-
公开(公告)号:CN110471279B
公开(公告)日:2020-09-29
申请号:CN201910675825.6
申请日:2019-07-25
申请人: 浙江大学 , 桐昆集团股份有限公司
IPC分类号: G05B13/04
摘要: 本发明提供了一种基于vine‑copulas的工业生产模拟场景发生器及场景发生方法。工业生产模拟场景发生器包含:场景数据采集模块、场景预处理模块、Vine‑copulas创建模块、场景生成模块。场景发生方法从初始场景数据库模块采集已有的场景数据,经场景聚类模块、特征标准化模块和特征降维模块等预处理,通过模型拟合模块、优度检验模块和二元copula模型库模块采用vine copula方法构建场景发生模型,再利用场景采样模块和反映射模块产生所需要的场景。本发明提供的场景发生器可以作为生产模拟系统的一个组织模块,嵌入到仿真系统中,用于生产模拟系统的组态配置操作。本发明提供的方法生成的场景可以用于场景仿真,亦可为其他实验与研究提供可靠的原始数据,进行针对性研究。
-
公开(公告)号:CN110399642A
公开(公告)日:2019-11-01
申请号:CN201910546387.3
申请日:2019-06-21
申请人: 浙江大学 , 桐昆集团股份有限公司
IPC分类号: G06F17/50 , G05B19/418
摘要: 本发明公开了一种针对生产流水线的数字孪生体及其构建方法和应用,数字孪生体该包括:单元域,包括物理设备的静态模型和动态模型,为数据域提供数据载体,为行为域的实现提供模型基础;数据域,采集物理设备、产品的运行数据以及数字管理系统的指令数据,按照统一的数据结构对采集的数据进行格式转化并存储,支持行为域访问数据;行为域,定义生产流水线运行过程中各个行为的语义化描述,根据数据域采集的数据,驱动单元域的模型与物理世界同步运行。本发明的数字孪生体能够被快速部署到现实的生产环境当中,从不同的维度对生产进行监控、仿真、预测等操作。
-
公开(公告)号:CN110471279A
公开(公告)日:2019-11-19
申请号:CN201910675825.6
申请日:2019-07-25
申请人: 浙江大学 , 桐昆集团股份有限公司
IPC分类号: G05B13/04
摘要: 本发明提供了一种基于vine-copulas的工业生产模拟场景发生器及场景发生方法。工业生产模拟场景发生器包含:场景数据采集模块、场景预处理模块、Vine-copulas创建模块、场景生成模块。场景发生方法从初始场景数据库模块采集已有的场景数据,经场景聚类模块、特征标准化模块和特征降维模块等预处理,通过模型拟合模块、优度检验模块和二元copula模型库模块采用vine copula方法构建场景发生模型,再利用场景采样模块和反映射模块产生所需要的场景。本发明提供的场景发生器可以作为生产模拟系统的一个组织模块,嵌入到仿真系统中,用于生产模拟系统的组态配置操作。本发明提供的方法生成的场景可以用于场景仿真,亦可为其他实验与研究提供可靠的原始数据,进行针对性研究。
-
公开(公告)号:CN110399642B
公开(公告)日:2021-06-22
申请号:CN201910546387.3
申请日:2019-06-21
申请人: 浙江大学 , 桐昆集团股份有限公司
IPC分类号: G06F30/20 , G05B19/418
摘要: 本发明公开了一种针对生产流水线的数字孪生体及其构建方法和应用,数字孪生体该包括:单元域,包括物理设备的静态模型和动态模型,为数据域提供数据载体,为行为域的实现提供模型基础;数据域,采集物理设备、产品的运行数据以及数字管理系统的指令数据,按照统一的数据结构对采集的数据进行格式转化并存储,支持行为域访问数据;行为域,定义生产流水线运行过程中各个行为的语义化描述,根据数据域采集的数据,驱动单元域的模型与物理世界同步运行。本发明的数字孪生体能够被快速部署到现实的生产环境当中,从不同的维度对生产进行监控、仿真、预测等操作。
-
公开(公告)号:CN113379135A
公开(公告)日:2021-09-10
申请号:CN202110682525.8
申请日:2021-06-18
申请人: 浙江大学
摘要: 本发明公开了一种基于云边协同计算的智能生产线产品质量低延迟集成预测方法和系统,方法包括:通过感知层实时采集智能生产线产品的数据并传输至边缘设备层和云计算中心层;构建质量特性选择规则;基于合成少数类过采样算法和自适应增强算法构建SMOTE‑Adaboost预测模型并训练,得到质量预测模型并部署到边缘设备层;边缘设备层基于质量特性选择规则对实时产品数据进行筛选,通过质量预测模型对筛选出的产品数据进行分类;对预测的产品质量标签进行标记并传输至云计算中心层,定期对质量预测模型进行更新;定期将更新后的质量预测模型更新至边缘设备层中;智能生产过程中,重复以上步骤。本发明的方法可以很好地处理质量预测中的质量标签不平衡问题。
-
公开(公告)号:CN113219922A
公开(公告)日:2021-08-06
申请号:CN202110510385.6
申请日:2021-05-11
申请人: 浙江大学
IPC分类号: G05B19/418
摘要: 本发明公开了一种内生不确定性下基于边缘侧数据的集成控制方法,包括:获取工业现场的生产数据和市场数据;生产数据包括生产历史数据和生产实时数据;根据生产历史数据中内生不确定性参数的概率分布确定预设场景,并生成对应的场景树,构建基于多阶段随机规划的企业级控制模型;对企业级控制模型进行求解,得到所有不确定性场景下的基准控制策略;根据基准控制策略执行具体的生产操作,基于L2范数进行工厂运行状态与预设场景的匹配;基于匹配的预设场景,对基准控制策略进行调整,优化生产操作计划;周期性监控市场数据变化,更新企业级控制模型及基准控制策略。本发明的方法可实现对工业现场控制策略质量的提升。
-
公开(公告)号:CN111581882A
公开(公告)日:2020-08-25
申请号:CN202010380873.5
申请日:2020-05-08
申请人: 浙江大学
摘要: 本发明公开了一种生产单元不确定性条件下的重调度触发判断方法,先在生产前通过含不确定性扰动仿真和无不确定性扰动仿真收集样本训练深度学习模型得到数据模型;在生产过程中收集实时生产数据和不确定性扰动数据,仿真得到无不确定性扰动理想场景下标准排产方案对应的生产数据数据,预处理后输入数据模型判断是否触发重调度;采集监测到的不确定性扰动筛选得到描述不确定性输入专家系统分析是否触发重调度。本发明的重调度触发判断方法具有较好的经济性和稳定性。
-
公开(公告)号:CN111507050A
公开(公告)日:2020-08-07
申请号:CN202010159907.8
申请日:2020-03-09
申请人: 浙江大学
IPC分类号: G06F30/28 , G06F30/27 , G16C20/10 , G06F119/14 , G06F113/08 , G06F119/08 , G06F111/10
摘要: 本发明公开了一种等离子体裂解煤制乙炔反应过程的结焦厚度软测量方法,包括如下步骤:(1)采集等离子体裂解煤制乙炔反应过程中的软测量建模辅助变量数据及对应的结焦厚度离线测量数据,进行预处理,构建建模数据集;(2)基于流体动力学原理,结合所述建模数据集,构建结焦厚度软测量的机理模型,采用SVR回归模型对所述机理模型的预测偏差进行校正;(3)在等离子体裂解煤制乙炔反应过程中,实时采集所述软测量建模辅助变量数据,代入所述的机理模型得到结焦厚度的预测值,代入所述的SVR回归模型得到结焦厚度的偏差校正值,将结焦厚度的预测值与相加,即得等离子体裂解煤制乙炔反应过程中实时的结焦厚度。该方法可实现对结焦厚度的实时在线软测量。
-
公开(公告)号:CN109961216A
公开(公告)日:2019-07-02
申请号:CN201910141006.3
申请日:2019-02-26
摘要: 本发明公开了一种面向智能制造的全要素成本核算系统及方法,系统包括:数据采集单元,采集成本数据;数据处理单元,对成本数据进行预处理;成本核算单元,包含全要素成本核算模块,根据成本数据对生产成本进行核算并输出;全要素成本核算模块包括:成本节点库,存储成本节点的结构定义;成本节点接口,提供成本节点间的连接关系;多层级扩展接口,建立多层级成本核算模型及不同层级间成本节点间的耦合关系;成本数据库,根据成本节点库对成本数据结构化表达,根据成本数据间的耦合关系配置成本节点接口与多层级扩展接口,对生产成本进行核算并输出。本发明的核算系统及方法满足智能制造生产模式下全要素、多层级粒度的成本核算需求。
-
公开(公告)号:CN107909248A
公开(公告)日:2018-04-13
申请号:CN201711017973.6
申请日:2017-10-25
申请人: 浙江大学
CPC分类号: G06Q10/067 , G06Q10/06315 , G06Q50/205
摘要: 本发明公开了一种智能制造教学工厂多维度组成域模型的建模方法及应用,该建模方法包括:根据企业智能制造能力成熟度模型分别映射得到相应的人才技能成熟度等级需求模型和教学工厂数字化交付成熟度等级模型,分别作为教学工厂多维度组成域模型的服务域需求维模型和服务域成熟度维模型;建立教学工厂全生命周期概念模型,作为教学工厂多维度组成域模型的组织域生命周期维模型;关联上述模型和教学工厂具体的数据建立教学工厂多维度组成域模型。对教学工厂多维度组成域模型中的资源域进行成熟度层次维映射及全生命周期维映射,可得到教学工厂多维度教学资源库,该多维度教学资源库可以满足不同层次智能制造工程人才培养的需求。
-
-
-
-
-
-
-
-
-