摘要《基于数字孪生的滚动轴承健康状态预测》提出一种基于数字孪生的滚动轴承剩余寿命实时预测方法——
提出背景对滚动轴承进行剩余寿命预测对于机械设备的健康管理决策非常重要,基于专家知识库、基于数据驱动、基于物理模型和混合预测的方法虽然应用在滚动轴承剩余寿命预测方面都取得了较好的效果,但是它们没有考虑滚动轴承运行工况的实时变化,有必要提出一种考虑实时工况和测量误差的滚动轴承剩余寿命预测方法。 数字孪生是以数字形式创建物理实体的虚拟模型,使用孪生数据模拟物理实体的行为,通过虚拟模型与物理实体的交互反馈、数据融合分析、迭代优化等手段实现实体与虚拟模型的交互。数字孪生具有映射和交互融合的特点,可以将物理实体的工况实时反应到虚拟模型,并根据实时数据更新测量误差。 基于数字孪生滚动轴承的健康状态预测方法该方法①以滚动轴承的动态感知信息为基础,建立了一种数字孪生模型。然后,②基于非线性布朗运动建立预测模型,得到滚动轴承的实时的健康状态信息。最后,③通过设定相应的阈值,从而避免因滚动轴承故障发生的重大事故。 1 整体框架1.1 基于数字孪生的滚动轴承健康状态预测策略论文基于数字孪生的滚动轴承健康状态预测方法主要包括3个部分:物理实体、数字孪生体、健康状态预测 物理实体为所建立的数字孪生模型提供实时信息,然后利用所提供的实时信息更新孪生体模型,最后通过孪生模型产生的孪生数据对滚动轴承进行剩余寿命预测,从而达到对滚动轴承的健康状态提前感知。 (1)物理空间中:利用实时感知信息描述滚动轴承的实时工作状态实时感知信息:
(2)虚拟空间中:从物理空间的信息中获取感知数据(温度、载荷、转速和振动) ——>对感知数据进行处理从而产生虚拟数据;采用历史感知数据产生的虚拟数据建立初步的孪生模型;采用实时感知数据产生的虚拟数据实时更新所建立的初步孪生模型 ——>基于历史数据和实时感知数据 建立滚动轴承的数字孪生模型 ——>将建立好的数字孪生模型对滚动轴承的物理实体进行实时剩余寿命预测 1.2 实时感知信息获取提出了一种软件采集与硬件采集相结合的方法: (1) 软件采集:通过信息采集制造商提供的开发接口协议进行信息采集(包括信息采集软件和分析系统); (2) 硬件采集:在滚轴承座上放置传感器进行信息采集。滚动轴承的实时感知信息获取方案如图 2 所示: 首先,设置传感器网络,采集滚动轴承的动态工作信号。然后通过中间处理器将采集到的信号处理成数字信号。最后,通过采集与分析系统对滚动轴承的数字信号进行处理,并上传到数据采集平台上。 2 实时健康状态预测2.1 建立滚动轴承的退化模型本文利用随机过程模型,将滚动轴承在t时刻的退化状态描述为 在实际环境中,由于外界噪声的干扰,滚动轴承的真实退化状态无法直接获得。为了提高剩余寿命的预测精度,在模型引入测量误差项,即 2.2 模型中的参数估计由式(1)与(2)可知,本文建立的滚动轴承退化模型中有 5 个未知参数, 并通过极大似然估计法估计模型中的未知参数,具体过程如下: 2.3 在线实时更新参数本文采用贝叶斯原理对剩余寿命预测模型中的未知参数 进行后验估计 由上可知,利用实时更新的随机系数,可以实现对滚动轴承的实时状态更新。 2.4 滚动轴承的剩余寿命分布本文基于首达时间定义滚动轴承的剩余寿命,当滚动轴承的状态值首次等于或者超过设定的阈值时,则认为滚动轴承失效如图 3 所示: 最终得出带有测量误差的滚动轴承剩余寿命的概率密度函数为: 3 实验通过加速寿命退化实验台对正常滚动轴承进行加速退化实验。 试验台由三相异步电机、测试轴承、蓄能器和液压缸等组成,如图 4a 所示,试验后失效轴承如图 4b 所示: 为实现对滚动轴承的剩余寿命预测,本文选择滚动轴承的径向振动数据作为其退化特征,从而实现对滚动轴承的剩余寿命预测。 采集的滚动轴承径向振动信号如图 5 所示: 本文以振动幅值为依据建立滚动轴承的失效准则,当滚动轴承径向振动信号的最大幅值超过初始幅值的10倍时,则视为滚动轴承已经完全失效并立刻终止试验。将采集到的全寿命径向振动信号进行数字化技术手段处理并从中提取滚动轴承的退化指标,根据提取到的数据量,对滚动轴承从开始运行到失效结束进行 200 次监测。然后利用退化指标与本文提出的考虑测量误差和实时工况的预测模型对滚动轴承进行实时剩余寿命预测。 实时预测分布结果如图 6 所示: 为验证此方法的优越性,本文与只考虑实时工况或只考虑测量误差的方法进行了对比。M0 表示只考虑测量误差的方法。M1 表示利用数字孪生手段实时监测滚动轴承的工况变化但没有考虑测量误差的方法。M2是本文提出的方法表示既考虑测量误差又考虑实时工况的方法。 3种方法的预测结果分布如图 7 所示: 除此之外,本文还对 3 种方法的预测精准度进行了对比。对比所需要的结果来自图 7 监测点的预测值。 对比的可视化效果如图 8 所示: 本文采用的评价指标为均方根误差(RMSE)、适应度(0<R²<1) 以及平均绝对值误差(MAE)。 其中,RMSE和定义如式(13)和(14)所示。实验中较小的RMSE 意味着模型有更好的拟合效果,较大的R²意味着模型有更强的适应能力。 从表 1 中的 3 项评价指标来看,提出的方法在模型的拟合度、适应度以及预测精度上都优于其他两种方法。因此,本文提出的滚动轴承健康状态预测方法具有良好的预测效果。本文提出基于数字孪生的滚动轴承健康状态预测方法具有良好预测效果,其归因于以下 3 个方面:
4 结语本文针对滚动轴承考虑实时工况和测量误差的寿命预测方法进行了研究,并构建了一套完整的滚动轴承剩余寿命预测方案。
|
|
来自: taotao_2016 > 《物理》