全寿命周期滚动轴承的动态交互孪生模型的构建方法及系统

    专利查询2025-07-06  43


    本发明涉及故障诊断,具体为一种全寿命周期滚动轴承的动态交互孪生模型的构建方法及系统。


    背景技术:

    1、滚动轴承是将运转的轴与轴座之间的滑动摩擦转换为滚动摩擦,从而减少摩擦损失的一种精密机械元件,确保机械设备的顺畅运行和长期稳定性。滚动轴承在实际工作运行时,工况条件复杂且多变,往往难以获取部分工况下的轴承振动信号,导致有效数据样本稀缺,轴承故障数据库中该工况下故障数据样本缺失,难以对轴承故障类别进行补充与完善,无法构建有效的故障诊断模型。

    2、因此,基于实际轴承的参数和运行情况构建了具有模型参数更新机制的动态数字孪生模型,与轴承测量信号实时交互以更新其参数,模拟滚子相对滑移和轴承表面形态在整个生命周期内的演变,揭示故障演变与振动响应之间的映射机制。

    3、对滚动轴承进行实时监测与故障诊断一直是重点探索内容。针对滚动轴承不同工况下所存在的有标签样本数据匮乏以及个别工况下样本数据缺失进行有效状态检测与诊断,对减少经济成本、保证轴承寿命最大化、提高生产效率以及避免安全事故具有十分重要的意义。

    4、数字孪生技术的核心是对物理世界的高精度模拟,通过与大数据分析技术的相辅相成,将实际工程、设备或系统数字化,并与实际情况实时交互,通过统一的数据调用将真实的设备数据赋予模型并不断更新,实时映射物理实体的状态,反映物理实体全寿命周期过程。通过优化后的孪生数据能够对实物进行全方位、多维度的数字化管理和仿真分析,提供准确的数据和智能决策支持,进而达到优化生产效率、提高产品质量、降低成本等目的。

    5、目前,通常会使用直接获取工业设备运行状态的监测数据。但是,经常会存在以下潜在问题:轴承运行时常会出现个别工况下无法采集有效振动信号的现象,导致轴承故障数据库中该工况下故障数据样本缺失,难以对轴承故障类别进行补充与完善;受到噪声或其他外部因素的影响,导致数据使得分析和预测变得困难;传感器采集的数据中包含了轴承故障、退化信息,需要寻找有效的方法从多维的角度提取更多特征量来表征更多特征信息,需要对设备状态的深度理解,增加后续识别轴承运作状态的难度。


    技术实现思路

    1、针对现有技术存在的不足,本发明提供了一种全寿命周期滚动轴承的动态交互孪生模型的构建方法及系统,用于解决有效补偿实际数据不足的问题,更精确建立轴承诊断模型。

    2、为解决上述技术问题,本发明提供如下技术方案:

    3、一种全寿命周期滚动轴承的动态交互孪生模型的构建方法,包括以下步骤:

    4、s1、信号采集:采集获取滚动轴承实时运行工况参数,获取滚动轴承全寿命周期的振动加速度数据;

    5、s2、时、频域特征提取及分析:提取滚动轴承时域、频域、时频域特征参数,计算特征值,将全生命周期数据组数的特征值按时间顺序连接成特征曲线,结合正态分布设置报警阈值分析,以固有模态函数的包络熵为变分模态分解效果的评价标准,利用遗传算法优化惩罚因子α,自适应选取最佳参数,信号经过分解后,根据谱相关系数法得到分解层数k,提取时频域特征;

    6、s3、数字孪生建模与分析:绘制滚动轴承三维模型,通过有限元分析软件实现对滚动轴承的数字孪生建模,以s2中提取的特征参数作为输入,生成n组参数变化范围内均匀分布的动态参数样本,逐组进行参数化扫描并逐组进行模态分析,计算n组对应的前4阶固有频率,合并输入和输出参数,生成深度神经网络的输入-输出数据集;

    7、s4、参数优化机制:确定优化变量并将各参数的取值范围作为约束条件,结合孪生模型的固有频率预测值和物理实体实验值为目标值构建目标函数,建立虚实映射的动态参数优化模型,采用粒子群优化算法,以虚拟模型相关参数为优化变量,以有限元模型计算的理论固有频率与对应试验值的相对误差最小为目标函数,优化确定孪生物理模型的相关参数;

    8、s5、孪生数据:将初始化几何参数输入全寿命周期动态孪生模型中,生成强适用性的全寿命振动加速度孪生数据。

    9、优选的,在所述s2中,为研究滚动轴承运行状态,提取时域、频域和时频域的重要特征,考虑到采集滚动轴承的振动加速度信号,在提取时域特征的过程中,使用特征曲线结合正态分布进行统计学分析,假设一组轴承从正常到失效采集了n组实验数据,每组实验数据的长度为m,分别计算出每组实验数据的特征指标,将n组特征指标组合成一个向量l,计算均值μ和方差σ,由正态分布特征知统计量u为:

    10、

    11、统计量u可作为处于退化阶段时幅值的偏移,由切比雪夫不等式可知,在任意数据集中,某个数据位于当前数据平均值n个标准差之外的概率很小,即:

    12、

    13、根据正态分布的特性,选取约90%的特征值位于±c个标准差的区间内,避免了主观选择阈值的问题,取轴承前10%的正常样本,计算3σ+u的值作为阈值线,如果连续有n个特征值超过了选取的故障预警值,则认为轴承退化阶段发生改变,n值由实际轴承退化过程的表征能力设定;

    14、计算每组实验数据特征值,将全生命数据组数的特征值按时间顺序连接成振动特征曲线,分析并提取表征轴承退化特征的能力重要时域特征参数。

    15、优选的,在所述s2中,单一的时域分析不能判别滚动轴承的故障类型,通过全寿命振动趋势曲线提取重要频域特征进行分析。

    16、优选的,在所述s2中,单单提取时、频域特征,难以获得足够的信息,通过时频域分析是处理非平稳的故障信号有效的手段,针对轴承全寿命周期数据是在强背景噪声环境下采集的,为降低噪声的干扰,还原信号的原始特征,选用基于遗传算法(ga)优化参数α的过程,并将其应用于vmd算法中,提高信号分解的准确性和稳定性;

    17、第一步:设定ga算法的参数,惩罚因子α的取值范围为[100,5000]、根据算法精度和速度选择种群大小为20、变量采用20位二进制编码格式、迭代次数为20次、代沟部分种群被复制的可选参数选择0.95,初始化产生交叉、变异概率,分别赋予各个种群,参数范围和初始值可根据具体的应用场景和信号特性进行动态调整;

    18、第二步:初始化参数α,对种群中的个体循环,对信号进行vmd分解,并计算每个imf的包络熵作为适应度函数;

    19、第三步:遗传算法循环,从零开始循环遗传代数,通过选择、交叉和变异操作来优化个体,根据适应度函数的值选择保留或淘汰个体,以包络熵最小的值作为适应度函数f(x)的结果,即:

    20、f(x)=min{ep1,ep2,…,epi}(i=1,...,k)

    21、第四步:比较源种群和目标种群的最优个体,如果相同,则源种群的最优个体得以保留,否则被目标种群的最优个体替代,将所选个体放到新的种群当中,获取该次迭代的最优适应度值;

    22、第五步:循环执行第二步到第四步,直到达到最大迭代次数范围,优化停止,得到全局最优个体惩罚因子α;

    23、第六步:将经过ga算法优化的参数α代入vmd算法中,计算imf分量与原信号间的谱相关系数;

    24、第七步:当最小谱相关系数小于设定阈值,则k=k-1;反之,k=k+1,继续执行步骤4~6,直至达到最大分解层数,停止分解;

    25、改进的vmd方法能够更准确地捕捉信号的时变特性,更好地描述信号的变化规律;通过遗传算法优化参数α,可以有效地避免imf分量中心频率的偏移失真,从而提高信号分解的准确性和稳定性;采用谱相关系数法确定分解层数k,可以避免欠分解和过分解对信号鲁棒性的影响,从而得到更加准确的分解结果;提取的时频域特征相比时域和频域特征更敏感于轴承早期故障。

    26、优选的,在所述s3中,使用软件绘制正常状态下滚动轴承三维模型,设立该模型所需的滚动轴承物理参数包括轴承节径、滚珠直径、滚珠个数、接触角;

    27、将三维模型导入有限元分析软件中,进行材料设置、接触模式设置、网格划分、施加载荷与约束建立滚动轴承的孪生有限元模型,使用优化拉丁超立方试验设计方法生成n组随机无序且在参数变化范围内均分布的动态参数样本序列,通过有限元分析软件的参数化扫描功能,逐组提取并代入有限元模型进行模态分析,求解出n组对应的不同输入参数下的前4阶固有频率;

    28、合并产生的输入和输出参数,生成训练深度神经网络的输入-输出数据集(即孪生数据集),构建深度神经网络模型,并通过孪生数据集训练深度神经网络,另随机产生m组非训练样本点的测试样本数据集,对训练好的深度网络模型的精度进行测试,并以测试集全局平均绝对误差和全局平均绝对百分比误差作为评价指标,对不同层深度神经网络模型性能进行评价,最终选取性能最优的深度神经网络模型作为滚动轴承的孪生有限元模型,实现对实体有限元模型的数字化镜像。

    29、优选的,在所述s4中,参数更新方法考虑了时域和频域等多个信号源的信号特性和相似性,为了获得最佳参数并确保模拟数据与实际数据之间的良好匹配,利用优化算法更新动态孪生模型的参数,在校准过程中,需要确定和更新多个参数,并且这些参数需要在许多方面与物理测量相匹配,模型更新过程中目标函数的数学表达式为:

    30、

    31、是模型优化后的更新参数值,tx孪生,ty真实分别表示孪生信号和实际信号的时域波形,tx孪生,ty真实分别表示傅立叶变换后的孪生信号和实际信号的频域波形,w孪生,w真实分别表示孪生信号和实际信号的时频域波形,correlation表示pearson相关系数,分别是两个信号的峰值,以最小化的三个函数为目标,对孪生模型的参数进行优化,实现与实际数据的精确匹配;

    32、将多目标粒子群优化(mopso)集成到模型中,根据实际信号动态更新孪生模型的参数,从现出强大的探索能力,实现快速收敛,其表达方式如下:

    33、粒子速度的更新公式为:

    34、

    35、分别表示粒子i在第k次迭代中的速度矢量和位置矢量,是粒子i在第k次迭代中的历史最优位置,是人口的历史最优位置,r1和r2是[0,1]范围内的随机数,这可以增加搜索的随机性,c1和c2是学习因素,ω是惯性重量。随着迭代次数的增加,ω惯性权重不断下降,使得pso在早期具有较强的全局收敛能力,在后期具有较强的局部收敛能力;

    36、

    37、ωmax,ωmin表示惯性权重的最大值和最小值,而iter和itermax表示当前迭代次数和最大迭代次数;

    38、粒子位置更新公式为:

    39、

    40、使用mopso多目标优化算法对现有基于pareto优势的多目标优化算法中的参数组进行优化;

    41、将pareto优势引入粒子群算法,求解多目标优化问题,mopso旨在找到pareto最优解集,其中没有一个解在多个目标中支配另一个解,执行以下操作以从多个解中确定最优值:1)计算pareto最优解并将其存储在档案中;2)采用轮盘选择方法来确定最有利的解决方案,从而有效地平衡所有目标。

    42、同时,本发明还对应提供一种全寿命周期滚动轴承的动态交互孪生模型的构建系统或电子设备,其特征在于用于实现上述的全寿命周期滚动轴承的动态交互孪生模型的构建方法,实现自动建模和更精确建模。

    43、与此同时,本发明还提供一种存储存储介质,在其上存储计算机程序,当计算机程序被执行时用于实现上述的全寿命周期滚动轴承的动态交互孪生模型方法。

    44、与现有技术相比,本发明具备以下有益效果:

    45、本发明基于实际轴承的参数和运行情况构建了具有模型参数更新机制的动态数字孪生模型,与传统的动态模型不同,它能够与轴承测量信号实时交互以更新其参数,以及模拟滚子相对滑移和轴承表面形态在整个生命周期内的演变,揭示了故障演变与振动响应之间的映射机制,通过参数更新机制实现了与实际轴承的实时交互,模拟了不同退化阶段的表面形貌演化,可以生成足够的生命周期孪生数据,有效补偿实际数据不足的问题。


    技术特征:

    1.一种全寿命周期滚动轴承的动态交互孪生模型的构建方法,其特征在于:包括以下步骤:

    2.根据权利要求1所述的一种全寿命周期滚动轴承的动态交互孪生模型的构建方法,其特征在于:在所述s2中,在提取时域特征的过程中,使用特征曲线结合正态分布进行统计学分析,假设一组轴承从正常到失效采集了n组实验数据,每组实验数据的长度为m,分别计算出每组实验数据的特征指标,将n组特征指标组合成一个向量l,计算均值μ和方差σ,由正态分布特征知统计量u为:

    3.根据权利要求2所述的一种全寿命周期滚动轴承的动态交互孪生模型的构建方法,其特征在于:在所述s2中,通过全寿命振动趋势曲线提取重要频域特征进行分析。

    4.根据权利要求3所述的一种全寿命周期滚动轴承的动态交互孪生模型的构建方法,其特征在于:所述步骤s2中时频域特征提取及分解过程如下:

    5.根据权利要求1所述的一种全寿命周期滚动轴承的动态交互孪生模型的构建方法,其特征在于:在所述s3中,绘制正常状态下滚动轴承三维模型,设立该模型所需的滚动轴承物理参数包括轴承节径、滚珠直径、滚珠个数、接触角;

    6.根据权利要求1所述的一种全寿命周期滚动轴承的动态交互孪生模型的构建方法,其特征在于:在所述s4中,利用优化算法更新动态孪生模型的参数,在校准过程中,需要确定和更新多个参数,更新过程中目标函数的数学表达式为:

    7.一种全寿命周期滚动轴承的动态交互孪生模型的构建系统或电子设备,其特征在于用于实现上述权利要求1-6任一项所述的全寿命周期滚动轴承的动态交互孪生模型的构建方法,实现自动建模和更精确建模。

    8.一种存储存储介质,在其上存储计算机程序,当计算机程序被执行时用于实现上述权利要求1-6任一项所述的全寿命周期滚动轴承的动态交互孪生模型方法。


    技术总结
    本发明公开了一种全寿命周期滚动轴承的动态交互孪生模型的构建方法及系统,包括以下步骤:信号采集,时、频域特征提取及分析,数字孪生建模与分析,参数优化机制和生成孪生数据。本发明基于实际轴承的参数和运行情况构建了具有模型参数更新机制的动态数字孪生模型,它能够与轴承测量信号实时交互以更新其参数,以及模拟滚子相对滑移和轴承表面形态在整个生命周期内的演变,揭示了故障演变与振动响应之间的映射机制,通过参数更新机制实现了与实际轴承的实时交互,模拟了不同退化阶段的表面形貌演化,可以生成足够的生命周期孪生数据,有效补偿实际数据不足的问题。

    技术研发人员:容芷君,庞奥康,但斌斌,李学霖,王一恒,水星
    受保护的技术使用者:武汉科技大学
    技术研发日:
    技术公布日:2024/11/26
    转载请注明原文地址:https://tc.8miu.com/read-29997.html

    最新回复(0)