CN111911483B - 基于数字孪生的液压系统融合型故障诊断预测方法 - Google Patents
基于数字孪生的液压系统融合型故障诊断预测方法 Download PDFInfo
- Publication number
- CN111911483B CN111911483B CN202010687382.5A CN202010687382A CN111911483B CN 111911483 B CN111911483 B CN 111911483B CN 202010687382 A CN202010687382 A CN 202010687382A CN 111911483 B CN111911483 B CN 111911483B
- Authority
- CN
- China
- Prior art keywords
- hydraulic system
- digital twin
- fault diagnosis
- model
- fusion
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
- F15B19/005—Fault detection or monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
- F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
- F15B2211/00—Circuits for servomotor systems
- F15B2211/80—Other types of control related to particular problems or conditions
- F15B2211/87—Detection of failures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Fluid-Pressure Circuits (AREA)
Abstract
本发明涉及基于数字孪生模型驱动与数据驱动融合的液压系统故障诊断方法,将基于数字孪生模型驱动的液压系统故障诊断预测方法的结果和基于数据驱动的液压系统故障诊断预测方法的结果输入到初始化的融合算法中,利用融合算法进行剩余使用寿命和概率密度的计算,得到所需要的液压系统剩余使用寿命,本发明的方法预诊断预测结果更加精确,可靠性高。
Description
技术领域
本发明涉及液压系统故障诊断预测技术领域,具体涉及基于数字孪生的液压系统融合型故障诊断预测方法。
背景技术
这里的陈述仅提供与本发明相关的背景技术,而不必然地构成现有技术。
液压系统具有重量轻、体积小、功率大、工作稳定性强以及能够完成大范围的无极调速等特点,在工业领域中应用广泛。其中,液压系统作为数控冲压机床的重要组成部分,在冲压机床工作过程中起着至关重要的作用。同时,作为冲压机床核心部分的液压系统,其运行的稳定性对于整个机床乃至整条生产线都有很重要的影响。如果液压系统出现突发性故障,就极有可能会导致机床损坏或者生产线停产,使企业遭受巨大的经济损失。因此如何保证数控冲压机床中液压系统的正常稳定运行,及时预测并诊断液压系统故障,具有十分重要的意义。
当前液压系统的故障预测诊断方法主要分为两种,通过建立相应模型的模型诊断法即模型驱动和基于运行数据的数据分析诊断法即数据驱动。模型驱动包括系统的数字模型、失效模型和疲劳寿命模型。其缺点是在很大程度上取决于人类的经验和知识,导致不准确、不及时和不明智的预测结果;因为对象系统和数据特征的不同,采用不同算法的数据驱动会表现出很大的结果差异,而且缺乏对设备的物理特性、噪声和不确定性的了解也会造成不准确性。两种方法虽然在液压系统的故障预测诊断中各有优势,但其准确度和可靠性仍有很大的不足。
发明内容
本发明的目的是为克服现有技术的不足,提供了基基于数字孪生的液压系统融合型故障诊断预测方法,准确度高,可靠性好。
为实现上述目的,本发明采用如下技术方案:
第一方面,本发明的实施例提供了基于数字孪生的液压系统融合型故障诊断预测方法,将基于数字孪生模型驱动的液压系统故障诊断预测方法的结果和基于数据驱动的液压系统故障诊断预测方法的结果输入到初始化的融合算法中,利用融合算法进行剩余使用寿命和概率密度的计算,得到所需要的液压系统剩余使用寿命。
结合第一方面,本发明的实施例提供了第一方面的一种可能实施方式,所述融合算法采用粒子滤波算法。
结合第一方面,本发明的实施例提供了第一方面的一种可能实施方式,将液压系统各元件的退化模型转变为状态空间模型,代入融合算法中,进行融合算法的初始化。
结合第一方面,本发明的实施例提供了第一方面的一种可能实施方式,所述基于数字孪生模型驱动的液压故障诊断预测方法包括以下步骤:
建立液压系统的数字孪生模型;
数字孪生模型接收待诊断和预测系统安装的传感器传输来的运行数据信息,进行实时更新;
利用更新后的数字孪生模型进行仿真,得到基于数字孪生模型驱动的液压故障诊断预测结果。
结合第一方面,本发明的实施例提供了第一方面的一种可能实施方式,所述数字孪生模型包括供油回路、调速回路、速度换接回路、压力控制回路、换向回路及辅助回路的数字孪生模型。
结合第一方面,本发明的实施例提供了第一方面的一种可能实施方式,传感器采集的运行数据信息映射到数据库中,数据库中的运行数据信息传输给已建立的数字孪生模型。
结合第一方面,本发明的实施例提供了第一方面的一种可能实施方式,采用Modelica建模语言建立数字孪生模型。
结合第一方面,本发明的实施例提供了第一方面的一种可能实施方式,所述的基于数据驱动的液压系统诊断预测方法具体方法为:
对待诊断和预测的液压系统中传感器采集的历史数据进行处理;
对处理后的数据进行特征识别,并提取与液压系统健康状态有直接关系的特征;
依据提取的特征建立液压系统故障诊断预测模型;
将传感器采集的液压系统实时运行数据信息进行处理、特征提取和特征选择处理后输入到已建立的液压系统故障诊断预测模型中,得到基于数据驱动的液压系统故障诊断预测结果。
结合第一方面,本发明的实施例提供了第一方面的一种可能实施方式,采用 SVM算法建立液压系统故障诊断预测模型。
结合第一方面,本发明的实施例提供了第一方面的一种可能实施方式,所述预处理为数据的降噪处理和预处理。
本发明的有益效果:
1.本发明的方法,是通过融合算法融合了基于数字孪生模型驱动的诊断预测结果与基于数据驱动的诊断预测结果,极大地提高了液压系统故障诊断预测的准确性。
2.本发明的方法,基于数字孪生模型驱动的故障诊断预测中,用于数字孪生模型更新的数据来源于实时映射,保证了数字孪生模型同物理液压系统的一致性,提高了基于数字孪生模型的仿真结果的准确性;
3.本发明的方法,基于数字孪生模型驱动的故障诊断预测中,采用多领域统一建模语言Modelica建模语言进行建模,满足了模型可扩展、可更新、可重新的需求,有利于知识的积累。
4.本发明的方法,对传感器从生产环境中采集到的信息,进行数据降噪、特征提取和特征选择等操作,为基于数据驱动的诊断预测提供了可靠、高效的数据支持。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的限定。
图1为本发明实施例1流程示意图;
图2为本发明实施例1基于数字孪生模型驱动的液压系统故障诊断预测方法流程图;
图3为本发明实施例1基于数据驱动的液压系统故障诊断预测方法流程图;
图4为本发明实施例1数据融合流程图;
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,现有的基于模型驱动的液压系统故障诊断方法和基于数据驱动的液压系统故障诊断方法结果不准确、可靠性差,针对上述问题,本申请提出了基于数字孪生的液压系统融合型故障诊断预测方法。
本申请的一种典型实施方式实施例1中,基于数字孪生的液压系统融合型故障诊断预测方法,所述液压系统按照功能可大致划分为六类基本回路,如图1所示,包括供油回路、调速回路、速度换接回路、压力控制回路换向回路及辅助回路。各基本回路根据功能需要又有不同的实现方式,如供油回路有定量泵和变量泵的供油方式,调速回路有节流调速、容积调速和联合调速。供油回路主要液压元件包括变量泵、定量泵、油箱等,调速回路包括变量泵、液压缸和液压马达等,速度换接回路包括行程阀、节流阀和单向阀等,压力控制回路包括减压阀、背压阀和溢流阀等,换向回路包括电磁阀、电液阀和手动阀等,辅助回路包括液控单向阀、同步马达和调速阀等。
各个回路的元件连接方式采用现有液压系统回路的连接方式,具体不进行详细叙述。
如图1所示,所述故障诊断预测方法为:将液压系统的各元件的退化模型转换为空间状态模型,代入融合算法中,对融合算法进行初始化,将基于数字孪生模型驱动的液压系统故障诊断预测方法的结果和基于数据驱动的液压系统故障诊断预测方法的结果输入到初始化的融合算法中,利用融合算法进行剩余使用寿命和概率密度的计算,得到所需要的更加精确的液压系统剩余使用寿命。
本实施例中,所述液压系统各元件的退化模型为已知模型,可预先得到。
本实施例中,所述融合算法采用粒子滤波算法,通过粒子滤波等算法融合了基于数字孪生模型驱动的诊断预测结果与基于数据驱动的诊断预测结果,极大地提高了液压系统故障诊断预测的准确性。
如图2所示,所述基于数字孪生模型驱动的液压故障诊断方法包括以下步骤:
步骤1:采用Twin Builder建模软件,采用Modelica建模语言,并基于领域知识和工作条件(退化原理、材料特性和工况等)对当前带待诊断预测的液压系统的六个回路进行建模,形成其数字孪生模型。
Twin Builder建模软件支持基于面向对象的模型搭建,通过采用多领域统一建模语言Modelica基于面向对象的方法搭建数字孪生模型,满足模型可扩展、可更新、可重用的需求,有利于知识的积累;
步骤2:利用液压系统中的传感器采集液压系统各元件的运行状态数据,并将运行状态数据通过映射接口传输到步骤1已建立的数字孪生模型,进行实时更新,具体的,传感器采集的运行数据信息映射到数据库中,数据库中的运行数据信息传输给已建立的数字孪生模型。
液压系统传感器是由压力、流量、温度、位移、速度、扭矩振动等传感器组成,其数据传输方式由Wifi、蓝牙、RFID、RS232模块等组成,实现了无线传输。
用于数字孪生模型更新的数据来源于实时映射,保证了数字孪生模型同待诊断预测的液压系统的一致性,提高了基于数字孪生模型的仿真结果的准确性。
步骤3:利用更新后的数字孪生模型进行计算机仿真,得到基于数字孪生模型驱动的液压系统故障诊断预测方法的仿真结果,即液压系统各元件的剩余使用寿命。
如图3所示,所述基于数据驱动的液压故障诊断预测方法包括以下步骤:
步骤a:对待诊断预测的液压系统中传感器采集的历史数据(振动信号、温度信号、流量信号等)进行处理,所述处理为降噪处理和预处理,降噪处理主要处理包括去除环境干扰噪音和数据的趋势项,预处理为数据清洗、数据集成、数据变化和数据规约。
步骤b:对处理后的历史数据以液压系统的领域知识为基础,进行特征识别,并提取与液压系统健康状态有直接关系的特征;比如时域数据的绝对均值、均方根值、峰峰值、歪度指标、翘度指标以及频带等数据特征。
对传感器从生产环境中采集到的信息(振动信号、温度信号、流量信号等) 进行数据降噪、预处理、特征提取和特征选择等操作,为基于数据驱动的诊断预测提供了可靠、高效的数据支持。
其中,降噪处理和预处理的方式与历史数据降噪处理和预处理的方式相同,在此不进行重复叙述。
步骤c:依据提取的特征采用SVM算法建立液压系统故障诊断预测模型,特征选择提取出与设备健康状况有更直接关系的特征,可以使模型的训练更容易、更准确。
步骤d;将传感器采集的液压系统实时运行数据信息进行数据降噪、特征提取和特征选择处理后输入到已建立的液压系统故障诊断预测模型中,得到基于数据驱动的液压系统故障诊断预测结果。
以柱塞泵为例进行说明:
对振动传感器采集到的轴向柱塞泵运行状态的历史故障振动数据进行时域分析和小波包分析,降噪处理及预处理后提取到与轴向柱塞泵健康状态有直接关系的特征,包括时域的绝对均值、均方根值、峰峰值、歪度指标、翘度指标以及小波包分析的频带等数据特征。以振动传感器采集到的轴向柱塞泵的历史振动数据为训练集,采用SVM算法建立柱塞泵的故障诊断预测模型(包括故障映射模型和特征参量预测模型),将轴向柱塞泵的实时运行状态振动数据输入到柱塞泵的故障诊断预测模型中,得到柱塞泵故障的基于数据驱动的诊断预测结果,即柱塞泵的剩余使用寿命。
如图4所示,将柱塞泵退化模型转换为状态空间模型对粒子滤波算法进行初始化,以基于数字孪生模型驱动的液压系统故障诊断预测结果为内部观测值,基于数据驱动的液压系统故障诊断预测结果为实际观测值,将内部观测值、实际观测值以及仿真得到的其他参数(例如流体压力等)代入初始化后的粒子滤波算法,得到更为准确的诊断预测结果。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.基于数字孪生的液压系统融合型故障诊断预测方法,其特征在于,将基于数字孪生模型驱动的液压系统故障诊断预测方法的结果和基于数据驱动的液压系统故障诊断预测方法的结果输入到初始化的融合算法中,利用融合算法进行剩余使用寿命和概率密度的计算,得到所需要的液压系统剩余使用寿命;
所述基于数字孪生模型驱动的液压故障诊断预测方法包括以下步骤:
建立液压系统的数字孪生模型;数字孪生模型接收待诊断和预测系统安装的传感器传输来的运行数据信息,进行实时更新;利用更新后的数字孪生模型进行仿真,得到基于数字孪生模型驱动的液压故障诊断预测结果;
所述的基于数据驱动的液压系统诊断预测方法具体方法为:
对待诊断和预测的液压系统中传感器采集的历史数据进行处理;对处理后的历史数据进行特征识别,并提取与液压系统健康状态有直接关系的特征;依据提取的特征建立液压系统故障诊断预测模型;将传感器采集的液压系统实时运行数据信息进行处理、特征提取和特征选择处理后输入到已建立的液压系统故障诊断预测模型中,得到基于数据驱动的液压系统故障诊断预测结果。
2.如权利要求1所述的基于数字孪生的液压系统融合型故障诊断预测方法,其特征在于,所述融合算法采用粒子滤波算法。
3.如权利要求1所述的基于数字孪生的液压系统融合型故障诊断预测方法,其特征在于,将液压系统各元件的退化模型转变为状态空间模型,带入融合算法中,进行融合算法的初始化。
4.如权利要求1所述的基于数字孪生的液压系统融合型故障诊断预测方法,其特征在于,所述数字孪生模型由供油回路、调速回路、速度换接回路、压力控制回路、换向回路及辅助回路的数字孪生模型构成。
5.如权利要求1所述的基于数字孪生的液压系统融合型故障诊断预测方法,其特征在于,传感器采集的运行数据信息映射到数据库中,数据库中的运行数据信息传输给已建立的数字孪生模型。
6.如权利要求1所述的基于数字孪生的液压系统融合型故障诊断预测方法,其特征在于,采用Modelica建模语言建立数字孪生模型。
7.如权利要求6所述的基于数字孪生的液压系统融合型故障诊断预测方法,其特征在于,采用SVM算法建立液压系统故障诊断预测模型。
8.如权利要求6所述的基于数字孪生的液压系统融合型故障诊断预测方法,其特征在于,所述处理为数据降噪处理和预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010687382.5A CN111911483B (zh) | 2020-07-16 | 2020-07-16 | 基于数字孪生的液压系统融合型故障诊断预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010687382.5A CN111911483B (zh) | 2020-07-16 | 2020-07-16 | 基于数字孪生的液压系统融合型故障诊断预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111911483A CN111911483A (zh) | 2020-11-10 |
CN111911483B true CN111911483B (zh) | 2021-10-01 |
Family
ID=73281286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010687382.5A Active CN111911483B (zh) | 2020-07-16 | 2020-07-16 | 基于数字孪生的液压系统融合型故障诊断预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111911483B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347586A (zh) * | 2020-11-12 | 2021-02-09 | 上海电气液压气动有限公司 | 对液压系统进行数字孪生的系统 |
CN112417619B (zh) * | 2020-11-23 | 2021-10-08 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
DE102021100566A1 (de) * | 2021-01-13 | 2022-07-14 | KSB SE & Co. KGaA | Verfahren zur Bereitstellung wenigstens einer Information über eine hydraulische Anlage |
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 |
CN113378329A (zh) * | 2021-07-06 | 2021-09-10 | 长沙理工大学 | 基于数字孪生的轴向柱塞泵状态监测方法 |
CN113343500B (zh) * | 2021-07-08 | 2024-02-23 | 安徽容知日新科技股份有限公司 | 一种构建数字孪生系统的方法及计算设备 |
CN113780634A (zh) * | 2021-08-23 | 2021-12-10 | 鹏城实验室 | 基于数字孪生的冷水机组预测性维护方法、装置及终端 |
CN115680616A (zh) * | 2022-11-04 | 2023-02-03 | 中国石油大学(华东) | 一种水下生产系统数字孪生体建模方法及运行系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984454B (zh) * | 2010-11-19 | 2012-11-07 | 杭州电子科技大学 | 一种基于数据驱动的多源多特征信息融合方法 |
FI128783B (en) * | 2018-09-03 | 2020-12-15 | Metso Flow Control Oy | Valve positioner and diagnostic method |
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 |
-
2020
- 2020-07-16 CN CN202010687382.5A patent/CN111911483B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111911483A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111911483B (zh) | 基于数字孪生的液压系统融合型故障诊断预测方法 | |
CN108107841B (zh) | 一种数控机床数字孪生建模方法 | |
CN110221558B (zh) | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 | |
CN110554657B (zh) | 一种数控机床运行状态健康诊断系统及诊断方法 | |
CN111230887A (zh) | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 | |
CN1324418C (zh) | 制炼系统内使用的气穴检测 | |
GB2608476A (en) | Intelligent parallel pumping system and optimal regulating method thereof | |
CN113705095B (zh) | 一种循环水泵数字孪生建模方法 | |
CN114992106B (zh) | 一种基于数字孪生的泵站机组运行状态分析系统 | |
CN115562158A (zh) | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 | |
CN116380166A (zh) | 一种设备异常监测方法、电子设备及存储介质 | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
CN103488132A (zh) | 一种基于示功图的自动优化调参方法 | |
CN112002114A (zh) | 一种基于5G-ZigBee通信的机电设备无线数据采集系统和方法 | |
CN116186946B (zh) | 一种基于诊断模型的液压系统故障诊断方法及系统 | |
CN115562133A (zh) | 一种轴向柱塞泵智能网关 | |
CN114201322A (zh) | 一种基于嵌入边缘计算的旋转机电设备故障追溯系统 | |
CN116449771A (zh) | 一种数控机床的数字孪生建模方法 | |
CN117273402B (zh) | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 | |
CN116311593A (zh) | 一种能耗计算方法和系统 | |
CN114648212A (zh) | 一种基于云计算的船舶设备性能智能管理系统及方法 | |
CN111842759B (zh) | 基于工业互联网平台的重型锻造装备远程运维系统架构 | |
CN116562156A (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
CN113931270B (zh) | 一种基于深度学习的截流井智能监控系统及监控方法 | |
CN115480556A (zh) | 一种暖通机电设备的智能在线故障诊断系统 |
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 |