CN112487584A - 一种基于动力学的滚动轴承数字孪生建模方法 - Google Patents
一种基于动力学的滚动轴承数字孪生建模方法 Download PDFInfo
- Publication number
- CN112487584A CN112487584A CN202011499141.4A CN202011499141A CN112487584A CN 112487584 A CN112487584 A CN 112487584A CN 202011499141 A CN202011499141 A CN 202011499141A CN 112487584 A CN112487584 A CN 112487584A
- Authority
- CN
- China
- Prior art keywords
- model
- rolling bearing
- data
- digital twin
- dynamic
- 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.)
- Pending
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004088 simulation Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 230000005489 elastic deformation Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000007418 data mining Methods 0.000 abstract 1
- 238000004806 packaging method and process Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于动力学的滚动轴承数字孪生建模方法。包括以下步骤:数字孪生体的封装、基于降阶模型的降维处理、融合多自由度动力学搭建出目标方程、基于计算机语言的模型仿真、误差分析、数据挖掘、基于神经网络和机器学习的参数修正。本发明能够实现滚动轴承数字孪生模型的实时状态更新和性能演变,克服现有建模方法的仿真结果差异较大,数据处理能力弱的缺点,更加符合实际工业的生产环境。
Description
技术领域
本发明属于机器智能化与数字化技术领域,具体涉及一种基于动力学方法的滚动轴承数字孪生建模技术。
背景技术
滚动轴承由滚动体、保持架、内外圈组成,是旋转类机械设备的关键部件之一。滚动轴承长期处于高速、复杂载荷的工况下,由于结构复杂常发生振动故障,影响机械设备的正常运转,甚至会给企业带来不可估量的损失。因此如何将滚动轴承数字化,同时结合神经网络和机器学习将滚动轴承的运行机理和对应的物理模型联系起来是目前智能制造的一个关键问题。
目前滚动轴承的建模方法大都从单一物理模型出发,通过考虑基于动力学基础的简化模型进行的。哈尔滨工业大学的罗嘉宁针对滚动轴承系统,通过构建四个自由度的振动模型建立基于四个自由度的动力学微分方程对滚动轴承的振动特性进行仿真分析(罗嘉宁.实验与仿真数据驱动的滚动轴承故障严重性评估研究[D].哈尔滨工业大学,2019.)。数字孪生是一门面向多学科、多物理、多尺度、多保真度、多概率的技术。结合神经网络和机器学习实现仿真数据与实测数据之间的深度融合,利用充分挖掘的数据对数字化的虚拟模型进行实时更新,保证虚拟模型和物理设备之间的同步性。
文献调研发现目前很难事先获取滚动轴承处于不同负载和速度条件下的充足的运行数据,现有的轴承建模方法存在如下缺陷:
(1)仿真数据和实际数据差异性较大而且不能够同步获取。
(2)仿真模型对数据的处理能力较弱不具备很强的自我修正和数据优化的能力。
(3)不能够将轴承实时运行情况的机理属性反馈出来。
因此,提出了一种基于动力学滚动轴承的数字孪生建模方法,通过搭建的数字孪生体进行模型构建、数据采集、仿真模拟、误差分析、迭代优化等手段,实现数字孪生体能够同步有效的反映出物理设备的真实运行机理。
发明内容
本发明的目的是为了解决上述问题,本发明公开了一种基于动力学的滚动轴承数字孪生建模方法。
实现上述目的本发明的技术方案为,一种基于动力学的滚动轴承数字孪生建模方法,包括以下步骤:
步骤1:基于三维建模软件通过定义物理实体的物理属性、几何属性、机械结构和材料属性从而在三维虚拟空间对物理模型进行多物理场、多尺度、多概率的仿真重构;
步骤2:物理模型与机理模型的相互融合,将机械设备中具有明确物理意义的参数、属性、行为等反馈到模型系统中实现对物理模型的优化;
步骤3:仿真模块的表示:物理模型的动态运行参数和载荷分布等镜像到以有限元分析为主的仿真模型中,仿真模型通过结构有限元等方法以反馈的方式优化物理模型;
步骤4:数据模块的集成:通过对历史运行数据、设备的隐含数据和实时的负载、速度、振动、温度、声音等动态信息进行挖掘构建数据层从而对物理模型进行修正和更新;
步骤5:降阶模型的建立:使用降阶模型技术对高保真度物理模型进行简化,在保留模型的关键信息和主要影响因素的前提下,大幅度的减少数字孪生体运行的时间和存储要求,结合滚动轴承模型的性质特点采用基于动力学简化模型的方法,以达到降低滚动轴承数字孪生体的复杂度;
步骤6:参数方程的确定:满足降阶模型关键信息的基础上,分析滚动轴承的动力学原理结合Hertz接触理论和变形机理从而构建相应的参数方程;
步骤7:构建目标方程:整个轴承的运动系统满足步骤5和步骤6要求的前提下,作为多自由度机械系统动力学模型进行分析,进而构建含有多个自由度的动力学方程组;
步骤8:仿真结果的分析:以步骤7构建的目标方程为载体,步骤4优化后的负载、速度等关键信息作为输入变量进行仿真结果的计算和分析;
步骤9:数据采集系统:通过数据采集系统监测并获取关键部位振动信号、载荷和速度等时变信息;
步骤10:误差分析,步骤8和步骤9获取的结果进行对比并计算两者的偏差;
步骤11:参数修正:分析步骤10计算的偏差,当偏差超过设定的阈值时,需要对关键信息进行分析优化以达到参数修正的目的。
进一步地,所述的步骤4中,数据模块的集成,其特征在于,将滚动轴承的运行状态、实时性能、环境参数、突发扰动等的动态过程数据,通过传感器、内置采集模块等设备进行数据采集。其特征还在于,基于神经网络和机器学习对传感器实时采集的负载数据、速度数据、历史数据等进行深度挖掘,通过反复训练基于降阶条件下的动力学模型实现滚动轴承数字孪生模型的实时状态更新和性能演变。
进一步地,所述的步骤5中,降阶模型的建立,其特征在于,
(1)将现有的简化模型法、投影法和数据拟合法混合使用以提高降阶模型的构造精度和效率。
(2)采集满足关键信息的初始样本点通过自适应更新模型来优化降阶模型。进一步地,所述的步骤6中,参数方程的确定,其特征在于,确定内外圈与滚动体的接触刚度k1、k2
(2)滚动体与内外圈接触变形所引起的弹性恢复力
其中,K为滚动体与内外圈的等效接触刚度,δi为滚动体的弹性变形量。
进一步地,所述的步骤7中,构建目标方程,其特征在于,
(1)采用集中质量的动力学方程的建模方式
(2)考虑轴承内圈和外圈的位移量
(3)基于Hertz接触理论计算载荷
进一步地,所述的步骤10中,误差分析,其特征在于,优化目标方程的过程的前提需要对仿真信号和实测信号进行对比,误差阈值函数构造如下:
R(p,um)=fD(V,um)-fT(V,um)
其中,fD和fM分别是数字系统和物理实体系统基于速度V和负载umx所对应的参数方程。
误差R(p,um)被最小化时,最佳拟合输入参数最终实现目标方程的实时更新。
利用本发明的技术方案制作的一种基于动力学的滚动轴承数字孪生建模方法,通过封装的数字孪生体可以建立真实结构与虚拟模型之间的双向映射,基于数据层提供数据运用机器学习和神经网络进行智能分析与决策,能够很好的解决对数据处理能力弱的缺点。多物理场仿真模型通过降阶为低阶模型可以运用理论公式和实验数据建立高置信度仿真模型,同时在短时间内进行同步高效的计算。并且能够将数字孪生应用过程中的各类数据、模型、方程、算法、结果进行以服务为导向的封装,以满足面对不同用户的需求。能够有效的为设备检测与维修人员提供有价值的设备状态信息,帮助减少经济损失,满足故障检测与诊断的实际需要。
附图说明
图1为一种基于动力学的滚动轴承数字孪生建模方法流程图。
图2为构建的滚动轴承系统的结构模型流程图。
图3为构建降阶模型模块流程图。
具体实施方式
下面结合附图对本发明进行具体描述,如图1所示,一种基于动力学的滚动轴承数字孪生建模方法流程图。包括以下步骤:
步骤1:基于三维建模软件通过定义物理实体的物理属性、几何属性、机械结构和材料属性从而在三维虚拟空间对物理模型进行多物理场、多尺度、多概率的仿真重构;
步骤2:物理模型与机理模型的相互融合,将机械设备中具有明确物理意义的参数、属性、行为等反馈到模型系统中实现对物理模型的优化;
步骤3:仿真模块的表示:物理模型的动态运行参数和载荷分布等镜像到以有限元分析为主的仿真模型中,仿真模型通过结构有限元等方法以反馈的方式优化物理模型;
步骤4:数据模块的集成:通过对历史运行数据、设备的隐含数据和实时的负载、速度、振动、温度、声音等动态信息进行挖掘构建数据层从而对物理模型进行修正和更新;
步骤5:降阶模型的建立:使用降阶模型技术对高保真度物理模型进行简化,在保留模型的关键信息和主要影响因素的前提下,大幅度的减少数字孪生体运行的时间和存储要求,结合滚动轴承模型的性质特点采用基于动力学简化模型的方法,以达到降低滚动轴承数字孪生体的复杂度;
步骤6:参数方程的确定:满足降阶模型关键信息的基础上,分析滚动轴承的动力学原理结合Hertz接触理论和变形机理从而构建相应的参数方程;
步骤7:构建目标方程:整个轴承的运动系统满足步骤5和步骤6要求的前提下,作为多自由度机械系统动力学模型进行分析,进而构建含有多个自由度的动力学方程组;
步骤8:仿真结果的分析:以步骤7构建的目标方程为载体,步骤4优化后的负载、速度等关键信息作为输入变量进行仿真结果的计算和分析;
步骤9:数据采集系统:通过数据采集系统监测并获取关键部位振动信号、载荷和速度等时变信息;
步骤10:误差分析,步骤8和步骤9获取的结果进行对比并计算两者的偏差;
步骤11:参数修正:分析步骤10计算的偏差,当偏差超过设定的阈值时,需要对关键信息进行分析优化以达到参数修正的目的。
其特征在于,在整个系统内将数据模块、物理模块、仿真模块和机理模块进行封装成为一个子系统,然后对子系统进行降维处理后求解出降阶模型。降阶模型和基于动力学的参数方程进行耦合构建出滚动轴承系统的目标方程,随后将仿真结果与物理实体得出的实测结果进行基于误差分析,用于对参数的修正。最终的到置信度较高的数字孪生系统。
图2为,构建的滚动轴承系统的结构模型流程图。滚动轴承系统的结构模型有模型条件、系统仿真、模型实现三部分组成,包括以下步骤:
(1)建立的模型条件包括相匹配的理论公式,实验数据,图纸语言,工况条件,材料属性等。(2)系统仿真的过程是基于降阶模型和多自由的机械动力学的属性建立对应的数学方程组模型进而求解。(3)将建立的基于降阶模型和动力学相对应得方程组通过计算机语言、建模语言等集成模型语言实现模型的仿真。
图3为,构建降阶模型模块流程图。降阶模型模块有数据层、降维处理和低阶模型三个部分组成,包括以下步骤:
(1)数据层是滚动轴承系统运行时可以直接观测到的数据及系统本身的材料属性、工况参数、运行机理等隐含数据,以及系统运行数据的集成。(2)降维处理的方法有简化模型法、投影法、数据拟合等方式,三种降阶方法混合使用运用到滚动轴承的降阶模型中能够有效的提高降阶模型的构造精度和效率。(3)具有高保真度和高置信度的低阶模型可用于复杂系统的预测、优化和不确定性量化等问题的求解。
上述技术方案仅体现了本发明技术方案的优选技术方案,本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理,属于本发明的保护范围。
Claims (6)
1.一种基于动力学的滚动轴承数字孪生建模方法,其特征在于,包括以下步骤:
步骤1:基于三维建模软件定义物理实体的物理属性、几何属性、机械结构和材料属性从而在三维虚拟空间对物理模型进行多物理场、多尺度、多概率的仿真重构;
步骤2:物理模型与机理模型的相互融合,将机械设备中具有明确物理意义的参数、属性、行为等反馈到模型系统中实现对物理模型的优化;
步骤3:仿真模块的表示:物理模型的动态运行参数和载荷分布等镜像到以有限元分析为主的仿真模型中,仿真模型通过结构有限元等方法以反馈的方式优化物理模型;
步骤4:数据模块的集成:通过对历史运行数据、设备的隐含数据和实时的负载、速度、振动、温度、声音等动态信息进行挖掘构建数据层从而对物理模型进行修正和更新;
步骤5:降阶模型的建立:使用降阶模型技术对高保真度物理模型进行简化,在保留模型的关键信息和主要影响因素的前提下,大幅度的减少数字孪生体运行的时间和存储要求,结合滚动轴承模型的性质特点采用基于动力学简化模型的方法,以达到降低滚动轴承数字孪生体的复杂度;
步骤6:参数方程的确定:满足降阶模型关键信息的基础上,分析滚动轴承的动力学原理结合Hertz接触理论和变形机理从而构建相应的参数方程;
步骤7:构建目标方程:整个轴承的运动系统满足步骤5和步骤6要求的前提下,作为多自由度机械系统动力学模型进行分析,进而构建含有多个自由度的动力学方程组;
步骤8:仿真结果的分析:以步骤7构建的目标方程为载体,步骤4所采集的负载、速度等关键数据信息作为输入变量进行仿真结果的计算和分析;
步骤9:数据采集系统:通过数据采集系统监测并获取关键部位振动信号、载荷和速度等时变信息;
步骤10:误差分析,步骤8和步骤9获取的结果进行对比并计算两者的偏差;
步骤11:参数修正:分析步骤10计算的偏差,当偏差超过设定的阈值时,需要对关键信息进行分析优化以达到参数修正的目的。
2.根据权利要求1所述的一种基于动力学的滚动轴承数字孪生建模方法,所述的步骤4中,数据模块的集成,其特征在于,将滚动轴承的运行状态、实时性能、环境参数、突发扰动等的动态过程数据,通过传感器、内置采集模块等设备进行数据采集。其特征还在于,基于神经网络和机器学习对传感器实时采集的负载数据、速度数据、历史数据等进行深度挖掘,通过反复训练基于降阶条件下的动力学模型实现滚动轴承数字孪生模型的实时状态更新和性能演变。
3.根据权利要求1所述的一种基于动力学的滚动轴承数字孪生建模方法,所述的步骤5中,降阶模型的建立,其特征在于,
(1)将现有的简化模型法、投影法和数据拟合法混合使用以提高降阶模型的构造精度和效率。
(2)采集满足关键信息的初始样本点通过自适应更新模型来优化降阶模型。
5.根据权利要求1所述的一种基于动力学方法的滚动轴承数字孪生建模技术,所述的步骤7中,构建目标方程,其特征在于,
(1)采用集中质量的动力学方程的建模方式
(2)考虑轴承内圈和外圈的位移量
(3)基于Hertz接触理论计算载荷。
6.根据权利要求1所述的一种基于动力学方法的滚动轴承数字孪生建模技术,所述的步骤10中,误差分析,其特征在于,优化目标方程的过程的前提需要对仿真信号和实测信号进行对比,误差阈值函数构造如下:
R(p,um)=fD(V,um)-fT(V,um)
其中,fD和fM分别是数字系统和物理实体系统基于速度V和负载umx所对应的参数方程。
误差R(p,um)被最小化时,最佳拟合输入参数最终实现目标方程的实时更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011499141.4A CN112487584A (zh) | 2020-12-03 | 2020-12-03 | 一种基于动力学的滚动轴承数字孪生建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011499141.4A CN112487584A (zh) | 2020-12-03 | 2020-12-03 | 一种基于动力学的滚动轴承数字孪生建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112487584A true CN112487584A (zh) | 2021-03-12 |
Family
ID=74914634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011499141.4A Pending CN112487584A (zh) | 2020-12-03 | 2020-12-03 | 一种基于动力学的滚动轴承数字孪生建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112487584A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113221280A (zh) * | 2021-05-14 | 2021-08-06 | 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 |
CN113247041A (zh) * | 2021-05-12 | 2021-08-13 | 上海工程技术大学 | 一种基于数字孪生模型的轮对轴箱装置状态监测方法 |
CN113353284A (zh) * | 2021-06-29 | 2021-09-07 | 贵州理工学院 | 一种纵列双旋翼无人植保系统、构建方法、介质、计算机 |
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 |
CN113515848A (zh) * | 2021-05-13 | 2021-10-19 | 三一重型装备有限公司 | 矿山设备的结构设计优化方法、系统和可读存储介质 |
CN113567132A (zh) * | 2021-09-01 | 2021-10-29 | 郑州轻工业大学 | 基于数字孪生技术的电机滚动轴承故障模型构建方法 |
CN113569475A (zh) * | 2021-07-21 | 2021-10-29 | 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 |
CN113591383A (zh) * | 2021-08-02 | 2021-11-02 | 大连理工大学 | 面向多保真度数据的数字孪生建模方法及预测系统 |
CN113673171A (zh) * | 2021-08-30 | 2021-11-19 | 上海大学 | 一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法 |
CN113868898A (zh) * | 2021-11-29 | 2021-12-31 | 联想新视界(北京)科技有限公司 | 基于数字孪生模型的数据处理方法及装置 |
CN114154360A (zh) * | 2021-10-19 | 2022-03-08 | 徐州圣邦机械有限公司 | 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法 |
CN114155624A (zh) * | 2021-11-26 | 2022-03-08 | 湖南华菱湘潭钢铁有限公司 | 一种轧制联轴器的应力数字孪生体的构建方法 |
CN114281029A (zh) * | 2021-10-29 | 2022-04-05 | 新疆金风科技股份有限公司 | 风力发电机的数字孪生系统和方法 |
CN114297946A (zh) * | 2022-02-08 | 2022-04-08 | 无锡雪浪数制科技有限公司 | 一种实现多学科仿真模型降阶的工业互联网平台 |
CN114326492A (zh) * | 2021-12-20 | 2022-04-12 | 中国科学院上海高等研究院 | 一种流程工业设备的数字孪生虚实联动系统 |
CN114383847A (zh) * | 2022-03-23 | 2022-04-22 | 西南交通大学 | 一种基于数字孪生的滚动轴承全寿命状态监测方法 |
CN114719962A (zh) * | 2022-04-12 | 2022-07-08 | 重庆大学 | 基于机器学习的机械振动数字孪生模型构建方法 |
CN114757047A (zh) * | 2022-04-28 | 2022-07-15 | 西安交通大学 | 一种轴承钢材料m50合金的多尺度建模计算方法 |
CN115685896A (zh) * | 2022-09-08 | 2023-02-03 | 北京中佳瑞通科技有限公司 | 一种基于数字孪生技术的工业控制方法和系统 |
CN115758615A (zh) * | 2022-11-26 | 2023-03-07 | 宝钢工程技术集团有限公司 | 一种基于连铸设备有限元仿真模型的数字孪生实现方法 |
CN116540561A (zh) * | 2023-05-10 | 2023-08-04 | 中国标准化研究院 | 一种变频器装置的数字孪生建模方法 |
DE102022103394A1 (de) | 2022-02-14 | 2023-08-17 | Hiwin Technologies Corp. | Verfahren und System zur Digital-Twin-Modellierung |
CN117744455A (zh) * | 2024-02-21 | 2024-03-22 | 大连理工大学 | 考虑加载偏差的试验数字孪生体动态校正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190090840A1 (en) * | 2017-09-28 | 2019-03-28 | General Electric Company | X-ray tube bearing failure prediction using digital twin analytics |
CN110530638A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 |
CN110532626A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承剩余寿命预测方法 |
CN111339706A (zh) * | 2020-03-09 | 2020-06-26 | 西北工业大学 | 基于pod的转子-轴承系统模型二次降阶方法 |
CN111684160A (zh) * | 2018-02-05 | 2020-09-18 | 施乐百有限公司 | 用于优化风扇或风扇布置的效率和/或运行性能的方法 |
-
2020
- 2020-12-03 CN CN202011499141.4A patent/CN112487584A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190090840A1 (en) * | 2017-09-28 | 2019-03-28 | General Electric Company | X-ray tube bearing failure prediction using digital twin analytics |
CN111684160A (zh) * | 2018-02-05 | 2020-09-18 | 施乐百有限公司 | 用于优化风扇或风扇布置的效率和/或运行性能的方法 |
CN110530638A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 |
CN110532626A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承剩余寿命预测方法 |
CN111339706A (zh) * | 2020-03-09 | 2020-06-26 | 西北工业大学 | 基于pod的转子-轴承系统模型二次降阶方法 |
Non-Patent Citations (1)
Title |
---|
董韵佳: "基于动力学仿真和迁移学习的滚动轴承故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113247041A (zh) * | 2021-05-12 | 2021-08-13 | 上海工程技术大学 | 一种基于数字孪生模型的轮对轴箱装置状态监测方法 |
CN113515848A (zh) * | 2021-05-13 | 2021-10-19 | 三一重型装备有限公司 | 矿山设备的结构设计优化方法、系统和可读存储介质 |
CN113221280A (zh) * | 2021-05-14 | 2021-08-06 | 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 |
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 |
CN113353284A (zh) * | 2021-06-29 | 2021-09-07 | 贵州理工学院 | 一种纵列双旋翼无人植保系统、构建方法、介质、计算机 |
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 |
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 |
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 |
CN113569475A (zh) * | 2021-07-21 | 2021-10-29 | 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 |
CN113591383A (zh) * | 2021-08-02 | 2021-11-02 | 大连理工大学 | 面向多保真度数据的数字孪生建模方法及预测系统 |
CN113591383B (zh) * | 2021-08-02 | 2024-05-24 | 大连理工大学 | 面向多保真度数据的数字孪生建模方法及预测系统 |
CN113673171A (zh) * | 2021-08-30 | 2021-11-19 | 上海大学 | 一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法 |
CN113673171B (zh) * | 2021-08-30 | 2023-11-14 | 上海大学 | 一种基于历史数据驱动和机器学习的对接机构数字孪生试验系统及其运行方法 |
CN113567132A (zh) * | 2021-09-01 | 2021-10-29 | 郑州轻工业大学 | 基于数字孪生技术的电机滚动轴承故障模型构建方法 |
CN114154360B (zh) * | 2021-10-19 | 2023-12-01 | 徐州圣邦机械有限公司 | 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法 |
CN114154360A (zh) * | 2021-10-19 | 2022-03-08 | 徐州圣邦机械有限公司 | 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法 |
CN114281029A (zh) * | 2021-10-29 | 2022-04-05 | 新疆金风科技股份有限公司 | 风力发电机的数字孪生系统和方法 |
CN114155624A (zh) * | 2021-11-26 | 2022-03-08 | 湖南华菱湘潭钢铁有限公司 | 一种轧制联轴器的应力数字孪生体的构建方法 |
CN114155624B (zh) * | 2021-11-26 | 2023-10-24 | 湖南华菱湘潭钢铁有限公司 | 一种轧制联轴器的应力数字孪生体的构建方法 |
CN113868898A (zh) * | 2021-11-29 | 2021-12-31 | 联想新视界(北京)科技有限公司 | 基于数字孪生模型的数据处理方法及装置 |
CN114326492A (zh) * | 2021-12-20 | 2022-04-12 | 中国科学院上海高等研究院 | 一种流程工业设备的数字孪生虚实联动系统 |
CN114326492B (zh) * | 2021-12-20 | 2023-09-01 | 中国科学院上海高等研究院 | 一种流程工业设备的数字孪生虚实联动系统 |
CN114297946A (zh) * | 2022-02-08 | 2022-04-08 | 无锡雪浪数制科技有限公司 | 一种实现多学科仿真模型降阶的工业互联网平台 |
DE102022103394A1 (de) | 2022-02-14 | 2023-08-17 | Hiwin Technologies Corp. | Verfahren und System zur Digital-Twin-Modellierung |
CN114383847B (zh) * | 2022-03-23 | 2022-07-12 | 西南交通大学 | 一种基于数字孪生的滚动轴承全寿命状态监测方法 |
CN114383847A (zh) * | 2022-03-23 | 2022-04-22 | 西南交通大学 | 一种基于数字孪生的滚动轴承全寿命状态监测方法 |
CN114719962B (zh) * | 2022-04-12 | 2023-09-01 | 重庆大学 | 基于机器学习的机械振动数字孪生模型构建方法 |
CN114719962A (zh) * | 2022-04-12 | 2022-07-08 | 重庆大学 | 基于机器学习的机械振动数字孪生模型构建方法 |
CN114757047A (zh) * | 2022-04-28 | 2022-07-15 | 西安交通大学 | 一种轴承钢材料m50合金的多尺度建模计算方法 |
CN114757047B (zh) * | 2022-04-28 | 2024-04-02 | 西安交通大学 | 一种轴承钢材料m50合金的多尺度建模计算方法 |
CN115685896A (zh) * | 2022-09-08 | 2023-02-03 | 北京中佳瑞通科技有限公司 | 一种基于数字孪生技术的工业控制方法和系统 |
CN115758615A (zh) * | 2022-11-26 | 2023-03-07 | 宝钢工程技术集团有限公司 | 一种基于连铸设备有限元仿真模型的数字孪生实现方法 |
CN115758615B (zh) * | 2022-11-26 | 2024-03-12 | 宝钢工程技术集团有限公司 | 一种基于连铸设备有限元仿真模型的数字孪生实现方法 |
CN116540561A (zh) * | 2023-05-10 | 2023-08-04 | 中国标准化研究院 | 一种变频器装置的数字孪生建模方法 |
CN116540561B (zh) * | 2023-05-10 | 2023-10-20 | 中国标准化研究院 | 一种变频器装置的数字孪生建模方法 |
CN117744455A (zh) * | 2024-02-21 | 2024-03-22 | 大连理工大学 | 考虑加载偏差的试验数字孪生体动态校正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112487584A (zh) | 一种基于动力学的滚动轴承数字孪生建模方法 | |
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 | |
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
Hu et al. | Digital twin: A state-of-the-art review of its enabling technologies, applications and challenges | |
Lai et al. | Designing a shape–performance integrated digital twin based on multiple models and dynamic data: a boom crane example | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
Liu et al. | Data super-network fault prediction model and maintenance strategy for mechanical product based on digital twin | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
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 | |
CN110348752B (zh) | 一种考虑环境干扰的大型工业系统结构安全性评估方法 | |
CN109785180A (zh) | 一种面向数字孪生车间的场景感知系统及方法 | |
Wang et al. | Online bearing fault diagnosis using numerical simulation models and machine learning classifications | |
Zhao et al. | Multiscale graph-guided convolutional network with node attention for intelligent health state diagnosis of a 3-PRR planar parallel manipulator | |
Zheng et al. | Fault diagnosis system of bridge crane equipment based on fault tree and Bayesian network | |
CN112508373B (zh) | 一种基于数字孪生技术的船用柴油机性能评估方法 | |
CN113378329A (zh) | 基于数字孪生的轴向柱塞泵状态监测方法 | |
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 | |
Dong et al. | Digital twin-assisted multiscale residual-self-attention feature fusion network for hypersonic flight vehicle fault diagnosis | |
CN116561681A (zh) | 一种基于数字孪生的融合型故障诊断方法 | |
Lu et al. | Digital twin-based operation simulation system and application framework for electromechanical products | |
Ma et al. | A collaborative central domain adaptation approach with multi-order graph embedding for bearing fault diagnosis under few-shot samples | |
Liu et al. | Prediction study of the heavy vehicle driving state based on digital twin model | |
CN113868803A (zh) | 机理模型和动态数据联合驱动的“云-边”结合数字孪生方法 | |
Wei et al. | Manufacturing data-driven process adaptive design method | |
CN117170310A (zh) | 一种基于数字孪生的数控机床远程故障诊断方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210312 |
|
WD01 | Invention patent application deemed withdrawn after publication |