CN113779838B - 一种模型与数据融合驱动的提升机主轴装置智能维护方法 - Google Patents
一种模型与数据融合驱动的提升机主轴装置智能维护方法 Download PDFInfo
- Publication number
- CN113779838B CN113779838B CN202111069030.4A CN202111069030A CN113779838B CN 113779838 B CN113779838 B CN 113779838B CN 202111069030 A CN202111069030 A CN 202111069030A CN 113779838 B CN113779838 B CN 113779838B
- Authority
- CN
- China
- Prior art keywords
- main shaft
- model
- elevator
- shaft device
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012423 maintenance Methods 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000006731 degradation reaction Methods 0.000 claims abstract description 115
- 230000015556 catabolic process Effects 0.000 claims abstract description 77
- 238000012544 monitoring process Methods 0.000 claims abstract description 64
- 238000004088 simulation Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 230000004044 response Effects 0.000 claims description 37
- 230000007246 mechanism Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 230000005653 Brownian motion process Effects 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 2
- 238000004804 winding Methods 0.000 description 7
- 230000035882 stress Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000020347 spindle assembly Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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]
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
本发明公开了一种模型与数据融合驱动的提升机主轴装置智能维护方法，属于矿山设备智能维护领域。该方法通过建立与实际提升机主轴装置保持一致的数字化信息模型，实现提升机主轴装置的退化过程仿真。通过无线传感监测系统建立实际的提升机主轴装置与其数字化信息模型之间的数据联系，实现数字化信息模型的实时更新，通过性能退化过程的仿真实现性能退化数据、退化过程模型的更新。在此基础上，通过建立实时的可靠性评估与寿命预测模型，实现提升机主轴装置的智能维护。通过数据与模型的融合驱动，提高了提升机主轴装置实时可靠性评估与寿命预测的及时性和准确性，为制定合理有效的维护策略提供了依据。
Description
技术领域
本发明属于矿山装备智能维护领域，特别是一种模型与数据融合驱动的提升机主轴装置智能维护方法。
背景技术
矿山大型装备的有效运行是以可靠的健康状态预测以及合理的装备维护为前提条件。智能维护的基础是实时监测大型机械装备状态，核心是预测大型机械装备的性能退化过程。因此，实时评估提升机主轴装置的可靠性水平和剩余寿命，制动合理有效的智能维护策略，对提高提升机的可靠性、减少恶性事故发生以及避免人员伤亡等具有重要意义。
提升机主轴装置在复杂载荷工况下长时间工作，提升机主轴装置如主轴、卷筒、筒壳、轴承等，会发生疲劳、磨损、腐蚀、变形和老化等多种失效机理和失效行为，最终导致提升机主轴装置的整体性能降低，引发故障甚至安全事故。随着提升装备朝着大型化、高速化方向发展，提升机主轴装置在高速重载、强时变等严酷环境下的运行可靠性直接影响矿井提升安全。提升机主轴装置含有多种部件，失效形式各异且性能退化过程不同。因此，需要针对不同部件在不同失效形式下的可靠性水平和剩余寿命进行实时评估和预测，从而及时发现潜在的故障并制定维护策略。然而现有的维护方法还存在如下问题：
由于提升机主轴装置结构的多样性和安装的复杂性，其主轴装置的失效或退化数据往往难以直接获得，导致可用的可靠性样本不充足，影响可靠性评估的及时性和准确性，导致无法制定合理经济的维护策略。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，而提供一种模型与数据融合驱动的提升机主轴装置智能维护方法，该方法通过数据与模型的融合驱动，提高了提升机主轴装置实时可靠性评估与寿命预测的及时性和准确性，为制定合理有效的维护策略提供了依据。
为解决上述技术问题，本发明采用的技术方案是：
一种模型与数据融合驱动的提升机主轴装置智能维护方法，主轴装置包括主轴、卷筒、轴承和制动盘，包括如下步骤：
(1)针对提升机主轴装置的不同失效机理，开展不同主轴装置的性能退化试验得到实验退化数据；在实际运行的提升机上采集不同主轴装置的性能现场退化数据，实验退化数据和现场退化数据形成退化数据集；
(2)根据步骤(1)中建立的退化数据集，初步建立提升机不同主轴装置在不同失效机理下的随机退化过程模型，形成不同主轴装置在不同失效机理下的随机退化过程模型库；
(3)建立提升机主轴装置的数字化信息模型，所述数字化信息模型包括提升机主轴装置的三维有限元模型、各部件之间的物理关系模型、各主轴装置的材料属性和提升机运行工况参数；
(4)根据步骤(3)中构建的提升机主轴装置数字化信息模型进行仿真分析，获取提升机主轴装置的力学性能响应；
(5)根据步骤(3)、(4)构建提升机主轴装置的无线监测系统，实时监测提升机主轴装置的运行工况参数、主轴装置的力学性能响应，以及主轴装置的损伤部位和损伤类型；
(6)根据步骤(3)中建立的数字化信息模型，在提升机主轴装置上设置若干监测点，同时设定更新时间点；将步骤(5)中所述无线监测系统在设置的若干监测点处采集到的各类传感器信息实时反馈到数字化信息模型中，在不同的更新时间点对数字化信息模型进行更新；
(7)根据步骤(6)中不同更新时间点下的数字化信息模型和步骤(5)中监测到的损伤部位和损伤类型，对主轴装置的性能退化过程通过仿真分析和预测，获得新的仿真退化数据并添加至步骤(1)中的退化数据集，实现退化数据集的更新；
(8)根据步骤(7)中更新后的退化数据集，重新计算各性能退化模型的参数，实现步骤(2)中性能退化过程模型的实时更新，进而开展提升机主轴装置的实时可靠性评估与寿命预测；
(9)根据步骤(8)中得到的可靠性评估与寿命预测结果，开展提升机主轴装置的智能维护。
作为本发明的进一步优选，步骤(2)中所述随机退化过程模型通过采用随机过程进行建模，随机过程包括伽马过程、维纳过程、泊松过程和逆高斯过程，各随机退化过程模型中的参数估计值采用极大似然方法计算。
作为本发明的进一步优选，步骤(6)中所述提升机主轴装置的数字化信息模型的更新过程具体为：
将步骤(6)中无线监测系统在各监测点处所采集到的力学性能响应数据与步骤(4)中仿真得到的对应监测点的力学性能响应数据进行实时对比并计算差值，并将该差值与设定的阈值进行比较，若差值大于设定的阈值，则对步骤(2)中建立的数字化信息模型进行参数调整，直至差值小于设定的阈值，从而获得可准确仿真提升机主轴装置力学性能响应的高保真数字化信息模型。
作为本发明的进一步优选，步骤(6)中所述监测点的设置还包括监测点初选和监测点优化，具体包括如下步骤：
步骤(6-1)根据步骤(4)中得到的力学性能响应，在主轴装置上进行测点初选，确定初选测点组合为N0＝[n1,...,ni]，i表示测点总数；
步骤(6-2)采用粒子群算法对步骤(6-1)中初选的监测点进行优化，确定不同测点数下的测点位置组合Nj＝[n1,...,nj],j≤i；
步骤(6)中所述各监测点处所采集到的力学性能响应数据采用应力数据或应变值数据。作为本发明的进一步优选，将步骤(4)中仿真分析的力学性能响应与步骤(6)中在实际提升机主轴装置上监测到的力学性能响应进行实时对比，并计算两者之间的差值，若差值超过所允许的阈值，则对步骤(3)中建立的数字化信息模型中的结构参数、运行工况参数进行调整，并重新进行仿真分析，直到差值满足阈值要求；
步骤(6)中所述更新时间点根据实时监测数据的容量以及仿真分析所需要的时间进行设定。
作为本发明的进一步优选，步骤(8)中对提升机主轴装置的实时可靠性评估与寿命预测时，根据步骤(3)所监测到的具体损伤部位和损伤类型进行，并根据损伤类型匹配步骤(2)中相应的随机退化过程模型。
作为本发明的进一步优选，当多个损伤部位或多种损伤类型并存时，其实时可靠性评估与寿命预测采用最危险的性能退化指标进行，即可靠度最低、剩余寿命最小。
作为本发明的进一步优选，步骤(9)中所述的智能维护根据步骤(8)中的实时可靠性评估和寿命预测结果制定维护策略，当实时可靠性评估结果低于设定的安全阈值时，针对影响可靠性结果的因素制定维护策略；当寿命预测结果低于设定的安全阈值时，针对发生性能退化的部件制定维护策略。
作为本发明的进一步优选，所述主轴装置包括主轴、卷筒、轴承和制动盘。
作为本发明的进一步优选，所述力学性能响应包括各部件的应力场、应变场、温度场、固有频率和振动；所述运行工况参数包括提升速度、提升载荷、提升钢丝绳张力和电动机驱动力。
本发明具有如下有益效果：
针对提升机主轴装置的实时可靠性评估与寿命预测，本发明通过实时数据的采集实现提升机主轴装置数字化信息模型的实时更新，基于更新后的数字化信息模型，通过仿真分析获得新的性能退化数据，实现了性能退化数据的扩容，并进一步实现了退化过程模型的更新。通过数据与模型的融合驱动，提高了提升机主轴装置实时可靠性评估与寿命预测的及时性和准确性，为制定合理有效的维护策略提供了依据。
附图说明
图1是本发明的流程示意图；
图2是提升机主轴装置三维有限元模型；
图3是本发明的监测点优化流程图；
图4是本发明的可靠性维护下主轴装置的可靠性曲线示意图。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
本发明的描述中，需要理解的是，术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，“第一”、“第二”等并不表示零部件的重要程度，因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案，并不限制本发明的保护范围。
如图1-4所示，一种模型与数据融合驱动的提升机主轴装置智能维护方法，主轴装置包括主轴、卷筒、轴承和制动盘，包括如下步骤：
(1)针对提升机主轴装置的不同失效机理，开展不同部件的性能退化试验，采集并记录各部件不同失效机理下的试验退化数据；统计并记录提升机主轴装置实际运营期间积累的现场退化数据。整理试验退化数据和现场退化数据，形成可描述提升机主轴装置各主轴装置性能退化过程的退化数据集；
(2)根据步骤(1)中建立的退化数据集，初步建立提升机主轴装置在不同失效机理下的随机退化过程模型，形成可描述不同部件在不同失效机理下的随机退化过程模型库；
(3)建立提升机主轴装置的数字化信息模型，所述数字化信息模型至少包括提升机主轴装置的三维有限元模型、各部件之间的物理关系模型、各主轴装置的材料属性、提升机运行工况参数等；
(4)根据步骤(3)中构建的提升机主轴装置数字化信息模型进行仿真分析，获取提升机主轴装置的力学性能响应；
(5)根据步骤(3)、(4)构建提升机主轴装置的无线监测系统，实时监测提升机主轴装置的运行工况参数、主轴装置的力学性能响应，以及主轴装置的损伤部位和损伤类型；
(6)基于步骤(3)中建立的数字化信息模型，在提升机主轴装置上设置若干监测点，同时设定更新时间点。将步骤(5)中所述无线监测系统在各监测点处采集到的各类传感器信息实时反馈到数字化信息模型中，在不同的更新时间点对数字化信息模型进行更新；
(7)基于步骤(6)中不同更新时间点下的数字化信息模型，根据步骤(5)中监测到的损伤部位和损伤类型，对主轴装置的性能退化过程通过仿真分析和预测，获得新的仿真退化数据并添加至步骤(1)中的退化数据集，实现退化数据集的更新；
(8)根据步骤(7)中更新后的退化数据集，重新计算各性能退化模型的参数，实现步骤(2)中性能退化模型的实时更新，进而开展提升机主轴装置的实时可靠性评估与寿命预测；
(9)基于步骤(8)中得到的可靠性评估与寿命预测结果，开展提升机主轴装置的智能维护。
步骤(1)中所述提升机主轴装置主要包括提升机主轴、卷筒、轴承、制动盘等，所述提升机主轴装置的失效机理主要包括疲劳、磨损、腐蚀、变形和老化等，所述性能退化试验需获得主轴装置的退化趋势性能指标数据，如裂纹长度、腐蚀深度、磨耗程度、变形量等；所述现场退化数据可以从历史失效数据库、产品维护信息等渠道获得。
退化试验：考虑主轴部件的m种失效机理，将主轴的每个部件(主轴、卷筒、轴承和制动盘)分别置于m种失效环境下，针对每个部件的每种失效机理的实验步骤均如下：
步骤一：测定获得n个某种失效机理下的性能退化样本，其退化样本的序号为i，i＝1，...，n；
步骤二：对每个退化样本进行k次相同时间间隔的退化量测定，其测定序号为j，j＝1，...，k；
步骤三：记T(tij)为第i个样本在第j次测定时刻的退化量，tij为此时的时刻；
步骤四：将退化实验的离散数据T(tij)导入至计算机中，在计算机中施加拟合算法，将其离散退化数据拟合为连续曲线退化数据；
步骤(2)中所述随机退化过程模型通过采用合适的随机过程进行建模，如伽马过程、维纳过程、泊松过程、逆高斯过程，所述随机退化过程模型库包含不同失效机理下对应的随机退化过程模型，各随机退化过程模型中的参数估计值采用极大似然方法计算。
数字化信息模型的建立过程：步骤一：在三维建模软件UG/SOLIDWORKS中建立提升机主轴零件的三维模型，包括主轴、卷筒、轴承和制动盘；
步骤二：将步骤一中建立好的三维零件模型在三维建模软件UG/SOLIDWORKS中装配成完整的部件，接着，将装配好的完整提升机主轴部件导入有限元分析软件ABAQUS中，在有限元分析软件ABAQUS中对主轴部件进行划分网格，获得提升机主轴部件的三维有限元模型；
步骤三：将步骤二中的三维有限元模型导入至数字化建模平台Unity3D中，在Unity3D中建立各部件之间的物理关系模型，确定提升机主轴零件之间的连接关系；在Unity3D中赋予各主轴部件的材料属性，包括材料、杨氏弹性模量、泊松比等参数；在Unity3D中给予提升机运行工况参数，包括提升速度、提升载荷、提升钢丝绳张力和电动机驱动力。
所述力学性能响应包括各部件的应力场、应变场、温度场、固有频率和振动。
所述运行工况参数包括提升速度、提升载荷、提升钢丝绳张力和电动机驱动力。
步骤(6)中所述提升机主轴装置的数字化信息模型的更新过程具体为：
将步骤(6)中无线监测系统在各监测点处所采集到的力学性能响应数据与步骤(4)中仿真得到的对应监测点的力学性能响应数据进行实时对比并计算差值，并将该差值与设定的阈值进行比较，若差值大于设定的阈值，则对步骤(2)中建立的数字化信息模型进行参数调整，直至差值小于设定的阈值，从而获得可准确仿真提升机主轴装置力学性能响应的高保真数字化信息模型。
步骤(6)中所述监测点的设置包括监测点初选和监测点优化，具体包括如下步骤：
步骤(6-1)、根据步骤(4)中得到的力学应变响应，在主轴装置中的摩擦轮内壁、摩擦轮轮辐和主轴上进行测点初选，确定初选测点组合为N0＝[n1,...,ni]，i表示测点总数；
步骤(6-2)、采用粒子群算法对步骤(6-1)中初选的监测点进行优化，确定不同测点数下的测点位置组合Nj＝[n1,...,nj],j≤i。
步骤(6)中所述各监测点处所采集到的力学性能响应数据可采用应力数据或应变值数据。
将步骤(4)中仿真分析的力学性能响应与在实际提升机主轴装置上监测到的力学性能响应进行实时对比，并计算两者之间的差值，若差值超过所允许的阈值，则对步骤(3)中建立的数字化信息模型中的结构参数、运行工况参数进行调整，并重新进行仿真分析，直到差值满足阈值要求。
步骤(6)中所述更新时间点根据实时监测数据的容量以及仿真分析所需要的时间进行设定。
步骤(8)中对提升机主轴装置的实时可靠性评估与寿命预测时，针对所监测到的具体损伤部位和损伤类型进行，并根据损伤类型匹配步骤(2)中相应的随机退化过程模型；
当多个损伤部位或多种损伤类型并存时，其实时可靠性评估与寿命预测采用最危险的性能退化指标进行，即可靠度最低、剩余寿命最小。
步骤(9)中所述的智能维护根据步骤(8)中的实时可靠性评估和寿命预测结果制定维护策略。当实时可靠性评估结果低于设定的安全阈值时，针对影响可靠性结果的因素制定维护策略；当寿命预测结果低于设定的安全阈值时，针对发生性能退化的部件制定维护策略。
为了更充分地了解该发明的特点及工程适用性，本发明针对如图2所示的提升机主轴装置进行具体分析。
针对提升机主轴装置开展不同失效机理下的性能退化试验，分别记录主轴、卷筒、筒壳、轴承等部件在不同失效机理下的试验退化数据。同时，查找并统计提升机主轴装置实际运营期间积累的现场退化数据，并将试验退化数据和现场退化数据整理成退化数据集。
在获得退化数据集的基础上对退化数据进行分析，并采用随机过程模型对不同失效机理下的退化数据进行随机退化过程建模，并采用极大似然方法实现各随机退化过程模型中的参数估计，进而构建可描述不同部件在不同失效机理下的随机退化过程模型库。
参考提升机主轴装置的设计图纸等原始资料，依据各部件之间的物理关系模型、各主轴装置的材料属性、提升机运行工况参数等，构建提升机主轴装置的数字化信息模型，并基于该数字化信息模型开展仿真分析，以获得提升机主轴装置的力学性能响应。
构建提升机主轴装置的无线监测系统，实时监测提升机主轴装置的运行工况参数、主轴装置的力学性能响应，并准确识别主轴装置的损伤部位和损伤类型。
无线监测系统的构建与实施：
构建：无线监测系统包括多传感器模块、无线信号发射模块、无线信号接收模块与计算机；所述多传感器模块中的所有传感器均内置有所述无线信号发射模块；所述无线信号发射装置与所述无线信号接收模块通过无线通讯链路进行连接；所述无线信号接收模块通过数据线与计算机相连；
实施(怎么监测)：所述多传感器模块包括各类传感器，用于采集提升机主轴部件的运行工况参数、主轴部件的力学性能响应数据，与主轴部件的损伤部位和损伤类型数据；所述多传感器模块内部的所述无线信号发射模块将多传感器模块采集到的动态数据通过无线通讯链路传输给所述无线信号接收模块；所述无线信号接收模块将得到的传感器动态数据通过数据线发送给计算机内部的Unity3D平台，Unity3D平台根据提升机主轴的动态数据信息实时更新数字化信息模型；
根据无线监测系统所获得的力学性能响应、损伤部位和损伤类型等信息，对上述所建立的数字化信息模型进行实时更新。
如图3所示，初选监测点的方法为先进行主轴装置力学模型，再进行主轴装置的数字化信息模型建模，再进行基于数字化信息模型的有限元仿真分析，最后确定应力最大位置作为初始测点。
监测点的优化方法为先进行优化的算法分析，再以模态置信度准则最大非对角元作为适应度函数，再进行主轴装置模态分析，再进行各监测点的模态向量，最后确定监测点的优化组合。
根据图3所示的测点初选与优化流程，在提升机主轴装置上设置若干监测点，同时根据实时监测数据的容量以及仿真分析所需要的时间进行更新时间点的设定。
将无线监测系统在各监测点处采集到的各类传感器信息实时反馈到数字化信息模型中，将无线监测系统在各监测点处所采集到的应力应变响应数据与仿真得到的对应监测点的应力应变响应数据进行实时对比并计算差值，并将该差值与设定的阈值进行比较，若差值大于设定的阈值，则对步骤(2)中建立的数字化信息模型进行参数调整，直至差值小于设定的阈值，从而获得可准确仿真提升机主轴装置力学性能响应的高保真数字化信息模型。
在建立提升机主轴装置高保真数字化信息模型的基础上，将无线监测系统在各监测点处采集到的各类传感器信息实时反馈到数字化信息模型中，在不同的更新时间点对数字化信息模型进行更新；
通过无线监测系统对提升机主轴装置进行实时监测，当监测到主轴装置的损伤部位和对应的损伤类型时，将获得的损伤信息实时传递至对应更新时间点下的数字化信息模型。基于该更新时间点下的数字化信息模型，确定数字化信息模型中主轴装置的损伤部位，并通过仿真模拟对应的损伤类型，通过仿真参数与监测参数的实时匹配，对主轴装置的性能退化过程进行仿真分析和预测，从而获得新的仿真退化数据。将新获得的仿真退化数据添加至最初建立的退化数据集，实现退化数据集的扩容与更新。
根据扩容与更新后的退化数据集，重新计算对应损伤类型下性能退化模型的参数，实现对应性能退化过程模型的实时更新，从而获得可描述对应损伤类型下性能退化过程的更准确的性能退化过程模型。在该性能退化过程模型的基础上，建立可靠性评估模型与寿命预测模型，针对所监测到的具体损伤部位和损伤类型进行，并根据损伤类型匹配相应的随机退化过程模型，开展提升机主轴装置的实时可靠性评估与寿命预测。当多个损伤部位或多种损伤类型并存时，其实时可靠性评估与寿命预测采用最危险的性能退化指标进行，即可靠度最低、剩余寿命最小。
在获得实时可靠性评估与寿命预测结果的基础上，结合提升机主轴装置的质量与安全可靠性要求，对存在损伤的主轴装置制定合理的维护策略。如图4所示，当实时可靠性评估结果低于设定的安全阈值时，针对影响可靠性结果的因素制定维护策略；当寿命预测结果低于设定的安全阈值时，针对发生性能退化的部件制定维护策略。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (8)
1.一种模型与数据融合驱动的提升机主轴装置智能维护方法，主轴装置包括主轴、卷筒、轴承和制动盘，其特征在于：包括如下步骤：
(1)针对提升机主轴装置的不同失效机理，开展不同主轴装置的性能退化试验得到实验退化数据；在实际运行的提升机上采集不同主轴装置的性能现场退化数据，实验退化数据和现场退化数据形成退化数据集；
(2)根据步骤(1)中建立的退化数据集，初步建立提升机不同主轴装置在不同失效机理下的随机退化过程模型，形成不同主轴装置在不同失效机理下的随机退化过程模型库；
(3)建立提升机主轴装置的数字化信息模型，所述数字化信息模型包括提升机主轴装置的三维有限元模型、各部件之间的物理关系模型、各主轴装置的材料属性和提升机运行工况参数；
(4)根据步骤(3)中构建的提升机主轴装置数字化信息模型进行仿真分析，获取提升机主轴装置的力学性能响应；
(5)根据步骤(3)、(4)构建提升机主轴装置的无线监测系统，实时监测提升机主轴装置的运行工况参数、主轴装置的力学性能响应，以及主轴装置的损伤部位和损伤类型；
(6)根据步骤(3)中建立的数字化信息模型，在提升机主轴装置上设置若干监测点，同时设定更新时间点；将步骤(5)中所述无线监测系统在设置的若干监测点处采集到的各类传感器信息实时反馈到数字化信息模型中，在不同的更新时间点对数字化信息模型进行更新；
步骤(6)中所述监测点的设置还包括监测点初选和监测点优化，具体包括如下步骤：
步骤(6-1)根据步骤(4)中得到的力学性能响应，在主轴装置上进行测点初选，确定初选测点组合为N0＝[n1,...,ni]，i表示测点总数；
步骤(6-2)采用粒子群算法对步骤(6-1)中初选的监测点进行优化，确定不同测点数下的测点位置组合Nj＝[n1,...,nj]，j≤i；
步骤(6)中所述各监测点处所采集到的力学性能响应数据采用应力数据或应变值数据；
(7)根据步骤(6)中不同更新时间点下的数字化信息模型和步骤(5)中监测到的损伤部位和损伤类型，对主轴装置的性能退化过程通过仿真分析和预测，获得新的仿真退化数据并添加至步骤(1)中的退化数据集，实现退化数据集的更新；
(8)根据步骤(7)中更新后的退化数据集，重新计算各性能退化模型的参数，实现步骤(2)中性能退化过程模型的实时更新，进而开展提升机主轴装置的实时可靠性评估与寿命预测；
(9)根据步骤(8)中得到的可靠性评估与寿命预测结果，开展提升机主轴装置的智能维护。
2.根据权利要求1所述的一种模型与数据融合驱动的提升机主轴装置智能维护方法，其特征在于：步骤(2)中所述随机退化过程模型通过采用随机过程进行建模，随机过程包括伽马过程、维纳过程、泊松过程和逆高斯过程，各随机退化过程模型中的参数估计值采用极大似然方法计算。
3.根据权利要求1所述的一种模型与数据融合驱动的提升机主轴装置智能维护方法，其特征在于：步骤(6)中所述提升机主轴装置的数字化信息模型的更新过程具体为：
将步骤(6)中无线监测系统在各监测点处所采集到的力学性能响应数据与步骤(4)中仿真得到的对应监测点的力学性能响应数据进行实时对比并计算差值，并将该差值与设定的阈值进行比较，若差值大于设定的阈值，则对步骤(2)中建立的数字化信息模型进行参数调整，直至差值小于设定的阈值，从而获得可准确仿真提升机主轴装置力学性能响应的高保真数字化信息模型。
4.根据权利要求1所述的一种模型与数据融合驱动的提升机主轴装置智能维护方法，其特征在于：将步骤(4)中仿真分析的力学性能响应与步骤(6)中在实际提升机主轴装置上监测到的力学性能响应进行实时对比，并计算两者之间的差值，若差值超过所允许的阈值，则对步骤(3)中建立的数字化信息模型中的结构参数、运行工况参数进行调整，并重新进行仿真分析，直到差值满足阈值要求；
步骤(6)中所述更新时间点根据实时监测数据的容量以及仿真分析所需要的时间进行设定。
5.根据权利要求1所述的一种模型与数据融合驱动的提升机主轴装置智能维护方法，其特征在于：步骤(8)中对提升机主轴装置的实时可靠性评估与寿命预测时，根据步骤(3)所监测到的具体损伤部位和损伤类型进行，并根据损伤类型匹配步骤(2)中相应的随机退化过程模型。
6.根据权利要求5所述的一种模型与数据融合驱动的提升机主轴装置智能维护方法，其特征在于：当多个损伤部位或多种损伤类型并存时，其实时可靠性评估与寿命预测采用最危险的性能退化指标进行，即可靠度最低、剩余寿命最小。
7.根据权利要求1所述的一种模型与数据融合驱动的提升机主轴装置智能维护方法，其特征在于：步骤(9)中所述的智能维护根据步骤(8)中的实时可靠性评估和寿命预测结果制定维护策略，当实时可靠性评估结果低于设定的安全阈值时，针对影响可靠性结果的因素制定维护策略；当寿命预测结果低于设定的安全阈值时，针对发生性能退化的部件制定维护策略。
8.根据权利要求1所述的一种模型与数据融合驱动的提升机主轴装置智能维护方法，其特征在于：所述力学性能响应包括各部件的应力场、应变场、温度场、固有频率和振动；所述运行工况参数包括提升速度、提升载荷、提升钢丝绳张力和电动机驱动力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111069030.4A CN113779838B (zh) | 2021-09-13 | 2021-09-13 | 一种模型与数据融合驱动的提升机主轴装置智能维护方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111069030.4A CN113779838B (zh) | 2021-09-13 | 2021-09-13 | 一种模型与数据融合驱动的提升机主轴装置智能维护方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113779838A CN113779838A (zh) | 2021-12-10 |
| CN113779838B true CN113779838B (zh) | 2023-04-07 |
Family
ID=78843060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111069030.4A Active CN113779838B (zh) | 2021-09-13 | 2021-09-13 | 一种模型与数据融合驱动的提升机主轴装置智能维护方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113779838B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757266B (zh) * | 2022-03-27 | 2023-04-07 | 中国矿业大学 | 专家知识与数据融合驱动的冲击地压预测模型构建方法 |
| CN115096359A (zh) * | 2022-06-17 | 2022-09-23 | 北京航空航天大学 | 一种金属屋面健康监测系统及方法 |
| CN117875138A (zh) * | 2024-03-12 | 2024-04-12 | 大连理工大学 | 一种机理与数据融合驱动的飞行器结构寿命预测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10139311B2 (en) * | 2014-09-26 | 2018-11-27 | Palo Alto Research Center Incorporated | Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor |
| CN110390173B (zh) * | 2019-07-29 | 2023-04-07 | 中国矿业大学 | 考虑剩余强度退化的千米深井提升机时变可靠性评估方法 |
| CN112528533B (zh) * | 2020-11-19 | 2022-02-25 | 中国矿业大学 | 一种千米深井提升机制动器可靠性智能评估与寿命预测方法 |
| CN112966443B (zh) * | 2021-03-10 | 2022-04-29 | 中国人民解放军海军航空大学 | 一种基于长短期记忆网络的设备可靠性与性能评估方法 |
| CN113065675B (zh) * | 2021-04-13 | 2023-07-18 | 中国人民解放军空军工程大学 | 一种基于剩余寿命预测的设备最优维护方法 |
-
2021
- 2021-09-13 CN CN202111069030.4A patent/CN113779838B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113779838A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113779838B (zh) | 一种模型与数据融合驱动的提升机主轴装置智能维护方法 | |
| CN101821779B (zh) | 用于基于性能进行有效载荷管理的系统和方法 | |
| US8204697B2 (en) | System and method for health assessment of downhole tools | |
| US20150227122A1 (en) | Predictive maintenance method and system | |
| EP3361450B1 (en) | Vehicle component failure prevention | |
| CN112727965B (zh) | 采煤机制动器的故障监测方法及装置 | |
| CN112141843B (zh) | 用于检测电梯制动器制动性能的动态检测系统及方法 | |
| CN101868596B (zh) | 用于设计运输道路的系统和方法 | |
| CN108470095B (zh) | 基于数据驱动径向基函数模型的tbm推进力预测方法 | |
| CN101477340A (zh) | 基于索力监测的索结构中索系统的递进式健康监测方法 | |
| CN116651971B (zh) | 一种汽车冲压模具在线检测方法及系统 | |
| CN113420465B (zh) | 一种基于数字孪生模型的液压支架全寿命周期管理方法 | |
| Wang et al. | Determination of the minimum sample size for the transmission load of a wheel loader based on multi-criteria decision-making technology | |
| CN115438403A (zh) | 桥梁结构多因素耦合作用疲劳损伤与寿命的评估方法 | |
| CN116910680B (zh) | 一种健身器材的远程故障检测方法及系统 | |
| CN110726542B (zh) | 一种弹簧疲劳寿命的分析方法 | |
| CN111340275B (zh) | 基于随钻探测技术的隧道支护模式选型实时预测方法 | |
| CN117314264A (zh) | 结合web的功能模块化建筑结构运维监管系统及方法 | |
| CN113800352B (zh) | 一种电梯制动力矩检测方法及装置 | |
| Socie et al. | A field recording system with applications to fatique analysis | |
| CN116296305A (zh) | 具有在线故障自诊断功能的折弯机后挡料部件诊断方法 | |
| CN113392576A (zh) | 一种系留气球主缆绳拉力状态评估预警方法 | |
| CN108318261B (zh) | 车辆结构的监测方法及装置 | |
| CN117193058B (zh) | 一种基于无线通讯控制的环形穿梭车遥控系统及方法 | |
| CN114266013B (zh) | 基于深度学习虚拟感知网络的传动系统振动解耦方法 |
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 |