CN112762100A - 一种基于数字孪生的轴承全生命周期监测方法 - Google Patents
一种基于数字孪生的轴承全生命周期监测方法 Download PDFInfo
- Publication number
- CN112762100A CN112762100A CN202110046220.8A CN202110046220A CN112762100A CN 112762100 A CN112762100 A CN 112762100A CN 202110046220 A CN202110046220 A CN 202110046220A CN 112762100 A CN112762100 A CN 112762100A
- Authority
- CN
- China
- Prior art keywords
- bearing
- digital twin
- real
- time
- simulation
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C41/00—Other accessories, e.g. devices integrated in the bearing not relating to the bearing function as such
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C41/00—Other accessories, e.g. devices integrated in the bearing not relating to the bearing function as such
- F16C41/008—Identification means, e.g. markings, RFID-tags; Data transfer means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C2233/00—Monitoring condition, e.g. temperature, load, vibration
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C2240/00—Specified values or numerical ranges of parameters; Relations between them
- F16C2240/06—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C2240/00—Specified values or numerical ranges of parameters; Relations between them
- F16C2240/12—Force, load, stress, pressure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C2240/00—Specified values or numerical ranges of parameters; Relations between them
- F16C2240/30—Angles, e.g. inclinations
- F16C2240/34—Contact angles
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C2240/00—Specified values or numerical ranges of parameters; Relations between them
- F16C2240/40—Linear dimensions, e.g. length, radius, thickness, gap
- F16C2240/60—Thickness, e.g. thickness of coatings
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
- F16C2240/00—Specified values or numerical ranges of parameters; Relations between them
- F16C2240/40—Linear dimensions, e.g. length, radius, thickness, gap
- F16C2240/70—Diameters; Radii
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于轴承监测技术领域,具体涉及一种基于数字孪生的轴承全生命周期监测方法,包括如下步骤:步骤一:构建轴承数字孪生体;步骤二:对建立的轴承数字孪生体进行服役状态下的仿真修正;步骤三:运用修正后的轴承数字孪生体进行全生命周期监测和预警。本发明基于数字孪生的轴承全生命周期监测方法,通过构建轴承数字孪生体并对其进行服役状态下的仿真修正,之后运用修正后的轴承数字孪生体对轴承进行全生命周期的监测和预警,了解轴承运行状况,有利于帮助更好地判断轴承寿命及使用过程中可能会出现的故障情况。
Description
技术领域
本发明属于轴承监测技术领域,具体涉及一种基于数字孪生的轴承全生命周期监测方法。
背景技术
轴承是主轴***中重要的零件之一,是连接旋转部件与非旋转部件的桥梁;轴承内圈与主轴连接,轴承外圈通过轴承座与箱体连接,轴承内圈与外圈间有滚动体,滚动体间有保持架以此保持间距;高速旋转的主轴带动轴承内圈旋转,通过滚动体将旋转产生的力平衡,使其不会对箱体产生影响;由于加工及装配轴承时会存在误差,高速旋转的轴承不仅承受着复杂的外力,还要承受来自轴承内部的应力、振动、发热等现象,故轴承的损伤形势非常复杂,而且轴承在机器内部,无法直接进行监测;因此如何实现对轴承进行全生命周期信息的获取,并以此建立轴承在线工作时的数字孪生体,从多因素对轴承工作时的工作状况进行描述,均对轴承寿命的判断及预测故障有着重要影响。
当前,传统的加工方法及手段正逐渐被物联网、大数据、人工智能等新兴技术所取代,而数字孪生技术作为现实物理环境的数字映射***,能够在很大程度上服务物理环境,使其变得更加智能化、数字化及可控化。而基于数字孪生的轴承全生命周期监测方法基于数字孪生技术可实现对轴承领域的产业升级,实现轴承行业的数字化及信息化。
发明内容
为了解决上述问题,本发明公开了一种基于数字孪生的轴承全生命周期监测方法,该方法通过构建轴承数字孪生体并对其进行服役状态下的仿真修正,之后运用修正后的轴承数字孪生体对轴承进行全生命周期的监测和预警,了解轴承运行状况,有利于帮助更好地判断轴承寿命及使用过程中可能会出现的故障情况。
为了实现上述目的,本发明采用如下技术方案:
一种基于数字孪生的轴承全生命周期监测方法,包括如下步骤:
步骤一:构建轴承数字孪生体;
步骤二:对建立的轴承数字孪生体进行服役状态下的仿真修正;
步骤三:运用修正后的轴承数字孪生体进行全生命周期监测和预警。
作为优选,上述步骤一具体为:
步骤1-1:采集所监测轴承的物理特征;
步骤1-2:通过温度传感器、速度传感器及振动传感器采集服役状态下轴承运转数据,并记录轴承服役环境;
步骤1-3:根据步骤1-1和步骤1-2中采集的轴承物理特征、轴承运转数据和轴承服役环境,在unity3D中建立轴承数字孪生体。
作为优选,上述轴承物理特征包括:轴承内径、轴承外径、轴承内圈厚度、轴承外圈厚度、动载荷、静载荷、脂润滑限速、油润滑限速、接触角、滚动体数量、保持架参数和轴承装配参数;所述轴承装配参数包括:轴承安装位置、轴承安装精度和轴承安装方式;
所述轴承运转数据包括:轴承运转时的内圈实时温度、滚动体实时温度、保持架实时温度、内圈实时角速度、滚动体及保持架实时角速度、内圈实时振动频率、滚动体及保持架实时振动频率和外圈实时振动频率;
所述轴承服役环境包括:载荷大小、环境湿度和环境温度。
作为优选,上述步骤二具体为:
步骤2-1:运用步骤1—2所述的轴承运转数据对轴承数字孪生体进行仿真修正,将输出的数据与传感器数据进行逆向比对;
步骤2-2:将逆向对比的差异作为修正系数完善在unity3D中建立的轴承数字孪生体上。
作为优选,上述步骤2-2中的修正系数是非线性的。
作为优选,上述步骤三具体为:
步骤3-1:将步骤2-2中完善的轴承数字孪生体在unity3D中进行实时动态仿真,所述实时动态仿真与服役状态下轴承实时同步,实时运算形成数据;
步骤3-2:将步骤3-1中所述的实时运算数据运用神经网络算法进行服役状态下预测,所述神经网络算法通过实时数据对轴承数字孪生体不断学习、完善,实现对轴承服役状态的监测及预警。
作为优选,上述神经网络算法为脉冲神经网络。
作为优选,上述脉冲神经网络通过实时数据对轴承数字孪生体不断学习、完善这一事件的瞬时突触交互模式的事件驱动模拟算法为:
输入:步骤3-1中实时动态仿真脉冲序列、需要判断的模拟周期T;
输出:神经网络神经元发放的轴承性能信号的脉冲序列;
1由步骤3-1中实时动态仿真脉冲序列初始化队列中的轴承数字孪生体仿真结果的脉冲事件
2 while队列不空&&t<T do
3提取动态仿真脉冲序列中时序最小的脉冲事件(发生的时刻t、发生时刻的目标神经元i、权值w)
4计算t时刻神经元i的状态,即判断此时刻轴承性能状态
5更新神经元i状态(+w),并记录t时刻及对此事件进行预警
6 if V≥Vthresh then
7 for每个i到j的神经连接do
8在队列中***脉冲事件,即将轴承性能突发事件加入预测队列中
9 end for
10复位神经元i的状态
11 end if
12 end while。
作为优选,上述步骤1-3中,在unity3D中建立轴承数字孪生体的过程具体为:先在unity3D中进行仿真前处理获得轴承前处理模型,再对轴承前处理模型进行仿真获得轴承数字孪生体,使所获得的轴承数字孪生体更贴近轴承的真实情况。
作为优选,上述仿真前处理包括如下步骤:
(1)在unity3D建模中,通过控制整个圆环半径、整个圆环的厚度、轨道圆心的位置、轨道圆的半径、外圈圆面分割个数、外圆厚度分割个数、轨道厚度分割个数进行画点,获得点模型;
(2)将相邻的三个点连线获得三角形,并对三角形进行贴图获得贴图模型;
(3)在贴图模型的基础上添加碰撞线获得轴承前处理模型。
本发明具有如下的有益效果:
(1)本发明基于数字孪生的轴承全生命周期监测方法,通过构建轴承数字孪生体并对其进行服役状态下的仿真修正,之后运用修正后的轴承数字孪生体对轴承进行全生命周期的监测和预警,了解轴承运行状况,有利于帮助更好地判断轴承寿命及使用过程中可能会出现的故障情况;
(2)本发明的神经网络算法采用的是脉冲神经网络,这种算法模拟神经元更加接近实际,而且把时间信息的影响也考虑其中,更接近人脑神经网络的工作机理,采用这种算法通过实时数据对轴承数字孪生体不断学习、完善,可以更好地帮助实现对轴承服役状态的监测及预警;
(3)本发明在进行轴承仿真之前先进行了轴承的仿真前处理,在仿真前处理获得轴承前处理模型之后,再在轴承前处理模型的基础上进行仿真获得轴承数字孪生体,可以使所获得的轴承数字孪生体更加贴近轴承的实际情况,大幅提高轴承数字孪生体与实际轴承的一致性,尽最大可能减小甚至消除每个运动周期的偏差,从而使轴承数字孪生体在整个生命周期都尽可能与实际轴承保持一致,获得的数据更加精确,才使得采用数字孪生方法对轴承全生命周期的监测更有意义。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的基于数字孪生的轴承全生命周期监测方法的构建示意图;
图2是本发明的仿真前处理步骤中构建的轴承内圈的点模型示意图;
图3是本发明的仿真前处理步骤中构建贴面模型过程中的贴面示意图;
图4是本发明的仿真前处理步骤中构建的滚动体的前处理模型示意图。
具体实施方式
现在结合实施例对本发明作进一步详细的说明。
一种基于数字孪生的轴承全生命周期监测方法,包括如下步骤:
步骤一:构建轴承数字孪生体;
步骤二:对建立的轴承数字孪生体进行服役状态下的仿真修正;
步骤三:运用修正后的轴承数字孪生体进行全生命周期监测和预警。
在一种具体的实施方式中,步骤一具体为:
步骤1-1:采集所监测轴承的轴承内径、轴承外径、轴承内圈厚度、轴承外圈厚度、动载荷、静载荷、脂润滑限速、油润滑限速、接触角、滚动体数量、保持架参数和轴承装配参数等物理特征;其中的轴承装配参数包括:轴承安装位置、轴承安装精度和轴承安装方式等;
步骤1-2:通过温度传感器、速度传感器及振动传感器采集服役状态下的轴承运转时的内圈实时温度、滚动体实时温度、保持架实时温度、内圈实时角速度、滚动体及保持架实时角速度、内圈实时振动频率、滚动体及保持架实时振动频率和外圈实时振动频率等轴承运转数据,并记录载荷大小、环境湿度和环境温度等轴承服役环境;
步骤1-3:根据步骤1-1和步骤1-2中采集的轴承物理特征、轴承运转数据和轴承服役环境,在unity3D中建立轴承数字孪生体。
在一种具体的实施方式中,步骤二具体为:
步骤2-1:运用步骤1—2中的轴承运转数据对轴承数字孪生体进行仿真修正,将输出的数据与传感器数据进行逆向比对;
步骤2-2:将逆向对比的差异作为修正系数完善在unity3D中建立的轴承数字孪生体上,其中的修正系数是非线性的。
在一种具体的实施方式中,步骤三具体为:
步骤3-1:将步骤2-2中完善的轴承数字孪生体在unity3D中进行实时动态仿真,实时动态仿真与服役状态下轴承实时同步,实时运算形成数据;
步骤3-2:将步骤3-1中的实时运算数据运用神经网络算法进行服役状态下预测,神经网络算法通过实时数据对轴承数字孪生体不断学习、完善,实现对轴承服役状态的监测及预警。
以上基于数字孪生的轴承全生命周期监测方法的构建示意图见图1。
在一种具体的实施方式中,神经网络算法为脉冲神经网络。
在一种具体的实施方式中,脉冲神经网络通过实时数据对轴承数字孪生体不断学习、完善这一事件的瞬时突触交互模式的事件驱动模拟算法为:
输入:步骤3-1中实时动态仿真脉冲序列、需要判断的模拟周期T;
输出:神经网络神经元发放的轴承性能信号的脉冲序列;
1由步骤3-1中实时动态仿真脉冲序列初始化队列中的轴承数字孪生体仿真结果的脉冲事件
2 while队列不空&&t<T do
3提取动态仿真脉冲序列中时序最小的脉冲事件(发生的时刻t、发生时刻的目标神经元i、权值w)
4计算t时刻神经元i的状态,即判断此时刻轴承性能状态
5更新神经元i状态(+w),并记录t时刻及对此事件进行预警
6 if V≥Vthresh then
7for每个i到j的神经连接do
8在队列中***脉冲事件,即将轴承性能突发事件加入预测队列中
9 end for
10复位神经元i的状态
11 end if
12 end while。
在一种具体的实施方式中,步骤1-3中,在unity3D中建立轴承数字孪生体的过程具体为:先在unity3D中进行仿真前处理获得轴承前处理模型,再对轴承前处理模型进行仿真获得轴承数字孪生体,使所获得的轴承数字孪生体更贴近轴承的真实情况。
在一种具体的实施方式中,仿真前处理包括如下步骤:
(1)在unity3D建模中,通过控制整个圆环半径、整个圆环的厚度、轨道圆心的位置、轨道圆的半径、外圈圆面分割个数、外圆厚度分割个数、轨道厚度分割个数进行画点,获得点模型;
(2)将相邻的三个点连线获得三角形,并对三角形进行贴图获得贴图模型;
(3)在贴图模型的基础上添加碰撞线获得轴承前处理模型。
由于轴承有轨道半径,轴承不同导致尺寸并不相同,所以本申请建立了一个适用于所有角接触球轴承的模型。可以通过改变轨道半径大小、位置、轴承内外圈尺寸等等一系列的尺寸来适应不同的轴承。
在具体实施例中,设定:R控制整个圆环半径;H控制整个圆环的厚度;R1控制轨道圆心的位置;R2控制轨道圆的半径;S1控制外圈圆面分割个数;T1控制外圆厚度分割个数;T2控制轨道厚度分割个数。仿真前处理的步骤(1)的相关代码如下:
输入上述代码构建点模型,图2是所构建的轴承内圈的点模型示意图。
仿真前处理的步骤(2)的相关代码如下:
输入上述代码在点模型的基础上构建贴图模型,图3是构建贴面模型过程中形成的贴面示意图。
仿真前处理的步骤(3)的相关代码如下:
输入上述代码在贴面模型的基础上添加碰撞线,构建轴承前处理模型,图4是添加碰撞线之后构建的滚动体的前处理模型,在此基础上进行仿真获得的滚动体数字孪生体将会更加贴近实际的滚动体情况。同理,在整个轴承基础上获得轴承前处理模型之后,再以轴承前处理模型进行仿真获得的轴承数字孪生体将会更加贴近轴承的真实情况。
目前上没有关于专门针对轴承的仿真前处理方案,使得仿真结果的精确度不高,与现实差距较大。由于轴承包括轴承内圈、轴承外圈、若干个滚动体、保持架,还具有供滚动体运行的轨道,因此,整个轴承具有非常多的曲面。如果没有仿真前处理步骤,而是直接进行仿真,所获得的轴承数字孪生体虽然看起来与实际的轴承相差无几,但实际轴承中的曲面在轴承数字孪生体中可能仅仅是由若干个较小的平面拼接而成的多棱面,而非曲面。如果使用这样的轴承数字孪生体进行实时动态仿真,那么每个运动周期都会与实际情况产生一定的偏差,随着运动周期的增加,偏差不断累积,越来越大,最终无法准确监测,更无法准确判断轴承寿命并对轴承运行中可能出现的故障进行预警。
而如果在进行仿真前处理获得轴承前处理模型,然后再在轴承前处理模型的基础上进行仿真获得轴承数字孪生体,可以使所获得的轴承数字孪生体更加贴近轴承的实际情况,大幅提高轴承数字孪生体与实际轴承的一致性,尽最大可能减小甚至消除每个运动周期的偏差,从而使轴承数字孪生体在整个生命周期都尽可能与实际轴承保持一致,获得的数据更加精确,才使得采用数字孪生方法对轴承全生命周期的监测更有意义。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于数字孪生的轴承全生命周期监测方法,其特征在于:包括如下步骤:
步骤一:构建轴承数字孪生体;
步骤二:对建立的轴承数字孪生体进行服役状态下的仿真修正;
步骤三:运用修正后的轴承数字孪生体进行全生命周期监测和预警。
2.如权利要求1所述的基于数字孪生的轴承全生命周期监测方法,其特征在于:所述步骤一具体为:
步骤1-1:采集所监测轴承的物理特征;
步骤1-2:通过温度传感器、速度传感器及振动传感器采集服役状态下轴承运转数据,并记录轴承服役环境;
步骤1-3:根据步骤1-1和步骤1-2中采集的轴承物理特征、轴承运转数据和轴承服役环境,在unity3D中建立轴承数字孪生体。
3.如权利要求2所述的基于数字孪生的轴承全生命周期监测方法,其特征在于:所述轴承物理特征包括:轴承内径、轴承外径、轴承内圈厚度、轴承外圈厚度、动载荷、静载荷、脂润滑限速、油润滑限速、接触角、滚动体数量、保持架参数和轴承装配参数;所述轴承装配参数包括:轴承安装位置、轴承安装精度和轴承安装方式;
所述轴承运转数据包括:轴承运转时的内圈实时温度、滚动体实时温度、保持架实时温度、内圈实时角速度、滚动体及保持架实时角速度、内圈实时振动频率、滚动体及保持架实时振动频率和外圈实时振动频率;
所述轴承服役环境包括:载荷大小、环境湿度和环境温度。
4.如权利要求1所述的基于数字孪生的轴承全生命周期监测方法,其特征在于:所述步骤二具体为:
步骤2-1:运用步骤1—2所述的轴承运转数据对轴承数字孪生体进行仿真修正,将输出的数据与传感器数据进行逆向比对;
步骤2-2:将逆向对比的差异作为修正系数完善在unity3D中建立的轴承数字孪生体上。
5.如权利要求4所述的基于数字孪生的轴承全生命周期监测方法,其特征在于:所述步骤2-2中的修正系数是非线性的。
6.如权利要求1所述的基于数字孪生的轴承全生命周期监测方法,其特征在于:所述步骤三具体为:
步骤3-1:将步骤2-2中完善的轴承数字孪生体在unity3D中进行实时动态仿真,所述实时动态仿真与服役状态下轴承实时同步,实时运算形成数据;
步骤3-2:将步骤3-1中所述的实时运算数据运用神经网络算法进行服役状态下预测,所述神经网络算法通过实时数据对轴承数字孪生体不断学习、完善,实现对轴承服役状态的监测及预警。
7.如权利要求6所述的基于数字孪生的轴承全生命周期监测方法,其特征在于:所述神经网络算法为脉冲神经网络。
8.如权利要求7所述的基于数字孪生的轴承全生命周期监测方法,其特征在于:所述脉冲神经网络通过实时数据对轴承数字孪生体不断学习、完善这一事件的瞬时突触交互模式的事件驱动模拟算法为:
输入:步骤3-1中实时动态仿真脉冲序列、需要判断的模拟周期T;
输出:神经网络神经元发放的轴承性能信号的脉冲序列;
1 由步骤3-1中实时动态仿真脉冲序列初始化队列中的轴承数字孪生体仿真结果的脉冲事件
2 while 队列不空&&t<T do
3 提取动态仿真脉冲序列中时序最小的脉冲事件(发生的时刻t、发生时刻的目标神经元i、权值w)
4 计算t时刻神经元i的状态,即判断此时刻轴承性能状态
5 更新神经元i状态(+w),并记录t时刻及对此事件进行预警
6 if V≥Vthresh then
7 for 每个i到j的神经连接do
8 在队列中***脉冲事件,即将轴承性能突发事件加入预测队列中
9 end for
10 复位神经元i的状态
11 end if
12 end while。
9.如权利要求2所述的基于数字孪生的轴承全生命周期监测方法,其特征在于:所述步骤1-3中,在unity3D中建立轴承数字孪生体的过程具体为:先在unity3D中进行仿真前处理获得轴承前处理模型,再对轴承前处理模型进行仿真获得轴承数字孪生体,使所获得的轴承数字孪生体更贴近轴承的真实情况。
10.如权利要求9所述的基于数字孪生的轴承全生命周期监测方法,其特征在于:所述仿真前处理包括如下步骤:
(1)在unity3D建模中,通过控制整个圆环半径、整个圆环的厚度、轨道圆心的位置、轨道圆的半径、外圈圆面分割个数、外圆厚度分割个数、轨道厚度分割个数进行画点,获得点模型;
(2)将相邻的三个点连线获得三角形,并对三角形进行贴图获得贴图模型;
(3)在贴图模型的基础上添加碰撞线获得轴承前处理模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110046220.8A CN112762100B (zh) | 2021-01-14 | 2021-01-14 | 一种基于数字孪生的轴承全生命周期监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110046220.8A CN112762100B (zh) | 2021-01-14 | 2021-01-14 | 一种基于数字孪生的轴承全生命周期监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112762100A true CN112762100A (zh) | 2021-05-07 |
CN112762100B CN112762100B (zh) | 2021-08-10 |
Family
ID=75700375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110046220.8A Active CN112762100B (zh) | 2021-01-14 | 2021-01-14 | 一种基于数字孪生的轴承全生命周期监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112762100B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051838A (zh) * | 2021-05-12 | 2021-06-29 | 南京航空航天大学 | 一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法 |
CN113567132A (zh) * | 2021-09-01 | 2021-10-29 | 郑州轻工业大学 | 基于数字孪生技术的电机滚动轴承故障模型构建方法 |
CN113607413A (zh) * | 2021-08-26 | 2021-11-05 | 上海航数智能科技有限公司 | 一种基于可控温湿度的轴承部件故障监测预测方法 |
CN113627031A (zh) * | 2021-08-27 | 2021-11-09 | 深圳供电局有限公司 | 一种基于数字孪生技术的模型展示***及方法 |
CN114383847A (zh) * | 2022-03-23 | 2022-04-22 | 西南交通大学 | 一种基于数字孪生的滚动轴承全寿命状态监测方法 |
CN115292834A (zh) * | 2022-07-20 | 2022-11-04 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生装备故障诊断方法、装置及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376962A (zh) * | 2018-12-06 | 2019-02-22 | 广州机械科学研究院有限公司 | 滚动轴承的实际寿命预测方法、装置及智能终端 |
CN110160783A (zh) * | 2019-04-13 | 2019-08-23 | 江苏宋和宋智能科技有限公司 | 一种基于数字孪生技术的提花机滑动轴承监测***及方法 |
CN110210563A (zh) * | 2019-06-04 | 2019-09-06 | 北京大学 | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 |
CN110530638A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 |
CN110532626A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承剩余寿命预测方法 |
CN110532625A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 航空发动机涡轮盘-转子-支承***数字孪生建模方法 |
CN110579354A (zh) * | 2019-10-16 | 2019-12-17 | 西安交通大学 | 一种基于卷积神经网络的轴承检测方法 |
CN110851966A (zh) * | 2019-10-30 | 2020-02-28 | 同济大学 | 一种基于深度神经网络的数字孪生模型修正方法 |
CN111581892A (zh) * | 2020-05-29 | 2020-08-25 | 重庆大学 | 基于gdau神经网络的轴承剩余寿命的预测方法 |
US20200394351A1 (en) * | 2018-02-07 | 2020-12-17 | Incucomm, Inc. | Operations and maintenance systems and methods employing sensor-less digital twins |
CN112100919A (zh) * | 2020-09-15 | 2020-12-18 | 武汉科技大学 | 一种基于re-cf-ekf算法的滚动轴承剩余寿命预测方法 |
CN112115649A (zh) * | 2020-09-29 | 2020-12-22 | 郑州轻工业大学 | 基于数字孪生的立磨机多场耦合***工艺参数优化方法 |
CN112131782A (zh) * | 2020-08-27 | 2020-12-25 | 浙江大学 | 一种多回路智能工厂边缘侧数字孪生场景耦合装置 |
-
2021
- 2021-01-14 CN CN202110046220.8A patent/CN112762100B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200394351A1 (en) * | 2018-02-07 | 2020-12-17 | Incucomm, Inc. | Operations and maintenance systems and methods employing sensor-less digital twins |
CN109376962A (zh) * | 2018-12-06 | 2019-02-22 | 广州机械科学研究院有限公司 | 滚动轴承的实际寿命预测方法、装置及智能终端 |
CN110160783A (zh) * | 2019-04-13 | 2019-08-23 | 江苏宋和宋智能科技有限公司 | 一种基于数字孪生技术的提花机滑动轴承监测***及方法 |
CN110210563A (zh) * | 2019-06-04 | 2019-09-06 | 北京大学 | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 |
CN110530638A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 |
CN110532625A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 航空发动机涡轮盘-转子-支承***数字孪生建模方法 |
CN110532626A (zh) * | 2019-07-31 | 2019-12-03 | 西安交通大学 | 基于数字孪生的航空发动机主轴承剩余寿命预测方法 |
CN110579354A (zh) * | 2019-10-16 | 2019-12-17 | 西安交通大学 | 一种基于卷积神经网络的轴承检测方法 |
CN110851966A (zh) * | 2019-10-30 | 2020-02-28 | 同济大学 | 一种基于深度神经网络的数字孪生模型修正方法 |
CN111581892A (zh) * | 2020-05-29 | 2020-08-25 | 重庆大学 | 基于gdau神经网络的轴承剩余寿命的预测方法 |
CN112131782A (zh) * | 2020-08-27 | 2020-12-25 | 浙江大学 | 一种多回路智能工厂边缘侧数字孪生场景耦合装置 |
CN112100919A (zh) * | 2020-09-15 | 2020-12-18 | 武汉科技大学 | 一种基于re-cf-ekf算法的滚动轴承剩余寿命预测方法 |
CN112115649A (zh) * | 2020-09-29 | 2020-12-22 | 郑州轻工业大学 | 基于数字孪生的立磨机多场耦合***工艺参数优化方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051838A (zh) * | 2021-05-12 | 2021-06-29 | 南京航空航天大学 | 一种基于数字孪生技术的空间在轨制造结构可靠寿命预测方法 |
CN113607413A (zh) * | 2021-08-26 | 2021-11-05 | 上海航数智能科技有限公司 | 一种基于可控温湿度的轴承部件故障监测预测方法 |
CN113627031A (zh) * | 2021-08-27 | 2021-11-09 | 深圳供电局有限公司 | 一种基于数字孪生技术的模型展示***及方法 |
CN113567132A (zh) * | 2021-09-01 | 2021-10-29 | 郑州轻工业大学 | 基于数字孪生技术的电机滚动轴承故障模型构建方法 |
CN114383847A (zh) * | 2022-03-23 | 2022-04-22 | 西南交通大学 | 一种基于数字孪生的滚动轴承全寿命状态监测方法 |
CN114383847B (zh) * | 2022-03-23 | 2022-07-12 | 西南交通大学 | 一种基于数字孪生的滚动轴承全寿命状态监测方法 |
CN115292834A (zh) * | 2022-07-20 | 2022-11-04 | 北自所(北京)科技发展股份有限公司 | 一种数字孪生装备故障诊断方法、装置及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112762100B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112762100A (zh) | 一种基于数字孪生的轴承全生命周期监测方法 | |
Lou et al. | Machinery fault diagnosis based on domain adaptation to bridge the gap between simulation and measured signals | |
CN110823575B (zh) | 一种基于性能退化字典构造与相似性的轴承寿命预测方法 | |
CN113221277A (zh) | 一种基于数字孪生模型的轴承性能退化评估方法及*** | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN106769032B (zh) | 一种回转支承使用寿命的预测方法 | |
CN113092115B (zh) | 数模联合驱动的全寿命滚动轴承数字孪生模型构建方法 | |
CN113609608A (zh) | 基于数字孪生的列车牵引电机轴承全生命周期管理方法 | |
CN113567132B (zh) | 基于数字孪生技术的电机滚动轴承故障模型构建方法 | |
CN109753723B (zh) | 一种向心滚动轴承疲劳寿命计算方法 | |
EP3757539A1 (en) | System, apparatus and method of determining condition of a bearing | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
CN114216682A (zh) | 一种基于tcn和bls的滚动轴承的寿命预测方法及装置 | |
CN115563853A (zh) | 一种基于数字孪生的滚动轴承故障诊断方法 | |
CN114580971A (zh) | 一种基于性能数字孪生的动态装调方法、***及设备 | |
CN110018322A (zh) | 一种基于深度学习的转速检测方法及*** | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN117074939A (zh) | 一种水轮发电机组模拟试验*** | |
CN116910513A (zh) | 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 | |
CN116561904A (zh) | 一种滚动轴承动力学建模和振动特征分析方法 | |
CN113962289A (zh) | 面向终身学习的旋转机械在线智能故障诊断方法及*** | |
CN115659778A (zh) | 风力发电机轴承故障诊断模型在线构建方法及在线更新设备 | |
Kolar et al. | Identification of inability states of rotating machinery subsystems using industrial IoT and convolutional neural network–initial research | |
Wang et al. | Smart health evaluation of slewing bearing based on multiple-characteristic parameters | |
CN112149261B (zh) | 基于直接类比计算的旋转机械结构强度仿真***及方法 |
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 |