CN115901263A - 基于数字孪生的滚动轴承剩余寿命在线预测方法及系统 - Google Patents
基于数字孪生的滚动轴承剩余寿命在线预测方法及系统 Download PDFInfo
- Publication number
- CN115901263A CN115901263A CN202211610593.4A CN202211610593A CN115901263A CN 115901263 A CN115901263 A CN 115901263A CN 202211610593 A CN202211610593 A CN 202211610593A CN 115901263 A CN115901263 A CN 115901263A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- model
- unit
- data
- digital twin
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000036541 health Effects 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 14
- 238000013499 data model Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012856 packing Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000015556 catabolic process Effects 0.000 description 8
- 238000006731 degradation reaction Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008846 dynamic interplay Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于数字孪生技术的滚动轴承剩余寿命在线预测方法及系统,本发明方法首先根据采集的滚动轴承设备信息构建数字孪生模型,基于所构建的数字孪生模型及变工况敏感性参数构建滚动轴承健康指标,再利用数字孪生模型进行健康指标优化及设备状态在线监测,通过把数字孪生技术引入到滚动轴承剩余寿命预测中,使得应用到的滚动轴承达到虚实联动,并且可实现滚动轴承性能退化状态的评估,结合本发明系统的使用进而实现滚动轴承的剩余使用寿命在线预测。
Description
技术领域
本发明属于旋转机械设备健康管理领域,具体涉及基于数字孪生的滚动轴承剩余寿命在线预测方法及系统。
背景技术
滚动轴承作为旋转机械设备的关键零部件之一,起着支承、降低摩擦系数、保证回转精度等作用。滚动轴承长期经受高温、高压、润滑条件差等极端恶劣工况的考验,其设计、制造、监测、诊断、预测水平的高低直接会对旋转机械设备的性能优劣造成影响。为保障旋转机械设备的运行安全,亟需提前预测滚动轴承失效时间,进行相应的维修及设备更换。因此,实时监测设备运行状态,提前预测滚动轴承剩余使用寿命对于设备安全高效运行具有重大意义。
现有针对旋转机械滚动轴承的剩余寿命预测方法主要基于信号处理方法和数据驱动方法。Deutsch等将时域特征中的均方根值作为轴承加速度传感器信号的HI曲线,实现了滚动轴承的退化性能评估,申中杰等采用快速傅里叶变换的方法,得出HI曲线以评估轴承衰退趋势。上述基于信号处理的方法直接从轴承振动信号中进行特征提取,通过相应的特征进行剩余寿命预测。该类方法预测精度较高,但是对于人工经验要求较高,需要人为的对信号中的特征进行分析,针对不同工况条件下的信号,需采用不同的信号处理方法,缺少普适性,难以满足在线诊断的应用场景需求。Yang等提出了一种基于双卷积神经网络模型结构的智能预测模型,以预测轴承的剩余使用寿命。Cheng等将构建的HI使用基于自适应网络模糊推理系统预测轴承剩余使用寿命。上述基于数据驱动的方法是预先采用大量数据对模型进行训练,通过模型实现滚动轴承的剩余寿命预测。该类方法的前提条件是预先采用大量数据进行训练,部署难度大,模型内部机理不明,针对变工况下的剩余寿命预测模型迁移难度大。
因此,本发明提供了一种可实现滚动轴承设备的虚实联动,并且可实现滚动轴承性能退化状态的评估,从而实现滚动轴承的剩余使用寿命在线预测的基于数字孪生技术的滚动轴承剩余寿命在线预测方法及系统。
发明内容
为了解决上述技术问题,本发明提出了基于数字孪生的滚动轴承剩余寿命在线预测方法及系统。
为了达到上述技术目的,本发明是通过以下技术方案实现的:
基于数字孪生的滚动轴承剩余寿命预测方法,其方法包括以下步骤:
S1:对滚动轴承设备进行数据采集;
S2:根据数据信息构建几何模型、物理模型、数据模型、行为模型;
S3:融合多维模型,构建数字孪生模型;
S4:根据数字孪生模型,分析滚动轴承机理,构建健康指标;
S5:根据健康指标监测设备运行状态,进行剩余寿命在线预测。
优选的,所述S2中根据滚动轴承的几何数据建立几何模型,根据滚动轴承的物理数据及对运行过程中的滚动轴承进行动态受力分析,考虑实际形貌特征,引入量化后的变转速和变负载表达式,建立出与实际工况相符的滚动轴承物理模型,融合设备实时数剧构建数据模型,考虑运行过程中的滚动轴承旋转、启停、振动等运动特征,引入动态时间规整算法,建立实时追踪设备运动的滚动轴承行为模型;
优选的,所述S3中的数字孪生模型产生的信号与实时采集的振动信号进行校验,实现数字孪生模型的自主同步和动态更新;
优选的,所述S4中数字孪生模型进行不同工况条件下的滚动轴承动力学响应分析,计算多个时域性能指标,选出对于工况变化不敏感,但对故障变化敏感的时域指标,并通过数字孪生模型得出滚动轴承应力与剩余使用寿命的变化关系,并结合选出的时域指标与滚动轴承应力与剩余使用寿命的变化关系构造健康指标(Health Indicators,HI);
优选的,所述S5中的健康指标经考虑变工况下滚动轴承振动信号特征的不稳定性后确定失效阈值,再根据实时采集的滚动轴承加速度振动信号计算出。
基于数字孪生的滚动轴承剩余寿命预测系统,包括:数据采集模块、模型构建模块、数字孪生模块、通信服务模块、在线预测模块;
所述数据采集模块、模型构建模块、数字孪生模块、通信服务模块、在线预测模块,各模块依次连接。
优选的,所述数据采集模块包括几何数据采集单元、物理数据采集单元、数据预处理单元;几何数据采集单元对滚动轴承设备尺寸和结构信息的采集;物理数据采集单元实时采集滚动轴承设备运行过程中振动信号、转速、负载信息;数据预处理单元对采集后的数据信息进行降噪、归一化、去除极端值等数据预处理操作;
优选的,所述模型构建模块包括几何模型构建单元、物理模型构建单元、数据模型构建单元、行为模型构建单元;几何模型构建单元根据几何数据采集单元采集的信息,构建滚动轴承设备的立体结构模型;物理模型构建单元,根据物理数据采集单元采集的信息,构建滚动轴承设备的物理模型;数据模型构建单元,融合数据采集模块采集的数据,挖掘数据关键信息,建立滚动轴承运行趋势预测算法模型;行为模型构建单元提取设备运动特征,模拟设备动态行为;
优选的,所述数字孪生模块包括融合模型单元、动态更新单元、可视化交互单元;融合模型单元融合模型构建模块的多维模型;动态更新单元实时更新模型信息;可视化交互单元提供人机界面,观察滚动轴承设备状态信息;
优选的,所述通信服务模块包括数据打包单元、通信架构单元、数据解码单元、传输调度单元;数据打包单元把待传输数据用统一数据传输格式打包;通信架构单元根据所述数字孪生模块中的多维融合数字孪生模型,构建端对端云服务模型;数据解码单元将传输到设备的数据包进行解码,读取关键信息;传输调度单元分析整个数字孪生系统传输网络的传输延迟信息、传输线路使用情况,根据系统传输资源使用情况进行传输调度;
优选的,所述在线预测模块包括指标构建单元、在线监测单元、智能决策单元;指标构建单元构建滚动轴承健康指标;在线监测单元根据所述的数字孪生融合模型,进行滚动轴承设备的虚实映射;智能决策单元预测滚动轴承未来运行趋势。
本发明的有益效果是:
(1)本发明基于数字孪生的滚动轴承剩余寿命在线预测方法,考虑变工况对滚动轴承剩余寿命预测结果的影响,同时分析了滚动轴承内部的故障机理,利用数字孪生技术,建立可动态交互的滚动轴承虚拟模型,实现变工况条件下的滚动轴承剩余使用寿命在线预测,预测精度可达到95%,同时,预测效率相较于传统的预测方法提高了1倍,能够满足在线预测的快速性要求;
(2)本发明系统通过各模块使用上述方法进行滚动轴承剩余使用寿命在线预测,并将预测结果呈现出来,便于技术人员读取预测结果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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是本发明滚动轴承物理模型示意图;
图2是本发明装置采集的正常轴承部分振动信号示意图;
图3是本发明健康指标构建流程图;
图4是本发明基于数字孪生的滚动轴承剩余寿命在线预测系统架构图;
图5是本发明剩余寿命预测结果图;
图6是本发明与其他技术预测结果对比图;
图7是本发明装置采集的外圈故障轴承部分振动信号示意图;
图8是本发明外圈故障下的性能退化曲线图;
图9是本发明装置采集的内圈故障轴承部分振动信号示意图;
图10是本发明内圈故障下的性能退化曲线图;
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
采用初始情况下正常的轴承进行实验,设备参数如下,轴承型号为RexnordZA-2115,节圆直径为71.5mm,滚动体直径为8.4mm,滚动体数为16,接触角为0°,电机转速为1750r/min,载荷为12000N,采样频率12kHz。
将给定设备连接到所述数据采集模块,获取滚动轴承设备滚动体个数、内外圈尺寸、轴承质量等数据,构建滚动轴承三维几何模型,对运行过程中的滚动轴承进行动态受力分析,考虑实际形貌特征,引入量化后的变转速和变负载表达式,建立与实际工况相符的滚动轴承物理模型如图1所示,模型包含了工况、应力等物理参数;再通过数据采集模块,采集设备实时数据,构建滚动轴承数据模型,考虑运行过程中的滚动轴承旋转、启停、振动等运动特征,引入动态时间规整算法,建立实时追踪设备运动的滚动轴承行为模型;根据数字孪生建模方法和模型构建模块,构建数字孪生模型,包括几何模型、物理模型、数据模型、行为模型,通过融合多维模型,实现与当前滚动轴承设备的动态交互和虚实联动;利用数据采集模块中的物理数据采集单元,采集实时振动信号如图2所示,与数字孪生模型产生的振动信号进行对比校验,从而实现数字孪生模型的自主同步和动态更新;根据通信服务模块,将实验滚动轴承设备连接到通信网络中,具体包括:数据打包单元、通信架构单元、数据解码单元、传输调度单元;将给定设备连接到数字孪生模块,该模块可进行不同工况条件下的滚动轴承动力学响应分析,计算多个时域性能指标,选取出对于工况变化不敏感,但对故障变化敏感的时域指标:均方根(Root Mean Square,RMS),方差(Variance,VAR);分析得出滚动轴承应力与剩余使用寿命的变化关系,并根据选出的时域指标与滚动轴承应力与剩余使用寿命的变化关系采用表达式:构造健康指标;通过在线预测模块中的在线监测单元,计算本发明构造的健康指标,确定失效阈值,同时划分滚动轴承状态阶段;该模块可根据实时采集的滚动轴承加速度振动信号,计算健康指标;通过健康指标计算结果,得到滚动轴承性能退化趋势曲线,如图5所示,在此基础上,可实现滚动轴承剩余使用寿命的在线预测,预测结果可通过在线预测模块的可视化单元实时展示出来。
从预测的快速性上进行评估,由于实验时输入的数据是每次输入1秒时间长度的数据,本发明提供的技术方案预测时间0.1s远小于设备的采样时间1s,因此能满足在线预测的实时性要求。从趋势相关性、鲁棒性、敏感性上与上述背景技术对比,本发明的趋势相关性、鲁棒性、敏感性指标最好,如图6所示。在加速寿命实验下,剩余寿命预测时间为181min,实际剩余时间为182min,预测相对误差为0.5%,预测准确率高。
实施例2
采用带有外圈故障的轴承进行实验,轴承外圈故障缺陷宽度为1mm,设备参数如下,轴承型号为RexnordZA-2115,节圆直径为71.5mm,滚动体直径为8.4mm,滚动体数为16,接触角为0°,电机转速为1790r/min,载荷为10000N,采样频率12kHz。
将给定设备连接到所述数据采集模块,获取滚动轴承设备滚动体个数、内外圈尺寸、轴承质量等数据,构建滚动轴承三维几何模型,对运行过程中的滚动轴承进行动态受力分析,考虑实际形貌特征,引入量化后的变转速和变负载表达式,建立物理模型,模型包含了工况、应力等物理参数;再通过数据采集模块,采集设备实时数据,构建滚动轴承数据模型,考虑运行过程中的滚动轴承旋转、启停、振动等运动特征,引入动态时间规整算法,建立实时追踪设备运动的滚动轴承行为模型;根据数字孪生建模方法和模型构建模块,构建数字孪生模型,包括几何模型、物理模型、数据模型、行为模型,通过融合多维模型,实现与当前滚动轴承设备的动态交互和虚实联动;利用数据采集模块中的物理数据采集单元,采集实时振动信号如图7所示,与数字孪生模型产生的振动信号进行对比校验,从而实现数字孪生模型的自主同步和动态更新;根据通信服务模块,将实验滚动轴承设备连接到通信网络中,具体包括:数据打包单元、通信架构单元、数据解码单元、传输调度单元;将给定设备连接到数字孪生模块,该模块可进行不同工况条件下的滚动轴承动力学响应分析,计算多个时域性能指标,选取出对于工况变化不敏感,但对故障变化敏感的时域指标:均方根(RootMean Square,RMS),方差(Variance,VAR);分析得出滚动轴承应力与剩余使用寿命的变化关系,并根据选出的时域指标与滚动轴承应力与剩余使用寿命的变化关系采用表达式:构造健康指标;通过在线预测模块中的在线监测单元,计算本发明构造的健康指标,确定失效阈值,同时划分滚动轴承状态阶段;该模块可根据实时采集的滚动轴承加速度振动信号,计算健康指标;通过健康指标计算结果,得到滚动轴承性能退化趋势曲线,如图8所示,在此基础上,可实现滚动轴承剩余使用寿命的在线预测,预测结果可通过在线预测模块的可视化单元实时展示出来。
从预测的快速性上进行评估,由于实验时输入的数据是每次输入1秒时间长度的数据,本发明提供的技术方案预测时间0.1s远小于设备的采样时间1s,因此能满足在线预测的实时性要求。从趋势相关性、鲁棒性、敏感性上与上述背景技术对比,本发明的趋势相关性、鲁棒性、敏感性指标最高,评价结果与实施例1中一致。在加速寿命实验下,剩余寿命预测时间为101min,实际剩余时间为102min,预测相对误差为0.9%,预测准确率高。
实施例3
采用带有内圈故障的轴承进行实验,内圈故障宽度为1mm,设备参数如下,轴承型号为RexnordZA-2115,节圆直径为71.5mm,滚动体直径为8.4mm,滚动体数为16,接触角为0°,电机转速为1560r/min,载荷为11000N,采样频率12kHz。
将给定设备连接到所述数据采集模块,获取滚动轴承设备滚动体个数、内外圈尺寸、轴承质量等数据,构建滚动轴承三维几何模型,对运行过程中的滚动轴承进行动态受力分析,考虑实际形貌特征,引入量化后的变转速和变负载表达式,建立与实际工况相符的滚动轴承物理模型,模型包含了工况、应力等物理参数;再通过数据采集模块,采集设备实时数据,构建滚动轴承数据模型,考虑运行过程中的滚动轴承旋转、启停、振动等运动特征,引入动态时间规整算法,建立实时追踪设备运动的滚动轴承行为模型;根据数字孪生建模方法和模型构建模块,构建数字孪生模型,包括几何模型、物理模型、数据模型、行为模型,通过融合多维模型,实现与当前滚动轴承设备的动态交互和虚实联动;利用数据采集模块中的物理数据采集单元,采集实时振动信号如图9所示,与数字孪生模型产生的振动信号进行对比校验,从而实现数字孪生模型的自主同步和动态更新;根据通信服务模块,将实验滚动轴承设备连接到通信网络中,具体包括:数据打包单元、通信架构单元、数据解码单元、传输调度单元;将给定设备连接到数字孪生模块,该模块可进行不同工况条件下的滚动轴承动力学响应分析,计算多个时域性能指标,选取出对于工况变化不敏感,但对故障变化敏感的时域指标:均方根(Root Mean Square,RMS),方差(Variance,VAR);分析得出滚动轴承应力与剩余使用寿命的变化关系,并根据选出的时域指标与滚动轴承应力与剩余使用寿命的变化关系采用表达式:构造健康指标;通过在线预测模块中的在线监测单元,计算本发明构造的健康指标,确定失效阈值,同时划分滚动轴承状态阶段;该模块可根据实时采集的滚动轴承加速度振动信号,计算健康指标;通过健康指标计算结果,得到滚动轴承性能退化趋势曲线,如图10所示,在此基础上,可实现滚动轴承剩余使用寿命的在线预测,预测结果可通过在线预测模块的可视化单元实时展示出来。
从预测的快速性上进行评估,由于实验时输入的数据是每次输入1秒时间长度的数据,本发明提供的技术方案预测时间0.1s远小于设备的采样时间1s,因此能满足在线预测的实时性要求。从趋势相关性、鲁棒性、敏感性上与上述背景技术对比,本发明的趋势相关性、鲁棒性、敏感性指标最高,评价结果与实施例1中一致。在加速寿命实验下,剩余寿命预测时间为95min,实际剩余时间为96min,预测相对误差为1%,预测准确率高。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”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发明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。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.基于数字孪生的滚动轴承剩余寿命预测方法,其特征在于,包括以下步骤:
S1:对滚动轴承设备进行数据采集;
S2:根据数据信息构建几何模型、物理模型、数据模型、行为模型;
S3:融合多维模型,构建数字孪生模型;
S4:根据数字孪生模型,分析滚动轴承机理,构建健康指标;
S5:根据健康指标监测设备运行状态,进行剩余寿命在线预测。
2.根据权利要求1所述基于数字孪生的滚动轴承剩余寿命预测方法,其特征在于,所述S2中根据滚动轴承的几何数据建立几何模型,根据滚动轴承的物理数据及对运行过程中的滚动轴承进行动态受力分析,考虑实际形貌特征,引入量化后的变转速和变负载表达式,建立出与实际工况相符的滚动轴承物理模型,融合设备实时数剧构建数据模型,考虑运行过程中的滚动轴承旋转、启停、振动等运动特征,引入动态时间规整算法,建立实时追踪设备运动的滚动轴承行为模型。
3.根据权利要求1所述基于数字孪生的滚动轴承剩余寿命预测方法,其特征在于,所述S3中的数字孪生模型产生的信号与实时采集的振动信号进行校验,实现数字孪生模型的自主同步和动态更新。
4.根据权利要求1所述基于数字孪生的滚动轴承剩余寿命预测方法,其特征在于,所述S4中数字孪生模型进行不同工况条件下的滚动轴承动力学响应分析,计算多个时域性能指标,选出对于工况变化不敏感,但对故障变化敏感的时域指标,并通过数字孪生模型得出滚动轴承应力与剩余使用寿命的变化关系,并结合选出的时域指标与滚动轴承应力与剩余使用寿命的变化关系构造健康指标(Health Indicators,HI)。
5.根据权利要求1所述基于数字孪生的滚动轴承剩余寿命预测方法,其特征在于,所述S5中的健康指标经考虑变工况下滚动轴承振动信号特征的不稳定性后确定失效阈值,再根据实时采集的滚动轴承加速度振动信号计算出。
6.基于数字孪生的滚动轴承剩余寿命预测系统,其特征在于,包括:数据采集模块、模型构建模块、数字孪生模块、通信服务模块、在线预测模块;
所述数据采集模块、模型构建模块、数字孪生模块、通信服务模块、在线预测模块,各模块依次连接。
7.根据权利要求6所述基于数字孪生的滚动轴承剩余寿命预测系统,其特征在于,所述数据采集模块包括几何数据采集单元、物理数据采集单元、数据预处理单元;几何数据采集单元对滚动轴承设备尺寸和结构信息的采集;物理数据采集单元实时采集滚动轴承设备运行过程中振动信号、转速、负载信息;数据预处理单元对采集后的数据信息进行降噪、归一化、去除极端值等数据预处理操作;模型构建模块包括几何模型构建单元、物理模型构建单元、数据模型构建单元、行为模型构建单元;几何模型构建单元根据几何数据采集单元采集的信息,构建滚动轴承设备的立体结构模型;物理模型构建单元,根据物理数据采集单元采集的信息,构建滚动轴承设备的物理模型;数据模型构建单元,融合数据采集模块采集的数据,挖掘数据关键信息,建立滚动轴承运行趋势预测算法模型;行为模型构建单元提取设备运动特征,模拟设备动态行为。
8.根据权利要求6所述基于数字孪生的滚动轴承剩余寿命预测系统,其特征在于,所述数字孪生模块包括融合模型单元、动态更新单元、可视化交互单元;融合模型单元融合模型构建模块的多维模型;动态更新单元实时更新模型信息;可视化交互单元提供人机界面,观察滚动轴承设备状态信息。
9.根据权利要求6所述基于数字孪生的滚动轴承剩余寿命预测系统,其特征在于,所述通信服务模块包括数据打包单元、通信架构单元、数据解码单元、传输调度单元;数据打包单元把待传输数据用统一数据传输格式打包;通信架构单元根据所述数字孪生模块中的多维融合数字孪生模型,构建端对端云服务模型;数据解码单元将传输到设备的数据包进行解码,读取关键信息;传输调度单元分析整个数字孪生系统传输网络的传输延迟信息、传输线路使用情况,根据系统传输资源使用情况进行传输调度。
10.根据权利要求6所述基于数字孪生的滚动轴承剩余寿命预测系统,其特征在于,所述在线预测模块包括指标构建单元、在线监测单元、智能决策单元;指标构建单元构建滚动轴承健康指标;在线监测单元根据所述的数字孪生融合模型,进行滚动轴承设备的虚实映射;智能决策单元预测滚动轴承未来运行趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211610593.4A CN115901263A (zh) | 2022-12-14 | 2022-12-14 | 基于数字孪生的滚动轴承剩余寿命在线预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211610593.4A CN115901263A (zh) | 2022-12-14 | 2022-12-14 | 基于数字孪生的滚动轴承剩余寿命在线预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115901263A true CN115901263A (zh) | 2023-04-04 |
Family
ID=86472475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211610593.4A Pending CN115901263A (zh) | 2022-12-14 | 2022-12-14 | 基于数字孪生的滚动轴承剩余寿命在线预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115901263A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071053A (zh) * | 2023-04-07 | 2023-05-05 | 沃德传动(天津)股份有限公司 | 基于数字孪生的往复式压缩机状态预警系统 |
CN117077327A (zh) * | 2023-10-18 | 2023-11-17 | 国网山东省电力公司鱼台县供电公司 | 基于数字孪生的轴承寿命预测方法及系统 |
-
2022
- 2022-12-14 CN CN202211610593.4A patent/CN115901263A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071053A (zh) * | 2023-04-07 | 2023-05-05 | 沃德传动(天津)股份有限公司 | 基于数字孪生的往复式压缩机状态预警系统 |
CN116071053B (zh) * | 2023-04-07 | 2023-11-28 | 沃德传动(天津)股份有限公司 | 基于数字孪生的往复式压缩机状态预警系统 |
CN117077327A (zh) * | 2023-10-18 | 2023-11-17 | 国网山东省电力公司鱼台县供电公司 | 基于数字孪生的轴承寿命预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 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 | |
CN115901263A (zh) | 基于数字孪生的滚动轴承剩余寿命在线预测方法及系统 | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
CN113465920B (zh) | 云、雾、边缘端协同的轴承状态监测与管理方法及系统 | |
CN113190886A (zh) | 一种基于快速仿真数字孪生技术的设备健康监测方法 | |
CN112926257A (zh) | 往复式天然气压缩机故障诊断系统以及诊断方法 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN106940678B (zh) | 一种系统实时健康度评估分析方法及装置 | |
CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测系统及方法 | |
CN115563853A (zh) | 一种基于数字孪生的滚动轴承故障诊断方法 | |
CN112697267A (zh) | 一种工业设备异常振动检测装置 | |
CN115982663A (zh) | 一种新能源风机设备的故障预警系统 | |
CN116538092A (zh) | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 | |
CN116502544B (zh) | 一种基于数据融合的电动螺旋压力机寿命预测方法及系统 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
CN116502141A (zh) | 一种基于数据驱动的电动螺旋压力机故障预测方法及系统 | |
CN115750341A (zh) | 一种罗茨式压缩机故障诊断方法及系统 | |
CN112621381A (zh) | 机床进给系统健康状态智能评估方法及装置 | |
CN112149261B (zh) | 基于直接类比计算的旋转机械结构强度仿真系统及方法 | |
CN113052365B (zh) | 一种基于mswr-lrcn的旋转类机械寿命预测方法 | |
CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 | |
CN116449717B (zh) | 一种基于数字孪生的挤压机减速箱状态监控系统 | |
CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
CN117150301A (zh) | 数据缺失情况下旋转设备剩余使用寿命的预测方法 |
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 |