基于数字孪生的表面粗糙度稳定方法 |
| CN112200493A (zh) * | 2020-11-02 | 2021-01-08 | 傲林科技有限公司 | 一种数字孪生模型构建方法及装置 |
| CN112329183A (zh) * | 2020-11-06 | 2021-02-05 | 北京三一智造科技有限公司 | 设备状态数据获取方法、装置、电子设备及存储介质 |
| CN112329183B (zh) * | 2020-11-06 | 2024-10-08 | 北京三一智造科技有限公司 | 设备状态数据获取方法、装置、电子设备及存储介质 |
| CN112199898A (zh) * | 2020-11-11 | 2021-01-08 | 北京三维天地科技股份有限公司 | 一种基于大数据的仪器设备故障预测与健康管理算法 |
| CN112416531A (zh) * | 2020-12-07 | 2021-02-26 | 深圳华制智能制造技术有限公司 | 数字孪生系统仿真方法、系统、计算机设备及存储介质 |
| CN112859789A (zh) * | 2021-01-29 | 2021-05-28 | 重庆邮电大学 | 一种基于cfd构建数据中心数字孪生体的方法及系统 |
| CN112859789B (zh) * | 2021-01-29 | 2024-02-06 | 重庆邮电大学 | 一种基于cfd构建数据中心数字孪生体的方法及系统 |
| CN113379123A (zh) * | 2021-06-09 | 2021-09-10 | 中德（珠海）人工智能研究院有限公司 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
| WO2022257925A1 (zh) * | 2021-06-09 | 2022-12-15 | 五邑大学 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
| CN113378939A (zh) * | 2021-06-11 | 2021-09-10 | 福州大学 | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 |
| CN113378939B (zh) * | 2021-06-11 | 2022-08-09 | 福州大学 | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 |
| CN113421008A (zh) * | 2021-07-02 | 2021-09-21 | 北自所（北京）科技发展有限公司 | 一种数字孪生纺织成套装备健康管控方法和系统 |
| CN113642209A (zh) * | 2021-07-16 | 2021-11-12 | 中国人民解放军总参谋部第六十研究所 | 基于数字孪生的结构植入故障响应数据获取及评判方法 |
| CN113779785A (zh) * | 2021-08-30 | 2021-12-10 | 国营芜湖机械厂 | 一种数字孪生复杂装备解构模型及其解构方法 |
| CN113779785B (zh) * | 2021-08-30 | 2023-06-09 | 国营芜湖机械厂 | 一种数字孪生复杂装备解构模型系统及其解构方法 |
| CN113792423A (zh) * | 2021-09-04 | 2021-12-14 | 苏州特比姆智能科技有限公司 | 一种tpm设备管理的数字孪生行为约束方法及系统 |
| CN113792423B (zh) * | 2021-09-04 | 2023-10-24 | 苏州特比姆智能科技有限公司 | 一种tpm设备管理的数字孪生行为约束方法及系统 |
| CN114492511A (zh) * | 2021-12-31 | 2022-05-13 | 中云开源数据技术（上海）有限公司 | 一种基于数字孪生的故障诊断方法 |
| CN114638160A (zh) * | 2022-05-11 | 2022-06-17 | 西南交通大学 | 一种面向复杂装备数字孪生模型的知识服务方法 |
| CN114818388A (zh) * | 2022-06-20 | 2022-07-29 | 北京航空航天大学 | 一种复杂装备数字孪生故障注入与等效模拟方法及系统 |
| CN114943185B (zh) * | 2022-07-13 | 2022-09-30 | 北京航空航天大学 | 一种复杂装备极端工况孪生数据非破坏性获取方法 |
| CN114943185A (zh) * | 2022-07-13 | 2022-08-26 | 北京航空航天大学 | 一种复杂装备极端工况孪生数据非破坏性获取方法 |
| CN115292834A (zh) * | 2022-07-20 | 2022-11-04 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生装备故障诊断方法、装置及系统 |
| WO2024160149A1 (zh) * | 2023-01-31 | 2024-08-08 | 华为技术有限公司 | 网络管理方法、装置、系统及存储介质 |
| CN116227010A (zh) * | 2023-05-10 | 2023-06-06 | 中国公路工程咨询集团有限公司 | 公路养护数字孪生应用系统构建方法及系统 |
| CN117140894A (zh) * | 2023-08-31 | 2023-12-01 | 浙江大学 | 基于数字孪生的挤注一体工艺调控及产品缺陷规避系统 |
| CN120654579A (zh) * | 2025-08-19 | 2025-09-16 | 杭州市北京航空航天大学国际创新研究院(北京航空航天大学国际创新学院) | 基于数字孪生的phm模型训练数据生成方法及设备 |
| CN120654579B (zh) * | 2025-08-19 | 2025-10-28 | 杭州市北京航空航天大学国际创新研究院(北京航空航天大学国际创新学院) | 基于数字孪生的phm模型训练数据生成方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111008502B (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111008502A (zh) | 一种数字孪生驱动的复杂装备故障预测方法 | |
| CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
| CN112684379A (zh) | 一种基于数字孪生的变压器故障诊断系统及其方法 | |
| CN116449771B (zh) | 一种数控机床的数字孪生建模方法 | |
| CN113435699A (zh) | 一种质量智能管控方法及系统 | |
| CN107506938A (zh) | 一种基于机器学习的物料质量评估方法 | |
| CN102601881B (zh) | 一种橡胶硬度的在线质量监控和预测模型更新的方法 | |
| CN107908864A (zh) | 一种基于特征融合的复杂设备剩余使用寿命预测方法 | |
| CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
| JP2016530585A (ja) | 技術的な系の出力量のモデルを算出する方法 | |
| CN113919221A (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
| CN105488297A (zh) | 一种基于小样本建立复杂产品优化设计代理模型的方法 | |
| CN105975618A (zh) | 一种燃煤燃烧特性计算方法 | |
| CN110163409A (zh) | 一种应用于置换流水车间的卷积神经网络调度方法 | |
| CN115762653A (zh) | 基于进化算法和深度学习的燃料燃烧机理优化方法 | |
| CN114461637A (zh) | 基于数据建模的产品缺陷分析方法、装置和存储介质 | |
| CN106503312A (zh) | 一种基于神经网络算法的叶根应力分析方法 | |
| CN112163359A (zh) | 一种基于反演优化算法的蠕变大变形持久寿命预测方法 | |
| CN110750926A (zh) | 基于粒子群算法的高速拉伸曲线的处理及预测方法 | |
| CN112966429A (zh) | 基于WGANs数据增强的非线性工业过程建模方法 | |
| CN103197186B (zh) | 一种电子产品退化状态实时预测方法 | |
| CN105447598A (zh) | 一种基于误差修正模型的电力系统中负荷预测装置及方法 | |
| CN101477582B (zh) | 半导体元件的模型修正方法 | |
| CN113420498B (zh) | 常减压装置的ai建模方法 | |
| CN112651153A (zh) | 一种确定晶体塑性有限元模型材料参数的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |