CN110532626A - 基于数字孪生的航空发动机主轴承剩余寿命预测方法 - Google Patents
基于数字孪生的航空发动机主轴承剩余寿命预测方法 Download PDFInfo
- Publication number
- CN110532626A CN110532626A CN201910702741.7A CN201910702741A CN110532626A CN 110532626 A CN110532626 A CN 110532626A CN 201910702741 A CN201910702741 A CN 201910702741A CN 110532626 A CN110532626 A CN 110532626A
- Authority
- CN
- China
- Prior art keywords
- engine main
- main bearing
- aeroplane engine
- twin
- model
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种基于数字孪生的航空发动机主轴承剩余寿命预测方法,首先利用多个受限玻尔兹曼机和回归算法构建主轴承健康监测模型,之后利用从主轴承实测振动信号和数字孪生模型中分别提取出来的主轴承健康状态信息进行比对,利用比对结果对数字孪生模型进行调整和修正,最后利用更新后的数字孪生模型进行主轴承剩余寿命预测;本发明提出的基于数字孪生的航空发动机主轴承剩余寿命预测方法,通过将数字孪生技术引入到主轴承剩余寿命预测领域,使得本发明中应用到的主轴承数字孪生模型能够跟随航空发动机主轴承工况变化进行实时更新,从而能够获得更为精确的剩余寿命预测结果。
Description
技术领域
本发明属于机械寿命预测领域,具体涉及基于数字孪生的航空发动机主轴承剩余寿命预测方法。
背景技术
轴承作为当代机械设备中重要的零部件之一,起着支承、降低摩擦系数、保证回转精度等作用。航空发动机主轴承在工作过程中长期经受高温、高压、润滑条件差等极端恶劣工况的考验,其设计、制造、监测、诊断、预测水平的高低直接会对航空发动机的性能优劣造成影响。现有航空发动机主轴承剩余寿命预测技术并不成熟,所以为了保障航空发动机的运行安全,经常在主轴承尚未接近寿命上限时即进行更换,造成严重的浪费。而且航空发动机主轴承的价格昂贵,因此这种浪费也会给资金供应造成巨大压力。综上,有必要对较为可靠的航空发动机主轴承剩余寿命预测方法进行研究。
航空发动机主轴承工作在多物理场耦合条件下,对其进行准确的剩余寿命预测是一项十分具有挑战性的任务。上海工程技术大学陈志雄等人提出了一种基于比例危险模型的航空发动机轴承剩余寿命预测方法,该方法利用主成分分析对轴承振动信号进行特征提取,通过构建三参数威布尔分布的比例危险模型来对航空发动机轴承剩余寿命进行预测(陈志雄,张洋,戎翔等.一种预测航空发动机滚动轴承剩余寿命的方法[P].中国专利:CN109827775A:2019-05-31.)。数字孪生是一种集成多物理、多尺度、多学科属性的技术手段,通过物理实体与虚拟模型的不断交互,从而获得能够实施表征物理实体的虚拟映射。数字孪生思想已经逐渐称为学者们研究的热点问题,中国电子科技集团公司第三十八研究所的田富君等人提出了一种基于数字孪生的装配精度仿真分析方法,通过装配现场的物理空间和信息空间的深度融合,使得复杂产品的装配质量和效率均能够得到提高(田富君,周红桥,陈兴玉等.一种基于数字孪生的装配精度仿真分析方法与系统[P].中国专利:CN109445305A:2019-03-08)。
通过文献调研可以发现,现有针对航空发动机主轴承的剩余寿命预测方法思路较为单一,基本为基于数据和智能算法,提出一种寿命预测模型,之后利用仿真或实验数据去验证方法的正确性,这种剩余寿命预测方法只适用于单个且恒定的工况,与航空发动机主轴承的真实工作状态存在不符,因此不可避免的会产生预测结果的不准确性。飞机在飞行过程中,飞行姿态、速度、高度会不断发生变化,且会时常受到气流冲击的影响,航空发动机主轴承的运行工况也会随之不断发生改变。所以在进行航空发动机主轴承的寿命预测时,应对其运行工况的不断变化加以监测与考虑,本发明所述方法具有实时同步、忠实映射、高保真的特点,通过虚拟模型和物理实体的实时交互反馈,使虚拟模型能够成为物理实体的准确实时映射,将数字孪生思想引入航空发动机主轴承剩余寿命预测中来,能够为预测结果的准确性提供巨大保障。
发明内容
为解决上述问题,本发明提供基于数字孪生的航空发动机主轴承剩余寿命预测方法,解决了现有航空发动机主轴承剩余寿命预测方法中模型只适用于单一工况、对工况变化考虑不足,从而造成剩余寿命预测结果失准的问题。
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剩余寿命预测方法,包括以下步骤:
S1,利用多个受限玻尔兹曼机堆叠构建深层神经网络,通过数据样本对所述深层神经网络进行训练,使所述深层神经网络能够对隐藏在航空发动机主轴承振动信号中的深度损伤特征进行提取;
S2,利用S1所得的深层神经网络对深度损伤特征进行提取,通过回归算法,构建航空发动机主轴承健康指标;所述的健康指标采用下述表达式进行表示:
式中,HI为航空发动机主轴承的健康指标,t为进行健康指标评估时的航空发动机主轴承运行时间,T为航空发动机主轴承全寿命周期运行时间;
S3,将S1中利用多个受限玻尔兹曼机构建的深层神经网络与S2中利用回归算法提取健康指标的过程进行结合,最终形成航空发动机主轴承健康监测模型;
所述航空发动机主轴承健康监测模型,其输入为经降噪处理后的实测航空发动机主轴承振动信号,输出为航空发动机主轴承健康指标;
S4,当航空发动机主轴承实际工作过程中,对航空发动机主轴承振动信号和工况/环境参数进行实时监测;
S5,对S4所得航空发动机主轴承振动信号进行降噪处理;
S6,将S5降噪处理后的航空发动机主轴承振动信号输入到S3构建的健康监测模型当中,获得健康指标a;
S7,利用数字孪生模型进行仿真计算,得到仿真的航空发动机主轴承振动信号;
S8,从S7所述数字孪生模型仿真得到的航空发动机主轴承振动信号中提取健康指标b;
S9,将S6所得健康指标a和S8所得健康指标b进行对比;
S10,利用S9中的对比结果,对航空发动机主轴承数字孪生子模型中的相关参数进行实时更新,得到新的更准确的数字孪生模型;
S11,通过滤波方法,滤除数字孪生模型预测过程中可能出现的不准确性,实现航空发动机主轴承个体损伤追踪;
S12,计算航空发动机主轴承剩余寿命预测结果的置信区间,即得到具有一定概率的剩余寿命预测结果。
S1中所述的数据样本来自于真实实验数据,数据点包括振动响应、深度损伤特征和航空发动机主轴承寿命,所述深度损伤特征至少包括损伤面积和损伤深度。
S4中所述的工况/环境参数包括航空发动机主轴承的工作转速、温度及载荷。
S5中所述的降噪处理,可以采用但不限于采用基于小波变换的降噪方法,基于独立变量分析的降噪方法,基于经验模式分解的信号降噪方法,基于主分量分析的信号降噪方法。
S7中所述数字孪生模型的建立方法如下:
S71,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,
S72,依据S71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;
S73,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;
S74,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;
S75,将工况/环境参数实时输入到统一物理模型之中;
S76,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;
S77,对S74所得的实测振动信号进行降噪处理;
S78,将统一物理模型的仿真计算结果与经过降噪处理的实测结果进行对比,计算二者的偏差;
S79,根据S78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,从而获得具有实时同步,高保真特性的航空发动机主轴承数字孪生模型。
S71中所述航空发动机主轴承的几何结构参数可以从所述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和力学性能;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。
S72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。
S73中建立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,仿真计算航空发动机主轴承的振动信号。
S10中采用但不限于贝叶斯方法对相关参数进行实时更新;所述相关参数为航空发动机主轴承数字孪生子模型中的参数,包括但不限于航空发动机主轴承的转速、温度及载荷。
S11中采用扩展卡尔曼滤波方法进行滤波。
与现有技术相比,本发明至少具有以下有益效果:
本发明所述的基于数字孪生的航空发动机主轴承剩余寿命预测方法,解决了现有航空发动机主轴承剩余寿命预测方法中模型只适用于单一工况、对工况变化考虑不足,从而造成剩余寿命预测结果失准的问题,利用数字孪生技术,通过航空发动机主轴承数字孪生模型仿真信号和航空发动机主轴承实测信号的对比来对航空发动机主轴承数字孪生模型进行实时修正,从而使得本发明提出的剩余寿命预测方法能够对航空发动机主轴承工况变化进行实时跟踪,并输出准确的剩余寿命预测结果;
航空发动机主轴承长期处在高速、高温、润滑条件差的工作环境下,其使用寿命较短,且使用寿命与工况息息相关;通过本发明所述方法,能够准确、实时的输出航空发动机主轴承剩余寿命预测结果,使得相关人员能够对航空发动机主轴承的运行现状进行准确的把握,从而防止重大飞行事故的发生;航空发动机主轴承在保障航空发动机安全高效运行中起着关键且不可替代的作用,其制造工艺十分复杂,造价昂贵,目前在我国航空发动机的维修过程中,由于没有准确的航空发动机主轴承剩余寿命预测技术的指导,为了保障航空发动机工作安全性,常在航空发动机主轴承尚未达到寿命上限且距离寿命上限仍有很长时间时即对航空发动机主轴承进行更换处理,从而造成极大的浪费现象,通过本发明所述方法,能够对航空发动机主轴承的剩余寿命进行准确、实时的预测,从而减少因航空发动机主轴承而造成的浪费现象,本发明提出的基于数字孪生的航空发动机主轴承剩余寿命预测方法,不仅能够为航空发动机主轴承剩余寿命预测的研究扩充思路,更能为数字孪生技术的落地应用探索一条道路。
附图说明
图1是本发明总体流程图;
图2是基于数字孪生的航空发动机主轴承剩余寿命预测方法技术路线图;
图3是航空发动机主轴承健康监测模型框架;
图4是个体损伤追踪示意图;
图5是剩余寿命预测示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参考图1和图2,本发明提出的基于数字孪生的航空发动机主轴承剩余寿命预测方法,包括以下步骤:
S1,利用多个受限玻尔兹曼机堆叠构建深层神经网络,通过数据样本对所述深层神经网络进行训练,使所述深层神经网络能够对隐藏在航空发动机主轴承振动信号中的深度损伤特征进行提取;所述的数据样本来自于真实实验数据,数据点包括振动响应、深度损伤特征和航空发动机主轴承寿命;所述深度损伤特征包括但不限于损伤面积,损伤深度;
S2,利用S1所得的深层神经网络对深度损伤特征进行提取,通过回归算法,构建航空发动机主轴承健康指标;S2中所述的健康指标可以但不限于用下述表达式进行表示:
式中,HI为航空发动机主轴承的健康指标,t为进行健康指标评估时的航空发动机主轴承运行时间,T为航空发动机主轴承全寿命周期运行时间;随着航空发动机主轴承运行时间增长,其健康指标逐渐减小;当t=0时,表示航空发动机主轴承处于初始运行状态,此时对应的航空发动机主轴承健康指标HI为1;当t和T相等时,表明主轴承达到了寿命,不能再支持航空发动机安全高效运行,此时对应的航空发动机主轴承健康指标HI为0;
S3,将S1中构建的深层神经网络与S2中提取健康指标的过程进行结合,最终形成航空发动机主轴承健康监测模型,如附图3所示;所述的航空发动机主轴承健康监测模型,其输入为经降噪处理后的实测航空发动机主轴承振动信号,输出为航空发动机主轴承健康指标;
S4,航空发动机主轴承实际工作过程中,对航空发动机主轴承实时工况/环境参数和振动信号进行监测;
S5,对S4所得航空发动机主轴承振动信号进行降噪处理;所述降噪处理,可以采用但不限于采用基于小波变换的降噪方法,基于独立变量分析的降噪方法,基于经验模式分解的信号降噪方法,基于主分量分析的信号降噪方法;
S6,将S5降噪处理后的航空发动机主轴承振动信号输入到S3构建的健康监测模型当中,获得健康指标a;
S7,利用航空发动机主轴承数字孪生模型进行仿真计算,得到仿真的主轴承振动信号;所述航空发动机主轴承数字孪生模型的建立过程如下:
S71,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、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;
S72,依据S71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;
S73,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;所述的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;
S74,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;
S75,将工况/环境参数实时输入到统一物理模型之中;
S76,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;
S77,对S74所得实测的振动信号进行降噪处理;
S78,将S76中统一物理模型的仿真计算结果与S77中经过降噪处理的实测结果进行对比,计算二者的偏差;
S79,根据S78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,获得具有实时同步特性的航空发动机主轴承数字孪生模型;
S8,从经数字孪生模型仿真得到的航空发动机主轴承振动信号中提取健康指标b;
S9,将S6所得健康指标a和S8所得健康指标b进行对比,所述对比,可以采用但不限于做差或做商方法;
S10,利用S9中的对比结果,对航空发动机主轴承数字孪生子模型中的相关参数进行实时更新,得到新的更准确的数字孪生模型;所述参数进行实时更新,可以采用但不限于贝叶斯方法,本发明的图4,图5即为利用贝叶斯方法进行更新所得;所述模型中的相关参数为航空发动机主轴承数字孪生子模型中的参数,包括但不限于航空发动机主轴承的转速、温度以及载荷;
S11,通过滤波方法,滤除数字孪生模型预测过程中可能出现的不准确性,实现主轴承个体损伤追踪;所述滤波方法,采用扩展卡尔曼滤波方法;不准确性可能由健康监测模型计算误差等因素产生;个体损伤追踪过程由可以参考图2和图4进行理解,由图4可见,随着航空发动机主轴承运行时间的增加,追踪模型,即数字孪生模型通过不断的更新,已经可以很好的对实测数据进行拟合,图4中的黑点即为实测数据,所以输出的结果也更有实时性,更为准确;
S12,计算航空发动机主轴承剩余寿命预测结果的置信区间,即得到具有概率性的剩余寿命预测结果;参考图2,图4和图5,所述计算剩余寿命的过程,当图4所示追踪模型达到规定损伤阈值时对应的航空发动机主轴承运行时间即为寿命终结时间,利用寿命终结时间与当前运行时间之间的关系即可对剩余寿命进行计算;所述根据寿命终结时间与当前运行时间之间的关系进行计算,这里的关系可以为差值,这与想得到的结果形式相关,如果想得到确定的剩余寿命预测结果,直接做差即可,如果想得到带有置信区间的剩余寿命预测结果,可以结合贝叶斯方法进行计算。
Claims (10)
1.基于数字孪生的航空发动机主轴承剩余寿命预测方法,其特征在于,包括以下步骤:
S1,利用多个受限玻尔兹曼机堆叠构建深层神经网络,通过数据样本对所述深层神经网络进行训练,使所述深层神经网络能够对隐藏在航空发动机主轴承振动信号中的深度损伤特征进行提取;
S2,利用S1所得的深层神经网络对深度损伤特征进行提取,通过回归算法,构建航空发动机主轴承健康指标;所述的健康指标采用下述表达式进行表示:
式中,HI为航空发动机主轴承的健康指标,t为进行健康指标评估时的航空发动机主轴承运行时间,T为航空发动机主轴承全寿命周期运行时间;
S3,将S1中利用多个受限玻尔兹曼机构建的深层神经网络与S2中利用回归算法提取健康指标的过程进行结合,最终形成航空发动机主轴承健康监测模型;
所述航空发动机主轴承健康监测模型,其输入为经降噪处理后的实测航空发动机主轴承振动信号,输出为航空发动机主轴承健康指标;
S4,当航空发动机主轴承实际工作过程中,对航空发动机主轴承振动信号和工况/环境参数进行实时监测;
S5,对S4所得航空发动机主轴承振动信号进行降噪处理;
S6,将S5降噪处理后的航空发动机主轴承振动信号输入到S3构建的健康监测模型当中,获得健康指标a;
S7,利用数字孪生模型进行仿真计算,得到仿真的航空发动机主轴承振动信号;
S8,从S7所述数字孪生模型仿真得到的航空发动机主轴承振动信号中提取健康指标b;
S9,将S6所得健康指标a和S8所得健康指标b进行对比;
S10,利用S9中的对比结果,对航空发动机主轴承数字孪生子模型中的相关参数进行实时更新,得到新的更准确的数字孪生模型;
S11,通过滤波方法,滤除数字孪生模型预测过程中可能出现的不准确性,实现航空发动机主轴承个体损伤追踪;
S12,计算航空发动机主轴承剩余寿命预测结果的置信区间,即得到具有一定概率的剩余寿命预测结果。
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剩余寿命预测方法,其特征在于,S1中所述的数据样本来自于真实实验数据,数据点包括振动响应、深度损伤特征和航空发动机主轴承寿命,所述深度损伤特征至少包括损伤面积和损伤深度。
3.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剩余寿命预测方法,其特征在于,S4中所述的工况/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1所述的基于数字孪生的航空发动机主轴承剩余寿命预测方法,其特征在于,S5中所述的降噪处理,可以采用但不限于采用基于小波变换的降噪方法,基于独立变量分析的降噪方法,基于经验模式分解的信号降噪方法,基于主分量分析的信号降噪方法。
5.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剩余寿命预测方法,其特征在于,
S7中所述数字孪生模型的建立方法如下:
S71,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,
S72,依据S71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;
S73,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;
S74,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;
S75,将工况/环境参数实时输入到统一物理模型之中;
S76,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;
S77,对S74所得的实测振动信号进行降噪处理;
S78,将统一物理模型的仿真计算结果与经过降噪处理的实测结果进行对比,计算二者的偏差;
S79,根据S78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,从而获得具有实时同步,高保真特性的航空发动机主轴承数字孪生模型。
6.根据权利要求5所述的基于数字孪生的航空发动机主轴承剩余寿命预测方法,其特征在于,S71中所述航空发动机主轴承的几何结构参数可以从所述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和力学性能;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。
7.根据权利要求5所述的基于数字孪生的航空发动机主轴承剩余寿命预测方法,其特征在于,S72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。
8.根据权利要求5所述的基于数字孪生的航空发动机主轴承剩余寿命预测方法,其特征在于,S73中建立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,仿真计算航空发动机主轴承的振动信号。
9.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剩余寿命预测方法,其特征在于,S10中采用但不限于贝叶斯方法对相关参数进行实时更新;所述相关参数为航空发动机主轴承数字孪生子模型中的参数,包括但不限于航空发动机主轴承的转速、温度及载荷。
10.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剩余寿命预测方法,其特征在于,S11中采用扩展卡尔曼滤波方法进行滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702741.7A CN110532626B (zh) | 2019-07-31 | 2019-07-31 | 基于数字孪生的航空发动机主轴承剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702741.7A CN110532626B (zh) | 2019-07-31 | 2019-07-31 | 基于数字孪生的航空发动机主轴承剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532626A true CN110532626A (zh) | 2019-12-03 |
CN110532626B CN110532626B (zh) | 2021-01-19 |
Family
ID=68661047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910702741.7A Active CN110532626B (zh) | 2019-07-31 | 2019-07-31 | 基于数字孪生的航空发动机主轴承剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532626B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258297A (zh) * | 2020-01-17 | 2020-06-09 | 北京大学 | 基于数据融合网络的设备健康指标构建及寿命预测方法 |
CN111737811A (zh) * | 2020-05-09 | 2020-10-02 | 北京航空航天大学 | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 |
CN111950133A (zh) * | 2020-07-24 | 2020-11-17 | 华东交通大学 | 一种基于数字孪生的发动机可靠寿命预测方法 |
CN112163325A (zh) * | 2020-09-10 | 2021-01-01 | 浙江工业大学 | 基于数字孪生的rv减速器使用寿命预测方法 |
CN112231954A (zh) * | 2020-10-15 | 2021-01-15 | 中国水利水电科学研究院 | 一种水工结构数字孪生模型的建立方法 |
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 |
CN112762100A (zh) * | 2021-01-14 | 2021-05-07 | 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 |
CN112818490A (zh) * | 2021-03-18 | 2021-05-18 | 中国人民解放军陆军工程大学 | 一种云边架构的装备数字孪生平行仿真系统及方法 |
CN113051838A (zh) * | 2021-05-12 | 2021-06-29 | 南京航空航天大学 | 一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法 |
CN113092115A (zh) * | 2021-04-09 | 2021-07-09 | 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 |
CN113219048A (zh) * | 2021-07-09 | 2021-08-06 | 西南交通大学 | 一种基于涡流与数字孪生技术的钢桥损伤检测系统及方法 |
CN113221277A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生模型的轴承性能退化评估方法及系统 |
CN113432857A (zh) * | 2021-07-02 | 2021-09-24 | 中国石油大学(华东) | 基于数字孪生的水下采油树系统剩余使用寿命预测方法及系统 |
CN113465920A (zh) * | 2021-06-08 | 2021-10-01 | 西安交通大学 | 云、雾、边缘端协同的轴承状态监测与管理方法及系统 |
CN113486520A (zh) * | 2021-07-08 | 2021-10-08 | 内蒙古民族大学 | 基于数字孪生的剐削工艺参数动态调控方法、系统及装置 |
WO2022036689A1 (en) * | 2020-08-21 | 2022-02-24 | Abb Schweiz Ag | Method for fault diagnosis using a fault diagnosis model trained by virtual data |
CN114444336A (zh) * | 2022-04-08 | 2022-05-06 | 杭州安脉盛智能技术有限公司 | 一种基于信息融合的新能源汽车电机寿命预估方法及系统 |
CN114707234A (zh) * | 2022-03-03 | 2022-07-05 | 电子科技大学 | 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法 |
CN114757111A (zh) * | 2022-06-16 | 2022-07-15 | 四川观想科技股份有限公司 | 一种基于数字孪生技术的智能装备健康管理方法 |
CN115952446A (zh) * | 2023-03-13 | 2023-04-11 | 西安航天动力研究所 | 一种火箭发动机稳态振动响应预测方法、装置及设备 |
CN117077327A (zh) * | 2023-10-18 | 2023-11-17 | 国网山东省电力公司鱼台县供电公司 | 基于数字孪生的轴承寿命预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212964A (zh) * | 2018-07-09 | 2019-01-15 | 西安英特迈思信息科技有限公司 | 一种航空发动机多变量孪生支持向量机的健康预测方法 |
CN109445305A (zh) * | 2018-10-26 | 2019-03-08 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的装配精度仿真分析方法与系统 |
US20190102494A1 (en) * | 2017-10-03 | 2019-04-04 | Endurica, LLC | System for tracking incremental damage accumulation |
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 |
CN110045608A (zh) * | 2019-04-02 | 2019-07-23 | 太原理工大学 | 基于数字孪生的机械设备零部件结构参数动态优化方法 |
-
2019
- 2019-07-31 CN CN201910702741.7A patent/CN110532626B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190102494A1 (en) * | 2017-10-03 | 2019-04-04 | Endurica, LLC | System for tracking incremental damage accumulation |
CN109212964A (zh) * | 2018-07-09 | 2019-01-15 | 西安英特迈思信息科技有限公司 | 一种航空发动机多变量孪生支持向量机的健康预测方法 |
CN109445305A (zh) * | 2018-10-26 | 2019-03-08 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的装配精度仿真分析方法与系统 |
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 |
CN110045608A (zh) * | 2019-04-02 | 2019-07-23 | 太原理工大学 | 基于数字孪生的机械设备零部件结构参数动态优化方法 |
Non-Patent Citations (3)
Title |
---|
FEI TAO: "digital twin driven prognostics and health management for complex equipment", 《CRIP ANNALS MANUFACTURING TECHNOLOGY》 * |
VALENTINA ZACCARIA: "Fleet Monitoring and diagnostics framework based on digital twin of Aero-engines", 《PROPCEEDING OF ASME TURBO EXPO 2018》 * |
刘婷: "基于数字孪生的航空发动机全生命周期管理", 《数值仿真》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258297B (zh) * | 2020-01-17 | 2021-06-04 | 北京大学 | 基于数据融合网络的设备健康指标构建及寿命预测方法 |
CN111258297A (zh) * | 2020-01-17 | 2020-06-09 | 北京大学 | 基于数据融合网络的设备健康指标构建及寿命预测方法 |
CN111737811A (zh) * | 2020-05-09 | 2020-10-02 | 北京航空航天大学 | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 |
CN111737811B (zh) * | 2020-05-09 | 2023-01-10 | 北京航空航天大学 | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 |
CN111950133A (zh) * | 2020-07-24 | 2020-11-17 | 华东交通大学 | 一种基于数字孪生的发动机可靠寿命预测方法 |
CN111950133B (zh) * | 2020-07-24 | 2022-04-26 | 华东交通大学 | 一种基于数字孪生的发动机可靠寿命预测方法 |
WO2022036689A1 (en) * | 2020-08-21 | 2022-02-24 | Abb Schweiz Ag | Method for fault diagnosis using a fault diagnosis model trained by virtual data |
CN112163325A (zh) * | 2020-09-10 | 2021-01-01 | 浙江工业大学 | 基于数字孪生的rv减速器使用寿命预测方法 |
CN112163325B (zh) * | 2020-09-10 | 2024-03-29 | 浙江工业大学 | 基于数字孪生的rv减速器使用寿命预测方法 |
CN112231954A (zh) * | 2020-10-15 | 2021-01-15 | 中国水利水电科学研究院 | 一种水工结构数字孪生模型的建立方法 |
CN112231954B (zh) * | 2020-10-15 | 2023-11-21 | 中国水利水电科学研究院 | 一种水工结构数字孪生模型的建立方法 |
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 |
CN112762100A (zh) * | 2021-01-14 | 2021-05-07 | 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 |
CN112818490A (zh) * | 2021-03-18 | 2021-05-18 | 中国人民解放军陆军工程大学 | 一种云边架构的装备数字孪生平行仿真系统及方法 |
CN113092115A (zh) * | 2021-04-09 | 2021-07-09 | 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 |
CN113051838A (zh) * | 2021-05-12 | 2021-06-29 | 南京航空航天大学 | 一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法 |
CN113221277A (zh) * | 2021-05-14 | 2021-08-06 | 西安交通大学 | 一种基于数字孪生模型的轴承性能退化评估方法及系统 |
CN113221277B (zh) * | 2021-05-14 | 2022-12-09 | 西安交通大学 | 一种基于数字孪生模型的轴承性能退化评估方法及系统 |
CN113465920A (zh) * | 2021-06-08 | 2021-10-01 | 西安交通大学 | 云、雾、边缘端协同的轴承状态监测与管理方法及系统 |
CN113465920B (zh) * | 2021-06-08 | 2022-04-22 | 西安交通大学 | 云、雾、边缘端协同的轴承状态监测与管理方法及系统 |
CN113432857A (zh) * | 2021-07-02 | 2021-09-24 | 中国石油大学(华东) | 基于数字孪生的水下采油树系统剩余使用寿命预测方法及系统 |
CN113432857B (zh) * | 2021-07-02 | 2022-04-12 | 中国石油大学(华东) | 基于数字孪生的水下采油树系统剩余使用寿命预测方法及系统 |
CN113486520A (zh) * | 2021-07-08 | 2021-10-08 | 内蒙古民族大学 | 基于数字孪生的剐削工艺参数动态调控方法、系统及装置 |
CN113486520B (zh) * | 2021-07-08 | 2023-02-21 | 内蒙古民族大学 | 基于数字孪生的剐削工艺参数动态调控方法、系统及装置 |
CN113219048B (zh) * | 2021-07-09 | 2021-09-14 | 西南交通大学 | 一种基于涡流与数字孪生技术的钢桥损伤检测系统及方法 |
CN113219048A (zh) * | 2021-07-09 | 2021-08-06 | 西南交通大学 | 一种基于涡流与数字孪生技术的钢桥损伤检测系统及方法 |
CN114707234A (zh) * | 2022-03-03 | 2022-07-05 | 电子科技大学 | 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法 |
CN114707234B (zh) * | 2022-03-03 | 2023-04-25 | 电子科技大学 | 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法 |
CN114444336A (zh) * | 2022-04-08 | 2022-05-06 | 杭州安脉盛智能技术有限公司 | 一种基于信息融合的新能源汽车电机寿命预估方法及系统 |
CN114757111A (zh) * | 2022-06-16 | 2022-07-15 | 四川观想科技股份有限公司 | 一种基于数字孪生技术的智能装备健康管理方法 |
CN114757111B (zh) * | 2022-06-16 | 2022-08-23 | 四川观想科技股份有限公司 | 一种基于数字孪生技术的智能装备健康管理方法 |
CN115952446A (zh) * | 2023-03-13 | 2023-04-11 | 西安航天动力研究所 | 一种火箭发动机稳态振动响应预测方法、装置及设备 |
CN117077327A (zh) * | 2023-10-18 | 2023-11-17 | 国网山东省电力公司鱼台县供电公司 | 基于数字孪生的轴承寿命预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110532626B (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532626A (zh) | 基于数字孪生的航空发动机主轴承剩余寿命预测方法 | |
CN110530638A (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 | |
CN110532625B (zh) | 航空发动机涡轮盘-转子-支承系统数字孪生建模方法 | |
CN112487584A (zh) | 一种基于动力学的滚动轴承数字孪生建模方法 | |
CN103983453B (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
CN110489833A (zh) | 数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法 | |
CN103852269B (zh) | 高速列车运行动力学参数检测方法 | |
CN103364170A (zh) | 气动弹性稳定性的地面模拟预测方法和系统 | |
CN105930571B (zh) | 基于单位温度响应监测值的大跨钢桥有限元模型修正方法 | |
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 | |
CN105956216A (zh) | 大跨钢桥基于均匀温度响应监测值的有限元模型修正方法 | |
CN111664823B (zh) | 基于介质热传导系数差异的均压电极垢层厚度检测方法 | |
CN109145446B (zh) | 一种基于模态应变能和卷积神经网络的结构损伤识别方法 | |
CN103245448A (zh) | 飞机滑行状态下机场跑道承载力无损检测方法 | |
CN104298823B (zh) | 一种高、低温天平分析方法及分析系统 | |
CN108318203B (zh) | 飞行器等价地面颤振综合试验方法 | |
CN110987396B (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
CN105550383B (zh) | 一种非定常气动力测量试验系统的设计方法 | |
CN105354364B (zh) | 一种基于云平台的静压支撑系统模型制造方法 | |
CN106599401A (zh) | 基于摩擦等效和正交实验的可调尾喷管灵活性仿真方法 | |
CN116306159A (zh) | 一种以飞行参数出发估算飞机发动机推力的方法 | |
Stern et al. | Effects of waves on the wake of a surface-piercing flat plate: experiment and theory | |
CN104776947A (zh) | 一种机器人腕力传感器温度漂移的补偿方法 | |
CN111428399A (zh) | 一种未知刚度分布的翼舵面全弹性模型设计方法 | |
CN114155624B (zh) | 一种轧制联轴器的应力数字孪生体的构建方法 |
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 |