一种基于数字孪生技术的设备寿命与故障类型预测方法及系统与流程

1.本发明涉及数字孪生的技术领域，具体是涉及一种基于数字孪生技术的设备寿命与故障类型预测方法及系统。


背景技术：

2.数字孪生技术作为实践智能制造理念的使能技术与手段，能够有效解决智能制造的信息物理融合难题，当前已成为世界各国学术界和工业界关注的热点。生产企业对于制造过程中设备运行状态、产品生产质量等相关状态监测数据的实时展示与在线监测需求日益迫切。目前基于预测性维护的研究局限于对当前状态识别及基础报警，使得数据资源缺乏利用，设备运行信息不能直观展现，也无法展现设备全生命周期过程中的维护和管理。
3.现有技术中，存在利用孪生技术对于工业生产中的设备的数据进行预测从而便于进行监测与维护。专利申请号为202210173117.4的中国专利申请公开了“一种基于时变卡尔曼滤波的滚动轴承剩余使用寿命预测方法”，通过预测对未来数据的预测估算设备的剩余使用寿命。该寿命预测的方法主要是基于实际设备的数据进行预测，并没有将实现物理空间与信息空间的虚实映射和交互融合从而无法构建模拟实体与实际设备联动控制，互相协同的数字孪生系统，实现可视化的工业设备数字化运营维护。专利申请号为202111021923.1的中国专利申请公开了一种“基于数字李生技术的电机滚动轴承故障模型构建方法”，通过构建孪生数据结合神经网络获取工业生产中的设备的故障类型，但该方法主要是通过设备的运行状态数据比较单一，预测结果精准度不高。


技术实现要素：

4.发明目的：针对以上缺点，本发明公开了一种基于数字孪生技术的设备寿命与故障类型预测方法，针对不同设备寿命决定性特征参数，结合孪生技术和卡尔曼滤波从设备运行状态数据来进行寿命预测，采用孪生技术对设备绩效数据进行寿命预测。本发明还提供一种基于数字孪生技术的设备寿命与故障类型预测系统，能够实现上述方法获取最终的预测寿命。
5.技术方案：为解决上述问题，本发明提供一种基于数字孪生技术的设备寿命与故障类型预测方法，具体包括以下步骤：
6.(1)搭建物理设备实体模型与数字孪生虚拟模型，通过虚拟映射技术关联物理设备实体模型与数字孪生虚拟模型；
7.(2)获取实体设备中历史运行状态数据、故障数据、设备绩效数据分别对应的孪生数据；对获取的运行状态数据的孪生数据进行预处理并进行采用主成分分析法提取出运行状态数据的综合指标；所述的设备绩效数据包括可用率、平均无故障工作时间、平均修复时间；所述故障数据包括故障类型；
8.(3)自综合指标与设备绩效数据的孪生数据中选定标志该设备寿命终止的特定参
数，并对该特定参数设定临界值；若选定的标志该设备寿命终止的特定参数为综合指标，则转至步骤(4)；若选定的标志该设备寿命终止的特定参数为可用率或平均无故障工作时间或平均修复时间则转至步骤(5)；
9.(4)采用卡曼尔滤波算法获取综合指标的预估值并获取综合指标的预估值达到临界值对应的时间，该时间对应设备已运行时间，结合设备的使用年限得到剩余寿命；
10.(5)计算设备绩效数据中可用率或平均无故障工作时间或平均修复时间达到临界值时对应的时间，该时间对应设备已运行时间，结合设备的使用年限得到剩余寿命；具体计算公式分别为：
11.r＝t/t
12.式中，r表示可用率；t表示工作时间；t表示计划工作时间；
[0013][0014]
式中，mtbf表示平均无故障工作时间；t表示工作时间；f(t)表示直到下次失效经过时长的概率密度函数；
[0015][0016]
式中，mttr表示平均修复时间；t表示工作时间；n为修复的次数。
[0017]
进一步的，步骤(4)具体包括以下步骤：
[0018]
(4.1)获取特定参数的参数测量值，公式为：
[0019]
z(k)＝hx(k) v(k)
[0020]
式中，z(k)为特定参数的参数测量值；x(k)为k时刻的状态值；v(k)为测量噪声；h为测量系统的参数；
[0021]
(4.2)根据参数测量值获取状态量估计值，公式为：
[0022]
x(k|k)＝x(k|k-1) kg(k)(z(k)-hx(k|k-1))
[0023]
式中，x(k|k)为当前状态的预估值；x(k|k-1)为上一状态的预估值；h为测量系统的参数；kg(k)为增益因子；
[0024]
(4.3)将该状态量估计值与临界值进行比较，当状态量估计值达到临界值，则判定该设备寿命终止，该状态量估计值对应的k值为设备运行过的周期，通过设备的使用年限减去运行过的周期获取设备的剩余寿命。
[0025]
进一步的，还包括步骤(6)：根据步骤(2)中孪生数据提取设备处于不同故障类型情况下的综合指标构成集合，按比例将集合划分为训练集与测试集；构建dnn神经网络模型，dnn神经网络模型的输入层为综合指标，输出层为故障类型，dnn神经网络模型的公式为：
[0026][0027]
式中，h
w,b
(x)输出的故障类型；xi为运行综合指标；wi为权重；b为偏置；k为综合指标中的特征量；
[0028]
运用训练集的数据训练dnn神经网络模型，当训练达到预设次数获取训练好的dnn神经网络模型；将测试集数据输入训练好的dnn神经网络模型进行测试获取故障模型的预
测结果。
[0029]
进一步的，步骤(2)中对获取的运行状态数据的孪生数据进行预处理并进行采用主成分分析法提取出运行状态数据的综合指标具体包括：
[0030]
(2.1)对获取的运行状态数据的孪生数据进行预处理包括去除异常值、时域特征提取、频域特征提取；
[0031]
(2.2)采用主成分分析法提取出运行状态数据的综合指标具体为：
[0032]
(2.2.1)将预处理后的数据转化为特征向量矩阵；
[0033]
(2.2.2)先计算每一列特征的平均值，然后每一维度都需要减去该列的特征平均值；
[0034]
(2.2.3)计算特征的协方差矩阵；
[0035]
(2.2.4)针对协方差矩阵进行特征值和特征向量的计算；
[0036]
(2.2.5)对计算得到的特征值进行从大到小的排序；
[0037]
(2.2.6)取出前k个特征向量和特征值，并进行回退获取得到了降维后的特征矩阵。
[0038]
进一步的，步骤(6)还包括：若测试集数据获取的故障模型的预测结果与实际模型不一致的比例达到特定值，则选取实体设备中历史运行状态数据进行预处理并提取综合指标，将该综合指标与原孪生数据提取的综合指标进行混合；将混合后的运行状态数据的综合指标作为dnn神经网络模型的输入重新进行训练。
[0039]
此外，本发明还提供一种基于数字孪生技术的设备寿命与故障类型预测系统包括：
[0040]
搭建模块：用于搭建物理设备实体模型与数字孪生虚拟模型，通过虚拟映射技术关联物理设备实体模型与数字孪生虚拟模型；
[0041]
孪生数据获取模块；用于通过搭建模块中的数字孪生虚拟模型获取实体设备中历史运行状态数据、故障数据、设备绩效数据分别对应的孪生数据；
[0042]
数据预处理模块：用于对获取的运行状态数据的孪生数据进行预处理并进行采用主成分分析法提取出运行状态数据的综合指标；所述的设备绩效数据包括可用率、平均无故障工作时间、平均修复时间；所述故障数据包括故障类型；
[0043]
特定参数选定与临界值设定模块：自综合指标与设备绩效数据的孪生数据中选定标志该设备寿命终止的特定参数，并对该特定参数设定临界值；若选定的标志该设备寿命终止的特定参数为综合指标，则采用第一寿命预测模块进行模型预测；若选定的标志该设备寿命终止的特定参数为可用率或平均无故障工作时间或平均修复时间则采用第二寿命预测模块；
[0044]
第一寿命预测模块：用于采用卡曼尔滤波算法获取综合指标的预估值并获取综合指标的预估值达到临界值对应的时间，该时间对应设备已运行时间，结合设备的使用年限得到剩余寿命；
[0045]
第二寿命预测模块：用于计算设备绩效数据中可用率或平均无故障工作时间或平均修复时间达到临界值时对应的时间，该时间对应设备已运行时间，结合设备的使用年限得到剩余寿命；具体计算公式分别为：
[0046]
r＝t/t
[0047]
式中，r表示可用率；t表示工作时间；t表示计划工作时间；
[0048][0049]
式中，mtbf表示平均无故障工作时间；t表示工作时间；f(t)表示直到下次失效经过时长的概率密度函数；
[0050][0051]
式中，mttr表示平均修复时间；t表示工作时间；n为修复的次数。
[0052]
进一步的，还包括：
[0053]
故障类型预测模块：用于自孪生数据获取模块中提取设备处于不同故障类型情况下的综合指标构成集合，按比例将集合划分为训练集与测试集；构建dnn神经网络模型，dnn神经网络模型的输入层为综合指标，输出层为故障类型，dnn神经网络模型的公式为：
[0054][0055]
式中，h
w,b
(x)输出的故障类型；xi为运行综合指标；wi为权重；b为偏置；k为综合指标中的特征量；
[0056]
运用训练集的数据训练dnn神经网络模型，当训练达到预设次数获取训练好的dnn神经网络模型；将测试集数据输入训练好的dnn神经网络模型进行测试获取故障模型的预测结果。
[0057]
此外，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一一种方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一一种方法的步骤。
[0058]
有益效果：本发明提供的一种基于数字孪生技术的设备寿命与故障类型预测方法相对于现有技术而言，其优点在于：1、设置数字孪生系统，通过仿真实时将当前物理世界参数直接映射到孪生世界获取孪生数据；结合设备运动状态孪生数据和卡尔曼滤波方式得到剩余寿命预测结果；考虑不同设备寿命不同方面的参考因素，加入设备可用率、平均无故障工作时间、平均修复时间等设备绩效信息因素，通过参考因素的孪生数据获得剩余寿命预测结果；2、针对运动状态孪生数据进行主成分分析提取综合指标数据结合神经网络获取更加精准的故障类型分析结果。
附图说明
[0059]
图1所示为本发明所述方法的流程图；
[0060]
图2所示为本发明所述数据孪生设备与实体设备的虚拟映射关联建模框图；
[0061]
图3所示为本发明所述故障识别模型的神经网络单元；
[0062]
图4所示为本发明所述所述系统的原理图。
具体实施方式
[0063]
下面结合附图对本发明的技术方案进一步说明。
[0064]
如图1所述，本发明提供一种基于数字孪生技术的设备寿命与故障类型预测方法，具体包括以下内容：
[0065]
步骤一、搭建物理设备实体模型与数字孪生虚拟模型，通过虚拟映射技术关联物理设备实体模型与数字孪生虚拟模型。
[0066]
(1)采集物理设备的数据，搭建物理设备实体建模，模型如下：
[0067][0068]
式中，pe表示设备的物理实体，ps表示设备的物理空间信息，包括环境信息以及设备的物理参数；pc表示设备状态数据，通过智能采集设备获取设备在运行时的振动、温度、压力、电流电压等；po为设备基础信息数据，包括设备的元数据(出厂说明书上的使用寿命，设备参数等)，设备过往维修记录信息数据，以及设备的运营数据(总产量、生产速率、良品率等)。表示ps、pc、po之间自然连接，表明了三者之间的自然交互关系。ps、pc、po都是动态集合，集合元素及其状态随着制造过程的动态运行不断更新。
[0069]
(2)搭建数字孪生虚拟模型，模型具体为：
[0070][0071]
式中，ve表示设备的数字孪生体，ds表示孪生体的物理空间信息，其中环境信息是可仿真模拟的信息要素，而物理信息是基于设备物理实体的几何尺寸、物理结构、运动姿态、运动特性等信息；dc孪生体设备状态数据，通过实施映射或仿真模拟等方式获取；do为设备孪生体基础信息数据，包括从设备实体继承的元数据，孪生体自由生长过程中产生的运营数据等。表示ds、dc、do之间自然连接，表明了三者之间的自然交互关系。ds、dc、do也都是动态集合，随着孪生体的不断生长而不断更新。
[0072]
(3)在建立物理空间实体模型pe和信息空间孪生模型ve的基础上，进一步建立物理设备实体模型与数字孪生虚拟模型之间的虚实映射关联，具体的映射关系模型为：
[0073][0074]
式中，表示物理空间实体模型与数字孪生体间的双向真实映射。
[0075]
如图2所示，整个虚拟映射关联建模包括模拟仿真与自由生长。在设备生命周期前期采集设备的运行状况，根据设备的物理信息、功能信息、性能信息等已知基础数据，基于明确的空间环境，利用云计算、物联网、三维建模以及图形渲染等技术将设备进行数字化映射，在虚拟空间中生成物理实体的镜像，把物理仿真过程进行降阶，抽取物理仿真的某些特性和参数，从而呈现物理实体模拟仿真运行情况，将外部传感器和中央处理器产生的设备实际数据作为孪生体的输入进行仿真，模拟仿真过程是将当前物理世界参数直接映射到孪生世界中。自由生成是指基于模拟仿真产生的数字孪生体雏形，利用工业大数据和人工智能(ai)机器学习技术，实现孪生世界的构建。
[0076]
步骤二、根据上述建立的实体模型与数字孪生模型，分别获取实体设备中历史运行状态数据、故障数据、设备绩效数据对应的孪生数据。其中，设备的绩效数据主要包括设备的可用率、平均无故障工作时间、平均修复时间；所述故障数据包括具体设备的故障类型。
[0077]
由于通过数字孪生体实现设备预测性诊断是针对设备的全生命周期的预测方法，在只拥有少量样本的情况下，需先对设备数据进行预处理，从离散数据中获取模型训练有效参数。具体的，
[0078]
(1)对获取的运行状态数据的孪生数据进行预处理；包括：
[0079]
(1.1)去除异常值
[0080]
对获取到的各种设备状态参数分别进行初步数据清洗，实现数据矫正后去除异常值。
[0081]
(1.2)时域特征提取
[0082]
涉及时域特征提取的统计特征量包含但不限于均值、标准差、均方根、峭度、波形因子、峰度因子和脉冲因子。
[0083]
(1.3)频域特征提取
[0084]
为提高设备可预测性维护的敏感性与稳定性，除时域特征外，利用傅里叶变换进行频域特征提取。
[0085][0086][0087]
式中，x(t)表示信号，x(f)表示x(t)经过fft后的频谱，fft(i)
rms
表示经过fft后第i个子频带的均方根值，fft(m)表示第i个子频带的第m根频谱线，n表示频谱线的数量。
[0088]
(1.4)采用主成分分析法提取出运行状态数据的综合指标；
[0089]
(1.4.1)将预处理后的数据转化为特征向量矩阵；
[0090]
(1.4.2)先计算每一列特征的平均值，然后每一维度都需要减去该列的特征平均值；
[0091]
(1.4.3)计算特征的协方差矩阵；
[0092]
(1.4.4)针对协方差矩阵进行特征值和特征向量的计算；
[0093]
(1.4.5)对计算得到的特征值进行从大到小的排序；
[0094]
(1.4.6)取出前k个特征向量和特征值，并进行回退获取得到了降维后的特征矩阵，k为正整数。
[0095]
步骤三、构建寿命预测的rul预测模型
[0096]
(1)自获取综合指标、设备绩效数据的孪生数据中选定标志该设备寿命终止的特定参数，并对该特定参数设定临界值cvi。
[0097]
若认为综合指标更能够体现设备寿命的特性，即选定的标志该设备寿命终止的特定参数为综合指标中任一指标，则转至步骤四。
[0098]
若认为设备绩效数据的孪生数据中的参数更能够体现设备寿命的特性，即选定的标志该设备寿命终止的特定参数为可用率、平均无故障工作时间、平均修复时间中的一个或者几个组合，则转至步骤五。
[0099]
步骤四、采用卡曼尔滤波算法预测设备的剩余寿命
[0100]
(1)首先获取特定参数的参数测量值，公式为：
[0101]
z(k)＝hx(k) v(k)
[0102]
式中，z(k)为特定参数的参数测量值；x(k)为k时刻的状态值；v(k)为测量噪声；h为测量系统的参数；
[0103]
(2)根据参数测量值获取状态量估计值，公式为：
[0104]
x(k|k)＝x(k|k-1) kg(k)(z(k)-hx(k|k-1))
[0105]
式中，x(k|k)为当前状态的预估值；x(k|k-1)为上一状态的预估值；h为测量系统的参数；kg(k)为增益因子；
[0106]
(3)将该状态量估计值与临界值cvi进行比较，当状态量估计值x(k|k)达到临界值cvi，则判定该设备寿命终止，该状态量估计值对应的k值为设备运行过的周期，通过设备的使用年限减去运行过的周期获取设备的剩余寿命。
[0107]
步骤五、根据选定的特定参数，若选定的特征参数为可用率，根据公式计算出设备已运行的时间，结合设备的使用年限得到剩余寿命；公式为：
[0108]
r＝t/t
[0109]
式中，r表示可用率；t表示工作时间；t表示计划工作时间；
[0110]
若选定的特征参数为平均无故障工作时间，根据公式计算出设备已运行的时间，结合设备的使用年限得到剩余寿命；公式为：
[0111][0112]
式中，mtbf表示平均无故障工作时间；t表示工作时间；f(t)表示直到下次失效经过时长的概率密度函数；
[0113]
若选定的特征参数为平均修复时间，根据公式计算出设备已运行的时间，结合设备的使用年限得到剩余寿命；公式为：
[0114][0115]
式中，mttr表示平均修复时间；t表示工作时间；n为修复的次数。
[0116]
步骤六、构建故障类型判断模型
[0117]
(1)基于数字孪生虚拟模型中提取若干设备处于不同故障类型下的运行状态孪生数据，经过上述主成分分析得到不同故障类型下的综合指标。将获取的不同故障类型对应的综合指标构成一个训练集合，按7:3的比例将集合划分为训练集与测试集。
[0118]
(2)构建dnn神经网络模型，如图3所示，dnn神经网络模型的输入层为综合指标，输出层为故障类型，dnn神经网络模型的公式为：
[0119][0120]
式中，h
w,b
(x)输出的故障类型；xi为运行综合指标；wi为权重；b为偏置；k为综合指标中的特征量；
[0121]
(3)运用训练集的数据训练dnn神经网络模型，当训练达到预设次数n获取训练好的dnn神经网络模型；将测试集数据输入训练好的dnn神经网络模型进行测试获取故障模型的预测结果。
[0122]
此外，若测试集数据获取的故障模型的预测结果与实际模型不一致比例达到特定值，则认定该故障预测模型的准确率不高，需要对该模型重新进行训练。选取实体设备中历史运行状态数据进行预处理并提取综合指标，将该综合指标与原孪生数据提取的综合指标进行混合；将混合后的运行状态数据的综合指标作为dnn神经网络模型的输入重新进行训练。
[0123]
具体的，本发明主要以售检票闸机这一设备为例，采用原始数据源均来自于投入使用的闸机历史运行数据、故障数据、设备基础信息。其中，统计后售检票闸机设备故障类型包括：电机损坏、风扇损坏、摆门故障、电源损坏、主板损坏。采用本发明所述主成分分析法提取分析后选取温度、设备功率、电机扭力、开关门时间为综合指标，对比综合指标和绩效指标等特征，结合闸机设备本身寿命的参数特性，选取平均无故障工作时间作为标志闸机寿命终止的参数，其标定值为80,000h。采用本发明所述方法针对5台在用闸机设备，某时刻点预测结果如下表1所示：
[0124]
表1预测结果
[0125] 闸机a闸机b闸机c闸机d闸机e故障类型-摆门故障
‑‑‑
剩余寿命(h)8976283641876959035288634
[0126]
此外，如图4所述，本发明还提供一种基于数字孪生技术的设备寿命与故障类型预测系统，包括：搭建模块：用于搭建物理设备实体模型与数字孪生虚拟模型，通过虚拟映射技术关联物理设备实体模型与数字孪生虚拟模型；孪生数据获取模块；用于通过搭建模块中的数字孪生虚拟模型获取实体设备中历史运行状态数据、故障数据、设备绩效数据分别对应的孪生数据；数据预处理模块：用于对获取的运行状态数据的孪生数据进行预处理并进行采用主成分分析法提取出运行状态数据的综合指标；所述的设备绩效数据包括可用率、平均无故障工作时间、平均修复时间；所述故障数据包括故障类型；特定参数选定与临界值设定模块：自综合指标与设备绩效数据的孪生数据中选定标志该设备寿命终止的特定参数，并对该特定参数设定临界值；若选定的标志该设备寿命终止的特定参数为综合指标，则采用第一寿命预测模块进行模型预测；若选定的标志该设备寿命终止的特定参数为可用率或平均无故障工作时间或平均修复时间则采用第二寿命预测模块；第一寿命预测模块：用于采用卡曼尔滤波算法获取综合指标的预估值并获取综合指标的预估值达到临界值对应的时间，该时间对应设备已运行时间，结合设备的使用年限得到剩余寿命；第二寿命预测模块：用于计算设备绩效数据中可用率或平均无故障工作时间或平均修复时间达到临界值时对应的时间，该时间对应设备已运行时间，结合设备的使用年限得到剩余寿命；具体计算公式分别为：
[0127]
r＝t/t
[0128]
式中，r表示可用率；t表示工作时间；t表示计划工作时间；
[0129][0130]
式中，mtbf表示平均无故障工作时间；t表示工作时间；f(t)表示直到下次失效经过时长的概率密度函数；
[0131][0132]
式中，mttr表示平均修复时间；t表示工作时间；n为修复的次数。
[0133]
故障类型预测模块：用于自孪生数据获取模块中设备处于不同故障类型情况下的综合指标构成集合，按比例将集合划分为训练集与测试集；构建dnn神经网络模型，dnn神经网络模型的输入层为综合指标，输出层为故障类型，dnn神经网络模型的公式为：
[0134][0135]
式中，h
w,b
(x)输出的故障类型；xi为运行综合指标；wi为权重；b为偏置；k为综合指标中的特征量；运用训练集的数据训练dnn神经网络模型，当训练达到预设次数获取训练好的dnn神经网络模型；将测试集数据输入训练好的dnn神经网络模型进行测试获取故障模型的预测结果。
[0136]
本发明所述系统能够进行设备数据获取、预测数据、孪生数据的存储、计算和处理。该系统该可以依赖大数据分析处理及可视化相关技术，搭建设备全生命周期综合管理平台，基于设备全生命周期履历将设备孪生模型展现出来的同时，提供便于集中管理、实时监测、及时报修等技术的管理手段。综合管理系统的功能包括但不限于设备管理、应急维修、计划维护、统计分析和看板管理等，提供支持高层决策、中层控制、基层运作的集成化交互平台。