一种基于数字孪生的结构件寿命评估方法及系统与流程

本发明涉及数字孪生，尤其涉及一种基于数字孪生的结构件寿命评估方法及系统。

背景技术：

1、大型复杂装备关键结构件在长期服役过程中承受温度、压力、振动、接触载荷形成的多物理场交变作用，热机械疲劳、高周疲劳和局部磨损呈现并行演化、非线性累积及动态竞争特征。现有结构件寿命预测与可靠性评估方法多围绕单一失效模式建立损伤模型，采用固定失效模式权重描述多模式影响，难以反映运行工况变化引起的损伤速率变化及主导失效模式迁移，失效模式转换阶段的实时贡献权重识别能力不足。

2、现有混合威布尔寿命分析多依赖历史失效样本执行静态参数拟合，三参数威布尔分布的位置参数未与结构件实时累积损伤建立动态物理约束，寿命分布参数难以随物理劣化状态同步演化，可靠度计算结果与实际损伤状态存在偏差。复杂装备关键结构件全寿命破坏性试验成本高、周期长，实际失效样本数量有限，在线运行阶段主要形成未失效运行数据、数字孪生预测数据和传感异常数据。现有参数更新方法缺少面向多源寿命信息的统一概率融合机制，难以利用未发生实体失效期间持续产生的运行信息修正寿命分布参数和失效模式权重，限制了结构件剩余寿命在线预测、竞争失效识别及长期评估模型更新能力。

3、因此，如何提供一种基于数字孪生的结构件寿命评估方法及系统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一种基于数字孪生的结构件寿命评估方法及系统，本发明融合并行数字孪生、概率神经网络、时序平滑、物理约束三参数威布尔分析和变分贝叶斯更新，对多失效模式损伤、竞争状态、动态可靠度及剩余寿命进行在线评估，具备失效模式识别准确、寿命预测精度高、物理一致性强和在线更新能力强的优点。

2、根据本发明实施例的一种基于数字孪生的结构件寿命评估方法，包括：

3、采集结构件监测数据和工况数据并预处理，生成标准化运行数据；

4、基于标准化运行数据建立热机械疲劳、高周疲劳和磨损并行数字孪生降阶模型，计算各失效模式的实时损伤和累积损伤，生成多失效孪生损伤状态；

5、基于多失效孪生损伤状态执行跨时间尺度归一化对齐，关联工况数据，生成实时损伤特征向量；

6、构建概率神经网络，将实时损伤特征向量输入概率神经网络获得初始概率权重，经时序平滑生成平滑概率权重向量；

7、基于平滑概率权重向量分析权重趋势，确定主导失效模式和迁移趋势，生成失效模式竞争状态；

8、从结构件试验数据库读取离线试验数据，基于离线试验数据初始化各失效模式的三参数威布尔参数，建立位置参数与累积损伤的非线性物理约束，对位置参数实时修正并以平滑概率权重向量作为时变权重计算动态可靠度；

9、从标准化运行数据提取未失效运行数据和传感异常数据，基于多失效孪生损伤状态执行虚拟加速寿命外推推演，并结合动态可靠度构建多源概率似然函数，经变分贝叶斯推断更新威布尔参数和模式权重，生成更新参数；

10、基于更新参数计算动态可靠度和剩余寿命，结合失效模式竞争状态生成寿命评估结果和失效预警结果。

11、可选的，所述生成标准化运行数据，包括：

12、从结构件温度传感器、压力传感器、振动加速度传感器和油液颗粒传感器采集监测数据，从装备运行控制端读取负载、转速和工作阶段数据，生成原始运行数据；

13、对原始运行数据执行异常剔除、缺失标记和时间校正，按结构件标识及采集时刻关联监测数据与工况数据，生成校正运行数据；

14、按统一采样周期同步校正运行数据并统一量纲，依采集时序排列监测数据与工况数据，生成标准化运行数据。

15、可选的，所述生成多失效孪生损伤状态，包括：

16、从标准化运行数据提取监测数据和工况数据，按热机械疲劳、高周疲劳和磨损划分对应孪生输入；

17、基于孪生输入分别建立热机械疲劳数字孪生降阶模型、高周疲劳数字孪生降阶模型和磨损数字孪生降阶模型，计算热机响应、振动响应和磨损响应；

18、基于热机响应、振动响应和磨损响应分别计算各失效模式的实时损伤，并按采集时序累积得到累积损伤；

19、关联各失效模式的实时损伤、累积损伤和采集时刻，生成多失效孪生损伤状态。

20、可选的，所述生成实时损伤特征向量，包括：

21、从多失效孪生损伤状态提取各失效模式的实时损伤、累积损伤和采集时刻，按统一时间窗口划分损伤序列；

22、分别对热机械疲劳、高周疲劳和磨损损伤执行周期聚合，生成多尺度损伤序列；

23、按照统一时间窗口对多尺度损伤序列执行时间对齐和归一化，生成对齐损伤数据；

24、从标准化运行数据提取对应时间窗口的工况数据，关联对齐损伤数据并按采集时序排列，生成实时损伤特征向量。

25、可选的，所述经时序平滑生成平滑概率权重向量，包括：

26、基于热机械疲劳数字孪生降阶模型、高周疲劳数字孪生降阶模型和磨损数字孪生降阶模型生成历史损伤轨迹，并关联对应失效模式标识，生成概率神经网络样本；

27、基于概率神经网络样本构建输入层、模式层、求和层和输出层组成的概率神经网络；

28、将实时损伤特征向量输入概率神经网络，计算与各失效模式历史损伤轨迹的匹配响应并归一化，获得初始概率权重；

29、按照采集时序排列连续初始概率权重，提取最大概率权重对应的失效模式标识形成观测序列，并基于历史失效模式转移关系构建隐马尔可夫模型；

30、将观测序列输入隐马尔可夫模型执行状态序列平滑，获得平滑概率权重向量。

31、可选的，所述生成失效模式竞争状态，包括：

32、从平滑概率权重向量提取热机械疲劳、高周疲劳和磨损对应的概率权重，按概率权重排序确定当前主导失效模式；

33、按评估时刻排列各失效模式的概率权重，计算相邻评估周期的权重差值和权重变化率，生成概率权重变化趋势；

34、计算当前主导失效模式与其余失效模式之间的权重差值，结合权重差值变化方向和概率权重变化趋势，确定竞争增强失效模式及主导失效模式迁移趋势；

35、关联当前主导失效模式、竞争增强失效模式和主导失效模式迁移趋势，生成失效模式竞争状态。

36、可选的，所述对位置参数实时修正并以平滑概率权重向量作为时变权重计算动态可靠度，包括：

37、从结构件试验数据库读取离线试验数据，按热机械疲劳、高周疲劳和磨损提取寿命样本和材料损伤参数，采用极大似然估计拟合三参数威布尔分布，获得各失效模式的初始位置参数、尺度参数和形状参数；

38、从多失效孪生损伤状态提取各失效模式的累积损伤，基于材料损伤参数建立位置参数与累积损伤的非线性物理约束关系，根据当前累积损伤计算各失效模式的实时位置参数；

39、将实时位置参数与对应尺度参数和形状参数组成修正三参数威布尔参数，基于修正三参数威布尔参数计算各失效模式在当前评估时刻的可靠度；

40、从平滑概率权重向量提取各失效模式对应的时变权重，将各失效模式可靠度分别与对应时变权重相乘并求和，生成结构件动态可靠度。

41、可选的，所述生成更新参数，包括：

42、从标准化运行数据提取连续未发生失效的运行区段，生成未失效运行数据，并结合动态可靠度构建运行删失似然；

43、以多失效孪生损伤状态作为外推初始状态，驱动热机械疲劳数字孪生降阶模型、高周疲劳数字孪生降阶模型和磨损数字孪生降阶模型执行虚拟加速寿命外推推演，生成虚拟加速寿命观测数据，并构建虚拟寿命观测似然；

44、从标准化运行数据提取偏离对应监测量正常运行范围的记录，生成传感异常数据，结合对应失效模式的累积损伤构建物理异常征兆似然；

45、融合运行删失似然、虚拟寿命观测似然和物理异常征兆似然，构建多源概率似然函数，经变分贝叶斯推断更新各失效模式的位置参数、尺度参数、形状参数和模式权重，生成更新参数。

46、可选的，所述结合失效模式竞争状态生成寿命评估结果和失效预警结果，包括：

47、从更新参数提取各失效模式的位置参数、尺度参数、形状参数和模式权重，计算各失效模式的更新可靠度；

48、按照模式权重对各失效模式的更新可靠度进行加权，获得更新动态可靠度，并基于更新参数计算结构件剩余寿命；

49、从失效模式竞争状态提取当前主导失效模式和主导失效模式迁移趋势，关联更新动态可靠度和结构件剩余寿命，生成寿命评估结果；

50、将更新动态可靠度和结构件剩余寿命分别与预设可靠度阈值和预设剩余寿命阈值比较，结合当前主导失效模式和主导失效模式迁移趋势，生成失效预警结果。

51、根据本发明实施例的一种基于数字孪生的结构件寿命评估系统，包括如下模块：

52、运行数据生成模块，用于采集监测数据和工况数据并预处理，生成标准化运行数据；

53、孪生损伤计算模块，用于建立热机械疲劳、高周疲劳和磨损数字孪生降阶模型，计算实时及累积损伤，生成多失效孪生损伤状态；

54、损伤特征生成模块，用于对多失效孪生损伤状态执行跨时间尺度对齐和归一化，生成实时损伤特征向量；

55、概率权重生成模块，用于构建概率神经网络处理实时损伤特征向量，获得初始概率权重并时序平滑，生成平滑概率权重向量；

56、竞争状态生成模块，用于分析平滑概率权重向量，确定主导失效模式及迁移趋势，生成失效模式竞争状态；

57、可靠度计算模块，用于初始化三参数威布尔参数，对位置参数执行非线性物理约束修正，按平滑概率权重向量计算动态可靠度；

58、参数更新模块，用于结合标准化运行数据、多失效孪生损伤状态和动态可靠度构建多源概率似然函数，经变分贝叶斯推断生成更新参数；

59、评估预警模块，用于基于更新参数计算动态可靠度和剩余寿命，结合失效模式竞争状态生成寿命评估结果和失效预警结果。

60、本发明的有益效果是：

61、本发明通过构建热机械疲劳、高周疲劳和磨损并行数字孪生降阶模型，对结构件运行过程中的监测数据进行实时映射，计算各失效模式的实时损伤和累积损伤，并通过跨时间尺度归一化形成统一损伤表征；本发明结合概率神经网络与隐马尔可夫模型计算平滑概率权重，依据权重变化识别主导失效模式和迁移趋势，降低不同损伤演化尺度、运行工况突变造成的竞争失效判断偏差，提高多失效模式在线解耦和主导失效识别精度。

62、本发明基于离线试验数据初始化三参数威布尔参数，将位置参数与数字孪生实时累积损伤建立非线性物理约束，并依据平滑概率权重对各失效模式可靠度进行动态加权，形成结构件动态可靠度；本发明能够增强统计寿命分布与实际损伤演化之间的物理一致性，降低固定威布尔参数造成的可靠度评估偏差，提高复杂工况下动态可靠度计算与剩余寿命预测精度。

63、本发明基于未失效运行数据、数字孪生虚拟加速寿命观测数据和传感异常数据构建多源概率似然函数，并经变分贝叶斯推断在线更新威布尔参数和模式权重；本发明能够充分利用无实体失效期间持续产生的运行信息和虚拟寿命信息，降低失效样本不足对寿命评估模型的限制，提高参数持续更新、寿命状态跟踪和失效预警能力，增强复杂装备关键结构件全寿命周期评估的适应性与稳定性。