CN116380166A - 一种设备异常监测方法、电子设备及存储介质 - Google Patents
一种设备异常监测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116380166A CN116380166A CN202310373678.3A CN202310373678A CN116380166A CN 116380166 A CN116380166 A CN 116380166A CN 202310373678 A CN202310373678 A CN 202310373678A CN 116380166 A CN116380166 A CN 116380166A
- Authority
- CN
- China
- Prior art keywords
- model
- information
- field
- engineering mechanical
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000005856 abnormality Effects 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000004088 simulation Methods 0.000 claims abstract description 150
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000012423 maintenance Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims description 5
- 238000005299 abrasion Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000005461 lubrication Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000003746 surface roughness Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000003921 oil Substances 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012942 design verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例公开一种设备异常监测方法、电子设备及存储介质。该方法包括获取目标工程机械设备的运行状态信息，将运行状态信息中的设备参数按照参数类型分别输入对应的物理场仿真模型构建对应的数据孪生模型；根据数据孪生模型和目标工程机械设备对应的历史故障信息构建概率数字孪生模型，通过监控概率数字孪生模型的预测结果确定目标工程机械设备异常情况。本发明实施例，通过将设备参数按照参数类型分别输入对应的物理场仿真模型构建对应的数据孪生模型，根据数据孪生模型和历史故障信息构建概率数字孪生模型，通过概率数字孪生模型的预测结果监测设备异常，可提高设备异常监测的精准度，实现设备状态实时监控、预测和优化，为维修提供帮助。
Description
技术领域
本发明涉及设备智能化与数字化技术领域，尤其涉及一种设备异常监测方法、电子设备及存储介质。
背景技术
山推DL300-G推装机，主要安装使用的是全液压的终传动，全液压系统的终传动工作介质大部分是不同温度下的油液，它们在管道和元件中的流动情况外界是很难了解到的。现有技术中，全液压系统的终传动的监测和维修主要依靠维修人员的个人经验，这不仅对维修人员理论知识和实际经验要求较高，而且容易误判故障，更换无故障元件，造成维修时间和维修成本的不必要浪费，如何根据目前流行先进数字孪生理念的指导，在工业化与信息化融合的背景下，提高全液压推装机的智能化与数字化水平，是目前数字孪生映射的一个关键问题。
发明内容
有鉴于此，本发明提供一种设备异常监测方法、电子设备及存储介质，可对目标工程机械设备进行多个物理场仿真和模拟、分析各物理场信息的不确定性和工作特性，提高设备异常监测的精准度，实现设备状态实时监控、预测和优化，为维修人员提供帮助。
根据本发明的一方面，本发明实施例提供了一种设备异常监测方法，所述方法包括：
获取目标工程机械设备的运行状态信息；
将所述运行状态信息中的设备参数按照参数类型分别输入对应的预先构建的物理场仿真模型以构建对应的数据孪生模型；
根据所述数据孪生模型和预设数据库中所述目标工程机械设备对应的历史故障信息构建至少一个概率数字孪生模型，并通过监控所述至少一个概率数字孪生模型的预测结果确定所述目标工程机械设备异常情况
根据本发明的另一方面，本发明实施例还提供了一种设备异常监测处理装置，所述装置包括：
获取模块，用于获取目标工程机械设备的运行状态信息；
模型构建模块，用于将所述运行状态信息中的设备参数按照参数类型分别输入对应的预先构建的物理场仿真模型以构建对应的数据孪生模型；
监控模块，用于根据所述数据孪生模型和预设数据库中所述目标工程机械设备对应的历史故障信息构建至少一个概率数字孪生模型，并通过监控所述至少一个概率数字孪生模型的预测结果确定所述目标工程机械设备异常情况。
根据本发明的另一方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的设备异常监测方法。
根据本发明的另一方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的设备异常监测方法。
根据本发明的另一方面，本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现本发明任一实施例所述的设备异常监测方法。
本发明实施例的技术方案，通过将运行状态信息中的设备参数按照参数类型分别输入对应的物理场仿真模型以构建对应的数据孪生模型，以根据数据孪生模型和目标工程机械设备对应的历史故障信息构建概率数字孪生模型，并通过概率数字孪生模型的预测结果进行监测设备异常，可对目标工程机械设备进行多个物理场仿真和模拟、分析各物理场信息的不确定性和工作特性，提高设备异常监测的精准度，实现设备状态实时监控、预测和优化，为维修人员提供帮助。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为本发明一实施例提供的一种设备异常监测处理方法的流程图；
图2为本发明一实施例提供的另一种设备异常监测方法的流程图；
图3为本发明一实施例提供的一种设备异常监测的框架图；
图4为本发明一实施例提供的一种数字孪生模型构建时的过程图；
图5为本发明一实施例提供的又一种设备异常监测处理方法的流程图；
图6为本发明一实施例提供的一种设备异常监测装置的结构框图；
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在一实施例中，图1为本发明一实施例提供的一种设备异常监测处理方法的流程图，本实施例可适用于对目标工程机械设备，例如可以是全液压推装机终传动进行实时监控是否异常状态时的情况，该方法可以由设备异常监测处理装置来执行，该设备异常监测处理装置可以采用硬件和/或软件的形式实现，该设备异常监测处理装置可配置于电子设备中。
如图1所示，该方法具体步骤包括：
S110、获取目标工程机械设备的运行状态信息。
其中，目标工程机械设备指的是工作状态中的工程机械设备，稿工程机械设备可以是全液压推装机上的终传动，也可以其他类似的机械设备，本实施例再次不做限制。运行状态信息指的是目标工程机械设备在工作状态下所产生的相关状态信息，该运行状态信息可以由设备上所安装的各类传感器进行采集得到。
在一些实施例中，运行状态信息可以包含但不限于目标工程机械设备对应的流场信息、温度场信息和结构场信息，其中，结构场信息可以包括但不限于目标工程机械设备的几何信息、装配关系、各零部件的尺寸公差、表面粗糙度、材料属性以及热处理工艺；流场信息可以包括但不限于流体油液的粘度、油液的速度分布、压强分布以及流经路线的振动和噪声、运行时啮合传动齿轮应力分布、磨损情况、疲劳损伤程度、振动以及噪音；温度场信息可以包括但不限于目标工程机械设备的温度分布、内部流场的温度分布、啮合传动齿轮的入口温度以及出口温度。
在本实施例中，可以通过5G无线传感网络进行目标工程机械设备的运行状态信息采集，通过在目标工程机械设备上设置无线流量传感器、温度传感器、压力传感器等各类数字传感器进行目标工程机械设备的运行状态信息采集，以获取对应的运行状态信息；在一些实施例中，也可以通过数字传感器采集运行状态信息，然后再对该运行状态信息按照相应的类型进行分类，由此获取运行状态信息，本实施例也可以通过其他方式进行获取目标工程机械设备的运行状态信息，本实施例再次不做限制。
S120、将运行状态信息中的设备参数按照参数类型分别输入对应的预先构建的物理场仿真模型以构建对应的数据孪生模型。
其中，设备参数可以理解为目标工程机械设备对应的流场信息、温度场信息和结构场信息等各种参数信息，每一种参数对应相应的参数类型，可以分为液压流场的相关参数信息、结构场的相关参数信息、温度场的相关参数信息等等。
在本实施例中，物理场仿真模型指的是对物理空间的实体设备所产生的参数进行仿真的模型，该物理场仿真模型为预先通过采集的目标工程机械设备的实时运行状态信息和历史运行状态信息进行构建，可以包括两个或两个以上物理场的仿真模型，例如可以是目标工程机械设备对应的温度场的仿真模型，也可以是目标工程机械设备对应的液压流场的仿真模型，也可以是目标工程机械设备对应的结构场的仿真模型，本实施例在此不做限制。当然，不同的物理场仿真模型进行不同物理场的仿真。
在本实施例中，可以按照设备参数对应的参数类型，将设备参数分别输入至对应的物理场仿真模型中以得到对应的仿真结果，将该仿真结果与实时获取的运行状态信息进行对比，以依据对应的比对结果确定各物理场仿真模型是否需要修正，基于修正后或者无需修正的每个物理场仿真模型以构建目标工程机械设备对应的数据孪生模型。在一些实施例中，也可以先建立设备对应的初始模型，通过设备参数对应的参数类型建立复杂性和真实性组成相应的框架，将初始模型与相应的框架进行匹配并不断更新设备参数对应的参数类型，以构建目标工程机械设备对应的数据孪生模型。
S130、根据数据孪生模型和预设数据库中目标工程机械设备对应的历史故障信息构建至少一个概率数字孪生模型，并通过监控至少一个概率数字孪生模型的预测结果确定目标工程机械设备异常情况。
其中，预设数据库指的是计算机等电子设备上预先设置好的数据库，用于实时不断存储目标工程机械设备的各类运行状态信息。历史故障信息指的是目标工程机械设备之前的异常状态情况以及异常状态原因等，可以包括但不限于历史液压流场故障信息、历史温度场故障信息和历史结构场故障信息。
在本实施例中，每个数据孪生模型对应有相应的概率数字孪生模型，可以通过数据孪生模型和预设数据库中目标工程机械设备对应的历史故障信息构建相应的概率数字孪生模型，以通过各概率数字孪生模型的预测结果确定目标工程机械设备异常情况。在一些实施例中，可以对运行状态信息进行抽样以得到抽样样本集合，采用预设参数寻优方法进行迭代更新数据孪生模型；将样本集合中的每一个样本点输入更新后的数字孪生仿真模型，以得到各物理场对应的随机响应样本，将随机响应样本进行分类以确定分类结果，并依据各分类结果中的每个样本点构建液压流场、结构场、温度场分别对应的代理模型，并依据各代理模型以及历史故障信息以构建分别对应的概率数字孪生模型，以通过监控各概率数字孪生模型的预测结果确定目标工程机械设备异常情况。
本发明实施例的技术方案，通过将运行状态信息中的设备参数按照参数类型分别输入对应的物理场仿真模型以构建对应的数据孪生模型，以根据数据孪生模型和目标工程机械设备对应的历史故障信息构建概率数字孪生模型，并通过概率数字孪生模型的预测结果进行监测设备异常，可对目标工程机械设备进行多个物理场仿真和模拟、分析各物理场信息的不确定性和工作特性，提高设备异常监测的精准度，实现设备状态实时监控、预测和优化，为维修人员提供帮助。
在一实施例中，在通过监控至少一个概率数字孪生模型的预测结果确定目标工程机械设备异常情况之后，包括：
判断监控的结果是否符合工况需求；
若符合，则依据监控的结果进行对目标工程机械设备进行寿命评估及健康状态管理；
若不符合，则生成提示信息，以使维修人员进行优化各数字传感器，改变传感器的位置或者改变传感器的数量，以重新对目标工程机械设备进行异常监测。
在本实施例中，判断监控的结果是否符合工况需求，若符合，则依据监控的结果进行对目标工程机械设备进行寿命评估及健康状态管理；若不符合，则生成提示信息，以使维修人员进行优化各数字传感器，改变传感器的位置或者改变传感器的数量，尽可能满足工况，重新定义算法函数，重新进行仿真，再实时更新数据库，以重新对目标工程机械设备进行异常监测，最终是实现对状态监测和故障诊断等功能模块进行集成式开发，并利用现有实例对基于数字孪生的状态监测和故障诊断系统进行验证，修正系数的改变能直接达到一个可视化的结果展示，概率数字孪生映射模型高精度反应故障概率，实现系统级的多学科联合仿真设计验证与优化，为维修人员提供帮助。需要说明的，还可以对噪声振动和闪温特性进行工艺故障结果的可视化，和改变修正系数调节终传动工作状态，有限元仿真分析的合理修正参数，合理预测故障及受损啮合点，对全液压推装机终传动的工作提供技术与理论支持，进行维护升级以及寿命评估，实现健康管理，提高工程机械产品的竞争力。
在一实施例中，物理场仿真模型的构建，包括：
获取预设数据库中目标工程机械设备对应的历史参数信息，其中，历史参数信息至少包括下述之一：历史流场信息、历史温度场信息和结构场信息；
依据三维建模软件、有限元仿真软件、历史参数信息和运行状态信息进行分别构建物理场仿真模型。
其中，历史流场信息指的是历史存储的液压流场信息；历史温度场信息历史存储的温度场信息；历史结构场信息指的是历史存储的结构场信息。
在本实施例中，通过各数字传感器采集得到的流场信息、结构场信息、温度场信息，以及预设数据库中目标工程机械设备对应的历史流场信息、历史温度场信息和，综合使用SolidWorks三维建模软件、ANSYS有限元仿真软件，以构建多个物理场的仿真模型，物理场仿真模型可以包括：结构场仿真模型、液压流场仿真模型、温度场仿真模型等影响推装机终传动工作效率所必需的物理场仿真模型，以通过结构场仿真模型、液压流场仿真模型、温度场仿真模型分别对历史参数信息和运行状态信息进行仿真。
在一实施例中，图2为本发明一实施例提供的另一种设备异常监测方法的流程图，本实施例在上述各实施例地基础上，对获取目标工程机械设备的运行状态信息；将运行状态信息中的设备参数按照参数类型分别输入对应的预先构建的物理场仿真模型以构建对应的数据孪生模型；根据数据孪生模型和预设数据库中目标工程机械设备对应的历史故障信息构建至少一个概率数字孪生模型，并通过监控至少一个概率数字孪生模型的预测结果确定目标工程机械设备异常情况进行了进一步的细化。
如图2所示，本实施例中的设备异常监测方法，具体可以包含如下步骤：
S210、获取由各数字传感器采集的流场信息、温度场信息和结构场信息，并将流场信息、温度场信息和结构场信息组成运行状态信息。
其中，结构场信息包括：目标工程机械设备的几何信息、装配关系、各零部件的尺寸公差、表面粗糙度、材料属性以及热处理工艺；流场信息包括流体油液的粘度、油液的速度分布、压强分布以及流经路线的振动和噪声、运行时啮合传动齿轮应力分布、磨损情况、疲劳损伤程度、振动以及噪音；温度场信息包括：目标工程机械设备的温度分布、内部流场的温度分布、啮合传动齿轮的入口温度以及出口温度。
在本实施例中，可以通过5G无线传感网络进行数据采集，通过设置无线流量传感器、温度传感器、压力传感器等，实现流场信息、结构场信息、温度场信息和运行状态信息的实时采集，利用预设数据库中的历史参数信息及维修经验，可以按需进行多维度的改变各数字传感器的采集位置等。
在本实施例中，在各数字传感器的位置的安装时，尽可能的在每根传动轴所在的轴承座上测量振动，本实施例以目标工程机械设备为推土机上的终传动为例进行相应的说明，在终传动齿轮箱壳体上不同位置的测点，由于信号传递路径不同，因而对同一激励的响应也有所差异。齿轮箱传动轴所在的轴承座处对轴承的振动响应比较敏感，此处设置监测点可以较好地接收轴承振动信号，而壳体中上部比较靠近齿轮的齿合点，便于监测齿轮的其它故障。具体的，通过振动监测技术，实时采集终传动的振动，通过噪声测量仪器，实时采集终传动的噪音，温度传感器在啮合齿轮的进口与出口及重要啮合点必需安装，实现实时监测，在中间支承轴承须安装温度传感器及故障预警，终传动频繁工作转换工作状态时，轴承的润滑油的温度容易过高溢出，造成大量的零件损坏情况，需精准监测。流场流液的速度，压力对终传动的啮合齿轮疲劳寿命有着非常大的影响，容易造成齿轮的过度磨损，齿面胶合或齿面的点蚀、剥落，所以需要在进出口的位置上根据历史数据库选择安装压力传感器或速度传感器，实现实时监测。通过流场测量系统，实时测量流场的速度分布、流经路线等。
S220、对设备参数进行归一化数据处理，并将归一化处理后的数据作为第一参数信息，其中，设备参数至少包括：流场信息、结构场信息、温度场信息。
其中，第一参数信息指的是进行归一化处理后的设备参数。
在本实施例中，对设备参数中的流场信息、结构场信息、温度场信息分别进行归一化数据处理，并将归一化处理后的流场信息、结构场信息、温度场信息作为不同的参数类型进行相应的分类。
S230、将第一参数信息按照参数类型分别输入至对应的物理场仿真模型中，以得到对应的第一仿真结果；其中，物理场仿真模型至少包含下述之一：液压流场仿真模型、结构场仿真模型、温度场仿真模型。
其中，第一仿真结果指的是不同的参数类型输入至对应的物理场仿真模型所得到的仿真结果。第一仿真结果可以包含将流场信息输入至液压流场仿真模型所得到的仿真结果、将结构场信息输入至结构场仿真模型中所得到的仿真结果以及将温度场信息输入至温度场仿真模型所得到的仿真结果。
在本实施例中，将第一参数信息，可以按照参数类型分别输入至对应的物理场仿真模型中，以得到对应的第一仿真结果。具体的，可以对第一参数信息进行相应的参数类型分类，以将分类后的流场信息输入至液压流场仿真模型以得到相应的仿真结果，将分类后的结构场信息输入至结构场仿真模型以得到相应的仿真结果，并将分类后的温度场信息输入至温度场仿真模型以得到相应的仿真结果，并将所以参数类型对应的仿真结果组成第一仿真结果。
S240、将第一仿真结果与实时获取的运行状态信息进行对比，以得到第一比对结果，并判断第一比对结果是否在预设阈值范围内，若是，则执行S260；若否，则执行S250。
其中，第一比对结果指的是将第一仿真结果中的各物理场仿真模型结果与运行状态信息中的流场信息、结构场信息、温度场信息进行比对所得到的结果。预设阈值范围为预先设定的第一比对结果范围，可以包含各物理场仿真模型所对应的阈值范围。该预设阈值范围可以依据经验、实验以及需求等进行设置。
在本实施例中，第一比对结果至少包含流场信息输入至液压流场仿真模型以得到相应的仿真结果与实时流场信息之间的比对结果、结构场信息输入至结构场仿真模型以得到相应的仿真结果与实时结构场信息之间的比对结果以及温度场信息输入至温度场仿真模型以得到相应的仿真结果与实时温度场信息之间的比对结果。在一些实施例中，可以将第一仿真结果与实时获取的运行状态信息进行对比，以得到第一比对结果，并判断第一比对结果是否在预设阈值范围内，如果各第一比对结果与预设阈值范围之间的差值超出规定的误差范围，则修正各物理场仿真模型的仿真参数，不断修正仿真模型，直到仿真结果与采集到的实际运行状态之间的误差在合理的范围内，修正的仿真模型结合实时采集的动态信息可以构建分别对应的数字孪生模型。
S250、依据预设数据库中目标工程机械设备对应的历史参数信息不断修正物理场仿真模型，直到修正后的物理场仿真模型对应的仿真结果与实时获取的运行状态信息之间的误差在预设阈值范围内。
在本实施例中，若第一仿真结果与实时获取的运行状态信息的比对结果不在预设阈值范围内，则依据预设数据库中目标工程机械设备对应的历史参数信息，以进行不断修正各物理场仿真模型，直到修正后的各物理场仿真模型对应的仿真结果与实时获取的运行状态信息之间的误差在预设阈值范围内。当然，由于物理场仿真模型不是一个，可能会出现有的物理场仿真模型需要修正的，而有的物理场仿真模型不需要修正的情况，此时，需要修正该修正的物理场仿真模型。
S260、确定物理场仿真模型不需要进行修正。
在本实施例中，若第一仿真结果与实时获取的运行状态信息的比对结果不在预设阈值范围内，则确定物理场仿真模型不需要进行修正，可直接依据物理场仿真模型进行构建目标工程机械设备对应的数据孪生模型。
S270、基于每个物理场仿真模型构建目标工程机械设备对应的数据孪生模型。
其中，数据孪生模型至少包括下述之一：流体动力学子模型、热力学子模型、润滑牵引子模型、机电液的终传动耦合模型。
在本实施例中，在确定每个物理场仿真模型是否需要修正之后，可以依据该物理场仿真模型，并采用多领域统一建模语言MoDelica建立刚体动力学模型、流体动力学子模型、热力学子模型、润滑牵引子模型，机电液的终传动耦合模型，以构建目标工程机械设备分别对应的数据孪生模型。
S280、对运行状态信息进行抽样以得到抽样样本集合，样本集合中包含至少两组目标工程机械设备的啮合点。
在本实施例中，对运行状态信息中的流场信息、结构场信息和温度场信息进行抽样，以得到分别相对于的抽样样本集合，该抽样样本集合中包含多组目标工程机械设备的啮合点对应的相关信息。
S290、采用预设参数寻优方法进行迭代更新数据孪生模型。
其中，预设参数寻优方法可以为修正牛顿-拉夫逊方法以及其他进行参数寻优的方法。
在本实施例中，将目标工程机械设备在预设时间段内的运行状态信息，输入至分别对应的数字孪生模型，以得到分别对应的模型结果，将各模型结果与对应物理空间该目标工程机械设备的运行状态信息进行比较，以判断各数字孪生模型的准确度，利用采用预设参数寻优方法进行迭代更新数据孪生模型。
在一实施例中，采用预设参数寻优方法进行迭代更新数据孪生模型，包括：
将目标工程机械设备在预设时间段内的运行状态信息输入至数据孪生模型，以得到对应的模型结果；
将模型结果与预设时间段内的运行状态信息进行比对，以得到第二比对结果；
依据第二比对结果和预设准则算法确定数据孪生模型的准确度；
依据准确度和牛顿-拉夫逊方法对数字孪生模型进行迭代更新，以得到实时同步的数据孪生模型。
其中，预设准则算法可以包括最大似然准则、最小二乘准则、最小方差准则等其中的一种。第二比对结果指的是将运行状态信息输入至数据孪生模型所得到的各模型结果与运行状态信息进行比较，所得到的比对结果。第二比对结果至少包含流场信息输入至数据孪生模型以得到相应的模型结果与实时流场信息之间的比对结果、结构场信息输入至数据孪生模型以得到相应的模型结果与实时结构场信息之间的比对结果，以及温度场信息输入至数据孪生模型以得到相应的模型结果与实时温度场信息之间的比对结果。
在本实施例中，将目标工程机械设备在预设时间段内的运行状态信息中的各流场信息、结构场信息、温度场信息，分别输入至相对应的数据孪生模型中，以得到各数据孪生模型对应的模型结果，将模型结果与预设时间段内的运行状态信息进行比对，以得到第二比对结果，依据第二比对结果和预设准则算法确定数据孪生模型的准确度，并依据准确度和牛顿-拉夫逊方法对数字孪生模型进行迭代更新，对数字孪生模型进行调整和修正，从而得到实时同步的目标工程机械设备对应的各数据孪生模型。
S2100、将样本集合中的每一个样本点输入更新后的数字孪生仿真模型，以得到各物理场对应的随机响应样本。
其中，物理场至少包括下述之一：液压流场、结构场、温度场。
在本实施例中，将样本集合中的每一个样本点输入更新后的数字孪生仿真模型，以得到各物理场对应的随机响应样本，可以理解为，将流场信息、结构场信息、温度场信息分别输入各更新后的数字孪生仿真模型，以得到液压流场、结构场、温度场分别对应的随机响应样本，并对各随机响应样本进行合理的分类以及归一化处理。
S2110、将随机响应样本进行分类以确定分类结果，并依据各分类结果中的每个样本点构建液压流场、结构场、温度场分别对应的代理模型。
在本实施例中，将随机响应样本进行分类以确定分类结果，并依据各分类结果中的每个样本点，以构建液压流场、结构场、温度场分别对应的代理模型。可以理解为，根据流场信息对应的样本点构建液压流场对应的代理模型；根据结构场信息对应的样本点构建结构场对应的代理模型；根据温度场信息对应的样本点构建温度场对应的代理模型。
S2120、判断各代理模型是否在预设误差范围内，若是，则执行S2130；若否，则返回执行S280，直到各代理模型在预设误差范围内。
在本实施例中，对代理模型进行误差分析，判断各代理模型是否在预设误差范围内，若在预设误差范围内，则将历史故障信息中的历史流场故障信息、历史温度场故障信息和历史结构场故障信息输入至各代理模型中，以构建至少一个概率数字孪生模型，若不在预设误差范围内，则返回对运行状态信息进行抽样以得到抽样样本集合的步骤，直到各代理模型在预设误差范围内。当然，由于存在多个代理模型，每个代理模型是独立的，可能会存在有的代理模型在预设误差范围内，而有的代理模型不在预设误差范围内，针对这种情况，每个代理模型各自进行判断是否在预设误差范围内。
S2130、将历史故障信息中的历史流场故障信息、历史温度场故障信息和历史结构场故障信息输入至各代理模型中，以构建至少一个概率数字孪生模型，并通过监控至少一个概率数字孪生模型的预测结果确定目标工程机械设备异常情况。
其中，所述概率数字孪生模型至少包括下述之一：所述液压流场对应的概率数字孪生模型；所述结构场对应的概率数字孪生模型；所述温度场对应的概率数字孪生模型。
在本实施例中，若各代理模型在预设误差范围内，则将历史故障信息中的历史流场故障信息、历史温度场故障信息和历史结构场故障信息输入至各代理模型中，以构建至少一个概率数字孪生模型，并通过监控至少一个概率数字孪生模型的预测结果确定目标工程机械设备异常情况。
在一实施例中，通过监控所述至少一个概率数字孪生模型的预测结果确定所述目标工程机械设备异常情况，包括：
将所述运行状态信息中的设备参数分别输入至对应的概率数字孪生模型；
在所述概率数字孪生模型的输出结果在预设概率范围内的情况下，确定所述目标工程机械设备的监测结果为正常状态；
在所述概率数字孪生模型的输出结果不在所述预设概率范围内的情况下，确定所述目标工程机械设备的监测结果为异常状态。
在本实施例中，将运行状态信息中的流场信息、结构场信息、温度场信息；分别输入至对应的概率数字孪生模型，在概率数字孪生模型的输出结果在预设概率范围内的情况下，确定目标工程机械设备的监测结果为正常状态；在所述概率数字孪生模型的输出结果不在所述预设概率范围内的情况下，确定目标工程机械设备的监测结果为异常状态。本实施例中，所形成的概率数字模型是对各种可预测的故障进行概率评估，数据处理后进行寿命预测，概率数字模型的数据与数据库实时同步更新，对于常见故障与零件的退化的实体话表现是具体形象的，便于普通工作人员识别去维修，概率数字孪生模型是在数字孪生模型的基础上，考虑不确定性后，建立的随机响应模型，体现的是不确定环境对终传动可靠性的影响，可用于终传动的可靠性评估
本发明实施例的上述技术方案，通过将第一参数信息按照参数类型分别输入至对应的物理场仿真模型中，以得到对应的第一仿真结果，将第一仿真结果与实时获取的运行状态信息进行对比，以得到第一比对结果，并根据第一比对结果确定是否需要修正各物理场仿真模型，基于每个物理场仿真模型构建目标工程机械设备对应的数据孪生模型，可实现目标工程机械设备进行多个物理场仿真和模拟、分析各物理场信息的不确定性和工作特性，提高设备异常监测的精准度；通过采用预设参数寻优方法进行迭代更新数据孪生模型，将样本集合中的每一个样本点输入更新后的数字孪生仿真模型，以得到各物理场对应的随机响应样本，将随机响应样本进行分类以确定分类结果，并依据各分类结果中的每个样本点构建液压流场、结构场、温度场分别对应的代理模型，判断各所述代理模型是否在预设误差范围内，并根据判断的结果构建至少一个概率数字孪生模型，可实现全液压推装机终传动等工作健康状态的实时监测、故障的实时预测、故障结果的验证、数字孪生模型的修正，从而反映物理实体(设备)的健康状态，为维修人员提供帮助。
在一实施例中，为便于更好的理解设备异常监测方法，可将本实施例作为优选实施例对设备异常监测方法进行进一步的说明，图3为本发明一实施例提供的一种设备异常监测的框架图。图4为本发明一实施例提供的一种数字孪生模型构建时的过程图。图5为本发明一实施例提供的又一种设备异常监测处理方法的流程图。本实施例以目标工程机械设备为推装机的终传动为例进行详细的说明。本实施例中，物理空间实体：终传动设备、计算机等设备上：数字孪生模型和概率数字孪生模型，其中，终传动设备为推装机上的设备，数字孪生模型与终传动设备连接，概率数字孪生模型与数字孪生模型连接，概率数字孪生模型高精度反应故障概率，各数字传感器安装在推装机上，以分别采集终传动设备的运行状态信息，数字传感器通过不同的数据接口与整车控制系统(安装在推装机上)连接，整车控制系统通过数字孪生模型进行相关数据的采集与协议的解析，通过数据分析与决策，实现推装机数字孪生的智能化服务，可以更加真实的反映复杂传动系统的本质关系，可以更好的帮助预测、优化和决策。
如图5所示，具体的步骤如下：
S510、实时获取各数字传感器所采集并保存终传动设备的流场信息、结构场信息、温度场信息。
本实施例中，通过高精度的详细定位，精确到啮合点的传感器去实时采集。
S520、对终传动设备的流场信息、结构场信息、温度场信息进行归一化数据处理。
S530、将归一化数据处理后的流场信息、结构场信息、温度场信息分别输入至预先构建的各物理场仿真模型，以确定第一比对结果。
S540、将运行状态信息与实时获取的流场信息、结构场信息和温度场信息进行比对，以确定第一比对结果。
S550、判断第一比对结果在预设阈值范围内，若是，则执行S560，若否，则执行S570；
S560、确定所述物理场仿真模型不需要进行修正。
S570、依据预设数据库中目标工程机械设备对应的历史参数信息不断修正物理场仿真模型，直到修正后的物理场仿真模型对应的仿真结果与实时获取的运行状态信息之间的误差在预设阈值范围内。
S580、基于每个物理场仿真模型构建目标工程机械设备对应的数据孪生模型。
S590、基于数字孪生模型，利用大量样本点集合分析并构建液压流场、结构场和温度场分别对应的代理模型。
S5100、依次判断液压流场、结构场、温度场分别对应的代理模型是否合理，若合理，则执行S5110；若不合理，则返回执行S5100的步骤，直至液压流场、结构场、温度场分别对应的代理模型达到合理。。
S5110、将历史故障信息中的历史流场故障信息、历史温度场故障信息和历史结构场故障信息输入至各代理模型中，以构建至少一个概率数字孪生模型。
S5120、通过监控至少一个概率数字孪生模型的预测结果确定目标工程机械设备异常情况。
S5130、判断监控的结果是否符合工况需求，若符合，则执行S5140，若不符合，则执行S5150。
S5140、依据监控的结果进行对目标工程机械设备进行寿命评估及健康状态管理。
S5150、生成提示信息，以使维修人员进行优化各数字传感器，改变传感器的位置或者改变传感器的数量，以重新对所述目标工程机械设备进行异常监测。
在一实施例中，图6为本发明一实施例提供的一种设备异常监测装置的结构框图，该装置适用于对目标工程机械设备，例如可以是全液压推装机终传动进行实时监控是否异常状态时的情况，该装置可以由硬件/软件实现。可配置于电子设备中来实现本发明实施例中的一种设备异常监测处理方法。
如图6所示，该装置包括：获取模块610、模型构建模块620以及监控模块630。
其中，获取模块610，用于获取目标工程机械设备的运行状态信息；
模型构建模块620，用于将所述运行状态信息中的设备参数按照参数类型分别输入对应的预先构建的物理场仿真模型以构建对应的数据孪生模型；
监控模块630，用于根据所述数据孪生模型和预设数据库中所述目标工程机械设备对应的历史故障信息构建至少一个概率数字孪生模型，并通过监控所述至少一个概率数字孪生模型的预测结果确定所述目标工程机械设备异常情况
本发明实施例，模型构建模块，通过将运行状态信息中的设备参数按照参数类型分别输入对应的物理场仿真模型以构建对应的数据孪生模型，监控模块，根据数据孪生模型和目标工程机械设备对应的历史故障信息构建概率数字孪生模型，并通过概率数字孪生模型的预测结果进行监测设备异常，可对目标工程机械设备进行多个物理场仿真和模拟、分析各物理场信息的不确定性和工作特性，提高设备异常监测的精准度，实现设备状态实时监控、预测和优化，为维修人员提供帮助。
在一实施例中，获取模块610，包括：
获取单元，用于获取由各数字传感器采集的流场信息、温度场信息和结构场信息，并将所述流场信息、所述温度场信息和所述结构场信息组成运行状态信息；
其中，所述结构场信息包括：所述目标工程机械设备的几何信息、装配关系、各零部件的尺寸公差、表面粗糙度、材料属性以及热处理工艺；所述流场信息包括流体油液的粘度、油液的速度分布、压强分布以及流经路线的振动和噪声、运行时啮合传动齿轮应力分布、磨损情况、疲劳损伤程度、振动以及噪音；所述温度场信息包括：所述目标工程机械设备的温度分布、内部流场的温度分布、啮合传动齿轮的入口温度以及出口温度。
在一实施例中，模型构建模块620，包括：
处理单元，用于对所述设备参数进行归一化数据处理，并将归一化处理后的数据作为第一参数信息，其中，所述设备参数至少包括：流场信息、结构场信息、温度场信息；
第一结果确定单元，用于将所述第一参数信息按照参数类型分别输入至对应的所述物理场仿真模型中，以得到对应的第一仿真结果；其中，所述物理场仿真模型至少包含下述之一：液压流场仿真模型、结构场仿真模型、温度场仿真模型；
比对单元，用于将所述第一仿真结果与实时获取的运行状态信息进行对比，以得到第一比对结果；
第一结果单元，用于若所述第一比对结果在预设阈值范围内，则确定所述物理场仿真模型不需要进行修正；
第二结果单元，用于若所述第一比对结果不在预设阈值范围内，则依据所述预设数据库中所述目标工程机械设备对应的历史参数信息不断修正所述物理场仿真模型，直到修正后的物理场仿真模型对应的仿真结果与实时获取的运行状态信息之间的误差在所述预设阈值范围内；
构建单元，用于基于每个物理场仿真模型构建所述目标工程机械设备对应的数据孪生模型；其中，所述数据孪生模型至少包括下述之一：流体动力学子模型、热力学子模型、润滑牵引子模型、机电液的终传动耦合模型。
在一实施例中，监控模块630，包括：
抽样单元，用于对所述运行状态信息进行抽样以得到抽样样本集合，所述样本集合中包含至少两组所述目标工程机械设备的啮合点；
更新单元，用于采用预设参数寻优方法进行迭代更新所述数据孪生模型；
样本确定单元，用于将所述样本集合中的每一个样本点输入更新后的所述数字孪生仿真模型，以得到各物理场对应的随机响应样本，其中，所述物理场至少包括下述之一：液压流场、结构场、温度场；
分类单元，用于将所述随机响应样本进行分类以确定分类结果，并依据各所述分类结果中的每个样本点构建所述液压流场、所述结构场、所述温度场分别对应的代理模型；
判断单元，用于判断各所述代理模型是否在预设误差范围内；
第一结果单元，用于若是，将所述历史故障信息中的历史流场故障信息、历史温度场故障信息和历史结构场故障信息输入至各所述代理模型中，以构建至少一个概率数字孪生模型；其中，所述概率数字孪生模型至少包括下述之一：所述液压流场对应的概率数字孪生模型；所述结构场对应的概率数字孪生模型；所述温度场对应的概率数字孪生模型；
第二结果单元，用于若否，返回对所述运行状态信息进行抽样以得到抽样样本集合的步骤，直到各所述代理模型在预设误差范围内。
在一实施例中，更新单元，包括：
结果确定子单元，用于将所述目标工程机械设备在预设时间段内的运行状态信息输入至所述数据孪生模型，以得到对应的模型结果；
比对子单元，用于将所述模型结果与所述预设时间段内的运行状态信息进行比对，以得到第二比对结果；
确定子单元，用于依据所述第二比对结果和预设准则算法确定所述数据孪生模型的准确度；
更新子单元，用于依据所述准确度和牛顿-拉夫逊方法对所述数字孪生模型进行迭代更新，以得到实时同步的数据孪生模型。
在一实施例中，监控模块630，还包括：
输入单元，用于将所述运行状态信息中的设备参数分别输入至对应的概率数字孪生模型；
第一确定单元，用于在所述概率数字孪生模型的输出结果在预设概率范围内的情况下，确定所述目标工程机械设备的监测结果为正常状态；
第二确定单元，用于在所述概率数字孪生模型的输出结果不在所述预设概率范围内的情况下，确定所述目标工程机械设备的监测结果为异常状态。
在一实施例中，所述装置，还包括：
工况判断模块，用于在通过监控所述至少一个概率数字孪生模型的预测结果确定所述目标工程机械设备异常情况之后，判断监控的结果是否符合工况需求；
管理模块，用于若符合，则依据所述监控的结果进行对所述目标工程机械设备进行寿命评估及健康状态管理；
重新监测模块，用于若不符合，则生成提示信息，以使维修人员进行优化各数字传感器，改变传感器的位置或者改变传感器的数量，以重新对所述目标工程机械设备进行异常监测。
在一实施例中，所述物理场仿真模型的构建，包括：
获取所述预设数据库中所述目标工程机械设备对应的历史参数信息，其中，所述历史参数信息至少包括下述之一：历史流场信息、历史温度场信息和历史结构场信息；
依据三维建模软件、有限元仿真软件、所述历史参数信息和所述运行状态信息进行分别构建物理场仿真模型。
本发明实施例所提供的设备异常监测处理装置可执行本发明任意实施例所提供的应用于金融系统的设备异常监测处理方法，具备执行方法相应的功能模块和有益效果。
在一实施例中，图7为本发明实施例提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如设备异常监测方法。
在一些实施例中，设备异常监测处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的设备异常监测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行设备异常监测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程设备异常监测装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构建对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种设备异常监测方法，其特征在于，包括：
获取目标工程机械设备的运行状态信息；
将所述运行状态信息中的设备参数按照参数类型分别输入对应的预先构建的物理场仿真模型以构建对应的数据孪生模型；
根据所述数据孪生模型和预设数据库中所述目标工程机械设备对应的历史故障信息构建至少一个概率数字孪生模型，并通过监控所述至少一个概率数字孪生模型的预测结果确定所述目标工程机械设备异常情况。
2.根据权利要求1所述的方法，其特征在于，所述获取目标工程机械设备的运行状态信息，包括：
获取由各数字传感器采集的流场信息、温度场信息和结构场信息，并将所述流场信息、所述温度场信息和所述结构场信息组成运行状态信息；
其中，所述结构场信息包括：所述目标工程机械设备的几何信息、装配关系、各零部件的尺寸公差、表面粗糙度、材料属性以及热处理工艺；所述流场信息包括流体油液的粘度、油液的速度分布、压强分布以及流经路线的振动和噪声、运行时啮合传动齿轮应力分布、磨损情况、疲劳损伤程度、振动以及噪音；所述温度场信息包括：所述目标工程机械设备的温度分布、内部流场的温度分布、啮合传动齿轮的入口温度以及出口温度。
3.根据权利要求1所述的方法，其特征在于，所述将所述运行状态信息中的设备参数按照参数类型分别输入对应的预先构建的物理场仿真模型以构建对应的数据孪生模型，包括：
对所述设备参数进行归一化数据处理，并将归一化处理后的数据作为第一参数信息，其中，所述设备参数至少包括：流场信息、结构场信息、温度场信息；
将所述第一参数信息按照参数类型分别输入至对应的所述物理场仿真模型中，以得到对应的第一仿真结果；其中，所述物理场仿真模型至少包含下述之一：液压流场仿真模型、结构场仿真模型、温度场仿真模型；
将所述第一仿真结果与实时获取的运行状态信息进行对比，以得到第一比对结果；
若所述第一比对结果在预设阈值范围内，则确定所述物理场仿真模型不需要进行修正；
若所述第一比对结果不在预设阈值范围内，则依据所述预设数据库中所述目标工程机械设备对应的历史参数信息不断修正所述物理场仿真模型，直到修正后的物理场仿真模型对应的仿真结果与实时获取的运行状态信息之间的误差在所述预设阈值范围内；
基于每个物理场仿真模型构建所述目标工程机械设备对应的数据孪生模型；其中，所述数据孪生模型至少包括下述之一：流体动力学子模型、热力学子模型、润滑牵引子模型、机电液的终传动耦合模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述数据孪生模型和预设数据库中所述目标工程机械设备对应的历史故障信息构建至少一个概率数字孪生模型，包括：
对所述运行状态信息进行抽样以得到抽样样本集合，所述样本集合中包含至少两组所述目标工程机械设备的啮合点；
采用预设参数寻优方法进行迭代更新所述数据孪生模型；
将所述样本集合中的每一个样本点输入更新后的所述数字孪生仿真模型，以得到各物理场对应的随机响应样本，其中，所述物理场至少包括下述之一：液压流场、结构场、温度场；
将所述随机响应样本进行分类以确定分类结果，并依据各所述分类结果中的每个样本点构建所述液压流场、所述结构场、所述温度场分别对应的代理模型；
判断各所述代理模型是否在预设误差范围内；
若是，将所述历史故障信息中的历史流场故障信息、历史温度场故障信息和历史结构场故障信息输入至各所述代理模型中，以构建至少一个概率数字孪生模型；其中，所述概率数字孪生模型至少包括下述之一：所述液压流场对应的概率数字孪生模型；所述结构场对应的概率数字孪生模型；所述温度场对应的概率数字孪生模型；
若否，返回对所述运行状态信息进行抽样以得到抽样样本集合的步骤，直到各所述代理模型在预设误差范围内。
5.根据权利要求4所述的方法，其特征在于，所述采用预设参数寻优方法进行迭代更新所述数据孪生模型，包括：
将所述目标工程机械设备在预设时间段内的运行状态信息输入至所述数据孪生模型，以得到对应的模型结果；
将所述模型结果与所述预设时间段内的运行状态信息进行比对，以得到第二比对结果；
依据所述第二比对结果和预设准则算法确定所述数据孪生模型的准确度；
依据所述准确度和牛顿-拉夫逊方法对所述数字孪生模型进行迭代更新，以得到实时同步的数据孪生模型。
6.根据权利要求1所述的方法，其特征在于，所述通过监控所述至少一个概率数字孪生模型的预测结果确定所述目标工程机械设备异常情况，包括：
将所述运行状态信息中的设备参数分别输入至对应的概率数字孪生模型；
在所述概率数字孪生模型的输出结果在预设概率范围内的情况下，确定所述目标工程机械设备的监测结果为正常状态；
在所述概率数字孪生模型的输出结果不在所述预设概率范围内的情况下，确定所述目标工程机械设备的监测结果为异常状态。
7.根据权利要求1所述的方法，其特征在于，在通过监控所述至少一个概率数字孪生模型的预测结果确定所述目标工程机械设备异常情况之后，包括：
判断监控的结果是否符合工况需求；
若符合，则依据所述监控的结果进行对所述目标工程机械设备进行寿命评估及健康状态管理；
若不符合，则生成提示信息，以使维修人员进行优化各数字传感器，改变传感器的位置或者改变传感器的数量，以重新对所述目标工程机械设备进行异常监测。
8.根据权利要求1所述的方法，其特征在于，所述物理场仿真模型的构建，包括：
获取所述预设数据库中所述目标工程机械设备对应的历史参数信息，其中，所述历史参数信息至少包括下述之一：历史流场信息、历史温度场信息和历史结构场信息；
依据三维建模软件、有限元仿真软件、所述历史参数信息和所述运行状态信息进行分别构建物理场仿真模型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的设备异常监测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的设备异常监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310373678.3A CN116380166A (zh) | 2023-04-04 | 2023-04-04 | 一种设备异常监测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310373678.3A CN116380166A (zh) | 2023-04-04 | 2023-04-04 | 一种设备异常监测方法、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116380166A true CN116380166A (zh) | 2023-07-04 |
Family
ID=86970772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310373678.3A Pending CN116380166A (zh) | 2023-04-04 | 2023-04-04 | 一种设备异常监测方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116380166A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116738759A (zh) * | 2023-07-19 | 2023-09-12 | 无锡雪浪数制科技有限公司 | 装备的设计运维方法、装置、计算机设备及可读存储介质 |
| CN116977122A (zh) * | 2023-07-06 | 2023-10-31 | 双龙软创(深圳)科技有限公司 | 基于数字孪生技术的远程自动化监测危房的方法 |
| CN117313579A (zh) * | 2023-10-07 | 2023-12-29 | 中国航空发动机研究院 | 发动机压缩部件流场预测方法、装置、设备及存储介质 |
| CN117436290A (zh) * | 2023-12-21 | 2024-01-23 | 卓世未来(天津)科技有限公司 | 一种数字孪生模型响应优化方法及系统 |
| CN117454488A (zh) * | 2023-11-08 | 2024-01-26 | 河北建工集团有限责任公司 | 基于数字孪生传感器的多设备综合方法和系统 |
| CN117451284A (zh) * | 2023-12-26 | 2024-01-26 | 宁德时代新能源科技股份有限公司 | 容器气密性异常检测方法、装置、电子设备和存储介质 |
| CN117592310A (zh) * | 2024-01-17 | 2024-02-23 | 苏州数算软云科技有限公司 | 支撑结构数字孪生模型的更新方法、装置、设备以及介质 |
| CN117744387A (zh) * | 2023-12-22 | 2024-03-22 | 南京天溯自动化控制系统有限公司 | 基于数字孪生的医院临床保障和机电设备智能诊断方法 |
| CN117870766A (zh) * | 2023-12-28 | 2024-04-12 | 圣名科技(广州)有限责任公司 | 一种冶金生产线数据采集网络构建方法及采集系统 |
| CN117704880B (zh) * | 2023-12-13 | 2024-05-07 | 中建-大成建筑有限责任公司 | 一种蒸发器的节能温度监测方法及系统 |
-
2023
- 2023-04-04 CN CN202310373678.3A patent/CN116380166A/zh active Pending
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116977122A (zh) * | 2023-07-06 | 2023-10-31 | 双龙软创(深圳)科技有限公司 | 基于数字孪生技术的远程自动化监测危房的方法 |
| CN116977122B (zh) * | 2023-07-06 | 2024-04-19 | 双龙软创(深圳)科技有限公司 | 基于数字孪生技术的远程自动化监测危房的方法 |
| CN116738759B (zh) * | 2023-07-19 | 2023-11-21 | 无锡雪浪数制科技有限公司 | 装备的设计运维方法、装置、计算机设备及可读存储介质 |
| CN116738759A (zh) * | 2023-07-19 | 2023-09-12 | 无锡雪浪数制科技有限公司 | 装备的设计运维方法、装置、计算机设备及可读存储介质 |
| CN117313579A (zh) * | 2023-10-07 | 2023-12-29 | 中国航空发动机研究院 | 发动机压缩部件流场预测方法、装置、设备及存储介质 |
| CN117313579B (zh) * | 2023-10-07 | 2024-04-05 | 中国航空发动机研究院 | 发动机压缩部件流场预测方法、装置、设备及存储介质 |
| CN117454488B (zh) * | 2023-11-08 | 2024-03-26 | 河北建工集团有限责任公司 | 基于数字孪生传感器的多设备综合方法和系统 |
| CN117454488A (zh) * | 2023-11-08 | 2024-01-26 | 河北建工集团有限责任公司 | 基于数字孪生传感器的多设备综合方法和系统 |
| CN117704880B (zh) * | 2023-12-13 | 2024-05-07 | 中建-大成建筑有限责任公司 | 一种蒸发器的节能温度监测方法及系统 |
| CN117436290A (zh) * | 2023-12-21 | 2024-01-23 | 卓世未来(天津)科技有限公司 | 一种数字孪生模型响应优化方法及系统 |
| CN117436290B (zh) * | 2023-12-21 | 2024-03-08 | 卓世未来(天津)科技有限公司 | 一种数字孪生模型响应优化方法及系统 |
| CN117744387A (zh) * | 2023-12-22 | 2024-03-22 | 南京天溯自动化控制系统有限公司 | 基于数字孪生的医院临床保障和机电设备智能诊断方法 |
| CN117744387B (zh) * | 2023-12-22 | 2024-06-11 | 南京天溯自动化控制系统有限公司 | 基于数字孪生的医院临床保障和机电设备智能诊断方法 |
| CN117451284B (zh) * | 2023-12-26 | 2024-04-12 | 宁德时代新能源科技股份有限公司 | 容器气密性异常检测方法、装置、电子设备和存储介质 |
| CN117451284A (zh) * | 2023-12-26 | 2024-01-26 | 宁德时代新能源科技股份有限公司 | 容器气密性异常检测方法、装置、电子设备和存储介质 |
| CN117870766A (zh) * | 2023-12-28 | 2024-04-12 | 圣名科技(广州)有限责任公司 | 一种冶金生产线数据采集网络构建方法及采集系统 |
| CN117592310B (zh) * | 2024-01-17 | 2024-04-02 | 苏州数算软云科技有限公司 | 支撑结构数字孪生模型的更新方法、装置、设备以及介质 |
| CN117592310A (zh) * | 2024-01-17 | 2024-02-23 | 苏州数算软云科技有限公司 | 支撑结构数字孪生模型的更新方法、装置、设备以及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116380166A (zh) | 一种设备异常监测方法、电子设备及存储介质 | |
| Cattaneo et al. | A digital twin proof of concept to support machine prognostics with low availability of run-to-failure data | |
| EP1982046B1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
| Saidi et al. | An integrated wind turbine failures prognostic approach implementing Kalman smoother with confidence bounds | |
| WO2020019681A1 (zh) | 采油设备故障诊断方法及装置 | |
| CN111737811A (zh) | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 | |
| Shi et al. | A novel digital twin model for dynamical updating and real-time mapping of local defect extension in rolling bearings | |
| EP2930665A2 (en) | Integrating design and field management of gas turbine engine components with a probabilistic model | |
| Liu et al. | Digital Twin‐Driven Machine Condition Monitoring: A Literature Review | |
| CN111881495A (zh) | 基于数字孪生的预应力钢结构安全评估方法 | |
| CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
| AU2019438487A1 (en) | A method for estimating remaining useful life of components of an operational wind turbine | |
| CN116089870A (zh) | 基于元学习的小样本条件下工业设备故障预测方法及装置 | |
| Li et al. | A review on physics-informed data-driven remaining useful life prediction: Challenges and opportunities | |
| CN114154360B (zh) | 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法 | |
| CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
| CN116542177A (zh) | 一种基于启停工况分析评判的水轮机寿命评估方法及系统 | |
| EP4057095B1 (en) | Analysis apparatus, analysis method and program | |
| US20220327256A1 (en) | Systems and methods for hybrid prognostics | |
| Cai et al. | RUL prediction for two-phase degrading systems considering physical damage observations | |
| WO2022036689A1 (en) | Method for fault diagnosis using a fault diagnosis model trained by virtual data | |
| CN114925558A (zh) | 一种轴承试验台数字孪生建模方法 | |
| Yang et al. | Digital twin key technology on rare earth process | |
| WO2017142737A1 (en) | A prognostics and health management model for predicting wind turbine oil filter wear level | |
| CN113837451A (zh) | 油气管道的数字孪生体构建方法、装置、设备及存储介质 |
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 |