HUST Bearing公开数据集(含不同转速、复合故障)

数字孪生是当前故障诊断领域的研究热点，该论文是北京航空航天大学陶飞教授于2018年发表的文章，非常经典，该论文系统的阐述数字孪生五维模型的原理框架及数字孪生驱动的PHM的方法，并以风力发电机为例，对比数字孪生和传统方法的差异。截至目前该论文在谷歌学术上显示被引用733次，想必是入门必备的经典文章之一，非常值得阅读！论文基本信息论文题目：Digital twin driven prognostics and health management for complex equipment论文期刊：CIRP Annals - Manufacturing TechnologyDoi：https://doi.org/10.1016/j.cirp.2018.04.055作者：Fei Tao , Meng Zhang , Yushan Liu , A.Y.C. Nee机构：a School of Automation Science and Electrical Engineering, Beihang University, Beijing 100191, PR China b Department of Mechanical Engineering, National University of Singapore, Singapore 117576, Singapore第一作者简介：陶飞，男，教授、博导，国家级领军人才（2019），现任北航国际交叉科学研究院常务副院长、北航党委人才工作办公室副主任，曾任北航自动化科学与电气工程学院副院长、北航高新技术办公室主任、北航科学技术研究院副院长兼基础研究处处长。2007年到2009年在美国密歇根大学（Dearborn）从事先进制造技术和信息化方向研究学者和博士后研究工作，2009年3月回国后直评为副教授，2011年遴选为博导， 2013年破格评为教授，并一直在北航自动化学院从事教研工作。主要从事智能制造与装备、数字孪生、数字工程、制造工业软件、绿色可持续制造等教研工作。第一作者出版专著5部，在Nature等期刊上发表30余篇ESI高被引论文；被引用3万余次；连续入选2019，2020，2021，2022年科睿唯安全球高被引学者、Elsevier中国高被引学者。国家重点研发计划、国家自然科学基金重点国际合作等项目负责人。获国家科技进步二等奖（排名1）、中国机械工业技术发明一等奖、中国青年科技奖、北京市教学成果二等奖等。现任国家智能制造专家委员会委员、中国机械工程学会理事、RCIM副主编、CIRP通信会员。入选美国SME智能制造Top 20最具影响力学者（2021），创办《Digital Twin》国际期刊，发起数字孪生国际论坛和国际会议。(来源：百度百科） 摘要故障诊断和健康管理 （Prognostics and Health Management，PHM）技术 在产品的生命周期监控中至关重要，尤其是对于在恶劣环境中工作的复杂设备。为了提高PHM的准确性和效率，针对复杂设备提出了数字孪生（Digital twin, DT）这一实现物理-虚拟融合的新兴技术。首先构建了复杂设备的通用数字孪生体，然后提出了一种基于数字孪生驱动的PHM的新方法，有效利用了数字孪生的交互机理和融合数据。以风力发电机组为例，验证了所提方法的有效性。关键词：维护，状态检测，数字孪生目录1 引言2 五维模型2.1 物理实体模型 （PE)2.2 虚拟设备模型 （VE)2.3 服务模型（SS）2.4 DT数据模型 （DD)2.5 连接模型 （CN）3 DT驱动的PHM方法4 案例研究4.1 问题描述4.2 对提出的DT驱动PHM方法验证4.3.性能比较与分析5 总结和展望注：小编能力有限，如有翻译不恰之处，请多多指正~ 若想进一步拜读，请下载原论文进行细读。1 引言飞机、轮船、风力涡轮机等复杂设备设计用于在恶劣环境中工作数十年。因此，在其运行过程中性能下降是不可避免的，这可能导致故障，从而导致高昂的维护成本。故障诊断和健康管理（PHM）的引入，能够实现复杂设备的可靠运行。它用于监测设备状态，进行故障诊断，并提供维护设计规则[1]。 然而，目前关于PHM的大多数工作主要是由其物理空间中的设备驱动的，与其虚拟模型几乎没有联系。当前，随着信息物理系统（Cyber Physical Systems，CPS）的发展，重视实现物理空间与虚拟空间的无缝融合、提高复杂设备的PHM显得至关重要。在这种情况下，在虚拟空间中，引入了设备及其数据的数字镜像来描述真实实体的行为。参考文献[2]中已经探索了一些潜在的应用，但是，实现由物理和虚拟空间驱动的PHM，仍然存在一些突出的常见问题。它们包括：构建高保真数字镜像从而透彻地描述设备;建立设备与其数字镜像之间的交互，使其无缝支持PHM;融合物理空间和虚拟空间的数据，为PHM生成准确的信息。 本文采用数字孪生（DT）作为物理-虚拟融合的参考模型，针对上述3个问题进行了研究。首先，基于DT，在几何、物理、行为和规则等不同层次上构建设备的高保真数字镜像模型;它甚至可以在物理距离之外访问设备。其次，DT的交互机制可以检测来自环境的干扰、设备的潜在故障和模型中的缺陷；这是一种耦合优化，使设备和数字模型不断演进。第三，由于DT包括来自设备的数据、数字模型和融合数据，因此可以大大丰富PHM的数据以提供准确的信息。 本文首先建立了复杂设备的五维DT，然后提出了一种基于DT驱动的复杂设备PHM新方法，并详细探讨了其框架和工作流程。本文介绍了一个风力涡轮机(Wind Turbines,WT)的案例研究，以展示所提新方法。2 五维模型DT模型的通用架构及标准首先由Grieves[3]构建。在这种架构中，DT在三维空间中建模，即物理实体、虚拟模型和连接，并以物理-虚拟交互为特征。它已被应用于产品设计和生产[4,5]。基于此，该文提出一种扩展的五维架构DT，增加DT数据和服务。与Grieves的架构相比，除了物理-虚拟交互外，该模型还使用DT数据，即融合了物理和虚拟方面的数据，以实现更全面和准确的信息捕获。它还可以封装来自服务的DT功能（例如检测、判断和预测），以实现统一管理和按需使用[6]。根据提出的五维架构，图1显示了复杂设备的DT，可以用以下表达式表示： (1)图1 复杂设备的五维DT模型 其中 （Physical Entity）是指物理实体， （Virtual Entity)是虚拟设备， (Service)代表PE和VE的服务， (DT Data)是指DT数据， (Connection)是 、 、 和之间的连接。为了说明复杂设备的所提及DT，在案例研究中考虑了风力涡轮机（WT）。2.1 物理实体模型 （PE) 通常， 由各种功能子系统和传感器设备组成。子系统在运行期间执行预定义的任务，传感器收集子系统的状态和工作条件。任何部件的故障都可能导致 失效。在图2中，WT的功能子系统由叶片、发电机、齿轮箱、偏航系统等组成，用于将风能转化为机械能和电能。部署传感器以收集发电机温度、齿轮箱振动、功率输出等。图 2 物理 WT 模型2.2 虚拟设备模型 （VE） 是 的高保真数字模型，它集成了 的多个变量、规模和能力，以在虚拟世界中重现其几何形状、物理特性、行为和规则。 的建模如下 (2)其中 、 、 和 分别代表几何模型、物理模型、行为模型和规则模型。VE的建模解释如下，结合图3中虚拟WT模型的构造。 被构造为 3D 实体模型，WT部件（例如齿轮箱、叶片和轴）使用商业CAD建模软件进行组装。 模拟PE的物理特性。对于WT，可以使用有限元法（FEM,Finite Element Method）在此级别模拟叶片变形，齿轮齿应力和轴承温度等。 描述了受驱动因素（例如控制命令）或干扰因素（例如人为干扰）支配的 的行为。WT的行为包括发电，偏航、俯仰、展开扭曲等。发电量是风速和输电效率的函数，而偏航则表示为偏航角度、偏航率和偏航误差之间的关系[7]。 包括约束、关联和演绎的规则。这些规则就像“大脑”一样，让VE做出判断、评估、优化和/或预测。对于WT，可以通过力分析来模拟风速的约束，并且可以使用神经网络从云数据中挖掘参数的关联。通过构建的 ， 、 、 和 在功能和结构上耦合，形成 的完整镜像。图3 虚拟WT模型2.3 服务模型（Ss） 包括 和 的服务。它优化了 的操作，并通过在运行过程中校准 参数来确保 的高保真度，以维持其与 的性能。 由（3）中的元素组成，描述了服务的功能、输入、输出、质量和状态。可以安排 Ss 以满足 PE 和 VE 的需求。 (3)以物理WT模型的功率输出监控服务为例。它可以表示为Ss_monitor=(功率输出监控，(风速，物理WT的功率输出，虚拟WT的功率输出)，功率条件，(时间，成本，可靠性)，(工作，空闲，故障))。2.4 DT数据模型（DD） 包括如下所示的五个部分， (4)其中 是来自 的数据， 是来自 的数据， 是来自 的数据， 代表领域知识， 表示 Dp、Dv、Ds 和 Dk 的融合数据。图 4 显示了 WT 的 。图4 风力发动机的 2.5 连接模型 （CN） 包括如下示的六个部分， (5)其中 、 、 、 、 和 分别表示 和 、 和 、 和 、 和 、 和 、 和 之间的连接。每个连接（表示为 ）都是双向的，交付的数据在 CNXX 中建模。 (数据源;单位;数值;范围;采样间隔）(6)以 WT 的 为例。来自物理 WT 的数据（例如偏航角）表示为 =(物理 WT， 角度， 10， 0-1080， 10s)。来自虚拟WT的顺序(例如偏航速率)表示为CN_PV_yaw_order=(虚拟WT，rad/s，8.7e-3,0-(1.7e-2)，10s)。3 DT驱动的PHM方法用已建立的 DT （数字孪生体）来创建如图 5 所示 DT 驱动的 PHM 方法。在这种方法中，故障分为渐进性故障和突发故障。前者可以预测为由成分逐渐降解引起的。后者是不可预测的，并且由于干扰而突然发生。图5 DT驱动PHM的框架和工作流程图 5 的工作流程分为三个阶段，即观察（步骤1–3）、分析（步骤 4–6）和决策（步骤 7）。第 1 步：DT 建模和校准。根据第 2 节建立复杂设备的 DT。如果 偏离 ，有两种可能的方法可以消除偏差：（1）通过基于最小二乘法[8]的参数调整来校准 ;（2）保持 ，确保 与 之间的实时通信。第2步：模型仿真和交互。设 和 表示从 PE 收集的实时状态和工作条件，其中 是第 个实际状态（例如速度、扭矩、力）， 是第 个条件（例如环境、负载、控制顺序），而 和 是元素个数。将 和 加载到 进行初始化和仿真，并将 的输出表示为，其中 是到 的映射，表示第 个模拟状态， 表示其他分析结果（例如应力分析），而 和 是元素个数。 和 保持交互，以确保两者都可以达到最新状态。第 3 步：一致性判断。从 和 中选取 个元素 ( )。然后让 和 分别表示当前时刻 和 的状态（假设为 时刻），其中 和 。如果 ，(其中 是预定义的阈值)则将 和 视为一致，这意味着在不可避免的波动（例如实际环境的变化）引起的差异在可容忍范围内。然后转到步骤 4。否则，它们不一致，请转到步骤5。第 4 步：退化检测。随着PE的运行，性能会下降。它可以反映在 、 和 数据所表示的指标上。如果某些指标超过阈值，则 已经退化，并且随着退化的积累会逐渐出现故障，则进入步骤6。否则，请转到步骤 2。第 5 步：不一致导致判断。以相同条件（即C一样）下 的历史状态的时间序列为参考，以确定不一致是由 还是 引起的。将引用表示为 ，其中 是元素数， 是第 个参数的时间序列记为 ，并且 是元素数。因此，对于中的第 个参数，从当前时刻(比如 )到 的时间序列表示为 和 ，分别表示 和 作为 和 的时间序列。根据基于相关性的动态时间扭曲方法[9]测量 和 以及 和 的相似性。如果只有 相似，则不一致是由 PE 的突然故障引起的，由于 VE 未知的突然干扰，然后转到步骤 6。如果只有 和 相似，则不一致是由模型缺陷引起的，然后转到步骤 1。如果 和 与 不同，请先转到步骤 1 进行模型校准。 第 6 步：故障原因的识别和预测。根据步骤 4 和 5 对两个条件进行分类，如下所示：（1）渐进式故障：从步骤4开始，在完全故障之前，定位故障原因。它包括两个阶段。在训练阶段，从 、 、 的历史数据中提取预警特征。然后训练预测模型以融合特征，并通过神经网络等方法将它们与故障原因相关联。在预测阶段，将 、 、 的实时数据中的特征输入到训练好的模型中，并预测故障原因。（2）突发故障：从步骤5开始，首先定位与突发故障相关的组件。然后，通过比较 和 的参数，逐一检查组件，最终确定干扰源为故障原因。第 7 步：维护策略。根据故障原因，在一组备用备选方案中选择维护策略。首先在 上执行选定的策略进行验证，然后在 上执行这些策略。根据图5所示的框架，方法中所需的功能（例如一致性判断、故障原因预测、校准）由相应的服务实现。来自工作流的数据存储在 （数字孪生五维模型之一数据模型） 中，并在处理（例如数据融合）后发送回去以驱动这些步骤。同时，来自远程设备的数据也会不断更新。4 案例研究4.1 问题描述WT是一种将风能转化为电能的复杂设备。由于WT的设计寿命为数十年，其工作条件具有随机负载、变化扭矩和多尘环境的特点，因此大多数组件在运行过程中可能会失效[10]。但是，一直访问 WT 是不切实际的。第 2 节中为 WT 构建的 DT 能够使用第 3 节中的 DT 驱动的 PHM 方法来解决这个问题。 如图2所示，齿轮箱是WT中最容易发生故障的元件之一[11]。它的失效主要是由于逐渐退化造成的。本节以齿轮箱为例，对所提方法进行演示。4.2 对所提的DT驱动PHM方法验证根据第 3 节中的步骤 1 和 2，使用 WT 构建的 DT，开始仿真和交互。根据步骤 3，物理和虚拟 WT 中齿轮箱的状态表示为 和 。 和 是从安装在输入轴和输出轴上的扭矩传感器（图 2 中的部分）收集的，而 和 则基于风轮、齿轮箱和发电机之间的传动关系在虚拟 WT 上进行模拟。根据式（7）计算 和 的偏差，根据经验将设置为6%。当满足 时，物理和虚拟 WT 的齿轮箱是一致的。 (7)表1 符号列表根据步骤4，振动由安装在变速箱上的加速度计收集。振动时间序列中每 1000 个样本的能量计算为 ，其中 是第 个样本的振幅。如果超过最大值，则变速箱已退化。相关符号列于表1中。根据步骤6，故障原因（即齿轮磨损、疲劳或断裂）的预测过程如图6所示。从物理WT中的齿轮箱可以看出，不同故障原因的振动频率和能量不同，可以反映在图6（a）中振动频谱的 、 和 上。因此，选择 、 和 作为预警功能。此外，从虚拟WT中的齿轮箱来看，由于不同的故障原因可以反映在齿上不同的应力水平（例如，图6（b）中的接触应力和弯曲应力），因此选择 、 和 作为预警特征。通过分析作用在齿面和齿根上的力，可以得到 和 ，通过记录齿轮啮合数可以得到 。然后，利用学习速度快、泛化性能好的单隐层网络极限学习机（extreme learning machine, ELM）[12]构建了故障原因预测模型，如图6（c）所示，其输入分别为 、 、 、 和 。最后，根据输入和构建的模型，如图6所示，输出确定了故障原因。图6 DT驱动的齿轮箱故障原因预测根据步骤7，维修策略建议进行焊补。首先对虚拟WT中的变速箱进行焊接工艺以进行验证，然后对物理WT中的变速箱进行焊接工艺。所提出的方法不访问WT，同时预测故障原因和维护过程。4.3.性能比较与分析传统的齿轮箱故障原因预测方法通常使用物理WT中齿轮箱的振动信号（表示为 方法）。为了进一步验证所提出的DT驱动方法（表示为DT方法）的优点，将其性能与 方法进行了比较。在本例中， 方法也是使用 ELM 构建的。 方法的输入是 、 和 ，这些输入也用于 DT 方法。这两种方法在齿轮箱退化的 40 个 WT 数据上进行了测试，其中 15 个用于齿磨损，13 个用于齿轮疲劳，12 个用于断齿。对于齿轮磨损、疲劳和断齿这三种工况，每种方法识别出的正确工况的WT数量如图7所示。与P方法相比，DT法的准确度有明显提高。图7 两种方法的精度比较DT方法的优点主要来自于它的结构。根据工作流程，在物理和虚拟WT中的齿轮箱一致的前提下，构建的DT可以融合振动和应力信号进行预测。它可以从物理和虚拟两个方面描述变速箱。然而， 方法仅关注来自物理WT的振动信号。由于信号容易受到其他振动源的干扰， 方法精度很容易受到影响。5 总结和展望本文提出了用于复杂设备的DT驱动PHM。以WT为例，首先提出并建立了五维DT。然后，介绍了DT驱动PHM的框架和工作流程，并进行了齿轮箱预后案例研究，以证实所提出的DT方法提高了预测精度。考虑到DT的实施成本和复杂性，所提出的DT驱动的PHM方法对于监测工厂中的高价值和主要设备将很有用，并且必须有足够的数据进行DT建模。为了扩大PHM应用的规模，（需要解决的）挑战主要包括：（1）为具有不同特性和行为的复杂设备构建高保真数字镜像;（2）处理大量DT数据;（3）平衡DT的成本和收益。编辑：赵栓栓校核：李正平、王畅、陈凯歌、曹希铭、董浩杰该文资料搜集自网络来源：故障诊断与python学习