CN111596604B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111596604B CN111596604B CN202010536835.4A CN202010536835A CN111596604B CN 111596604 B CN111596604 B CN 111596604B CN 202010536835 A CN202010536835 A CN 202010536835A CN 111596604 B CN111596604 B CN 111596604B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- self
- engineering equipment
- module
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/048—Monitoring; Safety
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及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,属于工程装备自动控制技术领域。该系统包括物理实体模块、数据采集模块、信息处理模块、故障诊断模块、自愈控制模块以及数字孪生模块;数据采集模块实时采集物理实体模块中工程装备运行的信息数据,并将数据传送到数字孪生模块中进行工程装备的数字孪生模拟仿真;同时,数据经过信息处理模块处理后在故障诊断模块中进行智能诊断分析,自愈控制模块对产生的故障进行自愈控制处理;数字孪生模块与其他各模块进行数据交互反馈,实现信息交换和闭环优化。本发明能提高故障预判准确性,减少故障发生率,降低装备维护成本,增强装备运行的稳定性和健壮性,具有广阔的工程应用前景。
Description
技术领域
本发明属于工程装备自动控制技术领域,涉及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。
背景技术
工程机械装备由众多系统构成,其结构十分复杂,在工程建设过程中通常是野外露天作业,长期受到风吹日晒雨淋等外界因素的影响,工作条件十分恶劣;而且由于施工环境的特殊性使得工程机械装备在施工场地的流动性较大且分布不集中,经常出现各种故障不能及时得到排除,给施工进度和工程质量带来了影响。据统计,工程机械装备故障中有70%是由液压系统故障引起,由于液压系统中各元件和工作介质都是在封闭油路内,其故障不直观,具有隐蔽性、复杂性、随机性、模糊性及分散性等特点。常常是一种故障现象的出现,存在多方面的原因,通常情况下不能立即找出故障部位;与此同时,随着工程装备机电液一体化和智能化水平的提升,其故障检测诊断难度日趋复杂,传统的故障诊断方式已不能适应现代故障诊断需求;因此开展工程装备故障智能诊断及控制处置,提高工程装备运行的稳定性和可靠性是亟需解决的难题。
目前,工程装备的液压系统故障诊断主要有基于传递函数的故障诊断方法(如状态估计方法、参数估计方法、时域分析法、小波分析法等)和基于人工智能的故障诊断方法(如神经网络诊断法、模糊故障树诊断法等)。前者由于需要提取系统特征参数或建立系统控制过程数学模型而导致诊断困难;后者由于专家系统知识难于获取及知识库维护不方便等问题,限制了推广应用。尽管国内外对液压系统故障诊断及控制技术进行了广泛的研究,但实际诊断过程中仍面临许多问题。任何一种单一的故障诊断及控制技术难以胜任工程机械复杂液压系统的现场故障诊断及控制处理。
发明内容
有鉴于此,本发明的目的在于提供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,利用数字孪生技术以数字化虚拟模型模拟物理实体在现实环境中的操作行为,实现少样本数据条件下故障快速诊断及故障定位、隔离与处理,推动工程装备故障自愈化;可提高故障预判准确性,减少故障发生率,降低装备维护成本,增强装备运行的稳定性和健壮性。
为达到上述目的,本发明提供如下技术方案:
1、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,包括物理实体模块、数据采集模块、信息处理模块、故障诊断模块、自愈控制模块以及数字孪生模块;
数据采集模块实时采集物理实体模块中工程装备运行的信息数据,并将数据传送到数字孪生模块中进行工程装备的数字孪生模拟仿真;同时,数据经过信息处理模块处理后在故障诊断模块中进行智能诊断分析,自愈控制模块对产生的故障进行自愈控制处理;数字孪生模块处于核心地位,与其他各模块进行数据交互反馈,实现信息交换和闭环优化。
进一步,物理实体模块包括工程装备本体单元、传感设备单元、检测设备单元和信号传输设备单元;工程装备本体单元是指被用于故障诊断分析的工程装备,包括工程装备机械结构本体、驱动工程装备运动和动作的电气及液力装置,以及对应的机电液控制系统;传感设备单元包括用于感知工程装备运行过程中的位移、速度、温升、压力、流量和功耗等信息的传感器件;检测设备单元是指用于检测工程装备的运行状态、系统运动路径、系统工作效率等状态的器件;信号传输设备单元是指用于数据传输和交换的设备接口和网络;物理实体模块的相关信息通过数据采集模块获得,并通过动态链接与数字孪生模块实现交互反馈。
进一步,数据采集模块,用于采集工程装备运行过程中的多物理参数,至少包括受力、速度、振动、转速、油温、油压、流量、工作时间、环境温度和位置等参数,同时将采集的数据进行归类和存储,为后续的信息分析处理提供数据支持;采集的数据包括实时数据、历史数据及孪生数据,来源于采用传感器获得的硬件采集和利用接口协议进行软件二次开发获得的软件采集,所采集的数据包括工程装备既有的静态数据,以及依靠传感设备获得的工程装备运行过程中的动态数据。
进一步,信息处理模块包括数据预处理单元、工况实时数据库单元以及状态特征提取单元;数据预处理单元用于数据清洗融合和数据归一化处理,通过数据清洗融合,去除数据采集过程中带来的数据噪声和干扰,获得有用信号;然后通过数据归一化处理对数据标准化和离散化,形成智能诊断和自愈控制的数据系统;工况实时数据库单元用于存储工程装备在不同工况条件下运行的正常状态数据和故障状态数据,便于后续的数据对比和数据挖掘;状态特征提取单元用于对不同环境扰动及工作约束条件下工程装备运行的动态特征进行分析处理,提取出特征参数,作为故障智能诊断和自愈控制的样本数据。
进一步,故障诊断模块包括状态判断单元和智能诊断单元;状态判断单元用于判别工程装备的运行情况是正常工作状态还是可修复的故障异常状态或者需要紧急停机维护的危险状态,为故障诊断提供基础;智能诊断单元是综合利用智能分析处理算法对当前故障表现形式与故障形成原因进行深入分析;
更进一步,智能分析处理算法主要由果蝇优化、遗传算法、改进支持向量机、模糊理论、人工免疫法和小波分析等智能算法联合构建,充分发挥各方法模式的优势,从而迅速判断故障的形成原因及影响。
进一步,自愈控制模块包括风险预警单元、自愈处置单元和优化运行单元;
风险预警单元,根据故障诊断模块中的状态信息判断结果确定故障的风险危害等级,分别用黄色、橙色、红色进行等级显示标识;同时对不同风险危害等级对应的风险分布范围区域、可能的危害程度进行预警提示;
自愈处置单元包括故障定位、故障隔离和故障自愈三个过程,根据故障诊断分析数据,迅速确定故障位置是位于机构本体层面还是控制管理层面,是机械部分还是液压部分或者电气部分;然后对相应的故障点进行必要的机械隔离及电气液压隔离处置;再通过故障自愈控制策略提供的自愈处置方案进行修复和完善;
优化运行单元,根据故障自愈修复结果的参数及状态,通过数字孪生交互反馈进行工程装备故障的自我学习和故障处理操作,从而提高装备运行的稳健性。
进一步,数字孪生模块包括数字孪生模型单元和动态特性模拟仿真单元;数字孪生模型单元用于构建工程装备的实体模型及在施工运行过程中的动态虚拟模型,根据实时数据,历史数据和孪生数据创建数字孪生模型,并对不同领域、类型及不同尺度规模的数字孪生模型进行模型融合处理,建立更全面和更复杂的数字孪生模型,并提高模型的精度;动态特性模拟仿真单元,根据工程装备的运行工况及外部环境扰动条件进行系统单因素及多因素作用下的动态特性模拟仿真,获得其动态特性参数和实现工程装备实时运行动作的可视化;数字孪生模块处于核心地位,通过数据交互反馈为故障诊断和自愈控制提供样本,为系统运行优化提供指导。
2、一种基于数字孪生的工程装备故障智能诊断与自愈控制方法,具体包括以下步骤:
S1:系统开启:对系统中各模块软硬件初始化;
S2:系统监测运行:对工程装备运行状态、外部环境扰动和工作参数等进行实时监测;
S3:多源异构信息数据采集:对工程装备运行过程中的多源异构信息进行采集,存储及传输处理;
S4:数字孪生模拟仿真:通过采集的实时数据、历史数据、孪生数据建立工程装备的数字孪生模型,并进行动态模拟显示,获取仿真数据,实现工程装备的高保真仿真和虚实同步映射;
S5:数据预处理及判别:对实时数据、历史数据及仿真数据进行清洗、融合、归一化等预处理,然后提取动态特征数据,据此判断采集的数据是否异常以及工程装备的运行状态是否异常,为后续的诊断分析提供条件;
S6:故障智能诊断:根据预处理后的数据信息对故障状态作进一步的分析,排除需要停机维护的危险故障情形,然后采用智能分析处理算法进行诊断分析,为自愈处置提供基础;
S7:故障自愈控制处理:根据故障诊断结果对故障风险等级区域进行预警,同时采用自愈控制策略结合当前的故障状态形成自愈处置方案集,并依据施工现场的约束条件对自愈处置方案进行择优选择,然后完成自愈控制处理,实现工程装备故障自愈化,降低故障对生产运行的影响;
S8:系统自我学习及优化:通过数据交互反馈使得数字孪生模型依据自愈控制参数进行模型修正和完善,开展故障自我学习和提高故障应变处理能力,从而增强工程装备运行的稳健性,并回到系统正常监测状态,进行定期检测分析。
进一步,步骤S6中,故障智能诊断具体包括:采用M-works软件建立工程装备数字孪生模型并融合AMESim液压系统仿真模型进行系统动态特性分析。在仿真模型中注入不同的故障模式,确定数据测点并对典型的故障进行仿真模拟,获得液压系统在多因素扰动条件下的动态特征向量,然后对故障特征向量采用动态主元分析方法(DPCA)进行降维处理;
S61:对观测数据集进行扩展,得到动态数据矩阵;
其中,时滞长度s的递推关系如下:
S62:根据s递推关系计算s值:初始设置s=0开始递推关系计算,当rnew(s)≤0时,计算出时滞长度s;
S63:根据计算出的时滞长度s,对动态数据矩阵Xa(s)进行归一化处理,然后按照PCA的特征提取步骤确定主元个数,获得特征向量参数的提取;最后采用遗传算法改进支持向量机对主元信息向量进行训练和预测,从而实现故障快速判断。
进一步,步骤S7中,故障自愈控制处理过程中,自愈控制的目标函数为:
minZy=min(ω1G1+ω2G2+ω3G3+ω4G4)
其中,ω1~ω4为权重系数,G1~G4分别为控制元件或执行元件的压力损失、流量损失、动作响应时间、动作频次。
本发明的有益效果在于:
1)通过建立工程装备机电液耦合的全系统数字孪生模型并进行故障模拟仿真和虚实交互反馈,可以快速预测装备运行中的各种故障隐患并实现故障可视化,减少了采用常规方法进行故障检测维护的盲目性和主观性;
2)故障智能诊断方法实现监测数据快速分析、比较和处理,及时发现故障点,提高诊断速度和缩短故障时间,有效降低故障引起的危害;
3)自愈控制措施克服了依赖人工干预的故障修复缺陷,实现故障快速处理,从而提高了工程装备自身预防和自动恢复能力,以及工程装备运行的可靠性和稳定性;
4)数字孪生模型根据故障修复结果的相关参数和状态进行自我学习和自我修复,并反馈到工程装备的物理实体上,提高了工程装备抵御外界扰动及健康运行的能力,以确保操作运行的快速响应。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明故障智能诊断与自愈控制系统构成示意图;
图2为本发明故障智能诊断与自愈控制方法流程示意图;
图3为本发明实施例的工程装备液压系统组成原理图;
图4为本发明实施例的工程装备液压缸故障自愈控制效果对照示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图4,本发明实施例以某型号道路施工工程装备为例加以说明。如图1所示,本实施例的工程装备故障智能诊断与自愈控制系统,主要包括物理实体模块、数据采集模块、信息处理模块、故障诊断模块、自愈控制模块以及数字孪生模块。数据采集模块实时采集物理实体中工程装备运行的信息数据,并将数据传送到数字孪生模块中进行工程装备的数字孪生模拟仿真;同时,数据经过信息处理后在故障诊断模块中进行智能诊断分析,对产生的故障进行自愈控制处理。数字孪生模块处于核心地位,与其他各模块进行数据交互反馈,实现信息交换和闭环优化。
物理实体模块包括工程装备本体单元、传感设备单元、检测设备单元和信号传输设备单元。工程装备本体单元是指被用于故障诊断分析的道路施工工程装备,包括工程装备机械结构本体,驱动工程装备运动和动作的电气及液力装置,以及对应的机电液控制系统。传感设备单元包括用于感知工程装备运行过程中的位移、速度、温升、压力、流量、功耗等信息的传感器件,至少包括位移传感器、速度传感器、温度传感器、压力传感器、流量传感器、扭矩传感器等;检测设备单元用于检测道路施工工程装备的运行状态、系统运动路径、系统工作效率等状态;信号传输设备单元是指用于数据传输和交换的设备接口和网络,信号传输支持LAN、WiFi、5G、RFID、GPS等多种传输协议。道路施工工程装备物理实体的相关信息通过数据采集模块获得,并通过动态链接与数字孪生模块实现交互反馈。
数据采集模块,用于采集工程装备运行过程中的多物理参数,至少包括受力、速度、振动、转速、油温、油压、流量、工作时间、环境温度、位置等参数,同时将采集的数据进行归类和存储,为后续的信息分析处理提供数据支持。数据采集包括实时数据、历史数据及孪生数据,来源于采用传感器获得的硬件采集和利用接口协议进行软件二次开发获得的软件采集,所采集的数据包括工程装备既有的静态数据,以及依靠传感设备获得的道路施工工程装备运行过程中的动态数据。
信息处理模块包括数据预处理单元、工况实时数据库单元以及和状态特征提取单元。数据预处理单元包括数据清洗融合和数据归一化处理过程,通过数据清洗,去除数据采集过程中带来的数据噪声和干扰,获得有用信号;然后通过数据归一化处理对数据标准化和离散化,形成智能诊断和自愈控制的数据系统;工况实时数据库单元,用于存储工程装备在不同工况条件下运行的正常状态数据和故障状态数据,便于后续的数据对比和数据挖掘。工况条件及环境扰动因素主要包括不同负载情况、不同系统压力、不同泄漏孔径、不同连接管道类型、不同油液粘度等情况。状态特征提取单元是对不同环境扰动及工作约束条件下工程装备运行的位移、速度响应特征,液压缸进口压力波动情况及出口压力波动等动态特征进行分析处理,提取出特征参数,作为故障智能诊断和自愈控制的样本数据。
故障诊断模块包括状态判断单元和智能诊断单元。状态判断单元用于判别道路施工工程装备的运行情况是正常工作状态还是可修复的故障异常状态或者需要紧急停机维护的危险状态,为故障诊断提供基础;智能诊断单元是综合利用各种智能算法对当前故障表现形式与故障形成原因进行深入分析的过程,优选的,采用粒子群与果蝇优化、遗传算法改进支持向量机、模糊人工免疫等手段联合构建智能分析处理算法,充分发挥各方法模式的优势,从而迅速判断故障的形成原因及影响。
自愈控制模块包括风险预警单元,自愈处置单元和优化运行单元。风险预警单元,根据故障诊断模块中的状态信息判断结果确定故障的风险危害等级,分别用黄色、橙色、红色进行等级显示标识;同时对不同风险等级对应的风险分布范围区域、可能的危害程度进行预警提示。的自愈处置单元包括故障定位、故障隔离和故障自愈三个过程,根据故障诊断分析数据,迅速确定故障是位于机构本体层面还是控制管理层面,是机械部分还是液压部分或者电气部分;然后对相应的故障点进行必要的机械隔离及电气液压隔离处置;再通过故障自愈控制策略提供的自愈处置方案进行修复和完善。优化运行单元,根据故障自愈修复结果的参数及状态,通过数字孪生交互反馈进行道路施工工程装备故障的自我学习和故障处理操作,从而提高装备运行的稳健性。
数字孪生模块,包含数字孪生模型单元和动态特性模拟仿真单元。数字孪生模型单元用于构建道路施工工程装备的实体模型及在施工运行过程中的动态虚拟模型,根据实时数据,历史数据和孪生数据创建数字孪生模型,并对不同领域、类型及不同尺度规模的仿真模型进行模型融合处理,建立更全面和更复杂的数字孪生模型,并提高模型的精度。动态特性模拟仿真单元,根据道路施工工程装备的运行工况及外部环境扰动条件进行系统单因素及多因素作用下的动态特性模拟仿真,获得其动态特性参数和实现工程装备实时运行动作的可视化。数字孪生模块处于核心地位,通过数据交互反馈为故障诊断和自愈控制提供样本,为系统运行优化提供指导。
如图2所示,本实施例提供的故障智能诊断与自愈控制系统的控制方法,具体包括以下步骤:
1)系统开启:对系统中各模块软硬件的初始化;
2)系统监测运行:对道路施工工程装备的运行状态、外部环境扰动、工作参数等进行实时监测;
3)多源异构信息数据采集:对道路施工工程装备运行过程中的多源异构信息进行采集,存储及传输处理;
4)数字孪生模拟仿真:通过采集的实时数据、历史数据、孪生数据建立道路施工工程装备的数字孪生模型,并进行动态模拟显示,获取仿真数据,实现工程装备的高保真仿真和虚实同步映射;
5)数据预处理及判别:对实时数据、历史数据及仿真数据进行清洗、融合、归一化等预处理,然后提取动态特征数据,据此判断采集的数据是否异常以及道路施工工程装备的运行状态是否异常,为后续的诊断分析提供条件;
6)故障智能诊断:根据数据预处理的信息对故障状态作进一步的分析,排除需要停机维护的危险故障情形,然后采用智能算法开展诊断分析,为自愈处置提供基础。
本实施例采用的故障诊断算法是采用M-works软件建立工程装备数字孪生模型并融合AMESim液压系统(如图3所示)仿真模型进行系统动态特性分析。在仿真模型中注入不同的故障模式,确定数据测点并对典型的故障进行仿真模拟,获得液压系统在多因素扰动条件下的动态特征向量,然后对故障特征向量采用动态主元分析方法(DPCA)进行降维处理,其步骤如下:
(1)对观测数据集进行扩展,得到动态数据矩阵:
其中,时滞长度s的递推关系如下:
(2)根据s递推关系计算s值:初始设置s=0开始递推关系计算,当rnew(s)≤0时,计算出时滞长度s。
(3)根据计算出的时滞长度s,对动态数据矩阵Xa(s)进行归一化处理,然后按照PCA的特征提取步骤确定主元个数,获得特征向量参数的提取。
然后采用遗传算法改进支持向量机对主元信息向量进行训练和预测,从而实现故障快速判断。其步骤如下:
①选择径向基核函数作为支持向量机的核函数:
K(xi,xj)=exp(-r||xi-xj||2)
②采用遗传算法对支持向量机的参数r和惩罚系数C进行寻优,对C和r二进制编码然后随机参数初始种群,分析个体适应度值并判断是否满足终止条件,不满足的话就通过选择交叉和变异操作生成子代种群进行迭代循环分析,直到满足终止条件,解码输出最优C和r,从而建立GA-SVM故障诊断模型。
③在本实验中,计算得出s=2,构建DPCA扩展矩阵,进行动态PCA主元提取,然后在主元构成的特征向量中随机选择60条数据作为训练样本,30条数据作为预测样本带入GA-SVM模型进行计算,其中遗传种群数量n=20,遗传终止代数为d=100,用轮赌法进行选择操作,交叉概率为0.85,变异概率为0.01,惩罚系数C的变化范围为0-100,r的变化范围为0-50;最终实现故障快速诊断分析处理。
7)故障自愈控制处理:根据故障诊断结果对故障风险等级区域进行预警,同时采用自愈控制策略结合当前的故障状态形成自愈处置方案集,并依据施工现场的约束条件对自愈处置方案进行择优选择,然后完成自愈控制处理,实现道路施工工程装备故障自愈化,降低故障对生产运行的影响。
其中,自愈控制目标函数为:minZy=min(ω1G1+ω2G2+ω3G3+ω4G4),ω1~ω4为权重系数,G1~G4分别为控制元件或执行元件的压力损失、流量损失、动作响应时间、动作频次。
通过前端的故障诊断分析,进行故障定位,然后用自愈控制策略进行自愈处理,步骤如下:
(1)根据故障定位,利用图论法形成故障恢复的网络拓扑结构,构建节点矩阵形成初始粒子群;
(2)根据设定的粒子群规模n,权重ω,学习因子及迭代速度和次数,计算每个粒子的适应度,寻找当前群体的最优解;
(3)更新各粒子的速度和位置,计算更新后粒子的适应值,寻找最优值替代前一次的寻优结果;
(4)按步骤(2)和(3)进行迭代运算,达到最大迭代次数为止;
(5)得到当前路径的最优解,予以保存,并寻找新的路径重新按以上步骤计算其最优解;
(6)比较不同恢复路径下的最优解,得出最佳故障处理策略;
(7)故障处理策略通过数字孪生信息交换反馈,实现可视化自愈处理,以及系统自我学习,提高故障处置能力。
8)系统自我学习及优化:通过数据交互反馈使得数字孪生模型依据自愈控制参数进行模型修正和完善(修复效果参见图4),开展故障自我学习和提高故障应变处理能力,从而增强道路工程装备运行的稳健性,并回到系统正常监测状态,进行定期检测分析。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于数字孪生的工程装备故障智能诊断与自愈控制方法,其特征在于,该方法具体包括以下步骤:
S1:系统开启:对系统中各模块软硬件初始化;
S2:系统监测运行:对工程装备运行状态、外部环境扰动和工作参数进行实时监测;
S3:多源异构信息数据采集:对工程装备运行过程中的多源异构信息数据进行采集,存储及传输处理;
S4:数字孪生模拟仿真:通过采集的实时数据、历史数据、孪生数据建立工程装备的数字孪生模型,并进行动态模拟显示,获取仿真数据;
S5:数据预处理及判别:对实时数据、历史数据及仿真数据进行预处理,然后提取动态特征数据,据此判断采集的数据是否异常以及工程装备的运行状态是否异常;
S6:故障智能诊断:根据预处理后的数据信息对故障状态作进一步的分析,排除需要停机维护的危险故障情形,然后采用智能分析处理算法进行诊断分析;
S7:故障自愈控制处理:根据故障诊断结果对故障风险等级区域进行预警,同时采用自愈控制策略结合当前的故障状态形成自愈处置方案集,并依据施工现场的约束条件对自愈处置方案进行择优选择,然后完成自愈控制处理;
S8:系统自我学习及优化:通过数据交互反馈使得数字孪生模型依据自愈控制参数进行模型修正和完善,并回到系统正常监测状态,进行定期检测分析;
步骤S6中,故障智能诊断具体包括:
S61:对观测数据集进行扩展,得到动态数据矩阵;
其中,时滞长度s的递推关系如下:
S62:根据s递推关系计算s值:初始设置s=0开始递推关系计算,当rnew(s)≤0时,计算出时滞长度s;
S63:根据计算出的时滞长度s,对动态数据矩阵Xa(s)进行归一化处理,然后按照PCA的特征提取步骤确定主元个数,获得特征向量参数的提取;最后采用遗传算法改进支持向量机对主元信息向量进行训练和预测。
2.根据权利要求1所述的一种基于数字孪生的工程装备故障智能诊断与自愈控制方法,其特征在于,所述步骤S7中,故障自愈控制处理过程中,自愈控制的目标函数为:
minZy=min(ω1G1+ω2G2+ω3G3+ω4G4)
其中,ω1~ω4为权重系数,G1~G4分别为控制元件或执行元件的压力损失、流量损失、动作响应时间、动作频次。
3.适用于权利要求1或2所述方法的基于数字孪生的工程装备故障智能诊断与自愈控制系统,其特征在于,该系统包括物理实体模块、数据采集模块、信息处理模块、故障诊断模块、自愈控制模块以及数字孪生模块;
所述数据采集模块实时采集物理实体模块中工程装备运行的信息数据,并将数据传送到数字孪生模块中进行工程装备的数字孪生模拟仿真;同时,数据经过信息处理模块处理后在故障诊断模块中进行智能诊断分析,自愈控制模块对产生的故障进行自愈控制处理;所述数字孪生模块与其他各模块进行数据交互反馈,实现信息交换和闭环优化。
4.根据权利要求3所述的基于数字孪生的工程装备故障智能诊断与自愈控制系统,其特征在于,所述物理实体模块包括工程装备本体单元、传感设备单元、检测设备单元和信号传输设备单元;所述工程装备本体单元是指被用于故障诊断分析的工程装备,包括工程装备机械结构本体、驱动工程装备运动和动作的电气及液力装置,以及对应的机电液控制系统;所述传感设备单元包括用于感知工程装备运行过程中的位移、速度、温升、压力、流量和功耗的传感器件;所述检测设备单元是指用于检测工程装备的运行状态、系统运动路径、系统工作效率的器件;所述信号传输设备单元是指用于数据传输和交换的设备接口和网络;所述物理实体模块的相关信息通过数据采集模块获得,并通过动态链接与数字孪生模块实现交互反馈。
5.根据权利要求3所述的基于数字孪生的工程装备故障智能诊断与自愈控制系统,其特征在于,所述数据采集模块,用于采集工程装备运行过程中的多物理参数,同时将采集的数据进行归类和存储;所述采集的数据包括实时数据、历史数据及孪生数据,来源于采用传感器获得的硬件采集和利用接口协议进行软件二次开发获得的软件采集,所采集的数据包括工程装备既有的静态数据,以及依靠传感设备获得的工程装备运行过程中的动态数据。
6.根据权利要求3所述的基于数字孪生的工程装备故障智能诊断与自愈控制系统,其特征在于,所述信息处理模块包括数据预处理单元、工况实时数据库单元以及状态特征提取单元;所述数据预处理单元用于数据清洗融合和数据归一化处理;所述工况实时数据库单元用于存储工程装备在不同工况条件下运行的正常状态数据和故障状态数据;所述状态特征提取单元用于对不同环境扰动及工作约束条件下工程装备运行的动态特征进行分析处理,提取出特征参数,作为故障智能诊断和自愈控制的样本数据。
7.根据权利要求3所述的基于数字孪生的工程装备故障智能诊断与自愈控制系统,其特征在于,所述故障诊断模块包括状态判断单元和智能诊断单元;
所述状态判断单元用于判别工程装备的运行情况是正常工作状态还是可修复的故障异常状态或者需要紧急停机维护的危险状态;所述智能诊断单元是利用智能分析处理算法对当前故障表现形式与故障形成原因进行分析;所述智能分析处理算法由果蝇优化、遗传算法、改进支持向量机、模糊理论、人工免疫法和小波分析联合构建。
8.根据权利要求3所述的基于数字孪生的工程装备故障智能诊断与自愈控制系统,其特征在于,所述自愈控制模块包括风险预警单元、自愈处置单元和优化运行单元;
所述风险预警单元,根据故障诊断模块中的状态信息判断结果确定故障的风险危害等级,同时对不同风险危害等级对应的风险分布范围区域、可能的危害程度进行预警提示;
所述自愈处置单元包括故障定位、故障隔离和故障自愈三个过程,根据故障诊断分析数据,迅速确定故障位置;然后对相应的故障点隔离处置;再通过故障自愈控制策略提供的自愈处置方案进行修复和完善;
所述优化运行单元,根据故障自愈修复结果的参数及状态,通过数字孪生交互反馈进行工程装备故障的自我学习和故障处理优化操作。
9.根据权利要求3所述的基于数字孪生的工程装备故障智能诊断与自愈控制系统,其特征在于,所述数字孪生模块包括数字孪生模型单元和动态特性模拟仿真单元;所述数字孪生模型单元用于构建工程装备的实体模型及在施工运行过程中的动态虚拟模型,根据实时数据,历史数据和孪生数据创建数字孪生模型,并对不同领域、类型及不同尺度规模的数字孪生模型进行模型融合处理;所述动态特性模拟仿真单元,根据工程装备的运行工况及外部环境扰动条件进行系统单因素及多因素作用下的动态特性模拟仿真,获得其动态特性参数和实现工程装备实时运行动作的可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010536835.4A CN111596604B (zh) | 2020-06-12 | 2020-06-12 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010536835.4A CN111596604B (zh) | 2020-06-12 | 2020-06-12 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111596604A CN111596604A (zh) | 2020-08-28 |
CN111596604B true CN111596604B (zh) | 2022-07-26 |
Family
ID=72186420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010536835.4A Active CN111596604B (zh) | 2020-06-12 | 2020-06-12 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111596604B (zh) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114070710A (zh) * | 2020-09-22 | 2022-02-18 | 北京市天元网络技术股份有限公司 | 基于数字孪生的通信网络故障分析方法及装置 |
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 |
CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
CN112547352B (zh) * | 2020-11-06 | 2022-08-02 | 山东农业大学 | 一种基于数字孪生的自动喷涂监测遥操作方法及系统 |
CN112199898B (zh) * | 2020-11-11 | 2021-06-15 | 北京三维天地科技股份有限公司 | 一种基于大数据的仪器设备故障预测与健康管理方法 |
CN112382064B (zh) * | 2020-11-12 | 2023-01-20 | 广东电网有限责任公司 | 一种基于数字孪生技术的电力物联网故障预警方法及系统 |
CN112488489B (zh) * | 2020-11-26 | 2024-02-27 | 江苏科技大学 | 一种数字孪生驱动的加工质量追溯与动态控制方法 |
CN112506691B (zh) * | 2020-12-14 | 2024-04-19 | 贵州电网有限责任公司 | 一种多能源系统数字孪生应用故障恢复方法及系统 |
CN112950758B (zh) * | 2021-01-26 | 2023-07-21 | 长威信息科技发展股份有限公司 | 一种时空孪生可视化构建方法及系统 |
CN112985724B (zh) * | 2021-02-08 | 2023-02-03 | 张晓利 | 一种tmd运行状态数字孪生检测装置及运行状态判断方法 |
CN112861437B (zh) * | 2021-02-22 | 2022-05-03 | 四川大学 | 基于AMESim模型的副翼作动器故障诊断方法和装置 |
CN113379123A (zh) * | 2021-06-09 | 2021-09-10 | 中德(珠海)人工智能研究院有限公司 | 基于数字孪生的故障预测方法、装置、服务器及存储介质 |
CN113538865A (zh) * | 2021-06-18 | 2021-10-22 | 意特利(上海)科技有限公司 | 基于数字孪生的五轴联动机床在线诊断预警系统及方法 |
CN113421008A (zh) * | 2021-07-02 | 2021-09-21 | 北自所(北京)科技发展有限公司 | 一种数字孪生纺织成套装备健康管控方法和系统 |
CN113419461A (zh) * | 2021-07-06 | 2021-09-21 | 山东电力工程咨询院有限公司 | 施工现场机械监管方法及系统 |
CN113485295A (zh) * | 2021-07-07 | 2021-10-08 | 西北工业大学 | 基于数字孪生的四足机器人故障预测方法、装置及设备 |
CN113569475B (zh) * | 2021-07-21 | 2023-09-01 | 上海工程技术大学 | 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统 |
CN113593741B (zh) * | 2021-07-30 | 2023-04-07 | 西安交通大学 | 一种蒸汽发生器故障诊断方法 |
US11880464B2 (en) * | 2021-08-18 | 2024-01-23 | General Electric Company | Vulnerability-driven cyberattack protection system and method for industrial assets |
CN113837451B (zh) * | 2021-09-06 | 2024-02-27 | 中控创新(北京)能源技术有限公司 | 油气管道的数字孪生体构建方法、装置、设备及存储介质 |
CN113823396A (zh) * | 2021-09-16 | 2021-12-21 | 武汉联影医疗科技有限公司 | 医疗设备管理方法、装置、计算机设备和存储介质 |
CN113848806B (zh) * | 2021-10-12 | 2023-05-23 | 中国石油大学(华东) | 数字孪生驱动的高效放电脉冲电弧铣削加工故障诊断方法及系统 |
CN114118831A (zh) * | 2021-11-24 | 2022-03-01 | 平顶山天安煤业股份有限公司 | 一种基于数字孪生的输电线路管理系统 |
CN114282298B (zh) * | 2021-12-28 | 2022-11-22 | 长安大学 | 一种道路技术状况处理方法 |
CN114578766B (zh) * | 2022-01-12 | 2024-03-26 | 北京航空航天大学 | 一种飞控计算机硬件时变动态数字孪生总装方法 |
CN114311609A (zh) * | 2022-01-17 | 2022-04-12 | 安徽理工大学 | 一种基于数字孪生的挤塑机故障诊断系统 |
CN114640581B (zh) * | 2022-01-24 | 2024-05-28 | 浪潮通信信息系统有限公司 | 一种基于数字孪生的算力网络处理方法及装置 |
CN114526910A (zh) * | 2022-04-21 | 2022-05-24 | 杭州杰牌传动科技有限公司 | 一种基于数字孪生驱动的传动系统故障定位方法 |
CN114943281B (zh) * | 2022-05-12 | 2024-04-19 | 西安交通大学 | 一种热管冷却反应堆智能决策方法及系统 |
CN115292834B (zh) * | 2022-07-20 | 2023-04-21 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生装备故障诊断方法、装置及系统 |
CN115577488A (zh) * | 2022-08-17 | 2023-01-06 | 国网山东省电力公司营销服务中心(计量中心) | 一种关口电能计量装置性能诊断系统 |
CN115412947B (zh) * | 2022-08-26 | 2024-06-21 | 烽火通信科技股份有限公司 | 一种基于数字孪生与ai算法的故障仿真方法和系统 |
CN115356639B (zh) * | 2022-09-29 | 2023-04-18 | 深圳先进技术研究院 | 一种双向锂离子电池智能健康监控方法及系统 |
CN115796372B (zh) * | 2022-12-05 | 2024-03-08 | 江苏阿福科技小额贷款股份有限公司 | 一种基于scor的供应链管理优化方法及系统 |
CN116089880B (zh) * | 2023-02-11 | 2024-01-05 | 重庆大学 | 一种金属化薄膜电容器初始自愈类型分类方法及系统 |
CN116383606B (zh) * | 2023-03-17 | 2023-10-20 | 无锡市第五人民医院 | 一种分布式医疗设备的恒流温度采集方法及系统 |
CN116389229B (zh) * | 2023-06-07 | 2023-08-15 | 南京科羿康光电设备有限公司 | 基于rs485总线的自愈环网络系统 |
CN116735199B (zh) * | 2023-08-11 | 2024-06-18 | 苏州迈卡格自动化设备有限公司 | 一种基于数字孪生的堆垛机传动系统故障诊断方法及装置 |
CN117038048B (zh) * | 2023-10-09 | 2023-12-26 | 江苏优创生物医学科技有限公司 | 一种用于医疗器械的远程故障处理方法及系统 |
CN117254596B (zh) * | 2023-10-10 | 2024-04-09 | 雷玺智能科技(上海)有限公司 | 基于数字孪生的储能电站全生命周期监测系统及方法 |
CN117172757A (zh) * | 2023-11-02 | 2023-12-05 | 中国农业大学 | 一种无人渔场水产养殖设备机组故障诊断系统及方法 |
CN118035882A (zh) * | 2024-01-11 | 2024-05-14 | 太极计算机股份有限公司 | 一种基于ai的电气故障诊断方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105337765A (zh) * | 2015-10-10 | 2016-02-17 | 上海新炬网络信息技术有限公司 | 一种分布式hadoop集群故障自动诊断修复系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101446831B (zh) * | 2008-12-30 | 2011-05-25 | 东北大学 | 一种分散的过程监测方法 |
CN109204389B (zh) * | 2018-09-12 | 2020-11-13 | 济南轨道交通集团有限公司 | 一种地铁设备故障诊断和自愈方法、系统 |
CN109933035A (zh) * | 2019-04-24 | 2019-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的生产线控制系统、方法及生产系统 |
CN110442936B (zh) * | 2019-07-24 | 2021-02-23 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
CN110765587A (zh) * | 2019-09-30 | 2020-02-07 | 北京化工大学 | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 |
CN111091611B (zh) * | 2019-12-25 | 2023-05-26 | 青岛理工大学 | 一种面向车间数字孪生的增强现实系统及方法 |
CN111210359B (zh) * | 2019-12-30 | 2022-01-28 | 中国矿业大学(北京) | 面向智能矿山场景的数字孪生演化机理及方法 |
CN111260127A (zh) * | 2020-01-14 | 2020-06-09 | 南京悠淼科技有限公司 | 基于全机数字孪生模型的故障预测系统及方法 |
-
2020
- 2020-06-12 CN CN202010536835.4A patent/CN111596604B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105337765A (zh) * | 2015-10-10 | 2016-02-17 | 上海新炬网络信息技术有限公司 | 一种分布式hadoop集群故障自动诊断修复系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111596604A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN111579243B (zh) | 一种基于深度迁移学习的滚动轴承智能诊断系统 | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
CN114386312A (zh) | 一种设备故障诊断方法 | |
CN104615121B (zh) | 一种列车故障诊断方法及系统 | |
CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN116010900A (zh) | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN113033772A (zh) | 一种基于联邦学习的多设备状态监测方法 | |
CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
Zhang et al. | A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN115982663A (zh) | 一种新能源风机设备的故障预警系统 | |
CN111556111A (zh) | 基于物联网的管廊设备故障远程诊断系统 | |
CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN116028849B (zh) | 基于深度自编码网络的乳化液泵故障诊断方法 | |
CN115560962A (zh) | 一种基于多层级时空图神经网络的风机异常状态检测方法 | |
CN112836570B (zh) | 一种利用高斯噪声的设备异常检测方法 | |
CN112884170A (zh) | 一种综合管廊预测性智能运维系统及方法 | |
CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 |
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 |