基于数字孪生的连接器结构剩余寿命预测方法与流程

本发明涉及智能运维与健康管理领域，尤其涉及基于数字孪生的连接器结构剩余寿命预测方法。

背景技术：

1、随着工业与智能制造技术的快速发展，连接器作为航空航天、轨道交通及新能源等领域中广泛使用的关键基础部件，其运行可靠性直接关系到整个系统的安全稳定。由于电连接器通常长期工作在复杂的机电热耦合载荷环境下，极易受到振动冲击、温湿度变化及电应力腐蚀等因素的影响，导致材料性能退化、接触电阻增大甚至断裂失效，因此，对连接器结构剩余寿命进行精准预测对于实现设备预测性维护和避免灾难性事故具有重要意义。目前，现有的连接器寿命预测技术主要基于物理有限元仿真或纯数据驱动的统计分析方法。物理仿真方法虽能准确描述材料内部的微观损伤演化机理，但在构建高保真数字孪生体时涉及大量的非线性偏微分方程求解，计算过程极其耗时，难以满足实时性要求。而纯数据驱动方法虽然计算速度快，但往往缺乏对物理约束的考虑，且严重依赖大量带标签的历史失效数据，在面对缺乏故障样本的新工况时，其泛化能力和长期预测的准确性较差。

2、此外，现有的数据驱动预测技术，例如基于循环神经网络或长短期记忆网络的方法，在处理复杂的非线性动力学系统时，通常存在长期累积误差发散的问题，导致预测结果随着时间的推移迅速偏离真实轨迹。特别是在多场耦合环境下，如何保证预测模型在长时间推演中遵守能量守恒等物理定律，仍是当前技术亟待解决的难题。同时，传统方法在进行加速寿命试验外推时，往往忽略了未来环境工况的随机性，无法给出带有概率置信度的剩余寿命预测结果，难以有效支撑工程决策。综上所述，现有技术难以在计算效率、物理可解释性、长期预测稳定性及环境适应性之间取得平衡，限制了其在实际工程中的应用。

3、因此，如何提供基于数字孪生的连接器结构剩余寿命预测方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出基于数字孪生的连接器结构剩余寿命预测方法，本发明充分融合实时损伤场反演、傅里叶神经算子代理建模、改进的koopman神经网络线性加速推演及多工况概率加权融合等关键步骤，构建了包含物理场快速计算、权重矩阵正交性约束、包含哈密顿约束损失函数的优化框架及失效风险可视化的全流程预测体系，实现了在不同未来环境载荷下对连接器性能退化演变的精准映射与长期稳定推演。本发明具备物理计算效率高、长期预测稳定性强、能量守恒约束自适应、寿命预测结果可信度高等优点，能够显著提升复杂工况下连接器剩余寿命预测的时效性与精度，从而有效解决现有技术中有限元计算耗时长、数据驱动模型长期推演易发散及物理一致性缺失等问题。

2、根据本发明实施例的基于数字孪生的连接器结构剩余寿命预测方法，包括如下步骤：

3、s1、同步采集电接触信号、机械力学信号及环境参数信号，并预处理得到标准化输入数据集；

4、s2、建立连接器的三维几何模型并进行网格离散化，设定材料的基础物理属性参数，植入损伤状态变量，并建立动态演变函数，形成初始数字孪生体；

5、s3、将标准化输入数据集输入初始数字孪生体进行物理场计算，获取虚拟响应数据，引入傅里叶神经算子构建物理场的代理模型，进行全局卷积操作与频域特征学习，获取加速的虚拟响应数据，依据偏差值反向迭代调整损伤状态变量，得到实时损伤场分布；

6、s4、基于实时损伤场分布复制生成数字孪生体副本，分别加载预设的未来环境载荷条件，引入改进的koopman神经网络，约束权重矩阵为正交矩阵并构建包含哈密顿约束损失函数的优化框架，执行线性加速推演，模拟在不同未来场景下的演变路径，得到推演演化状态序列；

7、s5、在各个数字孪生体副本执行加速的性能退化过程中实时监测，当达到预设的失效临界值，停止推演并记录累计的推演时长，输出失效时间样本集合；

8、s6、根据历史环境数据统计未来各种工况发生的概率分布，赋予失效时间样本集合中每个样本对应的权重系数，并将计算结果换算回现实世界的时间尺度，输出剩余寿命预测结果及失效风险定位信息。

9、可选的，所述s1具体包括：

10、s11、利用电压传感器与电流传感器同步采集流经连接器回路的电接触信号，利用加速度传感器同步采集连接器受到的机械力学信号，利用温湿度计同步采集连接器所处环境的环境参数信号；

11、s12、对采集到的电接触信号、机械力学信号及环境参数信号执行缺失值填补与滑动平均滤波处理，并在线性归一化后按时间戳对齐组合，输出标准化输入数据集。

12、可选的，所述s2具体包括：

13、s21、读取连接器的二维工程图纸，拉伸生成连接器的三维几何模型，并导入有限元前处理软件，选择四面体单元类型，设定单元尺寸为连接器最小特征尺寸的十分之一，执行网格划分操作，将连续的实体结构离散为由节点和单元连接组成的有限元网格模型；

14、s22、选取有限元网格模型中的所有单元，在材料属性中输入连接器材料的预设基础物理属性参数；

15、s23、在有限元网格模型的每一个单元节点位置创建一个新的状态变量字段，并命名为损伤状态变量，初始化所有单元的损伤状态变量数值为0，定义所述损伤状态变量的数值变化范围为0至1，0代表材料处于完全完好状态，1代表材料处于完全失效状态；

16、s24、构建损伤状态变量与材料宏观物理属性参数之间的动态演变函数，用数值1减去当前单元的损伤状态变量数值得到第一剩余系数，并与初始杨氏模量相乘，计算得到有效杨氏模量；

17、s25、将当前单元的损伤状态变量数值与预设的损伤敏感系数相乘得到第一指数因子，以自然常数e为底数、以第一指数因子为指数计算指数函数值，将指数函数值与初始电阻率相乘，计算得到有效电阻率；

18、s26、将有效杨氏模量与有效电阻率赋值给有限元网格模型中对应的单元，更新材料属性参数，存储包含更新后材料属性参数、损伤状态变量及几何网格信息的完整模型文件，生成初始数字孪生体。

19、可选的，所述s3具体包括：

20、s31、提取标准化输入数据集中的电压值、电流值、加速度值、温度值及湿度值，将电压值与电流值施加在初始数字孪生体的电接触端口作为电学边界条件，将加速度值施加在安装固定点作为力学边界条件，将温度值与湿度值施加在所有外表面作为环境边界条件，进行物理场计算，得到虚拟响应数据；

21、s32、提取标准化输入数据集中对应时刻的实测接触电阻、实测应力及实测温度，计算虚拟接触电阻与实测接触电阻的第一差值绝对值，计算虚拟应力与实测应力的第二差值绝对值，计算虚拟温度场与实测温度的第三差值绝对值，将第一、第二与第三差值绝对值相加，得到总偏差值；

22、s33、构建傅里叶神经算子网络结构，将初始数字孪生体的几何网格坐标作为网络输入执行快速傅里叶变换操作，将数据转换至傅里叶空间，在傅里叶空间内对偏微分方程的解进行全局卷积操作与频域特征学习，对学习后的频域特征执行逆快速傅里叶变换操作，输出物理场的解，构建物理场的代理模型，利用代理模型替代耗时的有限元计算，输入边界条件以获取加速的虚拟响应数据；

23、s34、计算总偏差值相对于损伤状态变量的梯度信息，利用梯度信息更新损伤状态变量的数值，将更新后的损伤状态变量代入初始数字孪生体中，重新计算得到新的总偏差值，判断新的总偏差值是否小于预设的偏差阈值，若未小于则继续反向迭代调整，直至偏差值收敛至预设范围内；

24、s35、提取最终收敛时的损伤状态变量数值，将损伤状态变量数值映射至初始数字孪生体的网格节点，生成实时损伤场分布。

25、可选的，所述s4具体包括：

26、s41、读取实时损伤场分布中存储的网格节点编号及对应的损伤状态变量数值，并将损伤状态变量数值定义为节点损伤数值，执行文件复制指令复制初始数字孪生体的所有网格信息与物理属性文件，生成数字孪生体副本；

27、s42、在数字孪生体副本中定位每个单元的损伤状态变量字段，将节点损伤数值分别赋值给对应的损伤状态变量，将损伤状态变量数值代入有效杨氏模量的计算公式与有效电阻率的计算公式，重新计算并更新数字孪生体副本中所有单元的有效杨氏模量与有效电阻率；

28、s43、设定未来环境载荷条件，将未来环境载荷条件中随时间变化的温度值、湿度值、振动加速度值及电流量按照预设的时间间隔进行采样，将最小计时分辨率的数值乘以系数10得到采样步长，将采样得到的数据点绘制成载荷数据曲线，提取载荷数据曲线中每一时间点的数值，将温度值与湿度值施加在数字孪生体副本的所有外表面节点上，将振动加速度值施加在安装固定点上，将电流量施加在电接触端口上；

29、s44、构建改进的koopman神经网络，利用正交性约束损失函数和哈密顿约束损失函数加权求和得到总优化目标函数，利用反向传播算法更新改进的koopman神经网络的参数，完成优化框架的构建；

30、s45、读取数字孪生体副本在当前时刻的节点位移向量、节点速度向量及损伤状态变量数值并组合成状态特征向量，对状态特征向量执行非线性映射，将其提升至无限维的koopman特征函数空间，得到高维特征向量；

31、s46、在高维特征空间中执行线性矩阵乘法操作，将高维特征向量与预先学习得到的koopman算子矩阵相乘，得到下一时刻的高维预测特征，并执行非线性逆映射操作，投影回原始物理状态空间，计算输出下一时刻的预测节点位移向量、预测节点速度向量及预测损伤状态变量数值；

32、s47、将下一时刻的预测节点位移向量、预测节点速度向量及预测损伤状态变量数值写入数字孪生体副本，覆盖当前时刻的数值，将更新后的数字孪生体副本作为新的输入，循环执行线性映射操作，连续推演预设数量的时间步长，提取每个时间步长输出的预测节点位移向量、预测节点速度向量及预测损伤状态变量数值，按时间先后顺序排列组合生成推演演化状态序列。

33、可选的，所述s44具体包括：

34、s441、构建改进的koopman神经网络，初始化全连接权重矩阵，计算全连接权重矩阵的转置矩阵，将转置矩阵与全连接权重矩阵进行矩阵乘法运算得到乘积矩阵，计算乘积矩阵与单位矩阵之间的差值矩阵，计算差值矩阵中所有元素的平方和作为正交性约束损失函数，利用梯度下降算法更新全连接权重矩阵的数值，直至正交性约束损失函数收敛至预设的收敛阈值；

35、s442、计算数字孪生体副本中所有节点的总机械能数值，计算所有节点的位移向量与全局刚度矩阵的乘积得到弹性势能，将总机械能数值与弹性势能相加得到系统总能量，计算系统总能量相对于时间的一阶导数得到哈密顿量，构建包含哈密顿量的数值趋近于预设的能量零点容差的约束条件的哈密顿约束损失函数；

36、s443、哈密顿约束损失函数与正交性约束损失函数进行加权求和得到总优化目标函数，计算总优化目标函数相对于改进的koopman神经网络参数的梯度，利用反向传播算法更新改进的koopman神经网络的参数，迭代执行计算与更新步骤直至总优化目标函数的数值不再下降，完成优化框架的构建。

37、可选的，所述s5具体包括：

38、s51、读取数字孪生体副本中预设的关键位点编号，获取预设的关键位点编号对应的网格节点在当前推演时刻的节点位移向量、节点速度向量及损伤状态变量数值；

39、s52、提取损伤状态变量数值并判断损伤状态变量数值是否大于或等于预设的失效临界值，若损伤状态变量数值小于预设的失效临界值则继续执行下一步推演，反之则停止推演；

40、s53、在停止推演的时刻读取数字孪生体副本的系统时钟，提取系统时钟记录的当前累计运行时间数值作为推演时长，将推演时长乘以时间加速系数，换算得到现实世界的时间尺度；

41、s54、将换算后的现实世界的时间数值与当前加载的未来环境载荷条件的类型标签关联存储，形成一个失效时间样本数据，汇总所有数字孪生体副本在不同未来环境载荷条件下生成的失效时间样本数据，输出失效时间样本集合。

42、可选的，所述s6具体包括：

43、s61、读取存储的历史环境数据文件，将历史环境数据文件中的温度数据、湿度数据及振动加速度数据按照数值大小区间进行划分，统计每个数值区间内数据出现的频数，将频数除以历史环境数据的总数量计算得到每个数值区间的发生概率，将数值区间与对应的发生概率组合生成未来工况的概率分布表；

44、s62、提取失效时间样本集合中每个失效时间样本数据携带的未来环境载荷条件的类型标签，在未来工况的概率分布表中查找与类型标签相匹配的发生概率，将查找到的发生概率数值直接赋予对应的失效时间样本数据作为权重系数；

45、s63、读取每个失效时间样本数据的换算后的现实世界的时间数值，将现实世界的时间数值与对应的权重系数执行乘法运算得到加权失效时间，将所有失效时间样本数据的加权失效时间进行算术累加求和，并除以所有权重系数的总和，计算输出剩余寿命预测结果；

46、s64、提取每个失效时间样本数据对应的预设的关键位点编号在实时损伤场分布中的空间坐标，在空间坐标处绘制以失效临界值为半径的球形区域，将所有球形区域投影至连接器的三维几何模型表面，在三维几何模型表面生成红色高亮显示区域，输出失效风险定位信息。

47、本发明的有益效果是：

48、本发明通过引入傅里叶神经算子构建物理场代理模型，针对传统有限元物理场计算耗时长、难以满足实时性要求的问题，将偏微分方程求解转化至傅里叶空间进行频域全局卷积与特征学习，生成加速的虚拟响应数据；通过构建改进的koopman神经网络，结合权重矩阵正交性约束与包含哈密顿约束损失函数的优化框架，针对纯数据驱动模型在长期推演中存在的误差累积与物理一致性缺失问题，将非线性状态映射提升至高维特征空间执行线性矩阵乘法运算，并强制约束能量守恒与算子范数有界；进一步结合历史环境概率分布对不同工况下的失效时间样本进行加权融合，将推演结果换算回现实世界时间尺度并定位失效风险区域。最终实现对连接器结构内部损伤状态的实时反演、长期性能退化的稳定推演与剩余寿命的精准预测，有效提升复杂多场耦合环境下数字孪生模型的计算效率、长期预测的数值稳定性与寿命预测结果的可信度。