CN112528533A - 一种千米深井提升机制动器可靠性智能评估与寿命预测方法 - Google Patents
一种千米深井提升机制动器可靠性智能评估与寿命预测方法 Download PDFInfo
- Publication number
- CN112528533A CN112528533A CN202011299077.5A CN202011299077A CN112528533A CN 112528533 A CN112528533 A CN 112528533A CN 202011299077 A CN202011299077 A CN 202011299077A CN 112528533 A CN112528533 A CN 112528533A
- Authority
- CN
- China
- Prior art keywords
- brake
- parameters
- braking
- performance
- reliability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Braking Arrangements (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种千米深井提升机制动器可靠性智能评估与寿命预测方法,包含建立提升机制动器数字孪生模型、数据采集与同步、可靠性评估与寿命预测,其中,提升机制动器数字孪生模型可准确反映提升机制动器的实际物理特性,数据采集与同步可实现提升机制动器物理实体与其数字孪生模型的实时映射,进一步基于提升机制动器数字孪生模型,实现可靠性评估和寿命预测,通过将数字孪生技术与可靠性分析方法相结合,实现了提升机制动器可靠性评估和寿命预测的实时更新,解决了因提升机制动器部分参数难以直接监测、可靠性数据统计困难、或数据样本不足,而难以开展可靠性评估和寿命预测的难题。
Description
技术领域
本发明涉及一种千米深井提升机制动器可靠性智能评估与寿命预测方法,属于机械结构可靠性研究技术领域。
背景技术
我国目前大多数煤井都是浅井,深至地面500~800m,而煤炭资源埋藏深度在1000~2000米的约占总储量的53%,必须采用千米深井提升***。制动器是提升机最关键的安全保障设备,制动失效将引发严重事故。然而,千米深井提升带来的高速、重载和大惯量对提升机实施可靠制动提出了更高要求。因此,实时评估千米深井提升机制动器的可靠性水平,准确获取提升机制动器关键部件的剩余寿命,对提高提升机制动过程的可靠性、减少恶性事故的发生以及避免人员伤亡或设备损坏等具有重要意义。
提升机的制动过程复杂多变,制动器在高速重载工况下产生的热-结构耦合作用更易引起制动器件材料性质发生质的变化。同时,提升机制动***不可避免地存在着与磨损、材料老化等紧密相关的多种性能退化机制,从而引起制动器多种失效模式。目前针对千米深井提升机制动器的可靠性智能评估和寿命预测技术还不够成熟,在制动器的服役过程中,制动器将在正常制动和紧急制动等情况下,承受不同制动速度、制动次数和制动温度的作用,且制动器关键部件的结构参数、材料参数以及性能参数等也存在不确定性和时变特性,多种失效模式并存也增加了可靠性评估的复杂程度,忽略这些因素的影响将难以准确评估提升机制动器的可靠性水平和剩余寿命。
发明内容
本发明所要解决的技术问题是提供一种千米深井提升机制动器可靠性智能评估与寿命预测方法,能够克服千米深井提升机制动器小样本多失效模式下的安全制动问题,提高实际工作效率。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种千米深井提升机制动器可靠性智能评估与寿命预测方法,用于针对目标提升机制动器进行可靠性智能评估,通过如下步骤i至步骤ii,获得目标提升机制动器所对应的数字孪生模型,然后基于数字孪生模型,按预设第一周期时长执行如下步骤A至步骤H,实现对目标提升机制动器的实时可靠性评估;
步骤i.根据目标提升机制动器的各项结构参数、材料属性参数、以及制动工况参数,结合制动盘、制动闸瓦、蝶形弹簧之间的物理作用关系,建立目标提升机制动器所对应的三维结构有限元仿真模型,然后进入步骤ii;
步骤ii.基于指定正常制动工况与指定紧急制动工况下,根据目标提升机制动器与三维结构有限元仿真模型在制动闸瓦和制动盘接触所产生制动力矩的差异,针对三维结构有限元仿真模型参数,以及制动盘、制动闸瓦、蝶形弹簧之间的物理作用关系进行调整,获得目标提升机制动器所对应的数字孪生模型;
步骤A.检测获得目标提升机制动器对应指定各项结构参数、各项材料属性参数、各制动工况参数的数据、以及对应指定各制动性能参数的数据,并将该各个参数的数据映射到数字孪生模型中,实现与数字孪生模型中相应参数数据的同步更新,然后进入步骤B;
步骤B.分别针对各项结构参数、各项材料属性参数、以及各制动工况参数,建立数字孪生模型对应参数的一组随机数据,且该组随机数据分布满足步骤A所获目标提升机制动器对应该结构参数、材料属性参数、以及制动工况参数的概率分布;进而获得各项结构参数、各项材料属性参数、以及各制动工况参数之间不同随机数据的组合,即构成数字孪生模型所对应的各组随机参数组合,然后进入步骤C;
步骤C.分别针对指定正常制动工况与指定紧急制动工况,获得各指定工况下、数字孪生模型各制动性能参数分别对应各组随机参数组合下的随机响应;然后进入步骤D;
步骤D.分别针对各个制动性能参数,根据各指定工况下、数字孪生模型制动性能参数分别对应各组随机参数组合下的随机响应,以各组随机参数组合为输入,各组随机参数组合分别所对应该制动性能参数为输出,构建该制动性能参数所对应的训练数据样本库;然后进入步骤E;
步骤E.分别针对各个制动性能参数,根据制动性能参数所对应的训练数据样本库,构建各个制动性能参数分别所对应的模型函数,即各个制动性能参数分别所对应的随机响应面模型;然后进入步骤F;
步骤F.根据各个制动性能参数分别所对应的随机响应面模型,结合目标提升机制动器所对应各制动性能参数阈值,建立各个制动性能参数分别所对应的可靠性评估模型,然后进入步骤G;
步骤G.针对检测目标提升机制动器所获各制动工况参数的数据,根据各个制动性能参数分别所对应的可靠性评估模型,采用可知矩进行统计矩分析,进而采用基于可知矩的高阶矩逼近方法,获得各制动性能参数分别所对应的可靠性结果,即实现对目标提升机制动器的实时可靠性评估,然后进入步骤H;
步骤H.检测获得目标提升机制动器对应指定各制动工况参数的数据、以及对应指定各制动性能参数的数据,构建以各制动工况参数的数据为输入,对应各制动性能参数的数据为输出,并对应加入各制动性能参数分别所对应的训练数据样本库中,然后返回步骤E。
作为本发明的一种优选技术方案:所述步骤G中,获得各制动性能参数分别所对应的可靠性结果后,针对各制动性能参数之间的相关性,应用copula函数针对各可靠性结果建立多失效模式相关下的***可靠性模型,即获得目标提升机制动器所对应的综合可靠性结果。
作为本发明的一种优选技术方案:基于所述数字孪生模型,还包括按预设第二周期时长执行如下步骤I至步骤III,实现对目标提升机制动器的寿命预测;
步骤I.针对当前时刻向历史时间方向的预设时长范围,获取该时长范围内各个时刻下目标提升机制动器对应指定各制动工况参数的数据,以及指定各涉及性能退化制动性能参数的数据,然后进入步骤II;
步骤II.分别针对各涉及性能退化制动性能参数,根据步骤I所获各时刻下目标提升机制动器涉及性能退化制动性能参数的数据,构建该涉及性能退化制动性能参数所对应的退化过程模型函数,即作为该涉及性能退化制动性能参数所对应的性能退化模型;进而获得各涉及性能退化制动性能参数分别所对应的性能退化模型,然后进入步骤III;
步骤III.根据各涉及性能退化制动性能参数分别所对应的性能退化模型,针对检测目标提升机制动器所获各制动工况参数的数据,获得各涉及性能退化制动性能参数分别所对应的寿命预测结果,即实现对目标提升机制动器的寿命预测。
作为本发明的一种优选技术方案:所述步骤III中,获得各涉及性能退化制动性能参数分别所对应的寿命预测结果后,应用时变copula函数针对各寿命预测结果建立多退化过程相关下的寿命预测模型,即获得目标提升机制动器所对应的综合寿命预测结果。
作为本发明的一种优选技术方案:所述步骤E中,分别针对各个制动性能参数,根据制动性能参数所对应的训练数据样本库,应用机器学习方法,构建该制动性能参数所对应的模型函数,即该制动性能参数所对应的随机响应面模型;进而获得各个制动性能参数分别所对应的随机响应面模型,然后进入步骤F;
所述步骤II中,分别针对各涉及性能退化制动性能参数,根据步骤I所获各时刻下目标提升机制动器涉及性能退化制动性能参数的数据,应用机器学习方法,构建该涉及性能退化制动性能参数所对应的退化过程模型函数,即作为该涉及性能退化制动性能参数所对应的性能退化模型。
作为本发明的一种优选技术方案:所述各涉及性能退化制动性能参数包括制动盘裂纹、各制动闸瓦磨损、各蝶形弹簧刚度。
作为本发明的一种优选技术方案:所述步骤ii中包括如下步骤ii-1至步骤ii-4;
步骤ii-1.分别针对指定正常制动工况与指定紧急制动工况,获得目标提升机制动器在工况下制动闸瓦与制动盘接触所产生的制动力矩,然后进入步骤ii-2;
步骤ii-2.分别针对与步骤ii-1相同的指定正常制动工况与指定紧急制动工况,获得三维结构有限元仿真模型在工况下制动闸瓦与制动盘接触所产生的制动力矩,然后进入步骤ii-3;
步骤ii-3.针对指定正常制动工况下、三维结构有限元仿真模型所对应制动力矩与目标提升机制动器所对应制动力矩之间的差值,以及指定紧急制动工况下、三维结构有限元仿真模型所对应制动力矩与目标提升机制动器所对应制动力矩之间的差值,判断两个差值是否均符合预设差值阈值范围内,是则三维结构有限元仿真模型即构成目标提升机制动器所对应的数字孪生模型;否则进入步骤ii-4;
步骤ii-4.根据步骤B3中所判断的两个差值,针对三维结构有限元仿真模型参数,以及制动盘、制动闸阀、蝶形弹簧之间的物理作用关系进行调整,更新三维结构有限元仿真模型,然后返回步骤ii-2。
作为本发明的一种优选技术方案:所述步骤A中,检测获得目标提升机制动器对应指定各项结构参数、各项材料属性参数、各制动工况参数的数据、以及对应指定各制动性能参数的数据后,针对目标提升机制动器对应指定各项结构参数、各项材料属性参数、各制动工况参数的数据、以及对应指定各制动性能参数的数据,分别执行滤波处理,然后将该各个参数的数据映射到数字孪生模型中。
作为本发明的一种优选技术方案:所述制动工况参数包括提升载荷、制动初速度、制动次数、制动力,所述制动性能参数包括制动盘温度、闸瓦温度、制动盘变形量、闸瓦磨损量、蝶形弹簧刚度。
本发明所述一种千米深井提升机制动器可靠性智能评估与寿命预测方法,采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明所设计千米深井提升机制动器可靠性智能评估与寿命预测方法,将数字孪生技术与可靠性分析方法相结合,实现了提升机制动器性能参数的实时更新,对比采用历史数据或实验数据进行可靠性建模的方法,本发明通过实时更新的参数进行建模和统计分析,提高了可靠性评估模型和性能退化模型的准确性;
(2)本发明所设计千米深井提升机制动器可靠性智能评估与寿命预测方法,考虑了影响制动可靠性的多种失效模式之间的动态相关性,并采用时变copula函数进行动态相关性的概率建模,相对于失效独立假设,能够更加准确和合理地评估提升机的制动可靠性;
(3)本发明所设计千米深井提升机制动器可靠性智能评估与寿命预测方法,采用可知矩(knowable moment)对提升机制动器的随机参数和随机响应进行概率统计,对比传统矩更加适合进行概率分布的拟合,避免了样本数量较少所导致的分布拟合偏差较大的情况,提高了实时可靠性评估的精度。
附图说明
图1为本发明所述方法的实现流程图;
图2为提升机制动器实时***可靠度评估曲线示意图;
图3为提升机制动器关键部件剩余寿命预测曲线示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
数字孪生技术可将提升机制动器的物理实体与其数字化模型通过实时数据映射相结合,实现制动器数字孪生模型的实时更新,通过数字化仿真的形式刻画提升机制动器的真实环境工况和性能变化,从而为提升机制动器的实时可靠性评估和寿命预测,提供一种有效的性能仿真与数据分析的手段。
本发明通过将数字孪生技术与可靠性分析方法相结合,实现了仿真数据与制动器实时监测数据的实时交互与更新,可解决因部分参数难以直接监测、可靠性数据统计困难或数据样本不足而难以开展可靠性评估和寿命预测的难题。
具体本发明设计了一种千米深井提升机制动器可靠性智能评估与寿命预测方法,用于针对目标提升机制动器进行可靠性智能评估,如图1所示,首先通过如下步骤i至步骤ii,获得目标提升机制动器所对应的数字孪生模型。
步骤i.根据目标提升机制动器的各项结构参数、材料属性参数、以及制动工况参数,结合制动盘、制动闸瓦、蝶形弹簧之间的物理作用关系,建立目标提升机制动器所对应的三维结构有限元仿真模型,然后进入步骤ii。
这里在实际应用当中,制动工况参数包括提升载荷、制动初速度、制动次数、制动力,所述制动性能参数包括制动盘温度、闸瓦温度、制动盘变形量、闸瓦磨损量、蝶形弹簧刚度。
步骤ii.基于指定正常制动工况与指定紧急制动工况下,根据目标提升机制动器与三维结构有限元仿真模型在制动闸瓦和制动盘接触所产生制动力矩的差异,针对三维结构有限元仿真模型参数,以及制动盘、制动闸瓦、蝶形弹簧之间的物理作用关系进行调整,获得目标提升机制动器所对应的数字孪生模型。
正常制动包括停车制动和工作制动,停车制动是指当提升机停止运转时,制动器闸住提升机,使提升机均不能转动;工作制动是指当提升机减速爬行或重载下放时,制动器对提升速度进行控制,使提升机的运行状态不偏离预定要求。所述紧急制动是指当发生突发性事故或意外情况时,制动器应能迅速且合乎安全要求地闸住提升机制动盘。
实际应用当中,上述步骤ii中具体执行如下步骤ii-1至步骤ii-4。
步骤ii-1.分别针对指定正常制动工况与指定紧急制动工况,获得目标提升机制动器在工况下制动闸瓦与制动盘接触所产生的制动力矩,然后进入步骤ii-2。
步骤ii-2.分别针对与步骤ii-1相同的指定正常制动工况与指定紧急制动工况,获得三维结构有限元仿真模型在工况下制动闸瓦与制动盘接触所产生的制动力矩,然后进入步骤ii-3。
步骤ii-3.针对指定正常制动工况下、三维结构有限元仿真模型所对应制动力矩与目标提升机制动器所对应制动力矩之间的差值,以及指定紧急制动工况下、三维结构有限元仿真模型所对应制动力矩与目标提升机制动器所对应制动力矩之间的差值,判断两个差值是否均符合预设差值阈值范围内,是则三维结构有限元仿真模型即构成目标提升机制动器所对应的数字孪生模型;否则进入步骤ii-4。
步骤ii-4.根据步骤B3中所判断的两个差值,针对三维结构有限元仿真模型参数,以及制动盘、制动闸阀、蝶形弹簧之间的物理作用关系进行调整,更新三维结构有限元仿真模型,然后返回步骤ii-2。
实际应用通过上述操作所获目标提升机制动器所对应的数字孪生模型中,包括数字孪生结构模型和数字孪生关系模型;其中,所述数字孪生结构模型包括提升机制动器、以及其零部件的几何尺寸、材料属性和工况参数。所述几何尺寸、材料属性参数可通过提升机制动器的设计图纸、零部件选用材料及加工工艺等渠道获取;所述工况参数至少包括提升载荷、制动初速度、制动次数和制动力等。所述数字孪生关系模型包括提升机制动器零部件之间的装配关系和位置关系等,可通过设计图纸或者测绘的方式获得。
然后基于数字孪生模型,如图1所示,按预设第一周期时长执行如下步骤A至步骤H,实现对目标提升机制动器的实时可靠性评估。
步骤A.检测获得目标提升机制动器对应指定各项结构参数、各项材料属性参数、各制动工况参数的数据、以及对应指定各制动性能参数的数据后,针对目标提升机制动器对应指定各项结构参数、各项材料属性参数、各制动工况参数的数据、以及对应指定各制动性能参数的数据,分别执行滤波处理,然后将该各个参数的数据映射到数字孪生模型中,实现与数字孪生模型中相应参数数据的同步更新,然后进入步骤B。
实际应用当中,采用多传感器监测***对提升机制动器的制动工况参数和制动性能参数进行实时监测。采用信息处理***将多传感器监测***所采集到的各种参数信息进行分析处理,并将处理后的参数实时映射到提升机制动器所对应的数字孪生模型中,驱动提升机制动器所对应数字孪生模型的实时更新。
具体来讲,多传感器监测***中的各类传感器安装在提升机制动***上,采用激光测距传感器测量闸瓦和制动盘的轮廓,采用涡流式传感器测量闸瓦和制动盘的厚度,采用光电式位移传感器测量活塞杆的线位移,采用油压变送器监测制动器液压油进口处的油压,采用流量传感器监测制动器液压油进口处的流量,采用编码器测量制动盘的转速和角位移,采用红外热像仪测量制动器闸瓦和制动盘的温度。
步骤B.分分别针对各项结构参数、各项材料属性参数、以及各制动工况参数,建立数字孪生模型对应参数的一组随机数据,且该组随机数据分布满足步骤A所获目标提升机制动器对应该结构参数、材料属性参数、以及制动工况参数的概率分布;进而获得各项结构参数、各项材料属性参数、以及各制动工况参数之间不同随机数据的组合,即构成数字孪生模型所对应的各组随机参数组合,然后进入步骤C。
步骤C.分别针对指定正常制动工况与指定紧急制动工况,获得各指定工况下、数字孪生模型各制动性能参数分别对应各组随机参数组合下的随机响应;然后进入步骤D。
步骤D.分别针对各个制动性能参数,根据各指定工况下、数字孪生模型制动性能参数分别对应各组随机参数组合下的随机响应,以各组随机参数组合为输入,各组随机参数组合分别所对应该制动性能参数为输出,构建该制动性能参数所对应的训练数据样本库;然后进入步骤E。
步骤E.分别针对各个制动性能参数,根据制动性能参数所对应的训练数据样本库,应用机器学习方法,构建该制动性能参数所对应的模型函数,即该制动性能参数所对应的随机响应面模型;进而获得各个制动性能参数分别所对应的随机响应面模型,然后进入步骤F。
步骤F.根据各个制动性能参数分别所对应的随机响应面模型,结合目标提升机制动器所对应各制动性能参数阈值,建立各个制动性能参数分别所对应的可靠性评估模型,然后进入步骤G。
步骤G.针对检测目标提升机制动器所获各制动工况参数的数据,根据各个制动性能参数分别所对应的可靠性评估模型,采用可知矩(knowable moment)进行统计矩分析,进而采用基于可知矩的高阶矩逼近方法,获得各制动性能参数分别所对应的可靠性结果,即实现对目标提升机制动器的实时可靠性评估,然后进入步骤H。
实际应用中,步骤G在获得各制动性能参数分别所对应的可靠性结果后,针对各制动性能参数之间的相关性,应用copula函数针对各可靠性结果建立多失效模式相关下的***可靠性模型,即获得目标提升机制动器所对应的综合可靠性结果。
所述可知矩与传统统计矩的区别在于,所述可知矩的前四阶中心矩如下:
其中λ2,λ3,λ4分别为L矩的第二阶矩、第三阶矩和第四阶矩。
同时,按如下公式:
使用可知矩时定义偏度θ和峰度η。
如图2所示,当综合可靠性结果低于设定的安全阈值时,提升机制动器的制动控制模块会及时调整提升机的制动工况参数,提高制动可靠性。
步骤H.检测获得目标提升机制动器对应指定各制动工况参数的数据、以及对应指定各制动性能参数的数据,构建以各制动工况参数的数据为输入,对应各制动性能参数的数据为输出,并对应加入各制动性能参数分别所对应的训练数据样本库中,然后返回步骤E。
与上述针对目标提升机制动器执行可靠性智能评估相对应的,本发明进一步基于所述数字孪生模型,如图1所示,设计按预设第二周期时长执行如下步骤I至步骤III,实现对目标提升机制动器的寿命预测。
步骤I.针对当前时刻向历史时间方向的预设时长范围,获取该时长范围内各个时刻下目标提升机制动器对应指定各制动工况参数的数据,以及指定各涉及性能退化制动性能参数的数据,然后进入步骤II。实际应用当中,所述各涉及性能退化制动性能参数包括制动盘裂纹、各制动闸瓦磨损、各蝶形弹簧刚度。
步骤II.分别针对各涉及性能退化制动性能参数,根据步骤I所获各时刻下目标提升机制动器涉及性能退化制动性能参数的数据,应用机器学习方法,构建该涉及性能退化制动性能参数所对应的退化过程模型函数,即作为该涉及性能退化制动性能参数所对应的性能退化模型;进而获得各涉及性能退化制动性能参数分别所对应的性能退化模型,然后进入步骤III。
步骤III.根据各涉及性能退化制动性能参数分别所对应的性能退化模型,针对检测目标提升机制动器所获各制动工况参数的数据,获得各涉及性能退化制动性能参数分别所对应的寿命预测结果,即实现对目标提升机制动器的寿命预测。
实际应用中,上述步骤III在获得各涉及性能退化制动性能参数分别所对应的寿命预测结果后,应用时变copula函数针对各寿命预测结果建立多退化过程相关下的寿命预测模型,即获得目标提升机制动器所对应的综合寿命预测结果。
如图3所示,在获得目标提升机制动器所对应的综合寿命预测结果后,当综合寿命预测结果低于设定的阈值时,及时报警并对性能退化的零部件进行维护和替换。
本发明所设计千米深井提升机制动器可靠性智能评估与寿命预测方法,将数字孪生技术与可靠性分析方法相结合,实现了提升机制动器性能参数的实时更新,对比采用历史数据或实验数据进行可靠性建模的方法,本发明通过实时更新的参数进行建模和统计分析,提高了可靠性评估模型和性能退化模型的准确性;并且考虑了影响制动可靠性的多种失效模式之间的动态相关性,以及采用时变copula函数进行动态相关性的概率建模,相对于失效独立假设,能够更加准确和合理地评估提升机的制动可靠性;此外采用可知矩(Knowable moment)对提升机制动器的随机参数和随机响应进行概率统计,对比传统矩更加适合进行概率分布的拟合,避免了样本数量较少所导致的分布拟合偏差较大的情况,提高了实时可靠性评估的精度。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (9)
1.一种千米深井提升机制动器可靠性智能评估与寿命预测方法,用于针对目标提升机制动器进行可靠性智能评估,其特征在于,通过如下步骤i至步骤ii,获得目标提升机制动器所对应的数字孪生模型,然后基于数字孪生模型,按预设第一周期时长执行如下步骤A至步骤H,实现对目标提升机制动器的实时可靠性评估;
步骤i.根据目标提升机制动器的各项结构参数、材料属性参数、以及制动工况参数,结合制动盘、制动闸瓦、蝶形弹簧之间的物理作用关系,建立目标提升机制动器所对应的三维结构有限元仿真模型,然后进入步骤ii;
步骤ii.基于指定正常制动工况与指定紧急制动工况下,根据目标提升机制动器与三维结构有限元仿真模型在制动闸瓦和制动盘接触所产生制动力矩的差异,针对三维结构有限元仿真模型参数,以及制动盘、制动闸瓦、蝶形弹簧之间的物理作用关系进行调整,获得目标提升机制动器所对应的数字孪生模型;
步骤A.检测获得目标提升机制动器对应指定各项结构参数、各项材料属性参数、各制动工况参数的数据、以及对应指定各制动性能参数的数据,并将该各个参数的数据映射到数字孪生模型中,实现与数字孪生模型中相应参数数据的同步更新,然后进入步骤B;
步骤B.分别针对各项结构参数、各项材料属性参数、以及各制动工况参数,建立数字孪生模型对应参数的一组随机数据,且该组随机数据分布满足步骤A所获目标提升机制动器对应该结构参数、材料属性参数、以及制动工况参数的概率分布;进而获得各项结构参数、各项材料属性参数、以及各制动工况参数之间不同随机数据的组合,即构成数字孪生模型所对应的各组随机参数组合,然后进入步骤C;
步骤C.分别针对指定正常制动工况与指定紧急制动工况,获得各指定工况下、数字孪生模型各制动性能参数分别对应各组随机参数组合下的随机响应;然后进入步骤D;
步骤D.分别针对各个制动性能参数,根据各指定工况下、数字孪生模型制动性能参数分别对应各组随机参数组合下的随机响应,以各组随机参数组合为输入,各组随机参数组合分别所对应该制动性能参数为输出,构建该制动性能参数所对应的训练数据样本库;然后进入步骤E;
步骤E.分别针对各个制动性能参数,根据制动性能参数所对应的训练数据样本库,构建各个制动性能参数分别所对应的模型函数,即各个制动性能参数分别所对应的随机响应面模型;然后进入步骤F;
步骤F.根据各个制动性能参数分别所对应的随机响应面模型,结合目标提升机制动器所对应各制动性能参数阈值,建立各个制动性能参数分别所对应的可靠性评估模型,然后进入步骤G;
步骤G.针对检测目标提升机制动器所获各制动工况参数的数据,根据各个制动性能参数分别所对应的可靠性评估模型,采用可知矩进行统计矩分析,进而采用基于可知矩的高阶矩逼近方法,获得各制动性能参数分别所对应的可靠性结果,即实现对目标提升机制动器的实时可靠性评估,然后进入步骤H;
步骤H.检测获得目标提升机制动器对应指定各制动工况参数的数据、以及对应指定各制动性能参数的数据,构建以各制动工况参数的数据为输入,对应各制动性能参数的数据为输出,并对应加入各制动性能参数分别所对应的训练数据样本库中,然后返回步骤E。
2.根据权利要求1所述一种千米深井提升机制动器可靠性智能评估与寿命预测方法,其特征在于:所述步骤G中,获得各制动性能参数分别所对应的可靠性结果后,针对各制动性能参数之间的相关性,应用copula函数针对各可靠性结果建立多失效模式相关下的***可靠性模型,即获得目标提升机制动器所对应的综合可靠性结果。
3.根据权利要求1所述一种千米深井提升机制动器可靠性智能评估与寿命预测方法,其特征在于:基于所述数字孪生模型,还包括按预设第二周期时长执行如下步骤I至步骤III,实现对目标提升机制动器的寿命预测;
步骤I.针对当前时刻向历史时间方向的预设时长范围,获取该时长范围内各个时刻下目标提升机制动器对应指定各制动工况参数的数据,以及指定各涉及性能退化制动性能参数的数据,然后进入步骤II;
步骤II.分别针对各涉及性能退化制动性能参数,根据步骤I所获各时刻下目标提升机制动器涉及性能退化制动性能参数的数据,构建该涉及性能退化制动性能参数所对应的退化过程模型函数,即作为该涉及性能退化制动性能参数所对应的性能退化模型;进而获得各涉及性能退化制动性能参数分别所对应的性能退化模型,然后进入步骤III;
步骤III.根据各涉及性能退化制动性能参数分别所对应的性能退化模型,针对检测目标提升机制动器所获各制动工况参数的数据,获得各涉及性能退化制动性能参数分别所对应的寿命预测结果,即实现对目标提升机制动器的寿命预测。
4.根据权利要求3所述一种千米深井提升机制动器可靠性智能评估与寿命预测方法,其特征在于:所述步骤III中,获得各涉及性能退化制动性能参数分别所对应的寿命预测结果后,应用时变copula函数针对各寿命预测结果建立多退化过程相关下的寿命预测模型,即获得目标提升机制动器所对应的综合寿命预测结果。
5.根据权利要求3所述一种千米深井提升机制动器可靠性智能评估与寿命预测方法,其特征在于:所述步骤E中,分别针对各个制动性能参数,根据制动性能参数所对应的训练数据样本库,应用机器学习方法,构建该制动性能参数所对应的模型函数,即该制动性能参数所对应的随机响应面模型;进而获得各个制动性能参数分别所对应的随机响应面模型,然后进入步骤F;
所述步骤II中,分别针对各涉及性能退化制动性能参数,根据步骤I所获各时刻下目标提升机制动器涉及性能退化制动性能参数的数据,应用机器学习方法,构建该涉及性能退化制动性能参数所对应的退化过程模型函数,即作为该涉及性能退化制动性能参数所对应的性能退化模型。
6.根据权利要求3所述一种千米深井提升机制动器可靠性智能评估与寿命预测方法,其特征在于:所述各涉及性能退化制动性能参数包括制动盘裂纹、各制动闸瓦磨损、各蝶形弹簧刚度。
7.根据权利要求1所述一种千米深井提升机制动器可靠性智能评估与寿命预测方法,其特征在于:所述步骤ii中包括如下步骤ii-1至步骤ii-4;
步骤ii-1.分别针对指定正常制动工况与指定紧急制动工况,获得目标提升机制动器在工况下制动闸瓦与制动盘接触所产生的制动力矩,然后进入步骤ii-2;
步骤ii-2.分别针对与步骤ii-1相同的指定正常制动工况与指定紧急制动工况,获得三维结构有限元仿真模型在工况下制动闸瓦与制动盘接触所产生的制动力矩,然后进入步骤ii-3;
步骤ii-3.针对指定正常制动工况下、三维结构有限元仿真模型所对应制动力矩与目标提升机制动器所对应制动力矩之间的差值,以及指定紧急制动工况下、三维结构有限元仿真模型所对应制动力矩与目标提升机制动器所对应制动力矩之间的差值,判断两个差值是否均符合预设差值阈值范围内,是则三维结构有限元仿真模型即构成目标提升机制动器所对应的数字孪生模型;否则进入步骤ii-4;
步骤ii-4.根据步骤B3中所判断的两个差值,针对三维结构有限元仿真模型参数,以及制动盘、制动闸阀、蝶形弹簧之间的物理作用关系进行调整,更新三维结构有限元仿真模型,然后返回步骤ii-2。
8.根据权利要求1所述一种千米深井提升机制动器可靠性智能评估与寿命预测方法,其特征在于:所述步骤A中,检测获得目标提升机制动器对应指定各项结构参数、各项材料属性参数、各制动工况参数的数据、以及对应指定各制动性能参数的数据后,针对目标提升机制动器对应指定各项结构参数、各项材料属性参数、各制动工况参数的数据、以及对应指定各制动性能参数的数据,分别执行滤波处理,然后将该各个参数的数据映射到数字孪生模型中。
9.根据权利要求1至8中任意一项所述一种千米深井提升机制动器可靠性智能评估与寿命预测方法,其特征在于:所述制动工况参数包括提升载荷、制动初速度、制动次数、制动力,所述制动性能参数包括制动盘温度、闸瓦温度、制动盘变形量、闸瓦磨损量、蝶形弹簧刚度。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299077.5A CN112528533B (zh) | 2020-11-19 | 2020-11-19 | 一种千米深井提升机制动器可靠性智能评估与寿命预测方法 |
US17/919,285 US11893547B2 (en) | 2020-11-19 | 2021-02-23 | Intelligent reliability evaluation and service life prediction method for kilometer deep well hoist brake |
PCT/CN2021/077365 WO2022105072A1 (zh) | 2020-11-19 | 2021-02-23 | 一种千米深井提升机制动器可靠性智能评估与寿命预测方法 |
AU2021383003A AU2021383003B2 (en) | 2020-11-19 | 2021-02-23 | Intelligent reliability evaluation and service life prediction method for kilometer deep well hoist brake |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299077.5A CN112528533B (zh) | 2020-11-19 | 2020-11-19 | 一种千米深井提升机制动器可靠性智能评估与寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528533A true CN112528533A (zh) | 2021-03-19 |
CN112528533B CN112528533B (zh) | 2022-02-25 |
Family
ID=74981283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011299077.5A Active CN112528533B (zh) | 2020-11-19 | 2020-11-19 | 一种千米深井提升机制动器可靠性智能评估与寿命预测方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11893547B2 (zh) |
CN (1) | CN112528533B (zh) |
AU (1) | AU2021383003B2 (zh) |
WO (1) | WO2022105072A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255117A (zh) * | 2021-05-11 | 2021-08-13 | 北京航空航天大学 | 一种液位挥发类产品的可靠性数字孪生模型 |
CN113420465A (zh) * | 2021-07-30 | 2021-09-21 | 太原理工大学 | 一种基于数字孪生模型的液压支架全寿命周期管理方法 |
CN113779838A (zh) * | 2021-09-13 | 2021-12-10 | 中国矿业大学 | 一种模型与数据融合驱动的提升机主轴装置智能维护方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114919559B (zh) * | 2022-07-05 | 2023-05-12 | 中南大学 | 一种基于数字孪生的制动***剩余使用寿命预测***及方法 |
CN116050190B (zh) * | 2023-03-31 | 2023-06-23 | 中国海洋大学 | 一种基于数字孪生的产品性能和退化状态分析方法 |
CN116577190B (zh) * | 2023-07-13 | 2023-11-28 | 南京华建检测技术有限公司 | 一种t型实验试块的智能化检测方法 |
CN117268799B (zh) * | 2023-11-23 | 2024-03-08 | 靖江市黄埔机械部件制造有限公司 | 一种基于负载转矩的底盘制动器检测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109116751A (zh) * | 2018-07-24 | 2019-01-01 | 西安西电电气研究院有限责任公司 | 基于数字孪生技术的数字化***及其构建方法 |
KR20190079124A (ko) * | 2017-12-27 | 2019-07-05 | 한국전력공사 | 전력설비의 수명 예측 장치 및 그 방법 |
CN111425164A (zh) * | 2020-03-30 | 2020-07-17 | 中国石油大学(华东) | 一种全电驱动的井下安全阀及其数字孪生控制方法与*** |
CN111737811A (zh) * | 2020-05-09 | 2020-10-02 | 北京航空航天大学 | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291989B (zh) * | 2017-05-25 | 2018-09-14 | 中国矿业大学 | 千米深井提升机主轴多失效模式可靠性评估方法 |
US11783099B2 (en) * | 2018-08-01 | 2023-10-10 | General Electric Company | Autonomous surrogate model creation platform |
US11403541B2 (en) * | 2019-02-14 | 2022-08-02 | Rockwell Automation Technologies, Inc. | AI extensions and intelligent model validation for an industrial digital twin |
US11433977B2 (en) * | 2019-11-25 | 2022-09-06 | Akselos S.A. | Methods and systems for component-based reduced order modeling for industrial-scale structural digital twins |
CN111950133B (zh) * | 2020-07-24 | 2022-04-26 | 华东交通大学 | 一种基于数字孪生的发动机可靠寿命预测方法 |
-
2020
- 2020-11-19 CN CN202011299077.5A patent/CN112528533B/zh active Active
-
2021
- 2021-02-23 US US17/919,285 patent/US11893547B2/en active Active
- 2021-02-23 WO PCT/CN2021/077365 patent/WO2022105072A1/zh active Application Filing
- 2021-02-23 AU AU2021383003A patent/AU2021383003B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190079124A (ko) * | 2017-12-27 | 2019-07-05 | 한국전력공사 | 전력설비의 수명 예측 장치 및 그 방법 |
CN109116751A (zh) * | 2018-07-24 | 2019-01-01 | 西安西电电气研究院有限责任公司 | 基于数字孪生技术的数字化***及其构建方法 |
CN111425164A (zh) * | 2020-03-30 | 2020-07-17 | 中国石油大学(华东) | 一种全电驱动的井下安全阀及其数字孪生控制方法与*** |
CN111737811A (zh) * | 2020-05-09 | 2020-10-02 | 北京航空航天大学 | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255117A (zh) * | 2021-05-11 | 2021-08-13 | 北京航空航天大学 | 一种液位挥发类产品的可靠性数字孪生模型 |
CN113255117B (zh) * | 2021-05-11 | 2022-08-02 | 北京航空航天大学 | 一种液位挥发类产品的可靠性数字孪生模型 |
CN113420465A (zh) * | 2021-07-30 | 2021-09-21 | 太原理工大学 | 一种基于数字孪生模型的液压支架全寿命周期管理方法 |
CN113779838A (zh) * | 2021-09-13 | 2021-12-10 | 中国矿业大学 | 一种模型与数据融合驱动的提升机主轴装置智能维护方法 |
Also Published As
Publication number | Publication date |
---|---|
US11893547B2 (en) | 2024-02-06 |
US20230169471A1 (en) | 2023-06-01 |
AU2021383003B2 (en) | 2023-09-07 |
CN112528533B (zh) | 2022-02-25 |
AU2021383003A1 (en) | 2022-10-20 |
WO2022105072A1 (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528533B (zh) | 一种千米深井提升机制动器可靠性智能评估与寿命预测方法 | |
CN107291989B (zh) | 千米深井提升机主轴多失效模式可靠性评估方法 | |
CN109357960B (zh) | 液压往复密封件的服役疲劳性能测试方法及试验装置 | |
CN102353528A (zh) | 盘式制动器摩擦学性能监测预警装置及方法 | |
WO2022206035A1 (zh) | 基于数字孪生的智能线控制动***及其预测控制方法 | |
CN201834649U (zh) | 一种矿用提升机盘式制动器状态监测装置 | |
CN107966232B (zh) | 基于机器视觉的起重装备制动器性能监测方法与*** | |
CN106197996A (zh) | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 | |
CN108573224B (zh) | 一种利用单传感器信息的移动重构主成分的桥梁结构损伤定位方法 | |
CN108414201B (zh) | 一种海洋平台井架工况监测与疲劳寿命预测*** | |
CN108398249B (zh) | 预测密封圈剩余寿命的方法和装置、工程机械及服务器 | |
CN113779838B (zh) | 一种模型与数据融合驱动的提升机主轴装置智能维护方法 | |
CN101923070A (zh) | 一种齿轮损伤检测方法与装置 | |
CN202133538U (zh) | 盘式制动器摩擦学性能监测预警装置 | |
Bao et al. | Intelligent tribological forecasting model and system for disc brake | |
CN106404443B (zh) | 混合动力起重装置故障预示平台及其数据样本获取方法 | |
Liu et al. | Hydraulic system fault diagnosis of the chain jacks based on multi-source data fusion | |
CN109783832B (zh) | 一种基于贝叶斯修正的液压泵性能退化建模方法 | |
CN106446384A (zh) | 一种桥式起重机主梁结构的损伤识别方法 | |
CN111003624B (zh) | 一种电梯导靴故障诊断方法 | |
CN117309060A (zh) | 一种基于云计算的建筑幕墙结构性能监测*** | |
CN112037500A (zh) | 自动判别故障的减速机、提升机及故障自动判别方法 | |
CN110953274B (zh) | 电力液压块式制动器状态监测装置及其监测方法 | |
CN115127785A (zh) | 电控气动制动机的状态检测方法、装置、设备及存储介质 | |
Yan et al. | Fault diagnosis method of mine hoist braking system based on deep convolution neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |