一种基于数字孪生技术的设备寿命与故障类型预测方法及系统技术方案

本发明专利技术公开了基于数字孪生技术的设备寿命与故障类型预测方法及系统，包括：(1)搭建相互映射的物理设备实体模型与数字孪生虚拟模型(2)获取孪生数据，提取出运行状态孪生数据的综合指标；(3)自综合指标与设备绩效数据的孪生数据中选定标志该设备寿命终止的特定参数，并对该特定参数设定临界值；若选定的特定参数为综合指标，转至步骤(4)；若选定的特定参数为设备绩效孪生数据，转至步骤(5)；(4)采用卡曼尔滤波算法进行寿命预测剩余寿命；(5)计算设备绩效数据中各参数达到临界值时对应的时间，结合设备的使用年限得到剩余寿命。本发明专利技术结合孪生技术针对不同设备寿命决定性特征参数进行寿命预测。参数进行寿命预测。参数进行寿命预测。

【技术实现步骤摘要】
一种基于数字孪生技术的设备寿命与故障类型预测方法及系统


[0001]本专利技术涉及数字孪生的
，具体是涉及一种基于数字孪生技术的设备寿命与故障类型预测方法及系统。

技术介绍

[0002]数字孪生技术作为实践智能制造理念的使能技术与手段，能够有效解决智能制造的信息物理融合难题，当前已成为世界各国学术界和工业界关注的热点。生产企业对于制造过程中设备运行状态、产品生产质量等相关状态监测数据的实时展示与在线监测需求日益迫切。目前基于预测性维护的研究局限于对当前状态识别及基础报警，使得数据资源缺乏利用，设备运行信息不能直观展现，也无法展现设备全生命周期过程中的维护和管理。
[0003]现有技术中，存在利用孪生技术对于工业生产中的设备的数据进行预测从而便于进行监测与维护。专利申请号为202210173117.4的中国专利申请公开了“一种基于时变卡尔曼滤波的滚动轴承剩余使用寿命预测方法”，通过预测对未来数据的预测估算设备的剩余使用寿命。该寿命预测的方法主要是基于实际设备的数据进行预测，并没有将实现物理空间与信息空间的虚实映射和交互融合从而无法构建模拟实体与实际设备联动控制，互相协同的数字孪生系统，实现可视化的工业设备数字化运营维护。专利申请号为202111021923.1的中国专利申请公开了一种“基于数字李生技术的电机滚动轴承故障模型构建方法”，通过构建孪生数据结合神经网络获取工业生产中的设备的故障类型，但该方法主要是通过设备的运行状态数据比较单一，预测结果精准度不高。

技术实现思路

[0004]专利技术目的：针对以上缺点，本专利技术公开了一种基于数字孪生技术的设备寿命与故障类型预测方法，针对不同设备寿命决定性特征参数，结合孪生技术和卡尔曼滤波从设备运行状态数据来进行寿命预测，采用孪生技术对设备绩效数据进行寿命预测。本专利技术还提供一种基于数字孪生技术的设备寿命与故障类型预测系统，能够实现上述方法获取最终的预测寿命。
[0005]技术方案：为解决上述问题，本专利技术提供一种基于数字孪生技术的设备寿命与故障类型预测方法，具体包括以下步骤：
[0006](1)搭建物理设备实体模型与数字孪生虚拟模型，通过虚拟映射技术关联物理设备实体模型与数字孪生虚拟模型；
[0007](2)获取实体设备中历史运行状态数据、故障数据、设备绩效数据分别对应的孪生数据；对获取的运行状态数据的孪生数据进行预处理并进行采用主成分分析法提取出运行状态数据的综合指标；所述的设备绩效数据包括可用率、平均无故障工作时间、平均修复时间；所述故障数据包括故障类型；
[0008](3)自综合指标与设备绩效数据的孪生数据中选定标志该设备寿命终止的特定参
数，并对该特定参数设定临界值；若选定的标志该设备寿命终止的特定参数为综合指标，则转至步骤(4)；若选定的标志该设备寿命终止的特定参数为可用率或平均无故障工作时间或平均修复时间则转至步骤(5)；
[0009](4)采用卡曼尔滤波算法获取综合指标的预估值并获取综合指标的预估值达到临界值对应的时间，该时间对应设备已运行时间，结合设备的使用年限得到剩余寿命；
[0010](5)计算设备绩效数据中可用率或平均无故障工作时间或平均修复时间达到临界值时对应的时间，该时间对应设备已运行时间，结合设备的使用年限得到剩余寿命；具体计算公式分别为：
[0011]R＝t/T
[0012]式中，R表示可用率；t表示工作时间；T表示计划工作时间；
[0013][0014]式中，MTBF表示平均无故障工作时间；t表示工作时间；f(t)表示直到下次失效经过时长的概率密度函数；
[0015][0016]式中，MTTR表示平均修复时间；t表示工作时间；N为修复的次数。
[0017]进一步的，步骤(4)具体包括以下步骤：
[0018](4.1)获取特定参数的参数测量值，公式为：
[0019]Z(k)＝HX(k)+V(k)
[0020]式中，Z(k)为特定参数的参数测量值；X(k)为k时刻的状态值；V(k)为测量噪声；H为测量系统的参数；
[0021](4.2)根据参数测量值获取状态量估计值，公式为：
[0022]X(k|k)＝X(k|k
‑
1)+Kg(k)(Z(k)
‑
HX(k|k
‑
1))
[0023]式中，X(k|k)为当前状态的预估值；X(k|k
‑
1)为上一状态的预估值；H为测量系统的参数；Kg(k)为增益因子；
[0024](4.3)将该状态量估计值与临界值进行比较，当状态量估计值达到临界值，则判定该设备寿命终止，该状态量估计值对应的k值为设备运行过的周期，通过设备的使用年限减去运行过的周期获取设备的剩余寿命。
[0025]进一步的，还包括步骤(6)：根据步骤(2)中孪生数据提取设备处于不同故障类型情况下的综合指标构成集合，按比例将集合划分为训练集与测试集；构建DNN神经网络模型，DNN神经网络模型的输入层为综合指标，输出层为故障类型，DNN神经网络模型的公式为：
[0026][0027]式中，h
W,b
(x)输出的故障类型；x
i
为运行综合指标；W
i
为权重；b为偏置；k为综合指标中的特征量；
[0028]运用训练集的数据训练DNN神经网络模型，当训练达到预设次数获取训练好的DNN神经网络模型；将测试集数据输入训练好的DNN神经网络模型进行测试获取故障模型的预
测结果。
[0029]进一步的，步骤(2)中对获取的运行状态数据的孪生数据进行预处理并进行采用主成分分析法提取出运行状态数据的综合指标具体包括：
[0030](2.1)对获取的运行状态数据的孪生数据进行预处理包括去除异常值、时域特征提取、频域特征提取；
[0031](2.2)采用主成分分析法提取出运行状态数据的综合指标具体为：
[0032](2.2.1)将预处理后的数据转化为特征向量矩阵；
[0033](2.2.2)先计算每一列特征的平均值，然后每一维度都需要减去该列的特征平均值；
[0034](2.2.3)计算特征的协方差矩阵；
[0035](2.2.4)针对协方差矩阵进行特征值和特征向量的计算；
[0036](2.2.5)对计算得到的特征值进行从大到小的排序；
[0037](2.2.6)取出前K个特征向量和特征值，并进行回退获取得到了降维后的特征矩阵。
[0038]进一步的，步骤(6)还包括：若测试集数据获取的故障模型的预测结果与实际模型不一致的比例达到特定值，则选取实体设备中历史运行状态数据进行预处理并提取综合指标，将该综合指标与原孪生数据提取的综合指标进行混合；将混合后的运行状态数据的综合指标作为DNN神经网络模型的输入重新进行训练。
[0039]此外，本专利技术还提供一种基于数字孪生技术的设备寿命与故障类型预测系统包括：<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设备寿命与故障类型预测方法，其特征在于，具体包括以下步骤：(1)搭建物理设备实体模型与数字孪生虚拟模型，通过虚拟映射技术关联物理设备实体模型与数字孪生虚拟模型；(2)获取实体设备中历史运行状态数据、故障数据、设备绩效数据分别对应的孪生数据；对获取的运行状态数据的孪生数据进行预处理并进行采用主成分分析法提取出运行状态数据的综合指标；所述的设备绩效数据包括可用率、平均无故障工作时间、平均修复时间；所述故障数据包括故障类型；(3)自综合指标与设备绩效数据的孪生数据中选定标志该设备寿命终止的特定参数，并对该特定参数设定临界值；若选定的标志该设备寿命终止的特定参数为综合指标，则转至步骤(4)；若选定的标志该设备寿命终止的特定参数为可用率或平均无故障工作时间或平均修复时间则转至步骤(5)；(4)采用卡曼尔滤波算法获取综合指标的预估值并获取综合指标的预估值达到临界值对应的时间，该时间对应设备已运行时间，结合设备的使用年限得到剩余寿命；(5)计算设备绩效数据中可用率或平均无故障工作时间或平均修复时间达到临界值时对应的时间，该时间对应设备已运行时间，结合设备的使用年限得到剩余寿命；具体计算公式分别为：R＝t/T式中，R表示可用率；t表示工作时间；T表示计划工作时间；式中，MTBF表示平均无故障工作时间；t表示工作时间；f(t)表示直到下次失效经过时长的概率密度函数；式中，MTTR表示平均修复时间；t表示工作时间；N为修复的次数。2.根据权利要求1所述的基于数字孪生技术的设备寿命与故障类型预测方法，其特征在于，步骤(4)具体包括以下步骤：(4.1)获取特定参数的参数测量值，公式为：Z(k)＝HX(k)+V(k)式中，Z(k)为特定参数的参数测量值；X(k)为k时刻的状态值；V(k)为测量噪声；H为测量系统的参数；(4.2)根据参数测量值获取状态量估计值，公式为：X(k|k)＝X(k|k
‑
1)+Kg(k)(Z(k)
‑
HX(k|k
‑
1))式中，X(k|k)为当前状态的预估值；X(k|k
‑
1)为上一状态的预估值；H为测量系统的参数；Kg(k)为增益因子；(4.3)将该状态量估计值与临界值进行比较，当状态量估计值达到临界值，则判定该设备寿命终止，该状态量估计值对应的k值为设备运行过的周期，通过设备的使用年限减去运行过的周期获取设备的剩余寿命。
3.根据权利要求1所述的基于数字孪生技术的设备寿命与故障类型预测方法，其特征在于，还包括：(6)根据步骤(2)中孪生数据提取设备处于不同故障类型情况下的综合指标构成集合，按比例将集合划分为训练集与测试集；构建DNN神经网络模型，DNN神经网络模型的输入层为综合指标，输出层为故障类型，DNN神经网络模型的公式为：式中，h
W,b
(x)输出的故障类型；x
i
为运行综合指标；W
i
为权重；b为偏置；k为综合指标中的特征量；运用训练集的数据训练DNN神经网络模型，当训练达到预设次数获取训练好的DNN神经网络模型；将测试集数据输入训练好的DNN神经网络模型进行测试获取故障模型的预测结果。4.根据权利要求1所述的基于数字孪生技术的设备寿命与故障类型预测方法，其特征在于，步骤(2)中对获取的运行状态数据的孪生数据进行预处理并进行采用主成分分析法提取出运行状态数据的综合指标具体包括：(2.1)对获取的运行状态数据的孪生数据进行预处理包括去除异常值、时域特征提取、频域特征提取；(2.2)采用主成分分析法提取出运行状态数据的综合指标具体为：...

【专利技术属性】
技术研发人员：郭旭周，刘思娴，吴红兰，常佳丽，许小伟，孙昊，张跃，顾勇，
申请(专利权)人：南京熊猫信息产业有限公司，
类型：发明
国别省市：