CN113221277B - 一种基于数字孪生模型的轴承性能退化评估方法及系统 - Google Patents

一种基于数字孪生模型的轴承性能退化评估方法及系统 Download PDF

Info

Publication number
CN113221277B
CN113221277B CN202110528136.XA CN202110528136A CN113221277B CN 113221277 B CN113221277 B CN 113221277B CN 202110528136 A CN202110528136 A CN 202110528136A CN 113221277 B CN113221277 B CN 113221277B
Authority
CN
China
Prior art keywords
bearing
digital twin
model
time
performance degradation
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
Application number
CN202110528136.XA
Other languages
English (en)
Other versions
CN113221277A (zh
Inventor
曹宏瑞
王磊
乔百杰
陈雪峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110528136.XA priority Critical patent/CN113221277B/zh
Publication of CN113221277A publication Critical patent/CN113221277A/zh
Application granted granted Critical
Publication of CN113221277B publication Critical patent/CN113221277B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/28—Fuselage, exterior or interior
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于数字孪生模型的轴承性能退化评估方法及系统，采用轴承数字孪生模型对服役工况下不同健康状态轴承的振动响应信号进行仿真计算；提取能表征轴承损伤程度的特征指标；获取轴承实际退化过程振动数据，并从中提取能表征损伤程度的特征指标；构建迁移长短时记忆网络，利用仿真和实际获取数据训练TLSTM模型，得到当前轴承健康状态指标，对轴承性能退化状态进行评估；当轴承健康状态指标HI连续m次超过报警阈值时报警。本发明利用与实际轴承同步更新的数字孪生模型仿真得到的轴承退化数据，既能获得高信噪比轴承退化数据，提高轴承评估精度，又能避免深度学习模型需要大量标签数据的问题。

Description

一种基于数字孪生模型的轴承性能退化评估方法及系统
技术领域
本发明属于机械系统状态监测与健康管理技术领域，具体涉及一种基于数字孪生模型的轴承性能退化评估方法及系统。
背景技术
轴承是风电、高速列车、航空发动机等重大装备的核心部件，其健康服役是装备整机运行安全的重要保障。由于轴承服役环境复杂、运行工况多变，导致事故频发，运行维护成本居高不下，严重影响装备的可靠性和经济性。分别以风电和高铁两个行业为例进行说明。风电轴承长期工作在转速波动、载荷交变、低速重载等服役环境下，故障多发、维护困难。我国陆上风电机组维护成本占总收入 10％～15％，海上风场翻倍。风电的运维成本居高不下主要是由风电装备的运维模式决定的，目前多数风场采用定时检修的方法，潜在的轴承损伤等故障不能被及时发现，而完好设备的重复检修也会增加运维成本。我国高铁动车组技术已达到国际领先水平，运营里程居世界第一。然而，目前维护成本超过运行成本的20％，对于包含轴箱轴承、齿轮箱轴承、牵引电机轴承的转向架一次维护成本至少在20 万元以上。综上，轴承状态监测与健康管理，是风电、轨道交通、航空航天等行业的迫切需求。
轴承状态监测与健康管理包含以下几部分内容：数据获取、健康指标(HI) 构建、健康阶段(HS)划分、剩余寿命(RUL)预测。其中HI构建的好坏对于定量评估轴承性能退化程度具有极其重要的影响。传统以统计指标评估轴承健康状态的方法容易受到轴承个体差异以及运行工况等的影响。近年来以大数据分析为中心的人工智能技术在轴承性能退化评估领域取得了很多的成果，其典型代表就是基于深度学习的方法。然而，基于深度学习的轴承性能退化评估方法需要大量带有标签的训练样本，而在实际工业场景中，获取大量的标签样本成本十分高昂。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于数字孪生模型的轴承性能退化评估方法及系统，在轴承运行过程中实时评估轴承健康状态。
本发明采用以下技术方案：
一种基于数字孪生模型的轴承性能退化评估方法，包括以下步骤：
S1、构建服役状态下轴承数字孪生模型，使用正常轴承运行数据对轴承数字孪生模型进行更新与修正；
S2、利用步骤S1构建的轴承数字孪生模型对服役工况下不同健康状态轴承的振动响应信号进行仿真计算，对不同健康状态轴承进行标注，构建正常和损伤状态轴承数字孪生数据库；
S3、从步骤S2构建的正常和损伤状态轴承数字孪生数据库中提取表征轴承损伤程度的特征指标；
S4、构建迁移长短时记忆网络，利用步骤S3得到的表征轴承损伤程度特征指标对迁移长短时记忆网络进行训练，得到预训练的孪生轴承性能退化评估模型；
S5、获取轴承实际退化过程振动数据，并从轴承实际退化过程振动数据中提取表征损伤大小的特征指标，结合步骤S3得到的表征轴承损伤程度的特征指标和实际退化过程振动数据对步骤S4中建立的孪生轴承性能退化评估模型进行迁移更新，并将实际轴承退化数据输入更新的模型得到当前轴承健康状态指标HI，对轴承性能退化状态进行评估。
具体的，步骤S1中，构建轴承数字孪生模型具体为：
S101、查询轴承的几何、材料参数，实时获取轴承运行过程中工况信息和振动加速度信号；
S102、对步骤S101实时获取的信号进行降噪处理，并通过FFT将信号变换到频域；
S103、依据步骤S101中得到的轴承几何、材料参数以及物理作用关系，建立轴承动力学仿真模型；
S104、将工况/环境参数实时输入步骤S103建立的轴承动力学仿真模型中，得到轴承数字孪生模型实时振动响应，并通过FFT将信号变换到频域；
S105、将步骤S104变换到频域的信号与步骤S102降噪后实测结果进行对比，计算主要频率幅值的偏差值；
S106、根据步骤S105计算的偏差值，对轴承动力学仿真模型的径向和轴向间隙，轴承座的刚度和阻尼参数进行调整和修正，获得实时同步更新的轴承数字孪生模型。
具体的，步骤S2中，按0～1区间的数字对不同健康状态轴承进行标注。
具体的，步骤S3中，采用二代小波对正常和损伤状态轴承数字孪生数据库中的振动信号进行分解，并计算不同尺度信号的时域和频域特征。
具体的，步骤S4中，迁移长短时记忆网络的遗忘门输出ft、输入门输出it、输出门输出ot，以及单元状态Ct、单元输出状态ht、候选单元状态
Figure BDA0003066838440000031
具体为：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure BDA0003066838440000041
Figure BDA0003066838440000042
ot＝σ(Wo·[ht-1,xt]+bO)
ht＝ot*tanh(Ct)
其中，{Wf,Wi,WC,Wo}为权重矩阵，{bf,bi,bC,bo}为偏置向量，ht-1为t-1时刻单元输出状态，xt为目标域样本，σ和tanh为sigmoid激活函数和tanh激活函数。
进一步的，迁移长短时记忆网络的损失函数Ltotal如下：
Ltotal＝LMSE+LMMD+LCORAL
其中，LMSE、LMMD、LCORAL分别表示预测MSE误差、MMD损失、CORAL 损失。
更进一步的，预测MSE误差LMSE具体为：
Figure BDA0003066838440000043
其中，m表示训练集的批次大小，yi表示真实健康状态，
Figure BDA0003066838440000044
表示估计健康状态。
更进一步的，MMD损失LMMD具体为：
Figure BDA0003066838440000045
其中，Ns表示源域样本数量，Nt表示目标域样本数量，xsi,xsj表示第i,j个源域样本特征，xti,xtj表示第i,j个目标域样本特征，xsi,xtj表示第i个源域样本特征，第j个目标域样本，k(·,·)表示核函数。
更进一步的，CORAL损失LCORAL具体为：
Figure BDA0003066838440000051
其中，d表示特征维度，Cs表示源域特征协方差矩阵，Ct表示目标域特征协方差矩阵，F表示Frobenius范数。
本发明的另一技术方案是，一种基于数字孪生模型的轴承性能退化评估系统，包括：
构建模块，构建服役状态下轴承数字孪生模型，使用正常轴承运行数据对轴承数字孪生模型进行更新与修正；
仿真模块，利用构建模块构建的轴承数字孪生模型对服役工况下不同健康状态轴承的振动响应信号进行仿真计算，对不同健康状态轴承进行标注，构建正常和损伤状态轴承数字孪生数据库；
提取模块，从仿真模块构建的正常和损伤状态轴承数字孪生数据库中提取表征轴承损伤程度的特征指标；
训练模块，构建迁移长短时记忆网络，利用提取模块得到的表征轴承损伤程度特征指标对迁移长短时记忆网络进行训练，得到预训练的孪生轴承性能退化评估模型；
评估模块，获取轴承实际退化过程振动数据，并从轴承实际退化过程振动数据中提取表征损伤大小的特征指标，结合提取模块得到的表征轴承损伤程度的特征指标和实际退化过程振动数据对训练模块中建立的孪生轴承性能退化评估模型进行迁移更新，并将实际轴承退化数据输入更新的模型得到当前轴承健康状态指标HI，对轴承性能退化状态进行评估。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于数字孪生模型的轴承性能退化评估方法，以高保真轴承数字孪生模型为基础，以迁移深度学习模型为手段，提供了一种基于数字孪生模型的轴承性能退化评估方法；利用轴承数字孪生模型产生训练样本，获得的样本不包含噪声，能更准确地反映不同损伤状态下，提高寿命评估模型的精度。此外，不需要大量带有标签的实际轴承退化样本。
进一步的，步骤S1构建轴承数字孪生模型能够与物理实体同步更新，为 TLSTM模型提供训练数据，并提高其评估精度。
进一步的，步骤S2中按0～1区间的数字对不同健康状态轴承进行标注设置，能够直观地反映轴承健康状态，并且有利于机器学习算法对不同轴承地健康状态进行归一化学习。
进一步的，轴承在运行的不同阶段，故障引发的振动信号能量在不同频带上分布不同。步骤S3中采用二代小波对正常和损伤状态轴承数字孪生数据库中的振动信号进行分解，并计算不同尺度信号的时域和频域特征，能够提取更多包含故障信息的特征，保障TLSTM模型评估的精度。
进一步的，步骤S4中，迁移长短时记忆网络的遗忘门输出ft决定了上一时刻的单元状态有多少保留到当前时刻、输入门输出it决定了当前时刻网络的输入有多少保存到单元状态、输出门输出ot控制单元状态有多少输出到LSTM单元的当前输出值，单元状态Ct保存长期的状态、单元输出状态ht输出当前单元信息、候选单元状态
Figure BDA0003066838440000061
确定当前单元信息多少保存到单元状态。LSTM单元能够在输入振动特征和HI序列之间的映射过程中利用与时间相关信息，从而提高寿命评估的精度。
进一步的，迁移长短时记忆网络的损失函数包括预测MSE误差、MMD损失、 CORAL损失，并通过反向传播算法更新权重，能够兼顾数字孪生模型知识以及其与实际轴承数据知识的差异，从而将仿真数据学习的评估知识迁移到实际轴承评估中。
进一步的，预测MSE误差LMSE，通过反向传播算法，从而学习振动特征与 HI的非线性映射关系。
进一步的，MMD损失LMMD是迁移学习，尤其是域适应中使用最广泛的一种损失函数，主要用来度量两个不同但相关的分布的距离。通过反向传播算法，使源域与目标域样本分布MMD最小，从而使TLSTM从目标域提取的特征与源域特征差异最小，从而将孪生模型学习的性能评估知识迁移到实际轴承。
进一步的，CORAL损失LCORAL主要用来对齐源域和目标域数据的二阶协方差矩阵，通过反向传播算法，从而将孪生模型学习的性能评估知识迁移到实际轴承。
综上所述，本发明提出的基于数字孪生模型的轴承性能退化评估方法，利用与实际轴承同步更新的数字孪生模型仿真得到的轴承退化数据，既能获得高信噪比轴承退化数据，提高轴承评估精度，又能避免深度学习模型需要大量标签数据的问题。通过本发明所述方法，能够准确、实时地输出轴承剩余寿命预测结果，使得相关人员能够对高端设备的轴承运行现状进行准确的把握，从而防止重大事故的发生，并且根据轴承的寿命信息，规划设备的维修活动，防止轴承“欠维护”与“过维护”，降低设备维护成本。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明总体流程图；
图2为LSTM单元结构图；
图3为轴承性能退化评估示意图；
图4为轴承1-5性能退化评估示意图；
图5为轴承2-5性能退化评估示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于数字孪生模型的轴承性能退化评估方法，公开了基于数字孪生模型的轴承性能退化评估方法。该方法首先构建能够与真实运行轴承保持实时同步更新的数字孪生模型；采用轴承数字孪生模型，对服役工况下不同健康状态轴承的振动响应信号进行仿真计算；从仿真信号中提取能表征轴承损伤程度的特征指标；利用振动加速度传感器获取轴承实际退化过程振动数据，并从振动数据中提取能表征损伤程度的特征指标；构建迁移长短时记忆(TLSTM)网络，利用仿真和实际获取数据训练TLSTM模型，并将实际数据输入训练好的网络中，得到当前轴承健康状态指标(HI)，对轴承性能退化状态进行评估；设立报警阈值(D)，当轴承健康状态指标HI连续m次超过报警阈值D时报警。本发明提出的基于数字孪生模型的轴承性能退化评估方法，利用与实际轴承同步更新的数字孪生模型仿真得到的轴承退化数据，既能获得高信噪比轴承退化数据，提高轴承评估精度，又能避免深度学习模型需要大量标签数据的问题。
请参阅图1，本发明一种基于数字孪生模型的轴承性能退化评估方法，首先构建能够与真实运行轴承保持实时同步更新的数字孪生模型，获取服役工况下不同健康状态轴承的振动响应信号；构建TLSTM网络，利用仿真和实际获取数据训练TLSTM模型，并将实际数据输入训练好的网络中，得到当前轴承健康状态指标(HI)，实时评估轴承健康状态。具体步骤如下：
S1、构建能够与真实运行轴承保持实时同步更新的轴承数字孪生模型，获取服役工况下不同健康状态轴承的振动响应信号，根据振动加速度传感器采集的正常轴承运行数据对轴承数字孪生模型进行更新与修正；
构建轴承数字孪生模型具体为：
S101、查询轴承的几何、材料参数等，采用转速传感器、载荷传感器、振动加速度传感器实时获取轴承运行过程中工况信息和振动加速度信号；
S102、采用但不限于基于小波变换的降噪、基于经验模式分解的降噪方法对实测信号进行降噪处理，并通过FFT将信号变换到频域。
S103、依据步骤S101中测量、查询到的参数以及物理作用关系，建立轴承动力学仿真模型，包括但不限于Gupta轴承动力学模型；
S104、将工况/环境参数实时输入到轴承动力学仿真模型中，得到轴承数字孪生模型实时振动响应，并通过FFT将信号变换到频域；
S105、将步骤S104得到模型的仿真计算结果与步骤S102降噪后实测结果进行对比，计算二者主要频率幅值的偏差；
S106、根据S104中计算出的偏差值，采用但不限于贝叶斯方法(包括扩展卡尔曼滤波/无迹卡尔曼滤波/粒子滤波算法等)对轴承动力学仿真模型的径向和轴向间隙，轴承座的刚度和阻尼等参数进行调整和修正，从而获得实时同步更新的轴承数字孪生模型。
S2、采用步骤S1构建的轴承数字孪生模型对服役工况下不同健康状态轴承的振动响应信号进行仿真计算，按0～1区间的数字对不同健康状态轴承进行标注，构建正常和损伤状态轴承数字孪生数据库；
S3、从步骤S2构建的正常和损伤状态轴承数字孪生数据库中提取能表征轴承损伤程度的特征指标；
采用二代小波对振动信号进行分解，并计算不同尺度信号的时域和频域特征。
S4、构建迁移长短时记忆(TLSTM)网络，利用步骤S3得到的特征指标对 TLSTM模型进行训练，得到预训练孪生轴承性能退化评估模型；
构建迁移长短时记忆(TLSTM)网络如下：
请参阅图2，LSTM单元构建如下：
ft＝σ(Wf·[ht-1,xt]+bf) (1)
it＝σ(Wi·[ht-1,xt]+bi) (2)
Figure BDA0003066838440000111
Figure BDA0003066838440000112
ot＝σ(Wo·[ht-1,xt]+bO) (5)
ht＝ot*tanh(Ct) (6)
其中，{Wf,Wi,WC,Wo}为权重矩阵，{bf,bi,bC,bo}为偏置向量，σ和tanh为sigmoid 激活函数和tanh激活函数，ft、it、ot、为遗忘门、输入门、输出门输出。Ct、ht、
Figure BDA0003066838440000113
为单元状态、单元输出、候选单元状态。
确定迁移长短时记忆(TLSTM)网络的损失函数如下：
Figure BDA0003066838440000114
Figure BDA0003066838440000115
Figure BDA0003066838440000116
Figure BDA0003066838440000117
Figure BDA0003066838440000118
Ltotal＝LMSE+LMMD+LCORAL (12)
其中，m表示训练集的批次大小，d表示特征维度，xs、xt、y、
Figure BDA0003066838440000119
表示源域样本、目标域样本、真实HI、预测HI。Ltotal、LMSE、LMMD、LCORAL表示总的损失函数、预测MSE误差、MMD损失、CORAL损失。
S5、利用振动加速度传感器获取轴承实际退化过程振动数据，并从振动数据中提取能表征损伤大小的特征指标，结合步骤S3得到特征指标和实际轴承退化数据对步骤S4中建立的模型进行迁移更新，并将实际轴承退化数据输入更新的模型得到当前轴承健康状态指标HI，对轴承性能退化状态进行评估；
S6、设立报警阈值(D)，当轴承健康状态指标HI连续m次超过报警阈值D 时报警。
本发明再一个实施例中，提供一种基于数字孪生模型的轴承性能退化评估系统，该系统能够用于实现上述基于数字孪生模型的轴承性能退化评估，具体的，该基于数字孪生模型的轴承性能退化评估系统包括构建模块、仿真模块、提取模块、训练模块以及评估模块。
其中，构建模块，构建服役状态下轴承数字孪生模型，使用正常轴承运行数据对轴承数字孪生模型进行更新与修正；
仿真模块，利用构建模块构建的轴承数字孪生模型对服役工况下不同健康状态轴承的振动响应信号进行仿真计算，对不同健康状态轴承进行标注，构建正常和损伤状态轴承数字孪生数据库；
提取模块，从仿真模块构建的正常和损伤状态轴承数字孪生数据库中提取表征轴承损伤程度的特征指标；
训练模块，构建迁移长短时记忆网络，利用提取模块得到的表征轴承损伤程度特征指标对迁移长短时记忆网络进行训练，得到预训练的孪生轴承性能退化评估模型；
评估模块，获取轴承实际退化过程振动数据，并从轴承实际退化过程振动数据中提取表征损伤大小的特征指标，结合提取模块得到的表征轴承损伤程度的特征指标和实际退化过程振动数据对训练模块中建立的孪生轴承性能退化评估模型进行迁移更新，并将实际轴承退化数据输入更新的模型得到当前轴承健康状态指标HI，对轴承性能退化状态进行评估。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于数字孪生模型的轴承性能退化评估的操作，包括：
构建服役状态下轴承数字孪生模型，使用正常轴承运行数据对轴承数字孪生模型进行更新与修正；利用轴承数字孪生模型对服役工况下不同健康状态轴承的振动响应信号进行仿真计算，对不同健康状态轴承进行标注，构建正常和损伤状态轴承数字孪生数据库；从构建的正常和损伤状态轴承数字孪生数据库中提取表征轴承损伤程度的特征指标；构建迁移长短时记忆网络，利用表征轴承损伤程度特征指标对迁移长短时记忆网络进行训练，得到预训练的孪生轴承性能退化评估模型；获取轴承实际退化过程振动数据，并从轴承实际退化过程振动数据中提取表征损伤大小的特征指标，结合表征轴承损伤程度的特征指标和实际退化过程振动数据对建立的孪生轴承性能退化评估模型进行迁移更新，并将实际轴承退化数据输入更新的模型得到当前轴承健康状态指标HI，对轴承性能退化状态进行评估。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器 (non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于数字孪生模型的轴承性能退化评估方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
构建服役状态下轴承数字孪生模型，使用正常轴承运行数据对轴承数字孪生模型进行更新与修正；利用轴承数字孪生模型对服役工况下不同健康状态轴承的振动响应信号进行仿真计算，对不同健康状态轴承进行标注，构建正常和损伤状态轴承数字孪生数据库；从构建的正常和损伤状态轴承数字孪生数据库中提取表征轴承损伤程度的特征指标；构建迁移长短时记忆网络，利用表征轴承损伤程度特征指标对迁移长短时记忆网络进行训练，得到预训练的孪生轴承性能退化评估模型；获取轴承实际退化过程振动数据，并从轴承实际退化过程振动数据中提取表征损伤大小的特征指标，结合表征轴承损伤程度的特征指标和实际退化过程振动数据对建立的孪生轴承性能退化评估模型进行迁移更新，并将实际轴承退化数据输入更新的模型得到当前轴承健康状态指标HI，对轴承性能退化状态进行评估。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图3，虚线为轴承真实健康状态，实线为轴承评估健康状态。获取所述轴承评估健康状态过程为，将实时获取真实轴承振动特征与数值孪生仿真振动特征训练构建好的迁移长短时记忆网络，并将真实轴承振动特征输入到模型中，网络输出即为轴承评估健康状态。当轴承健康状态指标HI连续m次超过报警阈值D时报警，此时则需要更换轴承，以免发生灾难性事故。
以公开数据XJTU-SY轴承数据作为分析案例，选用1-5，2-5轴承进行说明。采用本发明和原始LSTM方法(分别用真实轴承1-1、1-2、1-3，2-1、2-2、2-3 作为训练数据)对轴承1-5、2-5进行性能退化评估。结果分别如图4和图5所示，从图中可以看出本发明的方法更接近轴承真实健康状态，说明本发明对轴承评估精度的更高，且不需要历史数据作为训练数据。
综上所述，本发明一种基于数字孪生模型的轴承性能退化评估方法及系统，利用与实际轴承同步更新的数字孪生模型仿真得到的轴承退化数据，既能获得高信噪比轴承退化数据，提高轴承评估精度，又能避免深度学习模型需要大量标签数据的问题。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和 /或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.一种基于数字孪生模型的轴承性能退化评估方法，其特征在于，包括以下步骤：
S1、构建服役状态下轴承数字孪生模型，使用正常轴承运行数据对轴承数字孪生模型进行更新与修正，构建轴承数字孪生模型具体为：
S101、查询轴承的几何、材料参数，实时获取轴承运行过程中工况信息和振动加速度信号；
S102、对步骤S101实时获取的信号进行降噪处理，并通过FFT将信号变换到频域；
S103、依据步骤S101中得到的轴承几何、材料参数以及物理作用关系，建立轴承动力学仿真模型；
S104、将工况/环境参数实时输入步骤S103建立的轴承动力学仿真模型中，得到轴承数字孪生模型实时振动响应，并通过FFT将信号变换到频域；
S105、将步骤S104变换到频域的信号与步骤S102降噪后实测结果进行对比，计算主要频率幅值的偏差值；
S106、根据步骤S105计算的偏差值，对轴承动力学仿真模型的径向和轴向间隙，轴承座的刚度和阻尼参数进行调整和修正，获得实时同步更新的轴承数字孪生模型；
S2、利用步骤S1构建的轴承数字孪生模型对服役工况下不同健康状态轴承的振动响应信号进行仿真计算，对不同健康状态轴承进行标注，构建正常和损伤状态轴承数字孪生数据库；
S3、从步骤S2构建的正常和损伤状态轴承数字孪生数据库中提取表征轴承损伤程度的特征指标；
S4、构建迁移长短时记忆网络，利用步骤S3得到的表征轴承损伤程度特征指标对迁移长短时记忆网络进行训练，得到预训练的孪生轴承性能退化评估模型；
S5、获取轴承实际退化过程振动数据，并从轴承实际退化过程振动数据中提取表征损伤大小的特征指标，结合步骤S3得到的表征轴承损伤程度的特征指标和实际退化过程振动数据对步骤S4中建立的孪生轴承性能退化评估模型进行迁移更新，并将实际轴承退化数据输入更新的模型得到当前轴承健康状态指标HI，对轴承性能退化状态进行评估。
2.根据权利要求1所述的基于数字孪生模型的轴承性能退化评估方法，其特征在于，步骤S2中，按0～1区间的数字对不同健康状态轴承进行标注。
3.根据权利要求1所述的基于数字孪生模型的轴承性能退化评估方法，其特征在于，步骤S3中，采用二代小波对正常和损伤状态轴承数字孪生数据库中的振动信号进行分解，并计算不同尺度信号的时域和频域特征。
4.根据权利要求1所述的基于数字孪生模型的轴承性能退化评估方法，其特征在于，步骤S4中，迁移长短时记忆网络的遗忘门输出ft、输入门输出it、输出门输出ot，以及单元状态Ct、单元输出状态ht、候选单元状态
Figure FDA0003874944310000021
具体为：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure FDA0003874944310000022
Figure FDA0003874944310000023
ot＝σ(Wo·[ht-1,xt]+bO)
ht＝ot*tanh(Ct)
其中，{Wf,Wi,WC,Wo}为权重矩阵，{bf,bi,bC,bo}为偏置向量，ht-1为t-1时刻单元输出状态，xt为目标域样本，σ和tanh为sigmoid激活函数和tanh激活函数。
5.根据权利要求4所述的基于数字孪生模型的轴承性能退化评估方法，其特征在于，迁移长短时记忆网络的损失函数Ltotal如下：
Ltotal＝LMSE+LMMD+LCORAL
其中，LMSE、LMMD、LCORAL分别表示预测MSE误差、MMD损失、CORAL损失。
6.根据权利要求5所述的基于数字孪生模型的轴承性能退化评估方法，其特征在于，预测MSE误差LMSE具体为：
Figure FDA0003874944310000031
其中，m表示训练集的批次大小，yi表示真实健康状态，
Figure FDA0003874944310000032
表示估计健康状态。
7.根据权利要求5所述的基于数字孪生模型的轴承性能退化评估方法，其特征在于，MMD损失LMMD具体为：
Figure FDA0003874944310000033
其中，Ns表示源域样本数量，Nt表示目标域样本数量，xsi,xsj表示第i,j个源域样本特征，xti,xtj表示第i,j个目标域样本特征，xsi,xtj表示第i个源域样本特征，第j个目标域样本，k(·,·)表示核函数。
8.根据权利要求5所述的基于数字孪生模型的轴承性能退化评估方法，其特征在于，CORAL损失LCORAL具体为：
Figure FDA0003874944310000034
其中，d表示特征维度，Cs表示源域特征协方差矩阵，Ctar表示目标域特征协方差矩阵，F表示Frobenius范数。
9.一种基于数字孪生模型的轴承性能退化评估系统，其特征在于，包括：
构建模块，构建服役状态下轴承数字孪生模型，使用正常轴承运行数据对轴承数字孪生模型进行更新与修正，构建轴承数字孪生模型具体为：
查询轴承的几何、材料参数，实时获取轴承运行过程中工况信息和振动加速度信号；对实时获取的信号进行降噪处理，并通过FFT将信号变换到频域；依据得到的轴承几何、材料参数以及物理作用关系，建立轴承动力学仿真模型；将工况/环境参数实时输入建立的轴承动力学仿真模型中，得到轴承数字孪生模型实时振动响应，并通过FFT将信号变换到频域；将变换到频域的信号与降噪后实测结果进行对比，计算主要频率幅值的偏差值；根据计算的偏差值，对轴承动力学仿真模型的径向和轴向间隙，轴承座的刚度和阻尼参数进行调整和修正，获得实时同步更新的轴承数字孪生模型；
仿真模块，利用构建模块构建的轴承数字孪生模型对服役工况下不同健康状态轴承的振动响应信号进行仿真计算，对不同健康状态轴承进行标注，构建正常和损伤状态轴承数字孪生数据库；
提取模块，从仿真模块构建的正常和损伤状态轴承数字孪生数据库中提取表征轴承损伤程度的特征指标；
训练模块，构建迁移长短时记忆网络，利用提取模块得到的表征轴承损伤程度特征指标对迁移长短时记忆网络进行训练，得到预训练的孪生轴承性能退化评估模型；
评估模块，获取轴承实际退化过程振动数据，并从轴承实际退化过程振动数据中提取表征损伤大小的特征指标，结合提取模块得到的表征轴承损伤程度的特征指标和实际退化过程振动数据对训练模块中建立的孪生轴承性能退化评估模型进行迁移更新，并将实际轴承退化数据输入更新的模型得到当前轴承健康状态指标HI，对轴承性能退化状态进行评估。
CN202110528136.XA 2021-05-14 2021-05-14 一种基于数字孪生模型的轴承性能退化评估方法及系统 Active CN113221277B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110528136.XA CN113221277B (zh) 2021-05-14 2021-05-14 一种基于数字孪生模型的轴承性能退化评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110528136.XA CN113221277B (zh) 2021-05-14 2021-05-14 一种基于数字孪生模型的轴承性能退化评估方法及系统

Publications (2)

Publication Number Publication Date
CN113221277A CN113221277A (zh) 2021-08-06
CN113221277B true CN113221277B (zh) 2022-12-09

Family

ID=77091939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110528136.XA Active CN113221277B (zh) 2021-05-14 2021-05-14 一种基于数字孪生模型的轴承性能退化评估方法及系统

Country Status (1)

Country Link
CN (1) CN113221277B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688519B (zh) * 2021-08-20 2023-11-21 贵州电网有限责任公司 一种多能源系统数字孪生模型精度在线校验方法
CN113887125A (zh) * 2021-08-31 2022-01-04 哈尔滨工业大学 一种复杂仿真系统运行有效性评估方法
CN113984416A (zh) * 2021-09-09 2022-01-28 中车青岛四方机车车辆股份有限公司 转向架的检测数据处理方法、装置、设备及可读存储介质
CN113779724B (zh) * 2021-09-13 2022-07-22 江苏仅一联合智造有限公司 一种充填包装机故障智能预测方法及其系统
CN114002332B (zh) * 2021-09-29 2023-07-25 西安交通大学 一种结构损伤监测预警方法及结构完整性数字孪生系统
CN113886973B (zh) * 2021-10-25 2023-04-18 江苏远望仪器集团有限公司 基于虚实映射的船舶航速处理方法、装置及处理设备
CN114705432B (zh) * 2022-06-06 2022-09-02 新黎明科技股份有限公司 防爆电机轴承健康状态评估方法及系统
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
CN115310228B (zh) * 2022-08-09 2023-06-27 重庆大学 基于数字孪生的齿轮修形设计方法
CN115310227B (zh) * 2022-08-09 2023-06-16 重庆大学 齿轮动力传播数字孪生模型构建方法
CN115859837B (zh) * 2023-02-23 2023-05-16 山东大学 基于数字孪生建模的风机叶片动态冲击检测方法及系统
CN116306289B (zh) * 2023-03-21 2023-10-03 中国科学院空间应用工程与技术中心 一种基于多源域自适应的机电设备跨域剩余寿命预测方法
CN116050190B (zh) * 2023-03-31 2023-06-23 中国海洋大学 一种基于数字孪生的产品性能和退化状态分析方法
CN116449717B (zh) * 2023-06-20 2023-09-22 中机生产力促进中心有限公司 一种基于数字孪生的挤压机减速箱状态监控系统
CN117034430B (zh) * 2023-09-11 2024-01-09 湘潭大学 基于深度学习及数字孪生的闸门健康监测方法、系统及计算机可读存储介质
CN117252099A (zh) * 2023-09-21 2023-12-19 中山大学 一种基于数字孪生的损伤监测方法、系统、设备和介质
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304927A (zh) * 2018-01-25 2018-07-20 清华大学 基于深度学习的轴承故障模式诊断方法及系统
KR102025652B1 (ko) * 2019-01-21 2019-09-27 휴멜로 주식회사 사운드 이벤트 탐지 모델 학습 방법
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
CN110705181A (zh) * 2019-10-13 2020-01-17 重庆交通大学 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法
CN112241608A (zh) * 2020-10-13 2021-01-19 国网湖北省电力有限公司电力科学研究院 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN112685949A (zh) * 2020-11-25 2021-04-20 江苏科技大学 一种基于数字孪生的变压器健康预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3444724B1 (en) * 2017-08-18 2023-12-20 Tata Consultancy Services Limited Method and system for health monitoring and fault signature identification
US11195273B2 (en) * 2019-10-11 2021-12-07 International Business Machines Corporation Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304927A (zh) * 2018-01-25 2018-07-20 清华大学 基于深度学习的轴承故障模式诊断方法及系统
KR102025652B1 (ko) * 2019-01-21 2019-09-27 휴멜로 주식회사 사운드 이벤트 탐지 모델 학습 방법
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
CN110705181A (zh) * 2019-10-13 2020-01-17 重庆交通大学 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法
CN112241608A (zh) * 2020-10-13 2021-01-19 国网湖北省电力有限公司电力科学研究院 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN112685949A (zh) * 2020-11-25 2021-04-20 江苏科技大学 一种基于数字孪生的变压器健康预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Data Super-Network Fault Prediction Model and Maintenance Strategy for Mechanical Product Based on Digital Twin;Zhifeng Liu等;《SPECIAL SECTION ON DATA-ENABLED INTELLIGENCE FOR DIGITAL HEALTH》;20191202;全文 *
基于迁移学习的LSTM互联网金融指数高精度预测方法;谢飞等;《西南民族大学学报(人文社科版)》;20200622(第07期);全文 *
基于长短期记忆网络的滚动轴承寿命预测方法;王奉涛等;《振动.测试与诊断》;20200415(第02期);全文 *
数字孪生与深度学习融合驱动的采煤机健康状态预测;丁华等;《中国机械工程》;20200410(第07期);全文 *

Also Published As

Publication number Publication date
CN113221277A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113221277B (zh) 一种基于数字孪生模型的轴承性能退化评估方法及系统
Zhao et al. Performance prediction using high-order differential mathematical morphology gradient spectrum entropy and extreme learning machine
CN109947086B (zh) 基于对抗学习的机械故障迁移诊断方法及系统
Haidong et al. Intelligent fault diagnosis of rolling bearing using deep wavelet auto-encoder with extreme learning machine
Kuncan An intelligent approach for bearing fault diagnosis: combination of 1D-LBP and GRA
Zhang et al. A fault diagnosis method based on improved convolutional neural network for bearings under variable working conditions
Li et al. A deep transfer nonnegativity-constraint sparse autoencoder for rolling bearing fault diagnosis with few labeled data
Zou et al. Bearing fault diagnosis method based on EEMD and LSTM
CN113128561A (zh) 一种机床轴承故障诊断方法
Jin et al. New domain adaptation method in shallow and deep layers of the CNN for bearing fault diagnosis under different working conditions
Yan et al. A survey on fault diagnosis approaches for rolling bearings of railway vehicles
CN111260125B (zh) 一种轨道车辆部件的温度异常检测方法
Martinez-Garcia et al. Visually interpretable profile extraction with an autoencoder for health monitoring of industrial systems
Yang et al. Sparse autoencoder-based multi-head deep neural networks for machinery fault diagnostics with detection of novelties
Li et al. Joint attention feature transfer network for gearbox fault diagnosis with imbalanced data
Wang et al. A quantitative intelligent diagnosis method for early weak faults of aviation high-speed bearings
Guan et al. Rolling bearing fault diagnosis based on information fusion and parallel lightweight convolutional network
Liu et al. Few-shot learning under domain shift: Attentional contrastive calibrated transformer of time series for fault diagnosis under sharp speed variation
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
Zhang et al. Deep learning with emerging new labels for fault diagnosis
CN117076935B (zh) 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN113962253A (zh) 基于深度小波极限学习机的轴承剩余寿命预测方法及系统
Ma et al. An interpretability research of the Xgboost algorithm in remaining useful life prediction
Zheng et al. A novel deep learning architecture and its application in dynamic load monitoring of the vehicle system
Li et al. A novel multiscale hybrid neural network for intelligent fine-grained fault diagnosis.

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