CN115496107A - 基于数字孪生的航空发动机主轴轴承全生命周期分析方法 - Google Patents
基于数字孪生的航空发动机主轴轴承全生命周期分析方法 Download PDFInfo
- Publication number
- CN115496107A CN115496107A CN202211218654.2A CN202211218654A CN115496107A CN 115496107 A CN115496107 A CN 115496107A CN 202211218654 A CN202211218654 A CN 202211218654A CN 115496107 A CN115496107 A CN 115496107A
- Authority
- CN
- China
- Prior art keywords
- main shaft
- shaft bearing
- digital twin
- aircraft engine
- engine
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 86
- 238000004519 manufacturing process Methods 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 49
- 238000012423 maintenance Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 65
- 238000004088 simulation Methods 0.000 claims description 29
- 238000000227 grinding Methods 0.000 claims description 22
- 238000010438 heat treatment Methods 0.000 claims description 22
- 238000005520 cutting process Methods 0.000 claims description 21
- 238000005242 forging Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 238000010310 metallurgical process Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000003754 machining Methods 0.000 claims description 9
- 229910000831 Steel Inorganic materials 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 239000010959 steel Substances 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims description 2
- 238000004026 adhesive bonding Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- 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
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明所述的是一种基于数字孪生的航空发动机主轴轴承全生命周期分析方法，包括四大步骤：步骤1，建立数字孪生车间，在数字孪生车间的基础上建立基于数字孪生的航空发动机主轴轴承的制造工艺。步骤2，建立航空发动机主轴轴承数字孪生模型，依据多参数数据实时监测或模拟仿真主轴轴承的运动状态。步骤3，提取待分析的振动信号，降噪处理后输入训练完成的人工神经网络，智能识别主轴轴承的故障类型。步骤4，仿真航空发动机主轴轴承加速疲劳寿命试验，对试验结果进行寿命分析，制定主轴轴承的维护策略。本发明通过将基于数字孪生的航空发动机主轴轴承制造工艺的影响引入到主轴轴承故障诊断当中，为主轴轴承的可靠性分析上提供了新思路。
Description
技术领域
本发明属于机械故障诊断、可靠性分析领域，涉及基于数字孪生的航空发动机主轴轴承全生命周期分析方法。
背景技术
航空发动机主轴轴承作为现代航空发动机中的关键零部件，它的主要功能是在高温、重载、高速和断油等恶劣的环境下支撑航空发动机主轴的旋转，降低主轴高速旋转过程中的摩擦系数，并可靠地保证航空发动机主轴工作时的回转精度和动力传输。航空发动机主轴轴承的制造需要复杂的工艺以及精密的加工以保证其高性能及高可靠性，而如何智能的完成主轴轴承的生产制造并且保障轴承的强度和精度，快速的分辨出轴承的故障类别和高效的计算分析、预测轴承的剩余使用寿命是当今研究的重点。
建立一个高保真和计算效率高的航空发动机主轴轴承数字孪生全生命周期是一个有价值的解决方案。数字孪生是将现实世界的物理实体以数字化的方式建立虚拟实体，再通过数据把物理实体与虚拟实体连接起来，把数据融合，包含大数据、云计算、传感器等信息技术，实现智能的服务。
以现实世界的物理实体的数据建立起虚拟模型，如工业中的尺寸、公差等要求，环境中的温度、湿度、气候等因素，这些数据提供给虚拟模型建立起独特的特征参数，再利用虚拟模型中模拟现实中可能发生或已经发生过的有关数据或者实时数据，模拟所得到的数据信息再反馈给物理实体，以此达到预测、管理等方面的应用，从而实现高效、智能的服务。
发明内容
本发明所述一种基于数字孪生的航空发动机主轴轴承全生命周期分析方法，该方法融合了基于数字孪生航空发动机主轴轴承的制造工艺和基于数字孪生的制造模式，包括航空发动机主轴轴承的冶金工艺、锻造工艺、热处理工艺和切削、研磨加工，实现加工过程中的精准控制，减少不同批次的主轴轴承因加工工艺设备的不同从而影响到主轴轴承的使用寿命。并且使用航空发动机主轴轴承制造过程的工艺数据基础上的航空发动机主轴轴承数字孪生模型对航空发动机主轴轴承进行故障诊断与寿命分析，从而提高判断主轴轴承故障的准确率。基于航空发动机主轴轴承数字孪生模型的主轴轴承加速寿命仿真试验可以在减少实验成本的情况下获得高保真的试验数据。
为实现上述目的，本发明采用如下技术方案：
步骤1：建立数字孪生车间，实时监测并采集基于数字孪生的航空发动机主轴轴承制造过程的工艺数据，以及主轴轴承基本尺寸参数；
步骤2：建立航空发动机主轴轴承数字孪生模型，对不同状态下主轴轴承进行仿真试验并监测其多参数信号，利用监测的仿真信号中提取出的多参数数据和步骤1中所得的数字孪生工艺数据和主轴轴承的基本尺寸参数完善航空发动机主轴轴承数字孪生数据库；
步骤3：利用步骤2所得的航空发动机主轴轴承数字孪生数据库，分析经过降噪处理的特征信号，对航空发动机主轴轴承进行故障诊断，利用智能算法识别主轴轴承故障类型，找出主轴轴承发生故障时的故障频率；
步骤4：利用步骤2中航空发动机主轴轴承数字孪生数据库与步骤3中的故障诊断识别方法进行航空发动机主轴轴承加速寿命仿真试验，分析航空发动机主轴轴承的磨损特性，制定主轴轴承维护策略，实现预测性维护。
进一步的，上述步骤1中所述建立数字孪生车间具体步骤为：
步骤1-1：建立航空发动机主轴轴承生产车间实体映射的虚拟模型；
步骤1-2：基于生产航空发动机主轴轴承车间的设备信息和人员配制，构建航空发动机主轴轴承生产车间数字孪生数据库；
步骤1-3：利用上述步骤1-1中的航空发动机主轴轴承生产车间的虚拟模型和上述步骤1-2中的航空发动机主轴轴承生产车间的数字孪生数据库完成航空发动机主轴轴承数字孪生车间，仿真主轴轴承的实际制造过程，预先给出主轴轴承制造的物料清单以及人员安排，实现航空发动机主轴轴承生产过程的优化和精确控制，节约时间的同时减少人力物力的成本。
进一步的，上述步骤1中所述的基于数字孪生的航空发动机主轴轴承制造过程的工艺数据具体步骤为：
步骤1-4：建立基于数字孪生的航空发动机主轴轴承钢的冶金虚拟模型；
步骤1-5：依据步骤1-4中的冶金虚拟模型和实际冶金过程中的工艺数据完成航空发动机主轴轴承冶金工艺数字孪生数据库；
步骤1-6：结合步骤1-3中的航空发动机主轴轴承数字孪生车间和步骤1-5中的航空发动机主轴轴承冶金工艺数字孪生数据库完成航空发动机主轴轴承冶金工艺数字孪生模型。该模型通过控制轴承钢精炼中钢液的洁净度，从而控制轴承钢棒材的质量。基于该模型的冶金工艺的仿真试验数据再反馈给航空发动机主轴轴承冶金工艺数字孪生数据库；
步骤1-7：建立基于数字孪生的航空发动机主轴轴承的锻造虚拟模型；
步骤1-8：依据步骤1-7中的锻造虚拟模型和实际锻造过程中的工艺数据完成航空发动机主轴轴承锻造工艺数字孪生数据库；
步骤1-9：结合步骤1-3中的航空发动机主轴轴承数字孪生车间和步骤1-8中的航空发动机主轴轴承锻造工艺数字孪生数据库完成航空发动机主轴轴承锻造工艺数字孪生模型，基于该模型的锻造工艺的仿真试验数据再反馈给航空发动机主轴轴承锻造工艺数字孪生数据库；
步骤1-10：建立基于数字孪生的航空发动机主轴轴承的热处理虚拟模型；
步骤1-11：依据步骤1-10中的热处理虚拟模型和实际热处理过程中的工艺数据完成航空发动机主轴轴承热处理工艺数字孪生数据库；
步骤1-12：结合步骤1-3中的航空发动机主轴轴承数字孪生车间和步骤1-11中的航空发动机主轴轴承热处理工艺数字孪生数据库完成航空发动机主轴轴承热处理工艺数字孪生模型。该模型通过精准测控热处理过程中的温度，实现控制主轴轴承内部的组织结构，从而获得满足耐疲劳、耐磨损、耐腐蚀、高强度、良好稳定性的轴承钢。基于该模型的热处理工艺的仿真试验数据再反馈给航空发动机主轴轴承热处理工艺数字孪生数据库；
步骤1-13：建立基于数字孪生的航空发动机主轴轴承的切削、研磨加工虚拟模型；
步骤1-14：依据步骤1-13中的切削、研磨加工虚拟模型和实际的切削、研磨加工过程中的工艺数据完成航空发动机主轴轴承切削、研磨加工数字孪生数据库；
步骤1-15：结合步骤1-3中的航空发动机主轴轴承数字孪生车间和步骤1-14中的航空发动机主轴轴承切削、研磨加工数字孪生数据库完成航空发动机主轴轴承切削、研磨加工数字孪生模型。该模型可以自动优化加工过程中的路径规划，实时监测刀具或者砂轮的状态，提高加工过程中的能源和资源的使用效率，提高加工过程中的加工精度。基于该模型的切削、研磨加工的仿真试验数据再反馈给航空发动机主轴轴承切削、研磨加工数字孪生数据库；
步骤1-16：利用步骤1-6中的冶金工艺数字孪生数据库、步骤1-9中的锻造工艺数字孪生数据库、步骤1-12中的热处理工艺数字孪生数据库、步骤1-15中的切削、研磨加工数字孪生数据库，构建基于数字孪生的航空发动机主轴轴承制造过程中的工艺数据。
进一步的，步骤1所述的主轴轴承基本尺寸参数至少包括主轴轴承的型号、质量、尺寸、接触角、安装尺寸、基本额定载荷、极限转速、预紧力、卸载力、轴承刚度。
进一步的，步骤2所述的建立航空发动机主轴轴承数字孪生模型具体步骤为：
步骤2-1：依据步骤1中主轴轴承基本尺寸参数建立航空发动机主轴轴承虚拟模型；
步骤2-2：依据与步骤2-1中航空发动机主轴轴承虚拟模型相同型号的实际物理主轴轴承的多参数工况数据和步骤1中航空发动机主轴轴承制造过程中的工艺数据，共同构建航空发动机主轴轴承数字孪生数据库；
步骤2-3：结合步骤2-1中航空发动机主轴轴承虚拟模型和步骤2-2中航空发动机主轴轴承数字孪生数据库完成航空发动机主轴轴承数字孪生模型；
步骤2-4：依据步骤2-3中的航空发动机主轴轴承数字孪生模型实时监测并采集主轴轴承在实际试验中的多参数数据；
步骤2-5：基于步骤2-3中的航空发动机主轴轴承数字孪生模型所完成的主轴轴承仿真试验，多参数的仿真试验可以减小与实际试验的误差，提高试验结果的准确率。其仿真数据和步骤2-4中监测的多参数数据都将反馈给航空发动机主轴轴承数字孪生数据库，并不断完善航空发动机主轴轴承数字孪生模型。
进一步的，步骤2-2中，主轴轴承的多参数数据至少包括振动信号、转速、载荷、温度、流量、位移、功率、电流。
进一步的，步骤3所述的对航空发动机主轴轴承进行故障诊断具体步骤为：
步骤3-1：依据步骤2-4中航空发动机主轴轴承数字孪生数据库中的航空发动机主轴轴承试验或仿真试验的多参数数据，提取其中的特征信号，由于现阶段滚动轴承的寿命与可靠性分析中振动信号的分析最为成熟，所以本方法采用振动信号用于基于数字孪生的航空发动机主轴轴承故障诊断；
步骤3-2：对步骤3-1中的振动信号进行降噪处理；
步骤3-3：基于卷积神经网络建立人工神经网络，分析步骤3-2中的降噪处理后的振动信号；
步骤3-4：基于步骤3-3中的人工神经网络分析后的结果，智能识别主轴轴承故障类型、故障频率，根据故障频率的参数特征，人工神经网络可以高效快捷的判断主轴轴承的失效形式；
步骤3-5：步骤3-2中的降噪处理后的振动信号和步骤3-3中人工神经网络的分析结果和步骤3-4中智能识别后的结果都将反馈给航空发动机主轴轴承数字孪生数据库，并不断完善航空发动机主轴轴承数字孪生模型。
进一步的，步骤3-2中的降噪处理具体方法为小波去噪，连续小波变换可以将含有噪声的振动信号分解到不同尺度，分解后的信号再进行重构即可得到降噪后的信号，并且可以选择不同的小波基函数完成小波变换，优化振动信号降噪的效果。小波变换的基本表达式为：
式中，小波变换Wf(a，b)定义为测量信号f(t)与基本小波函数ψa，b(t)的内积，其中a为尺度因子，b为平移因子。
进一步的，步骤3-4中智能识别主轴轴承故障类型的故障类型至少包括疲劳剥落、磨损、胶合、塑性变形、腐蚀、断裂、保持架破坏，智能识别主轴轴承故障频率至少包括振幅、保持架故障频率、滚动体旋转故障频率、外圈故障频率、内圈故障频率。
进一步的，步骤4所述的航空发动机主轴轴承加速寿命试验具体步骤为：
步骤4-1：航空发动机主轴轴承加速寿命试验采用外部载荷作为加速应力，试验获得不同应力水平下的疲劳寿命；
步骤4-2：航空发动机主轴轴承的疲劳寿命满足三参数Weibull分布，三参数Weibull分布的表达式为：
式中γ——位置参数；η——尺度参数；β——形状参数；
步骤4-3：航空发动机主轴轴承的加速模型采用逆幂律模型，逆幂律模型的表达式为：ξ＝AV-n
式中ξ——特征寿命；
A,n——通过实验数据拟合得到的与具体失效模式及实验类型等相关的常数；
V——表示加速应力水平；
步骤4-1中的不同应力水平下的疲劳寿命输入到逆幂律模型中；
步骤4-4：结合步骤4-2中逆幂律模型的结果，分析满足步骤4-1中拟合Weibull分布的疲劳寿命，得到加速因子，加速因子反映加速寿命实验的加速效果；
步骤4-5：依据步骤4-4所得结果，训练基于卷积神经网络开发的航空发动机主轴轴承数字孪生预测维护模型；
步骤4-6：依据步骤4-5中航空发动机主轴轴承数字孪生维护模型，预测航空发动机主轴轴承剩余使用寿命，制定一套对现有主轴轴承的维护策略，防止航空发动机在工作期间因主轴轴承故障失效引发严重事故。
进一步的，步骤4-1所述的试验获得不同应力水平下的疲劳寿命，其寿命试验的截止主要标准为GBT 24607-2009规定的疲劳失效。剥落深度≥0.05mm；剥落面积:球轴承零件≥0.5m2,滚子轴承零件≥1.0mm2。
本发明至少具有以下有益效果：
本发明基于数字孪生的航空发动机主轴轴承全生命周期分析方法，将数字孪生技术应用于航空发动机主轴轴承的全生命周期中，其中包括属于制造环节的生产车间的运行模式、冶金工艺、锻造工艺、热处理工艺和切削、研磨加工，和属于分析环节的故障诊断、寿命分析和预测维护。基于数字孪生的航空发动机主轴轴承制造环节可以实现加工过程中的精准控制，提高航空发动机主轴轴承的精密性。而基于数字孪生的航空发动机主轴轴承的分析环节可以提高结果的准确率和鲁邦性。
本发明在航空发动机主轴轴承数字孪生模型中构建了航空发动机主轴轴承制造工艺数字孪生数据库，在生产同一型号的主轴轴承中，可以减少不同批次或不同炉次的加工对主轴轴承的性能影响，提高预测剩余使用寿命的准确率，从而优化基于数字孪生的航空发动机主轴轴承的维护策略。
本发明采用基于数字孪生的航空发动机主轴轴承加速寿命试验，可以在减少实验成本的情况下模拟完成高温、重载、断油等极端恶劣环境情况下的主轴轴承加速寿命试验，并得到高保真、高准确率的试验数据，以此制定的主轴轴承维护策略，可以防止航空发动机在工作期间因主轴轴承故障失效引发严重事故。
本发明通过将基于数字孪生的航空发动机主轴轴承制造工艺的影响引入到主轴轴承故障诊断当中，为航空发动机主轴轴承故障诊断和可靠性分析上提供了新思路，为数字孪生的应用探索了新的道路。
附图说明
图1是本发明所述方法流程图。
图2是本发明总体技术路线示意图。
具体实施方式
下面结合附图对本发明进行详细说明
参考图1和图2，基于数字孪生的航空发动机主轴轴承全生命周期分析方法，包括以下步骤：
步骤1：基于实际的航空发动机主轴轴承的生产车间的映射建立虚拟模型，添加车间内设备信息、人员配制信息、物料清单等生产车间的必要信息组成的航空发动机主轴轴承生产车间数字孪生数据库，构建航空发动机主轴轴承数字孪生车间。主轴轴承数字孪生车间可以根据预先定义好的生产计划模拟主轴轴承的生产过程，或实时监测主轴轴承的生产过程，仿真的结果可以优化实际的生产计划，实现航空发动机主轴轴承生产过程的优化和精确控制，节约时间的同时减少人力物力的成本。
基于上述的主轴轴承数字孪生车间分别建立航空发动机主轴轴承冶金工艺数字孪生模型、航空发动机主轴轴承锻造工艺数字孪生模型、航空发动机主轴轴承热处理工艺数字孪生模型和航空发动机主轴轴承切削、研磨加工数字孪生模型。每一部分工艺数字孪生模型都包含以实际制造工艺的数据为基础的数字孪生数据库。通过基于数字孪生的制造工艺，可实现生产过程中夹杂物的控制、温度的精准测控、预测轴承钢内的组织结构、提升加工精度，同时可以提高加工过程中的能源和资源的使用效率。
基于数字孪生的航空发动机主轴轴承制造工艺的数据库与主轴轴承的基本尺寸参数工同为航空发动机主轴轴承数字孪生模型中的数据库提供了数据基础。其中，主轴轴承基本尺寸参数至少包括主轴轴承的型号、质量、尺寸、接触角、安装尺寸、基本额定载荷、极限转速、预紧力、卸载力、轴承刚度。
步骤2：首先依据航空发动机主轴轴承基本尺寸参数建立航空发动机主轴轴承的虚拟模型，再建立依据步骤1中航空发动机主轴轴承制造过程中的工艺数据和虚拟模型同一型号的主轴轴承实际的多参数工况数据，构建航空发动机主轴轴承数字孪生数据库。主轴轴承的多参数数据至少包括振动信号、转速、载荷、温度、流量、位移、功率、电流。
基于上述的航空发动机主轴轴承数字孪生模型，对不同状态下主轴轴承进行仿真试验并监测其多参数信号，利用监测的仿真信号中提取出的多参数数据和步骤1中所得的数字孪生工艺数据和主轴轴承的基本尺寸参数完善航空发动机主轴轴承数字孪生数据库。
多参数的仿真试验可以减小与实际试验的误差，提高试验结果的准确率。其仿真数据和主轴轴承实际工况中监测的多参数数据都将反馈给航空发动机主轴轴承数字孪生数据库，并不断完善航空发动机主轴轴承数字孪生模型。
步骤3：基于航空发动机主轴轴承数字孪生模型所监测或仿真的多参数数据，提取其中需要分析的振动信号。对振动信号进行小包去噪后，用人工神经网络智能识别主轴轴承故障类型、故障频率。
降噪处理后的振动信号和人工神经网络的分析结果和智能识别后的结果都将反馈给航空发动机主轴轴承数字孪生数据库，并不断完善航空发动机主轴轴承数字孪生模型。
步骤4：基于航空发动机主轴轴承数字孪生模型进行加速寿命试验，采用外部载荷作为加速应力完成主轴轴承加速寿命，试验获得不同应力水平下的疲劳寿命。主轴轴承的疲劳寿命满足Weibull分布，加速试验模型满足逆幂律模型，分析满足服从Weibull分布的疲劳寿命，得到加速因子，预测航空发动机主轴轴承剩余使用寿命。
依据上述结果训练基于卷积神经网络开发的航空发动机主轴轴承数字孪生预测维护模型，制定对现有主轴轴承的维护策略。
基于航空发动机主轴轴承数字孪生模型进行加速寿命试验的仿真结果与预测维护策略都将反馈给航空发动机主轴轴承数字孪生数据库，并不断完善航空发动机主轴轴承数字孪生模型。
Claims (10)
1.基于数字孪生的航空发动机主轴轴承全生命周期分析方法，其特征在于，包括以下步骤：
步骤1：建立数字孪生车间，实时监测并采集基于数字孪生的航空发动机主轴轴承制造过程的工艺数据，以及主轴轴承基本尺寸参数；
步骤2：建立航空发动机主轴轴承数字孪生模型，对不同状态下主轴轴承进行仿真试验并监测其多参数信号，利用监测的仿真信号中提取出的多参数数据和步骤1中所得的数字孪生工艺数据和主轴轴承的基本尺寸参数完善航空发动机主轴轴承数字孪生数据库；
步骤3：利用步骤2所得的航空发动机主轴轴承数字孪生数据库，分析经过降噪处理的特征信号，对航空发动机主轴轴承进行故障诊断，利用智能算法识别主轴轴承故障类型，找出主轴轴承发生故障时的故障频率；
步骤4：利用步骤2中航空发动机主轴轴承数字孪生数据库与步骤3中的故障诊断识别方法进行航空发动机主轴轴承加速寿命仿真试验，分析航空发动机主轴轴承的磨损特性，完成航空发动机主轴轴承数字孪生维护模型，制定主轴轴承维护策略，实现预测性维护。
2.根据权利要求1所述的基于数字孪生的航空发动机主轴轴承全生命周期分析方法，其特征在于，步骤1建立数字孪生车间包括以下步骤：
步骤1-1：建立航空发动机主轴轴承生产车间的虚拟模型；
步骤1-2：基于生产航空发动机主轴轴承车间的设备信息和人员配制，构建航空发动机主轴轴承生产车间数字孪生数据库；
步骤1-3：利用上述步骤1-1中的航空发动机主轴轴承生产车间的虚拟模型和上述步骤1-2中的航空发动机主轴轴承生产车间的数字孪生数据库完成航空发动机主轴轴承数字孪生车间，仿真主轴轴承的实际制造过程，实现航空发动机主轴轴承生产过程的优化和精确控制。
3.根据权利要求1所述的基于数字孪生的航空发动机主轴轴承全生命周期分析方法，其特征在于，步骤1所述的基于数字孪生的航空发动机主轴轴承制造过程的工艺数据包括以下步骤：
步骤1-4：建立基于数字孪生的航空发动机主轴轴承钢的冶金虚拟模型；
步骤1-5：依据步骤1-4中的冶金虚拟模型和实际冶金过程中的工艺数据完成航空发动机主轴轴承冶金工艺数字孪生数据库；
步骤1-6：结合步骤1-3中的航空发动机主轴轴承数字孪生车间和步骤1-5中的航空发动机主轴轴承冶金工艺数字孪生数据库完成航空发动机主轴轴承冶金工艺数字孪生模型，基于该模型的冶金工艺的仿真试验数据再反馈给航空发动机主轴轴承冶金工艺数字孪生数据库；
步骤1-7：建立基于数字孪生的航空发动机主轴轴承的锻造虚拟模型；
步骤1-8：依据步骤1-7中的锻造虚拟模型和实际锻造过程中的工艺数据完成航空发动机主轴轴承锻造工艺数字孪生数据库；
步骤1-9：结合步骤1-3中的航空发动机主轴轴承数字孪生车间和步骤1-8中的航空发动机主轴轴承锻造工艺数字孪生数据库完成航空发动机主轴轴承锻造工艺数字孪生模型，基于该模型的锻造工艺的仿真试验数据再反馈给航空发动机主轴轴承锻造工艺数字孪生数据库；
步骤1-10：建立基于数字孪生的航空发动机主轴轴承的热处理虚拟模型；
步骤1-11：依据步骤1-10中的热处理虚拟模型和实际热处理过程中的工艺数据完成航空发动机主轴轴承热处理工艺数字孪生数据库；
步骤1-12：结合步骤1-3中的航空发动机主轴轴承数字孪生车间和步骤1-11中的航空发动机主轴轴承热处理工艺数字孪生数据库完成航空发动机主轴轴承热处理工艺数字孪生模型，基于该模型的热处理工艺的仿真试验数据再反馈给航空发动机主轴轴承热处理工艺数字孪生数据库；
步骤1-13：建立基于数字孪生的航空发动机主轴轴承的切削、研磨加工虚拟模型；
步骤1-14：依据步骤1-13中的切削、研磨加工虚拟模型和实际的切削、研磨加工过程中的工艺数据完成航空发动机主轴轴承切削、研磨加工数字孪生数据库；
步骤1-15：结合步骤1-3中的航空发动机主轴轴承数字孪生车间和步骤1-14中的航空发动机主轴轴承切削、研磨加工数字孪生数据库完成航空发动机主轴轴承切削、研磨加工数字孪生模型，基于该模型的切削、研磨加工的仿真试验数据再反馈给航空发动机主轴轴承切削、研磨加工数字孪生数据库；
步骤1-16：利用步骤1-6中的冶金工艺数字孪生数据库、步骤1-9中的锻造工艺数字孪生数据库、步骤1-12中的热处理工艺数字孪生数据库、步骤1-15中的切削、研磨加工数字孪生数据库，构建基于数字孪生的航空发动机主轴轴承制造过程中的工艺数据。
4.根据权利要求1所述的基于数字孪生的航空发动机主轴轴承全生命周期分析方法，其特征在于，步骤1所述的主轴轴承基本尺寸参数至少包括主轴轴承的型号、质量、尺寸、接触角、安装尺寸、基本额定载荷、极限转速、预紧力、卸载力、轴承刚度。
5.根据权利要求1所述的基于数字孪生的航空发动机主轴轴承全生命周期分析方法，其特征在于，步骤2所述的建立航空发动机主轴轴承数字孪生模型包括以下步骤：
步骤2-1：依据步骤1中主轴轴承基本尺寸参数建立航空发动机主轴轴承虚拟模型；
步骤2-2：依据与步骤2-1中航空发动机主轴轴承虚拟模型相同型号的实际物理主轴轴承的多参数工况数据和步骤1中航空发动机主轴轴承制造过程中的工艺数据，共同构建航空发动机主轴轴承数字孪生数据库；
步骤2-3：结合步骤2-1中航空发动机主轴轴承虚拟模型和步骤2-2中航空发动机主轴轴承数字孪生数据库完成航空发动机主轴轴承数字孪生模型；
步骤2-4：依据步骤2-3中的航空发动机主轴轴承数字孪生模型实时监测并采集主轴轴承在实际试验中的多参数数据；
步骤2-5：基于步骤2-3中的航空发动机主轴轴承数字孪生模型所完成的主轴轴承仿真试验，其仿真数据和步骤2-4中监测的多参数数据都将反馈给航空发动机主轴轴承数字孪生数据库，并不断完善航空发动机主轴轴承数字孪生模型。
6.根据权利要求4所述的基于数字孪生的航空发动机主轴轴承全生命周期分析方法，其特征在于，步骤2-2中，主轴轴承的多参数数据至少包括振动信号、转速、载荷、温度、流量、位移、功率、电流。
7.根据权利要求1所述的基于数字孪生的航空发动机主轴轴承全生命周期分析方法，其特征在于，步骤3所述的对航空发动机主轴轴承进行故障诊断包括以下步骤：
步骤3-1：依据步骤2-4中航空发动机主轴轴承数字孪生数据库中的航空发动机主轴轴承试验或仿真试验的多参数数据，提取其中的振动信号；
步骤3-2：对步骤3-1中的振动信号进行降噪处理；
步骤3-3：基于卷积神经网络建立人工神经网络，分析步骤3-2中的降噪处理后的振动信号；
步骤3-4：基于步骤3-3中的人工神经网络分析后的结果，智能识别主轴轴承故障类型、故障频率；
步骤3-5：步骤3-2中的降噪处理后的振动信号和步骤3-3中人工神经网络的分析结果和步骤3-4中智能识别后的结果都将反馈给航空发动机主轴轴承数字孪生数据库，并不断完善航空发动机主轴轴承数字孪生模型。
8.根据权利要求6所述的基于数字孪生的航空发动机主轴轴承全生命周期分析方法，其特征在于，步骤3-2中的降噪处理具体方法为小波去噪，连续小波变换可以将含有噪声的振动信号分解到不同尺度，分解后的信号再进行重构即可得到降噪后的信号。
9.根据权利要求6所述的基于数字孪生的航空发动机主轴轴承全生命周期分析方法，其特征在于，步骤3-4中智能识别主轴轴承故障类型的故障类型至少包括疲劳剥落、磨损、胶合、塑性变形、腐蚀、断裂、保持架破坏，智能识别主轴轴承故障频率至少包括振幅、保持架故障频率、滚动体旋转故障频率、外圈故障频率、内圈故障频率。
10.根据权利要求1所述的基于数字孪生的航空发动机主轴轴承全生命周期分析方法，其特征在于，步骤4所述的航空发动机主轴轴承加速寿命试验具体步骤为：
步骤4-1：航空发动机主轴轴承加速寿命试验采用外部载荷作为加速应力，试验获得不同应力水平下的疲劳寿命，其寿命试验的截止主要标准为GBT 24607-2009规定的疲劳失效；
步骤4-2：航空发动机主轴轴承的疲劳寿命满足Weibull分布；
步骤4-3：航空发动机主轴轴承的加速模型采用逆幂律模型，步骤4-1中的不同应力水平下的疲劳寿命输入到逆幂律模型中；
步骤4-4：结合步骤4-2中逆幂律模型的结果，分析满足步骤4-1中拟合Weibull分布的疲劳寿命，得到加速因子；
步骤4-5：依据步骤4-4所得结果，训练基于卷积神经网络开发的航空发动机主轴轴承数字孪生预测维护模型；
步骤4-6：依据步骤4-5中航空发动机主轴轴承数字孪生维护模型，预测航空发动机主轴轴承剩余使用寿命，制定一套对现有主轴轴承的维护策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211218654.2A CN115496107A (zh) | 2022-10-06 | 2022-10-06 | 基于数字孪生的航空发动机主轴轴承全生命周期分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211218654.2A CN115496107A (zh) | 2022-10-06 | 2022-10-06 | 基于数字孪生的航空发动机主轴轴承全生命周期分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115496107A true CN115496107A (zh) | 2022-12-20 |
Family
ID=84472714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211218654.2A Pending CN115496107A (zh) | 2022-10-06 | 2022-10-06 | 基于数字孪生的航空发动机主轴轴承全生命周期分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115496107A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117709943A (zh) * | 2024-02-05 | 2024-03-15 | 江苏创翎智能科技有限公司 | 基于棒材跟踪的生产优化方法及系统 |
-
2022
- 2022-10-06 CN CN202211218654.2A patent/CN115496107A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117709943A (zh) * | 2024-02-05 | 2024-03-15 | 江苏创翎智能科技有限公司 | 基于棒材跟踪的生产优化方法及系统 |
| CN117709943B (zh) * | 2024-02-05 | 2024-05-03 | 江苏创翎智能科技有限公司 | 基于棒材跟踪的生产优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016235B (zh) | 基于多特征自适应融合的设备运行状态健康度评估方法 | |
| CN115293629B (zh) | 一种滚动轴承零件的生产加工方法及系统 | |
| JP6752866B2 (ja) | 刃具状態検査システム及び方法 | |
| Liang et al. | Data-driven anomaly diagnosis for machining processes | |
| Coandă et al. | A state of the art of predictive maintenance techniques | |
| CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测系统及方法 | |
| CN115496107A (zh) | 基于数字孪生的航空发动机主轴轴承全生命周期分析方法 | |
| Godreau et al. | Continuous improvement of HSM process by data mining | |
| Du et al. | Intelligent turning tool monitoring with neural network adaptive learning | |
| CN114462480A (zh) | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 | |
| CN112525749A (zh) | 一种基于摩擦信号递归特性的摩擦学状态在线辨识方法 | |
| CN105675321B (zh) | 一种设备性能退化雷达图确定方法 | |
| CN112526931B (zh) | 一种船用柴油机机身孔系镗削加工过程质量控制方法 | |
| CN114755017A (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
| CN112372371B (zh) | 数控机床刀具磨损状态评估方法 | |
| CN112926698A (zh) | 一种大型旋转装备振动预测与装配评价方法 | |
| CN116644672A (zh) | 一种基于残差网络的航空发动机滚动轴承故障诊断方法 | |
| Song et al. | A fault feature extraction method for rolling bearings based on refined composite multi-scale amplitude-aware permutation entropy | |
| CN112621381B (zh) | 机床进给系统健康状态智能评估方法及装置 | |
| Jiang et al. | A dynamic failure mode and effect analysis (FMEA) method for CNC machine tool in service | |
| CN113916884A (zh) | 一种硬车削工件表面质量在线预测方法 | |
| CN111077857A (zh) | 一种电厂设备管理平台系统及设备管理方法 | |
| Li et al. | Research on Engine Lubricant Detection Technology Based on On-Line Visual Technology | |
| Chen et al. | Health condition evaluation method for motorized spindle based on rotation error and vibration | |
| Zhang et al. | Residual life prediction of rolling bearings for rail vehicles based on Proportional Hazard Model |
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 |