CN116579217A - 一种基于数字孪生的控制阀流致振动疲劳寿命预测方法 - Google Patents
一种基于数字孪生的控制阀流致振动疲劳寿命预测方法 Download PDFInfo
- Publication number
- CN116579217A CN116579217A CN202310628341.2A CN202310628341A CN116579217A CN 116579217 A CN116579217 A CN 116579217A CN 202310628341 A CN202310628341 A CN 202310628341A CN 116579217 A CN116579217 A CN 116579217A
- Authority
- CN
- China
- Prior art keywords
- control valve
- data
- vibration
- simulation
- flow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004088 simulation Methods 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000009792 diffusion process Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000009825 accumulation Methods 0.000 claims abstract description 3
- 238000013213 extrapolation Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 24
- 230000001133 acceleration Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000005653 Brownian motion process Effects 0.000 claims description 3
- 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
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000002028 premature Effects 0.000 claims description 3
- 230000010349 pulsation Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于数字孪生的控制阀流致振动疲劳寿命的预测方法，首先采用多传感器采集控制阀在工作工况下的振动信息，并进行特征提取。其次建立数字孪生仿真模型进行模拟分析，进而建立漂移和扩散模型，生成监测数据与模拟数据的偏差数据，并对偏差数据进行外推生成外推偏差数据集，修正并更新数字孪生仿真模型，最终基于Miner‑Palmgren线性累积损伤理论，根据外推数据预测控制阀的流致振动疲劳寿命；本发明提出的基于数字孪生的疲劳寿命预测方法，充分考虑控制阀在实际工作过程中，由于环境变化等因素导致结构实测值相对于模拟预测值出现偏差的问题，实现了对控制阀流致振动疲劳寿命及时有效的预测，有效降低了疲劳损伤引起的故障风险。
Description
技术领域
本发明涉及阀门设备领域，是基于数字孪生技术对控制阀流致振动疲劳寿命进行预测技术，主要应用于电力、石油、化工的控制阀。
背景技术
工业工艺出现了大量需要高压差控制类阀门控制的场合，如高温高压安全阀、疏水阀、止回阀、调节阀、泄放阀及溢流阀等。由于控制阀的流致振动疲劳损伤是影响使用寿命的最常见问题之一，仅通过通用疲劳寿命预测方法难以实现控制阀疲劳寿命的及时有效预测。这就需要及时监测控制类阀门流致振动疲劳损伤，对其疲劳寿命进行有效评估，以保证所设计的控制阀满足长寿命和安全可靠性的要求。
目前基于仿真模型和数字孪生技术对机械设备的疲劳寿命的预测方法，是针对机械振动工况下疲劳寿命预测，没有针对流体激振力对结构疲劳寿命影响的预测方法，并且没有有效考虑结构在实际工作过程中，工作环境变化等因素导致结构实测值相对于模拟预测值出现偏差的问题，不能实现控制阀的流致振动疲劳寿命的有效预测。
发明内容
本发明的目的是提供一种基于数字孪生的控制阀流致振动疲劳寿命预测方法。
本发明是一种基于数字孪生的控制阀流致振动疲劳寿命预测方法，由以下步骤组成：
步骤(1)利用压力传感器、加速度传感器及应变片，采集控制阀在工作工况下的脉动压力、振动加速度及应变信息，并对振动信号进行特征提取；
步骤(2)将传感器监测获得的信号数据通过链路传输到处理器；
步骤(3)建立数字孪生仿真模型，对控制阀在工作工况下的流致振动进行模拟分析，获得振动信息；
步骤(4)根据传感器采集获得的振动信息及模拟分析获得的振动信息，建立漂移和扩散模型，生成监测数据与模拟数据的偏差数据集，并采用外推方法对偏差数据进行外推生成外推偏差数据集，修正并更新数字孪生仿真模型；
步骤(5)基于Miner-Palmgren线性累积损伤理论，根据偏差数据预测控制阀的流致振动疲劳寿命。
本发明的有益效果是：本发明所述的基于数字孪生的控制阀流致振动疲劳寿命预测方法，解决了现有疲劳寿命预测方法难以实现控制阀疲劳寿命及时有效的预测的问题，尤其是工况及工作环境变化情况下。这种准确的基于数字孪生技术的流致振动疲劳寿命预测方法充分考虑控制阀实际工作过程中，由于工作环境变化等因素导致结构实测值相对于模拟预测值出现偏差的问题，采用漂移-扩散估计技术构建偏差模型，通过外推偏差数据的确定性分量和随机分量来生成外推偏差数据。根据外推偏差数据，通过数字孪生仿真模型及寿命预测模型预测控制阀的流致振动疲劳寿命，根据寿命结果对接近、已达到或超过规定使用寿命的部件进行维护或更换。基于数字孪生技术的疲劳寿命预测系统通过对结构疲劳寿命及时有效的预测，有效降低了疲劳损伤引起的故障风险，解决了阀门实时健康监测维修管理的问题。
附图说明
图1是本发明的流程图，图2是多传感器测试流程图，图3是外推模块流程图。
实施方式
如图1所示，本发明是一种基于数字孪生的控制阀流致振动疲劳寿命预测方法，由以下步骤组成：
步骤(1)利用压力传感器、加速度传感器及应变片，采集控制阀在工作工况下的脉动压力、振动加速度及应变信息，并对振动信号进行特征提取；
步骤(2)将传感器监测获得的信号数据通过链路传输到处理器；
步骤(3)建立数字孪生仿真模型，对控制阀在工作工况下的流致振动进行模拟分析，获得振动信息；
步骤(4)根据传感器采集获得的振动信息及模拟分析获得的振动信息，建立漂移和扩散模型，生成监测数据与模拟数据的偏差数据集，并采用外推方法对偏差数据进行外推生成外推偏差数据集，修正并更新数字孪生仿真模型；
步骤(5)基于Miner-Palmgren线性累积损伤理论，根据外推数据预测控制阀的流致振动疲劳寿命。
以上所述方法，步骤(1)中所述，建立控制阀三维模型，采用ANSYS有限元分析软件对控制阀进行模态分析与静强度分析，根据计算获得的结构模态振型、固有频率及应力结果，确定传感器布置位置，测得测点位置处的脉动压力pi1、振动加速度ai1及应变εi1信息，结合改进双参数阈值量化函数与小波阈值降噪算法，提取测点位置的振动信息，准确获得测点的振动信息。
以上所述方法，步骤(3)中所述，采用Isight优化软件调用ANSYS有限元分析软件，对控制阀工作工况下的流致振动进行流固耦合数值模拟分析，以有限元分析中的输入变量，包括阀前压力p1、阀后压力p2、温度T以及阀门开度(li/L)参数变量，作为机器学习模型的输入，计算获得的振动加速度ai2以及应力时间历程σi2作为模型训练的目标，获得训练样本数据；采用10％的数据集被选为训练数据集，5％的数据集被选为验证数据集，5％的数据集被选为测试数据集，采用非线性回归机器学习算法对分析获得的数据集进行训练、验证与测试，建立控制阀流致振动数字孪生仿真模型，对同步骤一相应工况下的控制阀流致振动进行模拟分析，获得控制阀测点位置处的振动加速度与应力时间历程数据。
以上所述方法，步骤(4)中所述，采用漂移-扩散估计方法，根据传感器采集获得的振动信息及模拟分析获得的振动加速度信息，对数字孪生模型模拟生成的结果与传感器监测获得的实际结果之间的偏差进行建模，生成漂移-扩散偏差模型；漂移-扩散模型将偏差动力学确定为两个分量，即确定性分量f(x，t)和随机分量g(x，t)，每个变量d(x)是确定性漂移分量及随机分量的组合，遵循微分方程(1)：
d(x)＝f(x，t)dt+g(x，t)dWt(1)
其中，x为控制阀振动信号偏差，Wt为一个标准布朗运动过程，t是时间；f(x，t)是确定性分量，g(x，t)是随机分量，随机分量服从正态分布dWt～N(0，1)；
采用基于核函数的回归算法，从偏差数据估计f(x，t)和g(x，t)，假设动力学不会随时间变化，则f(x，t)和g(x，t)简化为f(x)和g(x)，基于核函数的回归算法可以采用Nadaraya-Watson核回归方法、Priestley-Chao核回归估计方法或Gasser-Muller核估计方法来实现；
对历史数据包含的数据，即当变量xi∈[x-，x+]，x-是左端点的位置，x+是右端点的位置，通过三次样条差值拟合函数，如公式(2)所示，预测历史数据范围内的偏差数据：
其中，系数ai，bi，ci，di分别为ai＝yi； hi为步长hi＝xi+1-xi；
历史数据范围之外的数据，采用三种不同的外推函数对历史数据进行外推，假设外推函数可以避免人为地创建不动点，且在预测中可以避免出现过早发散；根据假设，f(x)的外推函数分为三种情况，在第一种情况下，外推继续遵循现有的曲率，但会衰减以避免变形；在第二种情况下，外推遵循沿轴线f(x)＝0的渐近线，第三种情况是沿f(x)＝αx的渐近线，其中系数α≠0；
第一种情况通过公式(3)拟合来满足，如公式(3)所示：
其中，x+是右端点的位置，左端点使用f(-x)和-x+进行外推；
在第二种情况下，外推遵循沿轴线f(x)＝0的渐近线，通过龚伯兹曲线进行拟合，公式(4)如下所示：
其中，k为待定参数，fi″ex+＞1，0＜fi′-fi′x+＜1；
第三种情况适用于以下情况：f(x+)＜0和f′(x+)＜0，或f(x+)＞0和f′(x+)＞0表示左端点；f(x+)＞0和f′(x+)＜0，或f(x+)＜0和f′(x+)＞0表示右端点。在这种情况下，可以根据公式(5)进行简单衰减：
以上三种情况适用于以下规则，对于左端点，如果sgn(f)≠sgn(f′)且sgn(f)＝sgn(f″)，则用公式(5)；不满足时，如果sgn(f)＝sgn(f′)，则用公式(4)；对于右端点，如果sgn(f)＝sgn(f′)且sgn(f)≠sgn(f″)，则用公式(5)；不满足时，若sgn(f)＝sgn(f′)，则用公式(4)，否则，在其他情况下使用公式(3)，其中“sgn”为符号函数；
根据外推的偏差数据和模拟获得的数据的组合生成更新的偏差数据，利用更新的偏差数据进而更新改进数字孪生仿真模型，并采用改进的数字孪生模型进行控制阀的流致振动模拟分析，将更新的数值模拟信息传递至疲劳预测模型。
以上所述方法，步骤(5)中所述，根据模拟计算获得的控制阀测点应力谱，采用雨流计数法统计控制阀测点位置应力循环的应力幅值σfi、平均应力σm和应力循环次数ni，根据控制阀零部件材料的S-N曲线获得各个应力幅值作用下的循环次数Ni，基于Miner-Palmgren线性累积损伤理论，计算在使用周期内的疲劳损伤总量其中，D为控制阀在使用周期内产生的疲劳损伤，ni为实际应力水平下的循环次数，Ni为材料的S-N曲线在相应应力幅值下的循环次数。进而计算获得控制阀流致振动疲劳寿命其中，L为控制阀的流致振动疲劳寿命。根据寿命结果对接近、已达到或超过规定使用寿命的部件进行维护或更换。
下面用实施例进一步展开本发明的技术内容。如图1所示，本发明是一种基于数字孪生的控制阀流致振动疲劳寿命预测方法，其步骤为：步骤一、利用压力传感器、加速度传感器及应变片，采集控制阀在工作工况下的脉动压力、振动加速度及应变信息，并对振动信息进行特征提取和去噪处理；步骤二、将传感器监测获得的信号数据通过链路传输到处理器；步骤三、建立数字孪生仿真模型，并对控制阀在工作工况下的流致振动进行模拟分析，获得振动信息；步骤四、根据传感器采集获得的振动信息及模拟分析获得的振动信息，建立漂移和扩散模型，生成监测数据与模拟数据的偏差数据集，并采用外推方法对偏离数据进行外推生成外推偏差数据集；步骤五、基于Miner-Palmgren线性累积损伤理论，根据外推数据预测控制阀的流致振动疲劳寿命。
其中在上述步骤一中，如图2首先建立控制阀三维模型，采用ANSYS有限元分析软件对控制阀进行模态分析与静强度分析，获得结构的模态特性、模态振型、固有频率及应力结果等，根据分析得到的结构模态结果及应力结果确定传感器布置位置。
将多个传感器即压力传感器、加速度传感器及应变传感器固定安装在确定的传感器布置位置，测得测点位置处的脉动压力pi1、振动加速度ai1及应变εi1信息，包含周期性更新的数据，即正常工作工况下监测的数据，以及突发性更新的数据，如阀门关闭及开启时测得的数据。
基于时频谱特征对传感器提取的测点位置的振动信号进行标定。结合改进双参数阈值量化函数与小波阈值降噪算法，基于标定后的特征频段，提取测点的振动信号，准确获得控制阀测点处的振动信息，为数字孪生仿真模型的正确建立与修正提供数据支撑。
其中在上述步骤二中，将传感器监测获得的参数通过链路传输到处理器，链路包括有线电缆、无线连接或者光缆技术。
其中在上述步骤三中，采用Isight优化软件调用ANSYS有限元分析软件，对控制阀工作工况下的流致振动进行流固耦合数值模拟分析，以有限元分析中的输入变量，包括阀前压力p1、阀后压力p2、温度T以及阀门开度(li/L)参数变量，作为机器学习模型的输入，计算获得的振动加速度ai2以及应力时间历程σi2作为模型训练的目标，获得训练样本数据。其中10％的数据集被选为训练数据集，5％的数据集被选为验证数据集，5％的数据集被选为测试数据集，采用非线性回归机器学习算法对分析获得的数据集进行训练、验证与测试，建立控制阀流致振动数字孪生仿真模型，对同步骤一相应工况下的控制阀流致振动进行模拟分析，获得控制阀测点处的振动加速度与应力时间历程数据。
其中在上述步骤四中，根据传感器采集以及模拟分析获得的振动加速度信息，采用漂移-扩散估计方法，对数字孪生模型模拟生成的结果与传感器监测获得的实际结果之间的偏差分别进行建模。漂移-扩散模型将偏差动力学确定为两个分量，给定随时间变化的偏差度量，则偏差动力学的两个分量的函数分别为确定性分量f(x，t)和随机分量g(x，t)，每个变量d(x)看作是确定性漂移分量及随机分量的组合，遵循微分方程(1)：
d(x)＝f(x，t)dt+g(x，t)dWt(1)
其中，x为控制阀振动信号偏差，Wt为一个标准布朗运动过程，是混沌运动产生的不稳定变量，t是时间；f(x，t)是确定性分量，g(x，t)是随机分量，随机分量服从正态分布dWt～N(0，1)。
采用基于核函数的回归算法，从偏差数据估计f(x，t)和g(x，t)，假设动力学不会随时间变化，则f(x，t)和g(x，t)简化为f(x)和g(x)。基于核函数的回归算法可以采用Nadaraya-Watson核回归方法、Priestley-Chao核回归估计方法或Gasser-Muller核估计方法来实现。
对历史数据包含的数据，即当变量xi∈[x-，x+]，x-是左端点的位置，x+是右端点的位置，通过三次样条差值拟合函数，如公式(2)所示，预测历史数据范围内的偏差数据：
其中，系数ai，bi，ci，di分别为ai＝yi； hi为步长hi＝xi+1-xi。
历史数据范围之外的数据，采用三种不同的外推函数对历史数据进行外推。控制阀流致振动数据信息满足平稳随机性，假设外推函数可以避免人为地创建不动点，且在预测中可以避免出现过早发散。根据假设，f(x)的外推函数分为三种情况。在第一种情况下，外推继续遵循现有的曲率，但会衰减以避免变形。在第二种情况下，外推遵循沿轴线f(x)＝0的渐近线，第三种情况是沿f(x)＝αx的渐近线，其中系数α≠0。
第一种情况通过公式(3)拟合来满足，如公式(3)所示：
其中，x+是右端点的位置，左端点使用f(-x)和-x+进行外推。
在第二种情况下，外推遵循沿轴线f(x)＝0的渐近线，通过龚伯兹曲线进行拟合，公式(4)如下所示：
其中，k为待定参数，fxi″ex+＞1，0＜fxi′-fxi′x+＜1。
第三种情况适用于以下情况：f(x+)＜0和f′(x+)＜0，或f(x+)＞0和f′(x+)＞0表示左端点；f(x+)＞0和f′(x+)＜0，或f(x+)＜0和f′(x+)＞0表示右端点。在这种情况下，可以根据公式(5)进行简单衰减：
以上三种情况适用于以下规则，如附图3所示，对于左端点，如果sgn(f)≠sgn(f′)且sgn(f)＝sgn(f″)，则用公式(5)。不满足时，如果sgn(f)＝sgn(f′)，则用公式(4)。对于右端点，如果sgn(f)＝sgn(f′)且sgn(f)≠sgn(f″)，则用公式(5)，不满足时，若sgn(f)＝sgn(f′)，则用公式(3)。否则，在其他情况下使用公式(3)，其中“sgn”为符号函数。
根据外推的偏差数据和模拟获得的数据的组合生成更新的偏差数据。利用更新的偏差数据进而更新改进数字孪生仿真模型，并利用改进的数字孪生仿真模型进行控制阀的流致振动模拟分析，将更新的数值模拟信息传递至疲劳预测模型。
其中在上述步骤五中，根据模拟计算获得的控制阀测点应力谱，采用雨流计数法统计控制阀测点位置应力循环的应力幅值σfi、平均应力σm和应力循环次数ni。根据控制阀零部件材料的S-N曲线获得各个应力幅值作用下的循环次数Ni，基于Miner-Palmgren线性累积损伤理论，计算在使用周期内的疲劳损伤总量其中，D为控制阀在使用周期内产生的疲劳损伤，ni为实际应力水平下的循环次数，Ni为材料的S-N曲线在相应应力幅值下的循环次数。进而计算获得控制阀流致振动疲劳寿命其中，L为控制阀的流致振动疲劳寿命次数。根据寿命结果对接近、已达到或超过规定使用寿命的部件进行维护或更换。
Claims (5)
1.一种基于数字孪生的控制阀流致振动疲劳寿命预测方法，其特征在于，由以下步骤组成：
步骤(1)利用压力传感器、加速度传感器及应变片，采集控制阀在工作工况下的脉动压力、振动加速度及应变信息，并对振动信号进行特征提取；
步骤(2)将传感器监测获得的信号数据通过链路传输到处理器；
步骤(3)建立数字孪生仿真模型，对控制阀在工作工况下的流致振动进行模拟分析，获得振动信息；
步骤(4)根据传感器采集获得的振动信息及模拟分析获得的振动信息，建立漂移和扩散模型，生成监测数据与模拟数据的偏差数据集，并采用外推方法对偏差数据进行外推生成外推偏差数据集，修正并更新数字孪生仿真模型；
步骤(5)基于Miner-Palmgren线性累积损伤理论，根据外推数据预测控制阀的流致振动疲劳寿命。
2.根据权利要求1所述的基于数字孪生的控制阀流致振动疲劳寿命预测方法，其特征在于：步骤(1)中所述，建立控制阀三维模型，采用ANSYS有限元分析软件对控制阀进行模态分析与静强度分析，根据计算获得的结构模态振型、固有频率及应力结果，确定传感器布置位置，测得测点位置处的脉动压力pi1、振动加速度ai1及应变εi1信息，结合改进双参数阈值量化函数与小波阈值降噪算法，提取测点位置的振动信息，准确获得测点的振动信息。
3.根据权利要求1所述的基于数字孪生的控制阀流致振动疲劳寿命预测方法，其特征在于：步骤(3)中所述，采用Isight优化软件调用ANSYS有限元分析软件，对控制阀工作工况下的流致振动进行流固耦合数值模拟分析，以有限元分析中的输入变量，包括阀前压力p1、阀后压力p2、温度T以及阀门开度(li/L)参数变量，作为机器学习模型的输入，计算获得的振动加速度ai2以及应力时间历程σi2作为模型训练的目标，获得训练样本数据；采用10％的数据集被选为训练数据集，5％的数据集被选为验证数据集，5％的数据集被选为测试数据集，采用非线性回归机器学习算法对分析获得的数据集进行训练、验证与测试，建立控制阀流致振动数字孪生仿真模型，对同步骤一相应工况下的控制阀流致振动进行模拟分析，获得控制阀测点位置处的振动加速度与应力时间历程数据。
4.根据权利要求1所述的基于数字孪生的控制阀流致振动疲劳寿命预测方法，其特征在于：步骤(4)中所述，采用漂移-扩散估计方法，根据传感器采集获得的振动信息及模拟分析获得的振动加速度信息，对数字孪生模型模拟生成的结果与传感器监测获得的实际结果之间的偏差进行建模，生成漂移-扩散偏差模型；漂移-扩散模型将偏差动力学确定为两个分量，即确定性分量f(x，t)和随机分量g(x，t)，每个变量d(x)是确定性漂移分量及随机分量的组合，遵循微分方程(1)：
d(x)＝f(x，t)dt+g(x，t)dWt (1)
其中，x为控制阀振动信号偏差，Wt为一个标准布朗运动过程，t是时间；f(x，t)是确定性分量，g(x，t)是随机分量，随机分量服从正态分布dWt～N(0，1)；
采用基于核函数的回归算法，从偏差数据估计f(x，t)和g(x，t)，假设动力学不会随时间变化，则f(x，t)和g(x，t)简化为f(x)和g(x)，基于核函数的回归算法采用Nadaraya-Watson核回归方法、Priestley-Chao核回归估计方法或Gasser-Muller核估计方法来实现；
对历史数据包含的数据，即当变量xi∈[x-，x+]，x-是左端点的位置，x+是右端点的位置，通过三次样条差值拟合函数，如公式(2)所示，预测历史数据范围内的偏差数据：
其中，系数ai，bi，ci，di分别为ai＝yi； hi为步长hi＝xi+1-xi；
历史数据范围之外的数据，采用三种不同的外推函数对历史数据进行外推，假设外推函数能避免人为地创建不动点，且在预测中能避免出现过早发散；根据假设，f(x)的外推函数分为三种情况，在第一种情况下，外推继续遵循现有的曲率，但会衰减以避免变形；在第二种情况下，外推遵循沿轴线f(x)＝0的渐近线，第三种情况是沿f(x)＝αx的渐近线，其中系数a≠0；
第一种情况通过公式(3)拟合来满足，如公式(3)所示：
其中，x+是右端点的位置，左端点使用f(-x)和-x+进行外推；
在第二种情况下，外推遵循沿轴线f(x)＝0的渐近线，通过龚伯兹曲线进行拟合，公式(4)如下所示：
其中，k为待定参数，fxi″ex+＞1，0＜fxi′-fxi′x+＜1；
第三种情况适用于以下情况：f(x+)＜0和f′(x+)＜0，或f(x+)＞0和f′(x+)＞0表示左端点；f(x+)＞0和f′(x+)＜0，或f(x+)＜0和f′(x+)＞0表示右端点；在这种情况下，根据公式(5)进行简单衰减：
以上三种情况适用于以下规则，对于左端点，如果sgn(f)≠sgn(f′)且sgn(f)＝sgn(f″)，则用公式(5)；不满足时，如果sgn(f)＝sgn(f′)，则用公式(4)；对于右端点，如果sgn(f)＝sgn(f′)且sgn(f)≠sgn(f″)，则用公式(5)；不满足时，若sgn(f)＝sgn(f′)，则用公式(4)，否则，在其他情况下使用公式(3)，其中“sgn”为符号函数；
根据外推的偏差数据和模拟获得的数据的组合生成更新的偏差数据，利用更新的偏差数据进而更新改进数字孪生仿真模型，并利用改进的数字孪生模型进行控制阀的流致振动模拟分析，将更新的数值模拟信息传递至疲劳预测模型。
5.根据权利要求1所述的基于数字孪生的控制阀流致振动疲劳寿命预测方法，其特征在于：步骤(5)中所述，根据模拟计算获得的控制阀测点应力谱，采用雨流计数法统计控制阀测点位置应力循环的应力幅值σfi、平均应力σm和应力循环次数ni，根据控制阀零部件材料的S-N曲线获得各个应力幅值作用下的循环次数Ni，基于Miner-Palmgren线性累积损伤理论，计算在使用周期内的疲劳损伤总量其中，D为控制阀在使用周期内产生的疲劳损伤，ni为实际应力水平下的循环次数，Ni为材料的S-N曲线在相应应力幅值下的循环次数；进而计算获得控制阀流致振动疲劳寿命其中，L为控制阀的流致振动疲劳寿命；根据寿命结果对接近、已达到或超过规定使用寿命的部件进行维护或更换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310628341.2A CN116579217A (zh) | 2023-05-30 | 2023-05-30 | 一种基于数字孪生的控制阀流致振动疲劳寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310628341.2A CN116579217A (zh) | 2023-05-30 | 2023-05-30 | 一种基于数字孪生的控制阀流致振动疲劳寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116579217A true CN116579217A (zh) | 2023-08-11 |
Family
ID=87535708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310628341.2A Pending CN116579217A (zh) | 2023-05-30 | 2023-05-30 | 一种基于数字孪生的控制阀流致振动疲劳寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116579217A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272666A (zh) * | 2023-10-08 | 2023-12-22 | 上海勘测设计研究院有限公司 | 一种漂浮式海上风机的叶片疲劳寿命计算方法 |
| CN117634097A (zh) * | 2024-01-23 | 2024-03-01 | 电子科技大学 | 一种基于全域损伤理论的缺口结构概率疲劳寿命预测方法 |
| CN118133638A (zh) * | 2024-05-08 | 2024-06-04 | 中铁北京工程局集团有限公司 | 一种基于有限元仿真的移动模架施工监测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738753A (zh) * | 2019-09-23 | 2020-01-31 | 中国船舶重工集团公司第七一九研究所 | 一种船舶动力管道疲劳损伤预测系统及预测方法 |
| CN112084583A (zh) * | 2020-07-24 | 2020-12-15 | 西安交通大学 | 基于数字孪生的转子叶片寿命预测方法和预测系统 |
| CN112163325A (zh) * | 2020-09-10 | 2021-01-01 | 浙江工业大学 | 基于数字孪生的rv减速器使用寿命预测方法 |
| CN113868911A (zh) * | 2021-09-27 | 2021-12-31 | 大连理工大学 | 一种基于结构应力法的焊缝疲劳数字孪生框架 |
| CN114254457A (zh) * | 2021-12-17 | 2022-03-29 | 中国矿业大学(北京) | 一种基于数字孪生的矿山液压支架疲劳寿命预测方法 |
| CN114722995A (zh) * | 2021-01-05 | 2022-07-08 | 罗伯特·博世有限公司 | 训练神经随机微分方程的神经漂移网络和神经扩散网络的设备和方法 |
| US20220398360A1 (en) * | 2021-06-15 | 2022-12-15 | The Boeing Company | Remaining useful life predictions using digital-twin simulation model |
| CN115758930A (zh) * | 2022-11-09 | 2023-03-07 | 哈尔滨工程大学 | 一种桨-轴耦合系统双向流固耦合数值模拟方法 |
-
2023
- 2023-05-30 CN CN202310628341.2A patent/CN116579217A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738753A (zh) * | 2019-09-23 | 2020-01-31 | 中国船舶重工集团公司第七一九研究所 | 一种船舶动力管道疲劳损伤预测系统及预测方法 |
| CN112084583A (zh) * | 2020-07-24 | 2020-12-15 | 西安交通大学 | 基于数字孪生的转子叶片寿命预测方法和预测系统 |
| CN112163325A (zh) * | 2020-09-10 | 2021-01-01 | 浙江工业大学 | 基于数字孪生的rv减速器使用寿命预测方法 |
| CN114722995A (zh) * | 2021-01-05 | 2022-07-08 | 罗伯特·博世有限公司 | 训练神经随机微分方程的神经漂移网络和神经扩散网络的设备和方法 |
| US20220398360A1 (en) * | 2021-06-15 | 2022-12-15 | The Boeing Company | Remaining useful life predictions using digital-twin simulation model |
| CN113868911A (zh) * | 2021-09-27 | 2021-12-31 | 大连理工大学 | 一种基于结构应力法的焊缝疲劳数字孪生框架 |
| CN114254457A (zh) * | 2021-12-17 | 2022-03-29 | 中国矿业大学(北京) | 一种基于数字孪生的矿山液压支架疲劳寿命预测方法 |
| CN115758930A (zh) * | 2022-11-09 | 2023-03-07 | 哈尔滨工程大学 | 一种桨-轴耦合系统双向流固耦合数值模拟方法 |
Non-Patent Citations (1)
| Title |
|---|
| 程序菜鸟一只: "[数值分析拟合]Matlab三次样条插值拟合数据", pages 1 - 2, Retrieved from the Internet <URL:https://blog.csdn.net/sbsbsb666666/article/details/121611850> * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272666A (zh) * | 2023-10-08 | 2023-12-22 | 上海勘测设计研究院有限公司 | 一种漂浮式海上风机的叶片疲劳寿命计算方法 |
| CN117272666B (zh) * | 2023-10-08 | 2024-04-05 | 上海勘测设计研究院有限公司 | 一种漂浮式海上风机的叶片疲劳寿命计算方法 |
| CN117634097A (zh) * | 2024-01-23 | 2024-03-01 | 电子科技大学 | 一种基于全域损伤理论的缺口结构概率疲劳寿命预测方法 |
| CN118133638A (zh) * | 2024-05-08 | 2024-06-04 | 中铁北京工程局集团有限公司 | 一种基于有限元仿真的移动模架施工监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116579217A (zh) | 一种基于数字孪生的控制阀流致振动疲劳寿命预测方法 | |
| CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
| CN110069860B (zh) | 伸缩节可靠性疲劳寿命评估方法 | |
| US10521490B2 (en) | Equipment maintenance management system and equipment maintenance management method | |
| CA2877741C (en) | Methods and apparatus to use vibration data to determine a condition of a process control device | |
| EP3361450B1 (en) | Vehicle component failure prevention | |
| CN107153929A (zh) | 基于深度神经网络的风电机组齿轮箱故障监测方法及系统 | |
| US20120022805A1 (en) | Mechanical health monitor apparatus and method of operation therefor | |
| CN101477340B (zh) | 基于索力监测的索结构中索系统的递进式健康监测方法 | |
| US10436669B2 (en) | Interpolation engine for analysis of time-varying load data signals | |
| CN101504333B (zh) | 基于应变监测的索结构中索系统的递进式健康监测方法 | |
| KR100867938B1 (ko) | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 | |
| WO2018044507A1 (en) | Machine learning-aided model-based method for estimating gas turbine component life | |
| Zhang et al. | Degradation modeling and RUL prediction with Wiener process considering measurable and unobservable external impacts | |
| CN104620248A (zh) | 使用遗传编程估计剩余使用寿命 | |
| CN111307055A (zh) | 一种管道数字孪生体系的设计方法 | |
| JP3351925B2 (ja) | 設備管理システム | |
| CN115879245A (zh) | 一种中碳钢齿轮长寿命传动疲劳可靠性评价方法 | |
| 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 | |
| CN101482434B (zh) | 基于空间坐标监测的索结构中索系统的递进式健康监测方法 | |
| CN106446384B (zh) | 一种桥式起重机主梁结构的损伤识别方法 | |
| EP2956751B1 (en) | Method and monitoring device for monitoring a structure | |
| KR20230029132A (ko) | 딥러닝 신경망을 이용한 기계요소 해석 장치 | |
| CN110750756A (zh) | 通过最优支持向量机算法即时在线仪表校验和诊断方法 | |
| CN111784010B (zh) | 一种电动闸阀剩余使用寿命预测方法及系统 |
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 |