数字孪生体的应用绝不止于工业，我们应以更抽象的层次总结架构和技术，以更广阔的视角来观察场景和案例。本白皮书的第一部分关注对数字孪生体的抽象和总结。无论是参考架构、成熟度模型还是关键技术，都以“放之四海皆准”为原则。其余的章节，我们分别在工业、产业、民生和军事等四个领域分别选择了最关键的场景做实例化论述：数字孪生制造、数字孪生产业、数字孪生城市和数字孪生战场。
2021-12-02 08:40:20
1.23MB
1
当工业设备发生故障时，导致的问题往往不是更换设备的费用，而是被迫停机。一条生产线静止不动可能意味着每分钟损失数千美元。定期维护可以帮助避免计划外停机，但不能保证设备不会发生故障。如果机器能显示出某个部件何时会发生故障呢？甚至如果机器能告诉您哪个部件需要更换呢？这样一来，计划外停机时间将大大减少。计划的维护只在必要时进行，而不是以固定的时间间隔进行。这便是预测性维护的目标：通过使用传感器数据预测何时需要维护，以此来避免停机。在任何预测性维护算法的开发过程中，核心都是传感器数据，传感器数据可以用来训练故障检测的分类算法。在预处理步骤中，将从这些数据中提取出有意义的特征，并使用这些特征训练用于预测
2021-11-29 16:40:31
638KB
1