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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。