一种基于数字孪生的叶片转子试验台预测性维修方法及系统与流程

本发明涉及数字孪生领域，尤其涉及一种基于数字孪生的叶片转子试验台预测性维修方法及系统

背景技术：

数字孪生是一种集成多学科、多概率及多尺度的仿真过程，数字孪生技术是通过数字化的方式建立一个与物理空间相对应的虚拟空间，是实现两者交互融合的重要技术，虚拟孪生体以信息交互为前提条件，与物理实体进行同步运作，通过分析其在虚拟空间里的行为与状态来对物理空间进行反馈。

一般来说，在对叶片转子试验台进行试验研究过程中，当设备出现故障时才对其进行维修维护。但在此过程中，由于增加了停机时间，因此对科研进度会产生很大的影响。基于此，如何实现对叶片转子试验台的健康管理尤为重要。

故在本发明中，利用数字孪生技术在虚拟空间创建与物理实体相对应的试验台虚拟孪生体并实时监测，通过对设备的实时状态评估，制定维护决策，实现对设备的预测性维修维护。根据数据对比分析，判断设备发生故障的类型及时间，以此制定合理的故障解决方案，保证叶片转子试验台健康运行。

技术实现要素：

本发明提供一种基于数字孪生的叶片转子试验台预测性维修方法及系统，根据物理空间创建与之相对应的孪生空间，建立边缘网关实现物理空间与孪生空间的连接，通过构建底层的混合传感网络实时收集试验台驱动系统、润滑系统、转子、轮盘、轴承、基座等各类零部件的振动、温度、压力等信号，通过建立数据异常检测模型的方法对运行数据进行异常检测以及构建网络预测模型的方法实现对叶片转子试验台的精准故障定位，由此制定故障解决方案。通过将方案先作用于孪生空间，利用拆装工艺仿真、控制算法及人机工效等手段，验证方案的合理性及可行性，实现以虚控实的研究目的。本发明一方面实现了对叶片转子试验台的预测性维修，更为重要的是保证叶片转子试验台健康运行，减少停机时间，提高试验的精确性。

一种基于数字孪生的叶片转子试验台预测性维修系统，包括物理空间模块、孪生空间模块及边缘网关模块，边缘网关模块是实现孪生空间作用于物理空间的重要介质。

所述的物理空间模块，是由人、机、物及其环境四者所构成的集合，一方面提供设备静态底层数据，包括设备信息、工作参数等；另一方面采集动态数据，叶片转子试验台在运作时通过各类传感器进行采集，动态数据包括转子信号(转速、三维振动)、叶片信号(转速、三维振动)、润滑信号(润滑油压、油温、液位)、电机信号(转速、扭矩)、轴承信号(油膜压力、温度)及周围环境中温度、湿度等多源异构数据。

物理空间模块中采集到的数据将实时发送至边缘网关模块。

所述的孪生空间模块由孪生设备模块、虚拟场景模块、数学模型模块、数据存储模块、实时监测模块及故障报告模块等子模块构成。

所述的孪生设备模块是通过三维建模软件构建的叶片转子孪生试验台以及相关的实验器材及设备。

所述的虚拟场景模块由真实场景搭建而来，可带来沉浸式体验。

所述的数学模型模块用于构建数据异常检测模型及网络预测模型，并将其进行有效的存储并将其发送至边缘网关模块。

构建的数学模型非限定于在边缘网关实现故障定位，基于多维的外界因素，造成机器故障并非只包含一个原因，也可在孪生空间实现部分多维因素的故障预测。

所述的数据存储模块用于存储由边缘网关模块传输来的信息。

所述的实时监测模块用于将数据以二维或者三维的形式所展现出来，实现对数据变化的实时监测。

所述的故障报告模块向外界传达故障信息，及时制定解决方案。

所述的边缘网关模块由信息接收模块、数据处理模块、异常检测模块及预测故障模块等子模块构成。

所述的信息接收模块用于接收在物理空间设备进行工作时当前的运行数据，以及在孪生空间构建的数学模型。

所述的数据处理模块用于对运行数据的优化及预处理。

所述的异常检测模块用于基于孤立森林(isolationforest)算法对数据的异常检测。

所述的预测故障模块用于根据建立的贝叶斯网络预测模型对叶片转子试验台进行潜在故障预测及安全隐患。

所述的物理空间模块及孪生空间模块跟边缘网关模块均由以太网进行连接，物理空间模块与孪生空间模块通过通信协议进行连接。

本发明提供一种基于数字孪生的叶片转子试验台预测性维修的方法，此方法是基于上述的系统所实现的。

本发明采取的技术方案如下：

一种基于数字孪生的叶片转子试验台预测性维修方法，其步骤如下：

s1：创建与物理空间中的物理实体相对应的孪生空间；

s2：采集叶片转子试验台工作时的运行数据，经过数据优化及数据融合后，形成数据结构及数据类型统一的运行数据；

s3：建立数据异常检测模型，将数据结构及数据类型统一的运行数据输入该模型进行数据异常检测，若出现异常数据，则将异常数据去除；

s4：建立网络预测模型，预测叶片转子试验台的潜在故障，根据故障类型制定故障解决方案；

s5：将故障解决方案作用于孪生空间，用于检测方案的合理性及可行性；

s6：通过拆装工艺仿真、控制算法及人机工效等手段判断故障在孪生空间是否得以解决；

s7：若故障得以解决，则对物理空间中的物理实体进行维修，反之则需重新制定方案；

在步骤s1中，通过三维建模软件及仿真软件建立叶片转子试验台的孪生空间。

在步骤s2中，由上位机给数据采集仪器发送采集指令，通过传感器采集数据。

在步骤s3中所述的数据异常检测，将采用孤立森林(isolationforest)算法，通过给定一串连续型变量的数据集，随机生成一个孤立树(isolationtree)，树上每个节点要么串下两个子节点，要么就形成单独叶子节点，然后根据形成的孤立树进行数据检测，将数据在孤立树上走一遍，记录数据落在哪个叶子节点，一般来说异常数据比较稀少，很快就被分到叶子节点，因此根据叶子节点到树根节点的高度来判断该数据是否是异常数据。

在步骤s4中所述的建立网络预测模型，将采用构建贝叶斯网络预测模型，实现对叶片转子试验台的潜在故障预测，通过获取设备的历史运行数据建立贝叶斯网络预测模型，预测试验设备的潜在故障及安全隐患，获取通过数据处理及数据异常检测后的当前运行数据，根据当前运行数据与贝叶斯网络预测模型，实现对叶片转子试验台的整体可靠性预测以及故障的快速定位，确定发生故障类型及故障发生时间等，从而制定故障解决方案。

在步骤s4中所述的故障类型如：轴承磨损、油膜温度过高或者转子振动不稳定等故障类型。

所述的轴承磨损故障可根据拆装工艺仿真确定拆卸试验设备顺序，以此确定轴承磨损部位。

所述的油膜温度过高可通过更换润滑油或者降低轴承转速来降低油温温度。

所述的造成转子振动不稳定可能是外界的微小波动或者转子转速不稳定等因素，可通过调节转子转速，稳定频率以此稳定转子振动。

本发明有益之处在于整体基于数字孪生的思想，通过孪生世界来作用物理真实世界，完美的诠释了数字孪生的核心思想，根据对试验设备运行数据的分析处理以及构建数学模型的思想实现对叶片转子试验台的预测性维修，避免无计划的停机时间，提高试验设备的工作效益，更提高了试验研究的精确性。

附图说明

图1是基于数字孪生的叶片转子试验台预测性维修系统结构示意图

图2是基于数字孪生的叶片转子试验台预测性维修方法流程图

具体实施方式

以下将参照附图，通过实施例方式详细地描述本发明提供的一种基于数字孪生的叶片转子试验台预测性维修方法及系统。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。

实施例一：

本实施例提供一种基于数字孪生的叶片转子试验台预测性维修方法，包括以下步骤：

s1：创建与物理空间中的物理实体相对应的孪生空间；

s2：采集叶片转子试验台工作时的运行数据，经过数据优化及数据融合后，形成数据结构及数据类型统一的运行数据；

s3：建立数据异常检测模型，将数据结构及数据类型统一的运行数据输入该模型进行数据异常检测，若出现异常数据，则将异常数据去除；

s4：建立网络预测模型，预测叶片转子试验台的潜在故障，根据故障类型制定故障解决方案；

s5：将故障解决方案作用于孪生空间，用于检测方案的合理性及可行性；

s6：通过拆装工艺仿真、控制算法及人机工效等手段判断故障在孪生空间是否得以解决；

s7：若故障得以解决，则对物理空间中的物理实体进行维修，反之则需重新制定方案；

在步骤s1中，通过三维建模软件及仿真软件建立叶片转子试验台的孪生空间。

本实施例中，基于数字孪生的思想，通过孪生世界来作用物理真实世界，完美的诠释了数字孪生的核心思想，根据对试验设备运行数据的分析处理以及构建数学模型的思想实现对叶片转子试验台的预测性维修，避免无计划的停机时间，提高试验设备的工作效益，更提高了试验研究的精确性。

实施例二：

本实施例提供一种基于数字孪生的叶片转子试验台预测性维修方法，包括以下步骤：

s1：创建与物理空间中的物理实体相对应的孪生空间；

s2：采集叶片转子试验台工作时的运行数据，经过数据优化及数据融合后，形成数据结构及数据类型统一的运行数据；

s3：建立数据异常检测模型，将数据结构及数据类型统一的运行数据输入该模型进行数据异常检测，若出现异常数据，则将异常数据去除；

s4：建立网络预测模型，预测叶片转子试验台的潜在故障，根据故障类型制定故障解决方案；

s5：将故障解决方案作用于孪生空间，用于检测方案的合理性及可行性；

s6：通过拆装工艺仿真、控制算法及人机工效等手段判断故障在孪生空间是否得以解决；

s7：若故障得以解决，则对物理空间中的物理实体进行维修，反之则需重新制定方案；

在步骤2中，由上位机给数据采集仪器发送采集指令，通过转速传感器、加速度传感器及电涡流传感器等进行数据采集，采集的运行数据包括转子信号(转速、三维振动)、叶片信号(转速、三维振动)、润滑信号(润滑油压、油温、液位)、电机信号(转速、扭矩)、轴承信号(油膜压力、温度)及周围环境中温度、湿度等多源异构数据。

实施例三：

本实施例提供一种基于数字孪生的叶片转子试验台预测性维修方法，包括以下步骤：

s1：创建与物理空间中的物理实体相对应的孪生空间；

s2：采集叶片转子试验台工作时的运行数据，经过数据优化及数据融合后，形成数据结构及数据类型统一的运行数据；

s3：建立数据异常检测模型，将数据结构及数据类型统一的运行数据输入该模型进行数据异常检测，若出现异常数据，则将异常数据去除；

s4：建立网络预测模型，预测叶片转子试验台的潜在故障，根据故障类型制定故障解决方案；

s5：将故障解决方案作用于孪生空间，用于检测方案的合理性及可行性；

s6：通过拆装工艺仿真、控制算法及人机工效等手段判断故障在孪生空间是否得以解决；

s7：若故障得以解决，则对物理空间中的物理实体进行维修，反之则需重新制定方案；

在步骤s3中所述的数据异常检测，将采用孤立森林(isolationforest)算法，通过给定一串连续型变量的数据集，随机生成一个孤立树(isolationtree)，树上每个节点要么串下两个子节点，要么就形成单独叶子节点，然后根据形成的孤立树进行数据检测，将数据在孤立树上走一遍，记录数据落在哪个叶子节点，一般来说异常数据比较稀少，很快就被分到叶子节点，因此根据叶子节点到树根节点的高度来判断该点的异常得分情况。

叶子节点到树根节点的高度是判断异常得分情况的，该点离树根节点高度越低，那么异常得分也就越高，异常数据的可能性比较大。

对于一个数据点x的异常得分公式如下：

s(x)＝2^-e(h(x))

其中e(h(x))表示在所有孤立树(isolationtree)中的平均高度，高度越低，异常得分越高。

往往数据点多的时候，整体上树的高度也就相对比较高，那么异常数据也就需要多次切分才能区分出来，因此我们用c(n)表示平均高度来进行归一化，如果数据有n个，那么平均高度公式是：

c(n)＝2h(n-1)-(2(n-1)/n)

其中h(i)是谐波数，可以近似为：

h(i)≈ln(i)+0.5772156649

由于c(n)表示在n个数据点下的平均高度，因此我们用来归一化h(x)，那么归一化后的异常得分公式为：

按上述公式，可得出如下结论：

如果e(h(x))→0，那么s→1，则判定为异常数据点；

如果e(h(x))→n-1，那么s→0，则判定为正常数据点；

如果e(h(x))→c(n)，那么s→0.5，则不能区分是正常还是异常。

实施例四：

本实施例提供一种基于数字孪生的叶片转子试验台预测性维修方法，包括以下步骤：

s1：创建与物理空间中的物理实体相对应的孪生空间；

s2：采集叶片转子试验台工作时的运行数据，经过数据优化及数据融合后，形成数据结构及数据类型统一的运行数据；

s3：建立数据异常检测模型，将数据结构及数据类型统一的运行数据输入该模型进行数据异常检测，若出现异常数据，则将异常数据去除；

s4：建立网络预测模型，预测叶片转子试验台的潜在故障，根据故障类型制定故障解决方案；

在步骤s4中，我们将采用构建贝叶斯网络预测模型的方法进行对叶片转子试验台的故障预测，通过获取设备的历史运行数据建立贝叶斯网络预测模型，预测实验设备的潜在故障及安全隐患，获取通过数据处理及数据异常检测后的当前运行数据，根据当前运行数据与贝叶斯网络预测模型，实现对叶片转子试验台的整体可靠性预测以及故障的快速定位，确定发生故障类型及故障发生时间等，从而制定故障解决方案。

s5：将故障解决方案作用于孪生空间，用于检测方案的合理性及可行性；

s6：通过拆装工艺仿真、控制算法及人机工效等手段判断故障在孪生空间是否得以解决；

s7：若故障得以解决，则对物理空间中的物理实体进行维修，反之则需重新制定方案；

实施例五：

一种用于实现上述方法的叶片转子试验台预测性维修系统，包括物理空间模块、孪生空间模块及边缘网关模块，边缘网关模块是实现孪生空间作用于物理空间的重要介质。

所述的物理空间模块，是由人、机、物及其环境四者所构成的集合，一方面提供设备静态底层数据，包括设备信息、工作参数等；另一方面采集动态数据，叶片转子试验台在运作时通过各类传感器进行采集，动态数据包括转子信号(转速、三维振动)、叶片信号(转速、三维振动)、润滑信号(润滑油压、油温、液位)、电机信号(转速、扭矩)、轴承信号(油膜压力、温度)及周围环境中温度、湿度等多源异构数据。

在物理空间模块中所采集到的数据将实时发送至边缘网关模块。

所述的孪生空间模块由孪生设备模块、虚拟场景模块、数学模型模块、数据存储模块、实时监测模块及故障报告模块等子模块构成。

所述的孪生设备模块是通过三维建模软件构建的叶片转子孪生试验台以及相关的实验器材及设备。

所述的虚拟场景模块由真实场景搭建而来，可带来沉浸式体验。

所述的数学模型模块用于构建数据异常检测模型及网络预测模型，并将其进行有效的存储并将其发送至边缘网关模块。

构建的数学模型非限定于在边缘网关实现故障定位，基于多维的外界因素，造成机器故障并非只包含一个原因，也可在孪生空间实现部分多维因素的故障预测。

所述的数据存储模块用于存储由边缘网关模块传输来的信息。

所述的实时监测模块用于将数据以二维或者三维的形式所展现出来，实现对数据变化的实时监测。

所述的故障报告模块用于向外界传达故障信息，及时制定解决方案。

所述的边缘网关模块由信息接收模块、数据处理模块、异常检测模块及预测故障模块等子模块构成。

所述的信息接收模块用于接收在物理空间设备进行工作时当前的运行数据，以及在孪生空间构建的数学模型。

所述的数据处理模块用于对运行数据的优化及预处理。

所述的异常检测模块用于基于孤立森林(isolationforest)算法对数据的异常检测。

所述的预测故障模块用于根据建立的贝叶斯网络预测模型对叶片转子试验台进行潜在故障预测及安全隐患。

所述的物理空间模块及孪生空间模块跟边缘网关模块均由以太网进行连接，物理空间模块与孪生空间模块主要通过通信协议进行连接。

需要说明的是，在物理空间模块需要各实验设备的接口类型和数据类型，然后通过以太网与边缘网关模块相连接，边缘计算网关主要承担对从物理空间采集来的运行数据进行预处理，通过在孪生空间构建好的异常检测模型对运行数据进行数据异常检测以及通过网络预测模型实现对叶片转子试验台的故障预测，通过将方案先作用于孪生空间，利用拆装工艺仿真、控制算法及人机工效等手段，验证方案的合理性及可行性，实现虚实结合的目的，此系统减小服务器在孪生空间端所承受的数据处理压力，整体提高了运行效率。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。