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。     

[数字孪生驱动的智能制造]数字孪生车间演化机理及运行机制

针对当前数字孪生车间演化机理不清楚造成其在制造领域技术路线图不明确的问题,从信息流、物料流、控制流三者的作用及关系剖析了当前生产车间所存在的问题和挑战,在总结数字孪生源起与发展现状后,提出从可视化、逻辑、数据三个维度构建可交互、可控制、可计算的虚拟车间,进而探讨从虚拟车间到数字模型车间、数字投影车间和数字孪生车间的演化机理。提出从数字化、智能化、智慧化三个阶段逐步构建数字孪生车间并阐述了各阶段的运行机制及使能技术,可为数字孪生车间在制造领域的推广与应用提供参考。     

[数字孪生驱动的智能制造]数字孪生驱动的航空发动机装配技术

为了实现物理状态与虚拟模型的交互与共融,研究了数字孪生驱动的航空发动机装配技术,论述了其构成、功能、流程,详细分析了装配流程控制、零件选配、装配操作引导、装配间隙控制、装配技术状态控制和装试数据关联分析关键技术实例验证（第3节）。所研究的技术不仅有助于提高航空发动机装配过程和技术状态管控的智能性、主动性、预测性,还能促进基于实物状态的决策和优化,提高装配的效率和规范性,提高一次装配成功率和质量性能的一致性,从而为数字孪生驱动的航空发动机装配技术研究和系统开发提供理论依据与技术参考。     

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。     

[数字孪生驱动的智能制造]基于文献计量的数字孪生研究进展分析

伴随物联网技术、云计算及机器学习等新一代信息技术的迅速发展,数字孪生技术已逐渐成为新的研究热点。基于文献计量法,对1994年以来全球486篇数字孪生相关论文的研究领域、国家与地区、论文发布期刊、关键词、研究作者及高被引论文等模块展开详细分析。结果表明,数字孪生作为一个新的研究课题,其技术挖掘性强,已在制造工程、计算机科学及电子工程等领域得到了广泛应用。在智能制造刚性需求的驱动下,数字孪生技术在未来具有非常好的理论研究和技术应用前景。     

[数字孪生驱动的智能制造]基于数字孪生的航天制造车间生产管控方法

针对目前航天制造车间生产管控中存在的效率低、精细度差、动态响应能力不足等难题,研究了基于数字孪生的制造车间生产管控方法,设计了基于跨网段信息异步交互的航天数字孪生车间架构,提出了航天数字孪生车间的基本组成和虚实融合的制造车间分层管控模式,阐述了面向不同对象的制造智能（MI）和商业智能（BI）场景应用,为军工企业车间生产管控提供了可行的技术途径。     

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。     

深度学习在设备故障预测与健康管理中的应用

在智能制造背景下,大数据驱动的设备故障预测与健康管理日益受到各界重视。深度学习能够在层次结构的特征提取过程中发现更多的隐藏知识,在领域自适应方面具有良好的数据适应性,近年来逐渐成为设备故障预测与健康管理的研究热点,并在设备故障诊断和预测中得到了广泛的应用。通过系统回顾近年来深度学习在设备故障预测与健康管理中应用,总结、分类和解释关于这一热点主题的主要文献,讨论了各种体系结构和相关理论。在此基础上,阐述了深度学习在设备故障诊断和预测方面所取得的主要成果、面临的挑战、以及未来的发展趋势,为设备故障预测与健康管理领域选择、设计或实现深度学习架构,提供明确的方向。     

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。     

面向智能制造全价值链的精益数字孪生体

数字孪生作为一种关注实现物理世界和信息世界交互融合的新技术,成为国内外智能制造领域研究的热点.尽管随着研究的深入,数字孪生应用技术框架和理论体系逐渐成型,但是现有文献还缺乏对数字孪生应用全过程管理的相关研究.文中通过研究精益管理和数字孪生在智能制造领域中的关系,系统论证了精益管理和数字孪生结合的可行性,并提出了"精益数...     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络(PMCCNN-LSTM)的剩余使用寿命预测模型。该模型主要由两部分组成:前端为并行多通道卷积网络(PMCCNN),提取信号特征,挖掘数据的时序特性,并采用逐层训练和微调的方式提升参数的收敛性;后端为长短时记忆(LSTM)网络,基于特征进行剩余使用寿命预测,并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性,实验结果表明:所提模型的平均误差与最大误差分别比传统的卷积神经网络(CNN)低23.38%和15.84%,比传统的LSTM低24.14%和19.01%,比卷积长短时记忆网络(CNN-LSTM)低30.32%和23.09%。     

Application of Digital Twin in Smart Battery Management Systems

Lithium-ion batteries have always been a focus of research on new energy vehicles,however,their internal reactions are complex,and problems such as battery aging and safety have not been fully understood.In view of the research and preliminary application of the digital twin in complex systems such as aerospace,we will have the opportunity to use the digital twin to solve the bottleneck of current battery research.Firstly,this paper arranges the develop-ment history,basic concepts and key technologies of the digital twin,and summarizes current research methods and challenges in battery modeling,state estimation,remaining useful life prediction,battery safety and control.Further-more,based on digital twin we describe the solutions for battery digital modeling,real-time state estimation,dynamic charging control,dynamic thermal management,and dynamic equalization control in the intelligent battery manage-ment system.We also give development opportunities for digital twin in the battery field.Finally we summarize the development trends and challenges of smart battery management.     

基于整群抽样和支持向量回归模型的高功率半导体激光器剩余使用寿命预测

剩余使用寿命（RUL）预测是高功率半导体激光器在各种环境应力作用下可靠性评估的核心问题。在实际应用中,现有支持向量回归（SVR）方法均侧重于保证所训练模型的回归曲线的整体误差最小,以追求方法的泛化性,这往往造成关键预警阶段特别是临近故障失效前的预测结果不理想,不能可靠地支持维护决策。提出了一种基于整群抽样的SVR模型训练方法,对测试样本后期观测数据进行多次整群抽样后用于SVR模型测试,SVR模型中的参数使得SVR模型对训练样本的后期数据拟合得更好。实例分析验证了该方法的有效性和稳健性,研究结果表明,所提方法的预测性能和实用价值优于现有几种代表性的小样本分析方法。     

基于多源数据融合的采煤机截割载荷预测方法

为解决单一传感信息对采煤机截割载荷预测精度低的问题,提高采煤机运行安全状态的感知能力,在应用深度信念网络(DBN)的基础上,引入贝叶斯正则化(BR)方法和粒子群优化(PSO)算法,提出了一种基于多传感器的采煤机滚筒载荷辨识与预测方法.构建BR-PSO-DBN预测模型,以惰轮轴传感器、连接架销轴传感器和摇臂应变传感器监测...     

自适应多核组合相关向量机预测方法及其在机械设备剩余寿命预测中的应用

针对支持向量机(Support vector machine,SVM)的惩罚系数难以确定、核函数必须满足Mercer定理等问题,相关向量机(Relevance vector machine,RVM)应运而生以解决上述问题,并在趋势预测等领域得到一定的应用。核函数是决定RVM预测精度的关键因素之一,目前的研究通常是人为选择单一核函数,因此增加了对参数的依赖性并降低了RVM预测的鲁棒性。为了解决以上问题,提出一种新的自适应多核组合RVM预测方法。该方法首先选择多个核函数,利用粒子滤波产生核函数权重,建立多核组合RVM集,然后经过不断地迭代预测、权值更新和重采样,自适应获取最优多核组合RVM,从而自适应融合多个核函数的特性,克服基于单一核函数RVM的局限,提高预测精度和鲁棒性。利用仿真对提出方法进行了验证,并将其应用于机械设备的剩余寿命预测,取得了比基于单一核函数RVM更好的预测效果。     

基于深度学习和迁移学习的液压泵健康评估方法

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间的地点变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。     

基于DAE-HTPF的新能源汽车电池剩余寿命预测

针对反映锂电池寿命的趋势性特征自学习与电池剩余寿命预测问题,提出了基于降噪自编码器（denoising auto-encoder,DAE）与混合趋势粒子滤波（hybrid trend particle filter,HTPF）的电池剩余寿命预测方法。利用电池使用前期的信号特征训练DAE,然后将使用中后期的电池信号特征输入DAE中,并提取重构误差。另外,利用HTPF方法对电池生命周期内的信号特征进行分析,建立自适应状态方程。分析结果表明,该方法能有效地对锂电池的性能退化趋势性特征进行自提取,从而有效地减少人为因素的干扰,同时相比于传统粒子滤波（particle filter,PF）,HTPF对电池剩余寿命预测精度更高。