CN117592977B - 面向装备全生命周期的智能数字孪生保障系统 - Google Patents
面向装备全生命周期的智能数字孪生保障系统 Download PDFInfo
- Publication number
- CN117592977B CN117592977B CN202410080454.8A CN202410080454A CN117592977B CN 117592977 B CN117592977 B CN 117592977B CN 202410080454 A CN202410080454 A CN 202410080454A CN 117592977 B CN117592977 B CN 117592977B
- Authority
- CN
- China
- Prior art keywords
- duration
- fault
- prediction
- time
- 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.)
- Active
Links
- 238000012423 maintenance Methods 0.000 claims abstract description 150
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000013480 data collection Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 62
- 239000013598 vector Substances 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 40
- 238000011156 evaluation Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 19
- 230000008439 repair process Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 15
- 230000001105 regulatory effect Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000004643 material aging Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 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
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了面向装备全生命周期的智能数字孪生保障系统,涉及装备维护技术领域,设置故障预计时长训练数据收集模块收集故障预计时长训练特征数据和故障预计时长标签数据,设置故障预计时长预测模型训练模块训练故障预计时长预测模型,设置实时数据收集展示模块获得各个部件的故障预计时长的预测值,将各个部件的故障预计时长的预测值使用数字孪生模型进行展示,设置维护周期时长设定模块为待保障装备设置维护周期时长,设置维护周期时长调控模块对维护周期时长进行调整;提高装备的故障发现的及时性并进一步提高装备的维护效率。
Description
技术领域
本发明涉及装备维护技术领域,具体是面向装备全生命周期的智能数字孪生保障系统。
背景技术
在装备的长时间使用过程中,各个部件可能会受到多种因素的影响而逐渐发生损坏。这些因素包括但不限于极端的工作条件、频繁的操作、材料老化、磨损和环境变化。严酷的工作环境,如高温、低温、高湿度或腐蚀性环境,可能加速部件的磨损和腐蚀,从而降低其性能和寿命。频繁的操作和高强度的工作负荷可能导致机械部件的疲劳损伤,逐渐积累的疲劳裂纹最终可能引发故障。材料老化是另一个常见问题,尤其是在高负荷、高温或高压条件下,部件的结构和性能可能会发生不可逆的变化。所有这些因素共同作用,使得在装备的长时间使用中,各个部件都面临着潜在的损坏风险。因此,有效的装备维护和损坏预测策略变得至关重要,以确保设备的可靠性、安全性和性能;
而当前对装备的维护往往是通过定期维护的方式,该方式不能及时地发现部件的损坏情况,也无法直观地展示对部件损坏预测的情况,同时,不考虑装备性能表现而进行固定周期的维护也会造成过度维护或维护不足的问题,从而导致维护效率低下;
公开号为CN115601007A的专利公开了一种复杂机电系统全生命周期诊断推理与维护决策方法,包括:知识和数据的获取与管理模块、知识图谱构建模块、诊断推理模块、维修决策和生产优化模块;知识和数据的获取与管理模块获取复杂机电系统全生命周期过程中的全流程知识和数据,构建结构化知识;知识图谱构建模块构建涵盖装备全生命周期的完备知识图谱;诊断推理模块进行故障模式分析、故障部件定位、故障原因推理和相关概率计算;维修决策和生产优化模块进行辅助维修决策、生产维保优化策略推理,但是该方法未能解决故障时间预测的问题,也未能解决维护周期调控的问题;
为此,本发明提出面向装备全生命周期的智能数字孪生保障系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出面向装备全生命周期的智能数字孪生保障系统,提高装备的故障发现的及时性并进一步提高装备的维护效率。
为实现上述目的,提出面向装备全生命周期的智能数字孪生保障系统,包括故障预计时长训练数据收集模块、故障预计时长预测模型训练模块、实时数据收集展示模块、维护周期时长设定模块以及维护周期时长调控模块;其中,各个模块之间通过电性方式连接;
故障预计时长训练数据收集模块,用于预先收集测试装备的各个部件在运行过程中,产生的故障预计时长训练特征数据和故障预计时长标签数据;
所述收集测试装备的各个部件在运行过程中,产生的故障预计时长训练特征数据和故障预计时长标签数据的方式为:
选择N个测试装备;N为预先选择的测试装备的数量;
对于每个测试装备,为各个部件安装其所属部件类型对应的功能特征传感器;
每个测试装备在运行时,启动所有功能特征传感器,以收集各个部件的各个功能特征的实时值;
对于每个测试装备:
统计测试装备在运行过程中,各个部件每次维修的时间节点;
将部件的编号标记为i,将对第i个部件的维修按时间顺序进行排序,对每次维修进行编号,并将维修的编号标记为ij;其中,i为正整数,ij为正整数;将第i个部件的第ij次维修的时间节点标记为Tij;
预设数据采集周期Tz;
对于第i个部件的第ij次维修:
将时间Tij至时间T(ij+1)之间的时间段按数据采集周期Tz进行均分,获得个子时间段,将子时间段的编号按时间顺序标记为ijk;
收集每个子时间段的故障预计时长特征向量和故障预计时长标签;
对于每个部件类型,所有测试装备运行过程中,该部件类型对应的部件所产生的故障预计时长特征向量和故障预计时长标签分别组成故障预计时长训练特征数据和故障预计时长标签数据;
所述收集每个子时间段的故障预计时长特征向量和故障预计时长标签的方式为:
收集每个子时间段内,第i个部件对应的各个功能特征传感器的物理量的平均值,各个物理量的平均值组成该子时间段对应的故障预计时长特征向量;
预设不稳定表现时长T1;将T(ij+1)-T1对应的时间节点作为分割节点,将分割节点的时间标记为Tf;
将第ijk个子时间段的中点的时间标记为Tijk;
若时间Tijk大于分割节点的时间Tf,则将第ijk个子时间段的故障预计时长标签设置为T(ij+1)-Tijk,若时间Tijk小于或等于分割节点的时间Tf,则将第ijk个子时间段的故障预计时长标签设置为Tmax;其中,Tmax为预设的最大故障时长;
所述故障预计时长训练数据收集模块将故障预计时长训练特征数据和故障预计时长标签数据发送至故障预计时长预测模型训练模块;
故障预计时长预测模型训练模块,用于对于每个部件类型,以故障预计时长训练特征数据为输入,以故障预计时长标签数据为输出训练出预测距离下次维修的时长的故障预计时长预测模型;
其中,所述训练出预测距离下次维修的时长的故障预计时长预测模型的方式为:
对于每个部件类型:
将故障预计时长训练特征数据中,每组故障预计时长特征向量作为故障预计时长预测模型的输入,所述故障预计时长预测模型以对每组故障预计时长特征向量对应的故障预计时长的预测值作为输出,以故障预计时长标签数据中的故障预计时长标签作为预测目标,以故障预计时长的预测值和故障预计时长标签之间的差值作为预测误差,以最小化预测误差之和作为训练目标;对故障预计时长预测模型进行训练,直至预测误差之和达到收敛时停止训练;
所述故障预计时长预测模型训练模块将训练完成的故障预计时长预测模型发送至实时数据收集展示模块;
实时数据收集展示模块,用于收集待保障装备各个部件实时的实际故障预计时长特征向量以及装备性能评估数据,将实际故障预计时长特征向量输入至对应部件类型的故障预计时长预测模型,获得各个部件的故障预计时长的预测值,并将各个部件的故障预计时长的预测值使用数字孪生模型进行展示;
所述实际故障预计时长特征向量的收集方式为:
为待保障装备的各个部件安装其所属部件类型对应的功能特征传感器,功能特征传感器实时收集对应的物理量;
每隔数据采集周期Tz的时间段作为实际时间段,计算实际时间段内各个物理量的平均值,并将各个物理量的平均值组成一组实际故障预计时长特征向量;
所述装备性能评估数据的收集方式为:
收集待保障装备的服役时长、维修次数、历史故障率以及平均维修间距,并将服役时长、维修次数、历史故障率以及平均维修间距组成装备性能评估数据;
所述实时数据收集展示模块将实际故障预计时长特征向量发送至维护周期时长调控模块,并将各个部件的故障预计时长的预测值发送至维护周期时长设定模块;
维护周期时长设定模块,用于基于装备性能评估数据,为待保障装备设置维护周期时长;
所述为待保障装备设置维护周期时长的方式为:
将服役时长标记为C,将维修次数标记为R,将历史故障率标记为G,将平均维修间距标记为P;
预设基准维护周期时长W0;将维护周期时长标记为W,则维护周期时长,其中,a1、a2、a3以及a4分别为预设的比例系数;
所述维护周期时长设定模块将维护周期时长发送至维护周期时长调控模块;
维护周期时长调控模块,用于基于各个部件的故障预计时长的预测值和维护周期时长,对维护周期时长进行调整;
所述对维护周期时长进行调整的方式为:
若所有部件的故障预计时长的预测值均为Tmax,则维护周期时长不进行调整;
若存在任意一个部件的故障预计时长的预测值不等于Tmax,则:
从所有故障预计时长的预测值中筛选出最小的故障预计时长的预测值,并将该筛选出的故障预计时长的预测值标记为T2;
将当前时刻的维护周期时长标记为W0,计算当前时刻距离上次维护的时长Ws;则将当前时刻的维护周期时长W0更新为Ws+T2,并在当前时刻之后的T2时间对所有故障预计时长的预测值不等于Tmax的部件进行维修;
在对所有故障预计时长的预测值不等于Tmax的部件进行维修之后,更新装备性能评估数据,根据更新后的装备性能评估数据重新计算维护周期时长,将重新计算的维护周期时长作为后续的维护周期时长。
提出面向装备全生命周期的智能数字孪生保障方法,包括以下步骤:
预先收集测试装备的各个部件在运行过程中,产生的故障预计时长训练特征数据和故障预计时长标签数据;
对于每个部件类型,以故障预计时长训练特征数据为输入,以故障预计时长标签数据为输出训练出预测距离下次维修的时长的故障预计时长预测模型;
收集待保障装备各个部件实时的实际故障预计时长特征向量以及装备性能评估数据,将实际故障预计时长特征向量输入至对应部件类型的故障预计时长预测模型,获得各个部件的故障预计时长的预测值,并将各个部件的故障预计时长的预测值使用数字孪生模型进行展示;
基于装备性能评估数据,为待保障装备设置维护周期时长;
基于各个部件的故障预计时长的预测值和维护周期时长,对维护周期时长进行调整。
一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的面向装备全生命周期的智能数字孪生保障方法。
一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述的面向装备全生命周期的智能数字孪生保障方法。
与现有技术相比,本发明的有益效果是:
本发明通过预先收集测试装备的各个部件在运行过程中,产生的故障预计时长训练特征数据和故障预计时长标签数据,对于每个部件类型,以故障预计时长训练特征数据为输入,以故障预计时长标签数据为输出训练出预测距离下次维修的时长的故障预计时长预测模型,收集待保障装备各个部件实时的实际故障预计时长特征向量以及装备性能评估数据,将实际故障预计时长特征向量输入至对应部件类型的故障预计时长预测模型,获得各个部件的故障预计时长的预测值,并将各个部件的故障预计时长的预测值使用数字孪生模型进行展示,基于装备性能评估数据,为待保障装备设置维护周期时长,基于各个部件的故障预计时长的预测值和维护周期时长,对维护周期时长进行调整;根据装备的历史性能表现情况,动态化地设置维护周期时长,再对各个部件距离下一次维修的时长进行预测,实现装备故障的及时发现,再进一步的,仅在对装备的部件维修后,重新更新维护周期时长,避免了维护周期时长的频繁更新,增加维护人员的困扰,从而提高装备的故障发现的及时性并进一步提高装备的维护效率。
附图说明
图1为本发明的实施例1中面向装备全生命周期的智能数字孪生保障系统的模块连接关系图;
图2为本发明的实施例2中面向装备全生命周期的智能数字孪生保障方法的流程图;
图3为本发明的实施例3中的电子设备结构示意图;
图4为本发明的实施例4中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明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它实施例,都属于本发明保护的范围。
实施例1:
如图1所示,面向装备全生命周期的智能数字孪生保障系统,包括故障预计时长训练数据收集模块、故障预计时长预测模型训练模块、实时数据收集展示模块、维护周期时长设定模块以及维护周期时长调控模块;其中,各个模块之间通过电性方式连接;
其中,所述故障预计时长训练数据收集模块主要用于预先收集测试装备的各个部件在运行过程中,产生的故障预计时长训练特征数据和故障预计时长标签数据;
需要说明的是,所述测试装备为预先选择的用于收集模型训练用的训练数据的装备;具体的,通过持续运行测试装备,并在测试装备发生故障时进行维修,从而在对测试装备的各个部件进行维修前,实时获取测试装备的运行状态相关的物理参数数据,从而获得模型训练用的故障预计时长训练特征数据和故障预计时长标签数据;
具体的,所述收集测试装备的各个部件在运行过程中,产生的故障预计时长训练特征数据和故障预计时长标签数据的方式为:
选择N个测试装备;N为预先选择的测试装备的数量;
对于每个测试装备,为各个部件安装其所属部件类型对应的功能特征传感器;所述功能特征传感器包括若干物理传感器,每个物理传感器所采集的物理量为体现装备中各个部件在运行时功能稳定性的物理特征,具体的,在各个部件上安装的功能特征传感器类型根据部件的实际作用和实际功能表现进行选择,可选地,所述功能特征传感器包括但不限于温度传感器、振动值传感器、电流传感器、电压传感器等;
每个测试装备在运行时,启动所有功能特征传感器,以收集各个部件的各个功能特征的实时值;
对于每个测试装备:
统计测试装备在运行过程中,各个部件每次维修的时间节点;
将部件的编号标记为i,将对第i个部件的维修按时间顺序进行排序,对每次维修进行编号,并将维修的编号标记为ij;其中,i为正整数,ij为正整数;将第i个部件的第ij次维修的时间节点标记为Tij;可以理解的是,时间节点Tij至时间节点T(ij+1)之间的时长为第i个部件在第ij次维修之后装备运行的时长;
预设数据采集周期Tz;
对于第i个部件的第ij次维修:
将时间Tij至时间T(ij+1)之间的时间段按数据采集周期Tz进行均分,获得个子时间段,将子时间段的编号按时间顺序标记为ijk;
收集每个子时间段的故障预计时长特征向量和故障预计时长标签;
对于每个部件类型,所有测试装备运行过程中,该部件类型对应的部件所产生的故障预计时长特征向量和故障预计时长标签分别组成故障预计时长训练特征数据和故障预计时长标签数据;
在一个优选的实施例中,所述收集每个子时间段的故障预计时长特征向量和故障预计时长标签的方式为:
收集每个子时间段内,第i个部件对应的各个功能特征传感器的物理量的平均值,各个物理量的平均值组成该子时间段对应的故障预计时长特征向量;
预设不稳定表现时长T1;将T(ij+1)-T1对应的时间节点作为分割节点,将分割节点的时间标记为Tf;可以理解的,在分割节点之前的时长,可以认为是部件的功能特征尚不能表现出需要维修的特征,在分割节点之后的时长,可以从部件的功能特征值中观察出部件需要进行维修的特征,例如,部件温度在升高,振动幅度在扩大等;
将第ijk个子时间段的中点的时间标记为Tijk;
若时间Tijk大于分割节点的时间Tf,则将第ijk个子时间段的故障预计时长标签设置为T(ij+1)-Tijk,若时间Tijk小于或等于分割节点的时间Tf,则将第ijk个子时间段的故障预计时长标签设置为Tmax;其中,Tmax为预设的最大故障时长;
所述故障预计时长训练数据收集模块将故障预计时长训练特征数据和故障预计时长标签数据发送至故障预计时长预测模型训练模块;
其中,所述故障预计时长预测模型训练模块主要用于对于每个部件类型,以故障预计时长训练特征数据为输入,以故障预计时长标签数据为输出训练出预测距离下次维修的时长的故障预计时长预测模型;
其中,所述以故障预计时长训练特征数据为输入,以故障预计时长标签数据为输出训练出预测距离下次维修的时长的故障预计时长预测模型的方式为:
对于每个部件类型:
将故障预计时长训练特征数据中,每组故障预计时长特征向量作为故障预计时长预测模型的输入,所述故障预计时长预测模型以对每组故障预计时长特征向量对应的故障预计时长的预测值作为输出,以故障预计时长标签数据中的故障预计时长标签作为预测目标,以故障预计时长的预测值和故障预计时长标签之间的差值作为预测误差,以最小化预测误差之和作为训练目标;对故障预计时长预测模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据部件的各个功能特征传感器采集到的物理量,输出预测的距离下一次维修的时长的故障预计时长预测模型;所述故障预计时长预测模型是多项式回归模型或SVR模型中的任意一个;所述预测误差之和可以是均方误差;
所述故障预计时长预测模型训练模块将训练完成的故障预计时长预测模型发送至实时数据收集展示模块;
其中,所述实时数据收集展示模块主要用于收集待保障装备各个部件实时的实际故障预计时长特征向量以及装备性能评估数据,将实际故障预计时长特征向量输入至对应部件类型的故障预计时长预测模型,获得各个部件的故障预计时长的预测值,并将各个部件的故障预计时长的预测值使用数字孪生模型进行展示;
其中,所述实际故障预计时长特征向量的收集方式为:
为待保障装备的各个部件安装其所属部件类型对应的功能特征传感器,功能特征传感器实时收集对应的物理量;
每隔数据采集周期Tz的时间段作为实际时间段,计算实际时间段内各个物理量的平均值,并将各个物理量的平均值组成一组实际故障预计时长特征向量;
进一步的,所述装备性能评估数据的收集方式为:
收集待保障装备的服役时长、维修次数、历史故障率以及平均维修间距,并将服役时长、维修次数、历史故障率以及平均维修间距组成装备性能评估数据;
其中,所述历史故障率为每单位时间发生故障的次数,所述单位时间根据具体的需求确定;
所述平均维修间距为待保障装备每两次维修之间的时长的平均值;
进一步的,所述将各个部件的故障预计时长的预测值使用数字孪生模型进行展示的方式为:
为待保障装备构建三维数字模型,构建三维数字孪生模型的方式可以是使用合适的建模工具(例如CAD软件)构建实际装备的三维物理模型,确保模型包括各个部件的几何形状、材料属性、连接关系等详细信息;
将物理模型映射到数学方程,描述各个部件之间的物理关系,例如考虑部件的运动、应力、温度等参数,并将其与已知的实际数据相对应;
将数学模型转化为数字孪生模型,可以通过将物理模型与计算机模拟相结合,以实现数字孪生的动态性和实时性;
数字孪生模型实时接收各部件的故障预计时长的预测值,以便在运行时进行实时的状态更新;
所述实时数据收集展示模块将实际故障预计时长特征向量发送至维护周期时长调控模块,并将各个部件的故障预计时长的预测值发送至维护周期时长设定模块;
其中,所述维护周期时长设定模块主要用于基于装备性能评估数据,为待保障装备设置维护周期时长;
在一个优选的实施例中,所述基于装备性能评估数据为待保障装备设置维护周期时长的方式为:
将服役时长标记为C,将维修次数标记为R,将历史故障率标记为G,将平均维修间距标记为P;
预设基准维护周期时长W0;将维护周期时长标记为W,则维护周期时长,其中,a1、a2、a3以及a4分别为预设的比例系数;显然,当服役时长越长或维修次数越多或历史故障率越高或平均维修间距越小时,维护周期时长/>越小,即越需要更频繁的进行定期维护;
所述维护周期时长设定模块将维护周期时长发送至维护周期时长调控模块;
其中,所述维护周期时长调控模块主要用于基于各个部件的故障预计时长的预测值和维护周期时长,对维护周期时长进行调整;
所述对维护周期时长进行调整的方式为:
若所有部件的故障预计时长的预测值均为Tmax,则维护周期时长不进行调整;
若存在任意一个部件的故障预计时长的预测值不等于Tmax,则:
从所有故障预计时长的预测值中筛选出最小的故障预计时长的预测值,并将该筛选出的故障预计时长的预测值标记为T2;
将当前时刻的维护周期时长标记为W0,计算当前时刻距离上次维护的时长Ws;则将当前时刻的维护周期时长W0更新为Ws+T2,并在当前时刻之后的T2时间对所有故障预计时长的预测值不等于Tmax的部件进行维修;
在对所有故障预计时长的预测值不等于Tmax的部件进行维修之后,更新装备性能评估数据,根据更新后的装备性能评估数据重新计算维护周期时长,将重新计算的维护周期时长作为后续的维护周期时长。
实施例2:
如图2所示,面向装备全生命周期的智能数字孪生保障方法,包括以下步骤:
预先收集测试装备的各个部件在运行过程中,产生的故障预计时长训练特征数据和故障预计时长标签数据;
对于每个部件类型,以故障预计时长训练特征数据为输入,以故障预计时长标签数据为输出训练出预测距离下次维修的时长的故障预计时长预测模型;
收集待保障装备各个部件实时的实际故障预计时长特征向量以及装备性能评估数据,将实际故障预计时长特征向量输入至对应部件类型的故障预计时长预测模型,获得各个部件的故障预计时长的预测值,并将各个部件的故障预计时长的预测值使用数字孪生模型进行展示;
基于装备性能评估数据,为待保障装备设置维护周期时长;
基于各个部件的故障预计时长的预测值和维护周期时长,对维护周期时长进行调整。
实施例3:
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示,根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,可以执行如上所述的面向装备全生命周期的智能数字孪生保障方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示,电子设备100可包括总线101、一个或多个CPU102、ROM103、RAM104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备,例如ROM103或硬盘107可存储本申请提供的面向装备全生命周期的智能数字孪生保障方法。面向装备全生命周期的智能数字孪生保障方法可例如包括以下步骤:预先收集测试装备的各个部件在运行过程中,产生的故障预计时长训练特征数据和故障预计时长标签数据;对于每个部件类型,以故障预计时长训练特征数据为输入,以故障预计时长标签数据为输出训练出预测距离下次维修的时长的故障预计时长预测模型;收集待保障装备各个部件实时的实际故障预计时长特征向量以及装备性能评估数据,将实际故障预计时长特征向量输入至对应部件类型的故障预计时长预测模型,获得各个部件的故障预计时长的预测值,并将各个部件的故障预计时长的预测值使用数字孪生模型进行展示;基于装备性能评估数据,为待保障装备设置维护周期时长;基于各个部件的故障预计时长的预测值和维护周期时长,对维护周期时长进行调整。
进一步地,电子设备100还可包括用户界面108。当然,图3所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图3示出的电子设备中的一个或多个组件。
实施例4:
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示,是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的面向装备全生命周期的智能数字孪生保障方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外,根据本申请的实施方式,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质存储有机器可读指令,所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令,在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本申请的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本申请实施为记录在记录介质中的程序,这些程序包括用于实现根据本申请的方法的机器可读指令。因而,本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外,本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
如上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是,以上所述仅为本发明的具体实施方式,并不用于限制本发明。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (6)
1.面向装备全生命周期的智能数字孪生保障系统,其特征在于,包括故障预计时长训练数据收集模块、故障预计时长预测模型训练模块、实时数据收集展示模块、维护周期时长设定模块以及维护周期时长调控模块;其中,各个模块之间通过电性方式连接;
故障预计时长训练数据收集模块,用于预先收集测试装备的各个部件在运行过程中,产生的故障预计时长训练特征数据和故障预计时长标签数据,并将故障预计时长训练特征数据和故障预计时长标签数据发送至故障预计时长预测模型训练模块;
故障预计时长预测模型训练模块,用于对于每个部件类型,以故障预计时长训练特征数据为输入,以故障预计时长标签数据为输出训练出预测距离下次维修的时长的故障预计时长预测模型,并将训练完成的故障预计时长预测模型发送至实时数据收集展示模块;
实时数据收集展示模块,用于收集待保障装备各个部件实时的实际故障预计时长特征向量以及装备性能评估数据,将实际故障预计时长特征向量输入至对应部件类型的故障预计时长预测模型,获得各个部件的故障预计时长的预测值,并将各个部件的故障预计时长的预测值使用数字孪生模型进行展示,并将实际故障预计时长特征向量发送至维护周期时长调控模块,并将各个部件的故障预计时长的预测值发送至维护周期时长设定模块;
维护周期时长设定模块,用于基于装备性能评估数据,为待保障装备设置维护周期时长,并将维护周期时长发送至维护周期时长调控模块;
维护周期时长调控模块,用于基于各个部件的故障预计时长的预测值和维护周期时长,对维护周期时长进行调整;
所述收集测试装备的各个部件在运行过程中,产生的故障预计时长训练特征数据和故障预计时长标签数据的方式为:
选择N个测试装备;N为预先选择的测试装备的数量;
对于每个测试装备,为各个部件安装其所属部件类型对应的功能特征传感器;
每个测试装备在运行时,启动所有功能特征传感器,以收集各个部件的各个功能特征的实时值;
对于每个测试装备:
统计测试装备在运行过程中,各个部件每次维修的时间节点;
将部件的编号标记为i,将对第i个部件的维修按时间顺序进行排序,对每次维修进行编号,并将维修的编号标记为ij;其中,i为正整数,ij为正整数;将第i个部件的第ij次维修的时间节点标记为Tij;
预设数据采集周期Tz;
对于第i个部件的第ij次维修:
将时间Tij至时间T(ij+1)之间的时间段按数据采集周期Tz进行均分,获得个子时间段,将子时间段的编号按时间顺序标记为ijk;
收集每个子时间段的故障预计时长特征向量和故障预计时长标签;
对于每个部件类型,所有测试装备运行过程中,该部件类型对应的部件所产生的故障预计时长特征向量和故障预计时长标签分别组成故障预计时长训练特征数据和故障预计时长标签数据;
所述收集每个子时间段的故障预计时长特征向量和故障预计时长标签的方式为:
收集每个子时间段内,第i个部件对应的各个功能特征传感器的物理量的平均值,各个物理量的平均值组成该子时间段对应的故障预计时长特征向量;
预设不稳定表现时长T1;将T(ij+1)-T1对应的时间节点作为分割节点,将分割节点的时间标记为Tf;
将第ijk个子时间段的中点的时间标记为Tijk;
若时间Tijk大于分割节点的时间Tf,则将第ijk个子时间段的故障预计时长标签设置为T(ij+1)-Tijk,若时间Tijk小于或等于分割节点的时间Tf,则将第ijk个子时间段的故障预计时长标签设置为Tmax;其中,Tmax为预设的最大故障时长;
所述为待保障装备设置维护周期时长的方式为:
将服役时长标记为C,将维修次数标记为R,将历史故障率标记为G,将平均维修间距标记为P;
预设基准维护周期时长W0;将维护周期时长标记为W,则维护周期时长,其中,a1、a2、a3以及a4分别为预设的比例系数;
所述对维护周期时长进行调整的方式为:
若所有部件的故障预计时长的预测值均为Tmax,则维护周期时长不进行调整;
若存在任意一个部件的故障预计时长的预测值不等于Tmax,则:
从所有故障预计时长的预测值中筛选出最小的故障预计时长的预测值,并将该筛选出的故障预计时长的预测值标记为T2;
将当前时刻的维护周期时长标记为W0,计算当前时刻距离上次维护的时长Ws;则将当前时刻的维护周期时长更新为Ws+T2,并在当前时刻之后的T2时间对所有故障预计时长的预测值不等于Tmax的部件进行维修;
在对所有故障预计时长的预测值不等于Tmax的部件进行维修之后,更新装备性能评估数据,根据更新后的装备性能评估数据重新计算维护周期时长,将重新计算的维护周期时长作为后续的维护周期时长。
2.根据权利要求1所述的面向装备全生命周期的智能数字孪生保障系统,其特征在于,所述训练出预测距离下次维修的时长的故障预计时长预测模型的方式为:
对于每个部件类型:
将故障预计时长训练特征数据中,每组故障预计时长特征向量作为故障预计时长预测模型的输入,所述故障预计时长预测模型以对每组故障预计时长特征向量对应的故障预计时长的预测值作为输出,以故障预计时长标签数据中的故障预计时长标签作为预测目标,以故障预计时长的预测值和故障预计时长标签之间的差值作为预测误差,以最小化预测误差之和作为训练目标;对故障预计时长预测模型进行训练,直至预测误差之和达到收敛时停止训练。
3.根据权利要求2所述的面向装备全生命周期的智能数字孪生保障系统,其特征在于,所述装备性能评估数据的收集方式为:
收集待保障装备的服役时长、维修次数、历史故障率以及平均维修间距,并将服役时长、维修次数、历史故障率以及平均维修间距组成装备性能评估数据。
4.面向装备全生命周期的智能数字孪生保障方法,其基于权利要求1-3中任意一项所述的面向装备全生命周期的智能数字孪生保障系统实现,其特征在于,包括以下步骤:
预先收集测试装备的各个部件在运行过程中,产生的故障预计时长训练特征数据和故障预计时长标签数据;
对于每个部件类型,以故障预计时长训练特征数据为输入,以故障预计时长标签数据为输出训练出预测距离下次维修的时长的故障预计时长预测模型;
收集待保障装备各个部件实时的实际故障预计时长特征向量以及装备性能评估数据,将实际故障预计时长特征向量输入至对应部件类型的故障预计时长预测模型,获得各个部件的故障预计时长的预测值,并将各个部件的故障预计时长的预测值使用数字孪生模型进行展示;
基于装备性能评估数据,为待保障装备设置维护周期时长;
基于各个部件的故障预计时长的预测值和维护周期时长,对维护周期时长进行调整。
5.一种电子设备,其特征在于,包括:处理器和存储器,其中:
所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,在后台中执行权利要求4所述的面向装备全生命周期的智能数字孪生保障方法。
6.一种计算机可读存储介质,其特征在于,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备在后台中执行权利要求4所述的面向装备全生命周期的智能数字孪生保障方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410080454.8A CN117592977B (zh) | 2024-01-19 | 2024-01-19 | 面向装备全生命周期的智能数字孪生保障系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410080454.8A CN117592977B (zh) | 2024-01-19 | 2024-01-19 | 面向装备全生命周期的智能数字孪生保障系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117592977A CN117592977A (zh) | 2024-02-23 |
CN117592977B true CN117592977B (zh) | 2024-04-09 |
Family
ID=89922416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410080454.8A Active CN117592977B (zh) | 2024-01-19 | 2024-01-19 | 面向装备全生命周期的智能数字孪生保障系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592977B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401583A (zh) * | 2020-03-18 | 2020-07-10 | 北京天泽智云科技有限公司 | 基于预测性维护的自动扶梯全生命周期健康管理系统 |
CN112347692A (zh) * | 2020-09-21 | 2021-02-09 | 深圳前海有电物联科技有限公司 | 不间断电源的电池预测性维护的实现方法、装置和电子装置 |
CN113609608A (zh) * | 2021-07-22 | 2021-11-05 | 上海工程技术大学 | 基于数字孪生的列车牵引电机轴承全生命周期管理方法 |
CN115186904A (zh) * | 2022-07-13 | 2022-10-14 | 清华大学 | 基于Transformer的工业设备故障预测方法及装置 |
CN115438726A (zh) * | 2022-08-24 | 2022-12-06 | 南京熊猫电子股份有限公司 | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10520937B2 (en) * | 2017-02-10 | 2019-12-31 | General Electric Company | Sensing and computing control system for shaping precise temporal physical states |
-
2024
- 2024-01-19 CN CN202410080454.8A patent/CN117592977B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401583A (zh) * | 2020-03-18 | 2020-07-10 | 北京天泽智云科技有限公司 | 基于预测性维护的自动扶梯全生命周期健康管理系统 |
CN112347692A (zh) * | 2020-09-21 | 2021-02-09 | 深圳前海有电物联科技有限公司 | 不间断电源的电池预测性维护的实现方法、装置和电子装置 |
CN113609608A (zh) * | 2021-07-22 | 2021-11-05 | 上海工程技术大学 | 基于数字孪生的列车牵引电机轴承全生命周期管理方法 |
CN115186904A (zh) * | 2022-07-13 | 2022-10-14 | 清华大学 | 基于Transformer的工业设备故障预测方法及装置 |
CN115438726A (zh) * | 2022-08-24 | 2022-12-06 | 南京熊猫电子股份有限公司 | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
Data-Driven Condition Assessment and Life Cycle Analysis Methods for Dynamically and Fatigue-Loaded Railway Infrastructure Components;Maximilian Granzner et al;Infrastructures;20231113;第8卷;1-19 * |
环形穿梭车数字孪生系统可视化场景的搭建与实现;王栎淇 等;制造业自动化;20230531;第45卷(第5期);183-186、196 * |
陆军合成旅典型装备保障系统数字孪生模型;王帅 等;现代防御技术;20230228;第51卷(第1期);96-106 * |
Also Published As
Publication number | Publication date |
---|---|
CN117592977A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI607328B (zh) | Operational auxiliary device and wind power generation system | |
CN110806743A (zh) | 基于人工智能的设备故障检测与预警系统及方法 | |
CN112528365B (zh) | 一种地下基础设施结构健康演化趋势预测方法 | |
CN113868911B (zh) | 一种基于结构应力法的焊缝疲劳数字孪生框架生成方法 | |
CN113759868B (zh) | 一种基于神经网络的工业以太网故障预测方法 | |
JP6427357B2 (ja) | 診断支援システム及び診断支援方法 | |
CN111814964A (zh) | 基于空气质量状况预报的空气污染处理方法及存储介质 | |
US20240012407A1 (en) | Condition-Based Method for Malfunction Prediction | |
CN117422447A (zh) | 变压器维护策略生成方法、系统、电子设备及存储介质 | |
CN114429249B (zh) | 钢管束生产设备的寿命预测方法、系统、设备及存储介质 | |
CN117592977B (zh) | 面向装备全生命周期的智能数字孪生保障系统 | |
KR102130272B1 (ko) | 경험모델 기반 예측 알고리즘의 최적화 방법 | |
KR102185017B1 (ko) | 가스공급시설 정보관리 및 예지보전 통합 시스템 | |
CN111105050B (zh) | 风机维护计划的生成方法、装置、设备及存储介质 | |
CN112286088A (zh) | 一种动力设备故障预测模型在线应用的方法及应用系统 | |
CN117272591A (zh) | 用于储能仿真实验的测试方法及系统 | |
CN116221037A (zh) | 一种风电机组监测方法和装置 | |
JP2004334457A (ja) | 点検計画作成装置及び点検計画作成方法 | |
KR20220048621A (ko) | Crnn 알고리즘을 적용한 발전플랜트 및 선박의 고장 예측 시스템 및 방법 | |
JP6932467B2 (ja) | 状態変動検出装置、状態変動検出システム及び状態変動検出用プログラム | |
KR102667861B1 (ko) | 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법 | |
Castro et al. | A predictive maintenance strategy based on mean residual life for systems subject to competing failures due to degradation and shocks | |
CN113240358B (zh) | 一种超大跨斜拉桥梁型施工徐变数据自动记录方法 | |
CN112257233B (zh) | 弹性电网恢复力评估方法、装置、计算机设备和介质 | |
CN112200464B (zh) | 计及空间相关性的光伏电站出力数据的修正方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |