基于数字孪生的航空发动机主轴承剩余寿命预测方法技术

本发明专利技术提出了一种基于数字孪生的航空发动机主轴承剩余寿命预测方法，首先利用多个受限玻尔兹曼机和回归算法构建主轴承健康监测模型，之后利用从主轴承实测振动信号和数字孪生模型中分别提取出来的主轴承健康状态信息进行比对，利用比对结果对数字孪生模型进行调整和修正，最后利用更新后的数字孪生模型进行主轴承剩余寿命预测；本发明专利技术提出的基于数字孪生的航空发动机主轴承剩余寿命预测方法，通过将数字孪生技术引入到主轴承剩余寿命预测领域，使得本发明专利技术中应用到的主轴承数字孪生模型能够跟随航空发动机主轴承工况变化进行实时更新，从而能够获得更为精确的剩余寿命预测结果。

Residual life prediction method of Aeroengine Main Bearing Based on digital twin

The invention proposes a prediction method of the remaining life of the main bearing of the aeroengine based on the digital twin. Firstly, the main bearing health monitoring model is constructed by using multiple limited Boltzmann machines and regression algorithm, then the main bearing health state information extracted from the measured vibration signal of the main bearing and the digital twin model is compared, and the digital twin is compared by using the comparison result The model is adjusted and modified, and finally the updated digital twin model is used to predict the remaining life of the main bearing; the method of predicting the remaining life of the main bearing of the aeroengine based on the digital twin proposed in the invention is introduced into the field of predicting the remaining life of the main bearing, so that the digital twin model of the main bearing applied in the invention can follow the aviation development The real-time update of the working condition of the main bearing of the motor can obtain more accurate prediction results of the remaining life.

【技术实现步骤摘要】
基于数字孪生的航空发动机主轴承剩余寿命预测方法
本专利技术属于机械寿命预测领域，具体涉及基于数字孪生的航空发动机主轴承剩余寿命预测方法。
技术介绍
轴承作为当代机械设备中重要的零部件之一，起着支承、降低摩擦系数、保证回转精度等作用。航空发动机主轴承在工作过程中长期经受高温、高压、润滑条件差等极端恶劣工况的考验，其设计、制造、监测、诊断、预测水平的高低直接会对航空发动机的性能优劣造成影响。现有航空发动机主轴承剩余寿命预测技术并不成熟，所以为了保障航空发动机的运行安全，经常在主轴承尚未接近寿命上限时即进行更换，造成严重的浪费。而且航空发动机主轴承的价格昂贵，因此这种浪费也会给资金供应造成巨大压力。综上，有必要对较为可靠的航空发动机主轴承剩余寿命预测方法进行研究。航空发动机主轴承工作在多物理场耦合条件下，对其进行准确的剩余寿命预测是一项十分具有挑战性的任务。上海工程技术大学陈志雄等人提出了一种基于比例危险模型的航空发动机轴承剩余寿命预测方法，该方法利用主成分分析对轴承振动信号进行特征提取，通过构建三参数威布尔分布的比例危险模型来对航空发动机轴承剩余寿命进行预测(陈志雄，张洋，戎翔等.一种预测航空发动机滚动轴承剩余寿命的方法[P].中国专利：CN109827775A:2019-05-31.)。数字孪生是一种集成多物理、多尺度、多学科属性的技术手段，通过物理实体与虚拟模型的不断交互，从而获得能够实施表征物理实体的虚拟映射。数字孪生思想已经逐渐称为学者们研究的热点问题，中国电子科技集团公司第三十八研究所的田富君等人提出了一种基于数字孪生的装配精度仿真分析方法，通过装配现场的物理空间和信息空间的深度融合，使得复杂产品的装配质量和效率均能够得到提高(田富君，周红桥，陈兴玉等.一种基于数字孪生的装配精度仿真分析方法与系统[P].中国专利:CN109445305A:2019-03-08)。通过文献调研可以发现，现有针对航空发动机主轴承的剩余寿命预测方法思路较为单一，基本为基于数据和智能算法，提出一种寿命预测模型，之后利用仿真或实验数据去验证方法的正确性，这种剩余寿命预测方法只适用于单个且恒定的工况，与航空发动机主轴承的真实工作状态存在不符，因此不可避免的会产生预测结果的不准确性。飞机在飞行过程中，飞行姿态、速度、高度会不断发生变化，且会时常受到气流冲击的影响，航空发动机主轴承的运行工况也会随之不断发生改变。所以在进行航空发动机主轴承的寿命预测时，应对其运行工况的不断变化加以监测与考虑，本专利技术所述方法具有实时同步、忠实映射、高保真的特点，通过虚拟模型和物理实体的实时交互反馈，使虚拟模型能够成为物理实体的准确实时映射，将数字孪生思想引入航空发动机主轴承剩余寿命预测中来，能够为预测结果的准确性提供巨大保障。
技术实现思路
为解决上述问题，本专利技术提供基于数字孪生的航空发动机主轴承剩余寿命预测方法，解决了现有航空发动机主轴承剩余寿命预测方法中模型只适用于单一工况、对工况变化考虑不足，从而造成剩余寿命预测结果失准的问题。为达到上述目的，本专利技术采用的技术方案是：基于数字孪生的航空发动机主轴承剩余寿命预测方法，包括以下步骤：S1，利用多个受限玻尔兹曼机堆叠构建深层神经网络，通过数据样本对所述深层神经网络进行训练，使所述深层神经网络能够对隐藏在航空发动机主轴承振动信号中的深度损伤特征进行提取；S2，利用S1所得的深层神经网络对深度损伤特征进行提取，通过回归算法，构建航空发动机主轴承健康指标；所述的健康指标采用下述表达式进行表示：式中，HI为航空发动机主轴承的健康指标，t为进行健康指标评估时的航空发动机主轴承运行时间，T为航空发动机主轴承全寿命周期运行时间；S3，将S1中利用多个受限玻尔兹曼机构建的深层神经网络与S2中利用回归算法提取健康指标的过程进行结合，最终形成航空发动机主轴承健康监测模型；所述航空发动机主轴承健康监测模型，其输入为经降噪处理后的实测航空发动机主轴承振动信号，输出为航空发动机主轴承健康指标；S4，当航空发动机主轴承实际工作过程中，对航空发动机主轴承振动信号和工况/环境参数进行实时监测；S5，对S4所得航空发动机主轴承振动信号进行降噪处理；S6，将S5降噪处理后的航空发动机主轴承振动信号输入到S3构建的健康监测模型当中，获得健康指标a；S7，利用数字孪生模型进行仿真计算，得到仿真的航空发动机主轴承振动信号；S8，从S7所述数字孪生模型仿真得到的航空发动机主轴承振动信号中提取健康指标b；S9，将S6所得健康指标a和S8所得健康指标b进行对比；S10，利用S9中的对比结果，对航空发动机主轴承数字孪生子模型中的相关参数进行实时更新，得到新的更准确的数字孪生模型；S11，通过滤波方法，滤除数字孪生模型预测过程中可能出现的不准确性，实现航空发动机主轴承个体损伤追踪；S12，计算航空发动机主轴承剩余寿命预测结果的置信区间，即得到具有一定概率的剩余寿命预测结果。S1中所述的数据样本来自于真实实验数据，数据点包括振动响应、深度损伤特征和航空发动机主轴承寿命，所述深度损伤特征至少包括损伤面积和损伤深度。S4中所述的工况/环境参数包括航空发动机主轴承的工作转速、温度及载荷。S5中所述的降噪处理，可以采用但不限于采用基于小波变换的降噪方法，基于独立变量分析的降噪方法，基于经验模式分解的信号降噪方法，基于主分量分析的信号降噪方法。S7中所述数字孪生模型的建立方法如下：S71，对航空发动机主轴承的几何结构参数进行测量，对材料特性参数进行查询，对航空发动机主轴承的初始工况/环境参数进行感知，S72，依据S71中测量、查询和感知到的参数以及物理作用关系，建立航空发动机主轴承的数字孪生子模型；S73，对不同子模型之间的协调关系和接口配合进行考虑，利用软件建立含有多个子模型的多物理场集成仿真平台，将子模型融合为统一物理模型；S74，对航空发动机主轴承在实际运行过程中的实时振动信号和工况/环境参数进行监测；S75，将工况/环境参数实时输入到统一物理模型之中；S76，利用统一物理模型对航空发动机主轴承的实时振动信号进行仿真计算；S77，对S74所得的实测振动信号进行降噪处理；S78，将统一物理模型的仿真计算结果与经过降噪处理的实测结果进行对比，计算二者的偏差；S79，根据S78中计算出的偏差值，利用扩展卡尔曼滤波算法对统一物理模型的内部参数进行调整和修正，从而获得具有实时同步，高保真特性的航空发动机主轴承数字孪生模型。S71中所述航空发动机主轴承的几何结构参数可以从所述航空发动机主轴承的图纸文件中获取；所述材料特性至少包括航空发动机主轴承所用材料的牌号和力学性能；所述工况/环境参数包括航空发动机主轴承的工作转速、温度及载荷。S72中所述物理作用关系至少包括航空发动机主轴承滚动体/保持架/滚道间的接触力和力矩、热与力的耦合作用关系以及本文档来自技高网...

【技术保护点】
1.基于数字孪生的航空发动机主轴承剩余寿命预测方法，其特征在于，包括以下步骤：/nS1，利用多个受限玻尔兹曼机堆叠构建深层神经网络，通过数据样本对所述深层神经网络进行训练，使所述深层神经网络能够对隐藏在航空发动机主轴承振动信号中的深度损伤特征进行提取；/nS2，利用S1所得的深层神经网络对深度损伤特征进行提取，通过回归算法，构建航空发动机主轴承健康指标；所述的健康指标采用下述表达式进行表示：/n

【技术特征摘要】
1.基于数字孪生的航空发动机主轴承剩余寿命预测方法，其特征在于，包括以下步骤：
S1，利用多个受限玻尔兹曼机堆叠构建深层神经网络，通过数据样本对所述深层神经网络进行训练，使所述深层神经网络能够对隐藏在航空发动机主轴承振动信号中的深度损伤特征进行提取；
S2，利用S1所得的深层神经网络对深度损伤特征进行提取，通过回归算法，构建航空发动机主轴承健康指标；所述的健康指标采用下述表达式进行表示：



式中，HI为航空发动机主轴承的健康指标，t为进行健康指标评估时的航空发动机主轴承运行时间，T为航空发动机主轴承全寿命周期运行时间；
S3，将S1中利用多个受限玻尔兹曼机构建的深层神经网络与S2中利用回归算法提取健康指标的过程进行结合，最终形成航空发动机主轴承健康监测模型；
所述航空发动机主轴承健康监测模型，其输入为经降噪处理后的实测航空发动机主轴承振动信号，输出为航空发动机主轴承健康指标；
S4，当航空发动机主轴承实际工作过程中，对航空发动机主轴承振动信号和工况/环境参数进行实时监测；
S5，对S4所得航空发动机主轴承振动信号进行降噪处理；
S6，将S5降噪处理后的航空发动机主轴承振动信号输入到S3构建的健康监测模型当中，获得健康指标a；
S7，利用数字孪生模型进行仿真计算，得到仿真的航空发动机主轴承振动信号；
S8，从S7所述数字孪生模型仿真得到的航空发动机主轴承振动信号中提取健康指标b；
S9，将S6所得健康指标a和S8所得健康指标b进行对比；
S10，利用S9中的对比结果，对航空发动机主轴承数字孪生子模型中的相关参数进行实时更新，得到新的更准确的数字孪生模型；
S11，通过滤波方法，滤除数字孪生模型预测过程中可能出现的不准确性，实现航空发动机主轴承个体损伤追踪；
S12，计算航空发动机主轴承剩余寿命预测结果的置信区间，即得到具有一定概率的剩余寿命预测结果。


2.根据权利要求1所述的基于数字孪生的航空发动机主轴承剩余寿命预测方法，其特征在于，S1中所述的数据样本来自于真实实验数据，数据点包括振动响应、深度损伤特征和航空发动机主轴承寿命，所述深度损伤特征至少包括损伤面积和损伤深度。


3.根据权利要求1所述的基于数字孪生的航空发动机主轴承剩余寿命预测方法，其特征在于，S4中所述的工况/环境参数包括航空发动机主轴承的工作转速、温度及载荷。


4.根据权利要求1所述的基于数字孪生的航空发动机主轴承剩余寿命预测方法，其特征在于，S5中所述的降噪处理，可以采用但不限于采用基于小波变换的降噪方法，基于独立变量分析的降噪方法，基于经验模式分解的信号降噪方法，基于主分量分析的信号降噪方法。


5.根据权利要求1所述的基于数字孪生的航空发动机主轴承剩余寿命...

【专利技术属性】
技术研发人员：曹宏瑞，苏帅鸣，付洋，乔百杰，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61