CN114912371B - 一种贯流泵运行稳定检测的数字孪生体建模系统及方法 - Google Patents
一种贯流泵运行稳定检测的数字孪生体建模系统及方法 Download PDFInfo
- Publication number
- CN114912371B CN114912371B CN202210666602.5A CN202210666602A CN114912371B CN 114912371 B CN114912371 B CN 114912371B CN 202210666602 A CN202210666602 A CN 202210666602A CN 114912371 B CN114912371 B CN 114912371B
- Authority
- CN
- China
- Prior art keywords
- subsystem
- digital twin
- model
- scheme
- real
- 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]
- G06F30/20—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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D13/00—Pumping installations or systems
- F04D13/02—Units comprising pumps and their driving means
- F04D13/06—Units comprising pumps and their driving means the pump being electrically driven
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Control Of Positive-Displacement Pumps (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种贯流泵运行稳定检测的数字孪生体建模系统及方法,系统包括:物理实体子系统、数字孪生体子系统、数据库学习子系统、状态识别优化子系统、诊断预测子系统。本发明通过构建贯流泵及装置的数字孪生模型,可对贯流泵及装置的运行稳定性进行实时监测,计算机基于数据学习,对当前运行工况进行状态识别,提供相应优化方案,提升机组工作效率,虚拟实际交互可完成对贯流泵的故障诊断,寿命预测,以改变传统的定期停机检修模式,降低维护成本,提升泵站经济效益。
Description
技术领域
本发明涉及贯流泵技术领域,特别是涉及一种贯流泵运行稳定检测的数字孪生体建模系统及方法。
背景技术
贯流泵作为卧式轴流泵的一种,由于其扬程低、流量大、效率高、造价低等特点,贯流泵机组已被作为开发低水头资源既经济又实用的主导机型,并已在国内外广泛应用。需要兴建一批扬程低、流量大、年运行时间长的泵站,贯流式机组由于上述的特点而成为首选,贯流泵站包括电动机、减速装置和水泵系统等,组成复杂。如今,泵站系统出现故障的时候,通常需要停机检修,传统的定期停机维修和维护的方式在当今的智能化时代中已越来越突显其缺点,停机维修和维护所造成的设备故障,停机损失和设备维修费用等已经引起高度关注。所以,实现贯流泵站的信息化与智能化,通过建立数字孪生模型的方式对贯流泵站中的机组进行实时的运行可靠性监测并进行相对应的寿命预测以此合理减少相关费用成为本领域技术人员亟需解决的问题。
发明内容
本发明的目的在于实现贯流泵及装置的信息化与智能化,对贯流泵及装置运行稳定性进行稳定性监测,改变传统的人为干预定期检修的问题,从而提高贯流泵站的经济效益。
为实现上述目的,本发明提供了如下方案:
一种贯流泵运行稳定检测的数字孪生体建模系统,包括:
物理实体子系统:用于采集贯流泵站的运行数据并分别传输给数字孪生体子系统、状态识别优化子系统;
数字孪生体子系统:用于接收所述运行数据并构建实时数字孪生模型,将所述实时数字孪生模型传输至数据库学习子系统;
数据库学习子系统:用于通过所述实时数字孪生模型对所述贯流泵站进行优化,获得所述实时数字孪生模型对应的最优方案;
状态识别优化子系统:用于检测所述物理实体子系统传输的实时数据,同时对当前所述贯流泵站的运行状态进行判断,获得总体优化方案;
诊断预测子系统:用于将所述物理实体子系统与所述数据库学习子系统进行交互,对所述贯流泵站的运行状态进行监测。
优选地,所述物理实体子系统包括贯流泵站单元及数据采集单元,其中所述贯流泵站单元中贯流泵控制中枢实时控制贯流泵站运行,所述数据采集单元用于采集所述贯流泵站的运行数据,并将所述运行数据转换为数字信号,将所述数字信号传输至所述数字孪生体子系统中。
优选地,所述运行数据包括进出口压力、电动阀门开度、泵和轴承箱上配备测量振动的数值以及电动机转速。
优选地,所述数字孪生体子系统包括:
三维建模单元:用于根据所述贯流泵站的设计参数完成对所述贯流泵站的三维建模,得到贯流泵站的三维模型;
模型构建单元:基于所述运行数据对所述贯流泵站的三维模型进行数值模拟,获得所述实时数字孪生模型;其中所述数值模拟包括力学模拟、声学模拟和热力学模拟。
优选地,所述数据库学习子系统中包括:
模型数据库:用于以所述贯流泵稳定工作时的模型及对应数据方案为目标,调用优化算法,对所述稳定工作时的模型进行智能优化,获得最优参数方案;
方案数据库:用于接收所述实时数字孪生模型,通过计算机学习所述实时数字孪生模型稳定运行时对应的数字孪生模型,通过优化算法对所述数字孪生模型进行优化,得到效率最优方案,并进行数值计算验证所述最优方案。
优选地,所述优化算法包括粒子群算法、混合引力搜索算法和蝙蝠算法。
优选地,对当前所述贯流泵站的运行状态进行判断,包括:
将所述物理实体子系统中的运行数据同步传输至所述状态识别优化子系统,鉴别所述贯流泵站的运行状态,将当前工况与所述实时数字孪生模型对应的最优方案进行对比,若当前工况与所述最优方案一致,则所述物理实体子系统输出当前最优运行方案;若所述当前工况与最优方案不一致,则调用算法对所述当前工况进行优化,并基于优化后的方案数据库中的优化方案进行输出,将优化后的方案传输至所述物理实体子系统执行。
优选地,所述诊断预测子系统对所述贯流泵站的运行状态进行监测,包括:
将所述物理实体子系统与所述数据库学习子系统进行模拟实体交互,将交互后的数据传输至所述诊断预测子系统中,对所述贯流泵及其装置的运行状态进行稳定性监测,并在稳定运行的基础上对运行方案进行优化调整,用于提升运行效率。
一种贯流泵运行稳定检测的数字孪生体建模方法,包括:
通过物理实体子系统将贯流泵站中的运行数据转换为数字信号,将所述数字信号实时传输给数字孪生体子系统;
基于所述数字孪生体子系统构建实时数字孪生模型,将所述实时数字孪生模型传输到所述数据库学习子系统中,计算所述物理实体子系统运行时对应的数字孪生模型,对所述对应的数字孪生模型进行优化并验证;
通过状态识别优化子系统检测所述物理实体子系统传输的实时数据,同时对当前所述贯流泵站的运行状态进行判断,获得总体优化方案;
基于诊断预测子系统将所述物理实体子系统与所述数据库学习子系统进行虚拟实体交互,对所述贯流泵站的运行状态进行监测。
本发明的有益效果为:
本发明通过构建贯流泵及装置的数字孪生模型,可对贯流泵及装置的运行稳定性进行实时监测,计算机基于数据学习,对当前运行工况进行状态识别,提供相应优化方案,提升机组工作效率,虚拟实际交互可完成对贯流泵的故障诊断,寿命预测,以改变传统的定期停机检修模式,降低维护成本,提升泵站经济效益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的贯流泵运行稳定检测的数字孪生体建模系统结构示意图;
图2为本发明实施例的物理实体子系统结构示意图;
图3为本发明实施例的数字孪生体子系统结构示意图;
图4为本发明实施例的数据库学习子系统的结构示意图;
图5为本发明实施例的状态识别优化子系统结构示意图;
图6为本发明实施例的贯流泵数值模拟流线图。
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,所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如附图1-6,本实施例提供一种贯流泵运行稳定检测的数字孪生体建模系统,包括:
物理实体子系统:用于采集贯流泵站的运行数据并分别传输给数字孪生体子系统、状态识别优化子系统;
数字孪生体子系统:用于接收所述运行数据并构建实时数字孪生模型,将所述实时数字孪生模型传输至数据库学习子系统;
数据库学习子系统:用于通过所述实时数字孪生模型对所述贯流泵站进行优化,获得所述实时数字孪生模型对应的最优方案;
状态识别优化子系统:用于检测所述物理实体子系统传输的实时数据,同时对当前所述贯流泵站的运行状态进行判断,获得总体优化方案;
诊断预测子系统:用于将所述物理实体子系统与所述数据库学习子系统进行交互,对所述贯流泵站的运行状态进行监测。
为实现贯流泵的信息智能化,工况检测及优化,健康诊断及预测,本实施例还提供了一种贯流泵运行稳定检测的数字孪生体建模方法,包括如下步骤:
步骤1:贯流泵站运行,在物理实体子系统中(如附图2),贯流泵控制中枢实时控制泵站运行,各种传感器检测运行时关键数据,如进出口压力、电动阀门开度、泵和轴承箱上配备测量振动的数值及电动机转速等,传感器设备高频率采样,以保证其准确性,在采集数据过程中,综合考虑传输距离,数据延迟等因素,同步传输数据至数字孪生体系统中。
步骤2:在数字孪生体子系统中(如附图3),基础的贯流泵三维模型利用设计参数可使用NX UG、Creo、SolidWorks等软件完成,利用步骤1中输出的关键数据,对模型开展实时数值模拟,数值模拟过程可由CFX、fluent、STAR-ccm+、Numeca等软件实现,在数值模拟过程中对模型从力学、声学、热力学等多方面进行分析,模拟贯流泵及装置内叶轮室进口前、转轮前、转轮与导叶之间、导叶之后与扩散段的压力脉动,从压力脉动中分析转轮之间的动静干扰,导叶,叶轮之间的流态,旋转产生的回流对流动以及对叶片汽蚀的影响;对贯流泵及装置进行流固耦合分析,对结构主应力分布以及结构在x、y、z 方向上的速度及位移分布进行综合分析,从上述分析中监测联轴器与轴承之间的振动特性,计算结构之间的动响应,在数值模拟过程中完成对贯流泵及装置的动态监测,数据实时更新同时,数值模拟过程也实时进行,由此产生对应的数字孪生模型,模型传输至模型及方案数据库中。
步骤3:数字孪生模型传输至数据库学习子系统后,计算机对模型及方案数据库进行智能学习,主要以贯流泵稳定工作时的模型及对应数据方案为目标,此后,调用优化算法对稳定运行时方案进行智能优化以获得此工况下的最优参数方案,其中的优化算法可由粒子群算法、混合引力搜索算法、蝙蝠算法等实现(如附图4)。
寻优完成后获得对应工况优化方案并将此方案传输回模型及方案数据库中,完成一次工况下的学习,由于数字孪生模型实时更新,此过程同步进行,不断学习,则数据库中模型及方案不断增加,于是数字孪生模型越来越准确,在保证实时性的条件下精度越来越高,基于数字孪生模型中对贯流泵及装置的压力脉动及流固耦合分析,在此基础上,可以更全面的模拟贯流泵及装置的内流、叶片、导叶、转子、轴承、联轴器、流道等的振动特性及力学效应,以此对贯流泵及装置的叶片及导叶因汽蚀产生的叶片裂纹进行合理预测分析,对轴承,联轴器之间的振动特性及力学角度进行分析,以此得到更全面的疲劳计算,通过压力脉动可以分析各个关键部件之间的振动响应,以此对泵房振动及噪音在声学上进行优化,通过对贯流泵及装置的热力学模拟,分析转子高速旋转产生热量对轴承联轴器的影响,在此过程中完成对贯流泵及装置的稳定性预测。
步骤4:泵站实时运行时,传感器数据同步传输至状态识别优化子系统(如附图5),数据传输综合考虑低延迟、低能耗、高采样率等特点,保证其实时性,在状态识别优化子系统里,检测到数据波动的情况下,计算机基于步骤3中的模型及方案数据库对当前工况下的泵运行状态进行识别,若为异常运行,该系统将基于数据库输出正常运行方案,若为正常运行,该系统基于数据库输出其对应状态下的优化方案,对应最优方案传输至物理实体子系统进行执行,执行后重复上述步骤1、2、3,计算机继续进行学习,保证数字孪生模型可信度。
步骤5:在物理实体子系统及数据库学习子系统二者的融合下,虚拟实体交互,数据传输至诊断预测系统中,基于计算机的深度学习以及作出优化方案后实际运行,数字孪生模型与实际模型交互融合,对贯流泵及装置的运行状态进行稳定性监测,在稳定运行基础上对运行方案进行优化调整,提升运行效率,使系统更为节能,同时物理实体子系统中的各项数据检测与数字孪生模型的结合,相较于传统的监测技术,能预测叶片、导叶因疲劳而产生的叶片裂纹,也能预测联轴器、轴承、转子之间的疲劳特性以获得更全面的力学效应,通过压力脉动可以分析各个关键部件之间的振动响应,以此对泵房振动及噪音在声学上进行优化,通过对贯流泵及装置的热力学模拟,分析转子高速旋转产生热量对轴承联轴器的影响,通过上述分析可对贯流泵及装置进行科学合理的故障诊断及寿命预测。
通过上述步骤详细描述了本发明的基本原理及智能化之后相对于传统方式的主要特征及优点。相关领域技术人员应该了解,本发明及所述实施例中所涉及的贯流泵及装置运行稳定性监测的数字孪生建模方法,除作为数字孪生应用于贯流泵的稳定运行检测外,改进后也同样适用于泵站系统优化及系统调节,适用于各种含泵领域,此衍生的改变也属于本发明范围。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种贯流泵运行稳定检测的数字孪生体建模系统,其特征在于,包括:
物理实体子系统:用于采集贯流泵站的运行数据并分别传输给数字孪生体子系统、状态识别优化子系统;
数字孪生体子系统:用于接收所述运行数据并构建实时数字孪生模型,将所述实时数字孪生模型传输至数据库学习子系统;
数据库学习子系统:用于通过所述实时数字孪生模型对所述贯流泵站进行优化,获得所述实时数字孪生模型对应的最优方案;
状态识别优化子系统:用于检测所述物理实体子系统传输的实时数据,同时对当前所述贯流泵站的运行状态进行判断,获得总体优化方案;
诊断预测子系统:用于将所述物理实体子系统与所述数据库学习子系统进行交互,对所述贯流泵站的运行状态进行监测;
所述数据库学习子系统中包括:
模型数据库:用于以所述贯流泵稳定工作时的模型及对应数据方案为目标,调用优化算法,对所述稳定工作时的模型进行智能优化,获得最优参数方案;
方案数据库:用于接收所述实时数字孪生模型,通过计算机学习所述实时数字孪生模型稳定运行时对应的数字孪生模型,通过优化算法对所述数字孪生模型进行优化,得到效率最优方案,并进行数值计算验证所述最优方案。
2.根据权利要求1所述的贯流泵运行稳定检测的数字孪生体建模系统,其特征在于,所述物理实体子系统包括贯流泵站单元及数据采集单元,其中所述贯流泵站单元中贯流泵控制中枢实时控制贯流泵站运行,所述数据采集单元用于采集所述贯流泵站的运行数据,并将所述运行数据转换为数字信号,将所述数字信号传输至所述数字孪生体子系统中。
3.根据权利要求2所述的贯流泵运行稳定检测的数字孪生体建模系统,其特征在于,所述运行数据包括进出口压力、电动阀门开度、泵和轴承箱上配备测量振动的数值以及电动机转速。
4.根据权利要求1所述的贯流泵运行稳定检测的数字孪生体建模系统,其特征在于,所述数字孪生体子系统包括:
三维建模单元:用于根据所述贯流泵站的设计参数完成对所述贯流泵站的三维建模,得到贯流泵站的三维模型;
模型构建单元:基于所述运行数据对所述贯流泵站的三维模型进行数值模拟,获得所述实时数字孪生模型;其中所述数值模拟包括力学模拟、声学模拟和热力学模拟。
5.根据权利要求1所述的贯流泵运行稳定检测的数字孪生体建模系统,其特征在于,所述优化算法包括粒子群算法、混合引力搜索算法和蝙蝠算法。
6.根据权利要求1所述的贯流泵运行稳定检测的数字孪生体建模系统,其特征在于,对当前所述贯流泵站的运行状态进行判断,包括:
将所述物理实体子系统中的运行数据同步传输至所述状态识别优化子系统,鉴别所述贯流泵站的运行状态,将当前工况与所述实时数字孪生模型对应的最优方案进行对比,若当前工况与所述最优方案一致,则所述物理实体子系统输出当前最优运行方案;若所述当前工况与最优方案不一致,则调用算法对所述当前工况进行优化,并基于优化后的方案数据库中的优化方案进行输出,将优化后的方案传输至所述物理实体子系统执行。
7.根据权利要求1所述的贯流泵运行稳定检测的数字孪生体建模系统,其特征在于,所述诊断预测子系统对所述贯流泵站的运行状态进行监测,包括:
将所述物理实体子系统与所述数据库学习子系统进行模拟实体交互,将交互后的数据传输至所述诊断预测子系统中,对所述贯流泵及其装置的运行状态进行稳定性监测,并在稳定运行的基础上对运行方案进行优化调整,用于提升运行效率。
8.一种贯流泵运行稳定检测的数字孪生体建模方法,其特征在于,包括:
通过物理实体子系统将贯流泵站中的运行数据转换为数字信号,将所述数字信号实时传输给数字孪生体子系统;
基于所述数字孪生体子系统构建实时数字孪生模型,将所述实时数字孪生模型传输到数据库学习子系统中,计算所述物理实体子系统运行时对应的数字孪生模型,对所述对应的数字孪生模型进行优化并验证;其中,所述数据库学习子系统包括:模型数据库、方案数据库,所述模型数据库用于以所述贯流泵稳定工作时的模型及对应数据方案为目标,调用优化算法,对所述稳定工作时的模型进行智能优化,获得最优参数方案;所述方案数据库用于接收所述实时数字孪生模型,通过计算机学习所述实时数字孪生模型稳定运行时对应的数字孪生模型,通过优化算法对所述数字孪生模型进行优化,得到效率最优方案,并进行数值计算验证所述最优方案;
通过状态识别优化子系统检测所述物理实体子系统传输的实时数据,同时对当前所述贯流泵站的运行状态进行判断,获得总体优化方案;
基于诊断预测子系统将所述物理实体子系统与所述数据库学习子系统进行虚拟实体交互,对所述贯流泵站的运行状态进行监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210666602.5A CN114912371B (zh) | 2022-06-13 | 2022-06-13 | 一种贯流泵运行稳定检测的数字孪生体建模系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210666602.5A CN114912371B (zh) | 2022-06-13 | 2022-06-13 | 一种贯流泵运行稳定检测的数字孪生体建模系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114912371A CN114912371A (zh) | 2022-08-16 |
CN114912371B true CN114912371B (zh) | 2023-04-07 |
Family
ID=82769974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210666602.5A Active CN114912371B (zh) | 2022-06-13 | 2022-06-13 | 一种贯流泵运行稳定检测的数字孪生体建模系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114912371B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115329493B (zh) * | 2022-08-17 | 2023-07-14 | 兰州理工大学 | 一种基于离心泵数字孪生模型的叶轮机械故障检测方法 |
CN115470682B (zh) * | 2022-10-20 | 2023-05-05 | 江苏大学 | 基于数字孪生的泵站机组水力部件磨损及寿命预测方法 |
CN115660509B (zh) * | 2022-12-26 | 2023-06-27 | 沈阳创新设计研究院有限公司 | 一种基于数字孪生技术的工厂建造管控方法及系统 |
CN116557307B (zh) * | 2023-05-08 | 2024-01-26 | 江苏大学 | 一种立式轴流泵装置的优化方法及优化系统 |
CN116307263B (zh) * | 2023-05-11 | 2023-08-11 | 武汉理工大学 | 基于数字孪生的泵站全流程动态智能调度方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021227325A1 (zh) * | 2020-05-13 | 2021-11-18 | 中国电子科技集团公司第十四研究所 | 一种基于数字孪生的生产过程仿真优化方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020102819A4 (en) * | 2020-10-16 | 2020-12-10 | Beihang University | Digital-twin-driven method and system for fault diagnosis of subsea production system of offshore oil |
CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
CN112417619B (zh) * | 2020-11-23 | 2021-10-08 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
CN113128561A (zh) * | 2021-03-22 | 2021-07-16 | 南京航空航天大学 | 一种机床轴承故障诊断方法 |
CN113705095B (zh) * | 2021-08-27 | 2024-03-19 | 西安科技大学 | 一种循环水泵数字孪生建模方法 |
CN114021400A (zh) * | 2021-09-23 | 2022-02-08 | 中铁第一勘察设计院集团有限公司 | 基于数字孪生的受电弓监控运维系统 |
CN113919230A (zh) * | 2021-10-20 | 2022-01-11 | 中国兵器装备集团自动化研究所有限公司 | 一种复杂设备运行的建模评估方法及系统 |
CN114109949B (zh) * | 2021-11-16 | 2024-05-14 | 大连海事大学 | 一种阀口独立控制电液系统的数字孪生优化控制系统及方法 |
CN114089706A (zh) * | 2021-11-17 | 2022-02-25 | 江苏科技大学 | 基于数字孪生的离心机状态监测与故障预测的系统、介质和方法 |
-
2022
- 2022-06-13 CN CN202210666602.5A patent/CN114912371B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021227325A1 (zh) * | 2020-05-13 | 2021-11-18 | 中国电子科技集团公司第十四研究所 | 一种基于数字孪生的生产过程仿真优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114912371A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114912371B (zh) | 一种贯流泵运行稳定检测的数字孪生体建模系统及方法 | |
WO2019218408A1 (zh) | 一种基于物联网的水泵机组典型健康状态监测装置及方法 | |
GB2608476A (en) | Intelligent parallel pumping system and optimal regulating method thereof | |
CN111365158A (zh) | 水轮机转轮实时状态评估和生命周期管理预测系统 | |
CN109033930B (zh) | 基于故障机理和统计模型在线学习的设备故障诊断方法 | |
CN108981796B (zh) | 一种五位一体水力机械故障诊断方法 | |
CN112832999B (zh) | 一种基于多传感器数据融合的电泵井工况诊断系统及方法 | |
CN111963415A (zh) | 一种液压柱塞泵的故障诊断方法及系统 | |
CN116380166A (zh) | 一种设备异常监测方法、电子设备及存储介质 | |
CN112861425A (zh) | 结合机理与神经网络的双轴燃气轮机性能状态检测方法 | |
CN113378329A (zh) | 基于数字孪生的轴向柱塞泵状态监测方法 | |
CN114576152A (zh) | 水泵状态监测系统、监测方法、装置、电子设备和介质 | |
CN106599422B (zh) | 叶片泵转子系统的振动仿真分析方法及其装置 | |
CN110513336B (zh) | 一种电站燃气轮机离线水洗时间的确定方法 | |
CN110332080B (zh) | 一种基于共振响应的风机叶片健康实时监测方法 | |
Feng et al. | Gas turbine blade fracturing fault diagnosis based on broadband casing vibration | |
CN113446146A (zh) | 一种在线水轮机效率试验方法 | |
CN117540163A (zh) | 泵性能曲线生成方法、模型构建和训练方法及装置 | |
CN102384088B (zh) | 基于转矩流量智能软测量的涡旋压缩机控制系统及方法 | |
TWI447302B (zh) | 泵浦系統的診斷裝置及其性能診斷方法 | |
Ren et al. | Research on fault feature extraction of hydropower units based on adaptive stochastic resonance and fourier decomposition method | |
CN115688510B (zh) | 基于数字孪生的泵水力和结构协同优化设计系统与方法 | |
CN116976191A (zh) | 一种水轮发电机组轴系稳定性劣化趋势预测方法 | |
CN202381337U (zh) | 基于转矩流量智能软测量的涡旋压缩机控制系统 | |
CN114526254A (zh) | 一种离心式压缩机能耗评估方法、装置 |
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 |