CN110530638B - 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 - Google Patents
基于数字孪生的航空发动机主轴承损伤检测与诊断方法 Download PDFInfo
- Publication number
- CN110530638B CN110530638B CN201910704176.8A CN201910704176A CN110530638B CN 110530638 B CN110530638 B CN 110530638B CN 201910704176 A CN201910704176 A CN 201910704176A CN 110530638 B CN110530638 B CN 110530638B
- Authority
- CN
- China
- Prior art keywords
- main bearing
- damage
- engine
- aero
- digital twin
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于数字孪生的航空发动机主轴承损伤检测与诊断方法,包括三大部分:航空发动机主轴承数字孪生数据库的建立,航空发动机主轴承的损伤检测,航空发动机主轴承的损伤定量诊断;由于在飞行过程中,飞机的飞行姿态,速度和高度均会不断发生变化,且会受到气流影响,航空发动机主轴承的运行工况也会随之发生改变,本发明将数字孪生技术引入航空发动机主轴承损伤检测与定量诊断领域,使航空发动机主轴承损伤检测与诊断结果的实时性与准确性得到提高;不但能够为航空发动机主轴承损伤检测与定量诊断方法研究提供新思路,而且能为数字孪生技术的实际应用探索一条道路。
Description
技术领域
本发明属于机械故障诊断领域,涉及基于数字孪生的航空发动机主轴承损伤检测与诊断方法。
背景技术
轴承广泛用于航空发动机、高速主轴、燃气轮机等旋转机械设备,对保障设备运行的安全性、稳定性起着巨大作用。在航空发动机中,主轴承在高温,高速,润滑条件差的工况下长期运行,不可避免会发生损伤,一旦损伤超出合理区间,会对飞机的飞行安全造成巨大影响。为了确保航空发动机的安全运行,有必要对航空发动机主轴承损伤检测与定量诊断方法进行研究。
航空发动机体积较大,结构复杂,通过拆装的方式进行轴承损伤检测具有周期长,费用高,效率低,不能实时检测的缺点。基于此,近些年来,学者们对轴承的在线损伤检测及定量诊断技术开展了广泛研究(田晶,李有儒,艾延廷.一种基于Deep-GBM的航空发动机中介轴承故障诊断方法[J].航空动力学报.2019,34(4):764-771.)。数字孪生是一种集成多物理、多尺度、多学科属性,具有实时同步、忠实映射、高保真度特性,能够实现物理世界与信息世界交互与融合的技术手段(陶飞,刘蔚然,刘检华等.数字孪生及其应用探索[J].计算机集成制造系统.2018,24(1):1-18.)。数字孪生的主要思想为:建立物理实体的初始高保真度虚拟模型;将虚拟模型计算结果与物理实体的实际运行数据进行实时交互反馈,融合分析;利用反馈分析结果对虚拟模型进行迭代更新,使虚拟模型能够具有更精确的判断预测能力。
文献调研中能够发现,现有的针对航空发动机主轴承的损伤检测及定量诊断方法主要基于以下五种:拟静力学模型,拟动力学模型,动力学模型,新型信号处理方法或人工智能算法。现有方法存在的统一问题为对航空发动机主轴承的工况变化考虑不足,造成检测与诊断结果失准。由于飞机在飞行过程中会不断改变姿态,速度,高度,且会受到气流影响,航空发动机主轴承的工作转速,温度和载荷也会随之不断发生变化,利用单一恒定的损伤检测和定量诊断原则很难对主轴承的损伤进行准确实时的诊断与检测。
本发明所述方法能够实时同步、忠实映射且高保真地反映航空发动机主轴承损伤情况,当航空发动机主轴承的运行工况发生变化时,能通过虚拟模型与物理实体之间的交互反馈,对虚拟模型进行实时更新,并通过实时更新的模型对航空发动机主轴承的运行状态进行判断和分析,从而提供准确的损伤检测与定量诊断结果。
发明内容
本发明的目的在于提出基于数字孪生的航空发动机主轴承损伤检测与诊断方法,解决现有方法对航空发动机主轴承的工况变化考虑不足,造成检测与诊断结果失准的问题。
为达到上述目的,本发明采用的技术方案是:基于数字孪生的航空发动机主轴承损伤检测与诊断方法,包括以下步骤:
S100,通过航空发动机主轴承数字孪生模型,对不同状态下主轴承的振动响应信号进行仿真计算,利用仿真信号中提取出来的特征向量构建航空发动机正常主轴承数字孪生数据库和航空发动机损伤主轴承数字孪生数据库;
S200,利用S100所得的航空发动机正常主轴承数字孪生数据库中的每个特征向量作为单个神经元,建立自组织映射神经网络;针对不同神经元所代表的不同特征向量,利用3σ原则设置报警阈值区间,最后利用从经降噪处理的航空发动机主轴承实测振动信号中提取出来的特征向量与相同工况下的特征向量进行对比,若超出报警阈值区间,则说明航空发动机主轴承产生损伤;
S300,利用S100所得的损伤航空发动机主轴承数字孪生数据库中特征向量的差异性,建立稀疏表示的针对航空发动机主轴承不同损伤状态的联合字典;通过联合字典建立损伤状态和稀疏编码的一对一映射关系;利用残差最小原则,匹配出与从经降噪处理的航空发动机主轴承实测振动信号中提取出来的特征向量残差最小的稀疏编码;最后通过稀疏编码与损伤状态的一对一映射关系即可实现航空发动机主轴承损伤的定位及尺寸估计。
S100航空发动机主轴承数字孪生数据库建立包括以下步骤:
S101,建立航空发动机主轴承数字孪生模型;
S102,利用S101所得航空发动机数字孪生模型对不同状态下的航空发动机主轴承振动响应信号进行预测,从所述预测结果中提取所述主轴承振动响应信号的特征向量;
S103,利用S102提取出来的特征向量,建立正常航空发动机主轴承数字孪生数据库和损伤航空发动机主轴承数字孪生数据库,为损伤检测与定量诊断提供数据支持。
S101建立航空发动机主轴承数字孪生模型具体包括以下步骤:
S1011,对航空发动机主轴承的几何结构参数进行测量,对材料特性参数进行查询,对初始工况/环境参数进行感知;
S1012,依据S1011中测量、查询和感知到的参数以及物理作用关系,建立航空发动机主轴承的数字孪生子模型;
S1013,对不同子模型之间的协调关系和接口配合进行考虑,利用软件建立含有多个子模型的多物理场集成仿真平台,将子模型融合为统一物理模型;
S1014,对航空发动机主轴承在实际运行过程中的实时振动信号和工况/环境参数进行监测;
S1015,将工况/环境参数实时输入到统一物理模型中;
S1016,利用S1013所得统一物理模型对航空发动机主轴承的实时振动信号进行仿真计算;
S1017,对实测的振动信号进行降噪处理;
S1018,将S1016的统一物理模型的仿真计算结果与S1017的经过降噪处理的实测结果进行对比,计算二者的偏差;
S1019,根据S1018中计算出的偏差值,利用扩展卡尔曼滤波算法对统一物理模型的内部参数进行调整和修正,从而获得能够实时同步的航空发动机主轴承数字孪生模型。
S1011中,所述航空发动机主轴承的几何结构参数可以从该航空发动机主轴承的图纸文件中获取;所述材料特性至少包括航空发动机主轴承所用材料的牌号及其力学性能;所述工况/环境参数包括航空发动机主轴承的工作转速、温度及载荷。
S1012中,所述物理作用关系至少包括航空发动机主轴承滚动体/保持架/滚道间的接触力和力矩、热与力的耦合作用关系以及作用力和应变之间的关系;所述数字孪生子模型至少包括结构动力学模型、热力耦合模型、应力分析模型以及损伤演化模型。
S1013中,建立统一物理模型可以采用但不限于如下方法:利用Isight软件调用Ansys或Abaqus建立主轴承的热力耦合模型和应力分析模型,计算航空发动机主轴承的应力场分布,将计算出的应力场分布结果带入镶嵌有损伤演化模型的结构动力学模型中并进行求解,最终仿真计算航空发动机主轴承的振动信号。
S200,航空发动机主轴承损伤检测包括以下步骤:
S201,以S103所得航空发动机正常主轴承数字孪生数据库为基础建立自组织映射神经网络,所述正常主轴承数字孪生数据库中的每个特征向量作为自组织映射神经网络中的单个独立神经元,所述自组织神经网络将作为航空发动机主轴承损伤检测的基础;
S202,针对自组织映射神经网络中不同神经元代表的不同特征向量,利用3σ原则设置特征向量的报警阈值区间;
S203,对航空发动机主轴承的实测信号进行降噪处理后提取特征向量,将所述特征向量与自组织映射神经网络中相同工况下的特征向量进行对比,若超出S202所述特征向量的报警阈值区间,则判定为主轴承出现损伤。
S300,航空发动机主轴承损伤定量诊断包括以下步骤:
S301,利用S103所得航空发动机损伤主轴承数字孪生数据库,通过稀疏编码方法,分析不同损伤状态下的主轴承在特征向量上的差异性;
S302,利用S301所得差异性,构造通过稀疏表示的针对损伤航空发动机主轴承不同损伤状态的联合字典,建立稀疏编码与损伤状态的一对一映射关系;
S303,对航空发动机主轴承实测振动信号进行降噪处理后提取特征向量,利用残差最小原则以及S302建立的联合字典,匹配出与从经降噪处理的航空发动机主轴承实测振动信号中提取出来的特征向量残差最小的稀疏编码;
S304,采用S303所得稀疏编码,根据S302所得的稀疏编码与损伤状态的一对一映射关系,即可实现航空发动机主轴承损伤的定位及尺寸估计;
S102中所述不同状态包括航空发动机主轴承正常状态、不同损伤状态和不同工况状态;正常状态即为未损伤状态;不同损伤状态以损伤模式、损伤数量、损伤尺寸以及损伤位置的不同进行区分;损伤模式包括疲劳、磨损、腐蚀、点蚀、塑性变形、断裂和开裂;损伤数量包括单点损伤和多点损伤;损伤位置包括内圈、外圈、滚动体和保持架;所述工况状态采用航空发动机主轴承工作转速、温度以及载荷描述。
S303中所述的残差最小原则计算公式为:
式中,t为实测信号特征向量;D为联合字典;yi为第i种损伤状态的稀疏编码;i=1,2,…,k,k为损伤状态的个数。
与现有技术相比,本发明至少具有以下有益效果:
本发明利用航空发动机主轴承的数字孪生模型进行损伤检测与定量诊断,解决了现有航空发动机主轴承故障诊断方法中存在的模型过于单一、工况变化考虑不足的缺点;航空发动机主轴承数字孪生模型包括考虑不同物理效应的多个子模型,通过数字孪生模型的计算结果与航空发动机主轴承实测振动信号之间的实时对比,对数字孪生子模型内部参数进行不断调整和修正,从而能够对航空发动机主轴承的工况变化进行实时追踪;
本发明在对航空发动机主轴承进行损伤检测和定量诊断时首先建立了正常航空发动机主轴承数字孪生数据库和损伤航空发动机主轴承数字孪生数据库,通过数据库与智能算法的结合完成主轴承的损伤检测与定量诊断工作,使得主轴承损伤检测和定量诊断的实时性得到了保障,通过及时发现损伤,避免重大飞行事故的产生;
航空发动机主轴承的制造工艺精湛,我国所用的航空发动机主轴承大量进口而来,价格高昂。目前航空发动机的维护过程中,发现主轴承出现细微故障则进行淘汰更换处理,但实际上细微的故障形式并不会对主轴承的正常运行造成影响,这样就会造成巨大的经济浪费,本发明提出的基于数字孪生的航空发动机主轴承损伤检测方法,通过设置报警阈值区间来对主轴承是否能够进行正常工作进行判断,对航空发动机维护中主轴承的更换时机选择具有指导性作用;
本发明通过将数字孪生引入到航空发动机主轴承故障诊断领域,不但能够为航空发动机主轴承损伤检测与定量诊断方法研究提供新思路,而且能为数字孪生技术的实际应用探索一条道路。
附图说明
图1是本发明所述方法流程图。
图2为本发明总体技术路线示意图。
具体实施方式
下面结合附图对本发明进行详细说明。
参考图1和图2,基于数字孪生的航空发动机主轴承损伤检测与诊断方法,包括以下步骤:
S100,通过航空发动机主轴承数字孪生模型,对不同状态下航空发动机主轴承的振动响应信号进行仿真计算,利用仿真信号中提取出来的特征向量构建正常航空发动机主轴承数字孪生数据库和损伤航空发动机主轴承数字孪生数据库;
S200,利用S100所得的正常航空发动机主轴承数字孪生数据库中的每个特征向量作为单个神经元,建立自组织映射神经网络;针对不同神经元所代表的不同特征向量,利用3σ原则设置报警阈值区间,最后利用从经降噪处理的航空发动机主轴承实测振动信号中提取出来的特征向量与相同工况下的特征向量进行对比,若超出报警阈值区间,则说明航空发动机主轴承产生损伤;
S300,利用S100所得的损伤航空发动机主轴承数字孪生数据库中特征向量的差异性,建立稀疏表示的针对航空发动机主轴承不同损伤状态的联合字典;通过联合字典建立损伤状态和稀疏编码的一对一映射关系;利用残差最小原则,匹配出与从经降噪处理的航空发动机主轴承实测振动信号中提取出来的特征向量残差最小的稀疏编码;最后通过稀疏编码与损伤状态的一对一映射关系即可实现航空发动机主轴承损伤的定位及尺寸估计。
S100航空发动机主轴承数字孪生数据库建立包括以下步骤:
S101,建立航空发动机主轴承数字孪生模型;
S1011,对航空发动机主轴承的几何结构参数进行测量,对材料特性参数进行查询,对航空发动机主轴承的初始工况/环境参数进行感知,所述航空发动机主轴承的几何结构参数还能从该航空发动机主轴承的图纸文件中获取;所述材料特性至少包括航空发动机主轴承所用材料的牌号、力学性能;所述工况/环境参数包括航空发动机主轴承工作转速、温度及载荷;
S1012,依据S1011中测量、查询和感知到的参数以及物理作用关系,建立航空发动机主轴承的数字孪生子模型;所述物理作用关系至少包括航空发动机主轴承滚动体/保持架/滚道间的接触力和力矩、热与力的耦合作用关系以及作用力和应变之间的关系;所述数字孪生子模型至少包括结构动力学模型、热力耦合模型、应力分析模型以及损伤演化模型;
S1013,对不同子模型之间的协调关系和接口配合进行考虑,利用软件建立含有多个子模型的多物理场集成仿真平台,将子模型融合为统一物理模型;所述协调关系和接口配合指的是,建立不同数字孪生子模型时会用到不同的软件和不同的语言,从而产生不同的数据类型,在进行子模型的融合时,应使不同的数据类型之间达到协调,能够互相转换;将子模型融合为统一物理模型的过程可以采用但不限于采用如下方法:利用Isight软件,调用Ansys或Abaqus建立主轴承的热力耦合模型和应力分析模型,计算航空发动机主轴承的应力场分布,将计算出的应力场分布结果带入镶嵌有损伤演化模型的结构动力学模型中并进行求解,最终仿真计算航空发动机主轴承的振动信号;
S1014,对航空发动机主轴承在实际运行过程中的实时振动信号和工况/环境参数进行监测;
S1015,将工况/环境参数实时输入到统一物理模型中;
S1016,利用统一物理模型对航空发动机主轴承的实时振动信号进行仿真计算;
S1017,对S1014所得的实测的振动信号进行降噪处理;
S1018,将S1016中的统一物理模型的仿真计算结果与S1017中经过降噪处理的实测结果进行对比,计算二者的偏差;
S1019,根据S1018中计算出的偏差值,利用扩展卡尔曼滤波算法对统一物理模型的内部参数进行调整和修正,从而获得能够实时同步的航空发动机主轴承数字孪生模型;
S102,利用S101所得航空发动机数字孪生模型对不同状态下的航空发动机主轴承振动响应信号进行仿真,之后提取所述航空发动机主轴承振动响应仿真信号的特征向量;
S103,利用S102提取出来的特征向量,建立航空发动机正常主轴承数字孪生数据库和航空发动机损伤主轴承数字孪生数据库,为损伤检测与定量诊断提供数据支持。
S200,航空发动机主轴承损伤检测包括以下步骤:
S201,以S103所得正常航空发动机主轴承数字孪生数据库为基础建立自组织映射神经网络,所述正常航空发动机主轴承数字孪生数据库中的每个特征向量作为自组织映射神经网络中的单个独立神经元,所述自组织神经网络将作为航空发动机主轴承损伤检测的基础;
S202,针对自组织映射神经网络中不同神经元代表的不同特征向量,利用3σ原则设置特征向量的报警阈值区间;
S203,对航空发动机主轴承的实测信号进行降噪处理后提取特征向量,将所述特征向量与自组织映射神经网络中相同工况下的特征向量进行对比,若超出S202所述特征向量的报警阈值区间,则判定为主轴承出现损伤;
S300,航空发动机主轴承损伤定量诊断包括以下步骤:
S301,利用S103所得损伤航空发动机主轴承数字孪生数据库,通过稀疏编码方法,分析不同损伤状态下的航空发动机主轴承在特征向量上的差异性;
S302,构造通过稀疏表示的不同损伤状态的联合字典,建立稀疏编码与损伤状态的一对一映射关系;
S303,对航空发动机主轴承实测振动信号进行降噪处理后提取特征向量,利用残差最小原则以及S302中得到的联合字典,匹配出与从经降噪处理的航空发动机主轴承实测振动信号中提取出来的特征向量残差最小的稀疏编码;
S304,采用S303所得稀疏编码,根据S302建立的稀疏编码与损伤状态一对一映射关系,即可实现主轴承的损伤定位与尺寸估计;
S102中所述不同状态包括航空发动机主轴承正常状态、不同损伤状态和不同工况状态;正常状态即为未损伤状态;不同损伤状态以损伤模式、损伤数量、损伤尺寸以及损伤位置的不同进行区分;损伤模式包括疲劳、磨损、腐蚀、点蚀、塑性变形、断裂和开裂;损伤数量包括单点损伤和多点损伤;损伤位置包括内圈、外圈、滚动体和保持架;不同工况状态包括工作转速、温度以及载荷的不同;
S303中所述的残差最小原则计算公式为:
式中,t为实测信号特征向量;D为联合字典;yi为第i种损伤状态的稀疏系数;i=1,2,3,…,k,k为损伤状态的个数,如图2所示。
Claims (9)
1.基于数字孪生的航空发动机主轴承损伤检测与诊断方法,其特征在于,包括以下步骤:
S100,采用航空发动机主轴承数字孪生模型,对不同状态下主轴承的振动响应信号进行仿真计算,利用仿真信号中提取出来的特征向量构建航空发动机正常主轴承数字孪生数据库和航空发动机损伤主轴承数字孪生数据库;
S200,利用S100所得的航空发动机正常主轴承数字孪生数据库中的每个特征向量作为单个神经元,建立自组织映射神经网络;针对不同神经元所代表的不同特征向量,利用3σ原则设置报警阈值区间,最后利用从经降噪处理的主轴承实测振动信号中提取出来的特征向量与相同工况下的特征向量进行对比,若超出报警阈值区间,则主轴承产生损伤;
S300,利用S100所得的航空发动机损伤主轴承数字孪生数据库中特征向量的差异性,建立稀疏表示的针对主轴承不同损伤状态的联合字典;通过联合字典建立损伤状态和稀疏编码的一对一映射关系;利用残差最小原则,匹配出与从经降噪处理的主轴承实测振动信号中提取出来的特征向量残差最小的稀疏编码;最后通过稀疏编码与损伤状态的一对一映射关系,实现主轴承损伤的定位及尺寸估计;建立航空发动机主轴承数字孪生模型具体包括以下步骤:
S1011,对航空发动机主轴承的几何结构参数进行测量,对材料特性参数进行查询,对初始工况/环境参数进行感知;
S1012,依据S1011中测量、查询和感知到的参数以及物理作用关系,建立航空发动机主轴承的数字孪生子模型;
S1013,对不同子模型之间的协调关系和接口配合进行考虑,利用软件建立含有多个子模型的多物理场集成仿真平台,将子模型融合为统一物理模型;
S1014,对航空发动机主轴承在实际运行过程中的实时振动信号和工况/环境参数进行监测;
S1015,将工况/环境参数实时输入到统一物理模型中;
S1016,利用S1013所得统一物理模型对航空发动机主轴承的实时振动信号进行仿真计算;
S1017,对S1014所得实测的振动信号进行降噪处理;
S1018,将S1016中统一物理模型的仿真计算结果与S1017中经过降噪处理的实测结果进行对比,计算二者的偏差;
S1019,根据S1018中计算出的偏差值,利用扩展卡尔曼滤波算法对统一物理模型的内部参数进行调整和修正,从而获得能够实时同步的航空发动机主轴承数字孪生模型。
2.根据权利要求1所述的基于数字孪生的航空发动机主轴承损伤检测与诊断方法,其特征在于,S100航空发动机主轴承数字孪生数据库建立包括以下步骤:
S101,建立航空发动机主轴承数字孪生模型;
S102,利用S101所得航空发动机数字孪生模型对不同状态下的主轴承振动响应信号进行预测,从所述预测结果中提取所述主轴承振动响应信号的特征向量;
S103,利用S102提取出来的特征向量,建立航空发动机正常主轴承数字孪生数据库和航空发动机损伤主轴承数字孪生数据库,为损伤检测与定量诊断提供数据支持。
3.根据权利要求2所述的基于数字孪生的航空发动机主轴承损伤检测与诊断方法,其特征在于,S1011中,所述航空发动机主轴承的几何结构参数从该航空发动机主轴承的图纸文件中获取;所述材料特性至少包括航空发动机主轴承所用材料的牌号及其力学性能;所述工况/环境参数包括航空发动机主轴承的工作转速、温度及载荷。
4.根据权利要求2所述的基于数字孪生的航空发动机主轴承损伤检测与诊断方法,其特征在于,S1012中,所述物理作用关系至少包括航空发动机主轴承滚动体/保持架/滚道间的接触力和力矩、热与力的耦合作用关系以及作用力和应变之间的关系;所述数字孪生子模型至少包括结构动力学模型、热力耦合模型、应力分析模型以及损伤演化模型。
5.根据权利要求2所述的基于数字孪生的航空发动机主轴承损伤检测与诊断方法,其特征在于,S1013中,建立统一物理模型采用如下方法:利用Isight软件调用Ansys或Abaqus建立主轴承的热力耦合模型和应力分析模型,计算航空发动机主轴承的应力场分布,将计算出的应力场分布结果带入镶嵌有损伤演化模型的结构动力学模型中并进行求解,最终仿真计算航空发动机主轴承的振动信号。
6.根据权利要求1所述的基于数字孪生的航空发动机主轴承损伤检测与诊断方法,其特征在于,S200,航空发动机主轴承损伤检测包括以下步骤:
S201,以S103所得正常航空发动机主轴承数字孪生数据库为基础建立自组织映射神经网络,所述正常航空发动机主轴承数字孪生数据库中的每个特征向量作为自组织映射神经网络中的单个独立神经元,所述自组织神经网络将作为航空发动机主轴承损伤检测的基础;
S202,针对自组织映射神经网络中不同神经元代表的不同特征向量,利用3σ原则设置特征向量的报警阈值区间;
S203,对航空发动机主轴承的实测信号进行降噪处理后提取特征向量,将所述特征向量与自组织映射神经网络中相同工况下的特征向量进行对比,若超出S202所述特征向量的报警阈值区间,则判定为主轴承出现损伤。
7.根据权利要求1所述的基于数字孪生的航空发动机主轴承损伤检测与诊断方法,其特征在于,S300,航空发动机主轴承损伤定量诊断包括以下步骤:
S301,利用S103所得损伤航空发动机主轴承数字孪生数据库,通过稀疏编码方法,分析不同损伤状态下的航空发动机主轴承在特征向量上的差异性;
S302,利用S301所得差异性,构造通过稀疏表示的针对损伤航空发动机主轴承不同损伤状态的联合字典,建立稀疏编码与损伤状态的一对一映射关系;
S303,对航空发动机主轴承实测振动信号进行降噪处理后提取特征向量,利用残差最小原则以及S302建立的联合字典,匹配出与从经降噪处理的航空发动机主轴承实测振动信号中提取出来的特征向量残差最小的稀疏编码;
S304,采用S303所得稀疏编码,根据S302所得的稀疏编码与损伤状态的一对一映射关系,即可实现航空发动机主轴承损伤的定位及尺寸估计。
8.根据权利要求1所述的基于数字孪生的航空发动机主轴承损伤检测与诊断方法,其特征在于,S102中所述不同状态包括航空发动机主轴承正常状态、不同损伤状态和不同工况状态;正常状态即为未损伤状态;不同损伤状态以损伤模式、损伤数量、损伤尺寸以及损伤位置的不同进行区分;损伤模式包括疲劳、磨损、腐蚀、点蚀、塑性变形、断裂和开裂;损伤数量包括单点损伤和多点损伤;损伤位置包括内圈、外圈、滚动体和保持架;所述工况状态采用航空发动机主轴承的工作转速、温度以及载荷描述。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910704176.8A CN110530638B (zh) | 2019-07-31 | 2019-07-31 | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910704176.8A CN110530638B (zh) | 2019-07-31 | 2019-07-31 | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110530638A CN110530638A (zh) | 2019-12-03 |
CN110530638B true CN110530638B (zh) | 2020-10-27 |
Family
ID=68661226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910704176.8A Active CN110530638B (zh) | 2019-07-31 | 2019-07-31 | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110530638B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889238B (zh) * | 2019-12-06 | 2021-06-15 | 北京航空航天大学 | 一种数字孪生驱动的热压罐管控系统 |
CN110941251B (zh) * | 2019-12-25 | 2023-08-01 | 南方科技大学 | 基于数字孪生体的生产控制方法、装置、设备及介质 |
CN111365232A (zh) * | 2020-03-27 | 2020-07-03 | 武汉理工大学 | 一种齿轮泵实验平台及齿轮损伤检测方法 |
CN111967202B (zh) * | 2020-08-08 | 2022-10-25 | 西北工业大学 | 一种基于人工智能的航空发动机极速性能数字孪生方法 |
CN112329953B (zh) * | 2020-10-29 | 2023-06-06 | 中冶南方(武汉)热工有限公司 | 一种工业炉全流程智能诊断和优化运行系统 |
CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
CN112465124B (zh) * | 2020-12-15 | 2023-03-10 | 武汉智能装备工业技术研究院有限公司 | 孪生深度时空神经网络模型获取/故障诊断方法、装置 |
CN112781903B (zh) * | 2020-12-28 | 2022-07-08 | 杭州哲达科技股份有限公司 | 基于数字孪生系统的高炉鼓风机和trt机组故障诊断方法 |
CN112762100B (zh) * | 2021-01-14 | 2021-08-10 | 哈尔滨理工大学 | 一种基于数字孪生的轴承全生命周期监测方法 |
CN113092115B (zh) * | 2021-04-09 | 2022-10-11 | 重庆大学 | 数模联合驱动的全寿命滚动轴承数字孪生模型构建方法 |
CN113221280B (zh) * | 2021-05-14 | 2022-12-09 | 西安交通大学 | 一种基于数字孪生的滚动轴承建模与模型更新方法及系统 |
CN113483764B (zh) * | 2021-07-07 | 2022-09-02 | 哈尔滨工业大学 | 一种基于在线传感的智能飞行器任务路径规划方法 |
CN113609608A (zh) * | 2021-07-22 | 2021-11-05 | 上海工程技术大学 | 基于数字孪生的列车牵引电机轴承全生命周期管理方法 |
CN113489459B (zh) * | 2021-07-26 | 2022-07-19 | 安徽科技学院 | 一种基于数字孪生的光伏发电组件故障检测和识别方法 |
CN117724419A (zh) * | 2021-09-14 | 2024-03-19 | 武汉联影医疗科技有限公司 | 数字孪生模型的构建方法、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076168A (zh) * | 2013-01-09 | 2013-05-01 | 西安交通大学 | 一种断路器机械故障的诊断方法 |
CN103309347A (zh) * | 2013-06-05 | 2013-09-18 | 浙江大学 | 一种基于稀疏表示的多工况过程监控方法 |
CN104537415A (zh) * | 2014-12-02 | 2015-04-22 | 北京化工大学 | 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法 |
CN105978429A (zh) * | 2016-03-28 | 2016-09-28 | 上海交通大学 | 开关磁阻电机监测系统及方法 |
CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
CN108828402A (zh) * | 2018-04-26 | 2018-11-16 | 广东电网有限责任公司 | 一种高压电缆故障诊断的方法 |
CN109773588A (zh) * | 2019-03-01 | 2019-05-21 | 山东大学 | 一种机床数字孪生模型性能测试方法及装置 |
CN110007220A (zh) * | 2019-03-28 | 2019-07-12 | 南方电网科学研究院有限责任公司 | 一种断路器机构运行状态诊断方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10524760B2 (en) * | 2017-09-28 | 2020-01-07 | General Electric Company | X-ray tube bearing failure prediction using digital twin analytics |
-
2019
- 2019-07-31 CN CN201910704176.8A patent/CN110530638B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076168A (zh) * | 2013-01-09 | 2013-05-01 | 西安交通大学 | 一种断路器机械故障的诊断方法 |
CN103309347A (zh) * | 2013-06-05 | 2013-09-18 | 浙江大学 | 一种基于稀疏表示的多工况过程监控方法 |
CN104537415A (zh) * | 2014-12-02 | 2015-04-22 | 北京化工大学 | 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法 |
CN105978429A (zh) * | 2016-03-28 | 2016-09-28 | 上海交通大学 | 开关磁阻电机监测系统及方法 |
CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
CN108828402A (zh) * | 2018-04-26 | 2018-11-16 | 广东电网有限责任公司 | 一种高压电缆故障诊断的方法 |
CN109773588A (zh) * | 2019-03-01 | 2019-05-21 | 山东大学 | 一种机床数字孪生模型性能测试方法及装置 |
CN110007220A (zh) * | 2019-03-28 | 2019-07-12 | 南方电网科学研究院有限责任公司 | 一种断路器机构运行状态诊断方法及装置 |
Non-Patent Citations (2)
Title |
---|
"digital twin driven prognostics and health management for complex equipment";Fei Tao 等;《CRIP Annals Manufacturing Technology》;20180430;169-172 * |
"Fleet Monitoring and diagnostics framework based on digital twin of Aero-engines";Valentina Zaccaria等;《Prpceeding of ASME turbo Expo 2018》;20180615;1-8 * |
Also Published As
Publication number | Publication date |
---|---|
CN110530638A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110530638B (zh) | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 | |
CN110532626B (zh) | 基于数字孪生的航空发动机主轴承剩余寿命预测方法 | |
CN110532625B (zh) | 航空发动机涡轮盘-转子-支承系统数字孪生建模方法 | |
CN110530973B (zh) | 数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法 | |
CN112487584A (zh) | 一种基于动力学的滚动轴承数字孪生建模方法 | |
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN110489833B (zh) | 数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法 | |
CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
CN111145236A (zh) | 一种基于数字孪生的产品拟实物装配模型生成方法及实现框架 | |
CN112765768B (zh) | 基于物联网的离散型车间数字溯源方法 | |
CN113569350B (zh) | 基于数字孪生的离心压缩机叶轮疲劳寿命预测方法 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
CN111832624A (zh) | 一种基于对抗迁移学习的刀具剩余寿命预测方法 | |
CN105512483A (zh) | 基于损伤传播模型和数据分析的航空发动机剩余寿命预测 | |
CN116881819B (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
CN113496061A (zh) | 一种基于迁移学习和流形距离的som网络聚类机电设备轴承故障分析方法 | |
CN117391674A (zh) | 一种基于可靠性的电气设备预防性维修优化方法及装置 | |
Liu et al. | Prediction study of the heavy vehicle driving state based on digital twin model | |
Du et al. | Segmentation, detection, and tracking of stem cell image by digital twins and lightweight deep learning | |
CN114139781A (zh) | 一种电力系统的运行趋势预测方法及系统 | |
CN112287484A (zh) | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 | |
CN108895839B (zh) | 烧结机漏风故障在线诊断方法 | |
CN108709426B (zh) | 基于频谱特征双边检测法烧结机漏风故障在线诊断方法 | |
CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警系统及方法 | |
CN113239495A (zh) | 一种基于矢量混合代理模型的复杂结构可靠性设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |