一种基于数字孪生的汽轮机叶片加工设备状态监测及优化方法

摘要: 本发明涉及智能制造领域,尤其涉及一种基于数字孪生的汽轮机叶片加工设备状态监测及优化方法。背景技术:1、随着制造业向数字化、网络化和智能化方向发展,数字孪生技术逐...
一种基于数字孪生的汽轮机叶片加工设备状态监测及优化方法

本发明涉及智能制造领域,尤其涉及一种基于数字孪生的汽轮机叶片加工设备状态监测及优化方法。

背景技术:

1、随着制造业向数字化、网络化和智能化方向发展,数字孪生技术逐渐成为复杂制造系统状态感知、动态仿真和运行优化的重要支撑手段。数字孪生通过在数字空间构建物理对象的孪生模型,实现物理设备、加工过程与虚拟模型之间的动态映射和实时交互,可为制造过程透明化监测、异常预警和优化决策提供基础。汽轮机叶片是高端装备的核心部件,具有曲面结构复杂、型面精度要求高、多工序连续加工等特点,其加工质量直接决定机组运行效率与安全性。叶片制造过程中,机床主轴、进给系统及打磨装置等关键设备的运行状态直接影响轮廓精度与表面质量,因而对设备状态进行持续、准确的在线感知与异常预警,是保障加工稳定性与产品一致性的迫切需求。然而,当前叶片加工设备状态监测仍大量依赖人工经验判断与离线定期检测,难以在复杂工况下实时捕获设备性能退化与早期微弱异常,一旦异常未被及时发现,极易引起工序失稳甚至高价值叶片报废。

2、针对叶片加工场景,引入数字孪生及智能状态监测方法虽为解决上述问题提供了新路径,但实际应用仍面临若干关键瓶颈。其一,现场设备种类多、通信接口与协议标准各异,导致多源异构运行数据与传感数据难以统一接入与高效融合;其二,工业现场信号普遍存在强噪声干扰,且故障样本稀缺、类别分布严重不平衡,致使微弱故障特征难以从海量数据中被稳定提取和准确辨识;其三,现有虚拟模型高保真度不足,物理设备与数字模型之间缺乏完善的实时动态映射与双向驱动机制,使得数字孪生难以有效支撑在线精准监测与以虚优实的闭环优化。此外,已有叶片设备监测研究多聚焦于单一工序或单类信号,未能充分协同利用多源信息,也缺乏与虚实映射、在线分析预警的有效贯通,导致面向关键设备的系统化在线识别能力明显不足。

3、因此,亟需一种面向汽轮机叶片加工的数字孪生状态监测及优化方法,能够统一接入多源异构数据,增强强噪声背景下微弱特征提取能力,并建立高保真虚实双向映射闭环,实现设备运行状态的在线精准监测与主动优化,从而提升叶片制造过程的透明化水平和质量管控能力。

技术实现思路

1、针对现有汽轮机叶片加工设备状态监测中存在的多源异构数据难以统一接入、复杂工况下微弱异常特征难以稳定提取、虚拟模型与物理设备之间虚实映射不足以及状态监测结果难以进一步支撑运行优化等问题,本发明提供一种基于数字孪生的汽轮机加工设备状态监测及优化方法。

2、为了解决上述问题,本发明采用的技术方案是:

3、所述的一种基于数字孪生的汽轮机加工设备状态监测及优化方法,包括以下步骤:

4、步骤1:构建汽轮机叶片加工设备的数字孪生模型。

5、根据汽轮机叶片加工工艺流程、关键加工设备及其运行特性,建立面向设备状态监测的数字孪生模型。所述数字孪生模型包括几何模型、物理模型、行为模型和规则模型。其中,几何模型描述加工设备的机械结构以及位置关系;物理模型用于描述加工过程中的物理本质,包括载荷传递、能量耗散、材料去除及热力响应;行为模型主要描述加工设备在控制指令、运行约束及外部扰动作用下的动态执行过程,用于实现数字孪生体对物理实体运动状态、任务状态与协同行为的实时映射;规则模型是数字孪生系统衔接状态认知与决策执行的关键环节,其作用在于将加工设备的监测结果及健康状态评估结果映射为相应的响应行为,响应行为包括调度规划、设备维护,用于根据设备状态识别结果触发预警、维护、任务调整或参数优化策略,本质上是面向运行优化与控制的可执行知识与约束集合。

6、步骤2:建立物理加工设备与数字孪生模型之间的映射关系。

7、将物理加工设备的设备编号、工序信息、传感器节点、运行状态参数与虚拟模型中的对应部件进行关联,形成物理设备与虚拟模型之间的映射关系。通过该映射关系,使物理设备的运行状态、监测数据和异常识别结果能够实时驱动虚拟模型状态更新,同时使虚拟模型中的状态分析结果和优化策略能够反馈至物理加工过程。其中,虚拟仿真数据是数字孪生模型在不同加工工况和设备状态下,映射生成的虚拟仿真数据。

8、步骤3:采集汽轮机叶片加工过程中的多源异构数据。

9、针对叶片加工过程中设备类型多、数据来源复杂、通信协议不统一的问题,采集加工设备运行数据、传感器状态数据、虚拟仿真数据和生产管理数据。所述设备运行数据包括主轴转速、进给速度、设备启停状态、报警信息和加工任务状态;所述传感器状态数据包括振动、电流、温度或扭矩信号;所述虚拟仿真数据包括虚拟模型运行状态和仿真状态参数;所述生产管理数据包括工件编号、工序编号、加工批次和工艺参数。

10、步骤4:构建面向状态监测的多源融合数据集。

11、对采集到的多源异构数据进行数据清洗、归一化、时间对齐和标签关联处理,并针对工业现场故障样本稀缺、异常类别分布不均衡的问题,利用条件生成对抗网络生成异常状态样本。随后,如图1所示将真实采集数据、虚拟仿真数据和生成故障数据按照设备对象、加工工序和故障状态类别进行融合,构建用于设备异常状态识别模型训练的多源融合数据集。

12、步骤5:基于kfe-gcnet对融合数据集进行信息挖掘并识别设备异常状态。

13、将所述多源融合数据集输入卡尔曼滤波增强的粒度补偿网络((kalman filterenhanced granularity compensation network, kfe-gcnet)),对叶片加工设备运行状态信息进行深度挖掘。首先,利用卡尔曼滤波模块对传感器状态数据(振动、电流等)的多源状态信号进行预测、校正和去噪处理,获得能够表征设备运行状态变化的状态估计序列。随后,将滤波后的状态估计序列输入粒度补偿特征提取模块,通过粗粒度特征提取分支获取设备运行过程中的全局趋势特征,通过细粒度特征提取分支提取局部细节特征和微弱异常波动特征。针对粗粒度特征矩阵与细粒度特征矩阵尺度不一致的问题,对粗粒度特征矩阵进行邻域均值补偿扩充,使其与细粒度特征矩阵保持相同维度;再通过粒度平衡因子对粗、细粒度特征进行加权融合,并经残差特征学习和分类输出层得到设备异常状态识别结果。所述设备异常状态识别结果包括设备故障状态类别、故障状态的异常概率、置信度和对应时间信息。该步骤实现了对多源融合数据中有效状态信息的挖掘,提高了复杂工况和强噪声背景下叶片加工设备异常状态识别的准确性与稳定性。

14、步骤6:基于设备异常状态识别结果,根据物理加工设备与数字孪生模型之间的映射关系,对数字孪生模型的规则优化并进行反馈,最终实现规则的控制命令完全适用于当前物理加工过程。

15、将所述设备异常状态识别结果与对应物理设备、加工工序、传感器节点和虚拟模型部件进行绑定,并通过数字孪生系统的数据交互机制同步映射至虚拟产线,使虚拟产线根据识别结果动态更新对应设备的运行状态、报警状态、颜色标识、加工进度、工序状态和运动逻辑,实现物理设备状态变化在数字空间中的实时表达。根据异常状态识别结果触发数字孪生虚拟产线中的规则模型,对设备健康状态、故障风险和任务执行影响进行判断,生成设备维护、加工参数调整、任务重分配、备用设备切换或运动路径优化等候选策略,并在虚拟产线中对不同候选策略进行仿真验证和效果评价,选择满足设备安全、加工质量、生产节拍和任务连续性要求的优化策略反馈至物理产线或生产管理系统,从而实现汽轮机叶片加工设备状态监测、虚实映射、策略优选与运行优化的闭环联动。

16、进一步地,步骤1中所述汽轮机叶片加工设备的数字孪生模型包括几何模型、物理模型、行为模型和规则模型。所述几何模型用于描述叶片加工设备、工装夹具、叶片工件、机器人、测量装置及产线空间布局的形状、尺寸、装配约束和位置关系;所述物理模型用于描述叶片加工过程中设备运行参数、材料属性、接触载荷、热响应、材料去除及状态响应之间的物理关系;所述行为模型用于描述加工设备在控制指令、轨迹约束、任务调度和外部扰动作用下的位置、姿态、运动状态、任务状态及协同行为;所述规则模型用于将设备状态监测结果和健康状态评估结果转化为预警、维护、调度调整或工艺参数优化等决策依据。

17、进一步地,步骤2中所述物理加工设备与数字孪生模型之间的映射关系,是基于叶片加工物理产线、数据层和虚拟产线之间的数据交互关系建立的。具体地,将物理产线中的加工设备、工装夹具、叶片工件、传感器节点、工序任务、设备运行参数和质量状态信息,与虚拟产线中的几何模型、物理模型、行为模型和规则模型进行对应关联,形成覆盖设备结构、加工过程、运行状态和决策反馈的虚实映射关系。其中,几何模型用于实现设备、工装、工件及产线布局的空间映射;物理模型用于表征加工过程中的接触、载荷、温升、材料去除及状态响应关系;行为模型用于映射机床、机器人、agv等执行设备在控制指令、轨迹约束和任务调度下的运动状态与协同行为;规则模型用于接收状态监测结果,并完成设备健康评估、故障状态的异常判定和优化策略生成。

18、所述虚实映射关系通过实时数据驱动实现物理空间与虚拟空间之间的动态同步(如图9所示)。物理产线运行过程中产生的设备状态数据、传感器监测数据、工序执行数据和质量关联数据,经采集、预处理和标准化后写入数字孪生系统数据层,并按照设备编号、工序编号、传感器编号、状态变量和虚拟模型部件之间的对应关系,驱动虚拟产线中对应设备的启停状态、运动状态、报警状态、加工进度和任务状态同步更新。同时,虚拟产线根据状态识别结果、仿真分析结果和规则模型生成的决策结果,对加工参数、设备调度、维护策略或任务分配方案进行优化,并将优选结果反馈至物理产线或生产管理系统;物理产线执行反馈策略后产生的新数据再次回流至数字孪生系统,用于修正模型参数和规则阈值,从而形成面向汽轮机叶片加工场景的虚实映射、双向驱动和以虚优实闭环。

19、进一步地,步骤3中,所述多源异构数据的采集通过opc ua统一通信架构、外部状态监测传感器、生产管理系统接口和虚拟模型仿真模块共同实现。对于支持opc ua的数控系统、plc、机器人控制器及物流设备,直接通过opc ua服务器读取设备坐标、主轴转速、进给速度、报警信息、加工状态和任务执行状态等运行数据;对于不支持统一通信协议或难以直接通过设备接口获取的状态量,则通过振动、电流、温度、扭矩等外部传感器进行采集,并经采集模块、协议转换模块和数据封装模块转换为标准化数据节点;同时,通过restfulapi、数据库接口或生产管理系统获取工件编号、工序编号、加工批次、工艺参数和订单信息等生产管理数据,并接收虚拟模型在仿真过程中生成的预测数据和状态推演数据。上述多源异构数据经时间戳标记、格式转换、节点映射和统一存储后,写入基础数据库和孪生数据库,为后续多源融合数据集构建、设备异常状态识别以及虚拟产线状态同步提供数据基础。

20、进一步地,步骤4中,所述面向状态监测的多源融合数据集由真实物理检测数据、虚拟仿真数据和生成故障数据共同构建。对步骤3采集的设备运行数据和传感器状态数据进行数据清洗、归一化、时间对齐和标签关联处理,形成与设备对象、加工工序和状态类别相对应的真实物理检测数据;其次,调用数字孪生模型在不同加工工况和设备状态下生成虚拟仿真数据,用于补充物理空间中难以直接观测或难以充分覆盖的状态信息;然后,针对工业现场异常样本稀缺和类别分布不均衡的问题,以故障类别标签作为条件约束,利用条件生成对抗网络生成对应异常类别的故障样本,形成生成故障数据;进一步地,对真实物理检测数据、虚拟仿真数据和生成故障数据分别进行可信度评价,其中,真实物理检测数据的可信度根据传感器信号噪声水平、滤波前后信号差异或数据完整性确定,虚拟仿真数据的可信度根据虚拟仿真结果与对应物理状态之间的偏差确定,生成故障数据的可信度根据生成样本与真实故障样本在特征空间中的分布差异确定;随后,对各数据源可信度进行归一化处理,得到不同数据源在融合过程中的权重,并将真实物理检测数据、虚拟仿真数据和生成故障数据按照对应权重进行融合,构建用于kfe-gcnet状态识别模型训练和测试的多源融合数据集。

21、进一步地,步骤5中,所述基于kfe-gcnet对融合数据集进行信息挖掘并识别设备异常状态,是将步骤4得到的多源融合数据输入卡尔曼滤波增强的粒度补偿网络中进行状态特征提取与分类识别。首先,对振动、电流等多源状态信号进行卡尔曼滤波处理,通过递推估计有效剥离强背景噪声,得到平滑的状态估计信号,在保留设备运行宏观演变趋势的同时凸显局部细微波动。然后,将滤波后的信号分别送入粒度补偿特征提取模块。设置并行的细粒度卷积支路与粗粒度卷积支路:细粒度支路采用小感受野卷积核,捕捉信号中的瞬态冲击与早期微弱异常征兆;粗粒度支路采用大感受野卷积核,提取设备运行的整体态势、大范围能量分布变化及低频趋势信息。

22、设输入样本为

x,细粒度矩阵为

f

f与粗粒度矩阵为

f

c,二者在空间分辨率上存在差异,为融合两类异构特征,引入粒度补偿机制,对细粒度特征图中任意数据点坐标,其在粗粒度特征图上对应的映射坐标为:

23、;

24、式中,

s

h与

s

w分别为高度和宽度方向的映射比例倍数,

h

f、

w

f、

h

c、

w

c分别为表示细、粗粒度特征矩阵的高度和宽度,根据该映射关系,采用局部邻域均值对粗粒度特征进行上采样补偿,得到扩充后的粗粒度特征矩阵。设扩充后的粗粒度特征矩阵:

25、;

26、式中,表示粗粒度特征矩阵中以映射坐标为中心的局部邻域点集,为该邻域内点的总数。

27、通过该方式可在保证特征尺度对齐的同时,保留粗粒度特征中的全局平滑趋势。完成空间对齐后,将细粒度特征矩阵与扩充后的粗粒度特征矩阵进行加权融合:

28、;

29、式中,为粒度平衡因子,通过调整,网络能够根据不同通道和空间位置动态权衡细粒度局部异常与粗粒度宏观趋势的重要性。融合后的特征输入残差块进行深层抽象,最终经全局平均池化和全连接层输出各类别的概率向量。

30、进一步地,考虑同一设备的不同传感器信号能够从不同维度表征设备运行状态,分别针对各类传感器信号构建结构相同、参数独立的kfe-gcnet子模型。为综合多个子模型的诊断结果,根据各子模型在验证集上的分类准确率确定决策权重。设第k个子模型的验证准确率为,其权重系数为:

31、;

32、最终诊断结果将各子模型输出的类别概率向量按照权重系数进行加权融合,并以加权概率最大的类别作为设备异常状态识别结果:

33、;

34、式中,若干网络输出的故障类别的概率向量。通过上述处理,可实现对多源融合数据中状态特征的深度挖掘,提高强噪声和复杂工况下汽轮机叶片加工设备异常状态识别的准确性与稳定性。

35、进一步地,步骤6中,所述基于异常状态识别结果的虚实同步映射与规则优化反馈,是将步骤5得到的设备异常状态识别结果写入数字孪生系统数据层,并与对应物理设备、加工工序、传感器节点和虚拟模型部件进行绑定。所述异常状态识别结果包括设备状态类别、异常概率、置信度、健康状态指标和时间戳信息;系统根据设备编号、工序编号和虚拟模型部件编号之间的映射关系,将识别结果同步映射至数字孪生虚拟产线,使虚拟产线中对应设备的运行状态、报警状态、颜色标识、加工进度、任务状态和运动逻辑随物理设备状态变化而动态更新,从而实现物理设备运行状态在虚拟空间中的实时表达。同时,所述异常状态识别结果被写入基础数据库和孪生数据库,用于后续状态追溯、规则推理和优化决策。

36、进一步地,所述规则模型根据设备异常状态识别结果生成相应的优化反馈策略。设

t时刻的设备多源监测数据为,将其输入状态监测模型,可得到故障概率:

37、;

38、式中,表示状态监测模型,表示该设备在时刻

t处于异常或故障状态的概率,可到健康指数为:

39、;

40、为了将监测结果转化为调度行为,根据设备健康指数设置正常、预警和故障三类响应状态,其规则触发函数可表示为:

41、;

42、式中,与分别为预警阈值和故障阈值,且。

43、当设备处于正常状态时,系统维持原调度计划执行;当设备进入预警状态时,系统在虚拟空间中预生成候选调度方案并进行推演;当设备发生故障时,系统触发动态重调度,对受影响设备后续任务重新分配,生成新的调度方案。

44、所述优选方案经虚拟产线验证满足加工稳定性、任务连续性和生产节拍要求后,反馈至物理产线或生产管理系统,用于指导设备维护、加工参数调整、任务重分配或生产调度更新;若虚拟验证结果不满足要求,则对候选方案重新调整并再次评估。由此实现由设备状态在线识别、虚拟模型同步映射、规则模型决策、虚拟仿真验证到物理产线反馈执行的闭环优化过程。

45、本发明取得的有益效果在于:

46、与现有技术相比,本发明面向汽轮机叶片高精度、多工序和强耦合加工场景,构建了包含几何模型、物理模型、行为模型和规则模型的数字孪生模型,并建立物理加工设备与数字孪生虚拟产线之间的映射关系。通过将设备运行数据、传感器状态数据、虚拟仿真数据和生产管理数据进行统一采集、标准化接入和关联存储,能够实现叶片加工过程中设备状态、工序任务、传感器节点和虚拟模型部件之间的动态对应,避免现有方法仅依赖单一信号、局部工序或离线检测导致的状态感知不完整问题。由此,本发明能够提高叶片加工设备运行状态的在线感知能力、虚拟产线同步表达能力和制造过程透明化水平,为关键设备异常预警、加工过程追溯和运行优化提供数据与模型基础。

47、同时,本发明通过真实物理检测数据、虚拟仿真数据和生成故障数据构建多源融合数据集,缓解了工业现场故障样本稀缺、异常类别不均衡和多源信息利用不足的问题;通过kfe-gcnet对融合数据进行深度挖掘,能够在强噪声和复杂工况下同时提取设备运行的全局趋势特征与局部微弱异常特征,提高异常状态识别的准确性和稳定性。进一步地,本发明将异常状态识别结果同步映射至数字孪生虚拟产线,并驱动规则模型生成维护、参数调整、任务重分配等策略,经虚拟产线仿真验证后反馈至物理产线,实现由状态感知、异常识别、虚实映射、策略优选到运行优化的闭环联动,从而提升汽轮机叶片加工过程的稳定性、可控性和质量保障能力。