新闻动态

数字孪生模型与智能算法融合驱动的工业设备——正规的足球外围网站智能设备

作者:小编时间:2022-11-04 14:32:55

设备健康状态评估对于提高工业设备维护保障效率、实现精准保障具有重要意义。采用数字孪生模型与智能算法融合驱动的方法,可以使设备健康状态评估更适合设备保障的“准确”要求。以神经网络算法为例,研究了数字孪生模型与智能算法融合驱动的设备单元级健康状态评估方法。分析了基于数字孪生模型的设备健康状态评估的原理和时机,从数据驱动的角度重新定义了设备健康状态等级,正规的足球外围网站建立了评估参数的选取原则,建立了基于数字孪生模型和神经网络算法的设备单元级健康状态评估模型。提出的方法通过Python编程实现,并通过案例研究验证了方法的有效性。为设备级健康状态评估的深入研究和设备维修决策提供支持,为数字孪生模型与其他智能算法相结合的健康状态评估研究提供参考。


工业设备是生产型企业的基础,其健康状况直接影响企业的生产效率。企业为了提高核心竞争力,必须尽量提高设备的健康运行时间,尽可能减少设备维修保障的投入,从而节约成本,增加利润。因此,生产型企业迫切需要实现精准的设备维护支持。


面对工业设备结构功能复杂、退化条件多样、失效模式多样等特点,研究其性能退化规律和健康状态评估方法,及时评估设备健康状态,可以指导企业做出最优支持决策,对企业开展精准支持具有重要意义。


image.png


基于模糊综合评估、组合加权模型、神经网络模型、贝叶斯网络模型等方法,研究工作从定性角度或概率的角度对设备健康状态评估进行了研究。失败的观点。然而,现有的设备健康状态评估研究成果大多给出了故障概率等级,无法解决设备何时发生故障以及何时进行维修以达到最佳效率的问题。评估模糊,不能满足精准装备保障的要求。


数字孪生技术与智能算法的融合应用为解决这一问题提供了途径。经过不断探索,工业装备数字孪生建模技术已经成熟。利用已建立的数字孪生模型进行数据分析和算法实现已成为数字孪生技术实际应用的新研究热点。数字孪生技术与智能算法相结合,可以充分发挥数字孪生模型在掌握大量设备历史数据、实时数据和经验知识方面的优势,充分发挥智能算法在查找方面的优势。通过机器学习规则,从而获得高精度的结果。以数字孪生技术与神经网络算法相结合为例.


设备健康状态评估是对设备及其组件执行其设计功能的能力的评估。设备健康评估可以有效保障设备的健康安全运行,为设备维护和维修决策提供技术支持。


基于数字孪生模型的设备健康状态评估是利用数字孪生模型掌握的大量数据和基于数字孪生模型的智能算法对设备的健康状态进行评估。


设备由执行不同功能的可更换单元组成。设备健康状态评估可分为设备级评估和单元级评估。设备等级评估是对设备的整体健康状态进行评估。单元级别评估用于评估设备可更换单元的健康状态。设备的整体健康状况受每个单位的健康状况影响。本文主要研究基于数字孪生模型和神经网络算法的设备在用阶段的单位级健康状态评估方法,为设备使用单位研究设备级健康状态评估和做出设备保障决策提供依据。


数字孪生技术与神经网络算法

将数字孪生技术与神经网络算法相结合,充分发挥各自的优势,可以得到高精度的评估模型。


基于数字孪生的装备支撑模型

数字孪生是一种以数字方式创建物理实体虚拟模型的技术。它借助数据模拟真实环境中物理实体的行为,并通过虚实交互反馈、数据融合分析、决策迭代优化等手段为物理实体增加或扩展新的能力。数字孪生技术基于传感器技术、大数据技术等大量先进技术,实现了自动测量、自动记录、主动上传、主动分析、主动预警、辅助决策等功能。数据一致性和可靠性;深受工程制造、航空航天、智慧城市、智能电网、系统运维等生产生活各个领域研究的青睐。


数字孪生技术的研究源于设备的生命周期管理。它在装备维修保障应用中具有很大的匹配性和诸多优势,可以大大提高装备维修保障的主动性和准确性。NASA将物理系统与其等效的虚拟系统相结合,研究基于数字孪生的复杂系统的故障预测与排除方法,并将其应用于飞机、飞行器、运载火箭等飞行系统的健康管理]。美国空军研究实验室结构科学中心通过将超高保真飞机虚拟模型与影响飞行的结构偏差和温度计算模型相结合,开展了基于数字孪生的飞机结构寿命预测,总结了数字化的技术优势。双胞胎。参考文献将数字孪生五维模型引入预测与健康管理,提出了一种基于数字孪生的PHM方法。


设备的健康状态可以通过一系列状态参数来表征。只要参数选择全面合理,就可以表征设备的健康状态。设备常用的状态参数主要有温度、振动、压力、速度、加速度等,如水温、油温、油压、振幅、频率等。同时,初步分析后相关参数的分析数据也是对设备健康状态的表征,如启动水温、启动油压、最高水温、最低油压、升温速度、启动后10分钟温度,稳态温度,异常振动特性。


在选择评估参数时,应注意以下几个方面:


评估参数不仅限于设备健康状态的决定因素,还可以是健康状态的相关因素,即会因健康状态的变化而变化的因素。只要能反映设备健康状态的一些或几个变化,就可以作为选择对象。在选择评估参数时,应从失效诱发机制的角度尽可能选择相关性最密切的状态参数。


在选择评估参数时,应考虑相关性和可测性原则,应从现有测量技术的角度综合分析和优化可测状态参数,对参数的可测性不宜提出过高要求。如果增加过多的传感器,不仅成本会大大增加,而且可能会影响设备的正常运行。可以加强对设备状态数据的分析,通过对相关数据的分析,解决部分数据无法测量的问题。


选择的参数不宜过多或过少。在从智能评估的角度反映设备健康状态变化的前提下,评估参数应尽量选择少。


如果在训练神经网络模型的过程中发现训练结果不够好,说明所选参数与设备健康状态的相关性不强;即参数选择不合理。这时需要重新选择与设备健康状态相关性强的状态参数作为设备健康状态的评估参数。


上述方法定义了一个数据驱动的健康状态等级,利用数字孪生模型和神经网络算法的融合驱动,对设备的健康状态进行评估,达到了预期的效果。


image.png


这个问题也可以通过模糊综合评估、组合加权模型、贝叶斯网络模型等SOTA方法解决,但由于这些方法大多是从定性角度或概率角度进行评估,评估结果比较模糊,不能满足装备保障精度要求。


与这些方法相比,本方法具有以下特点:


1.快点。使用这种方法,可以实现实时的健康状态评估。因为提前建立了数字孪生模型,确立了获取数据的方式,所以数据获取速度更快。由于神经网络模型的训练提前完成,训练结果可以多次使用,评估过程也更快。


2.更准确的。该方法利用智能算法,充分利用大数据的优势,找到适合每台设备的故障规律。它避免了一些传统方法中通过专家评分确定权重的过程,消除了人为因素的干扰,结果更加准确和客观。它满足了准确支持的需求。


3.更好地适应新的要求。重新定义数据驱动状态等级,以数据定义状态,满足大数据驱动模式的需求。避免了一些传统方法的复杂计算过程,模型训练后可以多次使用,减少了状态评估的计算量,满足大数据处理的需要。


4.更实用。传统的健康状态评估只能用来统计批量设备的状态,掌握设备的整体状态。该方法可用于评估设备组、单个设备和部分设备。评估结果可以可靠地判断装备的健康状态,指导保障决策,提高装备保障的积极性。


5.自动化程度更高。从数据采集到处理再到考核,考核全过程自动化,节省人工,提高工作效率,大大降低错误率。


6.便携的。对于缺乏大量数据支撑的新设备,可将同类设备评估模型中的参数数据移植为经验数据,成为新设备的初始数据,使新设备的初始支持数据更贴近现实,提供支持新设备的支持决策。


image.png


设备健康状态评估对于实现设备精准保障具有重要意义。以神经网络算法为例,研究了数字孪生模型与智能算法融合驱动的设备单元级健康状态评估方法。从数据驱动的角度重新定义设备健康状态等级,建立基于数字孪生模型和神经网络算法的设备单元级健康状态评估模型。通过案例研究验证了方法的有效性。为进一步研究设备级健康状态评估和设备维修决策提供支持。


正规的足球外围网站主要研究基于神经网络算法和数字孪生模型相结合的健康状态评估方法。事实上,有很多智能算法可以结合数字孪生模型进行设备健康状态评估。不同的设备或不同的可更换单元可能需要根据其特性使用不同的算法,但与数字孪生模型结合的方法是相同的。未来可以进一步研究将数字孪生模型与其他算法相结合进行健康状态评估。


光电训练系统

相关推荐