CN113343482B - 一种基于数字孪生的车辆动力系统健康管理方法 - Google Patents
一种基于数字孪生的车辆动力系统健康管理方法 Download PDFInfo
- Publication number
- CN113343482B CN113343482B CN202110717402.3A CN202110717402A CN113343482B CN 113343482 B CN113343482 B CN 113343482B CN 202110717402 A CN202110717402 A CN 202110717402A CN 113343482 B CN113343482 B CN 113343482B
- Authority
- CN
- China
- Prior art keywords
- model
- power system
- establishing
- cylinder
- state
- 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
- 238000007726 management method Methods 0.000 title claims description 26
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000005299 abrasion Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 230000006835 compression Effects 0.000 claims abstract description 12
- 238000007906 compression Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 11
- 230000015556 catabolic process Effects 0.000 claims abstract description 8
- 238000006731 degradation reaction Methods 0.000 claims abstract description 8
- 238000013210 evaluation model Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000002485 combustion reaction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000003746 surface roughness Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 description 7
- 239000003921 oil Substances 0.000 description 7
- 239000010724 circulating oil Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis 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
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
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)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (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车辆动力系统健康管理系统，包括：以活塞‑缸套磨损为中心建立仿真模型孪生体；基于起动电流和振动信号建立状态参数孪生体；建立基于缸内压缩压力及瞬时转速信号的数字孪生体一致性校正模型；建立综合模型及数据的动力系统技术状态评估与剩余使用寿命预测模型；通过对发动机运行历史运行参数进行大数据分析，得到动力系统运行典型任务剖面，作为仿真孪生体的输入参数，通过数字孪生体运行得到关键部件技术状态及劣化规律，结合部件极限状态标准，对动力系统剩余使用寿命进行精准预测。
Description
技术领域
本发明涉及一种基于数字孪生的车辆动力系统健康管理方法，属于装备健康管理领域。
背景技术
车辆动力系统性能是影响车辆机动性能的关键因素，其精准健康管理对保障装备正常遂行任务具有至关重要的作用。车辆动力系统健康管理包括技术状态评估、剩余使用寿命预测、故障诊断和预测以及维修决策等内容，其中技术状态评估与使用寿命预测是基础。传统的健康管理主要采用基于状态参数的数据驱动式技术，比如：油液监测、振动噪音信号分析、功率扭矩检测等。基于状态参数检测的方法能够有效对车辆动力系统实施健康管理，但是该方法存在两个局限，影响健康管理的精准性。
第一，车辆动力传动装置结构紧凑，传感器不易布置，导致部分关键参数如功率、瞬时转速、活塞应力等无法实车上获取。反映动力系统状态参数的信息缺失直接影响技术状态评估及寿命预测的准确性；第二，基于状态参数检测的方法在动力系统健康管理过程中实际上是把动力系统当作一个黑箱。动力系统技术状态随使用工况、环境因素变化及使用期有其自身的劣化规律和机制。在寿命预测过程中，由于不明确系统关键部件的劣化机理，基于历史状态参数集的预测方法将导致动力系统剩余寿命预测的失准。
针对车辆动力系统健康管理过程中出现的关键状态参数缺失以及系统劣化机理不明导致技术状态评估和剩余使用寿命预测失准的问题，提出基于数字孪生系统的车辆动力系统健康管理方法。
发明内容
本发明设计开发了一种基于数字孪生的车辆动力系统健康管理系统及方法，能够对动力系统进行状态评估与剩余使用寿命预测，能够克服预测失准的问题，预测准确度大大提高。
本发明提供的技术方案为：
一种基于数字孪生的车辆动力系统健康管理系统及方法，包括：
以活塞-缸套磨损为中心建立仿真模型孪生体；
基于起动电流和振动信号建立状态参数孪生体；
建立基于缸内压缩压力及瞬时转速信号的数字孪生体一致性校正模型；
建立模型及数据结合的动力系统技术状态评估与剩余使用寿命预测模型；
通过对发动机运行历史运行参数进行大数据分析，得到动力系统运行典型任务剖面，作为仿真孪生体的输入参数，通过数字孪生体运行得到关键部件技术状态和劣化规律，结合部件极限状态标准，对动力系统剩余使用寿命进行精准预测。
优选的是，所述仿真模型孪生体包括：
动力系统结构模型、动力系统工作过程模型、活塞-缸套组的摩擦磨损模型及近似模型。
优选的是，所述动力系统工作过程模型基于发动机工作机理建立，包括：
发动机缸内工质状态模型、进气过程模型、燃烧模型、增压系统模型，用于仿真发动机实际工作过程及性能表征，为活塞-缸套磨损提供边界条件。
优选的是，还包括：
建立活塞-缸套组磨损模型：
式中，m为磨损量，KD为磨损系数，FW为载荷，Hd为缸套硬度，RS为当前表面粗糙度，di为系数。
优选的是，还包括：
基于响应面法建立近似模型，所述近似模型为以部件磨损间隙为标识，以运行转速及负荷为自变量，以部件磨损率为应变量的系列响应图谱；将离散化工况集作为详细磨损模型输入，基于对应的响应图谱得到磨损率，实现虚拟动力系统与物理动力系统的实时运行。
优选的是，所述状态参数孪生体包括：
运行工况参数，其包括发动机起动工况下的起动电流信号、缸盖振动洗好以及瞬时转速信号；
运行状态参数；
虚实一致性监测校正参数，其包括发动机起动过程缸内压缩压力信号及瞬时转速信号。
优选的是，所述动力系统健康管理模型包括：技术状态模型和剩余寿命预测模型。
优选的是
所述技术状态评估模型基于仿真孪生体，计算表征动力系统技术状态的参数；
基于状态参数孪生体，检测表征动力系统技术状态的状态参数、起动电流及缸盖振动信号；
基于两种参数集建立分析动力系统技术状态评估模型。
优选的是，所述剩余寿命预测模型通过对发动机运行历史参数进行大数据分析，得到动力系统运行典型任务剖面，作为仿真孪生体输入参数，计算动力系统运行将来时间的活塞-缸套磨损量，结合磨损极限状态标准，对动力系统剩余使用寿命进行精准预测。
本发明所述的有益效果：通过本发明的实施，有效解决了车辆动力系统集成度较高导致的关键状态参数检测不到以及由于技术状态劣化机理不明导致的预测失准问题，有效提高了动力系统技术状态评估与剩余使用寿命预测的精准性。
附图说明
图1为本发明所述的动力系统数字孪生系统的结构示意图。
图2为本发明所述的近似模型的结构示意图。
图3为本发明所述的动力系统监测参数孪生体。
图4为本发明所述的动力系统技术状态评估。
图5为本发明所述的动力系统剩余使用寿命预测。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1-5所示，本发明提供一种基于数字孪生的车辆动力系统健康管理方法，包括：
以活塞-缸套磨损为中心建立仿真模型孪生体；
基于起动电流和振动信号建立状态参数孪生体；
建立基于缸内压缩压力及瞬时转速信号的数字孪生体一致性校正模型；
建立综合模型及数据的动力系统技术状态评估与剩余使用寿命预测模型；
通过对发动机运行历史参数进行大数据分析，得到动力系统运行典型任务剖面，作为仿真孪生体的输入参数，通过仿真孪生体近似模型运行得到关键部件劣化规律，结合部件极限状态标准，对动力系统剩余使用寿命进行精准预测。
如图1所示，动力系统健康管理系统包括动力系统仿真模型孪生体、动力系统检测参数孪生体、一致性校正模型以及健康管理模型。动力系统仿真模型孪生体包括动力系统结构模型、动力系统工作过程模型、活塞-缸套组的摩擦磨损模型及近似模型。结构模型包含涉及动力系统工作过程及活塞-缸套磨损相关的各零部件具体结构尺寸及配合关系。工作过程模型基于发动机工作机理建立，包含发动机缸内工质状态模型、进气过程模型、燃烧模型、增压系统模型。模型可以仿真发动机实际工作过程及性能表征，为活塞-缸套磨损提供载荷、速度及传热等边界条件。
缸内工质模型由以下方程描述：
能量平衡方程：
式中：m为气缸内的工质质量；u为气缸内的工质内能；p为气缸内的工质压力；QB为燃料燃烧放热量；Qw为通过系统边界的热损失；he为排出气缸废气的焓值；为排出气缸废气的质量流量。
质量守恒方程
式中：mB为燃油喷射质量；mi为进气质量；me为排气质量。
理想气体状态方程
PVS＝MRT
式中，P为缸内气体压力；Vs为气缸容积；M为缸内气体制量；T为缸内气体温度；R为理想气体常数。
缸内燃烧模型采用行业内共知的Hiroyasu准维油滴蒸发燃烧模型；进排气系统流动简化为一维非定常流动，采用行业内人员熟知的有限容积法来对进排气系统中的热力参数和流动状态进行求解；增压系统模型采用厂家提供的性能MAP图表示。
摩擦磨损模型综合考虑传热、整机热力过程及磨损间隙对磨损影响，建立活塞-缸套组磨损模型。
式中，m为磨损量，KD为磨损系数，FW为载荷，Hd为缸套硬度，RS为当前表面粗糙度，di为系数，通过部件试验获取。
如图2所示，近似模型基于响应面法建立，近似模型为以部件磨损间隙为标识，以运行转速及负荷为自变量，以部件磨损率为应变量的系列响应图谱。将离散化工况集作为详细磨损模型输入，基于对应的响应图谱得到磨损率，实现虚拟动力系统与物理动力系统的实时运行。
如图3所示，动力系统检测参数孪生体包括运行工况参数、运行状态参数及虚实一致性检测校正参数。运行工况参数包括发动机转速及加油齿杆位置信号；运行状态参数包括发动机起动工况下的起动电流信号、缸盖振动信号以及瞬时转速信号；虚实一致性校正参数包括发动机起动过程缸内压缩压力信号及瞬时转速信号。
一致性校正模型是保证虚拟系统能够逼真复制动力系统运行及其劣化状态，并实现准确进行技术状态评估与剩余使用寿命预测的关键。本发明提出基于缸内压缩压力及瞬时转速信号的一致性检测标定方法。建立缸内压缩压力峰值与活塞-缸套间隙的关联模型，通过缸内压缩压力及瞬时转速信号识别摩擦副间隙。利用计算得到的摩擦副间隙实时更新仿真模型，实现仿真模型与实体发动机一致。
动力系统健康管理模型主要包括技术状态评估模型及剩余寿命预测模型。
如图4所示，技术状态评估模型基于仿真孪生体，计算表征动力系统技术状态的参数，即活塞-缸套间隙；基于状态参数孪生体，检测表征动力系统技术状态的状态参数：起动电流及缸盖振动信号。基于两种参数集，利用行业人员已知的神经网络、聚类等方法建立分析动力系统技术状态评估模型。
如图5所示，剩余寿命预测模型通过对发动机运行历史参数进行大数据分析，得到动力系统运行典型任务剖面，作为仿真孪生体输入参数，计算动力系统运行将来时间的活塞-缸套磨损量，结合磨损极限状态标准，对动力系统剩余使用寿命进行精准预测。
实施例
检测柴油机转速，转速通过在柴油机飞轮起动齿圈处安装磁电传感器，测试得到柴油机齿圈转动一圈总的脉冲数计算得到柴油机转速；
检测柴油机循环供油量，循环供油量通过在车辆加油踏板处安装位置传感器，测试驾驶员实时踩踏油门踏板位置，由油门踏板位置结合调速器工作原理计算得到加油齿杆位置。基于喷油泵试验台得到的加油齿杆位置与供油量关系得到实时的柴油机缸内循环供油量；
建立缸套磨损模型，所述模型输入为柴油机转速及缸内循环供油量，由行业内技术人员共知的柴油机工作过程计算得到缸内压力及温度等参数；磨损模型可计算得到缸套磨损率；依据使用时间累加可得到使用期内的磨损量。
建立柴油机技术状态评估模型，技术状态评估模型通过检测柴油机运行过程的转速与缸内循环供油量，依据缸内工作过程近似模型与缸套磨损模型实施计算柴油机缸套磨损量；实时检测柴油机起动过程起动电流信号及缸盖振动信号，提取电流信号峰值与振动能量等特征量；以缸套磨损量、起动电流峰值以及振动能量作为技术状态评估特征向量，利用聚类等方法确定柴油机技术状态。
建立柴油机剩余使用寿命预测模型，预测模型包括柴油机典型使用任务剖面、缸套磨损极限值以及缸套磨损模型。典型使用任务剖面指柴油机在一定使用环境下的转速与循环供油量典型值及其对应时间；缸套磨损极限值是指柴油机大修状态下的缸套磨损深度。基于剩余使用预测模型，可计算得到缸套磨损量到达极限值对应的使用时间。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (6)
1.一种基于数字孪生的车辆动力系统健康管理方法，其特征在于，包括：
以活塞-缸套磨损为中心建立仿真模型孪生体；
所述仿真模型孪生体包括：动力系统结构模型、动力系统工作过程模型、活塞-缸套组的摩擦磨损模型及近似模型；
基于起动电流和振动信号建立状态参数孪生体；
建立基于缸内压缩压力及瞬时转速信号的数字孪生体一致性校正模型；所述一致性校正模型包括：建立缸内压缩压力峰值与活塞-缸套间隙的关联模型，通过缸内压缩压力及瞬时转速信号识别摩擦副间隙，利用计算得到的摩擦副间隙实时更新仿真模型，实现仿真模型与实体发动机一致；
建立模型及数据结合的动力系统健康管理模型，所述动力系统健康管理模型包括：技术状态评估模型和剩余寿命预测模型；所述技术状态评估模型基于仿真孪生体，计算表征动力系统技术状态的参数，活塞-缸套间隙；基于状态参数孪生体，检测表征动力系统技术状态的状态参数，起动电流及缸盖振动信号；基于两种参数集建立分析动力系统技术状态评估模型；
通过对发动机运行历史运行参数进行大数据分析，得到动力系统运行典型任务剖面，作为仿真孪生体的输入参数，通过数字孪生体运行得到关键部件技术状态和劣化规律，结合部件极限状态标准，对动力系统剩余使用寿命进行精准预测。
2.根据权利要求1所述的基于数字孪生的车辆动力系统健康管理方法，其特征在于，所述动力系统工作过程模型基于发动机工作机理建立，包括：
发动机缸内工质状态模型、进气过程模型、燃烧模型、增压系统模型，用于仿真发动机实际工作过程及性能表征，为活塞-缸套磨损提供边界条件。
3.根据权利要求2所述的基于数字孪生的车辆动力系统健康管理方法，其特征在于，还包括：
建立活塞-缸套组磨损模型：
式中，m为磨损量，KD为磨损系数，FW为载荷，Hd为缸套硬度，RS为当前表面粗糙度，di为系数。
4.根据权利要求3所述的基于数字孪生的车辆动力系统健康管理方法，其特征在于，还包括：
基于响应面法建立近似模型，所述近似模型为以部件磨损间隙为标识，以运行转速及负荷为自变量，以部件磨损率为应变量的系列响应图谱；将离散化工况集作为近似模型输入，基于对应的响应图谱得到磨损率，实现虚拟动力系统与物理动力系统的实时运行。
5.根据权利要求4所述的基于数字孪生的车辆动力系统健康管理方法，其特征在于，所述状态参数孪生体包括：
运行工况参数；
运行状态参数，其包括发动机起动工况下的起动电流信号、缸盖振动信号以及瞬时转速信号；
虚实一致性监测校正参数，其包括发动机起动过程缸内压缩压力信号及瞬时转速信号。
6.根据权利要求5所述的基于数字孪生的车辆动力系统健康管理方法，其特征在于，所述剩余寿命预测模型通过对发动机运行历史参数进行大数据分析，得到动力系统运行典型任务剖面，作为仿真孪生体输入参数，计算动力系统运行将来时间的活塞-缸套磨损量，结合磨损极限状态标准，对动力系统剩余使用寿命进行精准预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110717402.3A CN113343482B (zh) | 2021-06-28 | 2021-06-28 | 一种基于数字孪生的车辆动力系统健康管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110717402.3A CN113343482B (zh) | 2021-06-28 | 2021-06-28 | 一种基于数字孪生的车辆动力系统健康管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113343482A CN113343482A (zh) | 2021-09-03 |
| CN113343482B true CN113343482B (zh) | 2024-05-31 |
Family
ID=77479079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110717402.3A Active CN113343482B (zh) | 2021-06-28 | 2021-06-28 | 一种基于数字孪生的车辆动力系统健康管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343482B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781134B (zh) * | 2022-04-01 | 2024-07-05 | 北京航空航天大学 | 一种基于数字孪生驱动的刹车片在线磨损预测方法 |
| CN114547811B (zh) * | 2022-04-27 | 2022-07-15 | 中汽研汽车检验中心（天津）有限公司 | 一种发动机瞬态工况磨损量预测方法 |
| CN116071053B (zh) * | 2023-04-07 | 2023-11-28 | 沃德传动（天津）股份有限公司 | 基于数字孪生的往复式压缩机状态预警系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005069008A (ja) * | 2003-08-22 | 2005-03-17 | Nissan Motor Co Ltd | 内燃機関のシリンダとピストンの組合せ |
| CN110456635A (zh) * | 2019-07-02 | 2019-11-15 | 北京航空航天大学 | 基于数字孪生技术的电动汽车动力系统的控制方法 |
| 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 |
| FI20185733A1 (fi) * | 2018-09-03 | 2020-03-04 | Metso Flow Control Oy | Venttiilin asennoitin ja diagnostiikkamenetelmä |
| AU2020102863A4 (en) * | 2020-10-19 | 2020-12-17 | Beihang University | Digital-twin-driven fault prognosis method and system for subsea production system of offshore oil |
| CN112417742A (zh) * | 2021-01-22 | 2021-02-26 | 浙江中自庆安新能源技术有限公司 | 一种基于数字孪生模型的齿轮箱寿命动态评估方法及系统 |
| CN112507452A (zh) * | 2020-11-30 | 2021-03-16 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
| CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
| CN113033055A (zh) * | 2021-03-29 | 2021-06-25 | 武汉理工大学 | 一种基于数字孪生的船用发动机状态评估方法及系统 |
-
2021
- 2021-06-28 CN CN202110717402.3A patent/CN113343482B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005069008A (ja) * | 2003-08-22 | 2005-03-17 | Nissan Motor Co Ltd | 内燃機関のシリンダとピストンの組合せ |
| FI20185733A1 (fi) * | 2018-09-03 | 2020-03-04 | Metso Flow Control Oy | Venttiilin asennoitin ja diagnostiikkamenetelmä |
| CN110456635A (zh) * | 2019-07-02 | 2019-11-15 | 北京航空航天大学 | 基于数字孪生技术的电动汽车动力系统的控制方法 |
| 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 |
| AU2020102863A4 (en) * | 2020-10-19 | 2020-12-17 | Beihang University | Digital-twin-driven fault prognosis method and system for subsea production system of offshore oil |
| CN112507452A (zh) * | 2020-11-30 | 2021-03-16 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
| CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
| CN112417742A (zh) * | 2021-01-22 | 2021-02-26 | 浙江中自庆安新能源技术有限公司 | 一种基于数字孪生模型的齿轮箱寿命动态评估方法及系统 |
| CN113033055A (zh) * | 2021-03-29 | 2021-06-25 | 武汉理工大学 | 一种基于数字孪生的船用发动机状态评估方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| Understanding the role of a Digital Twin in Integrated Vehicle Health Management (IVHM);Cordelia Mattuvarkuzhali Ezhilarasu;《 2019 IEEE International Conference on Systems, Man and Cybernetics (SMC)》;20191128;1484-1497 * |
| 基于数字孪生的旋转设备故障诊断技术研究;叶伦宽;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20210215(第2019年第02期);B016-184 * |
| 基于数字孪生的船舶预测性维护;李福兴 等;《船舶工程》;20200715;第42卷(第S1期);117-120，396 * |
| 大功率发动机监控系统及智能运维等技术的发展;周思敏 等;《柴油机》;20200128;第42卷(第01期);18-21，36 * |
| 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31卷(第07期);815-823 * |
| 车辆发动机缸套磨损计算模型;王宪成 等;《柴油机》;20140728;第36卷(第04期);23-26 * |
| 面向切削过程的刀具数字孪生模型;孙惠斌 等;《 计算机集成制造系统》;20190615;第25卷(第06期);1474-1480 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113343482A (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113343482B (zh) | 一种基于数字孪生的车辆动力系统健康管理方法 | |
| US6092016A (en) | Apparatus and method for diagnosing an engine using an exhaust temperature model | |
| Jones et al. | A review of condition monitoring and fault diagnosis for diesel engines | |
| Liu et al. | Misfire detection of a turbocharged diesel engine by using artificial neural networks | |
| Porteiro et al. | Diesel engine condition monitoring using a multi-net neural network system with nonintrusive sensors | |
| Kumar et al. | Improved CNN for the diagnosis of engine defects of 2-wheeler vehicle using wavelet synchro-squeezed transform (WSST) | |
| Zhang et al. | Intelligent diagnosis of V-type marine diesel engines based on multifeatures extracted from instantaneous crankshaft speed | |
| Varbanets et al. | Improvement of diagnosing methods of the diesel engine functioning under operating conditions | |
| CN112487709B (zh) | 一种基于敏感性分析的船用柴油机故障溯源方法 | |
| CN105736140A (zh) | 一种柴油机瞬时转速测量及气缸熄火故障诊断装置和方法 | |
| Mohamed | Performance analysis and condition monitoring of ICE piston-ring based on combustion and thermal characteristics | |
| Deptuła et al. | Acoustic diagnostics applications in the study of technical condition of combustion engine | |
| CN112508373A (zh) | 一种基于数字孪生技术的船用柴油机性能评估系统 | |
| Wen et al. | Online measurement of piston-assembly friction with wireless IMEP method under fired conditions and comparison with numerical analysis | |
| CN102374094A (zh) | 发动机失火故障诊断方法 | |
| Du et al. | Reconstructing cylinder pressure from vibration signals based on radial basis function networks | |
| CN111811826A (zh) | 一种缸套-活塞环综合性能分析的柴油机实机测试平台及方法 | |
| Maschler et al. | Deep learning based soft sensors for industrial machinery | |
| CN117647401A (zh) | 柴油机气缸健康状态监测方法、系统和存储介质 | |
| Grimaldi et al. | An integrated simulation methodology of thermal management systems for the CO 2 reduction after engine cold start | |
| CN110530647B (zh) | 基于声发射技术和曲轴瞬时转速的内燃机健康监测方法 | |
| CN105373701A (zh) | 一种机电设备关联度确定方法 | |
| Park et al. | Torque estimation of spark ignition engines via cylinder pressure measurement | |
| Hountalas et al. | Evaluation of a new diagnostic technique to detect and account for load variation during cylinder pressure measurement of large-scale four-stroke diesel engines | |
| Yamada et al. | Development of a technique to predict oil consumption with consideration for cylinder deformation-prediction of ring oil film thickness and amount of oil passing across running surface under cylinder deformation |
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 |