基于数字孪生软件的设备预测性维护技术研究

本文研究分析了钢铁行业设备智能运维的现状,将数字孪生技术应用在设备预测性维护领域,通过研究棒线材设备故障诊断分析技术、轧机故障信号降噪重构特征识别方法、基于设备的振动信号报警识别方法及计算设备、具有故障点定位的棒线材设备故障诊断方法和设备数字孪生模型研究等,建立基于AIoT的棒线材设备数字孪生运维系统,以数字孪生3D可视化的仿真方式展现“产线级”和“设备级”对运行数据的实时监测,辅助修护决策取得较好成效。丰富多元的人机交互方式推动全新生产管理和设备维护协作模式的发展,成为企业数字化转型升级的重要引擎,为数字孪生技术的研究与落地应用提供参考。     

基于深度学习的电影智能化摄制技术研究

近年来,深度学习（DL）技术在不同领域应用广泛,极大提升了各行业的生产效率。随着电影工业的发展,为更好将深度学习技术应用服务于电影产业,促进电影工业提质升级,本文以电影摄制全流程为主线,结合先进技术与实际应用,对目前深度学习技术在电影智能化摄制各个环节上的研究进展进行了梳理与回顾,并结合现状对深度学习与电影摄制结合的发展需求和未来趋势进行了分析与展望,分析得出目前深度学习主要在语义分割与图像增强等方面已有较成熟应用,未来研究人员应在更具创造性的环节上加强研究,并更加关注版权规范。     

面向船舶柴油机活塞加工质量管控的数字孪生应用技术研究

针对船舶柴油机活塞加工质量管控的问题,该文研究了融合工艺设计数据和实时数据,从而得到加工数字孪生数据,进而构建活塞加工质量管控模型,最后融合自适应遗传算法改进径向基函数神经网络（Radial Basis Function Neural Network, RBF）并应用于模型。结果表明,该方法下的刀具预测寿命平均相对误差为3.21%,误差率较低。对加工质量的实时预测准确率最高达到98%,耗时仅1.0 s左右,该方法能够满足加工质量管控要求,可以为船舶柴油机活塞加工的信息化发展提供参考。     

基于数字孪生的故障注入技术研究

针对机械设备的故障检测和诊断问题,提出了基于数字孪生的故障注入技术的基本架构和实现流程。以常见齿轮箱中啮合齿轮为例,在分析其振动机制后构建了对应的机制模型。根据物理实体构建了正常状态模型和故障状态模型,并根据故障条件下的信号特征建立了故障空间,为设备状态预测和故障检测创造了条件。     

基于数字孪生与混合现实技术的机电设备辅助维修方法研究

为提高机电设备辅助维修的质量和效率,本文利用数字孪生与混合现实技术相结合的机电维修方法,设计了一套基于数字孪生与混合现实技术的机电设备辅助维修系统。本文概括了系统的总框架设计,对其硬件部分设计进行了详细介绍,并从维修环境感知、故障识别与匹配等方面详细阐述了系统的软件设计,最后对其进行了试验验证。试验结果表明,该系统具有较高的准确性和稳定性,可为未来的智能制造和维护提供有力支持。     

基于数字孪生的复杂矿用设备预测性维护系统

针对恶劣工况环境下复杂矿用设备状态监测与预测性维护困难等问题,结合状态监测、故障预警和预测维护等多种综合建模与分析预测技术,提出了一种基于数字孪生的预测性维护系统。首先,介绍了复杂矿用设备数字孪生体的设计流程与构建原理,并在搭建数字孪生体的过程中实现了预测性维护系统的功能;然后,研究了基于LabVIEW、MySQL和Unity3D的状态数据获取方法,利用Unity3D开发引擎搭建了三维可视化复杂矿用设备状态监测平台,并通过虚拟空间可视化展示设备当前状态;最后,分析了优化BP（back propagation,反向传播）神经网络在复杂矿用设备故障预警中的适用性,同时利用MATLAB软件建立了复杂矿用设备关键零部件的预测性维护模型,并将预警结果通过MySQL数据库传输至Unity3D开发引擎,以驱动和部署预设维护流程,实现设备状态实时监测下的关键零部件故障预警。根据采煤机液压系统的实际维修流程,制定了混合现实（mixed reality, MR）预测性维护策略,并以采煤机摇臂部液压柱塞泵为实验对象开展有效性验证。结果表明,所构建的预测性维护系统的故障预测准确率高于90%,且故障预警结果可驱动HoloLens眼镜实现虚拟指导的维修交互,验证了该系统预测性维护功能的有效性。研究结果可为复杂矿用设备的预测性维护提供新思路。     

基于数字孪生的机械加工工艺在智能制造中的应用研究

数字孪生作为一种从数字化技术演变而来的新内容,在新时代背景下已经成为智能制造发展关注的焦点.了解近年来数字化发展对制造业产生的影响,分析数字孪生的机械加工工艺在智能制造中的作用,可以明确认识到数字孪生技术具有非常广阔的应用空间.本文在了解数字孪生的基本内容后,根据其中包含的机械加工工艺应用展望,分析如何在智能制造中的应...     

基于数字孪生的器官转运监护管理系统设计研究

目的 :器官移植是挽救终末期器官衰竭患者最为有效的治疗手段,器官转运为长时间远距离异地器官移植手术提供了可能,将数字孪生技术引入器官转运过程,可实现器官转运远程实时监护、转运全链调度、融合质量评估。方法 :通过文献及案例研究,分析数字孪生运行机制与器官转运现状,将数字孪生与转运监护管理系统进行理论融合分析。结果 :构建了基于数字孪生的器官转运监护管理系统,提出系统性建设体系内各模块具体内容,实现同生共存的监护管理模式,实现转运过程虚实监测护理、转运调度管理、融合质量评估。结论 :将数字孪生技术引入器官转运监护具有极大可行性,也为数字孪生在医疗领域的创新应用提供了参考。     

工业数字孪生数据建模在钢铁行业中的应用研究

目的 工业数字孪生技术在钢铁行业的应用展现了其显著的潜力,成为工厂数字转型的核心技术之一,尤其在数据建模方面。本文梳理工业数字孪生中数据建模技术在钢铁行业中的应用。方法 通过梳理相关文献,重点分析四种数据建模方法,即基于知识的方法、基于机理的方法、基于传统机器学习的方法和基于深度学习的方法,详细介绍这些方法的优势、局限性和具体应用案例。探索了这些方法在数字物理实体融合的工业数字孪生系统构建中的潜力,以及未来模型的可扩展性设计,特别是针对大模型技术的应用。结论 通过这一综述,梳理钢铁行业现有工业数字孪生数据建模技术,为钢铁行业的数字化转型提供有价值的见解,并为未来的研究和实践提供方向。     

Knowledge-driven digital twin manufacturing cell towards intelligent manufacturing

Rapid advances in new generation information technologies, such as big data analytics, internet of things (IoT), edge computing and artificial intelligence, have nowadays driven traditional manufacturing all the way to intelligent manufacturing. Intelligent manufacturing is characterised by autonomy and self-optimisation, which proposes new demands such as learning and cognitive capacities for manufacturing cell, known as the minimum implementation unit for intelligent manufacturing. Consequently, this paper proposes a general framework for knowledge-driven digital twin manufacturing cell (KDTMC) towards intelligent manufacturing, which could support autonomous manufacturing by an intelligent perceiving, simulating, understanding, predicting, optimising and controlling strategy. Three key enabling technologies including digital twin model, dynamic knowledge bases and knowledge-based intelligent skills for supporting the above strategy are analysed, which equip KDTMC with the capacities of self-thinking, self-decision-making, self-execution and self-improving. The implementing methods of KDTMC are also introduced by a thus constructed test bed. Three application examples about intelligent process planning, intelligent production scheduling and production process analysis and dynamic regulation demonstrate the feasibility of KDTMC, which provides a practical insight into the intelligent manufacturing paradigm.     

基于深度学习的真实尺度运动恢复结构方法

传统的多视图几何方法获取场景结构存在两个问题：一是因图片模糊和低纹理带来的特征点误匹配,从而导致重建精度降低;二是单目相机缺少尺度信息,重建结果只能确定未知的比例因子,无法获取准确的场景结构。针对这些问题本文提出一种基于深度学习的真实尺度运动恢复结构方法。首先使用卷积神经网络获取图片的深度信息;接着为了恢复单目相机的尺度信息,引入惯性传感单元(IMU),将IMU获取的加速度和角速度与ORB-SLAM2获取的相机位姿进行时域和频域上的协同,在频域中获取单目相机的尺度信息;最后将图片的深度图和具有尺度因子的相机位姿进行融合,重建出场景的三维结构。实验表明,使用Depth CNN网络获取的单目图像深度图解决了多层卷积池化操作输出图像分辨率低和缺少重要特征信息的问题,绝对值误差达到了0.192,准确率高达0.959;采用多传感器融合的方法,在频域上获取单目相机的尺度能够达到0.24 m的尺度误差,相比于VIORB方法获取的相机尺度精度更高;重建的三维模型与真实大小具有0.2 m左右的误差,验证了本文方法的有效性。     

基于深度学习的超声成像技术研究现状

超声成像技术以其无损、无辐射、实时性好、成像深度深和检查费用低等优点,是目前临床医学最常应用的影像技术之一。随着医疗技术的日益发展,兼顾高帧率和高质量的超声成像已成为临床上的迫切需求。深度学习作为能快速提取信号特征的技术,近年来已经在超声成像领域展开多种应用研究并产生了较好的效果,具有很大的应用前景。文章总结了基于深度学习的超声成像技术现状,重点介绍了超声成像技术中常用深度学习架构,列举了深度学习技术在超声成像中的应用,最后总结了目前深度学习在训练以及实现临床应用中可能会遇到的挑战。     

基于深度学习的OFDM半相干水声通信方法

针对正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)水声通信中常用的相干和非相干通信分别面临的对多普勒敏感和频谱效率低的问题,提出一种高阶幅度键控调制的半相干通信技术,将OFDM符号时频帧结构中全部频点采用高阶幅度键控调制方式,并利用信号幅度信息完成半相干信道估计。通过两种基于深度学习的算法优化半相干信道估计这一非线性过程,较非相干通信有效提高了频谱效率,较一定信噪比下的相干通信提高了鲁棒性,降低了误比特率和系统复杂度,并利用元学习算法降低深度学习算法对训练数据的依赖。最后,提取海试信道数据,完成OFDM半相干水声通信系统仿真,验证了所提方法在频谱效率和系统误比特率性能方面较非相干和相干通信的优势,当信道长度改变时,基于元学习的算法依然可以获得较好的性能。     

基于深度度量学习的轴承故障诊断方法

针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep Neural Network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal Fisher Analysis, MFA)方法进行了优选,在构建的深度度量网络(Deep Metric Network, DMN)顶层特征输出层添加BPNN(Back Propagation Neural Network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep Belief Network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support Vector Machine, SVM)分类的故障诊断方法。     

基于深度学习算法的矿用巡检机器人设备识别

为了实现矿用巡检机器人对煤矿井下设备的识别与匹配,通过基于卷积神经网络的深度学习算法建立了煤矿设备类型识别模型,分别在明亮环境下、昏暗环境下以及设备重叠情况下采集大量待识别设备图像样本,再对识别模型进行训练,实现巡检机器人对煤矿设备的精确识别与分类。使用基于粒子群优化的SVM（support vector machine,支持向量机）建立了煤矿设备匹配模型,将巡检机器人相对于煤矿坐标系的三轴位置信息、三自由度角度和视觉相机转角作为匹配模型的输入量,将相机视野中设备序号作为输出量,实现煤矿设备类型识别模型识别出的设备与已知设备序号一一对应。实验结果表明基于深度学习算法的煤矿设备类型识别模型对外界的干扰不敏感,识别准确率高;基于SVM的煤矿设备匹配模型的匹配准确率达到了93.2%,在匹配准确率的训练和测试效率上均优于基于BP（back propagation,反向传播）神经网络的匹配模型。研究结果可为煤矿井下巡检机器人的研制提供参考。     

基于数字图像处理的印刷品网点面积率检测研究

对基于数字图像处理的网点面积率检测算法进行了探讨,给出了算法工作流程并建立了模型。最后通过实验对算法进行了验证。     

深度置信网络迁移学习的行星齿轮箱故障诊断方法

实际工程中行星齿轮箱受工况、运行情况等因素的影响,获取的数据难以满足训练和测试数据独立同分布且训练数据充足的条件,直接影响故障诊断效果.为此,提出一种深度置信网络(Deep Belief Network,DBN)迁移学习的行星齿轮箱故障诊断方法.首先,将辅助标记数据的原始信号频谱作为DBN网络的输入,逐层更新网络的权重...     

基于深度学习的爆炸冲击波信号重构模型

针对爆炸冲击波信号重构问题,引入深度卷积神经网络（DCNN）捕捉冲击波信号的局部信息和高阶特征,引入双向长短期记忆网络（Bi-LSTM）捕捉冲击波超压数据时序依赖关系,进而构建了基于深度学习的爆炸冲击波信号重构模型。相关实验研究表明,本文构建的爆炸冲击波信号重构模型,综合考量了信号的时序关系、频谱特征、数据变化规律等特征信息;在基于有限测点数据的冲击波场压力分布重构实验中,模拟和实测超压峰值平均误差分别为3.53%和13.71%,正压作用时间平均误差分别为7.35%和14.26%,比冲量平均误差分别为4.02%和11.92%;在基于残缺数据的冲击波压力曲线重构实验中,模拟和实测信号重构的缺失值与原始值基本吻合,且偏差均在0附近;均满足爆炸冲击波压力重构指标要求。研究结果对爆炸冲击波信号重构有重要指导意义。