本发明专利技术公开了一种数字孪生装备故障诊断方法、装置及系统，属于数字孪生和故障诊断领域；首先构建初始整机数字孪生模型，然后得到整机的仿真动态响应，之后根据仿真动态响应和实际动态响应调整初始轴承数字孪生模型得到目标轴承数字孪生模型，并根据目标轴承数字孪生模型得到目标整机数字孪生模型；最后将待检测轴承所属装备的整机信号输入到目标整机数字孪生模型中判断待检测轴承是否故障。由于目标整机数字孪生模型中的目标轴承数字孪生模型是根据整机的数据进行调整的，因此在实际判断轴承是否故障时，只需要根据整机信号即可，这样无需获取轴承的信号。而整机信号便于获取，避免了可供训练的数据较少的问题，大大提供了故障判断的准确性。供了故障判断的准确性。供了故障判断的准确性。
【技术实现步骤摘要】
一种数字孪生装备故障诊断方法、装置及系统
[0001]本专利技术涉及数字孪生和故障诊断领域，特别地，涉及一种数字孪生装备故障诊断方法、装置及系统。
技术介绍
[0002]根据相关数据统计物流装备故障中以轴承故障居多，其故障类型又以内、外圈和保持架断裂为主，这主要是因为物流装备车间中繁重的工作量，轴承在长时间工作后不可避免地会遭受损坏。如果不及时发现轴承故障，轻者会耽误生产转运进度，重者则会导致灾难性的生产事故。相反如果能在轴承故障的初期就能诊断出来，通过及时的更换就可以避免事故的发生，这对装备的健康和维护具有重要的意义和价值。
[0003]对于轴承的故障诊断，目前主流使用的方法主要分为两类，一类是基于信号处理的轴承故障诊断方法，通过安装相应的振动传感器，采集被监测轴承的振动信号，应用主流信号处理技术如小波变换、集成经验模态分解等，对轴承故障特征进行提取。应用信号处理算法进行诊断预测时，受到算法基本特点约束以及强噪声干扰，在处理低信噪比信号时效果有限，滤波效果有时并不明显。而且对于需要长时间移动的装备来说，安装传感器时的布线也是非常困难，虽然随着技术的进步无线传感器得到发展，但对于较早年代时期的装备来说，并没有预留安放位置，高端轴承虽然可以通过内置MEMS传感器来监测轴承状态，但对于常规制造业来说也增加了使用成本。
[0004]另一类是基于机器学习的轴承故障诊断方法，首先构建轴承故障诊断模型，然后对采集到的数据集进行划分，并打标签处理，通过划分训练集对诊断模型进行训练，提高模型精度，使诊断准确率达到最高。
[0005]应用机器学习算法进行诊断预测时，对诊断模型进行训练时不仅要求训练数据量要大，而且要求训练数据涵盖全面的诊断信息，训练和测试数据具有相同的特征分布。然而在实际制造中，只有正常情况下的数据才容易获得，很难收集全面和广泛的故障数据来完全训练诊断模型。
[0006]对于当前的物流行业来说，装备的智能化程度并不高，很难直接在轴承或者轴承座上安装传感器进行数据采集，只能在装备外壳上安装传感器，采集到的信号除包含大量噪声干扰外，还含有许多其他零部件的耦合信息，造成可用诊断训练的故障数据较少，而故障样本的缺失将导致故障检测的失败。
技术实现思路
[0007]为了克服现有技术的不足，本专利技术提供一种数字孪生装备故障诊断方法、装置及系统，以解决现有技术中可用诊断训练的故障数据较少，而故障样本的缺失将导致故障检测的失败的问题。
[0008]本专利技术解决其技术问题所采用的技术方案是：
[0009]第一方面，提供了一种数字孪生装备故障诊断方法，包括：
[0010]构建待检测轴承所属装备的初始整机数字孪生模型，所述初始整机数字孪生模型中包括所述轴承的初始轴承数字孪生模型；
[0011]根据所述初始轴承数字孪生模型得到所述轴承的仿真计算动态响应，并将所述仿真计算动态响应输入到初始整机数字孪生模型中，得到所述装备的仿真动态响应；
[0012]根据所述仿真动态响应和所述装备的实际动态响应调整所述初始轴承数字孪生模型，得到目标轴承数字孪生模型；根据所述目标轴承数字孪生模型得到目标整机数字孪生模型；
[0013]将待检测轴承所属装备的整机信号输入到所述目标整机数字孪生模型中判断所述待检测轴承是否故障。
[0014]进一步地，所述构建待检测轴承所属装备的初始整机数字孪生模型，包括：
[0015]构建装备的整机孪生模型，获取所述装备整机数据，根据所述整机数据和所述整机孪生模型构建不包括所述轴承的数字孪生模型；
[0016]获取所述轴承的轴承数据，所述轴承数据包括几何特征、材料参数、安装方式及润滑方式，根据所述轴承数据构建所述轴承的初始轴承数字孪生模型；
[0017]将所述初始轴承数字孪生模型嵌入所述不包括所述轴承的数字孪生模型中得到初始整机数字孪生模型。
[0018]进一步地，所述仿真计算动态响应为轴承正常状态下的动态响应；所述实际动态响应为所述轴承正常状态下所述装备的动态响应，根据所述仿真动态响应和所述装备的实际动态响应调整所述初始轴承数字孪生模型，得到目标轴承数字孪生模型，包括：
[0019]根据所述仿真动态响应和所述实际动态响应优化所述初始轴承数字孪生模型的参数，得到轴承正常状态下的正常轴承数字孪生模型；
[0020]根据轴承故障状态下的整机数据对所述正常轴承数字孪生模型进行优化得到目标轴承数字孪生数据。
[0021]进一步地，所述根据轴承故障状态下的整机数据对所述正常轴承数字孪生模型进行优化得到目标轴承数字孪生数据，包括：
[0022]根据所述正常轴承数字孪生模型得到正常整机数字孪生模型；
[0023]获取轴承故障时的装备整机信号，并将所述装备整机信号输入到所述正常整机数字孪生模型中，得到所述轴承的仿真故障数据；
[0024]根据所述轴承的仿真故障数据与所述轴承的实际故障数据优化所述正常轴承数字孪生模型得到目标轴承数字孪生模型。
[0025]进一步地，还包括：对所述目标整机数字孪生模型进行不同工况下的仿真模拟，得到所述轴承在不同工况下的仿真故障数据。
[0026]进一步地，还包括：采用生成对抗网络生成轴承故障数据。
[0027]进一步地，所述采用生成对抗网络生成轴承故障数据，包括：
[0028]对所述轴承的真实数据进行预处理，以便后续训练使用，所述真实数据为所述轴承在不同工况下的仿真故障数据；
[0029]构建WGAN
‑
GP故障诊断模型，所述模型的生成器包含4个隐藏层，神经元个数分别为256、128、64和1；前2个隐藏层为全连接层，后2个隐藏层是一维反卷积，并且在前3层中采用ReLU激活函数，最后一层为Tanh激活函数；所述模型的判别器包含4个隐藏层，神经元个
数分别为64、128、256和1，前2个隐藏层是一维卷积层，后2个隐藏层是全连接层，其中前3层的激活函数是ReLU，最后一层没有激活函数；
[0030]分别建立生成器和判别器的损失函数，进行生成器和判别器的对抗训练，选择预处理后轴承正常数据对WGAN
‑
GP模型进行预训练，并更新生成器和判别器参数以完善WGAN
‑
GP模型，当判别器与生成器的损失函数趋于收敛后训练结束，并将训练终止时判别器与生成器的参数作为网络模型参数，完成模型优化；
[0031]将轴承故障数据作为模型的输入得到足够用于后续进行分类诊断的仿真故障数据。
[0032]进一步地，还包括：
[0033]以轴承不同工况下的仿真故障数据为源域，以真实数据为目标域构建对抗领域自适应网络模型；
[0034]根据构建的自适应网络模型将WGAN
‑
GP模型生成器生成的仿真故障数据迁移到物理空间。
[0035]第二方面，提供了一种数字孪生装备故障诊断装置，包括：
[0036]初始模型构建模块，用于构建待检测轴承所属装本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种数字孪生装备故障诊断方法，其特征在于，包括：构建待检测轴承所属装备的初始整机数字孪生模型，所述初始整机数字孪生模型中包括所述轴承的初始轴承数字孪生模型；根据所述初始轴承数字孪生模型得到所述轴承的仿真计算动态响应，并将所述仿真计算动态响应输入到初始整机数字孪生模型中，得到所述装备的仿真动态响应；根据所述仿真动态响应和所述装备的实际动态响应调整所述初始轴承数字孪生模型，得到目标轴承数字孪生模型；根据所述目标轴承数字孪生模型得到目标整机数字孪生模型；将待检测轴承所属装备的整机信号输入到所述目标整机数字孪生模型中判断所述待检测轴承是否故障。2.根据权利要求1所述的方法，其特征在于：所述构建待检测轴承所属装备的初始整机数字孪生模型，包括：构建装备的整机孪生模型，获取所述装备整机数据，根据所述整机数据和所述整机孪生模型构建不包括所述轴承的数字孪生模型；获取所述轴承的轴承数据，所述轴承数据包括几何特征、材料参数、安装方式及润滑方式，根据所述轴承数据构建所述轴承的初始轴承数字孪生模型；将所述初始轴承数字孪生模型嵌入所述不包括所述轴承的数字孪生模型中得到初始整机数字孪生模型。3.根据权利要求1所述的方法，其特征在于：所述仿真计算动态响应为轴承正常状态下的动态响应；所述实际动态响应为所述轴承正常状态下所述装备的动态响应，根据所述仿真动态响应和所述装备的实际动态响应调整所述初始轴承数字孪生模型，得到目标轴承数字孪生模型，包括：根据所述仿真动态响应和所述实际动态响应优化所述初始轴承数字孪生模型的参数，得到轴承正常状态下的正常轴承数字孪生模型；根据轴承故障状态下的整机数据对所述正常轴承数字孪生模型进行优化得到目标轴承数字孪生数据。4.根据权利要求3所述的方法，其特征在于：所述根据轴承故障状态下的整机数据对所述正常轴承数字孪生模型进行优化得到目标轴承数字孪生数据，包括：根据所述正常轴承数字孪生模型得到正常整机数字孪生模型；获取轴承故障时的装备整机信号，并将所述装备整机信号输入到所述正常整机数字孪生模型中，得到所述轴承的仿真故障数据；根据所述轴承的仿真故障数据与所述轴承的实际故障数据优化所述正常轴承数字孪生模型得到目标轴承数字孪生模型。5.根据权利要求4所述的方法，其特征在于，还包括：对所述目标整机数字孪生模型进行不同工况下的仿真模拟，得到所述轴承在不同工况下的仿真故障数据。6.根据权利要求5所述的方法，其特征在于，还包括：采用生成对抗网络生成轴承故障数据。7.根据权利要求6所述的...
【专利技术属性】
技术研发人员：王勇，李岩，徐慧，陶飞，程江峰，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
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。