CN116049989A - 转向架数字孪生模型构建方法、系统、电子设备及介质 - Google Patents
转向架数字孪生模型构建方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN116049989A CN116049989A CN202310113866.2A CN202310113866A CN116049989A CN 116049989 A CN116049989 A CN 116049989A CN 202310113866 A CN202310113866 A CN 202310113866A CN 116049989 A CN116049989 A CN 116049989A
- Authority
- CN
- China
- Prior art keywords
- bogie
- model
- data
- structural strength
- simulation
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数字孪生技术领域,公开了一种转向架数字孪生模型构建方法、系统、电子设备及介质。所述方法包括:获取转向架的设计参数,以及多种工况下传感器采集的转向架运行数据;创建转向架三维几何模型,并针对多种工况下,对转向架关键部件进行动力学仿真和结构强度有限元仿真;采用动力学仿真数据和结构强度仿真数据,训练得到动力学相关轻量化模型和结构强度相关轻量化模型;当获取运行数据时,基于所述动力学相关轻量化模型和结构强度相关轻量化模型得到转向架运行状态数据,并通过所述三维几何模型显示。本发明在通过对数字模型进行轻量化,实现了数字孪生模型的快速驱动,有利于对转向架物理实体进行更为及时的监测和跟踪。
Description
技术领域
本发明涉及数字孪生技术领域,尤其涉及一种转向架数字孪生模型构建方法、系统、电子设备及介质。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
数字孪生(Digital Twin)是实现物理对象在虚拟空间中反映真实数字镜像的一种手段,通过建立物理空间与虚拟空间的双向映射,能够从虚拟空间中对物理实体的行为进行同步的感知、监控、分析和预测,并最终反馈回物理实体对象,对其实现检修、改造、优化。数字孪生的应用具有全面性、系统性、直观性、实时性和高效性等特点。
目前有关轨道交通的数字孪生技术应用,主要集中在生产车间精益化流水线建设管理、地铁车站设备的信息可视化等功能,以及驱动列车的运行优化等方面,而应用于列车本身或关键部件的数字孪生模型记载较少。发明人发现,目前已有的应用于列车及其关键部件的相关技术主要侧重于数字孪生的实现,而对于数字孪生模型的性能,例如数值模型的预测精度,以及数字孪生模型的实时性较差,从而降低了转向架运行状态的预测准确性和实时性,不利于列车运维调度。
发明内容
为克服上述现有技术的不足,本发明提供了一种转向架数字孪生模型构建方法、系统、电子设备及介质。在构建了三维几何模型和数字模型的基础上,还对数字模型进行了轻量化,实现了数字孪生模型的快速驱动,有利于对转向架物理实体进行更为及时的监测和跟踪。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
一种转向架数字孪生模型构建方法,包括以下步骤:
获取转向架的设计参数,以及多种工况下传感器采集的转向架运行数据;
基于所述设计参数,创建转向架三维几何模型,并针对多种工况下,对转向架关键部件进行动力学仿真和结构强度有限元仿真,得到动力学仿真数据和结构强度仿真数据;
采用所述动力学仿真数据和结构强度仿真数据,训练得到动力学相关轻量化模型和结构强度相关轻量化模型;
当获取运行数据时,基于所述动力学相关轻量化模型和结构强度相关轻量化模型得到转向架运行状态数据,并通过所述三维几何模型显示。
进一步地,对转向架关键部件进行动力学仿真和结构强度有限元仿真包括:
根据所述三维几何模型和运行数据,对转向架关键部件进行不同工况下的动力学仿真,得到转向架动力学仿真数据;
根据所述三维几何模型和动力学仿真数据,对转向架关键部件进行不同工况下的结构强度有限元仿真,得到结构强度仿真数据。
进一步地,得到动力学仿真数据和结构强度仿真数据后,还分别针对动力学仿真数据和结构强度仿真数据进行筛选,得到对应不同关键部件的动力学训练数据和结构强度训练数据。
进一步地,对于动力学仿真数据,基于预设评估指标(如:安全性、稳定性、舒适度等评估指标)进行数据清洗,得到动力学训练数据。
进一步地,所述动力学相关轻量化模型和结构强度相关轻量化模型基于径向基函数神经网络进行训练。
一个或多个实施例提供了一种转向架数字孪生模型构建系统,包括:
数据获取模块,用于获取转向架的设计参数,以及多种工况下传感器采集的转向架运行数据;
模型仿真模块,用于基于所述设计参数,创建转向架三维几何模型,并针对多种工况下,对转向架关键部件进行动力学仿真和结构强度有限元仿真,得到动力学仿真数据和结构强度仿真数据;
轻量化模型构建模块,用于采用所述动力学仿真数据和结构强度仿真数据,训练得到动力学相关轻量化模型和结构强度相关轻量化模型;
数字孪生模型驱动模块,用于当获取运行数据时,基于所述动力学相关轻量化模型和结构强度相关轻量化模型得到转向架运行状态数据,并通过所述三维几何模型显示。
进一步地,对转向架关键部件进行动力学仿真和结构强度有限元仿真包括:
根据所述三维几何模型和运行数据,对转向架关键部件进行不同工况下的动力学仿真,得到转向架动力学仿真数据;
根据所述三维几何模型和动力学仿真数据,对转向架关键部件进行不同工况下的结构强度有限元仿真,得到结构强度仿真数据。
进一步地,得到动力学仿真数据和结构强度仿真数据后,还分别针对动力学仿真数据和结构强度仿真数据进行筛选,得到对应不同关键部件的动力学训练数据和结构强度训练数据。
进一步地,对于动力学仿真数据,基于预设评估指标(如:安全性、稳定性、舒适度等评估指标)进行数据清洗,得到动力学训练数据。
进一步地,所述动力学相关轻量化模型和结构强度相关轻量化模型基于径向基函数神经网络进行训练。
一个或多个实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述转向架数字孪生模型构建方法。
一个或多个实施例提供了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所述转向架数字孪生模型构建方法。
以上一个或多个技术方案存在以下有益效果:
通过整合转向架关键部件多工况下实时传感数据或历史运行数据,实现了转向架动力学及关键部件的结构强度的仿真,基于仿真得到的数据,基于神经网络训练轻量化的对应各个模块的动力学相关数字模型和结构强度相关数字模型,从而节约了仿真时间,此外,当基于实时运行数据驱动数字孪生模型时,能够进行转向架运行状态的快速预测,提高了数字孪生模型的实时性,有助于为运维调度做出参考依据。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明一个或多个实施例中转向架数字孪生模型构建方法整体流程图;
图2为本发明一个或多个实施例中转向架数字孪生模型构建的原理框架图;
图3为本发明一个或多个实施例中转向架数字孪生模型构建的具体流程图;
图4为本发明一个或多个实施例中转向架动力学性能的SIMPACK仿真分析流程图;
图5为本发明一个或多个实施例中有限元仿真分析流程图;
图6为本发明一个或多个实施例中基于径向基函数神经网络训练数值模型的流程图;
图7为本发明一个或多个实施例中径向基函数神经网络结构图;
图8为本发明一个或多个实施例中轮轨垂向力实际值与轻量化模型预测值对比图;
图9为本发明一个或多个实施例中轮轨横向力实际值与轻量化模型预测值对比图;
图10为本发明一个或多个实施例中脱轨系数实际值与轻量化模型预测值对比图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
车辆结构数字孪生是数字线程驱动的,多学科、多物理场、多尺度、多保真度、多概率的模拟仿真系统,可以采用在线传感器监测、离线检查、运行历史等多源数据,反映并预测对应结构实体在全寿命周期内的行为和性能。基于此,参照图1和图2,本实施例公开了一种转向架数字孪生模型构建方法,包括以下步骤:
步骤1:获取转向架的设计参数,以及多种工况下传感器采集的转向架运行数据。
获取转向架设计参数的目的是构建转向架的物理实体,转向架的物理实体包括构架、轮对、轴箱轴承、悬挂系统、制动系统、牵引系统等关键零部件;转向架设计参数包括结构几何参数、工艺参数、悬挂参数、各个部件物理参数、材料参数等,可根据设计图纸读取。
获取传感器采集的转向架运行数据的目的是用于模型驱动。所述传感器包括用于监测转向架运行状态的各类传感器,如加速度传感器、振动传感器、温度传感器、速度传感器、应力传感器、位移传感器等,运行数据可以包括历史运行数据和实时运行数据。
输出关键部件、系统的评价指标相关的曲线图表化展示。
步骤2:基于所述设计参数,创建转向架三维几何模型。
基于所述设计参数,创建转向架三维几何模型。具体地,基于获取到的设计参数,利用SolidWorks、CATIA等三维建模软件进行各个转向架关键零部件的三维几何模型的构建,同时建立转向架的装配模型。
步骤3:根据所述三维几何模型和运行数据,进行不同工况下的动力学仿真,得到转向架动力学仿真数据。
利用simpack软件建立转向架动力学模型,如图3所示,具体包括:获取转向架的主要技术参数;对车辆系统进行简化,并定义多体元素的拓扑关系;建立车辆系统的simpack仿真模型,基于设定的仿真运行条件进行仿真,经过分析评估,得到转向架动力学仿真数据。
所述转向架动力学仿真数据包括转向架关键位置的横向力、垂向力和加速度等。
在本实施例中,动力学仿真是针对整个转向架运行状态、运行安全的、对车辆运行的仿真;结构强度仿真是针对转向架关键部件的本身结构强度的考量。
步骤4:根据所述三维几何模型和动力学仿真数据,对转向架关键部件进行不同工况下的结构强度有限元仿真,得到结构强度仿真数据。
基于几何参数与动力学仿真输出的多工况横向力、垂向力和加速度等进行转向架关键部件进行结构强度有限元仿真,如图5所示。
具体地,如图4所示,首先基于所述转向架三维几何模型,建立转向架有限元仿真模型。具体地,利用转向架构架、轴箱轴承、轮对、悬挂系统等零部件三维模型,定义材料属性并划分网络,通过hypermesh、ansys软件进行联合仿真,建立转向架的有限元仿真模型。然后基于转向架各个零部件运行工况,进行载荷施加,用isight软件进行资源调用,数据流处理,根据其输出的载荷数据对转向架各个关键部件的有限元模型进行结构强度仿真,进行结构动、静强度评估,得到转向架构架、轮对、悬挂系统、轴箱轴承等关键部件特征位置的关键应力及应变值作为特征数据输出,并且实现轴箱轴承的结构-温度场耦合评估,输出轴承关键位置节点的应力、应变、温度数值作为特征数据输出。
步骤5:分别基于动力学仿真数据和结构强度仿真数据进行筛选,得到对应不同关键部件的动力学训练数据和结构强度训练数据。
具体地,首先确定零件关键位置节点数量与位置、数据类型以及训练模型的样本大小;然后对于动力学仿真数据,基于安全性、稳定性、舒适度等评估指标进行数据清洗,得到动力学训练数据,对于结构强度仿真数据进行数据清洗,得到结构强度训练数据。
此处需要说明的是,本领域技术人员可根据实际情况来选取其他评估指标进行数据清洗。
为了后续得到轻量化的数字孪生模型,本实施例基于动力学仿真数据和结构强度仿真数据进行筛选,作为构建轻量化数值模型的训练数据样本。对于每个要训练的数值模型,将筛选后的对应动力学仿真数据和结构强度仿真数据,分别按照8:2的比例进行拆分,其中80%数据作为轻量化数值模型训练机器学习样本,20%作为验证数字轻量化模型的样本数据。
作为一个示例,拟选取车辆主要悬挂参数为输入,对以上悬挂参数以原始参数上下50%为界限进行DOE(Design of Experiment)试验设计,以分为选择试验因子、确定各因子水平数、建立正交表、求出各组指标以及继续分析通过其正交方法来减少仿真工况的同时获取更多的仿真信息。生成悬挂参数输入数据样本集,然后通过SIMPACK动力学软件得到基于悬挂参数输入数据样本集中每种工况的输出响应,即计算出每种悬挂参数工况对应的轮轴横向力、轮轨垂向力、速度、轮重减载率和脱轨系数等动力学仿真数据。
将输出响应数据集按照一定比例划分成训练数据和测试数据,其中训练数据样本用于训练轻量化模型,测试数据样本用于评判轻量化模型的效果,具体地,将80%的数据用作训练数据,20%用作测试数据。
步骤6:分别基于动力学训练数据和结构强度训练数据,基于神经网络训练得到对应不同关键部件的动力学相关轻量化模型和结构强度相关轻量化模型。
所述动力学相关轻量化模型包括对应不同关键部件的安全性、舒适度和平稳性等轻量化模型;所述结构强度相关轻量化模型包括对应不同关键部件的应力、应变、疲劳、寿命等轻量化模型。
其中,通过训练仿真数据得到的轻量化模型,同时还有的轻量化模型为:构架结构强度轻量化模型、转向架横向加速度轻量化模型、脱轨系数轻量化模型等。
本实施例中,所述神经网络采用对非线性函数的逼近效果较好的RBF(RadialBasis Function,径向基函数)神经网络。
图7为转向架动力学轻量化模型RBF神经网络结构图,所述RBF神经网络采用单隐藏层的3层神经网络结构,包括输入层(8个神经元)、隐藏层(16个隐藏因子)、输出层(12个神经元)。采用高斯函数作为激励函数为损失函数为学习率系数设置为0.05。随机选取RBF神经网络中心;方差(宽度)以及隐含层到输出层权重参数ωi的迭代计算,采用RBF神经网络权重参数的训练方法,本实施例采用梯度下降法。训练的次数具体根据训练后的模型效果来进行判定,通过多次训练使得轻量化模型满足误差要求。
轻量化模型训练完成后,对模型预测结果进行验证。具体地,如图6所示,利用样本中的验证样本或处理后的传感器实时数据与历史运行数据对各个模块的轻量化模型进行验证,对输出结果进行误差分析,以此调整神经网络结构参数对各个模块轻量化进行训练到需求的准确度。借助径向基函数神经网络,以及模型的迭代优化,兼顾了预测精度和计算效率。
以转向架动力学轻量化模型神经网络构建为例,将x1—x8轴箱振动加速度作为输入,将y1—y12轴箱振动加速度对应的车轮的轮轨力和脱轨系数作为输出,即可训练得到轻量化模型(如动力学轮轨力轻量化模型)。基于未用于模型训练的验证样本数据驱动动力学轮轨力轻量化模型,部分输出结果的曲线如图8、图9和图10。通过对比实际值曲线和仿真值曲线,可看出预测值曲线与实际值曲线基本吻合,误差较小,以此可以确定完成动力学轮轨力轻量化模型模块完成。
基于整个转向架模型的多个轻量化模型与实际测得数据误差情况统计见表1,以动车在300km/h速度运行下的轻量化模型输出的最大误差为6.17%,总体上误差范围在10%以内,能够达到大部分项目的要求。
表1动车在300km/h速度下的真实值与轻量化模型预测值误差统计表
优选的,对于不同项目要求的不同精度,可以进一步的对轻量化模型进行优化,增加训练数据样本、增加样本数据精度、调整神经网络结构参数等都可以进一步的提高轻量化模型的结果。
步骤7:当获取运行数据时,基于所述动力学相关轻量化模型和结构强度相关轻量化模型得到转向架运行状态数据,并通过所述三维几何模型显示。
所述运行数据可以为以下任一种:传感器获取的实时运行数据、历史运行数据、仿真工况下得到的运行数据。将运行数据作为经过验证的轻量化数字模型的输入,将输出的特征与三维几何模型关键节点进行一一对应处理,同时输出相应的评价指标,实现了转向架的数字孪生模型构建。评价指标可通过曲线或图表进行展示。基于现有仿真数据与历史运行数据对转向架数字孪生模型的虚拟驱动,有助于验证转向架运行状态。
本实施例还对转向架三维几何模型进行轻量化处理。数值分析方法以牺牲部件模型空间离散规模为代价来提供计算精度,以数值分析方法和模型降阶技术为主的数字样机搭建方法很好的解决了计算精度与计算速度之间的矛盾,利用数字样机方法对转向架的关键部件模型与装配模型进行处理。具体地,利用数字样机技术对转向架三维几何模型中的关键部件模型、装配模型进行完整的描述表达,通过特征数据反映数字模型输出的关键参数,通过渲染等技术实现对零部件的应力、温度、位移等状态进行显示或者是报警提示。从而实现了转向架数字孪生模型的实时驱动,并且能够将转向架实时数据通过直观图形进行呈现,提高信息共享和数据分析的效率,可以为运维调度做出参考依据。
所述三维几何模型对应转向架物理实体,所述动力学相关轻量化模型和结构强度相关轻量化模型对应转向架数字模型,转向架物理实体和数字模型共同组成了数字孪生模型。
为了实现实时运行数据驱动数字孪生模型,当轻量化的数字模型训练完成后,首先对不同的轻量化数字模型进行分模块封装,通过对多轻量化数字孪生模型的组合包装,有利于实现各种不同要求的项目数字孪生模型快速组装。
然后对每个数字模型设置输入、输出数据接口,确定实时传感数据与轻量化模型的数据接口类型,确保数据能正常输入并驱动模型。具体地,利用Python语言等软件编写业务逻辑处理,通过调用相关函数,将训练完成且满足要求的降阶数字模型进行接口类型设置,封装在“ROM”包中,通过程序编写确定数据输入、输出接口实现展示模型特征数据关键节点与数字模型特征数据关键节点相连接,保证数字模型的输出能够与展示模型的评价指标、图像等展示功能对应,完成数字孪生模型的包装。
将该转向架关键零件数字孪生模型布置在相应的显示终端上时,可以实现的功能包括但不限于车辆运行安全性评估,能够输出脱轨系数、轮重减载率、轮轨横向力等特征参数;转向架构架强度评估、轮对结构强度评估、悬挂系统结构强度评估、轴箱轴承结构强度评估及转向架状态等项目展示。
所述转向架数字孪生模型可以用于多平台部署,并且进行多维度驱动状态直观展示。
实施例二
本实施例的目的是提供一种转向架数字孪生模型构建系统。所述系统包括:
数据获取模块,用于获取转向架的设计参数,以及多种工况下传感器采集的转向架运行数据;
模型仿真模块,用于基于所述设计参数,创建转向架三维几何模型,并针对多种工况下,对转向架关键部件进行动力学仿真和结构强度有限元仿真,得到动力学仿真数据和结构强度仿真数据;
轻量化模型构建模块,用于采用所述动力学仿真数据和结构强度仿真数据,训练得到动力学相关轻量化模型和结构强度相关轻量化模型;
数字孪生模型驱动模块,用于当获取运行数据时,基于所述动力学相关轻量化模型和结构强度相关轻量化模型得到转向架运行状态数据,并通过所述三维几何模型显示。
实施例三
本实施例的目的是提供一种电子设备。
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上运行的计算机程序,所述处理器执行所述程序时实现如实施例一中所述的转向架数字孪生模型构建方法。
实施例四
本实施例的目的是提供一种计算机可读存储介质。
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实施例一中所述的转向架数字孪生模型构建方法。
以上实施例二至四中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。
以上一个或多个实施例通过整合动力学及结构强度有限元仿真技术,并结合RBF神经网络算法,仅基于历史运行数据即可实现列车转向架动力学及关键部件的结构强度数字孪生模型的构建,从而实现了基于转向架实时传感数据或历史运行数据驱动的转向架关键部件数字孪生模型状态监测、跟踪等功能。同时,可以实现基于转向架关键部件数字孪生模型的运行工况或结构强度快速仿真,能够得到准确度高的仿真结果,节省仿真计算时间。此外,对于轨道交通车辆其他部件的数字孪生模型构建提供了参考。
通过整合现有轨道交通行业所做的大量仿真数据与历史运行数据,即可实现数字孪生模型的训练、验证的虚拟驱动,而且仿真工具的选择并没有特定需求,工程师也不必再学习新的仿真软件,只需要对于仿真结果数据进行处理后再进行模型的训练,实现较为容易且成本低。基于现有实时传感器数据、动力学或结构强度仿真数据、历史运行数据驱动转向架数字孪生模型,能够提高轨道交通行业仿真数据的复用性与价值。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (12)
1.一种转向架数字孪生模型构建方法,其特征在于,包括以下步骤:
获取转向架的设计参数,以及多种工况下传感器采集的转向架运行数据;
基于所述设计参数,创建转向架三维几何模型,并针对多种工况下,对转向架关键部件进行动力学仿真和结构强度有限元仿真,得到动力学仿真数据和结构强度仿真数据;
采用所述动力学仿真数据和结构强度仿真数据,训练得到动力学相关轻量化模型和结构强度相关轻量化模型;
当获取运行数据时,基于所述动力学相关轻量化模型和结构强度相关轻量化模型得到转向架运行状态数据,并通过所述三维几何模型显示。
2.如权利要求1所述的转向架数字孪生模型构建方法,其特征在于,对转向架关键部件进行动力学仿真和结构强度有限元仿真包括:
根据所述三维几何模型和运行数据,对转向架关键部件进行不同工况下的动力学仿真,得到转向架动力学仿真数据;
根据所述三维几何模型和动力学仿真数据,对转向架关键部件进行不同工况下的结构强度有限元仿真,得到结构强度仿真数据。
3.如权利要求1或2所述的转向架数字孪生模型构建方法,其特征在于,得到动力学仿真数据和结构强度仿真数据后,还分别针对动力学仿真数据和结构强度仿真数据进行筛选,得到对应不同关键部件的动力学训练数据和结构强度训练数据。
4.如权利要求3所述的转向架数字孪生模型构建方法,其特征在于,对于动力学仿真数据,基于预设评估指标进行数据清洗,得到动力学训练数据。
5.如权利要求1所述的转向架数字孪生模型构建方法,其特征在于,所述动力学相关轻量化模型和结构强度相关轻量化模型基于径向基函数神经网络进行训练。
6.一种转向架数字孪生模型构建系统,其特征在于,包括:
数据获取模块,用于获取转向架的设计参数,以及多种工况下传感器采集的转向架运行数据;
模型仿真模块,用于基于所述设计参数,创建转向架三维几何模型,并针对多种工况下,对转向架关键部件进行动力学仿真和结构强度有限元仿真,得到动力学仿真数据和结构强度仿真数据;
轻量化模型构建模块,用于采用所述动力学仿真数据和结构强度仿真数据,训练得到动力学相关轻量化模型和结构强度相关轻量化模型;
数字孪生模型驱动模块,用于当获取运行数据时,基于所述动力学相关轻量化模型和结构强度相关轻量化模型得到转向架运行状态数据,并通过所述三维几何模型显示。
7.如权利要求6所述的转向架数字孪生模型构建系统,其特征在于,对转向架关键部件进行动力学仿真和结构强度有限元仿真包括:
根据所述三维几何模型和运行数据,对转向架关键部件进行不同工况下的动力学仿真,得到转向架动力学仿真数据;
根据所述三维几何模型和动力学仿真数据,对转向架关键部件进行不同工况下的结构强度有限元仿真,得到结构强度仿真数据。
8.如权利要求6或7所述的转向架数字孪生模型构建系统,其特征在于,得到动力学仿真数据和结构强度仿真数据后,还分别针对动力学仿真数据和结构强度仿真数据进行筛选,得到对应不同关键部件的动力学训练数据和结构强度训练数据。
9.如权利要求8所述的转向架数字孪生模型构建系统,其特征在于,对于动力学仿真数据,基于预设评估指标进行数据清洗,得到动力学训练数据。
10.如权利要求6所述的转向架数字孪生模型构建系统,其特征在于,所述动力学相关轻量化模型和结构强度相关轻量化模型基于径向基函数神经网络进行训练。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5任一项所述转向架数字孪生模型构建方法。
12.一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1-5任一项所述转向架数字孪生模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310113866.2A CN116049989A (zh) | 2023-02-14 | 2023-02-14 | 转向架数字孪生模型构建方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310113866.2A CN116049989A (zh) | 2023-02-14 | 2023-02-14 | 转向架数字孪生模型构建方法、系统、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116049989A true CN116049989A (zh) | 2023-05-02 |
Family
ID=86127302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310113866.2A Pending CN116049989A (zh) | 2023-02-14 | 2023-02-14 | 转向架数字孪生模型构建方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116049989A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116430753A (zh) * | 2023-05-24 | 2023-07-14 | 武汉天宇至强科技股份有限公司 | 基于数字孪生的装备状态仿真系统 |
CN117421940A (zh) * | 2023-12-19 | 2024-01-19 | 山东交通学院 | 数字孪生轻量化模型与物理实体之间全局映射方法及装置 |
CN118520313A (zh) * | 2024-07-19 | 2024-08-20 | 兰州交通大学 | 一种高速列车转向架故障识别及模型训练方法、装置 |
-
2023
- 2023-02-14 CN CN202310113866.2A patent/CN116049989A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116430753A (zh) * | 2023-05-24 | 2023-07-14 | 武汉天宇至强科技股份有限公司 | 基于数字孪生的装备状态仿真系统 |
CN117421940A (zh) * | 2023-12-19 | 2024-01-19 | 山东交通学院 | 数字孪生轻量化模型与物理实体之间全局映射方法及装置 |
CN117421940B (zh) * | 2023-12-19 | 2024-03-19 | 山东交通学院 | 数字孪生轻量化模型与物理实体之间全局映射方法及装置 |
CN118520313A (zh) * | 2024-07-19 | 2024-08-20 | 兰州交通大学 | 一种高速列车转向架故障识别及模型训练方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116049989A (zh) | 转向架数字孪生模型构建方法、系统、电子设备及介质 | |
CN110377984B (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
CN114323644A (zh) | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 | |
CN116108717B (zh) | 一种基于数字孪生的交通运输设备运行预测方法及装置 | |
CN115238394B (zh) | 复合材料结构多源不确定性混合可靠性数字孪生建模方法 | |
Lai et al. | Digital twin-based structural health monitoring by combining measurement and computational data: An aircraft wing example | |
EP3961183A1 (en) | Impact speed control method and apparatus, storage medium and electronic device | |
CN113406955B (zh) | 基于复杂网络的自动驾驶汽车复杂环境模型、认知系统及认知方法 | |
Spiryagin et al. | Vehicle system dynamics in digital twin studies in rail and road domains | |
Zheng et al. | A novel deep learning architecture and its application in dynamic load monitoring of the vehicle system | |
CN116050190B (zh) | 一种基于数字孪生的产品性能和退化状态分析方法 | |
Fu et al. | Prediction of automobile aerodynamic drag coefficient for SUV cars based on a novel XGBoost model | |
CN116975995A (zh) | 一种车桥耦合分析方法、系统、智能终端及存储介质 | |
Liu et al. | A modelling and updating approach of digital twin based on surrogate model to rapidly evaluate product performance | |
CN110287507A (zh) | 一种应用于恒压变量液压柱塞泵疲劳寿命分析方法 | |
Makhutov et al. | Imitation of random sequences of extremums in fatigue tests with irregular loading | |
Li | [Retracted] Finite Element Structure Analysis of Automobile Suspension Control Arm Based on Neural Network Control | |
CN107704664A (zh) | 一种基于疲劳折算的安全系数计算方法、装置及电子设备 | |
Aghazadeh Ardebili et al. | Exploring Synthetic Noise Algorithms for Real-World Similar Data Generation: A Case Study on Digitally Twining Hybrid Turbo-Shaft Engines in UAV/UAS Applications | |
Eddy et al. | Predictive Maintenance of a Ground Vehicle Using Digital Twin Technology | |
CN116611302B (zh) | 考虑车载随机性影响的桥梁校验系数的预测方法 | |
Fouladinejad et al. | Decomposition‐Assisted Computational Technique Based on Surrogate Modeling for Real‐Time Simulations | |
Beutenmüller et al. | OPTIMALIS®–An AI Framework Tailor-Made for the Needs of the Automotive Industry | |
CN116702628A (zh) | 一种基于卷积深度神经网络的汽车轮心垂向位移求解方法 |
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 |