買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜上海寶信軟件股份有限公司申請的專利基于數(shù)字孿生技術的連鑄振動臺振動異常預報方法和系統(tǒng)獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產權局授予，授權公告號為：CN118585929B 。

龍圖騰網(wǎng)通過國家知識產權局官網(wǎng)在2025-04-15發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202410477181.0，技術領域涉及：G06F18/2433；該發(fā)明授權基于數(shù)字孿生技術的連鑄振動臺振動異常預報方法和系統(tǒng)是由王森;郝建飛;宋健海;徐端;王曉剛;陸文倩設計研發(fā)完成，并于2024-04-19向國家知識產權局提交的專利申請。

本基于數(shù)字孿生技術的連鑄振動臺振動異常預報方法和系統(tǒng)在說明書摘要公布了：本發(fā)明提供了一種基于數(shù)字孿生技術的連鑄振動臺振動異常預報方法和系統(tǒng)，包括：構建高保真連鑄數(shù)字孿生體；實時采集影響連鑄振動臺振動的特征參數(shù)；對參數(shù)數(shù)據(jù)預處理；構建VAE數(shù)字孿生振動異常算法模型，將處理后數(shù)據(jù)和標簽送入模型中訓練；將模型中的重構數(shù)據(jù)與生產實績相對照，用均方誤差MSE和最大預測類別score作為評價標準，MSE值和score值在預設范圍內時，判定振動臺振動狀態(tài)正常，反之認定為異常；將模型輸出反饋到數(shù)字孿生體。本發(fā)明可以幫助點檢人員提前發(fā)現(xiàn)澆鑄過程中振動臺出現(xiàn)的異常情況，從而預防可能的設備故障，提高生產效率和產品質量。

本發(fā)明授權基于數(shù)字孿生技術的連鑄振動臺振動異常預報方法和系統(tǒng)在權利要求書中公布了：1.一種基于數(shù)字孿生技術的連鑄振動臺振動異常預報方法，其特征在于，包括：步驟1：構建包括中包車、結晶器、振動臺、扇形段、支架、輥道在內的關鍵設備部件的三維模型，導入3D建模和仿真引擎，構建連鑄數(shù)字孿生體；步驟2：結合冶金原理分析及現(xiàn)場操作工的經(jīng)驗，選擇并采集影響澆鑄過程振動臺振動的特征參數(shù)；步驟3：將實時采集到的設備數(shù)據(jù)與數(shù)字孿生體集成，實時數(shù)據(jù)驅動和控制孿生體，確保數(shù)字孿生體與實際生產環(huán)境的動態(tài)行為一致；步驟4：對步驟2中的特征參數(shù)進行預處理；步驟5：基于深度學習，構建VAE數(shù)字孿生振動異常算法模型，對步驟4中預處理后的數(shù)據(jù)進行訓練；將模型中的重構數(shù)據(jù)與生產實績相對照，反映預測值與實際值相差數(shù)值，用均方誤差MSE和最大預測類別得分score作為評價標準，衡量模型擬合效果；步驟6：對步驟5中的VAE數(shù)字孿生振動異常算法模型預測結果MSE和score進行分析；MSE值和score值在預設范圍內時，判定振動臺振動狀態(tài)正常，反之認定為異常；步驟7：采用訓練好的VAE數(shù)字孿生振動異常算法模型進行振動臺異常情況在線實時預報，將模型輸出反饋到數(shù)字孿生體；所述步驟4包括：對步驟2中的特征參數(shù)數(shù)據(jù)進行缺失值前向填充和z-score方法標準化預處理；利用k-means聚類方法將正常數(shù)據(jù)劃分為多簇，從數(shù)據(jù)層面上表征為多個生產狀態(tài)，生產狀態(tài)劃分為三類：澆鑄穩(wěn)態(tài)、非澆鑄穩(wěn)態(tài)、澆鑄與非澆鑄切換過程；所述步驟4包括：步驟4.1：使用pandas中fillna函數(shù)對特征參數(shù)進行缺失值前向填充；澆鑄時中包車當前位置為常數(shù)，不用于后續(xù)建模，故提取除中包車當前位置的各參數(shù)樣本數(shù)據(jù)在k秒內的變化率vi，表達式為： 式中：Qi為第i個樣本的參數(shù)Q值，n為樣本總數(shù)；步驟4.2：對各參數(shù)變化率數(shù)據(jù)進行z-score方法標準化處理；步驟4.3：對歸一化后的數(shù)據(jù)采用K-means聚類，隨機選擇3個點作為初始聚類中心，從數(shù)據(jù)層面上表征為3個生產狀態(tài)，計算樣本與每個聚類中心的距離，然后將其分配到距離最近的聚類中心所對應的類別，分別標記0、1、2的標簽值；所述步驟5包括：步驟5.1：導入和解析步驟4中的預處理數(shù)據(jù)集：輸入的每一組數(shù)據(jù)集包含10個特征，在對數(shù)據(jù)進行訓練和評估時，把標簽輸入到程序中；使用的數(shù)據(jù)為11列，最后1列為標簽；數(shù)據(jù)文檔采用csv格式存放；步驟5.2：構建VAE數(shù)字孿生振動異常算法模型，模型包括編碼器和解碼器，編碼器將數(shù)據(jù)映射到潛在空間的正態(tài)分布參數(shù)上，解碼器將潛在空間點映射回輸入空間；模型層數(shù)設定為9層，包括輸入層、三個特征提取層、兩個編碼層、分類層、兩個解碼層；輸入層節(jié)點數(shù)為10，對應上述數(shù)據(jù)集中前10列輸入?yún)?shù)；特征提取層節(jié)點分別是33、33、10；兩個編碼層節(jié)點數(shù)均為3，對應步驟4中的三個生產狀態(tài)，用于表征潛在空間的分布均值和標準差；分類層節(jié)點為3，對應步驟4.3中聚類后的三個標簽值；兩個解碼層的節(jié)點數(shù)分別為7和10，將數(shù)據(jù)還原到輸入空間；優(yōu)化器使用AdagradOptimizer，激活函數(shù)使用ReLU、Sigmoid和softmax，學習率為0.001；步驟5.3：采用pythonnumpy庫的shuffle和batch函數(shù)，將特征列中的數(shù)據(jù)對VAE數(shù)字孿生振動異常算法模型進行分批訓練；損失函數(shù)包括3個部分：MSE均方誤差用于計算解碼器還原后數(shù)據(jù)與輸入數(shù)據(jù)的重構損失；KL散度損失用于衡量潛在空間的分布與標準正態(tài)分布之間的差異；交叉熵損失，計算步驟5.1中的標簽列與分類層預測結果的差異，具體公式為：Loss＝MSE+KL+L式中：Loss為總損失；MSE為模型均方誤差，KL為模型散度損失，L為交叉熵損失； 式中，n為樣本預測個數(shù)；y′i為模型預測值，yi為實際值； 式中：σ和μ為原始數(shù)據(jù)經(jīng)過編碼器訓練后得到的潛在空間分布均值和標準差； 式中：i為觀測樣本，j為所屬類別，M表示類別的數(shù)量，yij表示該類別和樣本i是否相同，相同為1，不同為0，pij表示對于觀測樣本i屬于類別j的概率；步驟5.4：模型在分析完成所有輸入?yún)?shù)之后，輸出解碼器的預測值，將模型重構數(shù)據(jù)和實際值相比較，反映預測值與實際值相差數(shù)值，用均方誤差MSE和最大預測類別得分score作為評價標準，衡量模型擬合效果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人上海寶信軟件股份有限公司，其通訊地址為：200120 上海市浦東新區(qū)自由貿易試驗區(qū)郭守敬路515號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。