CN116561681A - 一种基于数字孪生的融合型故障诊断方法 - Google Patents
一种基于数字孪生的融合型故障诊断方法 Download PDFInfo
- Publication number
- CN116561681A CN116561681A CN202310550900.2A CN202310550900A CN116561681A CN 116561681 A CN116561681 A CN 116561681A CN 202310550900 A CN202310550900 A CN 202310550900A CN 116561681 A CN116561681 A CN 116561681A
- Authority
- CN
- China
- Prior art keywords
- model
- fault
- equipment
- fault diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 118
- 230000004927 fusion Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000007637 random forest analysis Methods 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 37
- 238000004088 simulation Methods 0.000 claims description 34
- 238000005457 optimization Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000002347 injection Methods 0.000 claims description 5
- 239000007924 injection Substances 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/18—Details relating to CAD techniques using virtual or augmented reality
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于数字孪生的融合型故障诊断方法,包括以下步骤;(1)建立设备数字孪生模型;(2)更新设备数字孪生模型;(3)运行设备数字孪生模型,模拟设备故障运行状态;(4)建立随机森林故障诊断模型,输出设备故障分类和故障预测结果;(5)准备验证数据集,记录和评估随机森林故障诊断模型的性能和指标;(6)评估模型性能指标;(7)采用融合型故障诊断算法,使用优化后的故障诊断模型修正设置数字孪生模型的输出,评估模型性能指标;(8)根据输出结果判断无人机是否会发生故障;本发明能够达到实时检测设备运行状态,对设备进行故障诊断的目的。
Description
技术领域
本发明属于设备故障诊断技术领域,具体涉及一种基于数字孪生的融合型故障诊断方法。
背景技术
故障诊断是通过分析来自传感器的信息和数据来监测工业系统中部件的状况,实现对设备的在线监测与运行维护管理。现如今,故障诊断技术已经在高端机器人,航空航天、工业制造和其他各个领域得到了重要应用。故障诊断技术主要分为基于数学模型的故障诊断方法,基于经验知识的故障诊断方法和基于数据驱动的故障诊断方法。随着设备结构越来越复杂,结构越来越多样,单一的故障诊断方法在故障诊断模型一致性、算法适用性、准确性等方面都存在一定程度的不足,不能满足设备对于故障诊断的高精度和高可靠性要求。因此,仅依靠单一的数字孪生模型很难准确描述设备结构和机理,有必要对算法进行更深层次的融合和优化,以便更好地理解设备机理和数据特性,提高故障诊断的精准性。
目前,跨机型的柴油机燃烧室故障诊断方法及系统申请号:CN202211471504.2,没有建立设备三维模型,不能直观、迅速对设备进行检修,诊断结果的精确度受到了已有数据集的限制,对于混合型故障的诊断精度低。
现有算法存在建模精度低,模型一致性差,数据利用率低、故障诊断算法适用性不足等问题。
发明内容
为了克服以上现有技术存在的问题,本发明的目的在于提供一种基于数字孪生的融合型故障诊断方法,具有模型与设备高同步性、高一致性,诊断结果精度高,数据有效利用率高,算法适应性强的特点,能够达到实时检测设备运行状态,对设备进行故障诊断的目的。
为了实现上述目的,本发明采用的技术方案是:
一种基于数字孪生的融合型故障诊断方法,包括以下步骤;
(1)建立设备数字孪生模型,该模型以设备线性化模型为输入,输入指导设备三维模型运行,以设备的实际运行的故障状态相关参数为输出;
(2)根据实际设备的状态参数,更新步骤(1)的设备数字孪生模型;
(3)运行设备数字孪生模型,模拟设备故障运行状态,以获得足够的故障仿真数据集,准备实际运行产生的历史故障数据集;
(4)建立随机森林故障诊断模型,输出设备故障分类和故障预测结果,使用仿真数据集训练随机森林故障诊断模型,使用历史故障数据集更新随机森林故障诊断模型;
(5)准备验证数据集,记录和评估随机森林故障诊断模型的性能和指标;
(6)使用粒子群算法优化随机森林故障诊断模型,使用验证数据集训练粒子群算法优化后的随机森林故障诊断模型,评估模型性能指标;
(7)采用融合型故障诊断算法,使用优化后的故障诊断模型修正设置数字孪生模型的输出,评估模型性能指标;
(8)根据步骤(7)融合型故障诊断算法的输出结果判断无人机是否会发生故障,若发生故障,则输出有可能发生的故障,并输出预警信息,通知工作人员进行设备维护,否则,继续更新孪生体中的数据。
所述步骤(1)中,利用数字孪生的理念,建立设备数字孪生模型,通过Unity3D软件,实现对设备外观以及内部结构的准确描述,建立设备三维仿真模型,通过设备动力学和运动学方程,推导设备线性化模型方程以及故障模型方程,通过数学模型指导三维仿真模型的运行状态,建立设备数字孪生模型,结合实体设备实时通信传输的运行状态数据,对设备三维模型的相关参数进行实时更新,实时掌握设备的运行状态,建立设备的线性化模型表达式如下:
y(t)=Cx(t)
x(t)为设备状态参数,u(t)为系统输入参数,y(t)为系统输出参数,A为系统状态参数矩阵,B为系统输入矩阵C为系统输出矩阵,设备的故障模型方程如下:
y(t)=Cx(t)
式中,x(t)为设备故障状态参数,u(t)为故障系统输入参数,y(t)为故障系统输出参数,A为故障系统状态参数矩阵,B为故障系统输入矩阵C为故障系统输出矩阵,fa∈Rm代表设备故障的故障矢量,nout(t)为该设备的故障函数,其具体形式根据不同设备的故障类型有所不同。
所述步骤(3)中对设备进行故障注入,包括以下步骤:
(1)建立设备故障模型方程,根据设备的内部机理结构和故障类型分析,设备故障模型方程模拟设备不同类型的故障,不同设备的故障函数根据不同设备有所不同;
(2)模拟不同的故障类型下故障模型方程的输出,输出值为设备参数的相关故障状态值;
(3)利用故障状态值指导三维仿真模型的仿真运行,达到故障注入的目的,从而获得大量的仿真故障数据集。
所述步骤(4)中使用步骤(3)生成的仿真故障数据集对随机森林故障诊断模型进行训练,随机森林故障诊断模型可以根据数据集中的相关故障状态值,输出设备的故障类型和预计可能出现的故障。
所述步骤(5)中的性能评估指标为分别是均方根误差(RMSE)、平均绝对误差(MAE)、平均误差偏差(MBE)、R2分数,计算公式如下所示:
其中,n为样本大小,yi为样本参数,所有的误差参数都是预测值和原始值的误差。
RMSE、MAE、MBE是衡量一个回归模型准确性的重要指标,它们反映了实际值与预期值之间的差异,在多次建模流程中,每次模拟结果都会产生一组误差值,误差值越小,说明回归模型的准确性越高;
判定系数R2值是衡量回归模型的拟合程度的指标,数值在[0,1]区间内,R2越接近1,代表变量对输出的解释力越强,也就是数据拟合程度越好;R2越趋近于0,说明模型拟合越差。
所述步骤(6)粒子群算法优化故障诊断模型的过程,包括下列步骤:
(1)将随机森林算法中决策树的深度D、棵数T以及特征子集规模N作为粒子群优化算法的粒子,粒子群优化算法的位置和速度的更新方程如下:
(2)选取RMSE均方根误差作为适应度函数,RMSE的计算公式如下:
(3)根据适应度函数,计算决策树的深度D、棵数T以及特征子集规模N的适应度值;
(4)对比每一个粒子当前适应度值与其个体极值,若当前优于个体极值,将更新个体极值;
(5)对比每一个粒子当前适应度值与其群体极值,若当前优于群体极值,将更新群体极值;
(6)若能满足对设备的故障进行故障分类以及预测设备未来可能发生的故障,达到故障诊断性能上的要求,则对优化后的模型分析;如不能满足性能要求,则调整改进模型,直至满足性能要求为止。
所述步骤(7)使用融合型故障诊断算法,包括下列步骤:
(1)通过建立设备数字孪生体虚拟仿真模型,其表现形式如下:
MDT=(PE,VE,Ss,DD,CN)
MDT为设备数字孪生体,PE表示物理实体,VE表示虚拟实体,Ss表示服务,DD表示孪生数据,CN表示各组成部分间的连接。设备数字孪生体与设备实体通信进行参数更新,运行该模型就可以得到足够的仿真数据,利用模型仿真输出数据作为系统状态输入1;
(2)通过建立设备线性化模型,对设备系统内部状态进行计算,用作虚拟传感信号的输入2;
(3)利用粒子群算法优化后的故障诊断模型作为修正模型;
(4)通过优化后的模型获得的修正值对系统状态输入1和虚拟传感信号的输入2进行校正,得到了较为准确的诊断结果。
本发明的有益效果:
本发明通过建立设备数字孪生模型,实现对物理实体准确的、虚实同步的数字化表示,从而提高数字孪生体模型实时状态检测和故障诊断结果的时效性。运行模型仿真生成的仿真数据集训练故障诊断模型,使用真实无人机故障数据集更新获得的预训练模型,再利用粒子群算法优化后的随机森林模型作为修正模型,根据观测值修正由数字孪生模型仿真驱动的输出结果。将数字孪生模型和数据驱动的技术相结合,在提高随机森林计算精度的前提下,保证运算速度,同时,降低了数字孪生模型对于样本数据的依赖性,增强了数字孪生模型的泛化能力。
本发明采用融合型故障诊断方法,通过对数字孪生模型和数据的驱动算法有效融合途径的探索,通过粒子群算法优化后的故障诊断模型获得的修正值对数字孪生模型仿真输出进行校正,提高了故障诊断算法的精度和适用性。在克服传统方法不足的同时,提高了复杂设备故障诊断的精确度和对设备进行全生命周期管控的可行性。
附图说明
图1是本发明一种基于数字孪生的融合型故障诊断方法的流程示意图。
图2是基于粒子群优化的故障诊断流程示意图。
图3是融合型故障诊断模型训练的流程示意图。
图4是基于数字孪生的融合型故障诊断方法的算法框图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1-图4所示:为了加深对本发明的理解,下面将结合附图对本发明做进一步详述。本发明提出一种基于数字孪生的融合型故障诊断方法,包括以下步骤:
S1:建立设备数字孪生模型,数字孪生通过建立虚拟孪生体,利用计算机通信技术、多源信息融合感知技术以及三维建模技术对物理实体进行映射,并对设备的实时状态进行描述,实现设备状态的监测与故障诊断,通过促进虚实空间数据信息的交互融合优化实现设备的智能运维管理;
S2:更新设备数字孪生模型,数字孪生技术的实时性要求,不仅表现在数据的实时通信,更表现在物体实体设备和设备孪生体模型实时状态实现同步,形成物体实体与数字虚拟体的高度映射,从而达到设备实时状态监测的目的。
S3:运行模型仿真注入故障,以获得足够的故障仿真数据集,准备实际运行产生的历史故障数据集;
S4:使用仿真数据集训练故障诊断模型,使用历史故障数据集更新故障诊断模型;
S5:准备验证数据集,记录和评估预训练故障诊断模型的性能和指标;
S6:使用验证数据集训练粒子群算法优化后的故障诊断模型,评估模型性能指标;
S7:采用融合型故障诊断算法,使用优化后的故障诊断模型修正数字孪生模型的输出,评估模型性能指标;
S8:根据融合型故障诊断算法的输出结果判断无人机是否会发生故障,若发生故障,则输出有可能发生的故障,并输出预警信息,通知工作人员进行设备维护,否则,继续更新孪生体中的数据。
进一步,使用粒子群算法优化后的故障诊断模型的过程,包括下列步骤:
S61:将决策树的深度D、棵数T以及特征子集规模N作为粒子群优化算法的粒子;
S62:选取RMSE均方根误差作为适应度函数;
S63:根据适应度函数,计算粒子的适应度值;
S64:对比每一个粒子当前适应度值与其个体极值,若当前优于个体极值,将更新个体极值;
S65:对比每一个粒子当前适应度值与其群体极值,若当前优于群体极值,将更新群体极值;
S66:若能满足故障诊断性能上的要求,则输出最优粒子参数,并训练诊断模型;如不能满足性能要求,则调整改进模型,直至满足性能要求为止;
进一步,使用融合型故障诊断算法,包括下列步骤:
S71:通过建立设备数字孪生体虚拟仿真模型,并与设备实体通信进行参数更新,运行该模型就可以得到足够的仿真数据,利用模型仿真输出数据作为系统状态输入1;
S72:通过建立设备线性化模型,对设备系统内部状态进行计算,用作虚拟传感信号的输入2;
S73:利用粒子群算法优化后的故障诊断模型作为修正模型;
S74:通过优化后的模型获得的修正值对系统状态输入1和虚拟传感信号的输入2进行校正,得到了较为准确的诊断结果。
以下结合相关背景技术以及实施步骤对本发明作进一步说明:
在本发明的步骤S1中,通过Unity 3D软件,实现对设备外观以及内部结构的准确描述,建立设备三维模型。通过设备动力学和运动学方程,推导设备线性化模型以及故障模型,通过数学模型指导三维模型建立数字孪生模型。
在步骤S2中,通过实时的运行数据支撑,以确保数字孪生模型能够持续的迭代更新,实现对物理实体的完整映射。
在步骤S3中,建立故障仿真模块,运行该模块可以获得足够的故障仿真数据集。
在步骤S4中,使用仿真数据集对随机森林故障诊断模块训练的同时,引入实际飞行产生的历史故障数据集,对随机森林故障诊断模型进行更新,记录性能评估指标,包括均方根误差RMSE、平均绝对误差MAE、平均误差偏差MBE、R2值将其作为后续性能评估的标准。
目前,基于数字孪生技术的设备故障诊断方法是故障诊断领域研究和应用的主要方向,合理有效的引入数字孪生技术,能够优化物理实体在虚拟空间的结构映射,从而实现准确的故障诊断,有力推进故障诊断领域研究的快速发展。
基于数字孪生的融合型故障诊断方法针对模型仿真会带来误差累积,造成仿真结果与实际输出差别明显,引入粒子群算法优化后的随机森林模型,对数字孪生模型输出结果进行反馈和校正。
为解决上述问题,提出了融合型故障诊断算法。
(1)将故障诊断算法进行优化
在步骤S6中,为了提高故障诊断模型的性能,引入了粒子群优化算法,将随机森林故障诊断模型的决策树的深度、棵数以及特征子集规模作为粒子群优化算法的粒子,选取RMSE均方根误差作为适应度函数,均方根误差越小,模型得到诊断结果越精确。采用粒子群优化算法对上述参数进行迭代优化,选择合适参数优化随机森林故障诊断模型;
复杂设备往往有着工作环境恶劣,运行工况复杂,系统参数繁多,且各种参数之间的关系非线性、相关性弱以及数学模型构建困难等特点,因此,使用任意一种方法都无法完全满足对其进行精确故障诊断的需求,有必要对算法进行更深层次的融合和优化,以便更好地理解设备机理和数据特性,提高故障诊断的精准性。
(2)将数字孪生技术与故障诊断算法结合
在步骤S7中,如图4所示,通过建立数字孪生体虚拟仿真模型,并与实体通信进行参数更新,运行该模型就可以得到足够的仿真数据,利用模型仿真输出数据作为系统状态输入1。通过建立设备线性化模型,对设备系统内部状态进行计算,用作虚拟传感信号的输入2。
使用融合型算法通过优化后的随机森林故障诊断模型获得的修正值对上述输入1和输入2进行校正,得到了较为准确的诊断结果。根据融合型故障诊断算法的输出结果判断无人机是否会发生故障,若发生故障,则输出有可能发生的故障,并输出预警信息,通知工作人员进行设备维护,否则,继续更新孪生体中的数据。
综上所述,本发明主要解决了两个方面的技术问题,一是针对数字孪生模型与实体设备的一致性差以及故障诊断的时效性差问题;二是针对设备故障诊断精度低,算法适用性差问题;
表1:基于数字孪生的融合型故障诊断方法对验证集的评估指标
为了验证基于数字孪生的融合型故障诊断方法的性能,采用RMSE、MAE、MBE、R2作为评价指标,对比其他方法,例如SVM、RF以及PSO-RF,预测值与实际值之间存在较大误差。而采用基于数字孪生的融合型故障诊断方法,预测值与实际值之间误差较小,可有效提高故障预测模型的精度。基于数字孪生的融合型故障诊断方法具有较低的预测误差,能够解决模型和数据缺少融合优化以及数据驱动算法精度低的问题,使得预测结果更加精确可靠。
以上所披露的仅为本发明一种实例而已,当然不能以此来限定本发明权利范围,本领域普通技术人员可以理解实现上述实例的流程,按照本发明权利要求作出等同变化。
Claims (10)
1.一种基于数字孪生的融合型故障诊断方法,其特征在于,包括以下步骤;
(1)建立设备数字孪生模型,该模型以设备线性化模型为输入,输入指导设备三维模型运行,以设备的实际运行的故障状态相关参数为输出;
(2)根据实际设备的状态参数,更新步骤(1)的设备数字孪生模型;
(3)运行设备数字孪生模型,模拟设备故障运行状态,以获得足够的故障仿真数据集,准备实际运行生的历史故障数据集;
(4)建立随机森林故障诊断模型,输出设备故障分类和故障预测结果,使用仿真数据集训练随机森林故障诊断模型,使用历史故障数据集更新随机森林故障诊断模型;
(5)准备验证数据集,记录和评估随机森林故障诊断模型的性能和指标;
(6)使用粒子群算法优化随机森林故障诊断模型,使用验证数据集训练粒子群算法优化后的随机森林故障诊断模型,评估模型性能指标;
(7)采用融合型故障诊断算法,使用优化后的故障诊断模型修正设置数字孪生模型的输出,评估模型性能指标;
(8)根据步骤(7)融合型故障诊断算法的输出结果判断无人机是否会发生故障,若发生故障,则输出有可能发生的故障,并输出预警信息,通知工作人员进行设备维护,否则,继续更新孪生体中的数据。
2.根据权利要求1所述的一种基于数字孪生的融合型故障诊断方法,其特征在于,所述步骤(1)中,利用数字孪生的理念,建立设备数字孪生模型,通过Unity 3D软件,实现对设备外观以及内部结构的准确描述,建立设备三维仿真模型,通过设备动力学和运动学方程,推导设备线性化模型方程以及故障模型方程,通过数学模型指导三维仿真模型的运行状态,建立设备数字孪生模型,结合实体设备实时通信传输的运行状态数据,对设备三维模型的相关参数进行实时更新,实时掌握设备的运行状态。
3.根据权利要求2所述的一种基于数字孪生的融合型故障诊断方法,其特征在于,建立设备的线性化模型表达式如下:
y(t)=Cx(t)
x(t)为设备状态参数,u(t)为系统输入参数,y(t)为系统输出参数,A为系统状态参数矩阵,B为系统输入矩阵C为系统输出矩阵,设备的故障模型方程如下:
y(t)=Cx(t)
式中,x(t)为设备故障状态参数,u(t)为故障系统输入参数,y(t)为故障系统输出参数,A为故障系统状态参数矩阵,B为故障系统输入矩阵C为故障系统输出矩阵,fa∈Rm代表设备故障的故障矢量,nout(t)为该设备的故障函数,其具体形式根据不同设备的故障类型有所不同。
4.根据权利要求1所述的一种基于数字孪生的融合型故障诊断方法,其特征在于,所述步骤(3)中对设备进行故障注入,包括以下步骤:
(1)建立设备故障模型方程,根据设备的内部机理结构和故障类型分析,设备故障模型方程模拟设备不同类型的故障,不同设备的故障函数根据不同设备有所不同;
(2)模拟不同的故障类型下故障模型方程的输出,输出值为设备参数的相关故障状态值;
(3)利用故障状态值指导三维仿真模型的仿真运行,达到故障注入的目的,从而获得大量的仿真故障数据集。
5.根据权利要求4所述的一种基于数字孪生的融合型故障诊断方法,其特征在于,所述步骤(4)中使用步骤(3)生成的仿真故障数据集对随机森林故障诊断模型进行训练,随机森林故障诊断模型可以根据数据集中的相关故障状态值,输出设备的故障类型和预计可能出现的故障。
6.根据权利要求1所述的一种基于数字孪生的融合型故障诊断方法,其特征在于,所述步骤(5)中的性能评估指标为分别是均方根误差(RMSE)、平均绝对误差(MAE)、平均误差偏差(MBE)、R2分数,计算公式如下所示:
其中,n为样本大小,yi为样本参数,所有的误差参数都是预测值和原始值的误差。
7.根据权利要求6所述的一种基于数字孪生的融合型故障诊断方法,其特征在于,在多次建模流程中,每次模拟结果都会产生一组误差值,误差值越小,说明回归模型的准确性越高。
8.根据权利要求6所述的一种基于数字孪生的融合型故障诊断方法,其特征在于,判定系数R2值是衡量回归模型的拟合程度的指标,数值在[0,1]区间内,R2越接近1,代表变量对输出的解释力越强,也就是数据拟合程度越好;R2越趋近于0,说明模型拟合越差。
9.根据权利要求1所述的一种基于数字孪生的融合型故障诊断方法,其特征在于,所述步骤(6)粒子群算法优化故障诊断模型的过程,包括下列步骤:
(1)将随机森林算法中决策树的深度D、棵数T以及特征子集规模N作为粒子群优化算法的粒子,粒子群优化算法的位置和速度的更新方程如下:
(2)选取RMSE均方根误差作为适应度函数,RMSE的计算公式如下:
(3)根据适应度函数,计算决策树的深度D、棵数T以及特征子集规模N的适应度值;
(4)对比每一个粒子当前适应度值与其个体极值,若当前优于个体极值,将更新个体极值;
(5)对比每一个粒子当前适应度值与其群体极值,若当前优于群体极值,将更新群体极值;
(6)若能满足对设备的故障进行故障分类以及预测设备未来可能发生的故障,达到故障诊断性能上的要求,则对优化后的模型分析;如不能满足性能要求,则调整改进模型,直至满足性能要求为止。
10.根据权利要求1所述的一种基于数字孪生的融合型故障诊断方法,其特征在于,所述步骤(7)使用融合型故障诊断算法,包括下列步骤:
(1)通过建立设备数字孪生体虚拟仿真模型,其表现形式如下:
MDT=(PE,VE,Ss,DD,CN)
MDT为设备数字孪生体,PE表示物理实体,VE表示虚拟实体,Ss表示服务,DD表示孪生数据,CN表示各组成部分间的连接,设备数字孪生体与设备实体通信进行参数更新,运行该模型得到足够的仿真数据,利用模型仿真输出数据作为系统状态输入1;
(2)通过建立设备线性化模型,对设备系统内部状态进行计算,用作虚拟传感信号的输入2;
(3)利用粒子群算法优化后的故障诊断模型作为修正模型;
(4)通过优化后的模型获得的修正值对系统状态输入1和虚拟传感信号的输入2进行校正,得到了较为准确的诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310550900.2A CN116561681A (zh) | 2023-05-16 | 2023-05-16 | 一种基于数字孪生的融合型故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310550900.2A CN116561681A (zh) | 2023-05-16 | 2023-05-16 | 一种基于数字孪生的融合型故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116561681A true CN116561681A (zh) | 2023-08-08 |
Family
ID=87489539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310550900.2A Pending CN116561681A (zh) | 2023-05-16 | 2023-05-16 | 一种基于数字孪生的融合型故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116561681A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861204A (zh) * | 2023-09-05 | 2023-10-10 | 山东山森数控技术有限公司 | 基于数字孪生的智能制造设备数据管理系统 |
CN117471979A (zh) * | 2023-12-27 | 2024-01-30 | 成都川哈工机器人及智能装备产业技术研究院有限公司 | 一种基于数字孪生平台的数据采集处理方法及系统 |
CN117852116A (zh) * | 2024-03-07 | 2024-04-09 | 青岛欧亚丰科技发展有限公司 | 一种数字孪生模型的构建方法 |
-
2023
- 2023-05-16 CN CN202310550900.2A patent/CN116561681A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861204A (zh) * | 2023-09-05 | 2023-10-10 | 山东山森数控技术有限公司 | 基于数字孪生的智能制造设备数据管理系统 |
CN116861204B (zh) * | 2023-09-05 | 2023-12-08 | 山东山森数控技术有限公司 | 基于数字孪生的智能制造设备数据管理系统 |
CN117471979A (zh) * | 2023-12-27 | 2024-01-30 | 成都川哈工机器人及智能装备产业技术研究院有限公司 | 一种基于数字孪生平台的数据采集处理方法及系统 |
CN117471979B (zh) * | 2023-12-27 | 2024-03-08 | 成都川哈工机器人及智能装备产业技术研究院有限公司 | 一种基于数字孪生平台的数据采集处理方法及系统 |
CN117852116A (zh) * | 2024-03-07 | 2024-04-09 | 青岛欧亚丰科技发展有限公司 | 一种数字孪生模型的构建方法 |
CN117852116B (zh) * | 2024-03-07 | 2024-05-28 | 青岛欧亚丰科技发展有限公司 | 一种数字孪生模型的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116561681A (zh) | 一种基于数字孪生的融合型故障诊断方法 | |
EP4270126A1 (en) | Method for constructing digital twin by combining reduced order models, measurement data and machine learning techniques for multiphysical equipment system | |
CN112487584A (zh) | 一种基于动力学的滚动轴承数字孪生建模方法 | |
CN112131760A (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
CN101916311B (zh) | 轨道交通自动驾驶系统模型开发与仿真测试系统与方法 | |
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 | |
CN111968004A (zh) | 一种基于数字孪生的高精密产品装调一体化系统 | |
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 | |
CN112070279A (zh) | 一种基于数字孪生技术的产品加工控制方法 | |
CN113378939B (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
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 | |
CN112508373B (zh) | 一种基于数字孪生技术的船用柴油机性能评估方法 | |
CN115327270A (zh) | 基于数据-模型驱动的变压器小样本故障诊断系统 | |
CN115204491A (zh) | 基于数字孪生与lstm的生产线工况预测方法及系统 | |
Lu et al. | Digital twin-based operation simulation system and application framework for electromechanical products | |
CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
CN111914600A (zh) | 一种基于空间注意力模型的群组情绪识别方法 | |
Wang et al. | State perception and prediction of digital twin based on proxy model | |
CN113985814B (zh) | 一种基于数字孪生的加工过程自适应控制方法 | |
CN109656229A (zh) | 基于ga-rbf网络的机器人末端性能预测模型的构建方法 | |
CN114239938A (zh) | 一种基于状态的能源数字孪生体的构建方法 | |
CN114676887A (zh) | 一种基于图卷积stg-lstm的河流水质预测方法 | |
CN116187102B (zh) | 一种可靠性分析系统 | |
Zhang et al. | Research on intelligent health management technology of opto-electronic equipment | |
CN114491790B (zh) | 一种基于maml的气动建模方法及系统 |
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 |