基于数字双胞胎和机器学习的物流设备状态监测和预测
Fang Han1, Lijun Liu2, Junyan Sun2
1School of Mechanical and Electrical Engineering, Shaanxi University of Science and Technology, Xi'an, 710021, Shaanxi, China. littlefang2025@163.com.
Scientific reports
|March 10, 2026
概括
本研究介绍了物流的数字双胞胎解决方案,将物联网和人工智能集成为预测性维护. 该系统通过实时监控和机器学习算法将设备停机时间减少30-50%,维护成本减少20-40%.
科学领域:
- 工业自动化 工业自动化
- 物流管理物流管理
- 人工智能的人工智能
背景情况:
- 电子商务的增长在物流安全,质量和运营效率方面带来了挑战.
- 数字双胞胎 (DT) 通过准确的设备状态评估和早期问题检测,为预测性维护提供了进步.
- 目前关于预测性维护的数字生研究是有限的,特别是关于机器学习 (ML) 的作用.
研究的目的:
- 提出一个数字双胞胎解决方案,用于在物联网环境中使用ML算法持续监控和维护物流设备.
- 开发一个系统,可以实时生成物理物流资产的虚拟副本.
- 为了利用ML用于异常检测,剩余单位寿命 (RUL) 预测和故障分类.
主要方法:
- 实现三层架构:物理层 (物联网传感器),数字双层 (实时同步/模拟) 和ML层 (预测模型).
- 使用了ML模型,包括隔离森林 (iForest),自动编码器,长短期内存 (LSTM) 和随机森林 (RF) 进行预测性维护任务.
- 通过物联网传感器网络实时同步的物流资产 (叉车,输送带,AGV,起重机,机器人系统) 的虚拟复制品.
主要成果:
- 设备停机时间减少了30-50%.
- 确保维护成本减少了20-40%.
- 证明了延长设备寿命和提高运营安全的潜力.
结论:
- 拟议的数字双胞胎和ML集成系统通过预测性维护有效地增强了物流运营.
- 该系统显著提高了设备的可靠性,降低了运营成本,并提高了整体效率.
- 这项研究有助于推进数字双胞胎和机器学习在工业物流中的应用.
