一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法技术

本发明专利技术提供了一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，包括以下步骤：(1)建立数字孪生模型：基于空间在轨制造结构实体信息构建数字孪生体；(2)建立健康监测模型：采用深度学习方法构建空间在轨制造结构健康监测模型；(3)建立数据采集系统：利用传感器等设备，在线监测空间在轨制造结构服役环境及健康状态的实时数据，并对数字孪生模型进行数据交互、调整与修正；(4)剩余寿命预测：利用更新后的数字孪生模型进行空间在轨制造结构剩余寿命预测，并通过数据的实时交互反馈保证预测的可靠性。本发明专利技术利用数字孪生技术实现了空间在轨制造结构剩余寿命的可靠预测，且能将预测结果实时反馈，极大方便了维护工作。极大方便了维护工作。极大方便了维护工作。

【技术实现步骤摘要】
一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法


[0001]本专利技术应用于空间在轨制造领域，具体涉及一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法。

技术介绍

[0002]空间在轨制造技术是一种新型的航天结构加工制造技术，在航天制造领域极具应用潜力。目前，受运载火箭整流罩尺寸限制，对于一些构型复杂的大尺寸航天器空间结构，一般采用多次发射和空间在轨制造的方式实现，例如空间站桁架结构。然而，由于制造技术不成熟、工作环境较为恶劣等原因，势必会对空间在轨制造结构的性能造成影响，使得结构几乎无法达到预期服役寿命。此外，在地面难以实时检测与控制空间在轨制造结构健康状态，若在其未达上限寿命时进行更换，将造成巨大的成本浪费。因此，亟需提出一种空间在轨制造结构剩余寿命可靠预测方法。
[0003]目前广泛使用的机械结构剩余寿命预测方法是建立寿命预测模型，通过仿真与实验验证其准确性。尽管这种静态的预测模型具有一定的非线性计算能力，然而，空间在轨制造结构通常在大温差交变、强辐射，且伴随撞击、磨损风险的极端多物理场耦合条件下服役，在这种条件下静态模型的预测结果难以保证其准确性。因此，要获得可靠的预测寿命，必须考虑其服役过程中的实时工况变化。
[0004]本专利技术基于数字孪生技术，通过所建数字孪生体与物理实体的实时数据交互、反馈，可实现空间在轨制造结构的可靠寿命预测，为其后续的维护工作提供保障。

技术实现思路

[0005]针对上述现有技术的不足，本专利技术提供了一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，目的在于解决静态预测模型的预测失准问题，提供一种数据实时交互、调控的寿命预测方法，提高预测准确性。
[0006]为达到上述目的，本专利技术的一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，其特征在于，包括步骤如下：
[0007]步骤一 建立数字孪生模型：基于空间在轨制造结构实体信息构建数字孪生体；
[0008]步骤二 建立健康监测模型：采用深度学习方法构建空间在轨制造结构健康监测模型；
[0009]步骤三 建立数据采集系统：利用传感器等设备，在线监测空间在轨制造结构服役环境及健康状态的实时数据，并对数字孪生模型进行数据交互、调整与修正；
[0010]步骤四 剩余寿命预测：利用更新后的数字孪生模型进行空间在轨制造结构剩余寿命预测，并通过数据的实时交互反馈保证预测的可靠性。
[0011]进一步的，上述步骤一所述空间在轨制造结构实体信息包括但不限于结构材料、制造工艺、服役环境及操作人员。
[0012]进一步的，上述步骤二所述深度学习方法中构成训练集的数据样本应当为实验数据，所述数据点包括但不限于应力状态、损伤面积、损伤深度与寿命周期。
[0013]所述健康指标可采用下式表示：
[0014][0015]式中，S为空间在轨制造结构的健康指标，t为结构服役时间，x1，x2，...，x
i
为训练集数据点，f(x1，x2，...，x
i
)为拟合完整寿命周期。
[0016]进一步的，上述步骤三所述服役环境包括但不限于空间在轨制造结构的工作温度以及载荷。所述传感器采集的数据通过如下方法处理：各采集设备将数据发送至云端服务器并分别生成日志文件，分布式传输、存储与读取，例如采用Flume采集组件将日志文件传输至HDFS平台上，基于Kafka平台进行读取。
[0017]所涉及各类数据基于其物理关系通过Abaqus、Ansys等仿真软件建立空间在轨制造结构数字孪生子模型，并利用Isight软件调用耦合为统一物理模型。所述数据交互包括但不限于实时仿真数据、健康监测数据、实体模型数据与关系数据的交互。所述数据调整与修正包括但不限于由于应力状态演变与损伤特征演化所引起的相关数据变化。
[0018]进一步的，上述步骤四所述数据交互反馈包括但不限于剩余寿命置信区间评估、孪生模型校准与仿真过程优化。
[0019]与现有技术相比，本专利技术至少具有以下有益效果：
[0020]本专利技术所述的基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，解决了现有机械结构剩余寿命预测方法中静态仿真模型非线性程度较低、无法胜任复杂环境下的预测工作等问题，通过数字孪生技术，建立空间在轨制造结构的数字孪生体，实现物理实体与孪生模型的实时数据交互的动态模型，明显克服了现有技术的不足，能够更为准确的输出空间在轨制造结构的寿命预测结果。
附图说明
[0021]图1是本方法的整体流程图；
[0022]图2是健康监测模型神经网络示意图；
[0023]图3是基于数字孪生技术的空间在轨制造结构剩余寿命预测示意图；
具体实施方式
[0024]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面将结合说明书附图和具体实施方式，对本专利技术的技术方案进行详细地描述。显然，所描述的实施例是本专利技术的一部分实施例，并非所有实施例。基于所描述的本专利技术的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]请参考图1至图3，分别为：本方法的整体流程图、健康监测模型神经网络示意图、基于数字孪生技术的空间在轨制造结构剩余寿命预测示意图。
[0026]本专利技术提出的基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，以空间站桁架结构剩余寿命预测为例，具体包括以下步骤：
[0027]步骤一 建立数字孪生模型：基于空间在轨制造结构实体信息构建数字孪生体。基
于空间站桁架结构物理实体，将空间站桁架结构关键几何信息、材料属性、空间及地面操作人员等数据采用Modelica语言建立数字孪生体模型，其中孪生体模型在具备的功能与物理实体一致的前提下，可进行适当简化。
[0028]步骤二 建立健康监测模型：采用深度学习方法构建空间在轨制造结构健康监测模型。构建深层神经网络模型，通过大量数据样本训练神经网络模型，所述模型能够较为准确的评估空间站桁架结构的健康状态。所述构成训练集的数据样本应当为实验数据，所述数据点包括但不限于应力状态、损伤面积、损伤深度与寿命周期。健康指标采用下式表示：
[0029][0030]式中，S为空间站桁架结构的健康状态评分，t为评估时空间站桁架结构的服役时间，σ
*
为应力状态，a为损伤面积，h为损伤深度，T为空间站桁架结构的完整寿命周期，f为采用高斯回归算法训练得到的拟合寿命周期。当服役时间t＝0时，表示空间站桁架结构尚未服役，处于为初始状态；随着服役时间增加，健康状态评分逐渐增大；当服役时间t逼近健康监测模型拟合得到的寿命周期f时，表示空间站桁架结构即将到达寿命极限，需要进行维护或更换。
[0031]步骤三 建立数据采集系统：利用传感器等设备，在线监测空间在轨制造结构服役环境及健康状态的实时数据，并对数字孪生模型进行数据交互、调整与修正。所述服役环境包括但不限于空间在轨制造结构的工作温度以及载荷。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，其特征在于，包括步骤如下：步骤一 建立数字孪生模型：基于空间在轨制造结构实体信息构建数字孪生体；步骤二 建立健康监测模型：采用深度学习方法构建空间在轨制造结构健康监测模型；步骤三 建立数据采集系统：利用传感器等设备，在线监测空间在轨制造结构服役环境及健康状态的实时数据，并对数字孪生模型进行数据交互、调整与修正；步骤四 剩余寿命预测：利用更新后的数字孪生模型进行空间在轨制造结构剩余寿命预测，并通过数据的实时交互反馈保证预测的可靠性。2.根据权利要求1所述的一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，其特征在于，上述步骤一所述空间在轨制造结构实体信息包括但不限于结构材料、制造工艺、服役环境及操作人员。3.根据权利要求1所述的一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法，其特征在于，上述步骤二所述深度学习方法中构成训练集的数据样本应当为实验数据；所述数据点包括但不限于应力状态、损伤面积、损伤深度与寿命周期；所述健康指标可采用但不限于下式表示：式中，S为空间在...

【专利技术属性】
技术研发人员：赵艳秋，占小红，叶泽涛，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：