CN117313183A - 一种数字孪生系统的建立方法 - Google Patents
一种数字孪生系统的建立方法 Download PDFInfo
- Publication number
- CN117313183A CN117313183A CN202311594539.XA CN202311594539A CN117313183A CN 117313183 A CN117313183 A CN 117313183A CN 202311594539 A CN202311594539 A CN 202311594539A CN 117313183 A CN117313183 A CN 117313183A
- Authority
- CN
- China
- Prior art keywords
- icing
- digital twin
- data
- precision
- twin system
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012360 testing method Methods 0.000 claims abstract description 86
- 238000004088 simulation Methods 0.000 claims abstract description 50
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims abstract description 8
- 230000036541 health Effects 0.000 claims abstract description 7
- 238000012800 visualization Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000005507 spraying Methods 0.000 claims description 15
- 239000007788 liquid Substances 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 239000007921 spray Substances 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 230000005514 two-phase flow Effects 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000012530 fluid Substances 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000011981 development test Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 45
- 238000009826 distribution Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000002902 bimodal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000087 stabilizing effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000004781 supercooling Methods 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fluid Mechanics (AREA)
- Computational Mathematics (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数字孪生系统的建立方法，包括：对各子系统三维建模，结合各部件的物理特性，开展三维高精度数值模拟；利用历史试验数据对数值模拟进行验证，提升数值模拟精度；对模拟结果与试验数据进行数据融合，获得全三维的、高精度的流场数据；对各子系统开展快速预测模型建模工作；搭建数字孪生系统；对数据进行融合订正，改进数字孪生模型，并及时存储；配备大屏幕显示，支持远程登录和查看；配有防火墙，提供用户登录界面、编程窗口和数据备份功能。本发明可实现结冰风洞和气候室的可视化，能加快结冰风洞的参数调试，对结冰结果进行快速预测；能对系统部件进行健康监测以及寿命预测；还能对极端运行工况进行试验结果预测。
Description
技术领域
本发明涉及数字孪生技术领域，具体涉及一种数字孪生系统的建立方法。
背景技术
飞机结冰是指飞机机体表面某些部位聚集冰层的现象，它主要由云中过冷水滴或降雨中的过冷雨碰到飞机机体后凝固形成的，也可由水汽直接在机体表面凝华而成。不同类型的冰、不同结冰程度以及不同部位的结冰，均是决定结冰影响程度的重要因素，会给飞行安全带来不同程度的危害。飞行结冰会破坏飞机的气动外形，导致升力下降，阻力增加，临界攻角减小，飞机的操纵性和稳定性下降，严重影响航空器飞行安全。
结冰风洞为一类大型防除冰地面模拟试验设施，是用于研究飞机表面和仪表上结冰及防（除）冰方法的特种风洞，多为低速风洞或亚音速风洞。与普通常规风洞相比，结冰风洞增加了一套模拟结冰环境的系统以及风洞部件的防冰装置。风洞的稳定段前装有大容量的冷却器，稳定段中装有喷雾装置，它可以模拟风速、低温、高度、湿度及结冰云雾，构造高空飞行结冰环境条件，进行飞机防除冰部件组件的结冰和防除冰试验，除冰效能分析、机头传感器防冰功能分析、结冰探测系统传感器的布点分析、飞机翼型及缩比模型的结冰特性分析，以及结冰机理、结冰动力学等基础研究试验。
和结冰风洞类似，结冰气候室也是一类大型地面结冰模拟试验设施，采用大尺寸低温室，配合喷雾及动力系统，模拟低温、结冰云雾及一定风速，构造动态结冰环境条件，进行飞机防除冰系统、组件、部件，以及各种模型的试验。结冰气候室可用于热特性及除冰功率控制等方面的研究，大尺寸部件及系统可直接载入进行试验，与结冰风洞结果相互印证，互为补充。
数字孪生是集多物理场、多尺度、概率模拟于一体，由数字主线支撑，使用最先进的模型、传感器信号和各种输入数据来反映和预测其相应的物理孪生在其生命周期内的活动/性能的系统，如图4所示。数字孪生是现实世界里面存在的（或者预研的）产品、系统或流程的数字表征，在真实产品的模拟、集成、测试、监控和维护等方面起着不可或缺的作用。数字孪生最早引入于产品生命周期管理中，并存在于其所代表的物理实体的整个生命周期（创建、构建、操作/支持和销毁）。产品的数字孪生可以实时使用并定期与相应的物理系统进行同步。数字孪生可以而且经常存在于物理实体出现之前。在物理实体的设计阶段，使用数字孪生技术可以对预期实体的整个生命周期进行建模和模拟。目前数字孪生技术已经广泛用于健康医疗、环境保护、航空航天、油气电力、汽车制造、船舶航运、智慧农业和城市交通规划等多个行业中。
结冰风洞试验昂贵，试验件加工、喷雾系统和测量仪器的调试周期时间比较长，而且每次结冰试验条件不一样时，两次试验之间需要留出足够的时间让风洞内部的气温、气压、风速等重新达到平衡，因此结冰风洞试验难以大批量开展；此外结冰风洞整体的CFD计算需要综合考虑气动、传热、多相流等计算，涉及到的参数众多，计算难度较大而且十分耗时，也无法常规化应用。因此通常的结冰计算只是以试验段作为研究对象开展，而这无法反映风洞总体的运行状况。结冰气候室尺寸大，与建筑本身结合紧密，在设计及试验中需解决大尺寸空间内的速度场、温度场和云雾场均匀性控制，气动及云雾等多参数综合控制等技术难题。因此有必要开展结冰风洞和气候室数字的数字孪生系统的研发。
发明内容
本发明的目的在于提供一种数字孪生系统的建立方法，以解决现有技术中结冰风洞和结冰气候室试验件尺寸、试验条件选择（如喷雾水滴参数）确定缺乏依据的问题，提升试验效率及结果准确率，节约试验成本。
为了达到上述目的，本发明的技术方案如下：
一种数字孪生系统的建立方法，包括如下步骤：
S1、对各个子系统进行三维建模，并分别进行网格生成，最终拼装成整体；结合风洞系统和/或气候室系统各个部件必要的物理特性，开展高质量三维数值模拟；
S2、利用文件服务器中存储的历史试验数据对数值模拟进行验证，提升数值模拟精度；
S3、对高精度的离散、单点的试验数据和全三维低精度的数值模拟结果进行数据融合，从而获得全三维的、高精度的流场数据；
S4、基于全三维、高精度的流场数据开展各个子系统快速预测模型建模工作；
S5、利用各子系统快速预测模型搭建数字孪生系统，开展部件剩余寿命预测、气液两相流快速计算和结冰快速计算，从而为新一次开展的试验提供试验前的喷雾参数设置、结冰结果预测和试验过程中的实时健康监测服务，同时数字孪生系统可以通过试验数据输入，实现实时的系统可视化；
S6、试验结束以后，根据系统各种传感器测量得到的新一次的试验测量数据，对新获得的试验数据与预测数据进行融合订正，进一步改进数字孪生模型，同时将新一次测量得到的数据存储在文件服务器中；
S7、数字孪生系统存储于文件服务器中，并在结冰风洞和/或结冰气候室操作间中配备大屏幕显示，同时可以支持远程登录和查看；文件服务器设有防火墙，提供用户登录界面、编程窗口和数据备份功能。
进一步，所述各个子系统为结冰风洞和/或结冰气候室的子系统，所述三维建模具体为先获取结冰风洞和/或结冰气候室的全三维几何文件，然后将每一个子系统单独进行网格生成，在固体壁面以及可能会产生流动分离和流动损失的部位进行局部网格加密，最后利用交界面在数值模拟软件中进行拼接；其中轴流风机的动叶和静叶叶片排单独生成网格，之间采用滑移交界面或混合交界面进行连接。
进一步，所述高质量三维数值模拟具体为采用合适的湍流模型，设置合理的边界条件以及初始解，在喷雾系统关闭、换热器系统开启的情况下，获得准确的气动流场。
进一步，所述数据融合具体为应用高斯过程回归（GPR）将大量低精度仿真模拟数据与少数传感器所得高精度数据整合，重建高精度复杂流场。
进一步，所述子系统建模方法包括但不限制于函数关系、代理模型、降阶建模以及神经网络算法。
进一步，所述神经网络算法包括但不限于BP神经网络(Back Propagation，BP)模型，人工神经网络 (Artificial Neural Networks，ANN)模型，循环神经网络(RecurrentNeural Networks， RNN)模型。
进一步，所述神经网络包括输入层、隐藏层和输出层，其中输入层主要为结冰条件（如风速、温度、液态水含量和水滴粒径分布），隐藏层包含结冰模态的参数，输出层则为相应模态的系数，将模态和各自对应的系数结合，即可获得最终冰型。
进一步，所述降阶模型的建立需要从离线的大量模拟数据出发，进行主要动力学特征提取，其中流体力学特征提取手段主要包含本征正交分解（POD）、动力学模态分解（DMD）、经验小波变换（EWT）。
进一步，基于所述经验小波变换分解方法进行降阶模型方法的步骤具体包括；
1）、基于过去大量的试验数据和数值模拟结果，提取不同条件下的结冰冰型；
2）、将结冰冰型进行EWT模态分解，能够获得结冰冰型不同的模态；这些模态与结冰条件直接相关，例如毛冰冰型对应的模态为比较平直的直线型；而明冰冰型则对应着双峰曲线。
3）、将大量的结冰算例数据输入神经网络进行训练，将结冰条件作为输入层，输出层为各个模态的系数。
进一步，所述预测融合订正具体为利用GPR方法构建数字孪生系统的历史预报数据和同期观测变量（结冰冰型、结冰速率、防除冰加热功率）的最优映射，从而改进数字孪生系统中的降阶模型，促进数字孪生系统的修正，提高下一次数字孪生系统输出预测结果的准确性。
综上所述，与现有技术相比，本方案的有益效果：
1、本发明可以加快结冰风洞的参数调试；建立的数字孪生系统通过对整套系统参数的快速换算，可以迅速计算出符合要求的参数组合，经过风洞操作人员确认以后，可以实现试验过程中的风洞运行的自动控制（如各个动作机构，风机转速、制冷换热系统功率以及管路阀门的开度）。
2、本发明能够对结冰结果进行快速预测；本发明的数字孪生系统建立在过去大量精准试验数据和高精度数值模拟的基础上，通过建立模型，能够迅速给出不同结冰条件下的结冰冰型，具有时间短、成本低的优势。
3、本发明的系统可视化；数字孪生系统能够实时以图像或者视频的方式给出系统内部发生的具体物理过程（如流场信息和结冰过程），这些物理过程是用现有的传感器无法测量或者是少量传感器无法进行二维或三维表征的；并且数字孪生系统在展示当前发生的物理过程的同时，还能够实时给出预测结果，实现“下一时刻”的系统可视化。
4、本发明能够对系统部件进行健康监测以及寿命预测。通过对系统中各个部件（如风机叶片，喷雾电磁阀）建立数字孪生模型，对部件服役过程进行监测，通过检测振动、压力和电流信号对部件的损伤进行实时检测，实现了部件的故障预警。同时通过寿命预测算法可以给出部件的剩余寿命，在出现故障之前及时更换，避免系统因维护不及时出现安全隐患。
5、本发明还能对极端运行工况的试验结果进行预测。任何一台设备在建成之后都有一定的安全运行范围，同样的，结冰风洞和/或气候室也只能在一定范围的风速、温度和压力条件下运行。在某些工况下只允许短时间的操作，长时间操作可能会造成安全事故或者对系统本身造成损伤。或者一些要求的测试工况在风洞能够提供的参数范围之外，因此无法开展试验；而数字孪生系统则不受系统安全和性能的限制，数字孪生系统可以对危险条件下的长时间运行结果提供预测，同时也可以利用外插的算法，对超过正常运行范围的试验提供比较可靠的参考结果。
附图说明
图1是本发明结冰风洞和气候室数字孪生系统建立方法的构架图；
图2是本发明实施例中结冰风洞平面图；
图3是本发明实施例中单独提取的喷雾系统和试验段图；
图4是本发明实施例中结冰数值模拟过程图；
图5是本发明实施例中基于高斯回归的多精度数据融合算法图；
图6是本发明实施例中典型神经网络图；
图7是本发明实施例中EWT经验小波变换算法图；
图8是本发明实施例中子系统模型预测融合订正图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
实施例：
一种数字生系统的建立方法（如图1所示），包括如下步骤：
对结冰风洞和/或结冰气候室的各个系统进行三维建模，获取结冰风洞和/或结冰气候室的全三维几何文件，然后将每一个子系统单独进行网格生成，在固体壁面以及可能会产生流动分离和流动损失的部位进行局部网格加密，最后利用交界面在数值模拟软件中进行拼接；其中轴流风机的动叶和静叶叶片排单独生成网格，之间采用滑移交界面或混合交界面进行连接。
结合风洞系统和/或气候室系统各个部件的物理特性（材质、内部流动介质等），开展高质量三维数值模拟，具体为采用合适的湍流模型，设置合理的边界条件以及初始解，在喷雾系统关闭、换热器系统开启的情况下，获得准确的气动流场。
利用文件服务器中存储的历史试验数据对数值模拟进行验证，提升数值模拟精度；
应用高斯回归过程对高精度的离散、单点的试验数据和大量全三维低精度的数值模拟结果进行数据融合，从而获得全三维的、高精度的流场数据。
基于全三维、高精度的流场数据开展各子系统快速预测模型建模工作，各子系统的建模方法包括但不限制于函数关系、代理模型、降阶建模以及神经网络算法；其中神经网络算法包括但不限于BP神经网络(Back Propagation，BP)模型，人工神经网络(Artificial Neural Networks，ANN)模型，循环神经网络(Recurrent Neural Networks，RNN)模型。
神经网络包括输入层、隐藏层和输出层，其中输入层主要为结冰条件（如风速、温度、液态水含量和水滴粒径分布），隐藏层包含结冰模态的参数，输出层则为相应模态的系数，将模态和各自对应的系数结合，获得最终冰型。
降阶模型的建立需要从离线的大量模拟数据出发，进行主要动力学特征提取，其中流体力学特征提取手段主要包含本征正交分解（POD）、动力学模态分解（DMD）、经验小波变换（EWT）。
基于经验小波变换分解方法进行降阶建模的步骤具体包括；
基于过去大量的试验数据和数值模拟结果，提取不同条件下的结冰冰型；
将结冰冰型进行EWT小波变换，能够获得结冰冰型不同的模态；这些模态与结冰条件直接相关，例如毛冰冰型对应的模态为比较平直的直线型；而明冰冰型则对应着双峰曲线。
将大量的结冰算例数据输入神经网络进行训练，将结冰条件作为输入层，输出层为各个模态的系数。
利用各子系统快速预测模型搭建结冰风洞和/或气候室数字孪生系统，开展部件剩余寿命预测、气液两相流快速计算和结冰快速计算等，从而为新一次开展的试验提供试验前的喷雾参数设置、结冰结果预测和试验过程中的实时健康监测等服务，同时数字孪生系统可以通过实时的试验数据输入，实现实时的系统可视化；
试验结束以后，根据系统各种传感器测量得到的新一次的试验测量数据，对新获得的试验数据与预测数据进行融合订正，进一步改进数字孪生模型，并及时将新获取的数据和更新以后的模型存储在文件服务器中；
数字孪生系统存储与文件服务器中，并在结冰风洞和/或结冰气候室操作间中配备大屏幕显示，同时可以支持远程登录和查看；文件服务器设有防火墙，提供用户登录界面、编程窗口和数据备份功能。
具体实施过程；
以闭式循环、卧式回流结构结冰风洞为例，见图2。其中，风洞主体包括试验段、第一扩散段、第一拐角段、第二扩散段、第二拐角段、动力段、第三扩散段、第三拐角段、换热段、第四拐角段、第一稳定段、第一收缩段。在第一拐角段和第三拐角段还设置有防护网；动力系统提供试验段的风速，采用大功率轴流风扇实现高压增、大流量，通过变频控制保证风速指标的控制精度及稳定性满足要求；制冷系统通过制冷压缩机来实现冰风洞内的低温环境，喷雾系统实现云雾参数的模拟和控制，高度模拟系统实现压力控制，测控系统实现冰风洞内参数的采集、测量及控制。风洞的制冷系统采用间接制冷，通过控制载冷剂的流量和温度，有效实现温度的精确控制；喷雾系统通过调节水气压力及温度，保证云雾参数的精确控制，并能够模拟一定范围的过冷大水滴；高度模拟系统采用一大一小的真空泵配置。
针对当前结冰风洞流场快速仿真、试验流程优化、设备检测和维护等需求，基于结冰风洞的真实参数构建数字孪生系统，集空气动力学、叶轮机械、传热传质、多相流动和相变等多物理场和多尺度数值模拟于一体，采用先进建模方法提高计算效率，实现试验台参数快速调试；利用各种传感器信号和输入数据，通过多源多精度数据融合手段提升计算精度，从而获得在线的结冰风洞流场、仪器设备工作状态的实时监测和预测系统。有效解决目前结冰风洞试验件尺寸、试验条件选择（如喷雾水滴参数等）确定缺乏依据的问题，提升试验效率及结果准确率，节约试验成本。
对于数字孪生系统的建立与运行具体描述如下（如图1所示）：
S1、对结冰风洞的各个子系统进行三维建模，并分别进行网格生成，最终拼装成整体；结合风洞系统各个部件必要的物理特性，开展高质量三维数值模拟；
S2、利用文件服务器中存储的历史试验数据对数值模拟进行验证，提升数值模拟精度；
S3、对高精度的离散、单点的试验数据和全三维低精度的数值模拟结果进行数据融合，从而获得全三维的、高精度的流场数据；
S4、基于全三维、高精度的流场数据开展子系统建模工作，建模方法包括但不限制于函数关系、代理模型、降阶建模以及神经网络算法；
S5、利用降阶模型搭建结冰风洞数字孪生系统，开展部件剩余寿命预测、气液两相流快速计算和结冰快速计算等，从而为新一次开展的试验提供试验前的喷雾参数设置、结冰结果预测和试验过程中的实时健康监测等服务，同时数字孪生系统可以通过实时的试验数据输入，实现实时的系统可视化；
S6、试验结束以后，根据系统各种传感器测量得到的新一次的试验测量数据，对新获得的试验数据与预测数据进行融合订正，进一步改进数字孪生模型，同时将新一次测量得到的数据存储在文件服务器中；
S7、数字孪生系统存储与文件服务器中，并在结冰风洞和/或结冰气候室操作间中配备大屏幕显示，同时可以支持远程登录和查看；文件服务器设有防火墙，提供用户登录界面、编程窗口和数据备份功能。
对于风洞内部流道、流道中的过滤网和拐角段进行气体动力学模拟，关注流道内部流动总压损失随空气流量的变化规律；对于轴流风扇开展气体动力学模拟，关注风扇的“质量流量—动压头”性能曲线；对于换热器开展流动和换热的耦合模拟，关注换热器的“空气质量流量—动压头损失—进出口温度差”性能曲线；对于喷雾阀开展气液两相流数值模拟，关注喷雾阀的“气压—水压—喷雾粒径—喷雾质量”的运行工况；对于试验段的结冰过程开展气液固三相数值模拟，重点关注试验件表面的结冰冰型、生长速度以及结冰以后的气动性能等。
具体计算过程如下：
（1）获取结冰风洞的全三维几何文件，将每一个分系统单独进行网格生成，在固体壁面以及可能会产生流动分离和流动损失的部位进行局部网格加密，然后利用交界面在数值模拟软件中进行拼接。其中轴流风机的动叶和静叶叶片排单独生成网格，之间采用滑移交界面或混合交界面进行连接。
（2）开展结冰风洞内部空气流动高质量数值模拟，采用合适的湍流模型，设置合理的边界条件以及初始解，在喷雾系统关闭、换热器系统开启的情况下，获得准确的气动流场；由于涉及到传热和相变的计算，因此风洞里面各个部件的材质、物理特性（如密度、比热容等）都需要准确给定。默认空气湿度处于饱和状态；给定轴流风机的转速和内部初始的气压和温度，计算通过轴流风机的质量流量。
（2）在获得结冰风洞整体空气流场之后，将喷雾系统和试验段单独提取出来进行计算（如图3所示），考虑到结冰风洞中开展的试验通常结冰厚度比较低，因此可以认为喷雾和试验件的结冰不会对流场产生明显的堵塞和流动损失；对喷雾系统开展气液两相流计算，采用volume of fluid (VOF) to discrete phase model (DPM)算法，从而可以计算出喷雾阀出口在不同的水压和供气压力下，液体喷雾的质量流量（也就是空气中的液态水含量，liquid Water content, LWC）和液滴粒径分布，并且利用液滴与冷空气的换热，计算得到液滴进入试验段之前的过冷温度；基于喷雾段计算出来的LWC和液滴粒径分布，在试验段开展基于Messinger模型的结冰计算，一般分为四个部分，如图4所示：
①空气流场计算。求解Navier-Stokes方程或者Euler方程来计算结冰风洞试验段内部的流场，重点关注试验件附近空气速度、压力及温度等参数的分布。
②水滴运动及撞击特性计算。在空气流场结果的基础上，利用拉格朗日法计算求解水滴在试验段内部的运动方程，得到水滴的运动轨迹。根据水滴与试验件表面的碰撞情况，获得试验件表面的局部水滴收集系数。
③根据结冰热力学模型计算得出试验件表面结冰厚度的分布。在空气流场及试验件表面的水滴收集系数结果的基础上，根据质量、能量守恒定理求解得到试验件表面温度、结冰量以及溢流水分布。
④在当前几何形状基础上利用网格变形体现结冰造成表面厚度增加，完成冰形的计算和新几何形状的网格重构。在下一个循环的计算中使用新几何的网格。
采用时间步进法，重复以上计算步骤直到指定的结冰时间为止。
由于结冰风洞中涉及大量物理现象的耦合，对其进行数值模拟的数学模型常常高度简化，因此数值计算结果虽然时空连续，但精度有限。冰风洞中有大量传感器对物理量进行直接测量，通常认为其精度高于数值模拟结果，但受传感器数量等限制，所得数据时空不连续。数据融合技术可以将低精度完整数据与模型和高精度不完整数据融合在一起，有效利用不同数据源的优点。传统方法利用显式公式将低精度数据与高精度模型联系起来，随着以神经网络为代表的新型智能方法的发展，高斯过程回归（GPR）、径向基函数神经网络、卷积神经网络等新的模型开始被应用于数据融合研究。能够将大量低精度仿真模拟数据与少数传感器所得高精度数据整合，成功重建高精度复杂流场。其中基于高斯过程回归（GPR）的数据融合算法如图5所示。
向神经网络算法输入训练数据，获得相应的预测结果。此处的神经网络算法可以包括但不限于：BP神经网络(Back Propagation，BP)模型，人工神经网络 (ArtificialNeural Networks，ANN)模型，循环神经网络(Recurrent Neural Networks， RNN)模型。典型的神经网络如图6所示，包括输入层、隐藏层和输出层，其中输入层主要为结冰条件（如风速、温度、液态水含量和水滴粒径分布等），隐藏层包含结冰模态的参数，输出层则为相应模态的系数，将模态和各自对应的系数结合，即可获得最终冰型。
由于数值模拟耗时长，难以形成在线的数字孪生系统，因此建立降阶模型来支撑风洞快速调试，提升风洞运行效率就显得尤为必要。从离线的大量模拟数据出发，进行主要动力学特征提取，进而可以建立降阶模型，实现快速预测。当前广泛采用的流体力学特征提取手段主要包含本征正交分解（POD）、动力学模态分解（DMD）、经验小波变换（EWT）等（如图7所示）。这里以EWT分解方法为例阐述降阶建模方法：
（1）基于过去大量的试验数据和数值模拟结果，提取不同条件下的结冰冰型；
（2）将结冰冰型进行EWT分解，能够获得结冰冰型不同的模态；这些模态与结冰条件直接相关，例如毛冰冰型对应的模态为比较平直的直线型；而明冰冰型则对应着双峰曲线。
（3）将大量的结冰算例数据输入神经网络进行训练，将结冰条件作为输入层，输出层为各个模态的系数。
预测融合订正具体为利用GPR方法构建数字孪生系统的历史预报数据和同期观测变量（结冰冰型、结冰速率、防除冰加热功率等）的最优映射，从而改进数字孪生系统中的降阶模型，促进数字孪生系统的修正，提高下一次数字孪生系统输出预测结果的准确性（如图8所示）。
以上具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (10)
1.一种数字孪生系统的建立方法，其特征在于，包括如下步骤：
S1、对各个子系统进行三维建模，并分别进行网格生成，最终拼装成整体；结合各个部件的物理特性，开展高质量三维数值模拟；
S2、利用文件服务器中存储的历史试验数据对数值模拟进行验证，提升数值模拟精度；
S3、对高精度的离散、单点的试验数据和全三维低精度的数值模拟结果进行数据融合，从而获得全三维的、高精度的流场数据；
S4、基于全三维、高精度的流场数据开展各个子系统快速预测模型建模工作；
S5、利用各子系统快速预测模型搭建数字孪生系统，开展部件剩余寿命预测、气液两相流快速计算和结冰快速预测，从而为新一次开展的试验提供试验前的试验过程中的实时健康监测、喷雾参数设置和结冰冰型预测服务，同时数字孪生系统可以通过试验数据输入，实现实时的系统可视化；
S6、试验结束以后，根据系统各种传感器测量得到的新一次的试验测量数据，对新获得的试验数据与预测数据进行融合订正，进一步改进数字孪生模型，同时将新一次测量得到的数据存储在文件服务器中；
S7、数字孪生系统存储于文件服务器中，并在结冰风洞和/或结冰气候室操作间中配备大屏幕显示，同时可以支持远程登录和查看；文件服务器设有防火墙，提供用户登录界面、编程窗口和数据备份功能。
2.如权利要求1所述的一种数字孪生系统的建立方法，其特征在于，所述各个子系统为结冰风洞和/或结冰气候室的子系统，所述三维建模具体为先获取结冰风洞和/或结冰气候室的全三维几何文件，然后将每一个子系统单独进行网格生成，在固体壁面以及可能会产生流动分离和流动损失的部位进行局部网格加密，最后利用交界面在数值模拟软件中进行拼接；其中轴流风机的动叶和静叶叶片排单独生成网格，之间采用滑移交界面或混合交界面进行连接。
3.如权利要求1所述的一种数字孪生系统的建立方法，其特征在于，所述高质量三维数值模拟具体为采用合适的湍流模型，设置合理的边界条件以及初始解，在喷雾系统关闭、换热器系统开启的情况下，获得准确的气动流场。
4.如权利要求1所述的一种数字孪生系统的建立方法，其特征在于，所述数据融合具体为应用高斯过程回归将大量低精度仿真模拟数据与少数传感器所得高精度数据整合，重建高精度复杂流场。
5.如权利要求1所述的一种数字孪生系统的建立方法，其特征在于，所述子系统建模方法包括但不限制于函数关系、代理模型、降阶建模以及神经网络算法。
6.如权利要求5所述的一种数字孪生系统的建立方法，其特征在于，所述神经网络算法包括但不限于BP神经网络模型，人工神经网络模型，循环神经网络模型。
7.如权利要求5所述的一种数字孪生系统的建立方法，其特征在于，所述神经网络包括输入层、隐藏层和输出层，其中输入层主要为结冰条件，隐藏层包含结冰模态的参数，输出层则为相应模态的系数，将模态和各自对应的系数结合，获得最终冰型。
8.如权利要求7所述的一种数字孪生系统的建立方法，其特征在于，所述降阶模型的建立需要从离线的大量模拟数据出发，进行主要动力学特征提取，其中流体力学特征提取手段主要包含本征正交分解、动力学模态分解、经验小波变换。
9.如权利要求8所述的一种数字孪生系统的建立方法，其特征在于，基于所述经验小波变换进行降阶建模的步骤具体包括；
1）、基于过去大量的试验数据和数值模拟结果，提取不同条件下的结冰冰型；
2）、将结冰冰型进行EWT经验小波变换，能够获得结冰冰型不同的模态；这些模态与结冰条件直接相关，例如毛冰冰型对应的模态为比较平直的直线型；而明冰冰型则对应着双峰曲线；
3）、将大量的结冰算例数据输入神经网络进行训练，将结冰条件作为输入层，输出层为各个模态的系数。
10.如权利要求1所述的一种数字孪生系统的建立方法，其特征在于，所述预测融合订正具体为利用GPR方法构建数字孪生系统的历史预报数据和同期观测变量的最优映射，从而改进数字孪生系统中的降阶模型，促进数字孪生系统的修正，提高下一次数字孪生系统输出预测结果的准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311594539.XA CN117313183B (zh) | 2023-11-28 | 2023-11-28 | 一种数字孪生系统的建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311594539.XA CN117313183B (zh) | 2023-11-28 | 2023-11-28 | 一种数字孪生系统的建立方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117313183A true CN117313183A (zh) | 2023-12-29 |
| CN117313183B CN117313183B (zh) | 2024-02-02 |
Family
ID=89288681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311594539.XA Active CN117313183B (zh) | 2023-11-28 | 2023-11-28 | 一种数字孪生系统的建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117313183B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104122846A (zh) * | 2013-04-24 | 2014-10-29 | 武汉航空仪表有限责任公司 | 一种冰风洞或结冰气候室结冰试验的温度稳定方法 |
| CN109733639A (zh) * | 2018-12-11 | 2019-05-10 | 武汉航空仪表有限责任公司 | 一种结冰气候室流场稳定结构 |
| CN112507452A (zh) * | 2020-11-30 | 2021-03-16 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
| CN113624439A (zh) * | 2021-07-01 | 2021-11-09 | 中汽研（天津）汽车工程研究院有限公司 | 一种基于数字孪生技术的汽车环境风洞模拟方法 |
| CN115983029A (zh) * | 2023-01-14 | 2023-04-18 | 北京航空航天大学 | 一种航空装备可靠性仿真数字孪生模型构建方法、设备、介质 |
-
2023
- 2023-11-28 CN CN202311594539.XA patent/CN117313183B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104122846A (zh) * | 2013-04-24 | 2014-10-29 | 武汉航空仪表有限责任公司 | 一种冰风洞或结冰气候室结冰试验的温度稳定方法 |
| CN109733639A (zh) * | 2018-12-11 | 2019-05-10 | 武汉航空仪表有限责任公司 | 一种结冰气候室流场稳定结构 |
| CN112507452A (zh) * | 2020-11-30 | 2021-03-16 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
| CN113624439A (zh) * | 2021-07-01 | 2021-11-09 | 中汽研（天津）汽车工程研究院有限公司 | 一种基于数字孪生技术的汽车环境风洞模拟方法 |
| CN115983029A (zh) * | 2023-01-14 | 2023-04-18 | 北京航空航天大学 | 一种航空装备可靠性仿真数字孪生模型构建方法、设备、介质 |
Non-Patent Citations (6)
| Title |
|---|
| BOWEN LI 等: "Numerical Investigation of the Aerofoil Aerodynamics with Surface Heating for Anti-Icing", 《AEROSPAE》 * |
| 张强;陈迎春;周涛;白峰;: "民用飞机机翼结冰试验与数值预测", 航空动力学报, no. 01 * |
| 王高远 等: "机翼结冰生命周期的数字孪生软件系统", 《民用飞机设计与研究》 * |
| 邢玉明;刘海丽;徐柳青;: "飞机发动机结冰研究进展", 空军工程大学学报(自然科学版), no. 06 * |
| 郑莉;彭又新;卜雪琴;冯康;: "飞机防冰系统设计中气象条件模拟及参数测量方法", 科技导报, no. 25 * |
| 黄东平;吴兴杰;董磊;赵志刚;: "一种面向多源业务数据的飞机质量数据挖掘与分析方法", 信息与电脑(理论版), no. 03 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117313183B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gori et al. | PoliMIce: A simulation framework for three-dimensional ice accretion | |
| Jin et al. | Study of ice accretion and icing effects on aerodynamic characteristics of DU96 wind turbine blade profile | |
| CN110851960B (zh) | 一种计及天然气网络影响的配电网运行可靠性评估方法 | |
| CN105389427A (zh) | 基于自适应粒子滤波的航空发动机气路部件故障检测方法 | |
| CN111723450A (zh) | 核电厂安全分析方法及系统 | |
| CN116738872B (zh) | 基于数字孪生的航空发动机综合热管理可视化仿真系统 | |
| CN102967479A (zh) | 一种水升华器性能测试系统 | |
| Shi et al. | Research and development of a small-scale icing wind tunnel test system for blade airfoil icing characteristics | |
| Węgrzyński et al. | Wind and fire coupled modelling—Part II: Good practice guidelines | |
| CN111914459A (zh) | 基于计算流体力学仿真模型的电缆结冰微物理仿真方法 | |
| Kollar et al. | Inverse design of wind turbine blade sections for operation under icing conditions | |
| Zhao et al. | Reliability analysis of wind turbine blades based on non-Gaussian wind load impact competition failure model | |
| CN114254572B (zh) | 考虑污染物沉积的航发压气机流场性能预测方法及系统 | |
| US20150121888A1 (en) | Gas turbine online wash control | |
| Liu et al. | Performance analysis of wave rotor based on response surface optimization method | |
| CN115659760A (zh) | 一种基于Fluent的热熔胶胶枪分析和结构优化方法 | |
| CN117313183B (zh) | 一种数字孪生系统的建立方法 | |
| CN105785791B (zh) | 一种超声速状态下机载推进系统的建模方法 | |
| Liu et al. | A digital twin modeling method for turbofan engine real-time test data analysis and performance monitoring | |
| US20230273095A1 (en) | Successive Gas Path Fault Diagnosis Method with High Precision for Gas Turbine Engines | |
| CN116167300A (zh) | 一种翼型冰型特性快速评估数值模拟方法 | |
| Yang et al. | Numerical modeling of particle deposition in turbine cascade | |
| Lee et al. | Analysis of Thermal Ice Protection System (TIPS) with Piccolo Tube Using State-of-the-Art Software | |
| Pedersen | Modelling Icing on Structures for Wind Power Applications | |
| Zhang et al. | Fault tree analysis of an airborne refrigeration system based on a hyperellipsoidal model |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |