CN112818490B - 一种云边架构的装备数字孪生平行仿真系统及方法 - Google Patents
一种云边架构的装备数字孪生平行仿真系统及方法 Download PDFInfo
- Publication number
- CN112818490B CN112818490B CN202110291916.7A CN202110291916A CN112818490B CN 112818490 B CN112818490 B CN 112818490B CN 202110291916 A CN202110291916 A CN 202110291916A CN 112818490 B CN112818490 B CN 112818490B
- Authority
- CN
- China
- Prior art keywords
- equipment
- model
- degradation
- digital twin
- data
- 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
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Abstract
本发明公开了一种云边架构的装备数字孪生平行仿真系统及方法,包括获得真实装备的状态数据,并对所述状态数据进行预处理;对预处理后的状态数据进行特征提取,确定反映真实装备性能的退化特征量;根据退化特征量数据构建真实装备的数字孪生模型,数字孪生模型与真实装备同步运行,并随退化特征量数据的变化进行模型参数演化或模型参数与模型形态协同演化;通过数字孪生模型获得真实装备的RUL。本发明能对装备部件的性能退化过程进行精密分析,真实反映装备的退化情况,准确预测装备的RUL。
Description
技术领域
本发明涉及仿真领域,尤其涉及一种云边架构的装备数字孪生平行仿真系统。
背景技术
在机械装备领域中,轴承、齿轮箱等部件应用广泛且属于关键部件,这些部件的失效将导致整个机械装备停机,因此往往利用这些部件的性能退化过程来分析、衡量机械装备的健康状态。这些关键部件除了经历正常连续退化过程外,由于装备转运、人为损伤、腐蚀等因素的影响会对装备性能退化过程附加随机离散冲击,因此这些关键部件的退化过程是典型的混合退化过程,冲击发生后,对装备性能将造成不可逆的损伤,在退化特征量上表现为退化特征量突然增大或者减小,尔后装备又表现出较为稳定的连续退化模式。然而现有技术中对装备部件的性能退化过程的分析不够精密,无法真实反映机械装备的退化情况。
发明内容
本发明为了解决以上问题,提供了一种云边架构的装备数字孪生平行仿真系统及方法。
为实现上述目的,本发明所采用的技术方案如下:
一种云边架构的装备数字孪生平行仿真方法,包括:
获得真实装备的状态数据,并对所述状态数据进行预处理;
对预处理后的状态数据进行特征提取,确定反映真实装备性能的退化特征量;
根据退化特征量数据构建真实装备的数字孪生模型,数字孪生模型与真实装备同步运行,并随退化特征量数据的变化进行模型参数演化或模型参数与模型形态协同演化;
通过数字孪生模型获得真实装备的RUL。
可选的,所述获得真实装备的状态数据,并对所述状态数据进行预处理包括:通过传感器获得真实装备的状态数据,即装备观测数据,通过边缘处理系统对获得的状态数据进行降噪、异常值剔除以及缺失数据补偿,同时所述边缘处理系统根据获得的状态数据对真实装备进行应急预警分析。
可选的,所述对预处理后的状态数据进行特征提取,确定反映真实装备性能的退化特征量包括:将预处理后的状态数据形成特征量数据集{Di|i=1,2,...m},Di表示全部传感器的第i个观测值,Di=(di1 di2...din),其中,din表示特征量n的第i个观测值,针对n个特征量进行特征提取,确定获得反映真实装备性能的退化特征量v和退化特征量观测数据集D={div|i=1,2,...m}。
可选的,所述根据退化特征量数据构建真实装备的数字孪生模型包括:
将前s项退化特征量观测数据div(i=1,2,...s)注入模型自动选择环节,所述模型自动选择环节包括:将前s项退化特征量观测数据div(i=1,2,...m)注入初始退化模型库中所有的初始退化模型,利用模型验证理论,对初始退化模型进行验证和优化,确定与退化特征量观测数据匹配的初始退化模型,匹配初始退化模型完成后将包含前s项退化特征量观测数据的数据集D={div|i=1,2,...s}以及匹配的初始退化模型一同注入模型动态演化环节;
所述模型动态演化环节包括:对输入的包含前s项退化特征量观测数据的数据集D={div|i=1,2,...s}利用奇异值检测方法对装备退化过程中是否存在冲击进行判断,若不存在冲击,则进行模型参数演化,结合匹配的初始退化模型,获得真实装备的数字孪生模型,并应用该模型对下一观测数据d(s+1)v进行预测,将预测结果p(s+1)写入预测数据集P;
若存在冲击,则进行模型参数与模型形态协同演化,结合匹配的初始退化模型,获得真实装备的数字孪生模型,并应用该模型对下一观测数据d(s+1)v进行预测,将预测结果p(s+1)写入预测数据集P。
可选的,所述随退化特征量数据的变化进行模型参数演化或模型参数与模型形态协同演化包括:当超过s项的退化特征观测值注入系统后,将该观测值写入退化特征量观测数据集D={d(s+q)v|q=1,2,...},并计算与退化特征量预测数据集P之间的均方误差r,若r小于给定的阈值t,则对退化特征量观测数据集进行是否存在冲击的判断,然后根据观测数据是否存在冲击对数字孪生模型进行参数演化或形态与参数协同演化,实时修正数字孪生模型,使用修正后的数字孪生模型预测下一观测值p(s+q)(q=2,3,...),并写入观测数据集P;若r大于给定的阈值t,则将最近的s个退化特征量观测数据注入初始退化模型库中所有的初始退化模型,匹配新的初始退化模型,进而生成新的数字孪生模型。
可选的,通过所述数字孪生模型获得真实装备的RUL包括:以数字孪生模型为基础,依据剩余寿命的解析表达式和装备失效阈值,实时在线的预测装备的RUL。
一种云边架构的装备数字孪生平行仿真系统,包括:
装备边缘处理系统、装备数字孪生系统以及装备辅助维修系统;
其中,所述装备边缘处理系统部署于装备现场,用于接收并处理采集到的装备退化数据,并将处理后的装备退化数据传送至所述装备数字孪生系统;
所述装备数字孪生系统部署在云端,接收并根据所述装备边缘处理系统处理后的装备退化数据生成所述装备数字孪生模型,以实现对实际装备的RUL预测;
所述装备辅助维修系统根据RUL预测结果制订维修方案,并进行仿真推演。
可选的,所述接收并根据所述装备边缘处理系统处理后的装备退化数据生成所述实际装备数字孪生模型包括:将前s项退化特征量观测数据div(i=1,2,...s)注入模型自动选择环节,所述模型自动选择环节包括:将前s项退化特征量观测数据div(i=1,2,...m)注入初始退化模型库中所有的初始退化模型,利用模型验证理论,对初始退化模型进行验证和优化,确定与退化特征量观测数据匹配的初始退化模型,匹配初始退化模型完成后将包含前s项退化特征量观测数据的数据集D={div|i=1,2,...s}以及匹配的初始退化模型一同注入模型动态演化环节;
所述模型动态演化环节包括:对输入的包含前s项退化特征量观测数据的数据集D={div|i=1,2,...s}利用奇异值检测方法对装备退化过程中是否存在冲击进行判断,若不存在冲击,则进行模型参数演化,结合匹配的初始退化模型,获得真实装备的数字孪生模型,并应用该模型对下一观测数据d(s+1)v进行预测,将预测结果p(s+1)写入预测数据集P;
若存在冲击,则进行模型参数与模型形态协同演化,结合匹配的初始退化模型,获得真实装备的数字孪生模型,并应用该模型对下一观测数据d(s+1)v进行预测,将预测结果p(s+1)写入预测数据集P;
当超过s项的退化特征观测值注入系统后,将该观测值写入退化特征量观测数据集D={d(s+q)v|q=1,2,...},并计算与退化特征量预测数据集P之间的均方误差r,若r小于给定的阈值t,则对退化特征量观测数据集进行是否存在冲击的判断,然后根据观测数据是否存在冲击对数字孪生模型进行参数演化或形态与参数协同演化,实时修正数字孪生模型,使用修正后的数字孪生模型预测下一观测值p(s+q)(q=2,3,...),并写入观测数据集P;若r大于给定的阈值t,则将最近的s个退化特征量观测数据注入初始退化模型库中所有的初始退化模型,匹配新的初始退化模型,进而生成新的数字孪生模型。
可选的,所述实现对所述实际装备的RUL预测包括:以数字孪生模型为基础,依据剩余寿命的解析表达式和装备失效阈值,实时在线的预测装备的RUL。
本发明与现有技术相比,所取得的技术进步在于:
系统在结构上采用云边架构,传感器采集装备状态信息,边缘处理系统对装备状态进行预处理,部署于云端的装备数字孪生系统对数据集中处理,实现对装备退化特性的仿真,并在线预测装备剩余寿命,同时,在数据的驱动下进行模型演化,不断修正数字孪生模型,并使用修正后的数字孪生模型完成装备剩余寿命预测。
在处理过程中采用平行仿真的理念,针对装备建立其数字孪生模型,使二者平行运行、双向交互,数字孪生模型在装备数据的驱动下不断演变,无限趋近装备实际状态,数字孪生模型的仿真结果以直接和间接方式反作用于装备,提升装备作战与保障特性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1为本发明装备数字孪生平行仿真方法的流程图。
图2为本发明模型自动选择环节和模型动态演化环节流程图。
图3为本发明装备数字孪生平行仿真系统示意图。
图4为本发明状态感知终端节点系统总体构成图。
图5为本发明装备边缘处理系统节点系统构成图。
图6为本发明装备数字孪生系统节点系统构成图。
图7为本发明装备辅助维修系统节点系统构成图。
具体实施方式
下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
如图1所示,本发明公开了一种云边架构的装备数字孪生平行仿真方法,包括。
SO1:获得真实装备的状态数据,并对所述状态数据进行预处理;
S02:对预处理后的状态数据进行特征提取,确定反映真实装备性能的退化特征量;
S03:根据退化特征量数据构建真实装备的数字孪生模型,数字孪生模型与真实装备同步运行,并随退化特征量数据的变化进行模型参数演化或模型参数与模型形态协同演化;
S04:通过数字孪生模型获得真实装备的RUL。
具体的,S01包括:通过传感器获得真实装备的状态数据,在本实施例中,传感器包括加速度传感器、力传感器、热电偶、液压缸压力、调压器、联轴器、扭矩测量仪、减速器、转矩传感器、交流电机、NIDAQ数据采集卡、温度传感器、红外传感器等等,由于传感器如温度传感器、振动传感器、压力传感器等都有一定的测量精度和分辨率,所以由传感器提供的状态信息不一定是准确无误的,因此需要边缘处理系统对获得的状态数据进行降噪、异常值剔除以及缺失数据补偿,在本实施例中边缘处理系统是具有一定计算能力的嵌入式计算设备,能够以RS232、ModBus等多种现场总线协议接收装备采集的数据,同时边缘处理系统根据获得的状态数据对真实装备进行应急预警分析,同时,支持多种物联网典型传输协议,如AMQP、MQTT等,能把处理后的数据传输到装备数字孪生系统。
S02至S04包括:如图2所示,在装备数字孪生系统中将预处理后的状态数据形成特征量数据集{Di|i=1,2,...m},Di表示全部传感器的第i个观测值,Di=(di1 di2...din),其中,din表示特征量n的第i个观测值,针对n个特征量进行特征提取,确定获得反映真实装备性能的退化特征量v和退化特征量观测数据集D={div|i=1,2,...m}。
将将前s项退化特征量观测数据div(i=1,2,...s)注入模型自动选择环节,具体的,模型自动选择环节包括:将前s项退化特征量观测数据div(i=1,2,...m)注入初始退化模型库中所有的初始退化模型,利用模型验证理论,对初始退化模型进行验证和优化,确定与退化特征量观测数据匹配的初始退化模型,匹配初始退化模型完成后将包含前s项退化特征量观测数据的数据集D={div|i=1,2,...s}以及匹配的初始退化模型一同注入模型动态演化环节。本实施例采用的模型库为Wiener过程和Gamma过程结合生成的模型库,具体的,因为Wiener过程和Gamma过程是最常用的随机过程,但后者适合于描述具有严格单调特征的退化过程,适用条件过于苛刻,而Wiener过程适宜描述具有增加或减少趋势的非单调退化过程。因此,在数字孪生模型建模中将SSM建模法和Wiener过程结合起来,构建基于Wiener过程的状态空间模型(Wiener Based SSM,WBSSM)是一种合理选择。将SSM和Wiener过程结合在一起构建装备退化SSM既有利于装备退化状态估计,也有利于刻画装备退化规律。本发明所提出和涉及的数字孪生模型模型构建、模型动态演化、基于数字孪生模型的装备剩余寿命实时预测都是以基于WBSSM的仿真建模为基础的利用模型验证理论,对初始退化模型进行验证和优化,例如在本实施例中,模型预测值与观测值的累积均方误差最小,确定满足模型选择标准的模型作为系统的初始退化模型。
模型动态演化环节包括:对输入的包含前s项退化特征量观测数据的数据集D={div|i=1,2,...s}利用奇异值检测方法对装备退化过程中是否存在冲击进行判断,若不存在冲击,则进行模型参数演化,结合匹配的初始退化模型,获得真实装备的数字孪生模型,并应用该模型对下一观测数据d(s+1)v进行预测,将预测结果p(s+1)写入预测数据集P;
若存在冲击,则进行模型参数与模型形态协同演化,结合匹配的初始退化模型,获得真实装备的数字孪生模型,并应用该模型对下一观测数据d(s+1)v进行预测,将预测结果p(s+1)写入预测数据集P。
超过s项的退化特征观测值注入系统后,将该观测值写入退化特征量观测数据集D={d(s+q)v|q=1,2,...},并计算与退化特征量预测数据集P之间的均方误差r,若r小于给定的阈值t,则对退化特征量观测数据集进行是否存在冲击的判断,然后根据观测数据是否存在冲击对数字孪生模型进行参数演化或形态与参数协同演化,实时修正数字孪生模型,使用修正后的数字孪生模型预测下一观测值p(s+q)(q=2,3,...),并写入观测数据集P;若r大于给定的阈值t,则将最近的s个退化特征量观测数据注入初始退化模型库中所有的初始退化模型,匹配新的初始退化模型,进而生成新的数字孪生模型。
同时,如图3所示,本实施例还公开一种云边架构的装备数字孪生平行仿真系统,具体的包括:装备边缘处理系统、装备数字孪生系统以及装备辅助维修系统;
其中,装备边缘处理系统部署于实际装备上,用于接收并处理与实际装备连接的传感器采集到的装备退化数据,并将处理后的装备退化数据传送至装备数字孪生系统,同样的,在本实施例中,传感器包括加速度传感器、力传感器、热电偶、液压缸压力、调压器、联轴器、扭矩测量仪、减速器、转矩传感器、交流电机、NIDAQ数据采集卡、温度传感器、红外传感器等等,由于传感器如温度传感器、振动传感器、压力传感器等都有一定的测量精度和分辨率,所以由传感器提供的状态信息不一定是准确无误的。除此之外,如果利用多传感器组或者网络化传感器对装备状态进行监测就必须对多源数据进行融合处理,才能传输到边缘处理系统生成准确的数字孪生模型边缘处理系统对获得的状态数据进行降噪、异常值剔除以及缺失数据补偿,在本实施例中边缘处理系统是具有一定计算能力的嵌入式计算设备,能够以RS232、ModBus等多种现场总线协议接收装备采集的数据,同时边缘处理系统根据获得的状态数据对真实装备进行应急预警分析,同时,具有多种物联网典型传输协议,如AMQP、MQTT等,能把处理后的数据传输到装备数字孪生系统。
装备数字孪生系统部署在云端,接收并根据装备边缘处理系统处理后的装备退化数据生成实际装备数字孪生模型,生成数字孪生模型过程以上已公开,在本实施例中不再赘述,通过数字孪生模型实现对实际装备的RUL预测,并根据RUL预测结果仿真推演制订维修方案;装备数字孪生系统根据RUL预测结果,并结合维修安全性、经济性、任务性等维修要求/原则和以往维修经验,科学制定维修方案。在高效仿真引擎控制下,装备辅助维修系统对维修方案进行仿真推演,经迭代后得到最优维修方案。装备辅助维修系统将最优维修方案反馈给装备维护人员,根据维修方案,开展装备部组件检查、更换以及备件订购等维修活动。
为实现RUL预测仿真系统设计目标,提出以通信层为基础实现节点间互联,各节点通过资源层、服务层和工具层实现节点功能的层次化体系结构,系统总体构成如图4所示。通信层包含节点间互联所使用的通信协议,资源层包含支撑节点运行的各类资源库,服务层对节点运行的各个环节进行支持,包括资源服务、运行支撑服务等,工具层包含节点运行所需的仿真工具、系统管理工具等。根据系统各节点功能的需求,这些功能模块分别运行于系统的一个或多个节点上,各节点详细设计如下:
1.装备状态感知终端
如图4所示,装备状态感知终端即传感器的核心功能是感知装备退化状态,并将退化数据发送给装备边缘处理系统。为尽量减少系统部署对实际装备的影响,该节点仅部署用于装备状态特征感知的传感器,其管理和维护工作由装备边缘处理系统完成,因此,该节点仅包含通信层和服务层。
(1)通信层
传感器与装备边缘处理系统互联,通过传感器网络实现退化数据的传输,其通信层主要包含传感器网络通信协议、移动通信网络协议、短距离无线通信协议等。
(2)服务层
传感器的服务层用于支持传感器的状态感知,主要是运行支撑服务,包括时钟管理、运行控制等。
2.装备边缘处理系统
如图5所示,装备边缘处理系统是实装数据进入仿真系统的通道,该节点完成装备状态数据的接收、存储、预处理和状态监测数据的发送等功能。
(1)通信层
装备边缘处理系统一方面与传感器互联,接收装备状态感知数据,另一方面与装备数字孪生平行仿真系统互联,发送状态监测数据。因此,装备边缘处理系统的通信层可使用的通信协议有传感器网络通信协议、移动通信网络协议、短距离无线通信协议、互联网通信协议等。
(2)资源层
装备边缘处理系统的资源层主要是支撑节点功能实现的资源库,包括噪声模型库、降噪算法库、装备退化特征库、系统运行数据库、系统运行规则库等,为状态数据的接收、预处理提供模型、数据支撑。
(3)服务层
装备边缘处理系统的服务层主要包括算法资源服务以支持数据降噪处理中的噪声模型匹配、降噪算法选择,数据资源服务提供装备状态感知数据存储、系统运行数据存储等,运行支撑服务为节点运行提供运行保障,如时钟管理、运行控制、资源调度和异常管理等。
(4)工具层
装备边缘处理系统的工具层提供节点功能实现工具和系统管理工具,包括用户管理工具、数据采集工具、感知数据预处理工具等。
1)用户管理工具:保证节点运行的安全性和稳定性,包括身份验证、权限管理、运行管理等,运行管理主要包括运行日志、运行数据备份/恢复等。
2)数据采集工具:一方面通过传感器网络对传感器感知数据的采集和传输进行管理和维护,另一方面完成装备边缘处理系统对感知数据的接收和存储。
3)退化数据预处理工具:完成装备退化数据处理,得到反映装备退化状态的特征量,为驱动仿真模型动态演化提供实时数据支持,主要工具包括退化数据读取、异常值处理、降噪处理、退化特征提取等。
3.装备数字孪生系统
如图6所示,装备数字孪生系统部署于装备保障仿真中心的云服务器上,是RUL预测仿真系统的核心功能实现节点,该节点完成装备退化仿真模型的动态演化、装备剩余寿命的实时预测、装备维修方案生成、装备维修方案推演,为装备的视情维修提供支撑。
(1)通信层
装备数字孪生系统一方面与装备边缘处理系统使用AMQP协议互联,接收装备状态监测数据,另一方面支持装备辅助维修系统通过ICA远程桌面对仿真系统进行访问,获取仿真结果。因此,装备数字孪生平行仿真系统的通信层主要包含两类通信协议:AMQP通信协议和ICA远程桌面通信协议。
(2)资源层
装备数字孪生系统的资源层包括孪生模型生成、演化、运行所需的资源库,以及负责维护节点运行的基础资源库,由装备退化模型库、装备退化数据库、系统运行数据库、系统运行规则库等构成,给仿真模型构建、模型动态演化、剩余寿命实时预测提供模型、数据、案例支撑。
(3)服务层
装备数字孪生系统的服务层用于支持节点建模与仿真环节的运行,具体包括模型资源服务以支持模型调度、模型存储,数据资源服务提供装备历史退化数据并支持装备退化数据存储、系统运行数据存储等,运行支撑服务为整个系统运行提供运行保障,如引擎服务、时钟管理、运行控制、资源调度、数据分发和异常管理等。
(4)工具层
装备数字孪生系统的工具层为系统提供建模仿真工具和系统管理工具,包括用户管理工具、模型加载工具、仿真模型演化工具、仿真预测工具、平行执行管理工具、维修决策工具、仿真推演工具、仿真优化工具等。
1)用户管理工具:保证节点运行的安全性和稳定性,包括身份验证、权限管理、运行管理等,运行管理主要包括运行日志、运行数据备份/恢复等。
2)模型加载工具:根据装备退化模式,从模型库中选择合适模型,并对调度的模型进行实例化与设置模型参数即模型初始化,从而将仿真模型加载至仿真平台中,完成模型部署。
3)仿真模型演化工具:以获取的装备退化特征序列为数据驱动源,自适应调整仿真模型参数即实现模型参数演化以校正模型输出,使得仿真输出不断逼近装备真实退化状态,提高仿真逼真度,或者根据模型切换判据,动态切换模型形态,实现模型形态、参数协同演化,提高模型准确度,从而减少预测误差,提高仿真预测准确性。
4)仿真预测工具:利用仿真模型实现对装备剩余寿命的有效预测,包括仿真数据获取、剩余寿命概率密度函数解算和剩余寿命期望值计算,为装备维护人员制定维修方案提供准确数据支持。
5)平行执行管理工具:运行于装备仿真节点,主要包括支撑系统运行和各功能要素交互的核心机制,如引擎管理、运行监控、可视化等,保证仿真系统与实际装备始终同时运行、虚实互动。
4.装备辅助维修系统
如图7所示,装备辅助维修系统通过访问装备数字孪生系统对维修方案的执行过程和执行效果进行推演。装备辅助维修系统部署于装备现场,是RUL预测仿真系统对外提供服务的节点,是系统效益和价值的体现,该节点通过远程桌面获取装备维修方案,为装备的视情维修提供支撑。
(1)通信层
装备辅助维修系统通过互联网或移动通信网与装备数字孪生系统进行通信,获取装备剩余寿命预测结果。因此,装备辅助维修系统的通信层主要包含互联网通信协议、移动通信网络协议等。
(2)资源层
装备复杂维修终端的资源层包括进行维修方案生成和推演的资源库,以及负责维护节点运行的基础资源库,主要由装备维修方案库、装备维修记录库、方案优化算法库、方案生成算法库、系统运行数据库、系统运行规则库等构成,给维修方案生成、维修方案推演提供算法、数据、案例支撑。
(3)服务层
装备辅助维修系统的服务层主要用于支持剩余寿命预测数据获取、装备维修方案生成、装备维修方案推演、装备维修情况记录等功能的实现,具体包括数据资源服务提供装备历史维修数据并装备维修方案的存储、装备实际维修情况的录入、系统运行数据的存储等,仿真资源服务以支持维修方案生成、维修方案推演,运行支撑服务为辅助维修系统的运行提供保障,包括时钟管理、运行控制和异常管理等。
(4)工具层装备复杂维修终端的工具层主要为系统提供建模仿真工具和系统管理工具,主要包括用户管理工具、维修决策工具、仿真推演工具和仿真最优化工具。
1)用户管理工具:保证节点运行的安全性和稳定性,包括身份验证、权限管理、运行管理等,运行管理主要包括运行日志、运行数据备份/恢复等。
2)维修决策工具:根据仿真预测信息,以及维修决策的特定要求如经济性维修决策、任务性维修决策、安全性维修决策等,对涉及的维修要素进行建模,形成维修要素仿真实体,并调用对应的维修决策模型,形成多种维修方案。
3)仿真推演工具:对各维修方案配置方案参数即维修方案初始化,同时配置各维修要素仿真实体参数即实体初始化,以并行仿真引擎为支撑执行多方案并行仿真推演。
4)仿真最优化工具:在执行仿真推演的同时,对各方案建立决策目标函数,选择特定的优化算法对方案进行在线优化,进而对各方案的推演结果进行评估,得到最优的决策方案。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明权利要求保护的范围之内。
Claims (5)
1.一种云边架构的装备数字孪生平行仿真方法,其特征在于,包括:
获得真实装备的状态数据,并对所述状态数据进行预处理;
对预处理后的状态数据进行特征提取,确定反映真实装备性能的退化特征量,其包括:将预处理后的状态数据形成特征量数据集{Di|i=1,2,...m},Di表示全部传感器的第i个观测值,Di=(di1 di2...din),其中,din表示特征量n的第i个观测值,针对n个特征量进行特征提取,确定获得反映真实装备性能的退化特征量v和退化特征量观测数据集D={div|i=1,2,...m};
根据退化特征量数据构建真实装备的数字孪生模型,数字孪生模型与真实装备同步运行,并随退化特征量数据的变化进行模型参数演化或模型参数与模型形态协同演化,其包括:将前s项退化特征量观测数据div(i=1,2,...s)注入模型自动选择环节,所述模型自动选择环节包括:将前s项退化特征量观测数据div(i=1,2,...m)注入初始退化模型库中所有的初始退化模型,利用模型验证理论,对初始退化模型进行验证和优化,确定与退化特征量观测数据匹配的初始退化模型,匹配初始退化模型完成后将包含前s项退化特征量观测数据的数据集D={div|i=1,2,...s}以及匹配的初始退化模型一同注入模型动态演化环节;
所述模型动态演化环节包括:对输入的包含前s项退化特征量观测数据的数据集D={div|i=1,2,...s}利用奇异值检测方法对装备退化过程中是否存在冲击进行判断,若不存在冲击,则进行模型参数演化,结合匹配的初始退化模型,获得真实装备的数字孪生模型,并应用该模型对下一观测数据d(s+1)v进行预测,将预测结果p(s+1)写入预测数据集P;
若存在冲击,则进行模型参数与模型形态协同演化,结合匹配的初始退化模型,获得真实装备的数字孪生模型,并应用该模型对下一观测数据d(s+1)v进行预测,将预测结果p(s+1)写入预测数据集P;
当超过s项的退化特征观测值注入系统后,将该观测值写入退化特征量观测数据集D={d(s+q)v|q=1,2,...},并计算与退化特征量预测数据集P之间的均方误差r,若r小于给定的阈值t,则对退化特征量观测数据集进行是否存在冲击的判断,然后根据观测数据是否存在冲击对数字孪生模型进行参数演化或形态与参数协同演化,实时修正数字孪生模型,使用修正后的数字孪生模型预测下一观测值p(s+q)(q=2,3,...),并写入观测数据集P;若r大于给定的阈值t,则将最近的s个退化特征量观测数据注入初始退化模型库中所有的初始退化模型,匹配新的初始退化模型,进而生成新的数字孪生模型;
通过数字孪生模型获得真实装备的RUL。
2.根据权利要求1所述的云边架构的装备数字孪生平行仿真方法,其特征在于:
所述获得真实装备的状态数据,并对所述状态数据进行预处理包括:通过传感器获得真实装备的状态数据,即装备观测数据,通过边缘处理系统对获得的状态数据进行降噪、异常值剔除以及缺失数据补偿,同时所述边缘处理系统根据获得的状态数据对真实装备进行应急预警分析。
3.根据权利要求2所述的云边架构的装备数字孪生平行仿真方法,其特征在于:通过所述数字孪生模型获得真实装备的RUL包括:以数字孪生模型为基础,依据剩余寿命的解析表达式和装备失效阈值,实时在线的预测装备的RUL。
4.一种云边架构的装备数字孪生平行仿真系统,其特征在于,包括:
装备边缘处理系统、装备数字孪生系统以及装备辅助维修系统;
其中,所述装备边缘处理系统部署于装备现场,用于接收并处理采集到的装备退化数据,并将处理后的装备退化数据传送至所述装备数字孪生系统;
所述装备数字孪生系统部署在云端,接收并根据所述装备边缘处理系统处理后的装备退化数据生成装备数字孪生模型,所述装备数字孪生模型包括:将前s项退化特征量观测数据div(i=1,2,...s)注入模型自动选择环节,所述模型自动选择环节包括:将前s项退化特征量观测数据div(i=1,2,...s)注入初始退化模型库中所有的初始退化模型,利用模型验证理论,对初始退化模型进行验证和优化,确定与退化特征量观测数据匹配的初始退化模型,匹配初始退化模型完成后将包含前s项退化特征量观测数据的数据集D={div|i=1,2,...s}以及匹配的初始退化模型一同注入模型动态演化环节;
所述模型动态演化环节包括:对输入的包含前s项退化特征量观测数据的数据集D={div|i=1,2,...s}利用奇异值检测方法对装备退化过程中是否存在冲击进行判断,若不存在冲击,则进行模型参数演化,结合匹配的初始退化模型,获得真实装备的数字孪生模型,并应用该模型对下一观测数据d(s+1)v进行预测,将预测结果p(s+1)写入预测数据集P;
若存在冲击,则进行模型参数与模型形态协同演化,结合匹配的初始退化模型,获得真实装备的数字孪生模型,并应用该模型对下一观测数据d(s+1)v进行预测,将预测结果p(s+1)写入预测数据集P;
当超过s项的退化特征观测值注入系统后,将该观测值写入退化特征量观测数据集D={d(s+q)v|q=1,2,...},并计算与退化特征量预测数据集P之间的均方误差r,若r小于给定的阈值t,则对退化特征量观测数据集进行是否存在冲击的判断,然后根据观测数据是否存在冲击对数字孪生模型进行参数演化或形态与参数协同演化,实时修正数字孪生模型,使用修正后的数字孪生模型预测下一观测值p(s+q)(q=2,3,...),并写入观测数据集P;若r大于给定的阈值t,则将最近的s个退化特征量观测数据注入初始退化模型库中所有的初始退化模型,匹配新的初始退化模型,进而生成新的数字孪生模型,以实现对实际装备的RUL预测;
所述装备辅助维修系统根据RUL预测结果制订维修方案,并进行仿真推演。
5.根据权利要求4所述的云边架构的装备数字孪生平行仿真系统,其特征在于:
所述实现对实际装备的RUL预测包括:以数字孪生模型为基础,依据剩余寿命的解析表达式和装备失效阈值,实时在线的预测装备的RUL。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291916.7A CN112818490B (zh) | 2021-03-18 | 2021-03-18 | 一种云边架构的装备数字孪生平行仿真系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291916.7A CN112818490B (zh) | 2021-03-18 | 2021-03-18 | 一种云边架构的装备数字孪生平行仿真系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818490A CN112818490A (zh) | 2021-05-18 |
CN112818490B true CN112818490B (zh) | 2022-02-01 |
Family
ID=75863428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110291916.7A Active CN112818490B (zh) | 2021-03-18 | 2021-03-18 | 一种云边架构的装备数字孪生平行仿真系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818490B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567858A (zh) * | 2021-07-30 | 2021-10-29 | 北京航空航天大学 | 控制力矩陀螺剩余寿命预测系统 |
CN113757223B (zh) * | 2021-09-06 | 2023-11-03 | 江苏徐工工程机械研究院有限公司 | 液压部件可靠性分析方法和系统、计算机装置和存储介质 |
CN113810953B (zh) * | 2021-09-08 | 2023-06-27 | 重庆邮电大学 | 一种基于数字孪生的无线传感网络资源调度方法及系统 |
CN114417549B (zh) * | 2021-11-29 | 2023-09-22 | 天津大学 | 一种基于超级计算机的数字孪生目标场数据处理系统 |
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 |
CN115277443B (zh) * | 2022-06-30 | 2023-10-03 | 北京航空航天大学 | 一种考虑自主性与协同性的物联网系统可靠性建模方法 |
CN116227248B (zh) * | 2023-05-10 | 2023-07-07 | 长江三峡集团实业发展(北京)有限公司 | 重力储能系统的数字孪生体构建方法、装置及电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286572A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | Digital twin of twinned physical system |
CN110414033B (zh) * | 2019-05-31 | 2023-04-18 | 太原理工大学 | 结合边缘计算和数字孪生的机械设备预测性维护方法 |
CN110532626B (zh) * | 2019-07-31 | 2021-01-19 | 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 |
CN111857065B (zh) * | 2020-06-08 | 2023-06-20 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
CN112100155B (zh) * | 2020-09-09 | 2023-05-23 | 北京航空航天大学 | 一种云边协同的数字孪生模型组装与融合方法 |
CN112200493A (zh) * | 2020-11-02 | 2021-01-08 | 傲林科技有限公司 | 一种数字孪生模型构建方法及装置 |
-
2021
- 2021-03-18 CN CN202110291916.7A patent/CN112818490B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112818490A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818490B (zh) | 一种云边架构的装备数字孪生平行仿真系统及方法 | |
Wang et al. | Fault prognostics using dynamic wavelet neural networks | |
EP3699711A1 (en) | System for predicting equipment failure events and optimizing manufacturing operations | |
Hu et al. | Reinforcement learning-driven maintenance strategy: A novel solution for long-term aircraft maintenance decision optimization | |
CN112418455B (zh) | 一种设备故障预测与健康管理系统 | |
Friederich et al. | Towards data-driven reliability modeling for cyber-physical production systems | |
Salunkhe et al. | Prediction of Remaining Useful Life of mechanical components-a Review | |
CN114911206A (zh) | 一种基于物联网的选煤厂智能化预测维护系统 | |
CN112906775A (zh) | 一种设备故障预测方法及系统 | |
Abbate et al. | Maintenance Digital Twin using vibration data | |
Liu et al. | Machine learning-based stochastic subspace identification method for structural modal parameters | |
CN104081298B (zh) | 用于自动化和/或电气工程项目中的工作流程的自动化操控的系统和方法 | |
Kim et al. | A data-driven indirect estimation of machine parameters for smart production systems | |
CN116227248B (zh) | 重力储能系统的数字孪生体构建方法、装置及电子设备 | |
Xin et al. | Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications | |
CN111489027A (zh) | 一种水电机组波形数据趋势预测方法及其系统 | |
Kim et al. | A study toward appropriate architecture of system-level prognostics: physics-based and data-driven approaches | |
Deng et al. | Joint optimization in condition-based maintenance and inventory policy for the repairable system | |
CN112581031B (zh) | 一种c语言实现递归神经网络(rnn)对电机异常进行实时监控的方法 | |
EP3413153A1 (en) | Method and distributed control system for carrying out an automated industrial process | |
Wang et al. | Condition monitoring for predictive maintenance | |
Krupp et al. | A Hybrid Framework for Bearing Fault Diagnosis using Physics-guided Neural Networks | |
KR20210100399A (ko) | 인공 지능을 이용한 가공품질 예측 시스템 및 방법 | |
Xin et al. | Run-time probabilistic model checking for failure prediction: A smart lift case study | |
Preethesh et al. | Feasibility Study of Digital Twin in Automotive Industry—Trends and Challenges |
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 |