一种基于数字孪生技术的智能装备健康管理方法与流程

1.本发明属于设备健康监测与管理技术领域，具体涉及一种基于数字孪生技术的智能装备健康管理方法的设计。


背景技术：

2.智能装备是具有感知、分析、推理、决策和控制功能的制造装备，它是先进制造技术、信息技术和智能技术的集成和深度融合。目前国家在重点推进智能装备的发展，以实现生产过程自动化、智能化、精密化和绿色化，带动工业整体技术水平的提升。
3.为保障智能装备的自动化、智能化和精密化运行，对智能装备进行健康监测及管理非常必要。由于智能装备具有功能结构复杂、运行工况多变等特点，采用现有的人工健康监测与管理的方法存在监测滞后和管理低效的缺点，对智能装备的健康管理效果并不理想。


技术实现要素：

4.本发明的目的是为了解决现有的人工对智能装备健康进行监测和管理的方法存在监测滞后和管理低效的问题，提出了一种基于数字孪生技术的智能装备健康管理方法。
5.本发明的技术方案为：一种基于数字孪生技术的智能装备健康管理方法，包括以下步骤：s1、获取智能装备的运行数据。
6.s2、根据智能装备的运行数据，通过深度神经网络得到智能装备的数字孪生体运行参数。
7.s3、根据智能装备的数字孪生体运行参数，对智能装备的数字孪生体进行仿真运行，得到仿真运行结果。
8.s4、根据仿真运行结果生成智能装备的健康管理模型。
9.s5、通过智能装备的健康管理模型对智能装备进行健康管理。
10.进一步地，步骤s1中智能装备的运行数据包括智能装备的运行时长、温度、振幅和产能。
11.进一步地，振幅的获取方法为：a1、获取智能装备运行时的振动信号。
12.a2、对振动信号进行频域转换，得到频域振动信号。
13.a3、对频域振动信号进行傅里叶反变换，得到时域信号。
14.a4、将时域信号对应的振动幅值作为智能装备的振幅。
15.进一步地，步骤s2包括以下分步骤：s21、将智能装备的运行数据进行concat特征融合，得到融合特征x。
16.s22、将融合特征x作为训练样本输入深度神经网络，对深度神经网络进行迭代权重更新，直至深度神经网络收敛，得到训练好的深度神经网络。
17.s23、将融合特征x输入训练好的深度神经网络，输出得到智能装备的数字孪生体运行参数。
18.进一步地，步骤s22中对深度神经网络进行迭代权重更新的公式为：其中w
il
表示深度神经网络第l层第i次迭代更新时的权重，表示学习率，loss表示深度神经网络的损失函数，其计算公式为：其中xj表示融合特征x中的第j个数据，表示融合特征x中数据均值，n表示融合特征x中的数据量。
19.进一步地，步骤s23中输出得到智能装备的数字孪生体运行参数的公式为：其中y表示智能装备的数字孪生体运行参数，w
l
表示深度神经网络第l层的权重，n表示深度神经网络的网络层数，p(
·
)表示激活函数，其计算公式为：其中x表示激活函数的自变量，a表示控制参数。
20.进一步地，步骤s3中的仿真运行结果具体为：假设事件a：智能装备的数字孪生体运行时长大于预设时长阈值；事件b：智能装备的数字孪生体温度大于预设温度阈值；事件c：智能装备的数字孪生体振幅大于预设振幅阈值；事件d：智能装备的数字孪生体产能小于预设产能阈值。
21.若事件a、b、c、d均未发生，则智能装备的数字孪生体处于健康状态；若事件a、b、c、d部分发生，则智能装备的数字孪生体处于亚健康状态；若事件a、b、c、d均发生，则智能装备的数字孪生体处于不健康状态。
22.进一步地，步骤s4中智能装备的健康管理模型具体为：其中hm表示智能装备的健康管理模型，pca表示第a个感知控制模块，a表示感知控制模块总数，dpb表示第b个数据处理模块，b表示数据处理模块总数，mck表示第k个模型构建
模块，k表示模型构建模块总数，emh表示第h个装备维修模块，h表示装备维修模块总数。
23.本发明的有益效果是：（1）本发明基于数字孪生技术对智能装备的健康进行管理，通过在数字空间创建与智能装备实体等价的数字孪生体，对智能装备实体进行仿真分析，并以仿真分析结果为依据对智能装备实体进行反馈健康管理，能够为智能装备实体后续运行和健康维护提供更加精确的决策。
24.（2）本发明根据实时采集的智能装备运行数据，通过深度学习技术挖掘得到智能装备对应数字孪生体的运行参数，实现了实体空间到数据空间的准确数据映射，使得数字孪生体的运行结果能够准确反映智能装备实体的健康发展趋势，进而生成准确的健康管理方案。
25.（3）本发明通过对采集到的智能装备运行时的振动信号依次进行频域和时域变换分析，得到能够准确反映智能装备振动情况的振幅值。
26.（4）本发明最终生成的智能装备健康管理模型包含了感知控制、数据处理、模型构建和装备维修等多种功能模块，能够对各种类别的智能装备进行全面的健康管理。
附图说明
27.图1所示为本发明实施例提供的一种基于数字孪生技术的智能装备健康管理方法流程图。
具体实施方式
28.现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
29.本发明实施例提供了一种基于数字孪生技术的智能装备健康管理方法，如图1所示，包括以下步骤s1~s5：s1、获取智能装备的运行数据。
30.本发明实施例中，智能装备的运行数据包括智能装备的运行时长、温度、振幅和产能。
31.其中，运行时长可以直接统计得到，温度可以通过温度传感器采集，产能也可以通过统计计算得到。而振幅数据相对难以直接获取，因此本发明实施例中采用如下方法获取智能装备运行时的振幅：a1、获取智能装备运行时的振动信号。
32.a2、对振动信号进行频域转换，得到频域振动信号。
33.a3、对频域振动信号进行傅里叶反变换，得到时域信号。
34.a4、将时域信号对应的振动幅值作为智能装备的振幅。
35.s2、根据智能装备的运行数据，通过深度神经网络得到智能装备的数字孪生体运行参数。
36.步骤s2包括以下分步骤s21~s23：s21、将智能装备的运行数据进行concat特征融合，得到融合特征x。
37.s22、将融合特征x作为训练样本输入深度神经网络，对深度神经网络进行迭代权重更新，直至深度神经网络收敛，得到训练好的深度神经网络。
38.本发明实施例中，对深度神经网络进行迭代权重更新的公式为：其中w
il
表示深度神经网络第l层第i次迭代更新时的权重，表示学习率，loss表示深度神经网络的损失函数，其计算公式为：其中xj表示融合特征x中的第j个数据，表示融合特征x中数据均值，n表示融合特征x中的数据量。
39.s23、将融合特征x输入训练好的深度神经网络，输出得到智能装备的数字孪生体运行参数。
40.本发明实施例中，输出得到智能装备的数字孪生体运行参数的公式为：其中y表示智能装备的数字孪生体运行参数，w
l
表示深度神经网络第l层的权重，n表示深度神经网络的网络层数，p(
·
)表示激活函数，其计算公式为：其中x表示激活函数的自变量，a表示控制参数，用于控制自变量为负值时激活函数的饱和度，本发明实施例中，a取值为0.25.s3、根据智能装备的数字孪生体运行参数，对智能装备的数字孪生体进行仿真运行，得到仿真运行结果。
41.本发明实施例中，仿真运行结果具体为：假设事件a：智能装备的数字孪生体运行时长大于预设时长阈值；事件b：智能装备的数字孪生体温度大于预设温度阈值；事件c：智能装备的数字孪生体振幅大于预设振幅阈值；事件d：智能装备的数字孪生体产能小于预设产能阈值。
42.则若事件a、b、c、d均未发生，则智能装备的数字孪生体处于健康状态；若事件a、b、c、d部分发生，则智能装备的数字孪生体处于亚健康状态；若事件a、b、c、d均发生，则智能装备的数字孪生体处于不健康状态。
43.s4、根据仿真运行结果生成智能装备的健康管理模型。
44.本发明实施例中，智能装备的健康管理模型具体为：其中hm表示智能装备的健康管理模型，pca表示第a个感知控制模块，a表示感知控制模块总数，dpb表示第b个数据处理模块，b表示数据处理模块总数，mck表示第k个模型构建模块，k表示模型构建模块总数，emh表示第h个装备维修模块，h表示装备维修模块总数。
45.本发明实施例中，感知控制模块包括传感器、物联网络、数据线程协议解析等子单元，数据处理模块包括数据管理、数据集成、数据分析、数据应用、数据抽取、数据挖掘等子模块，模型构建模块包括在线学习、有限元模型、多尺度建模、模型融合修正等子单元，装备维修模块包括降温、减振、反馈控制等子模块。
46.s5、通过智能装备的健康管理模型对智能装备进行健康管理。
47.本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。