一种基于数字孪生的故障诊断方法技术

本发明专利技术公开了一种基于数字孪生的故障诊断方法，包括如下步骤：1)基于物理模型的物理特性，构建其对应的虚拟模型；2)分别运行物理模型和虚拟模型，获取若干种特征的实测值和虚拟值；3)基于距离度量方法选择需要优化的参数，然后用粒子群优化算法对数字孪生虚拟模型进行更新；4)运行更新后的虚拟模型，基于其产生的数据构建训练集,并训练卷积神经网络；5)基于物理模型得到的数据，构建测试集；用训练好的卷积神经网络对测试集进行分析，输出对设备故障的诊断效果。本发明专利技术通过虚拟数据与真实数据的相关性分析，改进虚拟模型，能解决现有数据驱动的故障诊断方法没有考虑算法所需的数据量不足的问题。数据量不足的问题。数据量不足的问题。

【技术实现步骤摘要】
一种基于数字孪生的故障诊断方法


[0001]本专利技术涉及智能制造领域，尤其涉及到一种基于数字孪生的故障诊断方法。

技术介绍

[0002]传统的机器学习算法或深度学习算法实现工业设备的预防性维护使用的是历史数据，获得这些数据需要使用大量仪器，成本昂贵，导致模型训练所需采集的数据量不足。另外，利用历史数据训练机器学习模型，不能保障原本寿命可延长的设备的故障诊断的可靠性。
[0003]为了解决上述问题，智能制造领域引入了数字孪生理论技术体系。
[0004]数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的虚拟过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统利用数字孪生的思想构建反映物理系统的虚拟模型，通过虚拟模型实时产生足够多样化的数据，能解决已有的故障诊断方法只能用历史数据训练机器学习模型的不足。

技术实现思路

[0005]本专利技术的目的是提供一种基于数字孪生的故障诊断方法，通过虚拟数据与真实数据的相关性分析，不断改进虚拟模型，从而为机器学习算法模拟出足够多样化的数据，解决已有的故障诊断方法只能用历史数据训练机器学习模型的不足，更好地为工业设备的预防性维护提供服务。
[0006]本专利技术的上述技术目的是通过以下技术方案实现的：
[0007]一种基于数字孪生的故障诊断方法，包括如下步骤：
[0008]1)基于物理模型的物理特性，构建其对应的虚拟模型；
[0009]2)选定若干特征，分别运行物理模型和虚拟模型，获取所述特征的实测值和虚拟值；
[0010]3)基于距离度量方法在所述实测值和虚拟值中选择虚拟模型需要优化的参数，然后用粒子群优化算法对虚拟模型进行更新；
[0011]4)运行更新后的虚拟模型，基于虚拟模型产生的数据，构建训练集；并用所述训练集训练一个卷积神经网络；
[0012]5)基于物理模型得到的数据，构建测试集；用训练好的卷积神经网络对测试集进行分析，输出对设备故障的诊断效果。
[0013]进一步的，所述物理模型为三相异步电机故障测试平台，其包括一台可控负载电机、与可控负载电机的驱动端连接的转子、以及设置在转子上的两个滚珠轴承；在所述滚珠轴承的外圈和内圈分别有一故障点，在可控负载电机驱动端的水平、垂直、轴向方向分别设有用于获取数据的传感器。
[0014]进一步的，所述构建虚拟的数字孪生虚拟模型的过程如下：
[0015]1)确定物理实体的运动方程
[0016]将转子视为一个普通的多结点Timoshenko梁，选取2个点代表物理系统的动态特性；每个点采用的自由度限制为3个；
[0017]其中，v和w分别代表各方向和的屈曲，θ代表方向的扭转，并通过考虑剪力效应反映轴的截面变化；考虑了惯性力、恢复力和阻尼力以及作用在承轴内圈上的恒定垂直力的物理系统的控制方程如公式(1)和(2)所示；
[0018][0019][0020]其中，m表示轴承支撑的转子的质量和内圈的质量，c表示等效粘性阻尼系数，N是滚珠的数量，k表示赫兹接触弹性变形常数，γ表示内部径向游隙，A
i
表示第i个滚珠位置的表面波纹波的幅度，W表示径向可控负载，F
u
表示转子不平衡产生的力，θ
i
是第i个滚动体的角位置，(x，y)是内圈中心的主要位移，ω表示笼式导条/外圈/内圈的角速度，t表示时间；
[0021]式(1)和(2)中的下标+号表示，
[0022]当γ+A
i
≥0时，表示加载角位置i的滚动体，产生恢复力；
[0023]当γ+A
i
＜0时，表示不加载角位置i的滚动体，恢复力为0；
[0024]该方程可以采用牛顿法和隐式Newmark法求解，得到系统中每个点的位移、速度和加速度；
[0025]2)轴承故障建模
[0026]轴承内外圈故障被建模为具有正弦半波形状的小片段，其角宽度为深度为h；当每个滚珠通过缺陷区域时，通过增加径向间隙将其引入电机故障测试平台的虚拟模型中；轴承发生故障时的瞬时恢复力通过公式(3)和(4)计算；
[0027][0028][0029]其中，额外间隙，用公式(5)表示；
[0030][0031]其中，表示缺陷的角度位置，表示缺陷的角度宽度，表示球i和缺陷位置的相对角度，是公式(6)所表示的轴承的笼角速度的函数；
[0032][0033]进一步的，所述步骤3)的具体步骤如下：
[0034]直接从时域中抽取均方根、峰度、峰、波峰因数和偏度，从频域中抽取平均频率、频率中心、频率分布的均方根、频率分布的标准偏差和功率包络谱，从时间尺度域中抽取频率
分布的有效值和频率分布的平均值包络谱；然后，基于距离度量方法分析从物理系统中的实测得到的特征值与动态模型输出的特征值之间相似性，选择排名前6的参数，用粒子群优化算法对虚拟模型进行更新。
[0035]综上所述，本专利技术具有以下有益效果：
[0036]基于数字孪生的范式，通过构建故障设备的虚拟模型、使用基于距离度量的方法对参数进行选择，然后用粒子群优化算法对其进行更新，保证了虚拟模型能充分反映物理模型的运行状态，虚拟模型产生的足够多样化的数据，解决了机器学习模型训练过程中数据量不足的问题。
[0037]当虚拟模型产生的数据集的输入维度是1024维时，本专利技术在训练集上平均精度可达到99.48％，在测试集上的平均精度可达到99.29％，利用数字孪生的产生虚拟数据能提高故障诊断的可靠性。
附图说明
[0038]图1是本专利技术所述的物理实体对应的虚拟模型图。
[0039]图2是本专利技术所述的基于距离度量的虚拟模型参数选择与优化图。
[0040]图3是本专利技术所述的基于数字孪生的机器学习算法分类框架图。
具体实施方式
[0041]为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合图示与具体实施例，进一步阐述本专利技术。
[0042]如图1、图2和图3所示，本专利技术提出的一种基于数字孪生的故障诊断方法，包括如下步骤：
[0043]1)基于物理模型的物理特性，构建其对应的虚拟模型；
[0044]2)选定若干特征，分别运行物理模型和虚拟模型，获取所述特征的实测值和虚拟值；
[0045]3)基于距离度量方法在所述实测值和虚拟值中选择虚拟模型需要优化的参数，然后用粒子群优化算法对数字孪生虚拟模型进行更新；
[0046]4)运行更新后的数字孪生拟模型，基于虚拟模型产生的数据，构建训练集；并用所述训练集训练一个卷积神经网络；
[0047]5)基于物理模型得到的数据，构建测试集；用训练好的卷积神经网络对测试集进行分析，输出对设备故障的诊断效果。
[0048]实施例
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的故障诊断方法，其特征在于，包括如下步骤：1)基于物理模型的物理特性，构建其对应的虚拟模型；2)选定若干特征，分别运行物理模型和虚拟模型，获取所述特征的实测值和虚拟值；3)基于距离度量方法在所述实测值和虚拟值中选择虚拟模型需要优化的参数，然后用粒子群优化算法对虚拟模型进行更新；4)运行更新后的虚拟模型，基于虚拟模型产生的数据，构建训练集；并用所述训练集训练一个卷积神经网络；5)基于物理模型得到的数据，构建测试集；用训练好的卷积神经网络对测试集进行分析，输出对设备故障的诊断效果。2.根据权利要求1所述的基于数字孪生的故障诊断方法，其特征在于，所述物理模型为三相异步电机故障测试平台，其包括一台可控负载电机、与可控负载电机的驱动端连接的转子、以及设置在转子上的两个滚珠轴承；在所述滚珠轴承的外圈和内圈分别有一故障点，在可控负载电机驱动端的水平、垂直、轴向方向分别设有用于获取数据的传感器。3.根据权利要求1所述的基于数字孪生的故障诊断方法，其特征在于，所述构建虚拟模型的过程如下：1)确定物理实体的运动方程将转子视为一个普通的多结点Timoshenko梁，选取2个点代表物理系统的动态特性；每个点采用的自由度限制为3个；其中，v和w分别代表各方向和的屈曲，θ代表方向的扭转，并通过考虑剪力效应反映轴的截面变化；考虑了惯性力、恢复力和阻尼力以及作用在承轴内圈上的恒定垂直力的物理系统的控制方程如公式(1)和(2)所示；物理系统的控制方程如公式(1)和(2)所示；其中，m表示轴承支撑的转子的质量和内圈的质量，c表示等效粘性阻尼系数，N是滚珠的数量，k表示赫兹接触弹性变形常数，γ表示内部径...

【专利技术属性】
技术研发人员：刘江，
申请(专利权)人：中云开源数据技术上海有限公司，
类型：发明
国别省市：