文摘

设备健康状态评估具有重要意义,提高工业设备维护支持的效率,实现准确的支持。使用方法由数字双模型和智能算法的融合可以使设备健康状态评估更适合设备支持的“准确性”的要求。以神经网络算法为例,本文研究单位级设备健康状态评估的方法由数字双模型和智能算法的融合。设备健康状态评估的原理和机会基于数字双模型进行了分析,设备健康状态等级重新定义了从数据驱动的角度来看,评价参数的选择原则,以及单位级设备健康状态评估模型基于数字双模型和神经网络算法建立了。该方法是通过与Python编程,实现和验证了该方法的有效性通过一个案例研究。它为进一步的研究提供了支持装备水平的健康状态评估和设备维修的决策研究提供参考与借鉴相结合的数字双模型和其他智能算法对健康状态评估。

1。介绍

引言应简洁,没有小标题。有限的数据可能包含只有在真正入门,不包含新的结果。

工业设备是生产型企业的基础,其健康状态直接影响企业的生产效率。为了提高其核心竞争力,企业必须努力提高设备的健康的操作时间,减少设备投资尽可能维护支持,以节约成本,增加利润。因此,生产型企业迫切需要实现准确的设备维护支持。

面临工业设备的特点,如复杂的结构和功能,各种降解条件,及各种失效模式,研究其性能下降规则和健康状态评估方法,及时评估设备的健康状态可以指导企业做出最优决策支持,具有重要意义对企业进行准确的支持(1- - - - - -3]。

基于模糊综合评价的方法(4),组合权重模型(5),神经网络模型(6),和贝叶斯网络模型7),研究工作从定性的角度研究了设备健康状态评估或失效概率的角度。然而,大多数现有的研究成果对设备健康状态的评估给失效概率的程度,而不能解决的问题时,设备失败,当执行维护达到最好的效率。评估是模糊的,不能满足精确装备保障的要求。

数字双的融合应用技术和智能算法提供了一种方法来解决这个问题。经过不断探索,工业设备的数字双建模技术已经成熟。使用数字双模型建立数据分析和算法实现已经成为一个新的研究数字双技术的实际应用的焦点。数字双技术和智能算法可以充分发挥数字双模型的优势在掌握大量的设备历史数据、实时数据、经验知识和充分发挥的优势智能通过机器学习算法在寻找规则,以获得高精度的结果。把数字双技术和神经网络算法的组合作为一个例子,本文研究了设备的健康状态评价方法由数字双模型和智能算法的融合。

2。分析设备的健康状态评估基于数字双模型

2.1。基本概念

设备健康状态评估的评估能力的设备及其组件来执行其设计功能(8,9]。健康评估的设备可以有效地保证健康和安全运行的设备和提供技术支持,设备维护和维修决策(10]。

设备健康状态评估基于数字双模型来评估设备的健康状态通过使用大量的数据掌握数字双模型和智能算法的基础上,数字双模型。

设备由可更换单元,执行不同的功能。设备健康状态评估可分为设备级别评估和单位级别的评估。设备水平评估是评估整体健康状态的设备。单位水平评估是用来评估的健康状态可更换单元的设备。设备的整体健康状态受到每个单元的健康状态的影响。本文主要研究单位级设备健康状态评估的方法在使用阶段基于数字双模型和神经网络算法,提供基础设备使用单位研究设备水平的健康状态评估和设备支持决策。

2.2。评估的原则

与设备运行时间的增加,每个组件的设备的健康状态恶化时根据不同的规则,和健康程度不断降低。设备健康状态的降解曲线如图1(10]。

从图可以看出,设备一般不失败的瞬间,但状态退化操作一段时间后,和退化过程逐渐加速各种应力的作用下,直到退化足以影响设备功能的实现,导致失败(11]。设备健康状态的降解曲线是一个不规则的曲线下降,不能描述的分析方法。然而,只要找到相关参数代表设备健康状态,设备健康状态的退化规则可以被发现。

健康状态评估的目的是及时识别和监控相关的参数,代表设备的健康状态,状态退化之间找到最好的维修时间点和故障点,维修设备前接近失败,并减少过多的维护和保存设备支持成本之前,确保设备的正常运行。同时,维护设备提前准备,以减少等待时间的设备(12]。

2.3。评估的机会

设备健康状态评估基于数字双模型可以实现实时状态评估和随时掌握设备的健康状态。在实际工作中,结合集中评估和评估可以在任何时候被采纳。一般来说,这些附属设备应进行评估的一天一次,安排在晚上设备的闲置时间,以免影响设备的操作和评估的准确性。在特殊情况下,当发生重大变化或紧急情况的设备,它可以在任何时候进行评估。通过评估,可以及时掌握设备的健康状态,可以促使和相应的对策,如故障预警、备件配置需求,设备维修的需求。

3所示。数字双技术和神经网络算法

数字双技术与神经网络算法相结合,充分发挥各自的优势,我们可以获得高精度的评估模型。

3.1。设备支持模型基于数字的双胞胎

数字双是一个技术,创建虚拟模型的物理实体数字的方式。它模拟物理实体在真实环境的行为的帮助下数据和物理实体的添加或扩展新功能通过虚拟和真实的互动反馈,数据融合分析,决定迭代优化,和其他手段13]。基于大量的先进技术,如传感器技术和大数据技术,数字双技术实现自动测量的功能,自动记录,积极上传,积极分析、主动预警、辅助决策、数据一致性和可靠性高的等等;的研究在生产和生活的各个领域,如工程制造、航空航天、智能城市、智能电网和系统操作和维护。

数字双技术的研究来源于设备的生命周期管理。有伟大的匹配和许多优势的应用设备维护支持,这可以大大提高设备维护支持的主动性和准确性。NASA将物理系统的等效虚拟系统,研究复杂系统的故障预测和消除方法基于数字双胞胎,和它适用于飞机健康管理,飞机,运载火箭和其他飞行系统(14]。通过结合超高保真度飞机虚拟模型与结构影响飞行偏差和温度计算模型,结构科学中心的美国空军研究实验室进行飞机结构的寿命预测基于数字双胞胎的技术优势和总结数字(15]。文献[16]介绍了数字双五维模型预测和健康管理(榜单),提出了一种基于数字双物理加工方法。

目前,工业设备的数字双建模技术已经成熟;(17研究和考虑到基于数字双设备支持模型,如图2。

基于数字双设备支持模型分为四个部分:物理层,两层、应用程序层、连接层。在操作的过程中,物理层传输的实时数据两层。两层提供数据支持应用程序层通过数据收集和处理,并使用处理结果指导物理层中的实体的操作。应用程序层使用数据由两层提供应用程序服务设备经理,协助设备维修决策支持,在物理层和行动。连接层的角色模型的内部和外部的交流,模型中的各层之间传输数据,建立与其他相关数字通信双模型。

通过数字双模型的操作,可以同步物理系统和网络模型,使在线分析数据(18,19]。使用设备支持模型基于数字双,我们可以实现真正的虚拟设备模型映射到物理设备的实体,准确反映实际情况的物理设备,提供支持,准确的设备健康状态评估、故障预测,和备件需求预测,更好的实现设备的及时维护支持,降低整体的支持成本(20.]。

3.2。神经网络的基本原理

人工神经网络系统是一个技术系统,使用工程技术来模拟人类大脑神经网络的结构和功能。这是一个大规模并行非线性复杂网络系统,简称为神经网络(21]。神经网络具有良好的自学习能力、非线性映射和容错(22),已广泛应用于分类、模式识别、预测,信号处理,专家系统等领域23]。只要有足够的隐藏层和隐藏节点,神经网络方法可以任意非线性映射关系,及其学习算法属于全局近似方法,所以具有良好的泛化能力24]。

典型的神经网络结构由三层神经元,即输入层、隐藏层和输出层,如图3。每一层是由几个神经元,这是完全连接,节点和偏见(由(b)被添加在输入层和隐层。通过不断修正每一层的连接权值,实现误差收敛,最后得到一个可靠的神经网络模型,实现所需的功能。

由于大区别不同的结果的概率神经网络的训练数据集通常是不平衡的,这就需要使用粒计算和随机森林算法等来确定最优的粒度和细化不平衡数据集(25,26]。

Python编程或其他语言可以实现训练数据集的处理,以及神经网络模型的建立和培训,以及满足培训需求的神经网络模型可以用来实现数据拟合的功能,分类,聚类,等等。

4所示。设备健康状态等级下数据驱动

设备的健康状态所描述的健康状态等级。目前,研究健康状态等级主要是描述定性描述或失效概率,不能适应数据驱动的健康状态评估方法。适应数据驱动的健康状态评估和评估提供支持,有必要重新定义的健康状态等级从数据驱动的角度来看。

根据设备健康状态的降解曲线和设备维修的支持周期设备,设备的健康状态可更换单元分为五个等级:健康、亚健康、关注,危险,和失败,从数字驱动的角度定义,如图4和表1。

健康。设备是健康的和具有良好的性能,所有的指标都处于良好状态,适合长期操作。对于这样的设备,只需要日常维护。

亚健康。设备性能下降在一定程度上,但这并不影响设备的正常运行。失败是几乎不可能发生在接下来的30天。等设备,做好日常维护,有必要加强状态监测。

注意。设备性能下降严重,可以明显发现。故障可能发生在接下来的30天。等设备,有必要加强状态监测,准备修复、查询备件库存。如果库存不足,备件应当及时分配。

危险。设备性能下降非常严重,它直接影响了设备的操作质量。故障可能发生在未来7天。等设备,它需要修理立即在预定的停机时间。

失败。发生设备故障,设备的功能受到影响。这样的设备只能关闭维修。

5。设备健康状态评估方法

设备健康状态评估的过程中由数字双模式的融合和智能算法,数字双模式的物理层负责结合物理设备通过各种传感器来获得最真实的原始数据并提供数据到两层。两层负责初步获得数据的统计分析,获得了双数据传输到应用程序层使用。应用层负责使用了双数据完成任务的健康状态评估通过智能算法。每一层之间的信息传输是通过连接层统一安排和传播。设备健康状态评估的数据流图由数字双模式的融合和智能算法如图5。

大量的论文研究了数字双模型的建立,以及传感器的应用和初步统计分析的数据,这将不会重复。本文主要研究健康状态评估的过程在应用程序层数字双模型,结合智能算法。

设备健康状态评估的基本思想由数字双胞胎的融合模型和智能算法如下:(1)选择评估参数。(2)获得数字双模型的参数数据。(3)通过一个智能算法评估健康状态。(4)给出评估结论和建议。

以神经网络算法为例,设备健康状态评估的具体过程由数字双模式的融合和智能算法如图6。

5.1。选择评估参数

设备的健康状态可以通过一系列的状态特征参数。只要选择的参数全面、合理,设备的健康状态可以为特征27]。状态参数常用的设备主要包括温度、振动、压力、速度、加速度,如水温、油温、油压、振幅和频率。同时,相关参数的分析数据初步分析后还设备的健康状态的特征,如在启动时水温,油压在启动时,最高水温,最低油压,温度上升速度、温度10分钟后启动、稳态温度和异常振动特征。

当选择评估参数时,要注意以下方面:(1)评估参数的决定因素不仅限于设备健康状态,也可以健康状态的相关因素,也就是说,将改变的因素,由于变化的健康状态。只要它可以反映一些或多个设备的健康状态的变化,它可以作为选择对象。在选择评估参数,最密切相关的状态参数的选择应尽可能地从失败的角度诱导机制。(2)选择评估参数时,我们应该考虑相关性和可测性的原则,应全面分析和优化可测量的状态参数从现有的测量技术的角度来看,也不应该提出过高要求参数的可测性。如果添加太多的传感器,不仅成本会大大增加,而且还会影响设备的正常运行。可以加强设备状态数据的分析,以及相关数据的分析可以用来解决这个问题,有些数据无法衡量。(3)所选参数不应过多或过少。在反映的前提下设备健康状态的变化从智能的角度评估,评估参数的选择应尽可能少。

如果发现培训结果不够好训练神经网络模型的过程中,这表明所选参数之间的相关性不强和设备健康状态;也就是说,参数选择不合理。在这个时候,有必要重新选择的状态参数,并有很强的相关性与设备健康状态的评估参数设备健康状态。

5.2。从数字双模型查询参数数据

使用传感器技术,数字双模型可以获得大量的有效状态数据,建立真正的虚拟模型和物理实体之间的映射,真正反映设备的实时状态。与此同时,数字双模型有足够的历史和经验数据,可以作为数据分析的支持。

查询参数数据从数字双模型查询和收集相关数据在数字双模型的评估参数,包括当前数据、历史数据和经验数据,进一步分析的基础。如果没有查询相关数据从数字双模型,数字双模型需要调整。

5.3。调整数字双模型

建立数字双模型时,设备的常见参数主要是考虑。如果不收集一些选定的参数在数字双模型和有必要为健康状态评估,收集这些参数需要调整数字双模型,添加相应的传感器,收集这些参数,并收集有关历史和经验数据。

5.4。数据进行预处理

满足神经网络算法的需要,输入数据需要预处理在两个方面:状态数据规范化和年级的数据格式。(1)状态数据规范化。状态数据的神经网络模型的输入数据应该规范化根据一定的方法来避免不同数据值范围的影响结果。归一化算法有很多,并选择适当的方法可以根据数据的特点。在这里,一个简单的方法介绍了最大线性转换为例。转换方程是 在哪里x是归一化后的值,x是在标准化之前,x_最小值是样品的最小值,x_马克斯是样品的最大价值。(2)级数据格式。级数据的神经网络模型的输入数据的一维数组,应当标明0 - 1的格式。例如,如果设备的健康状态分为五年级,五年级的年级数据由一维数组(1 0 0,0,0),[0,- 1,0,0,0)、(0,0,1,0,0],[0,0,0,1,0),和(0,0,0,0,1],如表所示2。

5.5。建立和训练神经网络模型

阶段的状态通过神经网络评估模型,评估单位是否建立和训练中相应的神经网络模型的早期阶段,它可以直接使用这对健康状态评估模型。否则,它应该使用获得的数据从数字双模型建立和训练神经网络模型和评估模型的训练结果。建立了神经网络模型也应该接受再培训,每年一次。

5.5.1。设计模型

输入层节点的数目是由n,等于选择评估参数的数量。评估参数越多,更多的节点。

在输出层节点的数目是由米,这是需要的数量分类。例如,如果设备健康状态分为5个等级,在输出层的节点数是多少米= 5。

隐藏层被设计为一个隐藏层节点的数目是由n₁。它是根据计算(2),与最好的训练结果的节点数量设置值范围内经过多次测试。 在哪里n₁隐层节点的数量,米输出层节点的数量,n输入层节点的数目,一个1到10之间是一个常数。

添加的偏见之后在输入层和隐层节点,分别神经网络设计如图7。

5.5.2。火车模型

区分输入数据,75%的数据用于模型训练和25%的数据用于模型试验。用Python编写神经网络算法程序;我们可以训练神经网络模型。通过不断修正每个节点在每一层的连接权值,误差收敛可以实现,可以获得一个可靠的神经网络模型。

5.5.3。评估培训结果

完成训练后的神经网络模型,模型的训练结果的准确性可以评估和给出的模型可以通过模型误差和模型的分类效果的训练数据和测试数据。培训效果是否满足需求的评估,该模型可用于评估健康状态。如果培训效果不够好,它表明所选评估参数不是强相关设备的健康状态。评估参数应调整根据评估参数的选择原则,应该重建和神经网络模型。

5.5.4。训练模型

应该定期重新训练,建立了神经网络模型和新收集的实际操作数据应该替换到模型作为输入数据,以便增加的数据量,提高模型的精度。由于一年通常是一个周期的设备操作和支持和相对完整的操作和支持数据可以获得在今年年底,培训一般每年进行一次,每年年底安排。

5.6。进行健康状态评估

后获得的数据数字双模型建立和训练神经网络模型,我们可以使用的状态数据和神经网络模型来评估设备的健康状态。预处理后的参数数据反映当前状态的设备按照相同的方法作为输入数据,并输入到训练好的神经网络模型中,设备的当前健康状态等级,直接反映了设备的健康状态。

5.7。给出评估结论和建议

根据健康状态评估结果,结合数字双胞胎的知识库和专家系统模型,我们可以给健康状态评估的结论,描述当前健康状态的设备,并提供设备维护建议,以帮助设备经理更好的开展设备支持,充分发挥设备的最大效率。

6。案例研究

我们采取一定的发动机燃油系统设备为例,评估其健康状态。发动机燃油系统是一个可更换单元的设备。

6.1。选择评估参数

根据发动机燃油系统的特点,选择高压油管的压力测量的基础上,选择和六个参数作为评价参数的发动机燃油系统的健康状态,如表所示3。

6.2。数据获取和预处理

3000组历史数据可以从构建引擎获得数字双模型作为神经网络的输入数据模型,数据预处理。预处理的一部分数据如表所示4。

6.3。建立和训练神经网络模型

我们可以编写一个程序在Python中建立和训练神经网络模型。

输入层节点的数目n= 6和输出层节点的数目米= 5的神经网络模型可以由6状态参数和5健康状态等级。根据(2),隐层节点的数量n₁可以选择从4到13。通过多次试验,当隐层节点的数量n₁= 13,模型训练效果是最好的。因此,可以建立的神经网络模型。

神经网络模型训练通过预处理输入数据。经过多次的训练,获得满意的训练结果,如图8。可以看出,神经网络模型的误差通过训练逐渐减少。在最后的神经网络模型,训练数据的准确率为92.93%,测试数据的准确率是91.87%,和所有输入数据的准确率是92.67%。正确的测试数据接近速度的训练数据,和错误的结果只出现在相邻状态的实际结果,表明该模型并不overfit,和正确的利率高,可以满足需求的评估模型。

6.4。进行健康状态评估

后提取发动机燃油系统的当前状态信息和数字的孪生模型和预处理,可以获得的状态数据,如表所示5。

跑后的神经网络模型和状态数据输入到模型,评估结果可以得到,如图9。

可以看出,当前状态的评估结果是(0.0000,0.1573,0.5573,0.1907,0.000),这表明发动机燃油系统的“注意力”状态。评估结果与实际情况一致。

6.5。给出评估结论和建议

通过评估,发动机燃油系统的“关注”。结合分级原则,指的是知识基础和经验基础数字双模型,评估结论是,发动机燃油系统的性能下降严重,故障可能发生在接下来的30天。评估建议如下:加强状态监测,准备维修,备件和分配。

上述情况表明,使用数字双模型的融合驱动方法和神经网络算法可以有效地实现设备健康状态的评估和获取直观和准确的评估结果。

7所示。讨论

上面的方法定义一个数据驱动的健康状态等级和使用数字双模型和神经网络的融合驱动算法评估设备的健康状态,达到了预期的结果。

这个问题也可以解决SOTA模糊综合评价等方法,结合权重模型,贝叶斯网络模型,但由于这些方法大多从定性的角度评估或概率的角度来看,评价结果相对模糊,精度不能满足设备需求的支持。

与这些方法相比,该方法具有以下特点:(1)得更快。使用这种方法,可以实现实时的健康状态评估。提前,因为数字双模型建立的方法获得数据,建立了数据采集的速度更快。因为提前完成神经网络模型的训练和培训结果可以多次使用,评估过程也更快。(2)更准确。在这种方法中,智能算法充分利用大数据的优点,找到失败的规则适用于每一个设备。它避免了确定权重的过程通过专家评分在一些传统的方法,消除了人为因素的干扰,结果更加准确和客观。满足的需要准确的支持。(3)更好地适应新的要求。数据驱动的状态等级重新定义定义的状态数据,满足大数据驱动模式的需要。一些传统的方法避免了复杂的计算过程,和模型可以使用很多次训练后,这样可以减少大量的计算状态评估和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于计数的批处理设备和主设备的整体状态。这种方法可以用来评估设备组,单一的设备,设备的一部分。评估的结果可以用来可靠地判断设备的健康状态,引导支持决策,提高设备的积极支持。(5)更多的自动化。从数据收集、处理到评估,评估的整个过程自动化,节省了劳动力,提高了工作效率,大大减少了错误率。(6)便携。为新设备,缺乏大量的数据支持,类似设备的评估模型中的参数数据可以作为经验数据移植成为新设备的初始数据使新设备的初始支持数据更接近现实和新设备的支持决策提供支持。

8。结论

设备健康状态评估是实现设备准确的支持具有重要意义。以神经网络算法为例,本文研究单位级设备健康状态评估的方法由数字双模型和智能算法的融合。设备健康状态等级重新定义了从数据驱动的角度来看,和单位级别设备健康状态评估模型基于数字双模型和神经网络算法建立了。通过案例分析验证了方法的有效性。支持提供了进一步研究装备水平的健康状态评估和设备维修的决策。

健康状态评估的方法,本文主要研究基于神经网络的组合算法和数字双模型。事实上,有许多聪明的算法,可以结合数字双模型对设备的健康状态评估。不同设备或可替换的单位可能需要使用不同的算法根据他们的特点,但结合数字双模型的方法是相同的。数字双模型和其他算法的组合健康状态评估在未来可以进一步研究。

数据可用性

原始数据用来支持这个研究的发现可以从相应的作者。

的利益冲突

作者声明,关于这项工作他们没有利益冲突。

确认

这项工作是由解放军的科研基金(JY2021C090)。