CN115809596A - 一种数字孪生故障诊断方法和装置 - Google Patents
一种数字孪生故障诊断方法和装置 Download PDFInfo
- Publication number
- CN115809596A CN115809596A CN202211501837.5A CN202211501837A CN115809596A CN 115809596 A CN115809596 A CN 115809596A CN 202211501837 A CN202211501837 A CN 202211501837A CN 115809596 A CN115809596 A CN 115809596A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- fault diagnosis
- twin
- physical equipment
- 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
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种数字孪生故障诊断方法,包括以下步骤:采用数字孪生技术建立物理设备的孪生模型;运行所述孪生模型生成所述物理设备运行状态的仿真数据;用所述仿真数据对神经网络进行训练,生成故障诊断模型;运行所述物理设备生成所述物理设备运行状态的传感数据;用所述故障诊断模型对所述传感数据进行处理,识别物理设备故障。本申请还包含实施所述方法的装置。本发明能根据构建的数字孪生模型获得更加均衡的训练数据,从而使故障诊断模型得到更好的训练,极大的提高了设备故障诊断的准确率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种基于数字孪生的故障诊断方法、装置。
背景技术
随着工业4.0战略的提出,航空航天、工业、制造业等领域的设备产品日益复杂化,设备发生故障的概率也明显升高,一旦发生故障,往往难以得到及时有效地排除,可能会造成非常严重的后果,因此设备的稳定性和可靠性逐渐成为了重点关注的问题。
目前的设备故障诊断方法主要分为三类,基于模型的方法、基于知识推理的方法以及基于数据驱动的方法。基于模型的方法是对设备的工作方式及运行原理建立数学模型,通过分析故障状态下的模型参数变化来获取设备的异常信息;基于知识推理的方法主要依据实际经验和知识积累进行推理和诊断;基于数据驱动的故障诊断在不了解工作原理的情况下,通过监测到的设备状态数据结合历史数据对设备进行分析,进而实现对设备的故障诊断。由于设备的工作过程无法精确描述而限制了基于模型方法诊断结果的准确率;基于知识推理的诊断方法存在着知识不完备、规则难以配置的问题;基于数据驱动的方法则面临着故障数据稀缺而导致的数据不平衡和解释性不强的难题。
数字孪生技术的出现以及迅速发展为数据驱动方法提供了新的思路。数字孪生利用计算机仿真技术将物理空间映射到虚拟空间,在虚拟空间中建立对应实体的模型,并根据实时获取的传感器采集的实体信息进行孪生模型优化,完成对实体的高度映射,从而全面地监测评估实体设备的参数指标,并解决数据驱动方法中知识不完备、数据不平衡和模型固化等问题。
发明内容
本申请提出一种数字孪生故障诊断方法和装置,旨在通过构建的数字孪生模型生成仿真数据,并根据数据对基于卷积神经网络的故障诊断模型进行训练,进而实现对设备运行状况的诊断,解决物理设备实际生成的运行状态传感数据较少,无法充分对故障诊断模型进行训练的问题。
本申请实施例提出一种数字孪生故障诊断方法,包括以下步骤:
采用数字孪生技术建立物理设备的孪生模型;
运行所述孪生模型生成所述物理设备运行状态的仿真数据;
用所述仿真数据对神经网络进行训练,生成故障诊断模型;
运行所述物理设备生成所述物理设备运行状态的传感数据;
用所述故障诊断模型对所述传感数据进行处理,识别物理设备故障。
优选地,还包含以下步骤:根据所述物理设备运行状态的传感数据,改变所述孪生模型运行参数和/或运行机理,对所述仿真数据进行校正。
优选地,所述故障诊断模型包含:9个inception模块以及dropout层。其中的inception模块包含三层,在第一层中,包含2个1*1卷积和1个3*3池化层,第二层包含2个1*1卷积和2个1*3卷积层,第二层包含2个3*1卷积层。
优选地,使用ReLU函数作为所述故障诊断模型的激活函数。
优选地,所述训练的步骤中,神经网络单元丢弃策略为:以概率p屏蔽掉隐藏层的神经元,被屏蔽的神经元不再参与训练过程。
本申请实施例还提出一种数字孪生故障诊断装置,用于实现本申请任意一项实施例所述方法,包含:
孪生模块,用于运行所述孪生模型,生成所述物理设备运行状态的仿真数据;
诊断模块,用于用所述仿真数据对神经网络进行训练,生成故障诊断模型;用所述故障诊断模型对所述传感数据进行处理,识别物理设备故障。
进一步地,所述孪生模块包含传感器数据接口,用于采集所述传感数据;所述孪生模块,还用于根据所述物理设备运行状态的传感数据,改变所述孪生模型运行参数和/或运行机理,对所述仿真数据进行校正。
本申请实施例还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请任一实施例所述的方法。
本申请实施例还提出一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请中任一实施例所述的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
本专利提出一种基于数字孪生的故障诊断方法,通过数字孪生技术构建与实体高度一致的虚拟模型,并且利用其产生的仿真数据对卷积神经网络进行训练,进而实现对实体设备的故障诊断和预警。通过构建实体设备的孪生模型产生大量仿真数据来训练故障诊断网络。本发明能根据构建的数字孪生模型获得更加均衡的训练数据,从而使故障诊断模型得到更好的训练,极大的提高了设备故障诊断的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例的基于数字孪生的故障诊断方法实施例流程图;
图2为本申请数字孪生故障诊断装置的实施例结构图;
图3为本申请采用的GoogLeNet神经网络模型;
图4为申请改进神经网络inception结构实施例;
图5为本申请采用的RELU函数;
图6为本申请神经元丢弃策略的示意图;
图7为滚动轴承故障因素示意图。
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,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例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前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请实施例的基于数字孪生的故障诊断方法实施例流程图。
本申请实施例提出一种数字孪生故障诊断方法,包括以下步骤:
步骤110、采用数字孪生技术建立物理设备的孪生模型。
构建设备孪生模型,孪生模型包括设备的三维模型和实体设备的运行机理模型。三维模型利用Maya建模软件、Unity、3D扫描仪等手段创建,与实体设备具备相同的外观、装配关系等信息。机理模型主要包括设备的工作原理、故障机理、关键部件疲劳机理等。
步骤120、运行所述孪生模型生成所述物理设备运行状态的仿真数据。
以滚动轴承的故障诊断为例,将孪生模型生成的一维振动信号进行归一化处理后,通过格拉姆角场,将时域信号序列转换到极坐标中,完成一维信号到二维图像的转化。
步骤130、运行所述物理设备生成所述物理设备运行状态的传感数据。
使用传感器作为主要的采集工具,部署在设备的关键节点处,采集物理信号,并通过数据采集卡与上位机建立连接,利用通信协议与孪生模型或诊断模块进行数据交互传输,实现对设备运行状态的实时监测。
可选地,还包含以下步骤140:
步骤140、根据所述物理设备运行状态的传感数据,改变所述孪生模型运行参数和/或运行机理,对所述仿真数据进行校正。
更新机理模型:将实时采集的数据与孪生模型生成的仿真数据进行分析比较,并根据数据差异对机理模型进行调整更新,从而完成虚拟空间对物理空间的映射。
例如,将传感器部署在轴承底座上,获取得到轴承工作时的振动信号数据,根据轴承的历史振动数据建立初步的孪生模型,并采用实时的振动数据与孪生模型产生的虚拟数据进行差异分析后,基于历史数据和实时振动数据调整孪生模型中的动力学参数,以此更新滚动轴承的数字孪生模型。
步骤150、用所述仿真数据对神经网络进行训练,生成故障诊断模型。
步骤151、建立神经网络模型,如图3~6。其中,
151A、网络模型,如图3~4所示
网络模型结构示意图如图3所示,GoogLeNet网络模型基于Hebbian原理和多尺度处理的直觉,依次为2个卷积层,9个Inception块以及dropout层,全连接和softmax层堆叠而成。这种架构提高了网络内部计算资源的利用率,它允许增加网络的深度和宽度,同时保持预算计算量不变。图中的“Inception模块*n”表示n级串联的Inception模块组合。
本申请的网络模型在GoogLeNet模型的基础上进行改进,对网络模型中的Inception模块进行调整优化,删除Inception中5*5的卷积核,同时增加3*3卷积核的通道数,并用两个1*3和3*1的卷积核替换其中的3*3卷积核。这种改进方法可以在保持较大感受野的同时,提升了网络模型性能。
改进的inception模块如图4所示,包含三层,在第一层中,包含2个1*1卷积和1个3*3池化层,第二层包含2个1*1卷积和2个1*3卷积层,第二层包含2个3*1卷积层。
151B、优选地,所述故障诊断模型的损失函数为:
其中,f(x(1))表示正常数据的分析预测结果,f(x(i))表示第i类情况的分析预测结果,x(1)表示正常的运行状态数据,x(i)表示故障的运行状态数据,Y1表示实际正常结果,Yi表示实际故障结果,i=2~N表示N-1种故障的类别。
例如,根据轴承的故障位置,将数据分为正常、内圈故障、外圈故障和滚珠故障四种类。轴承结构如图7所示。由于轴承的故障情况更为关键,而在数据集中正常轴承的数据量往往要比故障数据多,因此为了强调这3类故障情况的重要性,采用改进的交叉熵损失函数,提高故障特征的权值。损失函数如下所示:
f(x(i))表示3类故障情况的分析预测结果,
151C、激活函数,如图5所示:
为了加快网络模型的收敛速度,简化参数求解运算,选择使用ReLU函数作为网络模型的激活函数。ReLU函数的表达式如下:
ReLU=max(0,x)
步骤152、故障诊断模型训练
152A、随机梯度下降法:
模型训练包括两个阶段:前向计算和反向传播。
在前向计算阶段,将训练样本输入到模型中并预测输出。
接着,根据预测输出和实际输出之间的损失进行反向传播,以逐层优化网络参数。在反向传播过程中采用随机梯度下降方法,优化过程可以表示为:
其中θ是网络模型中参数的集合,x(i)和y(i)表示输入样本和相应的标签,J(θ,x(i),y(i))为损失函数,η是学习率,表示梯度。
152B、丢弃(dropout)策略,如图6所示。
为了降低网络模型的过拟合情况,降低诊断错误率,选择使用dropout方法使模型具有更好的泛化能力。方法步骤如下:
设置每个神经元节点的隐藏概率p为0.5;
以概率p屏蔽掉隐藏层的神经元,被屏蔽的神经元不再参与训练过程,如图6中右图中带“×”的节点所示,没有被屏蔽的神经元按照正常的方式进行训练并正常更新参数;
当被屏蔽的神经元恢复后,该神经元节点正常参与训练。
步骤160、用所述故障诊断模型对所述传感数据进行处理,识别物理设备故障。
例如,将传感器采集到的轴承振动频率数据进行初步处理,转化为二维图像后,输入到网络模型中,经过一系列卷积、池化等运算即可输出该轴承的故障情况。如图7所示的轴承,所述轴承振动频率即所述运行状态。所述轴承振动频率的数据为所述运行状态的传感数据或仿真数据。
本发明能根据构建的数字孪生模型获得更加均衡的训练数据,从而使故障诊断模型得到更好的训练,极大的提高了设备故障诊断的准确率。
图2为本申请数字孪生故障诊断装置的实施例结构图。
所述装置是用于实现本申请步骤110~160的实施例,包含孪生模块21、诊断模块22。进一步地,所述孪生模块和诊断模块均包含与物理设备的接口。
其中,孪生模块,用于运行所述孪生模型,生成所述物理设备运行状态的仿真数据。诊断模块,用于用所述仿真数据对神经网络进行训练,生成故障诊断模型;以及,用所述故障诊断模型对所述传感数据进行处理,识别物理设备故障。
进一步地,所述孪生模块包含传感器数据接口211,用于采集所述传感数据;所述孪生模块,还用于根据所述物理设备运行状态的传感数据,改变所述孪生模型运行参数和/或运行机理,对所述仿真数据进行校正。
所述诊断模块中包含物理空间数据库,通过真实数据接口222与所述物理设备相连通,用于采集来自所述物理设备的传感数据。
所述诊断模块中还包含虚拟空间数据,通过仿真数据接口221与所述孪生模块相连通,用于采集来自所述孪生模块的仿真数据。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
因此,本申请还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请中任一实施例所述的方法。
进一步地,本申请还提出一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请任一实施例所述的方法。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
综上所述,本发明一种基于数字孪生的故障诊断方法和装置。提出了一种改进的Inception结构,减少了GoogleNet网络的参数数量,从而加速网络计算,提升网络模型性能。针对故障数据偏少的情况,提出了一种带权重的损失函数计算方法,提高了故障数据的权值,降低了网络模型的误判率。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种数字孪生故障诊断方法,其特征在于,包括以下步骤:
采用数字孪生技术建立物理设备的孪生模型;
运行所述孪生模型生成所述物理设备运行状态的仿真数据;
用所述仿真数据对神经网络进行训练,生成故障诊断模型;
运行所述物理设备生成所述物理设备运行状态的传感数据;
用所述故障诊断模型对所述传感数据进行处理,识别物理设备故障。
2.如权利要求1所述方法,其特征在于,
根据所述物理设备运行状态的传感数据,改变所述孪生模型运行参数和/或运行机理,对所述仿真数据进行校正。
3.如权利要求1所述方法,其特征在于,所述故障诊断模型包含:
整个网络模型基于Hebbian原理和多尺度处理的直觉,依次为2个卷积层,9个inception模块以及dropout层,全连接和softmax层堆叠而成;
其中的inception模块包含三层,在第一层中,包含2个1*1卷积和1个3*3池化层,第二层包含2个1*1卷积和2个1*3卷积层,第二层包含2个3*1卷积层。
4.如权利要求1所述方法,其特征在于,使用ReLU函数作为所述故障诊断模型的激活函数。
6.如权利要求1所述方法,其特征在于,所述训练的步骤中,神经网络单元丢弃策略为:以概率p屏蔽掉隐藏层的神经元,被屏蔽的神经元不再参与训练过程。
7.一种数字孪生故障诊断装置,用于实现权利要求1~6任意一项所述方法,其特征在于,包含:
孪生模块,用于运行所述孪生模型,生成所述物理设备运行状态的仿真数据;
诊断模块,用于用所述仿真数据对神经网络进行训练,生成故障诊断模型;用所述故障诊断模型对所述传感数据进行处理,识别物理设备故障。
8.如权利要求7所述装置,其特征在于,
所述孪生模块包含传感器数据接口,用于采集所述传感数据;
所述孪生模块,还用于根据所述物理设备运行状态的传感数据,改变所述孪生模型运行参数和/或运行机理,对所述仿真数据进行校正。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~6中任一所述的方法。
10.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211501837.5A CN115809596A (zh) | 2022-11-28 | 2022-11-28 | 一种数字孪生故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211501837.5A CN115809596A (zh) | 2022-11-28 | 2022-11-28 | 一种数字孪生故障诊断方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115809596A true CN115809596A (zh) | 2023-03-17 |
Family
ID=85484817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211501837.5A Pending CN115809596A (zh) | 2022-11-28 | 2022-11-28 | 一种数字孪生故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115809596A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029221A (zh) * | 2023-03-28 | 2023-04-28 | 中国电力科学研究院有限公司 | 一种电力设备故障诊断方法、装置、设备及介质 |
CN116186946A (zh) * | 2023-05-04 | 2023-05-30 | 无锡华瀚能源装备科技有限公司 | 一种基于诊断模型的液压系统故障诊断方法及系统 |
-
2022
- 2022-11-28 CN CN202211501837.5A patent/CN115809596A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029221A (zh) * | 2023-03-28 | 2023-04-28 | 中国电力科学研究院有限公司 | 一种电力设备故障诊断方法、装置、设备及介质 |
CN116029221B (zh) * | 2023-03-28 | 2023-06-06 | 中国电力科学研究院有限公司 | 一种电力设备故障诊断方法、装置、设备及介质 |
CN116186946A (zh) * | 2023-05-04 | 2023-05-30 | 无锡华瀚能源装备科技有限公司 | 一种基于诊断模型的液压系统故障诊断方法及系统 |
CN116186946B (zh) * | 2023-05-04 | 2023-08-18 | 平顶山天安煤业股份有限公司 | 一种基于诊断模型的液压系统故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ren et al. | A novel model with the ability of few-shot learning and quick updating for intelligent fault diagnosis | |
CN110231156B (zh) | 基于时序特征的服务机器人运动系统故障诊断方法及装置 | |
CN115809596A (zh) | 一种数字孪生故障诊断方法和装置 | |
Alpaydin | Multiple networks for function learning | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
CN113822421B (zh) | 基于神经网络的异常定位方法、系统、设备及存储介质 | |
CN110348752B (zh) | 一种考虑环境干扰的大型工业系统结构安全性评估方法 | |
CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN115269357A (zh) | 一种基于调用链的微服务异常检测方法 | |
Yan et al. | Big-data-driven based intelligent prognostics scheme in industry 4.0 environment | |
Nasser et al. | A hybrid of convolutional neural network and long short-term memory network approach to predictive maintenance | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN115309575A (zh) | 基于图卷积神经网络的微服务故障诊断方法、装置及设备 | |
CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和系统 | |
CN116520806A (zh) | 一种工业系统智能故障诊断系统及其方法 | |
CN116910513A (zh) | 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 | |
Jiang et al. | Enhancing convolutional neural network deep learning for remaining useful life estimation in smart factory applications | |
CN117131979A (zh) | 基于有向超图及注意力机制的交通流速度预测方法及系统 | |
Ratnayake et al. | Analysis of machine learning algorithms in smart manufacturing | |
Kounta et al. | Multimodal deep learning for predicting the choice of cut parameters in the milling process | |
CN113505830B (zh) | 旋转机械故障诊断方法、系统、设备及存储介质 | |
CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
CN116362628B (zh) | 电力系统运行状态分析评估方法和装置 | |
KR20200067713A (ko) | 오류 트리플 검출 시스템 및 방법 |
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 |