(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201911163211.6
(22)申请日 2019.11.25
(71)申请人 北京航空航天大学
地址 100191 北京市海淀区学院路37号
(72)发明人 陶飞 王雨澄 左颖 黄巍
(74)专利代理机构 北京科迪生专利代理有限责
任公司 11251
代理人 杨学明 邓治平
(51)Int.Cl.
G06F 30/27(2020.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称一种数字孪生驱动的复杂装备故障预测方法(57)摘要本发明公开了一种数字孪生驱动的复杂装备故障预测方法和装置，包括：复杂装备数字孪生体建立模块，该模块能够建立与设置几何模型、物理参数、运行行为以及限制约束；数字孪生体校准模块，该模块利用数字孪生体生成的数据和实体装备采集数据的偏差进行校准；故障数据生成模块，该模块能够根据设置的故障行为生成故障数据；故障预测模型训练及验证模块，该模块能够设置训练参数并训练神经网络。本发明公开的方法能够解决获取 复杂装备故障数据主要依赖实验造成的成本高且数据不全面问题，使复杂装备的故障预测的成本降低，并且提高了故障
预测的准确性。权利要求书2页 说明书5页 附图1页CN 111008502 A 2020.04.14
C N 111008502
A
1.一种数字孪生驱动的复杂装备故障预测方法，其特征在于，包括如下步骤：
步骤(1)、复杂装备数字孪生体建立步骤，该步骤的具体实现如下：
①针对一复杂装备，根据该装备的组成结构，使用MATLAB软件建立其几何模型，该模型需体现装备的结构和装配关系；
②使用MATLAB软件工具箱，对装备几何模型中各个结构增加物理属性；
③根据复杂装备特征，创建生产行为，该行为需包括装备各个组成部分面对该行为的响应以及产生数据的特点；
④根据复杂装备具体领域，设置其生产行为约束，需要设置多个维度多个范围的具体约束；
⑤根据该装备的结构特点以及生产过程中采集的参数，将这些参数进行整理、归类和筛选，建立该设备的参数集，该参数集即为各种故障情况下所采集并输入到神经网络中的参数集；
步骤(2)、数字孪生体校准步骤，该步骤的具体实现如下：
①根据已经建立的复杂装备数字孪生体和该装备实际的生产计划，模拟与装备实体相同的生产过程；建立孪生体的目的是通过孪生体模拟实际装备的故障数据，需要将孪生体校准到符合实际装备，因此使用的是实际的生产过程数据进行校准；
②生成该生产过程下各参数的模拟数据；
③计算实际数据与模拟数据的偏差值，根据偏差值判断孪生体模型是否匹配装备实体，若匹配则转⑤，若不匹配则转④；
④根据偏差值计算梯度，调整孪生体模型参数并转②；
⑤完成复杂装备数字孪生体构建；
步骤(3)、故障数据生成步骤，该步骤的具体实现如下：
①设置故障行为，即孪生体模拟的实际故障情况，包括单个结构和多个结构组合的情况，分别生成不同情况的所对应的故障数据；
②根据选择的故障行为模拟包含故障的生产行为，生成模拟数据；
③根据该装备生产行为的数据参考值/期望值计算所述设置的故障行为的偏差值；
④将偏差值转换为特征向量，形成特征向量组；
步骤(4)、故障预测模型训练及验证步骤，该步骤的具体实现如下：
①设置BP神经网络训练参数；
②训练神经网络；通过训练该设备的孪生体，并设置相应的故障行为，得到偏差值，对偏差值进行处理，转换为特征向量组，特征向量组为训练神经网络的数据源；
③使用实际数据和模拟数据，对神经网络进行校准和验证，若不满足训练要求则修改训练参数继续训练，直到训练出满足拟合要求的神经网络为止；
④将复杂装备实际运行过程中采集到的数据输入训练完成的神经网络中，神经网络输出各类故障和故障组合的预测情况。
2.一种数字孪生驱动的复杂装备故障预测装置，其特征在于，包括：
(1)复杂装备数字孪生体建立模块，该模块的具体实现如下：
①针对一复杂装备，根据该装备的组成结构，使用MATLAB软件建立其几何模型，该模型需体现装备的结构和装配关系；
②使用MATLAB软件工具箱，对装备几何模型中各个结构增加物理属性；
③根据复杂装备特征，创建生产行为，该行为需包括装备各个组成部分面对该行为的响应以及产生数据的特点；
④根据复杂装备具体领域，设置其生产行为约束，需要设置多个维度多个范围的具体约束；
⑤根据该装备的结构特点以及生产过程中采集的参数，将这些参数进行整理、归类和筛选，建立该设备的参数集，该参数集即为各种故障情况下所采集并输入到神经网络中的参数集；
(2)数字孪生体校准模块，该模块的具体实现如下：
①根据已经建立的复杂装备数字孪生体和该装备实际的生产计划，模拟与装备实体相同的生产过程；建
立孪生体的目的是通过孪生体模拟实际装备的故障数据，需要将孪生体校准到符合实际装备，因此使用的是实际的生产过程数据进行校准；
②生成该生产过程下各参数的模拟数据；
③计算实际数据与模拟数据的偏差值，根据偏差值判断孪生体模型是否匹配装备实体，若匹配则转⑤，若不匹配则转④；
④根据偏差值计算梯度，调整孪生体模型参数并转②；
⑤完成复杂装备数字孪生体构建；
(3)故障数据生成模块，该模块的具体实现如下：
①设置故障行为，即孪生体模拟的实际故障情况，包括单个结构和多个结构组合的情况，分别生成不同情况的所对应的故障数据；
②根据选择的故障行为模拟包含故障的生产行为，生成模拟数据；
③根据该装备生产行为的数据参考值/期望值计算所述设置的故障行为的偏差值；
④将偏差值转换为特征向量，形成特征向量组；
(4)故障预测模型训练及验证模块，该模块的具体实现如下：
①设置BP神经网络训练参数；
②训练神经网络；通过训练该设备的孪生体，并设置相应的故障行为，得到偏差值，对偏差值进行处理，转换为特征向量组，特征向量组为训练神经网络的数据源；
③使用实际数据和模拟数据，对神经网络进行校准和验证，若不满足训练要求则修改训练参数继续训练，直到训练出满足拟合要求的神经网络为止；
④将复杂装备实际运行过程中采集到的数据输入训练完成的神经网络中，神经网络输出各类故障和故障组合的预测情况。
一种数字孪生驱动的复杂装备故障预测方法
技术领域
[0001]本发明属于电子工程和计算机科学领域，具体涉及一种数字孪生驱动的复杂装备故障预 测方法。
背景技术
[0002]在制造领域中有各类复杂装备，由于复杂装备具有结构多，单装备价格高，工艺复杂等 特点，对于复杂装备的故障预测一直是各国专家研究的重点。很多故障预测技术被研究，包 括线性相关度法等，但是这些方法存在明显不足，无法预测多个故障同时发生的情况，在单 个故障发生的情况也存在预测结果区分度不足的问题，因此需要使用准确度更高的方法—— 训练神经网络预测模型。然而，训练一个神经网络需要大量的数据，在故障预测领域则需要 大量故障数据，这些故障数据的获得成为了难题：采用实验方法成本过高且得不偿失，建立 历史数据库则时间成本无法估计，部分稳定的复杂装备甚至长时间不会发生故障。
发明内容
[0003]针对使用神经网络方法造成的故障数据获取难的问题，为了解决该技术问题，本发明提 出利用数字孪生技术，建立与实际装备相匹配的复杂装备孪生体，对该装备的每一种故障以 及各故障的组合进行故障数据的模拟生成，从而完成故障数据的获取。本发明能够有效的生 成复杂装备故障数据，从而大大降低了复杂装备故障预测数据获取的成本，使用神经网络预 测的方法也能够保证该方法在故障预测方面精度较高。该方法能够解决复杂装备故障预测数 据获取难，预测准确度不高的问题，能够实现复杂装备高准确性的故障预测。
[0004]本发明解决其技术问题是采取以下技术方案实现的：一种数字孪生驱动的复杂装备故障 预测方法，包括：
[0005]一种数字孪生驱动的复杂装备故障预测方法，包括如下步骤：
[0006]步骤(1)、复杂装备数字孪生体建立步骤，该步骤的具体实现如下：
[0007]①针对一复杂装备，根据该装备的组成结构，使用MATLAB软件建立其几何模型，该 模型需体现装备的结构和装配关系；
[0008]②使用MATLAB软件工具箱，对装备几何模型中各个结构增加物理属性；[0009]③根据复杂装备特征，创建生产行为，该行为需包括装备各个组成部分面对该行为的响 应以及产生数据的特点；
[0010]④根据复杂装备具体领域，设置其生产行为约束，需要设置多个维度多个范围的具体约 束；
[0011]⑤根据该装备的结构特点以及生产过程中采集的参数，将这些参数进行整理、归类和筛 选，建立该设备的参数集，该参数集即为各种故障情况下所采集并输入到神经网络中的参数 集；
[0012]步骤(2)、数字孪生体校准步骤，该步骤的具体实现如下：
[0013]①根据已经建立的复杂装备数字孪生体和该装备实际的生产计划，模拟与装备实体相同 的生产过程；建立孪生体的目的是通过孪生体模拟实际装备的故障数据，需要将孪生体校准 到符合实际装备，因此使用的是实际的生产过程数据进行校准；
[0014]②生成该生产过程下各参数的模拟数据；
[0015]③计算实际数据与模拟数据的偏差值，根据偏差值判断孪生体模型是否匹配装备实体， 若匹配则转⑤，若不匹配则转④；
[0016]④根据偏差值计算梯度，调整孪生体模型参数并转②；
[0017]⑤完成复杂装备数字孪生体构建；
[0018]步骤(3)、故障数据生成步骤，该步骤的具体实现如下：
[0019]①设置故障行为，即孪生体模拟的实际故障情况，包括单个结构和多个结构组合的情况， 分别生成不同情况的所对应的故障数据；
[0020]②根据选择的故障行为模拟包含故障的生产行为，生成模拟数据；
[0021]③根据该装备生产行为的数据参考值/期望值计算所述设置的故障行为的偏差值；
[0022]④将偏差值转换为特征向量，形成特征向量组；
[0023]步骤(4)、故障预测模型训练及验证步骤，该步骤的具体实现如下：
[0024]①设置BP神经网络训练参数；
[0025]②训练神经网络；通过训练该设备的孪生体，并设置相应的故障行为，得到偏差值，对 偏差值进行处理，转换为特征向量组，特征向量组为训练神经网络的数据源；[0026]③使用实际数据和模拟数据，对神经网络进行校准和验证，若不满足训练要求则修改训 练参数继续训练，直到训练出满足拟合要求的神经网络为止；
[0027]④将复杂装备实际运行过程中采集到的数据输入训练完成的神经网络中，神经网络输出 各类故障和故障组合的预测情况。
[0028]根据本发明的另一方面，提出一种数字孪生驱动的复杂装备故障预测装置，包括：[0029](1)复杂装备数字孪生体建立模块，该模块的具体实现如下：
[0030]①针对一复杂装备，根据该装备的组成结构，使用MATLAB软件建立其几何模型，该 模型需体现装备的结构和装配关系；
[0031]②使用MATLAB软件工具箱，对装备几何模型中各个结构增加物理属性；[0032]③根据复杂装备特征，创建生产行为，该行为需包括装备各个组成部分面对该行为的响 应以及产生数据的特点；
[0033]④根据复杂装备具体领域，设置其生产行为约束，需要设置多个维度多个范围的具体约 束；
[0034]⑤根据该装备的结构特点以及生产过程中采集的参数，将这些参数进行整理、归类和筛 选，建立该设备的参数集，该参数集即为各种故障情况下所采集并输入到神经网络中的参数 集；
[0035](2)数字孪生体校准模块，该模块的具体实现如下：
[0036]①根据已经建立的复杂装备数字孪生体和该装备实际的生产计划，模拟与装备实体相同 的生产过程；建立孪生体的目的是通过孪生体模拟实际装备的故障数据，需要将孪
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议