【技术实现步骤摘要】
一种数字孪生驱动的复杂装备故障预测方法
本专利技术属于电子工程和计算机科学领域，具体涉及一种数字孪生驱动的复杂装备故障预测方法。
技术介绍
在制造领域中有各类复杂装备，由于复杂装备具有结构多，单装备价格高，工艺复杂等特点，对于复杂装备的故障预测一直是各国专家研究的重点。很多故障预测技术被研究，包括线性相关度法等，但是这些方法存在明显不足，无法预测多个故障同时发生的情况，在单个故障发生的情况也存在预测结果区分度不足的问题，因此需要使用准确度更高的方法——训练神经网络预测模型。然而，训练一个神经网络需要大量的数据，在故障预测领域则需要大量故障数据，这些故障数据的获得成为了难题：采用实验方法成本过高且得不偿失，建立历史数据库则时间成本无法估计，部分稳定的复杂装备甚至长时间不会发生故障。
技术实现思路
针对使用神经网络方法造成的故障数据获取难的问题，为了解决该技术问题，本专利技术提出利用数字孪生技术，建立与实际装备相匹配的复杂装备孪生体，对该装备的每一种故障以及各故障的组合进行故障数据的模拟生成，从而完成故障数据...
【技术保护点】
1.一种数字孪生驱动的复杂装备故障预测方法，其特征在于，包括如下步骤：/n步骤(1)、复杂装备数字孪生体建立步骤，该步骤的具体实现如下：/n①针对一复杂装备，根据该装备的组成结构，使用MATLAB软件建立其几何模型，该模型需体现装备的结构和装配关系；/n②使用MATLAB软件工具箱，对装备几何模型中各个结构增加物理属性；/n③根据复杂装备特征，创建生产行为，该行为需包括装备各个组成部分面对该行为的响应以及产生数据的特点；/n④根据复杂装备具体领域，设置其生产行为约束，需要设置多个维度多个范围的具体约束；/n⑤根据该装备的结构特点以及生产过程中采集的参数，将这些参数进行整理、...
【技术特征摘要】
1.一种数字孪生驱动的复杂装备故障预测方法，其特征在于，包括如下步骤：
步骤(1)、复杂装备数字孪生体建立步骤，该步骤的具体实现如下：
①针对一复杂装备，根据该装备的组成结构，使用MATLAB软件建立其几何模型，该模型需体现装备的结构和装配关系；
②使用MATLAB软件工具箱，对装备几何模型中各个结构增加物理属性；
③根据复杂装备特征，创建生产行为，该行为需包括装备各个组成部分面对该行为的响应以及产生数据的特点；
④根据复杂装备具体领域，设置其生产行为约束，需要设置多个维度多个范围的具体约束；
⑤根据该装备的结构特点以及生产过程中采集的参数，将这些参数进行整理、归类和筛选，建立该设备的参数集，该参数集即为各种故障情况下所采集并输入到神经网络中的参数集；
步骤(2)、数字孪生体校准步骤，该步骤的具体实现如下：
①根据已经建立的复杂装备数字孪生体和该装备实际的生产计划，模拟与装备实体相同的生产过程；建立孪生体的目的是通过孪生体模拟实际装备的故障数据，需要将孪生体校准到符合实际装备，因此使用的是实际的生产过程数据进行校准；
②生成该生产过程下各参数的模拟数据；
③计算实际数据与模拟数据的偏差值，根据偏差值判断孪生体模型是否匹配装备实体，若匹配则转⑤，若不匹配则转④；
④根据偏差值计算梯度，调整孪生体模型参数并转②；
⑤完成复杂装备数字孪生体构建；
步骤(3)、故障数据生成步骤，该步骤的具体实现如下：
①设置故障行为，即孪生体模拟的实际故障情况，包括单个结构和多个结构组合的情况，分别生成不同情况的所对应的故障数据；
②根据选择的故障行为模拟包含故障的生产行为，生成模拟数据；
③根据该装备生产行为的数据参考值/期望值计算所述设置的故障行为的偏差值；
④将偏差值转换为特征向量，形成特征向量组；
步骤(4)、故障预测模型训练及验证步骤，该步骤的具体实现如下：
①设置BP神经网络训练参数；
②训练神经网络；通过训练该设备的孪生体，并设置相应的故障行为，得到偏差值，对偏差值进行处理，转换为特征向量组，特征向量组为训练神经网络的数据源；
③使用实际数据和模拟数据，对神经网络进行校准和验证，若不满足训练要求则修改训练参数继续训练，直到训练出满足拟合要求的神经网络为止；
④将复杂装备实际运行过程中采集到的数据输入训练完成的神经网络中，神经网络输出各类故障和故障组合的预测情...
【专利技术属性】
技术研发人员：陶飞，王雨澄，左颖，黄巍，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11
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。