CN113221280B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113221280B CN113221280B CN202110528862.1A CN202110528862A CN113221280B CN 113221280 B CN113221280 B CN 113221280B CN 202110528862 A CN202110528862 A CN 202110528862A CN 113221280 B CN113221280 B CN 113221280B
- Authority
- CN
- China
- Prior art keywords
- model
- rolling bearing
- digital twin
- twin model
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004088 simulation Methods 0.000 claims abstract description 37
- 238000010168 coupling process Methods 0.000 claims abstract description 28
- 230000008878 coupling Effects 0.000 claims abstract description 27
- 238000005859 coupling reaction Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000001360 synchronised effect Effects 0.000 claims abstract description 11
- 238000005461 lubrication Methods 0.000 claims description 46
- 239000000463 material Substances 0.000 claims description 27
- 239000012530 fluid Substances 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 238000009434 installation Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 239000000314 lubricant Substances 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000002715 modification method Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 230000036541 health Effects 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000013178 mathematical model Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000002940 Newton-Raphson method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static 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
- G06F30/27—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/10—Noise analysis or noise optimisation
-
- 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)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (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的滚动轴承建模与模型更新方法及系统，利用传感器实时监测滚动轴承的运行数据并对运行数据进行预处理；进行耦合建模得到动态更新的数字孪生模型；将归一化处理后的运行数据实时输入到数字孪生模型中，然后利用数字孪生模型对滚动轴承的输出数据进行仿真计算，将数字孪生模型的仿真数据与对应时间间隔内的运行数据进行比较，若残差序列为零均值的白噪声，则采信对应的滚动轴承数字孪生模型；否则根据准则函数对滚动轴承数字孪生模型的参数进行调整和修正，获得实时同步的滚动轴承数字孪生模型。本发明能够反映轴承健康状态的时间历程，为滚动轴承的故障诊断和寿命预测提供基础。
Description
技术领域
本发明属于机械诊断智能化与数字化技术领域，具体涉及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。
背景技术
滚动轴承作为旋转机械中的关键基础部件，广泛应用于航空发动机、风电及高铁等领域。通常，其服役环境恶劣、工况条件复杂，尽管进行定期的维护和检查，还是会不可避免的出现不可预知的失效。滚动轴承失效轻则降低机械设备的工作性能，重则造成设备的整体破坏，带来巨大的经济损失和人员伤亡。为实现滚动轴承的实时监测，并能对轴承的工作状态进行合理预测，亟需建立一个与真实滚动轴承高度近似的模型。由于静态的模型无法对滚动轴承性能进行预测，所以建立滚动轴承多物理场耦合的高保真模型，并实现模型的动态更新，对于滚动轴承的状态监测、故障诊断及寿命预测具有基础性作用。
目前滚动轴承的建模方法大多从单一物理模型角度出发，通过考虑不同物理效应而进行。一种是通过有限元方法建立了滚动轴承和转子的耦合模型，将转子的弹性振动和转子的刚体运动进行叠加，通过求解模型得到整个轴承-转子系统的时域响应。另一种是根据滚动轴承振动信号数据，提取振动信号的短时周期图谱，利用无向加权图对短时周期图谱进行映射，得到一系列图谱频率；监测主图谱频率的变化趋势，以判断滚动轴承的运行状态，实现了滚动轴承的早期故障检测。
数字孪生技术在实体产品与虚拟模型之间搭建起桥梁。现有根据目标设备的状态参数初始数据及响应参数数据构建所述目标设备的初始数字孪生模型，利用修正参数的修正值对所述初始数字孪生模型进行更新处理，实现目标设备的故障诊断。现有的滚动轴承性能评估技术大多以传统物理模型驱动或数据驱动，但大数据下的多源监测信息相互耦合，呈高维异构、分布不均等特点，再加上轴承服役环境复杂、运行工况多变，单一基于物理模型信息或数据信息无法准确预测其退化趋势。所以，将物理信息和数据信息进行联合，建立与实际轴承运行状态相匹配的高保真数字孪生模型，并利用实时监测数据对孪生模型进行同步更新，实现复杂多变工况下轴承孪生模型与物理实体的忠实映射，成为了亟待解决的问题。
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的滚动轴承建模与模型更新方法及系统，集成滚动轴承多物理场耦合模型，根据实时监测数据对模型进行同步更新，并结合历史数据获得当前状态的计算结果，根据计算结果实现滚动轴承性能状态的合理预测。
本发明采用以下技术方案：
一种基于数字孪生的滚动轴承建模与模型更新方法，包括以下步骤：
S1，获取滚动轴承的几何特征、材料参数、安装方式及润滑方式；
S2，利用传感器实时监测滚动轴承的运行数据，然后对监测的运行数据进行预处理，对预处理后的数据进行最大值归一化处理；
S3，依据步骤S1中滚动轴承的几何特征、材料参数、安装方式及润滑方式，建立刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型；
S4，对步骤S3建立的刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型进行耦合建模，建立动态更新的数字孪生模型；
S5，将步骤S2归一化处理后的运行数据实时输入到步骤S4的数字孪生模型中，然后利用数字孪生模型对滚动轴承的输出数据进行仿真计算，得到滚动轴承数字孪生模型的仿真数据；
S6，将步骤S5数字孪生模型的仿真数据与对应时间间隔内的运行数据进行比较，验证数字孪生模型的准度，若残差序列为零均值的白噪声，则采信对应的滚动轴承数字孪生模型；否则根据准则函数对滚动轴承数字孪生模型的参数进行调整和修正，获得实时同步的滚动轴承数字孪生模型。
具体的，步骤S1中，滚动轴承的几何特征包括轴承元件的几何尺寸、形位公差及表面质量，材料参数包括材料密度及弹性模量，润滑方式包括润滑剂密度及粘度。
具体的，步骤S2中，运行数据包括滚动轴承的套圈转速、振动信号、外部载荷、环境温度、轴承温度以及供油流量。
进一步的，预处理包括消除时延及噪声误差。
具体的，步骤S3中，刚体动力学子模型和热力学子模型运用Fortran语言编写数值计算程序，刚体动力学子模型包括几何参数和材料参数，热力学子模型包括热力学参数；润滑牵引子模型运用Matlab语言根据运行数据进行参数建模，包括润滑剂参数；流体动力学子模型根据运行数据采用机器学习算法建立模型结构和参数。
进一步的，采用最大似然估计法确定润滑牵引模型及热力学模型中的参数。
具体的，步骤S4中，采用Fortran语言和Matlab语言混合编程进行耦合建模，建立动态更新的数字孪生模型，耦合方程表示为：
f(L(xi),L(xj),t)＝0，i≠j
其中，L表示微分算子，xi和xj分别表示子模型对应的物理变量，t为时间； i和j取1,2,3和4，分别代表刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型。
具体的，步骤S5中，输入数据包括套圈转速、外部载荷、环境温度和供油流量；输出数据包括振动信号和轴承温度。
具体的，步骤S6中，准则函数为最大似然准则，修正方法包括子模型准则函数和参数优化算法的修正。
本发明的另一技术方案是，一种基于数字孪生的滚动轴承建模与模型更新系统，包括：
采集模块，获取滚动轴承的几何特征、材料参数、安装方式及润滑方式；
预处理模块，利用传感器实时监测滚动轴承的运行数据，然后对监测的运行数据进行预处理，对预处理后的数据进行最大值归一化处理；
建模模块，依据采集模块中滚动轴承的几何特征、材料参数、安装方式及润滑方式，建立刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型；
耦合模块，对建模模块建立的刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型进行耦合建模，建立动态更新的数字孪生模型；
仿真模块，将预处理模块归一化处理后的运行数据实时输入到耦合模块的数字孪生模型中，然后利用数字孪生模型对滚动轴承的输出数据进行仿真计算，得到滚动轴承数字孪生模型的仿真数据；
更新模块，将仿真模块数字孪生模型的仿真数据与对应时间间隔内的运行数据进行比较，验证数字孪生模型的准度，若残差序列为零均值的白噪声，则采信对应的滚动轴承数字孪生模型；否则根据准则函数对滚动轴承数字孪生模型的参数进行调整和修正，获得实时同步的滚动轴承数字孪生模型。
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的滚动轴承建模与模型更新方法，将基于物理机理的确定性建模与基于实时数据的不确定性建模结合起来，克服了物理知识缺乏的不足。同时，可根据传感器采集的运行数据对模型进行修正和更新，保证了模型的实时性和准确性。
进一步的，轴承元件的几何尺寸，材料密度及润滑剂粘度等为滚动轴承数字孪生模型的建立提供完整的初始输入参数。
进一步的，滚动轴承的套圈转速、振动信号、外部载荷、环境温度、轴承温度以及供油流量等参数表征了轴承实体的运行状态，采集上述状态参数可为数字孪生模型的更新提供数据来源。
进一步的，对传感器采集数据进行预处理，消除了采集时不同物理量之间存在的时间延迟误差以及真实环境中的噪声误差，提高了实时数据的同步性和有效性。
进一步的，将数字孪生模型分解为刚体动力学子模型，热力学子模型，润滑牵引子模型及流体动力学子模型全面的反映了轴承实体在真实环境下的物理条件，使数字孪生模型从多物理场的角度真实的反映滚动轴承的状态，提高了模型的保真度。
进一步的，采用最大似然估计法确定润滑牵引模型及热力学模型中的参数可在参数无法确定时对其进行合理估计。
进一步的，将刚体动力学子模型和热力学子模型通过Fortran语言编制数值计算程序，使子模型的计算效率更高；由于润滑牵引子模型及流体动力学子模型中部分参数无法预先确定，采用Matlab语言基于数据分析和机器学习算法并根据运行数据进行参数建模，避免了参数选择时的不准确。
进一步的，将套圈转速、外部载荷、环境温度和供油流量作为输入数据，使数字孪生模型根据真实工况条件进行仿真。将振动信号和轴承温度作为仿真的输出数据可实现与传感器采集数据的对照。
进一步的，根据每一时间间隔内的仿真数据与采集数据的对照，分别对当前子模型的准则函数和参数优化算法进行修正，可实现数字孪生模型的动态更新。
综上所述，本发明在虚拟空间建立一个与滚动轴承实体同步运行的数字模型，当滚动轴承在机运行时，数字模型可根据环境参数及运行数据对轴承工作状态进行判断，并根据模型的仿真结果对工作轴承的维护时间进行预测。基于数据所建立的子模型可基于实时观测到的轴承运行数据对模型结构和参数进行实时更新，避免了传统数学模型无法对变化的环境和工况做出准确模拟的问题，使得模型的时效性大大提升，从而能够反映轴承健康状态的时间历程，为滚动轴承的故障诊断和寿命预测提供基础。
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为本发明流程图；
图2为滚动轴承数字孪生模型示意图；
图3为本发明更新方法技术路线图。
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的滚动轴承建模与模型更新方法，首先根据物理定律与原理建立滚动轴承的数字孪生子模型，再根据当前时间间隔预处理后的传感器实时观测数据建立数据子模型，并对各个子模型进行耦合建模，建立多物理场的耦合模型；将下一时间间隔滚动轴承的运行数据输入到耦合模型中，仿真计算结果与经预处理后的实测信号进行对比分析，根据准则函数判断模型的准度，利用修正牛顿-拉夫逊方法对数字孪生模型进行调整和修正，从而获得能够实时同步的滚动轴承数字孪生模型；本方法克服了物理先验知识不足和建模时效性不够的困难，采用Fortran和Matlab混合编程方法建立同时考虑滚动轴承确定性因素和不确定性因素的数学模型，在物理空间和虚拟空间之间搭建起桥梁，能够在滚动轴承运行的同时，对不同环境和工况条件进行仿真，为滚动轴承的故障诊断和寿命预测提供参考。
请参阅图1，本发明一种基于数字孪生的滚动轴承建模与模型更新方法，包括以下步骤：
S1，获取滚动轴承的几何特征、材料参数、安装方式及润滑方式；
滚动轴承的几何特征和材料参数包括轴承元件的几何尺寸、形位公差及表面质量，材料密度及弹性模量，润滑剂密度及粘度；几何结构参数从滚动轴承的图纸文件中获取；安装运行条件根据工艺文件获得，润滑剂密度及粘度由实验得到。
S2，利用传感器实时监测滚动轴承的运行数据，然后对监测的运行数据进行预处理，对预处理后的数据进行最大值归一化处理；
运行数据包括滚动轴承的套圈转速、振动信号、外部载荷、环境温度、轴承温度以及供油流量。
预处理包括消除时延及噪声误差。
最大值归一化处理具体为：
其中，
为归一化后的结果，x为实际数据，xmax为被测物理量的最大值，xmin为被测物理量的最小值。
S3，依据步骤S1中滚动轴承的几何特征、材料参数、安装方式及润滑方式，基于基本物理定律及原理建立刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型；
请参阅图2，刚体动力学子模型和热力学子模型运用Fortran语言编写数值计算程序，刚体动力学子模型包括几何参数和材料参数，热力学子模型包括热力学参数；润滑牵引子模型运用Matlab语言根据运行数据进行参数建模，包括润滑剂参数；流体动力学子模型根据运行数据采用机器学习算法建立模型结构和参数，刚体动力学模型，润滑牵引模型及热力学模型中无法具体确定的参数由参数估计法确定，参数估计法包括但不限于最大似然估计法。
S4，对步骤S3建立的刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型进行耦合建模，建立动态更新的数字孪生模型；
耦合方法为采用Fortran语言和Matlab语言混合编程得到耦合方程，耦合方程表示为：
f(L(xi),L(xj),t)＝0，i≠j
其中，L表示微分算子，xi和xj分别表示子模型对应的物理变量，t为时间； i和j取1,2,3和4，分别代表刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型。
S5，将步骤S2归一化处理后的运行数据实时输入到步骤S4的数字孪生模型中，然后利用数字孪生模型对滚动轴承的输出数据进行仿真计算，得到滚动轴承数字孪生模型的仿真数据；
输入数据包括套圈转速、外部载荷、环境温度和供油流量；输出数据包括振动信号和轴承温度。
根据轴承几何特征和材料参数建立耦合物理场的本构方程组中，采用数值方法对方程组进行求解。通过采集数据对本构方程中的系数进行估计和更新，将工况条件作为输入，带入本构方程组中得到轴承的振动响应和温度。
S6，将步骤S5数字孪生模型的仿真数据与对应时间间隔内的输出数据进行比较，验证数字孪生模型的准度，若残差序列为零均值的白噪声，则采信对应的滚动轴承数字孪生模型；否则根据准则函数对滚动轴承数字孪生模型的参数进行调整和修正，获得实时同步的滚动轴承数字孪生模型。
对于一组数字孪生模型的参数，通过参数优化算法求解使准则函数达到极值时的参数，即通过求解泛函极值问题得到更新的模型参数。
准则函数包括但不限于最大似然准则，最小二乘准则，最小方差准则等，参数优化算法包括但不限于修正牛顿-拉夫逊优化算法，高斯法，梯度法等。
本发明再一个实施例中，提供一种基于数字孪生的滚动轴承建模与模型更新系统，该系统能够用于实现上述基于数字孪生的滚动轴承建模与模型更新方法，具体的，该基于数字孪生的滚动轴承建模与模型更新系统包括采集模块、预处理模块、建模模块、仿真模块以及更新模块。
其中，采集模块，获取滚动轴承的几何特征、材料参数、安装方式及润滑方式；
预处理模块，利用传感器实时监测滚动轴承的运行数据，然后对监测的运行数据进行预处理，对预处理后的数据进行最大值归一化处理；
建模模块，依据采集模块中滚动轴承的几何特征、材料参数、安装方式及润滑方式，建立刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型；
耦合模块，对建模模块建立的刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型进行耦合建模，建立动态更新的数字孪生模型；
仿真模块，将预处理模块归一化处理后的运行数据实时输入到耦合模块的数字孪生模型中，然后利用数字孪生模型对滚动轴承的输出数据进行仿真计算，得到滚动轴承数字孪生模型的仿真数据；
更新模块，将仿真模块数字孪生模型的仿真数据与对应时间间隔内的运行数据进行比较，验证数字孪生模型的准度，若残差序列为零均值的白噪声，则采信对应的滚动轴承数字孪生模型；否则根据准则函数对滚动轴承数字孪生模型的参数进行调整和修正，获得实时同步的滚动轴承数字孪生模型。
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的滚动轴承建模与模型更新方法的操作，包括：
获取滚动轴承的几何特征、材料参数、安装方式及润滑方式；利用传感器实时监测滚动轴承的运行数据，然后对监测的运行数据进行预处理，对预处理后的数据进行最大值归一化处理；依据滚动轴承的几何特征、材料参数、安装方式及润滑方式，建立刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型；对建立的刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型进行耦合建模，建立动态更新的数字孪生模型；将归一化处理后的运行数据实时输入到数字孪生模型中，然后利用数字孪生模型对滚动轴承的输出数据进行仿真计算，得到滚动轴承数字孪生模型的仿真数据；将数字孪生模型的仿真数据与对应时间间隔内的运行数据进行比较，验证数字孪生模型的准度，若残差序列为零均值的白噪声，则采信对应的滚动轴承数字孪生模型；否则根据准则函数对滚动轴承数字孪生模型的参数进行调整和修正，获得实时同步的滚动轴承数字孪生模型。
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的滚动轴承建模与模型更新方法的相应步骤；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：
获取滚动轴承的几何特征、材料参数、安装方式及润滑方式；利用传感器实时监测滚动轴承的运行数据，然后对监测的运行数据进行预处理，对预处理后的数据进行最大值归一化处理；依据滚动轴承的几何特征、材料参数、安装方式及润滑方式，建立刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型；对建立的刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型进行耦合建模，建立动态更新的数字孪生模型；将归一化处理后的运行数据实时输入到数字孪生模型中，然后利用数字孪生模型对滚动轴承的输出数据进行仿真计算，得到滚动轴承数字孪生模型的仿真数据；将数字孪生模型的仿真数据与对应时间间隔内的运行数据进行比较，验证数字孪生模型的准度，若残差序列为零均值的白噪声，则采信对应的滚动轴承数字孪生模型；否则根据准则函数对滚动轴承数字孪生模型的参数进行调整和修正，获得实时同步的滚动轴承数字孪生模型。
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，将实际运行中采集到的数据与仿真得到的数据进行比较，得到的残差序列带入到滚动轴承的数字孪生模型中，对模型参数进行更新，实现了对轴承实体的忠实映射和同步更新。同时，使得模型具有在变转速和变载荷工况及复杂环境下进行仿真模拟的能力。
综上所述，本发明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，基于理论和数据对滚动轴承进行数学建模，能够将确定性和不确定性因素考虑进来，克服了部分子模型无法用现有物理机理完整有效描述的困难，使得所建立的数学模型更逼近真实情况中的轴承。由于模型参数可随运行数据进行实时更新，使得数字孪生模型可在变化的转速和载荷工况以及复杂环境中对轴承实体进行模拟，提高了模型的保真。
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 (10)
1.一种基于数字孪生的滚动轴承建模与模型更新方法，其特征在于，包括以下步骤：
S1，获取滚动轴承的几何特征、材料参数、安装方式及润滑方式；
S2，利用传感器实时监测滚动轴承的运行数据，然后对监测的运行数据进行预处理，对预处理后的数据进行最大值归一化处理；
S3，依据步骤S1中滚动轴承的几何特征、材料参数、安装方式及润滑方式，建立刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型；
S4，对步骤S3建立的刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型进行耦合建模，建立动态更新的数字孪生模型；
S5，将步骤S2归一化处理后的运行数据实时输入到步骤S4的数字孪生模型中，然后利用数字孪生模型对滚动轴承的输出数据进行仿真计算，得到滚动轴承数字孪生模型的仿真数据；
S6，将步骤S5数字孪生模型的仿真数据与对应时间间隔内的运行数据进行比较，验证数字孪生模型的准度，若残差序列为零均值的白噪声，则采信对应的滚动轴承数字孪生模型；否则根据准则函数对滚动轴承数字孪生模型的参数进行调整和修正，获得实时同步的滚动轴承数字孪生模型。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，滚动轴承的几何特征包括轴承元件的几何尺寸、形位公差及表面质量，材料参数包括材料密度及弹性模量，润滑方式包括润滑剂密度及粘度。
3.根据权利要求1所述的方法，其特征在于，步骤S2中，运行数据包括滚动轴承的套圈转速、振动信号、外部载荷、环境温度、轴承温度以及供油流量。
4.根据权利要求3所述的方法，其特征在于，预处理包括消除时延及噪声误差。
5.根据权利要求1所述的方法，其特征在于，步骤S3中，刚体动力学子模型和热力学子模型运用Fortran语言编写数值计算程序，刚体动力学子模型包括几何参数和材料参数，热力学子模型包括热力学参数；润滑牵引子模型运用Matlab语言根据运行数据进行参数建模，包括润滑剂参数；流体动力学子模型根据运行数据采用机器学习算法建立模型结构和参数。
6.根据权利要求5所述的方法，其特征在于，采用最大似然估计法确定润滑牵引模型及热力学模型中的参数。
7.根据权利要求1所述的方法，其特征在于，步骤S4中，采用Fortran语言和Matlab语言混合编程进行耦合建模，建立动态更新的数字孪生模型，耦合方程表示为：
f(L(xi),L(xj),t)＝0，i≠j
其中，L表示微分算子，xi和xj分别表示子模型对应的物理变量，t为时间；i和j取1,2,3和4，分别代表刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型。
8.根据权利要求1所述的方法，其特征在于，步骤S5中，输入数据包括套圈转速、外部载荷、环境温度和供油流量；输出数据包括振动信号和轴承温度。
9.根据权利要求1所述的方法，其特征在于，步骤S6中，准则函数为最大似然准则，修正方法包括子模型准则函数和参数优化算法的修正。
10.一种基于数字孪生的滚动轴承建模与模型更新系统，其特征在于，包括：
采集模块，获取滚动轴承的几何特征、材料参数、安装方式及润滑方式；
预处理模块，利用传感器实时监测滚动轴承的运行数据，然后对监测的运行数据进行预处理，对预处理后的数据进行最大值归一化处理；
建模模块，依据采集模块中滚动轴承的几何特征、材料参数、安装方式及润滑方式，建立刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型；
耦合模块，对建模模块建立的刚体动力学子模型、润滑牵引子模型、热力学模型和流体动力学子模型进行耦合建模，建立动态更新的数字孪生模型；
仿真模块，将预处理模块归一化处理后的运行数据实时输入到耦合模块的数字孪生模型中，然后利用数字孪生模型对滚动轴承的输出数据进行仿真计算，得到滚动轴承数字孪生模型的仿真数据；
更新模块，将仿真模块数字孪生模型的仿真数据与对应时间间隔内的运行数据进行比较，验证数字孪生模型的准度，若残差序列为零均值的白噪声，则采信对应的滚动轴承数字孪生模型；否则根据准则函数对滚动轴承数字孪生模型的参数进行调整和修正，获得实时同步的滚动轴承数字孪生模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110528862.1A CN113221280B (zh) | 2021-05-14 | 2021-05-14 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110528862.1A CN113221280B (zh) | 2021-05-14 | 2021-05-14 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113221280A CN113221280A (zh) | 2021-08-06 |
| CN113221280B true CN113221280B (zh) | 2022-12-09 |
Family
ID=77092048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110528862.1A Active CN113221280B (zh) | 2021-05-14 | 2021-05-14 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113221280B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837550A (zh) * | 2021-08-27 | 2021-12-24 | 中车工业研究院有限公司 | 一种基于数字孪生的重调度方法、系统及装置 |
| CN113567132B (zh) * | 2021-09-01 | 2022-10-21 | 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 |
| 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 |
| CN114089715B (zh) * | 2021-10-13 | 2023-07-14 | 鹏城实验室 | 冷水机组数字孪生模型构建方法、装置、终端及存储介质 |
| CN114278397B (zh) * | 2021-12-24 | 2022-08-19 | 江阴信和电力仪表有限公司 | 一种基于物联网的旋转机械健康监测系统及方法 |
| CN114139270B (zh) * | 2022-02-07 | 2022-04-15 | 湖南大学 | 一种基于数字孪生的近接工程建设荷载试验方法及系统 |
| CN114329849B (zh) * | 2022-03-03 | 2022-06-21 | 河北工业大学 | 基于数字孪生的充液成形设备健康管控系统和方法 |
| CN114626162B (zh) * | 2022-03-22 | 2024-04-16 | 中车大连机车研究所有限公司 | 一种接触球轴承损耗程度定量识别方法 |
| 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 |
| CN114742108B (zh) * | 2022-04-20 | 2022-12-20 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床轴承故障检测方法及系统 |
| CN114888795B (zh) * | 2022-04-25 | 2023-08-18 | 重庆市科学技术研究院 | 未来教学空间场景建模与认知理解方法及系统 |
| CN114923261B (zh) * | 2022-05-05 | 2023-07-18 | 青岛海信日立空调系统有限公司 | 中央空调机组故障监控方法、系统及中央空调机组单元 |
| CN116127681A (zh) * | 2022-06-07 | 2023-05-16 | 中国人民解放军陆军工程大学 | 一种混合算法驱动建筑数字孪生体自演化的方法 |
| 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 |
| CN116149192B (zh) * | 2023-04-14 | 2023-06-30 | 山西联创新港信息科技有限公司 | 基于数字孪生技术的传输机润滑策略控制方法及装置 |
| CN116738872B (zh) * | 2023-05-09 | 2024-01-23 | 北京航空航天大学 | 基于数字孪生的航空发动机综合热管理可视化仿真系统 |
| CN116449771B (zh) * | 2023-05-10 | 2024-02-23 | 中国标准化研究院 | 一种数控机床的数字孪生建模方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110532625A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 航空发动机涡轮盘-转子-支承系统数字孪生建模方法 |
| 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 |
| WO2020159564A1 (en) * | 2019-01-28 | 2020-08-06 | Landmark Graphics Corporation | Constructing digital twins for oil and gas recovery using ensemble kalman filter |
| CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
-
2021
- 2021-05-14 CN CN202110528862.1A patent/CN113221280B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020159564A1 (en) * | 2019-01-28 | 2020-08-06 | Landmark Graphics Corporation | Constructing digital twins for oil and gas recovery using ensemble kalman filter |
| CN110532625A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 航空发动机涡轮盘-转子-支承系统数字孪生建模方法 |
| 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 |
| CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
Non-Patent Citations (3)
| Title |
|---|
| Data Super-Network Fault Prediction Model and Maintenance Strategy for Mechanical Product Based on Digital Twin;Zhifeng Liu等;《IEEE Access》;20191202;第7卷;全文 * |
| 基于数字孪生的船舶预测性维护;李福兴等;《船舶工程》;20200715;全文 * |
| 孪生支持向量机在滚动轴承振动故障诊断中的应用;徐凯;《煤矿机械》;20160415(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113221280A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113221280B (zh) | 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 | |
| Deng et al. | A calibration-based hybrid transfer learning framework for RUL prediction of rolling bearing across different machines | |
| CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
| JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
| Qian et al. | A multi-time scale approach to remaining useful life prediction in rolling bearing | |
| Saidi et al. | An integrated wind turbine failures prognostic approach implementing Kalman smoother with confidence bounds | |
| US6567752B2 (en) | General method for tracking the evolution of hidden damage or other unwanted changes in machinery components and predicting remaining useful life | |
| CN116380166A (zh) | 一种设备异常监测方法、电子设备及存储介质 | |
| CN110006552B (zh) | 一种机组设备温度异常检测方法 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN116305564A (zh) | 一种航空发动机转子系统数字孪生模型试验台设计方法 | |
| Zhu et al. | Performance degradation assessment of rolling element bearings using improved fuzzy entropy | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| Du et al. | RUL prediction based on GAM–CNN for rotating machinery | |
| CN114398736A (zh) | 基于时变模型参数的滚动轴承剩余寿命预测方法 | |
| US8839664B2 (en) | Detection and classification of failures of power generating equipment during transient conditions | |
| Wang et al. | Digital twin-driven fault diagnosis service of rotating machinery | |
| CN114861726A (zh) | 一种风力发电机高速齿轮磨损故障趋势预测方法及系统 | |
| WO2017142737A1 (en) | A prognostics and health management model for predicting wind turbine oil filter wear level | |
| Lee et al. | Time to failure prediction of rotating machinery using dynamic feature extraction and gaussian process regression | |
| JP2022136412A (ja) | 性能予測装置、性能予測方法及び性能予測プログラム | |
| Rachid et al. | Vibrations Detection in Industrial Pumps based on Spectral Analysis to Increase Their Efficiency | |
| JP2020067750A (ja) | 学習方法、装置及びプログラム、並びに設備の異常診断方法 | |
| Galiullin | Automated Modeling System for Internal Combustion Engines | |
| Gupta et al. | Innovative Approaches for Dynamic System Monitoring: Signal Processing and Parameter Estimation Strategies |
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 |