一种基于数字孪生的采棉机采摘头健康预测方法技术

本发明专利技术设计农业装备健康度预测技术领域，具体地说，是一种基于数字孪生的采棉机采摘头故障预测方法，包括构建采摘头数字孪生体和构建采摘头健康度预测模型两部分。本发明专利技术通过建立采棉机采摘头的数字孪生体，生成采摘头在不同工作条件下的健康退化轨迹，能够有效地应对采摘头环境及工作条件的变化。结合深度学习模型，可以建立采摘头健康预测模型，并实现定期更新以应对工况及环境变化，明显克服了现有技术中所存在的不足。在解决原有模式下对采摘头故障预测定位等相关困难的同时，对提升采棉机工作效率具有重要的意义。工作效率具有重要的意义。工作效率具有重要的意义。

【技术实现步骤摘要】
一种基于数字孪生的采棉机采摘头健康预测方法


[0001]本专利技术专利涉及农业装备健康度预测
，具体为一种基于数字孪生的采棉机采摘头故障预测方法。

技术介绍

[0002]随着我国棉花标准化种植面积大幅增加，对采棉机的需求越来越大，采棉机采摘头的故障发生率会随之增加，其维修停机时间也大大增加，因此故障预测技术是采棉机正常工作所倚靠的重要技术之一。采棉机采摘头的好坏，直接影响着棉花采摘的效率。而当前，故障预测相关体系及关键技术研究主要由采棉机采摘头在已知理想运行状态下的检测数据所驱动，无法满足装备复杂的运行环境下实时的健康度评估以及故障预测。
[0003]在不出现突发停机故障的情况下，采棉机采摘头的健康状态则会经历“健康、亚健康、故障”，若在亚健康状态设备没有的到及时的保养维护，会导致摘头故障停机，会使损失远大于早期维护所用成本。因此，提出一种能有效预测出采棉机摘头的健康度，还可以在不同工况进行摘头健康预测方法是本领域中急需解决的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种采棉机采摘头健康预测的方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于数字孪生的采棉机采摘头健康预测方法，具体包括以下步骤。
[0006]步骤一：对于待测采摘头的整体结构建立用于仿真采棉机采摘头健康预测的模型，结合离线采棉机采摘头的可靠性分析数据验证所建立的模型中对采棉机采摘头健康度产生影响的参数，运用所述参数建立数字孪生体。
>[0007]步骤二：对于采棉机采摘头实体进行信号采集，获取用于表征运行状态的数据存入数据库。
[0008]步骤三：从采棉机采摘头的运行历史数据中分析采棉机采摘头的的运行状态及环境变化的统计信息，比如在历史数据中提取温度、噪声、振动数据需求，并基于统计信息结合自编码器算法生采棉机采摘头不同工况和环境下的概率分布。
[0009]步骤四：基于深度学习的回归算法、循环神经网络GRU建立采棉机采摘头健康度预测模型，以采棉机采摘头的温度、噪声、振动信号作为输入，摘头的健康度预测模型结果作为输出。
[0010]步骤五：利用所述仿真采棉机采摘头故障数据集对所述采摘头健康度预测模型进行训练，再运用训练好的健康预测模型对实体采棉机采摘头的健康度进行预测。
[0011]步骤六:实时采集采棉机采摘头的工况及环境变化并存储，对所述采棉机采摘头健康预测模型定期更新。
[0012]进一步地，所述步骤一中从力学等角度建立用于仿真采棉机采摘头健康度的理论
模型，运用采棉机采摘头结构变化等机理建立数字孪生体。
[0013]进一步地，所述步骤二中用于表征其运行状态的数据包括：采棉机采摘头的温度、噪声、振动信号。
[0014]进一步地，所述步骤三中的统计信息具体是在历史数据中提取温度、噪声、振动信号需求来得到，基于自编码器算法生成所述概率分布。
[0015]进一步地，所述步骤四中机器学习算法采用回归算法、卷积神经网络。
[0016]本专利技术的有益效果：通过建立采棉机采摘头的数字孪生体，生成采棉机采摘头在不同工作条件下的健康退化轨迹，能够有效地应对采棉机采摘头环境及工作条件的变化。结合深度学习模型，可以建立采棉机采摘头健康预测模型，并实现定期更新以应对工况及环境变化，明显克服了现有技术中所存在的不足。在解决原有模式下对采棉机采摘头故障预测定位等相关困难的同时，对提升采棉机工作效率具有重要的意义。
附图说明
[0017]为了加深对本专利技术的理解，下面将结合附图和实施例对本专利技术做进一步详细描述，该实施例仅用于解释本专利技术，并不对本专利技术的保护范围构成限定。
[0018]图1是本专利技术所提供方法的整体示意图。
[0019]图2为采摘头的健康预测模型构建流程示意图。
具体实施方式
[0020]一种采棉机采摘头健康预测方法，基于数字孪生技术实现。如图1所示，该方法具体包括以下步骤。
[0021]构建数字孪生体。
[0022]步骤一：对于待测摘头的整体结构建立用于仿真摘头健康预测的模型，结合离线摘头的可靠性分析数据验证所建立的模型中对摘头健康度产生影响的参数，运用所述参数建立数字孪生体。
[0023]步骤二：对于采摘头实体进行信号采集，获取用于表征运行状态的数据存入数据库。
[0024]构建采棉机采摘头健康度预测模型。
[0025]步骤三：从采棉机采摘头的运行历史数据中分析采棉机采摘头的的运行状态及环境变化的统计信息，比如在历史数据中提取温度、噪声需求，并基于统计信息结合自编码器算法生采棉机采摘头不同工况和环境下的概率分布。
[0026]步骤四：如图2所示，基于深度学习的回归算法、循环神经网络GRU建立摘头健康度预测模型，以摘头的温度、噪声、振动信号作为输入，进行学习和预测对比。若所预测参数与实际参数误差不在所允许的规定范围内，则进行参数训练，重新训练模型；如在允许的范围内，则输出采棉机采摘头的健康度预测模型结果。
[0027]步骤五：利用所述仿真摘头故障数据集对所述摘头健康度预测模型进行训练，再运用训练好的健康预测模型对实体摘头的健康度进行预测。
[0028]步骤六：实时采集采棉机摘头的工况及环境变化并存储，对所述采棉机采摘头健康预测模型定期更新。
[0029]以上显示和描述了本专利技术的基本工作原理、主要特征及优点。本行业的技术人员应该了解，本专利技术不受上述实施例的限制，上述实施例和说明书中描述的只是说明本专利技术的原理，在不脱离本专利技术精神和范围的前提下，本专利技术还会有各种变化和改进，这些变化和改进都落入要求保护的本专利技术范围内。本专利技术要求保护范围由所附的权利要求书及其等效物界定。
[0030]以上公开的本专利技术优选实施例，只是用于帮助阐述本专利技术，这不是彻底详尽的，也不是想把本专利技术限制于任何所述的具体形式或方式，本领域技术人员将会理解，在不背离本专利技术范围的前提下，通过本专利技术的启示可以完成各种修改，也可由多种等同来替换，本专利技术保护范围受权利要求书及其全部和等同替代物的限制。
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采棉机采摘头健康预测方法，其特征在于，包括构建采棉机采摘头数字孪生体和构建采棉机采摘头健康度预测模型两部分，具体包括以下步骤：步骤一：对于待测采棉机采摘头的整体结构建立用于仿真采棉机采摘头健康预测的模型，结合离线摘头的可靠性分析数据验证所建立的模型中对采棉机采摘头健康度产生影响的参数，运用所述参数建立数字孪生体；步骤二：对于采棉机采摘头实体进行信号采集，获取用于表征运行状态的数据存入数据库；步骤三：从采棉机采摘头的运行历史数据中分析采棉机采摘头的的运行状态及环境变化的统计信息，比如在历史数据中提取温度、噪声需求，并基于统计信息结合自编码器算法生采棉机采摘头不同工况和环境下的概率分布；步骤四：基于深度学习的回归算法、循环神经网络GRU建立摘头健康度预测模型，以采棉机采摘头的温度、噪声、振动信号作为输入，摘头的健康度预测模型结果作为输出；步骤五：利用所述仿真采棉机采摘头故障数据集对所述采棉机采摘头健康度预测模型进...

【专利技术属性】
技术研发人员：王磊，李坤宇，韩秉东，张宏文，王蒙，姚思雨，扶学文，魏喜梅，李海洋，杜欣田，
申请(专利权)人：石河子大学，
类型：发明
国别省市：