[数字孪生驱动的智能制造]数字孪生与深度学习融合驱动的采煤机健康状态预测

针对处于恶劣工作环境的采煤机状态预测与维护困难的问题,结合数字孪生高逼真度行为仿真特性和深度学习强大的数据挖掘能力,提出数字孪生与深度学习融合驱动的采煤机健康状态预测方法。基于物理空间多物理参数构建采煤机数字孪生体,通过在虚拟空间的可视化展示与分析实现健康状态预判;建立基于深度学习的采煤机关键零件剩余寿命预测模型,实现实时监测数据驱动下的零件剩余寿命的在线预测;综合数字孪生体状态和剩余寿命值,实现采煤机健康状态预测。通过试验验证了该方法的有效性,为采煤机健康状态预测与管理提供新思路。     

数字孪生驱动的航空发动机涡轮盘剩余寿命预测

为解决航空发动机涡轮盘剩余寿命在线预测难题,提出一种数字孪生驱动的涡轮盘剩余寿命预测方法。在建立数字孪生模型的过程中,首先,分析涡轮盘疲劳裂纹损伤机理,构建性能退化指标,建立涡轮盘性能退化过程的共性表征模型;其次,分析多种不确定性因素,采用状态空间模型建立涡轮盘性能退化过程的个性表征模型;然后,通过动态贝叶斯网络描述状态空间模型随时间的演化规律,建立涡轮盘性能退化过程的动态演化模型;最后,采用粒子滤波算法实现涡轮盘退化状态追踪和剩余寿命预测,从而完成涡轮盘性能退化数字孪生模型的建立。融合涡轮盘实时传感数据,通过贝叶斯推理实现对该数字孪生模型的动态更新。通过某型涡轮盘试验数据对该方法进行验证,结果表明该数字孪生模型能够较好地解决涡轮盘剩余寿命在线预测问题。     

数字孪生驱动的连铸辊健康监测与组装优化框架

连铸辊在服役周期内存在难以追溯、故障诊断困难、剩余寿命难预测及运维成本高等问题。为了提高连铸辊运维水平，充分利用连铸辊的服役寿命，提出了一种数字孪生驱动的连铸辊健康监测与组装优化方法。构建了基于数字孪生的连铸辊健康监测与组装优化系统架构，基于三维孪生模型的连铸辊可视化监控与追溯，实现了连铸辊在线运行三维可视化监控与服役周期内的跟踪追溯；利用孪生数据，建立了复杂工况下的连铸辊剩余寿命预测模型；基于等寿命思想与启发智能算法进行连铸辊组装优化。最后，设计开发了连铸辊健康监测与组装优化原型系统，验证了框架的有效性与可行性。     

数字孪生驱动的离心泵机组故障诊断方法研究

数字孪生技术不仅是实现信息物理融合的核心，还是实现数字化故障诊断的关键。为了实现物理空间和信息空间的实时映射、故障实时预测、故障信息及时反馈，提出数字孪生驱动的离心泵机组故障诊断方法。首先，利用数字孪生技术构建离心泵机组数字孪生映射模型。然后，基于数字孪生映射模型，通过数据驱动的故障诊断方法实现故障实时预测，利用模型仿真的故障结果验证方法完成故障结果验证，以验证结果作为数字孪生模型修正和深度学习模型调整的条件。最后，借助Unity3D平台实现故障诊断系统的开发，并通过3种工况验证了系统的可行性。     

基于数字孪生的生产车间运行状态在线预测

针对数字孪生车间的在线预测难题,提出一种实时数据驱动的数字孪生车间运行状态在线预测方法.分析了车间数字孪生体的内涵和运行机制,构建了基于车间数字孪生体的仿真预测框架,阐述了基于事件调度法的仿真运行逻辑,建立了数字孪生车间输入特性、样本生成、事件处理逻辑之间的关系,融合实时数据实现了基于持续瞬态仿真的车间在线预测.设计并...     

面向数字孪生的构架裂纹扩展寿命预测建模分析方法

高速列车转向架构架裂纹扩展寿命预测对列车的可靠性和运行安全性具有重要意义。为实现基于数字孪生的构架裂纹扩展寿命预测,提出一种数据和模型融合驱动的构架裂纹扩展寿命预测建模方法。首先,基于数字孪生五维模型建立构架数字孪生模型框架;然后,构建构架裂纹扩展有限元仿真模型得出应力强度因子,并基于Paris公式构建构架裂纹扩展寿命机理模型;进而采用仿真模型和机理模型相结合的方法得出构架裂纹扩展寿命数据集;最后,基于构架裂纹扩展寿命数据集采用Kriging代理模型建立构架裂纹扩展寿命预测模型。研究结果表明该预测模型具有较高的精度和效率,能够有效支持孪生物理数据驱动的构架裂纹扩展寿命预测。     

基于数据对齐的深度ANN机械寿命预测

传统智能数据驱动机械剩余寿命预测存在两个问题：（1）预测起始时间的确定精度不高（2）实体之间数据分布的显著差异,为此提出一种基于数据对齐的深度对抗性神经网络机械寿命预测。利用生成性对抗性神经网络学习机器健康状态下的数据分布,建立系统异常的有效指标,确定预测的预测起始时间。将学习到的特征进一步用于剩余寿命估计,并对不同实体的数据比对引入对抗训练。在学习子空间中通过数据对齐策略来提取实体不变特征,弥补数据分布差异,提高了数据驱动程序方法的泛化能力。最后利用两组加速滚动轴承退化测试数据集验证了所提出的预测方法,结果表明提出的方法能够有效提升预测精度,并且有效解决了数据差异问题。     

一种基于数据驱动和贝叶斯理论的机械系统剩余寿命预测方法

针对复杂机械系统剩余寿命预测问题,提出一种基于数据驱动方法和贝叶斯理论的机械系统剩余寿命预测方法。该方法基于数据驱动方法,对相同或相似系统的历史状态监测数据进行融合,并建立表征系统退化程度的健康指示量和预测剩余寿命的状态模型;基于贝叶斯理论,建立状态模型参数的贝叶斯模型;在此基础上,基于待估系统的实时状态监测数据和贝叶斯模型,利用马尔科夫链蒙特卡洛方法来更新模型参数并预测待估系统的剩余寿命;通过一个航空发动机的预测问题,来说明该方法的有效性。     

一种基于空间卷积长短时记忆神经网络的轴承剩余寿命预测方法

传统的基于数据驱动的轴承剩余预测方法仍需要一定的先验知识,比如：特征指标选取、健康指标构建、失效阈值选定等等。预测结果严重依赖人工经验,为了克服这一缺点,基于深度学习方法提出了一种用于轴承剩余寿命预测的新方法,该方法的核心包括健康指标构建和剩余寿命计算。首先提出了一种无需先验知识的基于空间卷积长短时记忆神经网络（Convolutional long short-term memory neural network,ConvLSTM）的健康指标生成网络模型,该网络利用卷积神经网络的局部特征提取能力和长短时记忆网络的时间依赖特性,可直接从采集到的原始信号中挖掘反映退化程度的特征,构建健康指标,实现了高维原始数据向低维特征的映射转化,并利用Sigmoid函数将其归至[0,1]区间内,实现了阈值的统一;然后,利用粒子滤波更新双指数寿命模型,实现剩余寿命结果的输出。利用轴承全寿命试验对所提方法进行了验证,并与其他相关方法进行对比,结果表明本文方法所构建的健康指标具有更好的趋势性、单调性和鲁棒性,同时剩余寿命预测的准确率更高。     

基于UKF的轴承剩余寿命预测方法研究

针对轴承从早期故障发生到失效的非线性退化问题,提出一种基于无迹卡尔曼滤波算法(UKF)的轴承剩余寿命预测方法。该方法包括轴承性能评估和剩余寿命预测两个部分。在性能评估部分,首先利用轴承振动信号建立反映其健康状态的指数,基于对正常工作时指数的学习获得用于判断轴承健康状态的异常阈值并截取出轴承从早期故障发生到失效这一性能退化阶段的数据;在剩余寿命预测部分,利用双指数函数拟合分析轴承退化数据,构建出与轴承退化过程相符的非线性状态空间模型,模型参数利用Dempster-Shafer方法进行初始化后采用UKF算法对其进行更新,并预测轴承的剩余寿命。基于轴承全寿命周期试验数据的分析,结果显示所提方法有效地评估了轴承的健康状况,通过对比分析其他剩余寿命预测方法,发现所提方法较好地预测了轴承的剩余寿命。     

基于TCN的滚动轴承振动趋势与剩余寿命预测研究

滚动轴承作为旋转机械的关键零件,在旋转机械的运行维护中是关注重点。对滚动轴承振动趋势和剩余寿命进行预测,可以有效地预防设备故障,减小故障造成的损失。近年来,随着机器学习和深度学习方法在计算机视觉、自然语言处理等领域的应用,越来越多的机器学习和深度学习方法被应用在滚动轴承的剩余寿命预测研究中。滚动轴承的振动数据,作为一种序列数据,可以有效地应用LSTM循环神经网络、RNN和CNN等深度学习方法进行预测,但是预测效果还有待进一步的提升。时间卷积网络(Temporal Convolution Network, TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对滚动轴承的振动趋势预测,并且将TCN结合注意力机制进行了滚动轴承的剩余寿命预测研究;最终证实了TCN可以用于滚动轴承的振动趋势预测和剩余寿命预测,并得到了更好的预测效果。     

基于数字孪生的工程机械产品健康检测方法研究

为了提高工程机械产品的安全性能,结合故障预测与健康管理技术,提出基于数字孪生的工程机械产品健康检测方法。建立可准确反映当前工程机械产品状态的数字孪生模型,通过分析数字孪生模型,实现对工程机械产品的状态预测,从而提前发出故障预警。通过建立QTZ40塔机的数字孪生模型,运用基于数字孪生的工程机械产品健康检测方法对其进行健康检测。实验数据表明:基于该检测方法可有效实现机械故障预警和诊断,提高了塔机的安全性,解决了工程机械传统健康检测方法的不足,为同类工程机械故障诊断问题提供了解决方案。     

面向切削过程的刀具数字孪生模型

刀具磨损状态退化建模和仿真的结果难以真实地反映物理现实,使刀具的选用、更换和修磨决策缺乏可靠依据,严重地影响了刀具精准利用的优化和控制,以及生产系统的动态调控。针对该问题,在数字孪生理念的基础上,提出面向切削过程的刀具数字孪生模型,探讨了其概念、组成、功能和运作流程,详细论述了数字孪生驱动的刀具磨损监测、剩余寿命预测、刀具选用决策和刀具服务,并通过原型系统进行了验证。通过刀具物理对象与虚拟模型的交互与共融,面向切削过程的刀具数字孪生模型可提高刀具全生命周期状态管理的智能性、主动性、预测性,支持面向刀具精准利用的优化、决策和服务。     

基于数字孪生的复杂产品装配过程管控方法与应用

针对航天复杂产品装配过程的实时可视化监控、运行状态在线分析与预测难题,提出了一种基于数字孪生的复杂产品装配过程管控方法。首先构建了面向复杂产品装配过程管控的数字孪生模型;在此基础上,引入工作流技术实现了装配过程数据的实时采集与管理,提出实时数据驱动的数字孪生车间同步运行方法;随后通过灰色马尔可夫预测模型、T-K统计控制图以及关联规则算法的集成应用,实现了对复杂产品装配过程中的小样本量质量数据的实时预测与分析。最后,自主设计并开发了基于数字孪生的复杂产品装配过程管控系统,并在某卫星装配车间进行了应用验证。     

基于数据驱动的零部件疲劳寿命预测研究现状与发展趋势

随着风电、高铁、航空等重大装备向着高可靠性、长寿命、智能化的方向发展,对齿轮、轴承等基础零部件的寿命提出更高的要求,也迫切需要更为科学、高效的疲劳寿命预测方法.机械零部件的寿命预测方法可分为基于物理失效模型、基于数据驱动模型和基于融合模型3种.随着零部件寿命预测研究向高精度、高效率发展,基于物理模型的寿命预测方法由于其模型复杂、耗时、不具有普适性等缺陷难以满足现代需求.基于数据驱动技术由于其具有无需知道其具体失效机理、预测结果准确等优点,且伴随机器学习、深度学习等技术的迅速发展,使得其成为零部件疲劳寿命预测研究的热点.鉴于此,详细阐述了基于数据驱动的机械零部件疲劳寿命预测方法,并详细介绍了神经网络、支持向量机、随机森林、深度学习等数据驱动方法在零部件寿命预测中的应用,总结了每种方法的特点,探讨了基于数据驱动的零部件寿命预测方法的发展趋势,并给出了基于GA-BP神经网络齿轮接触疲劳寿命预测研究的案例.     

基于机器学习的设备剩余寿命预测方法综述

随着科学技术的发展和生产工艺的进步,当代设备日益朝着大型化、复杂化、自动化以及智能化方向发展。为保障设备安全性与可靠性,剩余寿命(Remaining useful life,RUL)预测技术受到了普遍关注,同时得到了广泛应用。传统的统计数据驱动方法受模型的选择影响明显,而机器学习具有强大的数据处理能力,并且无需确切的物理模型和专家先验知识,因而机器学习在剩余寿命预测领域表现出了广阔的应用前景。鉴于此,详细分析和阐述了基于机器学习的设备剩余寿命预测方法。根据机器学习模型结构的深度,将其分为基于浅层机器学习的方法和基于深度学习的方法。同时疏理了每类方法的发展分支与研究现状,并且总结了相应的优势和缺点,最后探讨了基于机器学习的剩余寿命预测方法的未来研究方向。     

知识驱动的加工产品数字孪生拟态建模方法

对加工过程的实时观察、分析和控制是优化零部件加工策略的重要组成部分。通过融合几何状态、物理状态和设备状态变化等多维、实时的加工过程数据,可以实现对加工过程的建模和监控。数字孪生模型是数字孪生系统的核心与基础。但是,目前还缺乏一种系统且能自适应开发高保真、多尺度、多维加工数字孪生建模方法,以辅助系统进行分析与决策。提出了一种知识驱动的加工产品数字孪生拟态建模方法,可以在加工过程中自适应地构建产品数字孪生模型。该模型可根据加工过程自适应的变化,实时表达加工过程中的产品,为数字孪生决策系统提供数据支持。最后在一个航天零件的加工过程中测试了该方法,验证数字孪生拟态模型在加工中应用的可行性。     

基于数字孪生的铣刀状态实时监控EI北大核心

针对机械加工过程中面临的制造过程不稳定、数据时效性差、实时监控可视化效果弱等问题,本着“虚实结合、以虚控实”的总体思想,提出基于数字孪生的铣刀状态实时监控方法,构建了物理空间和虚拟空间共生互控的数字孪生体。首先,搭建了基于数字孪生五维模型的铣刀状态监控系统结构模型,明确了五层系统架构的组成部分;其次,分别阐述了实现孪生系统框架的3个关键技术,即数控机床的数字空间搭建、多源异构数据的传输及管理、数字孪生驱动的铣刀状态监测;最后,以某薄壁件铣削加工过程为应用案例,验证了该监控方法的可行性与有效性,并为全面管控高档数控机床加工过程提供了一种新途径和新思路。     

基于全卷积层神经网络的轴承剩余寿命预测

传统的数据驱动的轴承剩余寿命预测方法需要基于知识和经验,通过人工建立性能退化指标,费时费力,为此,采用卷积神经网络对输入信号进行特征自学习和剩余寿命预测。将传统卷积神经网络中的全连接层全部更换为卷积层与池化层,以减少神经网络需训练的参数;采用加权平均方法对预测结果进行降噪处理。轴承加速寿命实验数据集验证了所提方法的有效性。     

基于自适应时间窗的设备剩余寿命实时预测研究

为适应智能工厂设备剩余寿命预测和维护决策的实时性与准确性要求,针对设备的多样化健康状态与独立退化特性,综合考虑设备在不同作业环境中的个体差异与同类设备在重要指标上的共同依赖,设计了智能工厂MES中基于数据驱动的剩余寿命预测流程,该流程旨在实现独立退化特性设备的实时性剩余寿命预测;随后结合广义回归神经网络,提出一种基于实时状态的剩余寿命预测方法,该方法不仅采用自适应时间窗,提高了预测的精度,还进一步采用动态步长策略与相空间重构技术,降低了时序特征波动与训练样本较少带来的误差风险;最后利用轴承全生命周期数据,运用仿真验证了该方法的有效性。