一种基于快速仿真数字孪生技术的设备健康监测方法

技术领域

本发明涉及设备健康监测技术领域，尤其涉及一种基于快速仿真数字孪生技术的设备健康监测方法。

背景技术

传统的产品故障诊断技术是基于物理模型、经验模型或数据模型。基于物理模型的方法有基于失效模式分析、基于T-S模糊模型和数学模型方法。基于经验模型的方法主要包括基于专家系统和故障树的方法，此方法使用推理机制和历史数据经验搭建模型进行评估，同时辅助以粒子群神经网络算法。基于数据驱动的方法是基于统计分析、神经网络为支撑，基于大量的数据进行学习来进行故障诊断，但对设备寿命预测的效果不佳。

发明内容

本发明的目的在于提供一种基于快速仿真数字孪生技术的设备健康监测方法，提高对设备寿命的预测效果。

为实现上述目的，本发明提供了一种基于快速仿真数字孪生技术的设备健康监测方法，包括以下步骤：

获取多种设备状态数据及环境数据，并基于获取的所述设备状态数据构建对应的CAE数字孪生模型；

对传感器采集的数据通过网络进行传输，同时按照传感器端口规则对进行分类存储；

获取存储的传感器采集的边界条件数据，并输入所述CAE数字孪生模型中进行仿真分析；

通过自动化后处理脚本读取结果数据库中的数据及云图，并基于数字孪生平台进行实时呈现。

其中，所述方法还包括：

基于仿真分析结果，通过载荷统计和疲劳计算，计算出当前状态下设备不同部位的损伤程度，评估出设备的剩余寿命。

其中，所述方法还包括：

基于仿真分析结果生成对应的控制策略，并对设备状态进行反馈调节。

其中，所述方法还包括：

通过javascript开发数字孪生平台，其中，所述数字孪生平台包括现场视频监控和数据可视化功能。

其中，获取多种设备状态数据，并基于获取的所述设备状态数据构建对应的CAE数字孪生模型，包括：

通过多种传感器采集设备的各种状态数据及环境数据，并通过采集设备中的嵌入式程序对多种所述状态数据进行预处理；

根据所述采集设备的结构几何特征，构建对应的CAE数字孪生模型。

其中，获取存储的传感器采集的边界条件数据，并输入所述CAE数字孪生模型中进行仿真分析，包括：

通过服务器端口获取存储的传感器采集的边界条件数据，并输入所述CAE数字孪生模型；

对所述边界条件数据的数量和区间进行定义，并基于Optimal Latin Hypercube算法对多个所述边界条件数据进行组合，生成DOE仿真计算样本点；

通过开发的CAE求解器调用程序，并基于Optimal Latin自动进行DOE仿真计算样本点作为驱动参数的仿真分析。

其中，通过开发的CAE求解器调用程序，并基于Optimal Latin自动进行DOE仿真计算样本点作为驱动参数的仿真分析之后，所述方法还包括：

通过模型关键字解析及DOE仿真分析生成的结果数据库进行机器学习，生成对应的模型库。

本发明的一种基于快速仿真数字孪生技术的设备健康监测方法，设备状态数据采集，得到设备的载荷、应变等信息；构建设备的CAE数字孪生模型，对物理模型进行准确映射；将传感器采集的数据以网络形式传输到服务器数据库；按照传感器端口规则对数据分类存储；开发数字孪生可视化平台，以曲线、虚拟仪表等形式进行数据的可视化呈现；通过数字孪生平台的模型调用脚本，调用CAE软件读取传感器采集到的边界条件数据，驱动模型快速计算；通过自动化后处理脚本，读取结果数据库中的数据及云图；通过数字孪生平台对CAE计算结果进行实时呈现；基于CAE计算结果进行设备的寿命评估，提高对设备寿命的预测效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明第一实施例提供的一种基于快速仿真数字孪生技术的设备健康监测方法的步骤示意图。

图2是本发明第二实施例提供的一种基于快速仿真数字孪生技术的设备健康监测方法的步骤示意图。

图3是本发明第三实施例提供的一种基于快速仿真数字孪生技术的设备健康监测方法的步骤示意图。

图4是本发明第四实施例提供的一种基于快速仿真数字孪生技术的设备健康监测方法的步骤示意图。

图5是本发明提供的一种基于快速仿真数字孪生技术的设备健康监测方法的流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1，本发明第一实施例提供一种基于快速仿真数字孪生技术的设备健康监测方法，包括以下步骤：

S101、获取多种设备状态数据及环境数据，并基于获取的所述设备状态数据构建对应的CAE数字孪生模型。

具体的，通过倾角传感器、振动加速度传感器、角度传感器、拉力传感器、风速传感器等采集设备的各种状态数据如倾角、工作状态下受到的拉力等数据。同时，通过风速传感器采集风速、风向等环境载荷。

通过采集设备中的嵌入式程序，实现去噪、滤波、增强、归一化等处理，对无用信号或干扰信号进行预处理，降低数据的存储量。

为实现数字孪生模型对物理实体的精准映射，需要根据结构几何特性即工作状态，选择合适的CAE建模方法。建模方法包含单元类型的选择：桁架结构使用梁单元进行模拟，板壳结构使用壳单元模拟等，边界条件的建立：根据结构的安装和受载形式选择合适的边界条件(约束条件)，保证CAE模型在边界条件作用下能够模拟实物对象在现实世界的受载荷状态；

建模过程包括：

三维建模：使用三维CAD软件建立数字对象的三维模型，作为建立CAE模型的基础；

几何模型简化：为满足建模需要，对几何模型适当简化，去除对结构影响不大的特征；

有限元建模：通过有限元建模方法将简化后的几何模型离散化形成CAE模型；

边界条件施加：根据设备的安装形式及受载荷状态在有限元模型中施加相应的边界条件对安装形式和载荷进行模拟；

至此，建立的CAE模型完成了对物理实体的映射，模型中计算得到的物理场能够反映物理实体的物理场。

S102、对传感器采集的数据通过网络进行传输，同时按照传感器端口规则对进行分类存储。

具体的，开发数据采集及传输设备：设备包含：传感器供电模块、各类传感器(包括并不限于温湿度传感器、风力传感器、应变传感器、力传感器等)、摄像头、单片机、网络传输模块；

嵌入式程序开发：各传感器采样频率和数据格式有差异，为保证数据传输的准确性和格式的一致性，开发嵌入式程序每100ms采集一次传感器数据，并将数据打包成json格式，并发送到服务器端口，后续由数字孪生平台接收并解析。

使用基于TCP的WebSocket网络协议，获取服务器端口接收到的json格式数据，并将获取到的数据存储在服务器，同时，为方便对传感器采集的数据的管理及读取，对每一种传感器采集的数据进行分类存储，可以在服务器中建立对应的存储区域进行存储。

S103、获取存储的传感器采集的边界条件数据，并输入所述CAE数字孪生模型中进行仿真分析。

具体的，通过开发CAE运行控制程序，从服务器的端口读取传感器反馈的边界条件数据，自动将数据导入CAE软件边界条件数据库。

开发运行控制脚本，在不中断模型运行的前提下使用读取的数据替代原始数据，依次循环进行，每次提取新的载荷数据立即更新上一次循环提取到的载荷数据，实现数据的实时更新，从而驱动模型实现物理实体的精准映射；

计算中使用了基于机器学习的快速仿真方法：首先，对变量的数量和变量的区间进行定义，基于Optimal Latin Hypercube算法对多个变量进行组合，生成DOE仿真计算样本点。随后，通过开发的CAE求解器调用程序，并基于Optimal Latin自动进行DOE仿真计算样本点作为驱动参数的仿真分析。计算完成后，通过模型关键字解析及DOE计算生成的结果数据库进行机器学习，生成快速计算所需的模型库。至此，完成快速仿真所需模型库的构建，用户只需调整变量范围，即可通过机器学习快速输出此参数对应的结果数据及CAE结果文件数据库。快速计算得到的结果数据库不存在数据丢失问题，具有与完整计算相同的数据量。

S104、通过自动化后处理脚本读取结果数据库中的数据及云图，并基于数字孪生平台进行实时呈现。

具体的，通过开发的CAE软件后处理程序，首先，控制CAE软件调用结果文件并输出应力或变形云图，随后将云图保存在指定的数据库中；通过开发的数据处理程序，从完整的结果文件数据库中提取模型指定位置的结果数据。其中，结果文件就是存储仿真分析结果的文件数据库

通过JavaScript进行web端开发，建立可视化模块与结果数据库的链接关系。可视化模块包括：虚拟仪表、曲线、图片等，由于数字孪生平台是基于动态数据驱动，当结果数据中的数据发生变化时，数字孪生平台的可视化模块中的数据立即更新，实现了计算结果的动态显示。

请参阅图2，本发明第二实施例提供一种基于快速仿真数字孪生技术的设备健康监测方法，包括以下步骤：

S201-S204的具体实施方式所描述的内容与本发明第一实施例S101-S104的具体实施方式所描述的内容一致，因此，此处不在赘述。

S205、基于仿真分析结果，通过载荷统计和疲劳计算，计算出当前状态下设备不同部位的损伤程度，评估出设备的剩余寿命。

具体的，通过传感器对单位时间内的设备激励进行统计，基于雨流计数统计一段时间内的有效激励，并结合CAE计算对单位激励下结构应力场进行计算。同时，在状态评估数据库中包含有各种材料，不同结构形式下的S-N曲线，基于S-N曲线可对单位时间内载荷对结构的累积损伤进行计算。

通过不断的载荷统计、疲劳计算，可实时的计算出当前状态下设备不同部位的损伤程度，从而能够评估设备的剩余寿命。为设备的提前维护提供数据支撑。

请参阅图3，本发明第三实施例提供一种基于快速仿真数字孪生技术的设备健康监测方法，包括以下步骤：

S301-S305的具体实施方式所描述的内容与本发明第二实施例S201-S205的具体实施方式所描述的内容一致，因此，此处不在赘述。

S306、基于仿真分析结果生成对应的控制策略，并对设备状态进行反馈调节。

具体的，基于状态评估结果生成控制策略，基于所述控制策略对设备状态进行反馈调节，比如调整电机的电流以消除危险运行状态。紧急情况下生成急停信号切断电源，保证系统的安全运行。

请参阅图4和图5，本发明第四实施例提供一种基于快速仿真数字孪生技术的设备健康监测方法，包括以下步骤：

S401-S402的具体实施方式所描述的内容与本发明第三实施例S301-S302的具体实施方式所描述的内容一致，因此，此处不在赘述。

S403、通过javascript开发数字孪生平台。

具体的，通过javascript开发web平台，平台功能包括：

现场视频监控：通过摄像头监测现场状态并通过网络实时的传输到孪生平台中，通过数字孪生平台可直接看到设备的现场运行状态；数据可视化模块：通过虚拟仪表、曲线等方式对传感器数据进行可视化呈现。

S404-S407的具体实施方式所描述的内容与本发明第三实施例S303-S306的具体实施方式所描述的内容一致，因此，此处不在赘述。

本发明技术特点：

根据结构的几何特征和安装和运行状态进行建模；在产品设计完成后，样机生产出来之前即可完成建模工作；有限元方法用于产品性能评估的方法成熟，已在国内外广泛应用并作为主要的设计验证工具；快速仿真方法能够解决有限元仿真计算量大求解时间长的难题；能够直观的计算产品所有位置的多物理场数据。

相对于现有技术，本发明通过基于机器学习的快速计算解决方案能够相对于传统有限元计算能够提升计算速度100倍以上；基于直接建模方法精度更高；可得到产品所有部位的多物理场数据；此外，不用搜集大量的试验数据和历史故障数据即可进行健康状态评估。

本发明的一种基于快速仿真数字孪生技术的设备健康监测方法，设备状态及环境数据采集，得到设备的载荷、应变等信息；构建设备的CAE数字孪生模型，对物理模型进行准确映射；将传感器采集的数据通过网络传输到服务器数据库；按照传感器端口规则对数据分类存储；开发数字孪生可视化平台，以曲线、虚拟仪表等形式进行数据的可视化呈现；通过数字孪生平台的模型调用脚本，调用CAE软件读取传感器采集到的边界条件数据，驱动模型快速计算；通过自动化后处理脚本，读取结果数据库中的数据及云图；通过数字孪生平台对CAE计算结果进行实时呈现；基于CAE计算结果进行设备的寿命评估，提高对设备寿命的预测效果。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。