CN115292834A - 一种数字孪生装备故障诊断方法、装置及系统 - Google Patents

一种数字孪生装备故障诊断方法、装置及系统 Download PDF

Info

Publication number
CN115292834A
CN115292834A CN202210857171.0A CN202210857171A CN115292834A CN 115292834 A CN115292834 A CN 115292834A CN 202210857171 A CN202210857171 A CN 202210857171A CN 115292834 A CN115292834 A CN 115292834A
Authority
CN
China
Prior art keywords
bearing
digital twin
model
complete machine
twin model
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.)
Granted
Application number
CN202210857171.0A
Other languages
English (en)
Other versions
CN115292834B (zh
Inventor
王勇
李岩
徐慧
陶飞
程江峰
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.)
Beizisuo Beijing Technology Development Co ltd
Beihang University
Original Assignee
Beizisuo Beijing Technology Development Co ltd
Beihang 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 Beizisuo Beijing Technology Development Co ltd, Beihang University filed Critical Beizisuo Beijing Technology Development Co ltd
Priority to CN202210857171.0A priority Critical patent/CN115292834B/zh
Publication of CN115292834A publication Critical patent/CN115292834A/zh
Application granted granted Critical
Publication of CN115292834B publication Critical patent/CN115292834B/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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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

Abstract

本发明公开了一种数字孪生装备故障诊断方法、装置及系统，属于数字孪生和故障诊断领域；首先构建初始整机数字孪生模型，然后得到整机的仿真动态响应，之后根据仿真动态响应和实际动态响应调整初始轴承数字孪生模型得到目标轴承数字孪生模型，并根据目标轴承数字孪生模型得到目标整机数字孪生模型；最后将待检测轴承所属装备的整机信号输入到目标整机数字孪生模型中判断待检测轴承是否故障。由于目标整机数字孪生模型中的目标轴承数字孪生模型是根据整机的数据进行调整的，因此在实际判断轴承是否故障时，只需要根据整机信号即可，这样无需获取轴承的信号。而整机信号便于获取，避免了可供训练的数据较少的问题，大大提供了故障判断的准确性。

Description

一种数字孪生装备故障诊断方法、装置及系统
技术领域
本发明涉及数字孪生和故障诊断领域，特别地，涉及一种数字孪生装备故障诊断方法、装置及系统。
背景技术
根据相关数据统计物流装备故障中以轴承故障居多，其故障类型又以内、外圈和保持架断裂为主，这主要是因为物流装备车间中繁重的工作量，轴承在长时间工作后不可避免地会遭受损坏。如果不及时发现轴承故障，轻者会耽误生产转运进度，重者则会导致灾难性的生产事故。相反如果能在轴承故障的初期就能诊断出来，通过及时的更换就可以避免事故的发生，这对装备的健康和维护具有重要的意义和价值。
对于轴承的故障诊断，目前主流使用的方法主要分为两类，一类是基于信号处理的轴承故障诊断方法，通过安装相应的振动传感器，采集被监测轴承的振动信号，应用主流信号处理技术如小波变换、集成经验模态分解等，对轴承故障特征进行提取。应用信号处理算法进行诊断预测时，受到算法基本特点约束以及强噪声干扰，在处理低信噪比信号时效果有限，滤波效果有时并不明显。而且对于需要长时间移动的装备来说，安装传感器时的布线也是非常困难，虽然随着技术的进步无线传感器得到发展，但对于较早年代时期的装备来说，并没有预留安放位置，高端轴承虽然可以通过内置MEMS传感器来监测轴承状态，但对于常规制造业来说也增加了使用成本。
另一类是基于机器学习的轴承故障诊断方法，首先构建轴承故障诊断模型，然后对采集到的数据集进行划分，并打标签处理，通过划分训练集对诊断模型进行训练，提高模型精度，使诊断准确率达到最高。
应用机器学习算法进行诊断预测时，对诊断模型进行训练时不仅要求训练数据量要大，而且要求训练数据涵盖全面的诊断信息，训练和测试数据具有相同的特征分布。然而在实际制造中，只有正常情况下的数据才容易获得，很难收集全面和广泛的故障数据来完全训练诊断模型。
对于当前的物流行业来说，装备的智能化程度并不高，很难直接在轴承或者轴承座上安装传感器进行数据采集，只能在装备外壳上安装传感器，采集到的信号除包含大量噪声干扰外，还含有许多其他零部件的耦合信息，造成可用诊断训练的故障数据较少，而故障样本的缺失将导致故障检测的失败。
发明内容
为了克服现有技术的不足，本发明提供一种数字孪生装备故障诊断方法、装置及系统，以解决现有技术中可用诊断训练的故障数据较少，而故障样本的缺失将导致故障检测的失败的问题。
本发明解决其技术问题所采用的技术方案是：
第一方面，提供了一种数字孪生装备故障诊断方法，包括：
构建待检测轴承所属装备的初始整机数字孪生模型，所述初始整机数字孪生模型中包括所述轴承的初始轴承数字孪生模型；
根据所述初始轴承数字孪生模型得到所述轴承的仿真计算动态响应，并将所述仿真计算动态响应输入到初始整机数字孪生模型中，得到所述装备的仿真动态响应；
根据所述仿真动态响应和所述装备的实际动态响应调整所述初始轴承数字孪生模型，得到目标轴承数字孪生模型；根据所述目标轴承数字孪生模型得到目标整机数字孪生模型；
将待检测轴承所属装备的整机信号输入到所述目标整机数字孪生模型中判断所述待检测轴承是否故障。
进一步地，所述构建待检测轴承所属装备的初始整机数字孪生模型，包括：
构建装备的整机孪生模型，获取所述装备整机数据，根据所述整机数据和所述整机孪生模型构建不包括所述轴承的数字孪生模型；
获取所述轴承的轴承数据，所述轴承数据包括几何特征、材料参数、安装方式及润滑方式，根据所述轴承数据构建所述轴承的初始轴承数字孪生模型；
将所述初始轴承数字孪生模型嵌入所述不包括所述轴承的数字孪生模型中得到初始整机数字孪生模型。
进一步地，所述仿真计算动态响应为轴承正常状态下的动态响应；所述实际动态响应为所述轴承正常状态下所述装备的动态响应，根据所述仿真动态响应和所述装备的实际动态响应调整所述初始轴承数字孪生模型，得到目标轴承数字孪生模型，包括：
根据所述仿真动态响应和所述实际动态响应优化所述初始轴承数字孪生模型的参数，得到轴承正常状态下的正常轴承数字孪生模型；
根据轴承故障状态下的整机数据对所述正常轴承数字孪生模型进行优化得到目标轴承数字孪生数据。
进一步地，所述根据轴承故障状态下的整机数据对所述正常轴承数字孪生模型进行优化得到目标轴承数字孪生数据，包括：
根据所述正常轴承数字孪生模型得到正常整机数字孪生模型；
获取轴承故障时的装备整机信号，并将所述装备整机信号输入到所述正常整机数字孪生模型中，得到所述轴承的仿真故障数据；
根据所述轴承的仿真故障数据与所述轴承的实际故障数据优化所述正常轴承数字孪生模型得到目标轴承数字孪生模型。
进一步地，还包括：对所述目标整机数字孪生模型进行不同工况下的仿真模拟，得到所述轴承在不同工况下的仿真故障数据。
进一步地，还包括：采用生成对抗网络生成轴承故障数据。
进一步地，所述采用生成对抗网络生成轴承故障数据，包括：
对所述轴承的真实数据进行预处理，以便后续训练使用，所述真实数据为所述轴承在不同工况下的仿真故障数据；
构建WGAN-GP故障诊断模型，所述模型的生成器包含4个隐藏层，神经元个数分别为256、128、64和1；前2个隐藏层为全连接层，后2个隐藏层是一维反卷积，并且在前3层中采用ReLU激活函数，最后一层为Tanh激活函数；所述模型的判别器包含4个隐藏层，神经元个数分别为64、128、256和1，前2个隐藏层是一维卷积层，后2个隐藏层是全连接层，其中前3层的激活函数是ReLU，最后一层没有激活函数；
分别建立生成器和判别器的损失函数，进行生成器和判别器的对抗训练，选择预处理后轴承正常数据对WGAN-GP模型进行预训练，并更新生成器和判别器参数以完善WGAN-GP模型，当判别器与生成器的损失函数趋于收敛后训练结束，并将训练终止时判别器与生成器的参数作为网络模型参数，完成模型优化；
将轴承故障数据作为模型的输入得到足够用于后续进行分类诊断的仿真故障数据。
进一步地，还包括：
以轴承不同工况下的仿真故障数据为源域，以真实数据为目标域构建对抗领域自适应网络模型；
根据构建的自适应网络模型将WGAN-GP模型生成器生成的仿真故障数据迁移到物理空间。
第二方面，提供了一种数字孪生装备故障诊断装置，包括：
初始模型构建模块，用于构建待检测轴承所属装备的初始整机数字孪生模型，所述初始整机数字孪生模型中包括所述轴承的初始轴承数字孪生模型；
仿真动态响应获取模块，用于根据所述初始轴承数字孪生模型得到所述轴承的仿真计算动态响应，并将所述仿真计算动态响应输入到初始整机数字孪生模型中，得到所述装备的仿真动态响应；
目标模型获取模块，用于根据所述仿真动态响应和所述装备的实际动态响应调整所述初始轴承数字孪生模型，得到目标轴承数字孪生模型；根据所述目标轴承数字孪生模型得到目标整机数字孪生模型；
轴承故障判断模块，用于将待检测轴承所属装备的整机信号输入到所述目标整机数字孪生模型中判断所述待检测轴承是否故障。
第三方面，提供了一种数字孪生装备故障诊断系统，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器被配置为用于执行第一方面技术方案中任一项所述的方法。
有益效果：
本申请技术方案提供了一种数字孪生装备故障诊断方法、装置及系统，首先构建待检测轴承所属装备的初始整机数字孪生模型，其中，初始整机数字孪生模型中包括初始轴承数字孪生模型，然后根据初始轴承数字孪生模型的仿真计算动态响应得到整机的仿真动态响应，之后根据仿真动态响应和实际动态响应调整初始轴承数字孪生模型得到目标轴承数字孪生模型，并根据目标轴承数字孪生模型得到目标整机数字孪生模型；最后将待检测轴承所属装备的整机信号输入到目标整机数字孪生模型中判断待检测轴承是否故障。由于目标整机数字孪生模型中的目标轴承数字孪生模型是根据整机的数据进行调整的，因此在实际判断轴承是否故障时，只需要根据整机信号即可，这样无需获取轴承的信号。而整机信号便于获取，避免了可供训练的数据较少的问题，大大提供了故障判断的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种数字孪生装备故障诊断方法流程图；
图2是本发明实施例提供的一种具体的数字孪生装备故障诊断方法流程图；
图3是本发明实施例提供的一种生成对抗网络流程图；
图4是本发明实施例提供的一种WGAN-GP网络模型结构示意图；
图5是本发明实施例提供的一种对抗领域自适应网络模型结构示意图；
图6是本发明实施例提供的一种数字孪生装备故障诊断装置结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明的技术方案进行详细的描述说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
第一实施例，参照图1，本发明提供了一种数字孪生装备故障诊断方法，包括：
S11：构建待检测轴承所属装备的初始整机数字孪生模型，初始整机数字孪生模型中包括轴承的初始轴承数字孪生模型；
S12：根据初始轴承数字孪生模型得到轴承的仿真计算动态响应，并将所仿真计算动态响应输入到初始整机数字孪生模型中，得到装备的仿真动态响应；
S13：根据仿真动态响应和装备的实际动态响应调整初始轴承数字孪生模型，得到目标轴承数字孪生模型；根据目标轴承数字孪生模型得到目标整机数字孪生模型；
S14：将待检测轴承所属装备的整机信号输入到目标整机数字孪生模型中判断待检测轴承是否故障。
本发明实施例提供的一种数字孪生装备故障诊断方法，首先构建待检测轴承所属装备的初始整机数字孪生模型，其中，初始整机数字孪生模型中包括初始轴承数字孪生模型，然后根据初始轴承数字孪生模型的仿真计算动态响应得到整机的仿真动态响应，之后根据仿真动态响应和实际动态响应调整初始轴承数字孪生模型得到目标轴承数字孪生模型，并根据目标轴承数字孪生模型得到目标整机数字孪生模型；最后将待检测轴承所属装备的整机信号输入到目标整机数字孪生模型中判断待检测轴承是否故障。由于目标整机数字孪生模型中的目标轴承数字孪生模型是根据整机的数据进行调整的，因此在实际判断轴承是否故障时，只需要根据整机信号即可，这样无需获取轴承的信号。而整机信号便于获取，避免了可供训练的数据较少的问题，大大提供了故障判断的准确性。
第二实施例，本发明提供一种具体的数字孪生装备故障诊断方法，如图2所示：
首先，基于三维建模软件根据物理世界待检测轴承所属装备实体的几何属性、材料属性、物理属性在三维虚拟空间内对其进行仿真重构，并进行轻量化处理。将所构建好的三维模型导入到Unity3D中，并在Unity3D中进行场景的编辑与切换。需要说明的是，此时构建的装备三维模型，是装备整体模型，包含正常状态的轴承三维模型。
虽然可以在装备上直接加装振动传感器，但难以直接在轴承或者轴承座上安装传感器，从而直接获得轴承振动信号，尤其当轴承发生故障后，早期轴承故障仅会产生轻微振动与异响但不会影响装备正常工作，而轴承的轻微振动与异响会经过轴承座等其它零部件传输到装备外壳端，再由传感器接收，这就造成了所获取的振动信号中包含了其它零部件的振动信息，属于耦合信号，且在分析时难以分离。同时在物流装备中虽然轴承故障发生次数较多，但轴承的全生命周期并不算短，所以获取轴承全生命周期的信号并区分出正常信号、异常信号(包含不同磨损程度的信号)困难，且会影响装备正常工作运行。
相比于轴承信号的获取，物流装备整机的信号及系统响应获取则较为方便，将物流装备整机数据传输到Unity3D中，并基于OPC UA通讯协议、数据库等，使物理模型和虚拟模型相融合，二者可虚实映射、实时交互，完成物流装备整体的数字孪生模型建立。
构建轴承正常状态下的孪生模型，获取轴承的几何特征、材料参数、安装方式及润滑方式等；轴承几何模型通过三维建模软件1:1真实还原包含轴承的几何尺寸、形位公差及表面质量。
轴承的物理模型通过Ansys建立，根据轴承的材料密度、弹性模量、润滑方式及密度、外部载荷、转速、内外环境温度对其力学性能及热力耦合性能进行计算与分析，完成物理建模。
轴承的行为模型则通过MATLAB软件构建其动力学仿真模型，其动力学模型包括刚体动力学模型、热力学模型、润滑牵引模型、流体动力学模型。将几种动力学模型相融合，构建轴承的耦合模型。
完成初始轴承数字孪生模型建立，但并没有完成目标轴承数字孪生模型的建立，因为构建目标轴承数字孪生模型首要条件是在虚拟空间中构建实时映射的数字模型，不仅需要在结构外形及尺寸与物理模型保持一致，还需要与其拥有相同的系统响应，这就需要对物理系统进行参数追踪，同时所构建的初始轴承数字孪生模型虽然也能得到计算动力学响应但和实际动力学响应存在误差，这主要是由于所使用的单元类型、边界条件等差异造成的，这与数字孪生高保真的特点是相违背的。所以为了提高数字孪生模型的精度，实现物理系统向数字孪生模型的实时映射，需要对所构建的初始轴承数字孪生模型进行参数修正。
目前已知装备的整机数字孪生模型和动态响应(记为动态响应1)以及轴承仿真计算动态响应，这里采用逆推法，将轴承的仿真计算动态响应作为输入，传输到装备整体的数字孪生模型当中，在赋予装备工作运动流程，得到装备整体的动态响应(记为动态响应2)。
对比动态响应1和动态响应2，因为动态响应1是由装备实测数据而来，故根据动态响应1来调整动态响应2，动态响应2的调整同时也在影响着轴承的动态响应，根据有限元模型修正理论，轴承的动态响应更新会对其有限元模型参数进行迭代修正，最终得到的轴承有限元参数和动力学方程是与轴承的动态响应相对应的，从而完成了轴承正常状态下数字孪生模型的建立，即正常轴承数字孪生模型。
将正常轴承数字孪生模型嵌入到装备的整机数字孪生模型中得到装备新的整机数字孪生模型，该模型既能反映出装备整体的动态响应也能反映出轴承的动态响应。
将采集到的含有轴承故障时的装备整机信号输入到新的整机数字孪生模型中，就可以得到轴承故障时的一个动态响应，这个动态响应会引起轴承有限元模型及动力学方程的改变，在基于模型的故障参数识别原理，通过优化算法得到最符合实际状态的故障参数，这样就可以得到轴承故障时的数字孪生模型。
根据轴承故障时的数字孪生模型进行不同工况下的仿真模拟，就可以能得到轴承在不同工况下的故障数据及信号。
但这些不同工况下的轴承故障数据量仍不足以支持基于深度学习模型下的故障诊断，因此采用生成对抗网络来进行轴承故障数据的生成。
生成对抗网络(GAN)是由生成器G和判别器D两个互相对抗的部分组成的，其主要思想是通过会用对抗网络在提高生成样本的质量，这一过程可以用下式表达：
Figure BDA0003756068200000121
其中Pdata是真实数据分布，Pz是假的数据分布，V(D,G)表示真实样本和生成样本的差异程度，z表示噪声数据，E(·)表示求期望函数；G(·)表示生成器函数；D(·)表示判别器函数。
但是GAN在实际训练中会常出现训练不稳定，鲁棒性差的问题，且模型的训练依赖于生成器和判别器的超参数调节，如果没有指标来量化训练的进度，会导致模型崩塌，所以本方法采用WGAN-GP来生成数据，WGAN-GP是WGAN的改进，它采用梯度惩罚的方式改进了权重裁剪，根据判别器的输入直接约束判别器输出的梯度范数，实现Lipschitz约束，解决了梯度消失或者爆炸的问题，其收敛速度更快，稳定性更高，其损失函数可以表示为
Figure BDA0003756068200000122
式中：ρ为常数，常取10。pg和pr是两个分布
Figure BDA0003756068200000123
表示在xr和xg的连线上随机插值取样，xr服从pr分布，xg服从pg分布。
WGAN-GP中生成器的损失函数为V(G)＝1-D(G(z))。在网络的训练过程中，随机优化器Adam通过迭代减小L和V(G)来分别优化判别器和生成器的参数。
应用WGAN-GP模型生成具体数据过程如下：如图3和图4所示，(1)对所得轴承数据进行预处理；(2)构建WGAN-GP故障诊断模型，生成器包含4个隐藏层，神经元个数分别为256、128、64和1；前2个隐藏层为全连接层，后2个隐藏层是一维反卷积，并且在前3层中采用ReLU激活函数，最后一层为Tanh激活函数。判别器也包含4个隐藏层，神经元个数分别为64、128、256和1，前2个隐藏层是一维卷积层，后2两个隐藏层是全连接层，其中前3层的激活函数是ReLU，最后一层没有激活函数。(3)选择轴承正常数据对WGAN-GP模型进行预训练，生成器的输入数据为高斯噪声，生成器将标准正态分布噪声转换为与真实数据分布相似的数据，称之为伪数据；判别器的输入为生成器输出的伪数据(即与真实数据分布相似的数据)和真实数据，判别器努力区分真实数据和伪数据。(4)分别建立生成器和判别器的损失函数，进行生成器和判别器的对抗训练，并更新判别器参数。(5)经过多次训练后，当判别器与生成器的损失函数趋于收敛后训练结束，将训练终止时判别器与生成器的参数作为网络模型参数，形成完整的数据生成模型。
经生成对抗网络数据生成后，可得到大量不同工况下轴承的故障数据，但所得数据是通过轴承的数字孪生模型所得，属于信息空间内的数据，因此使用深度迁移学习知识，将信息空间内的数据转化为物理空间内的数据。这主要是因为通过仿真得到的数据不包含环境因素影响，会存在仿真与实测结果之间的差异，模型的泛化能力难以保证。所以应用迁移学习和领域自适应方法解决轴承数据在两个领域内差异的问题。
将对抗领域自适应网络(DANN)运用到轴承故障跨领域识别中，将深度特征学习、领域自适应和标签分类融合为一个训练过程，最小化不同工况下的数据特征差异，训练得到的模型既能对目标域进行预测，又不受两域特征差异的影响从而实现轴承故障诊断。
对抗领域自适应网络(DANN)构成如图5所示由特征提取器、标签分类预测器和领域判别器组成。其中故障标签分类损失度量了标签分类准确性，其损失函数为
Figure BDA0003756068200000141
式中yi为轴承样本的二元标签；Gf(xi)为信号xi经过特征提取器所映射的输出；Gy[Gf(x)]为故障标签经softmax函数的分类结果。故障标签分类预测器优化目标可表示为
Figure BDA0003756068200000142
式中R(W,b)用表示由超参数λ加权的L2正则化，用
Figure BDA0003756068200000143
表示第i个样本的故障标签预测损失。领域分类损失度量了领域自适应效果的好坏，其损失函数可表示为：
Figure BDA0003756068200000144
式中di为领域的二元标签；Gf(xi)为信号经过特征提取器所映射的输出；Gd[Gf(xi)]为领域标签经函数softmax的分类结果。梯度逆转通过将该层梯度取反实现，用
Figure BDA0003756068200000145
表示第i个样本的领域标签预测损失，领域分类器优化目标可表示为：
Figure BDA0003756068200000146
在分类问题中，使用softmax作为分类器激活函数。网络将目标域标签的分类损失和领域标签的分类损失考虑在内，模型损失函数由三部分组成l＝lc(DS,yS)+lc(DT,yT)+λld(DS,DT)式中lc(DS,yS)为源域信号的标签分类损失；lc(DT,yT)为目标域生成数据的标签分类损失；ld(DS,DT)为领域判别损失；λ为领域损失项影响因数。
以轴承在不同工况下的故障数据为源域，以真实数据为目标域构建DANN模型，使用长短时记忆层与全连接层相结合形成DANN模型特征提取器，并加入Dropout layer来防止发生过拟合，在区域分类器和类别标签预测器的最后一层分别使用softmax和线性激活函数。模型参数初始化后，进行微调，根据目标函数获取完整诊断模型，对轴承状态进行诊断与检测。
本发明实施例提供的具体的检测方法，通过装备的整机数字孪生模型间接实现对轴承孪生模型的迭代更新，从而在虚拟空间中得到轴承在全生命周期中的信息与数据，解决难以直接对轴承进行传感器安放、信息采集的难点；然后通过生成对抗网络实现大量故障数据的生成用于后续的诊断，生成对抗网络解决轴承孪生模型在各阶段，各故障模式下数据、信息量不足难以完成对故障模型的训练与测试；最后借助深度迁移学习实现轴承故障数据在虚拟空间到现实空间的转化，完成轴承的故障诊断。
第三实施例，本发明提供一种数字孪生装备故障诊断装置，如图6所示，包括：
初始模型构建模块61，用于构建待检测轴承所属装备的初始整机数字孪生模型，初始整机数字孪生模型中包括轴承的初始轴承数字孪生模型；具体地，初始模型构建模块61构建装备的整机孪生模型，获取装备整机数据，根据整机数据和整机孪生模型构建不包括轴承的数字孪生模型；获取轴承的轴承数据，轴承数据包括几何特征、材料参数、安装方式及润滑方式，根据轴承数据构建轴承的初始轴承数字孪生模型；将初始轴承数字孪生模型嵌入不包括轴承的数字孪生模型中得到初始整机数字孪生模型。
仿真动态响应获取模块62，用于根据初始轴承数字孪生模型得到轴承的仿真计算动态响应，并将仿真计算动态响应输入到初始整机数字孪生模型中，得到装备的仿真动态响应。
目标模型获取模块63，用于根据仿真动态响应和装备的实际动态响应调整初始轴承数字孪生模型，得到目标轴承数字孪生模型；根据目标轴承数字孪生模型得到目标整机数字孪生模型；仿真计算动态响应为轴承正常状态下的动态响应；实际动态响应为轴承正常状态下装备的动态响应，根据仿真动态响应和装备的实际动态响应调整初始轴承数字孪生模型，得到目标轴承数字孪生模型，包括：根据仿真动态响应和实际动态响应优化初始轴承数字孪生模型的参数，得到轴承正常状态下的正常轴承数字孪生模型；根据轴承故障状态下的整机数据对正常轴承数字孪生模型进行优化得到目标轴承数字孪生数据。
根据轴承故障状态下的整机数据对正常轴承数字孪生模型进行优化得到目标轴承数字孪生数据，包括：根据正常轴承数字孪生模型得到正常整机数字孪生模型；获取轴承故障时的装备整机信号，并将装备整机信号输入到正常整机数字孪生模型中，得到轴承的仿真故障数据；根据轴承的仿真故障数据与轴承的实际故障数据优化正常轴承数字孪生模型得到目标轴承数字孪生模型。
还包括：对目标整机数字孪生模型进行不同工况下的仿真模拟，得到轴承在不同工况下的仿真故障数据。还包括，采用生成对抗网络生成轴承的仿真故障数据。具体地，对抗网络采用WGAN-GP模型，WGAN-GP模型的生成器包含4个隐藏层，神经元个数分别为256、128、64和1；前2个隐藏层为全连接层，后2个隐藏层是一维反卷积，并且在前3层中采用ReLU激活函数，最后一层为Tanh激活函数；WGAN-GP模型的判别器包含4个隐藏层，神经元个数分别为64、128、256和1，前2个隐藏层是一维卷积层，后2个隐藏层是全连接层，其中前3层的激活函数是ReLU，最后一层没有激活函数。
此外，还包括：以轴承不同工况下的故障数据为源域，以真实数据为目标域构建对抗领域自适应网络模型；根据构建的自适应网络模型将WGAN-GP模型生成器生成的仿真故障数据迁移到物理空间。
轴承故障判断模块64，用于将待检测轴承所属装备的整机信号输入到目标整机数字孪生模型中判断待检测轴承是否故障。
本发明实施例提供的一种数字孪生装备故障诊断装置，初始模型构建模块构建待检测轴承所属装备的初始整机数字孪生模型；仿真动态响应获取模块根据初始轴承数字孪生模型得到轴承的仿真计算动态响应，并将所仿真计算动态响应输入到初始整机数字孪生模型中，得到装备的仿真动态响应；目标模型获取模块根据仿真动态响应和装备的实际动态响应调整初始轴承数字孪生模型，得到目标轴承数字孪生模型；根据目标轴承数字孪生模型得到目标整机数字孪生模型；轴承故障判断模块将待检测轴承所属装备的整机信号输入到目标整机数字孪生模型中判断待检测轴承是否故障。由于目标整机数字孪生模型中的目标轴承数字孪生模型是根据整机的数据进行调整的，因此在实际判断轴承是否故障时，只需要根据整机信号即可，这样无需获取轴承的信号。而整机信号便于获取，避免了可供训练的数据较少的问题，大大提供了故障判断的准确性。
第四实施例，本发明提供一种数字孪生装备故障诊断系统，包括：
处理器；
用于存储处理器可执行指令的存储器；
处理器被配置为用于执行第一实施例或第二实施例提供的数字孪生装备故障诊断方法。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种数字孪生装备故障诊断方法，其特征在于，包括：
构建待检测轴承所属装备的初始整机数字孪生模型，所述初始整机数字孪生模型中包括所述轴承的初始轴承数字孪生模型；
根据所述初始轴承数字孪生模型得到所述轴承的仿真计算动态响应，并将所述仿真计算动态响应输入到初始整机数字孪生模型中，得到所述装备的仿真动态响应；
根据所述仿真动态响应和所述装备的实际动态响应调整所述初始轴承数字孪生模型，得到目标轴承数字孪生模型；根据所述目标轴承数字孪生模型得到目标整机数字孪生模型；
将待检测轴承所属装备的整机信号输入到所述目标整机数字孪生模型中判断所述待检测轴承是否故障。
2.根据权利要求1所述的方法，其特征在于：所述构建待检测轴承所属装备的初始整机数字孪生模型，包括：
构建装备的整机孪生模型，获取所述装备整机数据，根据所述整机数据和所述整机孪生模型构建不包括所述轴承的数字孪生模型；
获取所述轴承的轴承数据，所述轴承数据包括几何特征、材料参数、安装方式及润滑方式，根据所述轴承数据构建所述轴承的初始轴承数字孪生模型；
将所述初始轴承数字孪生模型嵌入所述不包括所述轴承的数字孪生模型中得到初始整机数字孪生模型。
3.根据权利要求1所述的方法，其特征在于：所述仿真计算动态响应为轴承正常状态下的动态响应；所述实际动态响应为所述轴承正常状态下所述装备的动态响应，根据所述仿真动态响应和所述装备的实际动态响应调整所述初始轴承数字孪生模型，得到目标轴承数字孪生模型，包括：
根据所述仿真动态响应和所述实际动态响应优化所述初始轴承数字孪生模型的参数，得到轴承正常状态下的正常轴承数字孪生模型；
根据轴承故障状态下的整机数据对所述正常轴承数字孪生模型进行优化得到目标轴承数字孪生数据。
4.根据权利要求3所述的方法，其特征在于：所述根据轴承故障状态下的整机数据对所述正常轴承数字孪生模型进行优化得到目标轴承数字孪生数据，包括：
根据所述正常轴承数字孪生模型得到正常整机数字孪生模型；
获取轴承故障时的装备整机信号，并将所述装备整机信号输入到所述正常整机数字孪生模型中，得到所述轴承的仿真故障数据；
根据所述轴承的仿真故障数据与所述轴承的实际故障数据优化所述正常轴承数字孪生模型得到目标轴承数字孪生模型。
5.根据权利要求4所述的方法，其特征在于，还包括：对所述目标整机数字孪生模型进行不同工况下的仿真模拟，得到所述轴承在不同工况下的仿真故障数据。
6.根据权利要求5所述的方法，其特征在于，还包括：采用生成对抗网络生成轴承故障数据。
7.根据权利要求6所述的方法，其特征在于：所述采用生成对抗网络生成轴承故障数据，包括：
对所述轴承的真实数据进行预处理，以便后续训练使用，所述真实数据为所述轴承在不同工况下的仿真故障数据；
构建WGAN-GP故障诊断模型，所述模型的生成器包含4个隐藏层，神经元个数分别为256、128、64和1；前2个隐藏层为全连接层，后2个隐藏层是一维反卷积，并且在前3层中采用ReLU激活函数，最后一层为Tanh激活函数；所述模型的判别器包含4个隐藏层，神经元个数分别为64、128、256和1，前2个隐藏层是一维卷积层，后2个隐藏层是全连接层，其中前3层的激活函数是ReLU，最后一层没有激活函数；
分别建立生成器和判别器的损失函数，进行生成器和判别器的对抗训练，选择预处理后轴承正常数据对WGAN-GP模型进行预训练，并更新生成器和判别器参数以完善WGAN-GP模型，当判别器与生成器的损失函数趋于收敛后训练结束，并将训练终止时判别器与生成器的参数作为网络模型参数，完成模型优化；
将轴承故障数据作为模型的输入得到足够用于后续进行分类诊断的仿真故障数据。
8.根据权利要求7所述的方法，其特征在于，还包括：
以轴承不同工况下的仿真故障数据为源域，以真实数据为目标域构建对抗领域自适应网络模型；
根据构建的自适应网络模型将WGAN-GP模型生成器生成的仿真故障数据迁移到物理空间。
9.一种数字孪生装备故障诊断装置，其特征在于，包括：
初始模型构建模块，用于构建待检测轴承所属装备的初始整机数字孪生模型，所述初始整机数字孪生模型中包括所述轴承的初始轴承数字孪生模型；
仿真动态响应获取模块，用于根据所述初始轴承数字孪生模型得到所述轴承的仿真计算动态响应，并将所述仿真计算动态响应输入到初始整机数字孪生模型中，得到所述装备的仿真动态响应；
目标模型获取模块，用于根据所述仿真动态响应和所述装备的实际动态响应调整所述初始轴承数字孪生模型，得到目标轴承数字孪生模型；根据所述目标轴承数字孪生模型得到目标整机数字孪生模型；
轴承故障判断模块，用于将待检测轴承所属装备的整机信号输入到所述目标整机数字孪生模型中判断所述待检测轴承是否故障。
10.一种数字孪生装备故障诊断系统，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器被配置为用于执行权利要求1-8任一项所述的方法。
CN202210857171.0A 2022-07-20 2022-07-20 一种数字孪生装备故障诊断方法、装置及系统 Active CN115292834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210857171.0A CN115292834B (zh) 2022-07-20 2022-07-20 一种数字孪生装备故障诊断方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210857171.0A CN115292834B (zh) 2022-07-20 2022-07-20 一种数字孪生装备故障诊断方法、装置及系统

Publications (2)

Publication Number Publication Date
CN115292834A true CN115292834A (zh) 2022-11-04
CN115292834B CN115292834B (zh) 2023-04-21

Family

ID=83823443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210857171.0A Active CN115292834B (zh) 2022-07-20 2022-07-20 一种数字孪生装备故障诊断方法、装置及系统

Country Status (1)

Country Link
CN (1) CN115292834B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115700363A (zh) * 2022-11-07 2023-02-07 南京工业大学 采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质
CN116108717A (zh) * 2023-01-17 2023-05-12 中山大学 一种基于数字孪生的交通运输设备运行预测方法及装置
CN116340848A (zh) * 2023-03-31 2023-06-27 北京理工大学 一种基于数字孪生的发动机故障诊断方法
CN116341131A (zh) * 2023-02-13 2023-06-27 北京信息科技大学 基于数字孪生的再制造设计仿真系统、方法、设备及介质
CN116894190A (zh) * 2023-09-11 2023-10-17 江西南昌济生制药有限责任公司 轴承故障诊断方法、装置、电子设备和存储介质
CN117076935A (zh) * 2023-10-16 2023-11-17 武汉理工大学 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN117669388A (zh) * 2024-01-30 2024-03-08 武汉理工大学 故障样本生成方法、装置、计算机介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110442936A (zh) * 2019-07-24 2019-11-12 中国石油大学(北京) 基于数字孪生模型的设备故障诊断方法、装置及系统
CN111008502A (zh) * 2019-11-25 2020-04-14 北京航空航天大学 一种数字孪生驱动的复杂装备故障预测方法
CN111596604A (zh) * 2020-06-12 2020-08-28 中国科学院重庆绿色智能技术研究院 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法
CN112762100A (zh) * 2021-01-14 2021-05-07 哈尔滨理工大学 一种基于数字孪生的轴承全生命周期监测方法
CN113221280A (zh) * 2021-05-14 2021-08-06 西安交通大学 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
CN113221277A (zh) * 2021-05-14 2021-08-06 西安交通大学 一种基于数字孪生模型的轴承性能退化评估方法及系统
CN113465920A (zh) * 2021-06-08 2021-10-01 西安交通大学 云、雾、边缘端协同的轴承状态监测与管理方法及系统
CN113505655A (zh) * 2021-06-17 2021-10-15 电子科技大学 面向数字孪生系统的轴承故障智能诊断方法
CN113569475A (zh) * 2021-07-21 2021-10-29 上海工程技术大学 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统
CN113743019A (zh) * 2021-09-16 2021-12-03 北京航空航天大学 一种数字孪生增强的复杂设备健康监测方法
CN114004256A (zh) * 2021-11-01 2022-02-01 南京航空航天大学 基于数字孪生体的制造装备主轴承的故障诊断方法
WO2022037068A1 (zh) * 2021-03-22 2022-02-24 南京航空航天大学 一种机床轴承故障诊断方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110442936A (zh) * 2019-07-24 2019-11-12 中国石油大学(北京) 基于数字孪生模型的设备故障诊断方法、装置及系统
CN111008502A (zh) * 2019-11-25 2020-04-14 北京航空航天大学 一种数字孪生驱动的复杂装备故障预测方法
CN111596604A (zh) * 2020-06-12 2020-08-28 中国科学院重庆绿色智能技术研究院 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法
CN112762100A (zh) * 2021-01-14 2021-05-07 哈尔滨理工大学 一种基于数字孪生的轴承全生命周期监测方法
WO2022037068A1 (zh) * 2021-03-22 2022-02-24 南京航空航天大学 一种机床轴承故障诊断方法
CN113221280A (zh) * 2021-05-14 2021-08-06 西安交通大学 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
CN113221277A (zh) * 2021-05-14 2021-08-06 西安交通大学 一种基于数字孪生模型的轴承性能退化评估方法及系统
CN113465920A (zh) * 2021-06-08 2021-10-01 西安交通大学 云、雾、边缘端协同的轴承状态监测与管理方法及系统
CN113505655A (zh) * 2021-06-17 2021-10-15 电子科技大学 面向数字孪生系统的轴承故障智能诊断方法
CN113569475A (zh) * 2021-07-21 2021-10-29 上海工程技术大学 一种基于数字孪生技术的地铁轴箱轴承故障诊断系统
CN113743019A (zh) * 2021-09-16 2021-12-03 北京航空航天大学 一种数字孪生增强的复杂设备健康监测方法
CN114004256A (zh) * 2021-11-01 2022-02-01 南京航空航天大学 基于数字孪生体的制造装备主轴承的故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TAO FEI ET AL.: "Digital twin driven prognostics and health management for complex equipment" *
陶飞 等: "数字孪生及其应用探索" *
陶飞 等: "未来装备探索：数字孪生装备" *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115700363B (zh) * 2022-11-07 2023-08-08 南京工业大学 采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质
CN115700363A (zh) * 2022-11-07 2023-02-07 南京工业大学 采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质
CN116108717A (zh) * 2023-01-17 2023-05-12 中山大学 一种基于数字孪生的交通运输设备运行预测方法及装置
CN116108717B (zh) * 2023-01-17 2023-09-26 中山大学 一种基于数字孪生的交通运输设备运行预测方法及装置
CN116341131A (zh) * 2023-02-13 2023-06-27 北京信息科技大学 基于数字孪生的再制造设计仿真系统、方法、设备及介质
CN116341131B (zh) * 2023-02-13 2023-08-25 北京信息科技大学 基于数字孪生的再制造设计仿真系统、方法、设备及介质
CN116340848A (zh) * 2023-03-31 2023-06-27 北京理工大学 一种基于数字孪生的发动机故障诊断方法
CN116340848B (zh) * 2023-03-31 2023-11-14 北京理工大学 一种基于数字孪生的发动机故障诊断方法
CN116894190A (zh) * 2023-09-11 2023-10-17 江西南昌济生制药有限责任公司 轴承故障诊断方法、装置、电子设备和存储介质
CN116894190B (zh) * 2023-09-11 2023-11-28 江西南昌济生制药有限责任公司 轴承故障诊断方法、装置、电子设备和存储介质
CN117076935A (zh) * 2023-10-16 2023-11-17 武汉理工大学 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN117076935B (zh) * 2023-10-16 2024-02-06 武汉理工大学 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN117669388A (zh) * 2024-01-30 2024-03-08 武汉理工大学 故障样本生成方法、装置、计算机介质

Also Published As

Publication number Publication date
CN115292834B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
CN115292834A (zh) 一种数字孪生装备故障诊断方法、装置及系统
KR102226687B1 (ko) 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법
WO2017094267A1 (ja) 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
US7930122B2 (en) Evaluating anomaly for one-class classifiers in machine condition monitoring
CN111178553A (zh) 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统
Baraldi et al. Reconstruction of missing data in multidimensional time series by fuzzy similarity
CN112633339A (zh) 轴承故障智能诊断方法、诊断系统、计算机设备及介质
CN113032929A (zh) 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法
KR102321607B1 (ko) 기계의 결함 검출 장치 및 방법
KR102383139B1 (ko) 인공지능 기반의 산업설비 고장예측 진단을 위한 데이터 학습 라벨링 시스템 및 그 방법
CN113627317A (zh) 一种基于单样本学习的电机轴承故障诊断方法
CN111581880A (zh) 基于apso-dbn的滚动轴承剩余寿命预测方法
CN114091553A (zh) 一种滚动轴承故障的诊断方法
Qin et al. Remaining useful life prediction for rotating machinery based on optimal degradation indicator
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
Li et al. An orthogonal wavelet transform-based K-nearest neighbor algorithm to detect faults in bearings
Senanayaka et al. Similarity-based multi-source transfer learning approach for time series classification
Bobylev et al. Simulation-based transfer learning for support stiffness identification
Yan et al. Bearing performance degradation assessment based on the continuous-scale mathematical morphological particle and feature fusion
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
Mahesh et al. Data-driven intelligent condition adaptation of feature extraction for bearing fault detection using deep responsible active learning
KR20230100999A (ko) 회전 기계 설비의 탁월 주파수 결정 방법, 및 이를 수행하는 컴퓨팅 시스템
Caricato et al. Prognostic techniques for aeroengine health assessment and Remaining Useful Life estimation
Brandao et al. Fault Diagnosis of Rotary Machines Using Machine Learning
CN117407784B (zh) 面向传感器数据异常的旋转机械智能故障诊断方法及系统

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